CN114327878A - 特高压换流站全景监测的云边协同通信调度方法 - Google Patents
特高压换流站全景监测的云边协同通信调度方法 Download PDFInfo
- Publication number
- CN114327878A CN114327878A CN202111582999.1A CN202111582999A CN114327878A CN 114327878 A CN114327878 A CN 114327878A CN 202111582999 A CN202111582999 A CN 202111582999A CN 114327878 A CN114327878 A CN 114327878A
- Authority
- CN
- China
- Prior art keywords
- solution
- bee
- high voltage
- voltage converter
- extra
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了特高压换流站全景监测的云边协同通信调度方法,包括:将特高压换流站内的通讯资源评价属性优化转换为人工蜂群算法对综合任务属性的寻优问题,每个引领蜂完成搜寻后将解的信息与跟随蜂分享,跟随蜂完成搜索过程以后,若有解经过预设次循环没有更新,则舍弃该解,该解对应的引领蜂转成一个侦查蜂,侦察蜂生成一个新解代替引领蜂的当前解,然后返回引领蜂的搜寻过程,记录当前任务属性所得到最优值,判断是否达到最大迭代周期数,若是,则输出最优的综合任务属性;本发明的优点在于:解决传输延时、负载不均及资源浪费问题,根据特高压换流站内的不同通讯网络方式选择最优任务分配方式,边缘节点规模较大时,采集数据的处理速度较快。
Description
技术领域
本发明涉及特高压换流站通讯领域,更具体涉及特高压换流站全景监测的云边协同通信调度方法。
背景技术
特高压直流换流站作为特高压电力系统中的核心组成部分,其可靠运行对电力行业的可持续发展具有至关重要的作用。为了保证特高压换流站的正常运行,换流站中各类远程控制终端及传感器的量测数据呈现指数增长,大量数据需要实时采样处理,传统的人工数据采集已经不能满足安全保障要求。
目前,国家电网公司建设了大量的云平台主站,将采集数据传输到云端主站进行处理。有公司利用云端主站的电力物联网架构,建立了一种新的集中—分布联合控制式电力信息物理系统(cyber power physical system,CPPS)模型,提高了电力系统中的数据融合。但是,在特高压换流站中故障预警和智能决策需要使用大量图像,并且对图像的分辨率要求较高,传统的云端主站部署通常远离采集侧,数据传输延迟导致实时性不能满足要求。针对云端主站面临的困境,边缘计算作为一种新型计算方式被提出,在靠近数据采集端布置计算资源有限的轻量级计算设备,有效降低了在数据传输过程中的延迟。文献《施巍松,孙辉,曹杰,张权,刘伟.边缘计算:万物互联时代新型计算模型[J].计算机研究与发展,2017,54(05):907-924》提出了边缘计算的定义及其基本原理,边缘计算模型仍支持传统的云计算模型,而且还可连接远程计算资源,实现数据的共享和协作。提出边缘计算面临的挑战包括可编程性、命名规则、数据抽象、服务管理、数据的隐私保护与安全、理论基础及商业模式。云边协同计算模型中的边缘设备具有计算和分析的能力,通过在网络的边缘执行计算,在实现整体计算能力扩展的同时,又能够有效地降低网络带宽和云端主站计算、存储资源的占用。现有技术还有通过云边交互协议、规则引擎等模块的设计,实现了云边协调物联体系“多元感知、多态接入、统一模型、统一物联”的目标。文献《崔丽华,闫伯元,赵永利.边缘计算与云计算协同的SOON实现机制(特邀)[J].光通信研究,2018(06):38-41+65》结合人工智能技术提出了自优化光网络的概念,并基于边缘计算与云计算协同的思想,提出了边缘计算与云计算协同的自优化光网络实现机制,通过光传送节点和控制节点的协同机制,为光网络动态提供人工智能所需的计算资源。然而,在特高压换流站中,通讯网络方法复杂,并且随机的信道会导致随机的数据传输延迟,此外,特高压换流站中不同工作状态中数据流量负载不同,时变的流量负载也导致了延迟的不确定性。综上,现有技术特高压直流换流站存在由于任务分布不均,通讯网络方法复杂,导致的部分边缘热点积压,数据处理不及时,以及在边缘端数据处理计算资源充足的情况下,将数据调度到云计算中心浪费资源的问题。
中国专利公开号CN112261146A,一种基于消息通信和文件传输的边云协同通信系统,包括消息通信服务模块,文件传输服务模块和应用客户端;消息通信服务模块,是在边云协同基础架构之上用于对应用客户端之间发送的消息进行转发;文件传输模块,是在边云协同基础架构之上用于对应用客户端之间发送的文件进行转发;应用客户端,在边云协同智能应用使用,实现边云协同智能应用组件间通信的接口。该专利申请虽然是边云协同通信系统,但是该系统仅涉及边云同步的基础概念问题,并不能解决特高压直流换流站存在的负载不均以及将数据调度到云计算中心浪费资源的问题。
发明内容
本发明所要解决的技术问题在于现有技术特高压直流换流站存在传输时延、负载不均以及将数据调度到云计算中心浪费资源的问题,且当前传统算法在面对换流站内复杂通讯网络时,往往只能专门针对某一种的通讯方式进行优化,边缘节点规模较大时,采集数据的处理速度慢。
本发明通过以下技术手段实现解决上述技术问题的:特高压换流站全景监测的云边协同通信调度方法,所述方法包括:将特高压换流站内的通讯资源评价属性优化转换为人工蜂群算法对综合任务属性P的寻优问题,P=Pws+Pc+Pt,Pws为当前负载值与设定标准负载值的比值、Pc为当前资源花费与设定标准资源花费的比值、Pt为当前时间消耗与设定标准时间花费的比值,每个引领蜂进行搜寻,完成搜寻过程后将解的信息与跟随蜂分享,跟随蜂计算每个解的选择概率,若选择概率大于随机生成的随机数则跟随蜂生成新解,若新解优于旧解则保留新解舍弃旧解,跟随蜂完成搜索过程以后,若有解经过预设次循环没有更新,则舍弃该解,该解对应的引领蜂转成一个侦查蜂,侦察蜂生成一个新解代替引领蜂的当前解,然后返回引领蜂的搜寻过程,记录当前任务属性所得到最优值,判断是否达到最大迭代周期数,若是,则输出最优的综合任务属性。
本发明从负载均衡、资源花费以及消耗时间三个方面考虑,将特高压换流站内的通讯资源评价属性优化转换为人工蜂群算法对综合任务属性P的寻优问题,根据优化结果,合理分配任务,解决负载不均的问题,合理分配资源花费以及调度时间,降低资源调度时间,降低成本的支出,提高资源的利用率,减少资源浪费,当前传统算法在面对换流站内复杂通讯网络时,往往只能专门针对某一种的通讯方式进行优化,而本发明使用启发式算法,根据特高压换流站内的不同通讯网络方式选择最优任务分配方式。边缘节点规模较大时,采集数据的处理速度相比现有技术较快。
进一步地,所述人工蜂群算法具体过程包括:
步骤一:随机选取一个特高压换流站云端主站,随机产生初始蚁群,随机生成初始解;
步骤二:每个引领蜂生成一个新解;
步骤三:引领蜂计算新解的适应度值,若新解的适应度值优于旧解的适应度值则引领蜂记住新解舍弃旧解,反之则保留旧解;
步骤四:引领蜂将解的信息与跟随蜂分享,跟随蜂计算每个解的选择概率;
步骤五:在区间[-1,1]内产生一个随机数,如果跟随蜂计算的解的概率值大于该随机数,则跟随蜂生成一个新解,计算新解的适应度值,若新解的适应度值优于旧解的适应度值则跟随蜂记住新解舍弃旧解,反之则保留旧解;
步骤六:在所有跟随蜂完成搜寻过程之后,如果一个解经过预设次循环仍然没有被进一步更新,则此解陷入局部最优,该解被舍弃,该解对应的引领蜂转成一个侦查蜂,侦察蜂生成一个新解代替引领蜂的当前解,然后返回步骤二,开始重复循环;
步骤七:记录当前任务属性所得到最优值,判断是否达到最大迭代周期数,若否,则返回步骤五,若是,则输出最优的负载Pws、资源花费Pc及消耗时间Pt。
更进一步地,所述步骤二包括:
每个引领蜂通过公式
vi,j=xi,j+2a(φ-0.5)(xi,j-xk,j)+bφ(xbest,j-xi,j)
生成一个新解,其中,xi,j为当前解,vi,j为新解,均为资源调度策略中的任务属性Pm的解,Pm取Pws、Pc或者Pt;a为第一权重因子且k为第k次迭代周期,maxk为最大迭代周期数,φ为常数且φ∈[0,1],xk,j为第k次迭代周期的解,b为第二权重因子且xbest,j为当前最优解。
更进一步地,所述步骤三包括:
更进一步地,所述步骤四包括:
更进一步地,所述步骤五中跟随蜂生成一个新解的公式与引领蜂生成一个新解的公式原理相同,跟随蜂计算新解的适应度值的公式与引领蜂计算新解的适应度值的公式原理相同。
更进一步地,所述步骤六包括:
侦察蜂通过公式xi,j=xmin,j+rand[0,1](xmax,j-xmin,j)生成一个新解代替引领蜂的当前解,xmin,j表示当前所有解中最小值,xmax,j表示当前所有解中最大值,rand[0,1]表示0~1之间的随机数。
进一步地,所述特高压换流站云端主站有600个边缘集群,各边缘集群所含任务1~50个。
进一步地,随机产生的初始蚁群的规模为1000。
进一步地,所述最大迭代周期数为200。
本发明的优点在于:
(1)本发明从负载均衡、资源花费以及消耗时间三个方面考虑,将特高压换流站内的通讯资源评价属性优化转换为人工蜂群算法对综合任务属性P的寻优问题,根据优化结果,合理分配任务,解决负载不均的问题,合理分配资源花费以及调度时间,降低资源调度时间,降低成本的支出,提高资源的利用率,减少资源浪费,当前传统算法在面对换流站内复杂通讯网络时,往往只能专门针对某一种的通讯方式进行优化,而本发明使用启发式算法,根据特高压换流站内的不同通讯网络方式选择最优任务分配方式。边缘节点规模较大时,采集数据的处理速度相比现有技术较快。
(2)传统的蜂群算法在搜索可行解时,是随机选取两个蜜源也即两个解做差值,来进行更新,在特高压换流站中边缘节点多,完全随机选取蜜源会导致收敛速度慢,在搜索最优解的过程中花费大量的计算资源,本发明的算法的解的更新使用已知最优解进行更新,加快算法收敛速度。
(3)传统方法通过固定步长进行搜索,步长选取是随机的,没有方向性,时间和计算资源花费多,本发明的算法始终保留适应度值最优的解进行后续计算,加快了搜索的速度,提升收敛速度,但算法搜索的后期可能会受到适应度值最优解的影响而陷入局部最优解,所以又引入了a和b两个变量分别作为经典蜂群算法更新项和适应度最优解更新项的系数,a是最大迭代次数与当前迭代次数之差的倒数,b为1减去a,伴随着迭代次数的不断变化,a不断增大,b不断减小,减小适应度最优解更新项对于整个搜索的影响,降低在算法后期陷入局部最优解的可能。
(4)在任务数不多的情况下,传统蜂群算法和本发明的算法差距不大,而面对特高压换流站内存在的大量图像数据时,传统蜂群算法收敛速度变慢,传统蜂群算法的资源花费会明显高于本算法。
附图说明
图1为本发明实施例所公开的特高压换流站全景监测的云边协同通信调度方法的算法流程图;
图2为本发明实施例所公开的特高压换流站全景监测的云边协同通信调度方法与粒子群算法以及人工蜂群算法的花费对比示意图;
图3为本发明实施例所公开的特高压换流站全景监测的云边协同通信调度方法与粒子群算法以及人工蜂群算法的完成时间对比示意图;
图4为本发明实施例所公开的特高压换流站全景监测的云边协同通信调度方法与粒子群算法以及人工蜂群算法的负载均衡度对比示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,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作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。
如图1所示,特高压换流站全景监测的云边协同通信调度方法,应用于由云端、边缘端、各类传感器所组成的网络环境中,所述方法包括:将特高压换流站内的通讯资源评价属性优化转换为人工蜂群算法对负载Pws、资源花费Pc、消耗时间Pt的寻优问题,将各类传感器采集的数据输入人工蜂群算法模型中,分别对Pws、Pc、Pt寻优,Pws、Pc、Pt分别是当前负载值与设定标准负载值、当前资源花费与设定标准资源花费以及当前时间消耗与设定标准时间花费的比值,通过综合任务属性P来评价以上三个属性,P的计算公式为P=Pws+Pc+Pt,人工蚁群算法模型执行的过程为:每个引领蜂进行搜寻,完成搜寻过程后将解的信息与跟随蜂分享,跟随蜂计算每个解的选择概率,若选择概率大于随机生成的随机数则跟随蜂生成新解,若新解优于旧解则保留新解舍弃旧解,跟随蜂完成搜索过程以后,若有解经过预设次循环没有更新,则舍弃该解,该解对应的引领蜂转成一个侦查蜂,侦察蜂生成一个新解代替引领蜂的当前解,然后返回引领蜂的搜寻过程,记录当前任务属性所得到最优值,判断是否达到最大迭代周期数,若是,则输出最优的负载Pws、资源花费Pc及消耗时间Pt。
所述人工蜂群算法具体过程包括:
S1:随机选取一个特高压换流站云端主站,随机产生初始蚁群,随机生成初始解;本实施例中,所述特高压换流站云端主站有600个边缘集群,各边缘集群所含任务1~50个。随机产生的初始蚁群的规模为1000。
S2:每个引领蜂生成一个新解;具体过程为:
每个引领蜂通过公式
vi,j=xi,j+2a(φ-0.5)(xi,j-xk,j)+bφ(xbest,j-xi,j)
生成一个新解,其中,xi,j为当前解,vi,j为新解,均为资源调度策略中的任务属性Pm的解,Pm取Pws、Pc或者Pt;a为第一权重因子且k为第k次迭代周期,maxk为最大迭代周期数,φ为常数且φ∈[0,1],xk,j为第k次迭代周期的解,b为第二权重因子且xbest,j为当前最优解。
S3:引领蜂计算新解的适应度值,若新解的适应度值优于旧解的适应度值则引领蜂记住新解舍弃旧解,反之则保留旧解;具体过程为:
S4:引领蜂将解的信息与跟随蜂分享,跟随蜂计算每个解的选择概率;具体过程为:
S5:在区间[-1,1]内产生一个随机数,如果跟随蜂计算的解的概率值大于该随机数,则跟随蜂生成一个新解,计算新解的适应度值,若新解的适应度值优于旧解的适应度值则跟随蜂记住新解舍弃旧解,反之则保留旧解;所述跟随蜂生成一个新解的公式与引领蜂生成一个新解的公式原理相同,跟随蜂计算新解的适应度值的公式与引领蜂计算新解的适应度值的公式原理相同。
S6:在所有跟随蜂完成搜寻过程之后,如果一个解经过预设次循环仍然没有被进一步更新,则此解陷入局部最优,该解被舍弃,该解对应的引领蜂转成一个侦查蜂,侦察蜂生成一个新解代替引领蜂的当前解,然后返回S2,开始重复循环;具体过程为:
侦察蜂通过公式xi,j=xmin,j+rand[0,1](xmax,j-xmin,j)生成一个新解代替引领蜂的当前解,xmin,j表示当前所有解中最小值,xmax,j表示当前所有解中最大值,rand[0,1]表示0~1之间的随机数。
S7:记录当前综合任务属性P所得到最优值,判断是否达到最大迭代周期数,若否,则返回S5,若是,则输出最优综合任务属性P对应的负载、资源花费及消耗时间。本实施例中,所述最大迭代周期数为200。
本发明结合多台虚拟机,在EdgeCloudSim仿真器上进行了实验。选择一个云数据中心,600个边缘集群,每个边缘集群随机包含1-50个热点,任务从100个增加到500个。为了对云边缘协同调度模型进行评估并对算法进行改进,本发明对经济成本权重、负载均衡权重和完成时间权重进行了修改,认为该算法是有效的。本发明比较了粒子群算法(PSO)、人工蜂群算法(ABC)和本发明提供的改进人工蜂群算法(DABC),通过任务数量的变化来衡量它们对经济成本、完成时间和负载均衡的影响。如图2-图4所示的经济成本、完成时间和负载均衡度对比图,改进后的算法可以有效地降低成本,并且随着任务的增加,本发明改进的人工群算法的增长速度逐渐放缓。这表明在边缘部署了更多的任务,选择了附近的本地服务器来调度数据,减少了不必要的资源浪费,降低了调度成本。从整体上看,改进后的算法可以有效地降低成本,任务数量越多,效果越明显。
通过以上技术方案,本发明从负载均衡、资源花费以及消耗时间三个方面考虑,将特高压换流站内的通讯资源评价属性优化转换为人工蜂群算法对综合任务属性P的寻优问题,根据优化结果,合理分配任务,解决负载不均的问题,合理分配资源花费以及调度时间,降低资源调度时间,降低成本的支出,提高资源的利用率,减少资源浪费。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.特高压换流站全景监测的云边协同通信调度方法,其特征在于,包括:将特高压换流站内的通讯资源评价属性优化转换为人工蜂群算法对综合任务属性P的寻优问题,P=Pws+Pc+Pt,Pws为当前负载值与设定标准负载值的比值、Pc为当前资源花费与设定标准资源花费的比值、Pt为当前时间消耗与设定标准时间花费的比值,每个引领蜂进行搜寻,完成搜寻过程后将解的信息与跟随蜂分享,跟随蜂计算每个解的选择概率,若选择概率大于随机生成的随机数则跟随蜂生成新解,若新解优于旧解则保留新解舍弃旧解,跟随蜂完成搜索过程以后,若有解经过预设次循环没有更新,则舍弃该解,该解对应的引领蜂转成一个侦查蜂,侦察蜂生成一个新解代替引领蜂的当前解,然后返回引领蜂的搜寻过程,记录当前任务属性所得到最优值,判断是否达到最大迭代周期数,若是,则输出最优的综合任务属性。
2.根据权利要求1所述的特高压换流站全景监测的云边协同通信调度方法,其特征在于,所述人工蜂群算法具体过程包括:
步骤一:随机选取一个特高压换流站云端主站,随机产生初始蚁群,随机生成初始解;
步骤二:每个引领蜂生成一个新解;
步骤三:引领蜂计算新解的适应度值,若新解的适应度值优于旧解的适应度值则引领蜂记住新解舍弃旧解,反之则保留旧解;
步骤四:引领蜂将解的信息与跟随蜂分享,跟随蜂计算每个解的选择概率;
步骤五:在区间[-1,1]内产生一个随机数,如果跟随蜂计算的解的概率值大于该随机数,则跟随蜂生成一个新解,计算新解的适应度值,若新解的适应度值优于旧解的适应度值则跟随蜂记住新解舍弃旧解,反之则保留旧解;
步骤六:在所有跟随蜂完成搜寻过程之后,如果一个解经过预设次循环仍然没有被进一步更新,则此解陷入局部最优,该解被舍弃,该解对应的引领蜂转成一个侦查蜂,侦察蜂生成一个新解代替引领蜂的当前解,然后返回步骤二,开始重复循环;
步骤七:记录当前任务属性所得到最优值,判断是否达到最大迭代周期数,若否,则返回步骤五,若是,则输出最优的负载Pws、资源花费Pc及消耗时间Pt。
6.根据权利要求5所述的特高压换流站全景监测的云边协同通信调度方法,其特征在于,所述步骤五中跟随蜂生成一个新解的公式与引领蜂生成一个新解的公式原理相同,跟随蜂计算新解的适应度值的公式与引领蜂计算新解的适应度值的公式原理相同。
7.根据权利要求6所述的特高压换流站全景监测的云边协同通信调度方法,其特征在于,所述步骤六包括:
侦察蜂通过公式xi,j=xmin,j+rand[0,1](xmax,j-xmin,j)生成一个新解代替引领蜂的当前解,xmin,j表示当前所有解中最小值,xmax,j表示当前所有解中最大值,rand[0,1]表示0~1之间的随机数。
8.根据权利要求2所述的特高压换流站全景监测的云边协同通信调度方法,其特征在于,所述特高压换流站云端主站有600个边缘集群,各边缘集群所含任务1~50个。
9.根据权利要求2所述的特高压换流站全景监测的云边协同通信调度方法,其特征在于,随机产生的初始蚁群的规模为1000。
10.根据权利要求2所述的特高压换流站全景监测的云边协同通信调度方法,其特征在于,所述最大迭代周期数为200。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111582999.1A CN114327878A (zh) | 2021-12-22 | 2021-12-22 | 特高压换流站全景监测的云边协同通信调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111582999.1A CN114327878A (zh) | 2021-12-22 | 2021-12-22 | 特高压换流站全景监测的云边协同通信调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114327878A true CN114327878A (zh) | 2022-04-12 |
Family
ID=81054465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111582999.1A Pending CN114327878A (zh) | 2021-12-22 | 2021-12-22 | 特高压换流站全景监测的云边协同通信调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114327878A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115409210A (zh) * | 2022-08-22 | 2022-11-29 | 中国南方电网有限责任公司超高压输电公司昆明局 | 监测装备的控制方法、装置、计算机设备和存储介质 |
-
2021
- 2021-12-22 CN CN202111582999.1A patent/CN114327878A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115409210A (zh) * | 2022-08-22 | 2022-11-29 | 中国南方电网有限责任公司超高压输电公司昆明局 | 监测装备的控制方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Joint service caching, computation offloading and resource allocation in mobile edge computing systems | |
Wu et al. | Distributed optimal coordination for distributed energy resources in power systems | |
Wan et al. | Task-driven resource assignment in mobile edge computing exploiting evolutionary computation | |
CN110191148B (zh) | 一种面向边缘计算的统计函数分布式执行方法及系统 | |
CN110851429B (zh) | 一种基于影响力自适应聚合的边缘计算可信协同服务方法 | |
CN111475274B (zh) | 云协同多任务调度方法及装置 | |
WO2023040022A1 (zh) | 一种在随机网络中基于算网协同的分布式计算卸载方法 | |
CN112650581A (zh) | 一种面向智能楼宇的云边协同任务调度方法 | |
Liao et al. | Cognitive balance for fog computing resource in Internet of Things: An edge learning approach | |
CN115314355A (zh) | 基于确定性网络的电力通信网络架构系统及方法 | |
CN113098711A (zh) | 一种基于云边协同的配电物联网cps管控方法及系统 | |
CN110928694B (zh) | 一种计算机系统 | |
CN112162789A (zh) | 一种基于软件定义的边缘计算随机卸载决策方法及系统 | |
Dong et al. | Quantum particle swarm optimization for task offloading in mobile edge computing | |
Rahbari et al. | Fast and fair computation offloading management in a swarm of drones using a rating-based federated learning approach | |
Gadasin et al. | Organization of Interaction between the Concept of Fog Computing and Segment Routing for the Provision of IoT Services in Smart Grid Networks | |
CN114327878A (zh) | 特高压换流站全景监测的云边协同通信调度方法 | |
CN112148381A (zh) | 一种基于软件定义的边缘计算优先级卸载决策方法及系统 | |
Lu et al. | QoS-aware task scheduling in cloud-edge environment | |
Ou et al. | Research on network performance optimization technology based on cloud-edge collaborative architecture | |
Ma et al. | Design of smart home system based on collaborative edge computing and cloud computing | |
CN112162837A (zh) | 一种基于软件定义的边缘计算调度方法及系统 | |
Liao et al. | An energy-efficient sdn-based data collection strategy for wireless sensor networks | |
CN116684472A (zh) | 一种面向端侧算力网络的服务部署系统及其服务部署方法 | |
Deng et al. | Container and microservice-based resource management for distribution station area |
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 |