CN114780254A - 一种基于物联网的分布式节点资源优化方法 - Google Patents
一种基于物联网的分布式节点资源优化方法 Download PDFInfo
- Publication number
- CN114780254A CN114780254A CN202210694181.7A CN202210694181A CN114780254A CN 114780254 A CN114780254 A CN 114780254A CN 202210694181 A CN202210694181 A CN 202210694181A CN 114780254 A CN114780254 A CN 114780254A
- Authority
- CN
- China
- Prior art keywords
- node
- things
- task
- internet
- information
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000003860 storage Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000005540 biological transmission Effects 0.000 claims abstract description 10
- 238000005265 energy consumption Methods 0.000 claims abstract description 7
- 238000004891 communication Methods 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000013486 operation strategy Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 230000003111 delayed effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/502—Proximity
-
- 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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Multi Processors (AREA)
Abstract
本发明公开了一种基于物联网的分布式节点资源优化方法,包括如下步骤:步骤一、构建多目标优化模型;步骤二、采用基于NSGA‑III的物联网分布式节点资源优化策略求解算法进行求解多目标优化模型,得到最优策略;步骤三、采用最优策略对任务进行处理;步骤四、更新物联网中中心节点信息、边缘节点信息、任务需求信息;步骤五、根据更后的新物联网中中心节点信息、边缘节点信息、任务需求信息,重复步骤二继续执行。本发明通过对物联网节点任务的分配优化有效降低了边缘节点计算资源消耗总量、边缘节点存储资源消耗总量、边缘节点能源消耗总量、数据传输总量的总体资源消耗,达到了较优的资源利用率。
Description
技术领域
本发明涉及数据处理领域,特别涉及一种基于物联网的分布式节点资源优化方法。
背景技术
物联网条件下,尤其是针对边缘计算场景,除了中心节点具备较强的计算和存储能力,其它每个边缘节点都具备一定的服务能力,包含有限的计算、存储和网络资源。这样中心节点和边缘节点一起组成了一个基于物联网的边缘计算分布式环境。
基于物联网的边缘计算是一个典型的分布式环境,存在大量的应用任务,需要消耗一定的计算、存储和网络资源,充分利用好基于物联网的边缘计算分布式环境,完成这些任务主要存在以下问题,首先是每个边缘节点的资源不同,有的边缘节点能力强,而更多的边缘节点能力相对较弱,当任务来临时,如果全部按照最近节点来完成,必然会导致该节点无法完成相应任务,从而导致全局节点任务完成时间滞后,而如果按照能力强弱划分,那些离任务节点较远的、任务处理能力较强的任务往往需要较大的通信开销,也会导致全局节点任务完成时间滞后,因此,需要构建一种基于物联网的分布式节点资源优化方法,同时考虑边缘节点在分布式条件下任务能力(计算能力、存储能力、通信能力)、任务请求距离等因素,在完成任务的约束下,达到计算资源利用率、存储利用率、通信资源消耗率和任务完成时间达到综合最优。
NSGA-III:即第三代基于参考点的非支配遗传算法,用于解决高维目标以及前沿解集均匀分布问题,避免所获得解集局部最优。
发明内容
本发明的目的是克服现有技术的不足之外,本发明公开了一种基于物联网的分布式节点资源优化方法。
为实现上述目的,本发明采用的技术方案如下:
一种基于物联网的分布式节点资源优化方法,包括如下步骤:
步骤一、构建多目标优化模型,描述物联网中的中心节点信息、边缘节点信息和任务需求信息;其中每个任务都产生在边缘节点上;在边缘节点计算完成后的所有任务都将计算结果传输至中心节点;
多目标优化模型如下所示:
N表示中心节点数量,M表示边缘节点的数量,K表示任务的数量;
步骤二、求解多目标优化模型,得到最优策略;
步骤三、采用最优策略对任务进行处理;
步骤四、更新物联网中中心节点信息、边缘节点信息、任务需求信息;
步骤五、根据更后的新物联网中中心节点信息、边缘节点信息、任务需求信息,重复步骤二继续执行。
进一步的改进,所述任务需求信息即物联网数据处理任务的集合。
进一步的改进,所述中心节点信息包括中心节点的计算资源信息、存储资源信息、通信带宽信息和位置;所述边缘节点信息包括边缘节点的计算资源信息、存储资源信息、通信带宽信息和位置。
进一步的改进,所述步骤二中,采用基于NSGA-III的物联网分布式节点资源优化策略求解算法求解多目标优化模型,得到最优策略。
本发明优点:
1、构建了一种基于物联网的分布式节点优化模型。通过形式化定义方式对非典型场景下的物联网节点进行建模,包括边缘节点、中心节点及任务运行策略。首次用数学方式描述了在边缘节点产生任务、综合调度中心节点和边缘节点资源运行完成任务的非典型物联网场景下的模型问题。
2、与传统的物联网节点能耗优化模型不同的是,本发明首次综合考虑了中心节点和边缘节点的计算、存储和通信带宽问题的综合优化。传统的物联网节点优化往往只考虑传感器的剩余能量,而没有考虑传感器执行任务时的计算能力、存储能力和通信能力。当边缘节点数据处理任务发生时,如果计算、存储和通信能力有限,则无法完成任务,造成物理网的失效。本发明专利要综合考虑传感器节点能源、通信、计算、存储等因素,对传感器网络中的分布式节点任务执行策略进行求解,有选择的进行任务计算和传输,从而能够提高能源、通信、计算、存储的效率,增加网络寿命。
3、不同于单一优化目标问题,本发明中将基于物理网的分布式节点资源优化问题建模成为了一个多目标优化问题,并引入了一种NSGA-III多目标优化求解方法,使得多个因素(能源、通信、计算、存储等)在分布式节点优化时同时达到最优。
附图说明
图1为本发明的整体流程示意图;
图2为基于NSGA-III的物联网分布式节点资源优化策略求解算法进行求解的流程示意图。
具体实施方式
1 典型的物联网面临的问题:
一个典型的物联网边缘分布式节点包含多个中心节点,具备较强的计算和存储能力。在每个中心节点附近,存在一部分边缘节点,每个边缘节点的计算与存储能力、网络带宽都有一定的限制。当边缘节点数据处理任务发生时,如果计算存储能力有限,需要上传到中心节点或者就近的其它边缘节点进行数据处理,而考虑到边缘节点本身存在通信带宽的限制,无法将所有任务都进行传输,而是要综合考虑通信、计算、存储等因素进行有选择的任务计算和传输。于是就存在一个需要解决的分布式资源节点多目标优化问题。
2 问题定义与描述:
首先给出如下定义,
定义1:中心节点(Center Nodes,CN)。中心节点是物联网的中央处理节点,一般指包含较多计算、存储和通信资源的中心节点。
假设一个物联网中存在N个中心节点每个中心节点包含四类信息:计算资源信息、存储资源信息、通信带宽信息和位置,其中表示第i个中心节点包含的计算资源信息,表示第i个中心节点包含的存储资源信息,表示第i个中心节点包含的通信资源信息,表示数据输出通信资源信息,表示数据输入通信资源信息,表示第i个中心节点的位置信息,表示纬度,表示经度。为了便于模型的计算求解,这里的计算、存储、通信全部归一量化为标准范围实数值。
定义2:边缘节点(Edge Nodes)。指物联网中处于边缘的计算和存储节点,一般包含较少的计算、存储和通信资源。
边缘节点在物联网中一般指末端的传感器,虽然有一定的计算和处理能力,但是非常有限,可以处理一些简单的数据采集、分析任务,但是要尽可能的避免大量的数据读取操作,即使边缘节点产生了任务,在通信条件和时间约束允许的条件下,也需要尽可能的将这些任务转移到中心节点去进行计算。
假设一个物联网中存在M个边缘节点与中心节点类似,边缘节点同样包含了计算资源信息、存储资源信息、通信带宽信息和位置四类信息,同时,与中心节点不同的是,由于边缘节点一般部署在较为边缘的地方,采用的供电机制是电池,因此需要充分考虑其能源的利用情况,即总电量,因此边缘节点模型为:
其中表示第i个边缘节点包含的计算资源信息,表示第i个边缘节点包含的存储资源信息,表示第i个中心节点包含的通信资源信息,表示数据输出通信资源信息,表示数据输入通信资源信息,表示第i个边缘节点的位置信息,表示纬度,表示经度。代表边缘节点具备的能力信息。同样的,为了便于模型的计算求解,这里的计算、存储、通信以及能量都全部归一量化为标准范围实数值。
定义3:物联网数据处理任务集合(Data Tasks,DT)。本文的物联网数据处理任务集合是指在某一个物联网运行过程中需要对数据进行处理的所有任务集合。
其符号化描述如下:
表示一个任务集合中K个相互独立的任务,每个任务完成需要耗费一定的存储、计算资源、能量,而将任务计算结果传输出去也需要耗费一定的通信资源。其中,其中表示执行第i个任务需要耗费的计算资源存储资源能量资源以及传输该任务需要的通信资源 表示该任务产生时所属的任务节点,
定义4:边缘任务运行策略。为了完成边缘计算中产生的任务,所采用的不同中心节点和边缘节点进行任务处理的方法称为边缘任务运行策略。
边缘任务运行策略的数学定义如下:
基于以上问题描述,该问题的多目标优化模型为:
(1)目标函数
(1)由于每个任务的产生都是在边缘节点上的,因此如果该任务不在其产生的边缘节点上运行,将会产生任务的数据传出通信开销。
(2)在边缘节点计算完成后的所有任务,都需要将计算结果传输至中心节点,因此必然会产生任务结束后的数据传输通信开销。相对与任务本身所需要的数据而言,由于每次任务完成以后产生的结果数据一般比较小,并且每个任务的计算结果产生的数据量一致,因此本项目统一认定为一次任务完成以后的结果数据开销为一个常数。
(3)在中心节点计算的所有任务,带宽一般比较充足,因此不考虑其数据的输出通信开销。
基于以上几点基本考虑,对数据传输总量目标函数定义如下:
综上,基于物联网的分布式节点优化问题模型建立如下:
从模型中可以看出,该问题属于典型的NP难问题(难以采用传统多项式解决方法求解)。因此,需要采用启发式的进化方法解决。
3 求解算法
本文提出基于多目标优化的方法解决物联网中的分布式节点优化均衡算法问题,其求解过程如下如图1所示:
因此,基于物理网的分布式节点优化均衡算法的主要过程如下:
(1)首先构建多目标优化模型,描述物联网中的中心节点、边缘节点、任务需求等信息,将其建模到计算机中;
(2)其次是如图2所示,采用基于NSGA-III的物联网分布式节点资源优化策略求解算法进行求解,得到最优策略;
(3)然后是将策略应用到物联网的任务执行过程中,对结果进行评估;
(4)更新物联网中中心节点、边缘节点、任务需求的描述模型信息,包括节点的总能量、带宽等情况信息;
(5)当任务需求更新时,重复第(2)步继续执行。
4 实验结果
本发明选取一个物联网局域网中的数据采集任务和预测的数据集合,该物联网部署在一个开放的广场环境中,用于监测行人流量以及计算预测未来的行人浏览,包含4中心节点,100个边缘节点,预测任务每一个小时随机产生于其中10个边缘节点,从而对物联网的分布式节点资源的使用进行优化。
本发明所采用的实验背景为:电脑主要配置为:Pentium(R)Dual-core 3.06 CPU,8G RAM内存。
效果评估:本文对算法的性能评估采用的参数包括,在10轮、20轮任务产生完成后,边缘节点计算资源消耗总量(Total RC)、边缘节点存储资源消耗总量(Total CC)、边缘节点能源消耗总量(Total PC)、数据传输总量(Total TC)。
对比传统的随机分配算法(Random)、最近距离分配算法(NearDist),本算法的计算结果如下表:
需要说明的是,效果评估的参数都是越小越好。
针对10轮任务产生后,各项性能评估参数结果:
针对20轮任务产生后,各项性能评估参数结果:
上述实施例仅为最佳例举,而并非是对本发明的实施方式的限定。
Claims (6)
1.一种基于物联网的分布式节点资源优化方法,其特征在于,包括如下步骤:
步骤一、构建多目标优化模型,描述物联网中的中心节点信息、边缘节点信息和任务需求信息;其中每个任务都产生在边缘节点上;在边缘节点计算完成后的所有任务都将计算结果传输至中心节点;
多目标优化模型如下所示:
N表示中心节点数量,M表示边缘节点的数量,K表示任务的数量;
步骤二、求解多目标优化模型,得到最优策略;
步骤三、采用最优策略对任务进行处理;
步骤四、更新物联网中中心节点信息、边缘节点信息、任务需求信息;
步骤五、根据更后的新物联网中中心节点信息、边缘节点信息、任务需求信息,重复步骤二继续执行。
2.如权利要求1所述的基于物联网的分布式节点资源优化方法,其特征在于,所述任务需求信息即物联网数据处理任务的集合。
3.如权利要求1所述的基于物联网的分布式节点资源优化方法,其特征在于,所述中心节点信息包括中心节点的计算资源信息、存储资源信息、通信带宽信息和位置;所述边缘节点信息包括边缘节点的计算资源信息、存储资源信息、通信带宽信息和位置。
6.如权利要求1所述的基于物联网的分布式节点资源优化方法,其特征在于,所述步骤二中,采用基于NSGA-III的物联网分布式节点资源优化策略求解算法求解多目标优化模型,得到最优策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210694181.7A CN114780254B (zh) | 2022-06-20 | 2022-06-20 | 一种基于物联网的分布式节点资源优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210694181.7A CN114780254B (zh) | 2022-06-20 | 2022-06-20 | 一种基于物联网的分布式节点资源优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114780254A true CN114780254A (zh) | 2022-07-22 |
CN114780254B CN114780254B (zh) | 2022-09-16 |
Family
ID=82422057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210694181.7A Active CN114780254B (zh) | 2022-06-20 | 2022-06-20 | 一种基于物联网的分布式节点资源优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114780254B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3683677A1 (en) * | 2019-01-15 | 2020-07-22 | Siemens Aktiengesellschaft | Method and allocator for allocating computation resources amongst a plurality of devices arranged in a network |
CN112540845A (zh) * | 2020-05-27 | 2021-03-23 | 南京邮电大学 | 一种基于移动边缘计算的协作系统及方法 |
CN113176936A (zh) * | 2021-05-11 | 2021-07-27 | 北京邮电大学 | QoE感知的分布式边缘任务调度和资源管理方法及系统 |
CN113573324A (zh) * | 2021-07-06 | 2021-10-29 | 河海大学 | 工业物联网中协作式任务卸载和资源分配的联合优化方法 |
US20210342198A1 (en) * | 2020-05-01 | 2021-11-04 | Dell Products L. P. | System for allocating task processing between an iot device and an edge device |
CN113904947A (zh) * | 2021-11-15 | 2022-01-07 | 湖南大学无锡智能控制研究院 | 车路协同分布式边缘计算任务卸载与资源分配方法和系统 |
US11343202B1 (en) * | 2021-04-23 | 2022-05-24 | Dell Products L.P. | Managing edge devices based on predicted network bandwidth utilization |
CN114547981A (zh) * | 2022-02-24 | 2022-05-27 | 南京航空航天大学 | 一种实现移动边缘计算任务卸载的方法及系统 |
CN114637608A (zh) * | 2022-05-17 | 2022-06-17 | 之江实验室 | 一种计算任务分配和更新方法、终端及网络设备 |
-
2022
- 2022-06-20 CN CN202210694181.7A patent/CN114780254B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3683677A1 (en) * | 2019-01-15 | 2020-07-22 | Siemens Aktiengesellschaft | Method and allocator for allocating computation resources amongst a plurality of devices arranged in a network |
US20210342198A1 (en) * | 2020-05-01 | 2021-11-04 | Dell Products L. P. | System for allocating task processing between an iot device and an edge device |
CN112540845A (zh) * | 2020-05-27 | 2021-03-23 | 南京邮电大学 | 一种基于移动边缘计算的协作系统及方法 |
US11343202B1 (en) * | 2021-04-23 | 2022-05-24 | Dell Products L.P. | Managing edge devices based on predicted network bandwidth utilization |
CN113176936A (zh) * | 2021-05-11 | 2021-07-27 | 北京邮电大学 | QoE感知的分布式边缘任务调度和资源管理方法及系统 |
CN113573324A (zh) * | 2021-07-06 | 2021-10-29 | 河海大学 | 工业物联网中协作式任务卸载和资源分配的联合优化方法 |
CN113904947A (zh) * | 2021-11-15 | 2022-01-07 | 湖南大学无锡智能控制研究院 | 车路协同分布式边缘计算任务卸载与资源分配方法和系统 |
CN114547981A (zh) * | 2022-02-24 | 2022-05-27 | 南京航空航天大学 | 一种实现移动边缘计算任务卸载的方法及系统 |
CN114637608A (zh) * | 2022-05-17 | 2022-06-17 | 之江实验室 | 一种计算任务分配和更新方法、终端及网络设备 |
Non-Patent Citations (2)
Title |
---|
周鹏等: "工业物联网中基于边缘计算的跨域计算资源分配与任务卸载", 《物联网学报》 * |
马武彬等: "基于进化多目标优化的微服务组合部署与调度策略", 《系统工程与电子技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114780254B (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qiu et al. | Online deep reinforcement learning for computation offloading in blockchain-empowered mobile edge computing | |
Wang et al. | Efficient multi-tasks scheduling algorithm in mobile cloud computing with time constraints | |
CN111445111B (zh) | 一种基于边缘协同的电力物联网任务分配方法 | |
CN102096460B (zh) | 在数据中心动态分配功率的方法和设备 | |
Heidari et al. | A green, secure, and deep intelligent method for dynamic IoT-edge-cloud offloading scenarios | |
US11784931B2 (en) | Network burst load evacuation method for edge servers | |
CN109167671A (zh) | 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 | |
Hu et al. | An efficient online computation offloading approach for large-scale mobile edge computing via deep reinforcement learning | |
CN109996247B (zh) | 网络化资源调配方法、装置、设备及存储介质 | |
Gu et al. | A multi-objective fog computing task scheduling strategy based on ant colony algorithm | |
CN104580447A (zh) | 一种基于访问热度的时空数据服务调度方法 | |
Singh | Effective load balancing strategy using fuzzy golden eagle optimization in fog computing environment | |
Li et al. | Resource scheduling based on improved spectral clustering algorithm in edge computing | |
Dong et al. | Content caching-enhanced computation offloading in mobile edge service networks | |
Moghaddasi et al. | Multi-objective secure task offloading strategy for blockchain-enabled IoV-MEC systems: a double deep Q-network approach | |
Nguyen et al. | Modeling multi-constrained fog-cloud environment for task scheduling problem | |
Chekired et al. | Multi-tier fog architecture: A new delay-tolerant network for IoT data processing | |
Zhang et al. | Quantified edge server placement with quantum encoding in internet of vehicles | |
CN117596246A (zh) | 基于异构资源度量特征的算力网络工作流调度方法及系统 | |
CN114780254B (zh) | 一种基于物联网的分布式节点资源优化方法 | |
Xiong et al. | An energy aware algorithm for edge task offloading | |
Wang et al. | Research on resource scheduling of cloud based on improved particle swarm optimization algorithm | |
Sun et al. | Based on QoS and energy efficiency virtual machines consolidation techniques in cloud | |
Fang et al. | A Scheduling Strategy for Reduced Power Consumption in Mobile Edge Computing | |
Ghaderi et al. | An energy‐efficient data management scheme for industrial IoT |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Distributed Node Resource Optimization Method Based on the Internet of Things Granted publication date: 20220916 Pledgee: Bank of Changsha Limited by Share Ltd. Wangcheng branch Pledgor: Hunan Ke Ke Intelligent Technology Co.,Ltd. Registration number: Y2024980001307 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |