CN109814951B - 移动边缘计算网络中任务卸载及资源分配的联合优化方法 - Google Patents
移动边缘计算网络中任务卸载及资源分配的联合优化方法 Download PDFInfo
- Publication number
- CN109814951B CN109814951B CN201910061942.3A CN201910061942A CN109814951B CN 109814951 B CN109814951 B CN 109814951B CN 201910061942 A CN201910061942 A CN 201910061942A CN 109814951 B CN109814951 B CN 109814951B
- Authority
- CN
- China
- Prior art keywords
- task
- mec
- energy consumption
- resource allocation
- unloading
- 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
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
本发明公开了移动边缘计算网络中任务卸载及资源分配的联合优化方法,包括以下步骤:步骤一:建立一个基于OFDMA的多MEC基站、多用户的场景模型,其中MEC基站支持多用户接入;步骤二:引入卸载决策机制;同时构建本地计算模型和远端计算模型,选出需要进行计算卸载的用户,根据上述条件建立满足时延约束情况下基于最小能耗的计算任务卸载和资源分配方案;步骤三:通过对卸载决策变量、无线资源分配变量及计算资源分配变量三个相互约束的优化变量进行变量融合,使问题简化;步骤四:通过分支定界算法获得使MEC***中用户总能耗最低的卸载决策及资源分配结果。本发明具有在保证严格时延限制的前提下,能有效降低***能耗的优点。
Description
技术领域
本发明属于移动通信和移动边缘计算技术领域,尤其涉及一种移动边缘计算网络中任务卸载及资源分配的联合优化方法。
背景技术
近年来,随着移动互联网和物联网的高速发展,诸如智能手机、智能手环等移动设备(Mobile Devices,MDs)的数量呈指数增长,与之伴随出现了越来越多的计算密集型应用,如人脸识别、电子医疗、自然语言处理、交互式游戏等。这类应用计算复杂度高、能量消耗大、要求时延低,但移动终端往往在计算资源、存储资源和电池容量上受限,大量的计算需求远远超出本地移动设备能够提供的服务。计算卸载技术为上述问题提供了解决方案。
计算卸载技术最初应用于云计算,云计算能够提供强大的计算能力,将计算与存储任务卸载到云服务器,计算任务完成后,云服务器再将计算结果返回到本地设备端,从而缩小了资源受限的移动设备与日益增多的资源密集型应用之间的差距。但是核心云数据中心距离移动设备非常远,数据的传输非常复杂,导致时延很大,并且将任务卸载到云端将会产生额外的回程开销,下一代移动云计算(Mobile Cloud Computing,MCC)***的部署和管理方式将面临巨大的挑战。
为了缓解回程开销的压力和时延要求,移动边缘计算(Mobile Edge Computing,MEC)进入了人们的视野,它的提出是为了解决下一代移动通信(5G)面临的海量移动设备介入造成的全球计算资源短缺的问题,受到了学术界及工业界的广泛关注。作为5G的核心架构之一,移动边缘计算将互联网技术和无线网络结合在一起,将计算及存储任务拉近到网络边缘,减轻网络压力,使得移动网络传输成本更低且效率更高。在MEC网络中进行任务卸载来服务计算密集型应用,已成为未来通信网络发展的主要趋势。
然而,与云计算不同的是,边缘服务器的资源是有限的。因此,无线资源和计算资源的分配对MEC***来说尤为重要,其中前者影响数据传输速率和设备的能耗,而后者影响任务的计算时延。因而亟需发明一种在保证时延的前提下,能有效降低整个***能耗的移动边缘计算网络中任务卸载及资源分配方法。
发明内容
本发明的目的是提供一种在保证时延的前提下,能有效降低整个***能耗的移动边缘计算网络中任务卸载及资源分配的联合优化方法。
为实现上述目的,本发明采用了如下技术方案:所述的移动边缘计算网络中任务卸载及资源分配的联合优化方法,包括以下步骤:
步骤一:建立一个基于OFDMA的多MEC基站、多用户的场景模型,其中MEC基站支持多用户接入;
步骤二:引入卸载决策机制来表示移动设备的任务在何处执行完成;同时构建本地计算模型和远端计算模型,选出需要进行计算卸载的用户,根据上述条件建立满足时延约束情况下基于最小能耗的计算任务卸载和资源分配方案;
步骤三:通过对卸载决策变量、无线资源分配变量及计算资源分配变量三个相互约束的优化变量进行变量融合,使问题简化;
步骤四:通过分支定界算法获得使MEC***中用户总能耗最低的卸载决策及资源分配结果。
进一步地,前述的移动边缘计算网络中任务卸载及资源分配的联合优化方法,其中:步骤一具体包括:
并假设MEC服务器的中央处理器在当前时刻是空闲的,子载波相互独立,每个MDs拥有一个计算密集型任务,每个任务可表示为A(Dk,Xk,τk),其中,Dk表示任务数据的大小,单位是比特(bits);Xk表示计算负载,单位是CPU/bit;τk为计算任务的时延上限,DkXk表示完成任务所需的CPU数;
一个任务可以在设备端完成,或卸载到基站侧的MEC服务器完成,并假设每个任务不可以被分解为子任务;同时上述参数通过应用程序分析器得到。
进一步地,前述的移动边缘计算网络中任务卸载及资源分配的联合优化方法,其中:步骤二具体包括以下步骤:
步骤(2.1):建立卸载决策机制
步骤(2.2):构建本地计算模型:
其中,k0是一个与设备CPU相关的常数,
步骤(2.3):构建远端计算模型:
其中,典型的远端计算流程如下:
(1)移动设备k通过上行链路将任务A上传到MEC服务器s;
(2)计算任务在MEC服务器上执行,且服务器s给任务k分配的计算资源为Fk,s;
(3)MEC服务器将计算结果返回给用户;
由于与输入服务器的数据量相比,输出结果很小,可以忽略不计,因此可只考虑流程前两个步骤(1)、(2);
移动设备端接入MEC基站的上传速率为:
移动设备k的远端计算完成总时间可以写为:
其中,Fk,s表示第s个MEC服务器分给第k个MD的计算资源;
设备k的远端计算完成总能耗为:
在MEC***中,与用户体验质量相关的两个参数为任务完成时延和能耗,综合考虑B、W、F,得到完成任务的时延和能耗分别为:
“是否卸载”的问题,可以写作:
其中,bk,0=1表示任务k在本地完成;否则,bk,0=0,E0和τk分别表示能耗阈值和时延阈值来限制最大花销;
其中,约束C1说明bk,s是一个二元变量;约束C2表明每个MD只能将任务卸载到一个基站;C3和C4分别表示wk,n,s是关于子载波分配的二元变量并且在每次卸载决策时,每个子载波只能被分配给一个MD;对任一基站,C5确保了分配给任一MD的子载波数量不能超过最大可用子载波数量;C6和C7是对计算资源分配的约束,C6限制了Fk,s的取值范围,C7保证一个MEC服务器给MD分配的资源不能超出它的最大计算资源Fs;约束C8表明了wk,n,s和Fk,s之间的关系;我们用C9来确保移动设备k的远端计算总时延不超出它的最大时延。
进一步地,前述的移动边缘计算网络中任务卸载及资源分配的联合优化方法,其中:在步骤三中,bk,s、wk,n,s、Fk,s三个变量是相互制约的,它们之间的关系如下:
可以将bk,s合并到wk,n,s和Fk,s中;并通过上述公式(1),将问题P转化为P1:
s.t.C1-C8,
进一步地,前述的移动边缘计算网络中任务卸载及资源分配的联合优化方法,其中:步骤四具体包括以下步骤:
通过上述技术方案的实施,本发明的有益效果是:与传统计算卸载算法(最小距离卸载算法、随即卸载算法)相比,优点如下:
(1)本发明提出的多接入MEC基站的移动边缘计算模型,并且考虑到MEC服务器的计算资源有限,较为全面地还原现实场景,具有普适性;
(2)本发明将计算卸载与资源分配进行联合优化,资源分配为计算卸载带来好的影响,性能更优;
(3)由于该优化问题的计算复杂度很高,本发明通过问题的等价性变换,使得问题变得易于求解,降低了问题的复杂度;
(4)在保证时延的前提下,能有效降低整个***的能量消耗,并且在成功卸载概率方面有着优异的性能。
附图说明
图1为本发明所述的移动边缘计算网络中任务卸载及资源分配的联合优化方法的流程示意图。
图2为本发明的***模型示意图。
图3为基于变量融合的BnB算法和随即卸载算法的远端能耗及本地计算能耗对比示意图。
图4为基于变量融合的BnB算法和最小距离卸载算法的性能对比示意图。
具体实施方式
为了使本发明领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
如图1所示,所述的移动边缘计算网络中任务卸载及资源分配的联合优化方法,包括以下步骤:
步骤一:建立一个基于OFDMA的多MEC基站、多用户的场景模型,系梳模型示意图参见图2所示,其中MEC基站支持多用户接入;
具体为:建立S个MEC基站、K个MDs、N个子载波的场景模型,在该场景下,基站、移动设备、信道三者表示为: 每个基站部署一个MEC服务器,它们具备一定的计算能力,换言之,服务器的计算资源有限。在此场景中,使用正交频分多址接入(Orthogonal Frequency Division Multiple Access,OFDMA)作为上行链路传输机制,意味着子载波之间相互正交,干扰可以被忽略;
并假设MEC服务器的中央处理器在当前时刻是空闲的,子载波相互独立,每个MDs拥有一个计算密集型任务,每个任务可表示为A(Dk,Xk,τk),其中,Dk表示任务数据的大小,单位是比特(bits);Xk表示计算负载,单位是CPU/bit;τk为计算任务的时延上限,DkXk表示完成任务所需的CPU数;
一个任务可以在设备端完成,或卸载到基站侧的MEC服务器完成,并假设每个任务不可以被分解为子任务;同时上述参数通过应用程序分析器得到;
步骤二:引入卸载决策机制来表示移动设备的任务在何处执行完成;同时构建本地计算模型和远端计算模型,选出需要进行计算卸载的用户,根据上述条件建立满足时延约束情况下基于最小能耗的计算任务卸载和资源分配方案;
其中,步骤二具体包括以下步骤:
步骤(2.1):建立卸载决策机制
步骤(2.2):构建本地计算模型:
步骤(2.3):构建远端计算模型:
其中,典型的远端计算流程如下:
(1)移动设备k通过上行链路将任务A上传到MEC服务器s;
(2)计算任务在MEC服务器上执行,且服务器s给任务k分配的计算资源为Fk,s;
(3)MEC服务器将计算结果返回给用户;
由于与输入服务器的数据量相比,输出结果很小,可以忽略不计,因此可只考虑流程前两个步骤(1)、(2);
对于OFDMA***来说,由于子载波是正交的,干扰可以被忽略,移动设备端接入MEC基站的上传速率为:
其中BN表示子载波带宽,为子载波分配矩阵,它定义了是否将子载波n分配给移动设备k和MEC服务器s;gk,n,s表示了设备k和服务器s通过信道n进行传输时的信道增益;Pk为传输功率,同时,定义最大传输功率为Pm,显然,任何对传输功率的优化都会对算法性能带来好的影响,因此不对传输功率进行优化,并根据实际部署场景将其限制在一固定范围;进一步地,移动设备k的远端计算完成总时间可以写为:
其中,Fk,s表示第s个MEC服务器分给第k个MD的计算资源;
由于MEC基站由电网供电,它的能量是充沛的,因此在本***中不考虑在MEC服务器端执行计算任务所消耗的能量,只考虑设备传输能耗,因此设备k的远端计算完成总能耗为:
在MEC***中,与用户体验质量相关的两个参数为任务完成时延和能耗,综合考虑B、W、F,得到完成任务的时延和能耗分别为:
许多现存工作已经详细研究了“是否卸载”的问题,可以被写作:
其中,bk,0=1表示任务k在本地完成;否则,bk,0=0,令E0和τk分别作为能耗阈值和时延阈值来限制最大花销;在本实施例中,只专注研究任务“卸载到何处”的问题,因此下面只考虑需要卸载的任务;
其中,约束C1说明bk,s是一个二元变量;约束C2表明每个MD只能将任务卸载到一个基站;C3和C4分别表示wk,n,s是关于子载波分配的二元变量并且在每次卸载决策时,每个子载波只能被分配给一个MD;对任一基站,C5确保了分配给任一MD的子载波数量不能超过最大可用子载波数量;C6和C7是对计算资源分配的约束,C6限制了Fk,s的取值范围,C7保证一个MEC服务器给MD分配的资源不能超出它的最大计算资源Fs;约束C8表明了wk,n,s和Fk,s之间的关系;我们用C9来确保移动设备k的远端计算总时延不超出它的最大时延;
上述问题是一个混合整数非线性规划问题,通常也就是NP-难问题;由于B,W,F三个变量之间是相互制约的,此问题很难被分解为子问题去解决,因此通过变量融合将问题进行简化;
步骤三:通过对卸载决策变量、无线资源分配变量及计算资源分配变量三个相互约束的优化变量进行变量融合,使问题简化;
其中,本发明使用基于变量融合的BnB算法求解,具体为:
bk,s、wk,n,s、Fk,s三个变量是相互制约的,它们之间的关系如下:
于此可见,当任务k不卸载到服务器s时,服务器也将不会分资源给此任务;相应的,子载波也将不会在任务-基站对之间建立联系;因此,可以将bk,s合并到wk,n,s和Fk,s中。通过上述公式(1),将问题P转化为P1:
s.t.C1-C8,
步骤四:通过分支定界算法获得使MEC***中用户总能耗最低的卸载决策及资源分配结果;
其中,步骤四具体包括以下步骤:
本发明通过MATLAB编程仿真,得到仿真结果,参见图3和图4;
图3为基于变量融合的BnB算法和随即卸载算法的远端能耗对比及本地计算能耗;从图3中可以看出,随着用户数的增多,任务书增加,因此能耗逐渐增长;与此同时,本发明提出的方案的性能要优于随即卸载方案,因为对于随即卸载来说,不确定性导致了大量的能量消耗,使得移动设备的任务卸载变得低效;与本地计算能耗相比,本发明节省了相当可观的能耗;
图4为基于变量融合的BnB算法和最小距离卸载算法的性能对比;从图4中可以看出,本发明提出的方案在节能和成功卸载概率方面均优于最小距离卸载方案;成功卸载概率指的是移动设备成功找到合适的MEC服务器在时延限制内完成任务,可以用来衡量算法的可靠性;考虑到信道增益,受距离和信道性能的影响,用户选择相对较近的基站会带来好的效果;但随着用户数量的增加,可用资源变少,最小距离卸载往往不能满足卸载需求,从而造成了成功卸载概率的大幅度下降。
本发明的优点是:与传统计算卸载算法(最小距离卸载算法、随即卸载算法)相比,优点如下:
(1)本发明提出的多接入MEC基站的移动边缘计算模型,并且考虑到MEC服务器的计算资源有限,较为全面地还原现实场景,具有普适性;
(2)本发明将计算卸载与资源分配进行联合优化,资源分配为计算卸载带来好的影响,性能更优;
(3)由于该优化问题的计算复杂度很高,本发明通过问题的等价性变换,使得问题变得易于求解,降低了问题的复杂度;
(4)在保证时延的前提下,能有效降低整个***的能量消耗,并且在成功卸载概率方面有着优异的性能。
Claims (1)
1.移动边缘计算网络中任务卸载及资源分配的联合优化方法,其特征在于:包括以下步骤:
步骤一:建立一个基于OFDMA的多MEC基站、多用户的场景模型,其中MEC基站支持多用户接入;
步骤一具体包括:
并假设MEC服务器的中央处理器在当前时刻是空闲的,子载波相互独立,每个MDs拥有一个计算密集型任务,每个任务可表示为A(Dk,Xk,τk),其中,Dk表示任务数据的大小,单位是比特(bits);Xk表示计算负载,单位是CPU/bit;τk为计算任务的时延上限,DkXk表示完成任务所需的CPU数;
一个任务可以在设备端完成,或卸载到基站侧的MEC服务器完成,并假设每个任务不可以被分解为子任务;同时上述参数通过应用程序分析器得到;
步骤二:引入卸载决策机制来表示移动设备的任务在何处执行完成;同时构建本地计算模型和远端计算模型,选出需要进行计算卸载的用户,根据上述条件建立满足时延约束情况下基于最小能耗的计算任务卸载和资源分配方案;
步骤二具体包括以下步骤:
步骤(2.1):建立卸载决策机制
步骤(2.2):构建本地计算模型:
其中,k0是一个与设备CPU相关的常数;
步骤(2.3):构建远端计算模型:
其中,典型的远端计算流程如下:
(1)移动设备k通过上行链路将任务A上传到MEC服务器s;
(2)计算任务在MEC服务器上执行,且服务器s给任务k分配的计算资源为Fk,s;
(3)MEC服务器将计算结果返回给用户;
由于与输入服务器的数据量相比,输出结果很小,可以忽略不计,因此可只考虑流程前两个步骤(1)、(2);
移动设备端接入MEC基站的上传速率为:
进一步地,移动设备k的远端计算完成总时间可以写为:
其中,Fk,s表示第s个MEC服务器分给第k个MD的计算资源;
设备k的远端计算完成总能耗为:
在MEC***中,与用户体验质量相关的两个参数为任务完成时延和能耗,综合考虑B、W、F,得到完成任务的时延和能耗分别为:
“是否卸载”的问题,可以写作:
其中,bk,0=1表示任务k在本地完成;否则,bk,0=0,E0和τk分别表示能耗阈值和时延阈值来限制最大花销;下面只专注研究任务“卸载到何处”的问题;
其中,约束C1说明bk,s是一个二元变量;约束C2表明每个MD只能将任务卸载到一个基站;C3和C4分别表示wk,n,s是关于子载波分配的二元变量并且在每次卸载决策时,每个子载波只能被分配给一个MD;对任一基站,C5确保了分配给任一MD的子载波数量不能超过最大可用子载波数量;C6和C7是对计算资源分配的约束,C6限制了Fk,s的取值范围,C7保证一个MEC服务器给MD分配的资源不能超出它的最大计算资源Fs;约束C8表明了wk,n,s和Fk,s之间的关系;我们用C9来确保移动设备k的远端计算总时延不超出它的最大时延;
步骤三:通过对卸载决策变量、无线资源分配变量及计算资源分配变量三个相互约束的优化变量进行变量融合,使问题简化;
在步骤三中,bk,s、wk,n,s、Fk,s三个变量是相互制约的,它们之间的关系如下:
可以将bk,s合并到wk,n,s和Fk,s中;并通过上述公式(1),将问题P转化为P1:
s.t.C1-C8,
步骤四:通过分支定界算法获得使MEC***中用户总能耗最低的卸载决策及资源分配结果;
步骤四具体包括以下步骤:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910061942.3A CN109814951B (zh) | 2019-01-22 | 2019-01-22 | 移动边缘计算网络中任务卸载及资源分配的联合优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910061942.3A CN109814951B (zh) | 2019-01-22 | 2019-01-22 | 移动边缘计算网络中任务卸载及资源分配的联合优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109814951A CN109814951A (zh) | 2019-05-28 |
CN109814951B true CN109814951B (zh) | 2021-09-28 |
Family
ID=66604818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910061942.3A Active CN109814951B (zh) | 2019-01-22 | 2019-01-22 | 移动边缘计算网络中任务卸载及资源分配的联合优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109814951B (zh) |
Families Citing this family (107)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110177055B (zh) * | 2019-05-29 | 2020-08-18 | 电子科技大学 | 一种边缘计算场景下边缘域资源的预分配方法 |
CN110418356A (zh) * | 2019-06-18 | 2019-11-05 | 深圳大学 | 一种计算任务卸载方法、装置及计算机可读存储介质 |
CN110475224B (zh) * | 2019-07-01 | 2022-03-11 | 南京邮电大学 | 一种基于边缘计算的传感器数据处理与协同预测方法 |
CN110134507B (zh) * | 2019-07-11 | 2019-10-22 | 电子科技大学 | 一种边缘计算***下的合作计算方法 |
CN110472301B (zh) * | 2019-07-25 | 2023-04-28 | 广东工业大学 | 一种基于多源-多中继设备的能耗优化方法 |
CN110582097A (zh) * | 2019-07-26 | 2019-12-17 | 深圳大学 | 一种降低汽车计算开销的处理方法、装置及存储介质 |
CN110519370B (zh) * | 2019-08-28 | 2022-03-25 | 湘潭大学 | 一种基于设施选址问题的边缘计算资源分配方法 |
CN110493360B (zh) * | 2019-09-26 | 2022-08-19 | 重庆大学 | 多服务器下降低***能耗的移动边缘计算卸载方法 |
CN110650487B (zh) * | 2019-09-27 | 2022-10-28 | 常熟理工学院 | 基于数据隐私保护的物联网边缘计算配置方法 |
CN110493757B (zh) * | 2019-09-29 | 2023-03-28 | 重庆大学 | 单服务器下降低***能耗的移动边缘计算卸载方法 |
CN110719641B (zh) * | 2019-10-15 | 2022-08-26 | 南京邮电大学 | 边缘计算中用户卸载与资源分配联合优化方法 |
CN110958612B (zh) * | 2019-10-24 | 2023-04-07 | 浙江工业大学 | 一种多用户场景下的边缘计算卸载周期最小化方法 |
CN110839220B (zh) * | 2019-10-28 | 2022-12-20 | 无锡职业技术学院 | 一种基于无线自组网的分布式计算方法 |
CN110647403B (zh) * | 2019-10-31 | 2023-04-11 | 桂林电子科技大学 | 一种多用户mec***中的云端计算资源分配方法 |
CN110830294B (zh) * | 2019-11-01 | 2022-05-10 | 湘潭大学 | 一种基于分支定界法的边缘计算任务分配方法 |
CN110928654B (zh) * | 2019-11-02 | 2024-03-19 | 上海大学 | 一种边缘计算***中分布式的在线任务卸载调度方法 |
CN110928599B (zh) * | 2019-11-06 | 2023-04-18 | 浙江理工大学 | 一种边缘计算网络中基于数据流的任务卸载方法及*** |
CN110941667B (zh) * | 2019-11-07 | 2022-10-14 | 北京科技大学 | 一种移动边缘计算网络中的计算卸载方法及*** |
CN111124666B (zh) * | 2019-11-25 | 2023-05-12 | 哈尔滨工业大学 | 一种移动物联网中的高效、安全的多用户多任务卸载方法 |
CN110968366B (zh) * | 2019-11-29 | 2022-06-28 | 长沙理工大学 | 一种基于有限mec资源的任务卸载方法、装置及设备 |
CN111148134B (zh) * | 2019-12-19 | 2021-06-01 | 南京大学 | 一种基于移动边缘计算的多用户多任务卸载方法 |
CN111372268B (zh) * | 2019-12-24 | 2022-07-08 | 中国石油大学(华东) | 一种超密集网络中联合无线资源管理与任务卸载优化方法 |
CN111132230B (zh) * | 2019-12-25 | 2023-01-17 | 东南大学 | 一种面向数据采集的带宽分配和数据压缩联合优化方法 |
CN111093255A (zh) * | 2019-12-26 | 2020-05-01 | 苏州电海智能科技有限公司 | 基于uav边缘处理的电力包供能基站协同方法 |
CN111585916B (zh) * | 2019-12-26 | 2023-08-01 | 国网辽宁省电力有限公司电力科学研究院 | 基于云边协同的lte电力无线专网任务卸载和资源分配方法 |
CN111240701B (zh) * | 2019-12-31 | 2023-07-25 | 重庆大学 | 一种端-边-云协同计算的任务卸载优化方法 |
CN111130911B (zh) * | 2019-12-31 | 2022-05-31 | 杭州电子科技大学 | 一种基于移动边缘计算的计算卸载方法 |
CN111199740B (zh) * | 2019-12-31 | 2022-09-09 | 重庆大学 | 一种基于边缘计算加速自动语音识别任务的卸载方法 |
CN111245651B (zh) * | 2020-01-08 | 2022-03-29 | 上海交通大学 | 一种基于功率控制和资源分配的任务卸载方法 |
CN111182570B (zh) * | 2020-01-08 | 2021-06-22 | 北京邮电大学 | 提高运营商效用的用户关联和边缘计算卸载方法 |
CN110928678B (zh) * | 2020-01-20 | 2022-03-04 | 西北工业大学 | 一种基于移动边缘计算的区块链***资源分配方法 |
CN111314123B (zh) * | 2020-02-04 | 2022-11-04 | 国网江苏省电力有限公司南京供电分公司 | 一种面向时延和能耗的电力物联网工作负载分配方法 |
CN111464216B (zh) * | 2020-03-08 | 2023-02-17 | 郑州大学 | 一种基于大规模mimo的移动边缘计算时延最小化方法 |
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 |
CN111526526B (zh) * | 2020-04-03 | 2022-12-06 | 东南大学 | 基于服务混搭的移动边缘计算中的任务卸载方法 |
CN111585637B (zh) * | 2020-04-17 | 2022-02-11 | 长沙理工大学 | 一种基于边缘计算***的无人机任务卸载和资源分配方法 |
CN111556461B (zh) * | 2020-04-29 | 2023-04-21 | 南京邮电大学 | 一种基于深度q网络的车载边缘网络任务分发卸载方法 |
CN111586762B (zh) * | 2020-04-29 | 2023-02-17 | 重庆邮电大学 | 一种基于边缘协作的任务卸载及资源分配联合优化方法 |
CN111556576B (zh) * | 2020-05-06 | 2023-04-07 | 南京邮电大学 | 基于d2d_mec***的时延优化方法 |
CN111585816B (zh) * | 2020-05-11 | 2022-07-01 | 重庆邮电大学 | 一种基于自适应遗传算法的任务卸载决策方法 |
CN111524034B (zh) * | 2020-05-12 | 2023-11-03 | 华北电力大学 | 高可靠低时延低能耗的电力巡检***及巡检方法 |
CN111787618B (zh) * | 2020-05-25 | 2022-03-18 | 中南林业科技大学 | 一种边缘计算中联合能量获取的能耗优化资源分配方法 |
CN111600648B (zh) * | 2020-05-25 | 2022-02-22 | 中国矿业大学 | 一种移动边缘计算***的移动中继位置控制方法 |
CN112073452B (zh) * | 2020-05-27 | 2021-04-27 | 河南工程学院 | 一种能源有效和资源受限的移动边缘计算任务分配方法 |
CN112540845B (zh) * | 2020-05-27 | 2023-08-04 | 南京邮电大学 | 一种基于移动边缘计算的协作***及方法 |
CN111615129B (zh) * | 2020-05-29 | 2023-03-24 | 南京邮电大学 | 基于noma的多用户移动边缘计算***中的资源分配方法 |
CN111913723B (zh) * | 2020-06-15 | 2022-09-23 | 合肥工业大学 | 基于流水线的云-边-端协作卸载方法和*** |
CN111818168B (zh) * | 2020-06-19 | 2022-05-03 | 重庆邮电大学 | 一种车联网中自适应联合计算卸载与资源分配方法 |
CN111884696B (zh) * | 2020-07-01 | 2022-03-25 | 广州大学 | 一种基于多载波的中继协作移动边缘计算方法 |
CN111836284B (zh) * | 2020-07-08 | 2022-04-05 | 重庆邮电大学 | 基于移动边缘计算的能耗优化计算、卸载方法和*** |
CN111970323A (zh) * | 2020-07-10 | 2020-11-20 | 北京大学 | 边缘计算网络中云边多层协作的时延优化方法及装置 |
CN112052086B (zh) * | 2020-07-28 | 2023-06-20 | 西安交通大学 | 一种移动边缘计算网络中的多用户安全节能资源分配方法 |
CN112118287B (zh) * | 2020-08-07 | 2023-01-31 | 北京工业大学 | 基于交替方向乘子算法与移动边缘计算的网络资源优化调度决策方法 |
CN112004239B (zh) * | 2020-08-11 | 2023-11-21 | 中国科学院计算机网络信息中心 | 一种基于云边协同的计算卸载方法及*** |
CN112084019B (zh) * | 2020-08-12 | 2022-05-10 | 东南大学 | 基于模拟退火的异构mec计算平台中的计算卸载与资源分配方法 |
CN112105062B (zh) * | 2020-09-16 | 2022-05-31 | 云南大学 | 时敏条件下移动边缘计算网络能耗最小化策略方法 |
CN112231009B (zh) * | 2020-09-17 | 2024-04-16 | 浙江工业大学 | 一种能量捕获网络模型任务计算卸载决策与调度方法 |
CN112235387B (zh) * | 2020-10-10 | 2022-12-13 | 华北电力大学(保定) | 一种基于能量消耗最小化的多节点协作计算卸载方法 |
CN112351503B (zh) * | 2020-11-05 | 2022-09-06 | 大连理工大学 | 基于任务预测的多无人机辅助边缘计算资源分配方法 |
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 |
CN112512013B (zh) * | 2020-11-27 | 2022-06-24 | 山东师范大学 | 基于学习剪枝的车联网移动边缘计算任务卸载方法及*** |
CN112512065B (zh) * | 2020-12-02 | 2024-04-16 | 中国刑事警察学院 | 支持mec的小小区网络中在移动感知下的卸载和迁移方法 |
CN112492626B (zh) * | 2020-12-07 | 2022-04-12 | 南京邮电大学 | 一种移动用户计算任务的卸载方法 |
CN112738822A (zh) * | 2020-12-25 | 2021-04-30 | 中国石油大学(华东) | 移动边缘计算环境中基于noma的安全卸载和资源分配方法 |
CN112689303B (zh) * | 2020-12-28 | 2022-07-22 | 西安电子科技大学 | 一种边云协同资源联合分配方法、***及应用 |
CN112860429B (zh) * | 2020-12-29 | 2023-06-16 | 重庆大学 | 一种移动边缘计算***中任务卸载的成本效率优化***及方法 |
CN112866012B (zh) * | 2021-01-05 | 2023-01-24 | 金陵科技学院 | 非线性能量收集无线供电mec中卸载和能量联合优化方法 |
CN112804715B (zh) * | 2021-01-12 | 2022-08-02 | 南京邮电大学 | 面向异构业务需求的移动边缘计算网络用户接入控制方法 |
CN112822707B (zh) * | 2021-01-13 | 2022-07-12 | 重庆邮电大学 | 一种计算资源有限mec中任务卸载与资源分配方法 |
CN114880038B (zh) * | 2021-01-22 | 2023-12-19 | 上海大学 | 移动边缘计算***资源优化配置方法 |
CN112929412B (zh) * | 2021-01-22 | 2022-03-11 | 山东大学 | 一种基于mec单车单小区的联合带宽分配与数据流卸载方法、设备及存储介质 |
CN112835637B (zh) * | 2021-01-26 | 2022-05-17 | 天津理工大学 | 一种面向车辆用户移动边缘计算的任务卸载方法 |
CN112929074B (zh) * | 2021-01-27 | 2022-02-08 | 东南大学 | 一种卫星和高空平台协助的星地边缘计算任务卸载方法 |
CN114885345B (zh) * | 2021-02-05 | 2023-08-18 | 中国科学院沈阳自动化研究所 | 基于差分进化算法的***计算能效最大化资源分配方法 |
CN113056007B (zh) * | 2021-02-06 | 2022-04-08 | 重庆邮电大学 | 基于正交频分多址的并行移动边缘计算网络资源分配方法 |
CN112954592B (zh) * | 2021-02-08 | 2022-07-26 | 南京邮电大学 | 一种针对d2d-mec***的能耗优化方法 |
CN112888005B (zh) * | 2021-02-26 | 2022-09-13 | 中天通信技术有限公司 | 一种面向mec的分布式业务调度方法 |
CN112787920B (zh) * | 2021-03-03 | 2021-11-19 | 厦门大学 | 面向海洋物联网的水声通信边缘计算时延和能耗优化方法 |
CN112860350B (zh) * | 2021-03-15 | 2022-06-03 | 广西师范大学 | 一种边缘计算中基于任务缓存的计算卸载方法 |
CN113163365B (zh) * | 2021-03-26 | 2022-10-11 | 北京工业大学 | 基于交替方向乘子算法的无人机支持物联网资源优化方法 |
CN113207136B (zh) * | 2021-04-02 | 2022-11-18 | 北京科技大学 | 一种联合优化计算卸载和资源分配的方法及装置 |
CN113115339B (zh) * | 2021-04-13 | 2022-05-03 | 重庆邮电大学 | 一种基于移动性感知的任务卸载和资源分配联合优化方法 |
CN113360203B (zh) * | 2021-04-20 | 2023-07-11 | 广东电网有限责任公司电力调度控制中心 | 一种电力物联网的任务卸载方法及装置 |
CN113286317B (zh) * | 2021-04-25 | 2023-07-28 | 南京邮电大学 | 一种基于无线供能边缘网络的任务调度方法 |
CN113342514B (zh) * | 2021-05-11 | 2023-11-07 | 武汉理工大学 | 一种基于近地轨道的边缘计算模型及其服务放置方法 |
CN113296842B (zh) * | 2021-05-14 | 2022-05-06 | 上海交通大学 | 移动边缘计算中基于相关性的优化任务卸载调度方法 |
CN113434206B (zh) * | 2021-05-26 | 2023-03-21 | 国网河南省电力公司信息通信公司 | 智能电网计算卸载的方法及装置 |
CN113411394B (zh) * | 2021-06-16 | 2022-09-09 | 广东电网有限责任公司电力调度控制中心 | 一种超密集网络场景下卸载任务的处理的方法及装置 |
CN113473542A (zh) * | 2021-06-24 | 2021-10-01 | 西安邮电大学 | 无线供能边缘计算网络的时延最小化资源分配方法及装置 |
CN113452625B (zh) * | 2021-06-28 | 2022-04-15 | 重庆大学 | 基于深度强化学习的卸载调度与资源分配方法 |
CN113423115B (zh) * | 2021-07-01 | 2023-07-25 | 兰州理工大学 | 一种基于边缘计算的能量协作与任务卸载优化方法 |
CN113590279B (zh) * | 2021-07-08 | 2024-05-14 | 华中科技大学 | 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 |
CN113784372A (zh) * | 2021-08-11 | 2021-12-10 | 华中科技大学 | 一种面向终端多业务模型的联合优化方法 |
CN113709817B (zh) * | 2021-08-13 | 2023-06-06 | 北京信息科技大学 | 多基站多服务器场景下的任务卸载和资源调度方法及装置 |
CN113950103B (zh) * | 2021-09-10 | 2022-11-04 | 西安电子科技大学 | 一种移动边缘环境下多服务器完全计算卸载方法及*** |
CN113573342B (zh) * | 2021-09-27 | 2021-12-07 | 南京邮电大学 | 一种基于工业物联网的节能计算卸载方法 |
CN113922854B (zh) * | 2021-10-09 | 2022-07-01 | 东南大学 | 一种具有边缘计算辅助的集成雷达感知和无线通信方法 |
CN113965961B (zh) * | 2021-10-27 | 2024-04-09 | 中国科学院计算技术研究所 | 一种车联网环境下的边缘计算任务卸载方法与*** |
CN114025359B (zh) * | 2021-11-01 | 2024-04-23 | 湖南大学 | 基于深度强化学习的资源分配与计算卸载方法、***、设备及介质 |
CN114051254B (zh) * | 2021-11-08 | 2024-05-03 | 南京大学 | 一种基于星地融合网络的绿色云边协同计算卸载方法 |
CN114173300A (zh) * | 2021-11-17 | 2022-03-11 | 中科怡海高新技术发展江苏股份公司 | 一种多用户任务卸载方法及*** |
CN114245449B (zh) * | 2021-11-29 | 2023-09-26 | 南京邮电大学 | 一种5g边缘计算环境下终端能耗感知的任务卸载方法 |
CN114173357B (zh) * | 2021-12-07 | 2023-09-01 | 南京邮电大学 | 一种面向多类型业务时延需求的移动边缘计算资源分配方法 |
CN114599041B (zh) * | 2022-01-13 | 2023-12-05 | 浙江大学 | 一种计算和通信的融合方法 |
CN114745384B (zh) * | 2022-04-08 | 2023-06-20 | 云南大学 | 移动边缘计算网络中一种基于温度感知的资源分配方法 |
CN114928612B (zh) * | 2022-06-01 | 2024-04-12 | 南京浮点智算数字科技有限公司 | 移动边缘计算中协同卸载的激励机制与资源分配方法 |
CN114816584B (zh) * | 2022-06-10 | 2022-09-27 | 武汉理工大学 | 一种多能源供给边缘***的最优碳排计算卸载方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106900011A (zh) * | 2017-02-28 | 2017-06-27 | 重庆邮电大学 | 一种基于mec的蜂窝基站间任务卸载方法 |
WO2017112143A1 (en) * | 2015-12-22 | 2017-06-29 | Intel Corporation | Methods and apparatus for multi-stage vm virtual network function and virtual service function chain acceleration for nfv and needs-based hardware acceleration |
CN107708135A (zh) * | 2017-07-21 | 2018-02-16 | 上海交通大学 | 一种适用于移动边缘计算场景的资源分配方法 |
CN107846704A (zh) * | 2017-10-26 | 2018-03-27 | 北京邮电大学 | 一种基于移动边缘计算的资源分配及基站服务部署方法 |
CN108541027A (zh) * | 2018-04-24 | 2018-09-14 | 南京邮电大学 | 一种基于边缘云网络的通信计算资源置换方法 |
CN108901046A (zh) * | 2018-06-14 | 2018-11-27 | 北京大学 | 面向移动边缘计算的协同任务卸载算法及***设计方案 |
-
2019
- 2019-01-22 CN CN201910061942.3A patent/CN109814951B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017112143A1 (en) * | 2015-12-22 | 2017-06-29 | Intel Corporation | Methods and apparatus for multi-stage vm virtual network function and virtual service function chain acceleration for nfv and needs-based hardware acceleration |
CN106900011A (zh) * | 2017-02-28 | 2017-06-27 | 重庆邮电大学 | 一种基于mec的蜂窝基站间任务卸载方法 |
CN107708135A (zh) * | 2017-07-21 | 2018-02-16 | 上海交通大学 | 一种适用于移动边缘计算场景的资源分配方法 |
CN107846704A (zh) * | 2017-10-26 | 2018-03-27 | 北京邮电大学 | 一种基于移动边缘计算的资源分配及基站服务部署方法 |
CN108541027A (zh) * | 2018-04-24 | 2018-09-14 | 南京邮电大学 | 一种基于边缘云网络的通信计算资源置换方法 |
CN108901046A (zh) * | 2018-06-14 | 2018-11-27 | 北京大学 | 面向移动边缘计算的协同任务卸载算法及***设计方案 |
Non-Patent Citations (1)
Title |
---|
移动边缘计算网络中基于资源联合配置的计算任务卸载策略;林晓鹏;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180315(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109814951A (zh) | 2019-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109814951B (zh) | 移动边缘计算网络中任务卸载及资源分配的联合优化方法 | |
CN109857546B (zh) | 基于Lyapunov优化的多服务器移动边缘计算卸载方法及装置 | |
CN109240818B (zh) | 一种边缘计算网络中基于用户体验的任务卸载方法 | |
CN109951869B (zh) | 一种基于云雾混合计算的车联网资源分配方法 | |
CN110557769A (zh) | 基于深度强化学习的c-ran计算卸载和资源分配方法 | |
CN111372314A (zh) | 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 | |
CN110798849A (zh) | 一种超密网边缘计算的计算资源分配与任务卸载方法 | |
CN110941667A (zh) | 一种移动边缘计算网络中的计算卸载方法及*** | |
CN110489176B (zh) | 一种基于装箱问题的多接入边缘计算任务卸载方法 | |
CN111148134A (zh) | 一种基于移动边缘计算的多用户多任务卸载方法 | |
CN110392079A (zh) | 面向雾计算的节点计算任务调度方法及其设备 | |
CN109756912B (zh) | 一种多用户多基站联合任务卸载及资源分配方法 | |
Zhou et al. | Joint optimization of offloading and resource allocation in vehicular networks with mobile edge computing | |
CN111010684A (zh) | 一种基于mec缓存服务的车联网资源分配方法 | |
CN111475274A (zh) | 云协同多任务调度方法及装置 | |
CN112491957B (zh) | 一种边缘网络环境下的分布式计算卸载方法及*** | |
CN111511028B (zh) | 一种多用户资源分配方法、装置、***及存储介质 | |
CN111556576B (zh) | 基于d2d_mec***的时延优化方法 | |
CN112988347A (zh) | 一种降低***能耗与花费和的边缘计算卸载方法及*** | |
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 | |
CN109981340B (zh) | 雾计算网络***中联合资源优化的方法 | |
Dou et al. | Mobile edge computing based task offloading and resource allocation in smart grid | |
CN114025359B (zh) | 基于深度强化学习的资源分配与计算卸载方法、***、设备及介质 | |
CN113507712B (zh) | 一种基于交替方向乘子的资源分配与计算任务卸载方法 | |
Wang et al. | Joint heterogeneous tasks offloading and resource allocation in mobile edge computing systems |
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 |