CN111158893A - 应用于雾计算网络的任务卸载方法、***、设备及介质 - Google Patents
应用于雾计算网络的任务卸载方法、***、设备及介质 Download PDFInfo
- Publication number
- CN111158893A CN111158893A CN201811314444.7A CN201811314444A CN111158893A CN 111158893 A CN111158893 A CN 111158893A CN 201811314444 A CN201811314444 A CN 201811314444A CN 111158893 A CN111158893 A CN 111158893A
- Authority
- CN
- China
- Prior art keywords
- task
- node
- estimated
- overhead
- group
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000004891 communication Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000010295 mobile communication Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
-
- 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
- G06F9/445—Program loading or initiating
- G06F9/44594—Unloading
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明的应用于雾计算网络的任务卸载方法、***、设备及介质,其中,任务节点将其前若干时隙内产生的若干个任务中的至少一个归于自身,且将其余任务分别卸载至各服务节点;获取各任务的资源占用信息;其中,资源占用信息包含:各任务被所在节点处理的开销、以及各该任务的卸载决策;根据所获取的资源占用信息估计各该组中各节点的可用资源状况;在生成新任务时,根据估计的该组中各节点的可用资源,估计该新任务在该组中各节点被处理所需的开销;将任务卸载到所估计的开销最小的节点;本发明将动态权衡利用和探索之间的利弊,赋予用户实时智能地做出任务卸载决策,从而以在线学习的方式解决雾计算网络中的任务卸载问题。
Description
技术领域
本发明涉及通信技术领域,尤其涉及应用于雾计算网络的任务卸载方法、***、设备及介质。
背景技术
随着物联网的快速发展,各类移动智能设备需要处理的任务量不断提高。比如,应用了增强现实技术的在线交互游戏设备需要大量计算和通信可用资源状况。因此,传统的个人电脑、智能手机等移动设备和物联网设备在电池和计算能力方面遇到了巨大的挑战。虽然将这些计算任务卸载到能源和计算可用资源状况丰富的云端服务器是一个解决方案,但是远距离云端传输将会不可避免的引来额外的通信时间。为了满足低时延的服务要求,研究人员提出利用雾计算节点(如具有闲置可用资源状况的移动、物联网设备)数量庞大、无处不在的天然优势,将计算、存储、控制和通信服务分布在云到雾的连续体中[1]。因此,为了更好的利用周围的雾节点,我们急需一个高效的算法,来决定在雾计算网络中哪些计算任务需要卸载、以及卸载到哪个节点。
一般来说,把高复杂度的计算任务卸载到其他的节点上,能够有效的节约自己本地节点上的计算可用资源状况与能量可用资源状况。任务卸载问题在[2]-[4]中被建模成一个确定性最优化问题。然而在现实场景中,由于用户的服务需求是动态的、随机的,要实时获取整个雾计算网络的全部信息将会消耗大量通信可用资源状况。因此,一个实际的算法需要能够适应动态变化的环境,比如不同时间用户和服务器的状态、节点的计算队列长度。针对这一需求,一些学者将问题建模成随机优化问题[5]-[8],并按照李雅普诺夫优化方法将难以解决的随机优化问题转化成一个在每个时隙内只包含一系列容易解决的确定性优化问题的顺序决策问题。然而,上面所有提到的模型都假设***参数是能够得到的。但是在许多场合中用户无法或只能够了解部分参数。比如文献[9]的作者假设通信和计算的延迟是未知的,文献[10]的作者假设用户的移动是未知的。特别地,当用户的计算和通信可用资源状况有限而且对服务节点的信息了解不充分时,求解问题就会陷入“探索”和“利用”的两难局势,即用户需要权衡究竟是完全相信历史信息寻找并利用“最高”回报的节点,还是继续探索其他未知但有可能会有更高回报的节点。
[1]M.Chiang and T.Zhang,“Fog and IoT:An overview ofresearchopportunities,”IEEE Internet Things J.,vol.3,no.6,pp.854–864,Dec.2016.
[2]Y.Yang,K.Wang,G.Zhang,X.Chen,X.Luo,and M.Zhou,“MEETS:Maximalenergy efficient task scheduling in homogeneous fog networks,”IEEE InternetThings J.,in press.
[3]C.You,K.Huang,H.Chae,and B.-H.Kim,“Energy-efficientresourceallocation for mobile-edge computation offloading,”IEEETrans.WirelessCommun.,vol.16,no.3,pp.1397–1411,Mar.2017.
[4]T.Q.Dinh,J.Tang,Q.D.La,and T.Q.S.Quek,“Offloading in mobile edgecomputing:Task allocation and computational frequency scaling,”IEEE Trans.onCommun.,vol.65,no.8,pp.3571–3584,Aug.2017.
[5]J.Kwak,Y.Kim,J.Lee,and S.Chong,“DREAM:Dynamic resourceand taskallocation for energy minimization in mobile cloud systems,”IEEE J.Sel.AreasCommun.,vol.33,no.12,pp.2510–2523,Dec.2015.
[6]Y.Mao,J.Zhang,S.H.Song,and K.B.Letaief,“Stochastic jointradio andcomputational resource management for multi-user mobile-edgecomputingsystems,”IEEE Trans.Wireless Commun.,vol.16,no.9,pp.5994–6009,Sept.2017.
[7]Y.Yang,S.Zhao,W.Zhang,Y.Chen,X.Luo,and J.Wang,“DEBTS:Delay energybalanced task scheduling in homogeneous fog networks,”IEEE Internet ThingsJ.,vol.5,no.3,pp.2094–2106,Jun.2018.
[8]L.Pu,X.Chen,J.Xu,and X.Fu,“D2D fogging:An energy-efficientandincentive-aware task offloading framework via network-assistedD2Dcollaboration,”IEEE J.Sel.Areas Commun.,vol.34,no.12,pp.3887–3901,Dec.2016.
[9]T.Chen and G.B.Giannakis,“Bandit convex optimization forscalableand dynamic IoT management”,IEEE Internet Things J.,in press.
[10]C.Tekin and M.van der Schaar,“An experts learning approach tomobileservice offloading,”in Proc.Annu.Allerton Conf.Commun.,Control,Comput.,2014,pp.643–650.
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供应用于雾计算网络的任务卸载方法、***、设备及介质,通过检测各节点处理任务的实际能力,从而执行相应的卸载策略,解决现有技术中用户的计算和通信可用资源状况有限而且对服务节点的信息了解不充分时确定较优卸载策略的问题。
为实现上述或其它目的,本发明提供一种应用于雾计算网络的任务卸载方法,所述雾计算网络包括:至少一组节点;每组节点包括:至少一任务节点及相应的多个服务节点;包括:所述任务节点将其前若干时隙内产生的若干个任务中的至少一个归于自身,且将其余任务分别卸载至各所述服务节点;所述任务节点获取各所述任务的资源占用信息;其中,所述资源占用信息包含:各所述任务被所在节点处理的开销、以及各该任务的卸载决策;所述任务节点根据所获取的资源占用信息估计各该组中各节点的可用资源状况;所述任务节点在生成新任务时,根据估计的该组中各节点的可用资源状况,估计该新任务在该组中各节点被处理所需的开销;将任务卸载到所估计的开销最小的节点。
于本发明的一实施例中,所述任务节点通过从各所述服务节点接收反馈信息以获取各所述服务节点的资源占用信息。
于本发明的一实施例中,所述开销包括:任务在节点的计算队列中等待时的和被处理时的开销。
于本发明的一实施例中,所述任务节点根据所获取的资源占用信息估计各该组中各节点的可用资源状况,包括:任务节点按下式估计该组中各节点的可用资源状况:
其中,代表任务节点根据前t个任务估计的该组内各节点的单位数据开销;ws(i),ps(i)分别为任务t在节点i计算队列中等待时和处理时的单位数据开销的估计值;参数γ是用户设定的折扣因子;变量I表示任务t的卸载决策,Is=i表示将任务s卸载到节点i;1{x}为指示函数,若x为真,则1{x}=1,否则1{x}=0;参数τs为任务s处理完成时对应的时间;参数γ是用户设定的折扣因子;参数Nt(γ,i)为归一化因子。
于本发明的一实施例中,所述任务节点根据所获取的资源占用信息估计各该组中各节点的可用资源状况,还包括:
按照下式更新w(i),p(i):
其中,Lt为任务t的数据长度;Qt(i)为节点i在时隙t时计算队列中的数据长度。
于本发明的一实施例中,所述任务节点在生成新任务时,根据估计的该组中各节点的可用资源状况,估计该新任务在该组中各节点被处理所需的开销,包括:
将所估计的可用资源状况代入下式计算,以得到估计的完成所述新任务所需开销:
于本发明的一实施例中,所估计的开销最小的节点的获取方式,包括:
按照下式对任务t构造代价函数:
其中,ct(γ,i)为激励函数;Umax为允许开销的最大值,ξ为探索常数。
对代价函数进行大小排序,以得到最小的代价函数所对应的节点作为所估计的开销最小的节点。
于本发明的一实施例中,所述任务卸载方法还包括:重复执行所述任务节点获取各所述任务的资源占用信息步骤至将任务卸载到所估计的开销最小的节点步骤,直至任务节点不再产生任务。
为实现上述或其它目的,本发明提供一种应用于雾计算网络的任务卸载方法,所述雾计算网络包括:任务节点及相应的服务节点;所述方法包括:所述服务节点接收任务节点对其所卸载的对应一时隙的任务;所述服务节点通过反馈信息响应所述任务节点所述任务在该服务节点的资源占用信息;其中,所述资源占用信息包含:所述任务被该服务节点处理的开销、以及所述任务的卸载决策。
为实现上述或其它目的,本发明提供一种通信设备,包括:通信器,用于与外部设备通信;存储器,用于存储有计算机程序;处理器,用于运行所述计算机程序以实现所述的任务卸载方法。
为实现上述或其它目的,本发明提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序运行时实现所述的任务卸载方法。
如上所述,本发明的应用于雾计算网络的任务卸载方法、***、设备及介质,其中,所述任务节点将其前若干时隙内产生的若干个任务中的至少一个归于自身,且将其余任务分别卸载至各所述服务节点;所述任务节点获取各所述任务的资源占用信息;其中,所述资源占用信息包含:各所述任务被所在节点处理的开销、以及各该任务的卸载决策;所述任务节点根据所获取的资源占用信息估计各该组中各节点的可用资源状况;所述任务节点在生成新任务时,根据估计的该组中各节点的可用资源状况,估计该新任务在该组中各节点被处理所需的开销;将任务卸载到所估计的开销最小的节点。
本发明将动态权衡利用和探索之间的利弊,赋予用户实时地、智能地做出任务卸载决策的能力,从而以在线学习的方式解决雾计算网络中的任务卸载问题。
附图说明
图1显示为本发明实施例中的雾计算网络的结构示意图。
图2显示为本发明实施例中的任务卸载方法的流程示意图。
图3显示为本发明实施例中的通信设备的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
雾计算(Fog Computing),在该模式中数据、(数据)处理和应用程序集中在网络边缘的通信设备中,而不是几乎全部保存在云中,是云计算(Cloud Computing)的延伸概念,由思科(Cisco)提出的。这个因“云”而“雾”的命名源自“雾是更贴近地面的云”而得名。
常见雾计算网络如移动通信网络、物联网等,相应的,其网络节点是更接近于终端的通信设备,例如基站、交换机、甚至用户家中的路由器等,在分布式网络中贡献各自的处理能力。
对于雾计算网络来说,其节点的任务卸载策略的好坏决定网络运作效率,而现有技术中的任务卸载的算法在效率上仍存在不足,且而在进一步的优化卸载算法的过程中,当用户的计算和通信可用资源状况有限而且对服务节点的信息了解不充分时,继续探索还是基于历史信息才能获得最佳卸载对象。
基于此,本发明旨在提供一种雾计算网络中的在线学习的任务卸载方案,解决现有技术问题。
如图1所示,展示本发明实施例中的雾计算网络的结构示意图。
在本实施例的雾计算网络中,至少包含了K个节点,我们可以将该K个节点当成一组,其中1个作为对外卸载任务的一方,当作任务节点101;而另外K-1个节点作为被卸载任务的一方,当作服务节点102。
需说明的是,所述任务节点101和服务节点102只是因为任务卸载方和被卸载方的身份关系而成立,任务节点101也同时可以作为其它节点的服务节点102,而各服务节点102也可能相对其它节点为任务节点101。
K个节点中,每个节点都有自身的任务序列103,其中可以存放按时隙顺序排列的待处理的任务104;所述任务节点101自身处理任务104,也要考虑将任务104卸载至各服务节点102处理,我们要研究的是准确高效的卸载方案。
如图2所示,展示本发明实施例中的应用于雾计算网络的任务卸载方法流程示意图。
本实施例的方法步骤可应用于例如图1所示的雾计算网络架构中,所述方法具体包括:
步骤S201:所述任务节点将其前若干时隙内产生的若干个任务中的至少一个归于自身,且将其余任务分别卸载至各所述服务节点。
以图1所示的实施例举例,若有K个节点,1个任务节点,K-1个服务节点;所述任务节点可以将其前K个时隙需要处理的任务,一一分配给包括自己在内的该K个节点。
其中,K-1个任务是分别卸载给K-1个服务节点,而1个任务由本地处理。
在一些示例中,所述K个任务的分配方式可以是随机的,也可以是按某一特定顺序执行的,例如离本地距离越远的节点分配越晚的任务等。
步骤S202:所述任务节点获取各所述任务的资源占用信息;其中,所述资源占用信息包含:各所述任务被所在节点处理的开销、以及各该任务的卸载决策。
具体的,各服务节点可以各自技术算其资源占用信息,并通过反馈信息发送给所述任务节点,具体步骤可以毫无异议地推知,故此处不再通过图示展开说明。
所述任务节点可以计算本地的资源占用信息。
于本发明的一实施例中,所述开销包括:任务在节点的计算队列中等待时的和被处理时的开销,所述卸载决策指的是将任务卸载给哪个节点。
步骤S203:所述任务节点根据所获取的资源占用信息估计各该组中各节点的可用资源状况。
于本发明的一实施例中,所述步骤S203具体包括:
任务节点按下式估计该组中各节点的可用资源状况:
其中,代表任务节点根据前t个任务估计的该组内各节点的单位数据开销;ws(i),ps(i)分别为任务t在节点i计算队列中等待时和处理时的单位数据开销的估计值;参数γ是用户设定的折扣因子;变量I表示任务t的卸载决策,Is=i表示将任务s卸载到节点i;1{x}为指示函数,若x为真,则1{x}=1,否则1{x}=0;参数τs为任务s处理完成时对应的时间;参数γ是用户设定的折扣因子;参数Nt(γ,i)为归一化因子。
进一步的,所述步骤S203还可包括:
按照下式更新w(i),p(i):
其中,Lt为任务t的数据长度;Qt(i)为节点i在时隙t时计算队列中的数据长度。
通过该更新,可以根据任务信息的变化,调整开销的估计值,从而得到更为贴近现实的多个任务在各个节点的单位数据开销的估计值,使得卸载策略更为准确。
步骤S204:所述任务节点在生成新任务时,根据估计的该组中各节点的可用资源状况,估计该新任务在该组中各节点被处理所需的开销。
其中,所述新任务即是K个任务之后的新任务。
承接前述举例,进一步举例来说,将所估计的可用资源状况代入下式计算,以得到估计的完成所述新任务所需开销:
步骤S205:将任务卸载到所估计的开销最小的节点。
承接前述举例,进一步举例来说,估计开销最小节点的方式,包括:
按照下式对任务t构造代价函数:
其中,ct(γ,i)为激励函数;Umax为允许开销的最大值,ξ为多臂***问题中的探索常数。
对代价函数进行大小排序,以得到最小的代价函数所对应的节点作为所估计的开销最小的节点,进而将任务卸载到所估计的开销最小的节点。
具体来说,对于新任务而言,如第K+1时隙任务节点产生的任务,可以根据前K个任务得到的用于评价各个节点能力的开销的估计值来计算完成第K+1个任务开销,然后把第K+1个任务卸载给估计开销最小的节点。
等该新任务完成后,再把实际的开销反馈给任务节点,任务节点再对卸载决策,即执行该任务的节点的能力进行一个更新。因此随着时间的进行,新任务不断的产生,***也是在不断的学习,而不是只学习前K个任务。
而没有收到新任务的节点的能力则通过最近一次对其能力的估计值来表示,同时,在上述实施例中,基于所中引入的激励函数ct(γ,i)可以发现,通过它会鼓励网络***去卸载任务给被卸载次数比较少的节点,从而保证每个节点都能被卸载足够多次,使得节点能力的估计值更准确。
优选的,在之后,重复执行步骤S202~S205,直至任务节点不再产生新任务。
如图3所示,展示本发明实施例中的通信设备300的结构示意图。
图1实施例中的各节点,即任务节点或服务节点,皆可通过本申请中的通信设备300结构实现。
所述通信设备300包括:
通信器301,用于与外部设备通信。
存储器302,用于存储有计算机程序;
处理器303,耦接所述通信器301及存储器302,所用于运行所述计算机程序以实现所述任务节点或服务节点的功能。
具体的,所述通信器301,可以接入通信网络。所述通信网络可以是前述的雾计算网络,在具体实施上,例如基于NB-IOT、LoRa、或Zigbee等的物联网,也可以是基于2G/3G/4G/5G的移动通信运营商的移动网络。相应的,通信器遵循的通信协议不同,则所述通信设备的用途不同,例如在物联网中可以作为物联网设备使用;而在移动通信网络中,可以是移动通信设备,如智能手机、平板电脑等。
所述存储器302,可能包括但不限于高速随机存取存储器、非易失性存储器。例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备。
所述处理器303可能包括但不限于中央处理器(CentralProcessingUnit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(DigitalSignalProcessing,简称DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,简称ASIC)、现场可编程门阵列(Field-ProgrammableGateArray,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明的一实施例中,当所述通信设备300用于实现所述任务节点时,其处理器可以运行其存储器302中的计算机程序,以执行如图2实施例所展示的各方法步骤。
在本发明的一实施例中,当所述通信设备300用于实现所述服务节点时,其处理器可以运行其存储器中的计算机程序,以至少执行以下步骤:控制其通信器接收任务节点对其所卸载的对应一时隙的任务;生成反馈信息响应所述任务节点所述任务在该服务节点的资源占用信息;其中,所述资源占用信息包含:所述任务被该服务节点处理的开销、以及所述任务的卸载决策,以供该任务节点计算该服务节点的可用资源状况。
前述实施例所展示的任务卸载方法(如图2实施例中由任务节点所执行的各步骤,或由对应的服务节点所执行的各步骤)可以通过运行计算机程序实现,而该些计算机程序可以存储于计算机可读存储介质中。所述计算机可读存储介质可包括,但不限于,软盘、光盘、CD-ROM(只读光盘存储器)、磁光盘、ROM(只读存储器)、RAM(随机存取存储器)、EPROM(可擦除可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、磁卡或光卡、闪存、或适于存储机器可执行指令的其他类型的介质/机器可读介质。所述计算机可读存储介质可以是未接入计算机设备的产品,也可以是已接入计算机设备使用的部件。
当然,需特别说明的是,前述实施例中的任务节点及服务节点也可以是软件实现、软硬件结合实现、或集成的分立式硬件实现等,并非以相互分离的个体通信设备实现为限。
综上所述,本发明的应用于雾计算网络的任务卸载方法、***、设备及介质,其中,所述任务节点将其前若干时隙内产生的若干个任务中的至少一个归于自身,且将其余任务分别卸载至各所述服务节点;所述任务节点获取各所述任务的资源占用信息;其中,所述资源占用信息包含:各所述任务被所在节点处理的开销、以及各该任务的卸载决策;所述任务节点根据所获取的资源占用信息估计各该组中各节点的可用资源状况;所述任务节点在生成新任务时,根据估计的该组中各节点的可用资源状况,估计该新任务在该组中各节点被处理所需的开销;将任务卸载到所估计的开销最小的节点。
本发明将动态权衡利用和探索之间的利弊,赋予用户实时地、智能地做出任务卸载决策的能力,从而以在线学习的方式解决雾计算网络中的任务卸载问题。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种应用于雾计算网络的任务卸载方法,其特征在于,所述雾计算网络包括:至少一组节点;每组节点包括:至少一任务节点及相应的多个服务节点;包括:
所述任务节点将其前若干时隙内产生的若干个任务中的至少一个归于自身,且将其余任务分别卸载至各所述服务节点;
所述任务节点获取各所述任务的资源占用信息;其中,所述资源占用信息包含:各所述任务被所在节点处理的开销、以及各该任务的卸载决策;
所述任务节点根据所获取的资源占用信息估计各该组中各节点的可用资源状况;
所述任务节点在生成新任务时,根据估计的该组中各节点的可用资源状况,估计该新任务在该组中各节点被处理所需的开销;
将任务卸载到所估计的开销最小的节点。
2.根据权利要求1所述的方法,其特征在于,所述开销包括:任务在节点的计算队列中等待时的和被处理时的开销。
7.根据权利要求1所述的方法,其特征在于,还包括:重复执行所述任务节点获取各所述任务的资源占用信息步骤至将任务卸载到所估计的开销最小的节点步骤,直至任务节点不再产生任务。
8.一种应用于雾计算网络的任务卸载方法,其特征在于,所述雾计算网络包括:任务节点及相应的服务节点;所述方法包括:
所述服务节点接收任务节点对其所卸载的对应一时隙的任务;
所述服务节点通过反馈信息响应所述任务节点所述任务在该服务节点的资源占用信息;其中,所述资源占用信息包含:所述任务被该服务节点处理的开销、以及所述任务的卸载决策。
9.一种通信设备,其特征在于,包括:
通信器,用于与外部设备通信;
存储器,用于存储有计算机程序;
处理器,用于运行所述计算机程序以实现权利要求1至8中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,存储有计算机程序,所述计算机程序运行时实现如权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811314444.7A CN111158893B (zh) | 2018-11-06 | 2018-11-06 | 应用于雾计算网络的任务卸载方法、***、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811314444.7A CN111158893B (zh) | 2018-11-06 | 2018-11-06 | 应用于雾计算网络的任务卸载方法、***、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111158893A true CN111158893A (zh) | 2020-05-15 |
CN111158893B CN111158893B (zh) | 2023-04-11 |
Family
ID=70554440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811314444.7A Active CN111158893B (zh) | 2018-11-06 | 2018-11-06 | 应用于雾计算网络的任务卸载方法、***、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111158893B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111770073A (zh) * | 2020-06-23 | 2020-10-13 | 重庆邮电大学 | 一种基于区块链技术的雾网络卸载决策和资源分配方法 |
CN114691230A (zh) * | 2020-12-28 | 2022-07-01 | 深圳Tcl新技术有限公司 | 任务卸载方法、装置、智能终端及计算机可读存储介质 |
CN116048820A (zh) * | 2023-03-31 | 2023-05-02 | 南京大学 | 面向边缘云的dnn推断模型部署能耗优化方法和*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170164237A1 (en) * | 2015-12-03 | 2017-06-08 | The Trustees Of The Stevens Institute Of Technology | System Apparatus And Methods For Cognitive Cloud Offloading In A Multi-Rat Enabled Wireless Device |
CN107819840A (zh) * | 2017-10-31 | 2018-03-20 | 北京邮电大学 | 超密集网络架构中分布式移动边缘计算卸载方法 |
CN107995660A (zh) * | 2017-12-18 | 2018-05-04 | 重庆邮电大学 | 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法 |
-
2018
- 2018-11-06 CN CN201811314444.7A patent/CN111158893B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170164237A1 (en) * | 2015-12-03 | 2017-06-08 | The Trustees Of The Stevens Institute Of Technology | System Apparatus And Methods For Cognitive Cloud Offloading In A Multi-Rat Enabled Wireless Device |
CN107819840A (zh) * | 2017-10-31 | 2018-03-20 | 北京邮电大学 | 超密集网络架构中分布式移动边缘计算卸载方法 |
CN107995660A (zh) * | 2017-12-18 | 2018-05-04 | 重庆邮电大学 | 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法 |
Non-Patent Citations (1)
Title |
---|
邓晓衡等: "基于综合信任的边缘计算资源协同研究", 《计算机研究与发展》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111770073A (zh) * | 2020-06-23 | 2020-10-13 | 重庆邮电大学 | 一种基于区块链技术的雾网络卸载决策和资源分配方法 |
CN111770073B (zh) * | 2020-06-23 | 2022-03-25 | 重庆邮电大学 | 一种基于区块链技术的雾网络卸载决策和资源分配方法 |
CN114691230A (zh) * | 2020-12-28 | 2022-07-01 | 深圳Tcl新技术有限公司 | 任务卸载方法、装置、智能终端及计算机可读存储介质 |
CN114691230B (zh) * | 2020-12-28 | 2024-06-04 | 深圳Tcl新技术有限公司 | 任务卸载方法、装置、智能终端及计算机可读存储介质 |
CN116048820A (zh) * | 2023-03-31 | 2023-05-02 | 南京大学 | 面向边缘云的dnn推断模型部署能耗优化方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN111158893B (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Deep reinforcement learning based computation offloading and resource allocation for MEC | |
De Maio et al. | First hop mobile offloading of dag computations | |
CN110928654B (zh) | 一种边缘计算***中分布式的在线任务卸载调度方法 | |
CN108804227B (zh) | 基于移动云计算的计算密集型任务卸载和最佳资源配置的方法 | |
CN110413392A (zh) | 一种移动边缘计算场景下制定单任务迁移策略的方法 | |
CN112689303B (zh) | 一种边云协同资源联合分配方法、***及应用 | |
CN111586696A (zh) | 一种基于多智能体架构强化学习的资源分配及卸载决策方法 | |
CN111953758A (zh) | 一种边缘网络计算卸载和任务迁移方法及装置 | |
CN110069341B (zh) | 边缘计算中结合功能按需配置的有依赖关系任务的调度方法 | |
Shu et al. | Dependency-aware and latency-optimal computation offloading for multi-user edge computing networks | |
CN111158893B (zh) | 应用于雾计算网络的任务卸载方法、***、设备及介质 | |
CN110519370B (zh) | 一种基于设施选址问题的边缘计算资源分配方法 | |
CN110968366B (zh) | 一种基于有限mec资源的任务卸载方法、装置及设备 | |
Ali et al. | A deep learning approach for mobility-aware and energy-efficient resource allocation in MEC | |
CN111511028B (zh) | 一种多用户资源分配方法、装置、***及存储介质 | |
CN111988787B (zh) | 一种任务的网络接入和服务放置位置选择方法及*** | |
Liu et al. | Joint task offloading and resource allocation for device-edge-cloud collaboration with subtask dependencies | |
Li et al. | Dynamic computation offloading based on graph partitioning in mobile edge computing | |
Zhang et al. | Effect: Energy-efficient fog computing framework for real-time video processing | |
CN113254095A (zh) | 云边结合平台的任务卸载、调度与负载均衡***、方法 | |
Kim et al. | Partition placement and resource allocation for multiple DNN-based applications in heterogeneous IoT environments | |
Yao et al. | Energy-aware task allocation for mobile IoT by online reinforcement learning | |
Ju et al. | Collaborative in-network processing for internet of battery-less things | |
CN114615705B (zh) | 一种基于5g网络下单用户资源分配策略方法 | |
Jamali et al. | A new method of cloud-based computation model for mobile devices: energy consumption optimization in mobile-to-mobile computation offloading |
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 |