CN116017570A - 一种基于区块链的边缘计算***资源管理方法 - Google Patents
一种基于区块链的边缘计算***资源管理方法 Download PDFInfo
- Publication number
- CN116017570A CN116017570A CN202211461587.7A CN202211461587A CN116017570A CN 116017570 A CN116017570 A CN 116017570A CN 202211461587 A CN202211461587 A CN 202211461587A CN 116017570 A CN116017570 A CN 116017570A
- Authority
- CN
- China
- Prior art keywords
- task
- terminal equipment
- network controller
- information
- computing
- 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.)
- Pending
Links
- 238000007726 management method Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 90
- 230000008569 process Effects 0.000 claims abstract description 60
- 238000013468 resource allocation Methods 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims description 29
- 230000005540 biological transmission Effects 0.000 claims description 18
- 238000005265 energy consumption Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 230000002787 reinforcement Effects 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于区块链的边缘计算***资源管理方法,包括网络控制器感知当前终端设备任务信息以及***当前无线环境信息;同时网络控制器感知边缘服务器和云服务器的计算资源信息;通过无线连接将相关信息从相应的设备上传到网络控制器;将当前任务信息以及***当前无线环境信息输入到部署于网络控制器中的已训练完毕的优化模型当中,计算基于当前状态下的终端设备发射功率控制、终端设备任务卸载决策,以及任务的计算过程和区块链的共识过程所要使用的计算资源分配情况,并传递到各计算实体执行;本发明利用任务卸载和计算资源分配算法以极低的时间复杂度联合优化了任务的卸载和资源的分配,提升了***的执行效率,提高了用户体验。
Description
技术领域
本发明涉及区块链和边缘计算技术领域,具体涉及到一种基于区块链的边缘计算***资源管理方法。
背景技术
随着物联网和移动互联网技术的日渐成熟,人脸识别、图像处理、自动驾驶等计算密集型应用迅速兴起,传统的云计算不仅占用了较大的带宽资源,而且已经无法满足当前各类应用的低时延要求,因此移动边缘计算(Mobile Edge Computing,MEC)应运而生。
移动边缘计算可利用无线接入网络就近向各类移动终端用户提供所需要的服务以及云端计算功能。用户可以根据自身需求将部分或全部的计算任务卸载到边缘计算服务器进行处理,从而可以为用户提供超低时延的解决方案。与传统的基于云计算的物联网架构相比,边缘计算解决了云计算在服务中产生的通信时延长、传输流量大等问题。然而,边缘计算作为分布式环境下的数据存取,这也让边缘设备的软硬件规格变得复杂,而且终端设备的计算和存储能力有限,难以负载高算力的安全算法,网络安全性问题亟需解决。
区块链具有分布式存储数据、点对点传输、非对称加密、共识机制、智能合约等一系列特点,是一种全新的分布式基础架构,便于数据存储和溯源,可以保证分布式环境下全网数据的一致性,为网络中的数据安全提供保障。区块链技术可以通过与边缘计算结合建立安全可信的网络环境,为用户提供更高质量的服务。
现有的任务卸载决策以及资源分配的方案忽略了联合优化任务的计算时延以及区块链的共识时延,未能将区块链与边缘计算有机地结合在一起。同时,现有方案对于边缘服务器未能给区块链共识的计算过程动态分配计算资源。以上不足极大地限制了任务卸载决策以及资源分配的性能。
发明内容
(一)要解决的技术问题
本发明为克服上述现有技术的不足,面向基于移动边缘计算的区块链***的任务,综合考虑***结构中任务数据量以及网络传输速率等因素,来确定任务卸载决策以及资源分配策略,将本发明继承到边缘服务器层的网络控制器部署模组与资源配置模组,结合网络状态感知采集模组,实现任务卸载决策以及资源分配策略的动态优化,在考虑实用性的基础上,加速神经网络训练过程以及优化过程,提高用户体验。
(二)技术方案
为解决上述技术问题,本发明提出了一种基于区块链的边缘计算***资源管理方法,包括以下步骤:
S1:网络控制器感知当前终端设备任务信息以及***当前无线环境信息;同时网络控制器感知边缘服务器和云服务器的计算资源信息;通过无线连接将相关信息从相应的设备上传到网络控制器;
S2:将步骤S1中所述当前任务信息以及***当前无线环境信息输入到部署于网络控制器中的已训练完毕的优化模型当中,计算基于当前状态下的终端设备发射功率控制、终端设备任务卸载决策,以及任务的计算过程和区块链的共识过程所要使用的计算资源分配情况;
S3:提取步骤S2中得到的终端设备任务卸载决策信息,如果该信息表明任务在本地执行,网络控制器通过无线连接向终端设备发送相应的任务卸载决策指令,终端设备直接在本地执行任务;
S4:提取步骤S2中得到的终端设备任务卸载决策信息,如果该信息表明任务在边缘服务器或云服务器执行,则除了任务计算过程之外,同时还要通过部署于边缘服务器的区块链***执行共识过程对该任务进行认证;网络控制器通过无线连接向终端设备发送相应的任务卸载决策指令以及发射功率控制指令,终端设备按照相应的发射功率将任务传输到边缘服务器,并加入区块链执行共识过程;若任务在边缘服务器执行,则在任务计算过程与区块链共识过程全部结束之后,将结果回传给终端设备;若任务在云服务器执行,则需要进一步通过有线链路将任务从边缘服务器传输到云服务器来处理任务。若任务在边缘服务器执行,网络控制器通过无线连接向边缘服务器发送计算资源分配指令;若任务在云服务器执行,网络控制器通过有线链路向云服务器发送计算资源分配指令;通过上述指令控制并行执行任务的计算过程与区块链的共识过程;
进一步的,所述步骤S1具体为:
本方法网络架构的特征为,令表示边缘服务器(基站)集合, 其中一个基站在中,第i个边缘服务器(基站)覆盖Ni个终端设备,表示第i个基站下的终端设备集合,其中一个终端设备另外,在边缘层放置一台网络控制器,负责控制整个方法的运行。
将算法部署在一台网络控制器上进行工作,网络控制器感知当前终端设备任务信息以及***当前无线环境信息,其中,任务特征由任务的计算量以及数据量构成,令cij表示每一台终端设备产生的任务的计算量,令sij表示每一台终端设备产生的任务的数据量,当前无线环境特征由终端设备到基站的信道增益构成,令gij表示终端设备ij到其对应的基站的信道增益,同时,网络控制器感知边缘服务器和云服务器的计算资源信息,令和Fc分别为第i个边缘服务器以及云服务器的计算资源上界。
在工作过程当中,网络控制器将通过无线连接,将上述信息从相应的设备上传到网络控制器上。
进一步的,所述步骤S2具体为:
将步骤S1中获取到的当前的任务数据量s以及当前的终端设备与基站之间的信道增益g输入到部署于网络控制器上的已经训练完毕的优化模型当中,计算资源管理指令。
首先,设计一种快速的数值方法,求得当前状态下的终端设备发射功率控制指令,将发射功率控制指令从其他优化变量中分离出来其中,pij为终端设备ij所分配的发射功率。可以发现本方法的优化目标总时延随发射功率的增加而单调减小,因此可以通过增加发射功率,使得终端设备能耗达到能耗约束的方式,获得发射功率控制指令。
本方法中任务调度的特征为,关于终端设备任务卸载决策,令αij=1表示任务ij被卸载到边缘服务器执行,否则,αij=0;同样,βij=1表示任务ij被卸载到云服务器执行,否则,βij=0;显然,1-αij-βij=1表示任务ij在本地执行,同时,关于任务计算过程和区块链共识过程所用的计算资源分配情况,令和分别为第i个边缘服务器给区块链共识过程以及任务ij的计算过程分配的计算资源, 令为云服务器给任务ij的计算过程分配的计算资源, 上述优化变量本方法基于深度强化学习技术设计优化算法,建立马尔可夫决策过程,其中,本方法的状态空间设置为b={s,g},动作空间设置为a={α,β,fblock,fe,fc}。最终,根据算法输出,得到优化结果。
进一步的,所述步骤S3具体为:
提取步骤S2中获得的卸载决策信息,若该信息表明任务在本地执行,网络控制器通过无线连接向终端设备发送任务卸载决策指令α和β,按照本步骤所述方式执行指令,并直接将结果回传给用户。
进一步的,所述步骤S4具体为:
提取步骤S2中获得的卸载决策信息,若该信息表明任务在边缘服务器或云服务器执行,网络控制器通过无线连接向终端设备发送任务卸载决策指令和发射功率控制指令α、β以及p,通过无线连接向边缘服务器发送计算资源分配指令fblock和fe,或通过有线链路向云服务器发送计算资源分配指令fc,并按照本步骤所述方式执行指令,在任务计算过程与区块链共识过程全部结束之后,将结果回传给用户。将相应的指令执行结束之后,获得总时延,即任务的计算时延以及区块链共识时延的较大者与任务的传输时延之和,公式为:
(三)有益效果
本发明采用以上技术方案与现有技术相比,具有以下有益效果:
1.在做任务卸载决策和资源分配时,通过对实际场景的分析,联合优化了任务计算时延以及区块链共识时延,使得该技术更具有实用性;
2.在做任务卸载决策和资源分配时,构建了马尔可夫决策过程,基于深度强化学习技术,通过神经网络求解复杂优化问题,更具实用性;
3.通过解析优化目标结构,将原问题分解成两个子问题进行求解,使得深度强化学习的学习难度大大降低,大幅提高计算速度。
附图说明
图1是实施例的***模型的示意图;
图2是任务卸载决策与资源分配的训练过程的示意图;
图3是任务卸载决策与资源分配的应用过程的示意图;
图4是随着有线传输速率的增加,本方案与其他方案的奖励对比示意图;
图5是随着任务数据量的增加,本方案与其他方案的奖励对比示意图;
图6是随着带宽的增加,本方案与其他方案的奖励对比示意图。
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,但并不用来限制本发明的范围。
本发明提出了一种边缘计算***与区块链***相互结合的任务调度方法,实施例包括以下步骤:
步骤一:网络控制器感知当前终端设备任务信息以及***当前无线环境信息;同时网络控制器感知边缘服务器和云服务器的计算资源信息;通过无线连接将相关信息从相应的设备上传到网络控制器;
步骤二:根将步骤一中所述当前任务信息以及***当前无线环境信息输入到部署于网络控制器中的已训练完毕的优化模型当中,计算基于当前状态下的终端设备发射功率控制、终端设备任务卸载决策,以及任务的计算过程和区块链的共识过程所要使用的计算资源分配情况;
步骤三:提取步骤二中得到的终端设备任务卸载决策信息,如果该信息表明任务在本地执行,网络控制器通过无线连接向终端设备发送相应的任务卸载决策指令,终端设备直接在本地执行任务;
步骤四:提取步骤二中得到的终端设备任务卸载决策信息,如果该信息表明任务在边缘服务器或云服务器执行,则除了任务计算过程之外,还要通过部署于边缘服务器的区块链并行执行共识过程,从而增加安全性以及可信性;网络控制器通过无线连接向终端设备发送相应的任务卸载决策指令以及发射功率控制指令,终端设备按照相应的发射功率将任务传输到边缘服务器,并加入区块链执行共识过程;若任务在边缘服务器执行,则在任务计算过程与区块链共识过程全部结束之后,将结果回传给终端设备;若任务在云服务器执行,则需要进一步通过有线链路将任务从边缘服务器传输到云服务器来处理任务。若任务在边缘服务器执行,网络控制器通过无线连接向边缘服务器发送计算资源分配指令;若任务在云服务器执行,网络控制器通过有线链路向云服务器发送计算资源分配指令;通过上述指令控制并行执行任务的计算过程与区块链的共识过程;
进一步的,所述步骤一包括:
本方法网络架构的特征为,令表示边缘服务器(基站)集合, 其中一个基站在中,第i个边缘服务器(基站)覆盖Ni个终端设备,表示第i个基站下的终端设备集合,其中一个终端设备另外,在边缘层放置一台网络控制器,负责控制整个方法的运行。
将算法部署在一台网络控制器上进行工作,网络控制器感知当前终端设备任务信息以及***当前无线环境信息,其中,任务特征由任务的计算量以及数据量构成,令cij表示每一台终端设备产生的任务的计算量,令sij表示每一台终端设备产生的任务的数据量,当前无线环境特征由终端设备到基站的信道增益构成,令gij表示终端设备ij到其对应的基站的信道增益,同时,网络控制器感知边缘服务器和云服务器的计算资源信息,令和Fc分别为第i个边缘服务器以及云服务器的计算资源上界。
在工作过程当中,网络控制器将通过无线连接,将上述信息从相应的设备上传到网络控制器上。
进一步的,所述步骤二包括:
将步骤一中获取到的当前的任务数据量s以及当前的终端设备与基站之间的信道增益g输入到部署于网络控制器上的已经训练完毕的优化模型当中,计算资源管理指令。
其中,为终端设备到基站的无线传输速率,为终端设备到基站的无线传输过程的传输能耗,W为带宽,为噪声功率,χ为信道间干扰。可以发现,由于传输功率随发射功率的增加而单调减小,本方法的优化目标总时延随发射功率的增加而单调减小,因此可以通过增加发射功率,使得终端设备能耗达到能耗约束的方式,获得发射功率控制指令。
本方法中任务调度的特征为,关于终端设备任务卸载决策,令αij=1表示任务ij被卸载到边缘服务器执行,否则,αij=0;同样,βij=1表示任务ij被卸载到云服务器执行,否则,βij=0;显然,1-αij-βij=1表示任务ij在本地执行,同时,关于任务计算过程和区块链共识过程所用的计算资源分配情况,令和分别为第i个边缘服务器给区块链共识过程以及任务ij的计算过程分配的计算资源, 令为云服务器给任务ij的计算过程分配的计算资源, 上述优化变量本方法基于深度强化学习技术设计优化算法,建立马尔可夫决策过程,其中,本方法的状态空间设置为b={s,g},动作空间设置为a={α,β,fblock,fe,fc}。最终,根据算法输出,得到优化结果。
进一步的,所述步骤三包括:
提取步骤二中获得的卸载决策信息,若该信息表明任务在本地执行,网络控制器通过无线连接向终端设备发送任务卸载决策指令α和β,并按照本步骤所述方式执行指令,并直接将结果回传给用户。
在本地执行的过程当中,计算时延为:
进一步的,所述步骤四包括:
提取步骤二中获得的卸载决策信息,若该信息表明任务在边缘服务器或云服务器执行,网络控制器通过无线连接向终端设备发送任务卸载决策指令和发射功率控制指令α、β以及p,通过无线连接向边缘服务器发送计算资源分配指令fblock和fe,或通过有线链路向云服务器发送计算资源分配指令fc,并按照本步骤所述方式执行指令,在任务计算过程与区块链共识过程全部结束之后,将结果回传给用户。
其中,在边缘服务器执行的过程当中,计算时延为:
在云服务器执行的过程当中,计算时延为:
同时,在云服务器执行时,从终端设备到基站以及从基站到云服务器的有线传输时延之和为:
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (5)
1.一种基于区块链的边缘计算***资源管理方法,其特征在于,包括以下步骤:
S1:网络控制器感知当前终端设备任务信息以及***当前无线环境信息;同时网络控制器感知边缘服务器和云服务器的计算资源信息;通过无线连接将相关信息从相应的设备上传到网络控制器;
S2:将步骤S1中所述当前任务信息以及***当前无线环境信息输入到部署于网络控制器中的已训练完毕的优化模型当中,计算基于当前状态下的终端设备发射功率控制、终端设备任务卸载决策,以及任务的计算过程和区块链的共识过程所要使用的计算资源分配情况;
S3:提取步骤S2中得到的终端设备任务卸载决策信息,如果该信息表明任务在本地执行,网络控制器通过无线连接向终端设备发送相应的任务卸载决策指令,终端设备直接在本地执行任务;
S4:提取步骤S2中得到的终端设备任务卸载决策信息,如果该信息表明任务在边缘服务器或云服务器执行,则除了任务计算过程之外,同时还要通过部署于边缘服务器的区块链***执行共识过程对该任务进行认证;网络控制器通过无线连接向终端设备发送相应的任务卸载决策指令以及发射功率控制指令,终端设备按照相应的发射功率将任务传输到边缘服务器,并加入区块链执行共识过程;若任务在边缘服务器执行,则在任务计算过程与区块链共识过程全部结束之后,将结果回传给终端设备;若任务在云服务器执行,则需要进一步通过有线链路将任务从边缘服务器传输到云服务器来处理任务。若任务在边缘服务器执行,网络控制器通过无线连接向边缘服务器发送计算资源分配指令;若任务在云服务器执行,网络控制器通过有线链路向云服务器发送计算资源分配指令;通过上述指令控制并行执行任务的计算过程与区块链的共识过程。
2.根据权利要求1所述的一种基于区块链的边缘计算***资源管理方法,其特征在于,所述步骤S1包括:本方法网络架构的特征为,令表示边缘服务器(基站)集合,其中一个基站在中,第i个边缘服务器(基站)覆盖Ni个终端设备,表示第i个基站下的终端设备集合,其中一个终端设备另外,在边缘层放置一台网络控制器,负责控制整个方法的运行。
将算法部署在一台网络控制器上进行工作,网络控制器感知当前终端设备任务信息以及***当前无线环境信息,其中,任务特征由任务的计算量以及数据量构成,令cij表示每一台终端设备产生的任务的计算量,令sij表示每一台终端设备产生的任务的数据量,当前无线环境特征由终端设备到基站的信道增益构成,令gij表示终端设备ij到其对应的基站的信道增益,同时,网络控制器感知边缘服务器和云服务器的计算资源信息,令和Fc分别为第i个边缘服务器以及云服务器的计算资源上界。
在工作过程当中,网络控制器将通过无线连接,将上述信息从相应的设备上传到网络控制器上。
3.根据权利要求1所述的一种基于区块链的边缘计算***资源管理方法,其特征在于,所述步骤S2包括:将步骤S1中获取到的当前的任务数据量s以及当前的终端设备与基站之间的信道增益g输入到部署于网络控制器上的已经训练完毕的优化模型当中,计算资源管理指令。
首先,设计一种快速的数值方法,求得当前状态下的终端设备发射功率控制指令,将发射功率控制指令从其他优化变量中分离出来,其中,pij为终端设备ij所分配的发射功率。本方法的优化目标总时延随发射功率的增加而单调减小,因此可以通过增加发射功率,使得终端设备能耗达到能耗约束的方式,获得发射功率控制指令。
本方法中任务调度的特征为,关于终端设备任务卸载决策,令αij=1表示任务ij被卸载到边缘服务器执行,否则,αij=0;同样,βij=1表示任务ij被卸载到云服务器执行,否则,βij=0;显然,1-αij-βij=1表示任务ij在本地执行,同时,关于任务计算过程和区块链共识过程所用的计算资源分配情况,令fi block和分别为第i个边缘服务器给区块链共识过程以及任务ij的计算过程分配的计算资源, 令为云服务器给任务ij的计算过程分配的计算资源, 上述优化变量本方法基于深度强化学习技术设计优化算法,建立马尔可夫决策过程,其中,本方法的状态空间设置为b={s,g},动作空间设置为a={α,β,fblock,fe,fc}。最终,根据算法输出,得到优化结果。
4.根据权利要求1所述的一种基于区块链的边缘计算***资源管理方法,其特征在于,所述步骤S3包括:提取步骤S2中获得的卸载决策信息,若该信息表明任务在本地执行,网络控制器通过无线连接向终端设备发送任务卸载决策指令α和β,按照权利要求1中步骤S3所述方式执行指令,并直接将结果回传给用户。
5.根据权利要求1所述的一种基于区块链的边缘计算***资源管理方法,其特征在于,所述步骤S4包括:提取步骤S2中获得的卸载决策信息,若该信息表明任务在边缘服务器或云服务器执行,网络控制器通过无线连接向终端设备发送任务卸载决策指令和发射功率控制指令α、β以及p,通过无线连接向边缘服务器发送计算资源分配指令fblock和fe,或通过有线链路向云服务器发送计算资源分配指令fc,并按照权利要求1中步骤S4所述方式执行指令,在任务计算过程与区块链共识过程全部结束之后,将结果回传给用户。将相应的指令执行结束之后,获得总时延,即任务的计算时延以及区块链共识时延的较大者与任务的传输时延之和,公式为:
其中,为任务ij的总处理时延,为任务ij的传输时延(如果任务ij在终端设备执行,则该值为0),为任务ij的计算时延,为第i个基站的区块链共识时延。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211461587.7A CN116017570A (zh) | 2022-11-17 | 2022-11-17 | 一种基于区块链的边缘计算***资源管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211461587.7A CN116017570A (zh) | 2022-11-17 | 2022-11-17 | 一种基于区块链的边缘计算***资源管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116017570A true CN116017570A (zh) | 2023-04-25 |
Family
ID=86023753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211461587.7A Pending CN116017570A (zh) | 2022-11-17 | 2022-11-17 | 一种基于区块链的边缘计算***资源管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116017570A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116599966A (zh) * | 2023-05-09 | 2023-08-15 | 天津大学 | 基于区块链共享的边缘云服务并行资源分配方法 |
-
2022
- 2022-11-17 CN CN202211461587.7A patent/CN116017570A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116599966A (zh) * | 2023-05-09 | 2023-08-15 | 天津大学 | 基于区块链共享的边缘云服务并行资源分配方法 |
CN116599966B (zh) * | 2023-05-09 | 2024-05-24 | 天津大学 | 基于区块链共享的边缘云服务并行资源分配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Computation offloading for mobile edge computing: A deep learning approach | |
Sun et al. | Autonomous resource slicing for virtualized vehicular networks with D2D communications based on deep reinforcement learning | |
CN111431941B (zh) | 一种基于移动边缘计算的实时视频码率自适应方法 | |
CN110941667A (zh) | 一种移动边缘计算网络中的计算卸载方法及*** | |
CN109151864B (zh) | 一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法 | |
CN111641681A (zh) | 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 | |
Hou et al. | Joint allocation of wireless resource and computing capability in MEC-enabled vehicular network | |
Wang et al. | Unified offloading decision making and resource allocation in ME-RAN | |
CN114189892A (zh) | 一种基于区块链和集体强化学习的云边协同物联网***资源分配方法 | |
Ku et al. | Adaptive computation partitioning and offloading in real-time sustainable vehicular edge computing | |
US11968122B2 (en) | Joint optimization method and system for delay and spectrum occupation in cloud-edge collaborative network | |
Ren et al. | Collaborative edge computing and caching with deep reinforcement learning decision agents | |
CN113573363B (zh) | 基于深度强化学习的mec计算卸载与资源分配方法 | |
Sanguanpuak et al. | Radio resource sharing and edge caching with latency constraint for local 5G operator: Geometric programming meets Stackelberg game | |
CN111526526B (zh) | 基于服务混搭的移动边缘计算中的任务卸载方法 | |
Zhao et al. | Load scheduling for distributed edge computing: A communication-computation tradeoff | |
CN112866006A (zh) | 一种基于时延能耗权衡的云雾融合网络多目标任务卸载方法 | |
CN113645637A (zh) | 超密集网络任务卸载方法、装置、计算机设备和存储介质 | |
Liao et al. | Robust task offloading for IoT fog computing under information asymmetry and information uncertainty | |
CN116017570A (zh) | 一种基于区块链的边缘计算***资源管理方法 | |
KR102562732B1 (ko) | Mec 기반 무선 네트워크의 태스크 오프로딩 장치 및 방법 | |
Wang et al. | Energy conserved computation offloading for O-RAN based IoT systems | |
Merluzzi et al. | Energy-efficient classification at the wireless edge with reliability guarantees | |
Li | Optimization of task offloading problem based on simulated annealing algorithm in MEC | |
CN116560832A (zh) | 面向联邦学习的资源分配方法以及相关设备 |
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 |