CN113778550A - 一种基于移动边缘计算的任务卸载系统和方法 - Google Patents

一种基于移动边缘计算的任务卸载系统和方法 Download PDF

Info

Publication number
CN113778550A
CN113778550A CN202110941097.6A CN202110941097A CN113778550A CN 113778550 A CN113778550 A CN 113778550A CN 202110941097 A CN202110941097 A CN 202110941097A CN 113778550 A CN113778550 A CN 113778550A
Authority
CN
China
Prior art keywords
task
module
unloading decision
unloading
decision
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.)
Granted
Application number
CN202110941097.6A
Other languages
English (en)
Other versions
CN113778550B (zh
Inventor
许斌
刘一川
赵云凯
柴金铭
丌晋
孙雁飞
温畯喆
林珊珊
徐竟晗
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202110941097.6A priority Critical patent/CN113778550B/zh
Publication of CN113778550A publication Critical patent/CN113778550A/zh
Application granted granted Critical
Publication of CN113778550B publication Critical patent/CN113778550B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/509—Offload

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于移动边缘计算的任务卸载系统和方法，该方法包括：终端设备将任务信息上传至设备层信息上传模块；设备层信息上传模块获取设备层MEC服务器和终端设备任务信息；初始化模块接收任务信息并将其初始化；模型构建模块接收初始化模块传送的任务信息；卸载决策制定模块使用ASPO制定任务卸载决策，将其发送至任务卸载决策传送模块；任务卸载决策传送模块将任务卸载决策传送至边缘层的任务卸载决策下发模块；卸载决策下发模块负责部署平台层卸载决策传送模块所传输的任务卸载决策。本发明涉及的任务卸载方法搭载于任务卸载系统上，建立了一种新型的移动边缘计算场景模型，使用的算法全局搜索能力强，能制定出更好的卸载决策。

Description

一种基于移动边缘计算的任务卸载系统和方法
技术领域
本发明涉及边缘计算技术领域，具体涉及一种基于移动边缘计算的任务卸载系统和方法。
背景技术
随着科技的快速发展，众多新型应用(如人脸识别、增强现实等)正在大规模普及，这些新型应用需要大规模的计算，并且对时延要求非常高，一般的移动终端设备无法提供与应用相匹配的计算能力。在这个背景下，移动边缘计算(Mobile Edge Computing, MEC)应运而生，将计算功能下沉至无线接入网，具备高带宽、低延迟等优点。
现有的关于移动边缘计算任务卸载策略的研究多属于静态场景，即只研究了在某一时刻的任务卸载情况，未考虑到设备的移动性这一现实特点。这容易导致在任务卸载计算过程中，设备在未来某一时刻距离MEC服务器过远，任务结果数据返回时间过长而不满足任务的时延限制要求。因此现有研究所建立的模型现实性不足。此外，对于卸载决策的制定现有研究多使用传统单一的优化方法求解模型，卸载决策的质量难以保证。
发明内容
发明目的：本发明的目的在于针对现有技术的不足，提供一种基于移动边缘计算的任务卸载系统和方法，相较于现有技术，本发明研究了设备在边缘计算卸载场景中动态移动的问题，建立了一种新型的移动边缘计算场景模型。同时方法采用一种自适应策略池优化算法（Adaptive Strategy Pool Optimization Algorithm，ASPO）制定任务卸载决策。该算法通过构建算子策略池，在个体进化期间自适应使用策略池的优化算子进行迭代，算法的全局搜索能力强，能制定出更好的卸载决策。
本发明公开的一种基于移动边缘计算的任务卸载系统，包括设备层、边缘层和平台层；
所述的设备层由MEC服务器和终端设备组成，所述的MEC服务器完成任务卸载决策分配的任务，所述的终端设备负责发布任务；
所述的边缘层包含设备层信息上传模块和卸载决策下发模块，其中，所述的设备层信息上传模块获取所述的设备层MEC服务器和终端设备任务的信息，并通过JSON格式和平台层的初始化模块进行通信，所述的卸载决策下发模块负责部署平台层卸载决策传送模块所传输的任务卸载决策，最终由所述的设备层实际完成任务的卸载；
所述的平台层包含初始化模块，模型构建模块，MEC服务器资源统计模块，距离预测模块，卸载决策制定模块，卸载决策传送模块，用于制定任务卸载决策，并将任务卸载决策返回至边缘层；
所述的距离预测模块采用LSTM网络来预测传输模型中的数据，即任务计算完成后返回数据结果时设备距场景中MEC服务器的距离；
所述的卸载决策制定模块使用ASPO算法制定出任务卸载决策，将其发送至任务卸载决策传送模块。
所述初始化模块接收设备信息上传模块传送的MEC服务器和终端设备任务信息，并对任务信息进行初始化操作。
所述模型构建模块接收初始化模块传送的任务信息，构建场景模型、计算模型、传输模型、资源分配模型，并最终构建出任务卸载决策优化模型。
所述MEC服务器资源统计模块根据资源分配模型提供的方法统计每个MEC服务器和设备剩余的计算资源，并存储在平台数据库中。
所述卸载决策传送模块将任务卸载决策传送至边缘层的任务卸载决策下发模块。
一种基于移动边缘计算的任务卸载方法，包括以下步骤：
步骤1：终端设备发布任务，将任务信息上传至设备层信息上传模块；
步骤2：设备层信息上传模块获取设备层MEC服务器和终端设备任务的信息，并通过JSON格式和平台层的初始化模块进行通信；
步骤3：初始化模块接收设备信息上传模块传送的MEC服务器和终端设备任务信息，并对任务信息进行初始化操作；
步骤4：模型构建模块接收初始化模块传送的任务信息，构建出任务卸载决策优化模型；
步骤5：MEC服务器资源统计模块根据步骤4统计每个MEC服务器和设备剩余的计算资源，并存储在平台数据库中；
步骤6：距离预测模块采用LSTM网络用来计算
Figure RE-976177DEST_PATH_IMAGE001
；
步骤7：卸载决策制定模块使用ASPO制定出任务卸载决策，将其发送至任务卸载决策传送模块；
使用ASPO生成任务卸载决策的具体步骤如下：
步骤7.1：获取MEC服务器及设备的计算资源统计信息；
步骤7.2：使用TIACO算子返回的种群，在种群选取最优个体作为初始个体；
步骤7.3：在算法策略池中随机选取算子进行种群的迭代，最终每个算子会返回制定出的卸载决策，具体如下：
当选择到ANS算子时，步骤如下：
步骤7.3.1：概率性选择destroy和repair方法进行组合生成新个体，设
Figure RE-690055DEST_PATH_IMAGE002
和
Figure RE-141897DEST_PATH_IMAGE003
分别表示destroy和repair方法的集合，
Figure RE-209210DEST_PATH_IMAGE004
和
Figure RE-961265DEST_PATH_IMAGE005
分别表示各个destroy和repair方法的权重集合，一开始时，所有的方法都设置相同的权重，破坏方法
Figure RE-721411DEST_PATH_IMAGE006
被选择的概率为
Figure RE-660548DEST_PATH_IMAGE007
，修复方法
Figure RE-656186DEST_PATH_IMAGE008
被选择的概率为
Figure RE-997168DEST_PATH_IMAGE009
，其计算公式如下：
Figure RE-662636DEST_PATH_IMAGE010
步骤7.3.2：进行权重更新，权重越大，方法被选择的概率越大，权重大小更新方式公式如下：
Figure RE-948124DEST_PATH_IMAGE011
其中
Figure RE-357239DEST_PATH_IMAGE012
，
Figure RE-552729DEST_PATH_IMAGE013
，
Figure RE-654677DEST_PATH_IMAGE014
分别表示上次迭代中选中的destroy和repair方法，
Figure RE-693040DEST_PATH_IMAGE015
代表对新解的评估准则，具体表示如下所示：
Figure RE-923425DEST_PATH_IMAGE016
其中
Figure RE-239000DEST_PATH_IMAGE017
；
当选择到TIACO算子时，步骤如下：
步骤7.3.1：根据解生成策略生成个体；
步骤7.3.2：根据
Figure RE-246270DEST_PATH_IMAGE018
更新局部信息素，其中
Figure RE-647295DEST_PATH_IMAGE019
；
Figure RE-663793DEST_PATH_IMAGE020
表示蚂蚁
Figure RE-692929DEST_PATH_IMAGE021
可以选择的目标集合，
Figure RE-136680DEST_PATH_IMAGE022
和
Figure RE-759422DEST_PATH_IMAGE023
分别为信息素浓度和距离的权重；
步骤7.3.3：如果达到迭代次数，最终返回生成后的最终种群，并进入步骤7.4，否则进入步骤7.3.1；
步骤7.4：更新算法策略池中算法的选择权重，进行权重更新，权重越大，算子被选择的概率越大，权重大小更新方式如下所示：
Figure RE-173086DEST_PATH_IMAGE024
其中
Figure RE-197673DEST_PATH_IMAGE012
，
Figure RE-812326DEST_PATH_IMAGE014
分别表示上次迭代中选中算子的编号，
Figure RE-187943DEST_PATH_IMAGE015
代表对新解的评估准则，算子被选择的概率如下所示：
Figure RE-405298DEST_PATH_IMAGE025
其中，
Figure RE-549972DEST_PATH_IMAGE026
表示算法策略池中算子的集合；
步骤7.5：更新当前的最优卸载决策，并判断算法是否达到迭代次数，达到迭代次数则算法终止，返回最终的卸载决策，否则转入步骤7.3；
步骤8：卸载决策传送模块将任务卸载决策传送至边缘层的任务卸载决策下发模块；
步骤9：卸载决策下发模块负责部署平台层卸载决策传送模块所传输的任务卸载决策，最终由设备层实际完成任务的卸载。
所述距离预测模块通过预测
Figure RE-335525DEST_PATH_IMAGE027
来计算
Figure RE-870543DEST_PATH_IMAGE028
。
所述ASPO算法策略池中的算子为自适应邻域搜索算法和改进版蚁群优化算法，并且相关算子使用基于优先级的解生成策略。
本发明技术方案带来的有益效果有：
1、本发明公开了一种基于移动边缘计算的任务卸载系统和方法，通过LSTM网络预测在任务结果数据返回时移动设备距场景中MEC服务器的最大距离，构建了一种合乎现实的移动边缘计算任务卸载模型。
2、本发明公开了一种基于移动边缘计算的任务卸载系统和方法，采用一种自适应策略池优化算法（ASPO）制定任务卸载决策，该算法通过构建算子策略池，在个体进化期间自适应使用策略池的优化算子进行迭代，以能耗为目标联合优化卸载决策与资源分配，算法的自适应策略池机制使得个体在进化过程中自适应选择不同的优化算子，能有效跳出局部最优，制定出更好的任务卸载决策。
附图说明
图1为本发明的一种基于移动边缘计算的任务卸载系统框架图。
图2为本发明的一种基于移动边缘计算的任务卸载方法流程图。
图3为本发明的一种基于移动边缘计算的任务卸载系统及方法的ASPO流程图。
具体实施方式
下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
如图1所示，本发明公开了一种基于移动边缘计算的任务卸载系统，包括设备层、边缘层和平台层，
所述的设备层由MEC服务器和终端设备组成，所述的MEC服务器完成任务卸载决策分配的任务，所述的终端设备负责发布任务；
所述的边缘层包含设备层信息上传模块和卸载决策下发模块，其中，所述的设备层信息上传模块获取所述的设备层MEC服务器和终端设备任务的信息，并通过JSON格式和平台层的初始化模块进行通信，所述的卸载决策下发模块负责部署平台层卸载决策传送模块所传输的任务卸载决策，最终由所述的设备层实际完成任务的卸载；
所述的平台层包含初始化模块，模型构建模块，MEC服务器资源统计模块，距离预测模块，卸载决策制定模块，卸载决策传送模块，用于制定任务卸载决策，并将任务卸载决策返回至设备层。
其中，平台层中的初始化模块接收边缘层的设备信息上传模块传送的MEC服务器和终端设备任务信息，并对任务信息进行初始化操作；模型构建模块接收初始化模块传送的任务信息，构建场景模型、计算模型、传输模型、资源分配模型，并最终构建出任务卸载决策优化模型；MEC服务器资源统计模块根据模型构建模块中资源分配模型提供的方法统计每个MEC服务器和设备剩余的计算资源，并存储在平台数据库中；距离预测模块采用LSTM网络来预测传输模型中的数据，即任务计算完成后返回数据结果时设备距场景中MEC服务器的距离；卸载决策制定模块使用ASPO制定出任务卸载决策，将其发送至任务卸载决策传送模块；卸载决策传送模块将任务卸载决策传送至边缘层的任务卸载决策下发模块。
如图2所示，本发明公开了一种基于移动边缘计算的任务卸载方法，包括以下步骤：
步骤1：终端设备发布任务，将任务信息上传至设备层信息上传模块。
步骤2：设备层信息上传模块获取设备层MEC服务器和终端设备任务的基础信息，并通过JSON格式和平台层的初始化模块进行通信；
当上传MEC服务器的信息时，通信格式如下：
{
“computeSource”：“xxx”，
“mPositionX”：“xxx”，
“mPositionY”：“xxx”
}
computeSource表示MEC服务器的计算总资源，mPositionX和mPositionY分别表示发布MEC服务器所处地理位置的横纵坐标；
当上传终端设备任务信息时，通信格式如下：
{
“cpuCycles”:“xxx”，
“taskDataVolume”:“xxx”，
“resultDataVolume”:“xxx”，
“positionX”:“xxx”，
“positionY”:“xxx”，
“timeStart”:“xxx”，
“deadline”:“xxx”
}
其中cpuCycles表示设备所发布任务所需的cpu周期数，taskDataVolume表示任务的数据量，resultDataVolume表示任务计算完成所产生的结果数据大小，positionX和positionY分别表示发布任务的设备当前所处地理位置的横纵坐标，timestart表示任务发布的时刻，deadline表示任务所允许的最大时延。
步骤3：初始化模块接收设备信息上传模块传送的MEC服务器和终端设备任务信息，并对任务信息进行初始化操作，具体操作步骤如下：
步骤3.1：根据传来的任务信息到来的先后顺序对每个任务进行编号，最终得到任务七元组：
Figure RE-891588DEST_PATH_IMAGE029
。分别对应于第
Figure RE-625189DEST_PATH_IMAGE013
个任务的cpuCycles，taskDataVolume，resultDataVolume，positionX，positionY，timeStart，deadline信息；
步骤3.2：设平台刷新时间片为
Figure RE-581644DEST_PATH_IMAGE030
，
Figure RE-660415DEST_PATH_IMAGE031
代表平台第
Figure RE-563780DEST_PATH_IMAGE032
次刷新的时刻，关于
Figure RE-542100DEST_PATH_IMAGE033
的递推公式如式（1）所示：
Figure RE-403877DEST_PATH_IMAGE034
（1）
根据任务的
Figure RE-975804DEST_PATH_IMAGE035
信息，将任务纳入第
Figure RE-73073DEST_PATH_IMAGE032
个时间片进行处理，如式（2）所示：
Figure RE-46845DEST_PATH_IMAGE036
（2）
更新任务的deadline信息，更新如式（3）所示：
Figure RE-345102DEST_PATH_IMAGE037
（3）
步骤4：模型构建模块接收初始化模块传送的任务信息，构建出任务卸载决策优化模型，具体步骤如下：
步骤4.1：每个任务所属时间片划分好后，假设第
Figure RE-404325DEST_PATH_IMAGE013
个任务被划分到第
Figure RE-305285DEST_PATH_IMAGE032
个批次，将任务信息转化为七元组表示为：
Figure RE-867985DEST_PATH_IMAGE038
其中
Figure RE-337143DEST_PATH_IMAGE039
代表在第
Figure RE-883662DEST_PATH_IMAGE032
批任务中，由设备
Figure RE-994838DEST_PATH_IMAGE013
所发布的任务，
Figure RE-677623DEST_PATH_IMAGE040
是任务
Figure RE-583262DEST_PATH_IMAGE039
所需的cpu周期数，
Figure RE-476132DEST_PATH_IMAGE041
是任务
Figure RE-859840DEST_PATH_IMAGE039
的数据量，
Figure RE-397131DEST_PATH_IMAGE042
表示任务
Figure RE-67147DEST_PATH_IMAGE039
计算完成所产生的结果数据大小，
Figure RE-316820DEST_PATH_IMAGE043
和
Figure RE-973060DEST_PATH_IMAGE044
分别表示任务
Figure RE-755071DEST_PATH_IMAGE039
和
Figure RE-471355DEST_PATH_IMAGE032
批任务的地理位置的横纵坐标，
Figure RE-214183DEST_PATH_IMAGE045
是任务
Figure RE-798748DEST_PATH_IMAGE046
发布的时刻，
Figure RE-310632DEST_PATH_IMAGE047
是任务
Figure RE-463395DEST_PATH_IMAGE039
所允许的最大时延；
步骤4.2：构建场景模型：设场景中共有
Figure RE-552574DEST_PATH_IMAGE048
个设备，
Figure RE-816196DEST_PATH_IMAGE049
个基站，基站集合表示为
Figure RE-41641DEST_PATH_IMAGE050
，设备集合表示为
Figure RE-365306DEST_PATH_IMAGE051
，任务
Figure RE-817148DEST_PATH_IMAGE046
卸载到
Figure RE-9094DEST_PATH_IMAGE014
模式表示设备
Figure RE-964412DEST_PATH_IMAGE013
发布的任务最终由基站
Figure RE-583612DEST_PATH_IMAGE014
执行相应的计算；
步骤4.3：构建计算模型：任务
Figure RE-522749DEST_PATH_IMAGE046
在
Figure RE-128174DEST_PATH_IMAGE014
模式下的计算时间
Figure RE-328211DEST_PATH_IMAGE052
如式（4）所示：
Figure RE-993679DEST_PATH_IMAGE053
（4）
其中
Figure RE-279167DEST_PATH_IMAGE054
表示为任务
Figure RE-688283DEST_PATH_IMAGE055
在
Figure RE-883772DEST_PATH_IMAGE056
模式下所分配的计算资源，
任务
Figure RE-844775DEST_PATH_IMAGE055
在
Figure RE-492925DEST_PATH_IMAGE056
模式下的计算能耗如式（5）所示：
Figure RE-699872DEST_PATH_IMAGE057
（5）
其中计算任务能耗与移动设备自身硬件电路结构有关，用常数系数
Figure RE-874501DEST_PATH_IMAGE058
表示；
步骤4.4：构建传输模型：
步骤4.4.1：设
Figure RE-881772DEST_PATH_IMAGE059
表示时刻
Figure RE-17218DEST_PATH_IMAGE060
时设备
Figure RE-892770DEST_PATH_IMAGE061
和MEC服务器
Figure RE-797272DEST_PATH_IMAGE062
之间的距离，当任务
Figure RE-975444DEST_PATH_IMAGE055
选择模式
Figure RE-722820DEST_PATH_IMAGE062
后的二者之间的距离
Figure RE-543008DEST_PATH_IMAGE063
计算公式如式（6）所示：
Figure RE-833175DEST_PATH_IMAGE064
（6）
其中，
Figure RE-447827DEST_PATH_IMAGE065
和
Figure RE-557866DEST_PATH_IMAGE066
分别表示基站
Figure RE-775221DEST_PATH_IMAGE067
的横纵坐标；
步骤4.4.2：设备
Figure RE-185473DEST_PATH_IMAGE068
所发布的任务
Figure RE-971027DEST_PATH_IMAGE069
与基站之间的传输速率表示如式（7）所示：
Figure RE-568361DEST_PATH_IMAGE070
（7）
其中，
Figure RE-464773DEST_PATH_IMAGE071
为带宽，
Figure RE-463953DEST_PATH_IMAGE072
为参考距离
Figure RE-545042DEST_PATH_IMAGE073
=1m 处的信道增益，
Figure RE-629672DEST_PATH_IMAGE074
为设备
Figure RE-798617DEST_PATH_IMAGE075
发送任务数据时的功率，
Figure RE-511358DEST_PATH_IMAGE076
为噪声功率；
步骤4.4.3：任务
Figure RE-656292DEST_PATH_IMAGE069
在
Figure RE-87273DEST_PATH_IMAGE067
模式下的传输时间
Figure RE-325488DEST_PATH_IMAGE077
如式（8）所示：
Figure RE-768101DEST_PATH_IMAGE078
（8）
任务
Figure RE-925413DEST_PATH_IMAGE069
在
Figure RE-984636DEST_PATH_IMAGE067
模式下的传输能耗
Figure RE-620017DEST_PATH_IMAGE079
如式（9）所示：
Figure RE-713875DEST_PATH_IMAGE080
（9）
Figure RE-183033DEST_PATH_IMAGE081
由距离预测模块得到；
步骤4.5：构建资源分配模型：
假设模式
Figure RE-198394DEST_PATH_IMAGE082
被分配到
Figure RE-168624DEST_PATH_IMAGE083
个任务，显然当
Figure RE-851409DEST_PATH_IMAGE082
为基站模式时，
Figure RE-225890DEST_PATH_IMAGE084
，即基站可以处理多个设备所发出的任务，当
Figure RE-118759DEST_PATH_IMAGE082
为本地模式时，那么当
Figure RE-236888DEST_PATH_IMAGE085
，即设备只处理本地任务，假设本地设备和基站群中
Figure RE-774180DEST_PATH_IMAGE086
个MEC服务器的在第
Figure RE-709775DEST_PATH_IMAGE087
批次的剩余计算资源表示为
Figure RE-965307DEST_PATH_IMAGE088
，
Figure RE-887126DEST_PATH_IMAGE089
表示MEC服务器
Figure RE-403558DEST_PATH_IMAGE090
在
Figure RE-651000DEST_PATH_IMAGE091
批次的剩余计算资源；
在第
Figure RE-393828DEST_PATH_IMAGE091
批分配时，选择模式
Figure RE-119339DEST_PATH_IMAGE082
的
Figure RE-490277DEST_PATH_IMAGE083
个任务分别是
Figure RE-637182DEST_PATH_IMAGE092
，其中
Figure RE-336147DEST_PATH_IMAGE093
。设
Figure RE-989983DEST_PATH_IMAGE094
为在第
Figure RE-356373DEST_PATH_IMAGE095
批次刷新时刻，设备
Figure RE-680038DEST_PATH_IMAGE075
所发布的任务
Figure RE-256513DEST_PATH_IMAGE069
是否在占用模式
Figure RE-58247DEST_PATH_IMAGE067
的计算资源。计算公式如式（10）所示：
Figure RE-279144DEST_PATH_IMAGE096
（10）
Figure RE-898344DEST_PATH_IMAGE097
的计算公式如式（11）所示：
Figure RE-571902DEST_PATH_IMAGE098
（11）
Figure RE-442906DEST_PATH_IMAGE099
表示第
Figure RE-642943DEST_PATH_IMAGE100
批次分配给任务
Figure RE-573990DEST_PATH_IMAGE069
的计算资源占MEC服务器或本地设备初始计算资源的比例；
步骤4.6：构建任务卸载决策优化模型：
定义决策变量
Figure RE-734844DEST_PATH_IMAGE101
，当任务
Figure RE-268594DEST_PATH_IMAGE069
，被分配在
Figure RE-464083DEST_PATH_IMAGE067
模式下运行时
Figure RE-300452DEST_PATH_IMAGE102
，否则
Figure RE-73236DEST_PATH_IMAGE103
；
在MEC服务器计算资源约束下，以最小化每个计算设备
Figure RE-286042DEST_PATH_IMAGE104
（基站或者移动设备）传输能耗和计算能耗之和为目标，可以得到计算设备
Figure RE-195092DEST_PATH_IMAGE104
上资源分配优化目标表达式，如式（12）至式（17）所示：
Figure RE-467942DEST_PATH_IMAGE105
（12）
Figure RE-337809DEST_PATH_IMAGE106
（13）
Figure RE-478940DEST_PATH_IMAGE107
（14）
Figure RE-383442DEST_PATH_IMAGE108
（15）
Figure RE-420668DEST_PATH_IMAGE109
（16）
Figure RE-303131DEST_PATH_IMAGE110
（17）
式（12）中待优化的变量有两个，即
Figure RE-592161DEST_PATH_IMAGE111
、
Figure RE-475803DEST_PATH_IMAGE112
分别表示卸载决策与计算资源分配比例，式（14）保证了每个任务必会被执行，式（15）保证了本地模式在第
Figure RE-559297DEST_PATH_IMAGE113
批次最多分配到本地的任务，不会分配到其他设备发布的任务；式（16）保证设备和MEC服务器在不超过自身计算能力的情况下执行任务；式（17）保证了每个任务在被执行完时不会超过最大时延。
步骤5：MEC服务器资源统计模块根据步骤4提供的方法统计每个MEC服务器和设备剩余的计算资源，并存储在平台数据库中。
步骤6：距离预测模块采用LSTM网络用来预测
Figure RE-793969DEST_PATH_IMAGE114
，具体操作步骤如下：
当
Figure RE-152269DEST_PATH_IMAGE115
时，表示任务卸载为本地模式，则无需考虑设备与MEC服务器之间的距离，由式（7）可知，
Figure RE-31363DEST_PATH_IMAGE116
；
当
Figure RE-675971DEST_PATH_IMAGE117
时，表示任务卸载为基站模式，时间间隔设为
Figure RE-273306DEST_PATH_IMAGE118
，获取移动设备
Figure RE-904139DEST_PATH_IMAGE075
与MEC服务器
Figure RE-762373DEST_PATH_IMAGE067
距离的历史数据50项，具体说明如下：
设时刻
Figure RE-718828DEST_PATH_IMAGE119
时移动设备
Figure RE-396934DEST_PATH_IMAGE075
与MEC服务器
Figure RE-97037DEST_PATH_IMAGE067
距离为
Figure RE-685144DEST_PATH_IMAGE120
，其计算公式如式（18）所示：
Figure RE-937134DEST_PATH_IMAGE121
（18）
由此可得到一串序列长度为50的时序序列，将其输入训练好的LSTM网络，最终网络输出为
Figure RE-243481DEST_PATH_IMAGE122
，网络的计算公式如式（19）至式（25）所示：
Figure RE-340750DEST_PATH_IMAGE124
（19）
Figure RE-783364DEST_PATH_IMAGE125
（20）
Figure RE-81621DEST_PATH_IMAGE126
（21）
Figure RE-734320DEST_PATH_IMAGE128
（22）
Figure RE-510646DEST_PATH_IMAGE129
（23）
Figure RE-604504DEST_PATH_IMAGE130
（24）
Figure RE-932717DEST_PATH_IMAGE131
（25）
其中，
Figure RE-213656DEST_PATH_IMAGE132
为第
Figure RE-652728DEST_PATH_IMAGE133
个节点的更新门，
Figure RE-64075DEST_PATH_IMAGE134
为第
Figure RE-563189DEST_PATH_IMAGE135
个节点的遗忘门，
Figure RE-331425DEST_PATH_IMAGE136
为第
Figure RE-449554DEST_PATH_IMAGE135
个节点的输出门。
Figure RE-111479DEST_PATH_IMAGE134
会选择
Figure RE-188020DEST_PATH_IMAGE137
特征值，
Figure RE-177972DEST_PATH_IMAGE134
是一个向量，向量的每个元素均位于[0,1]范围内。
Figure RE-365371DEST_PATH_IMAGE139
表示单位状态更新值，由输入数据
Figure RE-147382DEST_PATH_IMAGE140
和隐节点
Figure RE-863666DEST_PATH_IMAGE141
经由一个神经网络层得到。
Figure RE-340915DEST_PATH_IMAGE142
用于选择
Figure RE-925480DEST_PATH_IMAGE139
的特征来更新，是一个元素介于[0,1]区间的向量，由
Figure RE-437364DEST_PATH_IMAGE140
和
Figure RE-449182DEST_PATH_IMAGE141
经由激活函数计算得到，tanh和
Figure RE-679306DEST_PATH_IMAGE143
为激活函数。
通过距离预测模块预测
Figure RE-677349DEST_PATH_IMAGE144
来计算
Figure RE-433953DEST_PATH_IMAGE145
，将
Figure RE-492038DEST_PATH_IMAGE146
代入式（7）即可。
步骤7：卸载决策制定模块使用ASPO制定出任务卸载决策，将其发送至任务卸载决策传送模块。
本步骤中，卸载决策制定模块使用ASPO制定出任务卸载决策，将其发送至任务卸载决策传送模块。ASPO算法策略池中的算子为自适应邻域搜索算法（AdaptiveNeighborhood Search Algorithm，ANS）和改进版蚁群优化算法（The Improved AntColony Optimization Algorithm，TIACO），并且相关算子都使用了一种基于优先级的解生成策略。解生成策略是根据约束条件式（12）至式（17）得到任务各自的可行候选模式集后，根据可行候选模式集的大小决定任务优先级，集合小的任务优先选定执行模式，这样可以保证所有的设备均能找到最终的卸载模式。当出现任务之间的可行模式集合相同时，随机选择其中一个任务优先选定执行模式。按照该规则，直至所有任务分配模式结束。ANS由多种破坏算子destroy及修复算子repair构成。其通过调用破坏算子destroy及修复算子repair随机组合来构造新解。ANS在邻域算法的基础上，允许在同一个搜索中使用多个destroy和repair方法来获得当前解的邻域。ANS会为每个destroy和repair方法分配一个权重，通过该权重从而控制每个destroy和repair 方法在搜索期间使用的频率。在搜索的过程中，ANS会对各个destroy和repair方法的权重进行动态调整，以便获得更好的邻域和解。ACO具有较强的鲁棒性，其不依赖于初始种群的优劣，搜索过程无需人工干预；其次，算法参数少，设置简单，易于应用到各种优化问题的求解。方法采用了基于ACO进一步改进的TIACO算法，该算法可以对状态转移概率、信息素挥发因子、信息量等因素采用自适应调节策略，从而显著提升算法性能。其中TIACO与ACO的主要区别有以下几点：
1）蚁群系统的转移规则不同。算法初始时设定常量
Figure RE-943879DEST_PATH_IMAGE147
，若随机概率小于等于
Figure RE-870247DEST_PATH_IMAGE147
则根据先验知识选择路径，一般会选择信息素最为浓郁的路径；否则如式（26）所示进行概率搜索。
Figure RE-91144DEST_PATH_IMAGE148
（26）
其中
Figure RE-710344DEST_PATH_IMAGE149
；
Figure RE-383902DEST_PATH_IMAGE150
表示蚂蚁
Figure RE-254906DEST_PATH_IMAGE151
可以选择的目标集合，
Figure RE-454943DEST_PATH_IMAGE152
和
Figure RE-137989DEST_PATH_IMAGE153
分别为信息素浓度和距离的权重；
2) TIACO中信息素全局规则改变，仅在每次循环结束后选择最优蚂蚁释放信息素，使得算法只在最好路径附近搜索。
如图3所示，使用ASPO生成任务卸载决策的具体步骤如下：
步骤7.1：获取任务相关数据信息，根据式（11）获取MEC服务器及设备的计算资源统计信息。初始化种群大小
Figure RE-564422DEST_PATH_IMAGE154
，初始化设置算法策略池使算子的选择概率相同。ASPO算法中将个体映射为一种任务卸载决策方案，种群映射为多个任务卸载决策方案集合。
步骤7.2：使用TIACO算子返回的种群，具体见TIACO算子的步骤7.3.1至7.3.3。在种群选取最优个体作为初始个体。个体优劣的评判为个体所制定的任务卸载决策方案能耗大小，适应度函数为能耗的倒数，能耗越大，则个体求解质量越差，适应度值越低。
步骤7.3：在算法策略池中随机选取算子进行种群的迭代，最终每个算子会返回制定出的卸载决策。
当选择到ANS算子时，步骤如下：
步骤7.3.1：概率性选择destroy和repair方法进行组合生成新个体。设
Figure RE-363751DEST_PATH_IMAGE155
和
Figure RE-293661DEST_PATH_IMAGE156
分别表示destroy和repair方法的集合。
Figure RE-130030DEST_PATH_IMAGE157
和
Figure RE-902814DEST_PATH_IMAGE158
分别表示各个destroy和repair方法的权重集合。一开始时，所有的方法都设置相同的权重。破坏方法
Figure RE-850041DEST_PATH_IMAGE159
被选择的概率为
Figure RE-24671DEST_PATH_IMAGE160
，修复方法
Figure RE-31941DEST_PATH_IMAGE161
被选择的概率为
Figure RE-26442DEST_PATH_IMAGE162
，其计算如式（27）所示：
Figure RE-42939DEST_PATH_IMAGE163
（27）
步骤7.3.2：进行权重更新，一般情况下，权重越大，方法被选择的概率越大。权重大小更新方式如式（28）所示：
Figure RE-681862DEST_PATH_IMAGE164
（28）
其中
Figure RE-984668DEST_PATH_IMAGE165
，
Figure RE-607410DEST_PATH_IMAGE075
，
Figure RE-21074DEST_PATH_IMAGE062
分别表示上次迭代中选中的destroy和repair方法。
Figure RE-45662DEST_PATH_IMAGE166
代表对新解的评估准则，具体表示如式（29）所示：
Figure RE-394735DEST_PATH_IMAGE167
（29）
其中
Figure RE-363828DEST_PATH_IMAGE168
。
当选择到TIACO算子时，步骤如下：
步骤7.3.1：根据解生成策略生成个体。
步骤7.3.2：根据式（26）更新局部信息素。
步骤7.3.3：如果达到迭代次数，最终返回生成后的最终种群，并进入步骤7.4，否则进入步骤7.3.1。
步骤7.4：更新算法策略池中算法的选择权重，进行权重更新。权重越大，算子被选择的概率越大。权重大小更新方式如式（30）所示：
Figure RE-722128DEST_PATH_IMAGE169
（30）
其中
Figure RE-460277DEST_PATH_IMAGE170
，
Figure RE-245830DEST_PATH_IMAGE171
分别表示上次迭代中选中算子的编号。
Figure RE-577585DEST_PATH_IMAGE172
代表对新解的评估准则，表示如式（29）所示。算子被选择的概率如式（31）所示：
Figure RE-333052DEST_PATH_IMAGE173
（31）
其中，
Figure RE-DEST_PATH_IMAGE174
表示算法策略池中算子的集合。
步骤7.5：更新当前的最优卸载决策，并判断算法是否达到迭代次数。达到迭代次数则算法终止，返回最终的卸载决策，否则转入步骤7.3。
步骤8：卸载决策传送模块将任务卸载决策传送至边缘层的任务卸载决策下发模块。
步骤9：卸载决策下发模块负责部署平台层卸载决策传送模块所传输的任务卸载决策，最终由设备层实际完成任务的卸载。
本发明公开了一种基于移动边缘计算的任务卸载系统和方法，该任务卸载方法基于任务卸载系统上，涉及的一种基于移动边缘计算的任务卸载系统包括：设备层、边缘层和平台层，所述的设备层由MEC服务器和终端设备组成；所述的边缘层包含设备层信息上传模块和卸载决策下发模块；所述的平台层包含初始化模块、模型构建模块、MEC服务器资源统计模块、距离预测模块、卸载决策制定模块、卸载决策传送模块，一种基于移动边缘计算的任务卸载方法，具体包括以下步骤：终端设备将任务信息上传至设备层信息上传模块；设备层信息上传模块获取设备层MEC服务器和终端设备任务信息；初始化模块接收任务信息并将其初始化；模型构建模块接收初始化模块传送的任务信息；MEC服务器资源统计模块统计每个MEC服务器和设备剩余的计算资源；距离预测模块采用LSTM网络用来计算
Figure RE-DEST_PATH_IMAGE175
；卸载决策制定模块使用ASPO制定任务卸载决策，将其发送至任务卸载决策传送模块；任务卸载决策传送模块将任务卸载决策传送至边缘层的任务卸载决策下发模块；卸载决策下发模块负责部署平台层卸载决策传送模块所传输的任务卸载决策。本发明提供一种基于移动边缘计算的任务卸载系统及方法，任务卸载方法可以搭载于任务卸载系统上，研究了设备在边缘计算卸载场景中动态移动的问题，建立了一种新型的移动边缘计算场景模型，同时方法采用一种自适应策略池优化算法（ASPO）制定任务卸载决策，通过构建算子策略池，在个体进化期间自适应使用策略池的优化算子进行迭代，该算法的全局搜索能力强，能制定出更好的卸载决策。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。

Claims (8)

1.一种基于移动边缘计算的任务卸载系统，其特征在于，包括设备层、边缘层和平台层，
所述的设备层由MEC服务器和终端设备组成，所述的MEC服务器完成任务卸载决策分配的任务，所述的终端设备负责发布任务；
所述的边缘层包含设备层信息上传模块和卸载决策下发模块，其中，所述的设备层信息上传模块获取所述的设备层MEC服务器和终端设备任务的信息，并通过JSON格式和平台层的初始化模块进行通信，所述的卸载决策下发模块负责部署平台层卸载决策传送模块所传输的任务卸载决策，最终由所述的设备层实际完成任务的卸载；
所述的平台层包含初始化模块、模型构建模块、MEC服务器资源统计模块、距离预测模块、卸载决策制定模块、卸载决策传送模块，用于制定任务卸载决策，并将任务卸载决策返回至边缘层；
所述的距离预测模块采用LSTM网络来预测传输模型中的数据，即任务计算完成后返回数据结果时设备距场景中MEC服务器的距离；
所述的卸载决策制定模块使用ASPO算法制定出任务卸载决策，将其发送至任务卸载决策传送模块。
2.根据权利要求1所述的一种基于移动边缘计算的任务卸载系统，其特征在于，所述的初始化模块接收设备信息上传模块传送的MEC服务器和终端设备任务信息，并对任务信息进行初始化操作。
3.根据权利要求1所述的一种基于移动边缘计算的任务卸载系统，其特征在于，所述的模型构建模块接收初始化模块传送的任务信息，构建场景模型、计算模型、传输模型、资源分配模型，并最终构建出任务卸载决策优化模型。
4.根据权利要求1所述的一种基于移动边缘计算的任务卸载系统，其特征在于，所述的MEC服务器资源统计模块根据资源分配模型提供的方法统计每个MEC服务器和设备剩余的计算资源，并存储在平台数据库中。
5.根据权利要求1所述的一种基于移动边缘计算的任务卸载系统，其特征在于，所述的卸载决策传送模块将任务卸载决策传送至边缘层的任务卸载决策下发模块。
6.一种基于移动边缘计算的任务卸载方法，其特征在于，包括以下步骤：
步骤1：终端设备发布任务，将任务信息上传至设备层信息上传模块；
步骤2：设备层信息上传模块获取设备层MEC服务器和终端设备任务的信息，并通过JSON格式和平台层的初始化模块进行通信；
步骤3：初始化模块接收设备信息上传模块传送的MEC服务器和终端设备任务信息，并对任务信息进行初始化操作；
步骤4：模型构建模块接收初始化模块传送的任务信息，构建出任务卸载决策优化模型；
步骤5：MEC服务器资源统计模块根据步骤4统计每个MEC服务器和设备剩余的计算资源，并存储在平台数据库中；
步骤6：距离预测模块采用LSTM网络用来计算
Figure 879482DEST_PATH_IMAGE001
；
步骤7：卸载决策制定模块使用ASPO制定出任务卸载决策，将其发送至任务卸载决策传送模块，使用ASPO生成任务卸载决策的具体步骤如下：
步骤7.1：获取MEC服务器及设备的计算资源统计信息；
步骤7.2：使用TIACO算子返回的种群，在种群选取最优个体作为初始个体；
步骤7.3：在算法策略池中随机选取算子进行种群的迭代，最终每个算子会返回制定出的卸载决策，具体如下：
当选择到ANS算子时，步骤如下：
步骤7.3.1：概率性选择destroy和repair方法进行组合生成新个体，设
Figure 327781DEST_PATH_IMAGE002
和
Figure 638677DEST_PATH_IMAGE003
分别表示destroy和repair方法的集合，
Figure 548733DEST_PATH_IMAGE004
和
Figure 894264DEST_PATH_IMAGE005
分别表示各个destroy和repair方法的权重集合，一开始时，所有的方法都设置相同的权重，破坏方法
Figure 247885DEST_PATH_IMAGE006
被选择的概率为
Figure 46076DEST_PATH_IMAGE007
，修复方法
Figure 526867DEST_PATH_IMAGE008
被选择的概率为
Figure 523642DEST_PATH_IMAGE009
，其计算公式如下：
Figure 48164DEST_PATH_IMAGE010
步骤7.3.2：进行权重更新，权重越大，方法被选择的概率越大，权重大小更新方式公式如下：
Figure 582920DEST_PATH_IMAGE011
其中
Figure 851090DEST_PATH_IMAGE012
，
Figure 905634DEST_PATH_IMAGE013
，
Figure 866637DEST_PATH_IMAGE014
分别表示上次迭代中选中的destroy和repair方法，
Figure 390153DEST_PATH_IMAGE015
代表对新解的评估准则，具体表示如下所示：
Figure 196435DEST_PATH_IMAGE016
其中
Figure 371064DEST_PATH_IMAGE017
；
当选择到TIACO算子时，步骤如下：
步骤7.3.1：根据解生成策略生成个体；
步骤7.3.2：根据
Figure 237389DEST_PATH_IMAGE018
更新局部信息素，其中
Figure 770174DEST_PATH_IMAGE019
；
Figure 380147DEST_PATH_IMAGE020
表示蚂蚁
Figure 409283DEST_PATH_IMAGE021
可以选择的目标集合，
Figure 712088DEST_PATH_IMAGE022
和
Figure 944618DEST_PATH_IMAGE023
分别为信息素浓度和距离的权重；
步骤7.3.3：如果达到迭代次数，最终返回生成后的最终种群，并进入步骤7.4，否则进入步骤7.3.1；
步骤7.4：更新算法策略池中算法的选择权重，进行权重更新，权重越大，算子被选择的概率越大，权重大小更新方式如下所示：
Figure DEST_PATH_IMAGE024
其中
Figure 889440DEST_PATH_IMAGE012
，
Figure 773082DEST_PATH_IMAGE014
分别表示上次迭代中选中算子的编号，
Figure 496057DEST_PATH_IMAGE015
代表对新解的评估准则，算子被选择的概率如下所示：
Figure 465150DEST_PATH_IMAGE025
其中，
Figure DEST_PATH_IMAGE026
表示算法策略池中算子的集合；
步骤7.5：更新当前的最优卸载决策，并判断算法是否达到迭代次数，达到迭代次数则算法终止，返回最终的卸载决策，否则转入步骤7.3；
步骤8：卸载决策传送模块将任务卸载决策传送至边缘层的任务卸载决策下发模块；
步骤9：卸载决策下发模块负责部署平台层卸载决策传送模块所传输的任务卸载决策，最终由设备层实际完成任务的卸载。
7.根据权利要求6述的一种基于移动边缘计算的任务卸载方法，其特征在于，所述的距离预测模块通过预测
Figure 682504DEST_PATH_IMAGE027
来计算
Figure DEST_PATH_IMAGE028
。
8.根据权利要求6述的一种基于移动边缘计算的任务卸载方法，其特征在于，所述的ASPO算法策略池中的算子为自适应邻域搜索算法和改进版蚁群优化算法，并且相关算子使用基于优先级的解生成策略。
CN202110941097.6A 2021-08-17 2021-08-17 一种基于移动边缘计算的任务卸载系统和方法 Active CN113778550B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110941097.6A CN113778550B (zh) 2021-08-17 2021-08-17 一种基于移动边缘计算的任务卸载系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110941097.6A CN113778550B (zh) 2021-08-17 2021-08-17 一种基于移动边缘计算的任务卸载系统和方法

Publications (2)

Publication Number Publication Date
CN113778550A true CN113778550A (zh) 2021-12-10
CN113778550B CN113778550B (zh) 2022-05-03

Family

ID=78837988

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110941097.6A Active CN113778550B (zh) 2021-08-17 2021-08-17 一种基于移动边缘计算的任务卸载系统和方法

Country Status (1)

Country Link
CN (1) CN113778550B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115065727A (zh) * 2022-05-19 2022-09-16 南京邮电大学 一种基于边缘计算场景的任务卸载方法
CN116112981A (zh) * 2023-04-13 2023-05-12 东南大学 一种基于边缘计算的无人机任务卸载方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110035410A (zh) * 2019-03-07 2019-07-19 中南大学 一种软件定义车载边缘网络中联合资源分配和计算卸载的方法及系统
CN111160525A (zh) * 2019-12-17 2020-05-15 天津大学 一种边缘计算环境下基于无人机群的任务卸载智能决策方法
WO2020119648A1 (zh) * 2018-12-14 2020-06-18 深圳先进技术研究院 一种基于代价优化的计算任务卸载算法
CN112423320A (zh) * 2020-11-11 2021-02-26 西北工业大学 一种基于QoS和用户行为预测的多用户计算卸载方法
CN112532676A (zh) * 2020-07-24 2021-03-19 北京航空航天大学 一种基于区块链数据共享的车辆计算任务卸载方法
EP3826368A1 (en) * 2019-11-19 2021-05-26 Commissariat à l'énergie atomique et aux énergies alternatives Energy efficient discontinuous mobile edge computing with quality of service guarantees
US20210182995A1 (en) * 2019-11-05 2021-06-17 Strong Force Vcn Portfolio 2019, Llc Control tower and enterprise management platform for managing value chain network entities from point of origin of one or more products of the enterprise to point of customer use
CN113156992A (zh) * 2021-04-12 2021-07-23 安徽大学 面向边缘环境下无人机的三层架构协同优化系统及方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020119648A1 (zh) * 2018-12-14 2020-06-18 深圳先进技术研究院 一种基于代价优化的计算任务卸载算法
CN110035410A (zh) * 2019-03-07 2019-07-19 中南大学 一种软件定义车载边缘网络中联合资源分配和计算卸载的方法及系统
US20210182995A1 (en) * 2019-11-05 2021-06-17 Strong Force Vcn Portfolio 2019, Llc Control tower and enterprise management platform for managing value chain network entities from point of origin of one or more products of the enterprise to point of customer use
EP3826368A1 (en) * 2019-11-19 2021-05-26 Commissariat à l'énergie atomique et aux énergies alternatives Energy efficient discontinuous mobile edge computing with quality of service guarantees
CN111160525A (zh) * 2019-12-17 2020-05-15 天津大学 一种边缘计算环境下基于无人机群的任务卸载智能决策方法
CN112532676A (zh) * 2020-07-24 2021-03-19 北京航空航天大学 一种基于区块链数据共享的车辆计算任务卸载方法
CN112423320A (zh) * 2020-11-11 2021-02-26 西北工业大学 一种基于QoS和用户行为预测的多用户计算卸载方法
CN113156992A (zh) * 2021-04-12 2021-07-23 安徽大学 面向边缘环境下无人机的三层架构协同优化系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
董思岐 等: "移动边缘计算中的计算卸载策略研究综述", 《计算机科学》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115065727A (zh) * 2022-05-19 2022-09-16 南京邮电大学 一种基于边缘计算场景的任务卸载方法
CN115065727B (zh) * 2022-05-19 2023-08-22 南京邮电大学 一种基于边缘计算场景的任务卸载方法
CN116112981A (zh) * 2023-04-13 2023-05-12 东南大学 一种基于边缘计算的无人机任务卸载方法

Also Published As

Publication number Publication date
CN113778550B (zh) 2022-05-03

Similar Documents

Publication Publication Date Title
CN113242568B (zh) 一种不确定网络环境中的任务卸载和资源分配方法
CN109947545B (zh) 一种基于用户移动性的任务卸载及迁移的决策方法
CN111245651B (zh) 一种基于功率控制和资源分配的任务卸载方法
CN112882815B (zh) 基于深度强化学习的多用户边缘计算优化调度方法
CN107172166B (zh) 面向工业智能化服务的云雾计算系统
CN110098969B (zh) 一种面向物联网的雾计算任务卸载方法
CN112817653A (zh) 一种基于云边端的联邦学习计算卸载计算系统及方法
CN113778550B (zh) 一种基于移动边缘计算的任务卸载系统和方法
CN110113190A (zh) 一种移动边缘计算场景中卸载时延优化方法
CN110851197B (zh) 一种边缘计算多服务器任务选择卸载方法和系统
CN111414252A (zh) 一种基于深度强化学习的任务卸载方法
CN107766135A (zh) 移动朵云中基于粒子群和模拟退火优化的任务分配方法
CN107708152B (zh) 异构蜂窝网络的任务卸载方法
CN112540845B (zh) 一种基于移动边缘计算的协作系统及方法
CN111953547B (zh) 一种基于业务的异构基站重叠分组及资源配置方法及装置
CN114885420A (zh) 一种noma-mec系统中的用户分组和资源分配方法及装置
CN113590279A (zh) 一种面向多核边缘计算服务器的任务调度和资源分配方法
CN112667406A (zh) 一种云边融合异构网络中任务卸载与数据缓存方法
CN113573342B (zh) 一种基于工业物联网的节能计算卸载方法
CN114363857A (zh) 一种车联网中边缘计算任务卸载方法
CN117436485A (zh) 基于权衡时延和精度的多退出点的端-边-云协同系统及方法
Wang et al. Multi-objective joint optimization of communication-computation-caching resources in mobile edge computing
CN111930435A (zh) 一种基于pd-bpso技术的任务卸载决策方法
CN115499875B (zh) 一种卫星互联网任务卸载方法、系统以及可读存储介质
CN114615705B (zh) 一种基于5g网络下单用户资源分配策略方法

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