CN114629959A - 一种云环境中上下文感知的IoT服务调度策略生成方法 - Google Patents
一种云环境中上下文感知的IoT服务调度策略生成方法 Download PDFInfo
- Publication number
- CN114629959A CN114629959A CN202210285494.7A CN202210285494A CN114629959A CN 114629959 A CN114629959 A CN 114629959A CN 202210285494 A CN202210285494 A CN 202210285494A CN 114629959 A CN114629959 A CN 114629959A
- Authority
- CN
- China
- Prior art keywords
- service
- scheduling
- cloud
- iot
- iot service
- 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 30
- 238000009826 distribution Methods 0.000 claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000011176 pooling Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 23
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000003068 static effect Effects 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
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种云环境中上下文感知的IoT服务调度策略生成方法,包括生成多个IoT服务实例、数据分布、用户分布及相应的云环境实例;编码后得到描述IoT服务实例、数据分布、用户分布及云环境的矩阵;将IoT服务实例、数据分布、用户分布及云环境输入到WorkflowSim中,选用相应的调度算法,得到IoT服务实例的调度策略,将对应的调度策略作为IoT服务实例的标签;将编码的矩阵及IoT服务实例的标签输入CNN模型,进行训练,得到IoT服务实例调度策略的预测模型;使用训练得到的IoT服务实例调度策略预测模型对编码进行调度策略预测,在WorkflowSim平台验证生成的调度策略与其他算法生成的调度策略的性能。本发明将影响IoT服务性能的各种动态因素作为IoT服务的上下文,充分分析并利用IoT服务的上下文信息。
Description
技术领域
本发明属于优化服务性能技术领域,特别涉及一种云环境中上下文感知的IoT服务调度策略生成方法。
背景技术
与一般服务不同,IoT服务通常会连续处理无限的数据流。而流数据的独有特性会给IoT服务的调度带来一定难度。第一,数据源随着时间会发生变化,其产生的数据速率可以能很低,但也可能会达到很高的量级,这使得调度要具有动态性。第二,流数据处理过程实时性要求很高,通常需要在短时间内完成,否则就会丢失部分数据或导致用户访问失效,这要求调度要在具有实时性。第三,流数据相关的处理会涉及到多个服务的协同工作,各个服务之间会有中间数据的传输,这些服务的放置策略会极大影响IoT应用的完成时间和整体代价,这要求调度要考虑服务之间的协作关系。第四,数据源的分布广泛,若将数据集中至单一物理位置,数据传输会产生大量时延,无法满足用户需求,这要求调度要将数据分布作为依据。第五,对于存在安全限制的流数据,用户只能通过特定的入口对其进行访问,这要求调度要将用户的分布作为依据。
发明内容
为了克服以上技术问题,本发明的目的在于提供一种云环境中上下文感知的IoT服务调度策略生成方法,将影响IoT服务性能的各种动态因素作为IoT服务的上下文,充分分析并利用IoT服务的上下文信息。
为了实现上述目的,本发明采用的技术方案是:
一种云环境中上下文感知的IoT服务调度策略生成方法,包括以下步骤;
步骤1:将一组部署在云节点上的IoT服务重新分配,生成多个IoT服务实例、数据分布、用户分布及相应的云环境实例;
步骤2:对IoT服务实例、数据分布、用户分布及云环境编码,得到描述IoT服务实例、数据分布、用户分布及云环境的矩阵;
步骤3:将IoT服务实例、数据分布、用户分布及云环境输入到WorkflowSim中,选用相应的调度算法,得到IoT服务实例的调度策略,将对应的调度策略作为IoT服务实例的标签;
步骤4:将编码的矩阵及IoT服务实例的标签输入CNN模型,进行训练,得到IoT服务实例调度策略的预测模型;
步骤5:使用训练得到的IoT服务实例调度策略预测模型对编码的IoT服务实例、数据分布、用户分布及云环境进行调度策略预测,得到相应的调度策略;
步骤6:在WorkflowSim平台验证生成的调度策略与其他算法生成的调度策略的性能。
所述步骤1具体为:
将一组部署在云节点上的IoT服务重新分配,生成一套新的IoT服务分布方案,其中,调度策略可以用一个5元组表示,P=(S,N,D,U,C),S为IoT服务集合,D为数据资源集合,C为约束集合,N为云节点集合,U为用户集合,P为调度策略;
生成一组服务与云节点的映射关系,可表示为服务集合S到云节点集合的二元关系,即P=(<s1,n1>,<s2,n2>,..<sk,nk>,…<ssNum,nnNum>),其中<sk,nk>表示服务sk部署在云节点nk上。
所述云节点集合具体包括,根据服务之间的交互频繁性,衡量服务之间依赖关系的强弱,对于具有强依赖性的服务有必要令其尽可能靠近,甚至在一个云节点上,以减少网络通信带来的性能损耗,与此相反,若服务之间具有互斥性(如资源争夺、端口冲突等)、或者多副本部署时,均有必要让各个应用实例打散分布在各个云节点上,以保障应用的高可用性。
所述步骤2中的服务实例中,服务之间的依赖程度使用矩阵R,来描述服务间的依赖关系。
其中,sNum代表IoT应用实例种服务的总数量。当ri,j=0时,表示服务Si与Sj之间不存在依赖关系。当ri,j≠0时,Ri,j的值则代表服务间依赖关系的强弱。
所述步骤2中数据分布使用矩阵D来描述服务在云节点上的数据分布;
其中,sNum代表IoT应用实例中服务的总数量,nNum代表云节点的总数量。当di,j=0时,表示服务Si与云节点j当中的数据无依赖关系。否则,服务Si与云节点j当中的数据有依赖关系。
所述步骤2中,用户分布使用矩阵U来描述某项服务是否被某云节点所访问;
其中,sNum代表IoT应用实例中服务的总数量,nNum代表云节点的总数量。当ui,j=1时,表示服务Si被云节点j所访问。
所述步骤4中CNN模型具体为:
当服务实例、云环境及数据和用户依赖关系确定时,服务调度问题可转变为最优调度方案的预测问题,根据待预测服务实例的多个依赖关系及云环境,基于CNN预测模型对调度方案进行预测,可得到某服务的调度方案;
首先,在输入层,将服务实例的多个依赖关系及云环境通过所述的编码方式形成多个矩阵,将这些矩阵作为CNN的输入,之后,通过卷积层,提取各个矩阵中的特征,将这些特征信息汇入池化层,服务实例的多个依赖关系特征及云环境特征便融合在了一起,将池化层得到的信息输入到全连接层以整合局部信息,由于最后的结果是服务实例的调度方案,选用Sigmoid作为网络的输出层,以将输出控制在一定的范围内。将全连接层得到的特征信息输入Sigmoid,以得到最后的预测方案。
所述WorkflowSim平台仿真具体为:
将得到服务实例在某云环境下的最优调度方案,使用调度方案已知的IoT服务实例对模型进行训练,得到能够对服务调度方案进行预测的CNN模型,基于该模型可以对IoT服务实例的调度方案进行预测,将IoT服务实例的服务依赖关系、云环境、数据依赖和服务依赖编码后作为CNN的输入,根据该服务实例的服务数量及云环境中云节点数量,对应的服务调度方案将会生成,输出为一维序列:{nId1,nId2,...,nIdNumJob},即与输入的IoT服务实例相应的服务调度方案,其中序列的编号为服务编号,编号i所对应的序列中的值ni即为该调度方案下服务i放置的云节点编号。
本发明的有益效果。
本发明将服务调度问题转化成为基于图神经网络的预测问题,并将数据分布、服务依赖、用户分布、云资源等IoT服务上下文量化到调度模型中,不仅考虑了更多的优化因素,还提升IoT服务的调度效率。
本申请分析了IoT服务的特性,包括分布式、服务依赖性、数据依赖性、安全受限性和动态性。再基于上述特性,设计了五类调度约束,给出考虑IoT服务上下文的调度问题的模型。此后,将IoT服务的调度问题转换为基于模型的预测问题,再基于训练后的模型对IoT服务进行调度。本申请能够在确保调度方案有效的前提下,有效地提升生成调度方案的效率,能够更好地满足IoT服务的动态和实时性要求。
附图说明:
图1为本发明方法步骤示意图。
图2为调度结果示意图。
图3为工作流生成工具生成IoT服务实例的过程示意图。
图4为20个服务实例上应用不同调度算法的总开销对比示意图。
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。
如图1-图4所示:一种云环境中上下文感知的IoT服务调度策略生成方法,包括以下步骤;
步骤1:将一组部署在云节点上的IoT服务重新分配,生成多个IoT服务实例、数据分布、用户分布及相应的云环境实例;
步骤2:对IoT服务实例、数据分布、用户分布及云环境编码,得到描述IoT服务实例、数据分布、用户分布及云环境的矩阵;
步骤3:将IoT服务实例、数据分布、用户分布及云环境输入到WorkflowSim中,选用相应的调度算法,得到IoT服务实例的调度策略,将对应的调度策略作为IoT服务实例的标签;
步骤4:将编码的矩阵及IoT服务实例的标签输入CNN模型,进行训练,得到IoT服务实例调度策略的预测模型;
步骤5:使用训练得到的IoT服务实例调度策略预测模型对编码的IoT服务实例、数据分布、用户分布及云环境进行调度策略预测,得到相应的调度策略;
步骤6:在WorkflowSim平台验证生成的调度策略与其他算法生成的调度策略的性能。
编码规则
服务依赖
服务之间的依赖程度各不相同,有些服务间具有强依赖关系,而有些服务间的依赖关系较弱,有些服务间不存在依赖关系,因此可以提取出这些依赖关系之间的拓扑结构特征,使用矩阵R,来描述服务间的依赖关系。
其中,sNum代表IoT应用实例种服务的总数量。当ri,j=0时,表示服务Si与Sj之间不存在依赖关系。当ri,j≠0时,Ri,j的值则代表服务间依赖关系的强弱。
数据分布
由于服务可能对云节点中的数据具有依赖关系,使用矩阵D来描述服务在云节点上的数据分布。
其中,sNum代表IoT应用实例中服务的总数量,nNum代表云节点的总数量。当di,j=0时,表示服务Si与云节点j当中的数据无依赖关系。否则,服务Si与云节点j当中的数据有依赖关系。
用户分布
此外,对于面向用户的服务,用户的访问入口受安全因素限制,由于用户分布是基于空间位置的,故可基于与用户访问入口临近的云节点位置描述用户分布。使用矩阵U来描述某项服务是否被某云节点所访问。
其中,sNum代表IoT应用实例中服务的总数量,nNum代表云节点的总数量。当ui,j=1时,表示服务Si被云节点j所访问。
计算能力
服务所在的云节点的处理能力直接影响服务性能,本申请采用云节点的CPU核心数表示云节点的计算能力,使用向量Cp来描述。
Cp=(cp1,cp2,cp3,...,cpnNum) (4)
传输能力
服务时延除了源自服务所在云节点的计算能力外,服务所依赖数据的网络传输速度也是造成时延的因素之一。云节点间带宽表征了数据的传输速度,故使用矩阵T来描述节点间带宽的值。
其中,ti,j的值为不同云节点i和j之间的带宽。
基于CNN的调度模型
当服务实例、云环境及数据和用户依赖关系确定时,服务调度问题可转变为最优调度方案的预测问题。根据待预测服务实例的多个依赖关系及云环境,基于CNN预测模型对调度方案进行预测,可得到某服务的调度方案。
首先,在输入层,将服务实例的多个依赖关系及云环境通过上文所述的编码方式形成多个矩阵。将这些矩阵作为CNN的输入。之后,通过卷积层,提取各个矩阵中的特征。将这些特征信息汇入池化层,服务实例的多个依赖关系特征及云环境特征便融合在了一起。将池化层得到的信息输入到全连接层以整合局部信息。由于最后的结果是服务实例的调度方案,因此选用Sigmoid作为网络的输出层,以将输出控制在一定的范围内。将全连接层得到的特征信息输入Sigmoid,以得到最后的预测方案。
基于模型的服务调度
通过WorkflowSim平台仿真,可以得到服务实例在某云环境下的最优调度方案,使用调度方案已知的IoT服务实例对模型进行训练,可以得到能够对服务调度方案进行预测的CNN模型,基于该模型可以对IoT服务实例的调度方案进行预测。根据3.4.2所介绍的CNN模型,将IoT服务实例的服务依赖关系、云环境、数据依赖和服务依赖编码后作为CNN的输入,根据该服务实例的服务数量及云环境中云节点数量,对应的服务调度方案将会生成。输出为一维序列:{nId1,nId2,...,nIdNumJob},即与输入的IoT服务实例相应的服务调度方案,其中序列的编号为服务编号,编号i所对应的序列中的值ni即为该调度方案下服务i放置的云节点编号,如图2所示。
通过IoT服务实例生成代码可以生成1500个IoT服务实例。其中,IoT服务实例生成代码生成服务实例的过程如图3所示。
将生成的IoT服务实例及云环境等信息输入WorkflowSim,通过选择WorkflowSim中的调度算法,可以得到在当前云环境下IoT服务实例的调度方案,这些调度方案将作为有监督学习的标签来训练CNN模型。将IoT服务实例的多个依赖关系及云环境作为CNN模型的输入,以服务调度方案作为CNN的输出。该数据集以7:3的比例被划分为训练集和测试集,分别用于训练CNN模型及对所生成的服务调度方案的效果进行评价。
本申请方法的目标是动态地为IoT服务实例提供调度方案,即如何在云环境及虚拟机工况不断变化的情况下,提供一个有效的IoT服务调度方案。因此,本申请通过对比基于CNN模型预测的调度方案与baseline算法产生的调度方案在执行调度时的总开销及产生调度方案的时间,来验证本申请方法的有效性。本申请选用的对照算法如下:
PSO:粒子群算法模仿动物种群的群集行为,这些群体按照一种合作的方式寻找食物,群体中的每个成员通过学习它自身的经验和其他成员的经验来不断改变其搜索模式,是一种基于种群的随机优化技术,可用于生成服务调度方案。
HEFT:HEFT算法是异构计算环境下最早完成时间算法,是一种基础的静态调度算法。该算法的思路是将所有任务都安排在能够使它最早完成的虚拟机上执行。
DHEFT:分布式的异构计算环境下最早完成时间算法,在HEFT的基础上做出了改进。Instead ofusing the average communication cost in HEFT,the DHEFT aim tooptimize the communication cost.
算法实现和相关对比算法的实现用Java和Python完成,并且都在同一配置(Intel(R)Core(TM)i5-9300HF CPU@2.40GHz,16G内存)的Windows10机器上进行实验。
具体来说,对于IoT服务调度,一个调度方法能否在满足约束要求的前提下高效地提供服务调度方案是评价该方法性能的主要评价依据。本申请以应用服务实例在云环境下完成调度的总开销及生成调度方案的时间作为评价指标,验证本申请方法的有效性。
数据集的标签是基于WorkflowSim中调度算法生成的调度方案的,因此需要提前在WorkflowSim中选择调度算法,以得到对应的IoT服务实例的调度方案。这些调度方案将作为CNN训练数据的标签。
通过在WorkflowSim中使用PSO,HEFT和DHEFT调度算法,可以获得相对应的服务实例的调度方案。将相应的调度方案、云环境矩阵及服务依赖关系矩阵等作为CNN的训练数据,可以训练出拟合相应调度算法的预测模型。
经训练后的CNN模型可以为新的应用服务实例提供调度方案。通过对20个不同的服务实例进行分析,本申请方法生成的调度方案与对照算法生成的调度方案在总开销上近似,如图4所示。
通过对总开销及调度方案生成时间的分析,本申请基于CNN模型预测生成的调度方案与最佳方案的拟合程度如表X所示。Δcost定义为:
其中,cost为基于当前调度方案执行一次服务调度的通信开销与计算开销之和,它代表的是当前调度方案的执行总开销。∑costCNN表示通过使用本申请方法生成的调度方案在多个服务实例上的执行总开销,∑costi代表对照算法i算法生成的调度方案在相同的多个服务实例上的执行总开销。
表1.生成调度方案的时间及Δcost
由表1得知,本申请方法在TotalCost上相较于其他算法平均下降1%,且本申请方法生成调度方案的时间相较其他算法缩短5倍。
Claims (8)
1.一种云环境中上下文感知的IoT服务调度策略生成方法,其特征在于,包括以下步骤;
步骤1:将一组部署在云节点上的IoT服务重新分配,生成多个IoT服务实例、数据分布、用户分布及相应的云环境实例;
步骤2:对IoT服务实例、数据分布、用户分布及云环境编码,得到描述IoT服务实例、数据分布、用户分布及云环境的矩阵;
步骤3:将IoT服务实例、数据分布、用户分布及云环境输入到WorkflowSim中,选用相应的调度算法,得到IoT服务实例的调度策略,将对应的调度策略作为IoT服务实例的标签;
步骤4:将编码的矩阵及IoT服务实例的标签输入CNN模型,进行训练,得到IoT服务实例调度策略的预测模型;
步骤5:使用训练得到的IoT服务实例调度策略预测模型对编码的IoT服务实例、数据分布、用户分布及云环境进行调度策略预测,得到相应的调度策略;
步骤6:在WorkflowSim平台验证生成的调度策略与其他算法生成的调度策略的性能。
2.根据权利要求1所述的一种云环境中上下文感知的IoT服务调度策略生成方法,其特征在于,包所述步骤1具体为:
将一组部署在云节点上的IoT服务重新分配,生成一套新的IoT服务分布方案,其中,调度策略可以用一个5元组表示,P=(S,N,D,U,C),S为IoT服务集合,D为数据资源集合,C为约束集合,N为云节点集合,U为用户集合,P为调度策略;
生成一组服务与云节点的映射关系,可表示为服务集合S到云节点集合的二元关系,即P=(<s1,n1>,<s2,n2>,..<sk,nk>,…<ssNum,nnNum>),其中<sk,nk>表示服务sk部署在云节点nk上。
3.根据权利要求2所述的一种云环境中上下文感知的IoT服务调度策略生成方法,其特征在于,所述云节点集合具体包括,根据服务之间的交互频繁性,衡量服务之间依赖关系的强弱,对于具有强依赖性的服务有必要令其尽可能靠近,甚至在一个云节点上,以减少网络通信带来的性能损耗,与此相反,若服务之间具有互斥性(如资源争夺、端口冲突等)、或者多副本部署时,均有必要让各个应用实例打散分布在各个云节点上,以保障应用的高可用性。
7.根据权利要求1所述的一种云环境中上下文感知的IoT服务调度策略生成方法,其特征在于,所述步骤4中CNN模型具体为:
当服务实例、云环境及数据和用户依赖关系确定时,服务调度问题可转变为最优调度方案的预测问题,根据待预测服务实例的多个依赖关系及云环境,基于CNN预测模型对调度方案进行预测,可得到某服务的调度方案;
首先,在输入层,将服务实例的多个依赖关系及云环境通过所述的编码方式形成多个矩阵,将这些矩阵作为CNN的输入,之后,通过卷积层,提取各个矩阵中的特征,将这些特征信息汇入池化层,服务实例的多个依赖关系特征及云环境特征便融合在了一起,将池化层得到的信息输入到全连接层以整合局部信息,由于最后的结果是服务实例的调度方案,选用Sigmoid作为网络的输出层,以将输出控制在一定的范围内。将全连接层得到的特征信息输入Sigmoid,以得到最后的预测方案。
8.根据权利要求1所述的一种云环境中上下文感知的IoT服务调度策略生成方法,其特征在于,所述WorkflowSim平台仿真具体为:将得到服务实例在某云环境下的最优调度方案,使用调度方案已知的IoT服务实例对模型进行训练,得到能够对服务调度方案进行预测的CNN模型,基于该模型可以对IoT服务实例的调度方案进行预测,将IoT服务实例的服务依赖关系、云环境、数据依赖和服务依赖编码后作为CNN的输入,根据该服务实例的服务数量及云环境中云节点数量,对应的服务调度方案将会生成,输出为一维序列:{nId1,nId2,...,nIdNumJob},即与输入的IoT服务实例相应的服务调度方案,其中序列的编号为服务编号,编号i所对应的序列中的值ni即为该调度方案下服务i放置的云节点编号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210285494.7A CN114629959B (zh) | 2022-03-22 | 2022-03-22 | 一种云环境中上下文感知的IoT服务调度策略方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210285494.7A CN114629959B (zh) | 2022-03-22 | 2022-03-22 | 一种云环境中上下文感知的IoT服务调度策略方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114629959A true CN114629959A (zh) | 2022-06-14 |
CN114629959B CN114629959B (zh) | 2023-11-17 |
Family
ID=81903836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210285494.7A Active CN114629959B (zh) | 2022-03-22 | 2022-03-22 | 一种云环境中上下文感知的IoT服务调度策略方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114629959B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412792A (zh) * | 2013-07-18 | 2013-11-27 | 成都国科海博计算机系统有限公司 | 一种云计算平台环境下的动态任务调度方法及装置 |
WO2015070189A1 (en) * | 2013-11-10 | 2015-05-14 | Cloudweaver, Inc. | Methods and system for automated or user-assisted grouping and management of groups in cloud infrastructure and network |
WO2017010922A1 (en) * | 2015-07-14 | 2017-01-19 | Telefonaktiebolaget Lm Ericsson (Publ) | Allocation of cloud computing resources |
CN106357739A (zh) * | 2016-08-27 | 2017-01-25 | 浙江工业大学 | 一种针对批量云服务请求的两阶段组合与调度方法 |
CN108809723A (zh) * | 2018-06-14 | 2018-11-13 | 重庆邮电大学 | 一种边缘服务器联合任务卸载及卷积神经网络层调度方法 |
CN109492774A (zh) * | 2018-11-06 | 2019-03-19 | 北京工业大学 | 一种基于深度学习的云资源调度方法 |
CN110389820A (zh) * | 2019-06-28 | 2019-10-29 | 浙江大学 | 一种基于v-TGRU模型进行资源预测的私有云任务调度方法 |
CN110855578A (zh) * | 2019-11-06 | 2020-02-28 | 西安电子科技大学 | 基于相似度的云上微服务资源调度优化方法 |
CN111274009A (zh) * | 2020-01-13 | 2020-06-12 | 南京邮电大学 | 云环境下基于阶段划分的数据密集型工作流调度方法 |
WO2020173580A1 (en) * | 2019-02-26 | 2020-09-03 | Telefonaktiebolaget Lm Ericsson (Publ) | Service delivery with joint network and cloud resource management |
US20200311573A1 (en) * | 2019-04-01 | 2020-10-01 | Accenture Global Solutions Limited | Utilizing a machine learning model to predict a quantity of cloud resources to allocate to a customer |
CN112529309A (zh) * | 2020-12-16 | 2021-03-19 | 北京航天智造科技发展有限公司 | 一种云数据中心智能管理系统 |
CN113641447A (zh) * | 2021-07-16 | 2021-11-12 | 北京师范大学珠海校区 | 边缘计算中基于容器层依赖关系的在线学习型调度方法 |
-
2022
- 2022-03-22 CN CN202210285494.7A patent/CN114629959B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412792A (zh) * | 2013-07-18 | 2013-11-27 | 成都国科海博计算机系统有限公司 | 一种云计算平台环境下的动态任务调度方法及装置 |
WO2015070189A1 (en) * | 2013-11-10 | 2015-05-14 | Cloudweaver, Inc. | Methods and system for automated or user-assisted grouping and management of groups in cloud infrastructure and network |
WO2017010922A1 (en) * | 2015-07-14 | 2017-01-19 | Telefonaktiebolaget Lm Ericsson (Publ) | Allocation of cloud computing resources |
CN106357739A (zh) * | 2016-08-27 | 2017-01-25 | 浙江工业大学 | 一种针对批量云服务请求的两阶段组合与调度方法 |
CN108809723A (zh) * | 2018-06-14 | 2018-11-13 | 重庆邮电大学 | 一种边缘服务器联合任务卸载及卷积神经网络层调度方法 |
CN109492774A (zh) * | 2018-11-06 | 2019-03-19 | 北京工业大学 | 一种基于深度学习的云资源调度方法 |
WO2020173580A1 (en) * | 2019-02-26 | 2020-09-03 | Telefonaktiebolaget Lm Ericsson (Publ) | Service delivery with joint network and cloud resource management |
US20200311573A1 (en) * | 2019-04-01 | 2020-10-01 | Accenture Global Solutions Limited | Utilizing a machine learning model to predict a quantity of cloud resources to allocate to a customer |
CN110389820A (zh) * | 2019-06-28 | 2019-10-29 | 浙江大学 | 一种基于v-TGRU模型进行资源预测的私有云任务调度方法 |
CN110855578A (zh) * | 2019-11-06 | 2020-02-28 | 西安电子科技大学 | 基于相似度的云上微服务资源调度优化方法 |
CN111274009A (zh) * | 2020-01-13 | 2020-06-12 | 南京邮电大学 | 云环境下基于阶段划分的数据密集型工作流调度方法 |
CN112529309A (zh) * | 2020-12-16 | 2021-03-19 | 北京航天智造科技发展有限公司 | 一种云数据中心智能管理系统 |
CN113641447A (zh) * | 2021-07-16 | 2021-11-12 | 北京师范大学珠海校区 | 边缘计算中基于容器层依赖关系的在线学习型调度方法 |
Non-Patent Citations (2)
Title |
---|
SIMONE DISABATO: "Distributed Deep Convolutional Neural Networks for the Internet-of-Things", 《IEEE TRANSACTIONS ON COMPUTER》, vol. 70, no. 8, pages 1239 - 1252, XP011865497, DOI: 10.1109/TC.2021.3062227 * |
秦生辉: "面向IoT数据工作流的分割与调度算法", 《南京大学学报(自然科学)》, vol. 58, no. 1, pages 153 - 162 * |
Also Published As
Publication number | Publication date |
---|---|
CN114629959B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Stochastic configuration networks based adaptive storage replica management for power big data processing | |
Chen et al. | Deploying data-intensive applications with multiple services components on edge | |
Zhou et al. | Hybrid teaching–learning-based optimization of correlation-aware service composition in cloud manufacturing | |
Hamrouni et al. | A survey of dynamic replication and replica selection strategies based on data mining techniques in data grids | |
Huang et al. | A lightweight collaborative deep neural network for the mobile web in edge cloud | |
Shadroo et al. | The two-phase scheduling based on deep learning in the Internet of Things | |
Cheong et al. | SCARL: Attentive reinforcement learning-based scheduling in a multi-resource heterogeneous cluster | |
CN111597043A (zh) | 一种全场景边缘计算方法、装置及系统 | |
Li et al. | Resource scheduling based on improved spectral clustering algorithm in edge computing | |
Cheng et al. | Proscale: Proactive autoscaling for microservice with time-varying workload at the edge | |
CN112231117A (zh) | 基于动态向量混合遗传算法的云机器人服务选择方法及系统 | |
CN117271101A (zh) | 一种算子融合方法、装置、电子设备及存储介质 | |
Huang et al. | Computation offloading for multimedia workflows with deadline constraints in cloudlet-based mobile cloud | |
Li et al. | A cost‐efficient and QoS‐aware adaptive placement of applications in fog computing | |
CN114629959B (zh) | 一种云环境中上下文感知的IoT服务调度策略方法 | |
Wang et al. | Multi-granularity decomposition for componentized multimedia applications based on graph clustering | |
CN113747500B (zh) | 复杂异构移动边缘计算中基于生成对抗式网络的高能效低延迟工作流应用迁移方法 | |
Jafarpour et al. | QoS-aware Selection of Web Service Compositions using Harmony Search Algorithm. | |
Chaari et al. | Multi-objective computation offloading for cloud robotics using nsga-ii | |
Liu et al. | Computation offloading and task scheduling with fault-tolerance for minimizing redundancy in edge computing | |
CN114327925A (zh) | 一种电力数据实时计算调度优化方法及系统 | |
Shen et al. | Collaborative Learning-Based Scheduling for Kubernetes-Oriented Edge-Cloud Network | |
Sun et al. | Fast-FFA: a fast online scheduling approach for big data stream computing with future features-aware | |
Luo et al. | Integrating System State into Spatio Temporal Graph Neural Network for Microservice Workload Prediction | |
Song et al. | Resource allocation algorithm based on modeling of ubiquitous network node capability |
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 |