CN114143317B - 面向跨云层移动边缘计算的多优先级计算卸载策略优化方法 - Google Patents
面向跨云层移动边缘计算的多优先级计算卸载策略优化方法 Download PDFInfo
- Publication number
- CN114143317B CN114143317B CN202111480898.3A CN202111480898A CN114143317B CN 114143317 B CN114143317 B CN 114143317B CN 202111480898 A CN202111480898 A CN 202111480898A CN 114143317 B CN114143317 B CN 114143317B
- Authority
- CN
- China
- Prior art keywords
- task
- search
- general
- arrival rate
- tasks
- 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
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
-
- 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
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
- H04L67/04—Protocols specially adapted for terminals or networks with limited capabilities; specially adapted for terminal portability
-
- 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
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种面向跨云层移动边缘计算的多优先级计算卸载策略优化方法,构建云协助的移动边缘计算环境模型;定义CA‑MEC平台性能模型;定义CA‑MEC功耗模型;以CA‑MEC平台性能、服务器利用率为约束条件,移动设备的功耗为优化目标,定义多约束优化问题;根据拉格朗日乘子法、KKT条件和数值法求解优化问题,寻找移动设备的最优计算卸载策略。可以实现移动边缘计算的高灵活性和更强的适应性。
Description
技术领域
本发明属于分布式计算与系统技术领域,特别是涉及一种面向跨云层移动边缘计算的多优先级计算卸载策略优化方法。
背景技术
近年来,移动设备(Mobile Devices,MDs,也称作移动终端、用户设备,如智能手机、可穿戴设备、无人机等)在人们的日常生活中扮演着不可或缺的重要角色。随着人们对便携式服务需求和隐私保护意识的提升,在移动设备上运行高能耗、高计算量移动应用的需求逐步增加,如深度学习应用,语音识别应用等。然而,移动设备的计算能力、计算资源和电池使用寿命有限,在移动设备上执行计算密集型应用存在性能不佳、电池使用寿命不长等问题。通过将移动设备上的复杂任务卸载到强大的云端,传统的云计算可以为移动设备提供充足的计算资源。但是卸载到云端存在高延迟、带宽紧张、核心网络压力大等问题,甚至对一些隐私敏感的应用程序造成灾难性的后果。
在此背景下,移动边缘计算(Mobile Edge Computing,MEC)作为一种新兴计算范式,通过在移动网络边缘部署边缘服务器/边缘节点(Edge Nodes,ENs),将大量计算密集型、高能耗型计算任务从资源有限的移动终端卸载到资源较充分的边缘节点(即计算卸载),既缓解了移动终端/核心网络的负载/压力,又避免传统云计算里高延迟通信等问题,将逐渐成为主流计算范式。计算卸载是一种很有前途的解决方案。与现场执行一些工作负载不同,终端将计算密集型工作负载卸载到强大的云计算或移动边缘计算中,只接收云计算或MEC的结果,因此终端能够减少设备上的工作负载,同时延长电池寿命。
移动边缘计算旨在在网络的边缘、无线接入网内和靠近移动设备的地方实现云计算能力和IT服务环境,它允许计算资源受限的MDs将计算密集型任务卸载到计算资源丰富的移动网络边缘,从而在一定程度减少任务的执行延迟并提高响应能力。
但随着移动计算和计算密集型应用的发展及人们对于便携式服务的需求不断提高,MEC将会面临计算能力、计算资源及通信的巨大挑战。同时,与云数据中心(cloud datacenter,DC)相比,MEC提供的计算和存储能力相对有限。为解决这一问题,提出了云协助的移动边缘计算(cloud assisted MEC,CA-MEC),即将计算密集型的任务卸载到MEC或DC上处理,以实现高性能、低延迟和高灵活性的服务需求,它在丰富的计算资源和高响应之间实现了良好的折衷。在CA-MEC中,可以根据系统利用率、任务配置文件和用户需求等将计算密集型任务卸载到MEC或DC上。CA-MEC提供了一种新的解决方案来提高MD的体验质量,但它也对计算卸载问题提出了新的挑战,即CA-MEC中的计算卸载形成了更复杂的决策空间。由于MEC节点在底层架构和硬件配置方面可能是异构的,不同的计算节点适合不同的计算任务。而云计算的引入使这个问题更加复杂,需要综合考虑不同的通信开销和计算能力来做出最优的卸载决策。
移动边缘计算领域中的一个核心问题是如何有效地将移动应用程序的异构任务从移动设备卸载到边缘节点,即计算卸载策略。众多学者从不同角度出发,针对该问题开展了大量研究,优化目标一般为提升性能、降低能耗、增加MEC服务提供商的收益、减少移动设备的费用成本,以及在性能和成本之间进行折衷等。此外,为实现计算卸载优化目标,主要采用启发式算法、最优化理论、深度学习、博弈论等方法解决。现有技术方案可根据研究的边缘节点数量大致分为以下两种。
1)单边缘节点计算环境。解决仅有一个边缘节点的MEC环境下的计算卸载问题。现有技术中,为绿色MEC环境设计了一种动态计算卸载策略。在该环境中,单个边缘服务器为配备能量收集设备的单个移动设备(MD)提供计算卸载服务。MD可以使用该策略来获得最优的卸载决策、最优的CPU频率和最优的传输功率,以最小化其执行成本。另一现有技术中,以MEC服务提供商利益最大化为目标,针对由单个EN和多MDs组成的MEC环境,联合优化了计算卸载策略、内容缓存策略和资源分配。又一现有技术中,研究了由单个EN和多个MDs组成的MEC环境的计算卸载决策、资源分配和子信道分配的联合优化问题。在MEC系统中引入了Non-Orthogonal Multiple Access技术,进一步提高了MEC平台的接入能力。又一现有技术中,为由单个EN和多个MDs组成的MEC环境建立了非合作博弈框架,以基于纳什均衡获得每个参与者的最佳动作配置文件,从而最小化每个参与者的支付函数。又一现有技术中,考虑了5G异构网络中MEC平台的计算卸载和无线电资源分配联合优化问题,目标环境为单个EN和多个MDs。然而,仅考虑一个边缘节点存在无法完全满足移动用户需求的问题,在实际场景中适用性不高。因此,很多研究学者开始研究多个边缘节点的MEC环境。
2)多边缘节点计算环境。解决带有多个边缘节点ENs的MEC环境下的计算卸载策略优化问题。在现有技术中,有考虑了由多个ENs和多个MDs组成的MEC环境下的卸载策略优化计算问题。在该环境中,每个终端都以优化自己的应用性能为目标,不同终端之间存在非合作竞争关系。因此,将每个MD和每个EN建模为一个M/G/1排队系统,并开发了基于纳什均衡的数值算法来寻找每个MD的最佳响应时间。又一现有技术中,提出了一种在由多个ENs和多个MDs组成的MEC环境中计算卸载和资源分配的联合优化算法。联合优化问题以混合整数非线性规划为模型,采用启发式算法和拟凸优化技术进行求解。又一现有技术中,研究了由多个ENs和单个MD组成的MEC环境下的计算卸载策略优化。提出了一系列算法来获得最优卸载策略,使MD能够在应用性能和功耗之间进行权衡。又一现有技术中,提出了一个NP-hard问题,并针对具有任务执行顺序约束的单个MD提出了一个完全多项式时间近似方案,以便在多个ENs上找到任务分配策略,从而在成本约束下最小化延迟。又一现有技术中,开发了一种针对单个MD的在线作业调度和调度算法,以最大限度减少作业在多个ENs上最小化作业的总加权响应时间。
然而,上述卸载方案主要考虑将计算任务从移动设备迁移到MEC的边缘服务器中,未考虑同时利用MEC和云计算资源。为了在丰富的计算资源和高性能之间实现良好折衷,保证高性能、低延迟的前提下,有学者同时利用MEC和云计算资源,即在CA-MEC中,解决计算卸载优化问题。
云协助的移动边缘计算。解决跨云层MEC环境下的计算卸载优化问题。在现有技术中,研究了由单个MD、单个EN和DC组成的CA-MEC环境中的资源供应优化。将EN和DC视为M/M/1排队系统,分析了平台中的计算延迟,为将系统成本降至最低,提出了一系列算法来获得MEC的最优计算能力和DC的最优云租赁策略。又一现有技术中,研究了CA-MEC环境下计算卸载与资源分配的联合优化问题,并应用于车联网。在环境中,有多个车辆,一个EN和一个DC。该问题被描述为一个混合整数规划问题,并提出了一系列算法,以获得各车辆的最优卸载决策和资源分配方案。又一现有技术中,在由单个MD、多ENs和一个DC组成的CA-MEC环境中设计了一种基于服务编排的计算卸载策略。终端可以通过该策略来决定是将计算任务卸载到某个边缘节点EN还是DC执行,从而降低通信和传输的能耗。但是,只假设任务到达ENs或DC后立即执行,没有考虑排队延迟(即任务等待时间),并假设所有ENs不包含自身已分配的任务,仅为目标MD提供计算卸载服务。而本研究属于多ENs环境中单个用户MD具有多个(实际上是无限的)任务的范畴。又一现有技术中,在由多个具有能量收集装置的MDs、一个EN和一个DC组成的边缘-云协作(Edge-Cloud Collaboration)场景下研究写在成本与用户隐私水平权衡的联合优化问题。具体地,以减少MDs的延迟、降低能耗并提高隐私级别,提出了一种基于Deep Q-Network的隐私保护卸载方法得出MDs的最优卸载决策。又一现有技术中,研究了在包含多个车辆、多个ENs和一个DC的车载网络中实现高效的计算卸载机制。具体地,基于排队论对车辆任务上传、卸载和计算过程进行建模,并提出一种概率计算卸载算法并利用凸优化,使MEC服务器能根据派生的分配概率独立进行在线调度决策,以最小化任务完成的延迟。
越来越多的计算卸载优化目标开始考虑在性能和成本之间进行折衷。从用户设备的角度来看,它们更关注其性能、成本及电池寿命。一般来说,衡量性能和成本的重要指标分别是平均响应时间和功耗(或能耗、执行任务所产生的费用)。同时优化性能和成本这两个目标可能是相互矛盾的,即性能的提升往往意味着成本的增加或电池寿命的降低。因此,如何在性能与成本之间实现良好折衷,也是MEC计算卸载策略的主要优化目标。但同时优化性能和成本可能是相互冲突的需求。目前主要有以下几种方法来解决性能成本折衷的问题。(1)在成本约束下最小化性能。(2)在性能约束下最小化成本。(3)联合优化性能和成本,如优化性能成本之比。(4)最小化执行时间和能耗的加权总和。
性能成本折衷的计算卸载策略优化。现有技术研究了由多个ENs和单个MD组成的MEC环境下的计算卸载策略优化问题。提出了一系列算法来获得最优卸载策略,使MD能够在应用性能和功耗之间进行权衡。具体地,提出并解决了三个优化问题:在功耗约束下最小化平均响应时间、在平均响应时间约束下最小化功耗,及最小化平均响应时间和功耗的乘积(即成本性能之比)。又一现有技术中,通过考虑随机优化问题,研究了多用户的MEC中两个关键但相互冲突的目标之间的权衡,即移动设备的功耗和计算任务的执行延迟。又一现有技术中,研究了由单个MD和多个ENs组成的雾计算环境中计算卸载的组合优化问题,即在能耗约束的下最小化响应时间、在响应时间约束下最小化能耗。证明了其优化问题为NP难题(NP问题:多项式复杂程度的非确定性问题;NP难题:如果解决问题的算法可以转换为解决任何NP问题的算法,则该问题是NP难题),并采用启发式算法提出两阶段方法来解决所提出的组合优化问题。具体地,在第一阶段,生成一个计算卸载策略。在第二阶段,决定计算速度和通信速度。又一现有技术中,从博弈论的角度研究了在具有能量收集的异构多MDs和多ENs的MEC系统中的计算卸载优化问题,建立了非合作博弈框架,基于纳什均衡提出了分布式的迭代最佳响应算法求出在MD功率预算约束下最小化其平均响应时间的计算卸载策略。又一现有技术中,研究了在多用户的移动边缘计算卸载系统中,在云计算和结果下载时间可以忽略的前提下,在计算延迟的约束下最小化移动能耗的加权和优化资源分配,但仅考虑一个边缘节点。又一现有技术中,提出了一种联合计算卸载和资源分配优化方案,其目标是使所有移动用户的总成本(包括计算和通信的能量消耗、货币成本和执行延迟)最小,其中每个用户有一个任务。
现有技术的缺点是:
1、对于单边缘节点的MEC计算卸载策略,因仅考虑一个边缘节点,存在无法完全满足移动用户需求的问题,在实际场景中适用性不高。
2、对于多个边缘节点的MEC计算卸载策略,主要考虑将计算任务从移动设备迁移到MEC的边缘服务器中,未考虑同时利用MEC和云计算资源。与DC相比,MEC提供的计算和存储能力相对有限,可能无法处理大量计算密集型的应用程序,无法完全满足移动设备的所有计算卸载需求,导致MEC的灵活性降低。
3、对于云协助的移动边缘计算CA-MEC计算卸载策略,现有技术未着重考虑任务的紧急程度/优先级。一般来说,在CA-MEC中每个计算节点(包括MDs、ENs和DC)都可能被分配预加载的特殊任务/专用任务,而每个任务的到达率和任务大小可能不同。此外,在指定节点上执行的专用任务/特殊任务通常比其它普通任务更为紧急(即任务之间存在不同的紧急程度)。现有工作很少考虑任务之间的优先级问题。然而,忽略任务优先级可能会导致一些低优先级任务干扰高优先级任务,从而降低用户的体验质量(Quality ofExperience,QoE)或对一些安全关键的工作负载造成严重后果,如自动驾驶汽车。
4、现有考虑使用排队模型来研究系统性能的技术研究中,多采用M/M/1、M/M/m排队模型,具有局限性,均要求任务处理时间服从指数分布。但随着智能应用的兴起,终端卸载的计算任务需求更加复杂,任务的执行时间也可能是多样的。采用M/M/1、M/M/m模型存在泛化能力不足的问题,使得MEC的适用性不强。
综上所述,现有计算卸载优化方案中仍然存在一些问题:1)在MEC计算卸载中对于任务紧急程度的研究不够深入;2)在引入云计算的CA-MEC中,未深入研究联合优化成本和性能这两个可能相互矛盾的目标;3)没有联合考虑跨云层、任务优先级,和成本与性能权衡的MEC计算卸载优化;4)研究性能指标的排队模型泛化能力不强。
发明内容
本发明实施例的目的在于提供一种面向跨云层移动边缘计算的多优先级计算卸载策略优化方法,以进一步提高移动边缘计算的灵活性和适应性。
为解决上述技术问题,本发明所采用的技术方案是,面向跨云层移动边缘计算的多优先级计算卸载策略优化方法,包括:
S1,构建云协助的移动边缘计算环境模型;
S2,利用排队论定义CA-MEC平台性能模型;利用能耗理论定义CA-MEC功耗模型;
S3,以CA-MEC平台性能、服务器利用率为约束条件,移动设备的功耗为优化目标,定义多约束优化问题;
S4,基于凸优化理论,根据拉格朗日乘子法、KKT条件和数值法求解优化问题,寻找移动设备的最优计算卸载策略。
本发明的有益效果是,提出了云协助的移动边缘计算,即将移动终端MD的计算密集型的任务卸载到MEC或DC上处理,以实现高性能、低延迟和高灵活性的服务需求,它在丰富的计算资源和高响应之间实现了良好的折衷。并考虑任务的优先级设置对于性能的影响以提高MEC的适应性的,求解出在性能约束下最小化移动用户功耗的计算卸载策略。此外,在对系统性能进行严格地数学分析时,采用M/G/1模型对MD建模、M/G/m模型对异构边缘节点ENs建模、M/G/∞对DC建模,这些模型允许MD卸载的计算任务处理延迟服从任意分布,且各边缘节点可拥有不同数量的计算资源,泛化能力强,以实现较好的适用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的优化方法流程图。
图2是本发明实施例的构建云协助的移动边缘计算环境模型的流程图。
图4是本发明实施例的求解移动设备MD本地处理的一般任务到达率的流程图。
图6是本发明实施例的求解MD卸载给边缘节点的一般任务到达率的流程图。
图7是本发明实施例的求解MD卸载给云数据中心的一般任务到达率的流程图。
图9是本发明实施例的求解拉格朗日乘子β下边界的流程图。
图11是本发明实施例的求解拉格朗日乘子β的流程图。
图12是本发明实施例的最小化MD平均功耗P的流程图。
具体实施方式
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案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了构建高效、适用的移动边缘计算平台,本发明实施例提出了一种面向跨云层移动边缘计算的多优先级计算卸载策略优化方法,在提高MEC的灵活性和适应性的同时,在云协助的移动边缘计算CA-MEC中优化计算卸载策略从而满足系统性能需求、降低移动设备的功耗。具体地,本发明解决了在响应时间(即性能指标)约束下最小化平均成本的计算卸载优化问题。
方法如图1所示,具体包括以下:
S1,构建云协助的移动边缘计算环境模型;
S2,利用排队论定义CA-MEC平台性能模型;利用能耗理论定义CA-MEC功耗模型;
S3,以CA-MEC平台性能、服务器利用率为约束条件,移动设备的功耗为优化目标,定义多约束优化问题;
S4,基于凸优化理论,根据拉格朗日乘子法、KKT条件和数值法求解优化问题,寻找移动设备的最优计算卸载策略。
本发明技术方案的基本思路是:根据所研究的具体场景和优化目标,利用适当的数学模型进行系统建模,量化各类评价指标和约束条件,采用凸优化方法对计算卸载优化问题进行求解。
关于步骤S1,建立云协助的移动边缘计算环境模型,从而进一步定义CA-MEC种的性能模型和功耗模型。构建环境模型,要明确该环境中的任务类型(即任务优先级),并对涉及到的对象建立合理的数学模型(包括移动设备、边缘节点和数据中心)。
具体来说,步骤S1如图2所示,包括以下步骤:
S1-1,确定CA-MEC环境中的任务优先级及排队规则;
考虑两种计算任务,即特殊任务和一般任务。一般来说,计算节点/服务器都有自己的任务,即特殊任务,这些任务通常为紧急的,需要所属服务器自行处理。一般任务是可卸载的计算任务,它除了可以在本地执行,还可以根据需要卸载到其他计算节点上处理。为了有效利用所有可用资源,每个节点都应该根据分配给它的特殊任务的紧急程度设置相应的调度策略。此外,针对这两种类型的任务,考虑了一种非抢占式的优先级排队规则,即在队列中,特殊任务优先级高于一般任务且在排队队列中总是排在一般任务之前。所有的任务在执行期间不能被较高优先级的任务抢占。
采用排队论对CA-MEC环境建模。在CA-MEC环境中,有1个移动设备MD,n个边缘节点ENs,即EN1,EN2,...,ENn,和1个云数据中心DC。该MD在n个边缘节点ENs的服务范围内,即MD可选择将一般任务卸载到ENs或DC上执行。对于MD来说,它会产生特殊任务和一般任务两种计算任务。特殊任务需在MD本地执行;而一般任务有三种执行方案:1)在MD本地执行;2)MD通过无线接入网络将一般任务卸载到边缘节点ENs执行;3)MD先通过无线接入网络将一般任务传输到移动基站(Base Station,BS),BS再通过城域网进一步将一般任务转发到云数据中心DC上处理。另一方面,每个边缘节点和DC上也会处理特殊任务和一般任务两种任务。其中,特殊任务是需要在ENs/DC本地执行;此外,它们除了处理来自本项目所述的目标移动设备MD的一般任务,还接受其服务范围内从其他MDs卸载过来的一般任务。以下分别对MD、ENi和DC进行详细的建模。
S1-2,定义移动设备MD模型;
使用M/G/1排队模型来表征移动设备MD,其执行速度为s0(即MD的处理器的处理速度,以每秒十亿个指令来衡量,单位为BIPS)。由于现实世界中大多数事件的发生服从泊松分布,而泊松分布也可以估计许多其他的概率分布,因此假设该MD上产生的任务流服从泊松分布。令λ表示MD上产生的泊松任务流(即单位时间内移动设备产生的平均计算任务数量(包括一般任务和特殊任务),单位为tasks/s,以每秒产生的任务数衡量),有其中为特殊任务到达率,为一般任务到达率。对于一般任务到达率可分解为n+2个子任务流,即其中为MD本身处理,为边缘节点ENi处理(1≤i≤n),为云数据中心DC处理。令代表MD本地处理的任务到达率,有注意,向量实际上为一个任务卸载策略,为所求结果。
此外,MD上特殊任务的计算需求均值为(MD上特殊任务需要执行的平均指令数,单位为BI,用十亿指令来衡量),其二阶矩为(MD上特殊任务的执行要求二阶矩,单位为BI2)。MD上一般任务的计算需求均值为(MD上一般任务需要执行的平均指令数,单位为BI),其二阶矩为(MD上一般任务的执行要求二阶矩,单位为BI2)。一般任务中涉及的计算输入数据规模均值为(MD上一般任务的平均计算输入数据大小,单位为Mb,以兆比特衡量),其二阶矩为(单位为Mb2)。
S1-3,定义边缘节点ENi模型;
将每个边缘节点ENi视作M/G/m排队模型。令si表示边缘节点ENi所配备处理器速度(单位为BIPS),mi表示边缘节点ENi所配备处理器的数量。令表示ENi上的特殊任务到达率,为ENi已接收到的来自于其他MDs的一般任务到达率,注意,以上两种任务已存在于ENi队列中,因此不考虑传输时间。由此可得,每个ENi上的总任务到达率为其中,ENi需处理的特殊任务的总到达率为 为ENi需处理的一般任务总到达率。令ci表示MD与ENi通信的传输速率(即边缘节点ENi覆盖范围内的移动设备MD和ENi所在基站之间的平均无线数据传输速率,单位为Mb/s)。此外,边缘节点ENi上特殊任务的计算需求均值为(边缘节点ENi上特殊任务需要执行的平均指令数,单位为BI),其二阶矩为(ENi上特殊任务的执行要求二阶矩,单位为BI2)。从其他MDs卸载来的一般任务的计算需求均值为(ENi上一般任务需要执行的平均指令数,单位为BI),其二阶矩为(ENi上一般任务的执行要求二阶矩,单位为BI2),1≤i≤n。
S1-4,定义数据中心DC模型;
将DC构建为M/G/∞排队模型。它具有比边缘服务器更丰富的计算资源,理论上具有无限的计算资源。但由于其位于网络核心位置,离终端用户较远,且MD卸载到DC的计算任务需由移动基站BS转发,因此把任务卸载到DC时需要考虑传播时延(即电磁信号或光信号在传输介质中传播一定的距离所花费的时间)。令cb表示MD与BS通信时的传输速率(即移动基站BS覆盖范围内的移动设备MD和BS之间的平均无线数据传输速率,单位为Mb/s)。令sc表示DC所配备处理器的速度(单位为BIPS)。DC负责处理来自目标MD的一般任务到达率为
关于步骤S2,
确定云协助的移动边缘计算CA-MEC环境模型后,需要建立性能模型来分析环境中所有一般任务的平均响应时间,以下分别从移动设备MD、边缘节点ENi和数据中心DC分析性能。
S2中,定义CA-MEC平台性能模型的步骤是:
S2-1-1,移动设备MD性能分析
其二阶矩为
根据排队论,可得在MD本地处理一般任务的平均响应时间为:
S2-1-2,边缘节点ENi性能分析
通常,网络时延主要由传输时延、传播时延、执行时延和排队时延四部分组成。然而,与传输数据包所需的时间相比,传播延迟通常被认为可以忽略不计。因此,只关注由传输、执行和排队引起的延迟。在ENi上,计算特殊任务、一般任务的执行时间均为独立同分布的指数随机变量。其中,特殊任务的平均执行时间为其二阶矩为一般任务的平均执行时间为
其二阶矩为
则ENi上任务的平均执行时间为:
其二阶矩为
根据排队论,可得在边缘节点ENi上处理来自移动设备MD的一般任务的平均响应时间为:
S2-1-3,DC建模及性能分析
在DC上,计算一般任务的执行时间为独立同分布的指数随机变量,且平均执行时间为其中,表示从MD到BS的平均传输时延,tp表示从BS到DC的传播时延(因为DC位于核心网络的中心,在地理位置上远离MDs),且本发明中考虑的DC在理论上具有无限的计算资源,因此任务的等待时间可忽略不计。因此在DC上处理来自MD的一般任务的平均响应时间为:
综上,MD产生的所有一般任务(包括在本地处理或卸载到ENs/DC执行的一般任务)的平均响应时间(即性能指标)为
S2中,移动设备MD的功耗主要由两部分组成,即计算功耗(单位为焦耳每秒,J/s)与数据传输功耗(单位为J/s),利用能耗理论定义CA-MEC功耗模型的步骤是:
S2-2-1,移动设备MD计算功耗
S2-2-2,MD数据传输功耗
令Pt,i表示MD与边缘节点ENi之间的传输功耗(单位为J/s),MD与ENi之间的数据传输速率ci与Pt,i之间存在如下关系:
ci=Bi log2(1+qiPt,i),
其中,Bi代表MD与ENi之间的信道带宽(即信道中每秒能传输的兆比特数据量大小,单位为Mb/s),qi为结合各种因素的组合量(如MD与ENi之间的信道增益、背景噪声等)。此外,从MD卸载一个一般任务给ENi的平均能耗为(单位为焦耳,J),且
另一方面,MD卸载到DC的计算任务需由移动基站转发,因此也需要消耗一定的能耗。假设MD将卸载到DC上的计算任务发送给某个移动基站BS,再由BS转发给DC,且MD与BS之间的通信带宽为Bb(单位为Mb/s),MD与该基站的无线传输速率为cb,组合量为qb(如MD与BS之间的信道增益、背景噪声等),MD与BS之间的传输功耗为Pt,b(单位为J/s)。则MD传输一个一般任务到DC的平均能耗为(单位为J),且有
cb=Bb log2(1+qbPt,b),
因此,在CA-MEC中,为完成一般任务,MD用于计算和通信的平均功耗(单位为J/s,即成本指标)为
关于S3,本发明主要解决CA-MEC环境下成本与性能权衡的计算卸载策略优化问题,具体描述如下:
给定一个移动设备MD及其参数:s0,ξ0,α0,n个边缘节点ENs及其参数si,mi,ci,Bi,qi,1≤i≤n,一个云数据中心DC及其参数sc,一个移动基站BS及其参数cb,Bb,qb,tp,以及一般任务的响应时间约束(即MD期望的一般任务的响应时间),找到一组具体的卸载策略使MD的平均功耗P最小,同时满足以下约束:
约束3:ρ0<1(移动设备MD核心利用率约束);
约束4:ρi<1,1≤i≤n(边缘节点服务器利用率约束)。
关于S4,
由前述可知,性能指标和成本指标分别为:
本发明主要解决CA-MEC环境下,在平均响应时间的约束下,求解使移动设备MD功耗最小的计算卸载策略。本发明采用拉格朗日乘数法及数值方法解决。首先,为了构造拉格朗日函数,需要对约束1和约束2的公式变形为如下两个方程:
其中,β,γ为拉格朗日乘数。
引入KKT条件,并对拉格朗日函数求导和化简,得到:
且有
然而,若β=0,则公式(3)和公式(4)变为:
直接求解这些复杂的非线性方程是非常困难的,因为等式(6)没有闭式解。因此,本发明设计数值解,即用数值法求解该问题。求解平均响应时间约束下最小化移动设备功耗的最优问题,即需要找出移动设备MD本地处理的一般任务到达率MD卸载到边缘节点ENi上处理的一般任务到达率和MD卸载到云数据中心DC上处理的一般任务到达率使公式(5)-(9)成立。
给定β,观察发现是关于的增函数,图3展示了具体的例子。因此,使用二分法找到使得公式(5)成立,即根据约束3可知,ρ0<1,即并令因此,可得的上界为且的搜索域为求解移动设备MD本地处理的一般任务到达率具体流程如图4所示,具体包括:
接收CA-MEC涉及到的参数,包括上级步骤提供的拉格朗日乘子β;
判断是否搜索时超出边界:
1)如果超出边界,且不在误差允许范围内(如),则表示查找失败,即不满足等式(5),并提示超出边界查找失败,结束查找;反之,若在误差允许范围内否则,代表查找成功,并存储MD本地执行的一般任务到达率为查找到的结束查找;
给定β,观察发现是关于的增函数,图5展示了具体的例子。因此,同样可以使用二分法找到使得等式(6)成立,即根据约束4可知,ρi<1,即并令因此,可得的上界为故,的搜索域为求解MD卸载到边缘节点ENi上处理的一般任务到达率具体查找流程如图6,具体包括:
接收CA-MEC涉及到的参数,包括上级步骤提供的拉格朗日乘子β;
判断是否搜索时超出边界:
1)如果超出边界,且不在误差允许范围内(如),则表示查找失败,即不满足等式(6),并提示超出边界查找失败,结束查找;反之,若在误差允许范围内,代表查找成功,并存储MD卸载给ENi的一般任务到达率为结束查找;
已知给定β,可通过“1.求解移动设备MD本地处理的一般任务到达率”和“2.求解MD卸载到边缘节点ENi上处理的一般任务到达率”,求出则可根据等式(9)求解,即则有求解MD卸载到云数据中心DC上处理的一般任务到达率的具体求解流程如图7,具体包括:
接收CA-MEC涉及到的参数,包括上级步骤提供的拉格朗日乘子β;
遍历所有n个边缘节点ENs(初始设置i=1):求解MD卸载到边缘节点ENi处理的一般任务到达率判断是否查找成功,当查找失败,则MD不卸载一般任务给ENi,即判断是否遍历完毕(即i是否等于n);如果否,令i=i+1,继续遍历剩余所有边缘节点ENs;如果是,根据等式(9)求解即并存储MD卸载到DC上的一般任务到达率为结束查找。
注意,在某些特殊情况下,求解移动设备MD本地处理的一般任务到达率求解MD卸载到边缘节点ENi上处理的一般任务到达率存在查找失败的可能。例如,对于MD而言,为实现更高的性能或更加节能,MD不执行一般任务(即)而是将这些任务卸载到ENs和DC,或者某些边缘节点ENi不接收来自MD的一般任务(即)而是卸载到其他边缘节点和DC执行。此时,当CA-MEC中的某些计算节点(包括MD和ENs)不参与一般任务的计算卸载决策时,方程(5)和方程(6)不再适用。对于该情况,本发明的解决办法参见步骤“求解MD卸载到云数据中心DC上处理的一般任务到达率”:若方程(5)不适用,即查找失败,则令若方程(6)不适用,即查找失败,则令
4.求解β
通过以上求解步骤可知,当给定拉格朗日乘数β的值,可通过步骤“求解MD卸载到云数据中心DC上处理的一般任务到达率”求出一组计算卸载策略因此β的取值是求解最优计算卸载策略的关键。令代表通过步骤“求解MD卸载到云数据中心DC上处理的一般任务到达率”求解出一组卸载策略后的一般任务到达率的总和。观察发现可看作为关于β的减函数。
如图8所示,当β取值过小时,则无法满足约束因此,需首先求解出β的下边界lbβ,基于是关于β的减函数这一发现,可采用二分法查找lbβ。求解拉格朗日乘子β的下边界lbβ具体求解流程如图9所示,。β的上边界可设置为较大的正数ubβ=106。
求解拉格朗日乘子β的下边界lbβ的具体包括:
接收CA-MEC涉及到的参数;
设置lbβ的初始搜索范围(0,ubβ];ubβ为的上界,且ubβ=106;
二分查找结束,设置拉格朗日乘子β的下边界lbβ为二分查找结果,查找结束。
求解拉格朗日乘子β的步骤具体包括:
接收CA-MEC涉及到的参数;
求解拉格朗日乘子β的下边界lbβ;
设置β的初始搜索范围为[lbβ,ubβ];
二分查找完成后,设置拉格朗日乘子β的值为二分查找的结果,结束查找。
5.求解MD的平均功耗P
一般任务平均响应时间约束下最小化移动设备的功耗的求解流程,如图12所示,包括:
接收CA-MEC涉及到的参数;
求解拉格朗日乘子β;
计算移动设备MD的平均功耗P。
本发明面向云协助的移动边缘计算环境,研究了多任务优先级提高MEC适应性、跨云层提高MEC灵活性的计算卸载优化问题,并解决了如何进行计算卸载决策,以实现移动终端的计算任务低延迟、在丰富的计算资源和高响应之间良好折衷、在性能和成本之间合理权衡的问题。具体地,本发明并考虑任务的优先级设置对于性能的影响,能更加适应现实中对于紧急程度敏感的业务场景,以提高MEC的适应性的;在对系统性能进行严格地数学分析时,采用M/G/1模型对MD建模、M/G/m模型对异构边缘节点ENs建模、M/G/∞对DC建模,泛化能力强,以提高MEC的适用性;基于凸优化理论定义本发明解决的最优问题,并求解出在性能约束下最小化移动用户功耗的计算卸载策略。本技术方案能有效推动移动边缘计算的应用发展,为进一步构建高效/可用的移动边缘计算平台提供新思路、探索新途径。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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,均包含在本发明的保护范围内。
Claims (1)
1.面向跨云层移动边缘计算的多优先级计算卸载策略优化方法,其特征在于,包括以下步骤:
S1,构建云协助的移动边缘计算CA-MEC环境模型;
S2,利用排队论定义CA-MEC平台性能模型;利用能耗理论定义CA-MEC功耗模型;
S3,以CA-MEC平台性能、服务器利用率为约束条件,移动设备的功耗为优化目标,建立多约束优化问题;
S4,基于凸优化理论,根据拉格朗日乘子法、KKT条件和数值法求解优化问题,寻找移动设备的最优计算卸载策略;
所述S1包括:
S1-1,确定CA-MEC环境中的任务优先级及排队规则;所述任务包括特殊任务与一般任务,特殊任务优先级高于一般任务且在排队队列中总排在一般任务之前;
S1-2,定义移动设备MD模型;
使用M/G/1排队模型来表征移动设备MD,执行速度为s0,令λ表示MD上产生的泊松任务流,有其中,为特殊任务到达率,为一般任务到达率;对于一般任务到达率可分解为n+2个子任务流,即其中为MD本身处理,为边缘节点ENi处理,1≤i≤n,为云数据中心DC处理;令代表MD本地处理的任务到达率,有
S1-3,定义边缘节点ENi模型;
使用M/G/m排队模型表征每个边缘节点ENi,令si表示边缘节点ENi所配备处理器的速度,mi表示边缘节点ENi所配备处理器的数量,令表示ENi上的特殊任务到达率,为ENi已接收到的来自于其他MD的一般任务到达率,因此每个ENi上的总任务到达率为其中,ENi需处理的特殊任务的总到达率为ENi需处理的一般任务总到达率为令ci表示MD与ENi通信的传输速率,边缘节点ENi上特殊任务的计算需求均值为边缘节点ENi上特殊任务计算需求的二阶矩为从其他MD卸载来的一般任务的计算需求均值为其他MD卸载来的一般任务的计算需求的二阶矩为1≤i≤n;
S1-4,定义云数据中心DC模型;
使用M/G/∞排队模型表征云数据中心DC,MD卸载任务到DC需通过移动基站BS转发,令cb表示MD与BS通信时的传输速率,令sc表示DC所配备处理器的速度,令表示DC负责处理来自目标MD的一般任务到达率;
所述S2中,定义CA-MEC平台性能模型的步骤是:
S2-1-1,移动设备MD性能分析
MD本地的任务的执行时间的二阶矩为
在MD本地处理一般任务的平均响应时间为:
S2-1-2,边缘节点ENi性能分析
一般任务的执行时间的二阶矩为
则ENi上所有任务的平均执行时间为:
ENi上所有任务的执行时间的二阶矩为
在边缘节点ENi上处理来自移动设备MD的一般任务的平均响应时间为:
S2-1-3,DC建模及性能分析
移动设备MD上生成的所有一般任务的平均响应时间为
所述S2中,定义CA-MEC功耗模型的步骤是:
S2-2-1,移动设备MD计算功耗
S2-2-2,MD数据传输功耗
令Pt,i表示MD与ENi之间的传输功耗,MD与ENi之间的数据传输速率ci与Pt,i之间存在如下关系:
ci=Bi log2(1+qiPt,i),
假设MD将卸载到DC上的计算任务发送给某个移动基站BS,再由BS转发给DC,且MD与BS之间的通信带宽为Bb,MD与该基站的无线传输速率为cb,组合量为qb,MD与BS之间的传输功耗为Pt,b,则MD传输一个一般任务到DC的平均能耗为且
cb=Bb log2(1+qbPt,b),
因此,在CA-MEC中,为完成一般任务,MD用于计算和通信的平均功耗为
所述S3包括,
给定一个移动设备MD及其参数:s0,ξ0,α0,P0 *,n个边缘节点及其参数:si,mi,ci,Bi,qi,1≤i≤n,一个云数据中心DC及其参数:sc,一个移动基站BS及其参数:cb,Bb,qb,tp,以及一般任务的响应时间约束找到一组具体的卸载策略使MD的平均功耗P最小,同时满足以下约束:
约束3:ρ0<1,
约束4:ρi<1,1≤i≤n;
所述S4包括,
接收CA-MEC涉及到的参数,包括上级步骤提供的拉格朗日乘子β的值;
判断是否搜索时超出边界:
1)如果超出边界,且不在误差允许范围内,则表示查找失败,即不满足等式(5),并提示超出边界查找失败,结束查找;反之,若在误差允许范围内,代表查找成功,并存储MD本地执行的一般任务到达率为查找到的结束查找;
接收CA-MEC涉及到的参数,包括上级步骤提供的拉格朗日乘子β的值;
判断是否搜索时超出边界:
1)如果超出边界,且不在误差允许范围内,则表示查找失败,即不满足等式(6),并提示超出边界查找失败,结束查找;反之,若在误差允许范围内,代表查找成功,并存储MD卸载给ENi的一般任务到达率为结束查找;
接收CA-MEC涉及到的参数,包括上级步骤提供的拉格朗日乘子β的值;
遍历所有n个边缘节点,初始设置i=1:求解MD卸载到边缘节点ENi处理的一般任务到达率判断是否查找成功,当查找失败,则MD不卸载一般任务给ENi,即判断是否遍历完毕,即i是否等于n;如果否,令i=i+1,继续遍历剩余所有边缘节点;如果是,根据等式(9)求解即并存储MD卸载到DC上的一般任务到达率为结束查找;
求解拉格朗日乘子β的下边界lbβ的步骤是:
接收CA-MEC涉及到的参数;
设置β的初始搜索范围为(0,ubβ],ubβ为范围的上界,且ubβ=106;
二分查找结束,设置拉格朗日乘子β的下边界lbβ为二分查找结果,查找结束;
得到拉格朗日乘子β的下边界lbβ后,求解拉格朗日乘子β的具体步骤是:
设置β的初始搜索范围为[lbβ,ubβ];
二分查找完成后,设置拉格朗日乘子β的值为二分查找的结果,结束查找。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111480898.3A CN114143317B (zh) | 2021-12-06 | 2021-12-06 | 面向跨云层移动边缘计算的多优先级计算卸载策略优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111480898.3A CN114143317B (zh) | 2021-12-06 | 2021-12-06 | 面向跨云层移动边缘计算的多优先级计算卸载策略优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114143317A CN114143317A (zh) | 2022-03-04 |
CN114143317B true CN114143317B (zh) | 2022-10-18 |
Family
ID=80384611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111480898.3A Active CN114143317B (zh) | 2021-12-06 | 2021-12-06 | 面向跨云层移动边缘计算的多优先级计算卸载策略优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114143317B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116680062B (zh) * | 2023-08-03 | 2023-12-01 | 湖南博创高新实业有限公司 | 一种基于大数据集群的应用调度部署方法及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113114733A (zh) * | 2021-03-24 | 2021-07-13 | 重庆邮电大学 | 基于能量收集的分布式任务卸载和计算资源的管理方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684075B (zh) * | 2018-11-28 | 2023-04-07 | 深圳供电局有限公司 | 一种基于边缘计算和云计算协同进行计算任务卸载的方法 |
KR102384555B1 (ko) * | 2020-05-13 | 2022-04-07 | 고려대학교 산학협력단 | 모바일 에지 컴퓨팅 시스템의 비동기식 자원 할당 방법 및 장치 |
CN113612843B (zh) * | 2021-08-02 | 2022-08-30 | 吉林大学 | 一种基于深度强化学习的mec任务卸载和资源分配方法 |
-
2021
- 2021-12-06 CN CN202111480898.3A patent/CN114143317B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113114733A (zh) * | 2021-03-24 | 2021-07-13 | 重庆邮电大学 | 基于能量收集的分布式任务卸载和计算资源的管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114143317A (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Multiobjective optimization for computation offloading in fog computing | |
Shu et al. | Multi-user offloading for edge computing networks: A dependency-aware and latency-optimal approach | |
Feng et al. | Collaborative data caching and computation offloading for multi-service mobile edge computing | |
CN111800828B (zh) | 一种超密集网络的移动边缘计算资源分配方法 | |
CN108509276A (zh) | 一种边缘计算环境中的视频任务动态迁移方法 | |
Xie et al. | Dynamic computation offloading in IoT fog systems with imperfect channel-state information: A POMDP approach | |
CN107295109A (zh) | 自组织网络云计算中的任务卸载与功率分配联合决策方法 | |
Zhang et al. | Theoretical analysis on edge computation offloading policies for IoT devices | |
Guan et al. | A novel mobility-aware offloading management scheme in sustainable multi-access edge computing | |
Kang et al. | Cooperative UAV resource allocation and task offloading in hierarchical aerial computing systems: A MAPPO based approach | |
Zamzam et al. | Game theory for computation offloading and resource allocation in edge computing: A survey | |
Qin et al. | User-edge collaborative resource allocation and offloading strategy in edge computing | |
Yan et al. | Data offloading enabled by heterogeneous UAVs for IoT applications under uncertain environments | |
CN114143317B (zh) | 面向跨云层移动边缘计算的多优先级计算卸载策略优化方法 | |
Jiang et al. | Research on new edge computing network architecture and task offloading strategy for Internet of Things | |
Liu et al. | Energy-efficient task allocation of heterogeneous resources in mobile edge computing | |
Long et al. | Socially-aware energy-efficient task partial offloading in MEC networks with d2d collaboration | |
CN113821346B (zh) | 基于深度强化学习的边缘计算中计算卸载与资源管理方法 | |
Mebrek et al. | Intelligent resource allocation and task offloading model for IoT applications in fog networks: a game-theoretic approach | |
He et al. | Energy-efficient computation offloading strategy with task priority in cloud assisted multi-access edge computing | |
Zhong et al. | POTAM: A parallel optimal task allocation mechanism for large-scale delay sensitive mobile edge computing | |
Akhavan et al. | Deep reinforcement learning for online latency aware workload offloading in mobile edge computing | |
Peng et al. | A decentralized reactive approach to online task offloading in mobile edge computing environments | |
Dong et al. | Load balancing of double queues and utility-workload tradeoff in heterogeneous mobile edge computing | |
Mekala et al. | ASXC $^{2} $ approach: A service-X cost optimization strategy based on edge orchestration for IIoT |
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 |