移动边缘计算中基于云边端协同的任务卸载策略_张文柱.pdf
《移动边缘计算中基于云边端协同的任务卸载策略_张文柱.pdf》由会员分享,可在线阅读,更多相关《移动边缘计算中基于云边端协同的任务卸载策略_张文柱.pdf(15页珍藏版)》请在咨信网上搜索。
1、移动边缘计算中基于云边端协同的任务卸载策略张文柱余静华(西安建筑科技大学信息与控制工程学院西安710055)()Task Offloading Strategy in Mobile Edge Computing Based on Cloud-Edge-EndCooperationZhangWenzhuandYuJinghua(College of Information and Control Engineering,Xian University of Architecture and Technology,Xian 710055)AbstractInordertomakeuseoflimi
2、tedcomputingresourcestoprovideefficientcomputingservices,acloud-edge-endcollaborativetaskoffloadingframeworkbasedonDockerisproposedInMEC(mobileedgecomputing)tosolvetheproblemsofmulti-accessMECcollaborativeoffloadingandcomputingresourceallocation.Inordertoimprovetheexecutionrateoftasksandtheresourceu
3、tilizationofeachnode,preprocessingoftasks:Kahnalgorithmaddedtotherequirementsoffullrankmatrixsetstheexecutionsequenceofoutputtasksincombinationwiththeparallelcalculationoftasks.Basedonthese,thetaskcomputingmathematicalmodelsofend,edgeandcloudareestablishedrespectively,andtheobjectivefunctionsofthejo
4、intoptimizationsystemdelayandenergyconsumptionaredesignedbyassigningweights.Inordertosolvetheoptimaloffloadingdecision,theparameteroffullmeritrateandparticlebee are introduced to propose APS(artificial particle swarm)algorithm as offloading decision algorithm.Theexperimentsshowthatmulti-taskprocessi
5、ngprovestheeffectivenessofAPSalgorithm.Comparedwiththefivemodesoflocalcomputing,edgecomputing,cloudcomputing,end-edgeunioncomputingandrandomprocessing,thelowlatencyandlowenergyconsumptionoftheproposedschemeprovesitsadvantagesinprovidingefficientservicesundermulti-accessconditions.Key wordsmobileedge
6、computing;cloud-edge-endcollaboration;taskdependence;fullmeritrate;artificialparticleswarmalgorithm;delayandenergyconsumption摘要在移动边缘计算(mobileedgecomputing,MEC)中,为了利用有限的计算资源提供高效的计算服务,提出一种基于 Docker 的云边端协同任务卸载框架,解决多接入 MEC 协同卸载、计算资源分配问题.为提高任务的执行速率和各节点资源利用率,对任务进行预处理,如在 Kahn 算法中加入行满秩矩阵要求并结合任务并行计算设定输出任务执行序
7、列;分别建立端、边、云任务计算模型,分配权重设计联合优化系统延迟与能耗的目标函数;为求解最优卸载决策,引入“全优率”参数和粒子蜂设计人工粒子蜂群(artificialparticleswarm,APS)算法作为卸载决策算法.实验表明,多任务处理证明了 APS 的有效性.多接入条件下,相比于本地计算、边缘计算、云计算、端边联合和随机处理 5 种模式,所提方案的低延时和低能耗表现证明了其提供高效服务的优越性.收稿日期:20210802;修回日期:20220330基金项目:国家自然科学基金项目(72071153);陕西省重点研发计划项目(2021GY-066);陕西省自然科学基础研究计划项目(202
8、0JM-489)ThisworkwassupportedbytheNationalNaturalScienceFoundationofChina(72071153),theKeyResearchandDevelopmentProgramofShanxiProvince(2021GY-066),andtheNaturalScienceBasicResearchPlanofShanxiProvince(2020JM-489).通信作者:余静华()计 算 机 研 究 与 发 展DOI:10.7544/issn1000-1239.202110803JournalofComputerResearchan
9、dDevelopment60(2):371385,2023关键词移动边缘计算;云边端协同;任务依赖;全优率;人工粒子蜂群算法;延迟和能耗中图法分类号TP393随着万物互联时代的到来,智能终端设备数量和其产生的数据量都急剧增长1.Cisco 云预测,2021年全球范围内将有超过 500 亿个的终端设备,这些设备每年产生的计算型数据总量将超 84ZB,高计算应用需求越来越多2.移动终端设备因其有限的电量和计算能力不能满足人们日益增长的应用需求,因此,如何提供高计算能力服务和服务质量成为一个研究重点.移动云计算(mobilecloudcomputing,MCC)3通过将移动终端设备的计算任务转移到计
10、算能力强大的云中心对任务进行集中处理4,成为提供高计算能力的解决方案.但 MCC 有其固有的局限性5:云中心与远距离终端之间的传播时限使其无法高效处理终端设备产生的敏感时延性质的数据.因此,MCC 不适合服务于时延敏感的应用.欧洲电信标准协会(ETSI)在 2014 年提出移动边缘计算模式6.移动边缘计算是将计算和存储资源部署在移动网络边缘侧,为用户提供云计算能力、低时延和高带宽的网络服务7,结合计算卸载技术很好地平衡了 MCC 的局限性.未来的无线系统中,小基站、平板电脑等计算能力与计算机服务器相当的设备都可作为边缘节点8.计算卸载技术9指终端设备将部分或全部计算任务交给边缘云或中心云处理,
11、为移动终端设备在资源存储、计算性能以及能效等方面存在的不足提供解决方案,是移动边缘计算(mobileedgecomputing,MEC)的关键技术之一.其中,卸载决策是计算卸载技术的核心问题10,卸载决策决定任务是否卸载、卸载什么以及卸载到哪里的问题11.在多终端、多任务的复杂场景下,卸载决策的制定需要综合任务计算量、数据传输量、边缘云计算能力和资源利用率等诸多因素.传统的卸载方式依靠虚拟机实现,而研究表明12,Docker 容器比虚拟机更轻量,节省了时间和能耗,它将任务程序代码、任务依赖项和环境概要文件打包到镜像副本中构建容器镜像,操作方便.在一个完备的执行架构中,根据任务的差异化制定最优的
12、卸载决策能有效提高任务的执行效率,但依靠单一的终端设备计算、边缘计算和云计算都不能满足复杂场景的需求,不能同时平衡时延与能耗.因此,本文的目标是综合端边云的优势,实现以下目标:在最优化时延与能耗的情况下,将时延敏感的任务卸载至边缘节点计算,时延容忍的大数据量任务在云中心处理,时延容忍的小数据量任务在终端处理.本文的主要贡献有 3 个方面:1)提出一个基于 Docker 的云边端协同的移动边缘计算框架,建立了任务依赖关系联合并行计算的任务执行序列,在并行计算设定上分别建立了本地计算、边缘计算和云计算的计算时间和能耗模型;2)在多用户服务场景中,通过跨端边云的协作方式,制定任务最小计算时间和最低能
13、耗的目标卸载决策,为实现减小系统计算时间的同时降低系统能耗的目标,设计了人工粒子蜂群(artificialparticleswarm,APS)算法搜索最佳的卸载策略;3)通过仿真实验,对比人工蜂群算法、粒子群算法和随机卸载算法验证了 APS 算法的性能;对比本地计算、边缘计算、云计算、本地边缘联合计算和随机处理等计算模式,验证本系统的性能.1相关工作近年来,随着 MEC 的应用和卸载决策的研究不断深入,网络环境复杂度的提高和终端设备数据量的增大所带来的挑战也越来越严峻.尤其对于移动边缘计算模型的建立和卸载策略的制定,要满足任务的执行条件,当可用节点较少或卸载决策制定因素不完善时,会产生高时延甚
14、至处理失败.一些特定应用背景下 MEC 系统模型和卸载决策的研究成果已经落地.文献 13 提出了一种面向多节点的自动驾驶边缘卸载框架来提供效率和隐私导向的自动驾驶卸载服务,在多边缘节点中进行卸载调度策略的实时求解.文献 14 针对智慧城市领域提出了在能耗和响应时间之间进行权衡的任务卸载优化策略,包括 2 个子目标的建模和启发式双目标优化算法.文献 15 针对智能家居场景中的 MEC,引入边缘节点的泛在感知能力,在保证数据安全的基础上实现边缘节点资源的分配.文献 16 研究双无人机辅助 MEC 系统的安全问题,通过抗干扰帮助地面终端设备计算卸载的任务,联合了优化通信资源、计算资源和无人机轨迹进行
15、任务卸载.从 MEC 应用可知,任务卸载模型和计算卸载决策是 MEC 中的研究热点,二者共同决定任务的执行位置与分配资源,主要研究方向有 3 个:时延、能耗、权衡时延与能耗.文献 17 提出一个任务卸载和异构372计算机研究与发展2023,60(2)资源调度的联合优化模型,最小化用户的设备能耗、任务执行时延和成本来求解最优的任务卸载算法.文献 18 为了使时延敏感的处理任务在近终端用户执行,提出支持多个物联网服务提供商在一个通用MEC 平台部署的兼容方案,在平台内引导物联网数据传输.文献 19 提出缓存辅助边缘计算的卸载决策制定与资源优化方案,通过建立最小化用户在任务执行时最高能耗值,得到理想
16、的卸载决策集合与资源分配方案.文献 20 制定了在迁移能量预算的条件下尽量减少任务的平均完成时间的目标,设计了基于强化学习的分布式任务迁移算法.文献 21 考虑多用户的 MEC 系统以最小化终端能耗为目标,通过联合优化任务传输功率、局部计算和边缘计算能力来研究任务卸载问题.然而,文献 1321 研究都依赖单一的计算模式,在通信资源有限的条件下,会因通信链路堵塞造成更大的时延.因此提出本文第一个改进点:建立多终端、多任务的云边端协作任务执行模型,并加入任务计算结果传回终端设备的时延异步性因素;联合时延与能耗,通过实验为时延与能耗分配最优权重进行计算卸载,保证此模型具备实际意义.对于任务卸载策略的
17、研究大多处于粗粒度范畴,随着任务需求的提升,近年来也出现了考虑任务的差异化并对其进行预处理的研究,表现为将任务进行划分或建立任务依赖关系.文献 22 将一个任务划分为多个子任务卸载给多个 MEC 节点,通过预测每个候选 MEC 节点上每个任务的总处理时间决定子任务卸载位置.文献 2324 研究单用户 MEC 系统、移动设备包含一个由多计算组件或具有依赖关系的任务组成的应用程序,根据依赖执行顺序计算出最优的任务卸载策略.文献 25 研究多用户任务卸载,为提高资源利用率,提出基于建立任务依赖关系的卸载调度器.文献 26 先研究 2 个设备间的任务依赖与相关性,然后扩展到复杂交互的多用户场景,实现最
18、优的任务卸载策略和资源分配.文献 27提出一种用于多移动应用的依赖任务卸载框架,将有依赖约束的计算密集型任务自适应地卸载到 MEC 和云.任务划分的研究适用于资源需求大、数据量大和数量偏少的任务集,而在密集复杂环境中划分任务会导致计算量呈指数增长,于系统服务无益.文献 2227 研究中建立任务依赖关系的方法大 多 面 向 单 用 户 系 统,通 过 传 统 的 有 向 无 环 图(directedacyclicgraph,DAG)进行任务拓扑排序,再扩展到多个设备的 DAG 调用.在每个处理器仅执行1 个任务的情况下多个任务面临等待,且调用多个DAG 进行任务分配无法解决有依赖任务与无依赖任务
19、的区别处理,造成不必要的时延浪费.基于文献2227 分析,提出本文的第 2 个改进点:1)将任务依赖关系与任务并行处理相结合,以最优最长链路拓扑排序的 Kahn 算法为基础,加入行满秩矩阵结果要求,使算法输出的任务依赖矩阵的行元素直接表明任务的优先级.第一优先级任务为无依赖任务与依赖初始任务的集合,优先级则代表任务的执行顺序;2)再结合云边协同架构的并行处理原则,将表征任务依赖的优先级矩阵抽象成任务执行序列,每个序列将同步执行,大大缩短任务的排序处理时延.卸载策略求解过程属于 NP 难问题,MEC 研究中大多将其转化为多因素优化问题,近年来使用较多的求解方式是群体智能算法.文献 2829 研究
20、了面向智能物联网的 MEC 应用,采用遗传(geneticalgorithm,GA)算法优化计算成本与能耗进而得到卸载决策.文献 3031为了减少多接入环境和高需求应用的能耗,利用模拟退火(simulatedannealing,SA)算法全局寻优能力求解卸载决策,使复杂优化问题便于处理.文献 32结合灰狼和混合鲸鱼优化算法实现卸载决策的 3 个目标优化,并对比 GA 说明了混合算法在考虑多因素求解卸载决策时的优越性.文献33 为预测多服务器MEC 的自适应服务质量,采用人工蜂群(artifi-cialbeecolony,ABC)算法求解策略后再将各服务器结果进行整体对比选择任务执行节点.在多接
21、入边缘协同环境中,应用最为广泛的是粒子群(particleswarmoptimization,PSO)算法.文献 3435 研究了多 MEC服务器对多任务的卸载决策制定,采用 PSO 得到任务迁移决策和计算资源分配方案.文献 36 应用 PSO作为卸载决策算法处理计算密集型和时延敏感型任务,且对比说明 PSO 相比于 GA 与 SA 的优越性.但PSO 在处理异构边缘节点和复杂约束优化问题时全局寻优收敛时间太长,因此需融入局部寻优能力强的算法平衡 PSO 的缺陷,如 ABC 是群体智能中最成功的局部寻优算法之一,ABC 与 PSO 的混合更有利于发挥群体智能算法在 MEC 中的作用.基于文献
22、2836 研究提出本文的第 3 个改进点为:结合 ABC 算法的局部寻优能力与 PSO 算法的全局寻优能力,组合成 APS 算法用于求解云边端协同框架下联合时延与能耗的卸载决策;从降低算法复杂度的角度出发,通过引入“全优率”参数进行迭代结果的适应度函数判断,决定个体蜂的类型与蜜源搜索方式.表 1 为现有的适用于复杂约束的 PSO-张文柱等:移动边缘计算中基于云边端协同的任务卸载策略373ABC 混合算法相关研究与本文方法的对比,进一步说明本文算法特点.Table 1Comparison of Researches on ABC-PSO HybridAlgorithm and the Propo
23、sed Method表 1 ABC-PSO 混合算法相关研究与本文方法对比方法混合方式与特点有无参数复杂度程度文献 37方法将 PSO 寻优结果作为 ABC 的初始种群;后期收敛快,容易陷入局部极优.无一般文献 38方法ABC 优化后的蜜源作为 PSO 搜索空间;前期易遗漏最优解.无一般文献 39方法3 个 ABC 循环更新蜜源后用 PSO 寻优,保证蜜源优化,但循环更新耗时太长.无高文献 40方法PSO 与 ABC 以是否产生侦查蜂交替更新;同步搜索无法保证最优解质量.无高本文方法ABC 搜索后对比蜜源和全局最优解;前后期互为参考与 PSO 交替转换.有低 2系统架构本文提出一个基于 Doc
24、ker 的轻量级、虚拟化的云边端协同卸载架构,它包含 K 个云中心服务K=1,2,kM=1,2,mL=1,2,lR=1,2,r器、M 个边缘服务器和 L 个移动终端设备.边缘服务器部署在近移动终端设备侧的微型基站上;远程云中心服务器附加在宏基站上,其与边缘服务器相比,它的存储和计算能力更强大.设云中心集合表示为,边缘节点集合表示为,移动终端设备集合表示为.同时假设每个终端设备与边缘节点和云中心相关联,移动设备与基站之间的链路集表示为.如图 1 所示,系统架构由卸载调度、卸载决策算法和任务执行部分(移动设备侧、边缘节点侧和云中心侧)组成.首先,移动终端设备生成任务集合并制定执行矩阵;其次,由卸载
25、决策模块收集任务的执行要求和边缘节点的资源使用情况,通过卸载决策算法得到任务的执行方案;最终,将队列中的全部任务分别发送到本地计算任务集合、边缘节点,计算任务集合和云中心计算任务集合.经过卸载模块计算,无需卸载的任务在本地进行计算,需要卸载的任务通过卸载调度模块将任务程序代码、数据和 Dockerfile 文件发送至边缘节点或云中心,构建任务镜像并创建容器进行任务计算,计算完成后将结果返回原终端设备.初始任务列队n任务执行矩阵卸载调度卸载决策算法云计算任务列队边缘计算任务列队本地计算任务列队边缘节点信息云中心侧计算容器1边缘节点2移动终端设备2移动终端设备3移动终端设备1边缘节点m边缘节点侧计
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 移动 边缘 计算 基于 云边端 协同 任务 卸载 策略 张文柱
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。