CN114096006A - 移动边缘计算系统中资源分配和数据压缩联合优化方法 - Google Patents

移动边缘计算系统中资源分配和数据压缩联合优化方法 Download PDF

Info

Publication number
CN114096006A
CN114096006A CN202110947505.9A CN202110947505A CN114096006A CN 114096006 A CN114096006 A CN 114096006A CN 202110947505 A CN202110947505 A CN 202110947505A CN 114096006 A CN114096006 A CN 114096006A
Authority
CN
China
Prior art keywords
resource allocation
mobile device
energy consumption
data compression
data
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
CN202110947505.9A
Other languages
English (en)
Other versions
CN114096006B (zh
Inventor
王俊波
张金悦雪
汪坤
丁昌峰
张华�
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202110947505.9A priority Critical patent/CN114096006B/zh
Priority claimed from CN202110947505.9A external-priority patent/CN114096006B/zh
Publication of CN114096006A publication Critical patent/CN114096006A/zh
Application granted granted Critical
Publication of CN114096006B publication Critical patent/CN114096006B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
    • 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
    • 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
    • H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/0473—Wireless resource allocation based on the type of the allocated resource the resource being transmission power
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种移动边缘计算系统中资源分配和数据压缩联合优化方法，包括以下步骤：初始化移动设备和MEC服务器的参数和配置；构建优化问题模型，根据移动设备和MEC服务器的参数和配置得到初始通信与计算资源分配方案和对应的系统总能耗值；根据初始通信与计算资源分配方案，采用块坐标下降法获取新的通信与计算资源分配方案和对应的系统总能耗值；判断新目标系统总能耗值与上一次系统总能耗值得差值是否在阈值范围内，若是则输出当前的通信与计算资源分配方案并结束优化；否则，将当前的通信与计算资源分配方案作为初始通信与计算资源分配方案，并返回前述步骤步骤。本发明能有效的降低整个系统的能耗。

Description

移动边缘计算系统中资源分配和数据压缩联合优化方法
技术领域
本发明涉及无线通信技术领域，具体涉及一种移动边缘计算场景中资源分配和数据 压缩联合优化方法。
背景技术
在过去的几年中，诸如智能电话，平板电脑和可穿戴设备之类的移动设备的爆炸性 普及一直在加速物联网(IoT)的发展。由于移动数据流量的指数增长，仅依靠传统的 云计算不足以实现5G网络中通信和计算的毫秒级延迟。为了满足这种持续的需求并提 高用户的体验质量(QoE)，移动边缘计算的新兴技术已经引起了学术界和行业的极大 关注。通过在蜂窝基站上实现MEC服务器，可缓解计算密集型应用程序和资源受限的 移动设备之间的紧张关系。与传统的云计算系统不同，传统的云计算系统依赖于远程公 共云，由于数据交换，远程云将导致较长的等待时间，而MEC在无线接入网中提供了 计算功能。因此，通过将计算任务从移动设备转移到MEC服务器，可以大大提高计算 体验的质量，包括能耗和执行等待时间。
同时，如今数据压缩的使用无处不在，通过数据压缩，可以减小数据大小，从而可以节省数据存储空间或者可以在较短的时间内在无线网络中传输数据。在实际中，数据 中通常存在很多冗余，可以采用数据压缩技术将数据压缩为较小的尺寸，从而可以进一 步节省能源消耗并减少无线传输的延迟。因此，可能存在最优的数据压缩率以实现最低 的能量消耗。
发明内容
本发明的目的是提供一种移动边缘计算网络中资源分配和数据压缩的联合优化方 法,将移动设备的数据经过压缩后传输存储至MEC服务器，并由MEC服务器完成进一步的压缩，节省存储空间，寻找最优的压缩方案并实现系统总能耗最小化。
为实现上述目的，本发明采用如下技术方案：
一种移动边缘计算系统中资源分配和数据压缩联合优化方法，包括以下步骤：
步骤一，初始化移动设备和MEC服务器的参数和配置；其中，移动设备和MEC服务器的参数和配置包括：移动设备数量，由集合K＝{1,2,…,K}表示、移动设备k的原始 数据大小Lk，移动设备k在本地压缩的数据压缩率
Figure BDA0003217292650000021
移动设备k在MEC服务器上的 数据压缩率
Figure BDA0003217292650000022
移动设备k所需的总压缩率βk、移动设备k的最大数据压缩率
Figure BDA0003217292650000023
移动设备k所分得的带宽百分比zk、移动设备k的信道增益hk、移动设备k的传输功率 pk、移动设备k的最大传输功率限制
Figure BDA0003217292650000024
移动设备压缩时每个CPU周期的能量消耗Ek、 移动设备k的计算能力(CPUcycle/s)Fk、MEC服务器每CPU周期的能量消耗E、MEC 服务器的最大计算能力F；
步骤二，构建优化问题模型，根据移动设备和MEC服务器的参数和配置得到初始通信与计算资源分配方案和对应的系统总能耗值；
步骤三，根据初始通信与计算资源分配方案，采用块坐标下降法获取新的通信与计 算资源分配方案和对应的系统总能耗值；
步骤四，判断新目标系统总能耗值与上一次系统总能耗值得差值是否在阈值范围内， 若是则输出当前的通信与计算资源分配方案并结束优化；否则进入步骤五；
步骤五，将当前的通信与计算资源分配方案作为初始通信与计算资源分配方案，并 返回步骤三。
所述步骤一中，初始化移动设备和MEC服务器的参数和配置{β(0),p(0),z(0)}，其中
Figure BDA0003217292650000025
所述步骤二中，构建通信资源和计算资源限制下，系统总能耗最小化的优化问题模 型：
Figure BDA0003217292650000026
Figure BDA0003217292650000027
Figure BDA0003217292650000028
Figure BDA0003217292650000029
Figure BDA0003217292650000031
Figure BDA0003217292650000032
其中，
Figure BDA0003217292650000033
表示移动设备k本地数据压缩时的能耗，ET,k表示移动设备k无线数据传输消耗的能量，
Figure BDA0003217292650000034
表示边缘服务器压缩移动设备k的数据的能耗；e是自然常数，
Figure BDA0003217292650000035
Figure BDA0003217292650000036
表示边缘服务器压缩一比特数据需要的CPU周期数目，
Figure BDA0003217292650000037
表示移动设备本地 压缩一比特数据需要的CPU周期数目，rk表示移动设备k与基站的传输速率；
根据移动设备和MEC服务器的参数和配置得到初始通信与计算资源分配方案，计算 系统总能耗
Figure BDA0003217292650000038
的值，其中，
Figure BDA0003217292650000039
ET,k＝pktT,k，
Figure BDA00032172926500000310
其中，ε是取决于具 体压缩方法的正常数；
Figure BDA00032172926500000311
表示本地压缩一比特数据需要的CPU周期数目；tT,k表示传输数据的时延；B表示传输带宽(Hz)，N0表示噪声功率。
所述步骤三中，将优化问题分成以下两个子问题并采用块坐标下降法迭代求解：
(1)对于第一个固定本地数据压缩率β的子问题，采用多比率FP算法迭代求解， 该问题将每个比率项的分子和分母解耦，这将一个多比率问题转换为了一系列凸问题；
(2)对于第二个固定带宽分配和传输功率z与p的子问题，通过基于DC规划的迭 代算法，使用一阶泰勒级数展开式将DC问题迭代逼近为凸问题，并求解相应近似凸问 题，直到收敛。
所述步骤四中，设在第t轮迭代后，本地数据压缩率，移动设备传输功率和带宽分配的值分别为{β(t),p(t),z(t)}，
若|(E(β(t),z(t),p(t))-E(β(t-1),z(t-1),p(t-1)))/E(β(t-1),z(t-1),p(t-1))|≤δ，其中δ为阈值， 则输出其对应的通信和计算资源分配方案β*＝β(t),z*＝z(t),p*＝p(t)并结束优化，否则将 {β(t),p(t),z(t)}作为新的{β(0),p(0),z(0)}，并返回步骤三。
有益效果：相比于现有技术，本发明具有以下优点：
(1)合理的利用了系统中的通信和计算资源；
(2)在保证系统时延要求和MEC服务器最大计算能力的前提下，能有效的降低整个系统的能耗。
附图说明
图1为本发明具体实施的场景示意图；
图2为本发明的流程示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
为了使本发明领域的人员更好地理解本发明方法，下面将结合本发明实施例中的附 图，对本发明实施例中的技术方法进行清楚，完整地描述。
(1)如图1所示，考虑由一个边缘服务器和K个单天线移动设备组成的多用户MEC系统，用集合K＝{1,2,…,K}表示。BS配备有MEC服务器，该MEC服务器具有有限的 计算资源用于数据处理，缓存和存储。MEC服务器位于网络的边缘，每个移动设备都 有一定的数据需要压缩并存储在MEC服务器中。系统模型对应于许多实际场景，如监 控和安全监控系统中，大量的网络摄像头的视频数据需要传输到中央单元进行进一步分 析和存储。而这些数据存在着冗余，可以通过数据压缩技术来减少数据量，节省传输时 的能耗和存储空间。因此，本发明提出两层数据压缩模型，移动设备生成的数据首先在 本地压缩一部分，然后再将数据上传到基站，由边缘服务器完成最终的数据压缩。这就 涉及到本地压缩消耗的能量和传输能量消耗之间的一个折衷，需要合理的设计本地压缩 比以及传输和计算资源的优化来最优化系统设计。
(2)为了确保可以在MEC服务器上同时压缩所有数据，要求所有移动设备和MEC服务器都使用相同的压缩方法。压缩对能量消耗和时延的影响可以用压缩比(即原始数据 大小与已压缩数据大小之比)来建模分析。Lk(k∈K)比特的原始数据将被压缩为Lk/βk比特，其中βk是总的压缩比。系统中压缩操作可以在本地移动设备和/或MEC服务器上 执行，并且应该满足
Figure BDA0003217292650000041
本地的数据压缩比为
Figure BDA0003217292650000042
边缘服务器的数据压缩比为
Figure BDA0003217292650000043
在本地和MEC服务压缩1比特数据所需的CPU周期数可分别表示为
Figure BDA0003217292650000051
Figure BDA0003217292650000052
其中ε是取决于具体压缩方法的正常数。
执行本地压缩时的能耗和时延可以分别表示为
Figure BDA0003217292650000053
Figure BDA0003217292650000054
其中Ek和Fk分别表示移动设备k每个CPU周期的能耗和计算能力(周期数/秒)。
对于边缘服务器，压缩移动设备k的数据需要的能量为
Figure BDA0003217292650000055
其中E表示边缘压缩时每个CPU周期消耗的能量。
(3)无线数据卸载则采用频分多址(Frequency Division Multiple Access,FDMA)方法 来共享带宽和避免干扰，该方法将系统总带宽划分为K个部分，并将其分配给K个移 动设备。每个移动设备与其连接的BS之间的无线信道被建模为独立且均匀分布的瑞利 变量。根据香农公式，移动设备k的数据传输速率(以比特/秒为单位)可以表示为
Figure BDA0003217292650000056
移动设备k在将本地的Lk比特数据压缩到
Figure BDA0003217292650000057
比特数据后，会将数据卸载到基站， 导致的时延和开销可以表示为
Figure BDA0003217292650000058
ET,k＝pktT,k (7)
并且总的本地压缩时延和传输时延之和不能超过最大的时延限制，可以表示为
Figure BDA0003217292650000059
如图2所示，本发明的具体步骤为：
(1)确定β的值，求解z,p的值。具体为：
初始化β＝β(0)，原始优化问题(P1)被转变为
Figure BDA0003217292650000061
Figure BDA0003217292650000062
Figure BDA0003217292650000063
Figure BDA0003217292650000064
其中
Figure BDA0003217292650000065
在给定本地数据压缩率β时为一常 量，对优化问题(P1-a)的解不影响，因此在目标函数中被省略。被优化问题(P1-a) 可以看作是多比率分数规划问题的总和。通过二次变换来解决多比率分数规划问题，该 问题将每个比率项的分子和分母解耦。这将一个多比率问题转换为了一系列凸问题。因 此，优化问题(P1-a)可以被改写为
Figure BDA0003217292650000066
s.t.(5)，(6)，(7).
其中u表示变量{u1,…,uK}的集合，并在{z,p}固定时通过以下封闭形式更新
Figure BDA0003217292650000067
优化问题(P1-a2)在u固定时对于变量{z,p}是一个凸优化问题，可以使用内点法求解。因此通过迭代的方法求解优化问题(P1-a2)。
(2)确定z,p的值，求解β的值。具体为：
在第t次迭代中，令{z,p}＝{z(t-1),p(t-1)}，原始优化问题(P1)被转变为
Figure BDA0003217292650000071
Figure BDA0003217292650000072
Figure BDA0003217292650000073
Figure BDA0003217292650000074
令
Figure BDA0003217292650000075
因此，优化问题(P1-b)可以被改写为
Figure BDA0003217292650000076
Figure BDA0003217292650000077
s.t.(12)，(13)
u(β)和v(β)都是凸函数，目标函数和约束(15)都是两个凸函数相减的形式。优化问题(P1-b1)属于凸差分(DC)问题，其目的是最小化两个凸函数的差分，并且约束 条件是一个凸集。使用一阶泰勒级数展开式将DC问题迭代逼近为凸问题，并求解相应 近似凸问题，直到收敛。原始的非凸优化问题(P1-b)可以在第(n+1)次迭代中转换为 新的优化问题，如下所示。
Figure BDA0003217292650000078
Figure BDA0003217292650000079
s.t.(12)，(13)
其中
Figure BDA00032172926500000710
优化问题(P1-b2)是一个凸优化问题，可以通过内点法解决。
步骤三，结果是否满足收敛终止条件。具体为：
设在第t轮迭代后，本地数据压缩率，移动设备传输功率和带宽分配的值分别为{β(t)，p(t)，z(t)}，若|(E(β(t)z(t)，p(t))-E(β(t-1)，z(t-1)p(t-1)))/E(β(t-1)，z(t-1)，p(t-1))|，其中δ为 阈值，则满足迭代收敛条件，输出其对应的通信和计算资源分配方案 β*＝β(t)，z*＝z(t)，p*＝p(t)并结束优化。否则将{β(t)，p(t)，z(t)}作为新的{β(0)，p(0)，z(0)}，并返 回步骤(1)。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员 来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种移动边缘计算系统中资源分配和数据压缩联合优化方法，其特征在于：包括以下步骤：
步骤一，初始化移动设备和MEC服务器的参数和配置；其中，移动设备和MEC服务器的参数和配置包括：移动设备数量，由集合K＝{1,2,…,K}表示、移动设备k的原始数据大小Lk，移动设备k在本地压缩的数据压缩率
Figure FDA0003217292640000011
移动设备k在MEC服务器上的数据压缩率
Figure FDA0003217292640000012
移动设备k所需的总压缩率βk、移动设备k的最大数据压缩率
Figure FDA0003217292640000013
移动设备k所分得的带宽百分比zk、移动设备k的信道增益hk、移动设备k的传输功率pk、移动设备k的最大传输功率限制
Figure FDA0003217292640000014
移动设备压缩时每个CPU周期的能量消耗Ek、移动设备k的计算能力(CPU cycle/s)Fk、MEC服务器每CPU周期的能量消耗E、MEC服务器的最大计算能力F；
步骤二，构建优化问题模型，根据移动设备和MEC服务器的参数和配置得到初始通信与计算资源分配方案和对应的系统总能耗值；
步骤三，根据初始通信与计算资源分配方案，采用块坐标下降法获取新的通信与计算资源分配方案和对应的系统总能耗值；
步骤四，判断新目标系统总能耗值与上一次系统总能耗值得差值是否在阈值范围内，若是则输出当前的通信与计算资源分配方案并结束优化；否则进入步骤五；
步骤五，将当前的通信与计算资源分配方案作为初始通信与计算资源分配方案，并返回步骤三。
2.根据权利要求1所述的移动边缘计算系统中资源分配和数据压缩联合优化方法，其特征在于：所述步骤一中，初始化移动设备和MEC服务器的参数和配置{β(0),p(0),z(0)}，其中
Figure FDA0003217292640000015
3.根据权利要求1所述的移动边缘计算系统中资源分配和数据压缩联合优化方法，其特征在于：所述步骤二中，构建通信资源和计算资源限制下，系统总能耗最小化的优化问题模型：
Figure FDA0003217292640000016
Figure FDA0003217292640000021
Figure FDA0003217292640000022
Figure FDA0003217292640000023
Figure FDA0003217292640000024
Figure FDA0003217292640000025
其中，
Figure FDA0003217292640000026
表示移动设备k本地数据压缩时的能耗，ET,k表示移动设备k无线数据传输消耗的能量，
Figure FDA0003217292640000027
表示边缘服务器压缩移动设备k的数据的能耗；e是自然常数，
Figure FDA0003217292640000028
Figure FDA0003217292640000029
表示边缘服务器压缩一比特数据需要的CPU周期数目，
Figure FDA00032172926400000210
表示移动设备本地压缩一比特数据需要的CPU周期数目，rk表示移动设备k与基站的传输速率；
根据移动设备和MEC服务器的参数和配置得到初始通信与计算资源分配方案，计算系统总能耗
Figure FDA00032172926400000211
的值，其中，
Figure FDA00032172926400000212
Figure FDA00032172926400000213
其中，ε是取决于具体压缩方法的正常数；
Figure FDA00032172926400000214
表示本地压缩一比特数据需要的CPU周期数目；tT,k表示传输数据的时延；B表示传输带宽，N0表示噪声功率。
4.根据权利要求1所述的移动边缘计算系统中资源分配和数据压缩联合优化方法，其特征在于：所述步骤三中，将优化问题分成以下两个子问题并采用块坐标下降法迭代求解：
(1)对于第一个固定本地数据压缩率β的子问题，采用多比率FP算法迭代求解，该问题将每个比率项的分子和分母解耦，这将一个多比率问题转换为了一系列凸问题；
(2)对于第二个固定带宽分配和传输功率z与p的子问题，通过基于DC规划的迭代算法，使用一阶泰勒级数展开式将DC问题迭代逼近为凸问题，并求解相应近似凸问题，直到收敛。
5.根据权利要求1所述的移动边缘计算系统中资源分配和数据压缩联合优化方法，其特征在于：所述步骤四中，设在第t轮迭代后，本地数据压缩率，移动设备传输功率和带宽分配的值分别为{β(t),p(t),z(t)}，
若|(E(β(t),z(t),p(t))-E(β(t-1),z(t-1),p(t-1)))/E(β(t-1),z(t-1),p(t-1))|≤δ，其中δ为阈值，则输出其对应的通信和计算资源分配方案β*＝β(t),z*＝z(t),p*＝p(t)并结束优化，否则将{β(t),p(t),z(t)}作为新的{β(0),p(0),z(0)}，并返回步骤三。
CN202110947505.9A 2021-08-18 移动边缘计算系统中资源分配和数据压缩联合优化方法 Active CN114096006B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110947505.9A CN114096006B (zh) 2021-08-18 移动边缘计算系统中资源分配和数据压缩联合优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110947505.9A CN114096006B (zh) 2021-08-18 移动边缘计算系统中资源分配和数据压缩联合优化方法

Publications (2)

Publication Number Publication Date
CN114096006A true CN114096006A (zh) 2022-02-25
CN114096006B CN114096006B (zh) 2024-07-05

Family

ID=

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114786215A (zh) * 2022-03-22 2022-07-22 国网浙江省电力有限公司信息通信分公司 多基站移动边缘计算系统传输计算联合优化系统及方法
CN118042495A (zh) * 2024-04-12 2024-05-14 华东交通大学 超密集网络中加压安全计算卸载与资源优化方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012092905A2 (zh) * 2012-02-15 2012-07-12 华为技术有限公司 一种资源分配的方法及装置
CN107919986A (zh) * 2017-11-09 2018-04-17 北京邮电大学 超密集网络中mec节点间vm迁移优化方法
CN109413724A (zh) * 2018-10-11 2019-03-01 重庆邮电大学 一种基于mec的任务卸载和资源分配方案
CN111132230A (zh) * 2019-12-25 2020-05-08 东南大学 一种面向数据采集的带宽分配和数据压缩联合优化方法
CN112423394A (zh) * 2020-11-06 2021-02-26 四川大学 一种提高移动边缘计算蜂窝网络能耗效率的资源分配方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012092905A2 (zh) * 2012-02-15 2012-07-12 华为技术有限公司 一种资源分配的方法及装置
CN107919986A (zh) * 2017-11-09 2018-04-17 北京邮电大学 超密集网络中mec节点间vm迁移优化方法
CN109413724A (zh) * 2018-10-11 2019-03-01 重庆邮电大学 一种基于mec的任务卸载和资源分配方案
CN111132230A (zh) * 2019-12-25 2020-05-08 东南大学 一种面向数据采集的带宽分配和数据压缩联合优化方法
CN112423394A (zh) * 2020-11-06 2021-02-26 四川大学 一种提高移动边缘计算蜂窝网络能耗效率的资源分配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
闫伟;申滨;刘笑笑;: "基于自适应遗传算法的MEC任务卸载及资源分配", 电子技术应用, no. 08, 6 August 2020 (2020-08-06) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114786215A (zh) * 2022-03-22 2022-07-22 国网浙江省电力有限公司信息通信分公司 多基站移动边缘计算系统传输计算联合优化系统及方法
CN114786215B (zh) * 2022-03-22 2023-10-20 国网浙江省电力有限公司信息通信分公司 多基站移动边缘计算系统传输计算联合优化系统及方法
CN118042495A (zh) * 2024-04-12 2024-05-14 华东交通大学 超密集网络中加压安全计算卸载与资源优化方法

Similar Documents

Publication Publication Date Title
WO2021233053A1 (zh) 计算卸载的方法和通信装置
CN110928654B (zh) 一种边缘计算系统中分布式的在线任务卸载调度方法
CN111401552B (zh) 基于调整批量大小与梯度压缩率的联邦学习方法和系统
CN113242568B (zh) 一种不确定网络环境中的任务卸载和资源分配方法
CN111918339B (zh) 移动边缘网络中基于强化学习的ar任务卸载和资源分配方法
CN110798858B (zh) 基于代价效率的分布式任务卸载方法
CN112839382B (zh) 一种车联网中视频语义驱动的通信和计算资源联合分配方法
CN111132230B (zh) 一种面向数据采集的带宽分配和数据压缩联合优化方法
CN112491957B (zh) 一种边缘网络环境下的分布式计算卸载方法及系统
CN113727362B (zh) 一种基于深度强化学习的无线供电系统的卸载策略方法
Wang et al. Joint optimization of transmission bandwidth allocation and data compression for mobile-edge computing systems
CN110162390B (zh) 一种雾计算系统的任务分配方法及系统
CN112416603A (zh) 一种基于雾计算的联合优化系统和方法
CN112667406A (zh) 一种云边融合异构网络中任务卸载与数据缓存方法
CN111796880A (zh) 一种边缘云计算任务的卸载调度方法
CN114025359A (zh) 基于深度强化学习的资源分配与计算卸载方法、系统、设备及介质
Yu et al. Task delay minimization in wireless powered mobile edge computing networks: A deep reinforcement learning approach
CN111294886B (zh) 一种基于无线能量驱动的移动边缘计算方法及装置
CN112486685A (zh) 一种电力物联网的计算任务分配方法、装置及计算机设备
CN116761218A (zh) 一种云边端协同系统中的联合优化方法、系统及存储介质
CN114096006A (zh) 移动边缘计算系统中资源分配和数据压缩联合优化方法
CN114096006B (zh) 移动边缘计算系统中资源分配和数据压缩联合优化方法
CN115915276A (zh) 基于边缘计算的能量受限终端任务在线调度装置及其方法
Cheng et al. Efficient deep learning approach for computational offloading in mobile edge computing networks
CN113613270A (zh) 一种基于数据压缩的雾接入网计算卸载方法

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