CN114928607B - 面向多边接入边缘计算的协同任务卸载方法 - Google Patents

面向多边接入边缘计算的协同任务卸载方法 Download PDF

Info

Publication number
CN114928607B
CN114928607B CN202210271541.2A CN202210271541A CN114928607B CN 114928607 B CN114928607 B CN 114928607B CN 202210271541 A CN202210271541 A CN 202210271541A CN 114928607 B CN114928607 B CN 114928607B
Authority
CN
China
Prior art keywords
task
edge
server
unloading
tasks
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
CN202210271541.2A
Other languages
English (en)
Other versions
CN114928607A (zh
Inventor
徐小龙
孙维
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202210271541.2A priority Critical patent/CN114928607B/zh
Publication of CN114928607A publication Critical patent/CN114928607A/zh
Application granted granted Critical
Publication of CN114928607B publication Critical patent/CN114928607B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • H04L67/101—Server selection for load balancing based on network conditions
    • 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
    • H04L67/1023—Server selection for load balancing based on a hash applied to IP addresses or costs
    • 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
    • H04L67/1029—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers using data related to the state of servers by a load balancer
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Multi Processors (AREA)

Abstract

本发明提供了一种面向多边接入边缘计算的协同任务卸载方法，所述协同任务卸载方法主要包括：步骤1，边缘服务器层基于任务执行能力的聚类算法产生边缘编排器；步骤2，终端设备层的设备将需要卸载的计算任务经由网络模型传输到边缘编排器上；步骤3，边缘编排器查询缓存中是否存在相关任务；步骤4，若是存在相关任务，则会直接将任务计算结果反馈给终端设备；若是不存在相关任务，则根据设计好的自适应模糊逻辑算法选择合适的服务器进行任务卸载，并将得到的计算结果反馈给终端设备。本发明可以实现对边缘服务器集群的聚合编排管理，有效解决集中式单一编排管理因为单一节点的计算能力有限。

Description

面向多边接入边缘计算的协同任务卸载方法
技术领域
本发明涉及一种面向多边接入边缘计算的协同任务卸载方法，属于多边接入边缘计算技术领域。
背景技术
多边接入边缘计算(Multi-access Edge Computing MEC)技术克服了传统移动云计算(Mobile cloud computing MCC)传输时延长、网络拥塞严重等缺陷，可以在计算密集型与延迟敏感性任务对计算资源的需求实现权衡，极大提高用户的QoS体验。由于无法提前预知用户的计算需求，系统在动态变化的资源环境中，选择最优的目标服务器来处理卸载任务请求。如果没有合理的任务卸载机制，则会引发频繁的网络拥塞，致使失败任务数增加、任务执行时间延长，QoS质量下降。
任务卸载请求，不仅仅需要考虑边缘服务器资源，同时需要兼顾终端移动设备的计算能力、当前任务的程序特性、网络拥塞程度等。目前的研究中，缺乏一种对边缘计算环境中诸多资源的综合考虑。研究者往往考虑了终端与邻近边缘服务器协作完成卸载任务或者终端直接将任务发送到云服务器中。忽略了处于网络同层的其他闲置服务器，浪费了计算资源。传统的离线优化技术，总是从时延或能耗角度对系统进行单一目标性能优化。但是对于MEC系统而言，处理卸载请求是在线的、高度动态变化的。如果采用传统的离线优化技术，虽然能选择最合适的卸载设备，但是无法在时延和能耗之间实现权衡。
有鉴于此，确有必要提出一种面向多边接入边缘计算的协同任务卸载方法，以解决上述问题。
发明内容
本发明的目的在于提供一种面向多边接入边缘计算的协同任务卸载方法，以实现服务器基于执行能力的聚类算法，结合基于幂等性判断的缓存协作机制，采取自适应模糊逻辑的任务卸载算法，实现计算环境下的负载均衡，提高用户服务质量。
为实现上述目的，本发明提供了一种面向多边接入边缘计算的协同任务卸载方法，所述协同任务卸载方法主要包括：
步骤1，边缘服务器层基于任务执行能力的聚类算法产生边缘编排器；
步骤2，终端设备层的设备将需要卸载的计算任务经由网络模型传输到边缘编排器上；
步骤3，边缘编排器查询缓存中是否存在相关任务；
步骤4，若是存在相关任务，则会直接将任务计算结果反馈给终端设备；若是不存在相关任务，则根据设计好的自适应模糊逻辑算法选择合适的服务器进行任务卸载，并将得到的计算结果反馈给终端设备。
作为本发明的进一步改进，在步骤3中，所述边缘编排器结合幂等操作判断的缓存协作机制，在缓存中查询是否存在卸载的相关任务。
作为本发明的进一步改进，在步骤4中，若是缓存时间超时或不存在缓存，则会进入任务卸载流程，将任务进行调度分配，并将缓存内容根据计算任务的替换成本进行结果更新。
作为本发明的进一步改进，所述边缘编排器执行任务卸载流程，根据卸载任务的特征分析考虑对系统性能有显著影响的参数，利用预先构建的自适应模糊逻辑模型计算得到卸载任务的目标服务器位置，即卸载至边缘服务器或远程云服务器层。
作为本发明的进一步改进，所述边缘编排器由计算机编程设计实现，用于将终端设备卸载到所述边缘服务器的任务，安排到合适的服务器虚拟机上执行。
作为本发明的进一步改进，所述终端设备层包括移动设备和物联网设备。
作为本发明的进一步改进，所述边缘服务器层包括边缘服务器、无线接入点、边缘编排器以及边缘缓存服务器。
作为本发明的进一步改进，所述幂等操作包括终端设备发生卸载任务请求是幂等的，对同一终端设备在相同时间内发起的多个相同卸载任务请求应该返回同样的结果，终端设备向服务器重复地发送卸载请求而不会产生负面影响。
作为本发明的进一步改进，所述相关任务包括输入数据、下载任务、任务的执行复杂度、表示任务的延迟敏感度、终端设备是否移动以及任务的应用类型。
本发明的有益效果是：本发明面向多边接入边缘计算的协同任务卸载方法，该卸载方案可以实现对边缘服务器集群的聚合编排管理，有效解决集中式单一编排管理因为单一节点的计算能力有限，容易导致大量卸任任务处于等待队列中，而此时却有边缘服务器却有充足的计算资源的问题。本发明还可以避免重复的计算，减轻边缘服务器的执行压力。本发明还可以在任务卸载中使用模糊逻辑，可以在同一框架处理含有多个参数的多准则决策过程，不需要复杂的数学模型实现应对快速变化系统中的不确定性。
附图说明
图1是本发明系统的结构示意图。
图2是本发明多层边缘计算系统架构图。
图3是本发明边缘设备编排策略图。
图4是本发明编排器工作流程示意图。
图5是本发明自适应模糊逻辑卸载算法结构示意图。
图6是本发明各模糊输入变量的隶属度函数图。
图7是本发明卸载决策隶属函数。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
本发明揭示了一种面向多边接入边缘计算的协同任务卸载方法，所述协同任务卸载方法主要包括：
步骤1，边缘服务器层基于任务执行能力的聚类算法产生边缘编排器；
步骤2，终端设备层的设备将需要卸载的计算任务经由网络模型传输到边缘编排器上；
步骤3，边缘编排器查询缓存中是否存在相关任务；
步骤4，若是存在相关任务，则会直接将任务计算结果反馈给终端设备；若是不存在相关任务，则根据设计好的自适应模糊逻辑算法选择合适的服务器进行任务卸载，并将得到的计算结果反馈给终端设备。
在步骤3中，边缘编排器结合幂等操作判断的缓存协作机制，在缓存中查询是否存在卸载的相关任务。
在步骤4中，若是缓存时间超时或不存在缓存，则会进入任务卸载流程，将任务进行调度分配，并将缓存内容根据计算任务的替换成本进行结果更新。
边缘编排器执行任务卸载流程，根据卸载任务的特征分析考虑对系统性能有显著影响的参数，利用预先构建的自适应模糊逻辑模型计算得到卸载任务的目标服务器位置，即卸载至边缘服务器或远程云服务器层。边缘编排器由计算机编程设计实现，用于将终端设备卸载到所述边缘服务器的任务，安排到合适的服务器虚拟机上执行。终端设备层包括移动设备和物联网设备。边缘服务器层包括边缘服务器、无线接入点、边缘编排器以及边缘缓存服务器。幂等操作包括终端设备发生卸载任务请求是幂等的，对同一终端设备在相同时间内发起的多个相同卸载任务请求应该返回同样的结果，终端设备向服务器重复地发送卸载请求而不会产生负面影响。相关任务包括输入数据、下载任务、任务的执行复杂度、表示任务的延迟敏感度、终端设备是否移动以及任务的应用类型。
实施例1
第一方面，本发明提供了对多层边缘计算系统架构的建模，包括：
如图1和图2所示，该系统架构包含三层，分别是终端设备层、边缘服务器层和远程云服务器层。从下往上看，第一层是终端设备层，由大量移动设备以及物联网设备组成例如手机、平板、智能手表、视频监控等。边缘服务器层位于第二层，包含了边缘服务器、无线接入点(AP Access Point)、边缘编排器以及边缘缓存服务器。边缘服务是边缘服务器层的计算主要资源，每个边缘服务器可以为其覆盖范围内的终端设备提供计算服务，AP用于与终端设备进行通信，边缘编排器决定了计算任务被卸载的位置分配，边缘缓存服务器用于任务卸载反馈结果的存储与更新。最上层是远程云服务器层，它通常由阿里云、亚马逊和微软等云服务器厂商提供，云服务器代表了系统架构中的最强计算能力。
第二方面，本发明提供了对终端设备卸载任务的建模，包括：
本发明中所涉及的任务都是不可分割的，如果任务不在本地执行，则会作为一个整体被卸载，并且任务彼此相互独立。终端设备层产生的任务总数为J，从终端设备上产生的任意计算任务taski均可在终端设备本地、本地边缘服务器、邻近边缘服务器以及云服务器上执行。为了能更好的表示taski，本发明采用四元组(αi,βi,γi,δi,εi)来描述的特性。其中：
αi表示任务i的输入数据/下载数据，以比特(bit)为单位，任务的输入数据大小决定了任务卸载到服务器所产生的时延。通过对应用的输入输出数据观察，发现数据之间存在比例关系，要么输入数据成倍于下载数据，要么下载数据成倍于输入数据。在计算延迟中，考虑到数据比例关系，本发明仅计算上传或下载中对时延影响起决定性作用的数据的传输时延。
βi表示任务i的执行复杂度，本发明采用千兆指令(GI Giga-Instructions)为单位。执行复杂度是作为卸载决策的重要指标，包含太多复杂指令的任务可能会由编排器直接卸载到云端，对比之下，简单指令的任务则可能会直接在终端执行。
γi表示任务i的延迟敏感度，延迟敏感程度表示终端设备从任务开始执行到任务执行结束的最长等待时间，以秒为单位(s second)。延迟敏感度数值越低说明任务对延迟越敏感。
δi表示终端设备是否移动，如果终端设备处于静止状态则为0，如果在发出卸载请求时设备处于移动状态则为1。
εi表示任务i的应用类型，在专利中默认当任务的αi,βi,γi,δi,εi均相同时，则表示这是同一应用发出的相同卸载请求。对于taski，其可能是计算密集应用类型、I/O密集应用类型或延迟敏感应用类型。对于计算密集型或I/O密集型，本发明将其归为一类即需要大量占用计算资源，对于时间延迟相对不敏感的任务，而延迟敏感型任务则占用相对较少的计算资源，但是对时延非常敏感。
第三方面，本发明提供了对多边接入边缘计算网络传输模型的建模，包括：本发明整合了不同作用范围的网络资源即广域网(WAN)、城域网(MAN)和无线局域网(WLAN)用于支持不同计算设备之间的通信。WLAN用于终端设备层的组件与边缘服务器层进行信息交互，通过WLAN边缘服务器为其覆盖范围内的终端设备提供计算服务，AP用于与终端设备进行通信。在边缘服务器层中，各组件之间通过MAN实现了互连互通。最上层的远程云服务器层，因存储云服务器的数据中心距离通过较远，一般通过WAN为用户提供远程计算服务。
在任务卸载过程中可能会经过多个网络，不同网络之间的带宽、传输速率和干扰差异都会对任务的传输过程和调度产生性能的影响。因此本发明需要分别计算将任务卸载到本地边缘服务器、邻近边缘服务器和云服务器产生的通信以及任务计算产生的通信时延。当选择本地或邻近边缘服务器为taski卸载目标时，终端设备通过WLAN将任务上传到边缘服务器，然后经过计算边缘服务器返回计算结果。在此过程中的通信时延主要由taski的上传或下载、计算引起，因此：
其中表示taski的通信时延(单位s)，/>表示taski上传或下载时延，/>表示taski在服务器上执行的时延。Fj表示边缘服务器ESj的计算能力即单位时间能够处理的指令数量,采用每秒千兆指令(GIPS Giga-Instructions per Second)为单位。rwlan表示WLAN的传输速率(单位Mbps)，在计算系统中本发明默认终端设备通过WLAN与边缘服务器交互的上传和下载速率相同，WLAN的传输速率可以表示为：
其中，Wwlan表示WLAN的带宽，pj是边缘服务器ESj的传输功率，hj,i表示边缘服务器ESj和任务taski对应的终端设备之间的信道增益，σ2表示噪声功率，Ij,i为边缘服务器ESj和任务taski对应的终端设备之间干扰功率。为了简化实验的复杂度，在模型设计的过程中，本发明默认了信道增益、噪声功率、设备之间的干扰功率为常数值。因此，在系统中，终端设备的任务传输速率主要受WLAN的带宽和服务器的传输功率影响。当选择远程云服务器为taski卸载目标时，终端设备上的任务首先会通过WLAN传输到边缘服务器层的AP上，然后经由WAN传输到云服务器。在计算通信时延的过程中，因为云端服务器的计算资源是整个系统中最强的，因此相比较任务的上传时延，其执行时延和结果反馈时延可以忽略，因此：
其中表示taski上传到边缘服务器层的时延，/>表示taski上传到云服务器的时延，rwan表示WAN的传输速率。
第四方面，本发明设计实现了一种基于任务执行能力的边缘服务器聚类算法，包括：
该算法根据服务的任务执行能力对边缘服务器节点进行聚类，通过WAN相互通信自组织形成集群，选择集群中具有最强计算能力的节点作为簇头，并在簇头设置边缘编排器用于控制和调度集群内的其他服务器节点。本发明提出的聚类算法主要针对边缘服务器层的计算资源，这些计算资源往往是无法移动，用于处理终端设备发出的卸载请求，其自身并不会产生计算任务。
在初始时刻，边缘服务器层的所有设备都是相互独立的，聚类算法的簇头会根据彼此之间的执行能力对其进行聚类，并将簇头指向具有最高执行能力的边缘服务器节点。接着，成为簇头的节点将激活边缘编排器，定期与集群内的节点进行信息交互，更新编排器的资源列表，包含了每台设备的当前工作负载占用率、网络资源使用情况、与编排器之间的距离、计算能力等状态信息。
任务执行能力是衡量边缘服务器节点当前计算能力的重要因素，本发明使用任务执行能力作为聚类的依据时，需要考虑的因素包括：
1、边缘服务器当前的虚拟机CPU使用率：CPU使用率是衡量当前设备工作负荷繁忙程度的重要因素，可用于计算当前设备还有多少剩余算力可供使用
2、边缘服务器的邻近设备数量：设备的邻近设备数量越多，表明该设备越可能成为簇头,但从属节点越多带来的工作负载也会越高，增加了集群编排器的负担。
3、设备与从属节点的平均距离：边缘服务器之间的距离越长，则数据传输的花销越大且存在数据丢失的风险。
4、边缘服务器的计算能力：计算能力决定了当前设备能处理的复杂任务强度的上限，在本发明以单位时间内能够处理的指令数量作为设备计算能力的体现。
本发明使用公式：
表示边缘设备ESj对应的任务执行能力，其中Uj是边缘服务器当前的虚拟机CPU使用率，Nj是边缘服务器的邻近设备数量，Dj是设备与从属节点的平均距离，rman表示MAN的传输速率，Fj是边缘服务器的计算能力，Wj是任务执行能力。w1、w2、w3是根据每个影响因素的优先级设置的加权参数，其中边缘服务器当前空闲的CPU存量以及计算能力与任务执行能力成正相关，他们代表了服务器及其周边的可用计算资源。而与设备与从属节点的平均距离与任务执行能力成负相关，平均距离越大则计算卸载到此设备的成本越高。使用比率的方式来表示边缘服务器能分配给每个邻近服务器的计算能力，这样实现了对集群内设备数量的限制，避免集群过于庞大增加编排器的负担。
在聚类过程中，每个边缘设备ESj会不断向周边的设备广播其执行能力，当两者能在单位时限Δt(单位s)内建立通信时，则选择具有较高数值的设备作为簇头，并在更新当前簇头的任务执行能力后，簇头会继续与剩余的边缘设备进行比较。当所有的边缘设备都加入集群或超出时间限制，则聚类过程结束。
本发明所提出的基于任务执行能力的边缘服务器聚类算法具体实现过程可由计算机编程实现。
第五方面，本发明设计实现了基于幂等性判断的缓存协作机制，包括：终端设备发生卸载任务请求是幂等的，意味着对同一终端设备在相同时间内发起的多个相同卸载任务请求应该返回同样的结果，终端设备可以向服务器重复地发送卸载请求而不会产生负面影响。这意味着在同一时隙内的多次计算是无效重复的，只会增加服务器的负担。为了避免重复的计算，减轻边缘服务器的执行压力，本发明在具有任务编排功能的边缘服务器上配备了缓存服务，用来缓存使用频率较高且替换成本低的计算结果。
本发明首先对编排器中的缓存任务taski进行了打标，采用五元组(ti,up,αi,βi,γi,δi,εi)的形式表示，其中ti,up表示taski被边缘服务器接收到的时间，其余四个符号依旧表示输入数据/下载数据、执行复杂度、延迟敏感度、终端设备移动性。当边缘编排器接收到任务时，首先会判断当前计算任务是否在缓存中存在备份，本发明使用如下二分变量公式表示：
其中Cached(taski,ti,save)≥1表示任务taski在ti,save时上传到边缘缓存中，且当前缓存中存在备份，反之则表示不存在备份。
当一个终端设备将计算任务taski卸载到边缘服务器层时，编排器会首先对任务是否存在缓存进行判断。如果当前缓存为空，则会执行任务卸载请求，在卸载任务完成时，如果缓存空间足够，则会备份其计算结果。如果当前缓存不为空，则：
任务的一致性比较：即比较任务的属性αi,βi,γi,δi,εi是否完全一致：
αi＝αk,βi＝βk,γi＝γk,δi＝δk,εi＝εk
如果缓存中存在一致的任务数据，则说明taski与先前保存在缓存中的任务taskk具有一致性。否则将执行任务卸载请求。
任务的上传时间与缓存时间比较：若taski与已保存的任务taskk一致，则比较任务taski的上传时间与taskk的保存时间tk,save，若：
ti,up-tk,save≤Δt
则说明taski与taskk满足幂等性要求，为同一时隙上传到服务器的相同任务。接着服务器会不执行任务卸载请求，而是将缓存中备份的计算结果直接返回，且将Cached(taskk,tk,save)的数值+1。如果不满足公式7，说明taski与taskk虽具有一致性但不满足幂等性要求，缓存会替换taskk的计算结果为taski，并更新tk,save时间戳为ti,up，将Cached(taskk,tk,save)的数值+1。
任务的替换成本比较：如果taski不满足任务的一致性，且当前缓存不为空，则要对任务的使用频率与替换成本进行比较。本发明使用如下公式表示任务的替换成本：
其中，表示任意任务taskk的平均输入数据/下载数据的计算强度。Pk表示替换成本其具体含义是:当前缓存协作机制已经为边缘服务器层节省的计算成本。如果满足：
说明当前任务taski的替换成本高于任意任务taskk。如果缓存空间足够，则会直接保存该计算结果。如果缓存空间不足够，则会将taski的替换成本与缓存中已经存在的任务进行比较，逐步删除替换成本最低的任务，直到缓存中有足够的空间用于缓存taski。
本发明所提出的基于幂等性判断的缓存协作机制具体实现过程可由计算机编程实现。
第六方面，本发明设计实现了自适应模糊逻辑的任务卸载算法，包括：任务卸载中使用模糊逻辑，可以在同一框架处理含有多个参数的多准则决策过程，不需要复杂的数学模型实现应对快速变化系统中的不确定性。所提出的自适应模糊逻辑卸载算法旨在提高资源利用的效率，在快速响应任务卸载的同时保证失败率的降低与任务执行时延的减少。它包含了四个主要组成，分别是：模糊化(Fuzzification)、模糊推理机(Fuzzy InferenceEngine)、反模糊化(Defuzzification)和决策反馈(Decision Feedback)。
模糊化模块的作用是将清晰的数值转化为模糊值的过程，接着通过模糊推理机调用模糊规则得到卸载决策，然后经过反模糊化模块将其变为具体的卸载目标，将任务进行卸载，最后通过执行结果的决策反馈更新模糊规则。这样即节省了一定程度的人力设计成本，也满足了各边缘编排器的卸载决策差异。在模糊化模块中，是通过隶属函数(membership functions MFs)将数值输入转化为模糊值。
在模糊化模块中，是通过隶属函数(membership functions MFs)将数值输入转化为模糊值。为了利用模糊逻辑实现有效的任务编排，本发明从先前定义的重要变量中选取了5个关键参数作为模糊化模块的语义变量，所有的语义变量均有三元组(V,R,Ωv)构成，其中V表示语义变量，R表示变量的范围，Ωv表示模糊集合，如表所示：
以任务延迟敏感度为例，根据敏感程度的不同，本发明将任务延迟敏感度的语义值分为低(Low)、中(Medium)、高(High)。当延迟低于4s时，任务延迟敏感度处于较低水平，该类型任务往往需要及时获得计算结果，是延迟敏感型的卸载任务。当延迟在区间2s到12s时，该类型任务对时延的敏感度为中等。当可接受延迟大于10s时，在本发明中认定该类型任务对延迟不敏感，即为计算密集型的任务。
隶属函数的设计是模糊推理机性能的关键所在，它用来将输入变量映射为隶属函数值。结合现有研究进行多次实验尝试，本发明确定了语义变量范围，并采用了三角形与左右开肩形状(left-right open shoulder)作为语义变量对应的隶属函数。
模糊推理机的作用是组合与评估模糊规则，它使用定义好的模糊规则将模糊输入变量转化为输出结果，并将其用于解模糊步骤中。模糊规则，包含了连接规则IF-AND-THEN、限制条件(由语义变量和模糊集合组成)以及输出结论。基于5个隶属函数及其模糊集合，本发明先前预设了n＝3^5＝243条基本模糊规则。其中部分模糊规则如下表所示：
上述模糊规则仅用于展示，实际使用中因结合实际情况具体定义相关模糊规则。基于上述的模糊规则，模糊推理机通过聚合、激活和累加得到最终的推理结果。聚合过程是用于筛选满足条件来的规则构成可用的规则集。激活过程用于将规则中的IF部分应用于THEN的输出结果，一般采用最小值函数来筛选。累加过程是为了在本地服务器卸载、邻近服务器卸载和远程云服务卸载对应的模糊值中选择最合适的作为输出结果，一般采用最大值方法。具体实现可以由计算编程实现。
最后，反模糊化模块用于将模糊推理机输出的模糊结果转化为清晰值。常见的解模糊方法，包含质心法(COG Center of Gravity)、加权模糊均值(WFM Weighted FuzzyMean)、最大均值(MOM Mean of Maximum)等，本能专利选择了最常用的COG法，其计算公式如下：
其中，x*表示重心位置，x表示模糊推理机的输出结果即在本地服务器卸载、邻近服务器卸载和远程云服务最适合位置对应的适用度。μ(x)表示输出结果的隶属度函数。
基于质心的输出结果，本发明的卸载决策如下
所提出的卸载决策反馈是在卸载决策失效时，能及时修改模糊规则。在事先定义好的基本模糊规则基础上，如果目标服务器能够在单位时限Δt(单位时限制的长度为已定义的最大任务延迟敏感度)内反馈计算结果，则认为当前执行成功。否则分三种情况讨论：
1、超时返回结果，则视为不成功。修改模糊推理机聚合阶段中使用的模糊规则，循环使用卸载决策[本地服务器执行,集群临近服务器执行,远程服务云器执行]。如果经过上述过程，任务反馈的时延减少，则更新规则不变，否则保持原有规则不变。
2、没有收到返回结果，即当前服务器执行失败，无法执行。首先尝试上述过程，如果失败，则标记该规则。当后续任务执行使用该标记规则时，同时在三个决策地点进行卸载，并将卸载结果返回给终端设备。
3、若上述方案仍失败，则标记使用该规则的任务卸载失败。
本发明所提出的基于自适应模糊逻辑的任务卸载算法具体实现过程可由计算机编程实现。
实施例2
本发明设计了实现了一种基于任务执行能力的边缘服务器聚类算法用于产生边缘编排器，包括：
任务编排器是管理边缘服务器层，负载任务调度的节点。如图3中第1种集中式的编排策略通过单个编排器节点来管理整个系统，这使得系统易于维护和管理。然而当终端设备卸载任务激增，因为单一节点的计算能力有限，容易导致大量卸任任务处于等待队列中，而此时却有边缘服务器却有充足的计算资源。另一方面采取如图3中第2种分布式策略所有节点自行处理卸载请求，虽然可以提供极低的计算时延，但是各边缘服务器之间无法实现信息共享致使当某一服务器出现过载现象时候，无法及时将多余的卸载请求调度到邻近的服务器中，这样无法满足系统的负载均衡，不易于管理。
为了能够实现多层边缘计算系统架构内的负载均衡，且充分利用每一台边缘服务器的计算资源。本发明采取了如图3中第3种集群控制的方式，利用提出的基于任务执行能力的边缘服务器聚类算法。如图2中边缘服务器层所示，该算法根据服务的任务执行能力对边缘服务器节点进行聚类，通过WAN相互通信自组织形成集群，选择集群中具有最强计算能力的节点作为簇头，并在簇头设置边缘编排器用于控制和调度集群内的其他服务器节点。本发明聚类算法主要针对边缘服务器层的计算资源，这些计算资源往往是无法移动，用于处理终端设备发出的卸载请求，其自身并不会产生计算任务。
首先给出了对任务执行能力的定义，任务执行能力是衡量边缘服务器节点当前计算能力的重要因素，使用任务执行能力作为聚类的依据时，需要考虑的因素包括：
边缘服务器当前的虚拟机CPU使用率：CPU使用率是衡量当前设备工作负荷繁忙程度的重要因素，可用于计算当前设备还有多少剩余算力可供使用
边缘服务器的邻近设备数量：设备的邻近设备数量越多，表明该设备越可能成为簇头,但从属节点越多带来的工作负载也会越高，增加了集群编排器的负担。
设备与从属节点的平均距离：边缘服务器之间的距离越长，则数据传输的花销越大且存在数据丢失的风险。
边缘服务器的计算能力：计算能力决定了当前设备能处理的复杂任务强度的上限，本发明以单位时间内能够处理的指令数量作为设备计算能力的体现。本发明使用公式：
表示边缘设备ESj对应的任务执行能力，其中Uj是边缘服务器当前的虚拟机CPU使用率，Nj是边缘服务器的邻近设备数量，Dj是设备与从属节点的平均距离，rman表示MAN的传输速率，Fj是边缘服务器的计算能力，Wj是任务执行能力。w1、w2、w3是根据每个影响因素的优先级设置的加权参数，其中边缘服务器当前空闲的CPU存量以及计算能力与任务执行能力成正相关，他们代表了服务器及其周边的可用计算资源。而与设备与从属节点的平均距离与任务执行能力成负相关，平均距离越大则计算卸载到此设备的成本越高。使用比率的方式来表示边缘服务器能分配给每个邻近服务器的计算能力，这样实现了对集群内设备数量的限制，避免集群过于庞大增加编排器的负担。
在初始时刻，边缘服务器层的所有设备都是相互独立的，聚类算法的簇头会根据彼此之间的执行能力对其进行聚类，并将簇头指向具有最高执行能力的边缘服务器节点。
接着，成为簇头的节点将激活边缘编排器，定期与集群内的节点进行信息交互，更新编排器的资源列表，包含了每台设备的当前工作负载占用率、网络资源使用情况、与编排器之间的距离、计算能力等状态信息。其工作流程如图4所示。
在聚类过程中，每个边缘设备ESj会不断向周边的设备广播其执行能力，当两者能在单位时限Δt(单位s)内建立通信时，则选择具有较高数值的设备作为簇头，并在更新当前簇头的任务执行能力后，簇头会继续与剩余的边缘设备进行比较。当所有的边缘设备都加入集群或超出时间限制，则聚类过程结束。
本发明所提出的实施例2具体实现过程均可由计算机编程实现。
实施例3
本发明设计了实现了一种基于幂等性判断的缓存协作机制，包括：当用户在终端设备上执行了一个幂等操作，则在同一时间间隙内其任意多次的执行结果应与一次执行的结果反馈相同。这意味着在同一时隙内的多次计算是无效重复的，只会增加服务器的负担。为了避免重复的计算，减轻边缘服务器的执行压力，本发明在具有任务编排功能的边缘服务器上配备了缓存服务，用来缓存使用频率较高且替换成本低的计算结果。
首先对编排器中的缓存任务taski进行了打标，采用五元组(ti,up,αi,βi,γi,δi,εi)的形式表示，其中ti,up表示taski被边缘服务器接收到的时间，其余四个符号依旧表示输入数据/下载数据、执行复杂度、延迟敏感度、终端设备移动性。当边缘编排器接收到任务时，首先会判断当前计算任务是否在缓存中存在备份，本发明使用如下二分变量公式表示：
其中Cached(taski,ti,save)≥1表示任务taski在ti,save时上传到边缘缓存中，且当前缓存中存在备份，反之则表示不存在备份。
当一个终端设备将计算任务taski卸载到边缘服务器层时，编排器会首先对任务是否存在缓存进行判断。如果当前缓存为空，则会执行任务卸载请求，在卸载任务完成时，如果缓存空间足够，则会备份其计算结果。
如果当前缓存不为空，则首先比较任务的一致性，即比较任务的属性αi,βi,γi,δi,εi是否完全一致：
αi＝αk,βi＝βk,γi＝γk,δi＝δk,εi＝εk
如果缓存中存在一致的任务数据，则说明taski与先前保存在缓存中的任务taskk具有一致性。否则将执行任务卸载请求。
如果满足一致性比较，则对任务的上传时间与缓存时间比较，若taski与已保存的任务taskk一致，则比较任务taski的上传时间与taskk的保存时间tk,save，若：
ti,up-tk,save≤Δt
则说明taski与taskk满足幂等性要求，为同一时隙上传到服务器的相同任务。
根据上述的判断，接着服务器会不执行任务卸载请求，而是将缓存中备份的计算结果直接返回，且将Cached(taskk,tk,save)的数值+1。上述判断说明taski与taskk虽具有一致性但不满足幂等性要求，缓存会替换taskk的计算结果为taski，并更新tk,save时间戳为ti,up，将Cached(taskk,tk,save)的数值+1。
如果taski不满足任务的一致性，且当前缓存不为空，则要对任务的使用频率与替换成本进行比较。使用如下公式表示任务的替换成本：
其中，表示任意任务taskk的平均输入数据/下载数据的计算强度。Pk表示替换成本其具体含义是:当前缓存协作机制已经为边缘服务器层节省的计算成本。如果满足：
说明当前任务taski的替换成本高于任意任务taskk。如果缓存空间足够，则会直接保存该计算结果。如果缓存空间不足够，则会将taski的替换成本与缓存中已经存在的任务进行比较，逐步删除替换成本最低的任务，直到缓存中有足够的空间用于缓存taski。
实施例4
本发明设计了实现了一种基于任务执行能力的边缘服务器聚类算法用于产生边缘编排器，包括：
任务卸载中使用模糊逻辑，可以在同一框架处理含有多个参数的多准则决策过程，不需要复杂的数学模型实现应对快速变化系统中的不确定性。所提出的自适应模糊逻辑卸载算法旨在提高资源利用的效率，在快速响应任务卸载的同时保证失败率的降低与任务执行时延的减少。它包含了四个主要组成，分别是：模糊化(Fuzzification)、模糊推理机(Fuzzy Inference Engine)、反模糊化(Defuzzification)和决策反馈(DecisionFeedback)。其结构组成如图5所示。
模糊化模块的作用是将清晰的数值转化为模糊值的过程，接着通过模糊推理机调用模糊规则得到卸载决策，然后经过反模糊化模块将其变为具体的卸载目标，将任务进行卸载，最后通过执行结果的决策反馈更新模糊规则。这样即节省了一定程度的人力设计成本，也满足了各边缘编排器的卸载决策差异。在模糊化模块中，是通过隶属函数(membership functions MFs)将数值输入转化为模糊值。
为了利用模糊逻辑实现有效的任务编排，本发明从先前定义的重要变量中选取了5个关键参数作为模糊化模块的语义变量，所有的语义变量均有三元组(V,R,Ωv)构成，其中V表示语义变量，R表示变量的范围，Ωv表示模糊集合，如表所示：
以任务延迟敏感度为例，根据敏感程度的不同，本发明将任务延迟敏感度的语义值分为低(Low)、中(Medium)、高(High)。当延迟低于4s时，任务延迟敏感度处于较低水平，该类型任务往往需要及时获得计算结果，是延迟敏感型的卸载任务。当延迟在区间2s到12s时，该类型任务对时延的敏感度为中等。当可接受延迟大于10s时，本发明认定该类型任务对延迟不敏感，即为计算密集型的任务。
隶属函数的设计是模糊推理机性能的关键所在，它用来将输入变量映射为隶属函数值。结合现有研究进行多次实验尝试，本发明确定了语义变量范围，并采用了三角形与左右开肩形状(left-right open shoulder)作为语义变量对应的隶属函数。各变量的输入数值与隶属度之间的关系，如图6所示.
模糊推理机的作用是组合与评估模糊规则，它使用定义好的模糊规则将模糊输入变量转化为输出结果，并将其用于解模糊步骤中。模糊规则的组成如图5中的Rule1所示，包含了连接规则IF-AND-THEN、限制条件(由语义变量和模糊集合组成)以及输出结论。基于5个隶属函数及其模糊集合，本发明先前预设了n＝3^5＝243条基本模糊规则。其中部分模糊规则如下表所示：
上述模糊规则仅用于展示，实际使用中因结合实际情况具体定义相关模糊规则。
基于模糊规则，模糊推理机通过聚合、激活和累加得到最终的推理结果。聚合过程用于筛选满足条件来的规则构成可用的规则集。激活过程用于将规则中的IF部分应用于THEN的输出结果，一般采用最小值函数来筛选。累加过程是为了在本地服务器卸载、邻近服务器卸载和远程云服务卸载对应的模糊值中选择最合适的作为输出结果，一般采用最大值方法。其具体实现过程可由计算机编程所得。
反模糊化模块用于将模糊推理机输出的模糊结果转化为清晰值。常见的解模糊方法，包含质心法(COG Center of Gravity)、加权模糊均值(WFM Weighted Fuzzy Mean)、最大均值(MOM Mean of Maximum)等，本发明选择了最常用的COG法，其计算公式如下：
其中，x*表示重心位置，x表示模糊推理机的输出结果即在本地服务器卸载、邻近服务器卸载和远程云服务最适合位置对应的适用度。μ(x)表示输出结果的隶属度函数如图7所示。
基于上述质心的输出结果，本发明卸载决策如下：
所提出的卸载决策反馈是在卸载决策失效时，能及时修改模糊规则。在事先定义好的基本模糊规则基础上，如果目标服务器能够在单位时限Δt(单位时限制的长度为已定义的最大任务延迟敏感度)内反馈计算结果，则认为当前执行成功。否则分三种情况讨论：
超时返回结果，则视为不成功。修改模糊推理机聚合阶段中使用的模糊规则，循环使用卸载决策[本地服务器执行,集群临近服务器执行,远程服务云器执行]。如果经过上述过程，任务反馈的时延减少，则更新规则不变，否则保持原有规则不变。
没有收到返回结果，即当前服务器执行失败，无法执行。首先尝试上述过程，如果失败，则标记该规则。当后续任务执行使用该标记规则时，同时在三个决策地点进行卸载，并将卸载结果返回给终端设备。
若上述方案仍失败，则标记使用该规则的任务卸载失败。
本发明所提出的实施例4具体实现过程均可由计算机编程实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
综上所述，本发明面向多边接入边缘计算的协同任务卸载方法，该卸载方案可以实现对边缘服务器集群的聚合编排管理，有效解决集中式单一编排管理因为单一节点的计算能力有限，容易导致大量卸任任务处于等待队列中，而此时却有边缘服务器却有充足的计算资源的问题。本发明还可以避免重复的计算，减轻边缘服务器的执行压力。本发明还可以在任务卸载中使用模糊逻辑，可以在同一框架处理含有多个参数的多准则决策过程，不需要复杂的数学模型实现应对快速变化系统中的不确定性。
以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。

Claims (9)

1.一种面向多边接入边缘计算的协同任务卸载方法，其特征在于：所述协同任务卸载方法主要包括：
步骤1，边缘服务器层基于其所有设备彼此之间的任务执行能力采用聚类算法进行聚类，形成簇头并将簇头指向具有最高执行能力的边缘服务器节点，成为簇头的节点上设置边缘编排器；
步骤2，终端设备层的设备将需要卸载的计算任务经由卸载任务模型传输到边缘编排器上；
步骤3，边缘编排器查询缓存中是否存在相关任务；
步骤4，若是存在相关任务，则会直接将任务计算结果反馈给终端设备；若是不存在相关任务，则根据设计好的自适应模糊逻辑算法选择合适的服务器进行任务卸载，并将得到的计算结果反馈给终端设备。
2.根据权利要求1所述的协同任务卸载方法，其特征在于：在步骤3中，所述边缘编排器结合幂等操作判断的缓存协作机制，在缓存中查询是否存在卸载的相关任务。
3.根据权利要求1所述的协同任务卸载方法，其特征在于：在步骤4中，若是缓存时间超时或不存在缓存，则会进入任务卸载流程，将任务进行调度分配，并将缓存内容根据计算任务的替换成本进行结果更新。
4.根据权利要求3所述的协同任务卸载方法，其特征在于：所述边缘编排器执行任务卸载流程，根据卸载任务的特征分析考虑对系统性能有显著影响的参数，利用预先构建的自适应模糊逻辑模型计算得到卸载任务的目标服务器位置，即卸载至边缘服务器或远程云服务器层。
5.根据权利要求4所述的协同任务卸载方法，其特征在于：所述边缘编排器由计算机编程设计实现，用于将终端设备卸载到所述边缘服务器的任务，安排到合适的服务器虚拟机上执行。
6.根据权利要求1所述的协同任务卸载方法，其特征在于：所述终端设备层包括移动设备和物联网设备。
7.根据权利要求1所述的协同任务卸载方法，其特征在于：所述边缘服务器层包括边缘服务器、无线接入点、边缘编排器以及边缘缓存服务器。
8.根据权利要求2所述的协同任务卸载方法，其特征在于：所述幂等操作包括终端设备发生卸载任务请求是幂等的，对同一终端设备在相同时间内发起的多个相同卸载任务请求应该返回同样的结果，终端设备向服务器重复地发送卸载请求而不会产生负面影响。
9.根据权利要求1所述的协同任务卸载方法，其特征在于：所述相关任务包括输入数据、下载任务、任务的执行复杂度、表示任务的延迟敏感度、终端设备是否移动以及任务的应用类型。
CN202210271541.2A 2022-03-18 2022-03-18 面向多边接入边缘计算的协同任务卸载方法 Active CN114928607B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210271541.2A CN114928607B (zh) 2022-03-18 2022-03-18 面向多边接入边缘计算的协同任务卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210271541.2A CN114928607B (zh) 2022-03-18 2022-03-18 面向多边接入边缘计算的协同任务卸载方法

Publications (2)

Publication Number Publication Date
CN114928607A CN114928607A (zh) 2022-08-19
CN114928607B true CN114928607B (zh) 2023-08-04

Family

ID=82804688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210271541.2A Active CN114928607B (zh) 2022-03-18 2022-03-18 面向多边接入边缘计算的协同任务卸载方法

Country Status (1)

Country Link
CN (1) CN114928607B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115237506B (zh) * 2022-09-21 2022-12-09 暨南大学 Cps系统中可靠性驱动的分层任务卸载方法和装置
CN115665160B (zh) * 2022-10-14 2024-02-20 四川轻化工大学 一种面向电力安全工器具的多接入边缘计算系统及方法
CN117834643B (zh) * 2024-03-05 2024-05-03 南京邮电大学 一种面向工业物联网的深度神经网络协同推理方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110933157A (zh) * 2019-11-26 2020-03-27 重庆邮电大学 一种面向工业物联网的边缘计算任务卸载方法
CN111045828A (zh) * 2019-12-27 2020-04-21 广东电科院能源技术有限责任公司 基于配电网台区终端的分布式边缘计算方法和相关装置
CN111522666A (zh) * 2020-04-27 2020-08-11 西安工业大学 一种云机器人边缘计算卸载模型及其卸载方法
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
CN111626352A (zh) * 2020-05-26 2020-09-04 多伦科技股份有限公司 基于模糊c均值的自适应能耗最优车辆聚类方法
CN113709694A (zh) * 2021-07-28 2021-11-26 南京邮电大学 一种面向边缘车联网系统的计算任务卸载方法
CN113709201A (zh) * 2020-05-22 2021-11-26 华为技术有限公司 计算卸载的方法和通信装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10659526B2 (en) * 2018-01-03 2020-05-19 Verizon Patent And Licensing Inc. Edge compute systems and methods
US11265369B2 (en) * 2019-04-30 2022-03-01 Verizon Patent And Licensing Inc. Methods and systems for intelligent distribution of workloads to multi-access edge compute nodes on a communication network

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110933157A (zh) * 2019-11-26 2020-03-27 重庆邮电大学 一种面向工业物联网的边缘计算任务卸载方法
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
CN111045828A (zh) * 2019-12-27 2020-04-21 广东电科院能源技术有限责任公司 基于配电网台区终端的分布式边缘计算方法和相关装置
CN111522666A (zh) * 2020-04-27 2020-08-11 西安工业大学 一种云机器人边缘计算卸载模型及其卸载方法
CN113709201A (zh) * 2020-05-22 2021-11-26 华为技术有限公司 计算卸载的方法和通信装置
CN111626352A (zh) * 2020-05-26 2020-09-04 多伦科技股份有限公司 基于模糊c均值的自适应能耗最优车辆聚类方法
CN113709694A (zh) * 2021-07-28 2021-11-26 南京邮电大学 一种面向边缘车联网系统的计算任务卸载方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种基于强化学习的多节点MEC计算资源分配方案;余萌迪;唐俊华;李建华;;通信技术(12);全文 *

Also Published As

Publication number Publication date
CN114928607A (zh) 2022-08-19

Similar Documents

Publication Publication Date Title
CN114928607B (zh) 面向多边接入边缘计算的协同任务卸载方法
Baek et al. Heterogeneous task offloading and resource allocations via deep recurrent reinforcement learning in partial observable multifog networks
CN113950103B (zh) 一种移动边缘环境下多服务器完全计算卸载方法及系统
CN109951821B (zh) 基于移动边缘计算的最小化车辆能耗任务卸载方案
CN109684075B (zh) 一种基于边缘计算和云计算协同进行计算任务卸载的方法
CN107450982B (zh) 一种基于系统状态的任务调度方法
CN109788046B (zh) 一种基于改进蜂群算法的多策略边缘计算资源调度方法
Li et al. Energy-aware task offloading with deadline constraint in mobile edge computing
Chakraborty et al. Intelligent Latency-aware tasks prioritization and offloading strategy in Distributed Fog-Cloud of Things
CN110069341B (zh) 边缘计算中结合功能按需配置的有依赖关系任务的调度方法
Misra et al. Multiarmed-bandit-based decentralized computation offloading in fog-enabled IoT
CN112799823B (zh) 边缘计算任务的在线分派调度方法和系统
CN114205353B (zh) 一种基于混合动作空间强化学习算法的计算卸载方法
Jain et al. Qos-aware task offloading in fog environment using multi-agent deep reinforcement learning
Li et al. An efficient scheduling optimization strategy for improving consistency maintenance in edge cloud environment
Singh Effective load balancing strategy using fuzzy golden eagle optimization in fog computing environment
Raju et al. Delay and energy aware task scheduling mechanism for fog-enabled IoT applications: A reinforcement learning approach
Lu et al. Dynamic offloading for energy-aware scheduling in a mobile cloud
CN114125063A (zh) 基于业务QoS的电力通信网任务卸载系统、方法及应用
CN112817741B (zh) 一种边缘计算的dnn任务控制方法
CN114172558A (zh) 一种车辆网络中基于边缘计算和无人机集群协同的任务卸载方法
Tychalas et al. SaMW: a probabilistic meta-heuristic algorithm for job scheduling in heterogeneous distributed systems powered by microservices
Shi et al. Workflow migration in uncertain edge computing environments based on interval many-objective evolutionary algorithm
CN113452788A (zh) 一种动态网络中基于服务迁移的适配优化方法
CN116996941A (zh) 基于配网云边端协同的算力卸载方法、装置及系统

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