CN113766037B - 面向大规模边缘计算系统的任务卸载控制方法及系统 - Google Patents
面向大规模边缘计算系统的任务卸载控制方法及系统 Download PDFInfo
- Publication number
- CN113766037B CN113766037B CN202111325318.3A CN202111325318A CN113766037B CN 113766037 B CN113766037 B CN 113766037B CN 202111325318 A CN202111325318 A CN 202111325318A CN 113766037 B CN113766037 B CN 113766037B
- Authority
- CN
- China
- Prior art keywords
- server group
- server
- mobile users
- task
- unloading
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 230000009471 action Effects 0.000 claims description 25
- 230000002787 reinforcement Effects 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1004—Server selection for load balancing
- H04L67/1008—Server selection for load balancing based on parameters of servers, e.g. available memory or workload
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Computer And Data Communications (AREA)
Abstract
Description
技术领域
本发明涉及边缘计算领域,尤其涉及面向大规模边缘计算系统的任务卸载控制方法及系统。
背景技术
在传统的云计算模式下,数据中心(DataCenter,DC)具有强大的计算能力,可以同时为大量的用户提供计算服务。为了保证资源的利用率,DC的覆盖范围往往较大,这就导致某些用户与DC的距离较远、通信延迟较高。对于传统的周期性数据收集和处理任务,通信延迟是可以接受的,但是随着移动智能设备的普及,实时性较高的任务逐渐增多,DC的高延迟已经不能满足移动用户的计算需求。
边缘计算(EdgeComputing,EC)是一种新的云计算模式。将服务器部署在网络边缘,为用户提供计算服务。网络边缘并不是终端设备,而是靠近终端设备的网络位置,其特点是可以以较低的延迟与终端设备通信。EC正是基于这一特性来满足移动设备任务对实时性的要求。但是由于部署在网络边缘,EC服务器的覆盖范围和计算能力相较于传统的云都有较大的差距,为了在较大规模的环境中(如校园,工厂,港口等)为用户提供边缘计算服务,我们就需要部署较多的移动边缘计算服务器(MobileEdgeServer,MES)来保证覆盖率。由于用户的实时移动特性,如何在具有较大规模MES的边缘计算环境中进行最优的任务调度是一个难题。首先,在接入用户量过大时,服务器被阻塞导致服务质量下降。另外,用户的分布不均会导致MES的负载不均,进而导致整体资源利用率的下降。因此需要研究设计相应的任务调度策略来最大化利用计算资源为移动用户提供服务。
任务调度大致可以从两个角度来考虑。一是用户角度,控制用户的任务卸载使得MES的计算资源被充分利用的同时不会导致服务器阻塞,二是服务器角度,设计合理的策略使得MES之间的负载达到均衡的状态。在动态的边缘计算场景中,用户的地理位置在实时变化,用户的任务到达率也在实时变化,这就导致服务器不能确定自己的用户群特征,也就无法准确控制用户任务卸载,进而可能导致服务器过载,处理延迟增大。另外,用户的动态特性导致服务器的负载也在动态变化,这就要求负载均衡策略也需要实时调整,而传统的负载均衡策略往往求解时间复杂度较大,不能满足实时性的需求。
发明内容
本发明提供了面向大规模边缘计算系统的任务卸载控制方法及系统,用于解决现有的任务卸载方法由于用户的地理位置在实时变化导致服务器不能确定自己的用户群特征,也就无法准确控制用户任务卸载的技术问题。
为解决上述技术问题,本发明提出的技术方案为:
一种面向大规模边缘计算系统的任务卸载控制方法,包括以下步骤:
对边缘计算系统中的边缘服务器进行分组,得到多个服务器组;
对于任意一组服务器组,获取所述服务器组下的移动用户的历史平均任务到
达速率,并根据所述历史平均任务到达速率预测所述服务器组下的移动用户在预测时刻
的平均任务到达速率,并根据所述服务器组下的移动用户在预测时刻的平均任务到达速
率计算所述服务器组内的所有移动用户计算成本之和最小时对应的最优卸载概率;再在
预测时刻以所述最优卸载概率控制所述服务器组下的移动用户进行任务卸载。
式中,表示服务器组下的所有移动用户的计算成本之和,表示服务器组
下的第个移动用户,为服务器组下的移动用户总数;表示服务器组的卸载概率
值,表示服务器组下的第个移动用户的计算成本;表示服务器组下的第个移
动用户在本地执行任务的计算成本,表示服务器组下的第个移动用户将任务卸载到
边缘进行执行的计算成本;、分别表示所述服务器组下第个移动用户在本地执行
任务的时延、功耗;、分别表示所述服务器组下第个移动用户将任务卸载到边缘进
行执行的时延、功耗;表示计算成本中时延的比重,越大表示任务对时延越敏感,反之则
对功耗敏感,且0<<1。
式中,所述服务器组下第个移动用户将任务卸载到边缘进行执行的时延,
表示服务器组内的所有的移动用户的平均任务大小,表示服务器组内的所有的移动
用户的平均传输速率,为服务器组的任务处理速率表示服务器组的卸载概率
值,为服务器组下的移动用户总数;为所述服务器组下的所有移动用户在预测时
刻的平均任务到达速率。
优选的,在计算得到边缘计算系统中各个服务器组的最优卸载概率后,在预测时刻以所述最优卸载概率控制所述服务器下的移动用户进行任务卸载前,还包括以下步骤:
对边缘计算系统中各个服务器组的最优卸载概率按数值大小进行排序,从排序中选取最优卸载概率中的最大值以及最小值,并计算二者差值的绝对值:
若二者差值的绝对值不大于预设阈值,则判断所述边缘计算系统内的各个服务器负载均衡,再以各个服务器组的预测时刻的最优卸载概率控制各个服务器组下的移动用户在预测时刻进行任务卸载;
若二者差值的绝对值大于预设阈值,则判断所述边缘计算系统内的各个服务器负载不均衡,对所述边缘计算系统的各个服务器进行重新分组,并计算重新分组后的各个服务器组的最优卸载概率,直至计算的重新分组后的各个服务器组的最优卸载概率中的最大值和最小值的差值绝对值不大于预设阈值,再以计算的重新分组后的各个服务器组的最优卸载概率控制重新分组后的各个服务器组下的移动用户在预测时刻进行任务卸载。
优选的,所述边缘计算系统的各个服务器进行重新分组,包括以下步骤:
构建强化学习分组模型,所述强化学习分组模型以所述边缘计算系统中所有服务器的负载情况作为状态,以任意两个服务器的同组或异组作为动作,以所述边缘计算系统中所有移动用户在本地执行任务的计算成本与将任务卸载到边缘进行执行的计算成本之差的平均值作为奖励值;
获取所述边缘计算系统中所有服务器当前的负载情况,将所述边缘计算系统中所有服务器当前的负载情况作为状态输入到构建好的强化学习分组模型中,得到所述边缘计算系统的各个服务器的重新分组。
优选的,所述强化学习分组模型的动作为,A表示动作集合;,
表示两个不同的服务器,,为1表示此时的动作是将,两个服务器所在
的服务器组融合为同一个服务器组,如果二者已经在同一组,则不做任何动作;为0则
表示将服务器从二者所处的同一个服务器组拆离出去,如果二者本就属于不同组,则不做
任何动作;
所述强化学习分组模型的奖励值计算公式如下:
一种计算机系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任一方法的步骤。
本发明具有以下有益效果:
1、本发明中的面向大规模边缘计算系统的任务卸载控制方法及系统,通过对边缘
计算系统中的边缘服务器进行分组,得到多个服务器组;对于任意一组服务器组,获取历
史数据预测所述服务器组下的移动用户在预测时刻的平均任务到达速率,并根据所述服
务器组下的移动用户在预测时刻的平均任务到达速率计算所述服务器组内的所有移动
用户计算成本之和最小时对应的最优卸载概率;再在预测时刻以所述最优卸载概率控制所
述服务器组下的移动用户进行任务卸载;相比现有技术,本发明通过历史数据预测所述
服务器组下的移动用户在预测时刻的平均任务到达速率,进而确定自己的用户群特征,
从而准确控制用户任务往用户计算成本最小的方向进行卸载,能在减少服务器过载的同
时,大大减少服务器卸载的计算成本。
2、在优选方案中,本发明基于卡尔曼滤波对任务量进行估计并据此计算任务卸载概率,以控制用户卸载行为,并根据所有服务器的任务卸载概率判断此时是否存在负载不均,若存在就启动强化学习分组模型对服务器进行重分组,重复这个过程直至负载均衡。相比现有技术,本发明设计的任务调度策略计算复杂度较低,满足动态场景的实时性要求,并且有效的解决了在较大规模的边缘计算场景中的负载均衡问题。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照附图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明优选实施例中的TOC算法的流程图;
图2是本发明优选实施例中的面向大规模边缘计算系统的任务卸载控制方法的流程图;
图3是本发明的面向大规模边缘计算系统的任务卸载控制方法的流程图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例一:
如图3所示,本实施中公开了一种面向大规模边缘计算系统的任务卸载控制方法,包括以下步骤:
对边缘计算系统中的边缘服务器进行分组,得到多个服务器组;
对于任意一组服务器组,获取所述服务器组下的移动用户的历史平均任务到
达速率,并根据所述历史平均任务到达速率预测所述服务器组下的移动用户在预测时刻
的平均任务到达速率,并根据所述服务器组下的移动用户在预测时刻的平均任务到达速
率计算所述服务器组内的所有移动用户计算成本之和最小时对应的最优卸载概率;再在
预测时刻以所述最优卸载概率控制所述服务器组下的移动用户进行任务卸载。
此外,在本实施例中,还公开了一种计算机系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任一方法的步骤。
本发明中的面向大规模边缘计算系统的任务卸载控制方法及系统,通过对边缘计
算系统中的边缘服务器进行分组,得到多个服务器组;对于任意一组服务器组,获取历史
数据预测所述服务器组下的移动用户在预测时刻的平均任务到达速率,并根据所述服务
器组下的移动用户在预测时刻的平均任务到达速率计算所述服务器组内的所有移动用
户计算成本之和最小时对应的最优卸载概率;再在预测时刻以所述最优卸载概率控制所述
服务器组下的移动用户进行任务卸载;相比现有技术,本发明通过历史数据预测所述服
务器组下的移动用户在预测时刻的平均任务到达速率,进而确定自己的用户群特征,从
而准确控制用户任务往用户计算成本最小的方向进行卸载,能在减少服务器过载的同时,
大大减少服务器卸载的计算成本。
实施例二:
实施例二是实施例一的优选实施例,其与实施例一的不同之处在于,对面向大规模边缘计算系统的任务卸载控制方法的具体步骤进行了细化,包括以下步骤:
为解决大规模边缘计算场景中难以有效的进行任务卸载控制的问题,本发明提出面向大规模边缘计算系统的任务卸载控制方法,其为一种基于卡尔曼滤波和强化学习算法的任务调度策略。该控制方法首先初始化为每个服务器都是一个服务器组(ServerGroup,SG),并且每个组的任务卸载概率(TaskOffloadingProbability,TOP)初始设置为100%。服务器接收用户卸载过来的任务并以SG为单位统计任务量,获得统计值之后,基于卡尔曼滤波对下一时隙的任务量进行估计,并计算下一时隙的平均任务到达率,最后依据下一时隙的平均任务到达率计算下一时隙的TOP值,再根据所有SG的TOP判断此时是否需要重新分组,若需要分组,再用强化学习算法对服务器进行重新分组。该控制方法具体包括以下步骤:
1、边缘计算场景初始化:设定环境中的初始SG数量与服务器数量一致,即每个SG仅包含一个任务卸载概率(TaskOffloadingProbability,TOP),所有MES的TOP初始设定为1。
其中,任务卸载概率用于限制用户任务卸载。每个MES都会计算出一个TOP并将其广播给该MES下的所有移动用户(MobileUser,MU),移动用户据此进行任务卸载,以实现任务卸载的控制。具体得,当MU有任务需要处理时,生成一个随机数s(0<s<1),如果s小于TOP,表明这个任务可以卸载到MES执行,否则只能选择本地执行。初始化TOP为1表示在开始时不对用户的任务卸载进行限制,但是如果MU较多或者单个MU的任务量较大时,就需要调小TOP避免MES被阻塞,当MU较少时,可以调大TOP来提高MES的资源利用率。
2、TaskOffloadingControl(TOC)流程:如图1所示,ECS将初始TOP广播给用户之后,所有的MU就根据TOP决定是否将其计算任务卸载到MES执行,若是,就将任务卸载到边缘服务器。在用户群完成卸载动作之后,SG统计收到的任务量,如果发现任务量过多,就需要调小下一时隙的TOP来限制MU的任务卸载,反之就需要调大。然后下一时隙用户群按照新TOP卸载任务。
在动态的边缘计算场景中,MU在实时变化,TOP也需要实时更新。TOP的更新是以SG
为单位的,SG内的所有服务器共享一个TOP。在计算TOP时,组内的全部物理服务器被视为一
个逻辑服务器,并在这个逻辑服务器的基础上计算最优TOP,对于每个服务器组,其TOP的
计算过程如下:
首先列出求解最优TOP的公式
其中,(0<<1)表示计算成本中时延的比重,越大表示任务对时延越敏感,反
之则对功耗敏感。,分别是第个MU在本地执行任务的时延和功耗,同理,表示将
任务卸载到边缘进行执行的时延和功耗,与组内用户的平均任务到达率相关。
式中,所述服务器组下第个移动用户将任务卸载到边缘进行执行的时延,
表示服务器组内的所有的移动用户的平均任务大小,表示服务器组内的所有的移动
用户的平均传输速率,为服务器组的任务处理速率表示服务器组的卸载概率
值,为服务器组下的移动用户总数;为所述服务器组下的所有移动用户在预测时
刻的平均任务到达速率。
3、负载均衡流程:在所有服务器组计算得到下一时隙的之后,对于这个服务器
组内的服务器i而言,,此时就得到了一个TOP集合,,表示服务
器的数量。某个服务器的较大,说明服务器对用户任务卸载的限制较小,也即其负载较
轻,反之则负载较重。当中最大值和最小值的差值大于我们的设定值时,我们就认为此时
是负载不均的。此时就需要启动强化学习算法对服务器进行重分组。接下来介绍强化学习
分组算法的细节。
(2)动作空间(ActionSpace):在观测到环境的状态之后,如果此时判定为负载不
均,就需要选择此时的动作来解决负载不均的问题。我们设定动作为,A
表示动作集合。,表示服务器,,为1表示此时的动作是将,两个服务
器所在的SG组合为同一个SG,如果二者已经在同一组,则不做任何动作。为0则表示将
服务器从二者所处的同一个服务器组拆离出去,如果二者本就属于不同组,则不做任何动
作。注意,此时每次分组动作仅能将两个服务器组合或拆分,通过这种方式可以显著降低动
作空间分规模,提高网络参数学习效率。
(3)奖励值(Reward):在观测到某个状态并做出动作之后,需要用Reward来评估动
作的好坏。我们定义每个MU的奖励值为本地执行成本和边缘执行成本的差值,取所有MU的
平均值作为此时的环境奖励值。为环境中MU数量。
奖励值的含义是用户的平均收益,收益是指用户任务本地处理和边缘处理的计算成本之差。如果分组效果较好,MES之间负载较为平均,所有服务器的资源都得到有效的利用,则此时的边缘计算成本势必较低,收益值就会较高。
判断MES之间是否出现了负载不均的情况,若是,就启动基于强化学习实现的分组算法,对服务器进行重分组,分组之后,对每个新的SG重新计算TOP,如果判断此时的场景仍然为负载不均,则继续分组,直到负载均衡为止。在负载均衡之后,由于用户在不断移动,经过一段时间仍可能出现负载不均的情况,此时就需要重复上述行为直到再次均衡。
强化学习算法收集所有服务器的TOP作为此时的状态值,判断此时是否出现了
负载不均,若是,将其输入D3QN算法,得到此时的最佳动作并据此将服务器重新分组,重
新分组之后,我们分别统计用户任务在本地处理和边缘处理的成本并求其差值作为奖励
值,如果差值较大,说明分组效果较好。
需要注意,分组的时间间隔为,而TOC控制算法的时间间隔为。二者是不同的,
原因在于每次通过TOC控制算法得到TOP集合之后,并不一定会出现负载不均,也就是不一
定会触发强化学习分组动作,所以分组的时间间隔并不是一个固定值,可能包含多个。
如图2所示,本发明中的控制方法,首先通过SG与环境中的移动用户交互计算最佳TOP,交互过程分为3个阶段:1、广播TOP,2、收集用户任务,3、计算新的TOP。在第三阶段的计算中,为了求解最佳TOP,需要已知下一时隙的任务量,这里采用卡尔曼滤波算法估计下一时隙的任务到达率,然后据此求解最佳TOP。在SG与移动用户群交互完成之后,就可以得到所有MES的TOP,此时需要判断最大TOP与最小TOP之间的差距是否大于设定值,若是,则需要启动RL算法对MES进行重分组,直至差距小于设定值。由于场景的动态特性,这个过程会一直持续。
综上所述,本发明中的面向大规模边缘计算系统的任务卸载控制方法及系统,先基于卡尔曼滤波对任务量进行估计并据此计算任务卸载概率,以控制用户卸载行为,并根据所有服务器的任务卸载概率判断此时是否存在负载不均,若存在就启动强化学习分组模型对服务器进行重分组,重复这个过程直至负载均衡。相比现有技术,本发明设计的任务调度策略计算复杂度较低,满足动态场景的实时性要求,并且有效的解决了在较大规模的边缘计算场景中的负载均衡问题。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种面向大规模边缘计算系统的任务卸载控制方法,其特征在于,包括以下步骤:
对边缘计算系统中的边缘服务器进行分组,得到多个服务器组;
对于任意一组服务器组,获取所述服务器组下的移动用户的历史平均任务到达速
率,并根据所述历史平均任务到达速率预测所述服务器组下的移动用户在预测时刻的平
均任务到达速率,并根据所述服务器组下的移动用户在预测时刻的平均任务到达速率计
算所述服务器组内的所有移动用户计算成本之和最小时对应的最优卸载概率;再在预测
时刻以所述最优卸载概率控制所述服务器组下的移动用户进行任务卸载;
2.根据权利要求1所述的面向大规模边缘计算系统的任务卸载控制方法,其特征在于,
根据所述服务器组下的移动用户在预测时刻的平均任务到达速率计算所述服务器组内
的所有移动用户计算成本之和最小时对应的最优卸载概率,包括以下步骤:
5.根据权利要求4所述的面向大规模边缘计算系统的任务卸载控制方法,其特征在于,在计算得到边缘计算系统中各个服务器组的最优卸载概率后,在预测时刻以所述最优卸载概率控制所述服务器下的移动用户进行任务卸载前,还包括以下步骤:
对边缘计算系统中各个服务器组的最优卸载概率按数值大小进行排序,从排序中选取最优卸载概率中的最大值以及最小值,并计算二者差值的绝对值:
若二者差值的绝对值不大于预设阈值,则判断所述边缘计算系统内的各个服务器负载均衡,再以各个服务器组的预测时刻的最优卸载概率控制各个服务器组下的移动用户在预测时刻进行任务卸载;
若二者差值的绝对值大于预设阈值,则判断所述边缘计算系统内的各个服务器负载不均衡,对所述边缘计算系统的各个服务器进行重新分组,并计算重新分组后的各个服务器组的最优卸载概率,直至计算的重新分组后的各个服务器组的最优卸载概率中的最大值和最小值的差值绝对值不大于预设阈值,再以计算的重新分组后的各个服务器组的最优卸载概率控制重新分组后的各个服务器组下的移动用户在预测时刻进行任务卸载。
6.根据权利要求5所述的面向大规模边缘计算系统的任务卸载控制方法,其特征在于,所述边缘计算系统的各个服务器进行重新分组,包括以下步骤:
构建强化学习分组模型,所述强化学习分组模型以所述边缘计算系统中所有服务器的负载情况作为状态,以任意两个服务器的同组或异组作为动作,以所述边缘计算系统中所有移动用户在本地执行任务的计算成本与将任务卸载到边缘进行执行的计算成本之差的平均值作为奖励值;
获取所述边缘计算系统中所有服务器当前的负载情况,将所述边缘计算系统中所有服务器当前的负载情况作为状态输入到构建好的强化学习分组模型中,得到所述边缘计算系统的各个服务器的重新分组。
8.一种计算机系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至7任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111325318.3A CN113766037B (zh) | 2021-11-10 | 2021-11-10 | 面向大规模边缘计算系统的任务卸载控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111325318.3A CN113766037B (zh) | 2021-11-10 | 2021-11-10 | 面向大规模边缘计算系统的任务卸载控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113766037A CN113766037A (zh) | 2021-12-07 |
CN113766037B true CN113766037B (zh) | 2022-02-11 |
Family
ID=78784814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111325318.3A Active CN113766037B (zh) | 2021-11-10 | 2021-11-10 | 面向大规模边缘计算系统的任务卸载控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113766037B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114466023B (zh) * | 2022-03-07 | 2023-07-11 | 中南大学 | 面向大规模边缘计算系统的计算服务动态定价方法及系统 |
CN115878227B (zh) * | 2023-03-02 | 2023-05-12 | 江西师范大学 | 一种基于人群分类的边缘计算任务卸载方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020023115A1 (en) * | 2018-07-27 | 2020-01-30 | Futurewei Technologies, Inc. | Task offloading and routing in mobile edge cloud networks |
CN111163143A (zh) * | 2019-12-21 | 2020-05-15 | 浙江大学 | 一种面向移动边缘计算的低时延任务卸载方法 |
CN111258677A (zh) * | 2020-01-16 | 2020-06-09 | 重庆邮电大学 | 面向异构网络边缘计算的任务卸载方法 |
CN111580943A (zh) * | 2020-04-01 | 2020-08-25 | 浙江大学 | 一种面向低时延边缘计算中多跳卸载的任务调度方法 |
CN112512056A (zh) * | 2020-11-14 | 2021-03-16 | 北京工业大学 | 一种移动边缘计算网络中多目标优化的计算卸载方法 |
CN113254095A (zh) * | 2021-04-25 | 2021-08-13 | 西安电子科技大学 | 云边结合平台的任务卸载、调度与负载均衡系统、方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11470176B2 (en) * | 2019-01-29 | 2022-10-11 | Cisco Technology, Inc. | Efficient and flexible load-balancing for clusters of caches under latency constraint |
-
2021
- 2021-11-10 CN CN202111325318.3A patent/CN113766037B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020023115A1 (en) * | 2018-07-27 | 2020-01-30 | Futurewei Technologies, Inc. | Task offloading and routing in mobile edge cloud networks |
CN111163143A (zh) * | 2019-12-21 | 2020-05-15 | 浙江大学 | 一种面向移动边缘计算的低时延任务卸载方法 |
CN111258677A (zh) * | 2020-01-16 | 2020-06-09 | 重庆邮电大学 | 面向异构网络边缘计算的任务卸载方法 |
CN111580943A (zh) * | 2020-04-01 | 2020-08-25 | 浙江大学 | 一种面向低时延边缘计算中多跳卸载的任务调度方法 |
CN112512056A (zh) * | 2020-11-14 | 2021-03-16 | 北京工业大学 | 一种移动边缘计算网络中多目标优化的计算卸载方法 |
CN113254095A (zh) * | 2021-04-25 | 2021-08-13 | 西安电子科技大学 | 云边结合平台的任务卸载、调度与负载均衡系统、方法 |
Non-Patent Citations (2)
Title |
---|
Wenhao Fan ; Le Yao ; Junting Han ; Fan Wu.Game-Based Multitype Task Offloading Among.《IEEE INTERNET OF THINGS JOURNAL》.2021, * |
李邱苹 ; 赵军辉 ; 贡毅.移动边缘计算中的计算卸载和资源管理方案.《电信科学》.2019,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113766037A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110971706B (zh) | Mec中近似最优化与基于强化学习的任务卸载方法 | |
CN110377353B (zh) | 计算任务卸载系统与方法 | |
CN111240701B (zh) | 一种端-边-云协同计算的任务卸载优化方法 | |
Baek et al. | Managing fog networks using reinforcement learning based load balancing algorithm | |
CN109857546B (zh) | 基于Lyapunov优化的多服务器移动边缘计算卸载方法及装置 | |
CN109951821B (zh) | 基于移动边缘计算的最小化车辆能耗任务卸载方案 | |
CN113766037B (zh) | 面向大规模边缘计算系统的任务卸载控制方法及系统 | |
CN109829332B (zh) | 一种基于能量收集技术的联合计算卸载方法及装置 | |
CN111061560B (zh) | 云渲染资源调度方法、装置、电子设备及存储介质 | |
CN110096362B (zh) | 一种基于边缘服务器协作的多任务卸载方法 | |
CN109802998B (zh) | 一种基于博弈的雾网络协同调度激励方法及系统 | |
CN111711666B (zh) | 一种基于强化学习的车联网云计算资源优化方法 | |
CN112286677A (zh) | 一种面向资源受限边缘云的物联网应用优化部署方法 | |
CN114340016B (zh) | 一种电网边缘计算卸载分配方法及系统 | |
CN107911478A (zh) | 基于化学反应优化算法的多用户计算卸载方法及装置 | |
CN110519370B (zh) | 一种基于设施选址问题的边缘计算资源分配方法 | |
CN102857548A (zh) | 一种移动云计算资源优化配置方法 | |
CN115421930B (zh) | 任务处理方法、系统、装置、设备及计算机可读存储介质 | |
CN113918240A (zh) | 任务卸载方法及装置 | |
CN109639833A (zh) | 一种基于无线城域网微云负载均衡的任务调度方法 | |
CN110519776A (zh) | 一种雾计算系统中的均衡聚类和联合资源分配方法 | |
CN112596910A (zh) | 一种多用户mec系统中的云计算资源调度方法 | |
Yao et al. | Energy-aware task allocation for mobile IoT by online reinforcement learning | |
CN117201408A (zh) | 一种基于群体博弈的大规模物联网设备负载均衡解决方法 | |
CN116634401A (zh) | 边缘计算下最大化车载用户满意度的任务卸载方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |