CN117806806B - 任务部分卸载调度方法、终端设备及存储介质 - Google Patents
任务部分卸载调度方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN117806806B CN117806806B CN202410218204.6A CN202410218204A CN117806806B CN 117806806 B CN117806806 B CN 117806806B CN 202410218204 A CN202410218204 A CN 202410218204A CN 117806806 B CN117806806 B CN 117806806B
- Authority
- CN
- China
- Prior art keywords
- subtask
- task
- processing
- value
- local
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003860 storage Methods 0.000 title claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 188
- 238000004364 calculation method Methods 0.000 claims abstract description 44
- 238000000354 decomposition reaction Methods 0.000 claims description 59
- 238000011156 evaluation Methods 0.000 claims description 55
- 230000001419 dependent effect Effects 0.000 claims description 31
- 238000005265 energy consumption Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000008901 benefit Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000013112 stability test Methods 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
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- 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]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- 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
- G06F2209/509—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
本发明公开了任务部分卸载调度方法、终端设备及存储介质，涉及雾计算技术领域。该任务部分卸载调度方法、终端设备及存储介质，基于当前移动设备的本地资源信息判断是否可以本地执行任务，对于无法本地执行的任务进行任务分解，获得相互独立的各个子任务；获取各个子任务的任务处理相关信息，包括：子任务处理价值信息、子任务紧急信息，根据任务处理相关信息获取各个子任务的处理需求值，用于评估各个子任务需处理卸载的重要程度，展示各个子任务处理的优先级；获取子任务处理执行信息、节点负载信息，基于各个子任务处理的优先级依次计算出各个子任务的计算节点对应值，用于选取处理卸载各个子任务的计算节点，实现子任务卸载调度。
Description
技术领域
本发明涉及雾计算技术领域，具体为任务部分卸载调度方法、终端设备及存储介质。
背景技术
在雾计算系统中，计算、存储和网络服务放置在靠近数据源的边缘节点上，以降低数据传输延迟、减轻云端负担并提高应用响应速度和用户体验。相对于云，雾可以更加高效的处理终端设备的任务，包括延迟敏感服务、分布式服务、网联车辆服务、智能交通系统等。通过雾计算系统, 移动设备的请求可以就近执行，而不是通过远程云端的回程来满足，同时也可以减少计算延迟和能源消耗。
尽管雾计算具有很多优势，但也给雾服务器在部署和资源分配方面带来了重大的挑战，例如移动设备的任务卸载决策、满足计算密集型和延迟敏感型任务的资源分配策略、多服务器负载均衡选择、系统安全性等都是亟需解决的问题。在卸载计算方面，任务卸载和资源分配策略是当前雾计算系统的研究热点。在雾计算系统中，所有用户都可以将计算密集型或延迟敏感型的任务卸载到雾服务器，但由于雾服务器的处理速度、信道带宽和资源等因素的限制，任务卸载策略的不当选择会导致更多的能耗和更高的延迟。在这种情况下，任务卸载的主要研究问题是卸载雾服务器的选择以及计算资源的分配问题。
当移动设备产生的任务数据量大时，需要通过权衡任务处理的能耗、时延等指标达到综合最优情况，将数据处理任务分发给雾节点或者云网络，这种任务分发的方式称为移动雾计算的任务卸载。对于任务的卸载可以分为以下两类：
1.本地执行：本地执行为任务卸载的理想状态，移动设备本身的处理能力可以满足所需的计算、通信资源的需求，这将大大减少设备上传数据以及从雾节点下载任务处理结果的时间，进而提升系统的运行效率。
2.卸载到雾端：移动设备所需处理任务的数据量较大，无法进行本地执行，并且任务都是独立的子任务时，将使用该方法，该方法作为细粒度的任务卸载方法，可根据实际情况在本地执行任务量较小的任务，在雾节点解决剩余的任务，对于某些需要使用大量计算和通信资源的任务，所需处理的大数据量的任务分解为多个不相干扰的任务时，该任务将完全卸载给有能力处理且空闲的雾节点，该方法属于粗粒度的任务卸载方法。
随着技术的发展，越来越多的高性能雾计算任务卸载方法被提出，但是这些方法都是仅仅只优化了模型的规划问题，较少考虑到同时对处理延迟和能量消耗的自适应多目标优化。在智能体的学习过程中对于专家经验太过于依赖，在自我学习的能力上还有所欠缺，导致不可以更全面地感知复杂系统的整体情况，也就不可以进行更优更精确的决策，还将导致现有的雾计算场景下无法实时地根据场景进行自适应的任务卸载的问题。
因此需要一个可以高效的对多任务进行最低处理延迟和能量消耗加权和卸载的任务分布式卸载方案来提高计算效率，实现更快捷更精确的任务处理过程，还需要一个可以充分利用智能终端的计算资源以及雾节点的计算资源，充分满足大规模移动设备任务处理需求的同时，还能使用更小的开销进行任务卸载的方法，提高任务卸载算法的自适应性。
因此，针对以上问题，亟待需要任务部分卸载调度方法、终端设备及存储介质。
发明内容
针对现有技术的不足，本发明提供了任务部分卸载调度方法、终端设备及存储介质，解决了任务执行的效率低、任务执行分配调度不均衡，资源利用率不高的问题。
为实现以上目的，本发明通过以下技术方案予以实现：任务部分卸载调度方法，包括以下步骤：基于当前移动设备的本地资源信息判断是否可以本地执行任务，对于无法本地执行的任务进行任务分解，获得相互独立的各个子任务；基于子任务的任务处理相关信息获取各个子任务的处理需求值，用于评估各个子任务需处理卸载的重要程度，展示各个子任务处理的优先级；基于各个子任务处理的优先级依次获取各个子任务的计算节点对应值，用于选取处理卸载各个子任务的计算节点，实现子任务卸载调度。
进一步地，所述基于当前移动设备的本地资源信息判断是否可以本地执行任务具体包括：获得当前移动设备的本地资源信息，包括当前移动设备信息、任务本地执行信息；根据当前移动设备信息、任务本地执行信息分析对比，计算得到各个任务的本地任务执行评估指数，所述本地任务执行评估指数用于评估各个任务通过本地执行的可行情况；将各个任务的本地任务评估指数与本地任务评估阈值进行对比分析，当本地任务评估指数大于等于本地任务评估阈值时，判断该任务可以通过当前移动设备的本地资源进行执行处理；当本地任务评估指数小于本地任务评估阈值时，判断该任务无法通过当前移动设备的本地资源进行执行处理；获得无法通过当前移动设备的本地资源进行执行处理的各个任务进行编号：，将无法通过当前移动设备的本地资源进行执行处理的各个任务进行任务分解，获得相互独立的各个子任务，各个子任务编号为：/>。
进一步地，所述当前移动设备信息具体包括：当前移动设备剩余存储空间、当前移动设备电池剩余寿命、当前移动设备处理器主频；所述任务本地执行信息具体包括：任务处理耗能、任务卸载时延。
进一步地，所述评估各个子任务需处理卸载的重要程度具体为：获取各个子任务的处理需求值，依照处理需求值大小对各个子任务进行优先级排序，处理需求值越大，子任务处理卸载需求越紧急。
进一步地，所述获取各个子任务的处理需求值具体包括：获取各个子任务的任务处理相关信息，所述任务处理相关信息具体包括：子任务处理价值信息、子任务紧急信息；所述子任务处理价值信息具体包括：子任务收益值、子任务影响值；所述子任务紧急信息具体包括：子任务截至剩余时间、子任务前置依赖影响值；根据子任务处理价值信息、子任务紧急信息分别分析获得子任务处理奖励值、子任务依赖紧急值；所述子任务处理奖励值根据子任务收益值与子任务影响值分析，并分别为子任务收益值与子任务影响值赋予权重进行加权求和计算获得，用于表示该子任务对于任务整体的影响程度及执行该子任务获得的收益价值；所述子任务依赖紧急值根据子任务截至剩余时间、子任务前置依赖影响值分析，并分别为子任务截至剩余时间、子任务前置依赖影响值赋予权重进行加权求和计算获得，用于表示该子任务的紧急程度及对于其他子任务执行的影响程度；根据子任务处理奖励值、子任务依赖紧急值分析，构建处理需求模型，得到处理需求值，用于综合展示子任务需处理卸载的重要程度。
进一步地，处理需求值的计算公式为：
；式中/>表示为第/>个无法通过当前移动设备的本地资源进行执行处理的任务分解的第/>个子任务的处理需求值，/>表示为第/>个无法通过当前移动设备的本地资源进行执行处理的任务分解的第/>个子任务的子任务处理奖励值，/>表示为第/>个无法通过当前移动设备的本地资源进行执行处理的任务分解的第/>个子任务的子任务依赖紧急值，/>、/>分别表示为子任务处理奖励值、子任务依赖紧急值相对应的权重因子。
进一步地，所述选取处理卸载各个子任务的计算节点具体为：依照各个子任务处理的优先级依次获取各个子任务分配给各个计算节点对应的计算节点对应值；将各个计算节点对应的计算节点对应值进行大小排序，选择计算节点对应值最大的计算节点作为子任务的执行节点。
进一步地，计算节点对应值获得方式为：获得子任务处理执行信息、节点负载信息；所述子任务处理执行信息具体包括：子任务处理耗能、子任务处理时间；所述节点负载信息具体包括：节点CPU使用率、节点内存使用率、节点CPU时钟频率；依照子任务处理执行信息、节点负载信息分析分别获得子任务处理评估指数、节点负载评估指数，分别用于评估子任务执行处理所需的资源状况与计算节点的负载情况；依照子任务处理评估指数、节点负载评估指数分析，得到计算节点对应值，所述计算节点对应值计算公式为：
；式中/>表示为第/>个无法通过当前移动设备的本地资源进行执行处理的任务分解的第/>个子任务分配给第/>个计算节点时的计算节点对应值，/>表示为计算节点编号，/>，/>表示为第/>个计算节点的节点负载评估指数，/>表示为第/>个无法通过当前移动设备的本地资源进行执行处理的任务分解的第/>个子任务的子任务处理评估指数，/>表示为计算节点对应值的损耗因子。
一种终端设备，包括：处理器；以及存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上述的任务部分卸载调度方法。
一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被处理器执行时实现如上述的任务部分卸载调度方法。
本发明具有以下有益效果：
（1）、该任务部分卸载调度方法、终端设备及存储介质，通过基于当前移动设备的本地资源信息进行任务判断和分解，将无法本地执行的任务拆分为独立的子任务，可以最大程度地利用设备上的本地资源，减少对外部资源的依赖，提高任务执行的效率和性能；通过获取各个子任务的处理价值信息、紧急信息以及处理需求值，系统能够对各个子任务的重要性和优先级进行评估和展示，有助于决策者理解任务的紧迫程度和价值，使其能够更好地进行任务分配和调度；获得子任务处理执行信息和节点负载信息，并基于子任务的优先级进行计算，可以为各个子任务选择适合的计算节点进行卸载，合理分配任务到可用的计算节点，实现任务的负载均衡，减轻设备的负担，提高系统的整体性能和响应能力。
（2）、该任务部分卸载调度方法、终端设备及存储介质，采取了数据处理技术手段，对于任务能否通过移动设备的本地资源执行考虑到了本地资源信息及任务执行所需的耗能及延迟，综合的数值判断能够为任务是否需要分解执行提供了有效参考；对于各个子任务的优先级设置结合了各个子任务的子任务收益值、子任务影响值、子任务截至剩余时间与子任务前置依赖影响值，结合四者的优先级划分能够满足各种任务的不同需求，提高系统的灵活性和适应性；对于子任务选择合适的计算节点进行卸载调度考虑到了子任务处理耗能、子任务处理时间及节点负载信息，能够有效进行卸载调度和资源利用，提高任务处理的效率和性能、实现任务的负载均衡以及提升用户体验。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
图1为本发明任务部分卸载调度方法流程图。
具体实施方式
本申请实施例通过任务部分卸载调度方法、终端设备及存储介质，实现了高效执行卸载任务、均衡调度分配任务执行、合理利用计算机资源。
本申请实施例中的问题，总体思路如下：通过当前移动设备的本地资源信息评估各个任务能否通过本地资源进行执行，对于无法通过当前移动设备的本地资源进行执行处理的各个任务进行任务分解，获得相互独立的各个子任务，根据各个子任务的处理需求值大小对各个子任务进行优先级排序，进而基于各个子任务进行优先级排序，获取各个子任务分配给各个计算节点分别对应的计算节点对应值，将各个计算节点分别对应的计算节点对应值进行大小排序，选择计算节点对应值最大的计算节点作为子任务的执行节点，实现任务卸载调度。
请参阅图1，本发明实施例提供一种技术方案：任务部分卸载调度方法，包括以下步骤：基于当前移动设备的本地资源信息判断是否可以本地执行任务，对于无法本地执行的任务进行任务分解，获得相互独立的各个子任务；基于子任务的任务处理相关信息获取各个子任务的处理需求值，用于评估各个子任务需处理卸载的重要程度，展示各个子任务处理的优先级；基于各个子任务处理的优先级依次获取各个子任务的计算节点对应值，用于选取处理卸载各个子任务的计算节点，实现子任务卸载调度。
具体地，基于当前移动设备的本地资源信息判断是否可以本地执行任务具体包括：获得当前移动设备的本地资源信息：移动设备信息、任务本地执行信息；根据当前移动设备信息、任务本地执行信息分析对比，计算得到各个任务的本地任务执行评估指数，所述本地任务执行评估指数用于评估各个任务通过本地执行的可行情况；将各个任务的本地任务评估指数与本地任务评估阈值进行对比分析，当本地任务评估指数大于等于本地任务评估阈值时，判断该任务可以通过当前移动设备的本地资源进行执行处理；当本地任务评估指数小于本地任务评估阈值时，判断该任务无法通过当前移动设备的本地资源进行执行处理；获得无法通过当前移动设备的本地资源进行执行处理的各个任务进行编号：，将无法通过当前移动设备的本地资源进行执行处理的各个任务进行任务分解，获得相互独立的各个子任务，各个子任务编号为：/>。
本实施方案中，本地任务评估阈值表示为当本地资源剩余处理能力恰好只能执行该任务时的本地任务执行评估指数，通过获得当前移动设备的本地资源信息和任务本地执行信息，动态评估每个任务在本地执行的可行性，有助于最大程度地利用设备上的本地资源，减少对外部资源的依赖，提高任务执行效率，本地执行的任务尽量在设备上执行，降低对外部资源的需求，提高系统的自主性，对于无法通过当前移动设备的本地资源执行的任务，系统进行任务分解，得到相互独立的子任务，有助于提高任务处理的并行性，使得可以同时处理多个子任务，从而加速整体任务的完成速度。
具体地，当前移动设备信息具体包括：当前移动设备剩余存储空间、当前移动设备电池剩余寿命、当前移动设备处理器主频；任务本地执行信息具体包括：任务处理耗能、任务卸载时延，所述本地任务执行评估指数计算公式为：，式中/>表示为本地任务执行评估指数，/>、/>、分别表示为当前移动设备剩余存储空间、当前移动设备电池剩余寿命、当前移动设备处理器主频，/>、/>、/>分别表示为当前移动设备剩余存储空间、当前移动设备电池剩余寿命、当前移动设备处理器主频相对应的权重因子，/>表示为任务本地执行训练周期，，/>表示为任务本地执行训练总次数，/>、/>分别表示为第/>次任务本地执行训练的任务处理耗能与任务卸载时延，/>、/>分别表示为任务处理耗能、任务卸载时延相对应的权重因子。
本实施方案中，当前移动设备剩余存储空间是指设备中还未使用的存储空间，如果任务需要大量的数据存储，设备的剩余存储空间将影响任务的可执行性；当前移动设备电池剩余寿命是指设备电池的使用时间或电量，电池寿命较短的设备可能需要更频繁地充电或更换电池，从而可能会对任务的执行产生影响；当前移动设备处理器主频是指设备处理器的时钟速度，通常以GHz为单位，处理器主频越高，设备的计算能力也就越强，因此可以更快地完成任务；任务处理耗能是指任务在设备上运行所需的能量消耗；任务卸载时延是指将任务从设备上卸载所需的时间；权重因子的设置取决于相关领域专业人员根据本地任务执行评估指数需求和优化目标来确定，通过试验和性能分析来确定最佳的权重配置，实际应用中，可以使用动态调整策略，根据设备当前状态和任务需求实时调整权重，以实现更好的性能优化。
具体地，评估各个子任务需处理卸载的重要程度具体为：获取各个子任务的处理需求值，依照处理需求值大小对各个子任务进行优先级排序，处理需求值越大，子任务处理卸载需求越紧急。
本实施方案中，通过获取各个子任务的处理需求值并按照大小对其进行优先级排序，系统能够智能地确定哪些子任务具有更紧急的处理需求，有助于确保资源优先分配给那些对系统性能和用户体验有更大影响的任务，从而最大化整体任务处理的效率。
具体地，获取各个子任务的处理需求值具体包括：获取各个子任务的任务处理相关信息，任务处理相关信息具体包括：子任务处理价值信息、子任务紧急信息；子任务处理价值信息具体包括：子任务收益值、子任务影响值；子任务紧急信息具体包括：子任务截至剩余时间、子任务前置依赖影响值；根据子任务处理价值信息、子任务紧急信息分别分析获得子任务处理奖励值、子任务依赖紧急值；子任务处理奖励值根据子任务收益值与子任务影响值分析，并分别为子任务收益值与子任务影响值赋予权重进行加权求和计算获得，用于表示该子任务对于任务整体的影响程度及执行该子任务获得的收益价值，子任务处理奖励值的计算公式为：
，式中/>表示为第/>个无法通过当前移动设备的本地资源进行执行处理的任务分解的第/>个子任务的子任务处理奖励值，/>表示为子任务奖励值训练周期，/>，/>表示为子任务奖励值训练总次数，/>、分别表示为第/>次子任务奖励值训练的第/>个无法通过当前移动设备的本地资源进行执行处理的任务分解的第/>个子任务的子任务收益值与子任务影响值，/>、/>分别表示为子任务收益值与子任务影响值相对应的权重因子；子任务依赖紧急值根据子任务截至剩余时间、子任务前置依赖影响值分析，并分别为子任务截至剩余时间、子任务前置依赖影响值赋予权重进行加权求和计算获得，用于表示该子任务的紧急程度及对于其他子任务执行的影响程度，子任务依赖紧急值的计算公式为：
，式中/>表示为第/>个无法通过当前移动设备的本地资源进行执行处理的任务分解的第/>个子任务的子任务依赖紧急值，/>表示为子任务依赖紧急值训练周期，/>，/>表示为子任务依赖紧急值训练总次数，/>、/>分别表示为第/>次子任务依赖紧急值训练的第/>个无法通过当前移动设备的本地资源进行执行处理的任务分解的第/>个子任务的子任务截至剩余时间、子任务前置依赖影响值，/>、/>分别表示为子任务依赖紧急值相对应的权重因子；根据子任务处理奖励值、子任务依赖紧急值分析，构建处理需求模型，得到处理需求值，用于综合展示子任务需处理卸载的重要程度。
本实施方案中，子任务收益值表示完成某个子任务后对系统、用户或应用的利益或价值，较高的收益值通常表示任务的完成对系统整体更有益；子任务影响值表示完成或未完成某个子任务对系统或其他任务的影响程度；子任务截至剩余时间表示完成某个子任务所剩下的时间，随着截至时间的逼近，子任务的紧急性会增加；子任务前置依赖影响值表示某个子任务对其后续任务的影响程度，如果一个任务有前置依赖，那么其完成或未完成可能会对后续任务的执行产生积极或消极的影响，用于衡量前置依赖任务的重要性；权重因子的设置取决于相关领域专业人员基于相关领域知识及对于实际任务的了解需求设定。
具体地，处理需求值的计算公式为：；式中/>表示为第/>个无法通过当前移动设备的本地资源进行执行处理的任务分解的第/>个子任务的处理需求值，/>表示为第/>个无法通过当前移动设备的本地资源进行执行处理的任务分解的第/>个子任务的子任务处理奖励值，/>表示为第/>个无法通过当前移动设备的本地资源进行执行处理的任务分解的第/>个子任务的子任务依赖紧急值，/>、/>分别表示为子任务处理奖励值、子任务依赖紧急值相对应的权重因子。
本实施方案中，子任务处理奖励值和子任务依赖紧急值的权重因子设置方式可以根据任务的具体情况和要求来确定，如果任务的主要目标是实现客户满意度，那么子任务处理奖励值可能会得到更高的权重，因为它可以直接关联到客户的满意程度，同时可以基于专家的意见来确定子任务处理奖励值和子任务依赖紧急值的权重因子。
具体地，选取处理卸载各个子任务的计算节点具体为：依照各个子任务处理的优先级依次获取各个子任务分配给各个计算节点对应的计算节点对应值；将各个计算节点对应的计算节点对应值进行大小排序，选择计算节点对应值最大的计算节点作为子任务的执行节点，确保高优先级的任务被分配给性能更好的计算节点。
本实施方案中，通过依照各个子任务处理的优先级，将任务分配给计算节点，并根据计算节点对应值进行排序，系统能够实现智能的任务分配，提高整体任务执行效率；选择计算节点对应值最大的节点作为执行节点，意味着任务更有可能在性能更强的计算节点上执行，有助于提高任务的执行性能，减少任务的执行时间，从而提升整体系统的性能水平，避免任务在某些计算节点上集中，造成拥堵和性能瓶颈。
具体地，计算节点对应值获得方式为：获得子任务处理执行信息、节点负载信息；子任务处理执行信息具体包括：子任务处理耗能、子任务处理时间；节点负载信息具体包括：节点CPU使用率、节点内存使用率、节点CPU时钟频率；依照子任务处理执行信息、节点负载信息分析分别获得子任务处理评估指数、节点负载评估指数，分别用于评估子任务执行处理所需的资源状况与计算节点的负载情况，子任务处理评估指数的计算公式为：
，式中/>表示为第/>个无法通过当前移动设备的本地资源进行执行处理的任务分解的第/>个子任务的子任务处理评估指数，/>表示为子任务执行处理训练周期，/>，/>、/>分别表示为第/>次训练的第/>个无法通过当前移动设备的本地资源进行执行处理的任务分解的第/>个子任务的子任务处理耗能、子任务处理时间，/>、/>分别表示为子任务处理耗能、子任务处理时间相对应的权重因子；节点负载评估指数的计算公式为：
，式中/>表示为第/>个计算节点的节点负载评估指数，/>、/>、/>分别表示为第/>个计算节点的节点CPU使用率、节点内存使用率、节点CPU时钟频率，/>、/>、/>分别表示为节点CPU使用率、节点内存使用率、节点CPU时钟频率相对应的权重因子，依照子任务处理评估指数、节点负载评估指数分析，得到计算节点对应值，所述计算节点对应值计算公式为：
；式中/>表示为第/>个无法通过当前移动设备的本地资源进行执行处理的任务分解的第/>个子任务分配给第/>个计算节点时的计算节点对应值，/>表示为计算节点编号，/>，/>表示为第/>个计算节点的节点负载评估指数，/>表示为第/>个无法通过当前移动设备的本地资源进行执行处理的任务分解的第/>个子任务的子任务处理评估指数，/>表示为计算节点对应值的损耗因子。
本实施方案中，子任务处理耗能表示完成某个子任务所需的能量或电力消耗，较高的处理耗能可能表示任务在执行时对硬件资源的需求较大；子任务处理时间表示完成某个子任务所需的时间，是任务执行的时间延迟，通常与任务的计算复杂度、数据量等因素相关，较短的处理时间通常表示任务执行速度较快；节点CPU使用率表示计算节点上CPU的利用率，即CPU正在执行任务的时间占总时间的比例，较高的CPU使用率表示节点的处理能力正在充分利用，但也可能意味着节点可能面临过载或性能瓶颈；节点内存使用率表示计算节点上内存的利用率，即节点内存正在执行任务的时间占总时间的比例，较高的内存使用率可能表示节点的内存资源正在充分利用，但也可能表明节点可能面临内存不足的问题；节点CPU时钟频率表示计算节点上CPU的时钟频率，即CPU每秒钟执行的时钟周期数，较高的时钟频率通常表示节点的处理器性能较高，但也可能伴随着较高的功耗；节点对应值的损耗因子可以根据过去的实践经验和数据，通过观察和分析来确定计算节点对应值的损耗因子，包括记录和评估过去任务执行时各个计算节点的性能、可靠性、稳定性等指标，然后基于这些指标来评估和设置损耗因子，还可以通过实际的实验和测试，对不同计算节点的性能进行测量和评估，以获得计算节点对应值的损耗因子，包括对计算节点进行负载测试、性能测试、稳定性测试等，然后根据实验结果来设置损耗因子。
一种终端设备，包括：处理器；以及存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上述的任务部分卸载调度方法。
一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被处理器执行时实现如上述的任务部分卸载调度方法。
综上，本申请至少具有以下效果：通过结合各个子任务的处理价值信息、紧急信息获得处理需求值，能够对各个子任务的重要性和优先级进行评估和展示，有助于决策者理解任务的紧迫程度和价值，进而进行任务分配和调度；基于子任务处理执行信息和节点负载信息，并依照子任务的优先级进行计算，获得计算节点对应值，能够为各个子任务选择适合的计算节点进行卸载，实现任务的负载均衡，减轻设备的负担，提高系统的整体性能和响应能力。
本领域内的技术人员应明白，本发明的实施例可提供为方法、终端设备、计算机可读存储介质。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程的结合。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中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (6)
1.任务部分卸载调度方法，其特征在于，包括以下步骤：
基于当前移动设备的本地资源信息判断是否可以本地执行任务，对于无法本地执行的任务进行任务分解，获得相互独立的各个子任务；
基于子任务的任务处理相关信息获取各个子任务的处理需求值，用于评估各个子任务需处理卸载的重要程度，展示各个子任务处理的优先级；
基于各个子任务处理的优先级依次获取各个子任务的计算节点对应值，用于选取处理卸载各个子任务的计算节点，实现子任务卸载调度；
所述获取各个子任务的处理需求值具体包括：
获取各个子任务的任务处理相关信息，所述任务处理相关信息具体包括：子任务处理价值信息、子任务紧急信息；
所述子任务处理价值信息具体包括：子任务收益值、子任务影响值；
所述子任务紧急信息具体包括：子任务截至剩余时间、子任务前置依赖影响值；
根据子任务处理价值信息、子任务紧急信息分别分析获得子任务处理奖励值、子任务依赖紧急值；
根据子任务处理奖励值、子任务依赖紧急值分析，构建处理需求模型，得到处理需求值，用于综合展示子任务需处理卸载的重要程度，所述构建处理需求模型，得到处理需求值具体为通过子任务处理奖励值和子任务依赖紧急值赋予权重进行加权求和的计算模型获得处理需求值；
子任务处理奖励值的计算公式为：
，式中/>表示为第/>个无法通过当前移动设备的本地资源进行执行处理的任务分解的第/>个子任务的子任务处理奖励值，/>表示为子任务奖励值训练周期，/>，/>表示为子任务奖励值训练总次数，/>、/>分别表示为第/>次子任务奖励值训练的第/>个无法通过当前移动设备的本地资源进行执行处理的任务分解的第/>个子任务的子任务收益值与子任务影响值，/>、/>分别表示为子任务收益值与子任务影响值相对应的权重因子；子任务依赖紧急值的计算公式为：
，式中/>表示为第/>个无法通过当前移动设备的本地资源进行执行处理的任务分解的第/>个子任务的子任务依赖紧急值，/>表示为子任务依赖紧急值训练周期，/>，/>表示为子任务依赖紧急值训练总次数，、/>分别表示为第/>次子任务依赖紧急值训练的第/>个无法通过当前移动设备的本地资源进行执行处理的任务分解的第/>个子任务的子任务截至剩余时间、子任务前置依赖影响值，/>、/>分别表示为子任务依赖紧急值相对应的权重因子；
所述选取处理卸载各个子任务的计算节点具体为：
依照各个子任务处理的优先级依次获取各个子任务分配给各个计算节点对应的计算节点对应值；
将各个计算节点对应的计算节点对应值进行大小排序，选择计算节点对应值最大的计算节点作为子任务的执行节点；
计算节点对应值获得方式为：
获得子任务处理执行信息、节点负载信息；
所述子任务处理执行信息具体包括：子任务处理耗能、子任务处理时间；
所述节点负载信息具体包括：节点CPU使用率、节点内存使用率、节点CPU时钟频率；
依照子任务处理执行信息、节点负载信息分析分别获得子任务处理评估指数、节点负载评估指数，分别用于评估子任务执行处理所需的资源状况与计算节点的负载情况；
依照子任务处理评估指数、节点负载评估指数分析，得到计算节点对应值，所述计算节点对应值计算公式为：
，式中/>表示为第/>个无法通过当前移动设备的本地资源进行执行处理的任务分解的第/>个子任务分配给第/>个计算节点时的计算节点对应值，/>表示为计算节点编号，/>，/>表示为第/>个计算节点的节点负载评估指数，/>表示为第/>个无法通过当前移动设备的本地资源进行执行处理的任务分解的第/>个子任务的子任务处理评估指数，/>表示为计算节点对应值的损耗因子；
子任务处理评估指数的计算公式为：
，式中/>表示为第/>个无法通过当前移动设备的本地资源进行执行处理的任务分解的第/>个子任务的子任务处理评估指数，表示为子任务执行处理训练周期，/>，/>、/>分别表示为第/>次训练的第/>个无法通过当前移动设备的本地资源进行执行处理的任务分解的第/>个子任务的子任务处理耗能、子任务处理时间，/>、/>分别表示为子任务处理耗能、子任务处理时间相对应的权重因子；节点负载评估指数的计算公式为：
，式中/>表示为第/>个计算节点的节点负载评估指数，/>、/>、/>分别表示为第/>个计算节点的节点CPU使用率、节点内存使用率、节点CPU时钟频率，/>、/>、/>分别表示为节点CPU使用率、节点内存使用率、节点CPU时钟频率相对应的权重因子。
2.根据权利要求1所述的任务部分卸载调度方法，其特征在于，所述基于当前移动设备的本地资源信息判断是否可以本地执行任务具体包括：
获得当前移动设备的本地资源信息，包括当前移动设备信息、任务本地执行信息；
根据当前移动设备信息、任务本地执行信息分析对比，计算得到各个任务的本地任务执行评估指数，所述本地任务执行评估指数用于评估各个任务通过本地执行的可行情况；
将各个任务的本地任务评估指数与本地任务评估阈值进行对比分析，当本地任务评估指数大于等于本地任务评估阈值时，判断该任务可以通过当前移动设备的本地资源进行执行处理；
当本地任务评估指数小于本地任务评估阈值时，判断该任务无法通过当前移动设备的本地资源进行执行处理；
获得无法通过当前移动设备的本地资源进行执行处理的各个任务进行编号：，将无法通过当前移动设备的本地资源进行执行处理的各个任务进行任务分解，获得相互独立的各个子任务，各个子任务编号为：/>；
所述当前移动设备信息具体包括：当前移动设备剩余存储空间、当前移动设备电池剩余寿命、当前移动设备处理器主频；
所述任务本地执行信息具体包括：任务处理耗能、任务卸载时延；
所述本地任务执行评估指数计算公式为：
，式中/>表示为本地任务执行评估指数，/>、、/>分别表示为当前移动设备剩余存储空间、当前移动设备电池剩余寿命、当前移动设备处理器主频，/>、/>、/>分别表示为当前移动设备剩余存储空间、当前移动设备电池剩余寿命、当前移动设备处理器主频相对应的权重因子，/>表示为任务本地执行训练周期，，/>表示为任务本地执行训练总次数，/>、/>分别表示为第/>次任务本地执行训练的任务处理耗能与任务卸载时延，/>、/>分别表示为任务处理耗能、任务卸载时延相对应的权重因子。
3.根据权利要求1所述的任务部分卸载调度方法，其特征在于，所述评估各个子任务需处理卸载的重要程度具体为：获取各个子任务的处理需求值，依照处理需求值大小对各个子任务进行优先级排序，处理需求值越大，子任务处理卸载需求越紧急。
4.根据权利要求1所述的任务部分卸载调度方法，其特征在于，所述通过子任务处理奖励值和子任务依赖紧急值赋予权重进行加权求和的计算模型获得处理需求值，具体计算公式为：
，式中/>表示为第/>个无法通过当前移动设备的本地资源进行执行处理的任务分解的第/>个子任务的处理需求值，/>表示为第/>个无法通过当前移动设备的本地资源进行执行处理的任务分解的第/>个子任务的子任务处理奖励值，表示为第/>个无法通过当前移动设备的本地资源进行执行处理的任务分解的第/>个子任务的子任务依赖紧急值，/>、/>分别表示为子任务处理奖励值、子任务依赖紧急值相对应的权重因子。
5.一种终端设备，包括：
处理器；以及存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-4中任一项所述的任务部分卸载调度方法。
6.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被处理器执行时实现如权利要求1至4中任一项所述的任务部分卸载调度方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410218204.6A CN117806806B (zh) | 2024-02-28 | 2024-02-28 | 任务部分卸载调度方法、终端设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410218204.6A CN117806806B (zh) | 2024-02-28 | 2024-02-28 | 任务部分卸载调度方法、终端设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117806806A CN117806806A (zh) | 2024-04-02 |
| CN117806806B true CN117806806B (zh) | 2024-05-17 |
Family
ID=90430224
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410218204.6A Active CN117806806B (zh) | 2024-02-28 | 2024-02-28 | 任务部分卸载调度方法、终端设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117806806B (zh) |
Citations (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110351309A (zh) * | 2018-04-02 | 2019-10-18 | 中国科学院上海微系统与信息技术研究所 | 网络节点间计算任务卸载平衡方法、系统、介质及设备 |
| CN111372314A (zh) * | 2020-03-12 | 2020-07-03 | 湖南大学 | 基于移动边缘计算场景下的任务卸载方法及任务卸载装置 |
| CN112988345A (zh) * | 2021-02-09 | 2021-06-18 | 江南大学 | 一种基于移动边缘计算的依赖型任务卸载方法及装置 |
| CN113220311A (zh) * | 2021-04-15 | 2021-08-06 | 南京邮电大学 | 一种移动感知的云边端协同应用卸载方法、系统及其存储介质 |
| CN113873022A (zh) * | 2021-09-23 | 2021-12-31 | 中国科学院上海微系统与信息技术研究所 | 一种可划分任务的移动边缘网络智能资源分配方法 |
| CN114968510A (zh) * | 2021-12-27 | 2022-08-30 | 中国空间技术研究院 | 一种基于改进蚁群算法的多目标动态任务调度方法和系统 |
| CN115033373A (zh) * | 2022-03-08 | 2022-09-09 | 西安电子科技大学 | 一种移动边缘计算网络中逻辑依赖性任务的调度卸载方法 |
| CN115185660A (zh) * | 2022-07-07 | 2022-10-14 | 山东师范大学 | Mar任务在多接入边缘计算中的卸载和缓存放置方法及系统 |
| WO2022222567A1 (zh) * | 2021-04-22 | 2022-10-27 | 中国银联股份有限公司 | 一种任务调度方法、装置及计算机可读存储介质 |
| 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 |
| US11526385B1 (en) * | 2020-04-02 | 2022-12-13 | State Farm Mutual Automobile Insurance Company | Systems and methods to leverage unused compute resource for machine learning tasks |
| CN115686779A (zh) * | 2022-10-14 | 2023-02-03 | 兰州交通大学 | 基于dqn的自适应边缘计算任务调度方法 |
| 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 |
| CN116719629A (zh) * | 2023-08-10 | 2023-09-08 | 华能信息技术有限公司 | 一种基于工业互联网的任务分解方法 |
| CN116782249A (zh) * | 2023-08-14 | 2023-09-19 | 山东省计算中心（国家超级计算济南中心） | 具有用户依赖关系的边缘计算卸载及资源分配方法及系统 |
| CN116782298A (zh) * | 2023-06-28 | 2023-09-19 | 中国科学院计算技术研究所 | 一种在云边系统中实现资源抢占式卸载方法 |
| CN116820621A (zh) * | 2023-07-06 | 2023-09-29 | 南京航空航天大学 | 一种基于图论和小样本近端策略优化的计算任务卸载方法 |
| CN116886703A (zh) * | 2023-03-24 | 2023-10-13 | 华南理工大学 | 一种基于优先级和强化学习的云边端协作计算卸载方法 |
| CN116893861A (zh) * | 2023-07-21 | 2023-10-17 | 河北工程大学 | 基于空地协同边缘计算的多智能体协作依赖任务卸载方法 |
| CN116996938A (zh) * | 2023-07-26 | 2023-11-03 | 湖南科技大学 | 车联网任务卸载方法、终端设备及存储介质 |
| CN117112210A (zh) * | 2023-08-21 | 2023-11-24 | 大连海事大学 | 一种基于分层博弈的移动边缘计算卸载的资源调度方法 |
| CN117193987A (zh) * | 2023-10-13 | 2023-12-08 | 英联（厦门）金融技术服务股份有限公司 | 一种互为中立的独立分布式计算与节点管理方法 |
| CN117290006A (zh) * | 2023-08-17 | 2023-12-26 | 浙江工业大学 | 面向vec的依赖性任务卸载和服务缓存联合优化方法 |
| CN117579701A (zh) * | 2023-11-20 | 2024-02-20 | 中国科学院计算技术研究所 | 一种移动边缘网络计算卸载方法及系统 |
| CN117608840A (zh) * | 2023-11-28 | 2024-02-27 | 华能江苏综合能源服务有限公司 | 一种智能监控系统资源综合管理的任务处理方法及系统 |
| CN117608821A (zh) * | 2023-10-24 | 2024-02-27 | 北京交通大学 | 确定计算任务卸载策略的方法、装置、设备及介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022073229A1 (en) * | 2020-10-10 | 2022-04-14 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and apparatus for managing load of network node |
| US20230376355A1 (en) * | 2022-05-17 | 2023-11-23 | Zhejiang Lab | Methods, Terminals and Network Devices for Computing Task Allocation and Updating |
-
2024
- 2024-02-28 CN CN202410218204.6A patent/CN117806806B/zh active Active
Patent Citations (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110351309A (zh) * | 2018-04-02 | 2019-10-18 | 中国科学院上海微系统与信息技术研究所 | 网络节点间计算任务卸载平衡方法、系统、介质及设备 |
| CN111372314A (zh) * | 2020-03-12 | 2020-07-03 | 湖南大学 | 基于移动边缘计算场景下的任务卸载方法及任务卸载装置 |
| US11526385B1 (en) * | 2020-04-02 | 2022-12-13 | State Farm Mutual Automobile Insurance Company | Systems and methods to leverage unused compute resource for machine learning tasks |
| CN112988345A (zh) * | 2021-02-09 | 2021-06-18 | 江南大学 | 一种基于移动边缘计算的依赖型任务卸载方法及装置 |
| CN113220311A (zh) * | 2021-04-15 | 2021-08-06 | 南京邮电大学 | 一种移动感知的云边端协同应用卸载方法、系统及其存储介质 |
| WO2022222567A1 (zh) * | 2021-04-22 | 2022-10-27 | 中国银联股份有限公司 | 一种任务调度方法、装置及计算机可读存储介质 |
| CN113873022A (zh) * | 2021-09-23 | 2021-12-31 | 中国科学院上海微系统与信息技术研究所 | 一种可划分任务的移动边缘网络智能资源分配方法 |
| CN114968510A (zh) * | 2021-12-27 | 2022-08-30 | 中国空间技术研究院 | 一种基于改进蚁群算法的多目标动态任务调度方法和系统 |
| CN115033373A (zh) * | 2022-03-08 | 2022-09-09 | 西安电子科技大学 | 一种移动边缘计算网络中逻辑依赖性任务的调度卸载方法 |
| 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 |
| CN115185660A (zh) * | 2022-07-07 | 2022-10-14 | 山东师范大学 | Mar任务在多接入边缘计算中的卸载和缓存放置方法及系统 |
| CN115686779A (zh) * | 2022-10-14 | 2023-02-03 | 兰州交通大学 | 基于dqn的自适应边缘计算任务调度方法 |
| CN116886703A (zh) * | 2023-03-24 | 2023-10-13 | 华南理工大学 | 一种基于优先级和强化学习的云边端协作计算卸载方法 |
| 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 |
| CN116782298A (zh) * | 2023-06-28 | 2023-09-19 | 中国科学院计算技术研究所 | 一种在云边系统中实现资源抢占式卸载方法 |
| CN116820621A (zh) * | 2023-07-06 | 2023-09-29 | 南京航空航天大学 | 一种基于图论和小样本近端策略优化的计算任务卸载方法 |
| CN116893861A (zh) * | 2023-07-21 | 2023-10-17 | 河北工程大学 | 基于空地协同边缘计算的多智能体协作依赖任务卸载方法 |
| CN116996938A (zh) * | 2023-07-26 | 2023-11-03 | 湖南科技大学 | 车联网任务卸载方法、终端设备及存储介质 |
| CN116719629A (zh) * | 2023-08-10 | 2023-09-08 | 华能信息技术有限公司 | 一种基于工业互联网的任务分解方法 |
| CN116782249A (zh) * | 2023-08-14 | 2023-09-19 | 山东省计算中心（国家超级计算济南中心） | 具有用户依赖关系的边缘计算卸载及资源分配方法及系统 |
| CN117290006A (zh) * | 2023-08-17 | 2023-12-26 | 浙江工业大学 | 面向vec的依赖性任务卸载和服务缓存联合优化方法 |
| CN117112210A (zh) * | 2023-08-21 | 2023-11-24 | 大连海事大学 | 一种基于分层博弈的移动边缘计算卸载的资源调度方法 |
| CN117193987A (zh) * | 2023-10-13 | 2023-12-08 | 英联（厦门）金融技术服务股份有限公司 | 一种互为中立的独立分布式计算与节点管理方法 |
| CN117608821A (zh) * | 2023-10-24 | 2024-02-27 | 北京交通大学 | 确定计算任务卸载策略的方法、装置、设备及介质 |
| CN117579701A (zh) * | 2023-11-20 | 2024-02-20 | 中国科学院计算技术研究所 | 一种移动边缘网络计算卸载方法及系统 |
| CN117608840A (zh) * | 2023-11-28 | 2024-02-27 | 华能江苏综合能源服务有限公司 | 一种智能监控系统资源综合管理的任务处理方法及系统 |
Non-Patent Citations (6)
| Title |
|---|
| Edge computing task offloading and resource allocation policies;Ming Tang et al;2023 IEEE 7th Information Technology and Mechatronics Engineering Conference (ITOEC);20231030;全文 * |
| Time-Slotted Task Offloading and Resource Allocation for Cloud-Edge-End Cooperative Computing Networks;Wenhao Fan et al;IEEE Transactions on Mobile Computing ( Early Access );20240104;全文 * |
| 基于深度强化学习的多用户边缘计算任务卸载调度与资源分配算法;邝祝芳等;计算机学报;20210807;全文 * |
| 基于边缘云的动态和抢占式任务卸载调度算法研究;丁可欣等;华南师范大学学报（自然科学版）;20230412;全文 * |
| 边缘计算中协作计算卸载与动态任务调度;张斐斐等;软件学报;20230419;全文 * |
| 面向物联网的移动边缘计算任务卸载方法研究;王登辉;陈毅红;;内江师范学院学报;20201025(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117806806A (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110096349B (zh) | 一种基于集群节点负载状态预测的作业调度方法 | |
| CN110971706B (zh) | Mec中近似最优化与基于强化学习的任务卸载方法 | |
| CN105718479B (zh) | 跨idc大数据处理架构下执行策略生成方法、装置 | |
| CN110389816B (zh) | 用于资源调度的方法、装置以及计算机可读介质 | |
| CN112261120B (zh) | 一种配电物联网云边协同任务卸载方法及装置 | |
| CN107566535B (zh) | 基于Web地图服务并发访问时序规则的自适应负载均衡方法 | |
| CN108132840A (zh) | 一种分布式系统中的资源调度方法及装置 | |
| CN111796933B (zh) | 资源调度方法、装置、存储介质和电子设备 | |
| CN111176840A (zh) | 分布式任务的分配优化方法和装置、存储介质及电子装置 | |
| CN113918240A (zh) | 任务卸载方法及装置 | |
| CN114595049A (zh) | 一种云边协同任务调度方法及装置 | |
| CN116708451B (zh) | 一种边云协同调度方法及系统 | |
| CN117596246B (zh) | 基于异构资源度量特征的算力网络工作流调度方法及系统 | |
| CN117407160A (zh) | 一种边缘计算场景下在线任务和离线任务的混合部署方法 | |
| CN117349026B (zh) | 一种用于aigc模型训练的分布式算力调度系统 | |
| CN117806806B (zh) | 任务部分卸载调度方法、终端设备及存储介质 | |
| CN117311973A (zh) | 计算设备调度方法、装置、非易失性存储介质及电子设备 | |
| CN114615705B (zh) | 一种基于5g网络下单用户资源分配策略方法 | |
| CN110069319A (zh) | 一种面向朵云资源管理的多目标虚拟机调度方法及系统 | |
| CN115599514A (zh) | 任务调度方法、装置、计算设备及计算机可读存储介质 | |
| CN115599522A (zh) | 一种云计算平台任务调度方法、装置和设备 | |
| Le Hai et al. | A working time deadline-based backfilling scheduling solution | |
| CN114327925A (zh) | 一种电力数据实时计算调度优化方法及系统 | |
| CN114546647A (zh) | 调度方法和调度装置 | |
| Rothman et al. | An RL-Based Model for Optimized Kubernetes Scheduling |
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 |