CN114286304B - 一种基于二维动态匹配的mec资源分配方法 - Google Patents
一种基于二维动态匹配的mec资源分配方法 Download PDFInfo
- Publication number
- CN114286304B CN114286304B CN202111587460.5A CN202111587460A CN114286304B CN 114286304 B CN114286304 B CN 114286304B CN 202111587460 A CN202111587460 A CN 202111587460A CN 114286304 B CN114286304 B CN 114286304B
- Authority
- CN
- China
- Prior art keywords
- edge
- user equipment
- mobile user
- edge server
- matching
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000013468 resource allocation Methods 0.000 title claims abstract description 19
- 239000003245 coal Substances 0.000 claims abstract description 28
- 238000005265 energy consumption Methods 0.000 claims abstract description 7
- 230000003068 static effect Effects 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000003672 processing method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于二维动态匹配的MEC资源分配方法,具体按照以下步骤实施:步骤1、建立动态资源匹配模型:将多边缘服务器多边缘移动用户设备的应用场景建模为多对多匹配问题,并引入边缘服务器动态算力和移动用户设备动态剩余能量两个动态参数,将传统的静态模型转化为动态多资源匹配模型,生成多边缘移动用户设备对多边缘服务器偏好表及多边缘服务器对多边缘移动用户设备偏好表。步骤2、基于二维动态偏好表的匹配算法:使用基于二维动态偏好表的匹配算法,在满足延迟约束服务质量并在协同用户能耗容忍范围内最大化边缘服务器计算资源总体使用率及总任务完成度。步骤3、运用匹配方法优化煤矿井下边缘计算任务资源调度:将步骤1、步骤2匹配算法部署到煤矿井下边缘计算平台,实现资源分配优化。
Description
技术领域
本发明涉及一种基于二维动态匹配的MEC资源分配方法,属于资源分配技术领域。
背景技术
目前我国煤矿工业智能化建设加速推进,随着多项关键技术被突破,一批大型智能化煤矿改造项目陆续完成。
但煤矿井下复杂的通信环境导致通信设备传输速率和带宽的不足,长时间以来未能得到本质上的突破;随着边缘计算和第五代通信技术(5G)的发展日臻完善,5G以其超高数据速率、超低延时和超大规模接入的优点,为煤矿工业生产过程中常见的核心瓶颈问题提供了解决方案,为结合边缘计算的智能矿山建设带来了更多可能,在产业界和工业界,随着5G、物联网和信息物理系统的发展和应用,越来越多的移动智能设备如智能手机、智能穿戴设备、车载物联网设备等加入网络参与收发内容的服务,在人们日常娱乐、健康医疗、交通预测疏导、物流产业、无人工厂等场景发挥着巨大的作用。然而,呈井喷式增长的即时性计算任务需要满足低延迟和高任务完成度的服务质量(Quality of Service,QoS)需求,但是,由于移动智能设备通常不具有较高计算能力的处理器,有限的计算设备会导致较高的处理延迟,无法满足服务质量,并且将计算任务保留在移动智能设备上处理还将增加移动智能设备的能耗,这对电池供电的设备影响极大,会显著降低用户体验质量(Quality ofExperience,QoE)。
拥有巨量储存容量和计算能力的云计算可以较好地解决以上存在的问题,移动云计算(Mobile Cloud Computing,MCC)模式在云端服务器拥有大量的计算资源,能够满足移动设备发送到云端的任务的计算要求,但从用户设备到云端的物理距离较远,会造成较大的传输延迟和较慢的响应速度,尽管随着5G技术的发展,这种延迟可以被缩短到很低的数量级,但依然无法满足部分延迟敏感任务如VR,实时轨迹预测等的延迟约束(latencyconstraint)。因此,边缘计算被提出,通过将具有一定计算能力的计算设备和常用数据储存设备部署在靠近用户的边缘端,使用户任务处理延时大大降低,由于其达到了性能和延迟的均衡优异表现,边缘计算在结合物联网和信息物理系统的场景中获得大量应用。虽然边缘服务器能够较好地完成边缘侧移动设备迁移而来的任务,但通常边缘服务器也是轻量级的,算力有限,若同一区域内移动设备任务量在短时间内激增,则会导致任务排队造成延迟,影响QoS甚至无法满足延迟约束。因此目前在一个区域内通常部署多个边缘服务器以满足该区域内可能出现的任务拥塞。然而,移动设备生成任务后往哪个目标边缘服务器迁移,以何种功率进行任务数据包发送,则会大大影响整个网络的整体延时、任务完成度及能耗。
发明内容
针对上述现有技术存在的问题,本发明提供一种基于二维动态匹配的MEC资源分配方法,其特征在于,具体按照以下步骤实施:
步骤1、建立动态资源匹配模型
将多边缘服务器多边缘移动用户设备的应用场景建模为多对多匹配问题,并引入边缘服务器动态算力和移动用户设备动态剩余能量两个动态参数,将传统的静态模型转化为动态多资源匹配模型,生成多边缘移动用户设备对多边缘服务器偏好表及多边缘服务器对多边缘移动用户设备偏好表。
步骤2、基于二维动态偏好表的匹配算法
使用基于二维动态偏好表的匹配算法,在满足延迟约束服务质量并在协同用户能耗容忍范围内最大化边缘服务器计算资源总体使用率及总任务完成度。
步骤3、运用匹配方法优化煤矿井下边缘计算任务资源调度
将步骤1、步骤2匹配算法部署到煤矿井下边缘计算平台,实现资源分配优化。
进一步的,步骤1具体按照以下步骤实施:
S11、对多边缘移动用户设备生成的任务数据处理为数列,包括移动用户设备坐标、任务数据包大小、任务完成所需边缘服务器CPU转数、移动用户设备剩余能量;
S12、根据偏好规则形成多边缘移动用户设备对多边缘服务器的偏好表Pu和多边缘服务器对多边缘移动用户设备的偏好表Ps。
其中,偏好规则如下:
多边缘移动用户设备将自身状态信息传输至多边缘服务器,多边缘服务器根据收到的状态信息形成多边缘服务器集S对多边缘移动用户设备集U的偏好表,以及多边缘移动用户设备集U对多边缘服务器集S的偏好表;设经过多边缘服务器排序后的多边缘移动用户设备偏好表顺序为Ps=[u1,u2,u3,...,un],即Ps为多边缘移动用户设备生成任务按困难程度排序的一个一维矩阵,u1对边缘服务器的偏好表为Pu1=[s3,s2,ss,...,s1],即移动用户设备u1与边缘服务器的物理直线通信距离以边缘服务器代号代替并从小到大排序为s3<s2<ss<...<s1,以此类推,移动用户设备u2对边缘服务器的偏好表为Pu2=[s1,s3,s2,...,ss],移动用户设备un对边缘服务器的偏好表为Pun=[ss,s1,s3,...,s2],并组合为二维偏好表。
进一步的,步骤2具体按照以下步骤实施:
S21、依靠步骤1中多边缘移动用户设备对边缘服务器的偏好表及多边缘服务器对多边缘移动用户设备的偏好表形成初始二维矩阵M,矩阵M如下所示:
S22、将P排第一位的移动用户设备与其对应的P排第一位的边缘服务器匹配,作为已完成的匹配对储存;
S23、删除矩阵M第一行,更新其余多边缘移动用户设备对多边缘服务器偏好表Pu,形成新的矩阵M;
S24、循环执行S22和S23,直到移动用户设备的任务所需算力比其对应的P排第一位的边缘服务器剩余算力大。
进一步的,步骤3具体按照以下步骤实施:
S31、将步骤1和步骤2中所涉及的算法植入煤矿井下边缘计算系统;
S32、优化后的煤矿井下边缘计算系统利用所提出二维动态偏好表的匹配算法对日常任务进行计算资源分配。
本发明有益效果:
(1)本发明一种基于二维动态匹配的MEC资源分配方法与传统的煤矿井下边缘计算系统任务处理方法相比,通过建立动态资源匹配模型,使用二维动态偏好表的匹配算法来优化煤矿井下边缘计算任务资源调度,能够快速得到较优的资源分配策略。
(2)本发明利用边缘智能技术,与传统井下任务处理方法相比,边缘计算显示出了减少通信延迟,拥有较高算力的优良性能。
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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一种基于二维动态匹配的算法流程图。
图2是本发明根据预先定义的偏好规则形成多边缘移动设备对多边缘服务器的偏好表Pu和多边缘服务器对多边缘移动设备的偏好表Ps,并组合成二维动态偏好表。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
针对传统的静态资源匹配方法在大任务量环境下会发生较高延迟及任务残留的瓶颈,本发明提出一种协同卸载的MEC卸载匹配机制,首先将多边缘服务器多移动设备的应用场景建模为多对多匹配问题,并引入边缘服务器动态算力和移动用户设备动态剩余能量两个动态参数,将传统的静态模型转化为动态匹配模型,生成移动设备对边缘服务器偏好表及边缘服务器对移动设备偏好表,策略执行场景为常规煤矿井下边缘计算场景,需要强调的是,由于煤矿边缘计算设备场景的特殊性,需要对井下安全相关任务赋予最高优先级,对于煤矿生产中的紧急任务信息如灾害预警、设备故障数据处理任务等高优先级的任务信息将优先处理,本发明所提出的边缘计算任务匹配策略面向的任务集为非紧急任务,如煤矿开采工作中的正常信息处理,瓦斯、粉尘、温度传感器等采集的数据处理任务,井下智能机械设备、运输设备和钻井设备等位置及状态感知任务,煤矿工人佩戴的用于采集井下工人生理状态和运动信息的人员定位设备产生的数据任务等,不再考虑此类任务中优先级因素。
如图1所示,本发明一种基于二维动态匹配的MEC资源分配方法,具体按照以下步骤实施:
步骤1、建立动态资源匹配模型
步骤1具体按照以下步骤实施:
S11、对多边缘移动用户设备生成的任务数据处理为数列,包括移动用户设备坐标、任务数据包大小、任务完成所需边缘服务器CPU转数、移动用户设备剩余能量;
S12、根据偏好规则形成多边缘移动用户设备对多边缘服务器的偏好表Pu和多边缘服务器对多边缘移动用户设备的偏好表Ps。
其中,偏好规则如下:
多边缘移动用户设备将自身状态信息传输至多边缘服务器,多边缘服务器根据收到的状态信息形成多边缘服务器集S对多边缘移动用户设备集U的偏好表,以及多边缘移动用户设备集U对多边缘服务器集S的偏好表;设经过多边缘服务器排序后的多边缘移动用户设备偏好表顺序为Ps=[u1,u2,u3,...,un],由于边缘服务器仅考虑用户设备产生的任务的困难程度,因此各边缘服务器对用户设备的偏好表是相同的,即Ps为多边缘移动用户设备生成任务按困难程度排序的一个一维矩阵,而不同用户设备由于物理位置的不同对能耗的影响,其对边缘服务器的偏好表是各不相同的,其中u1对边缘服务器的偏好表为Pu1=[s3,s2,ss,...,s1],即移动用户设备u1与边缘服务器的物理直线通信距离以边缘服务器代号代替并从小到大排序为s3<s2<ss<...<s1,以此类推,移动用户设备u2对边缘服务器的偏好表为Pu2=[s1,s3,s2,...,ss],移动用户设备un对边缘服务器的偏好表为Pun=[ss,s1,s3,...,s2],并组合为二维偏好表,如图2所示。。
步骤2、基于二维动态偏好表的匹配算法
使用基于二维动态偏好表的匹配算法,在满足延迟约束服务质量并在协同用户能耗容忍范围内最大化边缘服务器计算资源总体使用率及总任务完成度,二维动态偏好表的匹配算法流程如图1所示。
步骤2具体按照以下步骤实施:
S21、依靠步骤1中多边缘移动用户设备对边缘服务器的偏好表及多边缘服务器对多边缘移动用户设备的偏好表形成初始二维矩阵M,矩阵M如下所示:
S22、将P排第一位的移动用户设备与其对应的P排第一位的边缘服务器匹配,作为已完成的匹配对储存;
S23、删除矩阵M第一行,更新其余多边缘移动用户设备对多边缘服务器偏好表Pu,形成新的矩阵M;
S24、循环执行S22和S23,直到移动用户设备的任务所需算力比其对应的P排第一位的边缘服务器剩余算力大。
该二维动态偏好表的匹配算法结合边缘计算实际情况将边缘服务器对移动用户设备的偏好设为静态量,如此大大降低了匹配过程规划难度,生成用户-服务器配对时仅需直接提取当前二维动态偏好矩阵M中位于M(1,1)的移动用户设备和位于M(1,2)的边缘服务器形成匹配即可,并且更新未匹配移动用户设备对边缘服务器的偏好表时仅将M(1,2)处的边缘服务器以剩余算力为值单独进行从后向前的插入排序即可,移动用户设备对刚匹配成功的边缘服务器的偏好由于其剩余算力的急剧减少将下降很多,因此大多数情况下M(1,2)处的边缘服务器将在第一次迭代时就被插入到移动用户设备对边缘服务器偏好表的最后一位,这样也大大减少了处理时间。
步骤3、运用匹配方法优化煤矿井下边缘计算任务资源调度
将步骤1、步骤2匹配算法部署到煤矿井下边缘计算平台,实现资源分配优化。
步骤3具体按照以下步骤实施:
S31、将步骤1和步骤2中所涉及的算法植入煤矿井下边缘计算系统;
S32、优化后的煤矿井下边缘计算系统利用所提出算法对日常任务进行计算资源分配,实现资源分配的优化效果。
本发明一种基于二维动态匹配的MEC资源分配方法与传统的煤矿井下边缘计算系统任务处理方法相比能够快速得到较优的资源分配策略;本发明利用边缘智能技术,与传统井下任务处理方法相比,边缘计算显示出了减少通信延迟,拥有较高算力的优良性能。
最后应说明的是,以上实施例仅用以说明而非限制本发明的技术方案,尽管参照上述实施例对本发明进行了详细说明,本领域技术人员应当理解,依然可以对本发明进行修改或者等同替换,而不脱离本发明的精神和范围的任何修改或局部替换,其均应涵盖在本发明的权利要求范围中。
Claims (2)
1.一种基于二维动态匹配的MEC资源分配方法,其特征在于,具体按照以下步骤实施:
步骤1、建立动态资源匹配模型:
将多边缘服务器多边缘移动用户设备的应用场景建模为多对多匹配问题,并引入边缘服务器动态算力和移动用户设备动态剩余能量两个动态参数,将传统的静态模型转化为动态多资源匹配模型,生成多边缘移动用户设备对多边缘服务器偏好表及多边缘服务器对多边缘移动用户设备偏好表;
步骤2、基于二维动态偏好表的匹配算法:
使用基于二维动态偏好表的匹配算法,在满足延迟约束服务质量并在协同用户能耗容忍范围内最大化边缘服务器计算资源总体使用率及总任务完成度;
步骤3、运用匹配方法优化煤矿井下边缘计算任务资源调度:
将步骤1、步骤2匹配算法部署到煤矿井下边缘计算平台,实现资源分配优化;
步骤1具体按照以下步骤实施:
S11、对多边缘移动用户设备生成的任务数据处理为数列,包括移动用户设备坐标、任务数据包大小、任务完成所需边缘服务器CPU转数、移动用户设备剩余能量;
S12、根据偏好规则形成多边缘移动用户设备对多边缘服务器的偏好表Pu和多边缘服务器对多边缘移动用户设备的偏好表Ps;
其中,偏好规则如下:
多边缘移动用户设备将自身状态信息传输至多边缘服务器,多边缘服务器根据收到的状态信息形成多边缘服务器集S对多边缘移动用户设备集U的偏好表,以及多边缘移动用户设备集U对多边缘服务器集S的偏好表;设经过多边缘服务器排序后的多边缘移动用户设备偏好表顺序为Ps=[U1,U2,U3,...,Un],即Ps为多边缘移动用户设备生成任务按困难程度排序的一个一维矩阵,u1对边缘服务器的偏好表为Pu1=[s3,s2,s s,...,s1],即移动用户设备u1与边缘服务器的物理直线通信距离以边缘服务器代号代替并从小到大排序为s3<s2<s s<...<s1,以此类推,移动用户设备u2对边缘服务器的偏好表为Pu2=[s1,s3,s2,...,ss],移动用户设备un对边缘服务器的偏好表为Pun=[s s,s1,s3,...,s2],并组合为二维偏好表;
步骤2具体按照以下步骤实施:
S21、依靠步骤1中多边缘移动用户设备对边缘服务器的偏好表及多边缘服务器对多边缘移动用户设备的偏好表形成初始二维矩阵M,矩阵M如下所示:
S22、将P排第一位的移动用户设备与其对应的P排第一位的边缘服务器匹配,作为已完成的匹配对储存;
S23、删除矩阵M第一行,更新其余多边缘移动用户设备对多边缘服务器偏好表Pu,形成新的矩阵;
S24、循环执行S22和S23,直到移动用户设备的任务所需算力比其对应的P排第一位的边缘服务器剩余算力大。
2.根据权利要求1所述的一种基于二维动态匹配的MEC资源分配方法,其特征在于:步骤3具体按照以下步骤实施:
S31、将步骤1和步骤2中所涉及的算法植入煤矿井下边缘计算系统;
S32、优化后的煤矿井下边缘计算系统利用所提出二维动态偏好表的匹配算法对日常任务进行计算资源分配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111587460.5A CN114286304B (zh) | 2021-12-23 | 2021-12-23 | 一种基于二维动态匹配的mec资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111587460.5A CN114286304B (zh) | 2021-12-23 | 2021-12-23 | 一种基于二维动态匹配的mec资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114286304A CN114286304A (zh) | 2022-04-05 |
CN114286304B true CN114286304B (zh) | 2024-07-12 |
Family
ID=80874333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111587460.5A Active CN114286304B (zh) | 2021-12-23 | 2021-12-23 | 一种基于二维动态匹配的mec资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114286304B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109862086A (zh) * | 2019-01-21 | 2019-06-07 | 华北电力大学 | 一种车载边缘计算中基于匹配算法的任务分配策略 |
CN112888002A (zh) * | 2021-01-26 | 2021-06-01 | 重庆邮电大学 | 一种基于博弈论的移动边缘计算任务卸载及资源分配方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110062026A (zh) * | 2019-03-15 | 2019-07-26 | 重庆邮电大学 | 移动边缘计算网络中资源分配和计算卸载联合优化方案 |
CN110996393B (zh) * | 2019-12-12 | 2023-04-11 | 大连理工大学 | 一种单边缘计算服务器与多用户协同的计算卸载与资源分配方法 |
CN111526526B (zh) * | 2020-04-03 | 2022-12-06 | 东南大学 | 基于服务混搭的移动边缘计算中的任务卸载方法 |
CN111901573A (zh) * | 2020-08-17 | 2020-11-06 | 泽达易盛(天津)科技股份有限公司 | 一种基于边缘计算的细颗粒度实时监管系统 |
CN113709886B (zh) * | 2021-08-23 | 2023-08-18 | 西安电子科技大学 | 基于匹配理论的移动边缘计算中的动态资源分配方法 |
-
2021
- 2021-12-23 CN CN202111587460.5A patent/CN114286304B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109862086A (zh) * | 2019-01-21 | 2019-06-07 | 华北电力大学 | 一种车载边缘计算中基于匹配算法的任务分配策略 |
CN112888002A (zh) * | 2021-01-26 | 2021-06-01 | 重庆邮电大学 | 一种基于博弈论的移动边缘计算任务卸载及资源分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114286304A (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Coding for distributed fog computing | |
Chen et al. | Energy-efficient offloading for DNN-based smart IoT systems in cloud-edge environments | |
Cui et al. | A blockchain-based containerized edge computing platform for the internet of vehicles | |
Deng et al. | Task scheduling for smart city applications based on multi-server mobile edge computing | |
CN110493360A (zh) | 多服务器下降低系统能耗的移动边缘计算卸载方法 | |
CN110928654A (zh) | 一种边缘计算系统中分布式的在线任务卸载调度方法 | |
CN110489176B (zh) | 一种基于装箱问题的多接入边缘计算任务卸载方法 | |
CN105187327A (zh) | 一种分布式消息队列中间件 | |
CN111597043B (zh) | 一种全场景边缘计算方法、装置及系统 | |
EP3635880A1 (en) | Method and system for selectively using network coding for propagating transactions in a blockchain network | |
CN110851277A (zh) | 一种增强现实场景下基于边云协同的任务调度策略 | |
US11936758B1 (en) | Efficient parallelization and deployment method of multi-objective service function chain based on CPU + DPU platform | |
CN112883526A (zh) | 一种任务延迟和可靠性约束下的工作负载分配方法 | |
Liang et al. | Reliability-aware task processing and offloading for data-intensive applications in edge computing | |
CN114286304B (zh) | 一种基于二维动态匹配的mec资源分配方法 | |
Li et al. | A Real‐Time Monitoring and Warning System for Power Grids Based on Edge Computing | |
CN103297542A (zh) | 一种支持构件在线伸缩的云操作系统总线及均衡方法 | |
CN117539619A (zh) | 基于云边融合的算力调度方法、系统、设备和存储介质 | |
CN109561129B (zh) | 一种基于光纤-无线网络的协同计算卸载方法 | |
CN116436923A (zh) | 一种按需组网服务实例自主生成及匹配方法与系统 | |
CN105162837A (zh) | 海量数据存储环境下提升i/o吞吐率的方法及系统 | |
CN110647396A (zh) | 端云协同低功耗带宽受限智能应用实现方法 | |
Velmurugadass et al. | The cloud based edge computing with IoT infrastructure and security | |
CN112738225B (zh) | 基于人工智能的边缘计算方法 | |
Liu et al. | Multiple Local‐Edge‐Cloud Collaboration Strategies in Industrial Internet of Things: A Hybrid Genetic‐Based Approach |
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 |