移动边缘计算中能耗优化的多重资源计算卸载策略

移动边缘计算环境中边缘设备的能耗优化主要采用计算卸载策略。然而目前常用的计算卸载策略大多只考虑单一的计算资源,没有对移动边缘计算环境中不同种类的计算资源进行综合考虑,无法在保证响应时间约束的情况下充分降低边缘设备能耗。为了解决这一问题,在移动边缘计算环境中提出一种多重资源计算卸载能耗模型,设计了一种新的评价边缘设备能耗的适应度计算方法,并结合工作流管理系统提出了移动边缘计算中能耗优化的多重资源计算卸载粒子群任务调度算法,该算法能够在考虑响应时间约束的情况下,充分降低移动终端能耗。实验表明,与已有4种计算卸载策略相比,新策略所对应的任务调度算法收敛稳定、适应度最优,在用户响应时间约束下,任务调度方案的边缘设备能耗值优于其他4种卸载策略。     

移动边缘计算环境中基于能耗优化的深度神经网络计算任务卸载策略

深度神经网络因其强大的数据分析功能而被广泛使用在移动智能应用中,然而其计算任务的复杂性给计算能力与电池容量均有限的终端设备带来了巨大的挑战。若将深度神经网络中的计算任务完全卸载到云端,则会产生较高数据传输时延。移动边缘计算因其低时延、分布式、位置感知的优势能有效解决深度神经网络的时延和能耗问题。为了在保证用户时间约束的同时,充分优化终端设备能耗,建立了移动边缘计算环境中深度神经网络计算任务卸载的时间和能耗评价模型,基于该模型提出了移动边缘计算环境中基于能耗优化的深度神经网络计算任务卸载策略。该策略以神经网络层为单位,将深度神经网络中的计算任务进行拆分,在计算任务卸载时,对移动边缘计算环境中多重计算资源进行综合考虑。最后,提出了移动边缘环境中基于多重资源任务卸载的粒子群调度算法,该算法能在满足时间约束的同时,充分优化终端设备能耗。实验表明,与已有的3种任务卸载策略相比,新策略对应的粒子群调度算法所得适应度值最优,满足时间约束下,终端设备的能耗值最低。     

基于服务质量的能耗感知工作流卸载策略

移动设备的发展导致了各种计算密集型移动应用的激增，针对这类应用对移动设备计算能力和能耗的突出需求，利用近似计算优化处理工作流任务，引入服务质量(QoS)的角度限制优化处理程度，并提出一种基于服务质量的能耗感知工作流卸载策略(EA-QoS)。首先，EA-QoS对边缘节点按照单位负载传输能耗排序，对节点按能耗阈值进行分组并分配QoS等级。然后，对任务进行分层并利用HEFT算法生成就绪队列。最后，采用非支配排序遗传算法(NSGA-Ⅲ),在编码策略中通过对任务执行顺序、边缘节点和QoS等级进行整数映射，寻找任务最优调度方案。仿真实验结果表明，EA-QoS相较NSGA-Ⅲ和粒子群优化算法(PSO),工作流的能耗优化效果分别平均提升了12.02%和35.14%。     

生产环境下基于遗传算法的实时任务卸载算法

移动边缘计算(MEC)模式的出现使得移动设备(MD)可以将移动应用任务卸载至部署在网络边缘的演进型基站(eNB)上执行，从而有效降低MD的能耗与任务的延时。然而，不合理的任务卸载同样会造成MD的高能耗和任务的高延时。基于此，提出了一种实时任务卸载(RTO)算法，该算法能够在满足任务截止时间的限制条件下，最小化MD能耗。RTO在遗传算法(GA)的基础上，引入了动态电压调节技术(DVFS),并在编码策略中考虑了任务的执行位置和MD的计算频率。通过仿真实验，证明了RTO算法的可行性与有效性。     

移动边缘计算环境下基于信任模型的可靠多重计算卸载策略

移动边缘计算环境下的计算卸载技术有助于解决移动终端在资源存储、计算性能等方面的不足。然而,在拥有大量计算资源的移动边缘计算环境中,边缘服务器、移动终端以及网络通信链路的不可靠性不可避免,而应用任务的执行失败对工作流任务调度将造成极大的影响。针对上述问题,首先借鉴社会学中的人际关系模型,同时考虑移动边缘计算环境下应用任务执行的特点,利用Bayes方法对移动终端、边缘服务器和云服务器的可信度分别进行评估,构建了移动边缘计算环境下各类计算资源之间的信任关系模型。其次,结合信任模型和基于多重计算卸载策略的时间开销计算方法,设计了评价计算卸载策略可靠性以及时间开销的适应度计算方法,提出了基于信任模型的可卸载边缘服务器选择算法。最后,结合工作流管理系统提出了移动边缘计算环境下基于信任模型的可靠多重计算卸载策略。通过仿真实验,证明了所提出的基于信任模型的可靠多重计算卸载策略算法能够以较小的时间开销为代价,有效提升应用任务的执行成功率。     

移动边缘计算环境下服务工作流容错调度算法

针对移动边缘计算环境下服务工作流延时优化问题以及工作流任务执行失败的情况,提出一种适用于服务工作流的容错免疫粒子群优化调度算法(FT-IPSO).该算法首先采用异构最早完成时间算法计算已分层任务的权重并生成就绪队列;其次,结合服务工作流调度流程加入了混合容错策略,确保工作流在任务失败后能够继续执行;然后,采用粒子群算法快速寻找最优调度方案,编码时利用整数映射调度过程中主副版本任务调度位置,并融入免疫算法,保证粒子寻优的全局性;最后,根据算法得出的最优调度方案对任务进行调度.仿真实验结果表明,FT-IPSO算法有效降低了服务任务失败率,并且对服务工作流的延时优化效果较反应式容错算法、基于聚类启发式算法的检查点和复制算法,以及基于群集的异构最早完成时间算法分别提高了约4.1％、6.3％ 和9.1％.     

移动边缘计算环境下面向安全和能耗感知的服务工作流调度方法

在移动边缘计算(MEC)环境中,用户将应用任务迁移至MEC端执行可以有效降低延时并减少能耗。然而,MEC环境面临潜在的恶意攻击,这些攻击可能导致隐私数据的丢失或泄露。基于此,提出了面向安全和能耗感知的服务工作流调度方法(SEA),该算法能在满足移动应用的风险率和截止时间限制条件下,最小化移动设备的能耗。SEA是基于粒子群优化算法,在编码中考虑了任务的调度位置、机密性服务和完整性服务。此外,还构建了新的安全模型,分别包括数据量、多核CPU、计算频率与安全开销之间的关系。最后,通过仿真实验证明了所提算法的可行性与有效性。     

面向节能的混合流水车间调度问题建模与优化

针对面向节能的不相关并行机混合流水车间调度问题的特点,分析了混合流水车间的能耗组成,基于Wagner建模思想提出一种以最小化能耗为目标的混合整数线性规划模型,并提出一种改进的候鸟优化算法求解该问题。在候鸟优化算法中,采用随机策略生成初始种群,提出4种解码方法;基于关键路径的思想设计了两种移动策略,目的分别是调整空闲时间段使其可以实行关机重启策略,以及尽量延迟机床开机;该算法中领飞鸟和跟飞鸟通过最优交换操作和最优插入操作进行进化。通过41组实例对加入移动和关机重启策略的候鸟优化算法,以及没有加入移动和关机重启策略的候鸟优化算法进行测试,证明了所提移动和关机重启策略能够大幅度减少车间总能耗。同时,通过41组实例测试验证了所提模型和算法的有效性和可行性。     

云际协作环境下能耗与成本感知的工作流调度方法

为解决云计算中的效费比、平台锁定和跨域资源管理等问题,目前已提出云际计算模式以便多个云服务实体之间的开放协作并创造云价值.在云际协作环境中,如何高效实现兼顾成本与能耗的云工作流调度是涉及多方云资源管理的一个重要问题.针对该问题,构建了云际协作环境下能耗与成本感知的工作流调度模型,并提出一种相应的云工作流调度方法(ECO).该方法主要包含任务组选择、虚拟机复用和资源动态管理等策略,可在云际协作环境下调度多个云工作流应用,并在满足截止时间约束的前提下,优化工作流执行成本与能耗.通过仿真实验说明了该算法的有效性.     

面向时延和能耗联合优化的MEC计算卸载策略

在移动边缘计算(MEC)中，计算卸载可以有效缓解资源受限和提高网络服务质量。以任务执行时延、终端能耗和边缘服务器负载率的联合优化为目标，提出面向时延和能耗联合优化的MEC计算卸载策略。构建多目标约束的成本优化模型，引入多变异算子，以迭代关联概率更新变异算子，设计多变异差分进化(MDE)算法求解，实现计算卸载成本最优。为验证MDE算法的有效性，基于Autonomous Systems by Skitter公开数据集构建3个不同规模的实验网络，将MDE算法与随机计算卸载算法、能量优化计算卸载算法、多目标贪婪计算卸载等算法进行对比分析，MDE算法的执行成功率、卸载成功率、服务器负载均衡性分别平均提升了13.23%,12.96%,29.37%,MDE算法能实现MEC中高效、稳定的计算卸载。     

改进TD3的SDN车联网边缘计算卸载策略

针对车联网场景下计算任务卸载至远端云中造成的延迟波动和能耗增加问题，搭建了融合软件定义网络和移动边缘计算的车联网系统模型。为了最小化车联网中计算卸载的时延和能耗，设计了一种基于深度强化学习的动态计算卸载策略。该策略从计算任务的能耗和时延这两个维度进行建模，并提出在传统的双延迟深度确定性策略梯度的基础上加入Softmax和优先经验回放的改进算法(SP-TD3)。仿真实验结果表明，设计的计算卸载策略在不同车辆数下对于能耗和时延有较为优越的性能。     

面向价格动态变化的云工作流调度算法

为解决资源价格变动环境中云工作流任务调度开销优化的问题,提出一种基于动态规划的云工作流资源调度算法.该算法将云工作流中的任务分为多个串行任务组,然后利用动态规划算法对每组任务进行调度,计算在该任务组规定完成时间内开销最低的调度方案.通过实验,与状态图搜索算法进行了比较,在被调度的资源的价格为可变函数时,计算了四种工作流模型的调度结果.结果表明,所提动态规划算法比考虑资源平均价格的状态图搜索算法有更好的表现.     

隐私与成本感知的云工作流调度方法

针对云工作流执行过程中的用户隐私保护需求,建立了相应的云工作流调度模型,在粒子群优化算法及模拟退火智能优化算法的基础上,通过引入经典表调度算法CPOP中的任务优先级计算策略,提出一种具有隐私与云资源使用成本感知能力的云工作流调度方法 CP-PSO。该方法采用考虑成本因素的上行与下行权重来计算各个工作流任务的优先级,结合隐私保护需求搜索并优化调度方案。通过仿真实验说明了该方法的有效性。     

时间约束云工作流调度的粒子群搜索方法

为了快速找到较优的调度方案,针对时间约束工作流调度问题,即能在满足用户的截止时间约束的条件下最小化调度费用,提出基于粒子群算法的最优调度方案搜索方法。利用关键路径进行粒子初始化和搜索阶段的筛选处理,不但能够显著提高搜索结果的精度,而且减少了搜索的计算时间。将改进算法和传统粒子群优化算法进行了实验评估对比,实验数据证明,使用该方法使粒子搜索的时间少于传统粒子群算法,并且结果也优于传统方法。     

一种成本约束条件下的工作流资源数量优化方法

研究了成本约束条件下协调工作流活动对资源数量的使用,以减少整个工作流系统执行时间.该问题可归纳为多选择背包问题,并设计了资源数量优化算法来满足成本约束,算法的目标是在该约束下最小化工作流系统关键路径的执行时间.最后通过实例测试了算法的有效性和正确性.     

安全与成本感知的实例密集型云工作流调度方法

针对现有实例密集型云工作流调度方法未考虑安全需求及未引入实例的不足,构建了相应的调度模型,并通过借鉴信任管理的思想,提出基于用户信任度的工作流实例方面处理策略以及一种安全与成本感知的实例密集型云工作流调度算法(SC-ICW)。该算法可在满足截止时间与安全需求约束的前提下优化执行成本,并减少实例方面处理可能引发的安全风险。通过仿真实验说明了该算法的有效性。     

基于Q-learning的移动群智感知任务分配算法

移动群智感知环境中的任务分配是工作流研究领域中一个新方向,为解决应用任务在移动智能用户间的合理调度与分配,本文将机器学习中的Q-learning方法引入到工作流任务分配问题中,提出一种针对多目标的强化贪婪迭代方法。该算法从宏观层面上通过强化学习的每一次探索进行学习优化,微观层面上通过贪心算法为每一次迭代选择局部最优解,增强了算法的性能。对比其他3种算法,所提算法不但能降低时间和能耗开销,而且收敛速度较快,能够提高感知效率,可作为移动群体感知的工作流调度问题走向智能化的一种尝试。     

基于批量处理策略的云工作流调度方法

为了进一步优化云计算环境下的工作流调度,提出一种基于批量处理策略的云工作流调度方法,该方法考虑了云环境中任务对廉价资源的激烈竞争,利用批量策略,在小范围取得最优的调度结果趋近全局最优调度结果。实例计算证明,该方法优于时间费用折中调度算法。     

基于深度强化学习多用户移动边缘计算轻量任务卸载优化

移动边缘计算(MEC)在提高移动设备的计算体验质量方面具有一定的应用前景.它可以为支持传统通信和MEC服务的切片式无线接入网提供紧密邻近的计算功能.然而,这种密集计算问题是一种高维的NP难问题,一些机器学习方法在解决该问题的时候不能取得良好的效果.针对这些问题,本文将最佳计算卸载问题建模为马尔可夫决策过程,目标是最大化长期效用性能,从而根据队列状态、能量队列状态以及移动用户与BS之间的信道质量做出卸载决策.为了降低状态空间中高维性的问题,提出了应用深度确定性策略梯度的基于候选网络优化边缘计算优化卸载ECOO算法,从而产生一种用于解决随机任务卸载的新型学习算法.通过仿真实验证明,ECOO算法在能耗和时延方面优于一些深度强化学习算法,在处理高维问题时效果更好.     

一种工作流时间截止期限的动态验证方法

为了动态验证工作流中活动实例的截止期限,提出了一种基于关键路径进行动态验证的方法。该方法根据工作流图中选择分支和可跨越活动的选取情况,将工作流图分别描述成Ebf图、Ebs图、Ewf图和Ews图,并求得各图中的Ebf,Ebs,Ewf和Ews关键路径;根据当前时间和所得到的关键路径对后续活动的截止期限进行了动态验证。这种方法不必计算所有活动实例的截止期限,只需根据实际需要,针对指定的后续活动实例进行截止期限的动态验证,从而减少了计算量,提高了工作流的执行效率。