CN117519990A - 一种边缘算力与边缘网关资源协同管理方法 - Google Patents
一种边缘算力与边缘网关资源协同管理方法 Download PDFInfo
- Publication number
- CN117519990A CN117519990A CN202410006180.8A CN202410006180A CN117519990A CN 117519990 A CN117519990 A CN 117519990A CN 202410006180 A CN202410006180 A CN 202410006180A CN 117519990 A CN117519990 A CN 117519990A
- Authority
- CN
- China
- Prior art keywords
- node
- task
- real
- weight
- time task
- 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.)
- Granted
Links
- 238000007726 management method Methods 0.000 title claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000013468 resource allocation Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
-
- 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
-
- 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
本发明涉及一种边缘算力与边缘网关资源协同管理方法,包括以下步骤:步骤S1:基于电力数据计算任务特性,将待处理任务分为实时任务和非实时任务;步骤S2:根据任务优先级、计算量大小和任务类型,构建任务分配权重模型;步骤S3:获取各边缘网关节点相关配置数据以及剩余资源数据,构建节点权重模型;步骤S4:根据任务分配权重及节点权重模型,基于多层感知器进行任务分配;步骤S5:各节点根据分配到的任务,进一步基于任务分配权重进行资源分配和任务处理。本发明能够有效优化节点资源利用,并提高任务处理效率。
Description
技术领域
本发明涉及边缘算力网络技术领域,尤其涉及一种边缘算力与边缘网关资源协同管理方法。
背景技术
当前电力系统的AI计算框架中,将AI数据集中在算力中心进行处理,往往伴随着高昂的成本。然而,随着边缘设备芯片技术的进步,利用边缘网关调度前端设备的空闲算力,能够有效地分摊计算资源的负担。然而,现有的边缘计算系统往往无法对AI计算任务进行有效的优化调度。同时,边缘网关资源的利用率也不尽如人意。因此,急需一种能够协同管理AI计算任务与边缘网关资源的技术,以提升整体系统效率。
发明内容
为了解决上述问题,本发明的目的在于提供,协同管理AI计算任务与边缘网关资源,能够有效优化节点资源利用,并提高任务处理效率。
为实现上述目的,本发明采用以下技术方案:
一种边缘算力与边缘网关资源协同管理方法,包括以下步骤:
步骤S1:基于电力数据计算任务特性,将待处理任务分为实时任务和非实时任务;
步骤S2:根据任务优先级、计算量大小和任务类型,构建任务分配权重模型;
步骤S3:获取各边缘网关节点相关配置数据以及剩余资源数据,构建节点权重模型;
步骤S4:根据任务分配权重及节点权重模型,基于多层感知器进行任务分配;
步骤S5:各节点根据分配到的任务,进一步基于任务分配权重进行资源分配和任务处理。
进一步的,所述步骤S2具体为:
获取待处理任务优先级以及计算量大小数据;
对实时任务集Q和非实时任务集,分别构建任务分配权重:
;
;
其中,,/>,/>分别为实时任务的计算量,优先级和实时任务基础权重;/>,/>,/>分别为非实时任务的计算量,优先级和非实时任务基础权重;n和m分别为实时任务集Q和非实时任务集/>任务数量;/>为第n个实时任务的计算量,/>为第n个实时任务的优先级;为第n个非实时任务的计算量;/>为第n个非实时任务优先级;/>为最大计算量、为最优先级;
得到任务分配权重模型。
进一步的,所述节点权重模型,具体为:
;
其中,表示节点的总资源容量,/>表示节点当前已使用的资源量,/>表示节点的基础权重值,下标j表示第j个节点,N为节点数量,/>分别为节点的CPU、内存和存储的配置值、α、β、γ为分别为CPU、内存和存储对应的权重系数。
进一步的,所述多层感知器包括输入层、隐藏层和输出层;
将实时任务分配权重Ws、非实时任务分配权重WF和节点权重WP作为输入特征,则x_input = [Ws, WF, WP],并设输出为 y_pred;
隐藏层包含两个全连接层,每个全连接层有 n1 和 n2 个神经元,输出分别为:
h1 = max(0,(W1 × x_input + b1));
h2 = 1/(1+exp(-h1));
其中,h1、h2分别为两个全连接层输出;
输出层有 m 个节点,表示每个节点的选择概率;
y_pred = softmax(W3 × h2 + b3);
其中W1、W2、W3 分别是隐藏层和输出层的权重矩阵,b1、b2、b3 是偏置向量。
进一步的,所述多层感知器训练,具体如下:
获取历史计算任务的实时任务分配权重Ws、非实时任务分配权重WF和节点权重WP,以及分配结果,构建训练集;
基于训练集训练多层感知器;
使用交叉熵损失函数作为目标函数,计算公式为:
;
其中, y_true为实际的任务分配结果;
使用梯度下降算法来最小化损失函数,通过反向传播更新模型的参数。
进一步的,所述使用梯度下降算法来最小化损失函数,通过反向传播更新模型的参数,具体为:
首先计算损失函数对输出层的权重和偏置的梯度:
dW3 = h2 × (y_pred - y_true);
db3 = y_pred - y_true;
其中,d表示偏导数;
然后计算损失函数对隐藏层的权重和偏置的梯度:
dW2 = f2'(W2 × h1 + b2) × (W3.T × (y_pred - y_true)) × h1.T;
db2 = f2'(W2 × h1 + b2) × (W3.T × (y_pred - y_true));
dW1 = f1'(W1 × x_input + b1) × (W2.T × (f2'(W2 × h1 + b2) ×(W3.T × (y_pred - y_true)))) × x_input.T;
db1 = f1'(W1 × x_input + b1) × (W2.T × (f2'(W2 × h1 + b2) ×(W3.T × (y_pred - y_true))));
其中,f2'表示激活函数f2的导数;f1'表示激活函数f1的导数;.T表示矩阵的转置操作;
最后根据梯度更新模型的参数:
W3 = W3 - learning_rate × dW3;
b3 = b3 - learning_rate × db3;
W2 = W2 - learning_rate × dW2;
b2 = b2 - learning_rate × db2;
W1 = W1 - learning_rate × dW1;
b1 = b1 - learning_rate × db1;
其中,learning_rate 是学习率;
循环迭代训练,不断更新模型的参数,直至满足预设要求。
进一步的,通过心跳检测监控节点的状态和健康状况,当节点失效时,触发预警机制,进行任务重新分配,具体的:
当节点失效时将该节点上的任务重新分配给其他可用节点;
遍历所有可用节点,计算每个节点的负载情况,包括已分配任务数量或资源占用情况,并计算每个节点带宽剩余量以及与失效节点之间的距离;
对于每个可用节点,计算其权重与负载的乘积,得到节点资源值;
基于每个节点的带宽限制和节点之间的距离,计算得到节点j的接收效率:
其中WPj 和Uj分别表示节点j的权重和负载,表示节点j的带宽、/>表示节点j与失效节点之间的距离、/>为负载修正参量、/>表示带宽修正参量;
基于接收效率,选择目标节点。
一种边缘算力与边缘网关资源协同管理系统,包括
边缘计算调度模块,基于电力数据计算任务特性,将待处理任务分为实时任务和非实时任务,并根据任务优先级、计算量大小和任务类型,构建任务分配权重模型;
边缘网关资源管理模块。获取各边缘网关节点相关配置数据以及剩余资源数据,构建节点权重模型;
优化调度模块根据任务分配权重及节点权重模型,基于多层感知器进行任务分配。
本发明具有如下有益效果:
本发明综合考虑任务优先级、计算量大小和任务类型以及节点剩余,构建了任务分配权重及节点权重模型,并训练后基于多层感知机模型进行任务分配,能够有效优化节点资源利用,并提高任务处理效率。
附图说明
图1为本发明方法流程图。
具体实施方式
以下结合附图和具体实施例对本发明做进一步详细说明:
参考图1,本发明提供一种边缘算力与边缘网关资源协同管理方法,包括以下步骤:
步骤S1:基于电力数据计算任务特性,将待处理任务分为实时任务和非实时任务;
步骤S2:根据任务优先级、计算量大小和任务类型,构建任务分配权重模型;
步骤S3:获取各边缘网关节点相关配置数据以及剩余资源数据,构建节点权重模型;
步骤S4:根据任务分配权重及节点权重模型,基于多层感知器进行任务分配;
步骤S5:各节点根据分配到的任务,进一步基于任务分配权重进行资源分配和任务处理。
在本实施例中,步骤S2具体为:
获取待处理任务优先级以及计算量大小数据;
对实时任务集Q和非实时任务集,分别构建任务分配权重:
;
;
其中,,/>,/>分别为实时任务的计算量,优先级和实时任务基础权重;/>,/>,/>分别为非实时任务的计算量,优先级和非实时任务基础权重;n和m分别为实时任务集Q和非实时任务集/>任务数量;/>为第n个实时任务的计算量,/>为第n个实时任务的优先级;/>为第n个非实时任务的计算量;/>为第n个非实时任务优先级;/>为最大计算量、/>为最优先级;
得到任务分配权重模型。
在本实施例中,节点权重模型,具体为:
;
其中,表示节点的总资源容量,/>表示节点当前已使用的资源量,/>表示节点的基础权重值,下标j表示第j个节点,N为节点数量,/>分别为节点的CPU、内存和存储的配置值、α、β、γ为分别为CPU、内存和存储对应的权重系数。
优选的,节点的资源剩余比例和权重值需要根据实际情况进行动态更新。当节点的资源使用量发生变化时,需要重新计算节点的资源剩余比例和权重值,以保持负载均衡的效果。
在本实施例中,多层感知器包括输入层、隐藏层和输出层;
将实时任务分配权重Ws、非实时任务分配权重WF和节点权重WP作为输入特征,则x_input = [Ws, WF, WP],并设输出为 y_pred;
隐藏层包含两个全连接层,每个全连接层有 n1 和 n2 个神经元,输出分别为:
h1 = max(0,(W1 × x_input + b1));
h2 = 1/(1+exp(-h1));
其中,h1、h2分别为两个全连接层输出;
输出层有 m 个节点,表示每个节点的选择概率;
y_pred = softmax(W3 × h2 + b3);
其中W1、W2、W3 分别是隐藏层和输出层的权重矩阵,b1、b2、b3 是偏置向量。
在本实施例中,多层感知器训练,具体如下:
获取历史计算任务的实时任务分配权重Ws、非实时任务分配权重WF和节点权重WP,以及分配结果,构建训练集;
基于训练集训练多层感知器;
使用交叉熵损失函数作为目标函数,计算公式为:
;
其中, y_true为实际的任务分配结果;
使用梯度下降算法来最小化损失函数,通过反向传播更新模型的参数。
在本实施例中,使用梯度下降算法来最小化损失函数,通过反向传播更新模型的参数,具体为:
首先计算损失函数对输出层的权重和偏置的梯度:
dW3 = h2 × (y_pred - y_true);
db3 = y_pred - y_true;
然后计算损失函数对隐藏层的权重和偏置的梯度:
dW2 = f2'(W2 × h1 + b2) × (W3.T × (y_pred - y_true)) × h1.T;
db2 = f2'(W2 × h1 + b2) × (W3.T × (y_pred - y_true));
dW1 = f1'(W1 × x_input + b1) × (W2.T × (f2'(W2 × h1 + b2) ×(W3.T × (y_pred - y_true)))) × x_input.T;
db1 = f1'(W1 × x_input + b1) × (W2.T × (f2'(W2 × h1 + b2) ×(W3.T × (y_pred - y_true))));
其中,f2'表示激活函数f2的导数;f1'表示激活函数f1的导数;.T表示矩阵的转置操作;
最后根据梯度更新模型的参数:
W3 = W3 - learning_rate × dW3;
b3 = b3 - learning_rate × db3;
W2 = W2 - learning_rate × dW2;
b2 = b2 - learning_rate × db2;
W1 = W1 - learning_rate × dW1;
b1 = b1 - learning_rate × db1;
其中,learning_rate 是学习率;
循环迭代训练,不断更新模型的参数,直至满足预设要求。
在本实施例中,通过心跳检测监控节点的状态和健康状况,当节点失效时,触发预警机制,进行任务重新分配,具体的:
当节点失效时将该节点上的任务重新分配给其他可用节点;
遍历所有可用节点,计算每个节点的负载情况,包括已分配任务数量或资源占用情况,并计算每个节点带宽剩余量以及与失效节点之间的距离;
对于每个可用节点,计算其权重与负载的乘积,得到节点资源值;
基于每个节点的带宽限制和节点之间的距离,计算得到节点j的接收效率:
其中WPj 和Uj分别表示节点j的权重和负载,表示节点j的带宽、/>表示节点j与失效节点之间的距离、/>为负载修正参量、/>表示带宽修正参量;
基于接收效率,选择目标节点。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (5)
1.一种边缘算力与边缘网关资源协同管理方法,其特征在于,包括以下步骤:
步骤S1:基于电力数据计算任务特性,将待处理任务分为实时任务和非实时任务;
步骤S2:根据任务优先级、计算量大小和任务类型,构建任务分配权重模型;
步骤S3:获取各边缘网关节点相关配置数据以及剩余资源数据,构建节点权重模型;
步骤S4:根据任务分配权重及节点权重模型,基于多层感知器进行任务分配;
步骤S5:各节点根据分配到的任务,进一步基于任务分配权重进行资源分配和任务处理;
所述步骤S2具体为:
获取待处理任务优先级以及计算量大小数据;
对实时任务集Q和非实时任务集,分别构建任务分配权重:
;
;
其中,,/>,/>分别为实时任务的计算量,优先级和实时任务基础权重;/>,,/>分别为非实时任务的计算量,优先级和非实时任务基础权重;n和m分别为实时任务集Q和非实时任务集/>任务数量;/>为第n个实时任务的计算量,/>为第n个实时任务的优先级;/>为第n个非实时任务的计算量;/>为第n个非实时任务优先级;/>为最大计算量、/>为最优先级;得到任务分配权重模型/>;
所述节点权重模型,具体为:
;
其中,表示节点的总资源容量,/>表示节点当前已使用的资源量,/>表示节点的基础权重值,下标j表示第j个节点,N为节点数量,/>分别为节点的CPU、内存和存储的配置值、α、β、γ为分别为CPU、内存和存储对应的权重系数;
所述多层感知器包括输入层、隐藏层和输出层;
将实时任务分配权重Ws、非实时任务分配权重WF和节点权重WP作为输入特征,则 x_input = [Ws, WF, WP],并设输出为 y_pred;
隐藏层包含两个全连接层,每个全连接层有 n1 和 n2 个神经元,输出分别为:
h1 = max(0,(W1 × x_input + b1));
h2 = 1/(1+exp(-h1));
其中,h1、h2分别为两个全连接层输出;
输出层有 m 个节点,表示每个节点的选择概率;
y_pred = softmax(W3 × h2 + b3);
其中W1、W2、W3 分别是隐藏层和输出层的权重矩阵,b1、b2、b3 是偏置向量。
2.根据权利要求1所述的一种边缘算力与边缘网关资源协同管理方法,其特征在于,所述多层感知器训练,具体如下:
获取历史计算任务的实时任务分配权重Ws、非实时任务分配权重WF和节点权重WP,以及分配结果,构建训练集;
基于训练集训练多层感知器;
使用交叉熵损失函数作为目标函数,计算公式为:
;
其中, y_true为实际的任务分配结果;
使用梯度下降算法来最小化损失函数,通过反向传播更新模型的参数。
3.根据权利要求2所述的一种边缘算力与边缘网关资源协同管理方法,其特征在于,所述使用梯度下降算法来最小化损失函数,通过反向传播更新模型的参数,具体为:
首先计算损失函数对输出层的权重和偏置的梯度:
dW3 = h2 × (y_pred - y_true);
db3 = y_pred - y_true;
其中,d表示偏导数;
然后计算损失函数对隐藏层的权重和偏置的梯度:
dW2 = f2'(W2 × h1 + b2) × (W3.T × (y_pred - y_true)) × h1.T;
db2 = f2'(W2 × h1 + b2) × (W3.T × (y_pred - y_true));
dW1 = f1'(W1 × x_input + b1) × (W2.T × (f2'(W2 × h1 + b2) × (W3.T ×(y_pred - y_true)))) × x_input.T;
db1 = f1'(W1 × x_input + b1) × (W2.T × (f2'(W2 × h1 + b2) × (W3.T ×(y_pred - y_true))));
其中,f2'表示激活函数f2的导数,f1'表示激活函数f1的导数,T表示矩阵的转置操作;
最后根据梯度更新模型的参数:
W3 = W3 - learning_rate × dW3;
b3 = b3 - learning_rate × db3;
W2 = W2 - learning_rate × dW2;
b2 = b2 - learning_rate × db2;
W1 = W1 - learning_rate × dW1;
b1 = b1 - learning_rate × db1;
其中,learning_rate 是学习率;
循环迭代训练,不断更新模型的参数,直至满足预设要求。
4.根据权利要求1所述的一种边缘算力与边缘网关资源协同管理方法,其特征在于,通过心跳检测监控节点的状态和健康状况,当节点失效时,触发预警机制,进行任务重新分配,具体的:
当节点失效时将该节点上的任务重新分配给其他可用节点;
遍历所有可用节点,计算每个节点的负载情况,包括已分配任务数量或资源占用情况,并计算每个节点带宽剩余量以及与失效节点之间的距离;
对于每个可用节点,计算其权重与负载的乘积,得到节点资源值;
基于每个节点的带宽限制和节点之间的距离,计算得到节点j的接收效率:
;
其中WPj 和Uj分别表示节点j的权重和负载,表示节点j的带宽、/>表示节点j与失效节点之间的距离、/>为负载修正参量、/>表示带宽修正参量;
基于接收效率,选择目标节点。
5.一种边缘算力与边缘网关资源协同管理系统,其特征在于,包括
边缘计算调度模块,基于电力数据计算任务特性,将待处理任务分为实时任务和非实时任务,并根据任务优先级、计算量大小和任务类型,构建任务分配权重模型;
边缘网关资源管理模块。获取各边缘网关节点相关配置数据以及剩余资源数据,构建节点权重模型;
优化调度模块根据任务分配权重及节点权重模型,基于多层感知器进行任务分配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410006180.8A CN117519990B (zh) | 2024-01-03 | 2024-01-03 | 一种边缘算力与边缘网关资源协同管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410006180.8A CN117519990B (zh) | 2024-01-03 | 2024-01-03 | 一种边缘算力与边缘网关资源协同管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117519990A true CN117519990A (zh) | 2024-02-06 |
CN117519990B CN117519990B (zh) | 2024-05-28 |
Family
ID=89762992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410006180.8A Active CN117519990B (zh) | 2024-01-03 | 2024-01-03 | 一种边缘算力与边缘网关资源协同管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117519990B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106211344A (zh) * | 2016-07-14 | 2016-12-07 | 中国人民解放军理工大学 | 一种基于情景感知的Ad Hoc网络带宽管理方法 |
CN106658727A (zh) * | 2016-04-28 | 2017-05-10 | 电子科技大学 | 一种基于多种相关属性的业务重要性确定与资源分配方法 |
CN111954236A (zh) * | 2020-07-27 | 2020-11-17 | 河海大学 | 一种基于优先级的分层边缘计算卸载方法 |
US11336585B1 (en) * | 2021-08-26 | 2022-05-17 | International Business Machines Corporation | Dynamic allocation of edge network resources |
CN115037749A (zh) * | 2022-06-08 | 2022-09-09 | 山东省计算中心(国家超级计算济南中心) | 一种性能感知的大规模微服务智能多资源协同调度方法及系统 |
US20230063599A1 (en) * | 2021-08-24 | 2023-03-02 | Beijing Baidu Netcom Science Technology Co., Ltd. | Edge computing network, data transmission method and apparatus, device and storage medium |
CN115756833A (zh) * | 2022-11-07 | 2023-03-07 | 福建亿榕信息技术有限公司 | 一种面向多重异构环境下ai推理任务调度的方法及系统 |
-
2024
- 2024-01-03 CN CN202410006180.8A patent/CN117519990B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106658727A (zh) * | 2016-04-28 | 2017-05-10 | 电子科技大学 | 一种基于多种相关属性的业务重要性确定与资源分配方法 |
CN106211344A (zh) * | 2016-07-14 | 2016-12-07 | 中国人民解放军理工大学 | 一种基于情景感知的Ad Hoc网络带宽管理方法 |
CN111954236A (zh) * | 2020-07-27 | 2020-11-17 | 河海大学 | 一种基于优先级的分层边缘计算卸载方法 |
US20230063599A1 (en) * | 2021-08-24 | 2023-03-02 | Beijing Baidu Netcom Science Technology Co., Ltd. | Edge computing network, data transmission method and apparatus, device and storage medium |
US11336585B1 (en) * | 2021-08-26 | 2022-05-17 | International Business Machines Corporation | Dynamic allocation of edge network resources |
CN115037749A (zh) * | 2022-06-08 | 2022-09-09 | 山东省计算中心(国家超级计算济南中心) | 一种性能感知的大规模微服务智能多资源协同调度方法及系统 |
CN115756833A (zh) * | 2022-11-07 | 2023-03-07 | 福建亿榕信息技术有限公司 | 一种面向多重异构环境下ai推理任务调度的方法及系统 |
Non-Patent Citations (1)
Title |
---|
杨利超: "移动边缘网络中资源管理技术研究", 《中国博士学位论文电子期刊网》, 1 February 2022 (2022-02-01), pages 136 - 190 * |
Also Published As
Publication number | Publication date |
---|---|
CN117519990B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102063336B (zh) | 一种分布式计算多应用功能异步并发调度方法 | |
CN111045828B (zh) | 基于配电网台区终端的分布式边缘计算方法和相关装置 | |
CN1956457B (zh) | 用于安排网格计算系统中的网格作业的方法和设备 | |
CN111722910B (zh) | 一种云作业调度及资源配置的方法 | |
CN105718364A (zh) | 一种云计算平台中计算资源能力动态评估方法 | |
CN104657220A (zh) | 混合云中基于截止时间和费用约束的调度模型及方法 | |
CN113806018B (zh) | 基于神经网络和分布式缓存的Kubernetes集群资源混合调度方法 | |
Mahato et al. | On scheduling transactions in a grid processing system considering load through ant colony optimization | |
CN112685153A (zh) | 微服务调度方法、装置以及电子设备 | |
CN108427602B (zh) | 一种分布式计算任务的协同调度方法及装置 | |
CN115934333A (zh) | 基于历史数据感知的云计算资源调度方法及调度系统 | |
CN108270805A (zh) | 用于数据处理的资源分配方法及装置 | |
CN113867295A (zh) | 一种基于数字孪生的制造车间agv动态调度方法、系统、设备及存储介质 | |
CN115134371A (zh) | 包含边缘网络算力资源的调度方法、系统、设备及介质 | |
CN116467082A (zh) | 一种基于大数据的资源分配方法及系统 | |
CN116263681A (zh) | 移动边缘计算任务卸载方法、装置、设备及存储介质 | |
CN113568759B (zh) | 一种基于云计算的大数据处理方法及其系统 | |
CN117349026B (zh) | 一种用于aigc模型训练的分布式算力调度系统 | |
CN117519990B (zh) | 一种边缘算力与边缘网关资源协同管理方法 | |
Yang et al. | Trust-based scheduling strategy for cloud workflow applications | |
CN110262896A (zh) | 一种面向Spark系统的数据处理加速方法 | |
CN111245906B (zh) | 一种业务请求分配方法 | |
CN114090239A (zh) | 一种基于模型的强化学习的边缘资源调度方法和装置 | |
CN114296872A (zh) | 用于容器集群管理系统的调度方法及装置 | |
CN109522106B (zh) | 一种基于协同计算的风险价值模拟动态任务调度方法 |
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 | ||
GR01 | Patent grant |