CN115242838B - 一种车载边缘计算中服务协同卸载的方法 - Google Patents
一种车载边缘计算中服务协同卸载的方法 Download PDFInfo
- Publication number
- CN115242838B CN115242838B CN202210861700.4A CN202210861700A CN115242838B CN 115242838 B CN115242838 B CN 115242838B CN 202210861700 A CN202210861700 A CN 202210861700A CN 115242838 B CN115242838 B CN 115242838B
- Authority
- CN
- China
- Prior art keywords
- service
- vehicle
- frequent
- data
- unloading
- 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 34
- 238000004364 calculation method Methods 0.000 title claims abstract description 17
- 230000003993 interaction Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000002787 reinforcement Effects 0.000 claims abstract description 10
- 238000003064 k means clustering Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000009471 action Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 6
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种车载边缘计算中服务协同卸载的方法，包括如下步骤：步骤1：通过计算获取车载服务中具有数据交互的关联服务对；步骤2：通过K‑means聚类算法获取目标边缘服务器的位置；步骤3：根据本车与目标边缘服务器的距离、目标边缘服务器的计算能力和关联服务对的数据交互关系进行动态卸载；其中，通过深度强化学习进行服务卸载策略训练，获得最优卸载策略。本发明所述方法挖掘出服务的关联关系进行协同卸载；建立了完善的时延模型并利用深度强化学习进行训练，根据不同的车辆状态和边缘服务器状态来进行服务的动态卸载，在终端节点资源受限的情况下，通过优化用户调用服务时延及关联服务间的通信时延，为用户提供低时延的高质量服务。
Description
技术领域
本发明涉及计算机技术领域，具体涉及一种车载边缘计算中服务协同卸载的方法。
背景技术
车载边缘计算(Vehicular Edge Computing，VEC)是一种可实现车联网低时延和高可靠性的关键技术，用户将计算任务卸载到移动边缘计算服务器上，不仅可以解决车载终端计算能力不足的问题，而且可以减少能耗，降低车联网通信服务的时延。然而，车辆在快速移动的状态下，与边缘服务器静态部署的矛盾给计算卸载的可靠性带来了挑战，因此需要快速选择合适的目标边缘服务器。同时，在车辆移动过程中，由于车辆的计算能力和资源受限，车辆请求服务需要卸载到边缘服务器进行执行然后返回给车辆用户。但是，由于车辆在快速移动过程中，往往会因为卸载过程存在时延，而导致车辆服务质量收到影响，无法快速响应交互需求。现有研究大多都只考虑的用户-任务-边缘服务器三者之间的关系，并没有考虑服务与服务之间的关联性，而且现有技术大多使用线性规划或者强化学习来求解该问题，传统的强化学习局限于动作空间和样本空间都很小，且一般是离散的情境下，而比较复杂的任务则往往有着很大的状态空间和连续的动作空间，这也导致复杂的任务在卸载至边缘服务器的过程中时延会更大。
发明内容
针对现有技术存在的上述不足，本发明的目的在于提供一种车载边缘计算中服务协同卸载的方法，以解决现有技术难以快速选择目标边缘服务器、无法确定需要卸载车载服务的多少内容至目标边缘服务器、以及如何降低卸载交互服务时延的问题。
为了解决上述技术问题，本发明采用如下技术方案：
一种车载边缘计算中服务协同卸载的方法，包括如下步骤：
步骤1：通过计算获取车载服务中具有数据交互的关联服务对；
步骤2：通过K-means聚类算法获取目标边缘服务器的位置；
步骤3：根据本车与目标边缘服务器的距离、目标边缘服务器的计算能力和关联服务对的数据交互关系进行动态卸载；其中，通过深度强化学习进行服务卸载策略训练，获得最优卸载策略。
与现有技术相比，本发明具有如下有益效果：
1、本发明所述方法首先并行化计算出服务的服务频度计数和最终频繁二项集，通过挖掘出的服务频繁二项集，发现并获取计算任务中具有数据交互的服务；然后，使用K-Means聚类算法聚类出目标边缘服务器的位置，不仅能够快速获取目标边缘服务器的位置，还能使车辆在移动过程中始终处于目标边缘服务器的服务范围之内；根据移动车辆和目标边缘服务器的距离、目标边缘服务器的计算能力和关联服务对的数据交互关系进行动态卸载，通过深度强化学习进行训练来得到最优卸载策略和卸载率，获得最优的卸载时延。
2、本发明所述方法通过对关联服务进行协同卸载，揭示出服务之间的关联关系，能够最小化服务调用时延和关联服务之间的数据通信时延，从而挖掘出服务的关联关系考虑服务交互时延进行协同卸载；建立了较完善的时延模型并利用深度强化学习进行训练，根据不同的车辆状态和边缘服务器状态来进行服务的动态卸载，在终端节点资源受限的情况下，通过优化用户调用服务时延及关联服务间的通信时延，为用户提供低时延的高质量服务。
附图说明
图1为本发明所述方法与DQN和AC算法实验结果比较图。
具体实施方式
下面将结合附图和实施例对本发明作进一步说明。
本发明提供一种车载边缘计算中服务协同卸载的方法，包括如下步骤：
步骤1：通过计算获取车载服务中具有数据交互的关联服务对。
在具体实施时，所述步骤1包括如下步骤：
1)收集用户调用服务历史记录，并将其作为原始数据集。其中，原始数据集用户调用服务日志EL定义为形如EL＝(Cid，TS,Π)的三元组。其中，Cid为服务调用实例ID号，由于每次服务调用涉及到一系列关联服务的执行，Cid用于表示该服务调用时所涉及的所有关联服务。TS为时间戳的有限序列，用于表示原子服务的调用时间。Π表示服务有限序列，其由一系列原子服务Mi＝(m1,m2,......,mn)组成。
2)利用MapReduce模型并行化挖掘出所有服务的频度计数；
3)基于服务的频度计数，利用齐夫分布特征，得到最小支持度阈值。其中，所述齐夫分布特征为：
最小支持度阈值为其中，N为服务个数，α为指数特征值，λ为最小支持度阈值的比例。
4)基于最小支持度阈值，建立频繁模式树(FP-tree)和频繁模式矩阵(FP-Matrix)；其中，频繁模式矩阵存放了服务频繁项的支持度计数和兴趣度度量值。
其中，建立频繁模式树和频繁模式矩阵的方法如下：
4.1：扫描原始数据集，将频度大于最小支持度阈值的数据插入频繁数据项队列L中；
4.2：将队列L中数据按照频度由大到小进行排序；
4.3：创建频繁模式树的根节点，用Root标记；
4.4：选择原始数据集中每个事务的频繁数据项，集频繁项列表为[e|E],其中e是第一个元素，E是剩余的元素列表，将元素的频度计数置为0；
4.5：如果频繁模式树中有子女N使得N.item_name＝e.item_name，则将N频度计数加1；否则，创建一个新节点N，将其频度计数置为1，并将其连接到其父节点；通过节点链结构将其链接到具有相同item_name的节点；
4.6：如E非空，则递归地调用4.5；
4.7：将频繁矩阵中的支持度计数和兴趣度度量值置为0，扫描原始数据集中的每个服务，将频繁矩阵中每个数据对相应的支持度计数增加1。
5)利用MapReduce模型进行并行化挖掘得到服务的频繁二项集。其中，挖掘服务频繁二项集的方法如下：
5.1：将数据频繁项队列分为logm个小组；
5.2：将每一个分组中的数据进行出队操作；
5.3：依次计算每个出队数据与其在频繁模式树中父节点的兴趣度度量值，将大于正模式阈值的兴趣度度量值写入频繁矩阵对应元素中；
5.4：依次确认频繁模式树的不同枝是否具有相同数据，如有，则利用节点链结构链接上述枝；
5.5：利用归约函数，将所有的频繁项对进行汇总，得到最终频繁二项集。
所述兴趣度度量值通过如下公式计算得到：
其中，sup(xy)表示数据x,y的支持度计数，所述支持度计数从频繁矩阵中直接获取。
6)通过服务的频繁二项集找出关联服务对。
步骤2：通过K-means聚类算法获取目标边缘服务器的位置。在步骤2中，所述K-means聚类算法具体如下：
S1：预将车辆轨迹数据分为K组，随机选取K个经纬度坐标作为初始的聚类中心；定义损失函数为：
其中，xi代表第i个数据，ci是xi所属的簇，M为聚类数据数量，是ci簇的中心点；
S2：计算每个坐标与各个聚类中心之间的距离，把每个坐标分配给距离它最近的聚类中心；聚类中心以及分配给它们的坐标代表一个聚类，具体一个聚类表示为其中，xi代表第i个数据；/>表示t时聚类中心；/>表示t时的聚类。
S3：每分配一个坐标，聚类的聚类中心根据聚类中现有的坐标位置被重新计算；该过程将不断重复，此时，聚类中心表示为其中，xi代表第i个数据；μ表示聚类中心；/>表示重新计算后的聚类中心。
S4：直到所有的坐标都被重新分配，并且聚类中心不会再发生变化，误差平方和局部最小。
步骤3：根据本车与目标边缘服务器的距离、目标边缘服务器的计算能力和关联服务对的数据交互关系进行动态卸载；其中，通过深度强化学习进行服务卸载策略训练，获得最优卸载策略。其中，所述服务卸载策略基于DDPG，具体包括如下步骤：
步骤(1)：将车辆状态归一化输入到action网络中获得卸载决策；
步骤(2)：执行此卸载决策，得到卸载时延并取此卸载时延的负值作为该训练网络的奖励值：
其中，Ti sum表示卸载总时延，γ表示卸载率，fdev为车辆的计算能力，fedge为目标边缘服务器的计算能力，表示卸载到本地执行需要的计算能力，/>表示卸载到目标边缘服务器执行需要的计算能力，Di表示卸载到目标边缘服务器的数据量，/>表示关联服务的交互数据量，R表示信道传输速率，n为服务交互二项集数量，α为卸载到车辆上的服务交互二项集数量；
步骤(3)：观测到本车的下一个车辆状态；
步骤(4)：将此状态、动作、奖励值和下一状态作为状态组存储到经验回放池中；
步骤(5)：通过经验回放池中的状态组计算Q值来更新训练网络的参数逐渐优化此训练网络，得到最优卸载率和卸载策略等从而得到最优的时延。
所述Q值通过如下计算获得：
yj＝rj+γQ'(s'j+1,μ'(s'j+1|θμ'),θQ')；
其中，上述式中rj表示回报；γ表示折扣因子；s'j+1表示归一化后的下一个状态；θμ'为actor中的网络权重；θQ'为critic网络权重；N为最小抽样量；s'j表示当前归一化后的状态；aj表示当前动作；
所述更新训练网络参数通过如下计算获得：
其中，上述式中θQ'为critic网络权重；N为最小抽样量；s'j表示当前归一化后的状态；aj表示当前动作。
本发明所述方法通过挖掘关联服务对，揭示出服务之间的潜在关联关系，并通过对关联服务进行协同卸载，与传统服务卸载方法相比，该方法可最小化服务调用时延和关联服务之间的数据通信时延。
此外本发明通过仿真实验来验证所提出的服务协同卸载算法的性能。采用DQN和AC两种深度强化学习的算法作为基准算法，以及只进行本地卸载、只进行边缘卸载，通过对比这5种算法的时延。经过试验发现，本发明在相同时间内能够更快地获取最优的服务卸载策略，从而使用户获取低时延的高质量服务。从附图1可以看出，本发明所述方法与只进行边缘卸载和只进行本地计算相比时延更小，与传统的DQN和AC算法相比收敛的更快并且更稳定收敛时延也更小。
本发明通过对关联服务进行协同卸载，揭示出服务间的关联关系，可最小化服务调用时延和关联服务之间的数据通信时延，特别是采用DDPG算法与深度网络Actor-Critic方法相结合，能够解决有着高维或连续动作空间的情景，即便是比较复杂的服务在进行卸载时，也能有较低的时延，更加适用于边缘计算卸载场景。
最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制技术方案，本领域的普通技术人员应当理解，那些对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种车载边缘计算中服务协同卸载的方法，其特征在于，包括如下步骤：
步骤1：通过计算获取车载服务中具有数据交互的关联服务对；
步骤2：通过K-means聚类算法获取目标边缘服务器的位置；
步骤3：根据本车与目标边缘服务器的距离、目标边缘服务器的计算能力和关联服务对的数据交互关系进行动态卸载；其中，通过深度强化学习进行服务卸载策略训练，获得最优卸载策略；
所述服务卸载策略基于DDPG，具体包括如下步骤：
步骤(1)：将车辆状态归一化输入到action网络中获得卸载决策；
步骤(2)：执行此卸载决策，得到卸载时延并取此卸载时延的负值作为该训练网络的奖励值：
其中，表示卸载总时延，γ表示卸载率，fdev为车辆的计算能力，fedge为目标边缘服务器的计算能力，/>表示卸载到本地执行需要的计算能力，/>表示卸载到目标边缘服务器执行需要的计算能力，Di表示卸载到目标边缘服务器的数据量，/>表示关联服务的交互数据量，R表示信道传输速率，n为服务交互二项集数量，α为卸载到车辆上的服务交互二项集数量；
步骤(3)：观测到本车的下一个车辆状态；
步骤(4)：将此状态、动作、奖励值和下一状态作为状态组存储到经验回放池中；
步骤(5)：通过经验回放池中的状态组计算Q值来更新训练网络的参数逐渐优化此训练网络，得到最优卸载率和卸载策略等从而得到最优的时延；
所述Q值通过如下计算获得：
yj＝rj+γQ'(s′j+1,μ'(s'j+1|θμ′),θQ′)；
其中，上述式中rj表示回报；γ表示折扣因子；s'j+1表示归一化后的下一个状态；θμ′为actor中的网络权重；θQ′为critic网络权重；N为最小抽样量；s′j表示当前归一化后的状态；aj表示当前动作；
所述更新训练网络参数通过如下计算获得：
其中，上述式中θQ′为critic网络权重；N为最小抽样量；s′j表示当前归一化后的状态；aj表示当前动作。
2.根据权利要求1所述车载边缘计算中服务协同卸载的方法，其特征在于，所述步骤1包括如下步骤：
1)收集用户调用服务历史记录，并将其作为原始数据集；
2)利用MapReduce模型并行化挖掘出所有服务的频度计数；
3)基于服务的频度计数，利用齐夫分布特征，得到最小支持度阈值；
4)基于最小支持度阈值，建立频繁模式树和频繁模式矩阵；其中，频繁模式矩阵存放了服务频繁项的支持度计数和兴趣度度量值；
5)利用MapReduce模型进行并行化挖掘得到服务的频繁二项集；
6)通过服务的频繁二项集找出关联服务对。
3.根据权利要求2所述车载边缘计算中服务协同卸载的方法，其特征在于，在1)中，原始数据集用户调用服务日志EL定义为EL＝(Cid，TS,Π)的三元组；其中，Cid为服务调用实例ID号，用于表示该服务调用时所涉及的所有关联服务；TS为时间戳的有限序列，用于表示原子服务的调用时间；Π表示服务有限序列，其由一系列原子服务Mi＝(m1,m2,......,mn)组成。
4.根据权利要求2所述车载边缘计算中服务协同卸载的方法，其特征在于，在3)中，所述齐夫分布特征为：
最小支持度阈值为其中，N为服务个数，α为指数特征值，λ为最小支持度阈值的比例。
5.根据权利要求2所述车载边缘计算中服务协同卸载的方法，其特征在于，在4)中，建立频繁模式树和频繁模式矩阵的方法如下：
4.1：扫描原始数据集，将频度大于最小支持度阈值的数据插入频繁数据项队列L中；
4.2：将队列L中数据按照频度由大到小进行排序；
4.3：创建频繁模式树的根节点，用Root标记；
4.4：选择原始数据集中每个事务的频繁数据项，集频繁项列表为[eE],其中e是第一个元素，E是剩余的元素列表，将元素的频度计数置为0；
4.5：如果频繁模式树中有子女N使得N.item_name＝e.item_name，则将N频度计数加1；否则，创建一个新节点N，将其频度计数置为1，并将其连接到其父节点；通过节点链结构将其链接到具有相同item_name的节点；
4.6：如E非空，则递归地调用4.5；
4.7：将频繁矩阵中的支持度计数和兴趣度度量值置为0，扫描原始数据集中的每个服务，将频繁矩阵中每个数据对相应的支持度计数增加1。
6.根据权利要求2所述车载边缘计算中服务协同卸载的方法，其特征在于，在5)中，挖掘服务频繁二项集的方法如下：
5.1：将数据频繁项队列分为logm个小组；
5.2：将每一个分组中的数据进行出队操作；
5.3：依次计算每个出队数据与其在频繁模式树中父节点的兴趣度度量值，将大于正模式阈值的兴趣度度量值写入频繁矩阵对应元素中；
5.4：依次确认频繁模式树的不同枝是否具有相同数据，如有，则利用节点链结构链接上述枝；
5.5：利用归约函数，将所有的频繁项对进行汇总，得到最终频繁二项集。
7.根据权利要求6所述车载边缘计算中服务协同卸载的方法，其特征在于，所述兴趣度度量值通过如下公式计算得到：
其中，sup(xy)表示数据x,y的支持度计数，所述支持度计数从频繁矩阵中直接获取。
8.根据权利要求1所述车载边缘计算中服务协同卸载的方法，其特征在于，在步骤2中，所述K-means聚类算法具体如下：
S1：预将车辆轨迹数据分为K组，随机选取K个经纬度坐标作为初始的聚类中心；定义损失函数为：
其中，xi代表第i个数据，ci是xi所属的簇，M为聚类数据数量，是ci簇的中心点；
S2：计算每个坐标与各个聚类中心之间的距离，把每个坐标分配给距离它最近的聚类中心；聚类中心以及分配给它们的坐标代表一个聚类；
S3：每分配一个坐标，聚类的聚类中心根据聚类中现有的坐标位置被重新计算；该过程将不断重复；
S4：直到所有的坐标都被重新分配，并且聚类中心不再发生变化，误差平方和局部最小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210861700.4A CN115242838B (zh) | 2022-07-20 | 2022-07-20 | 一种车载边缘计算中服务协同卸载的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210861700.4A CN115242838B (zh) | 2022-07-20 | 2022-07-20 | 一种车载边缘计算中服务协同卸载的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115242838A CN115242838A (zh) | 2022-10-25 |
| CN115242838B true CN115242838B (zh) | 2024-03-15 |
Family
ID=83675097
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210861700.4A Active CN115242838B (zh) | 2022-07-20 | 2022-07-20 | 一种车载边缘计算中服务协同卸载的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115242838B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106503218A (zh) * | 2016-10-27 | 2017-03-15 | 北京邮电大学 | 一种并行化工作流关联数据发现方法 |
| CN113010282A (zh) * | 2021-03-03 | 2021-06-22 | 电子科技大学 | 一种基于深度强化学习的边云协同串行任务卸载方法 |
| CN113296845A (zh) * | 2021-06-03 | 2021-08-24 | 南京邮电大学 | 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 |
| US11206221B1 (en) * | 2021-06-04 | 2021-12-21 | National University Of Defense Technology | Online task dispatching and scheduling system and method thereof |
| CN114285853A (zh) * | 2022-01-14 | 2022-04-05 | 河海大学 | 设备密集型工业物联网中基于端边云协同的任务卸载方法 |
| CN114466023A (zh) * | 2022-03-07 | 2022-05-10 | 中南大学 | 面向大规模边缘计算系统的计算服务动态定价方法及系统 |
| CN114528042A (zh) * | 2022-01-30 | 2022-05-24 | 南京信息工程大学 | 基于深度强化学习的节能型自动互联车辆服务卸载方法 |
| WO2022121097A1 (zh) * | 2020-12-07 | 2022-06-16 | 南京邮电大学 | 一种移动用户计算任务的卸载方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11427215B2 (en) * | 2020-07-31 | 2022-08-30 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for generating a task offloading strategy for a vehicular edge-computing environment |
-
2022
- 2022-07-20 CN CN202210861700.4A patent/CN115242838B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106503218A (zh) * | 2016-10-27 | 2017-03-15 | 北京邮电大学 | 一种并行化工作流关联数据发现方法 |
| WO2022121097A1 (zh) * | 2020-12-07 | 2022-06-16 | 南京邮电大学 | 一种移动用户计算任务的卸载方法 |
| CN113010282A (zh) * | 2021-03-03 | 2021-06-22 | 电子科技大学 | 一种基于深度强化学习的边云协同串行任务卸载方法 |
| CN113296845A (zh) * | 2021-06-03 | 2021-08-24 | 南京邮电大学 | 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 |
| US11206221B1 (en) * | 2021-06-04 | 2021-12-21 | National University Of Defense Technology | Online task dispatching and scheduling system and method thereof |
| CN114285853A (zh) * | 2022-01-14 | 2022-04-05 | 河海大学 | 设备密集型工业物联网中基于端边云协同的任务卸载方法 |
| CN114528042A (zh) * | 2022-01-30 | 2022-05-24 | 南京信息工程大学 | 基于深度强化学习的节能型自动互联车辆服务卸载方法 |
| CN114466023A (zh) * | 2022-03-07 | 2022-05-10 | 中南大学 | 面向大规模边缘计算系统的计算服务动态定价方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| Decentralized Computation Offloading for Multi-User Mobile Edge Computing: A Deep Reinforcement Learning Approach;Zhao Chen; Xiaodong Wang;;《EURASIP Journal on Wireless Communications and Networking》;20181231(第1期);全文 * |
| Yuze Huang ; Jiwei Huang ; Cong Liu ; Chengning Zhang ; .PFPMine: A parallel approach for discovering interacting data entities in data-intensive cloud workflows.《Future Generation Computer Systems》.2020,第113卷全文. * |
| 基于DQN的车载边缘网络任务分发卸载算法;赵海涛;张唐伟;陈跃;赵厚麟;朱洪波;;《通信学报》;20200811;第41卷(第10期);全文 * |
| 曹宇慧 ; .车载边缘计算环境下任务协同卸载方法研究.《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》.2023,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115242838A (zh) | 2022-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113191484B (zh) | 基于深度强化学习的联邦学习客户端智能选取方法及系统 | |
| CN112181666A (zh) | 一种基于边缘智能的设备评估和联邦学习重要性聚合方法、系统、设备和可读存储介质 | |
| CN111242282A (zh) | 基于端边云协同的深度学习模型训练加速方法 | |
| CN113485826B (zh) | 一种边缘服务器负载均衡方法、系统 | |
| CN113867843B (zh) | 一种基于深度强化学习的移动边缘计算任务卸载方法 | |
| CN110471621B (zh) | 一种面向实时数据处理应用的边缘协同存储方法 | |
| CN111585811B (zh) | 一种基于多智能体深度强化学习的虚拟光网络映射方法 | |
| 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 | |
| CN114585006B (zh) | 基于深度学习的边缘计算任务卸载和资源分配方法 | |
| CN113708969A (zh) | 一种基于深度强化学习的云数据中心虚拟网络的协同嵌入方法 | |
| CN112202847B (zh) | 一种基于移动边缘计算的服务器资源配置方法 | |
| CN115242838B (zh) | 一种车载边缘计算中服务协同卸载的方法 | |
| CN112165721B (zh) | 基于边缘计算的多服务任务的卸载和服务迁移方法 | |
| CN112232401A (zh) | 一种基于差分隐私及随机梯度下降的数据分类方法 | |
| Liu et al. | Contextual learning for content caching with unknown time-varying popularity profiles via incremental clustering | |
| CN111047040A (zh) | 基于IFPA算法的Web服务组合方法 | |
| Chen et al. | Joint optimization of task caching, computation offloading and resource allocation for mobile edge computing | |
| CN108427773B (zh) | 一种分布式知识图谱嵌入方法 | |
| CN114980216A (zh) | 基于移动边缘计算的依赖型任务卸载系统及方法 | |
| CN114118444B (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 | |
| CN116339973A (zh) | 基于粒子群优化算法的数字孪生云平台计算资源调度方法 | |
| CN112286689A (zh) | 一种适用于区块链工作量证明的协作式分流与储存方法 | |
| CN110135747B (zh) | 基于神经网络的流程定制方法 | |
| CN113347255A (zh) | 边缘服务器选址部署模型及其求解方法 | |
| CN117785488B (zh) | 查询调度方法、装置、设备及计算机可读存储介质 |
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 |