CN114500560B - 一种最小化网络时延的边缘节点服务部署与负载均衡方法 - Google Patents

一种最小化网络时延的边缘节点服务部署与负载均衡方法 Download PDF

Info

Publication number
CN114500560B
CN114500560B CN202210013638.3A CN202210013638A CN114500560B CN 114500560 B CN114500560 B CN 114500560B CN 202210013638 A CN202210013638 A CN 202210013638A CN 114500560 B CN114500560 B CN 114500560B
Authority
CN
China
Prior art keywords
node
edge
task
service
computing
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
Application number
CN202210013638.3A
Other languages
English (en)
Other versions
CN114500560A (zh
Inventor
章迪
詹早良
洪佳峰
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.)
Zhejiang Dingfeng Technology Co ltd
Original Assignee
Zhejiang Dingfeng Technology Co ltd
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 Zhejiang Dingfeng Technology Co ltd filed Critical Zhejiang Dingfeng Technology Co ltd
Priority to CN202210013638.3A priority Critical patent/CN114500560B/zh
Publication of CN114500560A publication Critical patent/CN114500560A/zh
Application granted granted Critical
Publication of CN114500560B publication Critical patent/CN114500560B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00Network arrangements or protocols for supporting network services or applications
    • H04L67/01Protocols
    • H04L67/10Protocols in which an application is distributed across nodes in the network
    • H04L67/104Peer-to-peer [P2P] networks
    • H04L67/1074Peer-to-peer [P2P] networks for supporting data block transmission mechanisms
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14Network analysis or design
    • H04L41/142Network analysis or design using statistical or mathematical methods
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W28/00Network traffic management; Network resource management
    • H04W28/02Traffic management, e.g. flow control or congestion control
    • H04W28/08Load balancing or load distribution

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Algebra (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Multi Processors (AREA)

Abstract

一种最小化网络时延的边缘节点服务部署与负载均衡方法,包括以下步骤:根据边缘设备和边缘节点的位置,把边缘系统分成N个簇;根据边缘节点的任务负载情况,确定总时延表达式和限制条件表达式,建立最小化网络时延问题数学模型;采用一种启发式与蚁群算法相结合的算法求解问题,得到服务部署方案、计算任务卸载方案,以及计算资源分配方案;将服务部署方案、计算卸载方案以及计算资源分配方案应用到边缘节点上。本发明适用于多任务类型的移动边缘计算系统中多边缘节点协作服务的场景,可以根据边缘服务器的计算任务负载情况,通过合理部署服务,调度边缘节点中的计算任务,以及分配相应的计算资源,可有效减少边缘计算系统的任务响应时延。

Description

一种最小化网络时延的边缘节点服务部署与负载均衡方法
技术领域
本发明属于5G网络边缘计算卸载技术领域,尤其涉及一种最小化网络时延的边缘节点服务部署与负载均衡方法。
背景技术
移动边缘计算是解决服务型任务(即完成任务需要在系统中部署相应的服务)时延问题的新型计算范式之一。移动边缘计算通过将云计算的功能下沉到网络的边缘,解决了长距离传输问题,并且有效地减少了计算任务的响应时延和核心网络的流量。但是,与传统的中心云不同,边缘云中存储资源的限制使得在边缘节点中只能部署部分服务,并且边缘节点中计算资源的约束使得边缘节点只能处理一定数量的计算任务。因此,如何在边缘节点中部署服务,平衡边缘节点的负载,降低响应时延,提高整个边缘网络的服务效益是一个非常重要的研究问题。
发明内容
为了最小化服务型任务的响应时延,本发明将软件定义网络和边缘计算相结合,设计了在移动边缘计算环境中边缘节点间协作服务部署和计算卸载模型。首先,在边缘节点中部署服务,使得服务型任务可以卸载到边缘云中;其次,调度边缘节点中过载节点的计算任务,通过一跳的方式卸载到其他资源空闲的边缘节点;最终,在边缘节点资源约束条件下,最小化整个网络系统的任务响应时延。
为了实现上述过程,本发明提供以下的技术方案:
一种最小化网络时延的边缘节点服务部署与负载均衡方法,包括以下步骤:
步骤1:根据边缘设备和边缘节点的位置,把边缘系统分成N个簇,每个簇包含一个边缘节点和|Ui|个边缘设备,其中,Ui表示与节点i相关连的设备集合。N个边缘节点之间两两可以相互通信,表示边缘节点的集合;
步骤2:边缘系统中共有S种服务,每个边缘节点可动态部署若干种类型的服务,服务部署方案用表示,其中ai,k表示第k种服务是否部署在第i个边缘节点上,1表示部署,0表示不部署。每个边缘节点可动态向其周边的边缘节点卸载部分某类型的计算任务,用bi,k,j表示节点i中的任务k在节点j上的卸载比例。每个边缘节点可动态调整分配给某类计算任务的计算资源,用f,k表示节点i分配给任务k的计算资源;
步骤3:假定每个设备产生一个计算任务,给定计算任务k的大小为dk、完成任务k所需CPU周期数为ωk、与节点i相连且产生任务k的设备数量为mi,k、以及边缘节点i的存储容量限制Ci和计算资源限制确定总时延的表达式和限制条件表达式,建立最小化网络时延问题的数学模型P1;
步骤4:采用一种启发式与蚁群算法相结合的算法对步骤3中归纳的数学问题P1进行求解,从而得到服务部署方案a、计算任务卸载方案bi,k,j,以及计算资源分配方案fi,k
进一步地,所述步骤3中,所述总时延表达式为:
其中表示边缘节点i本地计算时间,/>表示任务k从节点i到节点j的传输时间,ri,j表示链路(i,j)的传输速率,/>表示任务k从节点i卸载到节点j的处理时间。
再进一步地,所述步骤3中,所述限制条件的表达式为:
k∈Sai,kck≤Ci (1)
ai,k∈{0,1} (2)
其中式(1)是边缘节点的服务缓存约束,式(2)是ai,k的取值范围,式(3)是边缘节点计算资源分配约束,式(4)(5)是边缘节点中任务分割约束,式(6)是类型卸载约束,表示不能向没有部署某类服务的节点卸载对应的任务。
更进一步地,所述步骤4中,采用启发式与蚁群算法相结合的算法对步骤3中问题P1进行求解的步骤为:
步骤4.1:统计边缘计算系统中总数据量、总缓存空间和单位缓存空间中所需完成的工作量。总数据量总缓存空间/> 计算单位缓存空间中所需完成的工作量/>
步骤4.2:统计每个节点的数据量并排序。统计每个节点i的总数据量并从大到小进行排序;统计任务k在每个边缘节点上的数据量mi,kdk,并从大到小排序;
步骤4.3:在边缘节点上部署服务。遍历每个任务k。根据任务k在不同边缘节点上的排序,选择任务k最多、还没有部署服务k且存储资源有空闲的边缘节点i部署服务,使ai,k=1;如果任务k最多的节点存储资源已饱和,则选择与其相邻的任务最少且还没有部署服务k的节点部署。服务k部署后,计算节点i的剩余缓存空间Ci=Ci-ck,计算节点i中任务k剩余的工作量为mi,kdk-ck·prop,计算节点i中剩余的总工作量为
步骤4.4:计算总的剩余数据量、缓存空间和单位缓存空间中所需完成的工作量。计算总的剩余缓存空间cTota=cTotal-ck,计算总的剩余数据量dTotal=dTotal-ck·prop;
步骤4.5:求得最优服务部署方案ai,k。转步骤4.2,直到dTotal=0或者cTotal=0,输出最优服务部署方案ai,k
步骤4.6:确定服务部署策略后,将问题P1重塑为问题P2。
步骤4.7:定义蚁群算法的基本参数。最大迭代次数NC,蚂蚁数量antNum,信息素启发因子Alpha,信息素蒸发系数Rho,期望启发因子Beta等;
步骤4.8:设计启发因子。启发因子为其中,ti,k,k是一个行数为|Ui|,列数为N的矩阵,/> 表示节点i中某一任务k从节点i到节点j的传输时延。表示某一任务k在节点j的处理时延;
步骤4.9:设计蚁群算法的路径选择概率。初始化信息素浓度τi,j矩阵为1。蚂蚁从起点出发,它会在途经的路上释放信息素,蚂蚁根据信息素浓度的不同选择最佳路径。蚂蚁antK选择节点j的概率为
其中,allowedantK为蚂蚁antK访问节点的集合,τi,j(t)表示t时刻路径(i,j)上的信息素浓度;
步骤4.10:蚂蚁进行任务分配。蚂蚁antK根据公式(7),为每个任务分配节点j,直到所有的计算任务都分配完成为止。因此,蚂蚁antK的一条路径确定了节点i中所有任务的分配方案。统计任务k在各节点上的数量,即确定bi,k,j的值;
步骤4.11:信息素浓度更新。蚂蚁完成了所有的任务分配之后,对所选路径上的信息素浓度进行更新,信息素浓度按照
步骤4.12:转步骤4.10,直到达到一定的迭代次数NC,输出最佳的任务调度方案bi,k,j
步骤4.13:最后根据所求的最佳任务分配方案,计算出
本发明的有益效果主要表现在:适用于多任务类型的移动边缘计算系统中多边缘节点协作服务的场景,根据边缘服务器的计算任务负载情况,以及计算资源与存储资源情况,合理部署相应服务,调节边缘节点中各节点的计算任务,并分配相应的计算资源,可有效减少边缘计算系统的任务响应时延。
附图说明
图1为移动边缘计算系统的网络模型。
图2为服务部署和负载调度示意图,有阴影的表示服务,无阴影的表示任务。
图3为具体实施方式流程图
具体实施方式
下面结合附图对本发明做进一步说明。
结合图1、图2和图3,一种最小化网络时延的边缘节点服务部署与负载均衡方法,包括如下步骤:
步骤1:根据边缘设备和边缘节点的位置,把边缘系统分成N个簇,每个簇包含一个边缘节点和|Ui|个边缘设备,其中,Ui表示与节点i相关连的设备集合。N个边缘节点之间两两可以相互通信,用表示该网络,/>表示边缘节点的集合;ε表示节点之间的通信链路的集合。如图1所示,系统中共有N个边缘节点,任意一个边缘节点由表示,其中,Ui表示与节点i相关联的设备集合,Ci表示节点i的存储容量,/>表示节点i的最大计算频率。
步骤2:边缘系统中共有S种服务,每个边缘节点可动态部署若干种类型的服务。如图2所示,节点1中包含三类任务(即圆形、三角形、菱形),而节点1中只部署了两类服务(菱形、圆形)。由于存储资源的限制,节点1只能将三角形任务传输到其他节点,比如可以传输到节点5。服务部署方案用 表示,其中ai,k表示第k种服务是否部署在第i个边缘节点上,1表示部署,0表示不部署。每个边缘节点可动态向其周边的边缘节点卸载部分某类型的计算任务,用bi,k,j表示节点i中的任务k在节点j上的卸载比例。每个边缘节点可动态调整分配给某类计算任务的计算资源,用fi,k表示节点i分配给任务k的计算资源。
步骤3:假定每个设备产生一个计算任务,给定计算任务k的大小为dk、完成任务k所需CPU周期数为ωk、与节点i相连且产生任务k的设备数量为mi,k、以及边缘节点i的存储容量限制Ci和计算资源限制确定总时延的表达式和限制条件表达式,建立最小化网络时延问题的数学模型P1。
进一步地,步骤3中,限制条件表达式设置方法如下:
1)边缘节点服务缓存约束。由于边缘节点部署服务有存储容量的限制,故有其中,/>表示服务的集合,ck表示服务k的所需存储空间大小。
2)边缘节点中任务分割约束。由于节点i中任务k的量是一定的,则有
3)边缘节点中计算资源分配约束设置。由于每个边缘节点的计算资源有限,则有
再进一步地,步骤3中,总时延的表达式计算方法如下:
1)统计边缘节点的工作负载情况。假设与节点i关联且向该节点卸载任务的终端设备的集合为Ui。每个设备产生的计算任务大小为dk,完成任务k所需CPU周期数为ωk,则边缘节点接收到任务k的数据量大小为mi,kdk,计算负载为mi,kωk。因此,边缘节点接收到总任务的数据量大小为总计算负载为/>
2)计算任务k从源节点i到目标节点j的传输时延。ri,j表示链路(i,j)的传输速率。因此,任务k从节点i到节点j的传输时延为:
3)计算任务k在节点j的计算时延。定义目标节点j分配给任务k的计算资源为fj,k,则任务k在节点j上的处理时延为
4)计算任务k在目标节点j的总时延。任务k在节点j的时延由任务k从节点i到节点j的传输时延和任务k在节点j的计算时延组成。因此,处理bi,k,jmi,kdk的数据量需要的总时延为
更进一步地,步骤3中,最小化网络时延问题的数学模型P1归纳如下:
ai,k∈{0,1} (2)
其中式(1)是边缘节点的服务缓存约束,式(2)是ai,k的取值范围,式(3)是边缘节点计算资源分配约束,式(4)(5)是边缘节点中任务分割约束,式(6)是类型卸载约束,表示不能向没有部署某类服务的节点卸载对应的任务。
步骤4:采用一种启发式与蚁群算法相结合的算法对步骤3中归纳的数学问题P1进行求解,从而得到服务部署方案a、计算任务卸载方案bi,k,j,以及计算资源分配方案fi,k
进一步地,所述步骤4中,采用启发式与蚁群算法相结合的算法对步骤3中问题P1进行求解的步骤为:
步骤4.1:统计边缘计算系统中总数据量、总缓存空间和单位缓存空间中所需完成的工作量。总数据量总缓存空间/> 计算单位缓存空间中所需完成的工作量/>
步骤4.2:统计每个节点的数据量并排序。统计每个节点i的总数据量并从大到小进行排序;统计任务k在每个边缘节点上的数据量mi,kdk,并从大到小排序;
步骤4.3:在边缘节点上部署服务。遍历每个任务k。根据任务k在不同边缘节点上的排序,选择任务k最多、还没有部署服务k且存储资源有空闲的边缘节点i部署服务,使ai,k=1;如果任务k最多的节点存储资源已饱和,则选择与其相邻的任务最少且还没有部署服务k的节点部署。服务k部署后,计算节点i的剩余缓存空间Ci=Ci-ck,计算节点i中任务k剩余的工作量为mi,kdk-ck·prop,计算节点i中剩余的总工作量为
步骤4.4:计算总的剩余数据量、缓存空间和单位缓存空间中所需完成的工作量。计算总的剩余缓存空间cTotal=cTotal-ck,计算总的剩余数据量dTotall=dTotal-ck·prop;
步骤4.5:求得最优服务部署方案ai,k。转步骤4.2,直到dTotal=0或者cTotal=0,输出最优服务部署方案ai,k
步骤4.6:确定服务部署策略后,将问题P1重塑为问题P2。
步骤4.7:定义蚁群算法的基本参数。最大迭代次数NC,蚂蚁数量antNum,信息素启发因子Alpha,信息素蒸发系数Rho,期望启发因子Beta等;
步骤4.8:设计启发因子。启发因子为其中,ti,k,j是一个行数为|Ui|,列数为N的矩阵,/> 表示节点i中某一任务k从节点i到节点j的传输时延。/>表示某一任务k在节点j的处理时延;
步骤4.9:设计蚁群算法的路径选择概率。初始化信息素浓度τi,j矩阵为1。蚂蚁从起点出发,它会在途经的路上释放信息素,蚂蚁根据信息素浓度的不同选择最佳路径。蚂蚁antK选择节点j的概率为
其中,allowedantK为蚂蚁antK访问节点的集合,τi,j(t)表示t时刻路径(i,j)上的信息素浓度;
步骤4.10:蚂蚁进行任务分配。蚂蚁antK根据公式(7),为每个任务分配节点j,直到所有的计算任务都分配完成为止。因此,蚂蚁antK的一条路径确定了节点i中所有任务的分配方案。统计任务k在各节点上的数量,即确定bi,k,j的值;
步骤4.11:信息素浓度更新。蚂蚁完成了所有的任务分配之后,对所选路径上的信息素浓度进行更新,信息素浓度按照
步骤4.12:转步骤4.10,直到达到一定的迭代次数NC,输出最佳的任务调度方案bi,k,j
步骤4.13:最后根据所求的最佳任务分配方案,计算出
针对如图1所示的N个边缘节点和S种服务类型的场景来说明本发明的具体实施方案,如图3所示。
首先,根据边缘设备和边缘节点的位置,把边缘系统分成N个簇,每个簇包含一个边缘节点和|Ui|个边缘设备;
其次,根据边缘节点的任务负载情况、边缘节点i的存储容量限制Ci和计算资源限制确定总时延的表达式和限制条件表达式,建立最小化网络时延问题的数学模型P1;
然后,采用一种启发式与蚁群算法相结合的算法求解问题P1,从而得到服务部署方案a、计算任务卸载方案bi,k,j,以及计算资源分配方案fi,k
最后,根据所求的最优解,将服务部署方案、计算卸载方案以及计算资源分配方案应用到边缘节点上;
一旦SDN监控到节点中服务任务的变化,重复上述步骤更新服务部署和任务卸载调度。
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举,仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式,本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。

Claims (1)

1.一种最小化网络时延的边缘节点服务部署与负载均衡方法,其特征在于,所述方法包括步骤如下:
步骤1:根据边缘设备和边缘节点的位置,把边缘系统分成N个簇,每个簇包含一个边缘节点和|Ui|个边缘设备,其中,Ui表示与节点i相关连的设备集合,N个边缘节点之间两两可以相互通信,表示边缘节点的集合;
步骤2:边缘系统中共有S种服务,每个边缘节点可动态部署若干种类型的服务,服务部署方案用表示,其中ai,k表示第k种服务是否部署在第i个边缘节点上,1表示部署,0表示不部署;每个边缘节点可动态向其周边的边缘节点卸载部分某类型的计算任务,用bi,k,j表示节点i中的任务k在节点j上的卸载比例;每个边缘节点可动态调整分配给某类计算任务的计算资源,用fi,k表示节点i分配给任务k的计算资源;
步骤3:假定每个设备产生一个计算任务,给定计算任务k的大小为dk、完成任务k所需CPU周期数为ωk、与节点i相连且产生任务k的设备数量为mi,k、以及边缘节点i的存储容量限制Ci和计算资源限制确定总时延的表达式和限制条件表达式,建立最小化网络时延问题的数学模型P1;
总时延表达式为:
其中表示边缘节点i本地计算时间,/>表示任务K从节点I到节点J的传输时间,ri,j表示链路(I,j)的传输速率,/>表示任务k从节点i卸载到节点j的处理时间;
限制条件的表达式为:
k∈Sai,kck≤Ci (1)
ai,k∈{0,1} (2)
其中式(1)是边缘节点的服务缓存约束,式(2)是ai,k的取值范围,式(3)是边缘节点计算资源分配约束,式(4)(5)是边缘节点中任务分割约束,式(6)是类型卸载约束,表示不能向没有部署某类服务的节点卸载对应的任务;
步骤4:采用一种启发式与蚁群算法相结合的算法对步骤3中归纳的数学问题P1进行求解,从而得到服务部署方案a、计算任务卸载方案bi,k,j,以及计算资源分配方案fi,k;具体步骤如下:
步骤4.1:统计边缘计算系统中总数据量、总缓存空间和单位缓存空间中所需完成的工作量;总数据量总缓存空间/> 计算单位缓存空间中所需完成的工作量/>
步骤4.2:统计每个节点的数据量并排序;统计每个节点i的总数据量并从大到小进行排序;统计任务k在每个边缘节点上的数据量mi,kdk,并从大到小排序;
步骤4.3:在边缘节点上部署服务;遍历每个任务k;根据任务k在不同边缘节点上的排序,选择任务k最多、还没有部署服务k且存储资源有空闲的边缘节点i部署服务,使ai,k=1;如果任务k最多的节点存储资源已饱和,则选择与其相邻的任务最少且还没有部署服务k的节点部署;服务k部署后,计算节点i的剩余缓存空间Ci=Ci-ck,计算节点i中任务k剩余的工作量为mi,kdk-ck·prop,计算节点i中剩余的总工作量为
步骤4.4:计算总的剩余数据量、缓存空间和单位缓存空间中所需完成的工作量;计算总的剩余缓存空间cTotal=cTotal-ck,计算总的剩余数据量dTotal=dTotal-ck·prop;
步骤4.5:求得最优服务部署方案ai,k;转步骤4.2,直到dTotal=0或者cTotal=0,输出最优服务部署方案ai,k
步骤4.6:确定服务部署策略后,将问题P1重塑为问题P2,
P2:
s.t.(3)~(6)
步骤4.7:定义蚁群算法的基本参数,最大迭代次数NC,蚂蚁数量antNum,信息素启发因子Alpha,信息素蒸发系数Rho,期望启发因子Beta;
步骤4.8:设计启发因子;启发因子为其中,ti,k,j是一个行数为|Ui|,列数为|N|的矩阵,/> 表示节点i中某一任务k从节点i到节点j的传输时延,表示某一任务k在节点j的处理时延;
步骤4.9:设计蚁群算法的路径选择概率;初始化信息素浓度τi,j矩阵为1,蚂蚁从起点出发,它会在途经的路上释放信息素,蚂蚁根据信息素浓度的不同选择最佳路径;蚂蚁antK选择节点j的概率为:
其中,allowedantK为蚂蚁antK访问节点的集合,τi,j(t)表示t时刻路径(i,j)上的信息素浓度;
步骤4.10:蚂蚁进行任务分配;蚂蚁antK根据公式(7),为每个任务分配节点j,直到所有的计算任务都分配完成为止;因此,蚂蚁antK的一条路径确定了节点i中所有任务的分配方案;统计任务k在各节点上的数量,即确定bi,k,j的值;
步骤4.11:信息素浓度更新;蚂蚁完成了所有的任务分配之后,对所选路径上的信息素浓度进行更新,信息素浓度按照
步骤4.12:转步骤4.10,直到达到一定的迭代次数NC,输出最佳的任务调度方案bi,k,j
步骤4.13:最后根据所求的最佳任务分配方案,计算出
CN202210013638.3A 2022-01-06 2022-01-06 一种最小化网络时延的边缘节点服务部署与负载均衡方法 Active CN114500560B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210013638.3A CN114500560B (zh) 2022-01-06 2022-01-06 一种最小化网络时延的边缘节点服务部署与负载均衡方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210013638.3A CN114500560B (zh) 2022-01-06 2022-01-06 一种最小化网络时延的边缘节点服务部署与负载均衡方法

Publications (2)

Publication Number Publication Date
CN114500560A CN114500560A (zh) 2022-05-13
CN114500560B true CN114500560B (zh) 2024-04-26

Family

ID=81509717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210013638.3A Active CN114500560B (zh) 2022-01-06 2022-01-06 一种最小化网络时延的边缘节点服务部署与负载均衡方法

Country Status (1)

Country Link
CN (1) CN114500560B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115118728B (zh) * 2022-06-21 2024-01-19 福州大学 基于蚁群算法的边缘负载均衡任务调度方法
CN115277452B (zh) * 2022-07-01 2023-11-28 中铁第四勘察设计院集团有限公司 基于边端协同的ResNet自适应加速计算方法及应用
CN115883568B (zh) * 2023-02-22 2023-06-02 云南省交通规划设计研究院有限公司 一种隧道边缘计算节点部署方法和系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2328308A1 (en) * 2009-11-27 2011-06-01 Alcatel Lucent Method for building a path according to adaptation functions using an ant colony
CN108965024A (zh) * 2018-08-01 2018-12-07 重庆邮电大学 一种5g网络切片基于预测的虚拟网络功能调度方法
CN110413392A (zh) * 2019-07-25 2019-11-05 北京工业大学 一种移动边缘计算场景下制定单任务迁移策略的方法
CN112020103A (zh) * 2020-08-06 2020-12-01 暨南大学 一种移动边缘云中的内容缓存部署方法
CN112148482A (zh) * 2020-09-11 2020-12-29 电子科技大学 一种基于结合负载均衡的边缘计算任务调度方法
CN112738272A (zh) * 2021-01-12 2021-04-30 浙江工业大学 一种最小化网络时延的边缘节点负载均衡方法
CN112995023A (zh) * 2021-03-02 2021-06-18 北京邮电大学 一种多接入边缘计算网络计算卸载系统及其计算卸载方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8812653B2 (en) * 2010-08-05 2014-08-19 Novell, Inc. Autonomous intelligent workload management

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2328308A1 (en) * 2009-11-27 2011-06-01 Alcatel Lucent Method for building a path according to adaptation functions using an ant colony
CN108965024A (zh) * 2018-08-01 2018-12-07 重庆邮电大学 一种5g网络切片基于预测的虚拟网络功能调度方法
CN110413392A (zh) * 2019-07-25 2019-11-05 北京工业大学 一种移动边缘计算场景下制定单任务迁移策略的方法
WO2021012584A1 (zh) * 2019-07-25 2021-01-28 北京工业大学 一种移动边缘计算场景下制定单任务迁移策略的方法
CN112020103A (zh) * 2020-08-06 2020-12-01 暨南大学 一种移动边缘云中的内容缓存部署方法
CN112148482A (zh) * 2020-09-11 2020-12-29 电子科技大学 一种基于结合负载均衡的边缘计算任务调度方法
CN112738272A (zh) * 2021-01-12 2021-04-30 浙江工业大学 一种最小化网络时延的边缘节点负载均衡方法
CN112995023A (zh) * 2021-03-02 2021-06-18 北京邮电大学 一种多接入边缘计算网络计算卸载系统及其计算卸载方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
A Swarm-based Approach for Function Placement in Federated Edges;Andrei Palade等;《2020 IEEE International Conference on Services Computing (SCC)》;20201211;全文 *
Container Migration Mechanism for Load Balancing in Edge Network Under Power Internet of Things;Zitong Ma等;《IEEE Access 》;20200624;全文 *
Efficient Task Offloading for IoT-Based Applications in Fog Computing Using Ant Colony Optimization;Mohamed K. Hussein等;《IEEE Access ( Volume: 8)》;20200221;全文 *
Mobile edge server placement based on meta-heuristic algorithm;Feiyan Guo等;《Journal of Intelligent&Fuzzy Systems》;20211231;全文 *
WSN中利用蚁群路径优化的时隙选择重排算法;余光华;余成;;计算机应用研究;20171010(第10期);全文 *
基于蚁群优化算法的移动边缘协作计算;花德培;孙彦赞;吴雅婷;王涛;;电子测量技术;20191023(第20期);全文 *
移动边缘计算能耗和卸载数量最优任务调度方法;李沛峰;《硕士电子期刊出版信息》;20200715(第信息与通信工程期);全文 *
面向物联网的移动边缘计算任务卸载方法研究;王登辉;陈毅红;;内江师范学院学报;20201025(第10期);全文 *

Also Published As

Publication number Publication date
CN114500560A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN114500560B (zh) 一种最小化网络时延的边缘节点服务部署与负载均衡方法
US7702784B2 (en) Distributing and geographically load balancing location aware communication device client-proxy applications
CN113193984B (zh) 一种空天地一体化网络资源映射方法及系统
US11265077B1 (en) Method for deploying task in satellite network
US20030037093A1 (en) Load balancing system and method in a multiprocessor system
CN114996001A (zh) 一种分布式机器学习任务gpu资源调度分配方法及系统
CN113348651A (zh) 切片的虚拟网络功能的动态云间放置
CN109947574A (zh) 一种基于雾网络的车辆大数据计算卸载方法
CN115629865B (zh) 一种基于边缘计算的深度学习推理任务调度方法
CN109347657B (zh) Sdn模式下支撑科技业务的虚拟数据域构建方法
CN107360031B (zh) 一种基于优化开销收益比的虚拟网络映射方法
CN110167031B (zh) 一种面向集中式基站的资源分配方法、设备及存储介质
CN113342504A (zh) 基于缓存的智能制造边缘计算任务调度方法及系统
CN112596910A (zh) 一种多用户mec系统中的云计算资源调度方法
CN115499875B (zh) 一种卫星互联网任务卸载方法、系统以及可读存储介质
CN112613761A (zh) 一种基于动态博弈和自适应蚁群算法的服务调度方法
CN115514769A (zh) 卫星弹性互联网资源调度方法、系统、计算机设备及介质
CN116822759A (zh) 旅行商问题求解方法、装置、设备及存储介质
CN116012067A (zh) 资源分配方法、装置、计算机、可读存储介质及程序产品
Wang et al. Advanced delay assured numerical heuristic modelling for peer to peer project management in cloud assisted internet of things platform
CN114650225B (zh) 基于粒子群优化算法的服务功能链sfc映射方法
Rodrigues et al. Improving virtual machine consolidation for heterogeneous cloud computing datacenters
Dehury et al. HeRAFC: Heuristic resource allocation and optimization in MultiFog-Cloud environment
CN115408123A (zh) 一种基于超图的任务调度和数据传输方法
Nain et al. Optimizing service stipulation uncertainty with deep reinforcement learning for internet vehicle systems

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