CN116170881A - 一种基于边缘计算的跨域资源分配与卸载方法及系统 - Google Patents
一种基于边缘计算的跨域资源分配与卸载方法及系统 Download PDFInfo
- Publication number
- CN116170881A CN116170881A CN202211702189.XA CN202211702189A CN116170881A CN 116170881 A CN116170881 A CN 116170881A CN 202211702189 A CN202211702189 A CN 202211702189A CN 116170881 A CN116170881 A CN 116170881A
- Authority
- CN
- China
- Prior art keywords
- task
- computing
- calculation
- edge
- resource allocation
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0446—Resources in time domain, e.g. slots or frames
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Multi Processors (AREA)
Abstract
本发明涉及电数据处理技术领域,公开了一种基于边缘计算的跨域资源分配与卸载系统,包括至少一个簇域网络模块、至少一个边缘服务器和SDN控制器以及云平台;所述簇域网络模块包括至少一个现场设备和SDN交换机,根据实际工业现场设备、无线网络设备和边缘服务器的部署及工作特点,将网络划分成不同的簇域,综合考虑不同终端设备、边缘设备的计算能力不同以及针对多种计算任务的不同处理方式,动态悬着计算任务的计算方式,并合理分配计算资源以优化总任务执行时间,充分合理利用率计算资源。
Description
技术领域
本发明涉及电数据处理技术领域,具体涉及一种基于边缘计算的跨域资源分配与卸载方法及系统。
背景技术
近年来,随着通信和网络技术的不断发展,物联网垂直应用领域的研究也在快速推进,产生了许多新的应用场景。工业物联网(IIoT,industrial Internet of things)成为解决智能工厂中许多问题的关键技术,具体问题包括工业大数据采集、分析与应用、设备监测与维护、生产计划编排等。
在工厂中,物联网设备会产生大量工业数据,部分业务对数据处理的实时性有一定要求。工业场景中产生的工业数据需要进行存储、处理和分析,传统的工业数据处理方式是将数据传输到集中式云服务器计算,云服务器的计算能力强,能够处理计算量较大的任务。但是,现有的工业环境中物联网设备数量多,把计算任务统一上传到云服务器计算会出现网络数据拥塞的情况,并且云服务器布置在设备的远端,设备在上传数据时产生的传输时延会极大地增加任务的完成时间,从而影响任务的实时性。因此,一个实时、高效的数据处理系统对IIoT是十分重要的。
发明内容
本发明的目的在于提供一种基于边缘计算的跨域资源分配与卸载方法及系统,解决以下技术问题:
如何根据不同终端设备、边缘设备的计算能力不同以及在任务的多种计算方式下,如何分配计算资源以优化任务完成时间和计算资源利用率。
本发明的目的可以通过以下技术方案实现:
一种基于边缘计算的跨域资源分配与卸载系统,包括至少一个簇域网络模块、至少一个边缘服务器和SDN控制器以及云平台;
所述簇域网络模块与所述边缘服务器一一对应;
所述簇域网络模块包括至少一个现场设备和SDN交换机,所述现场设备与所述SDN交换机连接,所述SDN交换机与所述边缘服务器和所述云平台连接;
所述现场设备,用于通过簇域网络内对应SDN交换机向SDN控制器发出计算任务服务请求、计算任务的任务信息和设备自身信息;
所述边缘服务器,用于通过簇域网络内对应SDN交换机向SDN控制器发出服务器自身信息;
所述SDN控制器,用于根据预设分配处理规则发出与所述任务信息适配的分配处理指令;所述现场设备根据所述分配处理指令与对应所述边缘服务器建立通讯连接,由所述边缘服务器对所述计算任务进行处理,并向对应所述现场设备发送所述计算任务的计算结果;
其中,所述任务信息包括待处理任务的计算量大小和数据量大小,所述设备自身信息包括故障信息和运行状态信息,所述服务器自身信息包括所述边缘服务器当前的计算能力和数据传输率;所述分配处理指令包括最优资源分配和任务处理方式。
通过上述技术方案,根据实际工业现场设备、无线网络设备和边缘服务器的部署及工作特点,将网络划分成不同的簇域,综合考虑不同终端设备、边缘设备的计算能力不同以及针对多种计算任务的不同处理方式,动态悬着计算任务的计算方式,并合理分配计算资源以优化总任务执行时间,充分合理利用率计算资源。
作为本发明进一步的方案:所述预设分配处理规则包括数据传输模型、计算模型和任务卸载模型;
其中,所述计算模型负责计算能力分配,所述任务卸载模型负责计算任务写在,使计算任务的完成时间最小化。
作为本发明进一步的方案:所述计算模型包括:
针对至少一个所述计算任务,分别获取以下三种任务计算方式种任意一种的完成时间:
若计算任务在本地设备进行计算,获取本地任务计算完成时间;
若计算任务上传到与设备相连的本地簇域网络上的边缘服务器上进行计算,获取本2地边缘服务器计算完成时间;
若计算任务卸载到其他服务器进行计算,获取跨簇域边缘服务器计算完成时间;
获得所有所述计算任务的任务完成所需的时间之和,给出边缘服务器的最优资源分配策略和现场设备计算任务卸载方案。
作为本发明进一步的方案:所述计算模型还包括:
定义目标函数:
根据KKT条件求得最优计算能力分配策略。
作为本发明进一步的方案:所述任务卸载模型包括:
基于最优计算能力分配策略κ*,采用分支定界法与启发式模拟退火算法求解每个计算任务的处理方式和计算位置。
作为本发明进一步的方案:所述设备自身信息通过与基站相连的SDN交换机、基站传输并存储到所述云平台上,在云平台上对工业大数据进一步分析与处理。
一种系统的跨域资源分配与卸载方法,包括:
发出计算任务服务请求;
获取计算任务的任务信息和服务器自身信息;
根据预设分配处理规则发出与所述任务信息适配的分配处理指令;
根据所述分配处理指令执行对所述计算任务的处理。
本发明的有益效果:。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明中跨域资源分配与卸载系统的框架示意图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明为一种基于边缘计算的跨域资源分配与卸载系统,在图1所示的跨域资源分配与卸载系统的框架示意图中,工厂布置多个了SDN交换机,现场设备与交换机之间通过无线传输,交换机之间通过有线链路连接。考虑交换机的无线传输覆盖能力有限,设备的传输能力也有限,只能通过最近的交换机连接至网络,因此,交换机和邻近设备形成一个个域。
假设每个设备只与一个SDN交换机连接,并且域和域之间不重叠。可将整个IIoT分为若干个簇域网络,每个簇域网络由一个SDN交换机、配置在交换机边的一个边缘服务器以及若干个与其相连的设备组成。在一个簇域网络中,设备只能与本地SDN交换机通信进行数据传输,设备的任务可直接卸载至本地配置的边缘服务器上进行处理。当本地簇域网络的计算能力不足、计算任务负载过大时,设备可先将任务数据传输至本地交换机,再通过交换机之间的通信链路将任务数据传输至其他簇域网络中的交换机,在其他簇内完成计算。通过这种通信方式,本地簇域网络中的设备可以将任务卸载至其他簇域网络的边缘服务器中进行处理。
在图1中,SDN控制器通过专有通信链路与所有交换机连接,采用SDN的专用OpenFlow协议进行通信。SDN控制器负责收集、获取全网信息,控制任务传输和卸载。现场设备的重要信息如设备故障信息、运行状态信息等,会通过与基站相连的交换机、基站传输并存储到云平台上,在云平台上对工业大数据进一步分析与处理。
因此,IIoT系统的主要工作流程如下。
1)当有计算任务时,现场设备发出计算任务服务请求,通过接入网络经SDN交换机传送至SDN控制器。SDN控制器接收任务请求后,发出服务响应。现场设备在接收服务响应后,将任务的任务信息与现场设备的自身信息发送至SDN控制器,任务信息包括待处理任务的计算量大小和数据量大小,自身信息包括对应现场设备的计算能力。
2)各个簇域网络中的边缘服务器将其信息发送至SDN控制器,包括当前的计算能力和数据传输率。SDN控制器收集到上述信息后,在SDN控制器中集中求解计算资源分配与任务卸载问题,得到最优资源分配和任务处理方式;现场设备和SDN交换机根据SDN控制器的分配处理指令,建立现场设备与服务该设备任务的边缘服务器之间的通信链路;然后,任务在现场设备计算或被卸载至相应的边缘服务器处进行处理。
3)当计算完成后,将计算结果发送给各个现场设备。当上述过程完成后,则当前阶段的现场设备计算任务完成,下个阶段新的计算任务产生,重复上述过程。
在本发明的本实施例中,可将现场网络划分为N个簇域,相应地,边缘服务器为N个,其中,M个设备属于这N个簇域网络,并且连接到相应的交换机上。在系统运行时,每个设备Di产生任务mi,其计算需要的CPU周期为wi,数据量大小为di,计算处理方式包括在自身设备计算、在本地簇域内的边缘服务器计算、卸载到其他簇域内的边缘服务器计算,每个任务可以任选一种。
簇域内的边缘服务器ESj与设备通信的带宽为Bj,属于不同簇域的边缘服务器之间的通信带宽为设备Di产生的计算任务m可以在本地设备计算,也可以上传到与其相连的服务器计算,或者卸载到其他服务器计算,3种计算方式下的任务完成时间如下:
1)本地任务计算完成时间
2)本地边缘服务器计算完成时间
任务上传到与设备相连的本地簇域网络上的边缘服务器上进行计算,任务完成时间分为两部分:任务传输时间和任务计算时间。假设任务计算结果的数据量很小,则忽略结果传回现场设备所需的时间。定义设备与服务器之间的通信带宽为Bj,服务器的计算能力为则完成时间为
其中,γi表示计算任务m1的服务器位置,γi∈{1,2...,N},在将整个网络划分为若干个簇域网络时,按照一定顺序对交换机和边缘服务器进行编号,γi=n表示第i个现场设备的计算任务mi被卸载至第n个边缘服务器上处理计算,表示服务器γi分配给任务mi的计算能力的百分比。
3)跨簇域边缘服务器计算完成时间
若任务卸载到其他服务器进行计算,则完成时间由3部分组成:任务从设备上传到与其相连的本地服务器的传输时间、本地服务器与卸载服务器之间的任务传输时间以及计算时间。定义服务器之间通信的带宽为并且为常数,则完成时间为
任务mi的总完成时间为
其中,xi为0-1变量,表示任务mi是在本地设备计算还是上传到服务器,xi=0表示在本地设备计算,xi=1表示任务需要上传到服务器。则网络中所有任务完成时间之和为
需要满足的约束为
其中,约束表示每个服务器分配的计算能力不能超过其自身总能力。
在本发明的本实施例中,为了最小化所有任务完成总时间,给出边缘服务器的最优资源分配策略和现场设备计算任务卸载方案。定义目标函数为
目标函数是一个混合整数非线性函数,最优化问题的求解方法包括间接法、直接法和数值计算法等。因为本发明的目标函数和约束条件有明显的解析表达式,可以通过最优性条件推导出解析解,满足间接法的使用条件,因此,本发明采用间接最优化方法。
首先,把本发明的技术问题分为两个子问题进行求解:
1)最优计算资源分配问题。
当现场设备的计算方式x、β及卸载服务器位置γ确定时,则原问题转换为关于服务器计算能力分配比例系数κ的凸函数,从而可以用KKT(Karush-Kuhn-Tucher)条件求得最优计算能力分配策略,给出最优目标函数值f(κ*)。
给定任务计算方式的一个可行解为x0、β0、γ0,原目标函数转换为关于κ的凸函数。假设共有l个现场设备选择将计算任务卸载至服务器处理,其中,p个设备将任务卸载至其他簇域网络中的服务器进行处理,剩余设备选择本地计算,则目标函数为
需要满足的约束为
求f(x0,γ0,κ,β0)关于{κ1,κ2,...κM}的Hessian矩阵为
矩阵的每一项具体表示为
显然,上式中Hessian矩阵中对角线元素为正数,即H为对称正定矩阵。又因为函数的约束是关于κi的线性约束,因此,函数f(x0,γ0,κ,β0)是关于计算能力分配系数κi的线性凸函数。
应用凸优化理论知识,可求得改进问题的最优值。改进函数的拉格朗日函数可构建为
利用KKT条件,最优值κ与v需满足的条件为
目标函数最优值为
2)计算任务卸载问题。
基于最优计算能力分配策略κ*
确定计算任务的计算方式x、β及卸载服务器位置γ。该子问题是一个0-1整数规划问题,本发明采用分支定界法与启发式模拟退火算法求解每个计算任务的处理方式和计算位置。
将求出的最优资源分配结果代入原始问题中,可以得到
原问题转变为关于xi、βi及卸载服务器位置γi的整数线性规划问题,根据前文建立的模型有M个任务、N个服务器,如果使用穷举法,则算法的时间复杂度为O((n+1)m),在网络规模较大的情况下,时间复杂度将很大。
第二个子问题中的整数线性规划问题属于组合最优化问题中的NP难问题,这类问题的求解方法主要分为精确算法和近似算法两类。在处理小规模问题时,精确算法能在短时间内给出最优解;当求解大规模组合优化问题时,理论上可以得到问题的最优解,但由于计算量过大、计算时间过长,使得精确算法在实际问题中难以直接应用。近似算法在合理计算时间内能够给出一个近似最优解,虽然不能保证得到问题的全局最优解,但问题求解速度较快,所给的近似最优解通常可以满足实际应用需求。其中,基于智能优化的近似算法是一类基于一定的优化搜索机制且具备全局优化特点的算法。考虑分支定界法是求解整数规划问题最常用的算法,不但可以求解纯整数规划问题,还可以求解混合整数规划问题,同时,通过搜索和迭代方法可以给出问题最优解。因此,采用分支定界法给出精确解。然而,在面向实际应用时,考虑现场设备、交换机、边缘服务器数量较大,造成组合优化问题规模、精确算法计算量和计算时间消耗过大,不适用于工程实践。考虑模拟退火算法是一种通用的随机搜索算法,理论上具有概率的全局优化性能,目前已在工程中得到了广泛应用。因此,本发明同时给出一个基于模拟退火算法的启发式近似算法。
首先,使用分支定界法来求解终端设备计算任务卸载问题,依次分配任务{m1,m2,...,mM}的计算位置。定义原问题的子问题,用Γm表示m个待分支界定的子问题。用表示已经被分支确定的y个任务的总完成时间,则剩下的m-y个任务总完成时间的子问题为/>
基于上述子问题的定义,分支过程是在子问题可行域进行深度优先搜索,首先搜索一个最小边界。每当搜索树上的一个叶节点被搜索到时,其他拥有更大最小边界的枝将被剪切掉。当所有叶节点都被搜索完或剪切完时,就找到了最优分配方法。相比于其他启发式算法,模拟退火算法的全局收敛性和稳健性良好,求得全局最优解的概率较大,适合求解大规模组合规划问题。因此,本发明采用基于模拟退火的启发式算法求解终端设备的计算任务卸载问题,从而给出最优卸载方案。
其中,模拟退火启发式算法是基于Monte-Carlo迭代求解策略的一种随机寻优算法,它从某一较高初温出发,随着温度参数的不断下降,结合概率的突跳特性在解空间中随机寻找目标函数的全局最优解,即在局部最优解能概率性地跳出并最终趋于区域全局最优。
首先,定义解向量Z=(zij)M×(N+1),zij∈{0,1},表示所有设备的计算方式和卸载方案。解向量第一列表示设备是否选择本地计算方式,解向量第j=2,3,...,N+1列表示设备是否选择在第1,2,...,N个边缘服务器上计算,zij=0表示任务mi不会在本地计算或卸载至第j-1个边缘服务器上计算,zij=1表示任务mi选择在本地计算或卸载至第j-1个边缘服务器上计算。通过启发式模拟退火算法求解矩阵Z,解决计算任务卸载问题。
算法流程为:首先随机产生一个初始解矩阵Zold,模拟温度用T表示。在开始时,T取最大值Tmax;然后开始循环迭代,每次循环中产生新的解矩阵Znew,通过计算整数线性规划问题表达式可计算新、旧解矩阵的任务总时延变化量Δt。当Δt<0时,接受Znew;反之,则以概率接受Znew。在每次迭代时,T按冷却系数ε(0<ε<1)减小,当T=Tmax时,则循环迭代终止,并输出最优解矩阵。
上述次优启发式方法在SDN控制器中实现,在SDN控制器收集任务信息、计算设备信息以及SDN信息之后,先随机产生一个任务卸载方案解矩阵,然后在较短时间内迭代收敛至近似最优解。获得近似最优解后,SDN控制器将解信息发送广播至现场设备、边缘服务器及SDN交换机。随后,建立相应的通信链路,任务进行本地计算或卸载至相应服务器进行处理。最后,当计算完成后,将计算结果发送至各个设备,可充分减小卸载方案的确定与任务完成时间。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (7)
1.一种基于边缘计算的跨域资源分配与卸载系统,其特征在于,包括至少一个簇域网络模块、至少一个边缘服务器和SDN控制器以及云平台;
所述簇域网络模块与所述边缘服务器一一对应;
所述簇域网络模块包括至少一个现场设备和SDN交换机,所述现场设备与所述SDN交换机连接,所述SDN交换机与所述边缘服务器和所述云平台连接;
所述现场设备,用于通过簇域网络内对应SDN交换机向SDN控制器发出计算任务服务请求、计算任务的任务信息和设备自身信息;
所述边缘服务器,用于通过簇域网络内对应SDN交换机向SDN控制器发出服务器自身信息;
所述SDN控制器,用于根据预设分配处理规则发出与所述任务信息适配的分配处理指令;所述现场设备根据所述分配处理指令与对应所述边缘服务器建立通讯连接,由所述边缘服务器对所述计算任务进行处理,并向对应所述现场设备发送所述计算任务的计算结果;
其中,所述任务信息包括待处理任务的计算量大小和数据量大小,所述设备自身信息包括故障信息和运行状态信息,所述服务器自身信息包括所述边缘服务器当前的计算能力和数据传输率;所述分配处理指令包括最优资源分配和任务处理方式。
2.根据权利要求1所述的基于边缘计算的跨域资源分配与卸载系统,其特征在于,所述预设分配处理规则包括数据传输模型、计算模型和任务卸载模型;
其中,所述计算模型负责计算能力分配,所述任务卸载模型负责计算任务写在,使计算任务的完成时间最小化。
3.根据权利要求2所述的基于边缘计算的跨域资源分配与卸载系统,其特征在于,所述计算模型包括:
针对至少一个所述计算任务,分别获取以下三种任务计算方式种任意一种的完成时间:
若计算任务在本地设备进行计算,获取本地任务计算完成时间;
若计算任务上传到与设备相连的本地簇域网络上的边缘服务器上进行计算,获取本2地边缘服务器计算完成时间;
若计算任务卸载到其他服务器进行计算,获取跨簇域边缘服务器计算完成时间;
获得所有所述计算任务的任务完成所需的时间之和,给出边缘服务器的最优资源分配策略和现场设备计算任务卸载方案。
5.根据权利要求3所述的基于边缘计算的跨域资源分配与卸载系统,其特征在于,所述任务卸载模型包括:
基于最优计算能力分配策略κ*,采用分支定界法与启发式模拟退火算法求解每个计算任务的处理方式和计算位置。
6.根据权利要求1所述的基于边缘计算的跨域资源分配与卸载系统,其特征在于,所述设备自身信息通过与基站相连的SDN交换机、基站传输并存储到所述云平台上,在云平台上对工业大数据进一步分析与处理。
7.一种采用权利要求1-6任意一项所述系统的跨域资源分配与卸载方法,其特征在于,包括:
发出计算任务服务请求;
获取计算任务的任务信息和服务器自身信息;
根据预设分配处理规则发出与所述任务信息适配的分配处理指令;
根据所述分配处理指令执行对所述计算任务的处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211702189.XA CN116170881A (zh) | 2022-12-28 | 2022-12-28 | 一种基于边缘计算的跨域资源分配与卸载方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211702189.XA CN116170881A (zh) | 2022-12-28 | 2022-12-28 | 一种基于边缘计算的跨域资源分配与卸载方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116170881A true CN116170881A (zh) | 2023-05-26 |
Family
ID=86414081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211702189.XA Pending CN116170881A (zh) | 2022-12-28 | 2022-12-28 | 一种基于边缘计算的跨域资源分配与卸载方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116170881A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117201536A (zh) * | 2023-09-08 | 2023-12-08 | 中国矿业大学 | 一种sdn跨域物联专网感知设备管控算力资源分配系统 |
-
2022
- 2022-12-28 CN CN202211702189.XA patent/CN116170881A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117201536A (zh) * | 2023-09-08 | 2023-12-08 | 中国矿业大学 | 一种sdn跨域物联专网感知设备管控算力资源分配系统 |
CN117201536B (zh) * | 2023-09-08 | 2024-05-17 | 中国矿业大学 | 一种sdn跨域物联专网感知设备管控算力资源分配系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111445111B (zh) | 一种基于边缘协同的电力物联网任务分配方法 | |
CN107172166B (zh) | 面向工业智能化服务的云雾计算系统 | |
CN109905470A (zh) | 一种基于边缘网关系统的开销优化任务调度方法 | |
CN111093203A (zh) | 一种基于环境感知的服务功能链低成本智能部署方法 | |
CN107766135A (zh) | 移动朵云中基于粒子群和模拟退火优化的任务分配方法 | |
CN110928654A (zh) | 一种边缘计算系统中分布式的在线任务卸载调度方法 | |
CN111556516B (zh) | 面向时延和能效敏感业务的分布式无线网络任务协同分配方法 | |
CN113452956B (zh) | 一种输电线路巡检任务智能分配方法及系统 | |
CN114595049A (zh) | 一种云边协同任务调度方法及装置 | |
Li et al. | Throughput maximization by deep reinforcement learning with energy cooperation for renewable ultradense IoT networks | |
WO2024036927A1 (zh) | 基于一致性算法的配电台区群云边协同调控方法和系统 | |
CN114520768A (zh) | 一种用于工业物联网中随机任务的ai卸载优化方法 | |
CN116170881A (zh) | 一种基于边缘计算的跨域资源分配与卸载方法及系统 | |
CN114567933A (zh) | 基于改进遗传算法的异构云雾协同网络中的资源分配方法 | |
CN113590279A (zh) | 一种面向多核边缘计算服务器的任务调度和资源分配方法 | |
Wang et al. | Task allocation mechanism of power internet of things based on cooperative edge computing | |
Skulysh | The method of resources involvement scheduling based on the long-term statistics ensuring quality and performance parameters | |
CN113821346B (zh) | 基于深度强化学习的边缘计算中计算卸载与资源管理方法 | |
CN114899885A (zh) | 电力调度方法、系统和存储介质 | |
Suzuki et al. | Multi-agent deep reinforcement learning for cooperative offloading in cloud-edge computing | |
CN113159539B (zh) | 多层边缘计算系统中联合绿色能量调度和动态任务分配方法 | |
Kashyap et al. | DECENT: Deep learning enabled green computation for edge centric 6G networks | |
Wang | Collaborative task offloading strategy of UAV cluster using improved genetic algorithm in mobile edge computing | |
Baek et al. | FLoadNet: Load Balancing in Fog Networks With Cooperative Multiagent Using Actor–Critic Method | |
CN114615705B (zh) | 一种基于5g网络下单用户资源分配策略方法 |
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 |