针对移动云计算任务迁移的快速高效调度算法

计算量较大的应用程序由于需要大量的能耗,因此在电池容量有限的移动设备上运行时十分受限。云计算迁移技术是保证此类应用程序在资源有限的设备上运行的主流方法。针对无线网络中应用程序任务图的调度和迁移问题,提出了一种快速高效的启发式算法。该算法将能够迁移到云端的任务都安排在云端完成这种策略作为初始解,通过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,并依据任务间的通讯时间及时更新各个任务的能耗节省量。为了寻找全局最优解,构造了适用于此问题的禁忌搜索算法,给出了相应的编码方法、禁忌表、邻域解以及算法终止准则。构造的禁忌搜索算法以提出的启发式解为初始解进行全局搜索,并实现对启发解的进一步优化。通过 实验 将所提方法与无迁移、随机迁移、饱和迁移3类算法进行对比,结果表明提出的启发式算法能够快速有效地给出能耗更小的解。例如,在宽度为10的任务图上,当深度为8时,无迁移、随机迁移与饱和迁移的能耗分别为5461、3357和2271能量单位,而给出的启发解对应的能耗仅为2111。在此基础上禁忌搜索算法又将其能耗降低到1942, 这进一步说明了提出的启发式算法能够产生高质量的近似解。     

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。     

移动边缘计算中的端到端任务分配算法

为了提高移动应用程序的运行效率,移动边缘计算将部分任务从终端设备迁移到边缘云中计算来缩减应用程序的运行时间和终端设备的能耗。针对应用程序所需的总代价即能耗和时间两个目标进行了研究,提出一个移动边缘计算模型和基于贪心策略的快速算法（HGA）;构造了一个结合贪心策略的粒子群（HPSO）算法,进一步优化HGA的解。实验结果表明,与传统所有任务只在一个设备上执行和尽可能上传云端执行两种策略相比,提出的HGA总代价分别优化28.5%和9.1%;与HGA相比,HPSO算法总代价减少12.3%;即所提算法能有效减少系统的总代价,更加满足用户需求。     

一种基于K-shell影响力最大化的路径择优计算迁移算法

在移动边缘计算网络中,高效的计算迁移算法是移动边缘计算的重要问题之一.为了提高计算迁移算法性能,应用同类问题的相互转换性和最大化影响力模型,利用K-shell算法对边缘服务器进行等级划分,考虑边缘服务器负载过重问题,构建路径重叠(path overlap,PO)算法,引入通信质量、交互强度、列队处理能力等指标进行边缘服务器路径优化,将优化计算任务迁移路径问题转化为社会网络影响力最大化问题求解.基于K-shell影响力最大化思想,联合优化改进贪心与启发式算法,提出一种K-shell影响力最大化计算迁移(K-shell influence maximization computation offloading,Ks-IMCO)算法,求解计算迁移问题.与随机分配(random allocation,RA)算法、支持路径切换选择的(path selection with handovers,PSwH)算法在不同实验场景下对比分析,Ks-IMCO算法的能耗、延迟等明显提升,能有效提高边缘计算网络计算迁移的效率.     

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。     

基于移动云平台的移动应用节能任务迁移方案

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%。     

基于GA-BPSO算法的MEC卸载决策

针对移动智能设备(SMD)的算力、内存和能量等无法满足计算密集型需求的问题，提出一种应用任务卸载到高性能边缘服务器的计算卸载。根据任务计算、传输等情况下的能耗和时延，构建出卸载决策系统模型；根据SMD和边缘服务器的计算能力等情况，降低SMD能耗为目标，将任务卸载决策问题描述为一个非线性约束优化问题；为对约束优化问题求解提出GA-BPSO算法，算法中将静态学习因子改为动态学习因子，将最优个体引入交叉操作中，扩大算法在解空间中的探索能力。通过实验验证GA-BPSO算法能在较短时间内收敛，实现了SMD较低的能量消耗。     

移动边缘环境下面向工作流管理的计算迁移方法

针对移动边缘环境下移动设备大量的能源消耗问题，为了优化移动设备的能源消耗，提出一种能耗感知的工作流计算迁移（EOW）方法。首先，基于排队论分析边缘设备中计算任务的平均等待时间，建立了移动设备的时间模型和能耗模型；然后，基于非支配排序算法（NSGA-Ⅲ）提出对应的计算迁移方法，对工作流的计算任务进行合理的分配，将一部分计算任务留在移动设备处理，或者迁移到边缘计算平台和远程云端，实现每个移动设备的节能目标；最后，通过CloudSim仿真平台对提出的计算迁移方法进行仿真和对比实验。实验结果表明，EOW方法能够明显地减少每个移动设备的能源消耗，同时满足每一个工作流的截止时间的要求。     

移动边缘计算中计算卸载方案研究综述

在移动边缘计算中通过将终端设备的计算任务卸载到边缘服务器,可以利用边缘服务器资源解决终端设备计算能力不足的问题,同时满足移动应用程序对低延迟的需求.因此,计算卸载备受关注并成为移动边缘计算的关键技术之一.本文对移动边缘计算的计算卸载研究进展进行深度调研.首先,总结归纳出两类计算卸载方法——基于启发式算法的传统方法和基于在线学习的智能方法;从最小化延迟时间、最小化能耗、权衡时间和能耗三个不同优化目标对基于启发式算法的传统计算卸载进行分析对比;梳理了基于在线学习智能计算卸载采用的底层人工智能技术;然后介绍了边缘服务器资源分配方案和新兴的移动边缘计算应用场景;最后分析计算卸载方案存在的问题并展望移动边缘计算的计算卸载研究的未来方向,为后续研究工作指明方向.     

小蜂窝云中功率与负载的联合优化分配算法

移动终端资源有限及本地服务基站资源不足会引起移动终端体验质量降低、卸载任务时延长的问题。为此,提出一种新的联合优化分配算法。基于小蜂窝信道质量和剩余可用计算资源建立小蜂窝云(SCC),按照信道质量和剩余可用计算资源分配负载(卸载任务)到SCC,并采用启发式算法求解发送功率的次优解。仿真结果表明,该算法在小蜂窝云计算场景中能提高无线与计算资源的利用率,同时提升用户的体验质量。     

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.     

边缘计算中任务卸载研究综述

近年来,随着移动智能设备的普及以及5G等无线通信技术的发展,边缘计算作为一种新兴的计算模式被提出,作为传统的云计算模式的扩展与补充。边缘计算的基本思想是将移动设备上产生的计算任务从卸载到云端转变为卸载到网络边缘端,从而满足实时在线游戏、增强现实等计算密集型应用对低延迟的要求。边缘计算中的计算任务卸载是一个关键的研究问题,即计算任务应在本地执行还是卸载到边缘节点或云端。不同的任务卸载方案对任务完成时延和移动设备能耗都有着较大的影响。文中首先介绍了边缘计算的基本概念,归纳了边缘计算的几种系统架构。随后,详细阐述了边缘计算中的计算任务卸载问题。基于对任务卸载方案研究的必要性与挑战的分析,对现有的相关研究工作进行了全面的综述和总结,并对未来的研究方向进行了展望。     

Multiobjective computation offloading for workflow management in cloudlet‐based mobile cloud using NSGA‐II

Cloudlet is a novel computing paradigm, introduced to the mobile cloud service framework, which moves the computing resources closer to the mobile users, aiming to alleviate the communication delay between the mobile devices and the cloud platform and optimize the energy consumption for mobile devices. Currently, the mobile applications, modeled by the workflows, tend to be complicated and computation‐intensive. Such workflows are required to be offloaded to the cloudlet or the remote cloud platform for execution. However, it is still a key challenge to determine the offloading resolvent for the deadline‐constrained workflows in the cloudlet‐based mobile cloud, since a cloudlet often has limited resources. In this paper, a multiobjective computation offloading method, named MCO, is proposed to address the above challenge. Technically, an energy consumption model for the mobile devices is established in the cloudlet‐based mobile cloud. Then, a corresponding computation offloading method, by improving Nondominated Sorting Genetic Algorithm II, is designed to achieve the goal of energy saving for all the mobile device while satisfying the deadline constraints of the workflows. Finally, extensive experimental evaluations are conducted to demonstrate the efficiency and effectiveness of our proposed method.     

An energy-efficient task scheduling for mobile devices based on cloud assistant

Mobile cloud computing is an emerging service model to extend the capability and the battery life of mobile devices. Mostly one network application can be decomposed into fine-grained tasks which consist of sequential tasks and parallel tasks. With the assistance of mobile cloud computing, some tasks could be offloaded to the cloud for speeding up executions and saving energy. However, the task offloading results in some additional cost during the communication between cloud and mobile devices. Therefore, this paper proposes an energy-efficient scheduling of tasks, in which the mobile device offloads appropriate tasks to the cloud via a Wi-Fi access point. The scheduling aims to minimize the energy consumption of mobile device for one application under the constraint of total completion time. This task scheduling problem is reconstructed into a constrained shortest path problem and the LARAC method is applied to get the approximate optimal solution. The proposed energy-efficient strategy decreases 81.93% of energy consumption and 25.70% of time at most, compared with the local strategy. Moreover, the applicability and performance of the proposed strategy are verified in different patterns of applications, where the time constraint, the workload ratio between communication and computation are various.     

Wi-Fi网络下多AP协作边缘计算资源分配策略

近年来, AR/VR、在线游戏、4K/8K超高清视频等计算密集且时延敏感型应用不断涌现, 而部分移动设备受自身硬件条件的限制, 无法在时延要求内完成此类应用的计算, 且运行此类应用会带来巨大的能耗, 降低移动设备的续航能力. 为了解决这一问题, 本文提出了一种Wi-Fi网络多AP (access point)协作场景下边缘计算卸载和资源分配方案. 首先, 通过遗传算法确定用户的任务卸载决策. 随后, 利用匈牙利算法为进行任务卸载的用户分配通信资源. 最后, 根据任务处理时延限制, 为进行任务卸载的用户分配边缘服务器计算资源, 使其满足任务处理时延限制要求. 仿真结果表明, 所提出的任务卸载与资源分配方案能够在满足任务处理时延限制的前提下有效降低移动设备的能耗.     

Energy-efficient multisite offloading policy using Markov decision process for mobile cloud computing

Mobile systems, such as smartphones, are becoming the primary platform of choice for a user’s computational needs. However, mobile devices still suffer from limited resources such as battery life and processor performance. To address these limitations, a popular approach used in mobile cloud computing is computation offloading, where resource-intensive mobile components are offloaded to more resourceful cloud servers. Prior studies in this area have focused on a form of offloading where only a single server is considered as the offloading site. Because there is now an environment where mobile devices can access multiple cloud providers, it is possible for mobiles to save more energy by offloading energy-intensive components to multiple cloud servers. The method proposed in this paper differentiates the data- and computation-intensive components of an application and performs a multisite offloading in a data and process-centric manner. In this paper, we present a novel model to describe the energy consumption of a multisite application execution and use a discrete time Markov chain (DTMC) to model fading wireless mobile channels. We adopt a Markov decision process (MDP) framework to formulate the multisite partitioning problem as a delay-constrained, least-cost shortest path problem on a state transition graph. Our proposed Energy-efficient Multisite Offloading Policy (EMOP) algorithm, built on a value iteration algorithm (VIA), finds the efficient solution to the multisite partitioning problem. Numerical simulations show that our algorithm considers the different capabilities of sites to distribute appropriate components such that there is a lower energy cost for data transfer from the mobile to the cloud. A multisite offloading execution using our proposed EMOP algorithm achieved a greater reduction on the energy consumption of mobiles when compared to a single site offloading execution.     

云边环境下基于博弈论的两阶段任务迁移策略

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。     

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。     

边缘计算中协作计算卸载与动态任务调度

在边缘计算场景中,通过将部分待执行任务卸载到边缘服务器执行能够达到降低移动设备的负载、提升移动应用性能和减少设备开销的目的.对于时延敏感任务,只有在截止期限内完成才具有实际意义.但是边缘服务器的资源往往有限,当同时接收来自多个设备的数据传输及处理任务时,可能造成任务长时间的排队等待,导致部分任务因超时而执行失败,因此无法兼顾多个设备的性能目标.鉴于此,在计算卸载的基础上优化边缘服务器端的任务调度顺序.一方面,将时延感知的任务调度建模为一个长期优化问题,并使用基于组合多臂赌博机的在线学习方法动态调整服务器的调度顺序.另一方面,由于不同的任务执行顺序会改变任务卸载性能提升程度,因而影响任务卸载决策的有效性.为了增加卸载策略的鲁棒性,采用了带有扰动回报的深度Q学习方法决定任务执行位置.仿真算例证明了该策略可在平衡多个用户目标的同时减少系统的整体开销.