CN113626107A - 移动计算卸载方法、***及存储介质 - Google Patents
移动计算卸载方法、***及存储介质 Download PDFInfo
- Publication number
- CN113626107A CN113626107A CN202110960298.0A CN202110960298A CN113626107A CN 113626107 A CN113626107 A CN 113626107A CN 202110960298 A CN202110960298 A CN 202110960298A CN 113626107 A CN113626107 A CN 113626107A
- Authority
- CN
- China
- Prior art keywords
- internet
- model
- things
- edge server
- real
- 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 49
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 29
- 239000000126 substance Substances 0.000 claims description 14
- 238000005265 energy consumption Methods 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 12
- 230000002787 reinforcement Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 239000003990 capacitor Substances 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000003306 harvesting Methods 0.000 claims description 3
- 238000005094 computer simulation Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44594—Unloading
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开实施例中提供了一种移动计算卸载方法、***及存储介质,属于数据处理技术领域,具体包括:在目标时间片开始时,收集边缘服务器和每个保健物联网设备的实时信息;根据边缘服务器的实时信息和每个物联网设备的实时信息构建本地计算模型、边缘计算模型、能量收集模型和隐私熵模型;根据本地计算模型、边缘计算模型、能量收集模型和隐私熵模型,构建目标函数;最大化目标函数,求解目标时间片内的任务卸载策略。通过本公开的方案,收集物联网设备以及边缘服务器的实时信息,建立计算模型、能量收集模型和隐私熵模型,得到目标优化函数,最终可以求解得到卸载决策向量,提高了无线能量供应的适应性和对隐私的保护强度。
Description
技术领域
本公开实施例涉及数据处理技术领域,尤其涉及一种移动计算卸载方法、***及存储介质。
背景技术
目前,随着信息化进程的加快,在某些特定场景中需要对人员的状态信息进行实时监测和跟踪,为了更好地满足移动计算的需求,移动边缘计算成为了移动云计算支持的移动体系的有效补充和完善。然而,传统的移动云计算方式依赖于硬件的电力供给,且物联网设备的卸载策略与无线信道功率增益高度相关,只要物联网设备和边缘服务器之间的无线信道条件良好,设备就会将尽可能多的计算任务卸载给服务器,从而导致用户的隐私容易泄露。
可见,亟需一种适应性和安全性强的移动计算卸载方法。
发明内容
有鉴于此,本公开实施例提供一种移动计算卸载方法、***及存储介质,至少部分解决现有技术中存在适应性和安全性较差的问题。
第一方面,本公开实施例提供了一种移动计算卸载方法,包括:
在目标时间片开始时,收集边缘服务器和每个保健物联网设备的实时信息,其中,所述边缘服务器的实时信息包括每个所述物联网设备与所述边缘服务器之间的无线信道功率增益,所述物联网设备的实时信息包括所述物联网设备产生的计算任务大小和所述物联网设备从射频能量源接收到的无线能量;
根据所述边缘服务器的实时信息和每个所述物联网设备的实时信息构建本地计算模型、边缘计算模型、能量收集模型和隐私熵模型;
根据所述本地计算模型、所述边缘计算模型、所述能量收集模型和所述隐私熵模型,构建目标函数;
最大化所述目标函数,求解所述目标时间片内的任务卸载策略。
根据本公开实施例的一种具体实现方式,所述无线信道功率增益遵循具有状态集和转移概率的马尔可夫模型。
根据本公开实施例的一种具体实现方式,所述本地计算模型为其中,表示物联网设备i的本地计算能力,k为取决于芯片架构的有效开关电容,Di(t)为所述物联网设备从射频能量源接收到的无线能量,ai(t)表示所述物联网设备i在所述目标时间片t的任务卸载策略,ci表示计算1bit任务所需要的计算资源。
根据本公开实施例的一种具体实现方式,所述边缘计算模型为其中,表示物联网设备i在t时间片生成的任务在本地处理的时间延迟,表示传输时延,表示边缘服务器计算时延,表示物联网设备相应的传输能耗,表示物联网设备i相应的空闲能耗。
根据本公开实施例的一种具体实现方式,所述能量收集模型为其中,v为能量转换效率,为传输的能量强度,路劲损坏指数,G表示射频能量发射器天线和物联网设备天线的组合增益,di(t)为物联网设备i与射频能量发射器的距离。
根据本公开实施例的一种具体实现方式,所述隐私熵模型中熵值公式为
根据本公开实施例的一种具体实现方式,所述目标函数为
根据本公开实施例的一种具体实现方式,所述最大化所述目标函数,求解所述目标时间片内的任务卸载策略的步骤,包括:
利用深度强化学习方法对所述目标函数进行求解,获得所述目标时间片内的卸载决策向量;
根据所述卸载决策向量生成所述任务卸载策略。
第二方面,本公开实施例还提供了一种移动计算卸载***,应用于如上述公开实施例所述的移动计算卸载方法,所述移动计算卸载***包括:
边缘服务器;
多个所述物联网设备,全部所述物联网设备均与所述边缘服务器通讯连接。
第三方面,本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的移动计算卸载方法。
第四方面,本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述第一方面或第一方面的任一实现方式中的移动计算卸载方法。
本公开实施例中的移动计算卸载方案,包括:在目标时间片开始时,收集边缘服务器和每个保健物联网设备的实时信息,其中,所述边缘服务器的实时信息包括每个所述物联网设备与所述边缘服务器之间的无线信道功率增益,所述物联网设备的实时信息包括所述物联网设备产生的计算任务大小和所述物联网设备从射频能量源接收到的无线能量;根据所述边缘服务器的实时信息和每个所述物联网设备的实时信息构建本地计算模型、边缘计算模型、能量收集模型和隐私熵模型;根据所述本地计算模型、所述边缘计算模型、所述能量收集模型和所述隐私熵模型,构建目标函数;最大化所述目标函数,求解所述目标时间片内的任务卸载策略。
本公开实施例的有益效果为:通过本公开的方案,收集物联网设备以及边缘服务器的实时信息,建立计算模型、能量收集模型和隐私熵模型,得到目标优化函数,最终可以求解得到卸载决策向量,提高了无线能量供应的适应性和对隐私的保护强度。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种移动计算卸载方法的流程示意图;
图2为本公开实施例提供的一种移动计算卸载方法的部分流程示意图;
图3为本公开实施例提供的一种移动计算卸载***的结构示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,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公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开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,在没有背离本公开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,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
目前,随着信息化进程的加快,在某些特定场景中需要对人员的状态信息进行实时监测和跟踪,为了更好地满足移动计算的需求,移动边缘计算成为了移动云计算支持的移动体系的有效补充和完善。然而,传统的移动云计算方式依赖于硬件的电力供给,这些物联网设备将被植入用户体内或佩戴在用户的身体表面,这使得通过有线充电的方式给它们充电变得不切实际。因此,绿色能量收集技术被认为是一种有前途的技术,它可以延长物联网设备的电池寿命,并为用户提供更高的服务质量体验。但是,从自然环境中获取的绿色能量在很大程度上取决于相应能源的稳定性。绿色能量收集技术很难保证能源供应的质量和可靠性,这对需要实时监测和分析数据的数据管理***有很大影响。
且物联网设备的卸载策略与无线信道功率增益高度相关,只要物联网设备和边缘服务器之间的无线信道条件良好,设备就会将尽可能多的计算任务卸载给服务器,无线信道功率增益与物联网设备和边缘服务器之间的距离高度相关。因此,攻击者可以通过监视诚实但好奇的边缘服务器接收的卸载任务的大小来推断无线信道信息,以揭示用户的位置隐私,从而导致用户的隐私容易泄露。
本公开实施例提供一种移动计算卸载方法,所述方法可以应用于医疗***场景的用户健康状态监测过程中。
参见图1,为本公开实施例提供的一种移动计算卸载方法的流程示意图。如图1所示,所述方法主要包括以下步骤:
S101,在目标时间片开始时,收集边缘服务器和每个保健物联网设备的实时信息,其中,所述边缘服务器的实时信息包括每个所述物联网设备与所述边缘服务器之间的无线信道功率增益,所述物联网设备的实时信息包括所述物联网设备产生的计算任务大小和所述物联网设备从射频能量源接收到的无线能量;
具体实施时,当每个程序运行时,会为该程序分配对应的运行时段,将运行时段作为所述目标时间片,然后在所述目标时间片开始的时刻,收集所述边缘服务器和每个所述保健物联网设备的运行状态,例如,分析每个所述物联网设备与所述边缘服务器之间的无线信道功率增益,以形成所述边缘服务器的实时信息,分析所述物联网设备产生的计算任务大小和所述物联网设备从射频能量源接收到的无线能量,以形成所述物联网设备的实时信息。
可选的,所述无线信道功率增益遵循具有状态集和转移概率的马尔可夫模型。
例如,在所述目标时间片t开始时,获得所述边缘服务器和所述物联网设备i之间的无线信道增益hi(t),我们假设物联网设备和边缘服务之间的无线信道增益h遵循具有状态集和转移概率的马尔可夫模型,其中,同时,在所述目标时间片t开始时,获得物联网设备i产生的计算任务Zi(t)=(Di(t),ci),其中,Di(t)表示在所述目标时间片t到达物联网设备i的计算任务数据量大小,ci表示计算1bit任务所需要的计算资源。以及,在所述目标时间片t开始时,获得物联网设备i从射频能量源中接收到的无线能量bi(t)。
S102,根据所述边缘服务器的实时信息和每个所述物联网设备的实时信息构建本地计算模型、边缘计算模型、能量收集模型和隐私熵模型;
具体的,在获取到所述边缘服务器的实时信息和每个所述物联网设备的实时信息后,可以根据所述边缘服务器的实时信息和每个所述物联网设备的实时信息构建本地计算模型、边缘计算模型、能量收集模型和隐私熵模型,其中,所述本地计算模型可以用于计算所述物联网设备在本地计算任务的相应能耗,所述边缘计算模型可以计算所述边缘服务器和全部所述物联网设备的总执行延迟和总能量消耗,所述能量收集模型可以用于计算每个所述物联网设备在时隙中获取的无线能量,从而可以得到转化供所述物联网设备使用的电能能量的多少,以及,所述隐私熵模型可以用于计算每个所述物联网设备上的计算任务的混乱程度,从而可以对所述隐私熵模型进行定义和调整以达到对用户信息的加密。
S103,根据所述本地计算模型、所述边缘计算模型、所述能量收集模型和所述隐私熵模型,构建目标函数;
具体实施时,所述本地计算模型、所述边缘计算模型、所述能量收集模型和所述隐私熵模型存在对于的表达式,可以将所述本地计算模型、所述边缘计算模型、所述能量收集模型和所述隐私熵模型的表达式进行联立,构建所述目标函数。
具体的,所述目标函数为
S104,最大化所述目标函数,求解所述目标时间片内的任务卸载策略。
具体实施时,在得到所述目标函数时,可以将所述目标函数最大化求解,从而得到所述目标时间片内的任务卸载策略,根据所述任务卸载策略对每个所述物联网设备进行计算卸载,以提高设备的使用寿命和客户信息的加密保护。
本实施例提供的移动计算卸载方法,通过物联网设备以及边缘服务器的实时信息,建立计算模型、能量收集模型和隐私熵模型,得到目标优化函数,最终可以求解得到卸载决策向量。
在上述实施例的基础上,所述本地计算模型为
其中,表示物联网设备i的本地计算能力,k为取决于芯片架构的有效开关电容,Di(t)为所述物联网设备从射频能量源接收到的无线能量,ai(t)表示所述物联网设备i在所述目标时间片t的任务卸载策略,ci表示计算1bit任务所需要的计算资源。
具体实施时,所述物联网设备自身具有一定的计算能力,计算任务可以在所述物联网设备本地进行处理。任务在本地计算过程的处理时间只考虑计算时间,不考虑传输时间。因此所述物联网设备i在所述目标时间片t生成的任务在本地处理的时间延迟为:
那么,物联网设备i在本地计算任务的相应能耗即所述本地计算模型可以计算为:
其中,每个计算周期的能耗定义为ε=kf2,k是取决于芯片架构的有效开关电容。
可选的,所述边缘计算模型为
具体实施时,考虑到物联网设备计算资源的不足,计算任务无法全部在所述本地计算模型上进行处理,有部分任务需要卸载到边缘计算模型上进行处理。任务卸载到边缘服务器上的处理时间包括本地任务的上传传输时间和边缘服务器的计算时间,由于任务返回结果的数据量很小,因此任务结果的下载传输时间不进行考虑。所述物联网设备i在时间片t产生的任务卸载到所述边缘服务器上处理的时间延迟定义为:其中,传输时延可计算为:物联网设备相应的传输能耗可计算为:其中,pi为物联网设备i的传输功率。
然后综合本地计算和卸载计算,可以把***的总执行延迟和总能量消耗即所述边缘计算模型用以下公式表示:
具体实施时,通过配备射频能量采集器,所述物联网设备可以从专用的射频能量源中收集射频信号,并将其转换为电能存储到电池中,每一个能量采集模块的充电和放电过程都是可以同时进行的。射频能量收集过程被建模为连续的能量包到达,而且不同时间片的能量到达服从独立同分布。可以通过所述能量收集模型计算所述目标时间片内能收集的电能。
可选的,所述隐私熵模型中熵值公式为
具体实施时,考虑到需要充分考虑所述物联网设备的任务卸载决策对消费者位置隐私泄露的可能,需要先定义关于所述物联网设备卸载策略调度的隐私度量即隐私熵。通常用信息熵来描述一个事件混乱程度的大小,不难发现,在隐私熵模型中,隐私熵的值越大,计算任务的混乱程度就越大,用户将越安全,用户的位置隐私将被保护得更好。
具体的,表示设定的所述物联网设备和所述边缘服务器间信道好坏判断阈值,当时,便认为它们之间的信道条件良好,此时,所述物联网设备倾向于将所有的任务卸载到所述边缘服务器。表示设定的所述物联网设备从射频能量发射器中收集到的能量大小判断阈值,当时,便认为所述物联网设备获得的能量充足,所述物联网设备和射频能量发射器间的信道条件良好。为了保护位置隐私,所述物联网设备需要在良好的信道条件下故意降低卸载速率,在不良的信道条件下提高卸载速率。卸载频率偏离初始卸载频率越大,隐私熵就越大,目标用户位置隐私被锁定的风险就越低。
在上述实施例的基础上,如图2所示,步骤S104所述的,最大化所述目标函数,求解所述目标时间片内的任务卸载策略,包括:
S201,利用深度强化学习方法对所述目标函数进行求解,获得所述目标时间片内的卸载决策向量;
S202,根据所述卸载决策向量生成所述任务卸载策略。
在得到所述卸载决策向量后,可以根据所述卸载决策向量生成所述任务卸载策略,同时,生成所述任务卸载策略后,设备或***可以自动执行所述任务卸载策略,或者讲所述任务卸载策略发送至操作人员,由操作人员选择执行。
与上面的方法实施例相对应,参见图3,本公开实施例还提供了一种对应上述实施例的移动计算卸载***30,所述***包括:
边缘服务器301;
多个所述物联网设备302,全部所述物联网设备302均与所述边缘服务器301通讯连接。
具体实施时,所述物联网设备用于监测用户的状态信息,所述边缘服务器用于卸载所述物联网设备的计算任务,在目标时间片内可以根据全部所述物联网设备302与所述边缘服务器301的连接关系采集所述边缘服务器的实时信息和每个所述物联网设备的实时信息,并据此构建本地计算模型、边缘计算模型、能量收集模型和隐私熵模型,然后根据所述本地计算模型、所述边缘计算模型、所述能量收集模型和所述隐私熵模型,构建目标函数并求解得到任务卸载策略。
本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述方法实施例中的移动计算卸载方法。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述方法实施例中的移动计算卸载方法。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备可以执行上述方法实施例的相关步骤。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备可以执行上述方法实施例的相关步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种移动计算卸载方法,其特征在于,包括:
在目标时间片开始时,收集边缘服务器和每个保健物联网设备的实时信息,其中,所述边缘服务器的实时信息包括每个所述物联网设备与所述边缘服务器之间的无线信道功率增益,所述物联网设备的实时信息包括所述物联网设备产生的计算任务大小和所述物联网设备从射频能量源接收到的无线能量;
根据所述边缘服务器的实时信息和每个所述物联网设备的实时信息构建本地计算模型、边缘计算模型、能量收集模型和隐私熵模型;
根据所述本地计算模型、所述边缘计算模型、所述能量收集模型和所述隐私熵模型,构建目标函数;
最大化所述目标函数,求解所述目标时间片内的任务卸载策略。
2.根据权利要求1所述的方法,其特征在于,所述无线信道功率增益遵循具有状态集和转移概率的马尔可夫模型。
8.根据权利要求1所述的方法,其特征在于,所述最大化所述目标函数,求解所述目标时间片内的任务卸载策略的步骤,包括:
利用深度强化学习方法对所述目标函数进行求解,获得所述目标时间片内的卸载决策向量;
根据所述卸载决策向量生成所述任务卸载策略。
9.一种移动计算卸载***,其特征在于,所述***应用于权利要求1至8中任一项所述的移动计算卸载方法,包括:
边缘服务器;
多个所述物联网设备,全部所述物联网设备均与所述边缘服务器通讯连接。
10.一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述权利要求1-8中任一项所述的移动计算卸载方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110960298.0A CN113626107B (zh) | 2021-08-20 | 2021-08-20 | 移动计算卸载方法、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110960298.0A CN113626107B (zh) | 2021-08-20 | 2021-08-20 | 移动计算卸载方法、***及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113626107A true CN113626107A (zh) | 2021-11-09 |
CN113626107B CN113626107B (zh) | 2024-03-26 |
Family
ID=78386915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110960298.0A Active CN113626107B (zh) | 2021-08-20 | 2021-08-20 | 移动计算卸载方法、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113626107B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108415763A (zh) * | 2018-02-11 | 2018-08-17 | 中南大学 | 一种边缘计算***的分配方法 |
CN109460295A (zh) * | 2018-10-19 | 2019-03-12 | 中南大学 | 一种基于多用户竞争行为模型的边缘计算性能优化方法 |
CN109710336A (zh) * | 2019-01-11 | 2019-05-03 | 中南林业科技大学 | 联合能量和延迟优化的移动边缘计算任务调度方法 |
CN109767117A (zh) * | 2019-01-11 | 2019-05-17 | 中南林业科技大学 | 移动边缘计算中联合任务调度的功率分配方法 |
CN109829332A (zh) * | 2019-01-03 | 2019-05-31 | 武汉理工大学 | 一种基于能量收集技术的联合计算卸载方法及装置 |
CN109947551A (zh) * | 2019-03-19 | 2019-06-28 | 中南大学 | 一种多轮次任务分配方法、边缘计算***及其存储介质 |
CN110856259A (zh) * | 2019-11-12 | 2020-02-28 | 郑州轻工业学院 | 移动边缘计算环境中自适应数据块大小的资源分配和卸载方法 |
CN111399933A (zh) * | 2020-02-11 | 2020-07-10 | 福建师范大学 | 一种边缘-云混合计算环境下的dnn任务卸载方法及终端 |
CN111552564A (zh) * | 2020-04-23 | 2020-08-18 | 中南大学 | 基于边缘缓存的任务卸载与资源优化的方法 |
CN111641681A (zh) * | 2020-05-11 | 2020-09-08 | 国家电网有限公司 | 基于边缘计算和深度强化学习的物联网服务卸载决策方法 |
CN111787509A (zh) * | 2020-07-14 | 2020-10-16 | 中南大学 | 边缘计算中基于强化学习的无人机任务卸载方法及*** |
CN112104494A (zh) * | 2020-09-09 | 2020-12-18 | 南京信息工程大学 | 基于空地协同边缘计算网络的任务安全卸载策略确定方法 |
CN112512018A (zh) * | 2020-07-24 | 2021-03-16 | 北京航空航天大学 | 一种基于移动边缘计算的协作车辆间任务动态卸载方法 |
CN112749010A (zh) * | 2020-12-31 | 2021-05-04 | 中南大学 | 融合推荐***的边缘计算任务分配方法 |
CN112911587A (zh) * | 2021-01-26 | 2021-06-04 | 南京邮电大学 | Mec-d2d环境下利用物理层安全防窃听任务卸载方法 |
-
2021
- 2021-08-20 CN CN202110960298.0A patent/CN113626107B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108415763A (zh) * | 2018-02-11 | 2018-08-17 | 中南大学 | 一种边缘计算***的分配方法 |
CN109460295A (zh) * | 2018-10-19 | 2019-03-12 | 中南大学 | 一种基于多用户竞争行为模型的边缘计算性能优化方法 |
CN109829332A (zh) * | 2019-01-03 | 2019-05-31 | 武汉理工大学 | 一种基于能量收集技术的联合计算卸载方法及装置 |
CN109710336A (zh) * | 2019-01-11 | 2019-05-03 | 中南林业科技大学 | 联合能量和延迟优化的移动边缘计算任务调度方法 |
CN109767117A (zh) * | 2019-01-11 | 2019-05-17 | 中南林业科技大学 | 移动边缘计算中联合任务调度的功率分配方法 |
CN109947551A (zh) * | 2019-03-19 | 2019-06-28 | 中南大学 | 一种多轮次任务分配方法、边缘计算***及其存储介质 |
CN110856259A (zh) * | 2019-11-12 | 2020-02-28 | 郑州轻工业学院 | 移动边缘计算环境中自适应数据块大小的资源分配和卸载方法 |
CN111399933A (zh) * | 2020-02-11 | 2020-07-10 | 福建师范大学 | 一种边缘-云混合计算环境下的dnn任务卸载方法及终端 |
CN111552564A (zh) * | 2020-04-23 | 2020-08-18 | 中南大学 | 基于边缘缓存的任务卸载与资源优化的方法 |
CN111641681A (zh) * | 2020-05-11 | 2020-09-08 | 国家电网有限公司 | 基于边缘计算和深度强化学习的物联网服务卸载决策方法 |
CN111787509A (zh) * | 2020-07-14 | 2020-10-16 | 中南大学 | 边缘计算中基于强化学习的无人机任务卸载方法及*** |
CN112512018A (zh) * | 2020-07-24 | 2021-03-16 | 北京航空航天大学 | 一种基于移动边缘计算的协作车辆间任务动态卸载方法 |
CN112104494A (zh) * | 2020-09-09 | 2020-12-18 | 南京信息工程大学 | 基于空地协同边缘计算网络的任务安全卸载策略确定方法 |
CN112749010A (zh) * | 2020-12-31 | 2021-05-04 | 中南大学 | 融合推荐***的边缘计算任务分配方法 |
CN112911587A (zh) * | 2021-01-26 | 2021-06-04 | 南京邮电大学 | Mec-d2d环境下利用物理层安全防窃听任务卸载方法 |
Non-Patent Citations (1)
Title |
---|
HASNAIN ALI ALMASHHADANI 等: "An Edge-Computing Based Task-Unloading Technique with Privacy Protection for Internet of Connected Vehicles", 《 WIRELESS PERSONAL COMMUNICATIONS 》, vol. 127, 3 July 2021 (2021-07-03), pages 1787 * |
Also Published As
Publication number | Publication date |
---|---|
CN113626107B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Samie et al. | Computation offloading and resource allocation for low-power IoT edge devices | |
Zhao et al. | A mobility-aware cross-edge computation offloading framework for partitionable applications | |
CN109829332B (zh) | 一种基于能量收集技术的联合计算卸载方法及装置 | |
CN112512063B (zh) | 基于射频能量收集的无人机协助边缘计算的资源分配方法 | |
CN110839075A (zh) | 边缘计算环境下基于粒子群的服务迁移方法 | |
Shi et al. | Toward energy-efficient federated learning over 5G+ mobile devices | |
JP2017530570A (ja) | ネットワークノードによるrfエネルギーハーベスティング | |
CN113156992B (zh) | 面向边缘环境下无人机的三层架构协同优化方法 | |
CN110650487B (zh) | 基于数据隐私保护的物联网边缘计算配置方法 | |
CN113286329B (zh) | 基于移动边缘计算的通信和计算资源联合优化方法 | |
CN113377447A (zh) | 一种基于李雅普诺夫优化的多用户计算卸载方法 | |
CN113727362B (zh) | 一种基于深度强化学习的无线供电***的卸载策略方法 | |
CN112383931A (zh) | 一种多用户移动边缘计算***中最优化成本和时延方法 | |
CN112416603A (zh) | 一种基于雾计算的联合优化***和方法 | |
Zheng et al. | Age-based utility maximization for wireless powered networks: A stackelberg game approach | |
Wang et al. | Power-minimization computing resource allocation in mobile cloud-radio access network | |
CN115175347A (zh) | 一种无线携能通信网络资源分配优化方法 | |
CN113626107A (zh) | 移动计算卸载方法、***及存储介质 | |
Tang et al. | Minimal throughput maximization of UAV-enabled wireless powered communication network in cuboid building perimeter scenario | |
CN111294886B (zh) | 一种基于无线能量驱动的移动边缘计算方法及装置 | |
CN116385857A (zh) | 一种基于ai智能调度的算力分配方法 | |
Sun et al. | Semantic-driven computation offloading and resource allocation for uav-assisted monitoring system in vehicular networks | |
CN113423115B (zh) | 一种基于边缘计算的能量协作与任务卸载优化方法 | |
CN117114113B (zh) | 一种基于排队论的协同推理加速方法 | |
CN114302373B (zh) | 一种基于计算可靠性的v2v通信中的卸载决策和功率分配方法 |
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 |