CN116107692A - 动态融合遗传算法的边缘容器多目标蚁群优化调度方法 - Google Patents
动态融合遗传算法的边缘容器多目标蚁群优化调度方法 Download PDFInfo
- Publication number
- CN116107692A CN116107692A CN202211623080.7A CN202211623080A CN116107692A CN 116107692 A CN116107692 A CN 116107692A CN 202211623080 A CN202211623080 A CN 202211623080A CN 116107692 A CN116107692 A CN 116107692A
- Authority
- CN
- China
- Prior art keywords
- node
- pod
- genetic algorithm
- edge
- pheromone
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/45595—Network integration; Enabling network access in virtual machine instances
-
- 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)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种动态融合遗传算法的边缘容器多目标蚁群优化调度方法,方法包括步骤:S1、获取边缘环境系统模型和网络模型的配置信息;S2、将用户请求任务封装在Container中,准备开始Pod调度;S3、根据待调度的Pod属性和Node节点属性建立多目标优化函数;S4、利用遗传算法前期快速随机搜索能力得到初始解,若在迭代中的进化率小于最小进化率跳出遗传算法阶段;S5、遗传算法的初始解和适应度函数动态融合到蚁群算法的信息素、信息素更新规则和启发信息中,进行蚁群算法的精确求解,迭代循环结束,输出Pareto最优解集。
Description
技术领域
本发明属于物联网与任务调度技术领域。
背景技术
边缘计算作为云计算的扩展通过在网络边缘执行任务来减少数据延迟,为用户提供更便捷的服务环境。但由于边缘服务器的数目和计算能力受到限制,应用程序之间会发生严重的共享资源。同时,用户上传的任务请求变得越来越复杂化和多样化,如何选择合适的节点处理任务是边缘计算要解决的核心问题。容器化技术在传统云环境中得到广泛应用,是边缘计算的重要支撑技术,Kubernetes是最为常用的容器(Container)编排管理系统,Kuberedge将Kubernetes拥有的编排容器化应用的能力扩展到边缘的节点和设备,
如图1所示,在Kuberedge中所有的Container都运行在Pod之中,Pod是一个或几个Container的组合,一个Pod内的Container类似于在同一个主机中的概念,Pod中的Container间共享文件和网络等资源,从而直接进行互相间的通信,共同完成一项功能。Kubernetes中Container依赖Pod为最小单位进行调度与管理,多个相同的Pod模块共同暴露出一个可以对外提供的服务接口Service,而多个Service服务则构成了应用提供商的完整应用。待调度的Pod与边缘服务器上的Node工作节点通过Kuberedge中组件之间的信息交互处理完成相应状态信息的实时更新,最后状态信息可以通过Kubernetes API执行Kubernetes中相应的调度算法完成任务的调度。
Kubernetes的默认调度中主要是通过判断Node的CPU和内存是否满足Pod的资源请求并且确定Pod请求的端口是否被占用。如果以上条件有一个不满足,该节点被过滤。然后对符合需求的Node根据CPU和内存进行优先级计算,选择分值最高的Node部署该Pod。而在边缘环境下并非只有CPU和内存资源量不足,带宽、磁盘同样有限,如果调度方法仅考虑CPU和内存可能无法满足大带宽应用及磁盘需求较大应用的调度需求。并且Kubernetes默认调度策略中CPU和内存权重相同,完全没有考虑应用对于某种资源的需求倾向。如果Pod的CPU请求需求较大,内存需求较小,调度方法应该将其部署在剩余CPU资源较为丰富而内存剩余较少的Node节点,为应用留有较多的冗余资源,更有利于Node节点剩余资源的均衡,均衡的资源分布有助于实现更高的资源利用率。
发明内容
本发明针对用户执行的应用程序任务,根据应用程序特征,可以选择将任务调度到与用户直接连接的边缘服务器或远程边缘服务器。以解决现有边缘服务器资源有限条件下,将任务卸载分配不均、任务调度时产生的传输开销高和时延问题。
为解决上述技术问题,本发明实施提供一种动态融合遗传算法的边缘容器多目标蚁群优化调度方法,研究了在有限资源的边缘环境下,针对大量用户的多种类型应用程序请求设计容器化应用程序的调度方法,旨在最小化网络传输开销、执行时间以及提升边缘服务器负载均衡度。为了实现此多目标优化问题,首先,建立边缘计算环境系统模型,由用户与边缘服务器云服务器的连接方式确定边缘计算的网络模型;其次根据用户的请求应用程序类型、实时性和移动性建立应用程序模型;然后根据所建立模型求解目标函数,这是一个NP-hard问题,利用蚁群算法和遗传算法的优点,设计了一种动态融合遗传算法的边缘容器多目标蚁群优化调度方法(GACO)结合Pareto优化解决该NP-hard问题。
为了实现以上目的,本发明采用以下技术方案:
S1、获取系统模型和网络模型,所述系统模型包括多个边缘服务器、若干无线基站组、一个云服务中心;用户通过WLAN连接到最近的边缘服务器,边缘服务器间通过城域网MAN互相连接,边缘服务器与云端通过广域网WAN进行连接,所有边缘服务器都使用具有千兆以太网容量的共享城域网,如果将任务卸载到远程边缘服务器,则使用MAN,在这种情况下通过至少两跳访问,通过WLAN和MAN调度到合适的节点。
S2、用户具有t种不同请求需求的任务,将t种任务封装到t种不同的Container中,假设待调度的Pod有i个,P={P0,P1,...,Pi-1}则为待调度的Pod队列,某个Pod由n个容器构成,Pi={C1,C2,...,Cn},待部署的Node节点有j个,N={N0,N1,...,Nj-1}表示待部署节点的队列,每个Node上有k种资源Nj={1,2,...,k},一个Pod只能对应在一个Node节点运行,对于任意一种资源k,边缘服务器上所有的Node节点资源分配小于该边缘服务器的相应资源容量。
S3、根据网络模型信息和待调度的Pod属性,得到Pod调度到边缘服务器的网络传输开销、计算时延和负载均衡度,建立多目标优化函数;
S4、前期使用遗传算法群体性的快速随机全局搜索能力,产生问题的初始解,在遗传算法阶段,结合边缘计算任务调度的特点,采用间接编码方式,对每个pod被分配到的Node节点进行编码,根据kubernetes默认调度中判断资源优先级的思想定义遗传算法中的适应度函数,预先设置遗传算法的最小迭代次数gmin、最大迭代次数gmax以及最小进化率gratio,然后统计迭代过程中子代群体的进化率,若在给定的迭代次数范围内有连续gs代的进化率均低于gratio,则终止遗传算法搜索,开始进入蚁群算法求解。
S5、信息素规则决定Pod调度到相应Node节点的概率,将遗传算法得到的初始解转化为蚁群算法的初始化信息素浓度,基于遗传算法中变异操作保持种群的多样性防止算法陷入早熟加入蚁群算法局部信息素更新思想,并将蚂蚁为节点的打分值作为更新启发信息值,后期利用蚁群算法的信息正反馈、快速收敛的特性进行最优解求解。
所述S4、S5的优化算法主要是根据蚁群算法和遗传算法的优点,设计了一种动态融合遗传算法的多目标蚁群优化调度方法(GACO)结合Pareto优化解决该NP-hard问题。
执行过程具体包括:
步骤一:初始化设置,根据用户提交的任务封装到对应的Container中,准备Pod的调度,设置GA的种群大小L即为边缘服务器上的Node节点数,交叉概率Gc、最小迭代次数gmin、最大迭代次数gmax、最小进化率gratio、迭代停滞次数gs;
步骤二:根据问题进行染色体编码,对每个Pod可能被分配到的Node节点进行编码成染色体,染色体的长度为待调度的Pod数,随机得到染色体ch[i]=Nj;
步骤三:初始化种群规模为L的初始群体g,染色体的基因值为分配到的Node节点编号,即将第w条染色体中的Pi分配给Nj,Gene[w][Pi]=Nj;
步骤四:对种群个体进行解码,根据Fit(i)=aRcpu+bRst+cRmem计算个体适应度值作为进行选择操作的选择算子,通过公式得出Node节点被选中的概率。采用轮盘赌寻方式进行选择,筛选出适应度值高的父代个体进入下一步交叉操作;
步骤五:对选出的父代个体使用自适应交叉算子Gc通过局部交叉法进行交叉操作,产生一定数量的新的个体,即ch′1[i]=ch2[i],ch′2[i]=ch1[i],群体经过选择和交叉操作后得到下一代群体;
步骤六:将新个体与父代种群中的个体进行比较,并根据替换原则进行优劣替换,选择优良个体作为最终子代个体;
步骤七:判断是否满足动态融合条件,若gmin<g<gmax,且连续gs的进化率≥gratio,则转至步骤四,否则转至步骤八;
步骤八:获取遗传算法进化过程中评价出的拥有最大适应度的染色体,进行下一步操作;
步骤十:初始化Pareto解集为空,初始化信息启发因子α,期望启发因子β,信息素挥发因子ρ,蚂蚁数X,迭代次数Itor,将x个蚂蚁放置到Node节点上;
步骤十一:如果边缘服务器列表非空,转至步骤十二,否则转至步骤十四;
步骤十二:蚂蚁将还没有调度的Pod,并且能够进行调度的当前边缘服务器的Node节点组成一个集合,如果集合为空,则将蚂蚁放到下一个边缘服务器上,并返回到步骤十一;如果集合不为空,则转到步骤十三;
步骤十三:蚂蚁开始从集合中搜索Node节点,x*80%只蚂蚁根据式 选择合适的Node节点,x*80%只蚂蚁到第x只蚂蚁根据随机分配方法,放置pod到Node上,更新当前Node节点的资源容量,根据式更新信息素τij(t+1)=(1-ρ)τij(t)+rFit(i),返回到步骤十一;
步骤十四:当x只蚂蚁均完成搜索,对产生的x个解进行评估,更新Pareto解集;
步骤十六:迭代次数加1,如果迭代次数小于设定值,跳到步骤十一;否则跳到步骤十七;
步骤十七:退出迭代循环,算法结束,输出Pareto最优解集。
有益效果:本发明为了充分合理利用边缘服务器的有限资源,通过考虑不同应用程序对资源的不同需求倾向,构建基于任务的完成时间、网络传输开销以及负载均衡的目标函数,将问题转换为多目标优化问题,采取启发式算法进行求解,提出了一种基于蚁群算法和遗传算法动态融合的优化算法GACO,与默认的Kubernetes调度方法和基本蚁群算法相比能得到较优的结果,对能够高效利用边缘服务器的有限资源具有重要意义。
附图说明
附图1为Kuberedge调度Pod的框架图;
附图2为边缘计算环境系统模型和网络模型图;
附图3参数信息表;
附图4调度方法伪代码;
附图5实验结果图;
具体实施方式
为使本发明的目的,技术方案和优点更加清楚明白,下文中将结合附图和实例对本发明的实施例进行详细说明。
本发明所涉及的是一种边缘计算环境下多目标蚁群容器优化调度策略。在边缘计算架构中,用户将用容器封装好的应用程序卸载到边缘服务器执行,Pod提供计算所需的各项资源参数,进而选择本地边缘服务器上的Node节点或远程边缘服务器的Node节点执行。
具体步骤如下:
步骤一:如图2所示系统架构,建立系统模型和网络模型,设置边缘服务器、网络延迟以及应用程序的参数信息;
本实施例中,边缘环境下有5台边缘服务器,每台边缘服务器上存在20个Node节点为待调度的Pod提供服务,Node上存在4种资源Nj={CPU,内存,磁盘,带宽}。在此WLAN环境下有U个用户,用户集合表示为{1,2,...,U},用户在3小时范围内产生三种不同类型的任务,具体的任务参数、Node参数和网络参数如图3所示。
步骤二:创建计算模型,包括络传输开销、计算时延和负载均衡度;
在本实施例中,网络传输开销为P(i)st为Podi的传输数据大小,hopi代表Pod调度到边缘服务器所经过的跳数,dlMAN和dlWLAN分别代表城域网延迟和无线网络延迟,BWMAN和BWWLAN分别表示城域网带宽和无线网带宽。所有Pod网络传输开销为:负载均衡度为 AvgN表示边缘环境下Pod调度完成后占用服务运行在各边缘服务器上Node节点的平均数,N表示当前边缘服务器上的Node节点数,m表示当前边缘环境下的边缘服务器。计算时延为P(i)l表示Podi请求的任务长度,Nips和Nstc表示Node节点的计算速度和存储能力大小。
步骤三:采用GACO算法来求解模型中的优化问题;
在本实施例中,具体的步骤参照上述的详细说明,算法的伪代码如图4所示。
通过实验结果图5可以看出,相较于基本蚁群算法与Kubernetes默认调度策略,GACO求解得到的最优前沿整体更小,它更逼近真实最优前沿。
Claims (7)
1.一种动态融合遗传算法的边缘容器多目标蚁群优化调度方法,其特征在于,包括如下步骤:
S1、获取系统模型和网络模型,所述系统模型包括多个边缘服务器、若干无线基站组、一个云服务中心;用户通过WLAN连接到最近的边缘服务器,边缘服务器间通过城域网MAN互相连接,边缘服务器与云端通过广域网WAN进行连接,所有边缘服务器都使用具有千兆以太网容量的共享城域网,如果将任务卸载到远程边缘服务器,则使用MAN,在这种情况下通过至少两跳访问,通过WLAN和MAN调度到合适的节点;
S2、用户具有t种不同请求需求的任务,将t种任务封装到t种不同的Container中,假设待调度的Pod有i个,P={P0,P1,...,Pi-1}则为待调度的pod队列,某个Pod由n个容器构成,Pi={C1,C2,...,Cn},待部署的Node节点有j个,N={N0,N1,...,Nj-1}表示待部署节点的队列,每个Node上有k种资源Nj={1,2,...,k},一个Pod只能对应在一个Node节点运行,对于任意一种资源k,边缘服务器上所有的Node节点资源分配小于该边缘服务器的相应资源容量;
S3、根据网络模型信息和待调度的pod属性,得到pod调度到边缘服务器的网络传输开销、计算时延和负载均衡度,建立多目标优化函数;
S4、前期使用遗传算法群体性的快速随机全局搜索能力,产生问题的初始解,在遗传算法阶段,结合边缘计算任务调度的特点,采用间接编码方式,对每个pod被分配到的Node节点进行编码,根据kubernetes默认调度中判断资源优先级的思想定义遗传算法中的适应度函数,预先设置遗传算法的最小迭代次数gmin、最大迭代次数gmax以及最小进化率gratio,然后统计迭代过程中子代群体的进化率,若在给定的迭代次数范围内有连续gs代的进化率均低于gratio,则终止遗传算法搜索,开始进入蚁群算法求解;
S5、信息素规则决定Pod调度到相应Node节点的概率,将遗传算法得到的初始解转化为蚁群算法的初始化信息素浓度,基于遗传算法中变异操作保持种群的多样性防止算法陷入早熟加入蚁群算法局部信息素更新思想,并将蚂蚁为节点的打分值作为更新启发信息值,后期利用蚁群算法的信息正反馈、快速收敛的特性进行最优解求解。
2.如权利要求1所述的一种动态融合遗传算法的边缘容器多目标蚁群优化调度方法,其特征在于,所述步骤S3中建立多目标优化函数,具体包括:
步骤一:建立网络传输开销目标函数:
P(i)st为Podi的传输数据大小,hopi代表Pod调度到边缘服务器所经过的跳数,dlMAN和dlWLAN分别代表城域网延迟和无线网络延迟,BWMAN和BWWLAN分别表示城域网带宽和无线网带宽,所有Pod网络传输开销为:
Nwcost越小,表示所有Pod单位时间网络传输开销越小,即该调度方法所得分配方案越优;
步骤二:建立计算时延的目标函数:
P(i)l表示Podi请求的任务长度,Nips和Nstc表示Node节点的计算速度和存储能力大小;
步骤三:建立负载均衡度的目标函数:
AvgN表示边缘环境下Pod调度完成后占用服务运行在各边缘服务器上Node节点的平均数,N表示当前边缘服务器上的Node节点数,m表示当前边缘环境下的边缘服务器,Nload其值越大,分布越不均衡,反之,分布越均衡。
3.如权利要求1所述的一种动态融合遗传算法的边缘容器多目标蚁群优化调度方法,其特征在于,所述步骤S4根据kubernetes默认调度中判断资源优先级的思想定义遗传算法中的适应度函数,具体包括:
步骤一:根据在Kubernetes的默认调度方法中由Node空闲资源与Node资源总量的比值来决定Node评分,空闲资源越多,评分越高,得到计算公式如下:
其中,Ncpu、Nmem和Nst分别表示Node节点的CPU、内存和磁盘总资源量,Nusedu、Nusedm和Nusedst分别表示Node节点通过遗传算法求解后得到的已用的CPU、内存和磁盘资源量,Prequ、Preqm和Preqst分别表示Pod请求的CPU、内存和磁盘资源量;
步骤二:建立遗传算法的适应度函数:
Fit(i)=aRcpu+bRst+cRmem
根据求得的Rcpu、Rst和Rmem比较三个值的大小得出a,b,c的权值系数大小依次为0.5,0.3,0.2。
5.如权利要求1所述的一种动态融合遗传算法的边缘容器多目标蚁群优化调度方法,其特征在于,所述步骤S5信息素规则具体包括:
步骤一:基于遗传算法变异操作防止算法陷入早熟加入蚁群算法局部信息素更新,局部信息素浓度公式为:
τij(t+1)=(1-ρ)τij(t)+rFit(i)
Fit(i)为遗传算法中的适应度函数,将其作为影响因子加入局部信息素浓度更新公式,该值越大,则部署到节点的可能性越大,r为适应度的权重系数,局部信息素更新是蚂蚁一种自感知策略,只对当前蚂蚁和正在进行的搜索过程有效;
步骤二:当所有蚂蚁为全部待调度pod分配到相应的Node节点之后,可以计算出此次循环迭代的全局最优解,并对Pareto解集中所有最优解构建的放置方案中每个Pod所分配节点的映射进行信息素全局更新,更新公式如下所示:
7.如果每只蚂蚁都将Pod部署在信息素浓度最高的节点,会降低错过寻找最优解的可能,即蚂蚁认为已找到最好的部署方案,其实只是一个局部最优方案,因此需要一部分蚂蚁遵循目标函数最优的分配策略,还需要一部分蚂蚁遵循随机分配的策略,以发现新的最优解,将第x*80%只蚂蚁到第x只蚂蚁寻优方法设为随机分配策略,从而随机为Pod选择部署的节点,如果信息素浓度大于3,就通过变异的方式在[0,3]范围内处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211623080.7A CN116107692A (zh) | 2022-12-16 | 2022-12-16 | 动态融合遗传算法的边缘容器多目标蚁群优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211623080.7A CN116107692A (zh) | 2022-12-16 | 2022-12-16 | 动态融合遗传算法的边缘容器多目标蚁群优化调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116107692A true CN116107692A (zh) | 2023-05-12 |
Family
ID=86258908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211623080.7A Pending CN116107692A (zh) | 2022-12-16 | 2022-12-16 | 动态融合遗传算法的边缘容器多目标蚁群优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116107692A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056089A (zh) * | 2023-10-11 | 2023-11-14 | 创瑞技术有限公司 | 一种服务动态分配系统及方法 |
CN117319505A (zh) * | 2023-11-30 | 2023-12-29 | 天勰力(山东)卫星技术有限公司 | 一种面向软件定义卫星共享网络的星上任务抢单系统 |
-
2022
- 2022-12-16 CN CN202211623080.7A patent/CN116107692A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056089A (zh) * | 2023-10-11 | 2023-11-14 | 创瑞技术有限公司 | 一种服务动态分配系统及方法 |
CN117056089B (zh) * | 2023-10-11 | 2024-02-06 | 创瑞技术有限公司 | 一种服务动态分配系统及方法 |
CN117319505A (zh) * | 2023-11-30 | 2023-12-29 | 天勰力(山东)卫星技术有限公司 | 一种面向软件定义卫星共享网络的星上任务抢单系统 |
CN117319505B (zh) * | 2023-11-30 | 2024-02-06 | 天勰力(山东)卫星技术有限公司 | 一种面向软件定义卫星共享网络的星上任务抢单系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111722910B (zh) | 一种云作业调度及资源配置的方法 | |
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 | |
CN116107692A (zh) | 动态融合遗传算法的边缘容器多目标蚁群优化调度方法 | |
Rekha et al. | Efficient task allocation approach using genetic algorithm for cloud environment | |
Kiran et al. | VNF placement and resource allocation in SDN/NFV-enabled MEC networks | |
CN108880663A (zh) | 基于改进遗传算法的天地一体化网络资源分配方法 | |
CN112860350A (zh) | 一种边缘计算中基于任务缓存的计算卸载方法 | |
Huang et al. | Rlsk: A job scheduler for federated kubernetes clusters based on reinforcement learning | |
CN107656799B (zh) | 一种多云环境下考虑通信和计算代价的工作流调度方法 | |
Ashouraei et al. | A new SLA-aware load balancing method in the cloud using an improved parallel task scheduling algorithm | |
CN110519776A (zh) | 一种雾计算系统中的均衡聚类和联合资源分配方法 | |
CN112799823A (zh) | 边缘计算任务的在线分派调度方法和系统 | |
CN109815009A (zh) | 一种csp下的资源调度与优化方法 | |
CN112613761B (zh) | 一种基于动态博弈和自适应蚁群算法的服务调度方法 | |
CN112306642B (zh) | 一种基于稳定匹配博弈理论的工作流调度方法 | |
CN112596910A (zh) | 一种多用户mec系统中的云计算资源调度方法 | |
CN116302404B (zh) | 面向资源解耦合数据中心的服务器无感知计算调度方法 | |
CN115514769B (zh) | 卫星弹性互联网资源调度方法、系统、计算机设备及介质 | |
CN114980216A (zh) | 基于移动边缘计算的依赖型任务卸载系统及方法 | |
CN111290853B (zh) | 一种基于自适应改进遗传算法的云数据中心调度方法 | |
CN115016889A (zh) | 一种用于云计算的虚拟机优化调度方法 | |
Jing et al. | Customer satisfaction-aware scheduling for utility maximization on geo-distributed cloud data centers | |
Golmohammadi et al. | Load balancing in local computational grids within resource allocation process | |
CN116321300B (zh) | 一种风险感知的移动边缘计算任务调度与资源分配方法 | |
Woldeyes et al. | Joint Resource Placement and Service Replica Placement Scheme 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 |