CN110972147A - 一种数据驱动的边缘响应时间优化方法 - Google Patents
一种数据驱动的边缘响应时间优化方法 Download PDFInfo
- Publication number
- CN110972147A CN110972147A CN201911030918.XA CN201911030918A CN110972147A CN 110972147 A CN110972147 A CN 110972147A CN 201911030918 A CN201911030918 A CN 201911030918A CN 110972147 A CN110972147 A CN 110972147A
- Authority
- CN
- China
- Prior art keywords
- response time
- edge
- base station
- arrival rate
- task arrival
- 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
- 230000004044 response Effects 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- 230000006870 function Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 10
- WYROLENTHWJFLR-ACLDMZEESA-N queuine Chemical compound C1=2C(=O)NC(N)=NC=2NC=C1CN[C@H]1C=C[C@H](O)[C@@H]1O WYROLENTHWJFLR-ACLDMZEESA-N 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 3
- 238000004904 shortening Methods 0.000 abstract description 2
- 239000000243 solution Substances 0.000 description 21
- KAICRBBQCRKMPO-UHFFFAOYSA-N phosphoric acid;pyridine-3,4-diamine Chemical compound OP(O)(O)=O.NC1=CC=NC=C1N KAICRBBQCRKMPO-UHFFFAOYSA-N 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000010998 test method Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000012085 test solution Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0893—Assignment of logical groups to network elements
-
- 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
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1004—Server selection for load balancing
- H04L67/1008—Server selection for load balancing based on parameters of servers, e.g. available memory or workload
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/082—Load balancing or load distribution among bearers or channels
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种数据驱动的边缘响应时间优化方法,其特点是采用异构边缘服务器计算离线任务到达率的最优离线解,以及基于移动性感知博弈论的方法,计算在基站的任务到达率有波动时的最优解,具体包括:离线阶段计算离线任务到达率的最优离线解;运行时阶段的任务到达率没有波动时,直接利用基站分配的方案;在线阶段计算在基站的任务到达率有波动时的最优解。本发明与现有技术相比具有提高整个***和个人移动用户的预期响应时间,以及移动用户的响应时间公平性,有效解决了由用户移动的动态特性引起的基站工作负载波动问题,***预期响应时间缩短了54.55%,移动用户的响应时间公平性提高了72.50%,方法简单,使用方便,效率高。
Description
技术领域
本发明涉及云服务器技术领域,尤其是一种基于移动性感知博弈论处理用户移动动态特性的数据驱动边缘响应时间优化方法。
背景技术
随着新兴移动应用的普及,移动用户的计算要求如今不断增加。在移动云计算的传统体系结构中,移动用户可以通过基站向远程云服务器发送他们的请求,并要求云服务器代表他们自己执行任务执行,然而,这种模式导致移动用户在物联网时代不可避免地遭受高服务延迟。作为替代解决方案,因此提出在移动用户和云服务器之间部署边缘服务器的移动边缘云计算为众多移动用户提供低延迟服务。在过去几年中,人们对用于移动边缘云计算***的延迟感知边缘服务器部署的研究产生了广泛的兴趣。
现有技术由于边缘服务器与云服务器没有协作,***的预期响应时间和移动用户的响应时间公平性较差,用户移动的动态特性容易引起基站的工作负载波动。
发明内容
本发明的目的是针对现有技术的不足而设计的一种数据驱动的边缘响应时间优化方法,采用异构边缘服务器的最优布局策略,计算离线任务到达率的最优离线解,以及基于移动性感知博弈论的方法,处理用户移动的动态特性,计算在基站的任务到达率有波动时的最优解,有效解决了用户移动动态特性引起的基站工作负载波动,大大提高整个***和个人移动用户的预期响应时间,将***预期响应时间缩短了54.55%,移动用户的响应时间公平性提高了72.50%,方法简单,使用方便,效率高。
本发明的目的是这样实现的:一种数据驱动的边缘响应时间优化方法,其特点是采用异构边缘服务器计算离线任务到达率的最优离线解,以及基于移动性感知博弈论的方法,计算在基站的任务到达率有波动时的最优解,优化***的预期响应时间和移动用户的响应时间公平性,其具体优化包括以下步骤:
步骤1:定义云计算***中的用户、基站、云服务器、边缘服务器,以及基站与服务器的拓扑关系和基站与***的与其响应时间。
步骤2:离线阶段,利用整数线性规划(ILP)技术计算离线任务到达率的最优离线解。
步骤3:当运行时所有基站的任务到达率没有波动时,直接利用上述步骤2的方案;否则,使用启发式算法,以重新确定具有改变的任务到达率的基站的最佳边缘/云服务器。
步骤4:在线阶段,通过转换为凸优化问题来解决合作博弈问题,计算在基站的任务到达率有波动时的最优解。
步骤5:分配结束。
所述步骤1的实现过程按下述步骤进行:
步骤A1:表示出移动边缘云计算***中K个移动用户:U= {U1,U2,…,UK};M个基站:B={B1,B2,…,BM};N个边缘服务器SE= {S1,S2,…,SN}以及一个云服务器S0,令S={S0,SE}是由云服务器和边缘服务器集组成的服务器集。
步骤A2:满足约束任何基站Bm∈B(1≤m≤M)不允许同时连接到两个不同的边缘/云服务器Si∈S和Sj∈S(0≤i,j≤N,i≠j);用无向图 G=(V,E)表示M个基站和(N+1)和边缘/云服务器的拓扑;其中:集合V表示 M个基站和云服务器S0的固定放置位置的集合,以及N个边缘服务器的可能放置位置;集合E表示基站和边缘/云服务器之间的通信链路集。
步骤A3:基站Bm响应时间模型的构建:
通信延迟W(1) m,n由下述a式计算:
任务执行延迟W(2) m,n由下述b式定义:
基站Bm预期响应时间Wm由下述c式定义:
所述步骤2的实现过程按下述步骤进行:
步骤B1:最小化整个***和各个基站的预期响应时间的基站分配策略,并如下定义Pi,j和Am,n:
步骤B2:为确保***中的每个任务都得到可行的处理,必须满足每个边缘服务器Sj与一个基站完全位于同一位置,其约束条件如下述g式定义:
步骤B3:每个基站Bm都被精确分配给一个边缘/云服务器,由下述h 式定义:
步骤B4:发送到每个边缘/云服务器Sj的总任务到达率不超过边缘/云服务器可以处理任务的速率,由下述i式定义:
步骤C2:使用最大化与Q个改变任务到达率的基站的相关效用函数的乘积作为合作博弈的目标函数,且由下述j式定义基站的效用函数:
步骤C3:由下述k式定义重新分配问题:
其中:剩余计算能力Δpn由下述l式计算:
所述步骤4的实现过程按下述步骤进行:
步骤D2检查基站的任务到达率是否在运行时改变,如果答案为否,则返回上述步骤B6的最优解;如果答案为是,则算法将任务到达率的标记设置为1并用启发式算法重新分配。
步骤D3:构建改变了任务到达率基站的集合B′={B1,B2,…,BQ}。
步骤D4:计算每个边缘/云服务器的剩余计算能力Δpn。
步骤D5:重新确定每个基站的最佳边缘/云服务器,并相应地更新分配策略。
本发明与现有技术相比具有优化整个***的预期响应时间,以及移动用户的响应时间公平性,有效解决了由用户移动的动态特性引起的基站工作负载波动问题,大大提高整个***和个人移动用户的预期响应时间,将***预期响应时间缩短了54.55%,移动用户的响应时间公平性提高了72.50%,方法简单,使用方便,效率高。
附图说明
图1为上海电信的3233个基站的地理分布;
图2为本发明离线时***预期响应时间;
图3为本发明离线时预期响应时间的标准偏差;
图4为本发明在线时***预期响应时间;
图5为本发明在线时预期响应时间的标准偏差;
图6为本发明在线时运行时间和基准测试。
具体实施方式
为了更加清楚的描述发明的目的、技术方案及优点,以下结合附图和具体实施例,对本发明进行进一步详细说明。
实施例1
参阅附图1,本发明基于仿真的实验,以验证在减少整个***和各个基站的预期响应时间方面的有效性。模拟中采用了由上海电信的3233个基站组成的集合,其中基站的地理分布如图所示:平均任务到达率(每秒CPU周期数) 和每个基站的数据量分别为[4×106,6×108]和[1,100]Mb;每个链路的通信容量是在[100,1000]KB/s的范围内随机选择的;电磁波的传播速率设定为 2×105km/s。
假设云服务器的任务执行时间遵循正态分布,平均值为10ms,方差为 4。选择配备10核和每核3.6GHz工作频率的HPE ProLiant ML350 Gen10服务器作为云服务器S0。然后计算云服务器S0的计算容量p0为10×3.6GHz= 36.0GHz。此外,构建了基于HPE ProLiantMicroServer Gen10服务器,Dell R230服务器,Lenovo TS250服务器和浪潮NP3020服务器的边缘服务器集。本发明根据提出的离线和在线算法进行了两组对比实验:一组用于离线算法 PEAB,即本发明的步骤2(离线阶段,利用整数线性规划技术计算离线任务到达率的最优离线解),另一组用于在线算法RBEC,即本发明的步骤4(在线阶段,通过转换为凸优化问题来解决合作博弈问题,计算在基站的任务到达率有波动时的最优解)。在第一组模拟中,将离线算法PEAB与基准算法WRES, EPSO和DAPP进行了比较。在第二组仿真中,将在线算法RBEC与基准算法 RALL和DGEN进行了比较。WRES旨在联合优化边缘服务器的工作负载和响应时间,采用MILP技术进行边缘服务器的部署。EPSO旨在最小化边缘服务器的整体能耗,其中利用众所周知的粒子群优化技术(PSO)来执行边缘服务器的部署。DAPP将边缘服务器放置表示为图中的经典容量K中值问题,以便可以最小化***响应时间。RALL尝试在运行时最小化整个***和各个基站的响应时间。其主要思想是通过修改本发明步骤2的算法来重新分配所有基站,假设已经放置了所有边缘服务器。DGEN与方案RALL类似,也尝试在运行时最小化整个***和各个基站的响应时间。它利用中引入的遗传算法技术,以改变任务到达率来重新分配基站。NAVE是一种天真的在线方法,直接采用我们提出的方法PEAB的输出,并且它不采取任何行动来处理基站的任务到达率在运行时已经改变的情况。上述算法均采用C++实现,两组仿真实验均在配备16GB内存和Intel i5双核3.5GHz处理器的台式计算机上进行。并且使用不同的基站工作负载设置执行3000次实验,以将建议的解决方案与基准测试方案进行比较,具体优化过程按下述步骤进行:
步骤1:定义云计算***中的用户、基站以及服务器(包括云服务器和边缘服务器),基站与服务器的拓扑关系和基站与***的与其响应时间。本实施例采用了由上海电信的3233个基站组成的集合,即: B={B1,B2,…,B3233},平均任务到达率(每秒CPU周期数)和每个基站的数据量分别为:[4×106,6×108]和[1,100]Mb。每个链路的通信容量是在 [100,1000]KB/s的范围内随机选择的。电磁波的传播速率设定为2×105km/s。并选择选择配备10核且每核工作频率为3.6GHz的HPE ProLiant ML350 Gen10 服务器作为云服务器S0,并假设云服务器的任务执行时间遵循正态分布,平均值为10ms,方差为4。云服务器S0的计算能力p0为10×3.6GHz=36.0GHz。此外,构建了HPE ProLiant MicroServer Gen10服务器,Dell R230服务器, Lenovo TS250服务器和浪潮NP3020服务器的边缘服务器集,其具体性能和参数见下表1:
表1 边缘服务器参数。
HPE ProLiant | Dell R230 | Lenovo TS250 | Inspur NP3020 | |
服务器数量 | 50 | 50 | 50 | 50 |
服务器每个核的频率 | 3.4GHz | 3.0GHz | 3.9GHz | 3.0GHz |
核心 | 4 | 6 | 2 | 4 |
每台服务器的计算能力 | 13.6GHz | 18.0GHz | 7.8GHz | 12.0GHz |
执行时间的正态分布(ms) | N(20,5) | N(14,8) | N(35,15) | N(17,10) |
并表示出无向图G=(V,E),即3233个基站和边缘/云服务器的拓扑,并计算基站Bm和***的响应时间:
基站Bm响应时间模型的构建,通信延迟W(1) m,n由下述a式计算:
任务执行延迟W(2) m,n由下述b式定义:
所以,基站Bm预期响应时间Wm由下述c式定义:
步骤2:离线阶段,利用整数线性规划(ILP)技术计算离线任务到达率的最优离线解,并定义Pi,j和Am,n如下:
除此之外还需确保***中的每个任务都得到可行的处理,即满足下述g式描述的每个边缘服务器Sj与一个基站完全位于同一位置的约束条件:
每个基站Bm都被精确分配给一个由下述i式定义的边缘/云服务器:
发送到每个边缘/云服务器Sj的总任务到达率不能超过边缘/云服务器可以处理任务的速率,并由下述i式定义为:
其中,pj已在步骤1中给出。
输入无向图G=(V,E)、基站的离线任务到达率以及边缘/云服务器的计算能力{p0,p1,…,pN},并在上述约束条件下计算预期响应时间的最小值,找到边缘服务器的最佳放置策略和分配策略使用ILP求解器求解得离线任务到达率的最优离线解Ω=(P*,A*)。
步骤3:当运行时所有基站的任务到达率没有波动时,直接利用上述步骤2的方案;否则,使用启发式算法,以重新确定具有改变的任务到达率的基站的最佳边缘/云服务器。用表示改变任务到达率的Q个基站的集合。Q个基站彼此合作和竞争,使得不仅最小化他们各自的预期响应时间,而且最小化***预期响应时间。经过几轮迭代后,将得到最优解。使用最大化与Q个改变任务到达率的基站的相关的效用函数的乘积作为合作博弈的目标函数,并由下述j式定义基站的效用函数:
其中:剩余计算能力Δpn由下述l式计算:
对上式目标函数取对数,得到下述l-1式:
该目标函数等价于下述l-2式:
此外,放宽Aq,n=0,1的条件。使得Aq,n∈[0,1],综上上述优化问题等价于下述l-3式:
其中:Cq,n+Aq,n=0。
对目标函数H求关于Cq,n的一阶导和二阶导,得到下述l-4式和l-5式导数:
其中:χ,ψq,n,ωq,n为拉格朗日乘数。
对L(Cq,n,χ,ψq,n,ωq,n)关于Cq,n求一阶偏导,得到下述l-6式导数:
因此,原问题可由下述l-10式表示:
步骤4:在线阶段,通过转换为凸优化问题来解决合作博弈问题,计算在基站的任务到达率有波动时的最优解。输入离线任务到达率的最优离线解Ω=(P*,A*),离线任务到达率在线任务到达率以及边缘/云服务器的计算能力{p0,p1,…,pN},初始化任务到达率为0;检查基站的任务到达率是否在运行时改变。如果答案为否,则返回步骤2的离线最优解Ω=(P*,A*);如果答案为是,则算法将任务到达率的标记设置为1并用启发式算法重新分配;构建改变了任务到达率的基站的集合B′={B1,B2,…,BQ};计算每个边缘/云服务器的剩余计算能力Δpn;重新确定每个基站的最佳边缘/云服务器,并相应地更新分配策略。
参阅附图2,本发明的离线算法PEAB和基准算法EPSO,WRES,DAPP 实现的***预期响应时间与测试中的三种基准测试方法相比,显着降低了***的响应时间。***预期响应时间分别比基准算法EPSO,WRES,DAPP平均小45.21%,36.61%和16.46%。此外,PEAB的最高改善率高达54.55%。例如,在第24个数据点中,PEAB和EPSO***的预期响应时间的分别为0.10 和0.22,其图中的每个数据点是100次实验的平均值。
参阅附图3,本发明的离线算法PEAB和基准算法EPSO,WRES,DAPP 实现的预期响应时间的标准偏差与基准测试方法相比,极大地改善了基站之间的性能公平性。PEAB实现的预期响应时间的标准偏差分别比EPSO,WRES 和DAPP小61.23%,57.13%和42.41%。此外,PEAB实现的最高改善率高达80.77%。例如,在第5个数据点,PEAB和EPSO的预期响应时间的标准偏差分别为0.05和0.26。
参阅附图4,本发明的在线算法RBEC和基准算法NAVE,DGEN和RALL 实现的***预期响应时间。任意选择1000个基站,并将这些基站的任务到达率提高5%-20%。符号“NF”表示由于违反约束 移动用户的任务无法可行地安排。如图所示,***预期响应时间分别比基准算法NAVE和DGEN平均小41.87%和23.54%。此外,***预期响应时间比方法RALL平均高12.11%。
参阅附图5,本发明的在线算法RBEC和基准算法NAVE,DGEN和RALL 实现的预期响应时间的标准偏差与基准测试方法相比,实现了惊人的公平性改进(高达72.50%)。同时,也可以看到算法RBEC不如方法RALL,平均性能差异为15.35%。
参阅附图6,本发明的在线算法RBEC的运行时间以及在线算法RALL 和DGEN的基准测试。方法NAVE的在线时间开销等于零,因为它在运行时不执行任何操作。结果清楚地表明,与方法RALL和DGEN相比,本发明的算法RBEC平均达到24.16和2.31倍的加速,加速计算为测试中的基准测试方法所消耗的运行时与本发明的算法RBEC所消耗的运行时间的比率。此外, RBEC方法的加速可达25.33,例如,在第9个数据点中,本发明的方法RBEC 和基准测试方法RALL的运行时间分别为0.79和20.01。
本发明采用两阶段方法来部署和分配异构边缘服务器,以便在移动边缘云计算***中进行响应时间优化,离线阶段确定边缘服务器的最佳部署策略,在线阶段处理运行时用户移动的动态特性。更重要的是开发的方法共同考虑了边缘云协作和移动用户的性能公平性。仿真结果表明,本发明的算法可以大大提高整个***和个人移动用户的预期响应时间。
以上只是对本发明作进一步的说明,旨在解读本发明的技术方案,并非用以限制本专利,凡为本发明等效实施,均应包含于本专利的权利要求范围之内。
Claims (5)
1.一种数据驱动的边缘响应时间优化方法,其特征在于采用异构边缘服务器计算离线任务到达率的最优离线解,以及基于移动性感知博弈论的方法,计算在基站的任务到达率有波动时的最优解,优化***的预期响应时间和移动用户的响应时间公平性,其具体优化包括以下步骤:
步骤1:定义云计算***中的用户、基站、云服务器和边缘服务器,以及基站与服务器的拓扑关系和基站与***的与其响应时间;
步骤2:离线阶段,利用整数线性规划计算离线任务到达率的最优离线解;
步骤3:当运行时所有基站的任务到达率没有波动时,直接利用上述步骤2的方案;否则,使用启发式算法,以重新确定具有改变的任务到达率的基站的最佳边缘/云服务器;
步骤4:在线阶段,通过转换为凸优化问题来解决合作博弈问题,计算在基站的任务到达率有波动时的最优解;
步骤5:分配结束。
2.根据权利要求1所述数据驱动的边缘响应时间优化方法,其特征在于所述步骤1的实现过程按下述步骤进行:
步骤A1:表示出移动边缘云计算***中K个移动用户:U={U1,U2,...,UK};M个基站:B={B1,B2,...,BM};N个边缘服务器SE={S1,S2,...,SN}以及一个云服务器S0,令S={S0,SE}是由云服务器和边缘服务器集组成的服务器集;
步骤A2:满足约束任何基站Bm∈B(1≤m≤M)不允许同时连接到两个不同的边缘/云服务器Si∈S和Sj∈S(0≤i,j≤N,i≠j),用无向图G=(V,E)表示M个基站和(N+1)和边缘/云服务器的拓扑,其中集合V表示M个基站和云服务器S0的固定放置位置的集合,以及N个边缘服务器的可能放置位置;集合E表示基站和边缘/云服务器之间的通信链路集;
步骤A3:构建基站Bm响应时间模型:
通信延迟W(1) m,n由下述a式定义:
任务执行延迟W(2) m,n由下述b式定义:
基站Bm预期响应时间Wm由下述c式定义:
3.根据权利要求1所述数据驱动的边缘响应时间优化方法,其特征在于所述步骤2的实现过程按下述步骤进行:
步骤B1:最小化整个***和各个基站的预期响应时间的基站分配策略,并如下定义Pi,j和Am,n:
步骤B2:为确保***中的每个任务都得到可行的处理,必须满足每个边缘服务器Sj与一个基站完全位于同一位置,其约束条件为下述g式定义:
步骤B3:每个基站Bm都被分配给一个边缘/云服务器,并由下述h式定义:
步骤B4:发送到每个边缘/云服务器Sj的总任务到达率不超过边缘/云服务器可以处理任务的速率,并由下述i式定义:
5.根据权利要求1所述数据驱动的边缘响应时间优化方法,其特征在于所述步骤4的实现过程按下述步骤进行:
步骤D2检查基站的任务到达率是否在运行时改变,如果答案为否,则返回上述步骤B6的最优解;如果答案为是,则算法将任务到达率的标记设置为1并用启发式算法重新分配;
步骤D3:构建改变了任务到达率基站的集合B′={B1,B2,...,BQ};
步骤D4:计算每个边缘/云服务器的剩余计算能力Δpn;
步骤D5:重新确定每个基站的最佳边缘/云服务器,并相应地更新分配策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911030918.XA CN110972147B (zh) | 2019-10-28 | 2019-10-28 | 一种数据驱动的边缘响应时间优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911030918.XA CN110972147B (zh) | 2019-10-28 | 2019-10-28 | 一种数据驱动的边缘响应时间优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110972147A true CN110972147A (zh) | 2020-04-07 |
CN110972147B CN110972147B (zh) | 2021-05-25 |
Family
ID=70029926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911030918.XA Expired - Fee Related CN110972147B (zh) | 2019-10-28 | 2019-10-28 | 一种数据驱动的边缘响应时间优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110972147B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112437449A (zh) * | 2020-09-30 | 2021-03-02 | 国网安徽省电力有限公司信息通信分公司 | 联合资源分配方法及区域编排器 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018173916A (ja) * | 2017-03-31 | 2018-11-08 | 日本電気株式会社 | サーバ、端末、制御システム、制御方法及びプログラム |
CN108874525A (zh) * | 2018-06-22 | 2018-11-23 | 浙江大学 | 一种面向边缘计算环境的服务请求分配方法 |
CN110099384A (zh) * | 2019-04-25 | 2019-08-06 | 南京邮电大学 | 基于边-端协同的多用户多mec任务卸载资源调度方法 |
CN110149401A (zh) * | 2019-05-22 | 2019-08-20 | 湖南大学 | 一种用于优化边缘计算任务的方法和*** |
CN110290539A (zh) * | 2019-07-18 | 2019-09-27 | 武汉理工大学 | 基于用户移动感知和资源预留的移动增强现实应用的资源分配装置及其工作方法 |
-
2019
- 2019-10-28 CN CN201911030918.XA patent/CN110972147B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018173916A (ja) * | 2017-03-31 | 2018-11-08 | 日本電気株式会社 | サーバ、端末、制御システム、制御方法及びプログラム |
CN108874525A (zh) * | 2018-06-22 | 2018-11-23 | 浙江大学 | 一种面向边缘计算环境的服务请求分配方法 |
CN110099384A (zh) * | 2019-04-25 | 2019-08-06 | 南京邮电大学 | 基于边-端协同的多用户多mec任务卸载资源调度方法 |
CN110149401A (zh) * | 2019-05-22 | 2019-08-20 | 湖南大学 | 一种用于优化边缘计算任务的方法和*** |
CN110290539A (zh) * | 2019-07-18 | 2019-09-27 | 武汉理工大学 | 基于用户移动感知和资源预留的移动增强现实应用的资源分配装置及其工作方法 |
Non-Patent Citations (3)
Title |
---|
KUN CAO等: "Exploring Placement of Heterogeneous Edge Servers for Response Time Minimization in Mobile Edge-Cloud Computing", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》 * |
LEI ZHAO等: "Optimal Placement of Virtual Machines for Supporting Multiple Applications in Mobile Edge Networks", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
盛津芳等: "移动边缘计算中基于改进拍卖模型的计算卸载策略", 《计算机应用研究》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112437449A (zh) * | 2020-09-30 | 2021-03-02 | 国网安徽省电力有限公司信息通信分公司 | 联合资源分配方法及区域编排器 |
CN112437449B (zh) * | 2020-09-30 | 2023-02-21 | 国网安徽省电力有限公司信息通信分公司 | 联合资源分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110972147B (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Eshraghi et al. | Joint offloading decision and resource allocation with uncertain task computing requirement | |
CN111586720B (zh) | 一种多小区场景下的任务卸载和资源分配的联合优化方法 | |
Cui et al. | A novel offloading scheduling method for mobile application in mobile edge computing | |
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 | |
Drezner et al. | New heuristic algorithms for solving the planar p-median problem | |
Gao et al. | Hierarchical multi-agent optimization for resource allocation in cloud computing | |
CN107679750B (zh) | 一种基于自适应系数遗传算法的云制造服务资源匹配方法 | |
CN111913723A (zh) | 基于流水线的云-边-端协作卸载方法和*** | |
CN111757354A (zh) | 一种基于竞争博弈的多用户切片资源分配方法 | |
Wang et al. | Unmanned-aerial-vehicle-assisted computation offloading for mobile edge computing based on deep reinforcement learning | |
CN110008023B (zh) | 基于遗传算法的云计算***预算约束随机任务调度方法 | |
CN111556516A (zh) | 面向时延和能效敏感业务的分布式无线网络任务协同分配方法 | |
Gu et al. | Virtualized resource sharing in cloud radio access networks through truthful mechanisms | |
CN109040193B (zh) | 基于无依赖子任务的移动设备云资源分配方法 | |
CN110972147B (zh) | 一种数据驱动的边缘响应时间优化方法 | |
CN103997515A (zh) | 一种分布式云中计算中心选择方法及其应用 | |
CN111343602B (zh) | 基于进化算法的联合布局与任务调度优化方法 | |
Tang et al. | Distributed slice selection-based computation offloading for intelligent vehicular networks | |
Cao et al. | A resource allocation strategy in fog-cloud computing towards the Internet of Things in the 5G era | |
Krishna Priya et al. | Crossover-based improved sine cosine algorithm for multimedia content distribution in cloud environment | |
Shih et al. | A multi-market trading framework for low-latency service provision at the edge of networks | |
CN114980216B (zh) | 基于移动边缘计算的依赖型任务卸载***及方法 | |
Ouyang et al. | Large-scale mobile users deployment optimization based on a two-stage hybrid global HS-DE algorithm in multi-UAV-enabled mobile edge computing | |
Liu et al. | Joint optimization of Task Offloading and Computing Resource Allocation in MEC-D2D Network | |
CN113162965A (zh) | 面向异构MapReduce集群的低时延Map和Reduce联合调度方法 |
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: 20210525 |