CN116643808B - 一种基于远期合同的边缘网络计算卸载方法 - Google Patents

一种基于远期合同的边缘网络计算卸载方法 Download PDF

Info

Publication number
CN116643808B
CN116643808B CN202310614116.3A CN202310614116A CN116643808B CN 116643808 B CN116643808 B CN 116643808B CN 202310614116 A CN202310614116 A CN 202310614116A CN 116643808 B CN116643808 B CN 116643808B
Authority
CN
China
Prior art keywords
computing
edge
unloading
calculation
long
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
Application number
CN202310614116.3A
Other languages
English (en)
Other versions
CN116643808A (zh
Inventor
张碧玲
焦正阳
刘家华
赵国安
郭彩丽
刘勇
于翠波
董跃武
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202310614116.3A priority Critical patent/CN116643808B/zh
Publication of CN116643808A publication Critical patent/CN116643808A/zh
Application granted granted Critical
Publication of CN116643808B publication Critical patent/CN116643808B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F9/445—Program loading or initiating
    • G06F9/44594—Unloading
    • 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
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/502—Proximity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/509—Offload
    • 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

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于远期合同的边缘网络计算卸载方法，本发明属于边缘网络计算卸载领域，包括：构建边缘计算网络，所述边缘计算网络包括：服务提供商和边缘计算节点；基于所述边缘计算网络，设定所述边缘计算节点的计算任务，基于所述计算任务，构建计算卸载模型；基于所述计算卸载模型，得到所述边缘计算节点的风险忍受程度；基于所述风险忍受程度的取值分布，所述服务提供商与所述边缘计算节点签订远期合同；基于所述远期合同，得到所述边缘计算节点的计算卸载方案。本发明考虑了计算资源的不确定性，设计了计算卸载模型；同时考虑了计算资源的不确定性所导致的风险，并设计了基于远程合同的计算卸载方案。

Description

一种基于远期合同的边缘网络计算卸载方法
技术领域
本发明属于边缘网络计算卸载技术领域，尤其涉及一种基于远期合同的边缘网络计算卸载方法。
背景技术
边缘计算场景中，在信息不对称的情况下设计基于合同的计算卸载方案，可以减小服务提供商(Service Provider，SP)成本。但是由于合同往往在实际交易发生前制定，在未来某个时间才能被真正履行，因此此类合同(称为远期合同)在设计时难以准确确定合同执行时交易双方的状态，这种不确定性使得边缘计算节点(Edge ComputationNodes，ECNs)临履约风险。另一方面，对SP而言，一旦ECNs不能按时完成计算任务，SP需要考虑将剩余的任务卸载到云端。由于云端的收费一般比较昂贵，此时SP也会面临高成本风险。
发明内容
本发明提出了一种基于远期合同的边缘网络计算卸载方法，由于不同的ECNs对风险偏好不同，他们在选择合同时不仅仅考虑收益，还会考虑自身可能面临的风险大小。因此，为了降低高成本风险，SP设计基于远期合同的卸载方案时，需要将ECNs面临的风险纳入考虑，以解决上述现有技术中存在的技术问题。
为实现上述目的，本发明提供了一种基于远期合同的边缘网络计算卸载方法，包括：
构建边缘计算网络，所述边缘计算网络包括：服务提供商和边缘计算节点；
基于所述边缘计算网络，设定所述边缘计算节点的计算任务，基于所述计算任务，构建计算卸载模型；
基于所述计算卸载模型，得到所述边缘计算节点的风险忍受程度；基于所述风险忍受程度的取值分布，所述服务提供商与所述边缘计算节点签订远期合同；
基于所述远期合同，得到所述边缘计算节点的计算卸载方案。
优选地，所述计算任务包括：计算资源和最大时延。
优选地，构建计算卸载模型的过程包括：
获取边缘计算节点的计算时延，其中所述计算时延应不大于所述最大时延，基于所述计算时延，得到计算能耗，获取边缘计算节点的时间成本，基于所述计算能耗和所述时间成本，得到卸载成本，基于所述卸载成本，构建计算卸载模型。
优选地，计算能耗的公式为：
e(x)＝κgxf2
其中κ是由芯片结构决定的开关电容效率，其取值大小由ECNs的CPU硬件决定，g表示处理1byte数据平均需要的CPU运转cycle数，x是完成该计算任务所耗费的计算资源，边缘计算节点处理服务提供商卸载任务的空闲资源；
卸载成本的公式为：
c(x)＝μtt(x)+μee(x)
其中，μt是占用计算设备的时间成本因子，t(x)为完成计算任务需要的时间，μe是能耗的成本因子。
优选地，得到所述边缘计算节点的风险忍受程度的过程包括：
基于所述计算卸载模型，得到边缘计算节点的动态变化，基于所述动态变化对应的随机变量，得到事件发生概率，将所述事件发生概率作为所述边缘计算节点的风险忍受程度。
优选地，事件发生概率表示为：其中，tmax为最大时延，f为边缘计算节点的空闲计算资源，g表示处理1byte数据平均需要的CPU运转cycle数，x是完成该计算任务所耗费的计算资源。
优选地，所述远期合同包括：卸载的计算任务量、报酬和最大时延，所述远期合同满足个人理性约束和激励相容约束。
优选地，得到所述边缘计算节点的计算卸载方案的过程包括：
设定所述风险忍受程度的取值分布为均匀分布，基于所述远期合同和均匀分布的风险忍受程度，计算得到总期望收益，基于所述总期望收益的最大值，得到所述边缘计算节点的计算卸载方案。
与现有技术相比，本发明具有如下优点和技术效果：
本发明公开了一种基于远期合同的边缘网络计算卸载方法，首先，构建边缘计算网络，所述边缘计算网络包括：服务提供商和边缘计算节点；其次，基于所述边缘计算网络，设定所述边缘计算节点的计算任务，基于所述计算任务，构建计算卸载模型；然后，基于所述计算卸载模型，得到所述边缘计算节点的风险忍受程度；基于所述风险忍受程度的取值分布，所述服务提供商与所述边缘计算节点签订远期合同；最后，基于所述远期合同，得到所述边缘计算节点的计算卸载方案。本发明考虑了计算资源的不确定性，设计了计算卸载模型；同时考虑了计算资源的不确定性所导致的风险，并设计了基于远程合同的计算卸载方案。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例的边缘计算网络示意图；
图2为本发明实施例的不同类型ECN实际收益的分析图；
图3为本发明实施例的不同机制下SP的期望收益图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
本实施例中提供一种基于远期合同的边缘网络计算卸载方法，包括：
构建边缘计算网络，所述边缘计算网络包括：服务提供商和边缘计算节点；
基于所述边缘计算网络，设定所述边缘计算节点的计算任务，基于所述计算任务，构建计算卸载模型；
基于所述计算卸载模型，得到所述边缘计算节点的风险忍受程度；基于所述风险忍受程度的取值分布，所述服务提供商与所述边缘计算节点签订远期合同；
基于所述远期合同，得到所述边缘计算节点的计算卸载方案。
本实施例中，具体方案如下：
1.场景描述
如图1所示，在边缘计算网络中，由于计算服务用户需求的不断变化，计算高峰时段SP会面临计算能力不足的问题，此时，考虑将有空闲计算资源的设备用作ECNs来完成计算任务。为了避免临时寻找不到合适的节点，SP会提前与ECNs签订远期合同。当SP有计算卸载需求时，ECNs需要接收来自SP的规定数量的计算任务，并需要在规定最大时延约束内完成。当ECNs顺利完成计算任务后，可以获得合同规定报酬。否则，ECNs还需要面临一定的罚款作为对SP的补偿。由于未来资源空闲状态的不确定性，ECNs在签订合同会面临罚款的风险，而不同的节点对这种风险的敏感程度不同。且该风险偏好属于ECNs的私有信息而不为SP所获知，导致了双方交易中的信息不对称。SP可以通过设计面向不同风险偏好ECNs的远期合同，克服信息不对称问题，激励ECNs参与计算卸载，同时最大化自身的期望收益。
2.计算卸载模型
令计算任务为(x，tmax)，其中x是完成该计算任务所耗费的计算资源，tmax则是完成计算任务的最大时延约束。如果时延不超过tmax，SP将向ECN支付报酬；当ECN的计算时延超过tmax则会对SP的QoS造成影响，所以ECN需要向SP进行一定的赔偿。
假设ECNs用于处理来自SP卸载任务的空闲资源为f，将单位时间内计算设备的CPU-cycle的频率数作为计算资源的度量单位，即单位为cycle/s，完成任务(x，tmax)需要的时间为
其中，g表示处理1byte数据平均需要的CPU运转cycle数。同时，为了保证结果的有效，ECNs的计算时延应满足
t≤tmax. (2)
对应ECNs的能耗为
e(x)＝χgxf2， (3)
其中κ是由芯片结构决定的开关电容效率，其取值大小由ECNs的CPU硬件决定。
由于SP卸载的任务会占用计算设备，所以ECNs的成本还应包括时间成本。因此，卸载完成(x，tmax)的成本为
c(x)＝μtt(x)+μee(x). (4)
其中，μt是占用计算设备的时间成本因子，μe是能耗的成本因子。
3.ECN参与计算卸载的风险与类型的定义
假设ECNs会优先保证自身计算任务的按时完成，再考虑执行SP卸载的任务。不妨假设f0是ECNs的CPU固有计算频率，ζ是ECNs的计算资源闲置比率，那么ECNs的空闲计算资源为f＝ζf0。
由于ECNs自身计算业务的动态变化，所以ζ是服从某种分布的随机变量。假设ECNs签署的远期合同规定其需要完成任务(x，tmax)，当不能在tmax内完成x计算量时，即其将需要对SP进行赔偿并且名誉受损。不妨将这件事发生的概率作为风险，即不同的ECNs由于自身情况的差异，对风险的偏好是不同的。这里使用对风险的忍受程度表征ECNs的风险偏好。如果某个ECN的风险偏好为r，那么意味着它能忍受的卸载任务不能按时完成的最大概率为r，也就是/>
在每个ECNs对风险的忍受程度不尽相同，为了区别不同的ECNs，将r作为ECNs的类型。假设存在K种类型的ECNs，且构成集合因而r1，...rK有同时不妨令r1＜r2＜…＜rK。由于风险忍受程度属于ECNs的主观意愿，且ECNs为了在交易中可能获得更多利益，会隐藏自己真实的类型信息rk。所以，对于某个具体的ECNs，SP并不知道其风险忍受程度。
但是，SP可以利用长期的观察和调查，获取ECNs群体风险忍受程度的取值分布。假设ECNs类型为rk的概率为πk，有
4.远期合同建模
由于SP与ECNs交易中的信息不对称，基于合用理论，将SP作为委托人，ECNs作为代理人设计合同，形成交易方案。合同的形式为xk是卸载的计算任务量，Rk是对应的报酬，tmax是ECNs完成计算的最大时延。
假设类型为rk的ECNs的空闲计算能力为fk，其实际收益uk(xk)为
其中，a是由于ECNs未能完成计算任务产生的单位(byte)计算量惩罚因子。
然而，在合同还没执行之前，ECNs和SP只能考虑期望收益而非实际收益。假设已知ECNs的计算资源空置率ζ∈[ζmin，ζmax]的概率分布可以计算出空闲计算资源f∈[fmin，fmax]的分布G(f)，其中fmin＝ζminf0，fmax＝ζmaxf0。
那么，可以根据G(f)计算类型为rk的ECNs的期望收益为
对于SP提供的多种合同，ECNs会从中选出期望收益最大的合同进行签订，以最大化自身收益。
对于SP，与类型为rk的ECNs签订合同(xk，Rk，tmax)，其实际收益U(xk)为
其中，h是SP单位计算量对应的收益。类似地，其期望收益为
假设ζ服从均匀分布时，f＝ζf0也服从均匀分布，即
进一步可以计算出
其中， 同样，
其中，
当存在Nc个ECNs时，SP与所有ECNs进行交易所获得的总期望收益为
其中，pk表示ECNs属于rk类型的概率。
根据合同理论，SP设计的远期合同需要满足个人理性约束和激励相容约束。其中个人理性约束为：
激励相容约束为：
和
因此，为使SP的总期望效用最大，远期合同的设计问题可建模为
s.t.
5.基于远期合同的计算卸载方案
根据公式(14)以及优化问题(即公式16)中的建模，可以推导出基于远期合同的计算卸载方案，即：
(i)对k＝1，远期合同最优的报酬为
(ii)对于当给出xk、xk-1和Rk-1时，远期合同的最优报酬应为
其中，ε＞0是无穷小的正实数。
接着，令将最优报酬的表达式代入/>的优化目标函数/>可得
其中，
进一步将优化问题转化为
s.t.
观察到xk与xj，k≠j关系是独立的，可以将优化问题分解，独立求解得到
其中将最优的计算量/>代入式(17)和(18)，可以得到/>最终获得最优的计算卸载方案/>
本实施例中，实验结论如下：
其一，抽取r3、r6和r9这3种类型的ECNs作为样本，观察它们在不同时隙的收益变化，综合长期多次的情况，本发明所提出的计算卸载方案其长期获得的总收益高于低类型ECN的总收益。如图2所示，不同类型ECN实际收益的分析图。
其二，相对于低风险计算卸载方案(LRFIM)和高风险计算卸载方案(HRFIM)，本发明所提出的计算卸载方案(RFIM)能给SP带来更多的期望收益，如图3所示，不同机制下SP的期望收益图。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (5)

1.一种基于远期合同的边缘网络计算卸载方法，其特征在于，包括以下步骤：
构建边缘计算网络，所述边缘计算网络包括：服务提供商和边缘计算节点；
基于所述边缘计算网络，设定所述边缘计算节点的计算任务，基于所述计算任务，构建计算卸载模型；
所述计算任务包括：计算资源和最大时延；
构建计算卸载模型的过程包括：
获取边缘计算节点的计算时延，其中所述计算时延应不大于所述最大时延，基于所述计算时延，得到计算能耗，获取边缘计算节点的时间成本，基于所述计算能耗和所述时间成本，得到卸载成本，基于所述卸载成本，构建计算卸载模型；
计算能耗的公式为：
其中/>是由芯片结构决定的开关电容效率，其取值大小由ECNs的CPU硬件决定，/>表示处理1byte数据平均需要的CPU运转cycle数，/>是完成该计算任务所耗费的计算资源，/>为边缘计算节点处理服务提供商卸载任务的空闲资源；
卸载成本的公式为：
其中，/>是占用计算设备的时间成本因子，/>为完成计算任务需要的时间，/>是能耗的成本因子；
基于所述计算卸载模型，得到所述边缘计算节点的风险忍受程度；基于所述风险忍受程度的取值分布，所述服务提供商与所述边缘计算节点签订远期合同；
基于所述远期合同，得到所述边缘计算节点的计算卸载方案。
2.根据权利要求1所述的基于远期合同的边缘网络计算卸载方法，其特征在于，得到所述边缘计算节点的风险忍受程度的过程包括：
基于所述计算卸载模型，得到边缘计算节点的动态变化，基于所述动态变化对应的随机变量，得到事件发生概率，将所述事件发生概率作为所述边缘计算节点的风险忍受程度。
3.根据权利要求2所述的基于远期合同的边缘网络计算卸载方法，其特征在于，事件发生概率表示为：，其中，/>为最大时延，/>为边缘计算节点的空闲计算资源，/>表示处理1byte数据平均需要的CPU运转cycle数，/>是完成该计算任务所耗费的计算资源。
4.根据权利要求1所述的基于远期合同的边缘网络计算卸载方法，其特征在于，所述远期合同包括：卸载的计算任务量、报酬和最大时延，所述远期合同满足个人理性约束和激励相容约束。
5.根据权利要求1所述的基于远期合同的边缘网络计算卸载方法，其特征在于，得到所述边缘计算节点的计算卸载方案的过程包括：
设定所述风险忍受程度的取值分布为均匀分布，基于所述远期合同和均匀分布的风险忍受程度，计算得到总期望收益，基于所述总期望收益的最大值，得到所述边缘计算节点的计算卸载方案。
CN202310614116.3A 2023-05-29 2023-05-29 一种基于远期合同的边缘网络计算卸载方法 Active CN116643808B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310614116.3A CN116643808B (zh) 2023-05-29 2023-05-29 一种基于远期合同的边缘网络计算卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310614116.3A CN116643808B (zh) 2023-05-29 2023-05-29 一种基于远期合同的边缘网络计算卸载方法

Publications (2)

Publication Number Publication Date
CN116643808A CN116643808A (zh) 2023-08-25
CN116643808B true CN116643808B (zh) 2024-04-16

Family

ID=87614880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310614116.3A Active CN116643808B (zh) 2023-05-29 2023-05-29 一种基于远期合同的边缘网络计算卸载方法

Country Status (1)

Country Link
CN (1) CN116643808B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109788069A (zh) * 2019-02-27 2019-05-21 电子科技大学 物联网中基于移动边缘计算的计算卸载方法
CN111262944A (zh) * 2020-01-20 2020-06-09 北京大学 异构移动边缘计算网络中分层任务卸载的方法与系统
CN113438621A (zh) * 2021-07-01 2021-09-24 兰州理工大学 一种基于网联车辅助的边缘计算卸载与资源分配方法
CN114138373A (zh) * 2021-12-07 2022-03-04 吉林大学 一种基于强化学习的边缘计算任务卸载方法
CN115022894A (zh) * 2022-06-08 2022-09-06 西安交通大学 一种低轨卫星网络的任务卸载与计算资源分配方法及系统
CN115129447A (zh) * 2022-06-22 2022-09-30 江苏大学 一种工业互联网中计及条件风险价值的边缘计算任务卸载方法及计算机设备
CN115292032A (zh) * 2022-06-30 2022-11-04 西安电子科技大学广州研究院 一种多用户接入的智能边缘计算系统中的任务卸载方法
CN115334551A (zh) * 2022-10-17 2022-11-11 湖北工业大学 基于契约理论的任务卸载与资源分配优化方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109788069A (zh) * 2019-02-27 2019-05-21 电子科技大学 物联网中基于移动边缘计算的计算卸载方法
CN111262944A (zh) * 2020-01-20 2020-06-09 北京大学 异构移动边缘计算网络中分层任务卸载的方法与系统
CN113438621A (zh) * 2021-07-01 2021-09-24 兰州理工大学 一种基于网联车辅助的边缘计算卸载与资源分配方法
CN114138373A (zh) * 2021-12-07 2022-03-04 吉林大学 一种基于强化学习的边缘计算任务卸载方法
CN115022894A (zh) * 2022-06-08 2022-09-06 西安交通大学 一种低轨卫星网络的任务卸载与计算资源分配方法及系统
CN115129447A (zh) * 2022-06-22 2022-09-30 江苏大学 一种工业互联网中计及条件风险价值的边缘计算任务卸载方法及计算机设备
CN115292032A (zh) * 2022-06-30 2022-11-04 西安电子科技大学广州研究院 一种多用户接入的智能边缘计算系统中的任务卸载方法
CN115334551A (zh) * 2022-10-17 2022-11-11 湖北工业大学 基于契约理论的任务卸载与资源分配优化方法及系统

Also Published As

Publication number Publication date
CN116643808A (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
Dias et al. Parallel computing applied to the stochastic dynamic programming for long term operation planning of hydrothermal power systems
US20100057625A1 (en) Negotiation of power rates based on dynamic workload distribution
JP5065296B2 (ja) リソースのフリープールをモデル化するための方法
Xu et al. Cost-aware resource management for federated clouds using resource sharing contracts
US20160036272A1 (en) Predicting and optimizing energy storage lifetime performance with adaptive automation control software
Voswinkel et al. Sharing congestion management costs among system operators using the Shapley value
CN111949409A (zh) 一种电力无线异构网中计算任务卸载方法及系统
Alon et al. Bayesian analysis of linear contracts
CN114500339A (zh) 一种节点带宽监测方法、装置、电子设备及存储介质
CN111932314A (zh) 推荐内容的推送方法、装置、设备及可读存储介质
KR101948155B1 (ko) 계층적 전력 시장을 고려한 인센티브 기반 수요반응 방법
CN103530801A (zh) 一种基于动态定价策略的多数据中心成本优化方法
CN115081958A (zh) 用户电力调整方法、装置、电子设备和计算机可读介质
CN114757710A (zh) 一种用于负荷聚合商投标的评估方法
CN116643808B (zh) 一种基于远期合同的边缘网络计算卸载方法
CN114489846A (zh) 云平台的资源预估方法、装置、电子设备和存储介质
Yang et al. Edge computing and networking resource management for decomposable deep learning: An auction-based approach
CN115439026B (zh) 基于嵌套联邦学习的多智能体自组织需求响应方法及系统
CN112819215A (zh) 推荐策略训练方法、装置、电子设备及可读存储介质
CN110266770A (zh) 基于博弈论的闲置云资源调度方法和装置
CN111736968B (zh) 配电系统云数据中心计算资源优化配置方法、装置、设备及介质
Arnoldus et al. Energy-efficiency indicators for e-services
Vathsala et al. Using HMM for predicting response time of web services
JP2021083275A (ja) 電力需要予測システムおよび電力需要予測システムの制御方法
CN118171775B (zh) 基于资源共享的数据中心集群调度方法及装置

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