一种联合时延和能耗的依赖性任务卸载方法

边缘计算通过在靠近用户的网络边缘侧部署计算和存储资源,使用户可将高延迟、高耗能应用程序卸载到网络边缘侧执行,从而降低应用延迟和本地能耗.已有的卸载研究通常假设卸载的任务之间相互独立,且边缘服务器缓存有执行任务所需的所有服务.然而,在真实场景中,任务之间往往存在依赖关系,且边缘服务器因其有限的存储资源只能缓存有限的服务.为此,提出一种在边缘服务器计算资源和服务缓存有限的约束下,权衡时延和能耗(即成本)的依赖性任务卸载方法.首先,松弛研究问题中的约束将其转换为凸优化问题;采用凸优化工具求最优解,并用解计算卸载任务的优先级.然后,按照优先级将任务卸载到成本最小的边缘服务器,若多个依赖任务卸载到不同的边缘服务器,为了使总成本最小,则采用改进粒子群算法求解边缘服务器的最佳传输功率.最后,为了验证所提方法的有效性,基于真实数据集进行了充分的实验.实验结果表明,所提方法与其他方法相比能够降低总成本8%~23%.

Mort:面向实时数据分发和传输优化的依赖性任务卸载框架

在边缘协同计算中,单一设备已无法满足大量复杂任务对系统高计算能力和低时延的需求,通常需要将任务卸载到邻近具有丰富计算存储资源的边缘服务器上,同时,通过发布订阅模式构建统一的通信协议,支撑任务对数据共享和隐私保护的需求.在发布订阅系统中,任务往往具有依赖性、执行周期性和高频率数据分发等特性,而传统的任务卸载算法主要针对数据单次传输和任务单次执行的场景,无法有效应对发布订阅系统中的任务卸载问题.因此,设计一个任务卸载及管理框架Mort.该框架使用基于静态代码分析的任务分解方法解构任务之间的依赖性,支撑任务并行;采用基于非线性整数规划建模和基于分组及资源融合的卸载算法,优化网络数据传输;采用基于协程的调度模型调度卸载后的任务,减少任务调度开销.大量的仿真实验和真实场景实验表明,Mort的数据传输优化能达到最优解的80%~90%,且引入的系统开销仅约为2%.

云边协同中低延迟和低能耗的依赖性任务计算卸载分析

本文以云边协同系统中的计算卸载技术作为主要研究对象,先对云边协同系统的总体能力与内涵进行详细阐述,然后再对其框架的构建方式、与其相匹配的智能调控算法进行研究和分析。目的是为相关从业者的研究与创新工作提供一定的借鉴与参考,尽可能降低该技术的时间延迟与能量消耗,从而推动我国云边协同系统与计算卸载技术的进一步发展。

依赖性任务V2V协同卸载方案

针对车载边缘计算郊区道路场景中不同类型的依赖性任务卸载问题,采用联合郊区服务器和附近车辆计算资源的方法,设计了一种依赖性任务车—车(vehicle to vehicle,V2V)协同卸载方案,该方案考虑了郊区服务器部署、车辆计算能力异质性、计算任务依赖性、车辆移动性等特点,以最小化平均计算时延为目标,构建了多种依赖关系的任务模型。实验结果表明,所提方案相比于传统方案,能更好地降低平均计算时延和卸载失败率。

知识多样性及任务依赖性对团队绩效的影响

医生团队模式是在线健康咨询平台的一个新兴模式,借助信息技术,可以为患者提供更及时、更全面的咨询服务,对于合理匹配医生患者并促进分级诊疗有重要作用。运用团队绩效研究中的理论模型"投入-过程-输出"(Input-Process-Output,IPO)研究了虚拟医生团队成员间的知识多样性、任务依赖性如何影响团队绩效,并检验了团队成员的互动过程接触频率如何调节知识多样性、任务依赖性与医生团队绩效的关系。通过网络爬虫共收集了好大夫网站上连续8个月的面板数据,并使用面板负二项回归随机效应模型验证假设。实证结果显示,知识多样性和任务依赖性都显著正向影响团队绩效,接触频率负向调节任务依赖性对团队绩效的影响。研究结论拓宽了虚拟团队的理论应用,也为在线健康咨询领域提供了组建高效医生团队的实践指导。

基于深度确定性策略梯度的服务器可靠性任务卸载策略

随着智能移动设备的普及,新一代移动应用如人脸识别、虚拟现实等逐渐兴起,但移动设备因计算能力和电池容量有限,无法支持这类计算需求高且延迟敏感的应用。因此,移动边缘计算被提出以解决该问题。然而,在MEC环境中,边缘服务器可靠性较低,若发生设备故障会导致已有的卸载决策失效,使得应用程序响应时间增加,用户体验感降低。针对边缘服务器可能发生故障的问题,同时考虑到深度确定性策略梯度算法通过网络拟合策略函数,可以较好地应对高维动作空间的问题,提出了基于深度确定性策略梯度的服务器可靠性任务卸载策略。首先,通过复制子任务进行二次卸载的方式来降低应用执行的失败率;其次,将服务器可靠性约束下最小化应用时延的任务卸载和资源分配问题建模为马尔可夫决策过程;最后,利用基于深度确定性策略梯度的算法来求解任务卸载策略。仿真结果表明,SRTO-DDPG策略能有效地与环境交互并获得最优卸载决策,其性能优于本地执行策略,且相比基于DDPG的单卸载地点任务卸载策略,所提策略在可靠性约束下能实现低约26.16%的总延迟,能够更好地适应多服务器场景中边缘服务器的可靠性问题。

基于延迟接受的多用户任务卸载策略

随着人工智能的应用对计算资源的要求越来越高,移动设备由于计算能力和存储能量有限而无法处理这类有实时性需求的计算密集型应用。移动边缘计算(Mobile Edge Computing,MEC)可以在无线网络边缘提供计算卸载服务,达到缩短时延和节约能源的目的。针对多用户依赖任务卸载问题,在综合考虑时延与能耗的基础上建立用户依赖任务模型,提出了基于延迟接受的多用户任务卸载策略(Multi-User Task Offloading Based on Delayed Acceptance,MUTODA),用于解决时延约束下最小化能耗的任务卸载问题。该策略通过非支配的单用户最优卸载策略和解决资源竞争的调整策略两个步骤的不断迭代,来解决多用户任务卸载问题。实验结果表明,相比基准策略和启发式策略,基于延迟接受的多用户任务卸载策略能够提高约8%的用户满意度,节约30%~50%的移动终端能耗。

人力资本、社会资本与心理资本对工作绩效的影响——总效应、效应差异及调节因素

人力资本、社会资本与心理资本先后被认为是提高雇员工作绩效和增强组织竞争优势的积极力量。但现有研究并未在整合框架内探讨它们对工作绩效的总效应、效应差异和调节因素。通过对221个组织雇员的实证研究发现,人力资本、社会资本与心理资本之间具有中低度正相关关系,三者均对任务绩效与周边绩效有显著正向影响,总效应(R2)分别为0.229和0.577,但心理资本影响力最强,社会资本次之,人力资本最弱。在复杂多变的任务不确定环境下,心理资本、人力资本对任务绩效的积极作用更加明显,且以心理资本的作用变化最大,社会资本的积极作用则受到削弱。没有发现任务依赖性在三类资本对周边绩效影响中具有调节作用。最后探讨了研究结果并提出了管理与研究建议。

基于SNA的工程项目进度管理研究——以上海D项目为例

为了在工程进度管理中充分考虑项目动态性和系统性的特征,引入社会网络分析(SNA)依据原有进度计划中的任务逻辑关系量化工程任务的依赖性和影响能力,分析各任务负责专业间的相互依赖关系。通过一个工程实例运用SNA分析将各专业依据依赖性和影响能力的高度分为四类,并对相关专业的沟通协调需求进行了分析。针对各任务和专业属性的不同,提出了相对应的进度管理及其组织措施,并依据专业间三种不同依赖方式,提出了不同的协调措施。

员工建言对职场排斥的影响研究——基于社会比较理论的视角

基于社会比较理论,员工提出建言行为将会增加其成为同事妒忌目标的可能性,进而招致同事的排斥,即被妒忌在员工建言行为与职场排斥之间起到了中介作用;团队竞争氛围正向调节员工建言行为与被同事妒忌之间的关系;团队任务依赖性负向调节被妒忌和职场排斥之间的关系。为了检验这一观点,通过以上司-下属配对的方式,对来自92个团队的269名员工进行问卷调查,所有假设均得到了数据的支持。

孤芳自赏还是乐于助人?员工自恋对亲社会行为的影响

本研究通过整合自恋双元理论和特质激活理论,探讨欣赏型自恋、敌对型自恋对员工亲社会行为的影响机制,深入分析了员工关系趋近型动机和关系回避型动机的中介作用以及任务相互依赖性的调节作用。通过对来自员工-同事二阶段配对的235份数据进行分析,结果发现:欣赏型自恋对员工亲社会行为具有显著的正向影响,敌对型自恋对员工亲社会行为具有显著的负向影响;关系趋近型动机在欣赏型自恋与员工亲社会行为之间发挥着中介作用,关系回避型动机在敌对型自恋与员工亲社会行为之间没有发挥中介作用;任务相互依赖性不仅正向调节欣赏型自恋与员工关系趋近型动机的直接效应,而且还正向调节着欣赏型自恋通过关系趋近型动机对亲社会行为的间接效应。

自主创新的管理挑战:基于中国制药工业的研究

自主创新的重要性几乎人人皆知,但自主创新与追随创新究竟有何不同,对管理究竟会带来何种挑战,至今还没有学者对此进行深入研究。本文以制药工业案例为研究对象,对自主创新(创制药物研发)和追随创新(仿制药物研发)的本质差异和衍生差异进行了系统考察,并为中国制药工业适应这些差异及挑战提出了相应的建议。

研发团队中领导者对知识分享的重要作用

研发团队通过知识分享和创新来维持组织的核心竞争力,作为研发团队核心人物的领导者可以通过建立团队信任,提高团队任务的依赖型和其它一些具体的方式来促进研发团队的知识分享,构建一种学习和合作的团队氛围。

学习型组织影响因素整合研究

本研究通过问卷调研的方式,在组织水平上探讨了内部环境特征、组织特征、领导特征以及任务特征等四方面因素对组织学习的整合作用。研究发现,学习导向的组织目标,强调相互依赖的任务特征、支持性的内部环境与领导,能显著促进组织学习。本研究结果能够为企业构建学习型组织提供系统的、行之有效的行动指南。