CN107483541A - 一种基于滚动时域的在线任务迁移方法 - Google Patents
一种基于滚动时域的在线任务迁移方法 Download PDFInfo
- Publication number
- CN107483541A CN107483541A CN201710581780.7A CN201710581780A CN107483541A CN 107483541 A CN107483541 A CN 107483541A CN 201710581780 A CN201710581780 A CN 201710581780A CN 107483541 A CN107483541 A CN 107483541A
- Authority
- CN
- China
- Prior art keywords
- task
- window
- combination
- strategy
- pareto optimality
- 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
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
-
- 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
- H04L67/56—Provisioning of proxy services
- H04L67/563—Data redirection of data network streams
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于滚动时域的在线任务迁移方法,具体步骤为:1)输入任务拓扑图,并设置滑动决策窗口的长度L;2)从初始节点开始遍历L层任务拓扑图,计算窗口内的任务节点数m,生成2m种0/1排列组合;3)计算每种组合的时间和能耗,并保存;4)运用帕累托最优策略,对该2m种保存时间和能耗的组合的进行筛选,得到帕累托最优集;5)对选出的帕累托最优集内进行投票,从而得到当前窗口内最优的任务迁移策略,用数组保存最优迁移策略的第一个选择;6)重新选取开始遍历的当前节点,重复上述步骤,直到窗口最后一层是任务拓扑图的最后一层为止。
Description
技术领域
本发明涉及移动云计算领域,特别涉及一种基于滚动时域的在线任务迁移方法。
背景技术
智能手机有越来越多的新的移动应用程序,如面部识别,自然语言处理,交互式游戏和增强现实等。这种移动应用通常资源匮乏,需要大量的计算并且高能耗。由于物理尺寸的限制,通常情况下移动设备只具有有限的计算资源和电池寿命。资源匮乏的应用和资源受限的移动设备之间的紧张,因此对未来的移动平台开发构成了重大挑战。移动云计算被视为解决这一挑战一种有前景的方法。通过无线接入到资源丰富的云基础设施分流计算,移动云计算可以增加移动设备对资源需求应用程序的能力。
在移动云计算的环境中,因为***环境是动态变化的,较远的任务可能在执行时面临与当前决策完全不同的环境。
发明内容
本发明的目的通过时域滚动的在线算法,应用帕累托最优方法,快速的生成移动云计算任务迁移策略。具体的,滚动时域的方法,考虑了数据传输速率的不确定性,通过对当前执行窗口内的任务节点数m的统计,生成2m种0/1排列组合。寻找2m种排列组合的帕累托最优集,以得到当前窗口内的最优任务迁移策略。
一种基于滚动时域的在线任务迁移方法,具体步骤为:
1)输入任务拓扑图,并设置滑动决策窗口的长度L;
2)从初始节点开始遍历L层任务拓扑图,计算窗口内的任务节点数m,生成2m种0/1排列组合;
3)计算每种组合的时间和能耗,并保存;
4)运用帕累托最优策略,对该2m种保存时间和能耗的组合的进行筛选,得到帕累托最优集;
5)对选出的帕累托最优集内进行投票,从而得到当前窗口内最优的任务迁移策略,用数组保存最优迁移策略的第一个选择;
6)重新选取开始遍历的当前节点,重复上述步骤,直到窗口最后一层是任务拓扑图的的最后一层为止。
所述方法用于任务迁移前的决定阶段,通过对当前窗口内生成2m种0/1排列组合,找出帕累托最优集,得到当前任务迁移的最优策略。
本发明的优点和效果如下:
1)在移动云计算中加入滚动滑动窗口,构建了一个更加真实的问题模型。
2)提出的基于滚动时域的在线算法,应用帕雷托最优方法,快速的生成移动云计算任务迁移策略。并且,在动态移动网络通信环境下,信道变化频率越高,整体鲁棒性越强。。
附图说明
图1是移动云计算环境下移动应用程序的任务拓扑图;
图2是本发明所使用的算法流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
移动应用程序的任务拓扑:将移动应用程序的执行先后顺序划分成若干任务拓扑序列。如图1,在任务2计算完后才能开始计算任务5。
移动设备有两种计算方式,1、在移动设备内计算;2、通过互联网将任务迁移到云端计算。
本文用有向无环图G=(V,A)来表示移动应用程序任务拓扑图。V={v1,v2,…,vn}表示的是n个任务的集合,任务的属性被定义为一个二元组vi=(xi,wi)。其中,xi表示任务vi的执行方式,即xi=0,任务vi在移动设备端执行;xi=1,任务vi在云端执行。wi表示任务vi完成所需要的CPU时钟周期数。dij表示的是任务vi和任务vj之间的数据传输量。Pm,Pidle,fm,,fc,分别是移动设备的计算功率,移动设备的空转功率,移动设备端的时钟频率,云端的时钟频率。Pup表示移动设备的上传功率,Pdown表示移动设备的下载功率。Rup,Rdown分别是移动设备端数据上传速率,数据下载速率。
目标:min(E,T)
表达式:
任务vi的时间消耗表示:
移动设备端的计算能耗表示:
任务vi到任务vj的通信所产生的时间消耗表示:
任务vi到任务vj的通信所产生的移动设备端的能耗表示:
一种基于滚动时域的在线任务迁移方法,具体步骤为:
1)输入任务拓扑图,并设置滑动决策窗口的长度L。
2)从初始节点开始遍历L层任务拓扑图,计算窗口内的任务节点数m,生成2m种0/1排列组合。
3)根据时耗公式Ti comp,Tij comm和能耗公式Ei comp,Eij comm,计算每种组合的时间和能耗,并保存。
4)运用帕累托最优策略,对该2m种保存时间和能耗的组合的进行筛选,得到帕累托最优集。
5)对选出的帕累托最优集内进行投票,从而得到当前窗口内最优的任务迁移策略,用数组保存最优迁移策略的第一个选择。
6)重新选取开始遍历的当前节点,重复上述步骤,直到窗口最后一层是任务拓扑图的的最后一层为止。
其中,帕累托最优策略为:资源分配的一种理想状态,假设存在任意两个目标向量和,如果u是Pareto最优解,则当且仅当问题的可行域内不存在自变量v,使得u<v,则所有这些解的集合就构成了Pareto解集。
如图2所示,所述方法用于任务迁移前的决定阶段,通过对当前窗口内生成2m种0/1排列组合,找出帕累托最优集,得到当前任务迁移的最优策略。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (2)
1.一种基于滚动时域的在线任务迁移方法,其特征在于,具体步骤为:
1)输入任务拓扑图,并设置滑动决策窗口的长度L;
2)从初始节点开始遍历L层任务拓扑图,计算窗口内的任务节点数m,生成2m种0/1排列组合;
3)计算每种组合的时间和能耗,并保存;
4)运用帕累托最优策略,对该2m种保存时间和能耗的组合的进行筛选,得到帕累托最优集;
5)对选出的帕累托最优集内进行投票,从而得到当前窗口内最优的任务迁移策略,用数组保存最优迁移策略的第一个选择;
6)重新选取开始遍历的当前节点,重复上述步骤,直到窗口最后一层是任务拓扑图的的最后一层为止。
2.如权利要求1所述的方法,其特征在于所述方法用于任务迁移前的决定阶段,通过对当前窗口内生成2m种0/1排列组合,找出帕累托最优集,得到当前任务迁移的最优策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710581780.7A CN107483541A (zh) | 2017-07-17 | 2017-07-17 | 一种基于滚动时域的在线任务迁移方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710581780.7A CN107483541A (zh) | 2017-07-17 | 2017-07-17 | 一种基于滚动时域的在线任务迁移方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107483541A true CN107483541A (zh) | 2017-12-15 |
Family
ID=60596288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710581780.7A Pending CN107483541A (zh) | 2017-07-17 | 2017-07-17 | 一种基于滚动时域的在线任务迁移方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107483541A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109343550A (zh) * | 2018-10-15 | 2019-02-15 | 北京航空航天大学 | 一种基于滚动时域估计的航天器角速度的估计方法 |
CN110928697A (zh) * | 2020-02-13 | 2020-03-27 | 北京一流科技有限公司 | 拓扑图转换***及其方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761212A (zh) * | 2014-01-21 | 2014-04-30 | 电子科技大学 | 片上网络中任务与节点间映射方案与拓扑结构的设计方法 |
US20160080502A1 (en) * | 2014-09-16 | 2016-03-17 | CloudGenix, Inc. | Methods and systems for controller-based secure session key exchange over unsecured network paths |
WO2017000738A1 (zh) * | 2015-06-30 | 2017-01-05 | 邻元科技(北京)有限公司 | 分布式计算网络***及用于该***的计算节点 |
-
2017
- 2017-07-17 CN CN201710581780.7A patent/CN107483541A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761212A (zh) * | 2014-01-21 | 2014-04-30 | 电子科技大学 | 片上网络中任务与节点间映射方案与拓扑结构的设计方法 |
US20160080502A1 (en) * | 2014-09-16 | 2016-03-17 | CloudGenix, Inc. | Methods and systems for controller-based secure session key exchange over unsecured network paths |
WO2017000738A1 (zh) * | 2015-06-30 | 2017-01-05 | 邻元科技(北京)有限公司 | 分布式计算网络***及用于该***的计算节点 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109343550A (zh) * | 2018-10-15 | 2019-02-15 | 北京航空航天大学 | 一种基于滚动时域估计的航天器角速度的估计方法 |
CN110928697A (zh) * | 2020-02-13 | 2020-03-27 | 北京一流科技有限公司 | 拓扑图转换***及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Computation offloading for mobile edge computing: A deep learning approach | |
Lin et al. | Task offloading for wireless VR-enabled medical treatment with blockchain security using collective reinforcement learning | |
Deng et al. | Edge intelligence: The confluence of edge computing and artificial intelligence | |
Terefe et al. | Energy-efficient multisite offloading policy using Markov decision process for mobile cloud computing | |
Yu et al. | Intelligent edge: Leveraging deep imitation learning for mobile edge computation offloading | |
Dab et al. | Q-learning algorithm for joint computation offloading and resource allocation in edge cloud | |
Goudarzi et al. | A fast hybrid multi-site computation offloading for mobile cloud computing | |
Li et al. | The unheralded power of cloudlet computing in the vicinity of mobile devices | |
Wang et al. | Mobility-assisted opportunistic computation offloading | |
Wang et al. | A deep learning based energy-efficient computational offloading method in Internet of vehicles | |
Chen et al. | Delay guaranteed energy-efficient computation offloading for industrial IoT in fog computing | |
CN114528304A (zh) | 一种自适应客户端参数更新的联邦学习方法、***及存储介质 | |
CN110955463B (zh) | 支持边缘计算的物联网多用户计算卸载方法 | |
CN112769897A (zh) | 边缘计算消息的同步方法、装置、电子设备及存储介质 | |
CN114265631B (zh) | 一种基于联邦元学习的移动边缘计算智能卸载方法及装置 | |
CN104901989A (zh) | 一种现场服务提供***及方法 | |
Kchaou et al. | Towards an offloading framework based on big data analytics in mobile cloud computing environments | |
CN114968404B (zh) | 一种位置隐私保护的计算任务分布式卸载方法 | |
CN114327889A (zh) | 一种面向分层联邦边缘学习的模型训练节点选择方法 | |
Cai et al. | Cognitive resource optimization for the decomposed cloud gaming platform | |
Yu et al. | Green fog computing resource allocation using joint benders decomposition, dinkelbach algorithm, and modified distributed inner convex approximation | |
CN107483541A (zh) | 一种基于滚动时域的在线任务迁移方法 | |
Chen et al. | When learning joins edge: Real-time proportional computation offloading via deep reinforcement learning | |
Li et al. | Computation offloading strategy for improved particle swarm optimization in mobile edge computing | |
Zhang et al. | Energy minimization task offloading mechanism with edge-cloud collaboration in IoT networks |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171215 |