移动边缘计算不确定性任务持续卸载及资源分配方法

移动边缘计算场景中任务的不确定性增加了任务卸载及资源分配的复杂性和难度.鉴于此,提出一种移动边缘计算不确定性任务持续卸载及资源分配方法.首先,构建一种移动边缘计算不确定性任务持续卸载模型,通过基于持续时间片划分的任务多批次处理技术应对任务的不确定性,并设计多设备计算资源协同机制提升对计算密集型任务的承载能力.其次,提出一种基于负载均衡的自适应策略选择算法,避免计算资源过度分配导致信道拥堵进而产生额外能耗.最后,基于泊松分布实现了对不确定任务场景模型的仿真,大量实验结果表明时间片长度减小能够降低系统总能耗.此外,所提算法能够更有效地实现任务卸载及资源分配,相较于对比算法,最大可降低能耗11.8%.     

面向优先级用户的移动边缘计算任务调度策略

随着移动终端处理的数据量及计算规模不断增加,为降低任务处理时延、满足任务的优先级调度需求,结合任务优先级及时延约束,提出了基于任务优先级的改进min-min调度算法（task priority-based min-min,TPMM）。该算法根据任务的处理价值及任务的数据量计算任务的优先级,结合任务截止时间、服务器调度次数制定资源匹配方案,解决了边缘网络中服务器为不同优先级的用户进行计算资源分配的问题。仿真实验结果表明,该算法可以均衡服务器利用率,并有效降低计算处理的时延,提高服务器在任务截止处理时间内完成任务计算的成功率,相比min-min调度算法,TPMM算法最多可降低78.45%的时延,提高80%的计算成功率;相比max-min调度算法,TPMM算法最多可降低80.15%的时延并提高59.7%的计算成功率;相比高优先级（high priority first,HPF）调度算法,TPMM算法最多降低59.49%的时延,提高57.7%的计算成功率。     

SAGA:一种面向任务的卫星网络资源分配算法

针对现有卫星网络多资源、多任务约束下的资源分配,没有同时考虑任务完成时间和任务优先级导致的任务总体完成时间过长、任务优先级匹配度不高等问题,定义了任务序列优先级逆序数,建立了以任务总体完成时间最短和任务序列优先级逆序数最小为目标的约束模型,提出了一种自适应遗传算法并对模型进行求解.该算法利用精英保留的思想改进了采用轮盘赌策略的选择算子并且给出了一种能够自适应更新自身概率的变异、交叉算子,解决了标准遗传算法容易陷入局部最优的缺陷,避免了最优解的丢失.仿真实验验证表明,本文算法在任务总体完成时间方面降低了15.84%,在优先级逆序数方面降低了24.32%,有效解决了卫星网络多资源、多任务约束下的多目标分配问题.     

μC/OS-Ⅱ优先级反转与死锁问题的解决

μC/OS-Ⅱ没有真正实现优先级继承协议解决优先级反转,也没有提供有效的死锁解决方法。对任务管理机制改进后,扩展了同优先级任务的时间片轮转调度算法,实现了真正的优先级继承协议;并且使用资源请求、分配矩阵来表示资源分配情况,在任务申请资源阻塞时进行死锁的检测与解除。通过性能分析与测试验证证明了改进算法的有效性和实时性。     

基于联合决策模型的物联网边缘计算资源分配

随着应用需求的增加,一些场景要求物联网能够支持密集型计算任务.传统物联网只能提供单机资源,且负载能力有限,无法有效解决时延、资源与任务的配置问题.于是提出基于联合决策模型的物联网边缘计算资源分配方法,利用边缘网络的计算优势来弥补物联网节点本地计算资源的不足,从而提高任务时延与峰值负载的性能.先从时延、能耗、计算资源和带宽资源方面进行分析,并考虑了节点移动、数据传输和卸载等情况带来的问题.根据时间和各类资源模型的分析,建立联合模型来得到资源分配调度的最佳决策,将最小卸载模型推演至最高总效用模型,并通过最速下降法对模型进行分解,在任务卸载率一定时,求解得到资源分配情况.通过动态时变物联网环境下的仿真,得到所提方法能够在较短的执行时间内,达到较高的任务完成率,且保持较低的能耗和资源分配数量.结果表明所提方法能够适应动态时变的物联网应用需求,有效完成任务与资源的卸载决策与调度分配.     

智慧煤矿中边缘计算任务分配研究

目前智慧煤矿边缘计算中的任务分配大多采用集中式分配算法,划分任务优先级时考虑的因素较单一,且未考虑煤矿网络拓扑的窄长型特征。针对该问题,结合煤矿场景下任务的特点,提出一种基于动态优先级和实时竞价策略的边缘计算任务分配策略。对任务进行分类:一方面,将计算量超过边缘节点计算能力的任务直接上传至云端进行处理;另一方面,将能够在边缘计算层处理的任务按重要程度划分为3个等级:第1等级为环境监控相关任务及工作人员安全操作规程检测相关任务;第2等级为生产过程设备状态监控相关任务;第3等级为其他常规任务。但仅仅按照这3个等级进行任务分配,会导致优先级低的任务被优先级高的任务阻塞。必须考虑任务的紧迫程度,让临近截止时间的任务提高优先级。根据任务的固定优先级、紧迫程度和计算量动态生成优先级并更新任务队列。针对煤矿井下巷道狭长、传输受限等特点,建立任务分配的实时竞价模型,通过边缘节点计算能力、处理时间、能耗和等待时间4个因素确定边缘节点对任务的报价,请求节点将任务传输到2跳范围内处理代价最低且满足任务需求的边缘节点执行,从而完成任务分配。仿真结果表明,所提任务分配策略可将任务分配到算力匹配的边缘节点进行处理,使边缘节点优先处理紧迫且重要的任务,在降低时延和能耗、优化资源分配方面取得了较好的效果。     

考虑任务依赖的卫星边缘计算资源分配与卸载决策算法

针对高低轨卫星网络协同边缘计算的卸载决策问题,提出了一种考虑任务依赖的联合计算资源、无线资源分配与任务调度的卫星网络边缘计算卸载决策算法。首先,将任务卸载问题建模为最小化任务延迟和能量消耗的联合优化问题;然后,将能源消耗和时延引入子任务优先级定义中,基于动态优先级进行启发式卸载策略搜索。该算法保证了子任务之间的依赖性并同时考虑了无线资源分配。仿真结果表明,与已有研究相比,该算法能缩短高低轨卫星协同计算的任务执行延迟,且能够降低低轨卫星功耗。     

MEC中卸载决策与资源分配的深度强化学习方法

在移动边缘计算（MEC）服务器计算资源有限且计算任务具有时延约束的情况下,为缩短任务完成时间并降低终端能耗,提出针对卸载决策与资源分配的联合优化方法。在多用户多服务器MEC环境下设计一种新的目标函数以构建数学模型,结合深度强化学习理论提出改进的Nature Deep Q-learning算法Based DQN。实验结果表明,在不同目标函数中,Based DQN算法的优化效果优于全部本地卸载算法、随机卸载与分配算法、最小完成时间算法和多平台卸载智能资源分配算法,且在新目标函数下优势更为突出,验证了所提优化方法的有效性。     

基于5G的MEC系统资源分配方法

为了保证边缘计算技术（Mobile Edge Computing,MEC）系统的均衡性,引进了5G技术。以某MEC系统为例,开展了资源分配方法的设计。首先,计算MEC系统网络场景信道之间的增益值,构建基于5G移动通信技术的MEC系统网络场景信道模型;其次,设定系统服务器正在本地计算资源的调度与分配,计算系统分配资源时的能耗与MEC系统资源分配时延;最后,考虑MEC系统在运行过程中受以太网主链侧计算资源与任务时延的约束,因此要合理化分配系统资源,采用建立目标函数的方式,优化系统能耗迁移与资源分配。由于设计的资源分配方法实际应用效果良好,证明了该方法可以提高资源分配后MEC系统的均衡性,为用户提供更加优质的上网服务。     

多优先级感兴趣区H.264计算资源分配

移动设备有限的电池能量是实时手语视频通信所面临的关键制约因素.为此,提出多优先级感兴趣区的H.264计算资源分配方法.从原始手语视频中快速检测出面部、双手和背景区域,依据视觉重要性的不同,给面部和双手区域分配较多的计算资源,给背景区域分配较少的计算资源.实验结果表明,该方法在保证手语视频感兴趣区编码质量的同时,可以大幅降低编码器的计算复杂度,减少电池能量消耗,延长能量受限设备的工作时间.     

基于粒子群算法的移动边缘计算任务分配方法

为提高移动终端任务分配效率,降低计算能量损耗,提出基于粒子群算法的移动边缘计算任务分配方法。通过构建异构网络获取完整的需要分配的任务,明确任务分配时所需的特定条件,即分配消耗和时延等。将分配任务转化成寻找分配结果的最优解,构建最优解模型,利用粒子群算法对模型实施求解,经过不断迭代和更新,生成最优边缘计算任务的分配结果。实验结果表明,粒子群方法在分配任务数量为20~100之间时计算时间在1 s~3.3 s;当任务数量为100时,本文方法能耗仅为4107 J;粒子群方法在任务达到率达到100%时,其时延仅为12.5 ms;其任务分配计算时间短、能量消耗小和数据传输的时延短,能较好地满足实际应用需要。     

移动边缘计算中基于Lyapunov的任务卸载与资源分配算法

移动边缘计算（MEC）通过将计算和存储资源部署在无线网络边缘,使得用户终端可将计算任务卸载到边缘服务器进行处理,从而缓解终端设备资源受限与高性能任务处理需求之间的冲突。但随着任务卸载规模的不断增加,执行任务所产生的功耗急剧上升,严重影响了MEC系统的收益。建立任务队列动态调度模型,以队列上溢概率为约束构建最大化系统平均收益的资源优化模型。考虑到资源优化问题为不同时隙下的耦合问题,运用Lyapunov优化理论设计一种基于单时隙的资源分配算法,将优化问题转化为用户本地计算资源分配、功率和带宽资源分配以及MEC服务器计算资源分配3个子问题并分别进行求解。仿真结果表明,该算法在满足用户QoS需求的同时能够有效提高MEC系统的时间平均收益。     

An Advanced Dynamic Scheduling for Achieving Optimal Resource Allocation

Cloud computing distributes task-parallel among the various resources. Applications with self-service supported and on-demand service have rapid growth. For these applications, cloud computing allocates the resources dynamically via the internet according to user requirements. Proper resource allocation is vital for fulfilling user requirements. In contrast, improper resource allocations result to load imbalance, which leads to severe service issues. The cloud resources implement internet-connected devices using the protocols for storing, communicating, and computations. The extensive needs and lack of optimal resource allocating scheme make cloud computing more complex. This paper proposes an NMDS (Network Manager based Dynamic Scheduling) for achieving a prominent resource allocation scheme for the users. The proposed system mainly focuses on dimensionality problems, where the conventional methods fail to address them. The proposed system introduced three –threshold mode of task based on its size STT, MTT, LTT (small, medium, large task thresholding). Along with it, task merging enables minimum energy consumption and response time. The proposed NMDS is compared with the existing Energy-efficient Dynamic Scheduling scheme (EDS) and Decentralized Virtual Machine Migration (DVM). With a Network Manager-based Dynamic Scheduling, the proposed model achieves excellence in resource allocation compared to the other existing models. The obtained results shows the proposed system effectively allocate the resources and achieves about 94% of energy efficient than the other models. The evaluation metrics taken for comparison are energy consumption, mean response time, percentage of resource utilization, and migration.     

MEC中资源分配与卸载决策联合优化策略

针对移动边缘计算(MEC)中用户任务处理时延与能耗过高的问题,提出了“云-边-端”三层MEC计算卸载结构下的资源分配与卸载决策联合优化策略。首先,考虑系统时延与能耗,将优化问题规划为系统总增益(任务处理时延与能耗相对减少的加权和)最大化问题;其次,为用户任务设置优先级,并根据任务数据量初始化卸载决策方案;然后,采用均衡传输性能的信道分配算法为卸载任务分配信道资源,对于卸载至同一边缘服务器上的任务以最大化资源收益为目标进行资源竞争,实现计算资源最优配置;最后,基于博弈论证明优化问题为关于卸载决策的势函数,即存在纳什均衡,并利用迭代增益值比较法得到了纳什均衡下的卸载决策方案。仿真结果表明,所提联合优化策略在满足用户处理时延要求的情况下最大化系统总增益,有效地提高了计算卸载的性能。     

基于异步奖励深度确定性策略梯度的边缘计算多任务资源联合优化

移动边缘计算（MEC）系统中,因本地计算能力和电池能量不足,终端设备可以决定是否将延迟敏感性任务卸载到边缘节点中执行。针对卸载过程中用户任务随机产生且系统资源动态变化问题,提出了一种基于异步奖励的深度确定性策略梯度（asynchronous reward deep deterministic policy gradient,ARDDPG）算法。不同于传统独立任务资源分配采用顺序等待执行的策略,该算法在任务产生的时隙即可执行资源分配,不必等待上一个任务执行完毕,以异步模式获取任务计算奖励。ARDDPG算法在时延约束下联合优化了任务卸载决策、动态带宽分配和计算资源分配,并通过深度确定性策略梯度训练神经网络来探索最佳优化性能。仿真结果表明,与随机策略、基线策略和DQN算法相比,ARDDPG算法在不同时延约束和任务生成率下有效降低了任务丢弃率和系统的时延和能耗。     

Energy efficient and robust allocation of interdependent tasks on mobile ad hoc computational grid

A mobile ad hoc computational grid is a distributed computing infrastructure that allows mobile nodes to share computing resources in a mobile ad hoc environment. Compared to traditional distributed systems such as grids and clouds, resource allocation in mobile ad hoc computational grids is not straightforward because of node mobility, limited battery power and an infrastructure‐less network environment. The existing schemes are either based on a decentralized architecture that results in poor allocation decisions or assume independent tasks. This paper presents a scheme that allocates interdependent tasks and aims to reduce task completion time and the amount of energy consumed in transmission of data. This scheme comprises two key algorithms: resource selection and resource allocation. The resource selection algorithm is designed to select nodes that remain connected for a longer period, whereas the resource assignment or allocation algorithm is developed to allocate interdependent tasks to the nodes that are accessible at the minimum transmission power. The scheme is based on a hybrid architecture that results in effective allocation decisions, reduces the communication cost associated with the exchange of control information, and distributes the processing burden among the nodes. The paper also investigates the relationship between the data transfer time and transmission energy consumption and presents a power‐based routing protocol to reduce data transfer costs and transmission energy consumption. Copyright © 2014 John Wiley & Sons, Ltd.     

Computational Markets to Regulate Mobile-Agent Systems

Mobile-agent systems allow applications to distribute their resource consumption across the network. By prioritizing applications and publishing the cost of actions, it is possible for applications to achieve faster performance than in an environment where resources are evenly shared. We enforce the costs of actions through markets, where user applications bid for computation from host machines.We represent applications as collections of mobile agents and introduce a distributed mechanism for allocating general computational priority to mobile agents. We derive a bidding strategy for an agent that plans expenditures given a budget, and a series of tasks to complete. We also show that a unique Nash equilibrium exists between the agents under our allocation policy. We present simulation results to show that the use of our resource-allocation mechanism and expenditure-planning algorithm results in shorter mean job completion times compared to traditional mobile-agent resource allocation. We also observe that our resource-allocation policy adapts favorably to allocate overloaded resources to higher priority agents, and that agents are able to effectively plan expenditures, even when faced with network delay and job-size estimation error.     

基于效益博弈的云计算资源动态可协调分配策略研究

在对用户的任务进行计算资源分配时,为了有效提高计算资源的利用效率,减少任务执行所需要的成本,提出了一种基于效益博弈的云计算资源动态可协调分配机制。该机制采用时间矩阵和费用矩阵作为任务效益的衡量指标,提出效益博弈模型,通过该模型的效益计算方程来得到最好的资源分配策略。为了使得计算资源能够合理地按需进行分配,提出了动态可协调分配机制,在合理地分配资源,满足所有任务正常执行时所需资源的同时,最大化任务的执行效益。实验仿真及对比结果表明,在任务完成时间、任务执行的平均成本、任务完成成功率上,本文算法都取得了较好的效果。     

无人机无线网络中基于队列稳定的无线与计算资源分配优化

无人机(UAV)无线网络中,UAV承载基站设备,可灵活提供无线通信服务,支持在高质量的无线信道状态下进行数据传输;另一方面,将边缘计算服务器部署到基站侧,计算资源更靠近用户,通过任务卸载,能够直接在基站侧进行计算处理,缓解无线网络的去程链路压力;但是,考虑到能耗受限问题,如何通过资源优化来降低网络能耗并保证用户到基站的数据传输和任务处理的稳定性依然是研究的难题;针对UAV无线网络中用户向UAV基站发送数据并卸载计算任务的场景,研究了在数据传输和任务处理稳定性约束下进行无线与计算资源优化的能耗最小化问题,构建数据队列与任务队列,采用李雅普诺夫优化理论对问题进行转化和分解,获得能耗与队列的折中关系,并通过仿真分析评估了所提解决方案的有效性。