移动Ad Hoc云中任务卸载的联合优化策略

为了降低移动Ad Hoc云中客户端卸载计算密集型任务过程中产生的计算能耗、传输能耗和任务时延,该文提出了一种联合优化算法。该算法首先基于计算能耗、通信能耗及任务时延进行建模;然后进行预估计,以选择更优的代理终端,并由此降低总的系统能耗与任务时延。仿真结果表明,相对于传统云算法,该算法在系统能耗和任务时延两方面均有显著提升。     

Computation Partitioning in Mobile Cloud Computing： A Survey

Mobile devices are increasingly interacting with clouds,and mobile cloud computing has emerged as a new paradigm.An central topic in mobile cloud computing is computation partitioning,which involves partitioning the execution of applications between the mobile side and cloud side so that execution cost is minimized.This paper discusses computation partitioning in mobile cloud computing.We first present the background and system models of mobile cloud computation partitioning systems.We then describe and compare state-of-the-art mobile computation partitioning in terms of application modeling,profiling,optimization,and implementation.We point out the main research issues and directions and summarize our own works.     

一种基于车边云协同的车联网计算卸载策略

随着智能交通的快速发展和车联网中数据流量爆炸式的增长,汽车终端请求卸载的任务对时延和带宽有了更加严苛的要求。在现有的云计算服务模式中,车辆可以访问云服务器来获得强大的计算、存储和网络资源,但缺点是通信传输时延较大,仅依靠云计算可能会导致过度的延迟。为了更加合理利用资源、减小时延、优化卸载策略,提出了一种基于粒子群优化算法的“车-边-云”协同卸载方案。首先通过接入点附近的软件定义网络（Software Define Network,SDN)控制器根据终端用户附近边缘节点、本地终端和云计算节点的计算资源和容量情况得出最优的卸载策略,充分利用本地、移动边缘计算（Mobile Edge Computing,MEC）设备、云端的计算资源,然后通过粒子群优化算法得出“车-边-云”各计算节点的卸载系数,即最优卸载策略。实验结果表明,相比于其他卸载策略,所提的卸载机制对时延优化效果明显,提高了计算资源的利用率。     

异构蜂窝网络中分层任务卸载：建模与优化

为提高计算任务卸载的效率,提出了一种基于D2D通信、移动边缘计算和云计算的分层任务卸载框架,并引入D2D协作中继技术辅助用户接入远端计算资源。针对所提任务卸载框架在多用户场景中可能存在上行通信拥塞、边缘计算资源受限、D2D复用干扰和云计算回程时延等问题,设计了一种基于博弈论的卸载调度和负载均衡方案,充分利用了所提任务卸载框架中各层计算和通信资源。仿真结果表明,所提方案能够有效降低端到端时延和卸载能耗,并在资源受限的条件下具有良好的稳定性。     

基于二次规划的任务卸载决策和资源分配方法

主要研究移动用户均有多个独立任务的多用户移动云计算系统,这些移动用户将任务卸载到云端时共享通信资源。如何对所有用户的任务卸载决策和通信资源分配进行联合优化,以便使所有用户的能耗、计算量和延时降到最低是目前研究的难点。将该问题建模为NP难度的非凸的具有二次约束的二次规划(QCQP)问题,提出一种高效的近似算法进行求解,通过单独的半正定松驰(SDR)处理后,确定二元卸载决策和通信资源最优分配。采用代表最小系统成本的性能下界作为性能基准进行仿真实验,结果表明,本文算法在多种参数配置下的性能均接近最优性能。     

移动边缘计算卸载技术综述

移动边缘计算(Mobile Edge Computing,MEC)将云服务器的计算资源扩展到更靠近用户一侧的网络边缘,使得用户可以将任务卸载到边缘服务器,从而克服原先云计算中将任务卸载到云服务器所带来的高时延问题。首先介绍了移动边缘计算的基本概念、基本框架和应用场景,然后围绕卸载决策、联合资源分配的卸载决策分别从单MEC服务器和多MEC服务器两种场景总结了任务卸载技术的研究现状,最后结合当前MEC卸载技术中存在的不足展望了未来MEC卸载技术的研究。     

一种主从MEC服务器协作卸载与资源分配方案

移动边缘计算(Mobile Edge Computing,MEC)通过将云计算能力下沉至用户侧,提高了用户的任务执行能力.但在热点小区中,MEC服务器存在计算资源有限的问题.为了减少热点小区内任务执行总代价,提出了一种基于主从MEC系统的任务联合卸载方案.首先,方案随机生成卸载集,然后将卸载集内的任务分配至目标MEC服...     

K均值聚类在云计算的应用

相对于传统的应用部署方式,云计算是基于互联网的一种并行处理技术,提供了一个高度可扩展和按需处理的服务。任务调度一直是云计算环境中的研究热点,在云计算环境中具有重要作用。能否合理分配任务到虚拟机资源上是重要问题之一。本文通过对任务请求的资源进行分析,对不同类型的任务进行聚类,将不同类型任务通过改进贪心调度算法合理分配到虚拟机资源上。通过Cloudsim平台模拟实验表明,该算法相对于Min-Min算法在节省能耗方面有较好的效果。     

基于深度强化学习的云边协同计算迁移研究

基于单一边缘节点计算、存储资源的有限性及大数据场景对高效计算服务的需求,本文提出了一种基于深度强化学习的云边协同计算迁移机制.具体地,基于计算资源、带宽和迁移决策的综合性考量,构建了一个最小化所有用户任务执行延迟与能耗权重和的优化问题.基于该优化问题提出了一个异步云边协同的深度强化学习算法,该算法充分利用了云边双方的计...     

云计算中的服务可用性保障机制简

提出了一种基于滑动窗口的资源预留SWRR(sliding window based resource reservation)算法,它将预留资源在整个资源池中所占的比例称为窗口。窗口的“滑动”包含2层含义：1）窗口大小动态变化;2）窗口中的资源动态刷新。SWRR已被应用于一个大型的云计算应用平台。实验数据表明,SWRR通过合理资源预留,在兼顾所有任务调度的基础上,可为特定用户提供有效的服务可用性保障。     

Distributed game theoretic approach for offloading in ad hoc cloud

An ad hoc mobile cloud had been proposed to offload workload to neighboring mobile devices for resource sharing.The issues that whether to offload or not was addressed,how to select the suitable mobile device to offload,and how to assign workload.Game theoretic approach was used to formulate this problem,and then,a distributed scheme was designed to achieve the optimal solution.The experimental results validate the rightness and effectiveness of proposed scheme.     

车辆边缘计算中多车辆协同任务计算方案

针对车辆的移动和任务流量的动态变化会对周围智能车辆选择造成严重干扰的问题,提出了一种基于库恩-曼克尔斯(Kuhn-Munkres, KM)算法的多车辆协同任务计算方案。首先,通过对车辆的移动分析,建立了动态车辆选择模型;然后,根据层次分析法和KM算法,在通信时间限制和计算资源约束下,求解多任务最优匹配,以实现任务的总计算时间最小化。仿真实验结果表明,相比已有卸载方案,所提方案能够有效减少任务的总计算时间,并降低任务卸载计算的失败率。     

A Survey of Mobile Cloud Computing

Mobile Cloud Computing (MCC) is emerging as one of the most important branches of cloud computing. In this paper, MCC is defined as cloud computing extended by mobility, and a new ad-hoc infrastructure based on mobile devices. It provides mobile users with data storage and processing services on a cloud computing platform. Because mobile cloud computing is still in its infancy, we aim to clarify confusion that has arisen from different views. Existing works are reviewed, and an overview of recent advances in mobile cloud computing is provided. We investigate representative infrastructures of mobile cloud computing and analyze key components. Moreover, emerging MCC models and services are discussed, and challenging issues are identified that will need to be addressed in future work.     

电力物联网中时延能耗均衡的MEC资源调度策略

针对电力物联网中(PIoT)海量智能设备接入导致的流量激增问题,提出一种时延能耗均衡的边缘计算(MEC)资源调度策略。综合考虑信道条件、电力设备安全温度保护机制和设备能耗等因素,以兰道尔(Landaer)原理为基础构建设备侧的能耗模型和热功耗约束。在保证队列稳定性的前提下,通过联合优化任务卸载决策、传输功率和计算资源分配,最小化系统长期平均时间能耗。为解决随机优化问题,引入李雅普诺夫(Lyapunov)理论,将问题转化为每个时隙的确定性优化问题。仿真结果表明,该策略相对于基准方案能够降低系统能耗,并实现能耗与时延之间的均衡。