边缘计算的物联网深度学习及任务卸载调度策略

为解决物联网深度学习模型的网络性能和隐私问题,提出一种边缘计算的物联网深度学习应用及任务卸载策略,以优化网络性能,保护数据上传中的用户隐私。深度学习的多层结构适用于边缘计算,边缘节点上传缩减的中间数据,因此减少了从物联网设备到云服务器的网络流量。考虑到边缘节点有限的服务能力,提出一种边缘计算环境中最大化任务数量的卸载调度策略,优化边缘计算的物联网深度应用性能。实验结果表明,该策略能够在边缘计算环境中执行多个深度学习任务,并且性能优于其他物联网深度学习优化解决方案。

多核服务器边缘计算系统中任务卸载调度和功率分配的研究

在单用户多核服务器的移动边缘计算系统中,对多个独立计算任务的卸载调度策略和功率分配问题进行了研究。首先,基于混合流水车间调度模型对系统任务的卸载调度进行了建模,获得了系统时延的计算表达式,并在此基础上对系统能耗进行了建模;其次,利用混合编码方式的遗传算法,对系统时延和能耗的加权和最小化问题进行了求解,确定了最优的任务卸载调度策略和系统时延与能耗间的权衡关系。通过仿真分析,获得了最优的任务卸载甘特图;揭示了系统时延随任务数量线性增长;与随机任务卸载策略相比,同样条件下,文中所提出的卸载策略具有较小的系统时延;同时,可得到系统能耗和系统时延成反比的关系,在不增加系统时延的条件下找到了有效的节能方式。

基于模拟退火的多核多用户任务卸载调度

针对传统的集中式网络架构存在链路负载过重、时延较长的问题,将服务器下放至靠近用户端的移动边缘计算概念孕育而生。在移动边缘计算系统中,任务卸载调度策略的好坏影响到系统时延和用户体验,因此任务卸载调度问题依旧是移动边缘计算领域中的研究热点。在移动边缘计算的多用户多核系统中,该文对用户的多个独立任务的调度策略与功率分配进行了研究。为了降低任务卸载时延,首先利用混合流水车间模型对任务卸载调度策略进行了建模,获得了系统时延的表达式,其次利用模拟退火算法对系统时延与能耗的加权和最小化的问题进行了求解,获得了最优的任务卸载甘特图。与随机任务卸载调度策略相比,所提的卸载策略可以有效降低系统时延。最后通过权重的变化,找到一个合适的权重,在不增加时延的情况下,实现了能耗的节约。