CN115883561B - 一种面向边缘计算中dag任务流的安全调度方法 - Google Patents
一种面向边缘计算中dag任务流的安全调度方法 Download PDFInfo
- Publication number
- CN115883561B CN115883561B CN202211531330.4A CN202211531330A CN115883561B CN 115883561 B CN115883561 B CN 115883561B CN 202211531330 A CN202211531330 A CN 202211531330A CN 115883561 B CN115883561 B CN 115883561B
- Authority
- CN
- China
- Prior art keywords
- edge
- edge node
- dag
- representing
- calculating
- 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 17
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000003993 interaction Effects 0.000 claims description 19
- 238000005516 engineering process Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 125000002015 acyclic group Chemical group 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于边缘计算技术领域,具体涉及一种面向边缘计算中DAG任务流的安全调度方法;该方法包括:边缘设备将DAG任务流上传至SDN控制器;SDN控制器搜索部署了执行子任务所需服务组件的第一边缘节点集合;计算边缘设备与边缘节点之间的信任值矩阵;根据信任值矩阵,在第一边缘节点集合中确定满足SLA指标的第二边缘节点集合;判断第二边缘节点集合是否为空,若为空,则将DAG任务流卸载到云端;若不为空,采用列表调度算法对第二边缘节点集合进行处理,得到任务卸载表;边缘设备根据任务卸载表卸载DAG任务流;本发明实现了在保证DAG任务流SLA安全性需求的前提下,最小化DAG应用的完成时延。
Description
技术领域
本发明属于边缘计算技术领域,具体涉及一种面向边缘计算中DAG任务流的安全调度方法。
背景技术
传统云计算范式将终端设备的数据处理任务迁移到云端数据中心执行,并将执行结果返回给终端,使终端设备的计算和存储压力减小,同时使用云端的分布式计算技术来降低任务处理时延,加快数据请求响应。但是随着5G/6G通信技术的快速发展,物联网设备和多样化应用急剧增加,边缘端数据呈爆发式增长,由于网络带宽和数据传输距离的限制,将所有边缘任务卸载到云端会造成网络拥塞以及安全性问题,所以传统的云计算解决方法不能满足现今的低时延和高可靠应用需求。因此边缘计算范式应运而生,该技术通过将云端下沉到靠近数据源的边缘端来执行本地边缘设备的计算密集型任务,从而减少了任务响应时延、数据传输的带宽成本和边缘设备能耗,还有效提高了敏感数据的安全性。
由于边缘设备应用的复杂性,目前的大多数研究通常都将其抽象为具有数据依赖的有向无环图(DAG),如图像分类和健康穿戴设备等典型物联网应用。DAG的节点表示应用的子任务(也称为服务组件,服务组件是指可以被边缘服务器虚拟化容器执行的单元),它可以被卸载到边缘服务器通过动态部署容器执行,节点之间的边表示各个子任务之间的数据依赖。通过将边缘应用抽象为DAG模型,可以利用多个边缘服务器协作并行执行该应用的任务,从而降低应用的执行时延。
基于上述描述,边缘设备DAG任务流可以卸载到边缘服务器上进行分布式计算,并把处理结果返回给终端。但是将DAG任务流的不同子任务卸载到边缘服务器上执行会存在数据流分割的问题,当某个子任务执行失败或者某台边缘服务器宕机时会造成整个应用执行失败。边缘应用的数据分散在不同服务器上执行存在不能保证数据完整性和有效性,隐私数据泄露等安全问题。另外,将DAG应用的子任务卸载到不同的异构服务器集合会造成应用的完成时延不同,因此,如何在保证应用的安全性SLA需求指标的情况下,最小化DAG任务流的调度时延是目前亟待解决的问题。
发明内容
针对现有技术存在的不足,本发明提出了一种面向边缘计算中DAG任务流的安全调度方法,该方法包括:
S1:边缘设备将DAG任务流上传至SDN控制器,DAG任务流包括多个子任务;
S2:SDN控制器搜索部署了执行子任务所需服务组件的第一边缘节点,得到第一边缘节点集合;
S3:计算边缘设备与边缘节点之间的信任值矩阵;
S4:根据信任值矩阵,在第一边缘节点集合中确定满足SLA指标的第二边缘节点,得到第二边缘节点集合;
S5:判断第二边缘节点集合是否为空,若为空,则将DAG任务流卸载到云端;若不为空,采用列表调度算法对第二边缘节点集合进行处理,得到任务卸载表;
S6:边缘设备根据任务卸载表卸载DAG任务流。
优选的,SDN控制器根据服务组件映射表搜索第一边缘节点,服务组件映射表记录了不同边缘节点上部署的服务组件。
优选的,计算信任值矩阵的过程包括:
S31:根据边缘设备和边缘节点间的交互满意度,采用滑动窗口技术计算边缘设备与边缘节点间的直接信任;
S32:根据边缘设备与边缘节点间的直接信任,采用滑动窗口技术和聚类算法计算边缘节点的间接声誉;
S33:根据直接信任和间接声誉计算边缘设备与边缘节点间的信任值矩阵。
进一步的,计算直接信任的公式为:
其中,Dij表示边缘设备i与边缘节点j间的直接信任,tk表示第k次交互的时间权重,m表示时间窗口内边缘设备与边缘节点交互的总次数,表示第k次交互的满意度。
进一步的,计算间接声誉的公式为:
其中,Fj表示边缘节点j的间接声誉,n表示时间窗口内与边缘节点j交互过的设备数量,ci表示聚类结果,Dij表示边缘设备i与边缘节点j间的直接信任。
进一步的,计算信任值矩阵的公式为:
TLij=αDij+βFj,α+β=1
其中,TLij表示边缘设备i与边缘节点j间的总信任值,Dij表示边缘设备i与边缘节点j间的直接信任,Fj表示边缘节点j的间接声誉,α表示第一权重,β表示第二权重。
优选的,采用列表调度算法对第二边缘节点集合进行处理的过程包括:
计算子任务的UP值,根据UP值决定子任务的卸载顺序;
根据第二边缘节点集合和卸载顺序计算每个子任务被其对应的所有第二边缘节点执行的最早完成时间,将DAG任务流退出子任务的最早完成时间作为完成DAG任务流的最小完成时延,将最小完成时延对应的执行子任务的第二边缘节点作为任务卸载节点,得到任务卸载表。
优选的,边缘设备根据任务卸载表卸载DAG任务流包括:判断最小完成时延是否满足SLA指标,若满足,则根据任务卸载表卸载DAG任务流;若不满足,则将DAG任务流卸载到云端。
本发明的有益效果为:本发明提出的一种面向边缘计算中DAG任务流的安全调度策略,通过将实际应用抽象为DAG模型,可以更高效的利用边缘节点资源执行并行任务,并且在边缘计算场景下提出了基于贝叶斯网络的安全信任模型和时延最优列表调度算法,实现了在保证DAG任务流SLA安全性需求的前提下,最小化DAG应用的完成时延;与现有技术相比,本发明在DAG应用调度的同时考虑了安全性指标,有效保证了DAG应用调度的安全性和时延需求。
附图说明
图1为本发明中边缘计算场景示意图;
图2为本发明中面向边缘计算中DAG任务流的安全调度流程图;
图3为本发明中安全信任模型示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提出了一种面向边缘计算中DAG任务流的安全调度方法,所述方法包括以下内容:
如图1所示,在本发明的边缘计算场景中,利用云边端协作对边缘设备UE应用进行安全的卸载和调度。由于边缘设备(如传感器、移动手机、高清摄像头等)的计算和存储资源匮乏以及电池寿命的限制,往往不能执行计算密集型应用,所以边缘计算范式将它们卸载到边缘端和云端执行。为了应对目前边缘应用数据依赖的复杂性,将应用建模为DAG(有向无环图)进行卸载,当前节点执行完子任务会向直接后继节点发送数据依赖,直接后继节点再卸载下一个子任务;通过将应用建模为DAG进行卸载可以有效提高边缘服务器ES资源利用率。此外,在宏基站处增设SDN控制器,用于接收本区域内设备上传的DAG任务流,该控制器还包括服务索引查找模块和任务调度决策模块,它们分别用于查询部署了DAG服务组件的边缘节点集合以及对DAG任务流的安全调度。各个边缘区域都连接有云端和数据中心,对于边缘端处理不了的任务或者调度失败等特殊情况可以通过云端进行调节。如图2所示,在上述边缘计算场景下实现面向边缘计算中DAG任务流的安全调度的过程如下:
S1:边缘设备将DAG任务流上传至SDN控制器,DAG任务流包括多个子任务。
将边缘设备DAG(Directed Acyclic Graph,有向无环图)任务流上传至本地节点SDN(Software Defined Network,软件定义网络)控制器;SDN控制器中具有任务的SLA(Service-Level Agreement,服务级别协议)需求指标(安全性要求、最大执行时延等),控制器根据SLA指标判断边缘节点是否符合要求。
S2:SDN控制器搜索部署了执行子任务所需服务组件的第一边缘节点,得到第一边缘节点集合EN1。
SDN控制器实时维护服务组件映射表,服务组件映射表记录了不同边缘节点上部署的服务组件,SDN控制器根据服务组件映射表搜索第一边缘节点,这些第一边缘节点构成第一边缘节点集合EN1。
S3:计算边缘设备与边缘节点之间的信任值矩阵。
如图3所示,构建基于贝叶斯网络的安全信任模型,即通过贝叶斯网络在用户设备和边缘节点上建立信任概率模型,贝叶斯网络包括三个维度,分别是身份验证、数据机密性和数据完成性,通过这三个维度的交互历史可生成信任概率(设备信任边缘节点能够提供安全性服务的概率);
根据该安全信任模型计算边缘设备与边缘节点之间的信任值矩阵,其过程包括以下内容:
S31:根据边缘设备和边缘节点间的交互满意度,采用滑动窗口技术计算边缘设备与边缘节点间的直接信任。
边缘设备和边缘节点间的交互满意度取决于贝叶斯网络生成的信任概率;为了降低时间对直接信任计算的干扰(时间越长,交互的满意度参考价值越低),通过滑动窗口技术选取一定时间内的交互满意度并赋予其时间权值,对加权的交互满意度求和,最后对加权和取均值得到直接信任;计算直接信任的公式为:
其中,Dij表示边缘设备i与边缘节点j间的直接信任,tk表示第k次交互的时间权重,m表示时间窗口内边缘设备与边缘节点交互的总次数;表示第k次交互的满意度,由贝叶斯网络概率确定。
S32:根据边缘设备与边缘节点间的直接信任,采用滑动窗口技术和聚类算法计算边缘节点的间接声誉。
边缘节点即边缘服务器的间接声誉是指其它与之交互过的边缘设备的直接信任,这也是作为DAG任务流选择卸载服务器的一个重要指标;为了降低其它边缘设备不可靠的直接信任,利用聚类算法将收集到的直接信任进行聚类,丢弃一些偏离阈值的数据,同时使用滑动窗口技术降低时间对交互满意度的干扰,进而降低时间对间接声誉的干扰;计算间接声誉的公式为:
其中,Fj表示边缘节点j的间接声誉,n表示时间窗口内与边缘节点j交互过的设备数量;ci表示与边缘节点j交互过的设备的推荐评价(设备与边缘节点j之间的直接信任)进行聚类的结果,若设备的直接信任偏离阈值,说明该推荐值不可靠,ci=0;否则,说明该推荐值可靠,ci=1;Dij表示边缘设备i与边缘节点j间的直接信任。
S33:根据直接信任和间接声誉计算边缘设备与边缘节点间的信任值矩阵。
边缘设备与边缘节点之间的总信任值定义为直接信任与间接声誉加权和,计算边缘设备与边缘节点间的总信任值,根据总信任值,从而得到信任值矩阵;计算公式为:
TLij=αDij+βFj,α+β=1
其中,TLij表示边缘设备i与边缘节点j间的总信任值,Dij表示边缘设备i与边缘节点j间的直接信任,Fj表示边缘节点j的间接声誉;α表示第一权重,β表示第二权重,权重根据系统对直接信任和间接声誉的要求程度取值。
S4:根据信任值矩阵,在第一边缘节点集合EN1中确定满足SLA指标的第二边缘节点,得到第二边缘节点集合EN2。
在第一边缘节点集合EN1中根据信任值矩阵找到满足DAG安全需求即满足SLA指标的边缘节点集合,这些边缘节点构成第二边缘节点集合EN2={en1,en2,……enM}。
S5:判断第二边缘节点集合EN2是否为空,若为空,则将DAG任务流卸载到云端;若不为空,采用列表调度算法对第二边缘节点集合EN2进行处理,得到任务卸载表。
采用列表调度算法对第二边缘节点集合EN2进行处理的过程包括:
计算子任务的UP值(卸载优先级),根据UP值决定子任务的卸载顺序;具体的:子任务的UP值等于将该子任务卸载到EN2中各边缘节点上执行时的UP值求平均值、将结果(节点执行完子任务后向直接后继节点发送的数据依赖)传输到其它直接后继节点的时延的最大值、直接后继节点上执行的子任务的UP值之和;计算子任务卸载到边缘节点上执行时的UP值的公式为:
其中,UP(vj,sk)表示第j个子任务在第k个边缘节点上执行时的UP值,cdata(vj)表示第j个子任务需要计算的数据量,psk表示第k个边缘节点的计算速度,SO(vj,sk)表示第j个子任务在第k个边缘节点上执行所带来的安全开销。
首先计算DAG任务流退出子任务的UP值,再反向递归计算出DAG任务流所有子任务的UP值;根据UP值对子任务进行递减排序,根据UP值决定子任务卸载顺序,UP值越大的子任务最先卸载执行,以保证DAG任务流的完成时延最小。
根据第二边缘节点集合和卸载顺序计算每个子任务被其对应的所有第二边缘节点执行的最早完成时间EFT;具体的,记录执行DAG任务流的最早开始时间EST,每个子任务的最早完成时间EFT为最早开始时间EST到执行完子任务时的时延;将DAG任务流退出子任务的最早完成时间EFT作为完成DAG任务流的最小完成时延,将最小完成时延对应的执行子任务的第二边缘节点作为任务卸载节点,得到任务卸载表。
S6:边缘设备根据任务卸载表卸载DAG任务流。
通过SLA比较器将DAG任务流最小完成时延与SLA指标进行对比,判断最小完成时延是否满足SLA指标,若满足,则根据任务卸载表卸载DAG任务流;若不满足,则将DAG任务流卸载到云端;卸载完成后,将DAG任务流退出子任务的结果返回给边缘设备。
以上所举实施例,对本发明的目的、技术方案和优点进行了进一步的详细说明,所应理解的是,以上所举实施例仅为本发明的优选实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种面向边缘计算中DAG任务流的安全调度方法,其特征在于,包括:
S1:边缘设备将DAG任务流上传至SDN控制器,DAG任务流包括多个子任务;
S2:SDN控制器搜索部署了执行子任务所需服务组件的第一边缘节点,得到第一边缘节点集合;
S3:计算边缘设备与边缘节点之间的信任值矩阵;计算信任值矩阵的过程包括:
S31:根据边缘设备和边缘节点间的交互满意度,采用滑动窗口技术计算边缘设备与边缘节点间的直接信任;计算直接信任的公式为:
其中,Dij表示边缘设备i与边缘节点j间的直接信任,tk表示第k次交互的时间权重,m表示时间窗口内边缘设备与边缘节点交互的总次数,表示第k次交互的满意度;
S32:根据边缘设备与边缘节点间的直接信任,采用滑动窗口技术和聚类算法计算边缘节点的间接声誉;计算间接声誉的公式为:
其中,Fj表示边缘节点j的间接声誉,n表示时间窗口内与边缘节点j交互过的设备数量,ci表示聚类结果,Dij表示边缘设备i与边缘节点j间的直接信任;
S33:根据直接信任和间接声誉计算边缘设备与边缘节点间的信任值矩阵;
S4:根据信任值矩阵,在第一边缘节点集合中确定满足SLA指标的第二边缘节点,得到第二边缘节点集合;计算信任值矩阵的公式为:
TLij=αDij+βFj,α+β=1
其中,TLij表示边缘设备i与边缘节点j间的总信任值,Dij表示边缘设备i与边缘节点j间的直接信任,Fj表示边缘节点j的间接声誉,α表示第一权重,β表示第二权重;
S5:判断第二边缘节点集合是否为空,若为空,则将DAG任务流卸载到云端;若不为空,采用列表调度算法对第二边缘节点集合进行处理,得到任务卸载表;采用列表调度算法对第二边缘节点集合进行处理的过程包括:
计算子任务的UP值,根据UP值决定子任务的卸载顺序;
根据第二边缘节点集合和卸载顺序计算每个子任务被其对应的所有第二边缘节点执行的最早完成时间,将DAG任务流退出子任务的最早完成时间作为完成DAG任务流的最小完成时延,将最小完成时延对应的执行子任务的第二边缘节点作为任务卸载节点,得到任务卸载表;
S6:边缘设备根据任务卸载表卸载DAG任务流。
2.根据权利要求1所述的一种面向边缘计算中DAG任务流的安全调度方法,其特征在于,SDN控制器根据服务组件映射表搜索第一边缘节点,服务组件映射表记录了不同边缘节点上部署的服务组件。
3.根据权利要求1所述的一种面向边缘计算中DAG任务流的安全调度方法,其特征在于,边缘设备根据任务卸载表卸载DAG任务流包括:判断最小完成时延是否满足SLA指标,若满足,则根据任务卸载表卸载DAG任务流;若不满足,则将DAG任务流卸载到云端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211531330.4A CN115883561B (zh) | 2022-12-01 | 2022-12-01 | 一种面向边缘计算中dag任务流的安全调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211531330.4A CN115883561B (zh) | 2022-12-01 | 2022-12-01 | 一种面向边缘计算中dag任务流的安全调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115883561A CN115883561A (zh) | 2023-03-31 |
CN115883561B true CN115883561B (zh) | 2024-03-15 |
Family
ID=85765316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211531330.4A Active CN115883561B (zh) | 2022-12-01 | 2022-12-01 | 一种面向边缘计算中dag任务流的安全调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115883561B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918894A (zh) * | 2019-03-01 | 2019-06-21 | 中南大学 | 边缘计算网络视频处理中基于声誉的信任评估方法 |
CN109951333A (zh) * | 2019-03-19 | 2019-06-28 | 中南大学 | 边缘计算网络视频处理中基于主观逻辑的信任评估装置 |
CN111459670A (zh) * | 2020-03-30 | 2020-07-28 | 中科边缘智慧信息科技(苏州)有限公司 | 一种在边缘计算不同层次进行协同处理的方法 |
CN115033373A (zh) * | 2022-03-08 | 2022-09-09 | 西安电子科技大学 | 一种移动边缘计算网络中逻辑依赖性任务的调度卸载方法 |
CN116055495A (zh) * | 2023-01-10 | 2023-05-02 | 南京华苏科技有限公司 | 基于综合信任的边缘计算资源协同的方法 |
CN116521345A (zh) * | 2023-05-18 | 2023-08-01 | 重庆邮电大学空间通信研究院 | 一种基于任务依赖关系的联合调度和卸载方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022058931A1 (en) * | 2020-09-16 | 2022-03-24 | Mind In A Box Inc. | Hybrid computing apparatus and hybrid computing architectures applicable to on premises, cloud, and edge computing applications |
CN112118312B (zh) * | 2020-09-17 | 2021-08-17 | 浙江大学 | 一种面向边缘服务器的网络突发负载疏散方法 |
-
2022
- 2022-12-01 CN CN202211531330.4A patent/CN115883561B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918894A (zh) * | 2019-03-01 | 2019-06-21 | 中南大学 | 边缘计算网络视频处理中基于声誉的信任评估方法 |
CN109951333A (zh) * | 2019-03-19 | 2019-06-28 | 中南大学 | 边缘计算网络视频处理中基于主观逻辑的信任评估装置 |
CN111459670A (zh) * | 2020-03-30 | 2020-07-28 | 中科边缘智慧信息科技(苏州)有限公司 | 一种在边缘计算不同层次进行协同处理的方法 |
CN115033373A (zh) * | 2022-03-08 | 2022-09-09 | 西安电子科技大学 | 一种移动边缘计算网络中逻辑依赖性任务的调度卸载方法 |
CN116055495A (zh) * | 2023-01-10 | 2023-05-02 | 南京华苏科技有限公司 | 基于综合信任的边缘计算资源协同的方法 |
CN116521345A (zh) * | 2023-05-18 | 2023-08-01 | 重庆邮电大学空间通信研究院 | 一种基于任务依赖关系的联合调度和卸载方法 |
Non-Patent Citations (3)
Title |
---|
Joint offloading decision and resource allocation of 5G edge intelligent computing for complex industrial application;Mingxin Li;《IEEEXplore》;20220309;全文 * |
基于移动边缘计算的V2X任务卸载方案;张海波;栾秋季;朱江;贺晓帆;;电子与信息学报;20180712(第11期);全文 * |
移动边缘计算环境下基于信任模型的可靠多重计算卸载策略;齐平;王福成;徐佳;李学俊;;计算机集成制造系统;20200615(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115883561A (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Computation offloading for mobile edge computing: A deep learning approach | |
Bunyakitanon et al. | End-to-end performance-based autonomous VNF placement with adopted reinforcement learning | |
WO2021197364A1 (zh) | 一种用于服务的扩缩容的方法及相关设备 | |
US7627542B2 (en) | Group identification in large-scaled networks via hierarchical clustering through refraction over edges of networks | |
Raj | Improved response time and energy management for mobile cloud computing using computational offloading | |
CN111049903B (zh) | 一种基于应用感知预测的边缘网络负载分配算法 | |
Mekala et al. | Resource offload consolidation based on deep-reinforcement learning approach in cyber-physical systems | |
Dewangan et al. | Workload aware autonomic resource management scheme using grey wolf optimization in cloud environment | |
Xiao et al. | Collaborative cloud-edge service cognition framework for DNN configuration toward smart IIoT | |
Shang | A dynamic resource allocation algorithm in cloud computing based on workflow and resource clustering | |
Matrouk et al. | Mobility aware-task scheduling and virtual fog for offloading in IoT-fog-cloud environment | |
Tuli | SplitPlace: Intelligent placement of split neural nets in mobile edge environments | |
Patman et al. | Predictive cyber foraging for visual cloud computing in large-scale IoT systems | |
US20230060623A1 (en) | Network improvement with reinforcement learning | |
CN115883561B (zh) | 一种面向边缘计算中dag任务流的安全调度方法 | |
Hossain et al. | Edge orchestration based computation peer offloading in MEC-enabled networks: a fuzzy logic approach | |
Liu et al. | Pond: Pessimistic-optimistic online dispatching | |
Hamadi et al. | A hybrid artificial neural network for task offloading in mobile edge computing | |
CN113282417B (zh) | 任务分配方法、装置、计算机设备和存储介质 | |
Shameem et al. | An effective resource management in cloud computing | |
Safavifar et al. | A robust adaptive workload orchestration in pure edge computing | |
Behera et al. | A novel decision making strategy for computation offloading in mobile edge computing | |
Ahmed et al. | Execution delay-aware task assignment in mobile edge cloud and internet cloud | |
Samuel Raj et al. | Improved DHOA-Fuzzy Based Load Scheduling in IoT Cloud Environment. | |
Sun et al. | Optimal offloading for streaming applications in mobile edge computing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |