CN114980216B - 基于移动边缘计算的依赖型任务卸载系统及方法 - Google Patents
基于移动边缘计算的依赖型任务卸载系统及方法 Download PDFInfo
- Publication number
- CN114980216B CN114980216B CN202210615826.3A CN202210615826A CN114980216B CN 114980216 B CN114980216 B CN 114980216B CN 202210615826 A CN202210615826 A CN 202210615826A CN 114980216 B CN114980216 B CN 114980216B
- Authority
- CN
- China
- Prior art keywords
- task
- population
- individuals
- tasks
- energy consumption
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004364 calculation method Methods 0.000 title claims abstract description 40
- 238000005265 energy consumption Methods 0.000 claims abstract description 59
- 230000001419 dependent effect Effects 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 47
- 238000004891 communication Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 27
- 230000003044 adaptive effect Effects 0.000 claims description 20
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 108090000623 proteins and genes Proteins 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 239000002243 precursor Substances 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000001934 delay Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000008685 targeting Effects 0.000 claims description 2
- 238000010295 mobile communication Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 4
- 238000009399 inbreeding Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
- H04W28/24—Negotiating SLA [Service Level Agreement]; Negotiating QoS [Quality of Service]
-
- 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)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了移动通信技术领域的基于移动边缘计算的依赖型任务卸载系统及方法，包括：将移动终端上的应用形式化为多个任务组成的工作流，并用DAG图表示，图中顶点表示任务，边表示任务之间的依赖关系；遍历应用的DAG图，依据遍历的深度将工作流中所有任务划分为不同调度层并确定各调度层的执行顺序；为每个调度层内的各任务分配不同的优先级，依据任务的优先级顺序调整调度层内各任务执行顺序；计算工作流中各任务的时延和能耗；以应用的所有任务时延和能耗最小化为目标，按照任务执行顺序依次确定每个任务的卸载决策。本发明中移动终端的应用程序完成时延和终端能耗显著减少，充分利用了计算资源，有效保证了服务质量。
Description
技术领域
本发明涉及基于移动边缘计算的依赖型任务卸载系统及方法，属于移动通信技术领域。
背景技术
移动边缘计算的出现解决了传统云计算响应时间长，数据泄露和通信延迟等问题，计算卸载作为移动边缘计算中的关键技术之一，近年来得到了广泛的关注。计算卸载是指资源受限的设备将资源密集型计算从移动设备部分或全部迁移到资源丰富的附近基础架构，由于MEC环境的复杂性，影响卸载决策的因素众多，如何设计最优的卸载决策策略，以充分挖掘MEC性能增益，是非常具有挑战性的科学问题。
近年来，国内外学者纷纷对移动边缘计算中的卸载策略展开了深入研究，文献1(通信学报,2020,41(7):141-151.)中提出基于信誉值的计算资源博弈分配模型，分别利用改进粒子群算法和拉格朗日乘数法求解。但此算法将应用当作整体，忽略了应用组成任务之间往往存在某种联系，减少了卸载机会，不利于资源的有效利用。文献2(软件学报,2020,31(06):1889-1908.)中提出了一种面向多用户的串行任务动态卸载策略，该策略遵循先来先服务的原则，采用化学反应优化算法动态调整任务的选择策略。该算法考虑到任务间的依赖性，但它忽略了不同任务间的执行顺序对性能的影响。文献3(IEEE Transacti ons onWireless Communications,2020,19(01):235-250.)中研究了双用户任务之间的依赖性，采用了吉布斯采样算法，但是未考虑到云边端协同系统下资源的丰富性。
在现有技术范畴内，上述的卸载决策算法都存在一定的局限性，因而总结出现有的需要解决的难题有以下几点：
(1)依赖型任务需要考虑到任务之间存在的数据通信，针对复杂云边端协同系统中多个终端，多个边缘服务器和多个云服务器之间合作的异质性，需要分析任务之间不同的卸载情况。
(2)相对于仅解决单个移动终端计算卸载的工作，系统中需要考虑多个移动终端，为避免它们对资源的恶意争抢，必须给任务定义优先级，以实现资源的合理分配。
较差的网络环境不仅会造成任务的完成时延较长，还会快速消耗移动终端设备的电量，因此为了提高用户的服务体验感，需要联合考虑时延和能耗的多目标优化。
发明内容
本发明的目的在于克服现有技术中的不足，提供基于移动边缘计算的依赖型任务卸载系统及方法，移动终端的应用程序完成时延和终端能耗显著减少，充分利用了计算资源，有效保证了服务质量。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了基于移动边缘计算的依赖型任务卸载方法，包括：
将移动终端上的应用形式化为多个任务组成的工作流，并用DAG图表示，图中顶点表示任务，边表示任务之间的依赖关系；
遍历应用的DAG图，依据遍历的深度将工作流中所有任务划分为不同调度层并确定各调度层的执行顺序；
为每个调度层内的各任务分配不同的优先级，依据任务的优先级顺序调整调度层内各任务执行顺序；
计算工作流中各任务的时延和能耗；
以应用的所有任务时延和能耗最小化为目标，按照任务执行顺序依次确定每个任务的卸载决策。
进一步的，遍历应用的DAG图，依据遍历的深度将工作流中所有任务划分为不同调度层并确定各调度层的执行顺序，包括：寻找应用程序工作流的入口任务，从入口任务开始，采用BFS算法遍历新DAG图，基于任务所属DAG图的层数为每个组成任务分配调度编号s，调度层sls就是将所有具有相同调度编号s的任务存储在二维数组列表的同一行中，所有调度层形成调度列表SL＝{sls|1≤s≤S}，其中S代表调度层数的最大值，当存在多个入口任务时，设置虚拟任务节点v0与多个入口任务节点连接形成新的DAG图，以虚拟任务节点v0作为工作流的入口任务。
进一步的，为每个调度层内的各任务分配不同的优先级，依据任务的优先级顺序调整调度层内各任务执行顺序，包括：
定义调度层中不同任务的优先级为计算平均计算数据量的价值，公式为：
式中，prioi为计算平均计算数据量的价值，表示任务vi的重要度，使用点中心度来衡量，wi表示任务vi的计算数据量，将任务的优先级从大到小顺序作为调度层内各任务执行顺序。
进一步的，计算工作流中各任务的时延和能耗，其中，移动应用程序m完成时延Tm的计算公式为：
式中，ESTm,i为任务vm,i的最早开始时间，为资源/>对于任务vm,i的最早空闲时间，EFTm,i为任务vm,i的最早结束时间，pre(vm,i)为任务vm,i的前驱任务集合，EFTm,i,为任务vm,i'的最早结束时间且vm,i'是vm,i的前驱任务，/>为各资源层之间的数据通信时延，/>为传输时延，/>为计算时延，/>为输出任务的最早开始时间，/>为输出任务的计算时延；传输时延/>计算时延/>和在系统中各资源层之间的数据通信时延/>计算公式为：
式中，LLAN和LWAN分别为局域网LAN和广域网WAN的卸载延迟，xm,i为任务vm,i的卸载决策，代表移动终端资源，wm,i为任务vm,i的计算数据量，fl为移动终端的计算能力，fedg为边缘服务器的计算能力，fcld为云服务器的计算能力，dm,i,j为任务vm,i与vm,j之间的通信数据量，BLAN和BWAN分别为局域网LAN和广域网WAN的带宽，STi表示任务vm,i'和vm,i卸载决策的五种情况，其中：
式中，为异或二进制运算，SQ(xm,i)和SZ(xm,i)为不同的函数，分别返回卸载决策xm,i对应计算资源的类型值q和编号值z；ST1表示卸载决策的第一种情况，任务vm,i'和vm,i被分别卸载到边缘端不同的边缘服务器上；ST2表示第二种情况，任务vm,i'和vm,i被分别卸载到云端不同的云服务器上；ST3表示第三种情况，任务vm,i'和vm,i被分别分配到移动终端和边缘端；ST4表示第四种情况，任务vm,i'和vm,i被分别分配到移动终端和云端或者被分别卸载到边缘端和云端；当任务vm,i'和vm,i的执行位置完全相同即卸载决策相同时为第五种情况，用ST5表示。
进一步的，计算工作流中各任务的时延和能耗，其中，任务vm,i的能耗em,i和移动应用程序m的总能耗Em分别表示为：
其中，为运行能耗，/>为通信能耗，计算公式为：
式中，为任务vm,i的计算时延，/>为任务vm,i的等待时延，Pidle和Pcomp分别为移动终端在空闲和计算状态下的功率,xm,i为任务vm,i的卸载决策，/>代表移动终端资源，LLAN和LWAN分别为局域网LAN和广域网WAN的卸载延迟，/>为各资源层之间的数据通信时延，Ptransfer为移动终端的数据传输功率，SEi为任务vm,i'和vm,i不同的卸载决策情况，其中：
式中，SE1表示第一种情况：任务vm,i'和vm,i的数据通信发生在移动终端和边缘端或者移动终端和云端之间，其中，SQ(xm,i)为返回卸载决策xm,i对应计算资源的类型值q，为异或二进制运算；SE2表示第二种情况：任务vm,i'和vm,i间的数据通信与移动终端无关。
进一步的，以应用的所有任务时延和能耗最小化为目标，包括：
式中，Tm为移动应用程序m完成时延，Em为移动应用程序m的总能耗，M为移动终端总数。
进一步的，按照任务执行顺序依次确定每个任务的卸载决策，包括：对于各调度层逐一采用一种改进的D-NSGA算法确定每个调度层上各任务的卸载决策，包括：
步骤S4.1：种群初始化：确定算法的参数，包括最大迭代次数，种群规模和种群中的个体，其中OP种群中包含某些预先定义好的个体，所述个体每个基因的二元组值被设置为对应的移动终端，OP种群中剩下的个体和DP种群中的个体采用随机算法生成；
步骤S4.2：通过D-NSGA算法进行交叉变异，基于OP种群和DP种群中父代个体集合生成新的子代个体集合；
步骤S4.3：通过D-NSGA算法对OP种群和DP种群分别采用不一样的适应性函数定义方式，并在此基础上根据不同的方法进行排序选择；
在D-NSGA算法中对OP种群中的个体采用非支配排序方式，首先，分别计算出OP种群中个体的全局时延适应性值和全局能耗适应性值，并找出个体之间的Pareto支配关系；然后，在种群中找到第一非支配层的非支配个体，将这些个体的Pareto等级设置为1。；接着，将个体的Pareto等级设置为2，依次类推，得到该种群中所有个体的Pareto等级；最后，根据个体的Pareto等级得到排序后的种群，OP种群中基于拥挤距离大小选择较优的个体；
对于DP种群，适应性函数的计算公式可以表示为：
式中，PopSize表示D-NSGA算法中OP种群和DP种群的规模，和/>分别表示OP种群和DP种群中的个体，/>表示个体/>和个体/>之间的汉明距离，它体现了具有不同卸载策略的个体之间的差异性，计算公式可以表示为：
式中，f表示个体的大小，即调度层任务的数量，df表示多样性因子。基于卸载策略中分配的资源类型和编号，多样性因子可以定义为：
式中sgn为一个符号函数，和/>分别表示OP和DP种群个体中的第k个基因即任务，SQ(xm,i)和SZ(xm,i)为不同的函数，分别返回卸载决策xm,i对应计算资源的类型值q和编号值z，由DP种群中个体的适应性函数定义方式可知，适应性值越大，个体越具有多样性，DP种群中的个体只需要根据适应性值由大到小进行排序就可以，DP种群中根据适应性值大小选择较优的个体得到；
步骤S4.4：重复S4.1，S4.2和S4.3上述步骤，逐一处理各调度层，最终处理完系统中应用的所有组成任务。
第二方面，本发明提供了基于移动边缘计算的依赖型任务卸载系统，包括：
工作流转化模块，用于将移动终端上的应用形式化为多个任务组成的工作流，并用DAG图表示，图中顶点表示任务，边表示任务之间的依赖关系；
调度层划分模块，用于遍历应用的DAG图，依据遍历的深度将工作流中所有任务划分为不同调度层并确定各调度层的执行顺序；
任务顺序调整模块，用于为每个调度层内的各任务分配不同的优先级，依据任务的优先级顺序调整调度层内各任务执行顺序；
时延和能耗计算模块，用于计算工作流中各任务的时延和能耗；
卸载决策计算模块，用于以应用的所有任务时延和能耗最小化为目标，按照任务执行顺序依次确定每个任务的卸载决策。
第三方面，本发明提供了基于移动边缘计算的依赖型任务卸载装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据上述任一项所述方法的步骤。
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。
与现有技术相比，本发明具有如下显而易见的突出实质性特点和显著的优点：
1)本发明考虑到移动终端应用中各组成任务的依赖关系，相比于整体卸载策略的全部卸载或者全部本地执行，组成任务可以自由选择卸载决策，有利于移动边缘计算环境中资源的充分利用；
2)本发明在利用边缘服务器资源的基础上扩充现有系统模型，加入云服务器计算资源，提出了云边端协同的网络卸载系统，提升了系统的资源的可用性；
3)除了任务完成时延，能耗也是移动边缘计算中一项重要的性能指标，因此，为满足不同类型的用户终端需求，将任务完成时延和移动终端能耗作为了联合优化目标；
4)任务执行顺序对应用性能的影响，通过优先级划分最大化了任务组合卸载的潜在增益，为后续任务卸载做准备；
5)设计了一种D-NSGA算法调整卸载决策。D-NSGA算法通过引入双种群策略，将种群拆分为了普通OP和多样性DP两种类型，经过不同的排序选择方式，扩大了搜索空间，提高了算法寻找最优策略的精度。
附图说明
图1是本发明实施例一提供的云边端协同架构；
图2是本发明实施例一提供的基于移动边缘计算的面向多目标优化的任务卸载策略流程图；
图3是本发明实施例一提供的安排任务执行顺序的流程图；
图4是本发明实施例一提供的算法流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一：
如图1所示，云边端协同的计算卸载系统分为三层，包括云层，边缘层和移动终端层。用集合S＝{Sdev,Sedg,Scld}表示全部计算资源。其中 和/>分别代表移动终端，边缘端和云端资源，/>表示单个资源，z指示资源的编号，q＝{0,1,2}指示资源的类型。当q＝0时，/>表示移动终端，可以用四元组{fl,Pidle,Pcomp,Ptransfer}描述，其中fl为移动终端的计算能力，Pidle和Pcomp分别为移动终端在空闲和计算状态下的功率，Ptransfer为移动终端的数据传输功率。当q＝1时，/>表示边缘服务器，可以用三元组{fedg,BLAN,LLAN}描述，其中fedg为边缘服务器的计算能力，BLAN和LLAN分别为局域网LAN的带宽和卸载延迟。当q＝2时，/>表示云服务器，可以用三元组{fcld,BWAN,LWAN}描述，其中fcld为云服务器的计算能力，BWAN和LWAN分别为广域网WAN的带宽和卸载延迟。
基于不同的粒度级别可以将移动应用程序划分为多个任务，假设系统中存在M个移动终端，并且每个移动终端只运行单个应用程序，将来自不同移动终端的应用程序形式化为DAG。移动终端m上的应用程序可以表示为Gm＝(Vm,EDm)(m＝{1,2,...,M})，其中Vm＝{vm,i|1≤i≤|Vm|}为应用程序m的任务集，EDm＝{(vm,i,vm,j)|vm,i,vm,j∈Vm^i≠j}为有向边集。任务可以用二元组{wm,i,dm,i,j}表示，其中wm,i为任务vm,i的计算数据量，假设任务vm,i和vm,j之间存在依赖关系，dm,i,j为vm,i与vm,j之间的通信数据量。
请参阅图2，本实施例的基于移动边缘计算的依赖型任务卸载方法，包括以下过程：
步骤S1：考虑到用户上的应用程序一般都由多个任务组成，为表达不同任务之间的依赖关系，将应用程序形式化为工作流，用DAG图(有向无环图)表示，图中顶点表示任务，边表示任务之间的依赖关系。
步骤S2：通过BFS算法遍历应用程序的DAG图结构，为工作流中每个组成任务分配调度编号，相同调度编号的任务划分为同一个调度层，所有调度层形成调度列表。对于不同调度层的任务按照调度层编号顺序执行以保证任务间的依赖关系，为每个调度层内的各任务分配不同的优先级，依据任务的优先级顺序调整调度层内各任务执行顺序，具体步骤参见图3所示：
步骤S2.1：寻找应用程序工作流的入口任务，当存在多个入口任务时，加入虚拟任务节点v0，将虚拟任务节点v0与原多个入口任务节点连接形成新的DAG图，以虚拟任务节点v0作为工作流的入口任务，保证最后的DAG图拥有单个入口任务以便进行遍历。
步骤S2.2：从入口任务开始，采用BFS算法遍历新DAG图，基于任务所属DAG图的层数(遍历的深度)为每个组成任务分配调度编号s，调度层sls就是将所有具有相同调度编号s的任务存储在二维数组列表的同一行中，所有调度层形成调度列表SL＝{sls|1≤s≤S}，其中S代表调度层数的最大值。
为各任务分配不同的优先级，包括：
定义调度层中不同任务的优先级为计算平均计算数据量的价值，公式为：
其中,prioi为计算平均计算数据量的价值，表示任务vi的重要度，使用点中心度来衡量，wi表示任务vi的计算数据量。
依据任务的优先级顺序调整调度层内各任务执行顺序，包括：将任务的优先级从大到小顺序作为调度层内各任务执行顺序。
步骤S3：根据用户的应用程序需求，计算工作流中各个任务的完成时延和终端能耗，以便获得应用程序工作流中各个任务的卸载决策。
将应用程序表达为工作流后，任务vm,i的完成时延由三部分组成，包括它的传输时延计算时延/>和在系统中各资源层之间的数据通信时延/>计算公式为：
式中LLAN和LWAN分别为局域网LAN和广域网WAN的卸载延迟，xm,i为任务vm,i的卸载决策，wm,i为任务vm,i的计算数据量，fl为移动终端的计算能力，fedg为边缘服务器的计算能力，fcld为云服务器的计算能力，dm,i,j为vm,i与vm,j之间的通信数据量，BLAN和BWAN分别为局域网LAN和广域网WAN的带宽，用STi表示任务vm,i'和vm,i卸载决策的五种情况。
数据通信时延指同一应用程序中存在依赖关系的两个任务之间进行通信所需要的时延。因为移动终端，边缘端和云端之间的通信带宽不同，所以数据通信时延与两个依赖型任务的卸载决策有关，设定任务vm,i'是vm,i的前驱任务。
式中为异或二进制运算，SQ(xm,i)和SZ(xm,i)为不同的函数，分别返回卸载决策xm,i对应计算资源的类型值q和编号值z。ST1表示卸载决策的第一种情况，任务vm,i'和vm,i被分别卸载到边缘端不同的边缘服务器上。ST2表示第二种情况，任务vm,i'和vm,i被分别卸载到云端不同的云服务器上。ST3表示第三种情况，任务vm,i'和vm,i被分别分配到移动终端和边缘端。ST4表示第四种情况，任务vm,i'和vm,i被分别分配到移动终端和云端或者被分别卸载到边缘端和云端。当任务vm,i'和vm,i的执行位置完全相同即卸载决策相同时为第五种情况，用ST5表示。本章采用非抢占式任务卸载策略，任务在执行过程中不能中断，并且资源在同一时刻只能处理单个任务，移动应用程序m完成时延Tm的计算公式可以表示为：
式中ESTm,i为任务vm,i的最早开始时间，为资源/>对于任务vm,i的最早空闲时间，EFTm,i为任务vm,i的最早结束时间即完成时延，pre(vm,i)为任务vm,i的前驱任务集合，/>为输出任务的最早开始时间，/>为输出任务的计算时延。公式中使用了max组合，里面的max是为了保证任务的前驱任务都已经完成并且任务之间开始通信，外面的max表示任务除了等待前驱任务执行完成，卸载至相关计算资源还需要等待至资源处于空闲状态才能开始执行。根据DAG型任务结构的特点，应用程序m的完成时延Tm可以被定义为其输出任务/>的最早结束时间。
将应用程序表达为工作流后，任务vm,i的能耗由两部分组成，包括它的运行能耗和通信能耗/>计算公式为：
式中为任务vm,i的计算时延，/>为任务vm,i的等待时延，Pidle和Pcomp分别为移动终端在空闲和计算状态下的功率，LLAN和LWAN分别为局域网LAN和广域网WAN的卸载延迟，为各资源层之间的数据通信时延，Ptransfer为移动终端的数据传输功率，SEi为任务vm,i'和vm,i不同的卸载决策情况。由于能耗是从移动终端的角度考虑的，所以只有当依赖型任务vm,i'和vm,i的卸载决策与移动终端相关时才会产生通信能耗，用SEi表示任务vm,i'和vm,i不同的卸载决策情况。
式中SE1表示第一种情况，任务vm,i'和vm,i的数据通信发生在移动终端和边缘端或者移动终端和云端之间。SE2表示第二种情况，任务vm,i'和vm,i间的数据通信与移动终端无关。
根据运行能耗和通信能耗的计算公式，可以将任务vm,i的能耗em,i和移动应用程序m的总能耗Em分别表示为：
以最小化应用程序完成时延和终端能耗为目标，可以将问题定义为：
式中Tm为移动应用程序m完成时延，Em为移动应用程序m的总能耗。
步骤S4：逐一处理对上述步骤得到的调度列表中不同的调度层。对于各调度层逐一采用一种改进的D-NSGA算法确定每个调度层上各任务的卸载决策。具体步骤参见图4所示，具体步骤为：
步骤S4.1：种群初始化阶段的主要目的是确定算法的参数，包括最大迭代次数，种群规模和种群中的个体等。其中OP种群中包含某些预先定义好的个体，所述个体每个基因的二元组值被设置为对应的移动终端，以减少迭代过程中出现劣质解的次数，而OP种群中剩下的个体和DP种群中的个体采用随机算法生成。
步骤S4.2：交叉变异，D-NSGA算法中采用两点交叉法生成新个体，首先从父代个体中随机选择两个交叉点，然后基于被选择的交叉点交换部分基因，保持其余的基因不变，形成两个新的子代个体。此外，因为D-NSGA算法中将种群划分为了不同的类别，所以针对OP种群和DP种群，交叉操作也分为两种类型：不同种群之间的杂交和相同种群内部的近交。杂交操作生成的子代个体存储在两个种群的子代集合中，而近交操作生成的子代个体只会存储在对应种群的子代集合中。算法通过杂交操作可以增加个体的多样性，从而避免算法陷入局部最优，而通过近交操作则可以保留原始种群的个体特征，提高算法的稳定性。变异是根据预先定义好的变异概率将子代个体上的基因进行随机地变化，从而增加搜索解空间的能力，以生成较优的个体。交叉变异步骤的主要目的是基于父代个体集合生成新的子代个体集合。
步骤S4.3：排序选择，D-NSGA算法将种群分为OP种群和DP种群。对两个种群分别采用不一样的适应性函数定义方式，并在此基础上根据不同的方法进行排序选择。
对于OP种群，为评估个体的优劣，D-NSGA算法中定义了全局适应性函数和局部适应性函数。将局部适应性函数和/>分别表示为调度层上来自同一应用程序的任务的时延和能耗，将全局适应性函数/>和/>分别表示为个体的总时延和能耗，根据OP种群中个体适应性函数的定义可知，适应性值与时延和能耗两种因素有关，因此在评价个体优劣即对OP种群中的个体进行排序时需要考虑到多个目标，在D-NSGA算法中对OP种群中的个体采用非支配排序方式，首先，分别计算出OP种群中个体的全局时延适应性值和全局能耗适应性值，并找出个体之间的Pareto支配关系。然后，在种群中找到第一非支配层的非支配个体，将这些个体的Pareto等级设置为1。接着，将个体的Pareto等级设置为2，依次类推，得到该种群中所有个体的Pareto等级。最后，根据个体的Pareto等级得到排序后的种群，OP种群中基于拥挤距离大小选择较优的个体。
对于DP种群，适应性函数的计算公式可以表示为：
/>
式中PopSize表示D-NSGA算法中OP种群和DP种群的规模，和/>分别表示OP种群和DP种群中的个体，/>表示个体/>和个体/>之间的汉明距离，它体现了具有不同卸载策略的个体之间的差异性，计算公式可以表示为：
式中f表示个体的大小，即调度层任务的数量，df表示多样性因子。基于卸载策略中分配的资源类型和编号，多样性因子可以定义为：
式中sgn为一个符号函数，和/>分别表示OP和DP种群个体中的第k个基因即任务，SQ(xm,i)和SZ(xm,i)为不同的函数，分别返回卸载决策xm,i对应计算资源的类型值q和编号值z。由DP种群中个体的适应性函数定义方式可知，适应性值越大，个体越具有多样性，DP种群中的个体只需要根据适应性值由大到小进行排序就可以。DP种群中根据适应性值大小选择较优的个体得到。
步骤S4.4：重复S4.1，S4.2和S4.3上述步骤，逐一处理各调度层，最终处理完系统中应用的所有组成任务。
实施例二：
基于移动边缘计算的依赖型任务卸载系统，可实现实施例一所述的基于移动边缘计算的依赖型任务卸载方法，包括：
工作流转化模块，用于将移动终端上的应用形式化为多个任务组成的工作流，并用DAG图表示，图中顶点表示任务，边表示任务之间的依赖关系；
调度层划分模块，用于遍历应用的DAG图，依据遍历的深度将工作流中所有任务划分为不同调度层并确定各调度层的执行顺序；
任务顺序调整模块，用于为每个调度层内的各任务分配不同的优先级，依据任务的优先级顺序调整调度层内各任务执行顺序；
时延和能耗计算模块，用于计算工作流中各任务的时延和能耗；
卸载决策计算模块，用于以应用的所有任务时延和能耗最小化为目标，按照任务执行顺序依次确定每个任务的卸载决策。
实施例三：
本发明实施例还提供了基于移动边缘计算的依赖型任务卸载装置，可实现实施例一所述的基于移动边缘计算的依赖型任务卸载方法，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行下述方法的步骤：
将移动终端上的应用形式化为多个任务组成的工作流，并用DAG图表示，图中顶点表示任务，边表示任务之间的依赖关系；
遍历应用的DAG图，依据遍历的深度将工作流中所有任务划分为不同调度层并确定各调度层的执行顺序；
为每个调度层内的各任务分配不同的优先级，依据任务的优先级顺序调整调度层内各任务执行顺序；
计算工作流中各任务的时延和能耗；
以应用的所有任务时延和能耗最小化为目标，按照任务执行顺序依次确定每个任务的卸载决策。
实施例四：
本发明实施例还提供了一种计算机可读存储介质，可实现实施例一所述的基于移动边缘计算的依赖型任务卸载方法，其上存储有计算机程序，该程序被处理器执行时实现下述方法的步骤：
将移动终端上的应用形式化为多个任务组成的工作流，并用DAG图表示，图中顶点表示任务，边表示任务之间的依赖关系；
遍历应用的DAG图，依据遍历的深度将工作流中所有任务划分为不同调度层并确定各调度层的执行顺序；
为每个调度层内的各任务分配不同的优先级，依据任务的优先级顺序调整调度层内各任务执行顺序；
计算工作流中各任务的时延和能耗；
以应用的所有任务时延和能耗最小化为目标，按照任务执行顺序依次确定每个任务的卸载决策。
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。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (7)
1.基于移动边缘计算的依赖型任务卸载方法，其特征是，包括：
将移动终端上的应用形式化为多个任务组成的工作流，并用DAG图表示，图中顶点表示任务，边表示任务之间的依赖关系；
遍历应用的DAG图，依据遍历的深度将工作流中所有任务划分为不同调度层并确定各调度层的执行顺序；
为每个调度层内的各任务分配不同的优先级，依据任务的优先级顺序调整调度层内各任务执行顺序；
计算工作流中各任务的时延和能耗；
以应用的所有任务时延和能耗最小化为目标，按照任务执行顺序依次确定每个任务的卸载决策；
计算工作流中各任务的时延和能耗，其中，移动应用程序m完成时延Tm的计算公式为：
式中，ESTm,i为任务vm,i的最早开始时间，为资源/>对于任务vm,i的最早空闲时间，EFTm,i为任务vm,i的最早结束时间，pre(vm,i)为任务vm,i的前驱任务集合，EFTm,i,为任务vm,i'的最早结束时间且vm,i'是vm,i的前驱任务，/>为各资源层之间的数据通信时延，为传输时延，/>为计算时延，/>为输出任务的最早开始时间，/>为输出任务的计算时延；传输时延/>计算时延/>和在系统中各资源层之间的数据通信时延计算公式为：
式中，LLAN和LWAN分别为局域网LAN和广域网WAN的卸载延迟，xm,i为任务vm,i的卸载决策，代表移动终端资源，wm,i为任务vm,i的计算数据量，fl为移动终端的计算能力，fedg为边缘服务器的计算能力，fcld为云服务器的计算能力，dm,i,j为任务vm,i与vm,j之间的通信数据量，BLAN和BWAN分别为局域网LAN和广域网WAN的带宽，STi表示任务vm,i'和vm,i卸载决策的五种情况，其中：
式中，为异或二进制运算，SQ(xm,i)和SZ(xm,i)为不同的函数，分别返回卸载决策xm,i对应计算资源的类型值q和编号值z；ST1表示卸载决策的第一种情况，任务vm,i'和vm,i被分别卸载到边缘端不同的边缘服务器上；ST2表示第二种情况，任务vm,i'和vm,i被分别卸载到云端不同的云服务器上；ST3表示第三种情况，任务vm,i'和vm,i被分别分配到移动终端和边缘端；ST4表示第四种情况，任务vm,i'和vm,i被分别分配到移动终端和云端或者被分别卸载到边缘端和云端；当任务vm,i'和vm,i的执行位置完全相同即卸载决策相同时为第五种情况，用ST5表示；
计算工作流中各任务的时延和能耗，其中，任务vm,i的能耗em,i和移动应用程序m的总能耗Em分别表示为：
其中，为运行能耗，/>为通信能耗，计算公式为：
式中，为任务vm,i的计算时延，/>为任务vm,i的等待时延，Pidle和Pcomp分别为移动终端在空闲和计算状态下的功率,xm,i为任务vm,i的卸载决策，/>代表移动终端资源，LLAN和LWAN分别为局域网LAN和广域网WAN的卸载延迟，/>为各资源层之间的数据通信时延，Ptransfer为移动终端的数据传输功率，SEi为任务vm,i'和vm,i不同的卸载决策情况，其中：
式中，SE1表示第一种情况：任务vm,i'和vm,i的数据通信发生在移动终端和边缘端或者移动终端和云端之间，其中，SQ(xm,i)为返回卸载决策xm,i对应计算资源的类型值q，为异或二进制运算；SE2表示第二种情况：任务vm,i'和vm,i间的数据通信与移动终端无关；
按照任务执行顺序依次确定每个任务的卸载决策，包括：对于各调度层逐一采用一种改进的D-NSGA算法确定每个调度层上各任务的卸载决策，包括：
步骤S4.1：种群初始化：确定算法的参数，包括最大迭代次数，种群规模和种群中的个体，其中OP种群中包含某些预先定义好的个体，所述个体每个基因的二元组值被设置为对应的移动终端，OP种群中剩下的个体和DP种群中的个体采用随机算法生成；
步骤S4.2：通过D-NSGA算法进行交叉变异，基于OP种群和DP种群中父代个体集合生成新的子代个体集合；
步骤S4.3：通过D-NSGA算法对OP种群和DP种群分别采用不一样的适应性函数定义方式，并在此基础上根据不同的方法进行排序选择；
在D-NSGA算法中对OP种群中的个体采用非支配排序方式，首先，分别计算出OP种群中个体的全局时延适应性值和全局能耗适应性值，并找出个体之间的Pareto支配关系；然后，在种群中找到第一非支配层的非支配个体，将这些个体的Pareto等级设置为1；接着，将个体的Pareto等级设置为2，依次类推，得到该种群中所有个体的Pareto等级；最后，根据个体的Pareto等级得到排序后的种群，OP种群中基于拥挤距离大小选择较优的个体；
对于DP种群，适应性函数的计算公式可以表示为：
式中，PopSize表示D-NSGA算法中OP种群和DP种群的规模，和/>分别表示OP种群和DP种群中的个体，/>表示个体/>和个体/>之间的汉明距离，它体现了具有不同卸载策略的个体之间的差异性，计算公式可以表示为：
式中，f表示个体的大小，即调度层任务的数量，df表示多样性因子；基于卸载策略中分配的资源类型和编号，多样性因子可以定义为：
式中sgn为一个符号函数，和/>分别表示OP和DP种群个体中的第k个基因即任务，SQ(xm,i)和SZ(xm,i)为不同的函数，分别返回卸载决策xm,i对应计算资源的类型值q和编号值z，由DP种群中个体的适应性函数定义方式可知，适应性值越大，个体越具有多样性，DP种群中的个体只需要根据适应性值由大到小进行排序就可以，DP种群中根据适应性值大小选择较优的个体得到；
步骤S4.4：重复S4.1，S4.2和S4.3上述步骤，逐一处理各调度层，最终处理完系统中应用的所有组成任务。
2.根据权利要求1所述的基于移动边缘计算的依赖型任务卸载方法，其特征是，遍历应用的DAG图，依据遍历的深度将工作流中所有任务划分为不同调度层并确定各调度层的执行顺序，包括：寻找应用程序工作流的入口任务，从入口任务开始，采用BFS算法遍历新DAG图，基于任务所属DAG图的层数为每个组成任务分配调度编号s，调度层sls就是将所有具有相同调度编号s的任务存储在二维数组列表的同一行中，所有调度层形成调度列表SL＝{sls|1≤s≤S}，其中S代表调度层数的最大值，当存在多个入口任务时，设置虚拟任务节点v0与多个入口任务节点连接形成新的DAG图，以虚拟任务节点v0作为工作流的入口任务。
3.根据权利要求1所述的基于移动边缘计算的依赖型任务卸载方法，其特征是，为每个调度层内的各任务分配不同的优先级，依据任务的优先级顺序调整调度层内各任务执行顺序，包括：
定义调度层中不同任务的优先级为计算平均计算数据量的价值，公式为：
式中，prioi为计算平均计算数据量的价值，表示任务vi的重要度，使用点中心度来衡量，wi表示任务vi的计算数据量，将任务的优先级从大到小顺序作为调度层内各任务执行顺序。
4.根据权利要求1所述的基于移动边缘计算的依赖型任务卸载方法，其特征是，以应用的所有任务时延和能耗最小化为目标，包括：
式中，Tm为移动应用程序m完成时延，Em为移动应用程序m的总能耗，M为移动终端总数。
5.基于移动边缘计算的依赖型任务卸载系统，其特征是，包括：
工作流转化模块，用于将移动终端上的应用形式化为多个任务组成的工作流，并用DAG图表示，图中顶点表示任务，边表示任务之间的依赖关系；
调度层划分模块，用于遍历应用的DAG图，依据遍历的深度将工作流中所有任务划分为不同调度层并确定各调度层的执行顺序；
任务顺序调整模块，用于为每个调度层内的各任务分配不同的优先级，依据任务的优先级顺序调整调度层内各任务执行顺序；
时延和能耗计算模块，用于计算工作流中各任务的时延和能耗；
卸载决策计算模块，用于以应用的所有任务时延和能耗最小化为目标，按照任务执行顺序依次确定每个任务的卸载决策；
计算工作流中各任务的时延和能耗，其中，移动应用程序m完成时延Tm的计算公式为：
式中，ESTm,i为任务vm,i的最早开始时间，为资源/>对于任务vm,i的最早空闲时间，EFTm,i为任务vm,i的最早结束时间，pre(vm,i)为任务vm,i的前驱任务集合，EFTm,i,为任务vm,i'的最早结束时间且vm,i'是vm,i的前驱任务，/>为各资源层之间的数据通信时延，为传输时延，/>为计算时延，/>为输出任务的最早开始时间，/>为输出任务的计算时延；传输时延/>计算时延/>和在系统中各资源层之间的数据通信时延/>计算公式为：
式中，LLAN和LWAN分别为局域网LAN和广域网WAN的卸载延迟，xm,i为任务vm,i的卸载决策，代表移动终端资源，wm,i为任务vm,i的计算数据量，fl为移动终端的计算能力，fedg为边缘服务器的计算能力，fcld为云服务器的计算能力，dm,i,j为任务vm,i与vm,j之间的通信数据量，BLAN和BWAN分别为局域网LAN和广域网WAN的带宽，STi表示任务vm,i'和vm,i卸载决策的五种情况，其中：
式中，为异或二进制运算，SQ(xm,i)和SZ(xm,i)为不同的函数，分别返回卸载决策xm,i对应计算资源的类型值q和编号值z；ST1表示卸载决策的第一种情况，任务vm,i'和vm,i被分别卸载到边缘端不同的边缘服务器上；ST2表示第二种情况，任务vm,i'和vm,i被分别卸载到云端不同的云服务器上；ST3表示第三种情况，任务vm,i'和vm,i被分别分配到移动终端和边缘端；ST4表示第四种情况，任务vm,i'和vm,i被分别分配到移动终端和云端或者被分别卸载到边缘端和云端；当任务vm,i'和vm,i的执行位置完全相同即卸载决策相同时为第五种情况，用ST5表示；
计算工作流中各任务的时延和能耗，其中，任务vm,i的能耗em,i和移动应用程序m的总能耗Em分别表示为：
其中，为运行能耗，/>为通信能耗，计算公式为：
式中，为任务vm,i的计算时延，/>为任务vm,i的等待时延，Pidle和Pcomp分别为移动终端在空闲和计算状态下的功率,xm,i为任务vm,i的卸载决策，/>代表移动终端资源，LLAN和LWAN分别为局域网LAN和广域网WAN的卸载延迟，/>为各资源层之间的数据通信时延，Ptransfer为移动终端的数据传输功率，SEi为任务vm,i'和vm,i不同的卸载决策情况，其中：
式中，SE1表示第一种情况：任务vm,i'和vm,i的数据通信发生在移动终端和边缘端或者移动终端和云端之间，其中，SQ(xm,i)为返回卸载决策xm,i对应计算资源的类型值q，为异或二进制运算；SE2表示第二种情况：任务vm,i'和vm,i间的数据通信与移动终端无关；
按照任务执行顺序依次确定每个任务的卸载决策，包括：对于各调度层逐一采用一种改进的D-NSGA算法确定每个调度层上各任务的卸载决策，包括：
步骤S4.1：种群初始化：确定算法的参数，包括最大迭代次数，种群规模和种群中的个体，其中OP种群中包含某些预先定义好的个体，所述个体每个基因的二元组值被设置为对应的移动终端，OP种群中剩下的个体和DP种群中的个体采用随机算法生成；
步骤S4.2：通过D-NSGA算法进行交叉变异，基于OP种群和DP种群中父代个体集合生成新的子代个体集合；
步骤S4.3：通过D-NSGA算法对OP种群和DP种群分别采用不一样的适应性函数定义方式，并在此基础上根据不同的方法进行排序选择；
在D-NSGA算法中对OP种群中的个体采用非支配排序方式，首先，分别计算出OP种群中个体的全局时延适应性值和全局能耗适应性值，并找出个体之间的Pareto支配关系；然后，在种群中找到第一非支配层的非支配个体，将这些个体的Pareto等级设置为1；接着，将个体的Pareto等级设置为2，依次类推，得到该种群中所有个体的Pareto等级；最后，根据个体的Pareto等级得到排序后的种群，OP种群中基于拥挤距离大小选择较优的个体；
对于DP种群，适应性函数的计算公式可以表示为：
式中，PopSize表示D-NSGA算法中OP种群和DP种群的规模，和/>分别表示OP种群和DP种群中的个体，/>表示个体/>和个体/>之间的汉明距离，它体现了具有不同卸载策略的个体之间的差异性，计算公式可以表示为：
式中，f表示个体的大小，即调度层任务的数量，df表示多样性因子；基于卸载策略中分配的资源类型和编号，多样性因子可以定义为：
式中sgn为一个符号函数，和/>分别表示OP和DP种群个体中的第k个基因即任务，SQ(xm,i)和SZ(xm,i)为不同的函数，分别返回卸载决策xm,i对应计算资源的类型值q和编号值z，由DP种群中个体的适应性函数定义方式可知，适应性值越大，个体越具有多样性，DP种群中的个体只需要根据适应性值由大到小进行排序就可以，DP种群中根据适应性值大小选择较优的个体得到；
步骤S4.4：重复S4.1，S4.2和S4.3上述步骤，逐一处理各调度层，最终处理完系统中应用的所有组成任务。
6.基于移动边缘计算的依赖型任务卸载装置，其特征是，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1～4任一项所述方法的步骤。
7.计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时实现权利要求1～4任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210615826.3A CN114980216B (zh) | 2022-06-01 | 2022-06-01 | 基于移动边缘计算的依赖型任务卸载系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210615826.3A CN114980216B (zh) | 2022-06-01 | 2022-06-01 | 基于移动边缘计算的依赖型任务卸载系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114980216A CN114980216A (zh) | 2022-08-30 |
| CN114980216B true CN114980216B (zh) | 2024-03-22 |
Family
ID=82959566
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210615826.3A Active CN114980216B (zh) | 2022-06-01 | 2022-06-01 | 基于移动边缘计算的依赖型任务卸载系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114980216B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116582873B (zh) * | 2023-07-13 | 2023-09-08 | 湖南省通信建设有限公司 | 通过5g网络演算优化卸载任务降低延时和能耗的系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112380008A (zh) * | 2020-11-12 | 2021-02-19 | 天津理工大学 | 一种面向移动边缘计算应用的多用户细粒度任务卸载调度方法 |
| CN112995289A (zh) * | 2021-02-04 | 2021-06-18 | 天津理工大学 | 一种基于非支配排序遗传策略的车联网多目标计算任务卸载调度方法 |
| CN112988345A (zh) * | 2021-02-09 | 2021-06-18 | 江南大学 | 一种基于移动边缘计算的依赖型任务卸载方法及装置 |
| CN113741999A (zh) * | 2021-08-25 | 2021-12-03 | 江南大学 | 一种基于移动边缘计算的面向依赖型任务卸载方法及装置 |
-
2022
- 2022-06-01 CN CN202210615826.3A patent/CN114980216B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112380008A (zh) * | 2020-11-12 | 2021-02-19 | 天津理工大学 | 一种面向移动边缘计算应用的多用户细粒度任务卸载调度方法 |
| CN112995289A (zh) * | 2021-02-04 | 2021-06-18 | 天津理工大学 | 一种基于非支配排序遗传策略的车联网多目标计算任务卸载调度方法 |
| CN112988345A (zh) * | 2021-02-09 | 2021-06-18 | 江南大学 | 一种基于移动边缘计算的依赖型任务卸载方法及装置 |
| CN113741999A (zh) * | 2021-08-25 | 2021-12-03 | 江南大学 | 一种基于移动边缘计算的面向依赖型任务卸载方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 移动边缘计算环境中基于能耗优化的深度神经网络计算任务卸载策略;高寒;李学俊;周博文;刘晓;徐佳;;计算机集成制造系统;20200615(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114980216A (zh) | 2022-08-30 |
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 | |
| CN112988345B (zh) | 一种基于移动边缘计算的依赖型任务卸载方法及装置 | |
| CN112286677B (zh) | 一种面向资源受限边缘云的物联网应用优化部署方法 | |
| CN112380008B (zh) | 一种面向移动边缘计算应用的多用户细粒度任务卸载调度方法 | |
| CN113821318B (zh) | 一种物联网跨域子任务组合协同计算方法及系统 | |
| 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 | |
| CN109803292B (zh) | 一种基于强化学习的多次级用户移动边缘计算的方法 | |
| CN114585006B (zh) | 基于深度学习的边缘计算任务卸载和资源分配方法 | |
| Wang et al. | Joint service caching, resource allocation and computation offloading in three-tier cooperative mobile edge computing system | |
| CN114980216B (zh) | 基于移动边缘计算的依赖型任务卸载系统及方法 | |
| Zhou et al. | Deep reinforcement learning-based algorithms selectors for the resource scheduling in hierarchical cloud computing | |
| Hu et al. | Dynamic task offloading in MEC-enabled IoT networks: A hybrid DDPG-D3QN approach | |
| He | Optimization of edge delay sensitive task scheduling based on genetic algorithm | |
| 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 | |
| Li | Optimization of task offloading problem based on simulated annealing algorithm in MEC | |
| Ye et al. | Balanced multi-access edge computing offloading strategy in the Internet of things scenario | |
| Wang et al. | Multi-objective joint optimization of communication-computation-caching resources in mobile edge computing | |
| CN114615705B (zh) | 一种基于5g网络下单用户资源分配策略方法 | |
| 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 | |
| Aliyu et al. | Towards a Partial Computation offloading in In-networking Computing-Assisted MEC: A Digital Twin Approach | |
| Li et al. | A latency-optimal task offloading scheme using genetic algorithm for DAG applications in edge computing | |
| Lv et al. | Workflow task scheduling optimization strategy in moving edge computing environment | |
| CN114706673A (zh) | 一种移动边缘计算网络中考虑任务延时和服务器成本的任务分配方法 | |
| CN114118444A (zh) | 一种利用启发式算法降低联邦学习中设备空跑时间的方法 | |
| CN113709817A (zh) | 多基站多服务器场景下的任务卸载和资源调度方法及装置 |
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 |