任务迁移

摘要： 研究了基于星间链路的低轨卫星协作边缘计算任务迁移和资源分配问题,为偏远地区用户提供边缘计算服务.采用部分任务迁移机制,以地面用户加权总能耗最小化为目标建立优化问题,提出了一种低轨卫星协作边缘计算的任务迁移和资源分配算法,基于优化问题的非凸性,将其分解为任务迁移子问题和资源分配子问题,分别采用标准凸优化方法和拉格朗日对偶分解方法进行求解.仿真结果表明,该算法的收敛速度快;与本地计算和任务数据全部上传算法相比,本文所提出的算法可至少降低约74%的用户总能耗;与非协作卫星边缘计算相比,基于星间链路的低轨卫星协作边缘计算可至少降低约22%的用户总能耗,且星间链路的信道容量越大,用户总能耗越低.

摘要： 边缘计算作为云计算的补充,现已经被广泛应用于物联网中以解决一些实际问题。为了减少边缘设备中任务执行的时间,平衡边缘设备的负载,针对物联网场景下的边缘设备提出了一种任务迁移策略,旨在为边缘设备中的任务寻找合适的迁移目的地。根据提出的任务迁移模型改进蚁群算法,并利用改进的蚁群算法求解相关问题,获得最优的任务迁移结果。实验结果表明,改进后的蚁群算法能够有效地降低时延,降低边缘设备的负载。

摘要： 针对在任务卸载时由于设备的移动而导致任务迁移这一问题,将任务卸载过程建模为马尔科夫决策过程,并通过优化资源分配和任务卸载策略,解决基于联合时延和能耗的损耗函数最小的优化问题。首先将问题转化为最小化损耗函数之和,并在决策前对每个任务的传输功率采用二分法进行优化,然后基于获得的传输功率提出一种QLBA(Q-learning Based Algorithm)来完成卸载决策。仿真结果证实所提方案优于传统算法。

摘要： 教学要实现增效减负,需要教师更新教育理念,重视对学生学习能力和学习方法的培养,充分发挥学生的主观能动性,有技巧地开展课堂教学。不仅如此,教师还要在教学结构上做出全新统筹、规划,将课后作业任务迁移至在校时间,解放学生课后时间,用于其自主能力的提升。在减负的同时兼顾课堂增效,双管齐下地助力学生成绩的稳步成长。

摘要： 与传统边缘计算相比,移动边缘计算(Mobile Edge Computing,MEC)技术能更好地解决移动设备资源受限问题,因而备受关注。而移动场景的高动态性,又对MEC的任务调度能力提出了挑战。为了应对这种挑战,将人工智能技术与MEC技术相结合已经成为一种新的发展趋势。首先,介绍了MEC技术的发展背景,然后详细说明MEC中的任务迁移技术和研究现状,最后展望了MEC和人工智能技术融合的发展方向,并对结合了深度强化学习技术的MEC技术进行仿真。结果表明,结合了深度强化学习的MEC系统在服务时延以及系统容量性能上都有着较大提升。

摘要： 低地球轨道(Low Earth Orbit, LEO)卫星因具有传输时延短、部署成本低等优势,在对地观测、广域覆盖的通信中发挥重要作用。由于LEO卫星平台体积和重量限制,每个LEO卫星节点的功能相对单一,需要多种功能的LEO卫星节点间高效协同,形成功能分散、能力聚合的高性能卫星网络。这对网络的服务管理提出了一定的要求。针对遥感观测卫星向部署有移动边缘计算(Mobile Edge Computing, MEC)服务的LEO卫星星座迁移观测任务数据的协作场景,研究LEO卫星网络中基于软件定义网络的MEC服务管理模型,提出结合时间扩展图思想的跨时隙任务迁移优化方法。仿真结果表明该方法能有效地降低观测卫星处理任务的成本,并可为部署MEC服务器的LEO卫星网络提供管理模型。

摘要： 为解决飓风来临前路径不确定时输电线路随机故障等带来的难题,提出了适用于含云计算数据中心的电网韧性增强日前调度策略,并将其构建为两阶段风险规避的分布鲁棒优化问题.以飓风对输电线路的时空影响为出发点,采用蒙特卡洛模拟获得飓风路径不确定时线路的离散故障集合,并构建基于L1距离度量的分布鲁棒模糊集合.然后,在日前调度中,对机组和数据中心进行优化以平衡经济性和电网韧性,并采用追索问题量化其对日间调度的影响,形成两阶段优化问题.随后,对优化问题进行确定性转换与解耦求解.最后,以含4个数据中心的IEEE-RTS系统为测试算例,验证了所提韧性增强策略应对模糊不确定性的有效性.

摘要： 移动边缘计算(MEC)为计算密集型应用和资源受限的移动设备之间的冲突提供了有效解决办法,但大多关于MEC迁移的研究仅考虑移动设备与MEC服务器之间的资源分配,忽略了云计算中心的巨大计算资源.为了充分利用云和MEC资源,提出一种云边协作的任务迁移策略.首先,将云边服务器的任务迁移问题转化为博弈问题;然后,证明该博弈中纳什均衡(NE)的存在以及唯一性,并获得博弈问题的解决方案;最后,提出了一种基于博弈论的两阶段任务迁移算法来求解任务迁移问题,并通过性能指标对该算法的性能进行了评估.仿真结果表明,采用所提算法所产生的总开销分别比本地执行、云中心服务器执行和MEC服务器执行的总开销降低了72.8％、47.9％和2.65％,数值结果证实了所提策略可以实现更高的能源效率和更低的任务迁移开销,并且随着移动设备数量的增加可以很好地扩展规模.

摘要： 在异构边缘网络中,基站和边缘服务器的密集部署使系统功耗激增,为移动运营商带来了高额成本.同时,由于异构系统中任务的多样性和复杂性,高效的资源分配和任务迁移构成了严峻的挑战.针对上述问题,建立了服务器间的任务迁移和服务器睡眠模型,提出了一种面向异构边缘网络中服务器多睡眠模式的任务迁移算法.该算法先将问题按时隙划分为多个子问题并分别建模为混合整数非线性规划问题,再使用序列二次规划算法对每个子问题进行迁移决策求解,最后通过睡眠决策算法确定服务器的睡眠模式.仿真结果表示,所提算法不仅可以均衡边缘网络中非均匀分布的任务量,提高服务器资源的利用率,而且可以通过服务器多休眠状态显著降低系统能耗,提高系统性能.

摘要： 作为解决ＰＶＭ负载均衡主要技术手估的ＰＶＭ任务透明迁移的关键技术问题是任务迁移协议的开发。该文给出基于ＰＶＭ原体系结构和消息驱动机制的任务迁移协议及算法。

摘要： "一人多机"模式的兴起和用户在物理环境之间的移动需求,为任务迁移带来了多方面的挑战,如连续性、透明性、异构性、普遍性等.本文提出了基于虚拟化的"虚拟用户空间"概念,建立了基于虚拟用户空间的任务迁移框架TaskShadow-V来解决这些挑战.虚拟用户空间为保证用户任务的连续性和跨移动终端迁移能力。提出基于情境的智能迁移决策机制来保证任务迁移过程的透明性,其以虚拟用户空间为粒度来管理用户任务的迁移,并根据当前情境信息自动地做出迁移决策.通过若干迁移实验来验证所提出的迁移框架的有效性。

摘要： 本文在多设备智能交互平台的基础上，研究和设计了任务迁移系统，通过用户建模的 方法实现了智能迁移策略。主要的研究工作包括： 1.对应用级任务迁移的迁移时机和迁移内容进行了研究。使用个体用户建模的方法实现了智能迁移策略，指导任务迁移系统在正确的时间 迁移正确的内容。2.研究设计了应用级任务智能迁移的系统框架，描述了各个模块的功能及设 计思路，并最终实现了一个简单的任务迁移系统原型，通过用户实验对任务迁移系统的可用性进行了评估。

摘要： 移动应用程序的迅猛发展,对移动设备的计算能力与电池容量提出了新的挑战.为了在有限的资源下,保证移动应用程序的运行效率,移动云计算方法通过将部分任务从移动设备端迁移到云端执行,来减少移动设备端的能量消耗,缩减应用程序的运行时间.现有的基于静态网络多目标优化的任务迁移策略,在网络动态变化的真实场景中多数难于应用.由于敏感信息的数据上传和下载均需进行加密解密,因此,本文提出一种任务安全迁移的容错计算模型与算法,使用基于滚动时域的在线算法,实现移动云计算中能量消耗和时间消耗最小的任务迁移.针对应用程序的可靠性与通信的能量消耗,本文基于可靠性分级提出了任务的规约图,并给出了一种应用帕雷托最优策略的在线算法,在保证任务安全迁移的前提下,提高了算法对网络动态变化的鲁棒性.实验结果表明,在线策略导出的近似解不仅满足了实时性的需求,并且与已知网络先验信息的全局最优解非常接近,其中9％的近似解与全局最优解一致,其余的近似解能耗误差不超过20％,明显优于现有的74％的能量消耗误差.

摘要： 随着互联网的发展,许多应用程序对计算机的计算能力和资源的需求越来越大.然而,移动设备具有有限的资源和计算能力.云计算迁移技术是解决计算密集型任务在移动端上顺利运行的主流方法.本文针对无线网络中联合调度和迁移的问题,提出了一个快速高效的启发式算法.算法将能够迁移的任务全部迁移到云端作为初始解,然后逐次计算可迁移任务在移动端运行的能耗节省量,依次将节省量最大的任务迁移到移动端.每迁移一个任务,该算法都会依据任务间的通信时间,及时更新各个任务的能耗节省量.为了进一步优化启发式算法得到的解,本文还构造了适用于此问题并以启发解为初始解的模拟退火算法,给出了相应的编码方法、目标函数、邻域解、温度参数以及算法终止准则.通过与无迁移、饱和迁移、与随机迁移三类算法的对比,实验结果表明由启发式算法得出来的解具有高效性,能给出使移动端能耗更小的解.对于Layer-by-Layer图,在上传速率/下载速率为1120/1264[Kbps]时,无迁移、饱和迁移、与随机迁移的能耗分别为2463.08[mJ]、2254.19[mJ]、2593.81[mJ]能量单位,而本文给出的启发解对应的能耗仅为1951.56[mJ].在此基础上模拟退火算法又将其能耗降低到1890.37[mJ],进一步说明了本文提出的启发式算法能够给出高质量的近似解.

摘要： 随着人口老龄化越来越严重,老年人健康服务的需求也随之增加.目前老年人产品面临的问题有基础设施独立工作缺乏合作,在主动感知需求方面缺乏可靠性和智能化,基于环境缺少鲁棒性.受普适计算发展的影响,本文采用普适服务的框架提出了方案.为了解决上述的问题,本文为老年人服务提出了自己的服务范式,基于普适服务总线引入了智能平台,目标是基础设施的协同合作,环境感知和前瞻性服务,无缝交叉环境迁移.基于SmartShadow模型和BDP概念模型构建了平台架构.为了说明设计,在这个平台上给出了智能拐杖和智能手表两个应用.

摘要： 随着人口老龄化越来越严重,老年人健康服务的需求也随之增加.目前老年人产品面临的问题有基础设施独立工作缺乏合作,在主动感知需求方面缺乏可靠性和智能化,基于环境缺少鲁棒性.受普适计算发展的影响,本文采用普适服务的框架提出了方案.为了解决上述的问题,本文为老年人服务提出了自己的服务范式,基于普适服务总线引入了智能平台,目标是基础设施的协同合作,环境感知和前瞻性服务,无缝交叉环境迁移.基于SmartShadow模型和BDP概念模型构建了平台架构.为了说明设计,在这个平台上给出了智能拐杖和智能手表两个应用.

摘要： 随着人口老龄化越来越严重,老年人健康服务的需求也随之增加.目前老年人产品面临的问题有基础设施独立工作缺乏合作,在主动感知需求方面缺乏可靠性和智能化,基于环境缺少鲁棒性.受普适计算发展的影响,本文采用普适服务的框架提出了方案.为了解决上述的问题,本文为老年人服务提出了自己的服务范式,基于普适服务总线引入了智能平台,目标是基础设施的协同合作,环境感知和前瞻性服务,无缝交叉环境迁移.基于SmartShadow模型和BDP概念模型构建了平台架构.为了说明设计,在这个平台上给出了智能拐杖和智能手表两个应用.

摘要： 随着人口老龄化越来越严重,老年人健康服务的需求也随之增加.目前老年人产品面临的问题有基础设施独立工作缺乏合作,在主动感知需求方面缺乏可靠性和智能化,基于环境缺少鲁棒性.受普适计算发展的影响,本文采用普适服务的框架提出了方案.为了解决上述的问题,本文为老年人服务提出了自己的服务范式,基于普适服务总线引入了智能平台,目标是基础设施的协同合作,环境感知和前瞻性服务,无缝交叉环境迁移.基于SmartShadow模型和BDP概念模型构建了平台架构.为了说明设计,在这个平台上给出了智能拐杖和智能手表两个应用.

摘要： 随着人口老龄化越来越严重,老年人健康服务的需求也随之增加.目前老年人产品面临的问题有基础设施独立工作缺乏合作,在主动感知需求方面缺乏可靠性和智能化,基于环境缺少鲁棒性.受普适计算发展的影响,本文采用普适服务的框架提出了方案.为了解决上述的问题,本文为老年人服务提出了自己的服务范式,基于普适服务总线引入了智能平台,目标是基础设施的协同合作,环境感知和前瞻性服务,无缝交叉环境迁移.基于SmartShadow模型和BDP概念模型构建了平台架构.为了说明设计,在这个平台上给出了智能拐杖和智能手表两个应用.

摘要： 本发明公开一种计算任务迁移方法及计算任务迁移器。该计算任务迁移方法包括：步骤S1、获取各计算任务迁移矩阵，所述计算任务迁移矩阵包括当前的迁移距离成本、当前的迁移流量成本和当前的迁移负载均衡度；步骤S2、根据各计算任务迁移矩阵的当前的迁移距离成本、当前的迁移流量成本和当前的迁移负载均衡度确定出最优计算任务迁移矩阵；步骤S3、输出所述最优计算任务迁移矩阵。本发明提供的计算任务迁移方法及计算任务迁移器，通过确定出最优计算任务迁移矩阵，从而确定出与最优计算任务迁移矩阵对应的最优计算任务迁移策略，实现了计算任务迁移的低时延、低流量成本及负载均衡。

摘要： 一种多用户、多任务的移动边缘计算系统中可缓存的任务迁移方法，属于移动边缘计算系统的应用领域。本发明为了解决现有的移动边缘计算系统中任务迁移方法中确定迁移目标服务器时存实时性差、能耗开销较大的问题。本发明以最小的能耗开销将计算任务从终端设备迁移至选定的边缘服务器，在移动边缘计算系统中，定义移动设备用户的集合A＝{1,2，…，N}，并且每一个用户都有一个待完成的计算任务的集合B＝{1,2，…，M}，这些任务由一个单一的无线基站相连，其中的移动边缘计算服务器为这些移动设备提供计算和缓存服务；所述方法的实现包括通信模型、计算模型、任务缓存模型以及任务迁移模型的构建。本发明有效减少在整个移动边缘计算系统中所有用户所需的总的时间和能耗开销。

摘要： 本发明公开了一种移动云计算中的任务调度与任务迁移方法，其步骤包括：将所有任务节点在移动端执行、记录当前移动端上的能耗、计算每一个可迁移任务迁移到云端后移动端节省的能耗并且通过最大优先权调度算法计算任务总完成时间finish_time、选出节省能耗最多且满足时间约束的任务，将该任务迁移至云端，若无符合条件的任务节点，则终止方法过程、重复上述步骤直至所有任务全部完成。

摘要： 本发明公开一种计算任务迁移方法及计算任务迁移器。该计算任务迁移方法包括：步骤S1、获取各计算任务迁移矩阵，所述计算任务迁移矩阵包括当前的迁移距离成本、当前的迁移流量成本和当前的迁移负载均衡度；步骤S2、根据各计算任务迁移矩阵的当前的迁移距离成本、当前的迁移流量成本和当前的迁移负载均衡度确定出最优计算任务迁移矩阵；步骤S3、输出所述最优计算任务迁移矩阵。本发明提供的计算任务迁移方法及计算任务迁移器，通过确定出最优计算任务迁移矩阵，从而确定出与最优计算任务迁移矩阵对应的最优计算任务迁移策略，实现了计算任务迁移的低时延、低流量成本及负载均衡。

摘要： 一种多用户、多任务的移动边缘计算系统中可缓存的任务迁移方法，属于移动边缘计算系统的应用领域。本发明为了解决现有的移动边缘计算系统中任务迁移方法中确定迁移目标服务器时存实时性差、能耗开销较大的问题。本发明以最小的能耗开销将计算任务从终端设备迁移至选定的边缘服务器，在移动边缘计算系统中，定义移动设备用户的集合A＝{1,2，…，N}，并且每一个用户都有一个待完成的计算任务的集合B＝{1,2，…，M}，这些任务由一个单一的无线基站相连，其中的移动边缘计算服务器为这些移动设备提供计算和缓存服务；所述方法的实现包括通信模型、计算模型、任务缓存模型以及任务迁移模型的构建。本发明有效减少在整个移动边缘计算系统中所有用户所需的总的时间和能耗开销。

摘要： 本发明公开了一种移动云计算中的任务调度与任务迁移方法，其步骤包括：将所有任务节点在移动端执行、记录当前移动端上的能耗、计算每一个可迁移任务迁移到云端后移动端节省的能耗并且通过最大优先权调度算法计算任务总完成时间finish_time、选出节省能耗最多且满足时间约束的任务，将该任务迁移至云端，若无符合条件的任务节点，则终止方法过程、重复上述步骤直至所有任务全部完成。

摘要： 本发明公开了一种移动云问题中涉及任务调度的任务迁移方法，其步骤包括：(1)初始化：将所有可迁移的任务先放到云端里，只能在移动端执行的任务放到移动端上，计算当前总能量消耗，并将所有可迁移的任务标记为“未划分”；(2)对于每一次任务迁移，过程如下：(i)按广度优先顺序搜索，对标记为“未划分”的任务，在总完成时间在不超过限制的前提下，依次挑选节省能耗最大的结点，将其迁移到本地执行；(ii)若迁移挑选出来的结点，使得迁移后的总能耗比迁移之前要小，则迁移该结点，并标记为“已划分”，更新现在的移动端上总能量消耗；若挑选来的最大迁移结点，使得迁移后的总能耗比未迁移前还高，则结束迁移。

摘要： 本申请涉及一种云边协同计算的任务迁移方法、装置及设备，该方法包括获取云端分配区域的总计算上限资源及获取该区域的所有边缘设备和与每个边缘设备对应的参数数据；根据参数数据计算确定边缘侧计算所需时间、云侧计算所需时间、第一任务传输时间、第二任务传输时间、边缘侧计算能耗和边缘侧传输能耗并依据其确定云边协同计算的任务迁移的时延模型；并对时延模型进行优化，获得给每个边缘设备处理特征任务计算最优的任务数据处理比率、分配计算资源数据和传输带宽数据并根据其执行区域中云边协同特征任务计算。通过该方法实现优化云边协同计算环境下面向智能应用特征任务计算的划分和资源分配，降低区域内特征任务计算的计算时间和传输的总时延。

摘要： 本发明涉及一种基于性能监测机制的多核处理器任务迁移和功耗调整方法及架构，包括：通过操作系统将多核处理器的工作模式设定为均衡模式；性能监测模块对每个处理器核心的译码单元、发射单元以及退休单元进行实时监测；任务分配模块依赖于操作系统读取性能监测模块的实时监测结果，然后计算分析每个处理器核心的负载情况，再通过预先设定的任务分配策略调整每个处理器核心的任务分配以及控制每个处理器核心的休眠和唤醒；多核心功耗控制模块接收任务分配模块的指令，通过电源管理单元实现处理器核心的休眠或唤醒状态。本发明不仅提出一种基于优先级历史表的处理器核心休眠和唤醒机制，而且可以实现多核处理器功耗的动态平衡。

摘要： 本发明公开了一种基于任务迁移的片上热隐蔽信道攻击的防御方法，该防御方法步骤如下：建立误码率模型，对通信距离和误码率之间的关系进行建模；通过基于任务迁移的防御方法抑制热信号的传输。该方法可以增加这两个核心之间的通信距离，使热信号衰减从而破坏热隐蔽信道的传输。本发明提出的信道攻击检测与防御方法，平均包错误率高达84％以上，由任务迁移造成的时间开销和功耗开销相比动态调频调压和噪声干扰低，能够防御片上热隐蔽信道攻击，阻止信息泄露。