CN116126130A - 一种可信边缘服务器的选择与能耗优化的任务卸载方法 - Google Patents
一种可信边缘服务器的选择与能耗优化的任务卸载方法 Download PDFInfo
- Publication number
- CN116126130A CN116126130A CN202211426991.0A CN202211426991A CN116126130A CN 116126130 A CN116126130 A CN 116126130A CN 202211426991 A CN202211426991 A CN 202211426991A CN 116126130 A CN116126130 A CN 116126130A
- Authority
- CN
- China
- Prior art keywords
- task
- energy consumption
- value
- server
- mec
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 241000283153 Cetacea Species 0.000 claims description 63
- 238000004364 calculation method Methods 0.000 claims description 47
- 239000013598 vector Substances 0.000 claims description 32
- 230000005540 biological transmission Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 13
- 239000003795 chemical substances by application Substances 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 238000004451 qualitative analysis Methods 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 230000008602 contraction Effects 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 claims description 2
- 230000009182 swimming Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3234—Power saving characterised by the action undertaken
- G06F1/329—Power saving characterised by the action undertaken by task scheduling
-
- 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
- G06F9/445—Program loading or initiating
- G06F9/44594—Unloading
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明请求保护一种可信边缘服务器的选择与能耗优化的任务卸载方法,包括下列主要步骤:S1,根据服务器和设备相关信息数据构建系统模型;S2,对任务信息以及MEC缓存任务类分别作标准化处理并进行FCM聚类,然后进行编码匹配,得到各个任务类优先选择卸载的MEC服务器;S3,采用集对分析理论对S2的可信度关系进行度量分析;S4,根据S2的结果,把任务划分为子任务在多接入点网络中进行任务卸载并计算出能耗。通过WOA算法,在容忍时延范围内优化能耗,得到各子任务的卸载决策;S5,根据S4将子任务卸载到对应的边缘节点或是本地处理。本发明在任务卸载时考虑可信边缘服务器选择与能耗优化等问题,满足了用户的需求,在任务容忍时延范围内减少了系统能耗。
Description
技术领域
本发明属于移动计算领域,特别是涉及一种可信边缘服务器的选择与能耗优化的任务卸载策略。
背景技术
边缘计算中的任务卸载指的是计算任务在设备端执行还是卸载到边缘端或云端。当用户设备开始运行计算密集型任务并处于移动边缘网络中时,设备可以选择将计算任务发送到就近的公共服务器上,将任务卸载到边缘计算服务器上处理,这一过程称作任务卸载。然而,边缘节点的计算资源和网络资源是有限的。因此,计算任务是在本地执行还是卸载到边缘节点或云端,移动设备应进行仔细的规划,已达到任务完成时延最短的目标,这在边缘计算系统中称为计算任务卸载问题。设计高效的、节能的计算任务卸载方案是边缘计算领域中的一个重要的研究方向,需要考虑到边缘节点资源分配的合理性,不同的任务执行方案所带来的时延和移动设备能耗差异等因素。
在计算卸载的过程中我们还面临着种种限制,一是实际移动边缘网络移动业务流量空间分布不均性,并且边缘服务器的可信度也不可知,盲目地进行任务卸载可能会造成部分任务被卸载到不可信的MEC服务器上,从而造成任务信息的泄露,造成不可估计的损失。由于MEC系统应用层的相对开放性,攻击者可利用侧信道攻击的方式推测、监听MEC服务器上卸载的计算任务信息,如数据量大小,所需计算资源,容忍时延等。由于某些边缘计算结点不可信,用户任务卸载至这些边缘结点上容易受到攻击者攻击,若攻击者通过其他手段掌握了目标用户的部分先验信息(如用户经常性卸载的计算任务及其大致任务信息),则可通过监听MEC节点上任务卸载情况并推测目标用户所在MEC节点;二是多数针对边缘计算中任务卸载策略往往将任务当做一个整体进行卸载,此种做法影响了任务执行效率并且无法充分利用边缘网络资源。并且随着多接入网络的发展,用户不仅需要根据有限的计算和通信资源竞争决定是否进行卸载,而且用户需要从自身的利益出发,在多个接入点中选择一个对自己有利的接入点进行数据的传输。如不采取一定的策略,直接将大量任务通过某一个接入点卸载到边缘服务器,或者是资源分配不合理,将会导致时延和能耗大大增加,从而大部分设备都无法以正常的速率进行任务的提交以及计算结果的接收。如何对可信服务器进行任务感知以及对任务卸载进行时延,能耗等指标进行综合评估,制定一套合理的任务卸载策略,提升用户的服务质量和体验是移动边缘网络技术中的一个亟待解决的问题。
已有的大多数计算任务卸载决策中,针对可信边缘计算的研究中,已有的方法主要有区块链技术、智能合约技术、强化学习方法、加密和数字证书等方法,但这些方法多是从加密、认证等数据安全和使用区块链建立可信边缘计算平台角度防护卸载的数据内容,并未充分考虑边缘计算的所有者彼此不信任,难以构建一个统一的安全防护标准;针对时延和能耗相关优化问题,已有的方法主要有基于线性松弛的方法、基于穷举搜索的方法、基于李雅普诺夫的算法、博弈论等。在可信服务器的基础上,任务卸载能耗的优化也很少有人研究。可以综合考虑可信服务器的选择和能耗优化,在保护隐私的同时兼顾用户的体验,使任务卸载在容忍时延内的情况下尽可能地节省能耗。
经过检索,申请公开号为CN114637552A,一种基于模糊逻辑策略的雾计算任务卸载方法,具体实施步骤如下:步骤1.系统模型的构建。步骤1.1.车辆雾计算任务卸载模型。步骤1.2.任务卸载通信模型。步骤1.3.任务卸载计算模型。步骤1.4.问题公式化。步骤2.基于模糊逻辑的Q学习任务卸载算法。步骤2.1.基于模糊逻辑的车辆权重计算。步骤2.2.基于模糊逻辑的车辆权重计算。
上述发明目的是减少路边单元的能耗以及系统的响应时间,提高用户服务质量,提出一种基于模糊逻辑策略的雾计算任务卸载方法。该发明将车辆的计算能力、停留时间、到路边单元的距离这三个指标进行量化,然后使用中心法去模糊化,计算出车辆的权重,最后使用Q强化学习算法进行任务卸载。上述发明是针对车联网中多用户单MEC场景下的计算卸载,且未考虑卸载时边缘服务器的可信度问题。本发明考虑多用户多MEC场景下的计算卸载,且考虑了卸载时可能带来的隐私泄露问题。先对任务信息以及MEC缓存任务类分别作标准化处理并进行FCM聚类,从而使攻击者无法从多个卸载行为相近的用户中区分所攻击的目标用户,整体保护多个用户的隐私,然后进行编码匹配,得到各个任务类优先选择卸载的MEC服务器,然后采用集对分析理论对用户任务与边缘计算服务器的可信度关系进行度量分析。最后利用改进的WOA算法对任务卸载进行决策并节省能耗。
申请公开号为CN114356545A,一种面向隐私保护与能耗优化的任务卸载方法,包括:S1,根据服务器和设备相关信息数据构建系统模型;S2,根据系统模型,对任务信息数据作标准化处理并为属性分配不同的权重,得到待分组的任务信息数据;S3,采用聚类算法,对得到的任务信息数据根据属性权重进行分组,分组的组数与系统模型中服务器数量相等;S4,根据建立的系统模型以及分组结果计算出能耗;并通过改进MFO(飞蛾火焰)算法,在容忍时延范围内优化能耗,得到各设备任务的卸载决策;S5,根据卸载决策将任务卸载到对应的边缘节点或进行本地处理。本发明旨在解决现有边缘计算任务卸载中存在的隐私问题和能耗优化问题,提出了一种在任务卸载中保护用户隐私,并使任务处理时延在容忍时延范围内且尽可能节省能耗的面向隐私保护与能耗优化的任务卸载方法。
上述发明是先使用聚类分组使卸载到同一MEC节点的多个用户卸载任务信息相似,并进一步使用优化算法来进行任务卸载的决策,但是它未考虑可信边缘服务器的选择以及它将任务当做一个整体进行卸载,此种做法影响了任务执行效率并且无法充分利用边缘网络资源。并且随着多接入网络的发展,用户不仅需要根据有限的计算和通信资源竞争决定是否进行卸载,而且用户需要从自身的利益出发,在多个接入点中选择一个对自己有利的接入点进行数据的传输。本发明考虑这一点,先对任务信息以及MEC缓存任务类分别作标准化处理并进行FCM聚类,从而使攻击者无法从多个卸载行为相近的用户中区分所攻击的目标用户,整体保护多个用户的隐私,然后进行编码匹配,得到各个任务类优先选择卸载的MEC服务器,然后采用集对分析理论对用户任务与边缘计算服务器的可信度关系进行度量分析。最后利用改进的WOA算法对任务卸载进行决策并节省能耗。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种可信边缘服务器的选择与能耗优化的任务卸载方法。本发明的技术方案如下:
一种可信边缘服务器的选择与能耗优化的任务卸载方法,其包括以下步骤:
S1,根据边缘服务器和用户本地设备相关信息数据构建系统模型;
S2,对任务信息以及MEC缓存任务类分别作标准化处理并进行FCM(模糊c均值)聚类,然后进行编码匹配,得到各个任务类优先选择卸载的MEC服务器;
S3,采用集对分析理论对用户任务与边缘计算服务器的可信度关系进行度量分析;
S4,根据步骤S2的结果,把任务划分为子任务在多接入点网络中进行任务卸载并计算出能耗;通过WOA鲸鱼优化算法,在容忍时延范围内优化能耗,得到各设备任务的卸载决策;
S5,根据卸载决策将子任务通过某个无线接入点卸载到对应的边缘节点或是本地处理。
进一步的,所述步骤S1根据服务器和设备相关信息数据构建系统模型的方法具体包括:
根据数据中服务器和设备的相关信息,采用(x,y,b,f,t),其中x,y表示任务地理位置的横纵坐标,b表示任务输入的数据量大小,它主要由程序代码、输入文件组成,f表示任务所需的计算资源,t表示完成此任务的最大可容忍时延。
进一步的,所述步骤S2对任务信息以及MEC缓存任务类分别作标准化处理并进行FCM(模糊c均值)聚类,具体包括:
在聚类操作前,对用户任务和MEC缓存的任务数据首先进行标准化处理,数据标准化公式所下所示:
然后使用FCM聚类方法,对已经标准化的数据进行模糊聚类;FCM算法的处理过程如下:首先,确定聚类个数、模糊指数的值,设定迭代次数、终止阈值,初始化样本对象的隶属度矩阵并确保隶属度之和为1,即:
其中,c为聚类的个数,uij表示每个样本j属于某一类i的隶属度。
之后,根据隶属度计算聚类中心,并计算目标函数值,计算公式如下所示:
其中,ci表示聚类中心,uij表示样本的隶属度,m表示模糊指数,xj表示每个样本数据,J表示目标函数。
聚类中心与隶属度更新公式为:
其中,cj表示第j个聚类中心,n代表数据集中数据对象的个数,uij表示对象xi与聚类中心cj之间的隶属度,m表示聚类簇的个数。
其中,uij表示更新后的对象xi与聚类中心ci之间的隶属度,m表示聚类簇的个数。由分式下半部分可知,分子表示对象到xi聚类中心ci的距离,而分母则表示当前对象到所有聚类中心的距离之和。根据聚类中心的值重新计算样本对象的隶属度,之后,又更新聚类中心的值,重复此步骤直到满足算法的终止条件:1.迭代次数达到人为设定的次数;2.最后两次目标函数之差小于人为设定的阈值。
进一步的,所述步骤S2的编码步骤具体包括:
定义1编码规则判断聚类中心五个维度属性值的大小,如果该维度的值大于该维度取值范围的50%,则认为该维度需求较强或该属性为强属性,编码为‘1’,否则编码为‘0’;
定义2类间相异度计算以0,1编码代表的任务类与MEC缓存任务类之间的相异度,以海明距离作为任务类与MEC缓存任务类之间的相异性度量。
进一步的,当编码完成之后,进行任务类与MEC缓存任务类的相似性匹配,让最终的任务与MEC缓存任务的匹配在相似的类间完成,多用户多MEC服务器的类间匹配方法如下:
任务聚合器首先收集各MEC服务器发送来的任务缓存类信息,然后各用户任务类发往任务聚合器进行计算任务的合并聚类;任务聚合器首先处理任务类与每一个MEC缓存类的匹配,然后通过整合得到每个任务类的最佳卸载MEC服务器;最后根据求带权二分图的最小权匹配的匈牙利(Kuhn-Munkras)算法选出权值最小的匹配即为当前用户任务类需要卸载的MEC服务器。
进一步的,所述步骤S3采用集对分析理论对用户任务与边缘计算服务器的可信度关系进行度量分析,具体包括:
集对分析理论是一种定性定量相结合并能解决确定与不确定性问题的分析方法,该理论的基本思想是:假定有两个数据集,分析它们的特性并得到两个集合所有的特性总数为N,同一特性个数为M,对立的特性个数为Q,其余不相互对立且不相互同一的特性个数为L,分别称其比值M/N、L/N和Q/N为特定问题背景下的两个集合的同一度、差异度和对立度;再利用集对的联系度对数据集间的特性作定量刻画;表达式如下:
其中,μ为两数据集之间的联系度,i为差异度标记,j为对立度标记,当i和j作为系数参加运算时,定义j=-1,i在区间[–1,1]依条件取值;为简便计算,令a=M/N、b=L/N、c=Q/N,则公式可写成μ=a+bi+cj,联系度μ能够反映数据与所在范围、数据集与数据集之间的确定性与不确定性的相互联系,因此可用来描述两数据集之间的关联隐私信息的不确定性;
首先分析数据集的相邻数据子集对所具有的同一度、差异度和对立度特性并加以量化描述,得到联系度表达式;根据S2已经分组后的信息,定义同势为该分组下所有任务与该MEC服务器缓存任务类的编码完全相同记为M,同势为该分组下所有任务与该MEC服务器缓存任务类的编码完全不相同记为Q,均势为其他值;
计算出表达式中同一度、差异度和对立度之间的势值来反映服务器的可信程度;定义联系度的势值Shi(μ)=a/c度量指标;根据计算的势值大小将可信值信息分为同势、均势和反势,同势表示该边缘服务器可信度较高,反势表示该边缘服务器可信度较低,均势介于同势与反势之间。联系度的势值越大,那么此类任务对该MEC服务器的可信值越大。
进一步的,所述步骤S4计算卸载决策的方法包括步骤:
(1)根据步骤S3的结果,将任务划分为若干子任务;定义移动用户的计算卸载策略为其中Φ={0,1,2,...,I}是卸载决定集合,xm(xm∈Φ)为用户m的卸载决定,xm=ap(ap∈I)代表用户m通过无线接入点ap将计算任务迁移到某一个MEC服务器完成,并且am=0表示用户在本地处理计算任务;
(2)根据带宽,用户设备功率,信道增益,噪声功率计算子任务传输速率;
(3)根据用户设备CPU频率和子任务所需的计算力计算本地处理时延;
(4)根据子任务传输速率和子任务大小计算传输时延;
(5)根据边缘服务器CPU频率和子任务所需计算力计算边缘服务器处理时延;
(6)根据用户设备CPU频率、子任务所需的计算力、以及本地设备硬件相关能耗系数计算本地处理能耗;
(7)根据用户设备功率,传输时延计算传输能耗;
(8)根据边缘服务器CPU频率、子任务所需的计算力、以及边缘服务器硬件相关能耗系数计算边缘服务器处理能耗;
(9)根据(6),(7),(8)计算最终能耗;
(10)通过WOA算法作出卸载决策,使得任务处理时延在可容忍时延范围内并优化能耗。
进一步的,所述步骤(10)中,通过WOA算法作出卸载决策的步骤包括:
1)初始化D个鲸鱼,位置在解空间内随机分布,其中每个鲸鱼都是一个N*k维向量,N为子任务个数,k为多接入点个数,使用D×N×k的矩阵M存储鲸鱼位置;
2)再用一个D维向量存储每个鲸鱼位置的适应度值,适应度值对应每个子任务i通过接入点j产生的能耗Ei,j;
3)将第一代鲸鱼位置按照适应度值从小到大排序,排序后选出鲸鱼种群的个体最优值和鲸鱼种群的全体最优值;
4)在收缩包围机制和螺旋模型之间进行选择,判断选择哪种模式进行鲸鱼位置的更新;选择出模式之后,然后计算鲸鱼位置更新后的适应度值,将更新后的鲸鱼位置适应度值重新排序,选取适应度值更优的空间位置更新为下一代鲸鱼的位置;
5)迭代次数iter+1,执行步骤4),进入下一代,直至迭代次数iter达到最大迭代次数max_iter,结束迭代,输出最优卸载决策。
进一步的,所述WOA算法用二值映射,鲸鱼位置向量的维度数对应任务数,目标函数适应度值对应于能耗值,迭代过程中计算适应度值时,将鲸鱼位置中的各个分量的值看作优先级,数值大的优先级高,以此将鲸鱼位置向量的值映射为其中Φ={0,1,2,...,I}是卸载决定集合,xm(xm∈Φ)为用户m的卸载决定;xm=ap(ap∈I)代表用户m通过无线接入点ap将计算任务迁移到某一个MEC服务器完成,并且am=0表示用户在本地处理计算任务;鲸鱼的位置对应于优化问题的一个解向量,即卸载决策,映射后此向量的各个分量为xm=ap(ap∈I)或0,为xm=ap(ap∈I)代表卸载至边缘服务器的某个无线接入点ap中进行处理,当终端设备i决定卸载其一部分子任务至边缘服务器某个无线接入点ap时,那么设备i中的其他子任务也只能选择此服务器作为边缘卸载服务器;为0则本地处理;最后,算法最终输出最优卸载决策。
进一步的,所述步骤4)具体包括:
将鲸鱼的气泡网的行为进行建模,鲸鱼在一个不断缩小的圆圈内绕着猎物游动,同时沿着螺旋路径游动;假设有50%的可能性在收缩包围机制和螺旋模型之间进行选择;如下公式所示:
其中,iter表示当前迭代次数,iter_max表示最大迭代次数;
除了泡泡网方式,鲸鱼还会随机寻找猎物,同样基于可变向量,鲸鱼会根据彼此的位置进行随机搜索,因此使用随机值大于1或小于-1的来迫使搜索代理远离最优的搜索代理,而是根据随机选择的搜索代理来更新当前鲸鱼的位置;数学模型如下:
本发明的优点及有益效果如下:
1.针对可信边缘计算的研究中,已有的方法主要有区块链技术、智能合约技术、强化学习方法、加密和数字证书等方法,但这些方法多是从加密、认证等数据安全和使用区块链建立可信边缘计算平台角度防护卸载的数据内容,并未充分考虑边缘计算的所有者彼此不信任,难以构建一个统一的安全防护标准。本发明在在任务卸载中考虑这一点,采用FCM聚类方法,分别对任务信息以及MEC缓存任务类分别作标准化处理并进行FCM聚类,将任务信息相似的用户划分为一组卸载,增加卸载到同一边缘服务器上的用户任务信息相似度,然后进行编码匹配,得到各个任务类优先选择卸载的MEC服务器。然后采用集对分析理论对用户任务与边缘计算服务器的可信度关系进行度量分析。
2.使用WOA算法优化任务卸载策略时,标准WOA算法是为解决连续优化问题开发的,为了解决离散问题,本发明对其进行改进,由于多接入点网络卸载决策通常与接入点个数有关,因此,对于边缘网络中任意终端用户m,其最多只有两种卸载策略可供选择:本地执行,或者卸载到边缘网络其中一个服务器。定义移动用户的计算卸载策略为其中Φ={0,1,2,...,I}是卸载决定集合,xm(xm∈Φ)为用户m的卸载决定。xm=ap(ap∈I)代表用户m通过无线接入点ap将计算任务迁移到某一个MEC服务器完成,并且am=0表示用户在本地处理计算任务。然后充分考虑时延和服务器资源情况,以在可容忍时延范围内优化能耗为目标,找出最优卸载策略,节省设备能耗,改善用户体验,使边缘计算的性能大幅度提升。
附图说明
图1是本发明提供优选实施例一种可信服务器的选择与能耗优化的任务卸载方法流程图
图2是本发明提供优选实例多接入点网络多用户-多服务器系统模型图;
图3是任务卸载原理图。
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
如图1所示,一种可信服务器的选择与能耗优化的任务卸载方法,其包括以下步骤:
S1,获取边缘服务器和设备相关信息数据,如图2所示,构建系统模型。利用矩阵存储N个设备任务信息和M个服务器的信息;
S2,根据S1的模型,对任务信息以及MEC缓存任务类分别作标准化处理并进行FCM聚类,然后进行编码匹配,得到各个任务类优先选择卸载的MEC服务器;
S3,采用集对分析理论对用户任务与边缘计算服务器的可信度关系进行度量分析。
S4,根据S1建立的模型以及S2的结果,把任务划分为子任务在多接入点网络中进行任务卸载并计算出传输时延、传输能耗、本地计算时延、本地计算能耗、边缘计算时延,边缘计算能耗。通过WOA(鲸鱼优化)算法,在容忍时延范围内优化能耗,得到各设备任务的卸载决策;
S5,根据卸载决策将子任务通过某个无线接入点卸载到对应的边缘节点或是本地处理。
进一步的,所述步骤S1中构建系统模型的方法包括:
(1)根据数据中服务器和设备的相关信息,采用(x,y,b,f,t),其中x,y表示任务地理位置的横纵坐标,b表示任务输入的数据量大小,它主要由程序代码、输入文件组成,f表示任务所需的计算资源,t表示完成此任务的最大可容忍时延;
进一步的,所述步骤S2对任务信息以及MEC缓存任务类分别作标准化处理并进行FCM聚类,然后进行编码匹配,得到各个任务类优先选择卸载的MEC服务器。具体包括:
基于任务的主要需求与MEC缓存的任务分别进行FCM聚类划分。在聚类操作前,对用户任务和MEC缓存的任务数据首先进行标准化处理,以消除不同维度量纲的影响。数据标准化公式所下所示:
然后使用FCM聚类方法,对已经标准化的数据进行模糊聚类;FCM算法的处理过程如下:首先,确定聚类个数、模糊指数的值,设定迭代次数、终止阈值,初始化样本对象的隶属度矩阵并确保隶属度之和为1,即:
其中,c为聚类的个数,uij表示每个样本j属于某一类i的隶属度。
之后,根据隶属度计算聚类中心,并计算目标函数值,计算公式如下所示:
其中,ci表示聚类中心,uij表示样本的隶属度,m表示模糊指数,xj表示每个样本数据,J表示目标函数。
聚类中心与隶属度更新公式为:
其中,cj表示第j个聚类中心,n代表数据集中数据对象的个数,uij表示对象xi与聚类中心cj之间的隶属度,m表示聚类簇的个数。
其中,uij表示更新后的对象xi与聚类中心ci之间的隶属度,m表示聚类簇的个数。由分式下半部分可知,分子表示对象到xi聚类中心ci的距离,而分母则表示当前对象到所有聚类中心的距离之和。根据聚类中心的值重新计算样本对象的隶属度,之后,又更新聚类中心的值,重复此步骤直到满足算法的终止条件:1.迭代次数达到人为设定的次数;2.最后两次目标函数之差小于人为设定的阈值。
在聚类结束后,由于同一个类中其他样本与类中心特征相似,因此以类中心特征来近似代表该类数据特征。假设经FCM聚类后任务类与MEC缓存任务类类别个数均为m个,因此依据聚类中心各维度值大小对m个任务类与MEC缓存任务类进行编码。
定义1编码规则判断聚类中心五个维度属性值的大小,如果该维度的值大于该维度取值范围的50%,则认为该维度需求较强或该属性为强属性,编码为‘1’,否则编码为‘0’。
例如,假设t1,t2为某两个类的聚类中心(聚类前各维数据已经过标准化处理),则t1所在的类编码为‘00111’,t2所在的类编码为‘11111’,如表1所示:
表1编码示例
定义2类间相异度计算以0,1编码代表的任务类与MEC缓存任务类之间的相异度,以海明距离作为任务类与MEC缓存任务类之间的相异性度量。例如,t1所在的类编码为‘00111’,r1所在的类编码为‘11110’,则类‘00111’与类‘11110’之间的相异度为3。
编码完成之后,进行任务类与MEC缓存任务类的相似性匹配,让最终的任务与MEC缓存任务的匹配在相似的类间完成,以减小匹配搜索范围并提高任务与MEC缓存任务的匹配准确度。终端用户设备将无法在本地执行的计算密集型任务转移到用户设备所在区域或单元的任务聚合器。每个用户设备优化算法决定卸载。然后,任务聚合器将该区域内用户设备提交的所有计算任务进行合并。对计算任务进行组织,减少计算任务的冗余和过载。此外,它将处理多用户多MEC服务器匹配结果,选择出最优MEC卸载服务器。然后,任务聚合器将选择好的用户任务类交给对应的MEC服务器进行处理。具体多用户多MEC服务器的类间匹配方法如下:
类间匹配方法:任务聚合器首先收集各MEC服务器发送来的任务缓存类信息,然后各用户任务类发往任务聚合器进行计算任务的合并聚类。任务聚合器首先处理任务类与每一个MEC缓存类的匹配,然后通过整合得到每个任务类的最佳卸载MEC服务器。最后根据Kuhn-Munkras算法选出权值最小的匹配即为当前用户任务类需要卸载的MEC服务器。
进一步的,所述步骤S3中采用集对分析理论对用户任务与边缘计算服务器的可信度关系进行度量分析:
对分析理论是一种定性定量相结合并能解决确定与不确定性问题的分析方法。该理论的基本思想是:假定有两个数据集,分析它们的特性并得到两个集合所有的特性总数为N,同一特性个数为M,对立的特性个数为Q,其余不相互对立且不相互同一的特性个数为L,分别称其比值M/N、L/N和Q/N为特定问题背景下的两个集合的同一度、差异度和对立度。再利用集对的联系度对数据集间的特性作定量刻画。表达式如下:
其中,μ为两数据集之间的联系度,i为差异度标记,j为对立度标记,当i和j作为系数参加运算时,定义j=-1,i在区间[–1,1]依条件取值。为简便计算,令a=M/N、b=L/N、c=Q/N,则公式可写成μ=a+bi+cj。联系度μ能够反映数据与所在范围、数据集与数据集之间的确定性与不确定性的相互联系,因此可用来描述两数据集之间的关联隐私信息的不确定性。
本发明基于集对分析理论提出了一种集对分析可信度度量方法,该方法是对用户任务与边缘计算服务器的可信度关系进行度量分析。首先分析数据集的相邻数据子集对所具有的同一度、差异度和对立度特性并加以量化描述,得到联系度表达式。根据S2已经分组后的信息,本文定义同势为该分组下所有任务与该MEC服务器缓存任务类的编码完全相同记为M,同势为该分组下所有任务与该MEC服务器缓存任务类的编码完全不相同记为Q,均势为其他值。例如t2所在的类的某一任务编码为‘10010’,而该类选择发往MEC1服务器,MEC1所缓存任务的类编码有3类,分别为‘01010’,‘10010’,‘11101’,那么此时M为1,L为2,Q为0。
计算出表达式中同一度、差异度和对立度之间的势值来反映服务器的可信程度。定义联系度的势值Shi(μ)=a/c度量指标。根据计算的势值大小将可信值信息分为同势、均势和反势,从度量数据发布或共享过程中的隐私信息泄露风险可分析得到:同势表示该边缘服务器可信度较高,反势表示该边缘服务器可信度较低,均势介于同势与反势之间。联系度的势值越大,那么此类任务对该MEC服务器的可信值越大。
进一步的,所述步骤S4根据S2的结果,把任务划分为子任务在多接入点网络中进行任务卸载并计算出能耗。通过WOA(鲸鱼优化)算法,在容忍时延范围内优化能耗,得到各设备任务的卸载决策。包括步骤:
(1)根据S3的结果,将任务划分为若干子任务。考虑到低功耗设备同时只能与一个边缘服务器进行通信,即使终端设备周围有多个可用边缘服务器(超密集网络场景),其在应用执行过程中也只能选择其中的一个服务器进行子任务卸载。因此,对于边缘网络中任意终端用户m,其最多只有两种卸载策略可供选择:本地执行,或者卸载到边缘网络其中一个服务器。定义移动用户的计算卸载策略为其中Φ={0,1,2,...,I}是卸载决定集合,xm(xm∈Φ)为用户m的卸载决定。xm=ap(ap∈I)代表用户m通过无线接入点ap将计算任务迁移到某一个MEC服务器完成,并且am=0表示用户在本地处理计算任务。
在边缘网络中,终端设备会将其子任务卸载至边缘网络进行计算,终端设备i的子任务j可以表示为Ti,j,其主要与以下四个参数相关:bi,j表示子任务的大小;fi,j表示完成子任务Ti,j处理所需要的计算资源;ti,j表示完成此子任务Ti,j的最大可容忍时延;xi,j表示子任务Ti,j的卸载策略,当xi,j=0时表示终端设备i选择在本地处理器中执行子任务Ti,j,表示子任务Ti,j卸载至边缘服务器的某个无线接入点ap中进行处理,值得注意的是当终端设备i决定卸载其一部分子任务至边缘服务器某个无线接入点ap时,那么设备i中的其他子任务也只能选择此服务器作为边缘卸载服务器。利用指示变量xi,j表示设备i的子任务j的卸载策略:
其中,表示当前设备i的子任务j在无线接入点k的系统带宽,表示用户设备i的子任务j在无线接入点k中传输任务数据发射功率,表示用户设备i的子任务j在无线接入点k中传输任务数据过程中的信道增益,N0表示此时无线信道内部的高斯噪声功率。
其中,kl表示用户设备芯片的硬件系数。
(9)根据(6),(7),(8)计算最终能耗Eall:
(10)通过WOA算法作出卸载决策,使得任务处理时延在可容忍时延范围内并优化能耗。
进一步的,所述步骤(10)中,通过WOA算法作出卸载决策的步骤包括:
1)初始化D个鲸鱼,位置在解空间内随机分布,其中每个鲸鱼都是一个N*k维向量,N为子任务个数,k为多接入点个数,使用D×N×k的矩阵M存储鲸鱼位置;
2)再用一个D维向量存储每个鲸鱼位置的适应度值,适应度值对应每个子任务i通过接入点j产生的能耗Ei,j;
3)将第一代鲸鱼位置按照适应度值从小到大排序,排序后选出鲸鱼种群的个体最优值和鲸鱼种群的全体最优值;
4)在收缩包围机制和螺旋模型之间进行选择,判断选择哪种模式进行鲸鱼位置的更新。选择出模式之后,然后计算鲸鱼位置更新后的适应度值,将更新后的鲸鱼位置适应度值重新排序,选取适应度值更优的空间位置更新为下一代鲸鱼的位置;
5)迭代次数iter+1,执行步骤4),进入下一代,直至迭代次数iter达到最大迭代次数max_iter,结束迭代,输出最优卸载决策。
由于WOA算法用二值映射,鲸鱼位置向量的维度数对应任务数,目标函数适应度值对应于能耗值,迭代过程中计算适应度值时,将鲸鱼位置中的各个分量的值看作优先级,数值大的优先级高,以此将鲸鱼位置向量的值映射为其中Φ={0,1,2,...,I}是卸载决定集合,xm(xm∈Φ)为用户m的卸载决定。xm=ap(ap∈I)代表用户m通过无线接入点ap将计算任务迁移到某一个MEC服务器完成,并且am=0表示用户在本地处理计算任务。鲸鱼的位置对应于优化问题的一个解向量,即卸载决策,映射后此向量的各个分量为xm=ap(ap∈I)或0,为xm=ap(ap∈I)代表卸载至边缘服务器的某个无线接入点ap中进行处理,值得注意的是当终端设备i决定卸载其一部分子任务至边缘服务器某个无线接入点ap时,那么设备i中的其他子任务也只能选择此服务器作为边缘卸载服务器。为0则本地处理;最后,算法最终输出最优卸载决策。
进一步的,所述步骤S5中任务卸载的方法包括:
执行S4输出的决策,若当前设备对应的决策值为0,则任务在本地处理,若当前设备对应的决策值非0,则通过某接入点卸载到边缘服务器进行处理,由边缘服务器对任务进行处理之后,将处理结果返回用户设备。如图3所示。
该可信边缘服务器的选择和能耗优化的任务卸载策略,不仅能够有效地从整体上保护用户隐私;而且WOA的启发式算法能够在保证容忍时延的同时优化能耗,在考虑用户服务质量的同时兼顾服务提供商的利益。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (10)
1.一种可信边缘服务器的选择与能耗优化的任务卸载方法,其特征在于,包括以下步骤:
S1,根据边缘服务器和用户本地设备相关信息数据构建系统模型;
S2,对任务信息以及MEC缓存任务类分别作标准化处理并进行FCM(模糊c均值)聚类,然后进行编码匹配,得到各个任务类优先选择卸载的MEC服务器;
S3,采用集对分析理论对用户任务与边缘计算服务器的可信度关系进行度量分析;
S4,根据步骤S2的结果,把任务划分为子任务在多接入点网络中进行任务卸载并计算出能耗;通过WOA鲸鱼优化算法,在容忍时延范围内优化能耗,得到各设备任务的卸载决策;
S5,根据卸载决策将子任务通过某个无线接入点卸载到对应的边缘节点或是本地处理。
2.根据权利要求1所述的一种可信边缘服务器的选择与能耗优化的任务卸载方法,其特征在于,所述步骤S1根据服务器和设备相关信息数据构建系统模型的方法具体包括:
根据数据中服务器和设备的相关信息,采用(x,y,b,f,t),其中x,y表示任务地理位置的横纵坐标,b表示任务输入的数据量大小,它主要由程序代码、输入文件组成,f表示任务所需的计算资源,t表示完成此任务的最大可容忍时延。
3.根据权利要求1所述的一种可信边缘服务器的选择与能耗优化的任务卸载方法,其特征在于,所述步骤S2对任务信息以及MEC缓存任务类分别作标准化处理并进行FCM(模糊c均值)聚类,具体包括:
在聚类操作前,对用户任务和MEC缓存的任务数据首先进行标准化处理,数据标准化公式所下所示:
然后使用FCM聚类方法,对已经标准化的数据进行模糊聚类;FCM算法的处理过程如下:首先,确定聚类个数、模糊指数的值,设定迭代次数、终止阈值,初始化样本对象的隶属度矩阵并确保隶属度之和为1,即:
其中,c为聚类的个数,uij表示每个样本j属于某一类i的隶属度。
之后,根据隶属度计算聚类中心,并计算目标函数值,计算公式如下所示:
其中,ci表示聚类中心,uij表示样本的隶属度,m表示模糊指数,xj表示每个样本数据,J表示目标函数。
聚类中心与隶属度更新公式为:
其中,cj表示第j个聚类中心,n代表数据集中数据对象的个数,uij表示对象xi与聚类中心cj之间的隶属度,m表示聚类簇的个数。
其中,uij表示更新后的对象xi与聚类中心ci之间的隶属度,m表示聚类簇的个数。由分式下半部分可知,分子表示对象到xi聚类中心ci的距离,而分母则表示当前对象到所有聚类中心的距离之和。根据聚类中心的值重新计算样本对象的隶属度,之后,又更新聚类中心的值,重复此步骤直到满足算法的终止条件:1.迭代次数达到人为设定的次数;2.最后两次目标函数之差小于人为设定的阈值。
4.根据权利要求3所述的一种可信边缘服务器的选择与能耗优化的任务卸载方法,其特征在于,所述步骤S2的编码步骤具体包括:
定义1编码规则判断聚类中心五个维度属性值的大小,如果该维度的值大于该维度取值范围的50%,则认为该维度需求较强或该属性为强属性,编码为‘1’,否则编码为‘0’;
定义2类间相异度计算以0,1编码代表的任务类与MEC缓存任务类之间的相异度,以海明距离作为任务类与MEC缓存任务类之间的相异性度量。
5.根据权利要求4所述的一种可信边缘服务器的选择与能耗优化的任务卸载方法,其特征在于,当编码完成之后,进行任务类与MEC缓存任务类的相似性匹配,让最终的任务与MEC缓存任务的匹配在相似的类间完成,多用户多MEC服务器的类间匹配方法如下:
任务聚合器首先收集各MEC服务器发送来的任务缓存类信息,然后各用户任务类发往任务聚合器进行计算任务的合并聚类;任务聚合器首先处理任务类与每一个MEC缓存类的匹配,然后通过整合得到每个任务类的最佳卸载MEC服务器;最后根据求带权二分图的最小权匹配的匈牙利(Kuhn-Munkras)算法选出权值最小的匹配即为当前用户任务类需要卸载的MEC服务器。
6.根据权利要求4所述的一种可信边缘服务器的选择与能耗优化的任务卸载方法,其特征在于,所述步骤S3采用集对分析理论对用户任务与边缘计算服务器的可信度关系进行度量分析,具体包括:
集对分析理论是一种定性定量相结合并能解决确定与不确定性问题的分析方法,该理论的基本思想是:假定有两个数据集,分析它们的特性并得到两个集合所有的特性总数为N,同一特性个数为M,对立的特性个数为Q,其余不相互对立且不相互同一的特性个数为L,分别称其比值M/N、L/N和Q/N为特定问题背景下的两个集合的同一度、差异度和对立度;再利用集对的联系度对数据集间的特性作定量刻画;表达式如下:
其中,μ为两数据集之间的联系度,i为差异度标记,j为对立度标记,当i和j作为系数参加运算时,定义j=-1,i在区间[–1,1]依条件取值;为简便计算,令a=M/N、b=L/N、c=Q/N,则公式可写成μ=a+bi+cj,联系度μ能够反映数据与所在范围、数据集与数据集之间的确定性与不确定性的相互联系,因此可用来描述两数据集之间的关联隐私信息的不确定性;
首先分析数据集的相邻数据子集对所具有的同一度、差异度和对立度特性并加以量化描述,得到联系度表达式;根据S2已经分组后的信息,定义同势为该分组下所有任务与该MEC服务器缓存任务类的编码完全相同记为M,同势为该分组下所有任务与该MEC服务器缓存任务类的编码完全不相同记为Q,均势为其他值;
计算出表达式中同一度、差异度和对立度之间的势值来反映服务器的可信程度;定义联系度的势值Shi(μ)=a/c度量指标;根据计算的势值大小将可信值信息分为同势、均势和反势,同势表示该边缘服务器可信度较高,反势表示该边缘服务器可信度较低,均势介于同势与反势之间。联系度的势值越大,那么此类任务对该MEC服务器的可信值越大。
7.根据权利要求6所述的一种可信边缘服务器的选择与能耗优化的任务卸载方法,其特征在于,所述步骤S4计算卸载决策的方法包括步骤:
(1)根据步骤S3的结果,将任务划分为若干子任务;定义移动用户的计算卸载策略为其中Φ={0,1,2,...,I}是卸载决定集合,xm(xm∈Φ)为用户m的卸载决定,xm=ap(ap∈I)代表用户m通过无线接入点ap将计算任务迁移到某一个MEC服务器完成,并且am=0表示用户在本地处理计算任务;
(2)根据带宽,用户设备功率,信道增益,噪声功率计算子任务传输速率;
(3)根据用户设备CPU频率和子任务所需的计算力计算本地处理时延;
(4)根据子任务传输速率和子任务大小计算传输时延;
(5)根据边缘服务器CPU频率和子任务所需计算力计算边缘服务器处理时延;
(6)根据用户设备CPU频率、子任务所需的计算力、以及本地设备硬件相关能耗系数计算本地处理能耗;
(7)根据用户设备功率,传输时延计算传输能耗;
(8)根据边缘服务器CPU频率、子任务所需的计算力、以及边缘服务器硬件相关能耗系数计算边缘服务器处理能耗;
(9)根据(6),(7),(8)计算最终能耗;
(10)通过WOA算法作出卸载决策,使得任务处理时延在可容忍时延范围内并优化能耗。
8.根据权利要求7所述的一种可信边缘服务器的选择与能耗优化的任务卸载方法,其特征在于,所述步骤(10)中,通过WOA算法作出卸载决策的步骤包括:
1)初始化D个鲸鱼,位置在解空间内随机分布,其中每个鲸鱼都是一个N*k维向量,N为子任务个数,k为多接入点个数,使用D×N×k的矩阵M存储鲸鱼位置;
2)再用一个D维向量存储每个鲸鱼位置的适应度值,适应度值对应每个子任务i通过接入点j产生的能耗Ei,j;
3)将第一代鲸鱼位置按照适应度值从小到大排序,排序后选出鲸鱼种群的个体最优值和鲸鱼种群的全体最优值;
4)在收缩包围机制和螺旋模型之间进行选择,判断选择哪种模式进行鲸鱼位置的更新;选择出模式之后,然后计算鲸鱼位置更新后的适应度值,将更新后的鲸鱼位置适应度值重新排序,选取适应度值更优的空间位置更新为下一代鲸鱼的位置;
5)迭代次数iter+1,执行步骤4),进入下一代,直至迭代次数iter达到最大迭代次数max_iter,结束迭代,输出最优卸载决策。
9.根据权利要求8所述的一种可信边缘服务器的选择与能耗优化的任务卸载方法,其特征在于,所述WOA算法用二值映射,鲸鱼位置向量的维度数对应任务数,目标函数适应度值对应于能耗值,迭代过程中计算适应度值时,将鲸鱼位置中的各个分量的值看作优先级,数值大的优先级高,以此将鲸鱼位置向量的值映射为其中Φ={0,1,2,...,I}是卸载决定集合,xm(xm∈Φ)为用户m的卸载决定;xm=ap(ap∈I)代表用户m通过无线接入点ap将计算任务迁移到某一个MEC服务器完成,并且am=0表示用户在本地处理计算任务;鲸鱼的位置对应于优化问题的一个解向量,即卸载决策,映射后此向量的各个分量为xm=ap(ap∈I)或0,为xm=ap(ap∈I)代表卸载至边缘服务器的某个无线接入点ap中进行处理,当终端设备i决定卸载其一部分子任务至边缘服务器某个无线接入点ap时,那么设备i中的其他子任务也只能选择此服务器作为边缘卸载服务器;为0则本地处理;最后,算法最终输出最优卸载决策。
10.根据权利要求8所述的一种可信边缘服务器的选择与能耗优化的任务卸载方法,其特征在于,所述步骤4)具体包括:
将鲸鱼的气泡网的行为进行建模,鲸鱼在一个不断缩小的圆圈内绕着猎物游动,同时沿着螺旋路径游动;假设有50%的可能性在收缩包围机制和螺旋模型之间进行选择;如下公式所示:
其中,iter表示当前迭代次数,iter_max表示最大迭代次数;
除了泡泡网方式,鲸鱼还会随机寻找猎物,同样基于可变向量,鲸鱼会根据彼此的位置进行随机搜索,因此使用随机值大于1或小于-1的来迫使搜索代理远离最优的搜索代理,而是根据随机选择的搜索代理来更新当前鲸鱼的位置;数学模型如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211426991.0A CN116126130A (zh) | 2022-11-15 | 2022-11-15 | 一种可信边缘服务器的选择与能耗优化的任务卸载方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211426991.0A CN116126130A (zh) | 2022-11-15 | 2022-11-15 | 一种可信边缘服务器的选择与能耗优化的任务卸载方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116126130A true CN116126130A (zh) | 2023-05-16 |
Family
ID=86294459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211426991.0A Pending CN116126130A (zh) | 2022-11-15 | 2022-11-15 | 一种可信边缘服务器的选择与能耗优化的任务卸载方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116126130A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114356545A (zh) * | 2021-12-07 | 2022-04-15 | 重庆邮电大学 | 一种面向隐私保护与能耗优化的任务卸载方法 |
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 |
CN116709391A (zh) * | 2023-08-02 | 2023-09-05 | 华东交通大学 | 超密集网络联合资源分配和能效型安全计算卸载优化方法 |
CN117544680A (zh) * | 2024-01-04 | 2024-02-09 | 长春工程学院 | 一种基于电力物联网缓存放置方法、系统、设备及介质 |
-
2022
- 2022-11-15 CN CN202211426991.0A patent/CN116126130A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114356545A (zh) * | 2021-12-07 | 2022-04-15 | 重庆邮电大学 | 一种面向隐私保护与能耗优化的任务卸载方法 |
CN114356545B (zh) * | 2021-12-07 | 2024-05-28 | 重庆邮电大学 | 一种面向隐私保护与能耗优化的任务卸载方法 |
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 |
CN116521345B (zh) * | 2023-05-18 | 2024-04-05 | 深圳点链科技有限公司 | 一种基于任务依赖关系的联合调度和卸载方法 |
CN116709391A (zh) * | 2023-08-02 | 2023-09-05 | 华东交通大学 | 超密集网络联合资源分配和能效型安全计算卸载优化方法 |
CN116709391B (zh) * | 2023-08-02 | 2023-10-20 | 华东交通大学 | 超密集网络联合资源分配和能效型安全计算卸载优化方法 |
CN117544680A (zh) * | 2024-01-04 | 2024-02-09 | 长春工程学院 | 一种基于电力物联网缓存放置方法、系统、设备及介质 |
CN117544680B (zh) * | 2024-01-04 | 2024-04-05 | 长春工程学院 | 一种基于电力物联网缓存放置方法、系统、设备及介质 |
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 | |
CN116126130A (zh) | 一种可信边缘服务器的选择与能耗优化的任务卸载方法 | |
CN114356545B (zh) | 一种面向隐私保护与能耗优化的任务卸载方法 | |
CN112579194B (zh) | 基于时延和事务吞吐量的区块链共识任务卸载方法及装置 | |
CN112910710B (zh) | 网络流量时空预测方法、装置、计算机设备和存储介质 | |
CN114662661A (zh) | 边缘计算下异构处理器加速多出口dnn推理的方法 | |
Miao et al. | Intelligent task caching in edge cloud via bandit learning | |
CN111328023A (zh) | 一种基于预测机制的移动设备多任务竞争卸载方法 | |
CN113407249B (zh) | 一种面向位置隐私保护的任务卸载方法 | |
CN116596095B (zh) | 基于机器学习的碳排放量预测模型的训练方法及装置 | |
CN115767596A (zh) | 边缘计算中面向用户移动性与偏好的边缘协同缓存方法 | |
CN115562756A (zh) | 一种多接入边缘计算的车辆任务卸载方法及系统 | |
CN115967990A (zh) | 一种基于分类和预测的边端协同业务卸载方法 | |
WO2022199473A1 (zh) | 基于差分隐私的业务分析方法及装置 | |
KR102562732B1 (ko) | Mec 기반 무선 네트워크의 태스크 오프로딩 장치 및 방법 | |
CN113342504A (zh) | 基于缓存的智能制造边缘计算任务调度方法及系统 | |
CN111510473B (zh) | 访问请求处理方法、装置、电子设备和计算机可读介质 | |
Bajpai et al. | Adapting deep learning for content caching frameworks in device-to-device environments | |
CN111930435A (zh) | 一种基于pd-bpso技术的任务卸载决策方法 | |
CN116932086A (zh) | 一种基于哈里斯鹰算法的移动边缘计算卸载方法及系统 | |
CN115499876A (zh) | Msde场景下基于dqn算法的计算卸载策略 | |
Shalini Lakshmi et al. | A predictive context aware collaborative offloading framework for compute-intensive applications | |
Tao et al. | Content popularity prediction in fog-rans: A bayesian learning approach | |
CN114385359B (zh) | 一种物联网云边端任务时序协同方法 | |
CN115696296B (zh) | 一种基于社区发现和加权联邦学习的主动边缘缓存方法 |
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 |