CN114780254B - 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 PDF

Info

Publication number
CN114780254B
CN114780254B CN202210694181.7A CN202210694181A CN114780254B CN 114780254 B CN114780254 B CN 114780254B CN 202210694181 A CN202210694181 A CN 202210694181A CN 114780254 B CN114780254 B CN 114780254B
Authority
CN
China
Prior art keywords
node
task
things
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.)
Active
Application number
CN202210694181.7A
Other languages
English (en)
Other versions
CN114780254A (zh
Inventor
邓意麒
曾浪
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.)
Hunan Ke Ke Intelligent Technology Co ltd
Original Assignee
Hunan Ke Ke Intelligent 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 Hunan Ke Ke Intelligent Technology Co ltd filed Critical Hunan Ke Ke Intelligent Technology Co ltd
Priority to CN202210694181.7A priority Critical patent/CN114780254B/zh
Publication of CN114780254A publication Critical patent/CN114780254A/zh
Application granted granted Critical
Publication of CN114780254B publication Critical patent/CN114780254B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种基于物联网的分布式节点资源优化方法
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：
Figure DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE002
为多目标优化模型的目标函数；min（）表示取最小值；
Figure DEST_PATH_IMAGE003
表示任务运行策略；
Figure DEST_PATH_IMAGE004
Figure DEST_PATH_IMAGE005
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；
其中，
Figure DEST_PATH_IMAGE006
表示第i个任务的执行节点编号，是一个介于1至N+M的整数；当
Figure DEST_PATH_IMAGE007
，说明第i个任务在中心节点
Figure DEST_PATH_IMAGE008
中执行；当
Figure DEST_PATH_IMAGE009
时，说明第i个任务在边缘节点
Figure DEST_PATH_IMAGE010
中执行；
Figure DEST_PATH_IMAGE011
表示边缘节点计算资源消耗总量，
Figure DEST_PATH_IMAGE012
表示边缘节点的存储资源消耗总量；
Figure DEST_PATH_IMAGE013
表示边缘节点能源消耗总量；
Figure DEST_PATH_IMAGE014
表示数据传输总量；
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，
Figure DEST_PATH_IMAGE015
，其中
Figure DEST_PATH_IMAGE016
其中，M表示边缘节点的数量，K表示任务的数量,
Figure DEST_PATH_IMAGE017
表示执行第i个任务需要耗费的计算资源，
Figure DEST_PATH_IMAGE018
表示第j个任务的执行节点编号；
Figure DEST_PATH_IMAGE019
其中
Figure DEST_PATH_IMAGE020
其中，
Figure DEST_PATH_IMAGE021
表示执行第i个任务需要耗费的存储资源；
Figure DEST_PATH_IMAGE022
其中
Figure DEST_PATH_IMAGE023
Figure DEST_PATH_IMAGE024
表示执行第i个任务需要耗费的能量资源；
Figure DEST_PATH_IMAGE025
Figure DEST_PATH_IMAGE026
其中，
Figure DEST_PATH_IMAGE027
为系数；
Figure DEST_PATH_IMAGE028
表示第i个任务产生时所属的任务节点；
Figure DEST_PATH_IMAGE029
为一个常数系数；
Figure DEST_PATH_IMAGE030
表示两个节点之间的通信距离，
Figure DEST_PATH_IMAGE031
表示传输第i个任务时使用的通信资源；
Figure DEST_PATH_IMAGE032
表示并集。
进一步的改进，所述
Figure 717724DEST_PATH_IMAGE029
为0到1之间的有理数。
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
Figure DEST_PATH_IMAGE033
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，
Figure DEST_PATH_IMAGE034
其中
Figure DEST_PATH_IMAGE035
表示第i个中心节点包含的计算资源信息，
Figure DEST_PATH_IMAGE036
表示第i个中心节点包含的存储资源信息，
Figure DEST_PATH_IMAGE037
表示第i个中心节点包含的通信资源信息，
Figure DEST_PATH_IMAGE038
表示数据输出通信资源信息，
Figure DEST_PATH_IMAGE039
表示数据输入通信资源信息，
Figure DEST_PATH_IMAGE040
表示第i个中心节点的位置信息，
Figure DEST_PATH_IMAGE041
表示纬度，
Figure DEST_PATH_IMAGE042
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
Figure DEST_PATH_IMAGE043
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：
Figure DEST_PATH_IMAGE044
其中
Figure DEST_PATH_IMAGE045
表示第i个边缘节点包含的计算资源信息，
Figure DEST_PATH_IMAGE046
表示第i个边缘节点包含的存储资源信息，
Figure DEST_PATH_IMAGE047
表示第i个中心节点包含的通信资源信息，
Figure DEST_PATH_IMAGE048
表示数据输出通信资源信息，
Figure DEST_PATH_IMAGE049
表示数据输入通信资源信息，
Figure DEST_PATH_IMAGE050
表示第i个边缘节点的位置信息，
Figure DEST_PATH_IMAGE051
表示纬度，
Figure DEST_PATH_IMAGE052
表示经度。
Figure DEST_PATH_IMAGE053
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：
Figure DEST_PATH_IMAGE054
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，
Figure DEST_PATH_IMAGE055
其中
Figure DEST_PATH_IMAGE056
表示执行第i个任务需要耗费的计算资源
Figure DEST_PATH_IMAGE057
存储资源
Figure DEST_PATH_IMAGE058
能量资源
Figure DEST_PATH_IMAGE059
以及传输该任务需要的通信资源
Figure DEST_PATH_IMAGE060
Figure DEST_PATH_IMAGE061
表示该任务产生时所属的任务节点，
Figure DEST_PATH_IMAGE062
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：
对于空间中存在的物联网，存在N个中心节点
Figure 954841DEST_PATH_IMAGE033
M个边缘节点
Figure DEST_PATH_IMAGE063
在某个特定时刻存在K个相互独立的任务
Figure DEST_PATH_IMAGE064
其任务运行策略用
Figure DEST_PATH_IMAGE065
表示，其数学表达式如下：
Figure DEST_PATH_IMAGE066
Figure DEST_PATH_IMAGE067
其中，
Figure DEST_PATH_IMAGE068
表示第i个任务的执行节点情况，需要说明的是，
Figure 534246DEST_PATH_IMAGE068
是一个介于1至N+M的整数，用来表示该任务在哪个节点执行，本文中，当
Figure DEST_PATH_IMAGE069
，说明该任务在中心节点中
Figure 585247DEST_PATH_IMAGE008
执行；当
Figure DEST_PATH_IMAGE070
时，说明该任务在边缘节点
Figure 589500DEST_PATH_IMAGE010
中执行。
基于以上问题描述，该问题的多目标优化模型为：
Figure DEST_PATH_IMAGE071
其中
Figure DEST_PATH_IMAGE072
为该模型的目标函数。分布式节点资源优化均衡模型一共有4个目标函数，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。
（1）目标函数
第一个目标函数是边缘节点计算资源消耗总量，由于主要考虑边缘节点的消耗情况，因此对于M个边缘节点
Figure DEST_PATH_IMAGE073
在
Figure DEST_PATH_IMAGE074
任务执行策略下，边缘节点的计算资源消耗总量记为
Figure 693853DEST_PATH_IMAGE011
。
Figure DEST_PATH_IMAGE075
，其中
Figure 790247DEST_PATH_IMAGE016
第二个目标函数是边缘节点的存储资源消耗总量，记为
Figure 395672DEST_PATH_IMAGE012
。与计算资源消耗总量类似, 因此对于M个边缘节点
Figure DEST_PATH_IMAGE076
在
Figure 198371DEST_PATH_IMAGE074
任务执行策略下，边缘节点的计算资源消耗总量。
Figure 598259DEST_PATH_IMAGE019
其中
Figure 994999DEST_PATH_IMAGE020
第三个目标函数是边缘节点能源消耗总量
Figure 13901DEST_PATH_IMAGE013
，
Figure 176767DEST_PATH_IMAGE022
，其中
Figure 747557DEST_PATH_IMAGE023
第四个目标函数是数据传输总量，记为
Figure 772538DEST_PATH_IMAGE014
，存在以下几个前提：
（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：
Figure 952722DEST_PATH_IMAGE025
Figure 612504DEST_PATH_IMAGE026
其中，
Figure 590081DEST_PATH_IMAGE030
为两个节点之间的通信距离，
Figure 725527DEST_PATH_IMAGE029
为系数，表示当边缘节点需要将任务传输到其它节点进行计算时跟距离相关的系数，一般定义为系数为正比例函数，表示距离越远，通信传输代价越大。
综上，基于物联网的分布式节点优化问题模型建立如下：
对于空间中存在的物联网，存在N个中心节点
Figure DEST_PATH_IMAGE077
M个边缘节点
Figure 227178DEST_PATH_IMAGE076
K个相互独立的任务
Figure DEST_PATH_IMAGE078
在任务策略空间集合
Figure DEST_PATH_IMAGE079
下，其中
Figure DEST_PATH_IMAGE080
，多目标优化模型为：
Figure DEST_PATH_IMAGE081
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：
Figure DEST_PATH_IMAGE083
针对20轮任务产生后，各项性能评估参数结果：
Figure DEST_PATH_IMAGE084
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 (5)

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：
Figure 361004DEST_PATH_IMAGE001
其中，
Figure 12565DEST_PATH_IMAGE002
为多目标优化模型的目标函数；min表示取最小值；
Figure 683980DEST_PATH_IMAGE003
表示任务运行策略；
Figure 79190DEST_PATH_IMAGE004
，
Figure 627983DEST_PATH_IMAGE005
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；
其中，
Figure 450445DEST_PATH_IMAGE006
表示第i个任务的执行节点编号，是一个介于1至
Figure 717478DEST_PATH_IMAGE007
的整数；当
Figure 103329DEST_PATH_IMAGE008
，说明第i个任务在中心节点
Figure 772208DEST_PATH_IMAGE009
中执行；当
Figure 906517DEST_PATH_IMAGE010
时，说明第i个任务在边缘节点
Figure 660847DEST_PATH_IMAGE011
中执行；
Figure 880082DEST_PATH_IMAGE012
表示边缘节点计算资源消耗总量，
Figure 403467DEST_PATH_IMAGE013
表示边缘节点的存储资源消耗总量；
Figure 833311DEST_PATH_IMAGE014
表示边缘节点能源消耗总量；
Figure 215882DEST_PATH_IMAGE015
表示数据传输总量；
Figure 491006DEST_PATH_IMAGE016
其中，M表示边缘节点的数量，K表示任务的数量，
Figure 321428DEST_PATH_IMAGE017
表示执行第i个任务需要耗费的计算资源，
Figure 656594DEST_PATH_IMAGE018
表示第j个任务的执行节点编号；
Figure 119936DEST_PATH_IMAGE019
其中，
Figure 198751DEST_PATH_IMAGE020
表示执行第i个任务需要耗费的存储资源；
Figure 696728DEST_PATH_IMAGE021
Figure 360053DEST_PATH_IMAGE022
表示执行第i个任务需要耗费的能量资源；
Figure 310691DEST_PATH_IMAGE023
其中，
Figure 927618DEST_PATH_IMAGE024
为系数；
Figure 280101DEST_PATH_IMAGE025
表示第i个任务产生时所属的任务节点；
Figure 409600DEST_PATH_IMAGE026
为一个常数系数；
Figure 847535DEST_PATH_IMAGE027
表示两个节点之间的通信距离，
Figure 409097DEST_PATH_IMAGE028
表示传输第i个任务时使用的通信资源；
Figure 881667DEST_PATH_IMAGE029
表示并集；
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。
4.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
Figure 995117DEST_PATH_IMAGE030
为0到1之间的有理数。
5.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。
CN202210694181.7A 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 Active CN114780254B (zh)

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 CN114780254A (zh) 2022-07-22
CN114780254B true 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 (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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

Family Cites Families (4)

* Cited by examiner, † Cited by third party
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
US11620167B2 (en) * 2020-05-01 2023-04-04 Dell Products L.P. System for allocating task processing between an IoT device and an edge device
US11343202B1 (en) * 2021-04-23 2022-05-24 Dell Products L.P. Managing edge devices based on predicted network bandwidth utilization
CN113904947B (zh) * 2021-11-15 2022-10-25 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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

Also Published As

Publication number Publication date
CN114780254A (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN110096349B (zh) 一种基于集群节点负载状态预测的作业调度方法
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
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
CN111726854B (zh) 一种降低物联网计算卸载能耗的方法
Rajabzadeh et al. Energy-aware framework with Markov chain-based parallel simulated annealing algorithm for dynamic management of virtual machines in cloud data centers
Gu et al. A multi-objective fog computing task scheduling strategy based on ant colony algorithm
WO2024087512A1 (zh) 一种图神经网络压缩方法、装置、电子设备及存储介质
Singh Effective load balancing strategy using fuzzy golden eagle optimization in fog computing environment
CN115629865B (zh) 一种基于边缘计算的深度学习推理任务调度方法
Nguyen et al. Modeling multi-constrained fog-cloud environment for task scheduling problem
Dong et al. Content caching-enhanced computation offloading in mobile edge service networks
Zhang et al. Quantified edge server placement with quantum encoding in internet of vehicles
Li et al. DQN-enabled content caching and quantum ant colony-based computation offloading in MEC
CN114780254B (zh) 一种基于物联网的分布式节点资源优化方法
Chen et al. An energy‐efficient method of resource allocation based on request prediction in multiple cloud data centers
CN108073449B (zh) 一种虚拟机动态放置方法
Moghaddasi et al. Multi-Objective Secure Task Offloading Strategy for Blockchain-Enabled IoV-MEC Systems: A Double Deep Q-Network Approach
Fang et al. A Scheduling Strategy for Reduced Power Consumption in Mobile Edge Computing
Yu et al. Task offloading and resource allocation strategy based on deep learning for mobile edge computing
Sun et al. Based on QoS and energy efficiency virtual machines consolidation techniques in cloud
Shi et al. Workflow migration in uncertain edge computing environments based on interval many-objective evolutionary algorithm
Yadav E-MOGWO Algorithm for Computation Offloading in Fog Computing.

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