CN113608799A - 一种基于任务执行代码缓存的移动边缘计算mec卸载方法 - Google Patents

一种基于任务执行代码缓存的移动边缘计算mec卸载方法 Download PDF

Info

Publication number
CN113608799A
CN113608799A CN202110962428.4A CN202110962428A CN113608799A CN 113608799 A CN113608799 A CN 113608799A CN 202110962428 A CN202110962428 A CN 202110962428A CN 113608799 A CN113608799 A CN 113608799A
Authority
CN
China
Prior art keywords
task
mobile terminal
computing
mec server
calculation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110962428.4A
Other languages
English (en)
Inventor
贾云健
陈志雄
陈正川
温万里
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN202110962428.4A priority Critical patent/CN113608799A/zh
Publication of CN113608799A publication Critical patent/CN113608799A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G06F9/44594—Unloading
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/544—Buffers; Shared memory; Pipes

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种基于任务执行代码缓存的移动边缘计算MEC卸载方法，属于移动通信技术领域。通过在MEC服务器中引入任务执行代码缓存来改进现有的移动边缘计算卸载技术，MEC服务器在接受来自移动终端的计算需求前预先缓存一部分计算任务的执行代码，从而允许移动终端仅上传输入参数来请求MEC服务器执行其任务，而无需上传执行代码；在本发明中，移动终端的任务计算方式包括三种类型，本发明对用户上载任务数据时所需要的通信资源，MEC服务器的计算资源，以及移动终端任务的计算划分策略进行联合优化，以充分高效利用网络资源。本发明可有效减少移动终端向MEC服务器上载的数据量，提升边缘计算网络的计算性能。

Description

一种基于任务执行代码缓存的移动边缘计算MEC卸载方法
技术领域
本发明属于移动通信技术领域，涉及一种基于任务执行代码缓存的移动边缘计算MEC卸载方法。
背景技术
尽管从日益发展的移动终端设备中可以看到其配备的中央处理器(CPU)具有越来越强的计算能力。其计算能力仍然难以满足用户在短时间内计算这些新兴应用程序的要求。除此之外，计算这类高计算负载的新型应用程序通常需要消耗相当可观的电池能量，这对于大多数终端设备来说是不能忍受的。因此，高计算负载的新兴应用给移动终端设备带来了巨大的计算挑战，用户仅仅依赖这些终端设备难以获得较好的使用体验。
在此背景下，移动边缘计算(MEC)技术运运而生。MEC被定义为一个新平台，该平台在与移动用户紧邻的无线接入网络内提供信息技术和云计算功能。自从MEC被提出，就得到了学术界和工业界的大力支持和关注。
在对计算要求超高和通信不稳定的场景下，MEC技术仍然存在一些问题。MEC的计算机制严重依赖用户端到边缘服务器端的数据传输。在通信环境较差时，无线传输速率通常较低，因此，数据的传输时延将增加，难以满足用户的计算需求。此外，在任务数据量较大的应用场景中，任务数据的上载将产生较大的时延，也难以满足用户的计算需求。
针对上述问题，本发明旨在以引入任务缓存技术来改进现有的移动边缘计算卸载技术，以进一步降低用户执行任务的时延和能耗。使得在通信环境较差时或任务数据量超大的应用场景中为用户提供高质量的计算服务。
发明内容
有鉴于此，本发明的目的在于提供一种基于任务执行代码缓存的移动边缘计算MEC卸载方法。使得即使在通信环境较差的条件下或者用户任务数据量超大的应用场景下仍然能够为用户提供高质量的计算服务。
为达到上述目的，本发明提供如下技术方案：
一种基于任务执行代码缓存的移动边缘计算MEC卸载方法，该方法包为：
通过在MEC服务器中引入任务执行代码缓存来改进现有的移动边缘计算卸载技术，MEC服务器基于对移动终端的任务计算需求历史信息和移动终端的通信环境进行观测，通过预测未来移动终端的任务计算需求来预先在自身的存储空间内预先缓存一些计算任务的执行代码，从而为移动终端未来的任务计算提供服务；
移动终端的任务计算方式包括三种类型：本地计算、计算卸载和请求MEC服务器直接执行，其中，若移动终端所需计算的任务代码已经存储在MEC服务器上时，请求MEC服务器直接执行；
移动终端结合自身的计算能力，通信环境以及MEC服务器的计算资源情况将自身的计算任务划分成三个部分：包括本地计算部分、计算卸载部分和请求MEC服务器直接执行的部分；
移动基站根据移动终端的任务划分情况，将可用的无线通信资源分配给每一个移动终端，并且MEC服务器根据所接收到的任务计算请求和移动终端卸载的任务为每一个计算任务分配计算资源进行计算。
可选的，所述任务执行代码缓存具体为：
记录每个时间块内移动终端的任务计算需求状况μ、MEC服务器的缓存状态b以及系统中移动终端的计算代价Cost；其中，任务计算需求状况指网络中移动终端计算的任务是什么，每个任务被网络中多少移动终端进行了计算；
MEC服务器的缓存状态指在该时间块内MEC服务器存储了那些任务的软件代码，存储量为多少；移动终端的计算代价包含了网络中所有移动终端的任务计算时延T和能量消耗E的加权和，即Cost＝vT+(1-v)E,v的取值范围为[0,1]；
根据记录的历史数据，利用神经网络预测计算任务的存储价值，任务的存储价值定义为存储该任务所能为网络中移动终端的任务计算带来的计算代价减小量；
根据所预测的任务存储价值，选择价值最大的任务执行代码进行缓存。
可选的，所述移动基站根据移动终端的任务划分情况，将可用的无线通信资源分配给每一个移动终端具体为：
MEC服务器收集网络中所有移动终端的计算任务属性信息、位置信息和设备发射功率信息；
MEC服务器根据所收集到的信息，结合自身的计算能力，将每个移动终端的任务划分成三个部分：本地计算部分、计算卸载部分和请求MEC服务器直接执行的部分；
移动基站针对网络中移动终端的任务划分情况，将无线通信带宽分配给移动终端用来上载任务数据到MEC服务器；
MEC服务器根据移动终端的任务卸载和请求情况，将自身的计算资源合理分配到每个计算任务并对其完成计算。
本发明的有益效果在于：能够高效的使用无线资源和MEC服务器的计算资源。通过对计算任务进行预先缓存，当用户的计算任务被缓存时，可以通过上载少量的数据到MEC服务器就能完成计算。因此，整个网络的计算性能得到进一步的提升。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明的模型总图；
图2为终端的任务计算工作流程；
图3为MEC服务器的工作流程；
图4为系统在不同用户数量下网络中的移动终端计算总代价；
图5为系统在不同MEC服务器存储容量下网络中的移动终端计算总代价。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
图1为本发明的模型总图。将移动终端的计算任务用一个含有四个参数的元组进行描述，即(S,I,D,R)。其中S代表完成任务所需的CPU周期总数。I任务的程序输入参数的大小。D表示任务的软件代码大小。R表示任务计算结果的大小。
移动终端的任务计算工作流程如图2所示：
1)MEC服务器收集网络中所有用户的计算任务需求，设备计算能力，通信信道状况，MEC服务器的任务存储状态以及MEC计算资源状况信息，根据这些信息，对每个用户的任务进行划分。具体来说，每个用户的任务被划分成三个部分，即本地执行的部分、卸载到MEC服务器端执行的部分、直接请求MEC服务器执行的部分。对任务的这三个部分，分别通过以下方式进行计算。
2)对本地执行的部分。移动终端利用自身的计算资源对其完成计算。
3)对卸载到MEC服务器端执行的部分。移动终端需要将此部分任务对应的输入参数和软件代码上传到MEC服务器上，该上传过程所占用的频段资源将由移动基站进行最优化分配。在接收到移动终端上载的任务后，MEC服务器分配计算资源对这部分任务进行计算。
4)对直接请求MEC服务器执行的部分。该部分的软件代码已经被预先缓存在MEC服务器上。因此，移动终端只需将该部分任务的输入参数上传到MEC服务器，该上传过程所占用的频段资源仍然由移动基站进行最优化分配。在上传了输入参数后，移动终端请求MEC服务器对其任务进行计算，MEC服务器分配计算资源对其进行计算。
基站端MEC服务器的工作流程如图3所示：
1)MEC服务器接收来自移动终端卸载的任务和计算请求。
2)MEC服务器为移动终端卸载的任务和请求计算的任务分配计算资源进行计算。
3)MEC服务器将计算得到的结果通过无线传输的方式传给移动终端。
4)MEC服务器将该自身的存储状态bt、移动终端的任务需求状态ut(即移动终端计算的是那些任务)、系统中移动终端的任务计算时延Tt和能耗Et存储到经验池中，并从经验池中抽取一个小批量数据，用于神经网络的训练。
5)根据当前移动终端的任务需求状态，预测下一时间段内用户的任务需求，并结合用户的通信状况等通过回程链路从云端缓存一些应用程序的软件代码，以为之后的用户任务提供计算服务。
具体来说，在本实施方案中，首先MEC服务器从云端获取一些任务的执行代码缓存到自身的存储空间中，以为用户的任务计算提供服务。此后，MEC服务器收集网络中所有移动终端的计算任务需求、设备计算能力、通信信道状况、MEC服务器的任务存储状态以及MEC计算资源状况信息，根据这些信息，MEC服务器对每个移动终端的任务进行最优划分，并且为每个移动终端分配上行信道来支持用户数据的上载。移动终端根据自身的任务划分情况，完成本地计算部分和MEC服务器计算部分(包含卸载部分和请求MEC服务器执行的部分)的数据上载。MEC服务器为每个用户上载的任务和请求计算的任务分配计算资源进行计算并将计算结果回传到移动终端。最后，MEC服务器更新自身的任务缓存状态，为下一时隙内的移动终端任务计算提供服务。
本实施方案的主要仿真参数为：
网络中移动终端数量为10，随机分布在200m×200m的单个小区区域中，基站位于该区域的中心。上行传输信道的总传输带宽设置为B＝20MHz，并且所有用户的传输功率设置为0.5W。将能量系数ζ设定为5×10-27。白高斯噪声方差为σ2＝2×10-13。此外，信道增益被建模为Hk＝127+30logdk，其中dk是用户k和BS之间的距离。假设MEC服务器和每个移动终端的CPU频率分别为50GHz和1GHz。计算任务所需的CPU周期，是在[1,Smax]Gigacycles中随机选择的。计算任务的输入参数大小是在[1,Imax]MB中随机选择的。计算任务的执行代码大小是在[0.1,0.1Dmax]GB中随机选择的。图3中的系统代价是指网络中所有移动终端的任务计算时延和能耗的加权和，加权系数均为0.5。MEC服务器的存储容量为2GB。为了说明本发明方案的性能，通过将本发明方案与其他三个基准方案进行比较来进行性能评估。第一个基准方案是联合任务缓存和本地计算方案，其与本发明方案的差别在于不包含本章所提方案中相应的MEC计算卸载。第二种方案是本地计算方案，其中所有用户在本地设备上执行计算任务。最后一种方案是MEC计算卸载方案，其与本发明方案的差别在于不采用任务缓存技术。
图4展示了针对不同用户数量，本发明方案和三种基准方案的系统成本。从图4中可以看到，随着用户数量的增加，四种方案的系统成本不断增加。此外，当设备数量较小(小于18)时，本发明方案的系统成本几乎与本地计算+任务缓存方案相同。这是因为所有任务的总数据量很小，MEC服务器可以存储所有用户的任务。随着设备数量的增加，MEC服务器无法存储所有任务，本地计算+任务缓存方案的系统成本大于本发明方案。与其他三个基准方案相比，本发明方案的系统成本得到实质性的降低。这个系统增益主要来自任务缓存带来的零成本和计算卸载带来的低成本计算方式。
系统成本与MEC服务器容量之间的关系如图5所示。从图5中可以看出，本发明方案和缓存方案的系统成本随着MEC服务器存储容量值的增加而降低。这是因为随着MEC服务器存储容量的增加，移动终端可以获得更多的低成本资源来处理它们的任务。当MEC服务器存储容量足够大时，MEC服务器可以存储所有内容，并且所有任务都可以以最低的成本执行。并且，当MEC服务器存储容量的值足够大时，本发明方案的成本曲线与本地计算+任务缓存方案的曲线一致。本发明方案的性能优于其他基准方案，其原因是所提出的方案全面地考虑了存储和计算资源。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种基于任务执行代码缓存的移动边缘计算MEC卸载方法，其特征在于：该方法包为：
通过在MEC服务器中引入任务执行代码缓存来改进现有的移动边缘计算卸载技术，MEC服务器基于对移动终端的任务计算需求历史信息和移动终端的通信环境进行观测，通过预测未来移动终端的任务计算需求来预先在自身的存储空间内预先缓存一些计算任务的执行代码，从而为移动终端未来的任务计算提供服务；
移动终端的任务计算方式包括三种类型：本地计算、计算卸载和请求MEC服务器直接执行，其中，若移动终端所需计算的任务代码已经存储在MEC服务器上时，请求MEC服务器直接执行；
移动终端结合自身的计算能力，通信环境以及MEC服务器的计算资源情况将自身的计算任务划分成三个部分：包括本地计算部分、计算卸载部分和请求MEC服务器直接执行的部分；
移动基站根据移动终端的任务划分情况，将可用的无线通信资源分配给每一个移动终端，并且MEC服务器根据所接收到的任务计算请求和移动终端卸载的任务为每一个计算任务分配计算资源进行计算。
2.根据权利要求1所述的一种基于任务执行代码缓存的移动边缘计算MEC卸载方法，其特征在于：所述任务执行代码缓存具体为：
记录每个时间块内移动终端的任务计算需求状况μ、MEC服务器的缓存状态b以及系统中移动终端的计算代价Cost；其中，任务计算需求状况指网络中移动终端计算的任务是什么，每个任务被网络中多少移动终端进行了计算；
MEC服务器的缓存状态指在该时间块内MEC服务器存储了那些任务的软件代码，存储量为多少；移动终端的计算代价包含了网络中所有移动终端的任务计算时延T和能量消耗E的加权和，即Cost＝vT+(1-v)E,v的取值范围为[0,1]；
根据记录的历史数据，利用神经网络预测计算任务的存储价值，任务的存储价值定义为存储该任务所能为网络中移动终端的任务计算带来的计算代价减小量；
根据所预测的任务存储价值，选择价值最大的任务执行代码进行缓存。
3.根据权利要求1所述的一种基于任务执行代码缓存的移动边缘计算卸载方法，其特征在于：所述移动基站根据移动终端的任务划分情况，将可用的无线通信资源分配给每一个移动终端具体为：
MEC服务器收集网络中所有移动终端的计算任务属性信息、位置信息和设备发射功率信息；
MEC服务器根据所收集到的信息，结合自身的计算能力，将每个移动终端的任务划分成三个部分：本地计算部分、计算卸载部分和请求MEC服务器直接执行的部分；
移动基站针对网络中移动终端的任务划分情况，将无线通信带宽分配给移动终端用来上载任务数据到MEC服务器；
MEC服务器根据移动终端的任务卸载和请求情况，将自身的计算资源合理分配到每个计算任务并对其完成计算。
CN202110962428.4A 2021-08-20 2021-08-20 一种基于任务执行代码缓存的移动边缘计算mec卸载方法 Pending CN113608799A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110962428.4A CN113608799A (zh) 2021-08-20 2021-08-20 一种基于任务执行代码缓存的移动边缘计算mec卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110962428.4A CN113608799A (zh) 2021-08-20 2021-08-20 一种基于任务执行代码缓存的移动边缘计算mec卸载方法

Publications (1)

Publication Number Publication Date
CN113608799A true CN113608799A (zh) 2021-11-05

Family

ID=78309075

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110962428.4A Pending CN113608799A (zh) 2021-08-20 2021-08-20 一种基于任务执行代码缓存的移动边缘计算mec卸载方法

Country Status (1)

Country Link
CN (1) CN113608799A (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112540845A (zh) * 2020-05-27 2021-03-23 南京邮电大学 一种基于移动边缘计算的协作系统及方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112540845A (zh) * 2020-05-27 2021-03-23 南京邮电大学 一种基于移动边缘计算的协作系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHIXIONG CHEN等: ""Dynamic Task Caching and Computation Offloading for Mobile Edge Computing"", 《GLOBECOM 2020 - 2020 IEEE GLOBAL COMMUNICATIONS CONFERENCE》, 25 January 2021 (2021-01-25) *
ZHIXIONG CHEN等: ""Integrated Task Caching, Computation Offloading and Resource Allocation for Mobile Edge Computing"", 《2019 IEEE GLOBAL COMMUNICATIONS CONFERENCE (GLOBECOM)》, 27 February 2020 (2020-02-27) *

Similar Documents

Publication Publication Date Title
CN111586696B (zh) 一种基于多智能体架构强化学习的资源分配及卸载决策方法
CN109391681B (zh) 基于mec的v2x移动性预测与内容缓存卸载方案
CN109951869B (zh) 一种基于云雾混合计算的车联网资源分配方法
CN111010684B (zh) 一种基于mec缓存服务的车联网资源分配方法
CN111031102A (zh) 一种多用户、多任务的移动边缘计算系统中可缓存的任务迁移方法
CN111414252A (zh) 一种基于深度强化学习的任务卸载方法
CN110096362B (zh) 一种基于边缘服务器协作的多任务卸载方法
CN107708152B (zh) 异构蜂窝网络的任务卸载方法
CN111132191A (zh) 移动边缘计算服务器联合任务卸载、缓存及资源分配方法
CN112689303B (zh) 一种边云协同资源联合分配方法、系统及应用
CN111552564A (zh) 基于边缘缓存的任务卸载与资源优化的方法
CN111885147A (zh) 边缘计算中的一种资源动态定价方法
CN113114714B (zh) 一种大规模任务卸载到5g边缘服务器的节能方法及系统
CN112491957B (zh) 一种边缘网络环境下的分布式计算卸载方法及系统
CN114567895A (zh) 一种mec服务器集群的智能协同策略的实现方法
CN114449529A (zh) 基于移动边缘计算的资源分配优化方法、装置及存储介质
CN112188551A (zh) 一种计算迁移方法、计算终端设备及边缘服务器设备
CN111796880B (zh) 一种边缘云计算任务的卸载调度方法
CN111511028A (zh) 一种多用户资源分配方法、装置、系统及存储介质
CN116016519A (zh) 一种面向QoE的边缘计算资源分配方法
CN114938381A (zh) 一种基于深度强化学习的d2d-mec卸载方法、计算机程序产品
KR102562732B1 (ko) Mec 기반 무선 네트워크의 태스크 오프로딩 장치 및 방법
CN109600432B (zh) 内容中心移动边缘网络用户动态接入方法
CN116347522A (zh) 云边协同下基于近似计算复用的任务卸载方法及装置
CN110582097A (zh) 一种降低汽车计算开销的处理方法、装置及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination