CN114500551A - 边缘计算传输负载均衡方法、装置、设备及存储介质 - Google Patents
边缘计算传输负载均衡方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114500551A CN114500551A CN202111683238.5A CN202111683238A CN114500551A CN 114500551 A CN114500551 A CN 114500551A CN 202111683238 A CN202111683238 A CN 202111683238A CN 114500551 A CN114500551 A CN 114500551A
- Authority
- CN
- China
- Prior art keywords
- edge
- edge computing
- computing system
- server
- cache space
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000005540 biological transmission Effects 0.000 title claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 49
- 230000002787 reinforcement Effects 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013468 resource allocation Methods 0.000 abstract description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1004—Server selection for load balancing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer And Data Communications (AREA)
Abstract
本申请提供一种边缘计算传输负载均衡方法、装置、设备及介质,包括:构建边缘计算系统的优化问题,优化目标为最小化边缘计算系统的系统延迟;将所述优化问题建模为马尔科夫决策问题,采用深度强化学习方法对所述马尔科夫决策问题进行求解,得到边缘计算系统的最小化系统延迟;根据最小化系统延迟对应的边缘计算系统中各边缘服务器所剩余的缓存空间,得到边缘计算系统的负载均衡程度;根据每个边缘服务器的总缓存大小的限制条件最小化边缘计算系统的负载均衡程度,得到最优负载均衡。相较于现有技术,本申请基于强化学习的优化算法,在节点缓存有限的情况下,实现最优的任务、资源分配,从而实现了负载均衡。
Description
技术领域
本申请涉及边缘计算技术领域,尤其涉及一种边缘计算传输负载均衡方法、装置、设备及存储介质。
背景技术
通过使用由移动端、边缘服务器和云服务器组成的边缘计算系统,可以将计算任务分配到不同的网络节点,充分利用系统的计算和通信资源,在较少的时间内完成计算任务。
在边缘计算系统中,为了提高任务效率,需要优化任务和资源分配,如何进行任务分配、资源分配优化以实现负载均衡,是本领域亟需解决的技术问题。
发明内容
本发明实施例提供了一种边缘计算传输负载均衡方法、装置、设备及介质,用以解决边缘计算传输负载均衡的问题。
因此,本申请第一方面提供一种边缘计算传输负载均衡方法,包括:
构建边缘计算系统的优化问题,优化目标为最小化边缘计算系统的系统延迟;
将所述优化问题建模为马尔科夫决策问题,采用深度强化学习方法对所述马尔科夫决策问题进行求解,得到边缘计算系统的最小化系统延迟;
根据最小化系统延迟对应的边缘计算系统中各边缘服务器所剩余的缓存空间,得到边缘计算系统的负载均衡程度;
根据每个边缘服务器的总缓存大小的限制条件最小化边缘计算系统的负载均衡程度,得到最优负载均衡。
在一种可能的实现方式中,在本申请提供的上述方法中,所述优化问题的优化变量包括第一变量和第二变量,第一变量表示云服务器分配给每个边缘服务器的计算任务的数据量,第二变量表示云服务器分配给每个边缘服务器的通信资源。
在一种可能的实现方式中,在本申请提供的上述方法中,所述根据最小化系统延迟对应的边缘计算系统中各边缘服务器所剩余的缓存空间,得到边缘计算系统的负载均衡程度,包括:
根据最小化系统延迟对应的边缘计算系统中各边缘服务器所剩余的缓存空间得到所有边缘服务器的平均剩余缓存空间;
根据各边缘服务器所剩余的缓存空间和所述平均剩余缓存空间,得到边缘计算系统的负载均衡程度。
本申请第二方面提供一种边缘计算传输负载均衡装置,包括:
构建模块,用于构建边缘计算系统的优化问题,优化目标为最小化边缘计算系统的系统延迟;
建模模块,用于将所述优化问题建模为马尔科夫决策问题,采用深度强化学习方法对所述马尔科夫决策问题进行求解,得到边缘计算系统的最小化系统延迟;
计算模块,用于根据最小化系统延迟对应的边缘计算系统中各边缘服务器所剩余的缓存空间,得到边缘计算系统的负载均衡程度;
优化模块,用于根据每个边缘服务器的总缓存大小的限制条件最小化边缘计算系统的负载均衡程度,得到最优负载均衡。
在一种可能的实现方式中,在本申请提供的上述装置中,所述优化问题的优化变量包括第一变量和第二变量,第一变量表示云服务器分配给每个边缘服务器的计算任务的数据量,第二变量表示云服务器分配给每个边缘服务器的通信资源。
在一种可能的实现方式中,在本申请提供的上述装置中,所述计算模块,具体用于:
根据最小化系统延迟对应的边缘计算系统中各边缘服务器所剩余的缓存空间得到所有边缘服务器的平均剩余缓存空间;
根据各边缘服务器所剩余的缓存空间和所述平均剩余缓存空间,得到边缘计算系统的负载均衡程度。
本申请第三方面提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行以实现本申请第一方面所述的方法。
本申请第四方面提供一种计算机可读存储介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现本申请第一方面所述的方法。
本申请的有益效果如下:
本申请提供的边缘计算传输负载均衡方法、装置、电子设备及存储介质,构建边缘计算系统的优化问题,优化目标为最小化边缘计算系统的系统延迟;将所述优化问题建模为马尔科夫决策问题,采用深度强化学习方法对所述马尔科夫决策问题进行求解,得到边缘计算系统的最小化系统延迟;根据最小化系统延迟对应的边缘计算系统中各边缘服务器所剩余的缓存空间,得到边缘计算系统的负载均衡程度;根据每个边缘服务器的总缓存大小的限制条件最小化边缘计算系统的负载均衡程度,得到最优负载均衡。相较于现有技术,本申请基于强化学习的优化算法,在节点缓存有限的情况下,实现最优的任务、资源分配,从而实现了负载均衡。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选事实方案的目的,而并不认为是对本申请的限制。而且在整个附图中,用同样的参考符号表示相同的部件。在附图中:
图1是本申请提供的一种边缘计算传输负载均衡方法的流程图;
图2是本申请提供的边缘计算系统的示意图;
图3是本申请提供的节点处理数据的架构图;
图4a是本申请方法与其它方法系统时延对比仿真图;
图4b是本申请方法与其它方法分类精度对比仿真图;
图4c是本申请方法与其它方法负载均衡程度对比仿真图;
图5是本申请提供的一种边缘计算传输负载均衡装置的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
现有方法是在边缘计算网络节点拥有无限缓存的情况下进行了任务分配、资源分配优化,以实现负载均衡。但是在实际边缘计算系统中,每个节点的缓存是有限的,因此现有方法并不适用节点缓存有限的情况。
本申请实施例提供一种边缘计算传输负载均衡方法、装置、电子设备及存储介质,下面结合附图进行说明。
请参考图1,其示出了本申请所提供的一种边缘计算传输负载均衡方法的流程图,如图1所示,所述方法可以包括以下步骤S101至S104:
S101、构建边缘计算系统的优化问题,优化目标为最小化边缘计算系统的系统延迟;
具体的,上述边缘计算系统可以是由多个移动端、N个边缘服务器和1个云服务器组成的三层结构,各移动端、各边缘服务器和云服务器为三层网络中的节点。如图2所示,每个边缘服务器可以连接它覆盖范围内的移动端,云服务器可以连接所有边缘服务器,云服务器将计算任务分配给各边缘服务器和自身,然后收集各计算任务的计算结果。
如图3所示,边缘计算系统的节点中一般包括计算模块(提供计算资源)、传输模块(提供通信资源)和一定大小的缓存,不同的节点的总缓存大小不同,如图3所示,当原始数据①②③进入节点后,节点发现计算模块和传输模块处于拥堵状态,则会将原始数据①②③存储缓存中等待处理,这样则会造成节点处理数据的时延。
具体的,多个计算任务会被分配到不同的边缘服务器上,而部分计算任务会由云服务器来直接完成,优化目标为最小化系统延迟:
minβ,φmaxj∈[0,N]tj;
所述优化问题的优化变量包括第一变量β和第二变量φ,第一变量表示云服务器分配给每个边缘服务器的计算任务的数据量,第二变量表示云服务器分配给每个边缘服务器的通信资源。
可以理解,β表示计算任务i是否分配给了服务器j(β=1表示已分配,β=0表示未分配),φ表示云服务器分配给每个边缘服务器的通信资源,t表示每个服务器的延迟,该服务器包括云服务器和边缘服务器。
其中,表示云服务器的计算延迟,其中T表示共有T个离散的时间段,β表示计算任务i是否分配给了云服务器(β=1表示已分配,β=0表示未分配),M表示参与该计算任务的移动端数量,O表示该计算任务所需的计算时间。
表示边缘服务器j的通信延迟,其中f表示当前计算任务所需的数据是否已经缓存在该边缘服务器上(f=1表示已缓存,f=0表示未缓存),β表示计算任务i是否分配给了边缘服务器j(β=1表示已分配,β=0表示未分配),W表示计算任务i所需的数据量,φ表示分配给边缘服务器j的通信资源。
限制条件包括:
S102、将所述优化问题建模为马尔科夫决策问题,采用深度强化学习方法对所述马尔科夫决策问题进行求解,得到边缘计算系统的最小化系统延迟;
具体的,上述优化问题可以建模为马尔科夫决策过程:
状态为:{ρE,ρφ};其中,ρE表示数据量是否超过上限,ρφ表示通信资源分配的比例。
动作为:{β,φ};
采用深度强化学习方法对所述马尔科夫决策问题进行求解,步骤如下:
①初始化神经网络的参数,初始化经验存储;
②根据当前时刻的状态生成当前时刻的动作;
③观察当前时刻的回报以及下一时刻的状态;
④将当前时刻的状态、动作、回报以及下一时刻的状态存储到经验中;
⑤采样经验,计算神经网络的损失,并根据梯度下降算法更新神经网络的参数;
⑥步骤②-⑤循环执行,直至神经网络的参数收敛。
神经网络的参数收敛时,得到边缘计算系统的最小化系统延迟。
S103、根据最小化系统延迟对应的边缘计算系统中各边缘服务器所剩余的缓存空间,得到边缘计算系统的负载均衡程度;
具体的,S103可以实现为:
根据最小化系统延迟对应的边缘计算系统中各边缘服务器所剩余的缓存空间得到所有边缘服务器的平均剩余缓存空间;
根据各边缘服务器所剩余的缓存空间和所述平均剩余缓存空间,得到边缘计算系统的负载均衡程度。
具体的,可以根据第一公式计算得到边缘计算系统的负载均衡程度;
所述第一公式如下:
S104、根据每个边缘服务器的总缓存大小的限制条件最小化边缘计算系统的负载均衡程度,得到最优负载均衡。
具体的,可以通过遵循每个边缘服务器的总缓存大小(即数据量上限)的限制条件来最小化负载均衡程度V,从而实现最优负载均衡。
具体的,首先固定每个边缘服务器被分配的通信资源φ,根据负载均衡程度V进一步优化每个边缘服务器被分配的数据量βij,依然需要满足之前的3个限制条件。具体方法为:通过计算负载均衡程度V关于每个边缘服务器被分配的数据量βij的梯度,对于梯度大于界限ε的βij,将分配任务分配两两互换,保留使得负载均衡程度V进一步下降的互换方案,直到所有梯度均小于等于界限ε。
可见,本申请解决了实际中节点缓存有限情况下的负载均衡问题,可以实现边缘计算系统的最优任务分配和资源分配。
本申请方法具有如下有益效果:
如图4a中,系统时延对比的是云服务器具有不同缓存大小时的情况,云服务器缓存越大,系统时延越低;
如图4b中,分类精度是对于图像分类任务,随着参与任务的设备数量增加,任务量增大,本申请方法保持高精度,而其它方法精度逐渐下降;
如图4c中,负载均衡程度中,本申请方法保持较低的平均负载,而其它方法随设备数量增加,其平均负载也增大。
本申请提供的边缘计算传输负载均衡方法,构建边缘计算系统的优化问题,优化目标为最小化边缘计算系统的系统延迟;将所述优化问题建模为马尔科夫决策问题,采用深度强化学习方法对所述马尔科夫决策问题进行求解,得到边缘计算系统的最小化系统延迟;根据最小化系统延迟对应的边缘计算系统中各边缘服务器所剩余的缓存空间,得到边缘计算系统的负载均衡程度;根据每个边缘服务器的总缓存大小的限制条件最小化边缘计算系统的负载均衡程度,得到最优负载均衡。相较于现有技术,本申请基于强化学习的优化算法,在节点缓存有限的情况下,实现最优的任务、资源分配,从而实现了负载均衡。
在上述的实施例中,提供了一种边缘计算传输负载均衡方法,与之相对应的,本申请还提供一种边缘计算传输负载均衡装置。
如图5所示,本申请提供的一种边缘计算传输负载均衡装置10,包括:
构建模块101,用于构建边缘计算系统的优化问题,优化目标为最小化边缘计算系统的系统延迟;
建模模块102,用于将所述优化问题建模为马尔科夫决策问题,采用深度强化学习方法对所述马尔科夫决策问题进行求解,得到边缘计算系统的最小化系统延迟;
计算模块103,用于根据最小化系统延迟对应的边缘计算系统中各边缘服务器所剩余的缓存空间,得到边缘计算系统的负载均衡程度;
优化模块104,用于根据每个边缘服务器的总缓存大小的限制条件最小化边缘计算系统的负载均衡程度,得到最优负载均衡。
在一种可能的实现方式中,在本申请提供的上述装置中,所述优化问题的优化变量包括第一变量和第二变量,第一变量表示云服务器分配给每个边缘服务器的计算任务的数据量,第二变量表示云服务器分配给每个边缘服务器的通信资源。
在一种可能的实现方式中,在本申请提供的上述装置中,所述计算模块103,具体用于:
根据最小化系统延迟对应的边缘计算系统中各边缘服务器所剩余的缓存空间得到所有边缘服务器的平均剩余缓存空间;
根据各边缘服务器所剩余的缓存空间和所述平均剩余缓存空间,得到边缘计算系统的负载均衡程度。
在一种可能的实现方式中,在本申请提供的上述装置中,所述计算模块103,具体用于:
根据第一公式计算得到边缘计算系统的负载均衡程度;
所述第一公式如下:
本申请实施例提供的边缘计算传输负载均衡装置,与本申请前述实施例提供的边缘计算传输负载均衡方法出于相同的发明构思,具有相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的边缘计算传输负载均衡方法对应的电子设备,该电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行以实现上述边缘计算传输负载均衡方法。所述电子设备可以是手机、笔记本电脑、平板电脑、台式机电脑等。
本申请实施方式还提供一种与前述实施方式所提供的边缘计算传输负载均衡方法对应的计算机可读存储介质,例如光盘、U盘等,其上存储有计算机程序(即程序产品),所述计算机程序在被处理器运行时,会执行前述任意实施方式所提供的边缘计算传输负载均衡方法。
需要说明的是,所述计算机可读存储介质的例子还可以包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种边缘计算传输负载均衡方法,其特征在于,包括:
构建边缘计算系统的优化问题,优化目标为最小化边缘计算系统的系统延迟;
将所述优化问题建模为马尔科夫决策问题,采用深度强化学习方法对所述马尔科夫决策问题进行求解,得到边缘计算系统的最小化系统延迟;
根据最小化系统延迟对应的边缘计算系统中各边缘服务器所剩余的缓存空间,得到边缘计算系统的负载均衡程度;
根据每个边缘服务器的总缓存大小的限制条件最小化边缘计算系统的负载均衡程度,得到最优负载均衡。
2.根据权利要求1所述的边缘计算传输负载均衡方法,其特征在于,所述优化问题的优化变量包括第一变量和第二变量,第一变量表示云服务器分配给每个边缘服务器的计算任务的数据量,第二变量表示云服务器分配给每个边缘服务器的通信资源。
3.根据权利要求1所述的边缘计算传输负载均衡方法,其特征在于,所述根据最小化系统延迟对应的边缘计算系统中各边缘服务器所剩余的缓存空间,得到边缘计算系统的负载均衡程度,包括:
根据最小化系统延迟对应的边缘计算系统中各边缘服务器所剩余的缓存空间得到所有边缘服务器的平均剩余缓存空间;
根据各边缘服务器所剩余的缓存空间和所述平均剩余缓存空间,得到边缘计算系统的负载均衡程度。
5.一种边缘计算传输负载均衡装置,其特征在于,包括:
构建模块,用于构建边缘计算系统的优化问题,优化目标为最小化边缘计算系统的系统延迟;
建模模块,用于将所述优化问题建模为马尔科夫决策问题,采用深度强化学习方法对所述马尔科夫决策问题进行求解,得到边缘计算系统的最小化系统延迟;
计算模块,用于根据最小化系统延迟对应的边缘计算系统中各边缘服务器所剩余的缓存空间,得到边缘计算系统的负载均衡程度;
优化模块,用于根据每个边缘服务器的总缓存大小的限制条件最小化边缘计算系统的负载均衡程度,得到最优负载均衡。
6.根据权利要求5所述的边缘计算传输负载均衡装置,其特征在于,所述优化问题的优化变量包括第一变量和第二变量,第一变量表示云服务器分配给每个边缘服务器的计算任务的数据量,第二变量表示云服务器分配给每个边缘服务器的通信资源。
7.根据权利要求5所述的边缘计算传输负载均衡装置,其特征在于,所述计算模块,具体用于:
根据最小化系统延迟对应的边缘计算系统中各边缘服务器所剩余的缓存空间得到所有边缘服务器的平均剩余缓存空间;
根据各边缘服务器所剩余的缓存空间和所述平均剩余缓存空间,得到边缘计算系统的负载均衡程度。
9.一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序时执行以实现如权利要求1至4中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现如权利要求1至4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111683238.5A CN114500551B (zh) | 2021-12-31 | 2021-12-31 | 边缘计算传输负载均衡方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111683238.5A CN114500551B (zh) | 2021-12-31 | 2021-12-31 | 边缘计算传输负载均衡方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114500551A true CN114500551A (zh) | 2022-05-13 |
CN114500551B CN114500551B (zh) | 2024-04-05 |
Family
ID=81509226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111683238.5A Active CN114500551B (zh) | 2021-12-31 | 2021-12-31 | 边缘计算传输负载均衡方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114500551B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170243133A1 (en) * | 2016-02-23 | 2017-08-24 | At&T Intellectual Property I, L.P. | Agent For Learning And Optimization Execution |
CN109144719A (zh) * | 2018-07-11 | 2019-01-04 | 东南大学 | 移动云计算系统中基于马尔科夫决策过程的协作卸载方法 |
CN109167671A (zh) * | 2018-07-11 | 2019-01-08 | 国网信通亿力科技有限责任公司 | 一种面向量子密钥分发业务的配用通信系统均衡负载调度算法 |
US20200249039A1 (en) * | 2019-02-05 | 2020-08-06 | International Business Machines Corporation | Planning vehicle computational unit migration based on mobility prediction |
WO2021052199A1 (zh) * | 2019-09-18 | 2021-03-25 | 中兴通讯股份有限公司 | 一种服务器负载均衡的方法、装置及cdn节点 |
US20210176174A1 (en) * | 2019-12-05 | 2021-06-10 | Institute For Information Industry | Load balancing device and method for an edge computing network |
CN113485826A (zh) * | 2021-06-25 | 2021-10-08 | 中国电子科技集团公司第五十四研究所 | 一种边缘服务器负载均衡方法、系统 |
CN113543156A (zh) * | 2021-06-24 | 2021-10-22 | 中国科学院沈阳自动化研究所 | 基于多智能体深度强化学习的工业无线网络资源分配方法 |
CN113568727A (zh) * | 2021-07-23 | 2021-10-29 | 湖北工业大学 | 一种基于深度强化学习的移动边缘计算任务分配方法 |
-
2021
- 2021-12-31 CN CN202111683238.5A patent/CN114500551B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170243133A1 (en) * | 2016-02-23 | 2017-08-24 | At&T Intellectual Property I, L.P. | Agent For Learning And Optimization Execution |
CN109144719A (zh) * | 2018-07-11 | 2019-01-04 | 东南大学 | 移动云计算系统中基于马尔科夫决策过程的协作卸载方法 |
CN109167671A (zh) * | 2018-07-11 | 2019-01-08 | 国网信通亿力科技有限责任公司 | 一种面向量子密钥分发业务的配用通信系统均衡负载调度算法 |
US20200249039A1 (en) * | 2019-02-05 | 2020-08-06 | International Business Machines Corporation | Planning vehicle computational unit migration based on mobility prediction |
WO2021052199A1 (zh) * | 2019-09-18 | 2021-03-25 | 中兴通讯股份有限公司 | 一种服务器负载均衡的方法、装置及cdn节点 |
US20210176174A1 (en) * | 2019-12-05 | 2021-06-10 | Institute For Information Industry | Load balancing device and method for an edge computing network |
CN113543156A (zh) * | 2021-06-24 | 2021-10-22 | 中国科学院沈阳自动化研究所 | 基于多智能体深度强化学习的工业无线网络资源分配方法 |
CN113485826A (zh) * | 2021-06-25 | 2021-10-08 | 中国电子科技集团公司第五十四研究所 | 一种边缘服务器负载均衡方法、系统 |
CN113568727A (zh) * | 2021-07-23 | 2021-10-29 | 湖北工业大学 | 一种基于深度强化学习的移动边缘计算任务分配方法 |
Non-Patent Citations (1)
Title |
---|
刘斐等: ""车联网场景下移动边缘计算协作式资源分配策略"", 《电讯技术》, vol. 61, no. 7, pages 858 - 864 * |
Also Published As
Publication number | Publication date |
---|---|
CN114500551B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11144828B2 (en) | Training task optimization system, training task optimization method and non-transitory computer readable medium for operating the same | |
CN111444009B (zh) | 一种基于深度强化学习的资源分配方法及装置 | |
CN113326126B (zh) | 任务处理方法、任务调度方法、装置及计算机设备 | |
CN113950066A (zh) | 移动边缘环境下单服务器部分计算卸载方法、系统、设备 | |
CN110851529A (zh) | 算力调度方法及相关设备 | |
CN110221915B (zh) | 节点调度方法和装置 | |
CN112764936B (zh) | 基于深度强化学习的边缘计算服务器信息处理方法及装置 | |
CN109144719B (zh) | 移动云计算系统中基于马尔科夫决策过程的协作卸载方法 | |
CN109656713B (zh) | 一种基于边缘计算框架的容器调度方法 | |
CN111258980B (zh) | 一种云存储系统中基于组合预测的动态文件放置方法 | |
CN112667400A (zh) | 边缘自治中心管控的边云资源调度方法、装置及系统 | |
CN117041330A (zh) | 一种基于强化学习的边缘微服务细粒度部署方法及系统 | |
CN111144796A (zh) | 用于生成理货信息的方法和装置 | |
CN117519930A (zh) | 批量任务的执行方法、装置及电子设备 | |
CN116737370A (zh) | 一种多资源调度方法、系统、存储介质及终端 | |
CN114500551A (zh) | 边缘计算传输负载均衡方法、装置、设备及存储介质 | |
CN108933834A (zh) | 一种调度方法及调度装置 | |
CN111858051B (zh) | 一种适合边缘计算环境的实时动态调度方法、系统和介质 | |
CN115705496A (zh) | 一种量子计算机操作系统和量子计算机 | |
CN114064235A (zh) | 多任务教与学优化方法、系统及设备 | |
CN113709817A (zh) | 多基站多服务器场景下的任务卸载和资源调度方法及装置 | |
CN114138484A (zh) | 资源分配方法、装置以及介质 | |
CN113515385A (zh) | 资源调度的方法、装置、电子设备及存储介质 | |
CN114581223B (zh) | 分配任务处理方法、设备、分布式计算系统及存储介质 | |
CN115022337B (zh) | 卫星云负载平衡方法、装置、电子设备及可读存储介质 |
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 |