在MEC系统中,用户设备执行应用程序,应用程序被建模为一个工作流。工作流定义为用户提交的<我t一个l我c> W= {<我t一个l我c> T,<我t一个l我c> E},<我t一个l我c> T= {<我t一个l我c> t ₁,<我t一个l我c> t ₂,<我t一个l我c> t ₃、…<我t一个l我c> t _n}表示任务设置在服务器<我t一个l我c> l,<我t一个l我c> t _我= {<我t一个l我c> u _我,<我nl我ne-formula> v 我 },<我t一个l我c> u _我代表任务大小和<我nl我ne-formula> v 我 所需的处理密度<我t一个l我c> t _我代表任务之间的依赖关系,任务依赖关系需要按顺序执行。

工作流的任务执行队列,然后生成工作流进入边缘服务器缓冲队列。一个任务流定义为工作流调度的最小单位。在工作流任务之间的依赖关系和不同服务器之间传输的结果会导致不必要的开销。

MEC系统组成的服务器,服务器集群和形式<我t一个l我c> N用户被认为是。每个服务器有一个基站(BS)连接到用户通过无线蜂窝链接。这是高度协作优势计算系统,每个服务器是通过有线网络连接。在每一个服务器有缓冲队列来存储来自本地用户的请求。每个缓冲区大小代表服务器接受任务的能力。为了简化问题,缓冲队列的大小在每个服务器被认为是相同的。工作流服务是基于“先来先得”的政策(先)和工作流,尚未将缓冲队列中等待执行。然后,服务器将继续接受任务。事实上,服务器容量是有限的。MEC工作流卸载时,它首先进入任务缓冲队列; then, the MEC server provided computing resources for it. It would be deleted from the buffer queue after the workflow was completed. The workflow would be executed directly if the CPU was idle; if the CPU was busy, the requested would store in the buffer queue. The task buffer queue has a maximum capacity<我t一个l我c> 问 _j^马克斯。<我t一个l我c> 问 _j(<我t一个l我c> τ)提出了队列积压的未处理的工作流服务器-<我t一个l我c> j在槽<我t一个l我c> τ: (1) 问 j τ = w 1 , w 2 , w 3 , … , w n , 在哪里<我nl我ne-formula> w 我 代表了<我t一个l我c> 我th等待缓冲区队列中的工作流程。

服务器的负载状态<我t一个l我c> 我被定义为<我t一个l我c> l _我(<我t一个l我c> τ)=<我t一个l我c> 问 _j(<我t一个l我c> τ)/<我t一个l我c> 问 _j^马克斯在槽<我t一个l我c> τ;如果<我t一个l我c> l _我(<我t一个l我c> τ)≥阈值,这被认为是一个服务器有大量计算工作负载和被形容为一个炎热的服务器。否则,它被定义为一个nonhot服务器。在城市地区,一些nonhot MEC服务器附近高的( 31日]。在目前的方案,只有当缓冲超过服务器的阈值将服务器出售其工作流到其他服务器。论文提出的目标安排这些工作流超过阈值。服务器将不安排工作流外每台服务器的负载状态不超过阈值,因为任务的等待时间是可以接受的,这将引起不必要的开销。当负载状态超过阈值时,服务器将向外安排工作流来实现一个更小的任务等待延迟和减少阻塞的可能性。

当大量的工作流在一定时期内卸载到服务器,服务器的任务缓冲队列将继续增长。在槽缓冲队列的更新过程<我t一个l我c> τ是如下: (2) 问 我 τ + 1 = 最小值 马克斯 问 我 τ − ∑ j = 0 , j ≠ 我 j ∈ R x 我 , j τ − B 我 τ , 0 + ∑ j = 0 , j ≠ 我 j ∈ R x j , 我 τ − 一个 我 τ , 问 我 马克斯 , 在哪里<我t一个l我c> 一个 _我(<我t一个l我c> τ)表示的工作流通过本地用户卸载槽<我t一个l我c> τ,<我t一个l我c> B _我(<我t一个l我c> τ)代表工作流由MEC服务器的数量<我t一个l我c> 我,<我t一个l我c> x _我,我(<我t一个l我c> τ)代表工作流从服务器-分配的数量<我t一个l我c> 我服务器-<我t一个l我c> j在槽<我t一个l我c> τ。当缓冲队列满是和工作流还到达,工作流将被阻塞,无法卸载。用户未能将会严重影响用户体验的质量(体验质量)。

此外,阻塞概率<我t一个l我c> P _f定义如下: (3) P f τ = N f τ N 所有 τ , 在哪里<我t一个l我c> N _f(<我t一个l我c> τ)代表工作流,未能出售的数量<我t一个l我c> N_所有(<我t一个l我c> τ)代表工作流的数量。

在这个模型中,执行延迟表示当工作流到达服务器完成。主要结论传输延迟,延迟,等待计算延迟,和额外的时间由于阻塞,而忽略了时间下载来自服务器的计算结果。的基本原理是,相比与工作流之前计算,计算结果的大小通常是较小的。

假设一个工作流<我nl我ne-formula> w 年代 在槽生成<我t一个l我c> τ工作流从服务器的传输时间<我t一个l我c> 我服务器-<我t一个l我c> j是如下: (4) T 我 , j 反式 w 年代 = ∑ l = 1 n u l B W 我 , j , 在哪里<我t一个l我c> u _l任务的大小来表示<我nl我ne-formula> w 年代 和<我t一个l我c> BW _我,我是服务器-之间的带宽<我t一个l我c> 我和服务器,<我t一个l我c> j。

工作流在服务器——等待时间<我t一个l我c> 我是如下: (5) T 我 等待 τ = ∑ j = 1 米 T 我 执行 w j , 在哪里<我t一个l我c> 米工作流在缓冲队列的数量表示。

的计算时间<我t一个l我c> t _k这在<我nl我ne-formula> w 年代 是如下: (6) T 我 执行 t k = v k f 我 , k τ , 在哪里<我t一个l我c> f _我,k表示计算频率分配<我t一个l我c> t _k服务器-<我t一个l我c> 我。MEC服务器部署提供更快的计算能力的问题。

成本是零,如果问题卸载工作流<我nl我ne-formula> w 年代 成功。如果它失败了,它将继续上传问题是可以接受的时间内<我nl我ne-formula> w 。卸载失败造成的额外的时间<我t一个l我c> T _年代^失败是如下: (7) T 年代 失败 = 0 , 成功 f 1 , 我 ∈ 0 1 , … , 失败 。

工作流的执行延迟<我nl我ne-formula> w 年代 是如下: (8) T w 年代 = T 我 等待 w 年代 + T 我 失败 w 年代 + T 我 执行 w 年代 , 服务器 − 我 T 我 , j 反式 w 年代 + T j 等待 w 年代 + T j 失败 w 年代 + T j 执行 w 年代 , 服务器 − j 。

论文提出的优化目标是降低执行延迟,同时保证低任务阻塞的可能性。卸载失败成本较低的QoS和额外的开销由任务重传,复制,或调度。通过以上分析,本文涉及的联合封锁概率和任务延迟算法,同时满足低阻塞概率,从而减少执行延迟尽可能多。优化模型如下: (9) 最小值 α P 失败 τ + 1 米 ∑ 我 = 1 米 T w 我 , 年代 。 t 。 0 ≤ 问 我 τ ≤ 问 我 马克斯 , ∀ 我 ∈ 年代 , f 我 , k ∈ f 我 最小值 , f 我 马克斯 , ∀ 我 ∈ 年代 , 0 ≤ T 我 f 一个 我 l ≤ w , ∀ 我 ∈ 年代 。

方程( 9)是目标函数,<我t一个l我c> 米代表的数量需要协调和工作流<我t一个l我c> α是上天的惩罚系数阻塞。方程( 9)确保缓冲队列不会超过最大长度。方程( 9)是一个约束将计算资源分配给用户。方程( 9)给时间限制的任务失败。

区域分工合作是必要的,因为它可以提高资源利用率。MEC服务器将分组根据服务器的负载状态。有一个需求部门协作地区:邻近原则;MEC服务器的过载,只能借助于相邻服务器之间的传输速度高。

两个集群之间的距离如下: (10) R C 我 , C j = 1 米 n ∑ l = 1 米 ∑ k = 1 n 日志 2 B W k , l + 1 , 在哪里<我t一个l我c> 米和<我t一个l我c> n服务器的数量表示<我t一个l我c> C _我和<我t一个l我c> C _j和<我t一个l我c> BW _{k, l}代表之间的带宽服务器<我t一个l我c> - k和服务器,<我t一个l我c> l。

该算法 1开始初始化(1 - 2行),<我t一个l我c> 年代服务器的数量表示。<我t一个l我c> 问被定义为集群的数量(4号线),如果该值的<我t一个l我c> 问高于<我t一个l我c> k最近的两个集群将搜索和合并。一些集群将被重新编号(line13-14),<我t一个l我c> 问将更新(16行)。最后,MEC服务器被分成<我t一个l我c> k集群。

粒子群优化算法(PSO)是一种可靠的获得可行的解决方案从一个大搜索空间利用进化的原则。减少阻塞概率和执行延迟的问题是NP困难的。问题提出的目标是找到一个最优近似解。为了解决这个问题,免疫粒子群文中针对算法(IPSOA)提出。

50个服务器被认为是一个资源有限的MEC系统。每个服务器的处理能力是一个服从泊松分布<我t一个l我c> λ= 0.9。工作流任务的大小是假定服从泊松分布<我t一个l我c> μ= 0.3,处理密度服从负指数分布所需的任务。模型中,每个服务器被认为具有相同的配置和同样大小的缓冲区队列。

在这篇文章中,三个方案被利用为基准。 (1)

没有合作卸载(NCO)。等待执行的任务将在本地服务器,和不存在合作在MEC服务器( 32]。

这三个方案选择研究,因为他们代表计划。具体来说,方案1禁止资源共享。MEC服务器与其他MEC服务器随机MEC服务器超载时方案2。在方案3中,它允许完整的共享资源,但是没有考虑执行时间。

三个主要性能指标被认为是评估这个方案:阻塞概率的服务工作流程,执行延迟,和能源消耗。

为了更好的模拟方案和显示MEC合作领域划分效果,比较每组实验进行实验。每组实验(1)显示实验结果没有协作区域和(2)的实验结果显示合作区域。

图 3分析了缓冲区大小MEC服务器阻塞概率的影响。目前的方案取得了比其他人低阻塞概率。这是因为目前的计划占合作地区的多个服务器的情况,和热服务器将工作流nonhot服务器与方案2和3就不会发生,这样能获得阻塞概率较低。在合作区域划分图 3 (b)阻塞概率通过我们的方法融合的阻塞概率获得通过方案3。原因是,当缓冲区大小很小,一些解决方案存在的边缘服务器将任务作为缓冲区的大小太小,接受所有的任务。当缓冲区的大小变得更大了,正如预期的那样,它可以有效地减少边缘服务器的阻塞概率,有更多的空间来接收服务请求。合作区域划分后,方案2和3有一个更好的解集空间。

的平均延时和不同的缓冲区大小四个不同方案如图 4。方案1的阻塞概率,2和3是明显高于目前的计划。卸载失败的概率越高方案1是可以预见的。因为它是不共享的,任务的数量的增加会导致任务积累在缓冲。贪婪的计划和方案降低失败率。原因是这些计划被认为是合作与nonhot边缘服务器。所有计划,平均延时增加缓冲区大小。这个结果是因为请求的用户更可能是存储在服务器如果缓冲容量变得更大。此外,任务队列的长度更长。分组后,方案2、3,目前有延迟减少; when the collaboration area was divided, the delay between servers in the same area was small, which once again illustrated the effectiveness of the present collaboration area division method.

图 5描述了阻塞概率和阈值相同的缓冲区大小。图 5(一个)显示阻塞概率随着阈值的增加而减少。方案1块概率最高,因为它没有配合其他服务器;方案2和3在一定程度上减少了阻塞概率而不是目前的计划。目前的方案可以减少阻塞概率。合作领域划分后,方案2和3的阻塞概率已经减少。我们的计划总是获得较低的阻塞概率。

比较能源消耗,能源消耗的四个方案模拟和计算。图 6展示了工作流的数量对能源消费的影响在不同的方案。图 6还显示任务卸载能源消耗增加工作流的数量增加。这是因为更多的能量来计算成本和进度的工作流。相比之下,目前的方案可以维持较低的开销比甲,两,拥有它迭代过程中发现了一个更好的解决方案。

检查IPSO算法的性能和比较它与标准PSO算法,进行了实例计算,粒子的适应度值相同的工作流和粒子群的数量比较。图 7显示了迭代的结果。修复(<我t一个l我c> X)代表粒子的适应度值。IPSO可能收敛于全局最优几乎每次,收敛速度更快,而标准PSO算法可以在大约500个迭代寻找最优的结果,而IPSO算法约为400。与标准PSO算法相比,IPSO落入局部最优。这是因为免疫操作添加到改进的粒子群算法来帮助粒子摆脱局部最优状态。