CN114844900B - 一种基于不确定需求下的边云资源协作方法 - Google Patents
一种基于不确定需求下的边云资源协作方法 Download PDFInfo
- Publication number
- CN114844900B CN114844900B CN202210483939.2A CN202210483939A CN114844900B CN 114844900 B CN114844900 B CN 114844900B CN 202210483939 A CN202210483939 A CN 202210483939A CN 114844900 B CN114844900 B CN 114844900B
- Authority
- CN
- China
- Prior art keywords
- edge server
- efficiency
- module
- request
- resources
- 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
Links
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
- H04L67/1008—Server selection for load balancing based on parameters of servers, e.g. available memory or workload
-
- 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
- H04L67/1012—Server selection for load balancing based on compliance of requirements or conditions with available server resources
-
- 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
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Multi Processors (AREA)
- Computer And Data Communications (AREA)
Abstract
本发明公开了一种基于不确定需求下的边云资源协作方法,目的是提高边缘服务器的服务效率。技术方案是先构建由J个边缘服务器和一个云端服务中心组成的边缘云一体化系统。接着边缘服务器的各个模块依次运行:设备信息模块读取最大计算负载;效率计算模块计算计算资源对效率的预期影响;数据预估模块根据预期影响,预估边缘服务器最大预期效率和最优预先请求资源量;最优决策模块根据预先请求资源量和预期影响,计算最优预先请求决策;第一协作模块根据最优预先请求决策和预先请求资源量确定请求指令。最后云端服务中心根据请求指令调度资源。采用本发明可以避免预先请求资源过少时的计算任务流失,提高边缘服务器的服务效率。
Description
技术领域
本发明涉及高性能网络技能领域,具体涉及一种基于不确定需求下的边云资源协作方法。
背景技术
随着移动物联网(IoT)设备的日益普及,用户对于计算任务的延迟保障提出了更高的要求。考虑到云端服务中心具有不可预测的通信延迟,而移动边缘服务器具有低时延的特性,因此移动用户更倾向于将一些延迟密集型计算任务(如人脸识别和医疗等)卸载到用户附近的边缘服务器上,这使得边缘计算近些年备受研究者关注。
然而,边缘服务器相较于云端服务中心而言,计算资源是有限的,因此当存在大量的计算负载时,边缘服务器往往很难保证自身服务质量。如果大范围建设边缘服务器,会导致极高的建造成本和维修成本,因此边缘服务器存在请求计算资源来使得保证服务质量的同时提供更多的计算服务的需求。而对于云端服务中心来说,由于移动用户的延迟密集型任务均卸载至边缘服务器,导致云端服务中心存在一部分计算资源处于空闲状态,运转这些空闲计算资源会产生额外的电力成本,导致资源浪费,因此云端服务中心也需要调度自身空闲计算资源来避免电力资源的浪费。这也为边云协作奠定了基础。
目前,边云协作方法主要集中在卸载策略上。边缘服务器将自身计算资源无法满足的计算任务卸载至云端服务中心,云端服务中心调度资源来提供计算服务,将计算结果返回至边缘服务器。在这种模式中,边缘服务器分发任务给云端服务中心的同时,会产生很高的时延,这使得边缘服务器的服务质量无法得到保障。
针对这一问题,边云资源协作方法被视为一种有效的解决措施。边缘服务器通过从云端服务中心提前请求一部分计算资源,从而提供更多的计算服务。而云端服务中心也能够提前调整自身计算资源,提高资源调度的稳定性同时避免资源的浪费。在现有边云资源协作方法中,边缘服务器大多是当本地计算资源无法承担计算负载时,临时从云端服务中心请求计算资源。但是对于云端服务中心而言,这种瞬发的资源调度往往会破坏云端服务中心资源运转的稳定性。因此,在边云资源协作方法中,考虑预先调度计算资源的形式来提高云端服务中心稳定性的同时实现资源调度十分必要。然而,对于边缘服务器,计算负载是不确定的,预先请求过多计算资源可能会存在计算资源浪费,而预先请求过少计算资源会存在一部分计算任务无法完成,这两种情况都不能使边缘服务器可以提供更多的计算服务。若将预先请求和临时请求相结合可以避免资源浪费和任务流失,使得边缘服务器能够根据可承担的最大计算负载,选择合理的计算资源请求决策,以提高边缘服务器的服务效率,但目前还没有公开文献涉及将预先请求和临时请求相结合来的方法。
综上所述,急需一种在不确定需求下,将预先请求和临时请求相结合的边云资源协作机制使得边缘服务器能够根据最大计算负载,选择合理的计算资源请求决策,提高边缘服务器的服务效率。
发明内容
本发明要解决的技术问题在于,提供一种不确定需求下的边云资源协作方法,提高边缘服务器的服务效率。
本发明提出了一种不确定需求下的边云资源协作方法,包括以下步骤:
第一步,构建边缘云一体化系统。该系统由J个边缘服务器和一个云端服务中心组成。令J个边缘服务器为边缘服务器1,…,边缘服务器j,…,边缘服务器J,1≤j≤J。
J台边缘服务器并行工作,每台边缘服务器安装有相同的模块,令任意一台边缘服务器的编号为j,边缘服务器j上安装有设备信息管理模块、优化模块、结果生成模块、第一协作模块。设备信息管理模块与优化模块相连;优化模块与设备信息管理模块、结果生成模块相连;结果生成模块与优化模块、第一协作模块相连;第一协作模块与结果生成模块、云端服务中心相连。
边缘服务器j上的优化模块包含效率计算模块、数据预估模块和最优决策模块。效率计算模块与设备信息管理模块、数据预估模块和最优决策模块相连,效率计算模块从设备信息管理模块接收预先请求的计算资源计算计算资源对边缘服务器j的服务效率的预期影响,将不同的预期影响组成第一临时效率数组将发送给数据预估模块;当预先请求的计算资源确定为时,根据从数据预估模块接收的最优的预先请求资源量效率计算模块重新计算服务效率的预期影响,得到第二临时效率数组并将发送给最优决策模块。数据预估模块与设备信息管理模块、效率计算模块、最优决策模块、结果生成模块相连,数据预估模块从设备信息管理模块接收最大计算负载并接收效率计算模块传来的在最大计算负载为时,与效率计算模块相互配合,进行效率预估、资源预估,得到边缘服务器j的最大预期效率以及最优预先请求资源量将发送给效率计算模块和结果生成模块、将发送给最优决策模块和结果生成模块。最优决策模块与设备信息管理模块、数据预估模块、效率计算模块、结果生成模块相连,根据效率计算模块传来的和数据预估模块传来的以及从设备信息管理模块接收的最大计算负载预估在最大计算负载时,边缘服务器j最优预先请求决策将发送给结果生成模块。注意:在不同最大计算负载下,边缘服务器的数据预估模块和最优决策模块需进行多次预估。
云端服务中心上安装有第二协作模块。第二协作模块从J个边缘服务器的第一协作模块接收请求指令,根据请求指令调度资源为发送请求指令的边缘服务器提供计算服务。
第二步,J台边缘服务器的设备信息管理模块初始化所属边缘服务器预先请求的计算资源为0,其中边缘服务器j的设备信息管理模块初始化边缘服务器j预先请求的计算资源为0,将发送给效率计算模块,所述计算资源包括CPU资源、存储资源、数据资源、信息资源、知识资源、大型数据库、网络资源、硬件资源等,其中硬件资源主要是指硬盘、软驱、光驱和打印机等硬件设备。J台边缘服务器的设备信息管理模块从边缘服务器的设备信息说明书中读取所属边缘服务器的最大计算负载,边缘服务器j的最大计算负载用表示,将发送给数据预估模块和最优决策模块。
第三步,J台边缘服务器的效率计算模块从设备信息管理模块接收预先请求的计算资源并行计算计算资源对边缘服务器的服务效率预期影响,得到边缘服务器不同请求决策下的预期效率的结果,并添加到第一临时效率数组,将第一临时效率数组发送给边缘服务器的数据预估模块;每台边缘服务器的效率计算模块计算计算资源对边缘服务器的服务效率预期影响方法相同,边缘服务器j的效率计算模块计算计算资源对边缘服务器的服务效率预期影响,得到计算边缘服务器j不同请求决策下的预期效率的结果,并添加到第一临时效率数组将发送给边缘服务器j的数据预估模块的方法是:
步骤3.2.1边缘服务器j的效率计算模块计算边缘服务器j请求决策为xj、yj时的可用计算资源A为available的首字母,代表可用的。其中,表示边缘服务器j的本地计算资源,表示边缘服务器j临时请求的计算资源,根据实际情况计算得出。xj、yj表示请求决策,其中xj表示边缘服务器j的预先请求资源的决策,如果边缘服务器j决定预先请求计算资源则xj=1;否则xj=0。yj表示边缘服务器j的临时请求资源的决策,如果边缘服务器j决定临时请求计算资源则yj=1;否则yj=0。
步骤3.2.3、基于泊松分布,边缘服务器j的效率计算模块计算nj个计算任务到达边缘服务器j的概率Pr{nj},其中,nj为到达边缘服务器j的计算任务的个数,nj为正整数,λj表示边缘服务器j的计算任务数目的预期值,λj的取值优选为[10,50]。
步骤3.2.4、根据Pr{nj},边缘服务器j的效率计算模块计算边缘服务器j的不同预先请求资源决策xj和临时请求资源决策yj情况下的临时请求资源量和xj和yj对边缘服务器j服务效率的期望影响,临时请求的计算资源用表示,期望影响用Uj(xj,yj)表示,方法是:
步骤3.2.4.1若xj=0,且yj=0,即若边缘服务器j拒绝与云端服务中心协作,临时请求资源量请求决策xj=0,yj=0对边缘服务器j服务效率的期望影响为Uj(0,0),具体其中,表示当边缘服务器j本地资源可承担计算负载对边缘服务器j服务效率的正面影响,Pj表示边缘服务器j完成单个计算任务对服务效率带来的正面影响,Pj的取值优选为[1,3];表示当边缘服务器j本地资源无法承担计算负载对边缘服务器j服务效率的负面影响,具体为:
其中,表示xj=0,yj=0时边缘服务器j的可用计算资源,表示边缘服务器j通过最多可完成的计算任务数,表示边缘服务器因错失任务对效率造成的负面影响,β为负面影响参数。此处,为避免边缘服务器长期错失任务降低用户体验所导致的计算需求下降,因此负面影响要高于正面影响,β为非负浮点数,β的取值优选为[1,3]。为边缘服务器j最多可完成的计算任务数的最大值。
步骤3.2.4.2若xj=0,yj=1,即若边缘服务器j仅选择以临时请求资源的方式与云端服务中心协作,临时请求资源量表示请求决策xj=0,yj=1对边缘服务器j效率的期望影响为Uj(0,1),具体为:其中,表示当边缘服务器j本地资源无法承担计算负载时,边缘服务器j选择以临时请求资源的方式与云端服务中心协作对服务效率的负面影响,具体为:
其中,表示边缘服务器j以预先请求的方式与云端服务中心协作时单位资源量对服务效率带来的负面影响,α为负面影响参数,瞬发的资源调度往往会破坏云端服务中心资源运转的稳定性,因此边缘服务器从云端服务中心临时请求的计算资源的具有较高的负面影响,因此要求0<α<δ。表示当边缘服务器预先请求后的可用计算资源可承担计算负载时对边缘服务器j服务效率的正面影响, 表示边缘服务器j向云端服务中心预先请求资源时,即xj=1,yj=0时边缘服务器j的可用计算资源,表示边缘服务器j通过最多可完成的计算任务数;表示未使用的单位计算资源对边缘服务器j效率的负面影响,γ为负面影响参数,γ为非负浮点数,γ的取值优选为[0.2,0.5]。表示当边缘服务器j预先请求后的可用计算资源无法承担计算负载时对边缘服务器j的负面影响,具体为:
步骤3.2.4.4若xj=1,yj=1,即若当边缘服务器j以预先请求资源与临时请求资源相结合的方式与云端服务中心协作,临时请求资源量表示请求决策xj=1,yj=1对边缘服务器j的期望影响为Uj(1,1),具体为
步骤3.2.4.5,效率计算模块将计算边缘服务器j不同请求决策下的预期效率的结果(即Uj(0,0),Uj(0,1),Uj(1,0),Uj(1,1))添加到预先请求的计算资源为时的第一临时效率数组中,即令将发送给边缘服务器j的数据预估模块。
第四步:J台边缘服务器的数据预估模块从设备信息管理模块接收最大计算负载,和效率计算模块相互配合,并行预估在预先请求不同计算资源时边缘服务器最大预期效率以及边缘服务器最优预先请求资源量。每台边缘服务器的效率计算模块计算不同预先请求资源时的第一临时效率数组,每台边缘服务器的数据预估模块接收第一临时效率数组,采用边缘服务器最大预期效率、最优预先请求资源预估方法进行效率预估、资源预估;每台边缘服务器的数据预估模块的方法相同。边缘服务器j的数据预估模块和效率计算模块相互配合,预估最大计算负载为时,预先请求不同计算资源时边缘服务器j最优预先请求资源量以及最大预期效率的方法是:
步骤4.3.3边缘服务器j的效率计算模块采用3.2步所述效率影响计算方法计算计算资源对边缘服务器j的服务效率预期影响,得到预先请求的计算资源为时的第一临时效率数组将发送给边缘服务器j的数据预估模块,边缘服务器j的数据预估模块从效率计算模块接收第一临时效率数组转步骤4.3.4。
步骤4.3.5.4令i=i+1;
步骤4.3.5.5判定i<L(U)是否成立,L(U)表示效率数组的长度,L(U)为4。若成立,表明还没比较完所有的效率值,转至步骤4.3.5.2;若不成立,则得到预先请求资源为时的临时最优效率转步骤4.4。
步骤4.4.4、判定是否成立,表示边缘服务器j可预先请求的最大计算资源量,要求不大于云端服务中心在保证云端服务中心计算资源调度稳定性的前提下可调度给边缘服务器j的最大计算资源量,的取值由实际情况决定,的取值优选为10。若成立,表明还没比较完所有的预先请求的计算量,转至步骤4.3。若不成立,则转至步骤4.4.5。
步骤4.4.6、得到边缘服务器j的最优预先请求资源量和边缘服务器j的最大预期效率数据预估模块将发送给边缘服务器j的效率计算模块和结果生成模块,将发送给边缘服务器j的最优决策模块和结果生成模块,转第五步。
第六步:J台边缘服务器的最优决策模块从设备信息管理模块接收最大计算负载,根据第四步得到的边缘服务器的最大预期效率和第五步得到的第二临时效率数组,并行计算使得边缘服务器j的效率最大的最优预先请求决策,每台边缘服务器的最优决策模块均采用边缘服务器最优预先请求决策预估方法预估最优预先请求决策。边缘服务器j的最优决策模块采用边缘服务器最优预先请求决策预估方法预估最大计算负载为时,使得边缘服务器j的效率最大的最优预先请求决策方法是:
步骤6.4、令k=k+1;
步骤6.5、判定k<L(U)是否成立。若成立,转步骤6.2。若不成立,则转至步骤6.6;
第七步:J台边缘服务器的结果生成模块从优化模块接收最大预期效率、最优预先请求资源量和最优预先请求决策,并将这三者组成效率最优三元组,效率最优三元组用于验证本发明的有效性。J台边缘服务器的结果生成模块将效率最优三元组中的最优预先请求资源量和最优预先请求决策发送给边缘服务器的第一协作模块。其中,边缘服务器j的效率最优三元组为(最大预期效率最优预先请求资源量最优预先请求决策),边缘服务器j的结果生成模块将和发送给边缘服务器j的第一协作模块。
第八步,J台边缘服务器的第一协作模块根据从结果生成模块接收的边缘服务器最优预先请求资源量,边缘服务器最优预先请求决策,并行确定边云资源协作决策和请求指令(请求指令为一个包括预先请求资源量和临时请求资源量的二元组),最后将请求指令发送给云端服务中心的第二协作模块。对于处于不同最大计算负载的每台边缘服务器,第一协作模块确定边云资源协作决策和请求指令的方法相同。最大计算负载为的边缘服务器j的第一协作模块根据边缘服务器最优预先请求资源量边缘服务器最优预先请求决策确定边云资源协作决策和请求指令(由预先请求资源量和临时请求资源量组成的二元组)的方法是:
步骤8.2.2此时xj=0,yj=0,边缘服务器j拒绝和云端服务中心协作,转步骤8.3;
采用本发明可以达到以下技术效果:
1.本发明提出的边云资源协作方法,综合考虑了预先请求计算资源和临时请求计算资源两种请求方式的灵活性,将两种请求方式有效组合,同时提高了边缘服务器的服务效率和云服务中心的稳定性。一方面利用预先请求决策,有效避免边缘服务器仅从云端服务中心临时请求计算资源的瞬发破坏,从而有效维护云端服务中心资源调度的稳定性;另一方面,预先请求资源结合临时请求资源的请求方式,进一步避免预先请求资源过少时的计算任务流失,提高了边缘服务器的服务效率。
2.本发明提出的边云资源协作方法,考虑了边缘服务器的不确定计算需求下的边缘服务器的最大效率。在第一步中构造了边云一体化系统,通过第二步到第六步,基于计算资源对边缘服务器效率的预期影响,获取了在不同最大计算负载时,边缘服务器的最大预期效率和最优预先请求资源量以及最优请求决策。在第七、八步中分析了不同最大计算负载下边云协作决策,即边缘服务器的最优请求决策、云端服务中心的最优调度决策,这对于边缘服务器在面对动态的负载时提供了能够最大化预期效率的最优决策方案。
附图说明
图1是本发明第一步构建的边缘云一体化系统逻辑结构图;
图2是本发明第一步构建的边缘云一体化系统中边缘服务器j节点的结构示意图;
图3是本发明总体流程图。
图4是本发明一种基于不确定需求下的边云资源协作方法(ORC)与现有的具有竞争力的其他方法的最大预期效率进行对比的结果图。
具体实施方式
以下结合附图对本发明的具体实施例作进一步的描述,但本发明并不限于这些实施例。
还应该理解,此处所描述的具体实施例仅用于理解本发明,并不用于限定本发明。
以下结合附图对本发明实施例作进一步地解释说明:本发明实施例的参数表如表1;
表1:本发明实施例的参数表
为了验证本发明的有效性,根据实施例参数表1进行运行本发明示出的基于不确定需求下的边云资源协作方法。并通过仿真实验将本发明提出的边云资源协作方法与其他经典云边协作方法进行对比,说明本发明中的边云资源协作方法在实现边缘服务器效率最大化方面具有明显优势,总体流程图如图3所示,具体步骤如下:
第一步,构建如图1所示的边缘云一体化系统。该系统由J个边缘服务器和一个云端服务中心组成。令J个边缘服务器为边缘服务器1,…,边缘服务器j,…,边缘服务器J,1≤j≤J。J的取值优选为9。
J台边缘服务器并行工作,每台边缘服务器安装有相同的模块,令任意一台边缘服务器的编号为j,边缘服务器j上安装有设备信息管理模块、优化模块、结果生成模块、第一协作模块(如图2所示)。设备信息管理模块与优化模块相连;优化模块与设备信息管理模块、结果生成模块相连;结果生成模块与优化模块、第一协作模块相连;第一协作模块与结果生成模块、云端服务中心相连。
边缘服务器j上的优化模块包含效率计算模块、数据预估模块和最优决策模块。效率计算模块与设备信息管理模块、数据预估模块和最优决策模块相连,效率计算模块从设备信息管理模块接收预先请求的计算资源计算计算资源对边缘服务器j的服务效率的预期影响,将不同的预期影响组成第一临时效率数组将发送给数据预估模块;当预先请求的计算资源确定为时,根据从数据预估模块接收的最优的预先请求资源量效率计算模块重新计算服务效率的预期影响,得到第二临时效率数组并将发送给最优决策模块。数据预估模块与设备信息管理模块、效率计算模块、最优决策模块、结果生成模块相连,数据预估模块从设备信息管理模块接收最大计算负载并接收效率计算模块传来的在最大计算负载为时,与效率计算模块相互配合,进行效率预估、资源预估,得到边缘服务器j的最大预期效率以及最优预先请求资源量将发送给效率计算模块和结果生成模块、将发送给最优决策模块和结果生成模块。最优决策模块与设备信息管理模块、数据预估模块、效率计算模块、结果生成模块相连,根据效率计算模块传来的和数据预估模块传来的以及从设备信息管理模块接收的最大计算负载预估在最大计算负载时,边缘服务器j最优预先请求决策将发送给结果生成模块。注意:在不同最大计算负载下,边缘服务器的数据预估模块和最优决策模块需进行多次预估。
云端服务中心上安装有第二协作模块。第二协作模块从J个边缘服务器的第一协作模块接收请求指令,根据请求指令调度资源为发送请求指令的边缘服务器提供计算服务。
第二步,J台边缘服务器的设备信息管理模块初始化所属边缘服务器预先请求的计算资源为0,其中边缘服务器j的设备信息管理模块初始化边缘服务器j预先请求的计算资源为0,将发送给效率计算模块。J台边缘服务器的设备信息管理模块从边缘服务器的设备信息说明书中读取所属边缘服务器的最大计算负载,边缘服务器j的最大计算负载用表示,将发送给数据预估模块和最优决策模块。
第三步,J台边缘服务器的效率计算模块从设备信息管理模块接收预先请求的计算资源并行计算计算资源对边缘服务器的服务效率预期影响,得到边缘服务器不同请求决策下的预期效率的结果,并添加到第一临时效率数组,将第一临时效率数组发送给边缘服务器的数据预估模块;每台边缘服务器的效率计算模块计算计算资源对边缘服务器的服务效率预期影响方法相同,边缘服务器j的效率计算模块计算计算资源对边缘服务器的服务效率预期影响,得到计算边缘服务器j不同请求决策下的预期效率的结果,并添加到第一临时效率数组将发送给边缘服务器j的数据预估模块的方法是:
3.2边缘服务器j的效率计算模块根据采用效率影响计算方法计算对边缘服务器j的服务效率预期影响,得到预先请求的计算资源为时的第一临时效率数组所述计算资源包括CPU资源、存储资源、数据资源、信息资源、知识资源、大型数据库、网络资源、硬件资源,其中硬件资源包括硬盘、软驱、光驱和打印机等;效率影响计算方法具体是:
步骤3.2.1边缘服务器j的效率计算模块计算边缘服务器j请求决策为xj、yj时的可用计算资源A为available的首字母,代表可用的。其中,表示边缘服务器j的本地计算资源,表示边缘服务器j临时请求的计算资源,根据实际情况计算得出。xj、uj表示请求决策,其中xj表示边缘服务器j的预先请求资源的决策,如果边缘服务器j决定预先请求计算资源则xj=1;否则xj=0。yj表示边缘服务器j的临时请求资源的决策,如果边缘服务器j决定临时请求计算资源则yj=1;否则yj=0。
步骤3.2.3、基于泊松分布,边缘服务器j的效率计算模块计算nj个计算任务到达边缘服务器j的概率Pr{nj},其中,nj为到达边缘服务器j的计算任务的个数,nj为正整数,λj表示边缘服务器j的计算任务数目的预期值,λj的取值在本实例中为50。
步骤3.2.4、根据Pr{nj},边缘服务器j的效率计算模块计算边缘服务器j的不同预先请求资源决策xj和临时请求资源决策yj情况下的临时请求资源量和xj和yj对边缘服务器j服务效率的期望影响,临时请求的计算资源用表示,期望影响用Uj(xj,yj)表示,方法是:
步骤3.2.4.1若xj=0,且yj=0,即若边缘服务器j拒绝与云端服务中心协作,临时请求资源量请求决策xj=0,yj=0对边缘服务器j服务效率的期望影响为Uj(0,0),具体其中,表示当边缘服务器j本地资源可承担计算负载对边缘服务器j服务效率的正面影响,Pj表示边缘服务器j完成单个计算任务对服务效率带来的正面影响,Pj的取值在此实例中为3;表示当边缘服务器j本地资源无法承担计算负载对边缘服务器j服务效率的负面影响,具体为:
其中,表示xj=0,yj=0时边缘服务器j的可用计算资源,表示边缘服务器j通过最多可完成的计算任务数,表示边缘服务器因错失任务对效率造成的负面影响,β为负面影响参数。β为非负浮点数,β的取值为1。为边缘服务器j最多可完成的计算任务数的最大值。
步骤3.2.4.2若xj=0,yj=1,即若边缘服务器j仅选择以临时请求资源的方式与云端服务中心协作,临时请求资源量表示请求决策xj=0,yj=1对边缘服务器j效率的期望影响为Uj(0,1),具体为:其中,表示当边缘服务器j本地资源无法承担计算负载时,边缘服务器j选择以临时请求资源的方式与云端服务中心协作对服务效率的负面影响,具体为:
其中,表示边缘服务器j以预先请求的方式与云端服务中心协作时单位资源量对服务效率带来的负面影响,α为负面影响参数,瞬发的资源调度往往会破坏云端服务中心资源运转的稳定性,因此边缘服务器从云端服务中心临时请求的计算资源的具有较高的负面影响,因此要求0<α<δ。表示当边缘服务器预先请求后的可用计算资源可承担计算负载时对边缘服务器j服务效率的正面影响, 表示边缘服务器j向云端服务中心预先请求资源时,即xj=1,yj=0时边缘服务器j的可用计算资源,表示边缘服务器j通过最多可完成的计算任务数;表示未使用的单位计算资源对边缘服务器j效率的负面影响,γ为负面影响参数,γ为非负浮点数,γ的取值优选为0.33。表示当边缘服务器j预先请求后的可用计算资源无法承担计算负载时对边缘服务器j的负面影响,具体为:
步骤3.2.4.4若xj=1,yj=1,即若当边缘服务器j以预先请求资源与临时请求资源相结合的方式与云端服务中心协作,临时请求资源量表示请求决策xj=1,yj=1对边缘服务器j的期望影响为Uj(1,1),具体为
第四步:J台边缘服务器的数据预估模块从设备信息管理模块接收最大计算负载,和效率计算模块相互配合,并行预估在预先请求不同计算资源时边缘服务器最大预期效率以及边缘服务器最优预先请求资源量。每台边缘服务器的效率计算模块计算不同预先请求资源时的第一临时效率数组,每台边缘服务器的数据预估模块接收第一临时效率数组,采用边缘服务器最大预期效率、最优预先请求资源预估方法进行效率预估、资源预估;每台边缘服务器的数据预估模块的方法相同。边缘服务器j的数据预估模块和效率计算模块相互配合,预估最大计算负载为时,预先请求不同计算资源时边缘服务器j最优预先请求资源量以及最大预期效率的方法是:
步骤4.3.3边缘服务器j的效率计算模块采用3.2步所述效率影响计算方法计算计算资源对边缘服务器j的服务效率预期影响,得到预先请求的计算资源为时的第一临时效率数组将发送给边缘服务器j的数据预估模块,边缘服务器j的数据预估模块从效率计算模块接收第一临时效率数组转步骤4.3.4。
步骤4.3.5.4令i=i+1;
步骤4.3.5.5判定i<L(U)是否成立,L(U)表示效率数组的长度,L(U)为4。若成立,表明还没比较完所有的效率值,转至步骤4.3.5.2;若不成立,则得到预先请求资源为时的临时最优效率转步骤4.4。
步骤4.4.4、判定是否成立,表示边缘服务器j可预先请求的最大计算资源量,要求不大于云端服务中心在保证云端服务中心计算资源调度稳定性的前提下可调度给边缘服务器j的最大计算资源量,的取值由实际情况决定,的取值优选为10。若成立,表明还没比较完所有的预先请求的计算量,转至步骤4.3。若不成立,则转至步骤4.4.5。
步骤4.4.6、得到边缘服务器j的最优预先请求资源量和边缘服务器j的最大预期效率数据预估模块将发送给边缘服务器j的效率计算模块和结果生成模块,将发送给边缘服务器j的最优决策模块和结果生成模块,转第五步。
第六步:J台边缘服务器的最优决策模块从设备信息管理模块接收最大计算负载,根据第四步得到的边缘服务器的最大预期效率和第五步得到的第二临时效率数组,并行计算使得边缘服务器j的效率最大的最优预先请求决策,每台边缘服务器的最优决策模块均采用边缘服务器最优预先请求决策预估方法预估最优预先请求决策。边缘服务器j的最优决策模块采用边缘服务器最优预先请求决策预估方法预估最大计算负载为时,使得边缘服务器j的效率最大的最优预先请求决策方法是:
步骤6.4、令k=k+1;
步骤6.5、判定k<L(U)是否成立。若成立,转步骤6.2。若不成立,则转至步骤6.6;
第七步:J台边缘服务器的结果生成模块从优化模块接收最大预期效率、最优预先请求资源量和最优预先请求决策,并将这三者组成效率最优三元组,效率最优三元组用于验证本发明的有效性,结果输出如表2所示的表格。J台边缘服务器的结果生成模块将效率最优三元组中的最优预先请求资源量和最优预先请求决策发送给边缘服务器的第一协作模块。其中,边缘服务器j的效率最优三元组为(最大预期效率最优预先请求资源量最优预先请求决策),边缘服务器j的结果生成模块将和发送给边缘服务器j的第一协作模块。
表2:不同最大计算负载下,边缘服务器的效率最优三元组结果表
第八步,J台边缘服务器的第一协作模块根据从结果生成模块接收的边缘服务器最优预先请求资源量,边缘服务器最优预先请求决策,并行确定边云资源协作决策和请求指令(请求指令为一个包括预先请求资源量和临时请求资源量的二元组),最后将请求指令发送给云端服务中心的第二协作模块。对于处于不同最大计算负载的每台边缘服务器,第一协作模块确定边云资源协作决策和请求指令的方法相同。最大计算负载为的边缘服务器j的第一协作模块根据边缘服务器最优预先请求资源量边缘服务器最优预先请求决策)确定边云资源协作决策和请求指令(由预先请求资源量和临时请求资源量组成的二元组)的方法是:
步骤8.2.2此时xj=0,yj=0,边缘服务器j拒绝和云端服务中心协作,转步骤8.3;
表3:不同最大计算负载的边缘服务器的请求指令二元组结果表
为了验证本发明中的边云协作方法的有效性,将本发明示出的一种基于不确定需求下的边云资源协作方法(ORC)与现有的具有竞争力的其他方法进行对比,说明本发明中的边云协作方法在效率提高方面具有明显优势。具体为:
以下是用于与本发明对比的较为有效的边云协作方法:
第一种,The Follow-Me Cloud(FMC)方法:制定决策策略,当用户设备与云服务中心保持一定距离时,该决策策略确定是否将服务迁移到边缘服务器;
第二种,Profit Maximization Avatar Placement for Mobile Edge Computing(PRIMAL)方法:将计算资源从集中式云带到边缘服务器。
在相同的硬件环境下对三种边云协作方法进行仿真实验,计算相同负载下的最大预期效率。仿真实验中用于表示云端服务中心的硬件环境为windows10 64位操作系统,处理器为Intel Core i9-11980,内存16GB;用于表示边缘服务器j的硬件环境为windows1064位操作系统,处理器为Intel Core i7-9700,内存8GB,共有9台边缘服务器。图4是本发明(ORC方法)与FMC方法、PRIMAL方法的最大预期效率的仿真实验的结果对比图。其中横坐标表示边缘服务器不同的计算负载,纵坐标表示边缘服务器的最大预期效率,三条不同的线形表示用以比较的三种方法:ORC方法、FMC方法、PRIMAL方法;由表二、图4可知:
·随着最大计算负载的变化,边缘服务器的最大预期效率是增大的,这是因为最大计算负载越大表明边缘服务器可接受更多的计算任务,从而边缘服务器能够通过与云端计算资源进行协作而提高效率。
·最优预先请求计算资源量是随着最大计算负载的增加而减少的,这是因为最大计算负载越大表明边缘服务器可接受更多的计算任务的同时,也表明预先请求错误的可能性增大。因此为了避免预先请求错误所产生的损失,从而降低预先请求计算量。
·最大计算负载的变化会影响最优预先请求决策的变化,当计算负载较小时,边缘服务器会选择预先请求与临时请求相结合的形式进行协作,降低风险。而当计算负载增大时,由于预先请求计算资源有限,临时请求对效率的正面影响低,因此边缘服务器会选择承担流失计算任务,此时最优预先请求决策表示边缘服务器j仅以预先请求的形式进行协作。
·从图4中可以看到本发明最大边缘服务器最大预期效率明显高于其他两种方法,说明本发明的边云协作方法使得边缘服务器的效率更大。在最大计算负载大于50时,本发明比其他方法对效率正面影响提高的更快,在最大计算负载大于70时,其他方法对边缘服务器最大预期效率的影响都呈下降趋势,但是本发明稳定保持在较高的水平,说明本发明对于不同最大负载的边缘服务器的效率影响更具有灵活性、动态性、实时性、稳定性,从而更好的提高边缘服务器的效率。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于不确定需求下的边云资源协作方法,其特征在于包括以下步骤:
第一步,构建边缘云一体化系统,该系统由J个边缘服务器和一个云端服务中心组成;令J个边缘服务器为边缘服务器1,…,边缘服务器j,…,边缘服务器J,1≤j≤J;
J台边缘服务器并行工作,每台边缘服务器安装有相同的模块,令任意一台边缘服务器的编号为j,边缘服务器j上安装有设备信息管理模块、优化模块、结果生成模块、第一协作模块;设备信息管理模块与优化模块相连;优化模块与设备信息管理模块、结果生成模块相连;结果生成模块与优化模块、第一协作模块相连;第一协作模块与结果生成模块、云端服务中心相连;
边缘服务器j上的优化模块包含效率计算模块、数据预估模块和最优决策模块;效率计算模块与设备信息管理模块、数据预估模块和最优决策模块相连,效率计算模块从设备信息管理模块接收预先请求的计算资源计算计算资源对边缘服务器j的服务效率的预期影响,将不同的预期影响组成第一临时效率数组将发送给数据预估模块;当预先请求的计算资源确定为时,根据从数据预估模块接收的最优的预先请求资源量效率计算模块重新计算服务效率的预期影响,得到第二临时效率数组并将发送给最优决策模块;数据预估模块与设备信息管理模块、效率计算模块、最优决策模块、结果生成模块相连,数据预估模块从设备信息管理模块接收最大计算负载并接收效率计算模块传来的在最大计算负载为时,与效率计算模块相互配合,进行效率预估、资源预估,得到边缘服务器j的最大预期效率以及最优预先请求资源量将发送给效率计算模块和结果生成模块、将发送给最优决策模块和结果生成模块;最优决策模块与设备信息管理模块、数据预估模块、效率计算模块、结果生成模块相连,根据效率计算模块传来的和数据预估模块传来的以及从设备信息管理模块接收的最大计算负载预估在最大计算负载时,边缘服务器j最优预先请求决策将发送给结果生成模块;
云端服务中心上安装有第二协作模块;第二协作模块从J个边缘服务器的第一协作模块接收请求指令,根据请求指令调度资源为发送请求指令的边缘服务器提供计算服务;
第二步,J台边缘服务器的设备信息管理模块初始化所属边缘服务器预先请求的计算资源为0,其中边缘服务器j的设备信息管理模块初始化边缘服务器j预先请求的计算资源为0,将发送给效率计算模块;J台边缘服务器的设备信息管理模块获取所属边缘服务器的最大计算负载将发送给数据预估模块和最优决策模块;
第三步,J台边缘服务器的效率计算模块从设备信息管理模块接收预先请求的计算资源并行计算计算资源对边缘服务器的服务效率预期影响,得到边缘服务器不同请求决策下的预期效率的结果,并添加到第一临时效率数组,将第一临时效率数组发送给边缘服务器的数据预估模块;每台边缘服务器的效率计算模块计算计算资源对边缘服务器的服务效率预期影响方法相同,边缘服务器j的效率计算模块计算计算资源对边缘服务器的服务效率预期影响,得到计算边缘服务器j不同请求决策下的预期效率的结果,并添加到第一临时效率数组将发送给边缘服务器j的数据预估模块的方法是:
步骤3.2.1边缘服务器j的效率计算模块计算边缘服务器j请求决策为xj、yj时的可用计算资源A为available的首字母,代表可用的;其中,表示边缘服务器j的本地计算资源,表示边缘服务器j临时请求的计算资源,根据实际情况计算得出;xj、yj表示请求决策,其中xj表示边缘服务器j的预先请求资源的决策,如果边缘服务器j决定预先请求计算资源则xj=1;否则xj=0;yj表示边缘服务器j的临时请求资源的决策,如果边缘服务器j决定临时请求计算资源则yj=1;否则yj=0;
步骤3.2.3、基于泊松分布,边缘服务器j的效率计算模块计算nj个计算任务到达边缘服务器j的概率Pr{nj},其中,nj为到达边缘服务器j的计算任务的个数,nj为正整数,λj表示边缘服务器j的计算任务数目的预期值;
步骤3.2.4、根据Pr{nj},边缘服务器j的效率计算模块计算边缘服务器j的不同预先请求资源决策xj和临时请求资源决策yj情况下的临时请求资源量和xj和yj对边缘服务器j服务效率的期望影响,临时请求的计算资源用表示,期望影响用Uj(xj,yj)表示,得到请求决策xj=0,yj=0对边缘服务器j服务效率的期望影响为Uj(0,0)、请求决策xj=0,yj=1对边缘服务器j效率的期望影响为Uj(0,1)、请求决策xj=1,yj=0对边缘服务器j效率的期望影响为Uj(1,0)、请求决策xj=1,yj=1对边缘服务器j的期望影响为Uj(1,1),并将Uj(0,0),Uj(0,1),Uj(1,0),Uj(1,1)添加到预先请求的计算资源为时的第一临时效率数组中,即令将发送给边缘服务器j的数据预估模块;
第四步:J台边缘服务器的数据预估模块从设备信息管理模块接收最大计算负载,和效率计算模块相互配合,并行预估在预先请求不同计算资源时边缘服务器最大预期效率以及边缘服务器最优预先请求资源量;每台边缘服务器的效率计算模块计算不同预先请求资源时的第一临时效率数组,每台边缘服务器的数据预估模块接收第一临时效率数组,采用边缘服务器最大预期效率、最优预先请求资源预估方法进行效率预估、资源预估;每台边缘服务器的数据预估模块的方法相同;边缘服务器j的数据预估模块和效率计算模块相互配合,预估最大计算负载为时,预先请求不同计算资源时边缘服务器j最优预先请求资源量以及最大预期效率的方法是:
步骤4.3.3边缘服务器j的效率计算模块采用3.2步所述效率影响计算方法计算计算资源对边缘服务器j的服务效率预期影响,得到预先请求的计算资源为时的第一临时效率数组将发送给边缘服务器j的数据预估模块,边缘服务器j的数据预估模块从效率计算模块接收第一临时效率数组转步骤4.3.4;
步骤4.4.4、判定是否成立,表示边缘服务器j可预先请求的最大计算资源量,要求不大于云端服务中心在保证云端服务中心计算资源调度稳定性的前提下可调度给边缘服务器j的最大计算资源量,的取值由实际情况决定;若成立,表明还没比较完所有的预先请求的计算量,转至步骤4.3;若不成立,则转至步骤4.4.5;
步骤4.4.6、得到边缘服务器j的最优预先请求资源量和边缘服务器j的最大预期效率数据预估模块将发送给边缘服务器j的效率计算模块和结果生成模块,将发送给边缘服务器j的最优决策模块和结果生成模块,转第五步;
第六步:J台边缘服务器的最优决策模块从设备信息管理模块接收最大计算负载,根据第四步得到的边缘服务器的最大预期效率和第五步得到的第二临时效率数组,并行计算使得边缘服务器j的效率最大的最优预先请求决策,每台边缘服务器的最优决策模块均采用边缘服务器最优预先请求决策预估方法预估最优预先请求决策;边缘服务器j的最优决策模块采用边缘服务器最优预先请求决策预估方法预估最大计算负载为时,使得边缘服务器j的效率最大的最优预先请求决策转第七步;
第七步:J台边缘服务器的结果生成模块从优化模块接收最大预期效率、最优预先请求资源量和最优预先请求决策,并将这三者组成效率最优三元组;J台边缘服务器的结果生成模块将效率最优三元组中的最优预先请求资源量和最优预先请求决策发送给边缘服务器的第一协作模块;其中,边缘服务器j的效率最优三元组为(最大预期效率最优预先请求资源量最优预先请求决策边缘服务器j的结果生成模块将和发送给边缘服务器j的第一协作模块;
第八步,J台边缘服务器的第一协作模块根据从结果生成模块接收的边缘服务器最优预先请求资源量,边缘服务器最优预先请求决策,并行确定边云资源协作决策和请求指令,请求指令为一个包括预先请求资源量和临时请求资源量的二元组,最后将请求指令发送给云端服务中心的第二协作模块;对于处于不同最大计算负载的每台边缘服务器,第一协作模块确定边云资源协作决策和请求指令的方法相同;最大计算负载为的边缘服务器j的第一协作模块根据边缘服务器最优预先请求资源量边缘服务器最优预先请求决策确定边云资源协作决策和请求指令的方法是:
步骤8.3边缘服务器j的第一协作模块向云端服务中心的第二协作模块发送请求指令,转第九步;
2.如权利要求1所述的一种基于不确定需求下的边云资源协作方法,其特征在于所述计算资源包括资源包括CPU资源、存储资源、数据资源、信息资源、知识资源、数据库、网络资源、硬件资源,其中硬件资源包括硬盘、软驱、光驱和打印机;所述J为9。
4.如权利要求1所述的一种基于不确定需求下的边云资源协作方法,其特征在于步骤3.2.3所述λj的取值为[10,50]。
5.如权利要求1所述的一种基于不确定需求下的边云资源协作方法,其特征在于步骤3.2.4所述边缘服务器j的效率计算模块计算边缘服务器j的不同预先请求资源决策xj和临时请求资源决策yj情况下的临时请求资源量和xj和yj对边缘服务器j服务效率的期望影响Uj(xj,yj)的方法是:
步骤3.2.4.1若xj=0,且yj=0,即若边缘服务器j拒绝与云端服务中心协作,临时请求资源量请求决策xj=0,yj=0对边缘服务器j服务效率的期望影响 表示当边缘服务器j本地资源可承担计算负载对边缘服务器j服务效率的正面影响,Pj表示边缘服务器j完成单个计算任务对服务效率带来的正面影响;表示当边缘服务器j本地资源无法承担计算负载对边缘服务器j服务效率的负面影响,为:
其中,表示xj=0,yj=0时边缘服务器j的可用计算资源,表示边缘服务器j通过最多可完成的计算任务数,表示边缘服务器因错失任务对效率造成的负面影响,β为负面影响参数,β为非负浮点数;为边缘服务器j最多可完成的计算任务数的最大值;
步骤3.2.4.2若xj=0,yj=1,即若边缘服务器j仅选择以临时请求资源的方式与云端服务中心协作,临时请求资源量请求决策xj=0,yj=1对边缘服务器j效率的期望影响 表示当边缘服务器j本地资源无法承担计算负载时,边缘服务器j选择以临时请求资源的方式与云端服务中心协作对服务效率的负面影响,为:
其中,表示边缘服务器j以预先请求的方式与云端服务中心协作时单位资源量对服务效率带来的负面影响,α为负面影响参数,瞬发的资源调度往往会破坏云端服务中心资源运转的稳定性,要求0<α<δ;表示当边缘服务器预先请求后的可用计算资源可承担计算负载时对边缘服务器j服务效率的正面影响, 表示边缘服务器j向云端服务中心预先请求资源时,即xj=1,yj=0时边缘服务器j的可用计算资源,表示边缘服务器j通过最多可完成的计算任务数;表示未使用的单位计算资源对边缘服务器j效率的负面影响,γ为负面影响参数,γ为非负浮点数;表示当边缘服务器j预先请求后的可用计算资源无法承担计算负载时对边缘服务器j的负面影响,为:
步骤3.2.4.4若xj=1,yj=1,即若当边缘服务器j以预先请求资源与临时请求资源相结合的方式与云端服务中心协作,临时请求资源量表示请求决策xj=1,yj=1对边缘服务器j的期望影响Uj(1,1)为
6.如权利要求5所述的一种基于不确定需求下的边云资源协作方法,其特征在于所述Pj的取值为[1,3];β的取值为[1,3];δ的取值为[0.5,1.5];γ的取值为[0.2,0.5]。
步骤4.3.5.4令i=i+1;
9.如权利要求1所述的一种基于不确定需求下的边云资源协作方法,其特征在于第六步所述边缘服务器j的最优决策模块采用边缘服务器最优预先请求决策预估方法预估最大计算负载为时,使得边缘服务器j的效率最大的最优预先请求决策的方法是:
步骤6.4、令k=k+1;
步骤6.5、判定k<L(U)是否成立;若成立,转步骤6.2;若不成立,则转至步骤6.6;
步骤8.2.2此时xj=0,yj=0,边缘服务器j拒绝和云端服务中心协作,结束;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210483939.2A CN114844900B (zh) | 2022-05-05 | 2022-05-05 | 一种基于不确定需求下的边云资源协作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210483939.2A CN114844900B (zh) | 2022-05-05 | 2022-05-05 | 一种基于不确定需求下的边云资源协作方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114844900A CN114844900A (zh) | 2022-08-02 |
CN114844900B true CN114844900B (zh) | 2022-12-13 |
Family
ID=82568025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210483939.2A Active CN114844900B (zh) | 2022-05-05 | 2022-05-05 | 一种基于不确定需求下的边云资源协作方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114844900B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111585916A (zh) * | 2019-12-26 | 2020-08-25 | 国网辽宁省电力有限公司电力科学研究院 | 基于云边协同的lte电力无线专网任务卸载和资源分配方法 |
WO2020216135A1 (zh) * | 2019-04-25 | 2020-10-29 | 南京邮电大学 | 基于边-端协同的多用户多mec任务卸载资源调度方法 |
CN112689303A (zh) * | 2020-12-28 | 2021-04-20 | 西安电子科技大学 | 一种边云协同资源联合分配方法、系统及应用 |
CN112905327A (zh) * | 2021-03-03 | 2021-06-04 | 湖南商务职业技术学院 | 一种任务调度方法、边缘服务器、计算机介质及边云协同计算系统 |
CN113419867A (zh) * | 2021-08-23 | 2021-09-21 | 浙大城市学院 | 一种面向边云协同计算环境中节能的服务供应方法 |
CN113992678A (zh) * | 2021-10-27 | 2022-01-28 | 嘉兴学院 | 一种海上mec负载均衡和资源分配联合优化的计算迁移方法 |
-
2022
- 2022-05-05 CN CN202210483939.2A patent/CN114844900B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020216135A1 (zh) * | 2019-04-25 | 2020-10-29 | 南京邮电大学 | 基于边-端协同的多用户多mec任务卸载资源调度方法 |
CN111585916A (zh) * | 2019-12-26 | 2020-08-25 | 国网辽宁省电力有限公司电力科学研究院 | 基于云边协同的lte电力无线专网任务卸载和资源分配方法 |
CN112689303A (zh) * | 2020-12-28 | 2021-04-20 | 西安电子科技大学 | 一种边云协同资源联合分配方法、系统及应用 |
CN112905327A (zh) * | 2021-03-03 | 2021-06-04 | 湖南商务职业技术学院 | 一种任务调度方法、边缘服务器、计算机介质及边云协同计算系统 |
CN113419867A (zh) * | 2021-08-23 | 2021-09-21 | 浙大城市学院 | 一种面向边云协同计算环境中节能的服务供应方法 |
CN113992678A (zh) * | 2021-10-27 | 2022-01-28 | 嘉兴学院 | 一种海上mec负载均衡和资源分配联合优化的计算迁移方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114844900A (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113242568B (zh) | 一种不确定网络环境中的任务卸载和资源分配方法 | |
CN110928654B (zh) | 一种边缘计算系统中分布式的在线任务卸载调度方法 | |
CN109561148B (zh) | 边缘计算网络中基于有向无环图的分布式任务调度方法 | |
CN113296845B (zh) | 一种边缘计算环境下基于深度强化学习的多小区任务卸载算法 | |
Chen et al. | Efficiency and fairness oriented dynamic task offloading in internet of vehicles | |
CN112689303B (zh) | 一种边云协同资源联合分配方法、系统及应用 | |
CN105656999B (zh) | 一种移动云计算环境中能耗优化的合作任务迁移方法 | |
CN113377447B (zh) | 一种基于李雅普诺夫优化的多用户计算卸载方法 | |
CN113918240B (zh) | 任务卸载方法及装置 | |
CN113220356B (zh) | 一种移动边缘计算中的用户计算任务卸载方法 | |
CN111813506A (zh) | 一种基于粒子群算法资源感知计算迁移方法、装置及介质 | |
US20050278439A1 (en) | System and method for evaluating capacity of a heterogeneous media server configuration for supporting an expected workload | |
CN110780938B (zh) | 一种移动云环境下基于差分进化的计算任务卸载方法 | |
CN109656713B (zh) | 一种基于边缘计算框架的容器调度方法 | |
CN112702714B (zh) | 一种无人机协作式的车联网运算任务卸载方法 | |
CN113573363A (zh) | 基于深度强化学习的mec计算卸载与资源分配方法 | |
CN112988347A (zh) | 一种降低系统能耗与花费和的边缘计算卸载方法及系统 | |
CN113590279A (zh) | 一种面向多核边缘计算服务器的任务调度和资源分配方法 | |
CN113139639B (zh) | 一种基于mombi面向智慧城市应用多目标计算迁移方法和装置 | |
CN114844900B (zh) | 一种基于不确定需求下的边云资源协作方法 | |
CN117579701A (zh) | 一种移动边缘网络计算卸载方法及系统 | |
CN114980216B (zh) | 基于移动边缘计算的依赖型任务卸载系统及方法 | |
CN116347522A (zh) | 云边协同下基于近似计算复用的任务卸载方法及装置 | |
CN115604853A (zh) | 边缘计算的车辆依赖任务卸载方法及系统 | |
CN115129447A (zh) | 一种工业互联网中计及条件风险价值的边缘计算任务卸载方法及计算机设备 |
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 |