CN109803292B - 一种基于强化学习的多次级用户移动边缘计算的方法 - Google Patents
一种基于强化学习的多次级用户移动边缘计算的方法 Download PDFInfo
- Publication number
- CN109803292B CN109803292B CN201811597091.6A CN201811597091A CN109803292B CN 109803292 B CN109803292 B CN 109803292B CN 201811597091 A CN201811597091 A CN 201811597091A CN 109803292 B CN109803292 B CN 109803292B
- Authority
- CN
- China
- Prior art keywords
- secondary user
- edge server
- value
- server
- edge
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 48
- 230000002787 reinforcement Effects 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000005265 energy consumption Methods 0.000 claims abstract description 25
- 238000004891 communication Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 20
- 238000011423 initialization method Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000012797 qualification Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 abstract description 7
- 230000009471 action Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
Images
Classifications
-
- 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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于强化学习的多次级用户移动边缘计算的方法，该方法基于Dyna结构下优先级扫描方法，适用于频谱资源紧张，时延和能耗要求高的移动边缘计算无线通信环境，属于无线通信领域。该方法主要包括四个步骤：首先主级用户进行边缘服务器的选择；其次次级用户向控制中心提出占用边缘服务器申请；然后控制中心处理申请，并分配边缘服务器，次级用户进行部分计算卸载或完全本地计算；最后计算每个次级用户的效用性。该方法将强化学习应用于移动边缘计算无线通信网络，并结合Q学习的无模型和优先级扫描方法的择优更新的优势，在保证***整体效用性能的同时，满足了各次级用户时延和能耗的需求，提高了资源的利用率。
Description
技术领域
本发明涉及无线通信领域，更具体地说，是涉及一种基于强化学习的多次级用户移动边缘计算方法，是一种用于频谱资源紧张，时延和能耗要求高的移动边缘计算无线通信环境的方法。
背景技术
使用传统的优先级扫描方法仅适用于确定性的环境，对于未知环境无法得出理想结果。而基于传统的无模型Q学习的方法，会进行所有状态动作值的更新，多次计算所有状态动作值，耗费时间较长，无法快速得出选择边缘服务器及确定移动边缘卸载任务量的最优策略。为了提高整个***的频谱资源利用率，研究者提出了一些基于模型假设和已知通信环境的频谱共享和频谱资源配置等方法，但是这些方法并不能兼顾每个次级用户效用，和边缘服务器选择最优策略的收敛速度。
发明内容
本发明的目的是解决传统的移动边缘计算方法不能兼顾用户时延能耗要求与***效用性、最优策略收敛速度的问题，提供了基于强化学习中Dyna结构下优先级扫描的多次级用户的移动边缘计算方法。
为实现上述目的，本发明提供的技术方案如下：
基于强化学习的多次级用户的移动边缘计算方法，其特征在于，所述交换方法包括下列步骤：
S1、***初始化参数，确定主级用户的个数NP，次级用户的个数NS，边缘服务器的个数以及控制节点的个数NM，次级用户的发射功率P，次级用户的任务量为Task，每一个次级用户与边缘服务器之间信道的信道容量C，通信紧急度Em为零；初始化方法参数，边缘服务器所对应的信道的状态
初始为未占用，值为零，初始化Q值均为零，学习速率为α，折现因子为δ，优先级函数值为零，优先级阈值为θ，且优先级队列为空，开始迭代；
S2、主级用户选择占用边缘服务器MP，该服务器的状态值为1；
S3、次级用户i根据ε-贪婪策略提出占用边缘服务器资源的申请Mi1，并且确定计算卸载的任务量x；
S4、控制中心处理各次级用户的申请，并且为其分配边缘服务器；
S5、获得边缘服务器资源的次级用户实现卸载计算，未获得占用资格的次级用户，则进行完全本地计算；
S6、计算各次级用户当前效用作为即时回报，并将即时回报和成功连接的边缘服务器更新至优先级模型中；
S7、更新通信紧急度，且更新Q值和优先级函数，若优先级函数高于阈值θ，则将此状态和选择加入优先级队列中，并按照优先级顺序更新相应的Q值；
S8、判断是否满足迭代终止条件，若满足，则计算整个方法执行后各次级用户平均效用；若不满足，则跳转至步骤S2。
作为优选的，所述步骤S4具体包括：
S41、控制中心将各个次级用户的申请进行处理；
S42、若边缘服务器所对应的信道状态为1，则申请该服务器的次级用户不可获得使用权，跳转到步骤S44；
S43、若一个边缘服务器仅被申请一次，则该边缘服务器由所申请的次级用户占用，即成功占用原申请服务器；
S44、若边缘服务器被申请两次及以上，则根据各个次级用户的通信紧急度进行排序，通信紧急度较高的优先获得边缘服务器的使用权，即占用非原申请服务器资源；
S45、未获得边缘服务器使用权的次级用户，则被随机分配未被申请的边缘服务器，保证所有的边缘服务器均被占用或者次级用户均获得服务器资源；若存在边缘服务器已占满，部分次级用户未获得服务器资源，那么次级用户只能进行完全本地计算。
作为优选的，所述步骤S6具体包括：
S61、各次级用户的效用性包含两个部分，主要有计算的延时和计算的能耗，与效用性成反比；
S62、进行本地计算的次级用户的效用值中，包含本地计算延时和本地计算能耗；进行计算部分卸载的次级用户的效用值中，包含本地计算延时、本地计算能耗、卸载时延和卸载能耗。
作为优选的，所述步骤S7具体包括：
S71、更新通信度主要是根据次级用户是否成功获得边缘服务器资源决定，若次级用户成功占用原申请服务器，则其通信紧急度保持不变；若次级用户仅可使用非原申请边缘服务器，则Em+1；若次级用户并未获得服务器的资源，仅能完全本地计算，那么其Em+2；
S72、更新Q值为，将以学习速率α学习到的未来折扣回报与当前Q值之间的误差，即预测误差，叠加至当前Q值之上；更新优先级函数为，取预测误差和当前优先级函数值的最大值作为新的优先级函数值。
与现有技术相比，本发明的有益效果在于：
1、本发明公开的基于强化学习的多次级用户的移动边缘计算方法相比于大部分传统的移动边缘计算方法来说，可适应时变的环境，兼具提升效用、收敛速度快的优势，大大提高***资源利用率，在满足主级用户资源需求的同时可满足次级用户延时与能耗要求，适于频谱资源紧张，时延能耗要求高的移动边缘计算无线环境。
2、本发明公开的基于强化学习的多次级用户的移动边缘计算方法，相比于大部分传统的Q学习边缘服务器和随机选择的频谱资源配置方法，本发明公开的方法能够以更快的速度收敛至最优策略。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明提出的基于强化学习的多次级用户的移动边缘计算方法的流程步骤图；
图2本发明中控制中心处理次级用户申请的流程步骤图；
图3本发明中计算次级用户效用值的流程步骤图；
图4是本发明中更新通信紧急度、Q函数和优先级函数的流程步骤图；
图5(a)是次级用户1的基于简单Q学习和本发明方法的效用对比图；
图5(b)是次级用户2的基于简单Q学习和本发明方法的效用对比图；
图5(c)是次级用户1的基于简单Q学习和本发明方法的能耗对比图；
图5(d)是次级用户2的基于简单Q学习和本发明方法的能耗对比图；
图5(e)是次级用户1的基于简单Q学习和本发明方法的时延对比图；
图5(f)是次级用户2的基于简单Q学习和本发明方法的时延对比图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例一
本实施例设计了一种基于强化学习的多次级用户的移动边缘计算方法。本发明中交换方法的处理流程包括：
S1、***初始化参数，确定主级用户的个数NP，次级用户的个数NS，边缘服务器的个数以及控制节点的个数NM，次级用户的发射功率P，次级用户的任务量为Task，每一个次级用户与边缘服务器之间信道的信道容量C，通信紧急度Em为零；初始化方法参数，边缘服务器所对应的信道的状态
初始为未占用，值为零，初始化Q值均为零，学习速率为α，折现因子为δ，优先级函数值为零，优先级阈值为θ，且优先级队列为空，开始迭代；
S2、主级用户选择占用边缘服务器MP，该服务器的状态值为1；
S3、次级用户i根据ε-贪婪策略提出占用边缘服务器资源的申请Mi1，并且确定计算卸载的任务量x；
S4、控制中心处理各次级用户的申请，并且为其分配边缘服务器；
S41、未获得边缘服务器使用权的次级用户，则被随机分配未被申请的边缘服务器，保证所有的边缘服务器均被占用或者次级用户均获得服务器资源；若存在边缘服务器已占满，部分次级用户未获得服务器资源，那么次级用户只能进行完全本地计算。
S42、获得边缘服务器资源的次级用户实现卸载计算，未获得占用资格的次级用户，则进行完全本地计算；
S6、计算各次级用户当前效用作为即时回报，并将即时回报和成功连接的边缘服务器更新至优先级模型中；进行本地计算的次级用户的效用值中，包含本地计算延时和本地计算能耗；进行计算部分卸载的次级用户的效用值中，包含本地计算延时、本地计算能耗、卸载时延和卸载能耗。
S7、更新通信紧急度，若次级用户成功占用原申请服务器，则其通信紧急度保持不变；若次级用户仅可使用非原申请边缘服务器，则Em+1；若次级用户并未获得服务器的资源，仅能完全本地计算，那么其Em+2；且更新Q值，将以学习速率α学习到的未来折扣回报与当前Q值之间的误差，即预测误差，叠加至当前Q值之上；并取预测误差和当前优先级函数值的最大值作为新的优先级函数值，若优先级函数高于阈值θ，则将此状态和选择加入优先级队列中，并按照优先级顺序更新相应的Q值；
S8、设置迭代1000时隙和500次独立实验。判断是否满足迭代终止条件，若满足，则计算整个方法执行后各次级用户平均效用；若不满足，则跳转至步骤S2。
本移动边缘计算方法的关键在于使用强化学习方法使用户可以在选择移动边缘服务器的过程中适应多变的环境。其中，利用强化学习中的Dyna结构下的优先级扫描算法，结合优先级扫描方法的优先更新优先级较高的状态和Q学习的与环境交互获得经验的优势，在满足用户时延和能耗的要求下获得最优的移动边缘服务器的选择策略。
实施例二
本实施例结合说明书附图1至图5并以一个具体的含两个次级用户的移动边缘计算实施例对本发明提出的基于强化学习的移动边缘计算方法作一下详细的说明。
考虑***模型如下：在移动边缘计算的过程中，1个主级用户，2个次级用户，选择利用3个边缘服务器，进行卸载任务。次级用户1的任务量为Task1，次级用户2的任务量为Task2，两个次级用户与三个边缘服务器之间的信道容量为矩阵C，通信紧急度为零。边缘服务器对应的信道状态均为零，即未被占用。Q值为零，学习速率为0.8，折扣因子为0.02，优先级函数值零，优先级阈值为0.15，且优先级队列为空，开始迭代。
在每个时隙中，主级用户首先占用边缘服务器，使其对应信道的状态为1，次级用户使用ε-贪婪策略提出使用边缘服务器的申请，并确定计算任务卸载的量。控制中心处理各次级用户的申请，并且分配边缘服务器，保证所有的边缘服务器均被占用或者次级用户均获得服务器资源；若存在边缘服务器已占满，部分次级用户未获得服务器资源，那么次级用户只能进行完全本地计算。
若进行本地计算，则计算本地的时延和能耗；若进行计算卸载，则计算两个部分，包括本地计算的时延能耗、卸载计算的时延和能耗。并更新效用值、Q值和优先级函数值。
在每个时隙中，两个次级用户，互相受到对方边缘服务器选择的影响，目标为最大化效用值。迭代的终止条件为，共进行300时隙，700次独立实验。
图5(a)的仿真结果表明，在效用值的方面，对于次级用户1，本发明提出的基于强化学习的移动边缘计算方法比基于简单的Q学习的收敛速度快约50％。图5(b)的仿真结果说明，对于次级用户2，本发明方法在效用值上比基于简单的Q学习的收敛速度快约30％。由图5(c)和图5(d)所示，本发明提出的方法对于两个次级用户的能耗都比基于简单的Q学习具有更好的性能。图5(e)和图5(f)表明，在计算时延方面，本发明提出的方法具有更好的性能。
综上，本发明提出的方法，在效用值、计算能耗和计算时延方面，相比于基于简单的Q学习，在保证最优值不变和同时兼顾两个次级用户的性能的情况下，具有更快的收敛速度。
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 (3)
1.一种基于强化学习的多次级用户的移动边缘计算方法，其特征在于，所述计算方法包括下列步骤：
S1、***初始化参数，确定主级用户的个数NP，次级用户的个数NS，边缘服务器的个数以及控制节点的个数NM，次级用户的发射功率P，次级用户的任务量为Task，每一个次级用户与边缘服务器之间信道的信道容量C，通信紧急度Em为零；初始化方法参数，边缘服务器所对应的信道的状态
初始为未占用，值为零，初始化Q值均为零，学习速率为α，折现因子为δ，优先级函数值为零，优先级阈值为θ，且优先级队列为空，开始迭代；
S2、主级用户选择占用边缘服务器MP，该服务器的状态值为1；
S3、次级用户i根据ε-贪婪策略提出占用边缘服务器资源的申请Mi1，并且确定计算卸载的任务量x；
S4、控制中心处理各次级用户的申请，并且为其分配边缘服务器；
S5、获得边缘服务器资源的次级用户实现卸载计算，未获得占用资格的次级用户，则进行完全本地计算；
S6、计算各次级用户当前效用作为即时回报，并将即时回报和成功连接的边缘服务器更新至优先级模型中；
S7、更新通信紧急度，且更新Q值和优先级函数，若优先级函数高于阈值θ，则将此状态和选择加入优先级队列中，并按照优先级顺序更新相应的Q值；
S8、判断是否满足迭代终止条件，若满足，则计算整个方法执行后各次级用户平均效用；若不满足，则跳转至步骤S2；
所述步骤S7具体包括：
S71、更新通信度主要是根据次级用户是否成功获得边缘服务器资源决定，若次级用户成功占用原申请服务器，则其通信紧急度保持不变；若次级用户仅可使用非原申请边缘服务器，则Em+1；若次级用户并未获得服务器的资源，仅能完全本地计算，那么其Em+2；
S72、更新Q值为，将以学习速率α学习到的未来折扣回报与当前Q值之间的误差，即预测误差，叠加至当前Q值之上；更新优先级函数为，取预测误差和当前优先级函数值的最大值作为新的优先级函数值。
2.根据权利要求1所述的一种基于强化学习的多次级用户的移动边缘计算方法，其特征在于，所述步骤S4具体包括：
S41、控制中心将各个次级用户的申请进行处理；
S42、若边缘服务器所对应的信道状态为1，则申请该服务器的次级用户不可获得使用权，跳转到步骤S44；
S43、若一个边缘服务器仅被申请一次，则该边缘服务器由所申请的次级用户占用，即成功占用原申请服务器；
S44、若边缘服务器被申请两次及以上，则根据各个次级用户的通信紧急度进行排序，通信紧急度较高的优先获得边缘服务器的使用权，即占用非原申请服务器资源；
S45、未获得边缘服务器使用权的次级用户，则被随机分配未被申请的边缘服务器，保证所有的边缘服务器均被占用或者次级用户均获得服务器资源；若存在边缘服务器已占满，部分次级用户未获得服务器资源，那么次级用户只能进行完全本地计算。
3.根据权利要求1所述的一种基于强化学习的多次级用户的移动边缘计算方法，其特征在于，所述步骤S6具体包括：
S61、各次级用户的效用性包含两个部分，主要有计算的延时和计算的能耗，与效用性成反比；
S62、进行本地计算的次级用户的效用值中，包含本地计算延时和本地计算能耗；进行计算部分卸载的次级用户的效用值中，包含本地计算延时、本地计算能耗、卸载时延和卸载能耗。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811597091.6A CN109803292B (zh) | 2018-12-26 | 2018-12-26 | 一种基于强化学习的多次级用户移动边缘计算的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811597091.6A CN109803292B (zh) | 2018-12-26 | 2018-12-26 | 一种基于强化学习的多次级用户移动边缘计算的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109803292A CN109803292A (zh) | 2019-05-24 |
| CN109803292B true CN109803292B (zh) | 2022-03-04 |
Family
ID=66557603
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811597091.6A Active CN109803292B (zh) | 2018-12-26 | 2018-12-26 | 一种基于强化学习的多次级用户移动边缘计算的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109803292B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110347495B (zh) * | 2019-07-24 | 2023-04-28 | 张�成 | 一种使用深度强化学习进行移动边缘计算的任务迁移方法 |
| CN110798849A (zh) * | 2019-10-10 | 2020-02-14 | 西北工业大学 | 一种超密网边缘计算的计算资源分配与任务卸载方法 |
| CN111400031B (zh) * | 2020-03-01 | 2023-08-22 | 南京大学 | 面向处理单元部署的基于值函数的强化学习方法 |
| CN113709201B (zh) * | 2020-05-22 | 2023-05-23 | 华为技术有限公司 | 计算卸载的方法和通信装置 |
| CN112512056B (zh) * | 2020-11-14 | 2022-10-18 | 北京工业大学 | 一种移动边缘计算网络中多目标优化的计算卸载方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103248693A (zh) * | 2013-05-03 | 2013-08-14 | 东南大学 | 基于多智能体强化学习的大规模服务组合优化方法 |
| CN108632860A (zh) * | 2018-04-17 | 2018-10-09 | 浙江工业大学 | 一种基于深度强化学习的移动边缘计算速率最大化方法 |
| CN108924938A (zh) * | 2018-08-27 | 2018-11-30 | 南昌大学 | 一种用于无线充电边缘计算网络计算能效的资源分配方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11009836B2 (en) * | 2016-03-11 | 2021-05-18 | University Of Chicago | Apparatus and method for optimizing quantifiable behavior in configurable devices and systems |
-
2018
- 2018-12-26 CN CN201811597091.6A patent/CN109803292B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103248693A (zh) * | 2013-05-03 | 2013-08-14 | 东南大学 | 基于多智能体强化学习的大规模服务组合优化方法 |
| CN108632860A (zh) * | 2018-04-17 | 2018-10-09 | 浙江工业大学 | 一种基于深度强化学习的移动边缘计算速率最大化方法 |
| CN108924938A (zh) * | 2018-08-27 | 2018-11-30 | 南昌大学 | 一种用于无线充电边缘计算网络计算能效的资源分配方法 |
Non-Patent Citations (3)
| Title |
|---|
| 《An_Air-Ground_Integration_Approach_for_Mobile_Edge_Computing_in_IoT》;Zhenyu Zhou 等;《IEEE Communications Magazine》;20180814;全文 * |
| 《Learning-Based_Rogue_Edge_Detection_in_VANETs_with_Ambient_Radio_Signals》;Xiaozhen Lu 等;《2018 IEEE International Conference on Communications (ICC)》;20180731;全文 * |
| 《Security_in_Mobile_Edge_Caching_with_Reinforcement_Learning》;Liang Xiao 等;《IEEE Wireless Communications》;20180704;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109803292A (zh) | 2019-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109803292B (zh) | 一种基于强化学习的多次级用户移动边缘计算的方法 | |
| CN111953759B (zh) | 基于强化学习的协同计算任务卸载和迁移的方法及装置 | |
| CN111953758B (zh) | 一种边缘网络计算卸载和任务迁移方法及装置 | |
| CN112286677B (zh) | 一种面向资源受限边缘云的物联网应用优化部署方法 | |
| CN113296845B (zh) | 一种边缘计算环境下基于深度强化学习的多小区任务卸载算法 | |
| CN111475274B (zh) | 云协同多任务调度方法及装置 | |
| CN109600178B (zh) | 一种边缘计算中能耗与时延和最小化的优化方法 | |
| CN108416465B (zh) | 一种移动云环境下的工作流优化方法 | |
| CN113364859B (zh) | 车联网中面向mec的联合计算资源分配和卸载决策优化方法 | |
| CN111813506A (zh) | 一种基于粒子群算法资源感知计算迁移方法、装置及介质 | |
| CN113993218A (zh) | 一种mec架构下基于多智能体drl的协作卸载和资源分配方法 | |
| CN112188627B (zh) | 一种基于状态预测的动态资源分配策略 | |
| CN113573363B (zh) | 基于深度强化学习的mec计算卸载与资源分配方法 | |
| CN112732359A (zh) | 多用户混合计算卸载方法、装置、电子设备及存储介质 | |
| CN114885418A (zh) | 5g超密集网络中任务卸载及资源分配的联合优化方法、装置及介质 | |
| CN113485826A (zh) | 一种边缘服务器负载均衡方法、*** | |
| CN104684095A (zh) | 一种异构网络融合场景中基于遗传运算的资源分配方法 | |
| CN113590279A (zh) | 一种面向多核边缘计算服务器的任务调度和资源分配方法 | |
| CN116132403A (zh) | 算力网络的路由分配方法、装置、电子设备及存储介质 | |
| CN113139639B (zh) | 一种基于mombi面向智慧城市应用多目标计算迁移方法和装置 | |
| CN113672372A (zh) | 一种基于强化学习的多边缘协同负载均衡任务调度方法 | |
| CN114980216B (zh) | 基于移动边缘计算的依赖型任务卸载***及方法 | |
| CN112685162A (zh) | 边缘服务器异构计算资源的高效能调度方法、***和介质 | |
| CN114615705B (zh) | 一种基于5g网络下单用户资源分配策略方法 | |
| CN110392377A (zh) | 一种5g超密集组网资源分配方法及装置 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240606 Address after: 510000 No. 135 West Xingang Road, Guangdong, Guangzhou Patentee after: SUN YAT-SEN University Country or region after: China Address before: No.9, Nanguo East Road, Yunlu community residents committee, Daliang sub district office, Shunde District, Foshan City, Guangdong Province, 528399 Patentee before: FOSHAN SHUNDE SUN YAT-SEN UNIVERSITY Research Institute Country or region before: China Patentee before: SYSU-CMU SHUNDE INTERNATIONAL JOINT Research Institute Patentee before: SUN YAT-SEN University |