CN113485718B - 面向边云协同***中的上下文感知AIoT应用程序部署方法 - Google Patents
面向边云协同***中的上下文感知AIoT应用程序部署方法 Download PDFInfo
- Publication number
- CN113485718B CN113485718B CN202110725348.7A CN202110725348A CN113485718B CN 113485718 B CN113485718 B CN 113485718B CN 202110725348 A CN202110725348 A CN 202110725348A CN 113485718 B CN113485718 B CN 113485718B
- Authority
- CN
- China
- Prior art keywords
- aiot
- application
- service
- edge
- cloud
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000005540 biological transmission Effects 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 125000002015 acyclic group Chemical group 0.000 claims description 8
- 239000002243 precursor Substances 0.000 claims description 6
- 238000013468 resource allocation Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
-
- 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
- G06F9/505—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 load
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Information Transfer Between Computers (AREA)
- Multi Processors (AREA)
Abstract
本发明公开了一种面向边云协同***中的上下文感知AIoT应用程序部署方法,基于多接入边缘计算架构来优化AIoT***性,使用了有向无环图对复杂AIoT应用程序进行建模,以便可以将AIoT应用程序的执行分解为多个有序的AI服务。基于该应用模型,进一步构建了一个合适的度量标准来度量AIoT应用***,并对服务部署问题进行数学建模,并提出一种算法,该算法可以在资源上限约束的情况下,同时对AIoT应用程序的性能和成本进行最小化。
Description
技术领域
本发明属于多接入边缘计算领域,具体涉及一种面向边云协同***中的上下文感知AIoT应用程序部署方法。
背景技术
人工智能(AI)理论和技术的飞速发展和演变,使当前的信息技术体系结构发生了巨大的变化。物联网(IoT)是其中之一,它作为现实世界的数据源,也因此面临机遇和挑战。人工智能物联网(Artificial Intelligence of Things,AIoT)是人工智能技术与物联网基础设施的结合,用于实现更高效的IoT操作,改善人机交互并增强数据管理和分析能力。根据GSMA的报告,到2024年,全球蜂窝物联网连接的总数预计将达到32亿。毫无疑问,数据量的不断增长将创建一个庞大的AIoT应用市场,从而引起全世界的关注。基于IoT技术,可以在IoT设备与AIoT应用程序开发人员之间建立可靠的发布/订阅交互框架,从而可以更加***地收集高质量数据。传统上,这种收集过程是在端云模式下进行的,分布广泛但资源受限的物联网设备仅需要将现实世界的信息感知并上传到云中,云端服务器便会进行数据处理。但是,网络中海量数据的远距离传输和流量拥塞所带来的延迟,以及数据预处理所带来的诸如能耗之类的成本,限制了典型集中式体系结构的普及。
为了解决这些相关问题,多接入边缘计算(MEC)范式被提出。MEC是一种新颖的范式,最近作为移动云计算的增强而出现,用于优化移动资源的使用和无线网络以提供上下文感知的服务。借助MEC,移动设备和云之间的计算和传输被部分迁移到边缘服务器。因此,用户可以轻松地通过无线网络连接到附近的边缘服务器,并将任务分配给他们。用户与边缘服务器之间的短距离连接可以大大减少延迟,并且边缘服务器的计算能力足以胜任那些常规任务。此外,借助Kubernetes等备受瞩目的容器平台,可以轻松地在MEC环境中管理服务(例如数据预处理服务)。但是,这些优势不能成为规划多源数据采集时粗心大意的原因-如果未将传感任务分配给适当的用户,则数据采集任务甚至可能以较高的成本获得质量较低的数据。
更关键的是,由于边缘服务器都是资源受限的,如果数据预处理服务未部署在适当的边缘服务器上,则将没有足够的资源来运行它们。因此,设计任务分配方案以及服务部署方案以平衡质量和成本是非常重要的。
发明内容
针对现有技术所存在的上述技术问题,本发明的目的是提供一种面向边云协同***中的上下文感知AIoT应用程序部署方法,能让服务供应边缘服务器集群***在满足资源上限约束的条件下尽可能降低服务请求的处理时间、同时降低开销。为此,本发明采用以下技术方案:
一种面向边云协同***中的上下文感知AIoT应用程序部署方法,包括如下步骤:
S1、对于多个要在当前边缘服务器集群***中部署的AIoT应用程序,将其分别表示成多个可执行的有向无环图G,该有向无环图G由数据收集服务的集合、数据处理的服务集合以及该有向无环图中的边的集合构成;
S2、对于某一AIoT应用程序,使用分别表示该AIoT应用所用到的服务部署的位置向量和该AIoT应用所使用的服务分配的资源矩阵描述其服务部署与资源分配策略;
S3、基于所述位置向量、资源矩阵及服务传输延迟时间得到对应AIoT应用程序的所述有向无环图G中某个服务的完成时间函数;
S4、对于每个AIoT应用程序,按照其各自执行的频率进行加权,得到整个***中运行的所有的AIoT应用程序的平均执行时间函数;
S5、根据***中各边缘服务器在单位时间内分配单位资源所需要消耗的成本,结合每个服务的工作负载和每个服务器为各服务分配的资源数,得到***运行的总成本函数;
S6、将所述平均执行时间函数和***运行的总成本函数作为多目标优化问题进行最小化求解,得到对应每个AIoT应用的位置向量和资源矩阵;
S7、根据上述求得的位置向量和资源矩阵,对AIoT应用的各服务进行部署以及资源分配。
进一步的,步骤S1具体包括:
对于多个要在当前边缘服务器集群***中部署的AIoT应用程序,将其分别表示成多个有向无环图G=(S′,E),其中SV为所有数据收集服务的集合,对si∈SV,其输入数据I和工作负载为0;SR为负责数据处理的服务集合;E={<si→sj>|si,sj∈S′}为该有向无环图中的边的集合;根据节点的拓扑顺序依次执行G中的服务,并将si的输出作为sj的输入,对所有的边si→sj∈E都进行类似接力,即可完成对应AIoT应用;第k个AIoT应用程序所使用的服务用/>表示。
进一步的,步骤S2具体包括:
对于第k个AIoT应用程序,使用向量pk和矩阵μk描述其服务部署与资源分配策略,其中为第k个AIoT应用中所用到的服务si部署的位置,/> 为边缘服务器hj为第k个AIoT应用所使用的服务si分配的资源数,/>
进一步的,步骤S3中,基于位置向量和资源矩阵得到某个服务的完成时间函数具体包括;
对于有向无环图Gk中的某个服务si,当时,用
来表示该服务的完成时间,其中表示si的前驱节点,即服务si的处理时间加上所有已经计算出的前驱节点的完成时间以及数据传输时间/>的最大值,当时,TC(si)=0;依此进行递归计算,按该方法为每个G添加冗余节点/>使每个有向无环图G以/>为最后一个节点,进而用/>来计算第k个AIoT应用的总执行时间。
进一步的,步骤S3中,所述服务传输延迟时间包括:
收集并统计边缘服务器集群***中所部署服务的平均所需输入数据量大小Ii以及各边缘服务器与它们所服务区域的IoT设备之间的平均数据传输速度进而得到输入延迟/>
收集各边缘服务器之间的数据传输速率,以及各边缘服务器和云端的数据传输速率;若边缘服务器hj和边缘服务器hk之间的数据传输速率为bj,k,则在边缘服务器hj和hk之间传输运行在hj上的服务sz的输出数据Oz带来传输延迟边缘服务器hj与云端之间的数据传输速率为/>则在边缘服务器hj上向云端传输运行在hj上的服务sz的输出数据Oz带来传输延迟/>
进一步的,步骤S3中,对应AIoT应用程序的所述有向无环图Gk中某个服务si的完成时间函数为:
其中si为负责收集IoT设备数据的服务,部署在边缘服务器上,sz为负责将数据上传至云端的服务,部署在边缘服务器/>上。
进一步的,步骤S4具体包括:
对于每个AIoT应用,按照其各自执行的频率fk进行加权,得到整个***中运行的所有的AIoT应用的平均执行时间:
进一步的,步骤S5具体包括:
根据***中各边缘服务器在单位时间内分配单位资源所需要消耗的成本η,结合每个服务的工作负载w和每个服务器为各服务分配的资源数μ,计算得到***运行的总成本函数:
进一步的,步骤S6具体包括:
将T(G)、C(G)作为多目标优化问题进行最小化求解,得到对应每个AIoT应用将各服务部署在哪个边缘服务器上的参数p,以及各边缘服务器针对各AIoT应用的各服务所分配的资源数参数μ。
进一步的,步骤S6中,通过MOEA/D或NSGA2多目标优化算法来得到所述多目标优化问题的近似最优解。
本发明的方法,基于多接入边缘计算架构来优化AIoT***性能,使用了有向无环图对复杂AIoT应用程序进行建模,以便可以将AIoT应用程序的执行分解为多个有序的AI服务。基于该应用模型,进一步构建了一个合适的度量标准来度量AIoT应用***,并对服务部署问题进行数学建模,且提出一种可以在资源上限约束的情况下,同时对AIoT应用程序的性能和成本进行最小化的优化算法,进而能够求解得到最优化的配置参数,以尽可能降低服务请求的处理时间,同时降低开销。
附图说明
图1为本发明实施例的流程示意图。
具体实施方式
为了更为具体地描述本发明,下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
参考附图1,本发明实施例的基于面向边云协同***中的上下文感知AIoT应用程序部署方法,包括以下步骤:
(1)收集并统计边缘服务器集群***中所部署服务的平均所需输入数据量大小Ii以及各边缘服务器与它们所服务区域的IoT设备之间的平均数据传输速度由此得到输入延迟/>
(2)收集各边缘服务器之间的数据传输速率,以及各边缘服务器和云端的数据传输速率;边缘服务器hj和边缘服务器hk之间的数据传输速率为bj,k,则在边缘服务器hj和hk之间传输运行在hj上的服务sz的输出数据Oz带来传输延迟边缘服务器j与云端之间的数据传输速率为/>则在边缘服务器j上向云端传输运行在hj上的服务sz的输出数据Oz带来传输延迟/>
(3)对于一个特定的AIoT应用程序,将其表示成按照一定拓扑顺序执行多个服务的组合,使用有向无环图G=(S′,E)表示,其中SV为所有数据收集服务的集合,为了便于统一处理,可以抽象地认为对si∈SV,它们的输入数据I和工作负载为0,因为在这时si仅作为数据的生产者。SR为负责数据处理的服务集合。E={<si→sj>|si,sj∈S′}为这个有向无环图中的边的集合。通过根据节点的拓扑顺序依次执行G中的服务,并将si的输出作为sj的输入,对所有的边si→sj∈E都进行这样的接力,即可完成对应AIoT应用。
(4)对于多个要在ECC***中部署的AIoT应用程序,可以将它们表示成多个DAG,其中第k个AIoT应用程序所使用的服务用表示。
(5)对于第k个AIoT应用,使用向量pk和矩阵μk描述其服务部署与资源分配策略,其中为第k个AIoT应用中所用到的服务si部署的位置,即某一台边缘服务器,因此有约束 为边缘服务器j为第k个AIoT应用所使用的服务i分配的资源数,因此有约束
(6)对于Gk中的某个服务si的完成时间,当时,可以用
来表示,其中表示si的前驱节点,即服务si的处理时间/>加上所有已经计算出的前驱节点的完成时间以及数据传输时间/>的最大值,当/>时,TC(si)=0,这样进行递归计算,按所述方法,为每个G添加冗余节点/>使每个DAG以/>为最后一个节点,因此可以用/>来计算第k个AIoT应用的总执行时间。
(7)由于每个AIoT应用除了执行时间,还有从IoT设备收集数据的时间以及将最终的处理数据上传至云端的时间,因此需要加上输入延迟以及上传至云端的传输延迟即T/>其中si为负责收集IoT设备数据的服务,部署在边缘服务器/>上,sz为负责将数据上传至云端的服务,部署在边缘服务器/>上。
(8)对于每个AIoT应用,他们各自有一个执行的频率fk,因此按照频率进行加权,即可得到整个***中运行的所有的AIoT应用的平均执行时间,即
(9)根据***中各边缘服务器在单位时间内分配单位资源所需要消耗的成本η,结合每个服务的工作负载w和每个服务器为各服务分配的资源数μ,可以计算得到***运行的总成本
(10)将T(G)、C(G)作为多目标优化问题进行最小化求解,即可得到p和μ,即每个AIoT应用将各服务部署在哪个边缘服务器上,以及各边缘服务器针对各AIoT应用的各服务所分配的资源数。
(11)根据上述求得的p和μ,对AIoT应用的各服务进行部署,以及资源分配,即可实现在满足资源上限约束的情况下,对AIoT应用的执行时间和服务部署成本的最小化。
上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于上述实施例,本领域技术人员根据本发明的揭示,对于本发明做出的改进和修改都应该在本发明的保护范围之内。
Claims (10)
1.一种面向边云协同***中的上下文感知AIoT应用程序部署方法,包括如下步骤:
S1、对于多个要在当前边缘服务器集群***中部署的AIoT应用程序,将其分别表示成多个可执行的有向无环图G,该有向无环图G由数据收集服务的集合、数据处理的服务集合以及该有向无环图中的边的集合构成;
S2、对于某一AIoT应用程序,使用分别表示该AIoT应用所用到的服务部署的位置向量和该AIoT应用所使用的服务分配的资源矩阵描述其服务部署与资源分配策略;
S3、基于所述位置向量、资源矩阵及服务传输延迟时间得到对应AIoT应用程序的所述有向无环图G中某个服务的完成时间函数;
S4、对于每个AIoT应用程序,按照其各自执行的频率进行加权,得到整个***中运行的所有的AIoT应用程序的平均执行时间函数;
S5、根据***中各边缘服务器在单位时间内分配单位资源所需要消耗的成本,结合每个服务的工作负载和每个服务器为各服务分配的资源数,得到***运行的总成本函数;
S6、将所述平均执行时间函数和***运行的总成本函数作为多目标优化问题进行最小化求解,得到对应每个AIoT应用的位置向量和资源矩阵;
S7、根据上述求得的位置向量和资源矩阵,对AIoT应用的各服务进行部署以及资源分配。
2.如权利要求1所述的面向边云协同***中的上下文感知AIoT应用程序部署方法,其特征在于,步骤S1具体包括:
对于多个要在当前边缘服务器集群***中部署的AIoT应用程序,将其分别表示成多个有向无环图G=(S′,E),其中SV为所有数据收集服务的集合,对si∈SV,其输入数据I和工作负载为0;SR为负责数据处理的服务集合;E=(<si→sj>|si,sj∈S′}为该有向无环图中的边的集合;根据节点的拓扑顺序依次执行G中的服务,并将si的输出作为sj的输入,对所有的边si→sj∈E都进行类似接力,即可完成对应AIoT应用;第k个AIoT应用程序所使用的服务用/>表示。
3.如权利要求2所述的面向边云协同***中的上下文感知AIoT应用程序部署方法,其特征在于,步骤S2具体包括:
对于第k个AIoT应用程序,使用向量pk和矩阵μk描述其服务部署与资源分配策略,其中为第k个AIoT应用中所用到的服务si部署的位置,/> 为边缘服务器hj为第k个AIoT应用所使用的服务si分配的资源数,/>
4.如权利要求3所述的面向边云协同***中的上下文感知AIoT应用程序部署方法,其特征在于,步骤S3中,基于位置向量和资源矩阵得到某个服务的完成时间函数具体包括;
对于有向无环图Gk中的某个服务si,当时,用
来表示该服务的完成时间,其中表示si的前驱节点,即服务si的处理时间/>加上所有已经计算出的前驱节点的完成时间以及数据传输时间/>的最大值,当/>时,TC(si)=0;依此进行递归计算,按该方法为每个G添加冗余节点/>使每个有向无环图G以/>为最后一个节点,进而用/>来计算第k个AIoT应用的总执行时间。
5.如权利要求4所述的面向边云协同***中的上下文感知AIoT应用程序部署方法,其特征在于,步骤S3中,所述服务传输延迟时间包括:
收集并统计边缘服务器集群***中所部署服务的平均所需输入数据量大小Ii以及各边缘服务器与它们所服务区域的IoT设备之间的平均数据传输速度进而得到输入延迟
收集各边缘服务器之间的数据传输速率,以及各边缘服务器和云端的数据传输速率;若边缘服务器hjj和边缘服务器k之间的数据传输速率为bj,k,则在边缘服务器j和k之间传输运行在j上的服务sz的输出数据Oz带来传输延迟边缘服务器j与云端之间的数据传输速率为/>则在边缘服务器j上向云端传输运行在j上的服务sz的输出数据Oz带来传输延迟/>
6.如权利要求5所述的面向边云协同***中的上下文感知AIoT应用程序部署方法,其特征在于,步骤S3中,对应AIoT应用程序的所述有向无环图Gk中某个服务si的完成时间函数为:
其中si为负责收集IoT设备数据的服务,部署在边缘服务器j1上,sz为负责将数据上传至云端的服务,部署在边缘服务器上。
7.如权利要求6所述的面向边云协同***中的上下文感知AIoT应用程序部署方法,其特征在于,步骤S4具体包括:
对于每个AIoT应用,按照其各自执行的频率fk进行加权,得到整个***中运行的所有的AIoT应用的平均执行时间:
8.如权利要求7所述的面向边云协同***中的上下文感知AIoT应用程序部署方法,其特征在于,步骤S5具体包括:
根据***中各边缘服务器在单位时间内分配单位资源所需要消耗的成本η,结合每个服务的工作负载w和每个服务器为各服务分配的资源数μ,计算得到***运行的总成本函数:
9.如权利要求8所述的面向边云协同***中的上下文感知AIoT应用程序部署方法,其特征在于,步骤S6具体包括:
将T(G)、C(G)作为多目标优化问题进行最小化求解,得到对应每个AIoT应用将各服务部署在哪个边缘服务器上的参数p,以及各边缘服务器针对各AIoT应用的各服务所分配的资源数参数μ。
10.如权利要求9所述的面向边云协同***中的上下文感知AIoT应用程序部署方法,其特征在于,步骤S6中,通过MOEA/D或NSGA2多目标优化算法来得到所述多目标优化问题的近似最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110725348.7A CN113485718B (zh) | 2021-06-29 | 2021-06-29 | 面向边云协同***中的上下文感知AIoT应用程序部署方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110725348.7A CN113485718B (zh) | 2021-06-29 | 2021-06-29 | 面向边云协同***中的上下文感知AIoT应用程序部署方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113485718A CN113485718A (zh) | 2021-10-08 |
CN113485718B true CN113485718B (zh) | 2023-11-03 |
Family
ID=77936547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110725348.7A Active CN113485718B (zh) | 2021-06-29 | 2021-06-29 | 面向边云协同***中的上下文感知AIoT应用程序部署方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113485718B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2857970A1 (en) * | 2013-10-02 | 2015-04-08 | Alcatel Lucent | A method for selecting a plurality of components from among a plurality of resource pools |
CN111381950A (zh) * | 2020-03-05 | 2020-07-07 | 南京大学 | 一种面向边缘计算环境基于多副本的任务调度方法和*** |
CN111756812A (zh) * | 2020-05-29 | 2020-10-09 | 华南理工大学 | 一种能耗感知的边云协同动态卸载调度方法 |
CN112835708A (zh) * | 2020-12-14 | 2021-05-25 | 浙大城市学院 | 一种面向边缘计算环境中移动群体感知***的高质量任务分配与服务部署方法 |
CN113032146A (zh) * | 2021-03-19 | 2021-06-25 | 浙大城市学院 | 一种面向多接入边缘计算环境的健壮***供应方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10454977B2 (en) * | 2017-02-14 | 2019-10-22 | At&T Intellectual Property I, L.P. | Systems and methods for allocating and managing resources in an internet of things environment using location based focus of attention |
US10983895B2 (en) * | 2018-06-05 | 2021-04-20 | Unravel Data Systems, Inc. | System and method for data application performance management |
-
2021
- 2021-06-29 CN CN202110725348.7A patent/CN113485718B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2857970A1 (en) * | 2013-10-02 | 2015-04-08 | Alcatel Lucent | A method for selecting a plurality of components from among a plurality of resource pools |
CN111381950A (zh) * | 2020-03-05 | 2020-07-07 | 南京大学 | 一种面向边缘计算环境基于多副本的任务调度方法和*** |
CN111756812A (zh) * | 2020-05-29 | 2020-10-09 | 华南理工大学 | 一种能耗感知的边云协同动态卸载调度方法 |
CN112835708A (zh) * | 2020-12-14 | 2021-05-25 | 浙大城市学院 | 一种面向边缘计算环境中移动群体感知***的高质量任务分配与服务部署方法 |
CN113032146A (zh) * | 2021-03-19 | 2021-06-25 | 浙大城市学院 | 一种面向多接入边缘计算环境的健壮***供应方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113485718A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deng et al. | User-centric computation offloading for edge computing | |
Cui et al. | A novel offloading scheduling method for mobile application in mobile edge computing | |
CN110941667A (zh) | 一种移动边缘计算网络中的计算卸载方法及*** | |
CN110968426B (zh) | 一种基于在线学习的边云协同k均值聚类的模型优化方法 | |
CN113037877B (zh) | 云边端架构下时空数据及资源调度的优化方法 | |
Ren et al. | Collaborative edge computing and caching with deep reinforcement learning decision agents | |
Zhang et al. | Theoretical analysis on edge computation offloading policies for IoT devices | |
Wang et al. | An energy saving based on task migration for mobile edge computing | |
Huang et al. | Enabling DNN acceleration with data and model parallelization over ubiquitous end devices | |
Qayyum et al. | Mobility-aware hierarchical fog computing framework for Industrial Internet of Things (IIoT) | |
Asghari et al. | Server placement in mobile cloud computing: A comprehensive survey for edge computing, fog computing and cloudlet | |
CN113159539B (zh) | 多层边缘计算***中联合绿色能量调度和动态任务分配方法 | |
Xu et al. | Online learning algorithms for offloading augmented reality requests with uncertain demands in MECs | |
Huang et al. | Computation offloading for multimedia workflows with deadline constraints in cloudlet-based mobile cloud | |
Li et al. | Optimal service selection and placement based on popularity and server load in multi-access edge computing | |
Li et al. | A multi-objective task offloading based on BBO algorithm under deadline constrain in mobile edge computing | |
Hussein et al. | Efficient Computation Offloading of IoT-Based Workflows Using Discrete Teaching Learning-Based Optimization. | |
CN113485718B (zh) | 面向边云协同***中的上下文感知AIoT应用程序部署方法 | |
CN116996941A (zh) | 基于配网云边端协同的算力卸载方法、装置及*** | |
Zhu et al. | Deep reinforcement learning-based edge computing offloading algorithm for software-defined IoT | |
Masdari et al. | Energy-aware computation offloading in mobile edge computing using quantum-based arithmetic optimization algorithm | |
Duan et al. | Lightweight federated reinforcement learning for independent request scheduling in microgrids | |
Osibo et al. | An edge computational offloading architecture for ultra-low latency in smart mobile devices | |
Li et al. | Edge computing offloading strategy based on dynamic non-cooperative games in D-IoT | |
Chen et al. | Deep reinforcement learning based container cluster placement strategy in edge computing environment |
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 |