移动云计算中基于延时传输的多目标工作流调度

云计算和移动互联网的不断融合,促进了移动云计算的产生与发展.在移动云计算环境下,用户可将工作流的任务迁移到云端执行,这样不但能够提升移动设备的计算能力,而且可以减少电池能源消耗.但是不合理的任务迁移会引起大量的数据传输,这不仅损害工作流的服务质量,而且会增加移动设备的能耗.基于此,本文提出了基于延时传输机制的多目标工作流调度算法MOWS-DTM.该算法基于遗传算法,结合工作流的调度过程,在编码策略中考虑了工作流任务的调度位置和执行排序.由于用户在不断移动的过程中,移动设备的无线网络信号也在不断变化.当传输一定大小的数据时,网络信号越强则需要的时间越少,从而移动设备的能耗也越少.而且工作流结构中存在许多非关键任务,延长非关键任务的执行时间并不会对工作流的完工时间造成影响.因此,本文在工作流调度过程中融入了延时传输机制DTM,该机制能够同时有效地优化移动设备的能耗和工作流的完工时间.仿真结果表明,相比MOHEFT算法和RANDOM算法,MOWS-DTM算法在多目标性能上更优.     

一种均衡的移动云计算任务迁移决策算法

移动云计算可以通过任务迁移将计算复杂型应用从移动设备卸载至云端执行。然而,任务迁移涉及数据的无线传输,会导致传输延时和传输能耗。为了作出任务迁移的最佳决策,提出一种均衡的移动云计算任务迁移决策算法。算法将任务迁移决策问题建立为Lagrange乘子的非线性优化模型,模型同步考虑了任务迁移后的执行时间代价和执行能耗代价;为了更准确地求解迁移决策,设计一种考虑用户应用动态行为的统计回归模型进行任务执行时间的估算,从而获得时间-能耗均衡性能的任务迁移决策。利用N皇后问题和面部识别应用两种任务类型对算法进行了仿真测试分析。结果表明,在平均执行时间、执行能耗、预测准确性等方面,所提算法较对比算法均表现出较好的优势。     

DMAPSM：分级移动IPv6的动态切换MAP机制

针对分级移动IPv6进行域间切换延时过长的问题,提出了一种动态切换MAP机制的分级移动IPv6模型,在树状MAP的网络环境中,通过动态地改变移动节点当前注册的MAP,避免了域间切换的产生,并且有效地分担了MAP的负荷,缩短了注册信息在网络中传输的时间,减少了切换延时。通过NS-2网络模拟实验,验证了机制的有效性。     

一种基于预测的移动IPv6动态调整快速切换算法

移动IPv6协议是下一代网络中移动节点实现无缝漫游的一种基本技术.但移动IPv6切换时延迟较大,不能满足实时业务的需求.本文提出一种基于预测的移动IPv6动态调整快速切换算法,根据移动节点的运动轨迹和移动速度预测出提前三层切换的正确时机,实现在二层切换之前完成三层切换,减少切换延迟.利用以前的三层切换时间,动态调整时间比较参数Treg,减少预测误差.仿真结果证明本算法在切换延迟和丢包率方面性能优越.     

支持路径选择与快速切换的移动网络接入路由器安全Mesh(英文)

性能一直是网络移动投入实际运营的瓶颈所在,而现有认证机制产生的延时使之雪上加霜.文中为多穴嵌套移动网络的接入路由器Mesh引入一种高效的双向认证机制,基于此提出最优路径选择算法和接入失效快速恢复算法,以提高移动网络的整体性能,尤其是延时的降低.文中,基于固定AAA基础设施和动态可信邻居的安全关联转移被用于减少路由器Mesh的认证延时,其行为评估机制降低了路由器攻击或欺骗对路径评价的影响;基于顶层接入路由器网络前缀的移动路由器转交地址配置被用于消除嵌套接入环境下的多角路由和隧道嵌套问题,而必要时临时隧道和反向路由头可以替代随切换而来的绑定过程以缩短切换延时,最后通过接入路由器评价生成到达Internet的最优路径.定性分析与仿真分析表明,由于异域网络间建立安全关联的高效性,加上行为评估、路径评估和快速切换产生的性能优化作用,文中的安全Mesh在吞吐量、传输延时和切换延时方面较同类方案更加高效.     

一个具有链路层支持的快速Mobile IP切换算法

由于目前流行的Mobile IP切换都假定了IP层无法得到链路层信息,所以,只能通过周期性地广播代理广告来实现位置移动检测,因而浪费了无线带宽,延长了切换时间,降低了TCP性能.一方面随着无线网络带宽的不断增高(当前的带宽已达到2Mbps),无线链路上的信息传输延迟将越来越小;另一方面,在移动计算环境中,如果IP层能够及时获得一些无线链路层的信息,那么上述的缺点就能被有效地克服.本文提出了一种具有链路层支持的快速Mobile IP切换算法,分析了快速Mobile IP切换算法和三个已知切换算法的切换时间,并在我们已完成的宽带无线IP网络中对上述切换算法进行了对比实验.理论分析和对比实验均表明快速Mobile IP切换算法的延迟降低了一个数量级且极大地改善了TCP性能.     

一种无线异构网络的自适应垂直切换算法

针对移动节点在异构网络间切换性能不理想的问题,提出了一种自适应主动预测的垂直切换算法。采用一种面向当前应用程序的代价函数对可接入网络进行评估与选择;根据稳定周期、移动节点的运动速度及所处位置来自动调整切换执行时间,使移动节点能自适应地进行切换判决。仿真结果表明,该算法可以有效地减少切换延迟、分组丢失及切换次数,提高系统的切换性能,改善业务的QoS。     

移动云计算环境下基于任务依赖的计算迁移研究

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。     

基于加速度预测的异构网络切换算法

本文为高速移动终端提供一种基于加速度预测的异构网络垂直切换算法,使用场景如高速公路的直线路段.利用加速度预测算法得到下一采样时刻的速度,将预测速度与采样时间相乘得到终端运动距离,然后将所得到的运动距离与当前终端的位置进行矢量叠加得到下一时刻的位置.最后利用距离与信号强度之间的关系分别对下一采样时刻的WIMAX网络和LTE网络的信号强度进行预测.根据预测到的信号强度,结合经典的基于驻留时间和迟滞电平算法,提出了一种有效解决乒乓效应和切换延时的异构网络切换算法.通过实验可得,相比较于传统基于驻留时间算法,本算法在保证信号强度可靠的前提下,能减少约10%切换的次数,并降低切换延时.     

联合频谱切换调度和QoS重路由的性能优化算法

频谱切换技术可以降低无线传输干扰、优化网络结构,成为无线网络研究的热点。现有频谱切换技术忽视了频谱切换执行顺序对网络性能的影响,无法保证网络在切换过程中的连通性和吞吐量。为了最大化网络吞吐量,提出一新的频谱切换调度问题(SHSTM:Spectrum Handoff Scheduling for Throughput Maximization),并证明SHSTM是NP难问题。为解决SHSTM问题,提出联合频谱切换调度和QoS重路由的跨层优化算法JSHSQ-R。在JSHSQ-R中,频谱切换分多轮执行。为了减少切换延时并保证网络连通性,该算法基于加权最小生成树来确定每轮需要切换的链路,并在切换过程中为数据流进行重路由来满足数据流的QoS需求。在NS2上进行了大量仿真实验,结果表明所提算法能够充分利用无线网状网多接口多信道资源,并能为多流提供较高的网络吞吐量保证。     

Multi-device task offloading with time-constraints for energy efficiency in mobile cloud computing

Nowadays, in order to deal with the increasingly complex applications on mobile devices, mobile cloud offloading techniques have been studied extensively to meet the ever-increasing energy requirements. In this study, an offloading decision method is investigated to minimize the energy consumption of mobile device with an acceptable time delay and communication quality. In general, mobile devices can execute a sequence of tasks in parallel. In the proposed offloading decision method, only parts of the tasks are offloaded for task characteristics to save the energy of multi-devices. The issue of the offloading decision is formulated as an NP-hard 0–1 nonlinear integer programming problem with time deadline and transmission error rate constraints. Through decision-variable relaxation from the integer to the real domain, this problem can be transformed as a continuous convex optimization. Based on Lagrange duality and the Karush–Kuhn–Tucker condition, a solution with coupled terms is derived to determine the priority of tasks for offloading. Then, an iterative decoupling algorithm with high efficiency is proposed to obtain near-optimal offloading decisions for energy saving. Simulation results demonstrate that considerable energy can be saved via the proposed method in various mobile cloud scenarios.     

移动云计算中能效感知的计算卸载机制研究

移动云计算可以将任务从移动设备计算卸载至云端以增强设备计算能力,而如何实现能效计算卸载机制是当前的主要挑战。为了解决该问题,以降低移动设备能耗和应用完成时间为目标,将计算卸载问题形式化为满足任务顺序与截止时间约束的能效代价最小化问题,并提出一种动态能效感知计算卸载算法。算法由三个子算法组成：计算卸载选择、时钟频率控制及传输功率分配。实验结果表明,通过局部计算时优化调整移动设备CPU时钟频率,以及云端计算时自适应分配传输功率,新算法可以有效降低应用执行能效代价,同时确保满足约束条件,提高执行效率。     

移动边缘计算中资源受限的串行任务卸载策略

云计算和移动互联网的不断融合，促进了移动云计算的产生和发展，但是其难以满足终端应用对带宽和延迟的需求.移动边缘计算在靠近用户的网络边缘提供计算和存储能力，通过计算卸载，将终端任务迁移至边缘服务器上面执行，能够有效降低应用延迟和节约终端能耗.然而，目前针对移动边缘环境任务卸载的主要工作大多考虑单个移动终端和边缘服务器资源无限的场景，这在实际应用中存在一定的局限性.因此，针对边缘服务器资源受限下的任务卸载问题，提出了一种面向多用户的串行任务动态卸载策略（multi-user serial task dynamic offloading strategy，简称MSTDOS）.该策略以应用的完成时间和移动终端的能量消耗作为评价指标，遵循先来先服务的原则，采用化学反应优化算法求解，充分考虑多用户请求对服务器资源的竞争关系，动态调整选择策略，为应用做出近似最优的卸载决策.仿真结果表明，MSTDOS策略比已有算法能够取得更好的应用性能.     

基于延迟接受的多用户任务卸载策略

随着人工智能的应用对计算资源的要求越来越高,移动设备由于计算能力和存储能量有限而无法处理这类有实时性需求的计算密集型应用。移动边缘计算(Mobile Edge Computing,MEC)可以在无线网络边缘提供计算卸载服务,达到缩短时延和节约能源的目的。针对多用户依赖任务卸载问题,在综合考虑时延与能耗的基础上建立用户依赖任务模型,提出了基于延迟接受的多用户任务卸载策略(Multi-User Task Offloading Based on Delayed Acceptance,MUTODA),用于解决时延约束下最小化能耗的任务卸载问题。该策略通过非支配的单用户最优卸载策略和解决资源竞争的调整策略两个步骤的不断迭代,来解决多用户任务卸载问题。实验结果表明,相比基准策略和启发式策略,基于延迟接受的多用户任务卸载策略能够提高约8%的用户满意度,节约30%~50%的移动终端能耗。     

基于移动云计算的计算迁移能效算法

移动云计算可以通过应用任务的计算迁移降低执行延时和改善移动设备能效,但面对多云站点选择时,迁移决策是NP问题。针对该问题,提出一种能效计算迁移算法。为了实现截止期限和预算约束下执行时间与代价的多目标优化,算法将优化过程分解为三步进行。首先根据用户对时间与代价参数的偏好,设计一种CTTPO算法对应用进行分割,生成迁移模块（云端站点执行）和非迁移模块（移动设备执行）;然后为了实现云端多站点间的迁移模块调度,设计一种基于教与学最优化方法的MTS算法,进而产生效率最优的应用调度解;最后设计一种基于动态电压缩放方法的ESM算法,通过多站点的性能缩放进一步降低应用执行能耗。通过两种随机应用结构图进行了仿真实验,实验结果证明,该算法在执行效率、执行代价以及执行能耗上要优于对比算法。     

基于强化学习的移动边缘计算任务卸载方法

最佳卸载策略直接影响移动计算任务卸载的时延与能耗,因此提出基于强化学习方法的移动边缘计算任务卸载方法。首先对移动设备的计算任务卸载形式展开具体分析,并基于分析结果获取计算任务卸载能量消耗、发射功率、传输速率等相关参数值,以此建立移动边缘计算任务卸载模型。最后基于建立的卸载模型结合Q-Learning算法对计算任务实施强化学习,找出计算任务的最佳卸载策略,从而实现移动边缘计算任务的实时卸载。实验结果表明,使用强化学习方法开展移动边缘计算任务卸载时,卸载能耗低、时延小。     

一种基于遗传算法的多边缘协同计算卸载方案

边缘计算(Edge Computing,EC)作为云计算的补充,在处理lOT设备产生的计算任务时可以保证计算的延时符合系统的要求。针对在传统卸载场景中,由于计算任务到达存在空窗期导致异地边缘云存在空闲状态,造成异地边缘云利用不充分的问题,文中提出了一种基于遗传算法的多边缘与云端协同计算卸载模型(Genetic Algorithm-based Multi-edge Collaborative Computing Offloading Model,GAMCCOM)。该计算卸载方案联合本地边缘和异地边缘进行任务卸载,并采用遗传算法进行求解,从而得到同时考虑时延和能耗的最小的系统代价。通过仿真实验结果可知,在综合考虑卸载系统的时延消耗和能量消耗的情况下,该方案相比基本的三层卸载方案系统整体代价降低了23%,在只考虑时延消耗和只考虑能量消耗的情况下依然分别能够降低系统代价17%和15%。因此针对边缘计算的不同卸载目标,GAMCCOM卸载方案对系统代价均有比较优秀的降低效果。     

基于光纤-无线网络的协同计算卸载算法

随着无源光网络的发展,光纤-无线网络能同时支持集中式云和边缘云计算技术,成为一种具有发展前景的网络结构。但是,现有的基于光纤-无线网络的任务协同计算卸载研究主要以最小化移动设备的能耗为目标,忽略了实时性高的任务的需求。针对实时性高的任务,提出了以最小化任务的总处理时间为目标的集中式云和边缘云协同计算卸载问题,并对其进行形式化描述。同时,通过将该问题归约为装箱问题,从而证明其为NP难解问题。提出一个启发式协同计算卸载算法,该算法通过比较不同卸载策略的任务处理时间,优先选择时间最短的任务卸载策略。同时,提出一个定制的遗传算法,获得一个更优的任务卸载策略。实验结果表明,与现有的算法相比,本文提出的启发式算法得到的任务卸载策略平均减少4.34%的任务总处理时间,而定制的遗传算法的卸载策略平均减少18.41%的任务总处理时间。同时,定制的遗传算法的卸载策略与本文提出的启发式算法相比平均减少14.49%的任务总处理时间。     

基于能耗与延迟优化的移动边缘计算任务卸载模型及算法

随着移动边缘计算的兴起,如何处理边缘计算任务卸载成为研究热点问题之一。针对多任务-多边缘服务器的场景,本文首先提出一种基于能量延迟优化的移动边缘计算任务卸载模型,该模型考虑边缘设备的剩余电量,使用时延、能耗加权因子计算边缘设备的总开销,具有延长设备使用时间、减少任务卸载时延和能耗的优点。进一步提出一种基于改进遗传算法的移动边缘计算任务卸载算法,将求解最优卸载决策的问题转化为求解种群最优解的问题。对比仿真实验结果表明,本文提出的任务卸载模型和算法能够有效求解任务卸载问题,改进后的任务卸载算法求解更精确,能够避免局部最优解,利于寻找最优任务卸载决策。