CN112596910A - 一种多用户mec***中的云计算资源调度方法 - Google Patents

一种多用户mec***中的云计算资源调度方法 Download PDF

Info

Publication number
CN112596910A
CN112596910A CN202011586658.7A CN202011586658A CN112596910A CN 112596910 A CN112596910 A CN 112596910A CN 202011586658 A CN202011586658 A CN 202011586658A CN 112596910 A CN112596910 A CN 112596910A
Authority
CN
China
Prior art keywords
task
mec server
user
mec
time
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
Application number
CN202011586658.7A
Other languages
English (en)
Other versions
CN112596910B (zh
Inventor
卢建刚
付佳佳
曾瑛
亓峰
郑鸿远
吴赞红
施展
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Original Assignee
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd filed Critical Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Priority to CN202011586658.7A priority Critical patent/CN112596910B/zh
Publication of CN112596910A publication Critical patent/CN112596910A/zh
Application granted granted Critical
Publication of CN112596910B publication Critical patent/CN112596910B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请公开了一种多用户MEC***中的云计算资源调度方法，在移动用户根据花销在本地制定最小化成本的卸载决策下，在用户子任务具有顺序执行的关联性、用户对金钱和计算延迟时间的偏好程度不同的场景下，建立以服务器任务执行次序为变量的服务器收益最大化模型，然后，基于蚁群算法求解收益最大化模型得到收益最大化的最佳任务执行次序和最佳任务分区策略。使得在满足用户对任务的计算时间和成本的同时，实现服务器提供商的收益最大化，能很好地平衡用户成本和MEC服务器收益之间的关系。

Description

一种多用户MEC***中的云计算资源调度方法
技术领域
本申请涉及移动边缘计算技术领域，尤其涉及一种多用户MEC***中的云计算资源调度方法。
背景技术
随着5G网络的普及，依靠其衍生出来的新型应用，如智能电网、车联网、远程医疗、虚拟现实、增强现实等应用得到快速发展。但由于移动设备和物联网设备计算能力和电池容量受限，这些新型应用和服务难以部署。
其中，基于5G构建空地协同的通信网络的智能电网技术，用户网关可以同时接入卫星网络与地面网络，用户网关支持软件定义网络(SDN)，通过网络功能虚拟化(NFV)在用户网关处部署MEC功能，使一部分计算密集、上行带宽占用大的应用直接在边缘处完成，降低了网络时延和中心的压力。同时，基于MEC的内容缓存、计算卸载可以提高内容的分发效率、处理速率，提升用户的服务体验。
在空地协同的MEC的架构中，用户生成的计算任务，首先判断本地的计算资源是否能满足其需求，如果本地计算资源无法满足用户需求，则用户通过协作卸载策略决定是将其卸载到卫星网络中的边缘计算节点还是地面网络的边缘计算节点。当相应的边缘计算节点接收到计算任务时，如果处于繁忙状态，则将计算任务发送到数据中心进行处理。否则，它将根据自己的计算能力决定是否与周围的边缘计算节点合作来处理计算任务，而这取决于MEC服务器的协同任务调度策略，也即云计算资源调度。
在实际过程中，通常会出现多个用户共同占用边缘服务器计算资源的现象，而由于移动边缘服务器计算资源受限，不能同时接受多个用户的卸载请求，这被称为用户分区问题。
为解决用户分区与云计算资源调度的问题，现已提出的算法，如SearchAdjust算法，通过计算分区技术，使得用户获得最大的收益。多个用户对边缘服务器端计算资源存在竞争且每个用户会在本地做出最小化自己成本(如通过计算延迟和花费加权和减少成本)的卸载决策的情况下，MEC服务器提供商需要通过采用合适的云计算资源调度方法实现其收益的最大化。因此，有待于提出一种能更好平衡用户成本和MEC服务器收益的关系的云计算资源调度方法。
发明内容
本申请提供了一种多用户MEC***中的云计算资源调度方法，用于解决现有技术中存在的不能很好地平衡用户成本和MEC服务器收益之间的关系的技术问题。
有鉴于此，本申请第一方面提供了一种多用户MEC***中的云计算资源调度方法，该多用户MEC***包括至少两个移动用户和一个MEC服务器，各个移动用户向MEC服务器发送卸载请求，所述卸载请求包括所述两个移动用户的多个子任务，所述多个子任务具有顺序执行的关联性，包括以下步骤：
S1：所述移动用户根据花销在本地制定最小化成本的卸载决策，所述花销包括计算延迟时间花销和金钱花销；
S2：基于所述移动用户制定的所述卸载决策以及预先获取的所述移动用户对金钱与计算延迟时间的偏好程度，建立以任务执行次序为变量的所述MEC服务器的最大收益模型；
S3：通过蚁群算法求解所述最大收益模型，以获得收益最大化的最佳任务执行次序和最佳任务分区策略；
S4：所述MEC服务器根据所述最佳任务分区策略和所述最佳任务执行次序执行所述卸载请求。
优选地，所述步骤S1具体包括：
S101：记在同一时刻向同一MEC服务器发送卸载请求的N个移动用户集合为
Figure BDA0002866200710000021
xi,j∈{0，1}表示为卸载决策，其中，0表示子任务(i,j)在本地计算，1表示子任务(i,j)在MEC服务器计算；
Figure BDA0002866200710000022
式中，
Figure BDA0002866200710000023
为本地计算延迟时间，Gi,j为计算子任务(i,j)所需的CPU周期，fi为本地计算能力；
本地计算金钱花费为：
Figure BDA0002866200710000031
式中，
Figure BDA0002866200710000032
为本地计算金钱花费，βi为移动用户
Figure BDA0002866200710000033
对计算延迟时间的偏好程度，
Figure BDA0002866200710000034
为本地计算延迟时间；
Figure BDA0002866200710000035
式中
Figure BDA0002866200710000036
为MEC服务器计算时间，Gi,j为计算任务(i,j)所需的CPU周期，fc为MEC服务器计算能力；
子任务(i,j)在云端的等待时间为：
Figure BDA0002866200710000037
式中，
Figure BDA0002866200710000038
为子任务(i,j)在云端的等待时间，
Figure BDA0002866200710000039
为子任务(i,j)的完成时刻，
Figure BDA00028662007100000310
为子任务(i,j-1)的完成时刻；
则MEC服务器计算延迟时间为：
Figure BDA00028662007100000311
MEC服务器计算金钱花费为：
Figure BDA00028662007100000312
式中，
Figure BDA00028662007100000313
为MEC服务器计算金钱花费，βi为移动用户
Figure BDA00028662007100000314
对计算延迟时间的偏好程度，
Figure BDA00028662007100000315
为MEC服务器计算延迟时间，
Figure BDA00028662007100000316
为子任务(i,j)在云端的等待时间，1-βi为移动用户对金钱的偏好程度，Gi,j为计算任务(i,j)所需的CPU周期，μi为移动用户占用MEC服务器的单个CPU周期计算资源所需交付的费用；
S102：移动用户将所述本地计算延迟时间
Figure BDA00028662007100000317
所述本地计算金钱花费
Figure BDA00028662007100000318
所述MEC服务器计算时间
Figure BDA00028662007100000319
所述子任务(i,j)在云端的等待时间
Figure BDA00028662007100000320
MEC服务器计算延迟时间
Figure BDA00028662007100000321
和所述MEC服务器计算金钱花费
Figure BDA00028662007100000322
上传至所述MEC服务器中，通过所述MEC服务器比较本地计算金钱花费和MEC服务器计算金钱花费，做出相应的卸载决策，卸载决策表示为：
Figure BDA00028662007100000323
同时，当xi,j＝1时，MEC服务器计算延时时间满足
Figure BDA00028662007100000324
式中，di,j为MEC服务器执行最大容忍时间，MEC服务器执行最大容忍时间di,j的计算公式为：
Figure BDA0002866200710000041
式中，βi为移动用户
Figure BDA0002866200710000042
对计算延迟时间的偏好程度，
Figure BDA0002866200710000043
为本地计算延迟时间，1-βi为移动用户对金钱的偏好程度，Gi,j为计算任务(i,j)所需的CPU周期，xi,j为卸载决策，μi为移动用户占用MEC服务器的单个CPU周期计算资源所需交付的费用。
优选地，将所述步骤S2中的所述MEC服务器的所述最大收益模型转换为MEC服务器收益最大化问题，所述MEC服务器收益最大化问题为：
Figure BDA0002866200710000044
Figure BDA0002866200710000045
Figure BDA0002866200710000046
Figure BDA0002866200710000047
Figure BDA0002866200710000048
式中，定义MEC服务器的资源占用列表中的任务个数为k；S为子任务在云端的执行次序，S＝(s(1),s(2),...,s(K))，其中s(k)＝(i,j)，k表示用户i的第j个子任务在云端执行次序中的第k个位置；sj+1(k)＝(i,j+1)；βs(k)＝βi；μs(k)＝μi；fs(k)＝fi；Gs(k)＝Gi,j；xs(k)＝xi,j；zs(k),s(o)＝z(i,j),(i',j')，s(o)＝(i',j')，z(i,j),(i',j')为子任务之间的执行顺序，其中，z(i,j),(i',j')＝1表示子任务(i,j)在任务(i',j')前执行，z(i,j),(i',j')＝0表示子任务(i',j')在(i,j)前执行；stc为MEC服务器空闲起始时刻；INF为无穷大。
优选地，所述步骤S3具体包括：
S301：在MEC服务器的资源未被占用时，求解出各个任务的子任务最佳分区；
S302：计算所述MEC服务器的资源占用列表Lcro；
S303：从所述资源占用列表Lcro中搜索MEC服务器的冲突任务，从而形成冲突任务集合Lcon；
S304：通过蚁群算法搜索出所述资源占用列表Lcro中冲突任务执行的最佳次序Scon，再将最佳次序Scon中的MEC服务器计算金钱花费小于本地MEC服务器计算金钱花费的任务依次放入任务集合S* con中；
S305：更新云端任务执行次序
Figure BDA0002866200710000051
将所述冲突任务集合Lcon中的冲突任务从所述资源占用列表Lcro中剔除，并初始化冲突任务集合Lcon和任务集合S* con，判断剔除后的资源占用列表Lcro是否有剩余任务，若所述资源占用列表Lcro有剩余任务，则执行所述步骤S303～S305，若所述资源占用列表Lcro无剩余任务，则得到MEC服务器的任务最佳执行次序S；
S306：所述MEC服务器的所述任务最佳执行次序S中的任务为MEC服务器计算任务，所述剩余任务为本地计算任务，从而得到各个移动用户的最佳任务分区策略。
优选地，所述步骤S303具体包括：
S3031：对所述蚁群算法的相关参数和信息素浓度进行初始化处理，设定蚂蚁个数m，其中，蚂蚁个数m等于冲突任务集合Lcon中的冲突任务个数；
S3032：向所述最大收益模型输入所述资源占用列表Lcro中各个任务的开始时刻
Figure BDA0002866200710000052
MEC服务器计算时间
Figure BDA0002866200710000053
MEC服务器执行最大容忍时间
Figure BDA0002866200710000054
以及每个冲突任务给云端的收益
Figure BDA0002866200710000055
S3033：将m只蚂蚁放于不同出发点(i1,j1)，每只蚂蚁以概率选择下个到达的任务(i2,j2)其中，(i1,j1),(i2,j2)∈Lcon，执行完任务(i1,j1)后执行任务(i2,j2)，若
Figure BDA0002866200710000056
则MEC服务器增加的收益为
Figure BDA0002866200710000057
否则MEC服务器增加的收益
Figure BDA0002866200710000058
S3034：当所有蚂蚁经过一轮路径选择后，对路径上的信息素浓度进行更新；
S3035：判断是否达到预设最大任务循环次数，若未达到，则返回所述步骤S3033继续任务循环；若已达到，结束蚁群算法的任务循环后，输出冲突任务执行的最佳次序Scon及其收益。
优选地，所述步骤S3033中每只蚂蚁以概率选择下个到达的任务(i2,j2)中的概率的计算公式为：
Figure BDA0002866200710000061
式中，t为任务循环次数，
Figure BDA0002866200710000062
为路径(i1j1,i2j2)上的信息素浓度；
Figure BDA0002866200710000063
为启发式函数，α为信息启发式因子，β为期望启发因子，alloweCk表示为第k只蚂蚁待访问的任务集合Ck；其中，启发式函数
Figure BDA0002866200710000064
的更新规则为：
Figure BDA0002866200710000065
式中，revenue为各个子任务需交付的费用集合。
优选地，所述步骤S3034中的信息素浓度的更新公式为：
Figure BDA0002866200710000066
式中，
Figure BDA0002866200710000067
为路径(i1j1,i2j2)上的下一次任务循环待更新的信息素浓度，ρ为信息素挥发系数，
Figure BDA0002866200710000068
为路径(i1j1,i2j2)上的本次任务循环的信息素浓度，
Figure BDA0002866200710000069
为所有蚂蚁在任务(i1,j1)与任务(i2,j2)之间的连接路径上释放信息素而增加的信息素浓度，式中，
Figure BDA00028662007100000610
式中，
Figure BDA00028662007100000611
为第k只蚂蚁在任务(i1,j1)子任务(i2,j2)之间的连接路径上释放信息素而增加的信息素浓度，更新规则为：
Figure BDA00028662007100000612
式中，Q为信息素强度。
从以上技术方案可以看出，本申请实施例具有以下优点：
本发明提供了一种多用户MEC***中的云计算资源调度方法，在移动用户根据花销在本地制定最小化成本的卸载决策下，在用户子任务具有顺序执行的关联性、用户对金钱和计算延迟时间的偏好程度不同的场景下，建立以服务器任务执行次序为变量的服务器收益最大化模型，然后，基于蚁群算法求解收益最大化模型得到收益最大化的最佳任务执行次序和最佳任务分区策略。使得在满足用户对任务的计算时间和成本的同时，实现服务器提供商的收益最大化，能很好地平衡用户成本和MEC服务器收益之间的关系。
附图说明
图1为本申请实施例提供的一种多用户MEC***的结构示意图；
图2为本申请实施例提供的一种多用户MEC***中的云计算资源调度方法的流程图；
图3为本申请实施例提供的两种算法的MEC服务器平均收益的曲线图；
图4为本申请实施例提供的两种算法下每用户计算延迟的曲线图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1所示，多用户MEC***包括至少两个移动用户和一个MEC服务器，各个移动用户向MEC服务器发送卸载请求，卸载请求包括两个移动用户的多个子任务，多个子任务具有顺序执行的关联性。
目前，在包含多个移动用户对MEC服务器计算资源存在竞争且每个用户会在本地做出最小化自己成本的卸载决策的情况下，MEC服务器提供商难以通过合适的资源调度策略实现其收益的最大化。
为此，本发明提供了一种多用户MEC***中的云计算资源调度方法基于以下三个前提条件：
(1)信道状态信息是已知的；
(2)信道状态在任务卸载期间保持不变；
(3)一旦决定将任务卸载到MEC服务器，移动用户将不会停止卸载，直到卸载完成。
为了方便理解，请参阅图2，本发明提供了一种多用户MEC***中的云计算资源调度方法，包括以下步骤：
S1：移动用户根据花销在本地制定最小化成本的卸载决策，花销包括计算延迟时间花销和金钱花销；
S2：基于移动用户制定的卸载决策以及预先获取的移动用户对金钱与计算延迟时间的偏好程度，建立以任务执行次序为变量的MEC服务器的最大收益模型；
S3：通过蚁群算法求解最大收益模型，以获得收益最大化的最佳任务执行次序和最佳任务分区策略；
S4：MEC服务器根据最佳任务分区策略和最佳任务执行次序执行卸载请求。
需要说明的是，本实施例在移动用户根据花销在本地制定最小化成本的卸载决策下，在用户子任务具有顺序执行的关联性、用户对金钱和计算延迟时间的偏好程度不同的场景下，建立以服务器任务执行次序为变量的服务器收益最大化模型，然后，基于蚁群算法求解收益最大化模型得到收益最大化的最佳任务执行次序和最佳任务分区策略。使得在满足用户对任务的计算时间和成本的同时，实现服务器提供商的收益最大化。
进一步地，步骤S1具体包括：
S101：记在同一时刻向同一MEC服务器发送卸载请求的N个移动用户集合为
Figure BDA0002866200710000081
xi,j∈{0，1}表示为卸载决策，其中，0表示子任务(i,j)在本地计算，1表示子任务(i,j)在MEC服务器计算；
令xij＝0时，本地计算延迟时间为：
Figure BDA0002866200710000082
式中，
Figure BDA0002866200710000083
为本地计算延迟时间，Gi,j为计算子任务(i,j)所需的CPU周期，fi为本地计算能力；
本地计算金钱花费为：
Figure BDA0002866200710000084
式中，
Figure BDA0002866200710000085
为本地计算金钱花费，βi为移动用户
Figure BDA0002866200710000086
对计算延迟时间的偏好程度，
Figure BDA0002866200710000087
为本地计算延迟时间；
令xi，j＝1时，MEC服务器计算时间为：
Figure BDA0002866200710000088
式中
Figure BDA0002866200710000089
为MEC服务器计算时间，Gi,j为计算任务(i,j)所需的CPU周期，fc为MEC服务器计算能力；
子任务(i,j)在云端的等待时间为：
Figure BDA00028662007100000810
式中，
Figure BDA0002866200710000091
为子任务(i,j)在云端的等待时间，
Figure BDA0002866200710000092
为子任务(i,j)的完成时刻，
Figure BDA0002866200710000093
为子任务(i,j-1)的完成时刻；
则MEC服务器计算延迟时间为：
Figure BDA0002866200710000094
MEC服务器计算金钱花费为：
Figure BDA0002866200710000095
式中，
Figure BDA0002866200710000096
为MEC服务器计算金钱花费，βi为移动用户
Figure BDA0002866200710000097
对计算延迟时间的偏好程度，
Figure BDA0002866200710000098
为MEC服务器计算延迟时间，
Figure BDA0002866200710000099
为子任务(i,j)在云端的等待时间，1-βi为移动用户对金钱的偏好程度，Gi,j为计算任务(i,j)所需的CPU周期，μi为移动用户占用MEC服务器的单个CPU周期计算资源所需交付的费用；
S102：移动用户将本地计算延迟时间
Figure BDA00028662007100000910
本地计算金钱花费
Figure BDA00028662007100000911
MEC服务器计算时间
Figure BDA00028662007100000912
子任务(i,j)在云端的等待时间
Figure BDA00028662007100000913
MEC服务器计算延迟时间
Figure BDA00028662007100000914
和MEC服务器计算金钱花费
Figure BDA00028662007100000915
上传至MEC服务器中，通过MEC服务器比较本地计算金钱花费和MEC服务器计算金钱花费，做出相应的卸载决策，卸载决策表示为：
Figure BDA00028662007100000916
同时，当xi,j＝1时，MEC服务器计算延时时间满足
Figure BDA00028662007100000917
式中，di,j为MEC服务器执行最大容忍时间，MEC服务器执行最大容忍时间di,j的计算公式为：
Figure BDA00028662007100000918
式中，βi为移动用户
Figure BDA00028662007100000919
对计算延迟时间的偏好程度，
Figure BDA00028662007100000920
为本地计算延迟时间，1-βi为移动用户对金钱的偏好程度，Gi,j为计算任务(i,j)所需的CPU周期，xi,j为卸载决策，μi为移动用户占用MEC服务器的单个CPU周期计算资源所需交付的费用。
可以理解的是，通过MEC服务器对比本地计算和服务器计算的花费大小，来决定是否进行卸载，同时，由于MEC服务器计算资源有限并且用户有对计算延迟时间的要求，多个用户将任务卸载至MEC服务器执行，会同时占用服务器计算资源，致使MEC服务器无法满足全部卸载用户的计算资源需求，因此，MEC服务器的计算延迟时间需小于MEC服务器执行最大容忍时间，并保证卸载用户服务器计算花费小于本地计算花费。
进一步地，将步骤S2中的MEC服务器的最大收益模型转换为MEC服务器收益最大化问题，MEC服务器收益最大化问题为：
Figure BDA0002866200710000101
Figure BDA0002866200710000102
Figure BDA0002866200710000103
Figure BDA0002866200710000104
Figure BDA0002866200710000105
式中，定义MEC服务器的资源占用列表中的任务个数为k；S为子任务在云端的执行次序，S＝(s(1),s(2),...,s(K))，其中s(k)＝(i,j)，k表示用户i的第j个子任务在云端执行次序中的第k个位置；sj+1(k)＝(i,j+1)；βs(k)＝βi；μs(k)＝μi；fs(k)＝fi；Gs(k)＝Gi,j；xs(k)＝xi,j；zs(k),s(o)＝z(i,j),(i',j')，s(o)＝(i',j')，z(i,j),(i',j')为子任务之间的执行顺序，其中，z(i,j),(i',j')＝1表示子任务(i,j)在任务(i',j')前执行，z(i,j),(i',j')＝0表示子任务(i',j')在(i,j)前执行；stc为MEC服务器空闲起始时刻；INF为无穷大。
需要说明的是，本实施例将MEC服务器收益最大化问题建模为以任务执行次序为变量的MEC服务器的优化问题，记为P1，约束条件C1保证了单个移动用户的各个子任务间执行顺序；约束条件C2保证两个不同移动用户的子任务的MEC服务器执行次序；约束条件C3保证卸载任务在MEC服务器计算花费小于在本地计算花费；约束条件C4限制卸载变量xs(k)取值0或1，保证子任务的本地计算时间、MEC服务器等待时间、服务器端计算时间大于0；约束条件C5保证在MEC服务器闲置的时候，卸载至MEC服务器的计算花费要小于本地计算花费。
进一步地，步骤S3具体包括：
S301：在MEC服务器的资源未被占用时，求解出各个任务的子任务最佳分区；
S302：计算MEC服务器的资源占用列表Lcro；
S303：从资源占用列表Lcro中搜索MEC服务器的冲突任务，从而形成冲突任务集合Lcon；
S304：通过蚁群算法搜索出资源占用列表Lcro中冲突任务执行的最佳次序Scon，再将最佳次序Scon中的MEC服务器计算金钱花费小于本地MEC服务器计算金钱花费的任务依次放入任务集合S* con中；
S305：更新云端任务执行次序
Figure BDA0002866200710000111
将冲突任务集合Lcon中的冲突任务从资源占用列表Lcro中剔除，并初始化冲突任务集合Lcon和任务集合S* con，判断剔除后的资源占用列表Lcro是否有剩余任务，若资源占用列表Lcro有剩余任务，则执行步骤S303～S305，若资源占用列表Lcro无剩余任务，则得到MEC服务器的任务最佳执行次序S；
S306：MEC服务器的任务最佳执行次序S中的任务为MEC服务器计算任务，剩余任务为本地计算任务，从而得到各个移动用户的最佳任务分区策略。
需要说明的是，将某一时刻中同时使用MEC服务器计算资源的多个任务称为冲突任务，由于用户对金钱与计算延迟时间的偏好程度不同，可以通过调整冲突任务的执行顺序实现在满足卸载用户需求的同时提高MEC服务器的收益。
在本实施例中，为了求解优化问题P1，最坏情况下，需要在K个子任务的K！个排列集合中，找出使得MEC服务器端获得最大收益的一个执行次序，因此，P1问题是组合优化问题。解决该类问题一般使用枚举法、近似算法和启发式算法。但是，当问题规模较大时，枚举法求解时间过长，近似算法难以找出精确解，因此，本实施例采用了启发式算法中具有较强的鲁棒性及较强全局寻优能力的蚁群算法，从多个排列集合中寻找使MEC服务提供商获得最大收益的任务执行次序。
进一步地，步骤S303具体包括：
S3031：对蚁群算法的相关参数和信息素浓度进行初始化处理，设定蚂蚁个数m，其中，蚂蚁个数m等于冲突任务集合Lcon中的冲突任务个数；
S3032：向最大收益模型输入资源占用列表Lcro中各个任务的开始时刻
Figure BDA0002866200710000121
MEC服务器计算时间
Figure BDA0002866200710000122
MEC服务器执行最大容忍时间
Figure BDA0002866200710000123
以及每个冲突任务给云端的收益
Figure BDA0002866200710000124
S3033：将m只蚂蚁放于不同出发点(i1,j1)，每只蚂蚁以概率选择下个到达的任务(i2,j2)其中，(i1,j1),(i2,j2)∈Lcon，执行完任务(i1,j1)后执行任务(i2,j2)，若
Figure BDA0002866200710000125
则MEC服务器增加的收益为
Figure BDA0002866200710000126
否则MEC服务器增加的收益
Figure BDA0002866200710000127
S3034：当所有蚂蚁经过一轮路径选择后，对路径上的信息素浓度进行更新；
S3035：判断是否达到预设最大任务循环次数，若未达到，则返回步骤S3033继续任务循环；若已达到，结束蚁群算法的任务循环后，输出冲突任务执行的最佳次序Scon及其收益。
进一步地，步骤S3033中每只蚂蚁以概率选择下个到达的任务(i2,j2)中的概率的计算公式为：
Figure BDA0002866200710000128
式中，t为任务循环次数，
Figure BDA0002866200710000129
为路径(i1j1,i2j2)上的信息素浓度；
Figure BDA00028662007100001210
为启发式函数，α为信息启发式因子，β为期望启发因子，alloweCk表示为第k只蚂蚁待访问的任务集合Ck；其中，启发式函数
Figure BDA00028662007100001211
的更新规则为：
Figure BDA00028662007100001212
式中，revenue为各个子任务需交付的费用集合。
在本实施例中，α反应了信息素对蚂蚁路径的作用，信息启发式因子α＝1，β反应了启发函数在指导蚁群搜索中的相对重要程度，期望启发因子β＝5。
进一步地，步骤S3034中的信息素浓度的更新公式为：
Figure BDA00028662007100001213
式中，
Figure BDA00028662007100001214
为路径(i1j1,i2j2)上的下一次任务循环待更新的信息素浓度，ρ为信息素挥发系数，
Figure BDA00028662007100001215
为路径(i1j1,i2j2)上的本次任务循环的信息素浓度，
Figure BDA00028662007100001216
为所有蚂蚁在任务(i1,j1)与任务(i2,j2)之间的连接路径上释放信息素而增加的信息素浓度，式中，
Figure BDA0002866200710000131
式中，
Figure BDA0002866200710000132
为第k只蚂蚁在任务(i1,j1)子任务(i2,j2)之间的连接路径上释放信息素而增加的信息素浓度，更新规则为：
Figure BDA0002866200710000133
式中，Q为信息素强度。
在本实施例中，信息素挥发系数ρ＝0.1，信息素强度Q＝100。
在现有技术中，只考虑计算分区技术，使得用户获得了最大的收益，并不考虑MEC服务器收回设备的部署和维护成本利益，本发明则在考虑多个用户在竞争MEC服务器云计算资源的条件下，每个用户会在本地做出最小化自己成本的卸载决策下，MEC服务器提供商通过采取合适的计算资源调度方法实现其收益最大化，能很好地平衡用户成本和MEC服务器收益之间的关系。
对本发明提出的算法进行仿真，验证其性能，并将其与SearchAdjust算法进行MEC服务器平均收益和用户平均计算延迟的比较。
仿真设定每个用户有5个待卸载子任务，子任务之间存在顺序执行的关联性；服务器端有两个收费标准可供用户选择，每个用户从两个收费标准中随机选择一个。具体参数设置如下：向服务器端发送请求的用户总数在[5，90]范围内；两收费标准分别为u0＝1×10-9元/cycles,u1＝0.5×10-9元/cycles；每个子任务所需要的CPU周期在0.1GHz～1GHz随机取值；每个设备的计算能力在1～2GHz随机取值。然后，对SearchAdjust算法改进，使得其优化目标函数为MEC服务器收益，在相同参数下对改进的SearchAdjus算法和所提算法进行仿真对比。仿真时，设置蚁群的数量为冲突任务的个数大小、迭代的最大次数为500、信息启发式因子为1、期望启发因子为5、信息素挥发系数为0.1、信息素强度为100，使用MATLAB进行仿真。
通过图3表示两种算法MEC服务器的收益曲线与图4表示每用户的平均计算延迟曲线可以看出：
(1)两种算法所获得的收益都随着用户的增多而增多，但本发明提出的算法的收益增速要大于基准算法。当用户数目为90、fc＝4GHz时，本发明提出的算法的收益相比基准算法提高了33.6％，当用户数目为90、fc＝12GHz时，本发明提出的算法的收益相比基准算法提高了49.9％。这是因为随着计算能力的提高，本发明提出的算法比较于SearchAdjust算法，在各任务可容忍执行期限内可以处理更多的任务。
(2)两种算法中每用户平均延迟都随着用户增多而增多，当用户数目为90、fc＝4GHz时，本发明提出的算法的每用户平均延迟相比基准算法增加1.6％，当用户数目为90、fc＝12GHz时，本发明提出的算法的每用户平均延迟相比基准算法增加了6％。
由此可见本发明提出的算法是极大地提高了MEC服务器的收益，实现了MEC服务器的收益最大化，能很好地平衡用户成本和MEC服务器收益之间的关系。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (7)

1.一种多用户MEC***中的云计算资源调度方法，该多用户MEC***包括至少两个移动用户和一个MEC服务器，各个移动用户向MEC服务器发送卸载请求，所述卸载请求包括所述两个移动用户的多个子任务，所述多个子任务具有顺序执行的关联性，其特征在于，包括以下步骤：
S1：所述移动用户根据花销在本地制定最小化成本的卸载决策，所述花销包括计算延迟时间花销和金钱花销；
S2：基于所述移动用户制定的所述卸载决策以及预先获取的所述移动用户对金钱与计算延迟时间的偏好程度，建立以任务执行次序为变量的所述MEC服务器的最大收益模型；
S3：通过蚁群算法求解所述最大收益模型，以获得收益最大化的最佳任务执行次序和最佳任务分区策略；
S4：所述MEC服务器根据所述最佳任务分区策略和所述最佳任务执行次序执行所述卸载请求。
2.根据权利要求1所述的多用户MEC***中的云计算资源调度方法，其特征在于，所述步骤S1具体包括：
S101：记在同一时刻向同一MEC服务器发送卸载请求的N个移动用户集合为
Figure FDA0002866200700000011
xi,j∈{0，1}表示为卸载决策，其中，0表示子任务(i,j)在本地计算，1表示子任务(i,j)在MEC服务器计算；
令xi，j＝0时，本地计算延迟时间为：
Figure FDA0002866200700000012
式中，
Figure FDA0002866200700000013
为本地计算延迟时间，Gi,j为计算子任务(i,j)所需的CPU周期，fi为本地计算能力；
本地计算金钱花费为：
Figure FDA0002866200700000014
式中，
Figure FDA0002866200700000015
为本地计算金钱花费，βi为移动用户
Figure FDA0002866200700000016
对计算延迟时间的偏好程度，
Figure FDA0002866200700000017
为本地计算延迟时间；
令xi，j＝1时，MEC服务器计算时间为：
Figure FDA0002866200700000018
式中
Figure FDA0002866200700000019
为MEC服务器计算时间，Gi,j为计算任务(i,j)所需的CPU周期，fc为MEC服务器计算能力；
子任务(i,j)在云端的等待时间为：
Figure FDA0002866200700000021
式中，
Figure FDA0002866200700000022
为子任务(i,j)在云端的等待时间，
Figure FDA0002866200700000023
为子任务(i,j)的完成时刻，
Figure FDA0002866200700000024
为子任务(i,j-1)的完成时刻；
则MEC服务器计算延迟时间为：
Figure FDA0002866200700000025
MEC服务器计算金钱花费为：
Figure FDA0002866200700000026
式中，
Figure FDA0002866200700000027
为MEC服务器计算金钱花费，βi为移动用户
Figure FDA0002866200700000028
对计算延迟时间的偏好程度，
Figure FDA0002866200700000029
为MEC服务器计算延迟时间，
Figure FDA00028662007000000210
为子任务(i,j)在云端的等待时间，1-βi为移动用户对金钱的偏好程度，Gi,j为计算任务(i,j)所需的CPU周期，μi为移动用户占用MEC服务器的单个CPU周期计算资源所需交付的费用；
S102：移动用户将所述本地计算延迟时间
Figure FDA00028662007000000211
所述本地计算金钱花费
Figure FDA00028662007000000212
所述MEC服务器计算时间
Figure FDA00028662007000000213
所述子任务(i,j)在云端的等待时间
Figure FDA00028662007000000214
MEC服务器计算延迟时间
Figure FDA00028662007000000215
和所述MEC服务器计算金钱花费
Figure FDA00028662007000000216
上传至所述MEC服务器中，通过所述MEC服务器比较本地计算金钱花费和MEC服务器计算金钱花费，做出相应的卸载决策，卸载决策表示为：
Figure FDA00028662007000000217
同时，当xi,j＝1时，MEC服务器计算延时时间满足
Figure FDA00028662007000000218
式中，di,j为MEC服务器执行最大容忍时间，MEC服务器执行最大容忍时间di,j的计算公式为：
Figure FDA00028662007000000219
式中，βi为移动用户
Figure FDA00028662007000000220
对计算延迟时间的偏好程度，
Figure FDA00028662007000000221
为本地计算延迟时间，1-βi为移动用户对金钱的偏好程度，Gi,j为计算任务(i,j)所需的CPU周期，xi,j为卸载决策，μi为移动用户占用MEC服务器的单个CPU周期计算资源所需交付的费用。
3.根据权利要求2所述的多用户MEC***中的云计算资源调度方法，
其特征在于，将所述步骤S2中的所述MEC服务器的所述最大收益模型转换为MEC服务器收益最大化问题，所述MEC服务器收益最大化问题为：
P1：
Figure FDA0002866200700000031
s.t.C1:
Figure FDA0002866200700000032
C2:
Figure FDA0002866200700000033
C3:
Figure FDA0002866200700000034
Figure FDA0002866200700000035
式中，定义MEC服务器的资源占用列表中的任务个数为k；S为子任务在云端的执行次序，S＝(s(1),s(2),...,s(K))，其中s(k)＝(i,j)，k表示用户i的第j个子任务在云端执行次序中的第k个位置；sj+1(k)＝(i,j+1)；βs(k)＝βi；μs(k)＝μi；fs(k)＝fi；Gs(k)＝Gi,j；xs(k)＝xi,j；zs(k),s(o)＝z(i,j),(i',j')，s(o)＝(i',j')，z(i,j),(i',j')为子任务之间的执行顺序，其中，z(i,j),(i',j')＝1表示子任务(i,j)在任务(i',j')前执行，z(i,j),(i',j')＝0表示子任务(i',j')在(i,j)前执行；stc为MEC服务器空闲起始时刻；INF为无穷大。
4.根据权利要求3所述的多用户MEC***中的云计算资源调度方法，其特征在于，所述步骤S3具体包括：
S301：在MEC服务器的资源未被占用时，求解出各个任务的子任务最佳分区；
S302：计算所述MEC服务器的资源占用列表Lcro；
S303：从所述资源占用列表Lcro中搜索MEC服务器的冲突任务，从而形成冲突任务集合Lcon；
S304：通过蚁群算法搜索出所述资源占用列表Lcro中冲突任务执行的最佳次序Scon，再将最佳次序Scon中的MEC服务器计算金钱花费小于本地MEC服务器计算金钱花费的任务依次放入任务集合S* con中；
S305：更新云端任务执行次序
Figure FDA0002866200700000036
将所述冲突任务集合Lcon中的冲突任务从所述资源占用列表Lcro中剔除，并初始化冲突任务集合Lcon和任务集合S* con，判断剔除后的资源占用列表Lcro是否有剩余任务，若所述资源占用列表Lcro有剩余任务，则执行所述步骤S303～S305，若所述资源占用列表Lcro无剩余任务，则得到MEC服务器的任务最佳执行次序S；
S306：所述MEC服务器的所述任务最佳执行次序S中的任务为MEC服务器计算任务，所述剩余任务为本地计算任务，从而得到各个移动用户的最佳任务分区策略。
5.根据权利要求4所述的多用户MEC***中的云计算资源调度方法，其特征在于，所述步骤S303具体包括：
S3031：对所述蚁群算法的相关参数和信息素浓度进行初始化处理，设定蚂蚁个数m，其中，蚂蚁个数m等于冲突任务集合Lcon中的冲突任务个数；
S3032：向所述最大收益模型输入所述资源占用列表Lcro中各个任务的开始时刻
Figure FDA0002866200700000041
MEC服务器计算时间
Figure FDA0002866200700000042
MEC服务器执行最大容忍时间
Figure FDA0002866200700000043
以及每个冲突任务给云端的收益
Figure FDA0002866200700000044
S3033：将m只蚂蚁放于不同出发点(i1,j1)，每只蚂蚁以概率选择下个到达的任务(i2,j2)其中，(i1,j1),(i2,j2)∈Lcon，执行完任务(i1,j1)后执行任务(i2,j2)，若
Figure FDA0002866200700000045
则MEC服务器增加的收益为
Figure FDA0002866200700000046
否则MEC服务器增加的收益
Figure FDA0002866200700000047
S3034：当所有蚂蚁经过一轮路径选择后，对路径上的信息素浓度进行更新；
S3035：判断是否达到预设最大任务循环次数，若未达到，则返回所述步骤S3033继续任务循环；若已达到，结束蚁群算法的任务循环后，输出冲突任务执行的最佳次序Scon及其收益。
6.根据权利要求5所述的多用户MEC***中的云计算资源调度方法，其特征在于，所述步骤S3033中每只蚂蚁以概率选择下个到达的任务(i2,j2)中的概率的计算公式为：
Figure FDA0002866200700000048
式中，t为任务循环次数，
Figure FDA0002866200700000049
为路径(i1j1,i2j2)上的信息素浓度；
Figure FDA00028662007000000410
为启发式函数，α为信息启发式因子，β为期望启发因子，alloweCk表示为第k只蚂蚁待访问的任务集合Ck；其中，启发式函数
Figure FDA0002866200700000051
的更新规则为：
Figure FDA0002866200700000052
式中，revenue为各个子任务需交付的费用集合。
7.根据权利要求5所述的多用户MEC***中的云计算资源调度方法，其特征在于，所述步骤S3034中的信息素浓度的更新公式为：
Figure FDA0002866200700000053
式中，
Figure FDA0002866200700000054
为路径(i1j1,i2j2)上的下一次任务循环待更新的信息素浓度，ρ为信息素挥发系数，
Figure FDA0002866200700000055
为路径(i1j1,i2j2)上的本次任务循环的信息素浓度，
Figure FDA0002866200700000056
为所有蚂蚁在任务(i1,j1)与任务(i2,j2)之间的连接路径上释放信息素而增加的信息素浓度，式中，
Figure FDA0002866200700000057
式中，
Figure FDA0002866200700000058
为第k只蚂蚁在任务(i1,j1)子任务(i2,j2)之间的连接路径上释放信息素而增加的信息素浓度，更新规则为：
Figure FDA0002866200700000059
式中，Q为信息素强度。
CN202011586658.7A 2020-12-28 2020-12-28 一种多用户mec***中的云计算资源调度方法 Active CN112596910B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011586658.7A CN112596910B (zh) 2020-12-28 2020-12-28 一种多用户mec***中的云计算资源调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011586658.7A CN112596910B (zh) 2020-12-28 2020-12-28 一种多用户mec***中的云计算资源调度方法

Publications (2)

Publication Number Publication Date
CN112596910A true CN112596910A (zh) 2021-04-02
CN112596910B CN112596910B (zh) 2024-02-20

Family

ID=75203753

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011586658.7A Active CN112596910B (zh) 2020-12-28 2020-12-28 一种多用户mec***中的云计算资源调度方法

Country Status (1)

Country Link
CN (1) CN112596910B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113568731A (zh) * 2021-09-24 2021-10-29 苏州浪潮智能科技有限公司 一种任务调度方法、芯片以及电子设备
CN114337783A (zh) * 2021-12-30 2022-04-12 中国电子科技集团公司电子科学研究院 一种空间分布式边缘计算架构及业务处理方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109062682A (zh) * 2018-06-29 2018-12-21 广东工业大学 一种云计算平台的资源调度方法和***
CN109388492A (zh) * 2018-10-09 2019-02-26 浙江工业大学 一种在多个边缘计算服务器场景下基于模拟退火的移动区块链优化算力分配方法
CN109981753A (zh) * 2019-03-07 2019-07-05 中南大学 一种面向物联网的软件定义的边缘计算的***及资源分配方法
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
CN110377353A (zh) * 2019-05-21 2019-10-25 湖南大学 计算任务卸载***与方法
CN110647403A (zh) * 2019-10-31 2020-01-03 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
CN111163519A (zh) * 2019-12-27 2020-05-15 东北大学秦皇岛分校 ***收益最大化的无线体域网资源分配与任务卸载算法
CN111611080A (zh) * 2020-05-22 2020-09-01 中国科学院自动化研究所 边缘计算任务协同调度方法、***、装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109062682A (zh) * 2018-06-29 2018-12-21 广东工业大学 一种云计算平台的资源调度方法和***
CN109388492A (zh) * 2018-10-09 2019-02-26 浙江工业大学 一种在多个边缘计算服务器场景下基于模拟退火的移动区块链优化算力分配方法
CN109981753A (zh) * 2019-03-07 2019-07-05 中南大学 一种面向物联网的软件定义的边缘计算的***及资源分配方法
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
CN110377353A (zh) * 2019-05-21 2019-10-25 湖南大学 计算任务卸载***与方法
CN110647403A (zh) * 2019-10-31 2020-01-03 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
CN111163519A (zh) * 2019-12-27 2020-05-15 东北大学秦皇岛分校 ***收益最大化的无线体域网资源分配与任务卸载算法
CN111611080A (zh) * 2020-05-22 2020-09-01 中国科学院自动化研究所 边缘计算任务协同调度方法、***、装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113568731A (zh) * 2021-09-24 2021-10-29 苏州浪潮智能科技有限公司 一种任务调度方法、芯片以及电子设备
CN114337783A (zh) * 2021-12-30 2022-04-12 中国电子科技集团公司电子科学研究院 一种空间分布式边缘计算架构及业务处理方法
CN114337783B (zh) * 2021-12-30 2023-11-17 中国电子科技集团公司电子科学研究院 一种空间分布式边缘计算装置及业务处理方法

Also Published As

Publication number Publication date
CN112596910B (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
CN113950066B (zh) 移动边缘环境下单服务器部分计算卸载方法、***、设备
CN107911478B (zh) 基于化学反应优化算法的多用户计算卸载方法及装置
CN108540406B (zh) 一种基于混合云计算的网络卸载方法
CN110096362B (zh) 一种基于边缘服务器协作的多任务卸载方法
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
CN113242568A (zh) 一种不确定网络环境中的任务卸载和资源分配方法
CN111813506B (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
CN113220356B (zh) 一种移动边缘计算中的用户计算任务卸载方法
CN111711962B (zh) 一种移动边缘计算***子任务协同调度方法
CN112988345A (zh) 一种基于移动边缘计算的依赖型任务卸载方法及装置
CN113867843B (zh) 一种基于深度强化学习的移动边缘计算任务卸载方法
CN110647403B (zh) 一种多用户mec***中的云端计算资源分配方法
CN112181655A (zh) 一种移动边缘计算中基于混合遗传算法的计算卸载方法
CN113342409B (zh) 多接入边缘计算***时延敏感型任务卸载决策方法及***
CN109947574A (zh) 一种基于雾网络的车辆大数据计算卸载方法
CN112596910B (zh) 一种多用户mec***中的云计算资源调度方法
CN112559171B (zh) 一种移动边缘计算环境下基于延迟接受的多用户任务卸载方法
CN114071582A (zh) 面向云边协同物联网的服务链部署方法及装置
CN115499875B (zh) 一种卫星互联网任务卸载方法、***以及可读存储介质
CN111629443A (zh) 用于超5g车联网中的动态频谱切片框架的优化方法及***
CN116112953A (zh) 基于移动边缘计算的区块链任务卸载和资源分配方法
CN116107692A (zh) 动态融合遗传算法的边缘容器多目标蚁群优化调度方法
CN113741999B (zh) 一种基于移动边缘计算的面向依赖型任务卸载方法及装置
CN117579701A (zh) 一种移动边缘网络计算卸载方法及***
CN114706673A (zh) 一种移动边缘计算网络中考虑任务延时和服务器成本的任务分配方法

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