CN111866111B - 一种感知用户需求增长趋势的边缘部署方法 - Google Patents
一种感知用户需求增长趋势的边缘部署方法 Download PDFInfo
- Publication number
- CN111866111B CN111866111B CN202010668788.9A CN202010668788A CN111866111B CN 111866111 B CN111866111 B CN 111866111B CN 202010668788 A CN202010668788 A CN 202010668788A CN 111866111 B CN111866111 B CN 111866111B
- Authority
- CN
- China
- Prior art keywords
- user
- edge
- time
- task
- time period
- 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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及信息技术的技术领域,特别是涉及一种感知用户需求增长趋势的边缘部署方法,其为服务提供商提供满足用户增长需求的边缘部署方案;其特征在于,具体包括以下步骤:步骤1、将边缘计算中心历史运营时间分为m个时间段;步骤2、计算步骤1中所划分的每个时间段用户所需的边缘资源量;步骤3、利用时间序列分析方法,根据步骤2获得的m个边缘计算中心历史运营时间段用户所需的资源量,预测未来一个时间段内,用户所需的边缘资源量。
Description
技术领域
本发明涉及信息技术的技术领域,特别是涉及一种感知用户需求增长趋势的边缘部署方法。
背景技术
因自身有限的资源容量和电池电量,许多智能设备(如智能手机)无法高效地执行用户任务。于是一些服务提供商采用边缘计算技术,通过将智能设备(尤其是移动设备)的部分用户任务卸载到邻近的边缘计算中心,减少任务的计算延时,并降低设备的计算能耗。而因场地空间和制冷条件的限制,一个边缘计算中心仅能部署有限的服务器资源,于是如何高效的使用边缘资源是亟需解决的问题之一,其中设计高效的边缘部署方案是解决该问题的有效方法之一。
边缘计算环境中,边缘部署方案通过合理为每个计算中心部署相应的边缘资源,从而优化运营期间空闲的边缘资源量,并满足边缘运营期间的用户需求。已有一些工作利用运营的历史服务信息,设计有效的边缘部署方案,然而这些工作均仅采用已有信息,而未考虑用户需求的未来变化趋势。
随着信息技术的发展和人民日益增长的美好生活需求,智能设备越来越流行,如智能手机、可穿戴设备和智能家居。并且随着近几年人工智能算法(如深度学习)和通信技术(如5G、WiFi6/7)的高速发展,面向智能设备的互联网服务在多样性和复杂性方面均得到快速增加,这导致已有的边缘服务器部署方法所设计的方案很有可能不能满足运营期间用户的需求。
发明内容
为解决上述技术问题,本发明提供一种为服务提供商提供满足用户增长需求的边缘部署方案的感知用户需求增长趋势的边缘部署方法。
本发明的一种感知用户需求增长趋势的边缘部署方法,包括以下步骤:
步骤1、将边缘计算中心历史运营时间分为m个时间段;
步骤2、计算步骤1中所划分的每个时间段用户所需的边缘资源量;
步骤3、利用时间序列分析方法,根据步骤2获得的m个边缘计算中心历史运营时间段用户所需的资源量,预测未来一个时间段内,用户所需的边缘资源量。
本发明的一种感知用户需求增长趋势的边缘部署方法,还包括:
记边缘计算中心历史运营期间数据采集时刻为{τj|j=1,...,T},其中当1≤j1<j2≤T时,τj1<τj2;所采集的信息包括用户向边缘计算中心请求的任务信息,记用户请求任务的集合为{taski|i=1,...,n},记si和fi分别为任务taski的开始时间和结束时间,记ri为taski在执行期间消耗的资源量;第k个时间段包括用户任务执行信息采集时刻{τj|j=τ(k-1)·Δ,...,τk·Δ},其中τj表示第j个信息采集时刻; 为向下取整符号;T表示边缘计算中心历史运营期间的信息采集时刻数量。
本发明的一种感知用户需求增长趋势的边缘部署方法,还包括:
步骤2中计算步骤1中所划分的每个时间段用户所需的边缘资源量的计算公式为:
其中Rk表示第k个时间段用户所需的边缘资源量;ri为taski在执行期间消耗的资源量;taski表示边缘计算中心运营期间,用户请求的第i个任务;zi,j表示任务taski是否在第j个数据采集时刻运行:当si≤τj≤fi时,zi,j=1;其他情况下zi,j=0,si和fi分别为任务taski的开始时间和结束时间;τj表示第j个用户任务执行信息的采集时刻。
本发明的一种感知用户需求增长趋势的边缘部署方法,还包括:
步骤3中用于预测未来一个时间段内,用户所需的边缘资源量,计算公式为:
其中Rm+1表示未来一个时间段用户所需的边缘资源量;Rk表示第k个时间段用户所需的边缘资源量,由步骤2计算所得;δ为用户设置的自关联偏移因子,满足1≤δ≤m-1。
与现有技术相比本发明的有益效果为:本发明专利利用边缘计算中心历史运营期间的任务信息,计算每个时间段用户所需的边缘资源量,并利用时间序列预测方法获得用户所需边缘资源量的变化趋势,预测未来一个时间段用户所需的边缘资源量,从而为服务提供商提供符合用户需求变化趋势的边缘部署方案。
附图说明
图1是本发明的逻辑流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
实施例
记边缘计算中心历史运营期间数据采集时刻为{τj|j=1,...,T},其中当1≤j1<j2≤T时,τj1<τj2。所采集的信息包括用户向边缘计算中心请求的任务信息,记用户请求任务的集合为{taski|i=1,...,n},记si和fi分别为任务taski的开始时间和结束时间,记ri为taski在执行期间消耗的资源量。
如图1所示,感知用户需求增长趋势的边缘部署方法的具体流程如下:
步骤1:将边缘计算中心历史运营时间分为m个时间段,第k个时间段包括用户任务执行信息采集时刻{τj|j=τ(k-1)·Δ,...,τk·Δ},其中τj表示第j个信息采集时刻; 为向下取整符号;T表示边缘计算中心历史运营期间的信息采集时刻数量。
步骤2:计算步骤1中所划分的每个时间段用户所需的边缘资源量,计算公式如下:
其中Rk表示第k个时间段用户所需的边缘资源量;ri为taski在执行期间消耗的资源量;taski表示边缘计算中心运营期间,用户请求的第i个任务;zi,j表示任务taski是否在第j个数据采集时刻运行:当si≤τj≤fi时,zi,j=1,其他情况下zi,j=0;si和fi分别为任务taski的开始时间和结束时间;τj表示第j个用户任务执行信息的采集时刻。
步骤3:利用时间序列分析方法,根据步骤2获得的m个边缘计算中心历史运营时间段用户所需的资源量,预测未来一个时间段内,用户所需的边缘资源量,计算公式如下:
其中Rm+1表示未来一个时间段用户所需的边缘资源量;Rk表示第k个时间段用户所需的边缘资源量,由步骤2计算所得;δ为用户设置的自关联偏移因子,满足1≤δ≤m-1。
本发明专利利用边缘计算中心历史运营期间的任务信息,计算每个时间段用户所需的边缘资源量,并利用时间序列预测方法获得用户所需边缘资源量的变化趋势,预测未来一个时间段用户所需的边缘资源量,从而为服务提供商提供符合用户需求变化趋势的边缘部署方案。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (1)
1.一种感知用户需求增长趋势的边缘部署方法,其特征在于,具体包括以下步骤:
步骤1、将边缘计算中心历史运营时间分为m个时间段;
步骤2、计算步骤1中所划分的每个时间段用户所需的边缘资源量;
步骤3、利用时间序列分析方法,根据步骤2获得的m个边缘计算中心历史运营时间段用户所需的资源量,预测未来一个时间段内,用户所需的边缘资源量;
记边缘计算中心历史运营期间数据采集时刻为{τj|j=1,...,T},其中当1≤j1<j2≤T时,τj1<τj2;所采集的信息包括用户向边缘计算中心请求的任务信息,记用户请求任务的集合为{taski|i=1,...,n},记si和fi分别为任务taski的开始时间和结束时间,记ri为taski在执行期间消耗的资源量;第k个时间段包括用户任务执行信息采集时刻其中τj表示第j个信息采集时刻; 为向下取整符号;T表示边缘计算中心历史运营期间的信息采集时刻数量;
步骤2中计算步骤1中所划分的每个时间段用户所需的边缘资源量的计算公式为:
其中Rk表示第k个时间段用户所需的边缘资源量;ri为taski在执行期间消耗的资源量;taski表示边缘计算中心运营期间,用户请求的第i个任务;zi,j表示任务taski是否在第j个数据采集时刻运行:当si≤τj≤fi时,zi,j=1,其他情况下zi,j=0;si和fi分别为任务taski的开始时间和结束时间;τj表示第j个用户任务执行信息的采集时刻;
步骤3中用于预测未来一个时间段内,用户所需的边缘资源量,计算公式为:
其中Rm+1表示未来一个时间段用户所需的边缘资源量;Rk表示第k个时间段用户所需的边缘资源量,由步骤2计算所得;δ为用户设置的自关联偏移因子,满足1≤δ≤m-1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010668788.9A CN111866111B (zh) | 2020-07-13 | 2020-07-13 | 一种感知用户需求增长趋势的边缘部署方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010668788.9A CN111866111B (zh) | 2020-07-13 | 2020-07-13 | 一种感知用户需求增长趋势的边缘部署方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111866111A CN111866111A (zh) | 2020-10-30 |
CN111866111B true CN111866111B (zh) | 2021-03-30 |
Family
ID=72983843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010668788.9A Active CN111866111B (zh) | 2020-07-13 | 2020-07-13 | 一种感知用户需求增长趋势的边缘部署方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111866111B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104932898A (zh) * | 2015-06-30 | 2015-09-23 | 东北大学 | 一种基于改进多目标粒子群优化算法的待增组件选择方法 |
CN105491079A (zh) * | 2014-09-16 | 2016-04-13 | 华为技术有限公司 | 云计算环境中调整应用所需资源的方法及装置 |
CN106375115A (zh) * | 2016-08-30 | 2017-02-01 | 东软集团股份有限公司 | 资源分配方法及装置 |
CN111124689A (zh) * | 2019-12-31 | 2020-05-08 | 中国电子科技集团公司信息科学研究院 | 一种集群中容器资源动态分配方法 |
CN111224806A (zh) * | 2018-11-27 | 2020-06-02 | 华为技术有限公司 | 一种资源分配方法及服务器 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9277004B2 (en) * | 2008-02-19 | 2016-03-01 | Microsoft Technology Licensing, Llc | Prediction of network path quality among peer networking devices |
US20190339688A1 (en) * | 2016-05-09 | 2019-11-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
CN110602723B (zh) * | 2019-08-27 | 2022-05-03 | 华侨大学 | 一种基于水下边缘设备的两级双向预测获取数据方法 |
CN111178555B (zh) * | 2019-12-24 | 2023-07-18 | 重庆特斯联智慧科技股份有限公司 | 一种基于边缘计算的社区安防设备报修方法和*** |
-
2020
- 2020-07-13 CN CN202010668788.9A patent/CN111866111B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105491079A (zh) * | 2014-09-16 | 2016-04-13 | 华为技术有限公司 | 云计算环境中调整应用所需资源的方法及装置 |
CN104932898A (zh) * | 2015-06-30 | 2015-09-23 | 东北大学 | 一种基于改进多目标粒子群优化算法的待增组件选择方法 |
CN106375115A (zh) * | 2016-08-30 | 2017-02-01 | 东软集团股份有限公司 | 资源分配方法及装置 |
CN111224806A (zh) * | 2018-11-27 | 2020-06-02 | 华为技术有限公司 | 一种资源分配方法及服务器 |
CN111124689A (zh) * | 2019-12-31 | 2020-05-08 | 中国电子科技集团公司信息科学研究院 | 一种集群中容器资源动态分配方法 |
Non-Patent Citations (2)
Title |
---|
"基于Hadoop的CDN-P2P***中内容预测机制研究与实现";田瑞云;《中国优秀硕士学位论文全文数据库(电子期刊)》;20131125;I139-14 * |
Jun-Bo Wang et al."Joint Optimization of Offloading and Resources Allocation in Secure Mobile Edge Computing Systems".《 IEEE Transactions on Vehicular Technology》.2020, * |
Also Published As
Publication number | Publication date |
---|---|
CN111866111A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11062235B1 (en) | Predictive power management in a wireless sensor network | |
US11204591B2 (en) | Modeling and calculating normalized aggregate power of renewable energy source stations | |
Tak et al. | Federated edge learning: Design issues and challenges | |
CN102326134B (zh) | 能量感知服务器管理 | |
Kumar | Efficient resource allocation and QoS enhancements of IoT with fog network | |
US9239994B2 (en) | Data centers task mapping | |
US8005654B2 (en) | Method, apparatus and computer program product for intelligent workload control of distributed storage | |
CN103076870B (zh) | 数据中心中能耗驱动的应用融合调度和资源动态配置方法 | |
Dabbagh et al. | Energy-efficient cloud resource management | |
CN103338461B (zh) | 基于业务量预测的网络规划方法及装置 | |
CN106500341A (zh) | 一种智能热水器的控制方法及*** | |
CN112668877B (zh) | 结合联邦学习和强化学习的事物资源信息分配方法及*** | |
CN110658725A (zh) | 一种基于人工智能的能源监管和预测***及其方法 | |
CN109255000A (zh) | 一种标签数据的维度管理方法及装置 | |
CN111866111B (zh) | 一种感知用户需求增长趋势的边缘部署方法 | |
Wang et al. | Cloud workload analytics for real-time prediction of user request patterns | |
Dahihande et al. | Reducing energy waste in households through real-time recommendations | |
CN115185650A (zh) | 一种异构边缘算力网络任务调度方法 | |
Mahan et al. | A novel resource productivity based on granular neural network in cloud computing | |
CN113806094A (zh) | 一种基于深度学***台资源动态调度方法 | |
CN112306406A (zh) | 智能存储自动分级的方法、装置、存储介质及电子设备 | |
CN111162852B (zh) | 一种基于匹配学习的泛在电力物联网接入方法 | |
US20140122403A1 (en) | Loading prediction method and electronic device using the same | |
US11853936B2 (en) | Minimizing the environmental impact of workloads | |
CN111796942B (zh) | 一种感知云资源成本支出的边缘部署方法 |
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 |