检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

一种可解释的云平台任务终止状态预测方法

计算机研究与发展 2024年第3期61卷 716-727页

作者：刘春红李为丽焦洁王敬雄张俊娜河南师范大学计算机与信息工程学院河南新乡453007 智慧商务与物联网技术河南省工程实验室(河南师范大学) 河南新乡453007

基于特征选择和模型可解释方法构建可解释性强的云平台任务终止状态预测模型,该模型可视化任务/作业的静态和动态属性与终止状态之间的映射关系,进而找出负载特征与任务终止状态之间的映射机理.利用Google公开的工作负载监控日志,并加... 详细信息

基于特征选择和模型可解释方法构建可解释性强的云平台任务终止状态预测模型,该模型可视化任务/作业的静态和动态属性与终止状态之间的映射关系,进而找出负载特征与任务终止状态之间的映射机理.利用Google公开的工作负载监控日志,并加入云平台中任务的动态信息,采用沙普利加和解释(Shapley additive explain,SHAP)找出静态和动态属性对终止状态影响的重要性,利用变量重要性结合SHAP值和XGBoost模型,对任务终止状态预测模型建模后的结果进行解释,使用可视化技术呈现负载特征如何影响模型对不同任务终止状态的预测.用SHAP值绝对值的平均值衡量特征的重要性,实现任务不同终止状态特征重要性的全局可视化,根据结果筛选出对任务终止状态预测模型影响大的20个变量,作为特征筛选的依据;由可视化的结果可知,任务运行过程中,各特征的不同特征值对任务的终止状态有影响,不同特征值对终止状态的产生有不同的影响.特征选择结合模型可解释性方法运用于任务终止状态预测模型的构建流程中,可辅助构建高分类性能及易于理解的任务终止状态预测模型,通过对负载特征与任务终止状态之间映射机理的探索,可以优化云平台的调度机制.

关键词：特征选择终止状态全局可视化可解释性映射机理

在线全文

学校读者我要写书评

暂无评论

逐真求实——夏正楷先生访谈录

南方文物 2024年第1期 56-77页

作者：夏正楷张俊娜北京大学城市与环境学院首都师范大学历史学院

夏正楷先生,1942年12月生。幼年居于浙江温州,于1952年迁至北京。1960年,考入北京大学地质地理系,1965—1968年,在地貌专业就读研究生。1968—1978年,在陕西区域地质测量队从事地质填图和矿产普查工作。1978年开始在北京大学地理系地貌... 详细信息

夏正楷先生,1942年12月生。幼年居于浙江温州,于1952年迁至北京。1960年,考入北京大学地质地理系,1965—1968年,在地貌专业就读研究生。1968—1978年,在陕西区域地质测量队从事地质填图和矿产普查工作。1978年开始在北京大学地理系地貌专业攻读硕士学位,师从著名地貌学家王乃樑先生。1981年毕业后留校,在北京大学城市与环境学系历任讲师、副教授、教授。其中1989—1990年,循北京大学与新西兰维多利亚大学交流协议,赴新西兰进修一年。曾任中国第四纪委员会常务理事、第四纪教育委员会主任、教育部理科学科教学指导委员会委员、地理科学类分委会主任委员等职。长期从事地貌、第四纪环境和环境考古等领域的工作,主持和参加了多项国家自然科学基金、“七五”国家科技攻关计划、中华文明探源工程等课题。

关键词：北京大学国家自然科学基金硕士学位维多利亚大学地理系矿产普查教学指导委员会第四纪环境

在线全文

学校读者我要写书评

暂无评论

一种基于DQN的去中心化卸载策略

计算机工程 2024年

作者：张俊娜李天泽赵晓焱袁培燕智慧商务与物联网技术河南省工程实验室(河南师范大学) 河南师范大学计算机与信息工程学院

边缘计算(Edge Computing，EC)可在网络边缘为用户提供低延迟、高响应的服务。因此，资源利用率高、时延低的任务卸载策略成为研究的热门方向。但大部分现有的任务卸载研究是基于中心化的架构，通过中心化设施制定卸载策略和进行资源调... 详细信息

边缘计算(Edge Computing，EC)可在网络边缘为用户提供低延迟、高响应的服务。因此，资源利用率高、时延低的任务卸载策略成为研究的热门方向。但大部分现有的任务卸载研究是基于中心化的架构，通过中心化设施制定卸载策略和进行资源调度，容易受到单点故障的影响，且会产生较多的能耗和较高的时延。针对以上问题，本文提出了一种基于深度Q网络(Deep Q network， DQN)的去中心化卸载策略(Decentralized Priority Deep Q Network， DP-DQN)。本策略首先设置通讯矩阵模拟现实中边缘服务器有限的通讯状态；其次通过对任务设定优先级，使任务可以在不同边缘服务器之间跳转，保证各边缘服务器均可以自主制定卸载策略，完成任务卸载的去中心化。最后，根据任务的跳转次数为任务分配更多的计算资源，提高资源利用效率和优化效果。最后，为了验证提出策略的有效性，首先针对不同DQN网络下参数的收敛性能进行了研究对比，然后与本地算法、完全贪婪算法和多目标任务卸载算法进行了对比实验。在不同测试情景下，DP-DQN的性能均优于三种对比算法，可提升性能约11%～19%。最后对DP-DQN的跳转次数K进行了测试，得出了最佳跳转次数。

关键词：边缘计算任务卸载资源分配去中心化优先级深度Q网络

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

面向缓存的动态协作任务迁移技术研究

计算机科学 2024年第2期51卷 300-310页

作者：赵晓焱赵斌张俊娜袁培燕河南师范大学计算机信息与工程学院河南新乡453007 智慧商务与物联网技术河南省工程实验室河南新乡453007

边缘网络中不断出现的计算密集和延迟敏感型业务推动了任务迁移技术的快速发展。然而,任务迁移过程中存在应用场景复杂多变、问题建模难度高等技术瓶颈。尤其是考虑用户移动时,如何保证用户服务的稳定性和连续性,设计合理的任务迁移策... 详细信息

边缘网络中不断出现的计算密集和延迟敏感型业务推动了任务迁移技术的快速发展。然而,任务迁移过程中存在应用场景复杂多变、问题建模难度高等技术瓶颈。尤其是考虑用户移动时,如何保证用户服务的稳定性和连续性,设计合理的任务迁移策略仍是一个值得深入探讨的问题。因此,提出了一种移动感知的服务预缓存模型和任务预迁移策略,将任务迁移问题转化为最优分簇与边缘服务预缓存的组合优化问题。首先,基于用户的移动轨迹对当前执行任务状态进行预测,引入动态协作簇和迁移预测半径的概念,提出了一种面向移动和负载两种任务场景的预迁移模型,解决了何时何地迁移的问题。然后,针对需要迁移的任务,基于最大容忍时延约束分析协作簇半径和簇内目标服务器数量的极限值,提出了以用户为中心的分布式多服务器间动态协作分簇算法(Distributed Dynamic Multi-server Cooperative Clustering Algorithm,DDMC)以及面向服务缓存的深度强化学习算法(Cache Based Double Deep Q Network,C-DDQN),解决了最优分簇和服务缓存问题。最后,利用服务缓存的因果关系,设计了一种低复杂度的交替最小化服务缓存位置更新算法,求解出了最佳迁移目标服务器集合,实现了任务迁移中的服务器协作及网络负载均衡。实验结果表明,提出的迁移选择算法具有良好的鲁棒性和系统性能,相比其他迁移算法所消耗的总成本降低了至少12.06%,所消耗的总时延降低了至少31.92%。

关键词：移动边缘计算服务缓存动态协作簇任务迁移深度强化学习

在线全文

学校读者我要写书评

暂无评论

一种任务驱动的车联网边缘卸载策略

郑州大学学报（理学版） 2024年第4期56卷 34-40页

作者：赵晓焱高源志张俊娜袁培燕河南师范大学计算机与信息工程学院河南新乡453007

边缘计算为解决未来车联网中移动流量的爆炸式增长提供了可行范式,然而位置的动态变化以及计算任务的多样性和差异性,使得资源有限的边缘服务器很难在规定时间内完成区域内多车辆任务的并行处理需求。基于此,以最小化时延为目标,提出一... 详细信息

边缘计算为解决未来车联网中移动流量的爆炸式增长提供了可行范式,然而位置的动态变化以及计算任务的多样性和差异性,使得资源有限的边缘服务器很难在规定时间内完成区域内多车辆任务的并行处理需求。基于此,以最小化时延为目标,提出一种结合深度确定性策略梯度算法的任务驱动卸载策略。首先,结合差异性任务类型和紧迫程度进行预处理,构建了一种基于最大延迟容忍度的任务动态优先级调整模型;然后,利用道路区域内的车辆拓扑和通信半径,提出了基于网络密度和负载均衡的动态协作簇划分方法,解决了多样性任务的动态协作卸载优化问题。实验结果表明,所提算法在收敛性、卸载时延及卸载命中率等方面具有性能优势。

关键词：车联网边缘计算任务卸载协作动态优先级

维普期刊数据库博看期刊

在线全文

学校读者我要写书评

暂无评论

一种联合边缘服务器部署和服务放置的方法

计算机工程 2024年

作者：张俊娜韩超臣陈家伟赵晓焱袁培燕智慧商务与物联网技术河南省工程实验室河南师范大学计算机与信息工程学院中山大学系统科学与工程学院

边缘计算(Edge computing，EC)在靠近用户的网络边缘部署边缘服务器，并将服务放置在边缘服务器上，从而可以满足用户的服务需求。独立研究边缘服务器部署和服务放置问题的成果已有很多，但两者存在高度耦合关系，应同时研究。考虑到边... 详细信息

边缘计算(Edge computing，EC)在靠近用户的网络边缘部署边缘服务器，并将服务放置在边缘服务器上，从而可以满足用户的服务需求。独立研究边缘服务器部署和服务放置问题的成果已有很多，但两者存在高度耦合关系，应同时研究。考虑到边缘计算系统的收益，有必要提供付费服务，使得边缘计算系统处理用户服务请求时会获得相应收入；同时，边缘计算系统处理用户服务请求时会产生时延和能耗成本，为了最大化边缘计算系统的收益(收入减去成本)，在用户服务请求和服务价格不同的约束下，需要合适的服务放置方案来提高边缘计算系统的收益。为此，在边缘服务器与基站之间的位置关系、边缘服务器部署和服务放置之间的耦合关系、服务副本数和服务价格等约束下，提出了一种包括改进的K-Means算法和多智能体强化学习算法的两步方法，目的是使边缘计算系统的收益最大化。首先，构建一个联合边缘服务器部署和服务放置模型。其中边缘服务器部署明确考虑了基站之间的位置关系，服务放置明确考虑了边缘服务器部署的位置，以及不同的服务请求和价格。然后，基于基站的位置关系和基站的服务请求负载，通过带约束的K-Means算法，在不同约束条件下分别确定最佳的边缘服务器部署位置以及边缘服务器的协作域；接着，以最大化边缘计算系统收益为目标，通过多智能体强化学习算法在边缘服务器上放置服务。最后，基于真实数据集进行了充分的实验。实验结果表明，与对比方法相比，所提方法能够提高收益7%至23%。

关键词：边缘计算边缘服务器部署服务放置 K-Means聚类算法多智能体强化学习算法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于异步深度强化学习的车联网协作卸载策略

计算机应用 2024年第5期44卷 1501-1510页

作者：赵晓焱韩威张俊娜袁培燕河南师范大学计算机与信息工程学院河南新乡453007 智慧商务与物联网技术河南省工程实验室(河南师范大学) 河南新乡453007

随着车联网(IoV)的快速发展,智能网联汽车产生了大量延迟敏感型和计算密集型任务,有限的车辆计算资源以及传统的云服务模式无法满足车载用户的需求,移动边缘计算(MEC)为解决海量数据的任务卸载提供了一种有效范式。但在考虑多任务、多... 详细信息

随着车联网(IoV)的快速发展,智能网联汽车产生了大量延迟敏感型和计算密集型任务,有限的车辆计算资源以及传统的云服务模式无法满足车载用户的需求,移动边缘计算(MEC)为解决海量数据的任务卸载提供了一种有效范式。但在考虑多任务、多用户场景时,由于车辆位置、任务种类以及车辆密度的实时性和动态变化,IoV中任务卸载场景复杂度较高,卸载过程中容易出现边缘资源分配不均衡、通信成本开销过大、算法收敛慢等问题。为解决以上问题,重点研究了IoV中多任务、多用户移动场景中的多边缘服务器协同任务卸载策略。首先,提出一种多边缘协同处理的三层异构网络模型,针对IoV中不断变化的环境,引入动态协作簇,将卸载问题转化为时延和能耗的联合优化问题;其次,将问题分为卸载决策和资源分配两个子问题,其中资源分配问题又拆分为面向边缘服务器和传输带宽的资源分配,并基于凸优化理论求解。为了寻求最优卸载决策集,提出一种能在协作簇中处理连续问题的多边缘协作深度确定性策略梯度(MC-DDPG)算法,并在此基础上设计了一种异步多边缘协作深度确定性策略梯度(AMCDDPG)算法,通过将协作簇中的训练参数异步上传至云端进行全局更新,再将更新结果返回每个协作簇中提高收敛速度。仿真结果显示,AMC-DDPG算法较DDPG算法至少提高了30%的收敛速度,且在奖励和总成本等方面也取得了较好的效果。

关键词：车联网移动边缘计算任务卸载协作深度强化学习

在线全文

学校读者我要写书评

暂无评论

基于服务更新的异构任务卸载方法

计算机应用研究 2024年

作者：韩超臣张俊娜王欣新袁培燕赵晓焱刘春红河南师范大学计算机与信息工程学院

边缘计算将存储和计算资源下沉到网络边缘，用户可将时延敏感型和计算密集型应用程序的任务卸载到边缘服务器执行，从而降低时延和能耗。已有的任务卸载研究通常忽略卸载任务的异构性，且默认边缘服务器缓存的服务能够长期满足用户的服... 详细信息

边缘计算将存储和计算资源下沉到网络边缘，用户可将时延敏感型和计算密集型应用程序的任务卸载到边缘服务器执行，从而降低时延和能耗。已有的任务卸载研究通常忽略卸载任务的异构性，且默认边缘服务器缓存的服务能够长期满足用户的服务需求。然而，不同的任务需要不同的服务提供执行环境；且边缘服务器资源受限只能部署少量服务。因此，为了最小化时延和能耗(即成本)，提出了一种联合服务更新和云边端协作的异构任务卸载方法。首先，通过改进的页面置换算法，预测出潜在的用户服务需求量，及时更新边缘服务器的服务。其次，在云边端协作基础上，通过改进的贪婪算法完成任务卸载，且使得成本最小。最后，基于真实数据集进行了充分的实验，实验结果表明，与对比方法相比，所提方法能够降低成本7%至16%。

关键词：边缘计算云边端协作服务更新改进的页面置换算法改进的贪婪算法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

一种基于轨迹预测的车联网边缘卸载策略

山东大学学报（工学版） 2024年第1期54卷 52-62页

作者：赵晓焱高源志张佳乐张俊娜袁培燕河南师范大学计算机与信息工程学院河南新乡453007 智慧商务与物联网技术河南省工程实验室(河南师范大学) 河南新乡453007

以最小化卸载成本为目标,提出一种结合轨迹预测的任务卸载策略,将任务卸载转化为服务器节点选择问题。构建一种基于时间序列的车辆移动轨迹预测模型,将其表述为一个非线性回归任务;依据车辆位置信息与通信范围,提出一种基于最短通信距... 详细信息

以最小化卸载成本为目标,提出一种结合轨迹预测的任务卸载策略,将任务卸载转化为服务器节点选择问题。构建一种基于时间序列的车辆移动轨迹预测模型,将其表述为一个非线性回归任务;依据车辆位置信息与通信范围,提出一种基于最短通信距离的动态协作簇建立方法,利用服务器计算能力和传输成本均衡边缘网络负载,减少车辆移动形成的系统开销;利用马尔可夫决策过程,结合移动轨迹预测和动态边缘服务器簇设计任务卸载策略,解决多边缘服务器覆盖场景下的服务器选择问题。试验结果表明,所提算法与其他算法相比,任务卸载成本在简单与复杂移动轨迹下至少降低了80%和57.8%,有效减少多边缘服务器协作时的轨迹预测误差和成本开销。

关键词：车联网边缘计算任务卸载马尔可夫决策轨迹预测