导读:本文包含了任务迁移论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:边缘,多维,可塑性,网络,终端,数据处理,存储器。
任务迁移论文文献综述
华幸成,刘鹏[1]（2019）在《基于动态任务迁移的近数据处理方法》一文中研究指出为了应对大数据应用中数据移动对系统性能和能耗造成的负面影响,基于3D存储器集成存储与逻辑电路的特点和MapReduce模型的并发特性,提出一种基于动态任务迁移的近数据处理(NDP)方法.对MapReduce应用的工作流解耦以获取核心计算任务,提供迁移机制将计算任务动态迁移到NDP单元中;采用原子操作优化数据访问,从而大幅度减少数据移动.实验结果表明,对于MapReduce应用,提出的近数据处理方法将75%的数据移动约束在存储单元内部,有效减少了主处理单元与存储单元之间的数据移动.与目前最先进的工作相比,所提方法在系统性能和系统能效上分别有70%和44%的提升.(本文来源于《浙江大学学报(工学版)》期刊2019年12期）
乐光学,戴亚盛,杨晓慧,朱友康,游真旭[2]（2019）在《边缘计算多约束可信协同任务迁移策略》一文中研究指出为保障边缘计算的服务质量,提出一种在多约束条件下边缘计算可信协同任务迁移策略。该策略基于任务需求,由边缘计算协同服务盟主节点组织调度协同服务盟员,基于用户任务迁移的K维权重指标,确定协同盟员调度优先级,以盟员负载均衡性为适应函数,通过贪心算法执行盟员任务分配与调度,基于路由捎带选择备用节点,通过迁移优先级评估,实现协同服务异常时的调度和迁移,由此提高边缘计算任务迁移的服务质量,保障任务迁移的可靠性。仿真实验表明,该机制能有效完成协同任务分发与迁移调度,提高边缘计算协同效率,保障网络服务质量。(本文来源于《电信科学》期刊2019年11期）
郑利阳,刘茜萍[3]（2019）在《移动云计算环境下基于任务依赖的计算迁移研究》一文中研究指出移动终端硬件的资源受限问题可以通过将本地计算任务迁移至云端来缓解。然而,相比远程云端,某些实时要求较高的复杂应用更适合迁移至微云。这类应用中各任务之间的依赖关系也会对迁移方案产生较大影响。结合任务之间的依赖关系及微云的特点,基于遗传算法思想提出一种计算迁移方法。根据不同微云处理不同类型任务时的能力,将微云进行类型划分。根据移动应用中不同任务之间时序与数据的双重依赖关系,结合能耗和响应时间的考量,设计一个计算迁移算法,以获取具有较优效用值的迁移方案。通过仿真验证了该方法的可行性和有效性。(本文来源于《计算机应用与软件》期刊2019年07期）
周龙雨,杨宁,乔冠华,张科,郑其林[4]（2019）在《一种能效优先的物联网任务协同迁移策略》一文中研究指出移动边缘计算通过在数据源端执行通信和计算操作,缩减了物联网业务的传输和处理时延。然而,针对大量的物联网设备连接数,海量碎片化的数据同时汇聚在边缘计算平台,会显着地增加前传链路的流量负载和边缘服务器的计算负荷。为了应对这一挑战,基于多样化的物联网应用需求,通过最优化设备传输的选择控制,设计了一种任务协同迁移策略,以实现时延约束下的系统最小能量消耗。在缺少信道状态完美先验信息的条件下,提出了一种基于深度增强学习的资源管理算法,以较低的复杂度获得了最优的任务卸载决策。仿真结果表明,与随机的传输选择策略相比,所提出的算法能够显着地降低系统的能量消耗,并且满足任务的服务时延。(本文来源于《物联网学报》期刊2019年02期）
吕昕晨[5]（2019）在《移动边缘计算任务迁移与资源管理研究》一文中研究指出近年来,增强/虚拟现实、智慧城市和自动驾驶等新兴移动应用快速发展,其计算和存储资源需求远超移动终端能力。随着软件定义网络和网络功能虚拟化技术的发展,边缘网络设备逐渐变为可编程的通用处理设备,并具备强大的计算、存储和通信能力。移动边缘计算(Mobile Edge Computing,MEC)技术利用上述计算、存储和通信能力,在边缘网络对复杂任务进行分布式处理,提升网络数据处理能力,并提供低时延高可靠计算服务,以满足未来移动应用对计算能力与服务质量的需求。其中,任务迁移和资源管理直接影响系统处理能力、服务时延及开销,是移动边缘计算的关键研究问题。针对移动边缘计算的任务迁移和资源管理问题,本论文分别从用户任务迁移、多用户—单小区任务迁移与资源管理以及边缘计算组网叁个方面展开研究,对系统吞吐量、服务时延、系统稳定性以及能耗进行优化。主要工作和创新点如下。第一,考虑边缘计算中无线信道、任务到达和计算资源等环境动态特性,分别针对单用户—边缘服务器任务迁移和多移动用户协作场景进行研究。具体地,对于单用户—边缘服务器场景,将边缘计算的复杂环境变化建模为控制理论中不可测的系统随机扰动,并通过滚动时域控制技术和多目标动态规划方法提出了自适应任务迁移方案,从而显着提升动态边缘计算环境下的任务迁移性能。另一方面,对于多用户协作计算场景,考虑移动用户自私特性,基于李雅普诺夫优化理论和点对点文件共享中的投桃报李激励方案,提出了多用户协作计算的分布式在线任务迁移方案,在时延网络中保证用户参与并通过多跳方式协作处理任务。相比现有单跳集中式协作方案,能显着减少系统能耗,并提升系统吞吐量。第二,在多用户—单小区移动边缘计算场景中,考虑系统频谱和计算资源的稀缺性,分别针对普通移动应用、时延敏感任务以及海量设备连接的物联网应用的任务迁移与资源管理进行优化。首先,对于普通移动应用,给出了均衡任务计算时延与处理能耗的效用函数,并结合凸优化、准凸优化和次模优化技术,对任务卸载决策、无线资源管理和计算资源分配进行联合优化,提升系统性能。其次,对于时延敏感任务,基于量化动态规划技术提出了接入控制和资源分配联合优化方案,并调节量化区间实现方案最优性损失和复杂度的权衡。最后,对于物联网应用,基于加扰李雅普诺夫优化提出了物联网边缘计算在线资源调度方案,最大化系统效用,并设计了用户选择性上报策略,显着降低网络信令开销,保证海量设备连接的可扩展性。第叁,在移动边缘计算组网场景中,考虑边缘服务器的广地域分布和处理能力异构性,分别针对普通应用的大规模边缘计算和分布式机器学习的组网资源管理进行优化。具体地,针对普通应用的大规模边缘计算组网资源管理,提出了大规模边缘计算分布式资源管理和协作域划分方案,以在动态网络环境中最小化时间平均系统开销。首次提出的边缘计算协作域分布式优化可为每个计算节点确定其到达任务的卸载区域,在保证方案最优性同时,避免扩大协作域所增加的时延和开销,提升边缘计算在大规模异构网络中的性能。另一方面,针对分布式机器学习的边缘计算组网资源管理,设计了针对分布式机器学习的数据均匀度指标,并基于随机梯度下降技术提出了数据接入、分配和处理的联合在线优化方案,在保证网络稳定条件下最大化系统效益,并减小分布式机器学习参数同步频率与开销。(本文来源于《北京邮电大学》期刊2019-05-30）
陈佳熠[6]（2019）在《移动终端分布式网络环境下计算迁移任务调度技术研究》一文中研究指出移动终端分布式网络一般由相互对等的终端设备构成,各节点承担任务处理和任务转发工作。如何充分利用设备有限的能量,保证网络平稳运行,以及提高任务处理效率是该领域的关键技术问题。已有研究工作一般采用集中式算法进行任务调度,将网络划分为多个区域子中心,难以充分利用设备的整体资源。计算迁移技术侧重于将高负载节点的计算任务迁移至低负载节点进行,从而提高全网资源利用水平。高效的任务调度方法,对于利用计算迁移技术延长移动终端分布式网络的生命周期,降低任务处理时延至关重要,相关研究相对匮乏。为此,本文围绕移动终端分布式网络环境下计算迁移任务调度技术,开展了如下工作:(1)提出了一种能量受限情况下最大化移动终端网络生命周期的补偿式计算迁移算法。该算法通过对移动终端分布式网络建模,利用图论中的最小费用最大流算法确定理想迁移最佳方案,随后通过迭代式补偿,求得逼近最优解的近似解。该算法的最终目的是在能量受限情况下,通过任务调度调整各个节点的计算能耗和传输能耗,最终实现全网生命周期均衡,达到保证服务质量的目的。经过实验验证,所提出的算法能够将网络生命周期提升至原有的1 70～240%。(2)提出了一种数据流量受限情况下最小化移动终端任务处理时延的计算迁移算法。该算法基于移动终端分布式网络中的计算迁移,利用动态规划和背包理论确定最佳迁移方案,将部分终端的高时延任务迁移至其邻近终端执行,降低整体任务处理时延,提升响应速度,优化用户体验,有效缓解部分节点的拥塞情况。经过实验验证,所提出的算法能够将原有网络响应时延降低20～40%。本文所提出的移动终端分布式网络环境下计算迁移任务调度技术可为相关领域的研究工作和工程实践提供理论参考。(本文来源于《北京邮电大学》期刊2019-05-28）
李柯[7]（2019）在《Stop Signal任务训练对青少年和成人抑制能力的改善及迁移效应》一文中研究指出抑制控制作为执行工功能的核心成分之一,对个体的健康发展起到了至关重要的作用。但当前关于抑制控制的训练研究结果仍然存在较大的异质性,且不同年龄段间差异性较大,因此对抑制控制能力训练展开机制性研究具有十分重要的研究意义。作为抑制控制能力的重要研究范式之一,Stop Signal任务的训练效果目前仍是存疑的,因此有待展开进一步研究。本研究通过两项子研究对计算机化的Stop Signal任务训练对抑制能力的改善进行研究。研究一选取144名成年人被试,采取3(干预方式:有反馈训练、去反馈训练、无训练)×3(时间:前测、后测、追踪)的实验设计,选用有/无反馈的Stop Signal任务作为单一训练任务,同时考察对Go/No-go、Stroop、N-back任务及高级瑞文智力测验等未经训练任务的迁移情况。结果发现训练任务发生了显着的改善,并迁移到同属于反应抑制的Go/No-go任务中,但其他任务未发现任何迁移效应。为展开进一步探究,研究二选取60名中学生被试,与研究一结果进行对比,形成2(干预方式:有反馈训练、无反馈训练)×2(时间:前测、后测)×2(年龄段:成人、中学)的叁因素实验设计,结果发现中学组与成人组训练结果间存在显着差异,中学组被试通过训练抑制能力发生了显着改善并迁移到工作记忆任务当中。以上研究结果表明:(1)计算机化的Stop Signal任务训练具有改善及迁移作用,但成年人的改善及迁移范围十分狭窄,对于青春期中期个体则存在广泛的改善及迁移效应。(2)认知可塑性水平对Stop Signal任务的改善效果具有重要影响。儿童及青少年相比于成年人能力发展尚未成熟,认知可塑性高,可通过训练进行改善的空间更大,改善及迁移效果更好。(本文来源于《东北师范大学》期刊2019-05-01）
林云[8]（2019）在《基于移动云平台的移动应用节能任务迁移方案》一文中研究指出移动设备在计算能力和电池容量上的局限性,促使研究人员研究一种节能机制,以最大化利用有限的手机资源。其中,新兴的移动云计算(MCC)为此提供了一种新的解决方法。MCC中,移动应用程序的一部分借助具有强大计算资源的远程服务器执行,从而提高了移动设备的性能。基于克隆云,构建移动端与云端的任务迁移优化调度方案,在有向无环图中求解带约束随机最短路径问题,并设计一种基于遗传算法(GA)的迁移调度算法,以获得任务迁移的最优方案。本文所提出的方案,在理论和实践上都具备一定的可行性,且使用时简洁方便。它使用户能够通过自己的移动设备灵活进行任务决策,将任务发送到克隆云端,无需更改应用程序代码。此外,该方案有助于移动用户并行处理应用计算任务。Android智能手机中的真实测试平台实验表明,笔者提出的任务迁移优化调度方案,能有效节约手机能耗,满足应用性能的需求,在智能手机上的节能效率最高可达60%。(本文来源于《信息与电脑(理论版)》期刊2019年08期）
孟浩,霍如,郭倩影,黄韬,刘韵洁[9]（2019）在《基于机器学习的MEC随机任务迁移算法》一文中研究指出针对移动边缘计算(MEC),提出了一种基于机器学习的随机任务迁移算法,通过将任务划分为可迁移组件和不可迁移组件,结合改进的Q学习和深度学习算法生成随机任务最优迁移策略,以最小化移动设备能耗与时延的加权和.仿真结果表明,该算法的时延与能耗加权和与移动设备本地执行算法相比节约了38. 1%.(本文来源于《北京邮电大学学报》期刊2019年02期）
尹慧慧[10]（2019）在《软件定义车联网计算任务迁移和调度研究》一文中研究指出车联网作为智能交通系统的研究热点,对交通行业的发展有着重要作用,不仅能提高交通运输系统的运营效率,而且能给驾驶员带来便捷、安全、舒适的体验。未来的车联网具有低时延、高可靠性、大规模终端互联等性能要求,对现有的车联网架构及网络性能构成挑战。本文通过对软件定义网络(software-defined network,SDN)的研究,分析了SDN与传统网络架构的区别,提出软件定义车联网中移动计算任务的分割分配方法和容错手段,研究内容分如下:针对目前车辆的计算能力与计算需求不匹配的现象,提出由周边车辆协助的任务计算方案,该方案基于车辆的计算能力、存储空间、任务的传输和执行时间分割任务,保证子任务传输期间内两车保持通信,且子任务量不超过执行车辆的剩余存储空间。任务计算完成后对执行车辆与请求车辆链路断开的情况,利用控制器的集中智能,计算出数据包的转发路径,完成计算结果的回传。对目前单一控制器在车辆基数大,请求频繁时发生故障的现象,设计了控制器代理模块,该模块通过接收控制器的策略信息完成车辆的请求。最后,本文在Mininet-WiFi网络模拟器中分别进行了距离优先策略和计算能力优先策略的仿真,实验结果表明周边车辆少时以距离优先排序的任务完成率高;反之,以计算能力优先排序的任务完成率高,并以车辆向基站上传数据为例验证控制器代理模块的可行性。(本文来源于《长安大学》期刊2019-04-12）
任务迁移论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为保障边缘计算的服务质量,提出一种在多约束条件下边缘计算可信协同任务迁移策略。该策略基于任务需求,由边缘计算协同服务盟主节点组织调度协同服务盟员,基于用户任务迁移的K维权重指标,确定协同盟员调度优先级,以盟员负载均衡性为适应函数,通过贪心算法执行盟员任务分配与调度,基于路由捎带选择备用节点,通过迁移优先级评估,实现协同服务异常时的调度和迁移,由此提高边缘计算任务迁移的服务质量,保障任务迁移的可靠性。仿真实验表明,该机制能有效完成协同任务分发与迁移调度,提高边缘计算协同效率,保障网络服务质量。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
任务迁移论文参考文献
[1].华幸成,刘鹏.基于动态任务迁移的近数据处理方法[J].浙江大学学报(工学版).2019
[2].乐光学,戴亚盛,杨晓慧,朱友康,游真旭.边缘计算多约束可信协同任务迁移策略[J].电信科学.2019
[3].郑利阳,刘茜萍.移动云计算环境下基于任务依赖的计算迁移研究[J].计算机应用与软件.2019
[4].周龙雨,杨宁,乔冠华,张科,郑其林.一种能效优先的物联网任务协同迁移策略[J].物联网学报.2019
[5].吕昕晨.移动边缘计算任务迁移与资源管理研究[D].北京邮电大学.2019
[6].陈佳熠.移动终端分布式网络环境下计算迁移任务调度技术研究[D].北京邮电大学.2019
[7].李柯.StopSignal任务训练对青少年和成人抑制能力的改善及迁移效应[D].东北师范大学.2019
[8].林云.基于移动云平台的移动应用节能任务迁移方案[J].信息与电脑(理论版).2019
[9].孟浩,霍如,郭倩影,黄韬,刘韵洁.基于机器学习的MEC随机任务迁移算法[J].北京邮电大学学报.2019
[10].尹慧慧.软件定义车联网计算任务迁移和调度研究[D].长安大学.2019
论文知识图
