CN115967990A - 一种基于分类和预测的边端协同业务卸载方法 - Google Patents
一种基于分类和预测的边端协同业务卸载方法 Download PDFInfo
- Publication number
- CN115967990A CN115967990A CN202211664779.8A CN202211664779A CN115967990A CN 115967990 A CN115967990 A CN 115967990A CN 202211664779 A CN202211664779 A CN 202211664779A CN 115967990 A CN115967990 A CN 115967990A
- Authority
- CN
- China
- Prior art keywords
- service
- unloading
- traffic
- prediction
- 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.)
- Pending
Links
Images
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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于分类和预测的边端协同业务卸载方法,包括以下步骤:根据业务数据包大小、业务所需计算资源量,使用K‑Means算法将历史业务数据分类成不同簇团;在分类后的不同的业务簇团内,根据历史业务信息使用神经网络对未来业务需求进行预测;计算业务卸载总时延和业务卸载总能耗,业务卸载总时延包括业务传输过程的时延和业务处理过程的时延,业务卸载总能耗包括业务传输过程的能耗和业务处理过程的能耗;计算业务卸载至边缘服务器进行处理所消耗的总代价;为终端设备产生的业务需求进行卸载决策,优化目标为使所有业务卸载至边缘服务器进行处理所消耗的总代价最小,采用Kuhn‑Munkres算法求解得到卸载方案。本发明使资源得到合理分配并保证用户公平性。
Description
技术领域
本发明涉及边缘计算技术领域,尤其涉及一种基于分类和预测的边端协同业务卸载方法。
背景技术
随着互联网时代、信息化社会的不断发展,各类终端业务呈现多样化、智能化、信息化的特点,业务处理工作量大、业务种类繁多、处理效率低下等问题也日益突出。针对这些问题,引入边缘计算网络,将计算和存储资源下沉至网络边缘,来提高业务的处理效率,充分利用服务计算资源。
在此场景中,终端设备产生差异化业务,并利用下沉至网络边缘的计算资源将业务卸载至边缘计算服务器执行。然而终端业务通常具有不同特征,对算力,存储,网络等资源的需求不同,且其分布呈现不同规律。任务卸载执行的过程中,不合理的边缘服务器资源分配方式会导致资源匹配不均和资源浪费。另外,业务需求类别的差异会导致业务对卸载时延和卸载能耗的敏感程度不同,需要针对这种差异合理分配资源,高效利用边缘服务器资源,并保证任务的实时性。
为了解决上述问题,CN114172558A(技术方案1)提出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,基于软件定义网络获取车辆信息、无人机集群以及边缘计算设备信息;基于Q学习将卸载给无人机集群的效用最大化;基于最速下降将卸载给边缘计算设备的效用最大化;根据车辆能获得的效用为车辆提供最优计算策略,实现系统中多个无人机之间的负载均衡,并降低计算任务的完成时间。
CN114980206A(技术方案2)提出一种基于蜂窝车联网的边缘计算低能耗任务卸载方法及系统,将车辆任务划分为子任务块,根据车辆位置、行驶速度、服务器计算能力等因素,决定子任务由哪个服务器处理。并综合考虑车辆速度、子任务位置、网络接出入时间、任务数据量、带宽以及周边设备计算能力等因素,通过改进模拟退火算法来对卸载功率以及任务分配比例进行优化,从而降低卸载能耗。
CN114564304A(技术方案3)提出一种边缘计算的任务卸载方法。首先构建移动设备模型、MEC服务器模型、时延模型以及能耗模型,综合分析卸载时延及卸载能耗进行满意度模型的构建。结合惩罚函数设置任务卸载的总成本的目标函数,并通过粒子群算法对所述目标函数进行优化,求解任务卸载的最优位置。从而优化卸载的时延和能耗以及用户满意度,提高卸载效率。
在现有的卸载方法中,技术方案1通过采集无人机和边缘计算设备的相关信息来获取建模参数,并通过最大化卸载效用来制定卸载方案,但只考虑了时延因素,并未将卸载能耗因素作为方案的评价指标。技术方案2通过对任务进行划分并改进模拟退火算法来对卸载功率和匹配方案进行优化,最终达到最小化卸载能耗的目的,但只考虑了能耗因素,并未考虑时延因素对卸载方案的影响。技术方案3首先构建移动设备模型和MEC服务器的网络模型,并综合考虑时延及能耗对卸载方案进行优化,但并未考虑业务公平性以及服务器资源的合理分配。另外,技术方案1、2、3均没有考虑到服务器资源的提前调整对整体服务开销的影响。
发明内容
本发明针对现有技术的不足,提出一种基于分类和预测的边端协同业务卸载方法,在动态变化边缘计算场景下,对业务进行分类及预测的建模分析,从而根据业务特点对服务器资源进行提前调配,减小不必要的服务开销,并通过改进的匹配算法制定卸载策略,保证用户公平性的同时降低卸载时延及卸载能耗。
为了实现上述目的,本发明提供如下技术方案:
一种基于分类和预测的边端协同业务卸载方法,包括以下步骤:
S1、根据业务数据包大小、业务所需计算资源量,使用K-Means算法将历史业务数据分类成不同簇团;
S2、基于业务分类的结果,在分类后的不同的业务簇团内,根据历史业务信息使用神经网络对未来业务需求进行预测;
S3、计算业务卸载总时延和业务卸载总能耗,业务卸载总时延包括业务传输过程的时延和业务处理过程的时延,业务卸载总能耗包括业务传输过程的能耗和业务处理过程的能耗;
S4、计算业务卸载至边缘服务器进行处理所消耗的总代价;
S5、为终端设备产生的业务需求进行卸载决策,优化目标为使所有业务卸载至边缘服务器进行处理所消耗的总代价最小,采用Kuhn-Munkres算法求解得到卸载方案。
进一步地,步骤S1的具体流程如下:
S11、输入样本数据集X={x1,x2,...,xn},将样本即将被聚类成的簇数设为K;
S12、从样本集中随机选取K个数据点作为初始的质心;
S13、计算数据集中样本点xi(i=1,2,...n)到各初始质心qj(j=1,2,...k的距离,找出和数据点距离最小的质心,将xi加入该质心的簇Pj中;
S15、重复步骤S13和S14直至各聚类簇内的数据点不再变化,输出聚类算法划分的结果P={P1,P2,...,PK}。
进一步地,步骤S2使用GRU网络对具有时间关联特征的数据进行预测,将历史业务数据作为输入,将业务需求位置和业务需求产生时间作为输入数据的特征,将业务数据量作为预测标签。
进一步地,步骤S3业务卸载的总时延的计算公式为:
其中,datan为业务数据量大小,Bq为通信信道q的带宽,Pk,q为终端设备k在通信信道q上的发送功率,Hk,q为信道增益,为高斯白噪声功率,resn为业务所需计算资源量,calm为边缘服务器服务能力。
进一步地,步骤S3业务卸载的总能耗的计算公式为:
其中,业务传输过程的能耗,业务处理过程的能耗,datan为业务数据量大小,Bq为通信信道q的带宽,Pk,q为终端设备k在通信信道q上的发送功率,Hk,q为信道增益,为高斯白噪声功率,resn为业务所需计算资源量,calm为边缘服务器服务能力,Pm为边缘服务器功率。
进一步地,步骤S4中消耗总代价的计算公式为:
进一步地,步骤S5中优化目标表示为:
其中,Qn是业务卸载至边缘服务器进行处理所消耗的总代价;
约束条件为:
C2:Ak,q∈{0,1}
其中,C1表示业务需求要在最大容忍时间内进行执行,若排队等待时间过长,则将业务在本地设备进行处理;C2表示同一时刻一条通信信道只能接收一个终端设备上的业务,Ak,q为1时表示终端设备k通过通信信道q进行卸载,Ak,q为0时表示终端设备k上的业务不通过通信信道q进行卸载。
进一步地,步骤S5采用Kuhn-Munkres算法求解的过程为:将终端设备上的业务需求作为一个顶点集合,通信信道作为另外一个顶点集合;每一个业务需求通过通信信道卸载至边缘服务器的卸载方案作为两个顶点的匹配,卸载代价作为该匹配方案上的权值;将卸载代价取相反数,寻找整体卸载代价最小的卸载方案。
进一步地,步骤S5中,当业务需求数大于通信信道数时,对于业务等待时长大于最大容忍时长ΔT的业务,放弃对其进行卸载;当业务等待时长小于最大容忍时长ΔT时,将该业务直接在本地终端设备进行卸载;设置业务的时延敏感因子Q,根据业务的时延敏感程度进行业务的优先级排序,对时延敏感型的业务提高其优先级。
进一步地,步骤S5中,当业务需求数小于通信信道数时,对边缘服务资源进行评估,计算边缘服务器上所有待处理业务数量,将业务需求卸载至空闲的边缘服务器。
与现有技术相比,本发明的有益效果为:
本发明提出的基于分类和预测的边端协同业务卸载方法,解决的是边端协同场景下的业务卸载问题,关键点在于对业务需求进行预处理并通过改进的二分图匹配算法设计业务卸载策略,最小化卸载时延和能耗并避免资源的浪费,提升服务利用率。首先,在对业务进行卸载之前,需要对复杂多变的终端业务需求进行分析和处理。业务预处理过程包括业务分类和业务量预测两个步骤。业务分类使用无监督学习中的K-Means聚类算法将业务需求分为不同的类别,分类的依据是业务数据量和业务完成计算所需要的计算资源数,对业务进行分类可以将具有相似特征的业务需求划分为同一类别,从而为其匹配合适的计算资源,并且在预测未来业务量时减小由于数据不均衡造成的预测误差。接下来根据业务分类的结果,在每个聚类簇内使用神经网络模型进行未来业务量的预测。由于终端设备上的业务分布和时间、空间相关,因此采用对时序数据预测效果较好的GRU模型进行预测。通过历史业务数据对GRU网络进行训练,从而预测出下一时刻可能到达的数据量。根据预测结果可以对卸载资源进行提前的调整,从而提高资源利用率。最后根据业务预处理的结果使用卸载算法进行卸载决策。卸载决策的影响因子分别考虑卸载时延和卸载能耗两个方面,通过二分图匹配算法求解使卸载匹配总代价最小的方案。本发明还针对传统算法的不足和缺陷进行改进,避免了节点匹配不均的情况,同时使资源得到合理分配并保证用户公平性。
本发明对适用于边端协同场景的业务卸载方法进行研究。本发明对所提出的业务预测模型进行仿真分析。仿真结果表明,基于业务分类的预测方案可以有效减小业务预测的误差,对于未来业务量的预测具有较高的精度。同时,本发明对所提出的改进卸载算法进行仿真分析,改进的匹配算法可以有效减小整体的卸载服务开销。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于分类和预测的边端协同业务卸载方法的流程图。
图2为本发明实施例提供的K-Means算法流程图。
图3为本发明实施例提供的GRU结构图。
图4为本发明实施例提供的GRU结构细节图。
图5为本发明实施例提供的系统模型图。
图6为本发明实施例提供的Kuhn-Munkres算法流程图。
图7为本发明实施例提供的业务分类图。
图8为本发明实施例提供的未分类的预测结果。
图9为本发明实施例提供的基于业务分类的预测结果。
图10为本发明实施例提供的服务器开销对比。
具体实施方式
为了更好地理解本技术方案,下面结合附图对本发明的方法做详细的说明。
在动态变化边缘计算场景下,根据业务需求分类及预测的结果制定业务卸载策略,并最小化卸载时延和卸载能耗是本专利要解决的主要问题。针对上述问题,本发明提出的基于分类和预测的边端协同业务卸载方法,如图1所示,包括以下步骤:
S1、根据业务数据包大小、业务所需计算资源量,使用K-Means算法将历史业务数据分类成不同簇团;
为了更好地对业务需求进行处理,防止因业务需求与边缘计算服务器功能不匹配造成资源浪费,需要提前对业务需求进行分类。使用K-Means算法对业务进行分类。根据业务数据包大小、业务所需计算资源量将历史业务数据分类成不同簇团。如图2所示,具体流程如下:
S11、输入样本数据集X={x1,x2,…,xn},将样本即将被聚类成的簇数设为K;
S12、从样本集中随机选取K个数据点作为初始的质心;
S13、计算数据集中样本点xi(i=1,2,...n)到各初始质心qj(j=1,2,...K的距离,找出和数据点距离最小的质心,将xi加入该质心的簇Pj中;
S15、重复步骤S13和S14直至各聚类簇内的数据点不再变化,输出聚类算法划分的结果P={P1,P2,...,PK}。
S2、基于业务分类的结果,在分类后的不同的业务簇团内,根据历史业务信息使用神经网络对未来业务需求进行预测。
针对上文设计的业务分类算法,本发明提出业务预测策略。基于业务分类的结果,在分类后的不同的业务簇团内,根据历史业务信息对未来业务需求进行预测。使用神经网络预测模型进行未来业务数据量的预测。由于业务需求的分布通常具有时间特征,因此使用可以对时序数据进行预测的GRU网络对数据进行分析。GRU网络可以对上一时刻的内容进行记忆,输出的预测内容综合考虑了上一时刻和当前时刻的输入,因此可以对具有时间关联特征的数据进行较好的分析。
GRU单元的结构如图3和图4所示,xt表示当前时刻的输入值,ht表示当前时刻经过GRU的输出值,表示隐藏层的中间信息,ht-1表示上一时刻的输出值。zt表示GRU中的更新门,rt表示GRU中的重置门。
zt=σ(Wz*[ht-1,xt])
rt=σ(Wr*[ht-1,xt])
本方案中,GRU模型的输入为历史业务数据,将业务需求位置和业务需求产生时间作为输入数据的特征,对神经网络进行训练,将业务数据量作为预测标签。将数据集分为训练集、测试集以及验证集,对模型进行训练和验证。
业务分类和业务预测作为预处理的两个步骤,可以提高服务器资源的利用率和卸载的效率。业务分类可以使得具有相似特征的数据在同一簇内,减小预测误差。业务预测可以对于未来不同种类的业务需求进行合理预判,提前调度服务资源。
S3、计算业务卸载总时延和业务卸载总能耗,业务卸载总时延包括业务传输过程的时延和业务处理过程的时延,业务卸载总能耗包括业务传输过程的能耗和业务处理过程的能耗。
系统模型图如图5所示,在传统云计算网络的基础上,通过引入边缘计算网络,将计算资源下沉至网络边缘,在靠近终端设备的位置设置边缘服务器,构成边端协同的网络环境。终端设备产生的计算任务可以在本地处理,当本地设备资源不足时,为了改善服务质量,需要将业务卸载至边缘服务器进行处理,从而更快地响应业务需求。
其中,每个边缘服务器对应多条通信信道,业务需求通过通信信道进行传输并卸载至边缘服务器。每个终端设备可以产生多个业务需求,在每个时间片中,每个业务需求选择一个通信信道进行卸载传输。
定义1:为业务卸载的时延。终端设备上的业务n通过信道q将计算任务卸载到边缘服务节点m上进行处理。卸载过程主要分为业务的上行传输、业务的处理、处理结果的回传。由于结果回传速度较快且对卸载效果影响较小,因此忽略回传时延,只考虑业务的传输时延和处理时延。卸载总时延可以通过以下公式计算:
业务在终端设备通过通信信道上传的速度参考了香农定理,终端设备上的业务n在通信信道q上进行卸载的传输速度为:
由上述表达式可得,业务卸载的总时延为:
由上式可得,业务卸载的总能耗为:
S4、计算业务卸载至边缘服务器进行处理所消耗的总代价;
定义3:Qn是业务卸载至边缘服务器进行处理所消耗的总代价。由于综合考虑时延和能耗两种因素,需要对二者进行加权表示。ωT表示时延的权重因子,ωE表示能耗的权重因子。其中,权重因子需要根据业务类型进行动态调整,当业务为时延敏感型业务时,增大ωT的比例从而更加关注时延对代价的影响。
S5、为终端设备产生的业务需求进行卸载决策,优化目标为使所有业务卸载至边缘服务器进行处理所消耗的总代价最小,采用Kuhn-Munkres算法求解得到卸载方案。
优化目标为:
其中,约束条件为:
(1)业务需求要在最大容忍时间内进行执行,若排队等待时间过长,则将业务在本地设备进行处理。
(2)同一时刻一条通信信道只能接收一个终端设备上的业务。Ak,q为1时表示终端设备k通过通信信道q进行卸载,Ak,q为0时表示终端设备k上的业务不通过通信信道q进行卸载。
C2:Ak,q∈{0,1} (13)
Kuhn-Munkres算法是简称KM算法,是经典的二分图匹配算法。二分图分为两个顶点集合,顶点X集合内的点xi和顶点U集合内的点yj之间存在连接,且该匹配的权值为Wij。KM算法通过对每一组顶点的匹配方案求匹配权值,找到一种使得所有匹配Wij权值和最大的方案。
在本发明中,终端设备上的业务需求作为一个顶点集合,通信信道作为另外一个顶点集合。每一个业务需求通过通信信道卸载至边缘服务器的卸载方案作为两个顶点的匹配,卸载代价作为该匹配方案上的权值。由于KM算法得到的是权值和最大的匹配,因此需要将卸载代价取相反数,KM算法寻找使最大的匹配方案,即整体卸载代价最小的卸载方案。
Kuhn-Munkres算法具体流程如图6所示。
由于传统KM算法适用于二分图匹配的场景,因此要求待匹配的两个节点集合数量相等。而在本发明的场景中,待卸载业务和通信信道无法保证数量相等,因此需要对传统KM算法进行改进。
当业务需求数大于通信信道数时,业务需求可能会处于排队等待的状态。为保证用户公平性,需要对待处理的业务进行调整。对于排队时间过长的业务,需要放弃对其进行卸载,当业务等待时长大于最大容忍时长ΔT时,将该业务直接在本地终端设备进行卸载。设置业务的时延敏感因子Q,根据业务的时延敏感程度进行业务的优先级排序,对时延敏感型的业务提高其优先级,使其在待卸载业务中能够被优先处理。
当业务需求数小于通信信道数时,边缘服务节点的资源较为充足,此时为保证服务效率,需要对边缘服务资源进行评估,计算边缘服务器上所有待处理业务数量,将业务需求卸载至较为空闲的边缘服务器。
为了评估本发明提出的适用于边端协同场景的业务卸载方法,我们进行了如下仿真实验。
本发明首先对业务进行分类,将全部业务数据分为3类,聚类结果如图7所示。其中,类别1为文本类型业务,类别2为音频类型业务,类别3为图像视频类型业务。
接下来进行业务量预测。使用Pytorch框架并采用交通流量数据集进行仿真,仿真数据集的70%做作为训练数据,20%作为测试数据,10%作为验证数据。表1为业务预测模型的参数表。
表1业务预测模型参数表
参数名称 | 参考值 |
GRU层数 | 2 |
学习率 | 0.01 |
epoch | 100 |
隐藏层数 | 128 |
batch size | 64 |
time step | 24 |
预测结果如图8和图9所示。图8是在不进行业务分类的前提下对业务量进行预测的结果,可以看出,对于复杂多变的数据图8的预测效果欠佳。而图9是对业务进行分类后再预测的结果,图9中预测值和真实值偏差较小,预测准确度较高。
在最小化时延及能耗的卸载策略仿真中,仿真参数的取值参数如表2所示。
表2卸载仿真参数
参数 | 取值 |
边缘服务器数量 | 8个 |
每个边缘服务器连接的通信信道个数 | 5个 |
终端设备与边缘服务器之间传输带宽 | [5,20]MHz |
信道传输功率 | [1,5]W |
边缘服务器计算能力 | [4,8]GHz |
边缘服务器功率 | [5,10]W |
业务数据量 | [1000,10000]KB |
业务资源需求量 | [1000,20000]Megacycles |
热噪声功率 | -100dBm |
在最小化时延及能耗的卸载策略仿真中,如图10所示,对随机算法、传统KM算法和本发明提出的改进算法进行比较,可以看出,本发明提出的算法可以有效降低服务器的整体开销,从而提高资源利用率。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,但这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于分类和预测的边端协同业务卸载方法,其特征在于,包括以下步骤:
S1、根据业务数据包大小、业务所需计算资源量,使用K-Means算法将历史业务数据分类成不同簇团;
S2、基于业务分类的结果,在分类后的不同的业务簇团内,根据历史业务信息使用神经网络对未来业务需求进行预测;
S3、计算业务卸载总时延和业务卸载总能耗,业务卸载总时延包括业务传输过程的时延和业务处理过程的时延,业务卸载总能耗包括业务传输过程的能耗和业务处理过程的能耗;
S4、计算业务卸载至边缘服务器进行处理所消耗的总代价;
S5、为终端设备产生的业务需求进行卸载决策,优化目标为使所有业务卸载至边缘服务器进行处理所消耗的总代价最小,采用Kuhn-Munkres算法求解得到卸载方案。
2.根据权利要求1所述的基于分类和预测的边端协同业务卸载方法,其特征在于,步骤S1的具体流程如下:
S11、输入样本数据集X={x1,x2,...,xn},将样本即将被聚类成的簇数设为K;
S12、从样本集中随机选取K个数据点作为初始的质心;
S13、计算数据集中样本点xi(i=1,2,...n)到各初始质心qj(j=1,2,...k的距离,找出和数据点距离最小的质心,将xi加入该质心的簇Pj中;
S15、重复步骤S13和S14直至各聚类簇内的数据点不再变化,输出聚类算法划分的结果P={P1,P2,...,PK}。
3.根据权利要求1所述的基于分类和预测的边端协同业务卸载方法,其特征在于,步骤S2使用GRU网络对具有时间关联特征的数据进行预测,将历史业务数据作为输入,将业务需求位置和业务需求产生时间作为输入数据的特征,将业务数据量作为预测标签。
8.根据权利要求1所述的基于分类和预测的边端协同业务卸载方法,其特征在于,步骤S5采用Kuhn-Munkres算法求解的过程为:将终端设备上的业务需求作为一个顶点集合,通信信道作为另外一个顶点集合;每一个业务需求通过通信信道卸载至边缘服务器的卸载方案作为两个顶点的匹配,卸载代价作为该匹配方案上的权值;将卸载代价取相反数,寻找整体卸载代价最小的卸载方案。
10.根据权利要求8所述的基于分类和预测的边端协同业务卸载方法,其特征在于,步骤S5中,当业务需求数小于通信信道数时,对边缘服务资源进行评估,计算边缘服务器上所有待处理业务数量,将业务需求卸载至空闲的边缘服务器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211664779.8A CN115967990A (zh) | 2022-12-23 | 2022-12-23 | 一种基于分类和预测的边端协同业务卸载方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211664779.8A CN115967990A (zh) | 2022-12-23 | 2022-12-23 | 一种基于分类和预测的边端协同业务卸载方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115967990A true CN115967990A (zh) | 2023-04-14 |
Family
ID=87360975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211664779.8A Pending CN115967990A (zh) | 2022-12-23 | 2022-12-23 | 一种基于分类和预测的边端协同业务卸载方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115967990A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116225575A (zh) * | 2023-05-05 | 2023-06-06 | 苏州浪潮智能科技有限公司 | 针对移动边缘计算的任务卸载方法、装置、设备及介质 |
CN116754828A (zh) * | 2023-08-21 | 2023-09-15 | 济南瑞源智能城市开发有限公司 | 一种智慧隧道的能耗监测方法、设备及介质 |
-
2022
- 2022-12-23 CN CN202211664779.8A patent/CN115967990A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116225575A (zh) * | 2023-05-05 | 2023-06-06 | 苏州浪潮智能科技有限公司 | 针对移动边缘计算的任务卸载方法、装置、设备及介质 |
CN116225575B (zh) * | 2023-05-05 | 2023-08-15 | 苏州浪潮智能科技有限公司 | 针对移动边缘计算的任务卸载方法、装置、设备及介质 |
CN116754828A (zh) * | 2023-08-21 | 2023-09-15 | 济南瑞源智能城市开发有限公司 | 一种智慧隧道的能耗监测方法、设备及介质 |
CN116754828B (zh) * | 2023-08-21 | 2023-12-01 | 济南瑞源智能城市开发有限公司 | 一种智慧隧道的能耗监测方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Midya et al. | Multi-objective optimization technique for resource allocation and task scheduling in vehicular cloud architecture: A hybrid adaptive nature inspired approach | |
CN113242568A (zh) | 一种不确定网络环境中的任务卸载和资源分配方法 | |
CN115967990A (zh) | 一种基于分类和预测的边端协同业务卸载方法 | |
Wu et al. | An efficient offloading algorithm based on support vector machine for mobile edge computing in vehicular networks | |
CN111711666B (zh) | 一种基于强化学习的车联网云计算资源优化方法 | |
CN112600921A (zh) | 一种面向异构移动边缘网络的动态任务卸载方法 | |
Balakrishnan et al. | Resource management and fairness for federated learning over wireless edge networks | |
CN113347267B (zh) | 一种移动边缘云计算网络中的mec服务器部署方法 | |
CN111836284B (zh) | 基于移动边缘计算的能耗优化计算、卸载方法和系统 | |
CN113822456A (zh) | 一种云雾混构环境下基于深度强化学习的服务组合优化部署方法 | |
CN113220356A (zh) | 一种移动边缘计算中的用户计算任务卸载方法 | |
CN112188627B (zh) | 一种基于状态预测的动态资源分配策略 | |
CN113992677A (zh) | 一种延迟与能耗联合优化的mec计算卸载方法 | |
CN109375999A (zh) | 一种基于贝叶斯网络的mec随机任务迁移方法 | |
Mishra et al. | A collaborative computation and offloading for compute-intensive and latency-sensitive dependency-aware tasks in dew-enabled vehicular fog computing: A federated deep Q-learning approach | |
CN111131447A (zh) | 一种基于中介节点任务分配的负载均衡方法 | |
CN111930435B (zh) | 一种基于pd-bpso技术的任务卸载决策方法 | |
CN117202264A (zh) | Mec环境中面向5g网络切片的计算卸载方法 | |
CN111626354A (zh) | 应用于车联网中的基于任务依赖性的聚类方法 | |
Dong et al. | Collaborative video analytics on distributed edges with multiagent deep reinforcement learning | |
CN115499875B (zh) | 一种卫星互联网任务卸载方法、系统以及可读存储介质 | |
CN109462879B (zh) | 一种接纳控制方法及系统 | |
CN114615705B (zh) | 一种基于5g网络下单用户资源分配策略方法 | |
Li | Optimization of task offloading problem based on simulated annealing algorithm in MEC | |
CN115766478A (zh) | 一种空地协同边缘计算服务器的卸载方法 |
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 |