CN107370799A - 一种混合移动云环境中高能效的多用户在线计算迁移方法 - Google Patents
一种混合移动云环境中高能效的多用户在线计算迁移方法 Download PDFInfo
- Publication number
- CN107370799A CN107370799A CN201710543379.4A CN201710543379A CN107370799A CN 107370799 A CN107370799 A CN 107370799A CN 201710543379 A CN201710543379 A CN 201710543379A CN 107370799 A CN107370799 A CN 107370799A
- Authority
- CN
- China
- Prior art keywords
- virtual machine
- cloudlet
- clouds
- user
- request
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- 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
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种混合移动云环境中高能效的多用户在线计算迁移方法,包括计算迁移请求、虚拟机回收、请求预测、阈值调整、虚拟机预留、优先级调整、权重调整、调整响应时间和能耗所占的权重、虚拟机监控、效用值计算和共同决策等步骤;本发明能平衡每个时隙中所有用户应用程序的响应时间和移动设备的能耗,让每个时隙的性能都达到一个较优值,实现所有时隙整体性能上的最优。
Description
技术领域
本发明属于移动云计算技术和计算迁移技术领域,具体涉及一种混合移动云环境中高能效的多用户在线计算迁移方法。
背景技术
随着智能手机、平板电脑等移动设备的不断普及和发展,以人脸识别、移动增强现实、自然语言处理为代表的新型移动应用程序也随之应运而生。这类应用通常具有三个特点:对延迟敏感、需要大量计算资源、执行时高电量消耗。而移动设备的硬件资源如计算能力、内存大小有限,更重要的是,其电池的续航能力较低,无法运行或运行这类计算密集型应用时无法满足用户的QOS需求。
移动云计算和移动互联网的发展产生了一种新的计算模式-移动云计算。移动云计算允许用户方便快速地访问云端资源,通过计算迁移,将部分计算量较大的组件迁移到更强计算、存储能力的远程服务器上执行,从而加快移动应用的执行,同时降低移动设备的计算负载和能耗。
在混合移动云架构中,Cloudlet和云端资源均有限。在多时隙场景下,同一时隙以及不同时隙中所有用户会同时对Cloudlet和云端资源产生竞争,用户之间的迁移决策会相互影响。因此,如何在多时隙、资源有限的情况下进行计算迁移,从而保证每个时隙中所有用户的性能达到一个较优值,同时避免不同时隙之间的性能波动较大,实现所有时隙整体性能上的最优。
发明内容
为了解决上述技术问题,本发明提出了一种混合移动云环境中高能效的多用户在线计算迁移方法,平衡各个时隙中所有用户移动设备能耗和移动应用程序的响应时间。
本发明所采用的技术方案是:一种混合移动云环境中高能效的多用户在线计算迁移方法,其特征在于,包括以下步骤:
步骤1:每个运行移动应用程序的用户向Cloudlet提交一个计算迁移请求,同时把移动设备的硬件配置信息和网络带宽信息一起发送过去;
步骤2:虚拟机回收;
判断当前时隙Cloudlet和云端已分配虚拟机是否达到回收点,若达到回收点表示虚拟机此时处于空闲状态,则对这部分虚拟机进行回收,用于下个时隙中进行分配以处理新到达的用户请求;
步骤3:请求预测;
预测下个时隙中可能的迁移请求数,并计算和当前时隙请求数的差值,如果超过阈值,执行步骤4,如果否,执行步骤5;
步骤4:阈值调整;
增大或减小当前时隙虚拟机的预留比例;
步骤5:虚拟机预留;
确定为当前时隙实际的分配Cloudlet和云端虚拟机数;
步骤6:优先级调整;
计算出所有用户应用程序中每个组件的优先级,并按优先级顺序逐个调度每个组件;
步骤7:权重调整;
判断当前移动设备电量所处的状态,如果电量充足,执行步骤8,如果电量不足,执行步骤7;
步骤8:调整响应时间和能耗所占的权重;
步骤9:虚拟机监控;
计算虚拟机的占用情况以及每台虚拟机已经分配的组件数;
步骤10:效用值计算;
计算出组件在不同位置执行时对应的效用值,进而确定组件的实际执行位置;
步骤11:共同决策;
根据每个移动设备计算能力、可用电量、负载、Cloudlet和云端资源占用情况、虚拟机负载来共同决策,为每个时隙中每个用户得到当前条件下相对最优的计算迁移方案。
本发明在每个时隙末处理当前时隙中所有提交的计算迁移请求,根据所有用户的移动设备配置、网络带宽、负载以及云端资源的占用情况、负载等为每个用户得到一个当前条件下相对最优的计算迁移方案,并根据电量、带宽的变化动态调整划分方案。通过本发明的方案能够平衡每个时隙中所有用户移动应用程序的响应时间和移动设备能耗,实现所有时隙整体性能上的最优。
附图说明
图1为本发明实施例的多用户在线计算迁移架构图;
图2为本发明实施例的多用户在线计算迁移方法流程图;
图3为本发明实施例的多用户在线计算迁移方法中请求预测和自适应预留步骤的流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
请见图1-图3,本发明提供的一种混合移动云环境中高能效的多用户在线计算迁移方法,包括以下步骤:
步骤1:每个运行移动应用程序的用户向Cloudlet提交一个计算迁移请求,同时把移动设备的硬件配置信息和网络带宽信息一起发送过去;
本实施例的计算迁移请求用于确定每个时隙所有用户移动应用程序每个组件的具体执行位置;
通过分别比较组件在本地、Cloudlet以及云端执行的效用值来为每个时隙中提交卸载请求的所有用户移动应用程序每个组件得到相对最佳的执行位置,同时基于优先级来进行组件的调度,保证用户之间调度的公平性。
步骤2:虚拟机回收;
判断当前时隙Cloudlet和云端已分配虚拟机是否达到回收点,若达到回收点表示虚拟机此时处于空闲状态,则对这部分虚拟机进行回收,用于下个时隙中进行分配以处理新到达的用户请求;
步骤3:请求预测;
预测下个时隙中可能的迁移请求数,并计算和当前时隙请求数的差值,如果超过阈值,执行步骤4,如果否,执行步骤5;
步骤4:阈值调整;
增大或减小当前时隙虚拟机的预留比例;
即用于确定每个时隙所有用户移动应用程序每个组件的具体执行位置。如果预测出下个时隙中提交迁移请求的用户数较多,则需要提前预留出更多的虚拟机资源,因此根据历史时隙中的卸载请求数预测出未来一个时隙中可能的请求数,并判断预测的请求数和当前时隙的请求数的差值是否超高预先预定的阈值r,若是,则增大Cloudlet和云端虚拟机的预留比例p1和p2;若否,则根据初始预留比例对Cloudlet和云端虚拟机进行预留。
步骤5:虚拟机预留;
用于对下个时隙中可能到来的请求数进行预测,以便***出一部分虚拟机资源,并根据预测请求数动态调整预留比例;
用于确定当前时隙Cloudlet和云端应该分配的虚拟机数。在多时隙、Cloudlet和云端虚拟机资源均有限情况下,由于资源的有限性和共享性,用户会对这些资源进行争用,同一时隙中各个用户之间的迁移决策会相互影响,不同时隙中迁移决策也会相互影响,如果为当前时隙分配了太多虚拟机资源,则下个时隙中可用虚拟机资源就减少,反之亦然,不合理的资源分配策略会导致时隙之间的性能波动较大。而当前时隙不知道下个时隙中迁移请求数,本步骤用于对下个时隙中可能到来的请求数进行预测,以便***出一部分虚拟机资源,并根据预测请求数动态调整预留比例。
具体实现包括以下子步骤:
步骤5.1:根据历史时隙请求数,通过加权马尔可夫预测模型预测出下一个时隙的用户请求数;
步骤5.2:计算出当前时隙Cloudlet和云端应该分配的最佳虚拟机数;
步骤5.3:比较当前Cloudlet和云端可用虚拟机数是否均大于应该分配虚拟机数,如果是,则执行步骤5.4,如果否,为当前时隙分配所有虚拟机;
步骤5.4:预测出下个时隙请求数,并计算出下个时隙Cloudlet和云端应该分配虚拟机数;
步骤5.5:判断预测请求数和当前时隙请求数差值的绝对值是否超过阈值,如果是,执行步骤5.6,如果否,执行步骤5.7;
步骤5.6:增大或缩小当前时隙预留比例;
步骤5.7:为当前时隙分配最佳虚拟机数后,如果Cloudlet和云端剩余虚拟机数中只有一个能满足下个时隙需求,则虚拟机数足够的按照最佳虚拟机数分配,虚拟机数不足的按照预留比例进行预留,如果否,执行步骤5.8;
步骤5.8:如果Cloudlet和云端剩余虚拟机数均不满足下个时隙需求,则两者均进行预留,如果否,执行步骤5.9;
步骤5.9:当Cloudlet和云端剩余虚拟机数均能满足下个时隙需求,两者都按照最佳虚拟机数进行分配。
步骤6:优先级调整;
计算出所有用户应用程序中每个组件的优先级,并按优先级顺序逐个调度每个组件;
根据移动应用程序中各个组件的拓扑排序给每个组件设置相应的优先级p,并根据优先级顺序逐个确定每个组件的执行位置;对于同一用户而言,前驱组件的优先级大于后继组件,保证组件之间正确的调度顺序;对于不同用户而言,处于同一级的组件具有相同优先级,保证用户之间调度的公平性。
步骤7:权重调整;
判断当前移动设备电量所处的状态,如果电量充足,执行步骤8,如果电量不足,执行步骤7;
用于获取每个移动设备的当前剩余电量,可用电量的多少会影响效用函数中响应时间和能耗所占的权重,进而影响计算迁移策略;当移动设备电量充足即大于等于设定的阈值m时,响应时间为第一目标;而当移动设备电量小于设定的阈值m时,此时移动设备进行省电模式,以节约能耗作为首要目标。
步骤8:调整响应时间和能耗所占的权重;
步骤9:虚拟机监控;
计算虚拟机的占用情况以及每台虚拟机已经分配的组件数;
因为Cloudlet和云端均有限,同一时隙以及不同时隙中各个用户会这这些共享资源进行争用,每台虚拟机在任一时刻只能执行一个组件或任务,当虚拟机资源被全部占用后,后面时隙中分配到相同虚拟机的组件必须要等待前面的组件执行完后才能开始执行。另外,若存在两个虚拟机能开始执行组件的时间相同,则优先将组件分配到已分配组件数较少的虚拟机,实现负载均衡。
虚拟机监控判断Cloudlet以及云端虚拟机的占用情况和每个虚拟机分配的组件数;若存在两个虚拟机能开始执行组件的时间相同,则优先将组件分配到已分配组件数较少的虚拟机,实现负载均衡;若虚拟机已被全部占用,则后面分配到Cloudlet和云端执行的组件必须等待前面的组件执行完才能开始执行。
步骤10:效用值计算;
计算出组件在不同位置执行时对应的效用值,进而确定组件的实际执行位置;
效用值计算以组件在本地执行为基准,分别计算出组件在Cloudlet和云端执行的效用值u_clet和u_cloud,并和u_local进行比较,从中选择效用值最大者作为组件的执行位置;所述u_local是指组件在移动终端执行的效用值,与u_clet和u_cloud进行比较,选择最大者。
效用值计算中,通过分别比较组件在本地、Cloudlet以及云端执行的效用值来为每个时隙中提交卸载请求的所有用户移动应用程序每个组件得到相对最佳的执行位置,同时基于优先级来进行组件的调度,保证用户之间调度的公平性。
效用值计算中,对于两个组件,计算效用值时需要知道两个组件的执行位置,是在本地、cloudlet还是云端执行,如果两个组件在不同位置执行,就需要考虑他们之间的数据传输;其具体实现过程是:
若有依赖关系的两个组件在同一位置执行,则两者之间的传输时间为0;
若有依赖关系的两个组件分别在本地和Cloudlet和云端执行,则两者交互数据的传递顺序为本地->Cloudlet或Cloudlet->本地;
若有依赖关系的两个组件分别在本地和Cloudlet和云端执行,则两者交互数据的传递顺序为本地->Cloudlet->云端或云端->Cloudlet->本地;
若有依赖关系的两个组件分别在Cloudlet和云端执行,则两者交互数据的传递顺序为Cloudlet->云端或云端->Cloudlet。
步骤11:共同决策;
根据每个移动设备计算能力、可用电量、负载、Cloudlet和云端资源占用情况、虚拟机负载来共同决策,为每个时隙中每个用户得到当前条件下相对最优的计算迁移方案。
具体实现包括以下子步骤:
步骤11.1:对Cloudlet和云端中执行完组件的虚拟机进行回收;
步骤11.2:根据当前时隙的请求数、移动设备的配置、网络带宽、Cloudlet和云端资源的占用情况计算出当前时隙Cloudlet和云端应该分配的虚拟机数;
步骤11.3:根据历史时隙的请求数对下个时隙的迁移请求数进行预测,并计算出下个时隙中Cloudlet和云端应该分配的虚拟机数,如果预测下个时隙中请求数大于空闲的虚拟机数量,则提高虚拟机的预留比例,反之可为当前时隙多分配虚拟机资源;
步骤11.4:当确定了每个时隙中实际分配的虚拟机数后,给各个用户移动应用程序中每个组件分配相应的优先级,并根据优先级逐个调度每个组件;
步骤11.5:根据移动设备当前可用电量来调整响应时间和能耗所占的权重,然后根据组件在不同位置执行时对应的效用值确定每个组件的实际执行位置。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (10)
1.一种混合移动云环境中高能效的多用户在线计算迁移方法,其特征在于,包括以下步骤:
步骤1:每个运行移动应用程序的用户向Cloudlet提交一个计算迁移请求,同时把移动设备的硬件配置信息和网络带宽信息一起发送过去;
步骤2:虚拟机回收;
判断当前时隙Cloudlet和云端已分配虚拟机是否达到回收点,若达到回收点表示虚拟机此时处于空闲状态,则对这部分虚拟机进行回收,用于下个时隙中进行分配以处理新到达的用户请求;
步骤3:请求预测;
预测下个时隙中可能的迁移请求数,并计算和当前时隙请求数的差值,如果超过阈值,执行步骤4,如果否,执行步骤5;
步骤4:阈值调整;
增大或减小当前时隙虚拟机的预留比例;
步骤5:虚拟机预留;
确定为当前时隙实际的分配Cloudlet和云端虚拟机数;
步骤6:优先级调整;
计算出所有用户应用程序中每个组件的优先级,并按优先级顺序逐个调度每个组件;
步骤7:权重调整;
判断当前移动设备电量所处的状态,如果电量充足,执行步骤8,如果电量不足,执行步骤7;
步骤8:调整响应时间和能耗所占的权重;
步骤9:虚拟机监控;
计算虚拟机的占用情况以及每台虚拟机已经分配的组件数;
步骤10:效用值计算;
计算出组件在不同位置执行时对应的效用值,进而确定组件的实际执行位置;
步骤11:共同决策;
根据每个移动设备计算能力、可用电量、负载、Cloudlet和云端资源占用情况、虚拟机负载来共同决策,为每个时隙中每个用户得到当前条件下相对最优的计算迁移方案。
2.根据权利要求1所述的混合移动云环境中高能效的多用户在线计算迁移方法,其特征在于:步骤4中所述阈值调整,是根据历史时隙中的卸载请求数预测出未来一个时隙中可能的请求数,并判断预测的请求数和当前时隙的请求数的差值是否超高预先预定的阈值r,若是,则增大Cloudlet和云端虚拟机的预留比例p1和p2;若否,则根据初始预留比例对Cloudlet和云端虚拟机进行预留。
3.根据权利要求1所述的混合移动云环境中高能效的多用户在线计算迁移方法,其特征在于:步骤5中所述虚拟机预留,用于对下个时隙中可能到来的请求数进行预测,以便***出一部分虚拟机资源,并根据预测请求数动态调整预留比例;
具体实现包括以下子步骤:
步骤5.1:根据历史时隙请求数,通过加权马尔可夫预测模型预测出下一个时隙的用户请求数;
步骤5.2:计算出当前时隙Cloudlet和云端应该分配的最佳虚拟机数;
步骤5.3:比较当前Cloudlet和云端可用虚拟机数是否均大于应该分配虚拟机数,如果是,则执行步骤5.4,如果否,为当前时隙分配所有虚拟机;
步骤5.4:预测出下个时隙请求数,并计算出下个时隙Cloudlet和云端应该分配虚拟机数;
步骤5.5:判断预测请求数和当前时隙请求数差值的绝对值是否超过阈值,如果是,执行步骤5.6,如果否,执行步骤5.7;
步骤5.6:增大或缩小当前时隙预留比例;
步骤5.7:为当前时隙分配最佳虚拟机数后,如果Cloudlet和云端剩余虚拟机数中只有一个能满足下个时隙需求,则虚拟机数足够的按照最佳虚拟机数分配,虚拟机数不足的按照预留比例进行预留,如果否,执行步骤5.8;
步骤5.8:如果Cloudlet和云端剩余虚拟机数均不满足下个时隙需求,则两者均进行预留,如果否,执行步骤5.9;
步骤5.9:当Cloudlet和云端剩余虚拟机数均能满足下个时隙需求,两者都按照最佳虚拟机数进行分配。
4.根据权利要求1所述的混合移动云环境中高能效的多用户在线计算迁移方法,其特征在于:步骤6中所述优先级调整,是根据移动应用程序中各个组件的拓扑排序给每个组件设置相应的优先级p,并根据优先级顺序逐个确定每个组件的执行位置;对于同一用户而言,前驱组件的优先级大于后继组件,保证组件之间正确的调度顺序;对于不同用户而言,处于同一级的组件具有相同优先级,保证用户之间调度的公平性。
5.根据权利要求1所述的混合移动云环境中高能效的多用户在线计算迁移方法,其特征在于:步骤7中所述权重调整,用于获取每个移动设备的当前剩余电量,可用电量的多少会影响效用函数中响应时间和能耗所占的权重,进而影响计算迁移策略;当移动设备电量充足即大于等于设定的阈值m时,响应时间为第一目标;而当移动设备电量小于设定的阈值m时,此时移动设备进行省电模式,以节约能耗作为首要目标。
6.根据权利要求1所述的混合移动云环境中高能效的多用户在线计算迁移方法,其特征在于:步骤9中所述虚拟机监控,判断Cloudlet以及云端虚拟机的占用情况和每个虚拟机分配的组件数;若存在两个虚拟机能开始执行组件的时间相同,则优先将组件分配到已分配组件数较少的虚拟机,实现负载均衡;若虚拟机已被全部占用,则后面分配到Cloudlet和云端执行的组件必须等待前面的组件执行完才能开始执行。
7.根据权利要求1所述的混合移动云环境中高能效的多用户在线计算迁移方法,其特征在于:步骤10中所述效用值计算,以组件在本地执行为基准,分别计算出组件在Cloudlet和云端执行的效用值u_clet和u_cloud,并和u_local进行比较,从中选择效用值最大者作为组件的执行位置;所述u_local是指组件在移动终端执行的效用值,与u_clet和u_cloud进行比较,选择最大者。
8.根据权利要求1或7所述的混合移动云环境中高能效的多用户在线计算迁移方法,其特征在于:步骤10中,通过分别比较组件在本地、Cloudlet以及云端执行的效用值来为每个时隙中提交卸载请求的所有用户移动应用程序每个组件得到相对最佳的执行位置,同时基于优先级来进行组件的调度,保证用户之间调度的公平性。
9.根据权利要求1或7所述的混合移动云环境中高能效的多用户在线计算迁移方法,其特征在于:步骤10中,对于两个组件,计算效用值时需要知道两个组件的执行位置,是在本地、cloudlet还是云端执行,如果两个组件在不同位置执行,就需要考虑他们之间的数据传输;其具体实现过程是:
若有依赖关系的两个组件在同一位置执行,则两者之间的传输时间为0;
若有依赖关系的两个组件分别在本地和Cloudlet和云端执行,则两者交互数据的传递顺序为本地->Cloudlet或Cloudlet->本地;
若有依赖关系的两个组件分别在本地和Cloudlet和云端执行,则两者交互数据的传递顺序为本地->Cloudlet->云端或云端->Cloudlet->本地;
若有依赖关系的两个组件分别在Cloudlet和云端执行,则两者交互数据的传递顺序为Cloudlet->云端或云端->Cloudlet。
10.根据权利要求1所述的混合移动云环境中高能效的多用户在线计算迁移方法,其特征在于:步骤11中所述共同决策,其具体实现包括以下子步骤:
步骤11.1:对Cloudlet和云端中执行完组件的虚拟机进行回收;
步骤11.2:根据当前时隙的请求数、移动设备的配置、网络带宽、Cloudlet和云端资源的占用情况计算出当前时隙Cloudlet和云端应该分配的虚拟机数;
步骤11.3:根据历史时隙的请求数对下个时隙的迁移请求数进行预测,并计算出下个时隙中Cloudlet和云端应该分配的虚拟机数,如果预测下个时隙中请求数大于空闲的虚拟机数量,则提高虚拟机的预留比例,反之可为当前时隙多分配虚拟机资源;
步骤11.4:当确定了每个时隙中实际分配的虚拟机数后,给各个用户移动应用程序中每个组件分配相应的优先级,并根据优先级逐个调度每个组件;
步骤11.5:根据移动设备当前可用电量来调整响应时间和能耗所占的权重,然后根据组件在不同位置执行时对应的效用值确定每个组件的实际执行位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710543379.4A CN107370799B (zh) | 2017-07-05 | 2017-07-05 | 一种混合移动云环境中高能效的多用户在线计算迁移方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710543379.4A CN107370799B (zh) | 2017-07-05 | 2017-07-05 | 一种混合移动云环境中高能效的多用户在线计算迁移方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107370799A true CN107370799A (zh) | 2017-11-21 |
CN107370799B CN107370799B (zh) | 2019-10-11 |
Family
ID=60305942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710543379.4A Expired - Fee Related CN107370799B (zh) | 2017-07-05 | 2017-07-05 | 一种混合移动云环境中高能效的多用户在线计算迁移方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107370799B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107911478A (zh) * | 2017-12-06 | 2018-04-13 | 武汉理工大学 | 基于化学反应优化算法的多用户计算卸载方法及装置 |
CN108319359A (zh) * | 2017-12-29 | 2018-07-24 | 华中科技大学 | 一种基于微云的能耗优化方法 |
CN108376099A (zh) * | 2018-01-16 | 2018-08-07 | 西安建筑科技大学 | 一种优化时延与能效的移动终端计算迁移方法 |
CN108965395A (zh) * | 2018-06-21 | 2018-12-07 | 河南科技大学 | 一种基于遗传算法的任务联合执行方法 |
CN114296868A (zh) * | 2021-12-17 | 2022-04-08 | ***数智科技有限公司 | 一种多云环境下基于用户体验的虚拟机自动迁移决策方法 |
US11803409B2 (en) | 2018-05-16 | 2023-10-31 | Huawei Technologies Co., Ltd. | Mobile edge computing method and apparatus |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103036974A (zh) * | 2012-12-13 | 2013-04-10 | 广东省电信规划设计院有限公司 | 基于隐马尔可夫模型的云计算资源调度方法和*** |
EP2911068A1 (en) * | 2014-02-20 | 2015-08-26 | Deutsche Telekom AG | Tree-structure storage method for managing computation offloading data |
CN105516281A (zh) * | 2015-11-30 | 2016-04-20 | 武汉理工大学 | 基于移动云环境低能耗和负载均衡的计算迁移方法和装置 |
-
2017
- 2017-07-05 CN CN201710543379.4A patent/CN107370799B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103036974A (zh) * | 2012-12-13 | 2013-04-10 | 广东省电信规划设计院有限公司 | 基于隐马尔可夫模型的云计算资源调度方法和*** |
EP2911068A1 (en) * | 2014-02-20 | 2015-08-26 | Deutsche Telekom AG | Tree-structure storage method for managing computation offloading data |
CN105516281A (zh) * | 2015-11-30 | 2016-04-20 | 武汉理工大学 | 基于移动云环境低能耗和负载均衡的计算迁移方法和装置 |
Non-Patent Citations (1)
Title |
---|
WEI LIU: "Computation Offloading Strategy for Multi User Mobile Data Streaming Applications", 《PROCEEDINGS OF THE 19TH INTERNATIONAL CONFERENCE ON ADVANCED COMMUNICATION TECHNOLOGY》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107911478A (zh) * | 2017-12-06 | 2018-04-13 | 武汉理工大学 | 基于化学反应优化算法的多用户计算卸载方法及装置 |
CN107911478B (zh) * | 2017-12-06 | 2020-09-22 | 武汉理工大学 | 基于化学反应优化算法的多用户计算卸载方法及装置 |
CN108319359A (zh) * | 2017-12-29 | 2018-07-24 | 华中科技大学 | 一种基于微云的能耗优化方法 |
CN108319359B (zh) * | 2017-12-29 | 2020-01-03 | 华中科技大学 | 一种基于微云的能耗优化方法 |
US10736032B2 (en) | 2017-12-29 | 2020-08-04 | Huazhong University Of Science And Technology | Method for cloudlet-based optimization of energy consumption |
CN108376099A (zh) * | 2018-01-16 | 2018-08-07 | 西安建筑科技大学 | 一种优化时延与能效的移动终端计算迁移方法 |
CN108376099B (zh) * | 2018-01-16 | 2020-06-23 | 西安建筑科技大学 | 一种优化时延与能效的移动终端计算迁移方法 |
US11803409B2 (en) | 2018-05-16 | 2023-10-31 | Huawei Technologies Co., Ltd. | Mobile edge computing method and apparatus |
CN108965395A (zh) * | 2018-06-21 | 2018-12-07 | 河南科技大学 | 一种基于遗传算法的任务联合执行方法 |
CN108965395B (zh) * | 2018-06-21 | 2021-01-22 | 河南科技大学 | 一种基于遗传算法的任务联合执行方法 |
CN114296868A (zh) * | 2021-12-17 | 2022-04-08 | ***数智科技有限公司 | 一种多云环境下基于用户体验的虚拟机自动迁移决策方法 |
CN114296868B (zh) * | 2021-12-17 | 2022-10-04 | ***数智科技有限公司 | 一种多云环境下基于用户体验的虚拟机自动迁移决策方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107370799B (zh) | 2019-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107370799B (zh) | 一种混合移动云环境中高能效的多用户在线计算迁移方法 | |
Liu et al. | Adaptive multi-resource allocation for cloudlet-based mobile cloud computing system | |
CN110099384A (zh) | 基于边-端协同的多用户多mec任务卸载资源调度方法 | |
CN107911478A (zh) | 基于化学反应优化算法的多用户计算卸载方法及装置 | |
CN110493360A (zh) | 多服务器下降低***能耗的移动边缘计算卸载方法 | |
CN104657221A (zh) | 一种云计算中基于任务分类的多队列错峰调度模型及方法 | |
Samanta et al. | Latency-oblivious distributed task scheduling for mobile edge computing | |
KR102109418B1 (ko) | 에너지 수요 모델 생성 방법 및 시스템 | |
WO2020134133A1 (zh) | 一种资源配置方法、变电站及计算机可读存储介质 | |
CN110008015A (zh) | 边缘计算***中有带宽限制的在线任务分派调度方法 | |
Yakubu et al. | Service level agreement violation preventive task scheduling for quality of service delivery in cloud computing environment | |
Gong et al. | Computation offloading-based task scheduling in the vehicular communication environment for computation-intensive vehicular tasks | |
CN103713852A (zh) | 一种信息处理方法、服务平台及电子设备 | |
CN114741200A (zh) | 面向数据中台的计算资源分配方法、装置及电子设备 | |
CN104811466A (zh) | 云媒体资源分配的方法及装置 | |
CN102184124B (zh) | 任务调度方法及*** | |
CN115952054A (zh) | 一种仿真任务资源管理方法、装置、设备及介质 | |
Omer et al. | Optimization model for time sensitive IoT requests | |
US20140149991A1 (en) | Scheduling system, data processing system, and scheduling method | |
Yakubu et al. | Priority based delay time scheduling for quality of service in cloud computing networks | |
Al-Muhsen et al. | Systems engineering approach to CPU scheduling for mobile multimedia systems | |
Diaz et al. | Impact of resource over-reservation (ror) and dropping policies on cloud resource allocation | |
CN105162840B (zh) | 在线分布式请求调度和服务管理方法及代理*** | |
Chekired et al. | Multi-level fog based resource allocation model for EVs energy planning in smart grid | |
Golmohammadi et al. | Load balancing in local computational grids within resource allocation process |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191011 Termination date: 20210705 |