CN114301910A - 一种物联网环境下的云边协同计算任务卸载方法 - Google Patents

一种物联网环境下的云边协同计算任务卸载方法 Download PDF

Info

Publication number
CN114301910A
CN114301910A CN202111480882.2A CN202111480882A CN114301910A CN 114301910 A CN114301910 A CN 114301910A CN 202111480882 A CN202111480882 A CN 202111480882A CN 114301910 A CN114301910 A CN 114301910A
Authority
CN
China
Prior art keywords
cloud
task
badger
internet
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
Application number
CN202111480882.2A
Other languages
English (en)
Other versions
CN114301910B (zh
Inventor
蒋溢
幸成
熊安萍
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post 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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202111480882.2A priority Critical patent/CN114301910B/zh
Publication of CN114301910A publication Critical patent/CN114301910A/zh
Application granted granted Critical
Publication of CN114301910B publication Critical patent/CN114301910B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

Landscapes

  • Data Exchanges In Wide-Area Networks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及边缘计算领域，具体涉及一种物联网环境下的云边协同计算任务卸载方法，该方法包括：构建物联网的协同计算系统模型，构建的协同计算系统模型包括设备层、边缘节点层和云节点层；模型的设备层、边缘节点层和云节点层；分别选取排队系统模型；根据协同计算系统模型构建所有任务的总完成时延期望函数；将最小总完成时延期望作为目标函数，采用位置参数优化蜜獾算法对目标函数进行求解，得到各排队系统需要调整的容量大小；根据各排队系统调整后的容量大小得到最优卸载策略，根据最优卸载策略进行任务卸载；本发明的卸载方法可以在任务的完成时延保持在较低水平，能够较好地应用于物联网环境下的云边协同计算场景，具有良好的经济效益。

Description

一种物联网环境下的云边协同计算任务卸载方法
技术领域
本发明涉及边缘计算领域，具体涉及一种物联网环境下的云边协同计算任务卸载方法。
背景技术
随着物联网的飞速发展，越来越多的物联网接入到互联网，边缘计算技术为当前物联网设备面临的高延迟、高能耗等问题提供了有效的解决方案，云计算技术为廉价且大量的计算服务器提供了丰富的计算资源，各有所长的边缘计算与云计算势必彼此融合进行云边协同，实现云计算与边缘计算的优势互补和协同联动。
为了最大程度地降低计算任务的完成时延，不仅要高效地使用珍贵的边缘计算资源，也需要与计算资源充足的云计算服务器进行协同计算来降低边缘计算服务器的压力；另外，任务的完成时延不仅与计算时间有关，与任务的传输时延也有关，这就要求我们要考虑信道的实时状况；因此，任务如何对端、边、云三种计算资源合理选择，从而得到合理的卸载策略来降低任务完成时延是一个非常有挑战的问题。
发明内容
针对现有技术存在的不足，本发明提出了一种物联网环境下的云边协同计算任务卸载方法，通过计算系统的最低完成任务时延确定最优任务卸载策略，系统根据最优任务卸载策略对系统任务进行卸载，包括：
S1：构建物联网的协同计算系统模型，构建的协同计算系统模型包括设备层、边缘节点层和云节点层；模型的设备层、边缘节点层和云节点层分别选取排队系统模型；
S2：根据协同计算系统模型构建所有任务的总完成时延期望函数；
S3：将最小总完成时延期望作为目标函数，采用位置参数优化蜜獾算法对目标函数进行求解，得到各排队系统需要调整的容量大小，各排队系统根据需要调整的容量大小对排队系统容量进行调整；
S5：根据各排队系统调整后的容量大小得到最优卸载策略，根据最优卸载策略进行任务卸载。
优选的，设备层、边缘节点层和云节点层分别选取排队系统模型包括：设备层的各设备均选择M/M/1/C排队模型；边缘节点层选择M/M/S/K排队模型；云节点层选择M/M/1/∞排队模型。
优选的，总完成时延期望函数为：
E[Tfini]＝E[Tcomp]+E[Ttr]
其中，E[Tcomp]表示任务的总计算时间期望，E[Ttr]表示任务的总传输时延期望。
进一步的，任务的总计算时间期望计算公式为：
Figure BDA0003394875340000021
其中，
Figure BDA0003394875340000022
表示任务在设备层的计算时间期望，
Figure BDA0003394875340000023
表示任务在边缘节点层的计算时间期望，
Figure BDA0003394875340000024
表示任务在云节点层的计算时间期望。
进一步的，任务的总传输时延期望计算公式为：
Figure BDA0003394875340000025
其中，Q表示设备总数，
Figure BDA0003394875340000026
表示第i个设备卸载任务的大小，
Figure BDA0003394875340000027
表示到边缘节点层的信道带宽，gi表示瑞利衰落分布函数，pi表示传输功率，N0表示噪声功率，Φi表示路径损失；SEC表示边缘节点层卸载的总的任务大小，BEC表示边缘节点层到云节点层的带宽。
优选的，采用位置参数优化蜜獾算法对目标函数进行求解的过程包括：
S31：初始化蜜獾种群，设置最大迭代次数、蜜獾的位置、蜂蜜吸引度以及密度因子；
S32：采用蜜獾位置更新算法更新蜜獾位置；
S33：根据目标函数寻找最优的蜜獾位置；
S34：迭代执行步骤S32-S33，当达到最大迭代次数时，得到的最优蜜獾位置即全局最优解。
进一步的，采用蜜獾位置更新算法更新蜜獾位包括：生成0到1之间的随机数r5，若0≤r5<0.5，则执行挖掘阶段蜜獾位置的更新方法；若0.5≤r5<1，则执行采蜜阶段蜜獾位置的更新方法。
进一步的，挖掘阶段蜜獾位置的更新方法为：
xnew＝α×{xprey+F×β×I×xprey+F×r1×di×|cos(2πr2)×[1-cos(2πr3)]|}
其中，xnew表示蜜獾位置，α表示密度因子，xprey表示当前最优的蜜獾位置，F表示搜寻方位标识，β表示蜜獾的搜索能力，di表示当前蜜獾与最优蜜獾的距离，r1、r2和r3均为0到1之间的随机数。
进一步的，采蜜阶段蜜獾位置的更新方法为：
xnew＝α×[xprey+F×r4×di]
其中，xnew表示蜜獾位置，α表示密度因子，xprey表示当前最优的蜜獾位置，F表示搜寻方位标识，r4为0到1之间的随机数，di表示当前蜜獾与最优蜜獾的距离。
优选的，根据各排队系统调整后的容量大小得到最优卸载策略的过程包括：获取物联网的协同计算系统模型的任务个数P和各排队系统调整后的容量大小R，将各排队系统调整后的容量大小R与任务个数P进行对比，若各排队系统调整后的容量大小R小于任务个数P，则卸载对应的任务，否则，不进行任务卸载。
本发明的有益效果为：本发明为物联网环境下的云边协同计算提出了一种基于排队论的概率卸载模型，基于此模型求解得到的卸载策略既能够应对计算负载的变化也能够应对信道的波动；此外，对蜜獾算法进行改进来求解上述模型，通过优化蜜獾个体的位置更新方法，增加了蜜獾算法的全局寻优能力；本发明的卸载方法可以在任务的完成时延保持在较低水平，能够较好地应用于物联网环境下的云边协同计算场景，具有良好的经济效益。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明中的蜜獾算法流程图；
图2是本发明中的系统架构图。
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。
本发明提出了一种物联网环境下的云边协同计算任务卸载方法，如图1所示，通过计算系统的最低完成任务时延确定最优任务卸载策略，系统根据最优任务卸载策略对系统任务进行卸载，包括：
S1：构建物联网的协同计算系统模型，构建的协同计算系统模型包括设备层、边缘节点层和云节点层；模型的设备层、边缘节点层和云节点层分别选取排队系统模型；
S2：根据协同计算系统模型构建所有任务的总完成时延期望函数；
S3：将最小总完成时延期望作为目标函数，采用位置参数优化蜜獾算法对目标函数进行求解，得到各排队系统需要调整的容量大小，各排队系统根据需要调整的容量大小对排队系统容量进行调整；
S5：根据各排队系统调整后的容量大小得到最优卸载策略，根据最优卸载策略进行任务卸载。
如图2所示，本发明所应用的云边协同计算系统架构分为三层，分别是设备层、边缘节点层和云节点层。设备层包括若干物联网设备，这些物联网设备生成任务，并可以选择对任务进行计算或者将任务卸载到边缘节点层，它们与边缘节点的通信在各自的无线信道上；边缘节点层包括若干边缘计算服务器，它们接收从设备上卸载的任务，可以选择对其处理或者卸载到云节点，边缘服务器与云节点通过有限信道进行通信；云节点层即云计算中心，它们接收从边缘节点上卸载的任务并进行计算。
根据排队论的建模方法，将设备层的各设备都看成单服务台、容量有限的排队系统，各设备选择M/M/1/C排队模型；将边缘节点层看成多服务台、容量有限的排队系统，边缘节点层选择M/M/S/K排队模型；将云节点层看成单服务台、容量无限的排队系统，云节点层选择M/M/1/∞排队模型。
总完成时延期望函数为：
E[Tfin]＝E[Tcomp]+E[Ttr]
其中，E[Tcomp]表示任务的总计算时间期望，E[Ttr]表示任务的总传输时延期望。
任务的总计算时间期望计算公式为：
Figure BDA0003394875340000051
Figure BDA0003394875340000052
Figure BDA0003394875340000053
Figure BDA0003394875340000054
其中，
Figure BDA0003394875340000055
表示任务在设备层的计算时间期望，
Figure BDA0003394875340000056
表示任务在边缘节点层的计算时间期望，
Figure BDA0003394875340000057
表示任务在云节点层的计算时间期望；Q表示设备总数，
Figure BDA0003394875340000058
为第i个设备排队系统队长的期望，
Figure BDA0003394875340000059
为任务到达率的期望，
Figure BDA00033948753400000510
为单位时间内计算任务数的期望，
Figure BDA0003394875340000061
为容量达到最大的概率；
Figure BDA0003394875340000062
为边缘节点排队系统的队长期望，λE为任务到达率的期望，μE为单位时间内计算任务数的期望，
Figure BDA0003394875340000063
为容量达到最大的概率；μC为云节点排队系统单位时间内计算任务的期望，λC为任务到达率的期望。
任务的总传输时延期望计算公式为：
Figure BDA0003394875340000064
其中，Q表示设备总数，
Figure BDA0003394875340000065
表示第i个设备卸载任务的大小，
Figure BDA0003394875340000066
表示到边缘节点层的信道带宽，gi表示瑞利衰落分布函数，pi表示传输功率，N0表示噪声功率，Φi表示路径损失；SEC表示边缘节点层卸载的总的任务大小，BEC表示边缘节点层到云节点层的带宽。
将最小总完成时延期望作为目标函数，即Min(E[Tfinish])，蜜獾算法为一种群体智能算法，该算法模仿了蜜獾寻找蜂蜜的过程，该算法利用蜂蜜吸引度有效地保证了开发能力并有效地引导个体向最优个体靠拢，同时，密度因子确保了算法从勘探阶段到开发阶段的平稳过渡，该算法的收敛速度和收敛精度都非常可观；本发明采用位置参数优化蜜獾算法来求解目标函数，求解得到的结果是各排队系统需要调整的容量大小；采用位置参数优化蜜獾算法对目标函数进行求解的过程包括：
S31：初始化蜜獾种群，设置最大迭代次数、蜜獾的位置、蜂蜜吸引度以及密度因子；其中，种群的位置即为需要求得解的结果，在本发明中，它是一个数组，数组的每个元素代表各排队系统需要调整的容量大小。
S32：采用蜜獾位置更新算法更新蜜獾位置；具体过程为：
生成0到1之间的随机数r5，若0≤r5<0.5，则执行挖掘阶段蜜獾位置的更新方法；挖掘阶段蜜獾位置的更新方法为：
xnew＝α×{xprey+F×β×I×xprey+F×r1×di×|cos(2πr2)×[1-cos(2πr3)]|}
其中，xnew表示蜜獾位置，α表示密度因子，xprey表示当前最优的蜜獾位置，F表示搜寻方位标识，β表示蜜獾的搜索能力，di表示当前蜜獾与最优蜜獾的距离，r1、r2和r3均为0到1之间的随机数。
若0.5≤r5<1，则执行采蜜阶段蜜獾位置的更新方法；采蜜阶段蜜獾位置的更新方法为：
xnew＝α×[xprey+F×r4×di]
其中，xnew表示蜜獾位置，α表示密度因子，xprey表示当前最优的蜜獾位置，F表示搜寻方位标识，r4为0到1之间的随机数，di表示当前蜜獾与最优蜜獾的距离。
S33：将目标函数作为适应度函数，通过适应度函数找到最优的蜜獾位置；
S34：迭代执行步骤S32-S33，当达到最大迭代次数时，得到的最优蜜獾位置即全局最优解。
输出全局最优解，即得到各排队系统需要调整的容量大小；之后系统根据各排队系统调整后的容量大小对各排队系统容量进行调整，系统根据各排队系统调整后的容量大小得到最优卸载策略，根据各排队系统调整后的容量大小得到最优卸载策略的过程包括：获取物联网的协同计算系统模型的任务个数P和各排队系统调整后的容量大小R，将各排队系统调整后的容量大小R与任务个数P进行对比，若各排队系统调整后的容量大小R小于任务个数P，则卸载对应的任务，否则，不进行任务卸载。
在本发明所应用的蜜獾算法中，优化了其位置更新方法，扩大了密度因子α的作用域，使得算法在前期更多地依赖当前迭代的全局最优解，提高全局搜索能力，而在后期较少地依赖当前迭代的全局最优解，提高收敛精度。
本发明为物联网环境下的云边协同计算提出了一种基于排队论的卸载模型，基于此模型求解得到的卸载策略既能够应对计算负载的变化也能够应对信道的波动；此外，对蜜獾算法进行改进来求解上述模型，通过优化蜜獾个体的位置更新方法，增加了蜜獾算法的全局寻优能力；本发明的卸载方法可以在任务的完成时延保持在较低水平，能够较好地应用于物联网环境下的云边协同计算场景，具有良好的经济效益。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种物联网环境下的云边协同计算任务卸载方法，通过计算系统的最低完成任务时延确定最优任务卸载策略，系统根据最优任务卸载策略对系统任务进行卸载，其特征在于，包括：
S1：构建物联网的协同计算系统模型，构建的协同计算系统模型包括设备层、边缘节点层和云节点层；模型的设备层、边缘节点层和云节点层分别选取排队系统模型；
S2：根据协同计算系统模型构建所有任务的总完成时延期望函数；
S3：将最小总完成时延期望作为目标函数，采用位置参数优化蜜獾算法对目标函数进行求解，得到各排队系统需要调整的容量大小，各排队系统根据需要调整的容量大小对排队系统容量进行调整；
S5：根据各排队系统调整后的容量大小得到最优卸载策略，根据最优卸载策略进行任务卸载。
2.根据权利要求1所述的一种物联网环境下的云边协同计算任务卸载方法，其特征在于，设备层、边缘节点层和云节点层分别选取排队系统模型包括：设备层的各设备均选择M/M/1/C排队模型；边缘节点层选择M/M/S/K排队模型；云节点层选择M/M/1/∞排队模型。
3.根据权利要求1所述的一种物联网环境下的云边协同计算任务卸载方法，其特征在于，总完成时延期望函数为：
E[Tfinish]＝E[Tcomp]+E[Ttr]
其中，E[Tcomp]表示任务的总计算时间期望，E[Ttr]表示任务的总传输时延期望。
4.根据权利要求3所述的一种物联网环境下的云边协同计算任务卸载方法，其特征在于，任务的总计算时间期望计算公式为：
Figure FDA0003394875330000011
其中，
Figure FDA0003394875330000012
表示任务在设备层的计算时间期望，
Figure FDA0003394875330000013
表示任务在边缘节点层的计算时间期望，
Figure FDA0003394875330000021
表示任务在云节点层的计算时间期望。
5.根据权利要求3所述的一种物联网环境下的云边协同计算任务卸载方法，其特征在于，任务的总传输时延期望计算公式为：
Figure FDA0003394875330000022
其中，Q表示设备总数，
Figure FDA0003394875330000023
表示第i个设备卸载任务的大小，
Figure FDA0003394875330000024
表示到边缘节点层的信道带宽，gi表示瑞利衰落分布函数，pi表示传输功率，N0表示噪声功率，Φi表示路径损失；SEC表示边缘节点层卸载的总的任务大小，BEC表示边缘节点层到云节点层的带宽。
6.根据权利要求1所述的一种物联网环境下的云边协同计算任务卸载方法，其特征在于，采用位置参数优化蜜獾算法对目标函数进行求解的过程包括：
S31：初始化蜜獾种群，设置最大迭代次数、蜜獾的位置、蜂蜜吸引度以及密度因子；
S32：采用蜜獾位置更新算法更新蜜獾位置；
S33：根据目标函数寻找最优的蜜獾位置；
S34：迭代执行步骤S32-S33，当达到最大迭代次数时，得到的最优蜜獾位置即全局最优解。
7.根据权利要求6所述的一种物联网环境下的云边协同计算任务卸载方法，其特征在于，采用蜜獾位置更新算法更新蜜獾位包括：生成0到1之间的随机数r5，若0≤r5＜0.5，则执行挖掘阶段蜜獾位置的更新方法；若0.5≤r5＜1，则执行采蜜阶段蜜獾位置的更新方法。
8.根据权利要求7所述的一种物联网环境下的云边协同计算任务卸载方法，其特征在于，挖掘阶段蜜獾位置的更新方法为：
xnew＝α×{xprey+F×β×I×xprey+F×r1×di×|cos(2πr2)×[1-cos(2πr3)]|}
其中，xnew表示蜜獾位置，α表示密度因子，xprey表示当前最优的蜜獾位置，F表示搜寻方位标识，β表示蜜獾的搜索能力，di表示当前蜜獾与最优蜜獾的距离，r1、r2和r3均为0到1之间的随机数。
9.根据权利要求7所述的一种物联网环境下的云边协同计算任务卸载方法，其特征在于，采蜜阶段蜜獾位置的更新方法为：
xnew＝α×[xprey+F×r4×di]
其中，xnew表示蜜獾位置，α表示密度因子，xprey表示当前最优的蜜獾位置，F表示搜寻方位标识，r4为0到1之间的随机数，di表示当前蜜獾与最优蜜獾的距离。
10.根据权利要求1所述的一种物联网环境下的云边协同计算任务卸载方法，其特征在于，根据各排队系统调整后的容量大小得到最优卸载策略的过程包括：获取物联网的协同计算系统模型的任务个数P和各排队系统调整后的容量大小R，将各排队系统调整后的容量大小R与任务个数P进行对比，若各排队系统调整后的容量大小R小于任务个数P，则卸载对应的任务，否则，不进行任务卸载。
CN202111480882.2A 2021-12-06 2021-12-06 一种物联网环境下的云边协同计算任务卸载方法 Active CN114301910B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111480882.2A CN114301910B (zh) 2021-12-06 2021-12-06 一种物联网环境下的云边协同计算任务卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111480882.2A CN114301910B (zh) 2021-12-06 2021-12-06 一种物联网环境下的云边协同计算任务卸载方法

Publications (2)

Publication Number Publication Date
CN114301910A true CN114301910A (zh) 2022-04-08
CN114301910B CN114301910B (zh) 2023-05-26

Family

ID=80965180

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111480882.2A Active CN114301910B (zh) 2021-12-06 2021-12-06 一种物联网环境下的云边协同计算任务卸载方法

Country Status (1)

Country Link
CN (1) CN114301910B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116170517A (zh) * 2023-04-25 2023-05-26 中国人民解放军军事科学院系统工程研究院 一种基于优先级的水流态云边协同数据卸载方法
CN117251280A (zh) * 2023-08-18 2023-12-19 湖北工业大学 一种云资源负载均衡调度方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109684075A (zh) * 2018-11-28 2019-04-26 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
CN111930436A (zh) * 2020-07-13 2020-11-13 兰州理工大学 一种基于边缘计算的随机型任务排队卸载优化方法
US10866836B1 (en) * 2019-08-20 2020-12-15 Deke Guo Method, apparatus, device and storage medium for request scheduling of hybrid edge computing
CN112612553A (zh) * 2021-01-06 2021-04-06 重庆邮电大学 一种基于容器技术的边缘计算任务卸载方法
CN112911016A (zh) * 2021-02-25 2021-06-04 北京邮电大学 边端协同计算卸载方法及系统、电子设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109684075A (zh) * 2018-11-28 2019-04-26 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
US10866836B1 (en) * 2019-08-20 2020-12-15 Deke Guo Method, apparatus, device and storage medium for request scheduling of hybrid edge computing
CN111930436A (zh) * 2020-07-13 2020-11-13 兰州理工大学 一种基于边缘计算的随机型任务排队卸载优化方法
CN112612553A (zh) * 2021-01-06 2021-04-06 重庆邮电大学 一种基于容器技术的边缘计算任务卸载方法
CN112911016A (zh) * 2021-02-25 2021-06-04 北京邮电大学 边端协同计算卸载方法及系统、电子设备和存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JIANSHAN ZHOU: "Distributed task offloading optimization with queueing dynamics in multiagent mobile-edge computing networks", 《IEEEXPLORE》 *
LONG CHEN: "ENGINE：Cost effective offloading in mobile edge computing with Fog-Cloud cooperation", 《ARXIV》 *
甘娜;: "云环境下应用粒子群算法分配排队系统任务调度策略", 现代计算机(专业版) *
石文玉;张蕊;: "边云协同计算中安全感知的工作流任务调度策略", 长春师范大学学报 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116170517A (zh) * 2023-04-25 2023-05-26 中国人民解放军军事科学院系统工程研究院 一种基于优先级的水流态云边协同数据卸载方法
CN116170517B (zh) * 2023-04-25 2023-06-27 中国人民解放军军事科学院系统工程研究院 一种基于优先级的水流态云边协同数据卸载方法
CN117251280A (zh) * 2023-08-18 2023-12-19 湖北工业大学 一种云资源负载均衡调度方法、装置、设备及介质
CN117251280B (zh) * 2023-08-18 2024-04-05 湖北工业大学 一种云资源负载均衡调度方法、装置、设备及介质

Also Published As

Publication number Publication date
CN114301910B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
CN114301910B (zh) 一种物联网环境下的云边协同计算任务卸载方法
CN111367657B (zh) 一种基于深度强化学习的计算资源协同合作方法
CN108075975B (zh) 一种物联网环境中的路由传输路径的确定方法及确定系统
CN111182582A (zh) 面向移动边缘计算的多任务分布式卸载方法
CN101616074B (zh) 基于量子进化的组播路由优化方法
EP4024212A1 (en) Method for scheduling interference workloads on edge network resources
CN116489712B (zh) 一种基于深度强化学习的移动边缘计算任务卸载方法
CN109391511B (zh) 一种基于可拓展训练网络的智能通信资源分配策略
CN109639833A (zh) 一种基于无线城域网微云负载均衡的任务调度方法
CN106209261B (zh) 基于概率邻域网格的三维UASNs的移动数据收集方法
CN110768827B (zh) 一种基于群智能算法的任务卸载方法
CN117156492A (zh) 一种基于深度强化学习的联合服务缓存、通信与计算的双时间尺度资源分配方法
CN116709290A (zh) 一种基于无人机边缘计算的灾害地区应急通信方法及系统
CN102158413A (zh) 基于邻域免疫克隆选择的多智能体组播路由方法
CN113157344B (zh) 移动边缘计算环境下基于drl的能耗感知任务卸载方法
CN110392409B (zh) 基于配电通信网的WMSNs多路径QoS路由方法、系统及存储介质
CN115314399A (zh) 一种基于逆强化学习的数据中心流量调度方法
CN114785692A (zh) 一种虚拟电厂聚合调控通信网络流量均衡方法及装置
Liu Optimization analysis of WSN location process based on hybrid PSO algorithm
TW202327380A (zh) 基於聯邦強化學習的邊緣計算卸載優化方法及通信系統
Tan et al. Toward a task offloading framework based on cyber digital twins in mobile edge computing
CN113572690B (zh) 面向可靠性的用电信息采集业务的数据传输方法
CN117834643B (zh) 一种面向工业物联网的深度神经网络协同推理方法
CN117221122B (zh) 一种基于带宽预分配的异步分层联合学习训练方法
CN117707795B (zh) 基于图的模型划分的边端协同推理方法及系统

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