CN114051266A - 基于移动云-边缘计算的无线体域网任务卸载方法 - Google Patents
基于移动云-边缘计算的无线体域网任务卸载方法 Download PDFInfo
- Publication number
- CN114051266A CN114051266A CN202111314792.6A CN202111314792A CN114051266A CN 114051266 A CN114051266 A CN 114051266A CN 202111314792 A CN202111314792 A CN 202111314792A CN 114051266 A CN114051266 A CN 114051266A
- Authority
- CN
- China
- Prior art keywords
- task
- edge
- mes
- node
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000005265 energy consumption Methods 0.000 claims abstract description 51
- 238000004891 communication Methods 0.000 claims abstract description 43
- 230000005540 biological transmission Effects 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000004519 manufacturing process Methods 0.000 claims abstract description 5
- 230000009286 beneficial effect Effects 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 239000000126 substance Substances 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 230000002349 favourable effect Effects 0.000 claims 3
- 238000010586 diagram Methods 0.000 description 9
- 230000000052 comparative effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000002068 genetic effect Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/088—Load balancing or load distribution among core entities
-
- 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]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0925—Management thereof using policies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0209—Power saving arrangements in terminal devices
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multi Processors (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开的移动云‑边缘计算的无线体域网任务卸载方法和基于移动云‑边缘计算的无线体域网,属于无线通信技术领域。本发明通过边缘服务器之间相互连通利于边缘服务器之间通信及卸载,还便于实现边缘服务器之间的负载均衡;每个Sink节点计算其与本地边缘服务器之间的数据传输速率,通过计算路径损耗对传输速率的影响提高计算的传输速率的精确性;基于差分进化的任务卸载方法收敛速度快,在相同的迭代次数下得到的卸载策略更好,减少Sink节点的能量消耗和数据传输及处理的时延,通过选择最优的卸载策略,使得所有无线体域网的数据任务能够尽快处理,减少节点的能耗,并实现边缘服务器MES的负载均衡,从而提高整个网络的容量和通信效率。
Description
技术领域
本发明涉及一种基于移动云-边缘计算的无线体域网及基于移动云-边缘计算的任务卸载方法,属于无线通信技术领域。
背景技术
随着无线通信技术的飞速发展,物联网开启了智慧医疗的新时代,使得远程医疗和精准医疗成为可能,尤其对于慢性疾病、行动不便、居家检测的疾病患者。无线体域网作为实现智慧医疗的一项重要科技支撑技术,受到了社会各界广泛关注,并成为后疫情时代的一个研究热点。针对无线体域网中微型传感节点体积小能源有限的问题,当前的研究重心主要集中在如何有效地延长网络寿命。目前已有的解决方案主要包括两类,一种是通过减少节点不必要的能量浪费来节约能源;一种是通过从外界采集能量来补充能源。随着智能医疗体系的逐步完善,每天将产生海量的数据需要处理和分析,然而,无线体域网自身的计算和处理能力十分有限远达不到智慧医疗的需求。移动云计算技术能汇聚海量数据进行处理,然而,其往往距离终端较远导致数据的传输时延较长,有些数据对实时性要求极高,此时需要通过边缘服务器对其进行快速处理。在无线体域网中,结合不同数据的不同需求,基于移动云-边缘计算技术能设计有效的任务卸载方法来满足数据的低时延和低能耗的要求。
发明内容
针对无线体域网中节点能源有限和海量数据需要及时处理的问题,本发明的目的之一在于提供一种基于移动云-边缘计算的无线体域网任务卸载方法,基于移动云-边缘计算的任务卸载方法,通过选择最优的卸载策略,使得所有无线体域网的数据任务能够尽快处理,减少节点的能耗,并实现边缘服务器MES的负载均衡,从而提高整个无线体域网的通信效率。
本发明的另一目的是提供一种基于移动云-边缘计算的无线体域网,所述基于移动云-边缘计算的无线体域网包括无线体域网集合和移动云-边缘计算模块。在移动云-边缘计算模块中通过所述边缘服务器MES之间相互连通利于边缘服务器MES之间通信利于任务在边缘服务器MES之间卸载,还便于实现边缘服务器MES之间的负载均衡。通过所述边缘服务器MES之间相互连通提高基于移动云-边缘计算的无线体域网的容量。所述无线体域网集合仅能与本地最近的边缘服务器MES进行通信。
本发明的内容是通过如下方法实现的:
本发明公开的基于移动云-边缘计算的无线体域网任务卸载方法,包括如下步骤:
步骤一:构建用于通信任务卸载的无线体域网集合,并构建移动云-边缘计算模块。所述移动云-边缘计算模块包括云服务器CC、M个边缘服务器MES,所有边缘服务器MES之间通过有线链路相互连接,通过所述边缘服务器MES之间相互连通利于边缘服务器MES之间通信,利于任务在边缘服务器MES之间卸载,还便于实现边缘服务器MES之间的负载均衡。移动云-边缘计算模块的边缘服务器MES与无线体域网集合之间通过无线通信连通,进而构建基于移动云-边缘计算的无线体域网。通过所述边缘服务器MES之间相互连通提高基于移动云-边缘计算的无线体域网的容量,所述无线体域网仅能与本地最近的边缘服务器MES进行通信。
步骤1.1:构建用于通信任务卸载的无线体域网集合。
每个无线体域网对应一个Sink节点,则用于通信任务卸载的无线体域网集合对应Sink节点集合SS={1,2,3,…,N};
步骤1.2:移动云-边缘计算模块包括一个云服务器CC、M个边缘服务器MES,所有边缘服务器MES之间通过有线链路相互连接,通过所述边缘服务器MES之间相互联通利于边缘服务器MES之间通信利于任务在边缘服务器MES之间卸载,还便于是实现边缘服务器MES之间的负载均衡。M个边缘服务器MES集合表述为MS={1,2,3,…,M},定义与节点Si直接相连的边缘服务器MES为Mi,每个边缘服务器MES有其固定的ID。
步骤1.3:移动云-边缘计算模块的边缘服务器MES与本地直接相连的多个无线体域网之间通过无线链路连通,进而构建基于移动云-边缘计算的无线体域网。通过所述边缘服务器MES之间相互连通提高基于移动云-边缘计算的无线体域网的容量,所述无线体域网仅能与本地最近的边缘服务器Mi进行通信。
步骤二:每个Sink节点计算其与本地边缘服务器Mi之间的数据传输速率,通过计算路径损耗对传输速率的影响提高计算的传输速率的精确性。
步骤2.1:计算无线体域网与本地边缘服务器Mi之间的路径损耗。
其中,是节点Si与本地边缘服务器Mi之间的距离,L0(d0)是参考距离为d0时的路径损耗,即L0(d0)=10lg(4πd0/λ)2,λ为无线信号的波长,n为路径损耗因子,g表示障碍物的类型,kg为第g种障碍物的数目,Lg为第g种障碍物对应的路径损耗。
步骤2.2:根据损耗的定义公式计算本地边缘服务器Mi的接收功率。
步骤2.3:根据香农公式计算Sink节点至本地边缘服务器Mi的数据传输速率。
根据香农公式(3)计算Sink节点Si至本地边缘服务器Mi的数据传输速率:
步骤三:每个Sink节点Si发送任务信息至云服务器CC,为云服务器CC执行卸载算法提所需的输入数据。
步骤四:云服务器CC执行基于差分进化算法的任务卸载算法,基于差分进化的任务卸载方法收敛速度快,在相同的迭代次数下得到的卸载策略Rbest更好,减少Sink节点的能量消耗和数据传输及处理的时延,并达到边缘服务器MES之间的负载均衡,从而提高整个网络的容量。
步骤4.1:对所有的Sink节点随机生成T组卸载策略,用矩阵RNT来表示其中rit∈{0,1,…,M,M+1}(i∈{1,…,N})表示节点Si的第t组卸载策略,0表示任务卸载到本地Sink执行,{1,2,…,M}表示卸载到第m个边缘服务器MES执行,M+1表示卸载到云服务器CC执行,则矩阵的列向量表示所有Sink节点的第t组卸载策略。
步骤4.3,根据卸载策略rit计算每个节点任务在每种卸载策略下的执行时间和能量开销。所述卸载策略rit包括以下四种情况:
①当卸载策略ri,t=0时,表示Sink节点Si将任务不进行卸载,任务在自己的CPU上执行。
②当卸载策略ri,t=Mi时,表示Sink节点Si的任务需要卸载至本地边缘服务器Mi上执行。
③当卸载策略ri,t≠Mi且ri,t≠M+1时,表示Sink节点Si的任务需要卸载至其他边缘服务器ri,t上执行。
④当卸载策略ri,t=M+1时,表示Sink节点Si的任务需要卸载至云服务器CC执行。
步骤4.3.1,计算每个任务的处理时间与每个Sink节点Si执行任务的能耗。
①当ri,t=0时,任务在Sink节点的CPU上执行,则根据公式(4)计算任务的处理时间为:
其中,Ci表示任务执行需要的CPU周期,fi sink为Si的CPU频率。
根据公式(5)计算执行任务所需要的能量为:
其中,Pi E为Sink节点Si的执行功率。
②当ri,t=Mi时,任务需要卸载至本地边缘服务器Mi上执行,此时任务处理时间包括三部分:任务从Si传输到本地边缘服务器Mi的时间、等待Mi任务队列执行的时间和Si任务的执行时间,通过考虑任务在队列中的等待时间更加精确的计算任务的处理时间。
根据公式(6)计算任务从节点Si发送到本地边缘服务器Mi的时间:
其中,Pi表示节点Si任务的大小。
节点Si的任务在边缘服务器Mi任务队列的第b位,根据公式(7)计算其等待Mi的队列执行的时间:
根据公式(8)计算节点Si的任务在本地边缘服务器Mi上的执行时间。
根据公式(9)计算得到节点Si的任务卸载到本地边缘服务器Mi上的执行时间。
节点Si任务执行消耗的能量包括传输任务至本地边缘服务器Mi的能耗和等待任务执行的能耗两部分。根据公式(10)计算得到能量消耗为:
其中,Pi T和Pi W分别为节点Si的传输功率和等待功率。
③当ri,t≠Mi且ri,t≠M+1时,Si的任务卸载至其他边缘服务器ri,t上执行。在这种情况下,节点Si的任务处理时间包括:任务从Si传输到本地边缘服务器Mi的时间,从边缘服务器Mi转发至边缘服务器ri,t的时间,等待边缘服务器ri,t任务队列执行的时间和Si任务的执行时间。
根据情况①和②的分析得到Si任务的执行时间为:
节点Si执行任务的能量消耗主要包括传输任务至本地边缘服务器Mi的能耗,任务由边缘服务器Mi传输至边缘服务器ri,t的等待能耗,等待边缘服务器ri,t任务队列执行的能耗,任务在其他边缘服务器ri,t上执行的能耗四部分,根据公式(12)能计算节点Si执行任务的能量消耗:
其中,Pi T和Pi W分别为Sink节点Si的传输功率和等待功率。
④当ri,t=M+1时,Si的任务卸载至远程云服务器CC执行。节点Si的任务处理时间包括:任务从Si发送到本地边缘服务器Mi的时间,从Mi转发至云服务器CC的时间和Si任务的执行时间,根据情况②和③的分析得到:
其中,VMiCC表示边缘服务器Mi至云服务器CC的数据传输速率,fCC表示云服务器CC的CPU频率。
根据公式(15)计算出Sink节点Si的能量消耗。
根据以上四种情况的分析,根据公式(15)建立的任务卸载策略与任务处理时间之间的关系,即得到节点Si在第t种策略下的任务执行时间Ti,t。
根据公式(16)建立的任务卸载策略与每个节点Si执行任务的能耗的关系,即得到节点Si在第t种策略下的任务执行能耗Ei,t。
其中,αt+βt+μt+γt=1且αt,βt,μt,γt∈{0,1},当卸载策略为情况①时αt=1,βt=μt=γt=0,当卸载策略为情况②时βt=1,αt=μt=γt=0,当卸载策略为情况③时μt=1,αt=βt=γt=0,当卸载策略为情况④时γt=1,αt=βt=μt=0。
步骤4.3.2,根据公式(17)计算节点Si在第t种策略下任务执行的时间和能量总开销Si,t:
步骤4.4,根据公式(18)计算每组卸载策略下所有用户的总开销St:
步骤4.6,判断进化代数是否达到最大。若是,则终止进化,将选出的备选卸载策略Rbest作为最优卸载策略输出;若否,继续执行。
式中randi为[0,1]之间的随机数,p为用户定义的交叉概率,irand为[0,N]之间的随机数。
步骤4.9,对卸载策略进行选择操作,若在策略Ut下的任务开销小于策略Rt的开销,则Ut保留进入下一次迭代作为新的卸载策略,否则Rt保留进入下一次迭代。
步骤4.10,清空所有边缘服务器MES的任务队列信息。
步骤4.11,更新进化代数l=l+1,并转至步骤4.2继续执行。
步骤五:所有Sink节点分别根据步骤四优化的卸载策略Rbest进行任务卸载,使得所有无线体域网的数据任务能够尽快处理,减少所有节点的整体能耗,并实现边缘服务器MES的负载均衡,从而提高整个无线体域网的容量和通信效率。
本发明公开的一种基于移动云-边缘计算的无线体域网,包括无线体域网集合和移动云-边缘计算模块。所述移动云-边缘计算模块包括云服务器CC、M个边缘服务器MES,所有边缘服务器MES之间通过有线链路相互连接,通过所述边缘服务器MES之间相互联通利于边缘服务器MES之间通信利于任务在边缘服务器MES之间卸载,还便于是实现边缘服务器MES之间的负载均衡。移动云-边缘计算模块的边缘服务器MES与多个无线体域网之间通过无线通信连通,进而构建基于移动云-边缘计算的无线体域网。通过所述边缘服务器MES之间相互联通提高基于移动云-边缘计算的无线体域网的容量,所述无线体域网仅能与本地最近的边缘服务器MES进行通信。
有益效果:
1、本发明公开的移动云-边缘计算的无线体域网任务卸载方法,通过选择最优的卸载策略,使得所有无线体域网的数据任务能够尽快处理,减少节点的能耗,并实现边缘服务器MES的负载均衡,从而提高整个无线体域网的容量和通信效率。
2、本发明公开的移动云-边缘计算的无线体域网任务卸载方法,构建用于通信任务卸载的无线体域网集合,并构建移动云-边缘计算模块,通过所述边缘服务器MES之间相互连通利于边缘服务器MES之间通信,利于任务在边缘服务器MES之间卸载,还便于是实现边缘服务器MES之间的负载均衡;通过所述边缘服务器MES之间相互连通提高基于移动云-边缘计算的无线体域网的容量。
3、本发明公开的移动云-边缘计算的无线体域网任务卸载方法,每个Sink节点计算其与本地边缘服务器Mi之间的数据传输速率,通过计算路径损耗对传
4、本发明公开的移动云-边缘计算的无线体域网任务卸载方法,云服务器CC执行基于差分进化算法的任务卸载算法,基于差分进化的任务卸载方法收敛速度快,在相同的迭代次数下得到的卸载策略更好,减少Sink节点的能量消耗和数据传输及处理的时延,并达到边缘服务器MES之间的负载均衡,从而提高整个网络的容量。
5、本发明公开的移动云-边缘计算的无线体域网任务卸载方法,通过分析移动云-边缘计算的无线体域网任务卸载特点,将卸载策略分为四种情况,建立的任务卸载策略与任务处理时间之间的关系,建立各种情况下任务卸载策略与每个节点Si执行任务的能耗的关系,在此基础上,获取节点Si在第t种策略下任务执行的时间和能量总开销,通过加入权重系数实现同时优化时间和能耗目标,减少sink节点的能量开销,从而延长网络寿命。
附图说明
图1为本发明“基于移动云-边缘计算的无线体域网任务卸载方法”实施例1中依托的无线体域网模型示意图;
图2为本发明基于移动云-边缘计算的任务卸载方法执行流程示意图;
图3为本发明任务卸载方法中采用的差分进化算法的执行流程示意图;
图4为本发明“基于移动云-边缘计算的无线体域网任务卸载方法”结合实施例1,用户数量为500,紧急任务比重为50%时,在不同边缘服务器个数下所有任务总开销的对比仿真示意图。
图5为本发明“基于移动云-边缘计算的无线体域网任务卸载方法”结合实施例1,用户数量为500,紧急任务比重为50%时,在不同边缘服务器个数下边缘服务器任务队列长度的标准差的对比仿真示意图。
图6为本发明“基于移动云-边缘计算的无线体域网任务卸载方法”结合实施例1,边缘服务器个数为10,紧急任务比重为50%时,在不同用户人数下每个边缘服务器任务队列长度的平均值的对比仿真示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。需要指出的是,所描述的实施例仅旨在便于本发明的理解,具体实施形式并不局限于此。
实施例1
本实施例结合附图1详细阐述了本发明“基于移动云-边缘计算的无线体域网任务卸载方法”的具体实施过程。
实施例1中所用到的符号及其含义如下表1所示。
表1符号及对应的含义
如图1所示的无线体域网模型的示意图中,附着在人体表面或植入人体的传感节点将收集到的数据发送给Sink节点(通常用手机作为一个无线体域网的Sink节点)。Sink节点收到所有传感节点的数据,将任务信息和通过本地边缘服务器MES发送至云服务器CC。云服务器CC收到所有用户的信息后,执行任务卸载算法,并将最终的卸载决策通过边缘服务器MES发送至所有Sink节点。Sink节点根据最终的卸载决策对任务进行卸载。
如图2所示,本实例公开的基于移动云-边缘计算的无线体域网任务卸载方法,具体实现步骤如下:
步骤一:构建用于通信任务卸载的无线体域网集合,并构建移动云-边缘计算模块。所述移动云-边缘计算模块包括云服务器CC、M个边缘服务器MES,所有边缘服务器MES之间通过有线链路相互连接,通过所述边缘服务器MES之间相互连通利于边缘服务器MES之间通信,利于任务在边缘服务器MES之间卸载,还便于实现边缘服务器MES之间的负载均衡。移动云-边缘计算模块的边缘服务器MES与无线体域网集合之间通过无线通信连通,进而构建基于移动云-边缘计算的无线体域网。通过所述边缘服务器MES之间相互连通提高基于移动云-边缘计算的无线体域网的容量,所述无线体域网仅能与本地最近的边缘服务器MES进行通信。
步骤1.1:构建用于通信任务卸载的无线体域网集合。
每个无线体域网对应一个Sink节点,则用于通信任务卸载的无线体域网集合对应Sink节点集合SS={1,2,3,…,N},本实施例中考虑一所医院不同场景下不同用户数量N∈[300,600]。
步骤1.2:移动云-边缘计算模块包括一个云服务器CC、边缘服务器MES的数量M取值范围是[10,80],所有边缘服务器MES之间通过有线链路相互连接,通过所述边缘服务器MES之间相互联通利于边缘服务器MES之间通信利于任务在边缘服务器MES之间卸载,还便于是实现边缘服务器MES之间的负载均衡。M个边缘服务器MES集合表述为MS={1,2,3,…,M}M∈[10,80],定义与节点Si直接相连的边缘服务器MES为Mi,每个边缘服务器MES有其固定的ID。
步骤1.3:移动云-边缘计算模块的边缘服务器MES与本地直接相连的多个无线体域网之间通过无线链路连通,进而构建基于移动云-边缘计算的无线体域网。通过所述边缘服务器MES之间相互连通提高基于移动云-边缘计算的无线体域网的容量,所述无线体域网仅能与本地最近的边缘服务器Mi进行通信。
步骤二:每个Sink节点计算其与本地边缘服务器Mi之间的数据传输速率,通过计算路径损耗对传输速率的影响提高计算的传输速率的精确性。
步骤2.1:计算无线体域网与本地边缘服务器Mi之间的路径损耗。
其中,是节点Si与本地边缘服务器Mi之间的距离,L0(d0)是参考距离为d0=0.6m时的路径损耗,即L0(d0)=10lg(4πd0/λ)2,λ=0.125m为无线信号的波长,n=3为路径损耗因子,g表示障碍物的类型,为第g种障碍物的数目,Lg为第g种障碍物对应的路径损耗,其中水泥墙的路径损耗为10.8,玻璃的路径损耗为2.31。
步骤2.2:根据损耗的定义公式计算本地边缘服务器Mi的接收功率。
步骤2.3:根据香农公式计算Sink节点至本地边缘服务器Mi的数据传输速率。
根据香农公式(3)计算Sink节点Si至本地边缘服务器Mi的数据传输速率:
步骤三:每个Sink节点Si发送任务信息至云服务器CC,为云服务器CC执行卸载算法提所需的输入数据。
步骤四:云服务器CC执行基于差分进化算法的任务卸载算法,基于差分进化的任务卸载方法收敛速度快,在相同的迭代次数下得到的卸载策略更好,减少Sink节点的能量消耗和数据传输及处理的时延,并达到边缘服务器MES之间的负载均衡,从而提高整个网络的容量。
步骤4.1:对所有的Sink节点随机生成T组卸载策略,用矩阵RNT来表示其中rit∈{0,1,…,M,M+1}(i∈{1,…,N})本实施例中M∈[10,80],N∈[300,600]表示节点Si的第t组卸载策略,0表示任务卸载到本地Sink执行,{1,2,…,M}表示卸载到第m个边缘服务器MES执行,M+1表示卸载到云服务器CC执行,则矩阵的列向量表示所有Sink节点的第t组卸载策略。
步骤4.3,根据卸载策略rit计算每个节点任务在每种卸载策略下的执行时间和能量开销。所述卸载策略rit包括以下四种情况:
①当卸载策略ri,t=0时,表示Sink节点Si将任务不进行卸载,任务在自己的CPU上执行。
②当卸载策略ri,t=Mi时,表示Sink节点Si的任务需要卸载至本地边缘服务器Mi上执行。
③当卸载策略ri,t≠Mi且ri,t≠M+1时,表示Sink节点Si的任务需要卸载至其他边缘服务器Mj上执行。
④当卸载策略ri,t=M+1时,表示Sink节点Si的任务需要卸载至云服务器CC执行。
步骤4.3.1,计算每个任务的处理时间与每个Sink节点Si执行任务的能耗。
①当ri,t=0时,任务在Sink节点的CPU上执行,则根据公式(4)计算任务的处理时间为:
其中,108<Ci<3*108表示任务执行需要的CPU周期,fi sink=0.3GHz为Si的CPU频率。
根据公式(5)计算执行任务所需要的能量为:
其中,Pi E=500mW为Sink节点Si的执行功率。
②当ri,t=Mi时,任务需要卸载至本地边缘服务器Mi上执行,此时任务处理时间包括三部分:任务从Si传输到本地边缘服务器Mi的时间、等待Mi任务队列执行的时间和Si任务的执行时间,通过考虑任务在队列中的等待时间更加精确的计算了任务的处理时间。
根据公式(6)计算任务从节点Si发送到本地边缘服务器Mi的时间:
其中,100kb<Pi<300kb表示节点Si任务的大小。
节点Si的任务在边缘服务器Mi任务队列的第b位,根据公式(7)计算其等待Mi的队列执行的时间:
根据公式(8)计算节点Si的任务在本地边缘服务器Mi上的执行时间:
根据公式(9)计算得到节点Si的任务卸载到本地边缘服务器Mi上的执行时间为:
节点Si任务执行消耗的能量包括传输任务至本地边缘服务器Mi的能耗和等待任务执行的能耗两部分。根据公式(10)计算得到能量消耗为:
③当ri,t≠Mi且ri,t≠M+1时,Si的任务卸载至其他边缘服务器ri,t上执行。在这种情况下,节点Si的任务处理时间包括:任务从Si传输到本地边缘服务器Mi的时间,从边缘服务器Mi转发至边缘服务器ri,t的时间,等待边缘服务器ri,t任务队列执行的时间和Si任务的执行时间。
根据情况①和②的分析得到Si任务的执行时间为:
节点Si执行任务的能量消耗主要包括传输任务至本地边缘服务器Mi的能耗,任务由边缘服务器Mi传输至边缘服务器ri,t的等待能耗,等待边缘服务器ri,t任务队列执行的能耗,任务在其他边缘服务器ri,t上执行的能耗四部分,根据公式(12)能计算节点Si执行任务的能量消耗:
④当ri,t=M+1时,Si的任务卸载至远程云服务器CC执行。节点Si的任务处理时间包括:任务从Si发送到本地边缘服务器Mi的时间,从Mi转发至云服务器CC的时间和Si任务的执行时间,根据情况②和③的分析得到:
其中,VMiCC=0.5Gbps表示边缘服务器Mi至云服务器CC的数据传输速率,fCC=50GHz表示云服务器CC的CPU频率。
根据公式(15)计算出Sink节点Si的能量消耗。
根据以上四种情况的分析,根据公式(15)建立的任务卸载策略与任务处理时间之间的关系,即得到节点Si在第t种策略下的任务执行时间Ti,t。
根据公式(16)建立的任务卸载策略与每个节点Si执行任务的能耗的关系,即得到节点Si在第t种策略下的任务执行能耗Ei,t为:
其中,αt+βt+μt+γt=1且αt,βt,μt,γt∈{0,1},当卸载策略为情况①时αt=1,βt=μt=γt=0,当卸载策略为情况②时βt=1,αt=μt=γt=0,当卸载策略为情况③时μt=1,αt=βt=γt=0,当卸载策略为情况④时γt=1,αt=βt=μt=0。
步骤4.3.2,根据公式(17)计算节点Si在第t种策略下任务执行的时间和能量总开销Si,t:
步骤4.4,根据公式(18)计算每组卸载策略下所有用户的总开销St。
步骤4.6,判断进化代数是否达到最大。若是,则终止进化,将选出的备选卸载策略Rbest作为最优卸载策略输出;若否,继续执行。
式中randi为[0,1]之间的随机数,p为用户定义的交叉概率,irand为[0,N]之间的随机数。
步骤4.9,对卸载策略进行选择操作,若在策略Ut下的任务开销小于策略Rt的开销,则Ut保留进入下一次迭代作为新的卸载策略,否则Rt保留进入下一次迭代。
步骤4.10,清空所有边缘服务器MES的任务队列信息。
步骤4.11,更新进化代数l=l+1,并转至步骤4.2继续执行。
步骤五:所有Sink节点根据卸载策略Rbest进行任务卸载。
图4是遗传算法,(1+1)进化算法和本方法随着边缘服务器个数不断增加所有任务总开销的对比仿真示意图。遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法;(1+1)进化算法是由德国的I.Rechenberg和HP.Schwefel提出的一种求解参数优化问题的方法,模仿生物进化原理。图4中,横轴表示边缘服务器个数;纵轴表示所有任务的能量和时间总开销;三角标号线表示(1+1)进化算法;圆点标号线表示遗传算法;叉号划线表示本实施例提出的基于移动云-边缘计算的差分进化算法。
从图4能看出,在用户数为500,紧急任务比重为50%时,本专利提出的基于移动云-边缘计算的差分进化方案的任务总开销明显小于其他两种方法。具体地讲,在边缘服务器个数为10的情况下,执行差分进化算法的任务总开销比执行(1+1)进化算法减少了13.9%;同样地,比执行遗传算法降低了11.2%。
图5是执行遗传算法,(1+1)进化算法,和本方法时,边缘服务器任务队列长度标准差的对比仿真示意图。图5中,横轴表示边缘服务器个数;纵轴表示所有边缘服务器任务队列长度的标准差。从图5能看出,当用户数为500,紧急任务比重为50%时,本专利提出的基于移动云-边缘计算的任务卸载方法能很好地实现所有边缘服务器之间的负载均衡,尤其在边缘服务器个数较少的情况下。当边缘服务器个数为10时,使用差分进化算法的边缘服务器任务队列长度的标准差分别比(1+1)进化算法和遗传算法小3.53和3.42。
图6是不同用户人数下每个边缘服务器任务队列长度平均值的对比仿真示意图。图6中横轴表示用户人数;纵轴表示每个边缘服务器任务队列长度的平均值。从图6能看出,本专利提出的基于移动云-边缘计算的任务卸载方法与其他两种方法相比,服务器的队列长度明显较小,且不会随着用户数量的增多明显增大。
需要指出的是,所描述的实施例仅指在便于对本发明的理解,而对其不起任何限定作用,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于移动云-边缘计算的无线体域网任务卸载方法,其特征在于:包括如下步骤,
步骤一:构建用于通信任务卸载的无线体域网集合,并构建移动云-边缘计算模块;所述移动云-边缘计算模块包括云服务器CC、M个边缘服务器MES,所有边缘服务器MES之间通过有线链路相互连接,通过所述边缘服务器MES之间相互连通利于边缘服务器MES之间通信,利于任务在边缘服务器MES之间卸载,还便于实现边缘服务器MES之间的负载均衡;移动云-边缘计算模块的边缘服务器MES与无线体域网集合之间通过无线通信连通,进而构建基于移动云-边缘计算的无线体域网;通过所述边缘服务器MES之间相互连通提高基于移动云-边缘计算的无线体域网的容量,所述无线体域网仅能与本地最近的边缘服务器MES进行通信;
步骤二:每个Sink节点计算其与本地边缘服务器Mi之间的数据传输速率,通过计算路径损耗对传输速率的影响提高计算的传输速率的精确性;
步骤三:每个Sink节点Si发送任务信息至云服务器CC,为云服务器CC执行卸载算法提所需的输入数据;
步骤四:云服务器CC执行基于差分进化算法的任务卸载算法,基于差分进化的任务卸载方法收敛速度快,在相同的迭代次数下得到的卸载策略Rbest更好,减少Sink节点的能量消耗和数据传输及处理的时延,并达到边缘服务器MES之间的负载均衡,从而提高整个网络的容量;
步骤五:所有Sink节点分别根据步骤四优化的卸载策略Rbest进行任务卸载,使得所有无线体域网的数据任务能够尽快处理,减少所有节点的整体能耗,并实现边缘服务器MES的负载均衡,从而提高整个无线体域网的容量和通信效率。
2.如权利要求1所述的基于移动云-边缘计算的无线体域网任务卸载方法,其特征在于:步骤一实现方法为,
步骤1.1:构建用于通信任务卸载的无线体域网集合;
每个无线体域网对应一个Sink节点,则用于通信任务卸载的无线体域网集合对应Sink节点集合SS={1,2,3,…,N};
步骤1.2:移动云-边缘计算模块包括一个云服务器CC、M个边缘服务器MES,所有边缘服务器MES之间通过有线链路相互连接,通过所述边缘服务器MES之间相互联通利于边缘服务器MES之间通信利于任务在边缘服务器MES之间卸载,还便于是实现边缘服务器MES之间的负载均衡;M个边缘服务器MES集合表述为MS={1,2,3,…,M},定义与节点Si直接相连的边缘服务器MES为Mi,每个边缘服务器MES有其固定的ID;
步骤1.3:移动云-边缘计算模块的边缘服务器MES与本地直接相连的多个无线体域网之间通过无线链路连通,进而构建基于移动云-边缘计算的无线体域网;通过所述边缘服务器MES之间相互连通提高基于移动云-边缘计算的无线体域网的容量,所述无线体域网仅能与本地最近的边缘服务器Mi进行通信。
3.如权利要求2所述的基于移动云-边缘计算的无线体域网任务卸载方法,其特征在于:步骤二实现方法为,
步骤2.1:计算无线体域网与本地边缘服务器Mi之间的路径损耗;
其中,是节点Si与本地边缘服务器Mi之间的距离,L0(d0)是参考距离为d0时的路径损耗,即L0(d0)=10lg(4πd0/λ)2,λ为无线信号的波长,n为路径损耗因子,g表示障碍物的类型,kg为第g种障碍物的数目,Lg为第g种障碍物对应的路径损耗;
步骤2.2:根据损耗的定义公式计算本地边缘服务器Mi的接收功率;
步骤2.3:根据香农公式计算Sink节点至本地边缘服务器Mi的数据传输速率;
根据香农公式(3)计算Sink节点Si至本地边缘服务器Mi的数据传输速率:
5.如权利要求4所述的基于移动云-边缘计算的无线体域网任务卸载方法,其特征在于:步骤四实现方法为,
步骤4.1:对所有的Sink节点随机生成T组卸载策略,用矩阵RNT来表示其中rit∈{0,1,…,M,M+1}(i∈{1,…,N})表示节点Si的第t组卸载策略,0表示任务卸载到本地Sink执行,{1,2,…,M}表示卸载到第m个边缘服务器MES执行,M+1表示卸载到云服务器CC执行,则矩阵的列向量表示所有Sink节点的第t组卸载策略;
步骤4.3,根据卸载策略rit计算每个节点任务在每种卸载策略下的执行时间和能量开销;所述卸载策略rit包括以下四种情况:
①当卸载策略ri,t=0时,表示Sink节点Si将任务不进行卸载,任务在自己的CPU上执行;
②当卸载策略ri,t=Mi时,表示Sink节点Si的任务需要卸载至本地边缘服务器Mi上执行;
③当卸载策略ri,t≠Mi且ri,t≠M+1时,表示Sink节点Si的任务需要卸载至其他边缘服务器ri,t上执行;
④当卸载策略ri,t=M+1时,表示Sink节点Si的任务需要卸载至云服务器CC执行;
步骤4.4,根据公式(18)计算每组卸载策略下所有用户的总开销St:
步骤4.6,判断进化代数是否达到最大;若是,则终止进化,将选出的备选卸载策略Rbest作为最优卸载策略输出;若否,继续执行;
式中randi为[0,1]之间的随机数,p为用户定义的交叉概率,irand为[0,N]之间的随机数;
步骤4.9,对卸载策略进行选择操作,若在策略Ut下的任务开销小于策略Rt的开销,则Ut保留进入下一次迭代作为新的卸载策略,否则Rt保留进入下一次迭代;
步骤4.10,清空所有边缘服务器MES的任务队列信息;
步骤4.11,更新进化代数l=l+1,并转至步骤4.2继续执行。
6.如权利要求5所述的基于移动云-边缘计算的无线体域网任务卸载方法,其特征在于:步骤4.3实现方法为,
步骤4.3.1,计算每个任务的处理时间与每个Sink节点Si执行任务的能耗;
①当ri,t=0时,任务在Sink节点的CPU上执行,则根据公式(4)计算任务的处理时间为:
其中,Ci表示任务执行需要的CPU周期,fi sink为Si的CPU频率;
根据公式(5)计算执行任务所需要的能量为:
其中,Pi E为Sink节点Si的执行功率;
②当ri,t=Mi时,任务需要卸载至本地边缘服务器Mi上执行,此时任务处理时间包括三部分:任务从Si传输到本地边缘服务器Mi的时间、等待Mi任务队列执行的时间和Si任务的执行时间,通过考虑任务在队列中的等待时间更加精确的计算任务的处理时间;
根据公式(6)计算任务从节点Si发送到本地边缘服务器Mi的时间:
其中,Pi表示节点Si任务的大小;
节点Si的任务在边缘服务器Mi任务队列的第b位,根据公式(7)计算其等待Mi的队列执行的时间:
根据公式(8)计算节点Si的任务在本地边缘服务器Mi上的执行时间;
根据公式(9)计算得到节点Si的任务卸载到本地边缘服务器Mi上的执行时间;
节点Si任务执行消耗的能量包括传输任务至本地边缘服务器Mi的能耗和等待任务执行的能耗两部分;根据公式(10)计算得到能量消耗为:
其中,Pi T和Pi W分别为节点Si的传输功率和等待功率;
③当ri,t≠Mi且ri,t≠M+1时,Si的任务卸载至其他边缘服务器ri,t上执行;在这种情况下,节点Si的任务处理时间包括:任务从Si传输到本地边缘服务器Mi的时间,从边缘服务器Mi转发至边缘服务器ri,t的时间,等待边缘服务器ri,t任务队列执行的时间和Si任务的执行时间;
根据情况①和②的分析得到Si任务的执行时间为:
节点Si执行任务的能量消耗主要包括传输任务至本地边缘服务器Mi的能耗,任务由边缘服务器Mi传输至边缘服务器ri,t的等待能耗,等待边缘服务器ri,t任务队列执行的能耗,任务在其他边缘服务器ri,t上执行的能耗四部分,根据公式(12)能计算节点Si执行任务的能量消耗:
其中,Pi T和Pi W分别为Sink节点Si的传输功率和等待功率;
④当ri,t=M+1时,Si的任务卸载至远程云服务器CC执行;节点Si的任务处理时间包括:任务从Si发送到本地边缘服务器Mi的时间,从Mi转发至云服务器CC的时间和Si任务的执行时间,根据情况②和③的分析得到:
根据公式(15)计算出Sink节点Si的能量消耗;
根据以上四种情况的分析,根据公式(15)建立的任务卸载策略与任务处理时间之间的关系,即得到节点Si在第t种策略下的任务执行时间Ti,t;
任务执行时间Ti,t应小于任务的最大容忍时间及Ti,t<Dimax;
根据公式(16)建立的任务卸载策略与每个节点Si执行任务的能耗的关系,即得到节点Si在第t种策略下的任务执行能耗Ei,t;
其中,αt+βt+μt+γt=1且αt,βt,μt,γt∈{0,1},当卸载策略为情况①时αt=1,βt=μt=γt=0,当卸载策略为情况②时βt=1,αt=μt=γt=0,当卸载策略为情况③时μt=1,αt=βt=γt=0,当卸载策略为情况④时γt=1,αt=βt=μt=0;
步骤4.3.2,根据公式(17)计算节点Si在第t种策略下任务执行的时间和能量总开销Si,t:
7.一种基于移动云-边缘计算的无线体域网,其特征在于:包括无线体域网集合和移动云-边缘计算模块;所述移动云-边缘计算模块包括云服务器CC、M个边缘服务器MES,所有边缘服务器MES之间通过有线链路相互连接,通过所述边缘服务器MES之间相互联通利于边缘服务器MES之间通信,利于任务在边缘服务器MES之间卸载,还便于实现边缘服务器MES之间的负载均衡;移动云-边缘计算模块的边缘服务器MES与多个无线体域网之间通过无线通信连通,进而构建基于移动云-边缘计算的无线体域网;通过所述边缘服务器MES之间相互联通提高基于移动云-边缘计算的无线体域网的容量,所述无线体域网仅能与本地最近的边缘服务器MES进行通信。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111314792.6A CN114051266B (zh) | 2021-11-08 | 2021-11-08 | 基于移动云-边缘计算的无线体域网任务卸载方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111314792.6A CN114051266B (zh) | 2021-11-08 | 2021-11-08 | 基于移动云-边缘计算的无线体域网任务卸载方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114051266A true CN114051266A (zh) | 2022-02-15 |
CN114051266B CN114051266B (zh) | 2024-01-12 |
Family
ID=80207461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111314792.6A Active CN114051266B (zh) | 2021-11-08 | 2021-11-08 | 基于移动云-边缘计算的无线体域网任务卸载方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114051266B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108541027A (zh) * | 2018-04-24 | 2018-09-14 | 南京邮电大学 | 一种基于边缘云网络的通信计算资源置换方法 |
CN108920279A (zh) * | 2018-07-13 | 2018-11-30 | 哈尔滨工业大学 | 一种多用户场景下的移动边缘计算任务卸载方法 |
CN109857546A (zh) * | 2019-01-03 | 2019-06-07 | 武汉理工大学 | 基于Lyapunov优化的多服务器移动边缘计算卸载方法及装置 |
CN110780938A (zh) * | 2019-09-18 | 2020-02-11 | 河海大学 | 一种移动云环境下基于差分进化的计算任务卸载方法 |
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 |
CN111585916A (zh) * | 2019-12-26 | 2020-08-25 | 国网辽宁省电力有限公司电力科学研究院 | 基于云边协同的lte电力无线专网任务卸载和资源分配方法 |
WO2020216135A1 (zh) * | 2019-04-25 | 2020-10-29 | 南京邮电大学 | 基于边-端协同的多用户多mec任务卸载资源调度方法 |
CN111988415A (zh) * | 2020-08-26 | 2020-11-24 | 绍兴文理学院 | 基于模糊博弈的移动传感设备计算任务安全卸载方法 |
US20210136142A1 (en) * | 2018-07-27 | 2021-05-06 | Huawei Technologies Co., Ltd. | Task offloading and routing in mobile edge cloud networks |
CN112787920A (zh) * | 2021-03-03 | 2021-05-11 | 厦门大学 | 面向海洋物联网的水声通信边缘计算时延和能耗优化方法 |
CN113114738A (zh) * | 2021-03-25 | 2021-07-13 | 华南理工大学 | 基于sdn的车联网任务卸载的优化方法 |
CN113207136A (zh) * | 2021-04-02 | 2021-08-03 | 北京科技大学 | 一种联合优化计算卸载和资源分配的方法及装置 |
CN113286329A (zh) * | 2021-05-19 | 2021-08-20 | 南京邮电大学 | 基于移动边缘计算的通信和计算资源联合优化方法 |
US20210266834A1 (en) * | 2020-02-25 | 2021-08-26 | South China University Of Technology | METHOD OF MULTI-ACCESS EDGE COMPUTING TASK OFFLOADING BASED ON D2D IN INTERNET OF VEHICLES (IoV) ENVIRONMENT |
-
2021
- 2021-11-08 CN CN202111314792.6A patent/CN114051266B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108541027A (zh) * | 2018-04-24 | 2018-09-14 | 南京邮电大学 | 一种基于边缘云网络的通信计算资源置换方法 |
CN108920279A (zh) * | 2018-07-13 | 2018-11-30 | 哈尔滨工业大学 | 一种多用户场景下的移动边缘计算任务卸载方法 |
US20210136142A1 (en) * | 2018-07-27 | 2021-05-06 | Huawei Technologies Co., Ltd. | Task offloading and routing in mobile edge cloud networks |
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 |
CN109857546A (zh) * | 2019-01-03 | 2019-06-07 | 武汉理工大学 | 基于Lyapunov优化的多服务器移动边缘计算卸载方法及装置 |
WO2020216135A1 (zh) * | 2019-04-25 | 2020-10-29 | 南京邮电大学 | 基于边-端协同的多用户多mec任务卸载资源调度方法 |
CN110780938A (zh) * | 2019-09-18 | 2020-02-11 | 河海大学 | 一种移动云环境下基于差分进化的计算任务卸载方法 |
CN111585916A (zh) * | 2019-12-26 | 2020-08-25 | 国网辽宁省电力有限公司电力科学研究院 | 基于云边协同的lte电力无线专网任务卸载和资源分配方法 |
US20210266834A1 (en) * | 2020-02-25 | 2021-08-26 | South China University Of Technology | METHOD OF MULTI-ACCESS EDGE COMPUTING TASK OFFLOADING BASED ON D2D IN INTERNET OF VEHICLES (IoV) ENVIRONMENT |
CN111988415A (zh) * | 2020-08-26 | 2020-11-24 | 绍兴文理学院 | 基于模糊博弈的移动传感设备计算任务安全卸载方法 |
CN112787920A (zh) * | 2021-03-03 | 2021-05-11 | 厦门大学 | 面向海洋物联网的水声通信边缘计算时延和能耗优化方法 |
CN113114738A (zh) * | 2021-03-25 | 2021-07-13 | 华南理工大学 | 基于sdn的车联网任务卸载的优化方法 |
CN113207136A (zh) * | 2021-04-02 | 2021-08-03 | 北京科技大学 | 一种联合优化计算卸载和资源分配的方法及装置 |
CN113286329A (zh) * | 2021-05-19 | 2021-08-20 | 南京邮电大学 | 基于移动边缘计算的通信和计算资源联合优化方法 |
Non-Patent Citations (3)
Title |
---|
WENLE BAI等: "Joint Optimization of computation offloading,data compression,energy harvesting,and application scenarios in fog computing", IEEE ACCESS, vol. 9 * |
王亚军;周陈超;贾绍凤;燕华云;李润杰;: "基于SWAT模型的湟水流域径流模拟与评价", 水土保持研究, no. 06 * |
齐平;束红;: "智慧医疗场景下考虑终端移动性的任务卸载策略", 浙江大学学报(工学版), no. 06 * |
Also Published As
Publication number | Publication date |
---|---|
CN114051266B (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Genetic algorithm for energy-efficient clustering and routing in wireless sensor networks | |
CN107172166B (zh) | 面向工业智能化服务的云雾计算系统 | |
WO2021051859A1 (zh) | 基于自适应遗传算法的无线传感器网络分簇路由方法 | |
Randhawa et al. | MLBC: Multi-objective load balancing clustering technique in wireless sensor networks | |
Liu et al. | An UAV-enabled intelligent connected transportation system with 6G communications for internet of vehicles | |
CN111182582B (zh) | 面向移动边缘计算的多任务分布式卸载方法 | |
CN111585816B (zh) | 一种基于自适应遗传算法的任务卸载决策方法 | |
Yousefi et al. | An energy-efficient artificial bee colony-based clustering in the internet of things | |
CN110830292B (zh) | 面向医疗大数据的云雾混合路径确定方法 | |
Tam et al. | Multifactorial evolutionary optimization to maximize lifetime of wireless sensor network | |
CN111726854A (zh) | 一种降低物联网计算卸载能耗的方法 | |
Bilandi et al. | Energy-efficient relay node selection scheme for sustainable wireless body area networks | |
Jiang et al. | MER-WearNet: Medical-emergency response wearable networking powered by UAV-assisted computing offloading and WPT | |
Shullary et al. | Energy-efficient active federated learning on non-iid data | |
WO2018187954A1 (zh) | 基于蚁群优化的传感器网络路由方法 | |
CN114051266A (zh) | 基于移动云-边缘计算的无线体域网任务卸载方法 | |
CN113676357A (zh) | 面向电力物联网中边缘数据处理的决策方法及其应用 | |
CN115171433A (zh) | 一种车雾辅助无人机灾后救援任务卸载方法 | |
CN107707471A (zh) | 基于大规模sdn的最小化转发链路数的节能方案 | |
CN114827933A (zh) | 面向无线传感器网络的多路径路由方法 | |
Memarian et al. | TSFIS-GWO: Metaheuristic-driven takagi-sugeno fuzzy system for adaptive real-time routing in WBANs | |
Zhang et al. | Multi-channel allocation algorithm based on congestion avoidance in wearable wireless sensor network | |
CN116132354B (zh) | 一种无人机集群网络化传输路径优化方法及系统 | |
Xu et al. | Using differential evolution to research the multi-objective optimization of medical sensor networks: A brief discussion | |
CN113242182B (zh) | 基于SDN的移动自组织网络中QoS敏感的路由分配方法 |
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 |