高效的计算卸载服务工作流移动边界计算的移动应用程序

文摘

边缘计算已经成为一种很有前途的解决方案来克服用户设备(UE)约束等低计算能力和有限的能量。关键优势较低的计算挑战提供计算服务服务交通拥堵和低延迟,但边缘服务器的计算资源是有限的。用户任务随机性和网络资源有限MEC系统的不均匀性带来了相当大的挑战。解决这些问题,提出了一个阻塞,delay-aware调度策略MEC环境服务工作流卸载。首先,工作流建模在移动应用程序和缓冲区队列服务器。然后,服务器协作区域划分通过协作区域划分方法基于聚类。最后,利用一种改进的粒子群优化调度方法解决这个np难的问题。许多仿真结果验证了该方案的有效性。这种方法优于现有的方法,有效地减少了阻塞概率和执行延迟,确保用户的体验的质量。

1。介绍

近年来,移动互联网的快速发展和用户设备的扩散1,2)导致了更多的新的移动应用,如人脸识别,增强现实(3),和移动网络游戏出现。这些服务需要更多的计算资源由于密集的计算。然而,移动设备缺乏计算资源,内存和电池容量。这些应用程序通常超过普通移动设备的计算能力。移动设备可能无法完成计算密集型任务在当前延迟的限制。然而,云计算已经救出了移动应用程序,在某种程度上,通过高的资源需求,同时提供计算能力和简单的集中式架构,帮助运行这些应用程序与影响力的规模经济。然而,5 G时代具有超高带宽和超低延迟(4]意味着云计算往往不符合严格的对延迟敏感的应用程序需求由于不可预知的网络延迟和昂贵的带宽5]。解决这些限制,利用计算资源在网络边缘已被建议作为一个解决方案,和移动边缘计算最近被利用作为一种新的计算模式。旨在减少延迟和计算能力转移到网络边缘,移动边缘计算可以有效地减轻任务传输延迟由于其用户接近,并且可以提供有效的计算服务。作为一个有前途的解决方案在移动边缘计算系统中,用户将需要大量的计算资源的任务在移动设备到服务器连接到基站边缘为执行(6,电池容量有限的无线设备通过MEC可以缓解一些任务,能够极大地减少延误和延长电池寿命7]。物联网也在边缘环境中一个非常重要的解决方案。智能城市的概念是在(8]。

针对任务卸载移动边缘具有延迟约束环境,一个最小化延迟的优化算法,将任务严格延迟边界与松云边缘和卸载任务延迟边界到远程云(9]。任务分配在物联网由卸载解决计算密集型任务到云服务器,实现实时监控(10]。任务卸载问题的多用户共享资源在移动优势环境,研制了相应的联合优化问题优化算法来最小化用户任务完成时间(11]。一些作者利用工作流卸载软件定义网络表达的问题是一个np难问题,提出了一个工作流任务卸载方案,有效地减少了任务执行时间(12]。任务卸载的问题正如系统研究[13]。研究了多用户单服务器系统在14- - - - - -18]。

通过这些文档,每个服务器被发现在这些计划独立运行。然而,由于用户请求到达服务器随机和频繁,负载不平衡的问题是重要的19]。用户在大量的地区将不可避免地有一个糟糕的经历。这是一个巨大的挑战对mec有限的通信和计算资源。此外,服务工作流程和网络状态在边缘计算环境也是很重要的困难。服务工作流的动态重新配置方案在移动电子商务环境下提出了基于云计算的优势,这是更适合云边缘环境(20.]。培训资源分配策略,提出了基于强化学习(21]。战略动态生成一个适当的资源分配方案根据系统状态,以最大化服务的信任增加。提出了一种稀疏缓和推荐方法在22),达到一个更好的推荐用户选择更好的边缘服务器的性能模型。QoS的尝试使用神经网络技术预测所示(23),而基于网络的时间序列预测用户行为的周期性趋势(24]。VANET路由决策方案基于曼哈顿流动模型提出了获得更好的网络调度(25]。当边缘服务器组成集群,用户的QoS的质量仍然是一个重要的问题。负载均衡方案减少阻塞概率和任务等待时间为两个服务器提出了(26]。

一个有希望的解决方案是mec[之间的合作27]。部署的趋势边缘服务器,每个服务器通常有一些附近的邻居。同时,所有服务器很少过载。提出了一个智能监控系统来控制每个边缘服务器的负载状态(28]。MEC集群可以平衡工作负载在地理上分布的服务器通过卸载服务器有大量计算工作负载与小计算相邻服务器工作负载和协调它们之间为移动用户服务。为了满足用户需求,维护一个服务器之间的负载平衡是一个重要的问题。任务卸载mec之间不是简单的,和两个主要挑战明确如下:(1)MEC合作协作的问题区域划分如下:边缘服务器与小计算工作负载需要帮助服务器有大量计算工作负载;然而,这是不现实的两个服务器共享一个大延迟合作,这将导致执行延迟。划分区域的合作首先是必要的。一方面,合作区域可以捕获MEC不均匀性,加快网络稳定(29日]。另一方面,有效的协作区域划分有助于减少搜索空间的策略集。(2)MEC合作任务调度问题如下:这个问题是np难30.]。找到一个最优近似解的目标必须在很短的时间内获得。

应对这些挑战,阻塞,delay-aware战略服务提出了MEC环境中的工作流卸载。首先,移动应用程序和缓冲区大小的服务工作流边缘服务定义。然后,计算卸载问题是制定时考虑阻塞概率和执行延迟。最后,合作区域划分方法,提出了一种改进的免疫粒子群优化调度算法来解决这个问题。许多仿真结果验证了该方案的有效性。

提交论文的其他部分结构如下。部分2提出了MEC网络的系统模型。部分3提出了一种优化问题,介绍了解决方案和问题的优化算法。部分4根据仿真结果验证模型。部分5总结了纸和确定未来的发展方向。

2。系统模型和问题公式化

在本节中,一个工作流将框架介绍了MEC环境。图1表明,MEC的系统是由用户设备和边缘服务器配备基站。用户设备包括手机和笔记本电脑。一个用户设备执行应用程序,应用程序被建模为一个工作流。如果工作流需要大量的计算,这将是通过基站卸载到边缘服务器。工作流到达服务器分解成任务。该服务器将在本地执行工作流或重定向到其他服务器根据其负载状态。任务输入服务器缓冲队列根据先到先得的原则,由服务器或派遣到其他服务器。任务安排到其他服务器通过基站之间的有线网络传输并输入缓冲区的任务根据先到先服务的原则。当服务器完成了任务,任务所需的结果和必需的参数将被返回给用户的设备。MEC服务器合作完成任务以满足用户延迟和能源消费需求。 Also, the system time was divided into several identical time slotsτ= {1,2,…n}。

2.1。服务工作流模型

在MEC系统中,用户设备执行应用程序,应用程序被建模为一个工作流。工作流定义为用户提交的W= {T,E},T= {t₁,t₂,t₃、…t_n}表示任务设置在服务器l,t_我= {u_我,},u_我代表任务大小和所需的处理密度t_我代表任务之间的依赖关系,任务依赖关系需要按顺序执行。

工作流的任务执行队列,然后生成工作流进入边缘服务器缓冲队列。一个任务流定义为工作流调度的最小单位。在工作流任务之间的依赖关系和不同服务器之间传输的结果会导致不必要的开销。

2.2。MEC边缘服务器模型

MEC系统组成的服务器,服务器集群和形式N用户被认为是。每个服务器有一个基站(BS)连接到用户通过无线蜂窝链接。这是高度协作优势计算系统,每个服务器是通过有线网络连接。在每一个服务器有缓冲队列来存储来自本地用户的请求。每个缓冲区大小代表服务器接受任务的能力。为了简化问题,缓冲队列的大小在每个服务器被认为是相同的。工作流服务是基于“先来先得”的政策(先)和工作流,尚未将缓冲队列中等待执行。然后,服务器将继续接受任务。事实上,服务器容量是有限的。MEC工作流卸载时,它首先进入任务缓冲队列; then, the MEC server provided computing resources for it. It would be deleted from the buffer queue after the workflow was completed. The workflow would be executed directly if the CPU was idle; if the CPU was busy, the requested would store in the buffer queue. The task buffer queue has a maximum capacity问_j^马克斯。问_j(τ)提出了队列积压的未处理的工作流服务器-j在槽τ: 在哪里代表了我th等待缓冲区队列中的工作流程。

服务器的负载状态我被定义为l_我(τ)=问_j(τ)/问_j^马克斯在槽τ;如果l_我(τ)≥阈值,这被认为是一个服务器有大量计算工作负载和被形容为一个炎热的服务器。否则,它被定义为一个nonhot服务器。在城市地区,一些nonhot MEC服务器附近高的(31日]。在目前的方案,只有当缓冲超过服务器的阈值将服务器出售其工作流到其他服务器。论文提出的目标安排这些工作流超过阈值。服务器将不安排工作流外每台服务器的负载状态不超过阈值,因为任务的等待时间是可以接受的,这将引起不必要的开销。当负载状态超过阈值时,服务器将向外安排工作流来实现一个更小的任务等待延迟和减少阻塞的可能性。

当大量的工作流在一定时期内卸载到服务器,服务器的任务缓冲队列将继续增长。在槽缓冲队列的更新过程τ是如下: 在哪里一个_我(τ)表示的工作流通过本地用户卸载槽τ,B_我(τ)代表工作流由MEC服务器的数量我,x_我,我(τ)代表工作流从服务器-分配的数量我服务器-j在槽τ。当缓冲队列满是和工作流还到达,工作流将被阻塞,无法卸载。用户未能将会严重影响用户体验的质量(体验质量)。

此外,阻塞概率P_f定义如下: 在哪里N_f(τ)代表工作流,未能出售的数量N_所有(τ)代表工作流的数量。

2.3。计算延迟

在这个模型中,执行延迟表示当工作流到达服务器完成。主要结论传输延迟,延迟,等待计算延迟,和额外的时间由于阻塞,而忽略了时间下载来自服务器的计算结果。的基本原理是,相比与工作流之前计算,计算结果的大小通常是较小的。

假设一个工作流在槽生成τ工作流从服务器的传输时间我服务器-j是如下: 在哪里u_l任务的大小来表示和BW_我,我是服务器-之间的带宽我和服务器,j。

工作流在服务器——等待时间我是如下: 在哪里米工作流在缓冲队列的数量表示。

的计算时间t_k这在是如下: 在哪里f_我,k表示计算频率分配t_k服务器-我。MEC服务器部署提供更快的计算能力的问题。

成本是零,如果问题卸载工作流成功。如果它失败了,它将继续上传问题是可以接受的时间内 。卸载失败造成的额外的时间T_年代^失败是如下:

工作流的执行延迟是如下:

2.4。问题公式化

论文提出的优化目标是降低执行延迟,同时保证低任务阻塞的可能性。卸载失败成本较低的QoS和额外的开销由任务重传,复制,或调度。通过以上分析,本文涉及的联合封锁概率和任务延迟算法,同时满足低阻塞概率,从而减少执行延迟尽可能多。优化模型如下:

方程(9)是目标函数,米代表的数量需要协调和工作流α是上天的惩罚系数阻塞。方程(9)确保缓冲队列不会超过最大长度。方程(9)是一个约束将计算资源分配给用户。方程(9)给时间限制的任务失败。

3所示。该方案

在本节中,一个阻塞,delay-aware调度策略服务提出了MEC环境中的工作流卸载。该计划包括一个协作区域划分方法和一种改进的粒子群算法。图2显示每个时间片的流。首先,热服务器发送合作请求,然后合作领域划分的算法1。每个协作区域随机选择一个服务器作为领导者。领导者通过算法生成工作流调度决策2。

3.1。基于集群协作区域划分方法

区域分工合作是必要的,因为它可以提高资源利用率。MEC服务器将分组根据服务器的负载状态。有一个需求部门协作地区:邻近原则;MEC服务器的过载,只能借助于相邻服务器之间的传输速度高。

两个集群之间的距离如下: 在哪里米和n服务器的数量表示C_我和C_j和BW_{k, l}代表之间的带宽服务器- k和服务器,l。

该算法1开始初始化(1 - 2行),年代服务器的数量表示。问被定义为集群的数量(4号线),如果该值的问高于k最近的两个集群将搜索和合并。一些集群将被重新编号(line13-14),问将更新(16行)。最后,MEC服务器被分成k集群。

3.2。一种改进的粒子群优化算法框架

粒子群优化算法(PSO)是一种可靠的获得可行的解决方案从一个大搜索空间利用进化的原则。减少阻塞概率和执行延迟的问题是NP困难的。问题提出的目标是找到一个最优近似解。为了解决这个问题,免疫粒子群文中针对算法(IPSOA)提出。

3.2.1之上。粒子和粒子适应度函数进行编码

协作卸载问题,合作将从事的任务超过了服务器负载阈值。需要安排在槽的工作流τ如下:

的解决方案是定义为一个粒子群X= {X₁,X₂、…X_种子},种子粒子群的数量表示。每个粒子X_我可以表示为一个n维元组{x_我,1,x_我2,x_我3、…x_我,h}。工作流和服务器之间的关系被定义为映射关系。和x_我,我= 5,表示j -th工作流将被重定向到边缘server-5,我粒子群的数量。每个粒子都关联到一个位置x_我,我和一个速度_j。的价值x_我,我和_j被限制在区间[x_最小值,x_马克斯]和[ , ]。随机初始化方法用于生成初始粒子。每个粒子被认为是一个解决方案在目前的计划。G_最好的和P_最好的被定义为全球最佳粒子和个人最佳粒子,分别。

适应度函数是一个重要的基础测量粒子的位置。在本文中,阻塞概率和工作流的执行延迟,超过了服务器负载阈值作为健身的价值计算被利用。粒子适应度的计算方法如下: 在哪里X是粒子的矩阵。T(X粒子的执行延迟,P_f(X)代表了粒子阻塞概率α是上天的惩罚系数阻塞。

3.2.2。粒子更新

IPSO的框架中,每个粒子走向G_最好的和P_最好的。速度和这个职位x_我,我的粒子X由方程(更新13)。惯性权重,它将更新方程(13)和惯性权重的值被限制在区间[ ]。G_k代表的最大迭代数。r₁和r₂随机数是分布在区间[0,1]。c₁和c₂是个体认知分量和社会交流分量,分别。

3.2.3。免疫粒子群优化的策略

在标准粒子群算法中,添加免疫操作,操作和免疫的免疫算法帮助粒子很容易摆脱当地最优状态,从而确保工作流程的全球性解决方案的调度方案。在免疫算法,系统需要首先计算抗体浓度浓缩的(X_我^k)如下: 在哪里h+年代是原始的粒子+新生成的抗体和的大小老(X_我^k,X_j^k)是粒子的结果相似的决心: 等于off (X_我^k,X_j^k)代表和抗体之间的亲和ε阈值用来确定粒子之间的相似度,然后激励sim (X^k)计算如下:

最后,抗体筛选和安排根据激励程度降序排列,第一年代抗体选择进入下一个人口迭代最优响应范围内维持抗体的浓度。

3.2.4。免疫粒子群优化算法计算卸载

该算法2从一个初始化程序(2 - 3行),种子代表了粒子群的数量。对于每一个迭代,将首先被更新(第7行),然后这个职位吗x_我,我和速度粒子的更新(第10行)。在每个迭代中,个人最佳粒子和全球最佳粒子会更新如果找到更好的解决方案(12 - 15行)。免疫操作添加(16行)。完整的IPSO算法过程给出了算法2。

4所示。实验

在本节中,实现实验来验证的目的。我们的实验上实现工作站的核心AMD CPU和16 gb的RAM。工作站的操作系统是Windows10专业,使用和Python 3.7编程语言。此外,基本包NumPy和Tensorflow被用于我们的实验中,我们的实验数据获得的模拟。

4.1。实验装置

50个服务器被认为是一个资源有限的MEC系统。每个服务器的处理能力是一个服从泊松分布λ= 0.9。工作流任务的大小是假定服从泊松分布μ= 0.3,处理密度服从负指数分布所需的任务。模型中,每个服务器被认为具有相同的配置和同样大小的缓冲区队列。

在这篇文章中,三个方案被利用为基准。(1)没有合作卸载(NCO)。等待执行的任务将在本地服务器,和不存在合作在MEC服务器(32]。(2)随机工作流卸载(两)。通过MEC工作量卸载,MEC服务器合作。服务器的缓冲区达到阈值时,它随机选择MEC服务器处理的新任务33]。(3)贪婪的工作流卸载(拥有)。服务器的缓冲区达到阈值时,它会将最低负载MEC服务器(34]。

这三个方案选择研究,因为他们代表计划。具体来说,方案1禁止资源共享。MEC服务器与其他MEC服务器随机MEC服务器超载时方案2。在方案3中,它允许完整的共享资源,但是没有考虑执行时间。

三个主要性能指标被认为是评估这个方案:阻塞概率的服务工作流程,执行延迟,和能源消耗。

4.2。绩效评估

为了更好的模拟方案和显示MEC合作领域划分效果,比较每组实验进行实验。每组实验(1)显示实验结果没有协作区域和(2)的实验结果显示合作区域。

图3分析了缓冲区大小MEC服务器阻塞概率的影响。目前的方案取得了比其他人低阻塞概率。这是因为目前的计划占合作地区的多个服务器的情况,和热服务器将工作流nonhot服务器与方案2和3就不会发生,这样能获得阻塞概率较低。在合作区域划分图3 (b)阻塞概率通过我们的方法融合的阻塞概率获得通过方案3。原因是,当缓冲区大小很小,一些解决方案存在的边缘服务器将任务作为缓冲区的大小太小,接受所有的任务。当缓冲区的大小变得更大了,正如预期的那样,它可以有效地减少边缘服务器的阻塞概率,有更多的空间来接收服务请求。合作区域划分后,方案2和3有一个更好的解集空间。

的平均延时和不同的缓冲区大小四个不同方案如图4。方案1的阻塞概率,2和3是明显高于目前的计划。卸载失败的概率越高方案1是可以预见的。因为它是不共享的,任务的数量的增加会导致任务积累在缓冲。贪婪的计划和方案降低失败率。原因是这些计划被认为是合作与nonhot边缘服务器。所有计划,平均延时增加缓冲区大小。这个结果是因为请求的用户更可能是存储在服务器如果缓冲容量变得更大。此外,任务队列的长度更长。分组后,方案2、3,目前有延迟减少; when the collaboration area was divided, the delay between servers in the same area was small, which once again illustrated the effectiveness of the present collaboration area division method.

图5描述了阻塞概率和阈值相同的缓冲区大小。图5(一个)显示阻塞概率随着阈值的增加而减少。方案1块概率最高,因为它没有配合其他服务器;方案2和3在一定程度上减少了阻塞概率而不是目前的计划。目前的方案可以减少阻塞概率。合作领域划分后,方案2和3的阻塞概率已经减少。我们的计划总是获得较低的阻塞概率。

比较能源消耗,能源消耗的四个方案模拟和计算。图6展示了工作流的数量对能源消费的影响在不同的方案。图6还显示任务卸载能源消耗增加工作流的数量增加。这是因为更多的能量来计算成本和进度的工作流。相比之下,目前的方案可以维持较低的开销比甲,两,拥有它迭代过程中发现了一个更好的解决方案。

检查IPSO算法的性能和比较它与标准PSO算法,进行了实例计算,粒子的适应度值相同的工作流和粒子群的数量比较。图7显示了迭代的结果。修复(X)代表粒子的适应度值。IPSO可能收敛于全局最优几乎每次,收敛速度更快,而标准PSO算法可以在大约500个迭代寻找最优的结果,而IPSO算法约为400。与标准PSO算法相比,IPSO落入局部最优。这是因为免疫操作添加到改进的粒子群算法来帮助粒子摆脱局部最优状态。

5。结论

高效的服务工作流在移动应用程序卸载在边缘计算研究不可或缺的内容。摘要工作流缓冲队列和工作流执行延迟模型。设计一个基于集群分工协作区域,和免疫粒子群优化算法结合服务提出了工作流。在任务调度、任务阻塞和延迟是充分考虑并结合IPSO算法。该算法集成到免疫算法在粒子群算法,解决了缺陷,颗粒很容易陷入局部最优,确保解决方案的整体性。仿真实验结果表明,IPSO算法可以有效地减少执行延迟和阻塞概率。

数据可用性

模拟的数据和python代码可从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

工作支持下的浙江省自然科学基金批准号。LGG21F010005 LY19F020044),中国国家自然科学基金批准号下U20A20386,浙江键下研究和发展项目批准号2020 c01050,重点实验室基金一般项目批准号6142110190406。

引用

1. 答:布丁和尹,“智能手机交叉编译框架的多人在线游戏,”学报2010年的第二次国际会议上移动,混合,和在线学习它们Maarten,页87 - 92年,2010年2月。视图:出版商的网站|谷歌学术搜索
2. f·w·江,j . Wu,和郑h . g . Wang“信任评价在线社交网络使用广义网络流,”IEEE计算机,卷65,不。3、952 - 963年,2016页。视图:出版商的网站|谷歌学术搜索
3. 秦,c .蔡问:Wang y倪,h·朱,“游戏理论多用户计算卸载mobile-edge云计算”学报2019年IEEE会议多媒体信息处理和检索(MIPR),页328 - 332,2019年3月,美国圣何塞。视图:出版商的网站|谷歌学术搜索
4. t·塔勒布,a . Ksentini和r . Jantti”“什么作为服务“5 g移动系统,”IEEE网络,30卷,不。6,84 - 91年,2016页。视图:出版商的网站|谷歌学术搜索
5. h·高旷l ., y, b .郭和k .窦”挖掘消费行为与移动营销应用的个性化推荐,演化”移动网络和应用程序,25卷,不。4、1233 - 1248年,2020页。视图:出版商的网站|谷歌学术搜索
6. o . Osanaiye陈,z, r·卢K.-K。r . Choo, m . Dlodlo“从云到雾计算:审查和概念生活VM迁移框架,“IEEE访问5卷,第8300 - 8284页,2017年。视图:出版商的网站|谷歌学术搜索
7. 陈y, m, l, m . s .侯赛因和a . Ghoneim”节能任务缓存和卸载移动边计算,”IEEE访问》第六卷,第11373 - 11365页,2018年。视图:出版商的网站|谷歌学术搜索
8. g .贾·g·汉、h·拉奥和l .蜀”边缘computing-based智能城市、智能井盖管理系统”IEEE物联网,5卷,不。3、1648 - 1656年,2018页。视图:出版商的网站|谷歌学术搜索
9. 赵t, s .周、郭x和z妞妞,”。任务调度和资源分配的异构云delay-bounded移动边缘计算”通信学报2017年IEEE国际会议(ICC),页1 - 7,巴黎,法国,2017年5月。视图:出版商的网站|谷歌学术搜索
10. 韩g, g . j . Du, s . Chan“经前综合症:智能污染监测系统基于工业物联网健康城市,“IEEE网络,33卷,不。5,34-40,2019页。视图:出版商的网站|谷歌学术搜索
11. h .问:勒,h . Al-Shatri和a·克莱恩”有效的资源分配在mobile-edge计算卸载:完成时间最小化,”学报2017年IEEE国际研讨会信息理论(拜访)亚琛,页2513 - 2517年,德国,2017年6月。视图:出版商的网站|谷歌学术搜索
12. m·陈和y,”任务卸载移动计算超密度在软件定义网络边缘,”IEEE在选定地区通讯》杂志上,36卷,不。3、587 - 597年,2018页。视图:出版商的网站|谷歌学术搜索
13. g, g, a·李和j·杜,“SSL:智能路灯基于计算智能城市的雾,“IEEE工业信息,14卷,不。11日,第5004 - 4995页,2018年。视图:出版商的网站|谷歌学术搜索
14. 毛y, j . Zhang s h .歌曲,和k . b . Letaief“随机联合广播和多用户mobile-edge计算计算资源管理系统”IEEE无线通信,16卷,不。9日,第6009 - 5994页,2017年。视图:出版商的网站|谷歌学术搜索
15. 你,k黄、h·崔和b·h·金”mobile-edge计算卸载节能资源分配,”IEEE无线通信,16卷,不。3、1397 - 1411年,2017页。视图:出版商的网站|谷歌学术搜索
16. a . Al-Shuwaili o·西蒙尼,“节能资源分配为移动边缘computing-based增强现实应用中,“IEEE无线通信信》第六卷,没有。3、398 - 401年,2017页。视图:出版商的网站|谷歌学术搜索
17. Bi和y . j .,“计算率最大化无线供电mobile-edge计算二进制计算卸载,”IEEE无线通信,17卷,不。6,4177 - 4190年,2018页。视图:出版商的网站|谷歌学术搜索
18. s . Sardellitti g .斯库台湖,巴巴罗萨,”联合优化无线电和多单元的计算资源mobile-edge计算,”IEEE在网络信号和信息处理,1卷,不。2、89 - 103年,2015页。视图:出版商的网站|谷歌学术搜索
19. r . Beraldi a Mtibaa, h . Alnuweiri”合作计算资源负载平衡方案的优势学报2017年的第二次国际会议上雾和移动边界计算(FMEC)瓦伦西亚,页94 - 100年,西班牙,2017年5月。视图:出版商的网站|谷歌学术搜索
20. h·高、w·黄和y段,“cloud-edge-based动态重新配置的服务工作流为移动电子商务环境,”ACM网上交易技术,21卷,不。1,p。2021。视图:出版商的网站|谷歌学术搜索
21. 邓,z, p .赵et al .,“动态资源分配的边缘可信赖的物联网系统:强化学习方法,“IEEE工业信息,16卷,不。9日,第6113 - 6103页,2020年。视图:出版商的网站|谷歌学术搜索
22. 周x, s, m .曹”的方法来缓解的稀疏问题混合基于协同过滤的推荐:用户评论的产品属性的角度来看,“移动网络和应用程序,25卷,不。2、376 - 390年,2020页。视图:出版商的网站|谷歌学术搜索
23. 曹殷y, z, y, h .高,r·李和z麦”QoS服务推荐特性的预测学习在移动计算环境中,“IEEE认知通信和网络》第六卷,没有。4、1136 - 1145年,2020页。视图:出版商的网站|谷歌学术搜索
24. Shi t, t·朱j . Li z Cai, x周,“deadline-aware移动边缘计算系统中任务调度。”IEEE物联网》第六卷,没有。3、4854 - 4866年,2019页。视图:出版商的网站|谷歌学术搜索
25. h·高,c . Liu和杨x, y . Li”V2VR:可靠hybrid-network-oriented V2V数据传输和路由考虑限制和连接概率,”IEEE智能交通系统,2020年,页1 - 14。视图:出版商的网站|谷歌学术搜索
26. j . Oueis e·c·斯提纳地,巴巴罗萨,”雾平衡:小细胞云计算负载分配,”学报2015年IEEE 81车辆技术会议(职业训练局春天)英国格拉斯哥,页1 - 6,2015年5月。视图:出版商的网站|谷歌学术搜索
27. l·陈,美国周和j .徐”计算同行出售能源贫瘠的移动边界计算的小细胞网络,”IEEE / ACM交易网络,26卷,不。4、1619 - 1632年,2018页。视图:出版商的网站|谷歌学术搜索
28. g .贾y朱、g .汉s . Chan和l .蜀”STC):一个智能垃圾桶系统基于NB-IoT和边缘计算智能城市,“企业信息系统,14卷,不。9 - 10,1422 - 1438年,2020页。视图:出版商的网站|谷歌学术搜索
29. x律,c . Ren w .倪,h .田和r·p·刘“分布式优化协作地区大规模非齐次雾计算,”IEEE在选定地区通讯》杂志上,36卷,不。3、574 - 586年,2018页。视图:出版商的网站|谷歌学术搜索
30. r . j . Yu Buyya, c . k . Tham“基于成本效用电网调度的科学工作流应用程序,”诉讼的第一个国际会议项目和网格计算(e - science ' 05)澳大利亚,墨尔本,维克2005年7月。视图:出版商的网站|谷歌学术搜索
31. j . Ren g . Yu y Cai, y,他“延时优化资源分配的mobile-edge计算卸载,”IEEE无线通信,17卷,不。8,5506 - 5519年,2018页。视图:出版商的网站|谷歌学术搜索
32. d . x z . Liu Wang Wang y局域网,和j .侯”Mobility-aware任务卸载和迁移方案与移动边缘计算视交叉上核,”学报2019年IEEE无线通信和网络会议(WCNC)马拉喀什,页1 - 6,摩洛哥,2019年4月。视图:出版商的网站|谷歌学术搜索
33. f (s . Chen和w .邹,“贪婪算法任务卸载在移动计算系统边缘,”中国通信,15卷,不。11日,第157 - 149页,2018年。视图:出版商的网站|谷歌学术搜索
34. 江戴x, z小h . et al .,“车辆任务卸载通过heat-aware MEC合作使用博弈论的方法,”IEEE物联网,7卷,不。3、2038 - 2052年,2020页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021元热热et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。