边缘计算中复杂系统的节能和迁移成本的联合优化

摘要

借助于复杂的系统，集成了多种可再生能源来为用户提供能源供应。考虑到在复杂系统中处理需要大量服务，移动服务将从移动设备卸载到边缘服务器，以实现高效实现。尽管复杂系统和边缘服务器的好处，实现了实现越来越多的资源请求的大规模资源要求降低了执行效率并影响边缘服务器的整个资源使用情况。因此，它仍然是在边缘服务器上实现计算资源的动态调度。考虑到这一问题，本文设计了一个名为BRSM的均衡资源调度方法，名为BRSM，用于虚拟机（VM）迁移成本和VM迁移的VM迁移，名为BRSM的VM迁移。从技术上讲，我们分析了边缘服务器的负载条件，并制定了VM迁移的能耗和VM迁移成本作为多目标优化问题。然后，我们提出了一种用于WMAN的动态资源调度方法来处理多目标优化问题。此外，采用NondoMinated分类遗传算法III（NSGA-III）来生成最佳资源调度策略。最后，我们进行实验模拟以证明提出的方法BRSM的效率。

1.介绍

近年来，在大多数能源系统中采用化石燃料，产生了许多有害物质并污染环境[1那2］.为了节省燃料并减少对环境的污染，可再生能源逐渐取代化石能量。然而，可再生能源间歇性，难以控制。例如，如果风停止，风力发电难以继续。随着可再生能源的间歇性，一种可再生能源不能满足当前能源系统供需之间的平衡[3.]. 因此，迫切需要开发综合多种可再生能源的复杂系统。复杂系统是由智能、自适应主体组成的系统，具有基于局部信息的中等数量的动作，这些动作由反馈和自适应等属性定义。考虑到可再生能源的间歇性，大量移动设备被用于复杂系统中。移动设备用于实时采集环境参数，为策略制定提供可靠的参考。

虽然环境信息很有价值，但考虑到复杂系统中的大量数据，移动设备的资源消耗急剧上升[4.］.受大量因素的限制，如电池寿命有限和有限的容量，移动设备逐渐无法满足移动服务的要求，并且应用程序执行在本地移动设备中的效率较低。因此，考虑到方便访问云中的资源，适合将计算应用程序或服务卸载到云平台[5.]. 在云平台中，物理资源以多个虚拟机（VM）的形式提供，每个移动设备对应于部署在VM上的云克隆。用户可以访问云中可配置的计算资源共享池，并使用所需的云克隆来执行卸载的移动服务[6.］.

然而，由于移动设备与远程云之间的距离较远，传输延迟是不可忽视的。此外，将移动服务传输到云，在复杂系统中消耗大量能量，违背了绿色云计算的概念[7.］.建议与接入点（AP）共同定位的Edge服务器是云的替代品。移动用户通过AP访问边缘服务器的计算资源。与云相比，边缘服务器与移动设备密切接近，降低数据传输延迟[8.］.此外，虚拟化技术也用于边缘计算。通过虚拟化技术，边缘服务器中的硬件资源从软件中解耦，相同类型的VM可以在不同的物理设备中运行[9.］.因此，移动软件能够在多个硬件上执行，从而增加硬件资源的利用以及实现节能。

尽管存在优势，复杂系统中的边缘服务器采用了几个缺点。实际上，与远程云集群相比，边缘服务器的计算资源有限。在密集地区，随着移动设备的数量急剧增加，大量用户旨在将计算密集型服务或应用程序卸载到附近的边缘服务器。因此，边缘服务器需要响应大量移动设备的资源要求。由于边缘服务器不能同时为丰富的服务提供足够的计算资源，所以边缘服务器的计算资源耗尽，从而拒绝了新的服务请求[10那11］.拒绝请求的应用程序在边缘服务器中排队，直到先前的应用程序完成并再次使用所需的资源。特别是，只要等待应用程序是延迟敏感的，发生意外后果以及用户的经验质量（QoE）大大降落。因此，必须通过VM迁移将排队的服务任务卸载到边缘服务器，通过VM迁移使用无占用的计算资源。

除了等待时间外，能量消耗是复杂系统中资源管理的关键标准。随着信息和通信技术（ICT）消耗能源的爆炸性增长，众多温室气体被排放到大气中[12］.因此，节能在未来的无线通信的实施中起着重要作用。考虑到边缘计算在无线通信中具有很大的用途，Edge Computing的能量消耗是一个用于更好的通信模式的研究热点[13］.在复杂系统中，计算卸载的能耗包括两部分。第一部分是跨边缘服务器进行信息传输所使用的能量。使用虚拟化技术，传输以VM迁移的形式进行。也就是说，第一部分的能耗是VM迁移的能耗。另一部分是基础设施的能耗，包括边缘服务器处理数据所消耗的能量和ap中发送和接收数据所消耗的能量。由于每个边缘服务器的配置是相同的，所以一个服务处理数据的能耗是相同的。在考虑时间消耗和能源消耗的情况下，制定一种实现迁移成本和能源消耗联合优化的策略至关重要。

本文的主要贡献总结如下：(一)我们介绍了基本概念和定义，分析了复杂系统中VM迁移的VM迁移成本和能耗。(2)我们设计了一个平衡的资源调度方法，用于VM迁移成本与VM迁移的VM迁移的能耗，命名为BRSM的VM迁移，以通过Live VM迁移技术在复杂系统中动态提供资源管理。（iii）我们采用NondoMinated分类遗传算法III（NSGA-III）[14]带来多目标优化。使用多标准决策（MCDM）和简单的添加剂加权（SAW）来选择最佳VM迁移策略。(iv)我们进行仿真以验证我们提出的方法BRSM的效率。

本文的其余部分安排如下。部分2介绍基本概念和已完成的建模以及配方。部分3.阐述了提出的动态资源管理方法。部分4.显示了模拟实验的比较分析。部分5.评论相关的工作。最后，部分6.概述了结论和未来的工作。

2.系统模型与问题配方

本节介绍了边缘计算中复杂系统的基本概念和定义。此外，还分析了虚拟机迁移的成本和虚拟机迁移的能耗。表中列出了关键术语和说明1．

2.1。基本概念和定义

在复杂的系统中，连续推广移动用户的经验，边缘服务器提供了靠近移动终端的计算服务，增加了移动用户的QoE。有一个AP，位于边缘服务器，形成边缘计算设备（ECD）。移动用户能够通过共同定位的AP访问边缘服务器中的资源。假设有复杂系统中的边缘服务器，其表示为 ．

由于普遍性的损失，每个边缘服务器中都有一个物理机器（PM）来提供移动服务。由于虚拟化技术在基础架构的资源管理中发挥着关键作用，因此适用于在复杂系统中采用虚拟化技术。边缘服务器中的物理资源以虚拟机（VM）的形式提供。通过虚拟化技术，边缘服务器中的物理资源被抽象为几个资源单元，称为VM实例，以适应移动服务。旨在测量每个边缘服务器的容量，让是VM实例的数量 -th（ ）边缘服务器 ．考虑到有单独的接入点，我们假设有接入点，表示为 那和 -th（ ）接入点表示为 ．

将移动服务集卸载到VMS表示为和表示移动业务的数量。对于资源发放，移动服务（ ）在需要多个VM，这些VM在所需的执行时间的要求中。

定义1（VM占用要求_Z.）。一个3元组，表示为 = (NV._Z.那操作系统_Z.那od_Z.），用于定义VM占用要求 那 那 和虚拟机的数量是 那占用的起始时间和持续时间分别为。
为了避免不必要的传输延迟，将承载相同移动业务的虚拟机部署在同一台边缘服务器上，降低了通信成本。

定义2(打包的VM ）。让代表移动服务的包装VM ．打包VM包含所有VM托管移动服务 那谁的数字是 ．

数字1呈现VM迁移形式的移动服务卸载的实例。部署在源边缘服务器旁边的AP被命名为AP_酸的部署在目标边缘服务器旁边的AP称为AP_Dest.. AP之间有多个AP_酸的和AP._Dest.，每个都命名为AP_中期．在VM迁移策略中，VM图像和由迁移引起的脏页从AP传输_酸的到AP._Dest.跨越AP_中期年代。

２.２.虚拟机迁移成本分析

考虑到虚拟机迁移需要花费大量时间，而且并不总是能够完成，因此有必要计算整个执行期间虚拟机迁移所造成的成本 ．迁移成本由日志文件的访问时间和虚拟机的切换时间组成，也表示虚拟机宕机时间。18］.假设存储器图像的传输时间是在迁移过程中从来 ．

在瞬间 那 是一个二进制变量来判断是否部署在 那由此定义

是一个二进制变量来判断是否迁移起来来 那由此定义

当脏页在时间,让是包含包含的所有日志文件的访问时间和[18］.什么时候需要在边缘服务器和位于边缘服务器旁边的AP之间迁移，时间消耗被定义为

在哪里是由迁移生成的脏页的大小在时间和为边缘服务器与其对应AP之间的带宽。

假设之间的ap总数是多少和 那包括美联社_酸的，AP_Dest.和几个AP_中期年代。AP_酸的位于和AP._Dest.位于 ．因此，由迁移引起的时间消耗来自AP._酸的到AP._Dest.通过计算

在哪里是AP之间的带宽。

VM迁移过程分为多轮。在第一轮中，VM映像将被发送到目标PM，而在此之后，在上一轮中生成的脏页将在随后的每一轮中被发送到目标PM。因此，脏页的大小是通过

在哪里指的是图像存储器的大小和是脏页的生产率。

开关时间在迁移操作中计算

在哪里表示打包VM的切换时间 ．

定义3（封装VM的迁移成本 ）。迁移成本表示VM迁移的时间消耗。什么时候迁移起来来 那迁移成本是计算的 平均迁移成本计算 在整个执行期间 那迁移成本是计算的

２.３.虚拟机迁移能耗分析

除了VM迁移成本之外，我们考虑在整个执行期间复杂系统的能耗 ．通常，我们计算边缘服务器和AP的能量消耗。随着采用虚拟化技术，边缘服务器的能耗主要包括边缘服务器中VM的能耗。考虑到每个边缘服务器配置相同，无论卸载策略如何，数据处理的能量消耗都是相同的。因此，本文未计算数据处理的能量消耗。

在瞬间 那计算边缘服务器上运行的虚拟机的能耗

在哪里为每个运行虚拟机的能耗。

边缘服务器将一直运行，直到该边缘服务器中的所有虚拟机完成托管任务。因此，运行时间 -th边缘服务器通过计算

通过边缘服务器中空闲VM的能量消耗通过

在哪里是空闲模式中VM的能量消耗率。

使用边缘服务器的基本能量消耗计算

在哪里是该项目的基本能耗率 ．

在VM迁移期间，APS经常接收并发送数据，为复杂系统中的能量消耗贡献。能源消耗率通过计算

在哪里 那 那 那 那 分别代表基线力量 那的信号传输功率因数 那信号收发器功率因数为 那交通需求并且链接率和 ．

根据ap的能耗率，计算ap的能耗

此外，VM的开关操作的能量消耗由

定义4（VM迁移的能耗）。虚拟机能耗是指虚拟机迁移后的能耗量。总能耗由 在整个执行期间 那能量消耗计算

2.4。问题定义

从上述内容中，分析了VM的迁移成本和VM迁移的能量消耗。在本文中，我们的目标是实现最大限度地减少迁移成本（9.）减少（18）同时满足ECD的能力限制。问题是制定的

3. BRSM：平衡资源调度方法

在动态资源调度过程中，检测并更新边缘服务器的占用情况。然后采用NSGA-III生成资源调度策略进行选择。最后，利用SAW和MCDM对资源调度策略进行评估，选择合适的资源调度策略。

3.1。边缘服务器状态检测和更新

由于资源调度策略的制定主要取决于边缘服务器的负载，因此需要检测每个边缘服务器的资源使用情况。在本节中，利用分配记录的分析来保留边缘服务器的资源使用。假设有执行期间的分配记录，表示为 ．

定义5（分配记录 ）。这 -th（ ）分配记录，表示为 那保留打包VM的分发。在 -分配记录，AE._m那AC._m那AV._m那作为_m和广告_m分别表示已分配的移动业务、被占用的边缘服务器、被占用的虚拟机、请求的启动时间和持续时间。

根据移动服务的VM实例的数量，生成相同数量的分配记录。借助于分配记录，考虑到分配记录组合边缘服务器的经过时间来动态地呈现每个边缘服务器的空闲空间。

算法1指定边缘服务器空间采集的关键思想。通过识别占用的VM实例，关键的想法是获取空闲VM实例的数量。我们输入分配记录集合 ，调度即时和边缘服务器 ．输出是备用空间是_t，n对于边缘服务器在 ．

另一方面，由于移动服务几乎连续卸载，因此边缘服务器的负载分布动态变化。因此，迫切地将VM从过载边缘服务器迁移到欠载边缘服务器。

由于VM的实际保持时间，当VM从一个边缘服务器迁移到另一个边缘服务器时，需要更新和修改原始分配记录。此外，迁移导致引用VM实例的新分配记录。在该新分配记录中，迁移时间是开始占用时间，而持续时间由移动服务的其余托管时间确定。

在算法中2时，指定分配记录更新。我们立即输入日程安排 那处理后的目标边缘服务器 那目标边缘服务器DC.和目的地VMDV.．输出是更新的分配记录集合 ．在迁移瞬间 那为目标移动服务更新分配记录（第1-10行）。此外，使用VM实例进行新的分配记录在目标边缘服务器上生成并将新的分配记录添加到分配记录集合中（第11-16行）。

3.2。使用NSGA-III的资源调度方法

随着VM实例从超载边缘服务器迁移到欠载边缘服务器，资源调度问题被定义为多目标优化问题，以最小化VM迁移成本和VM迁移的能量消耗。与传统遗传算法相比，NSGA-III降低了非流入分类遗传算法的复杂性，并扩大了采样空间，从而大大提高了收敛速度[14］.考虑到NSGA-III有效地解决了多目标优化问题，使用NSGA-III来解决优化问题。

3.2.1。编码

在本小节中，每个打包的VM都有一个调度策略，我们为VM调度策略编码。在遗传算法（GA）中，基因代表包装VM的迁移策略和由一组基因组成的染色体，表示在同一计划中的VM的混合迁移策略。根据边缘服务器集，对VM迁移的目标边缘服务器进行编码 ．

3.2.2。适应度函数与约束

染色体代表所有包装VM的卸载策略，这些策略在同一计划中。在人口中，每个染色体证实了在资源分配优化问题的方面中的解决方案。因此，健身函数作为标准来衡量可能的解决方案的优越性。在本文中，健身功能包括两类：VM迁移成本和VM迁移的能耗，分别呈现（9.） 和 （18）。如（19） 和 （20.)，该方法的设计目的是在满足潜在约束条件的同时，在两个适应度函数之间选择合适的资源分配策略。采用NSGA-III算法求解优化问题，同时满足约束条件，效率高。

3.2.3。初始化

在初始化阶段，首先确定遗传算法的参数，包括种群大小 那最大迭代时间 那交叉的概率以及突变的概率 ．

在遗传算法中，每个染色体代表同一调度中服务或虚拟机的计算卸载策略。此外，还讨论了该系统的卸载策略 -移动业务在 -th染色体被表示为和 -Th染色体表示为 ．

3.2.4。交叉和突变

结合两个染色体的交叉操作是本文中的单点交叉。数字2以一个时间表显示两个染色体的交叉操作。在这种情况下，我们选择一个交叉点并交换周围所选择的交叉点的基因。特别是，交叉操作开始交换产生了两条新的染色体。

为了提高适应度值，采用突变操作修改基因以生成新的染色体。每个基因被修改的概率都是一样的。数字3.说明突变操作的一个实例。在这个例子中，代码突变为6比1。

3.2.5。下一代的选择操作

为了获得更好的解决方案，在本小节中选择个体生成下一个种群。经过交叉和变异操作后，种群规模为2H．分别计算各调度策略的迁移代价和能耗，以判断该调度策略是否最优。根据适应度值，按照通常的支配原则对调度策略进行排序，即解。因此，成功地产生了非主导锋面。

当制备完成后，进行染色体的选择操作。每次都从最高的非支配阵线中选出一个解决方案，直到有选定的解决方案。我们定义了上次添加的解决方案 -非支配锋。前提是 -选择NondoMinated Front，选择操作鳍和选择的解决方案来自下一代。这种选择被称为初级选择。

而实际上，所有解决方案 -非支配战线不被选中。作为解 -非主导战线未全部纳入，需进一步筛选。中选择的解决方案的数量 -nonominated front是 ．我们需要一系列操作来确保所选的解决方案更好。这种选择被称为进一步选择。

首先，我们正常化2Z.人口中个人的健身价值。我们搜索VM迁移成本的最小值和能量消耗，其表示为和 ．因此，更新了解决方案的健身值

基于适应值，VM迁移成本的极值和VM迁移的能量消耗，其表示为和 那计算了

在哪里和是两个健身功能的重量矢量。

我们使用每个健身功能作为轴的度量。在超平面中，分别计算每个轴的截距。2Z.人口中的个人的健身值被标准化为

在规范化过程之后，将两个健身值放入域中 ．然后，分布式参考点与所选解决方案连接，从而提高了解决方案的多样性。通过归一化，每个轴的截距为1，每个轴被分成部分。此外，参考点的数量表示为 ．为确保每个解决方案都与参考点相关联，大约等于解决方案的数量 那由此计算

根据每个解决方案员工的参考点数，解决方案 -分类为Nondominated Front，其中一个解决方案是随机选择的。这个过程重复直到选择解决方案。

算法3.表示下一代的选择操作。在该算法中，我们输入了 -一代人口和一组参考点虽然输出是 -一代人口 ．在每次迭代中，计算每个解决方案的适应度值（第1-4行）。随着交叉和突变的操作，有2H要选择的解决方案（第5-6行）。然后是2H根据不良原则（第7-9行）对解决方案进行分类。最后，通过参考点，选择解决方案作为下一代（第10-17行）。算法过程3.将重复，直到最大迭代。

３．３．基于SAW和MCDM的调度策略

在人口中，有染色体，也称为溶液。每个染色体代表一个可行的混合调度策略。对于染色体，我们设计的方法是在降低VM迁移成本和优化VM迁移能耗之间进行权衡。对于生成的解，使用SAW和MCDM选择相对最优的解。

当标准被分成正标准和否定标准时，迁移成本是负标准，这意味着迁移成本越低，解决方案越好。类似地，能量消耗也是负标准。

迁移成本正常化为

在哪里和分别代表人口迁移成本的最大值和最小值。此外，能源消耗标准化为：

在哪里和分别代表人群能源消耗的最大值和最小值。

没有可行的方式，如何同时最小化潜伏期和能量，这两个目标之间是折衷。因此，两个目标中的每一个都是重量。通过两个重量的不同值，每个目标对卸载策略的影响相应地改变，并且可以实现权衡。让分别是迁移成本的重量和能源消耗。对于解决方案的综合实用价值评估，VM迁移成本和VM迁移的能耗的优化都考虑了。由于两个目标对卸载策略的选择具有相同程度的影响，因此本文设定了适应性功能的重量。因此，效用价值的 -解决方案是计算的

基于实用价值的 -第Th个解，表示为最优解V.（C），由计算计算

此时，从总体中选择出效用值最大的最优解。

3.4。方法概述

在本文中，我们的目标是最大限度地减少每个服务卸载策略的迁移成本和能源消耗。资源调度问题被量化为多目标优化问题。使用NSGA-III来生成资源调度策略。首先，我们指定边缘服务器的实时条件并构建资源分配记录集合。然后编码随机生成的资源调度策略。此外，提出了健身功能和潜在约束来判断每个解决方案。为了产生新的解决方案，拍摄交叉和突变的操作，导致总共2H解决方案。对于下一代，通常的统治原则和参考点用于选择相对合适的解决方案。最后，尽管锯和MCDM，但最佳解决方案选自群体。

算法4.显示了所提出的方法BRSM的概述。输入包括初始化的人群 那分配记录集以及最大的迭代时间 ．输出是新的分配记录集 ．在此算法中，我们首先更新运行的移动服务集合获取边缘服务器的空闲空间(第3-6行)。然后随机制定初始资源调度策略，进行交叉和变异操作，生成2H解决方案（第9行）。旨在选择合适的解决方案，我们计算每个解决方案的健身功能，并根据算法进行选择操作3.(第10行)。这个过程将重复，直到达到迭代次数 ．基于每个解决方案的效用值，对替代解决方案进行排序，我们选择具有最高效用值的最佳解决方案（第16-20行）。选择最佳策略的流程图如图所示4.．最后，资源分配记录更新并输出（第21行）。

4.实验结果和分析

在本节中，进行了模拟和实验以评估所提出的方法BRSM的性能。首先，介绍参数设置。然后，提出了对BRSM的性能评估。

4.1。模拟设置

在实验中，我们选择Lenovo TS250作为EDGE服务器，它由英特尔Xeon-E3-1225V6，四分之一的Quad-Processor在3.4 GHz和4 GB的RAM中时钟。为了进行实验评估，产生5个不同尺度的数据集，其移动服务数分别为1000,2000,3000,4000,5000。此外，实验中的具体参数设置呈现在表中2[18］.具体来说，可以下载数据集https://pan.baidu.com/s/1coxnu8b5_ydxawtbjsn6uq.．

VM迁移成本和VM迁移的能量消耗是判断方法BRSM是否有效的两个标准。旨在代表BRSM直观的优越性，我们采用了比较方法来进行实验评价。比较方法具体描述如下。(一)首次试穿（FF）。在边缘服务器的起始地址的顺序中，检查每个边缘服务器中的资源，并且分别分配给遇到足够资源的第一边缘服务器的移动服务。(2)最适合（bf）。移动服务分别卸载到具有足够资源的边缘服务器，而目的边缘服务器具有所有边缘服务器之间的资源。（iii）首次拟合递减(FFD)。根据所需资源的金额，移动服务按降序排序。然后，第一个移动服务将卸载到具有足够资源的第一边缘服务器。此过程仍在继续，直到所有移动服务都卸载到边缘服务器。(iv)Best Fit decrease (BFD)。根据所需资源的金额，移动服务按降序排序。然后，第一移动服务将卸载到边缘服务器，该边缘服务器具有所有边缘服务器之间的资源最少，但足以让移动服务。重复此过程，直到所有移动服务都卸载到边缘服务器。

4.2。BRSM的绩效评估

在本节中，我们将评估使用的边缘服务器的数量、边缘服务器的资源利用率、VM迁移成本和VM迁移的能耗。相应的评价结果如下所示。

4.2.1。对解决方案的公用事业价值评估

在图中的五个子图中5.，提出了不同移动服务尺度的解决方案的实用价值的比较。从数字中可以看出，无论移动服务的数量如何，BRSM都有3个解决方案。在生成的解决方案中，获取最平衡的服务卸载策略，具体取决于（30.）。具有最大实用程序值的服务卸载策略被选为最佳的卸载策略。例如，在图中4.（a），最终的服务卸载策略是解决方案2，因为它具有最高的实用程序值。

4.2.2。对采用边缘服务器数量的评估

在基于边缘服务器的WMAN中，采用的边缘服务器的数量是测量边缘服务器资源利用的关键因素。因此，有必要评估采用的边缘服务器的数量。考虑到FF，BF，FFD，BFD和BRSM中采用的5个不同的刻度数据集，在VM迁移之后所采用的边缘服务器的数量与图中所示的彼此不同6.．在图6.，很明显FF和BF使用相同数量的边缘服务器。FFD和BFD使用相同数量的边缘服务器。然而，与其他四种方法相比，BRSM使用的边缘服务器较少。

4.2.3。资源利用评估

边缘服务器的资源利用具有重要意义，这是由于每个边缘服务器中的运行VM的数量来计算。高资源利用率代表资源的合理利用。

在图7.，提出了FF，BF，FFD，BFD和BRSM的平均资源利用率的比较。FF和BF具有相同的资源利用率，而FFD和BFD同样达到相同的利用率。明显，与FF，BF，FFD和BFD相比，BRSM具有最高的资源利用率值，证明了所提出的方法BRSM的优势在资源利用方面。

在动态VM迁移过程中，考虑了边缘服务器的资源利用率随时间的变化。为了实时监控资源使用情况，我们在执行期间有5000个移动服务时跟踪边缘服务器的资源使用情况。图形8.说明了FF，BF，FFD，BFD和BRSM的实时资源利用的比较。根据分析，在执行期间，边缘服务器的资源利用率超过80％。此外，BRSM几乎每立即的FF，BF，FFD和BFD都能实现更好的资源利用率，保证BRSM的良好性能。

4.2.4。迁移成本评估

迁移成本表示跨边缘服务器的VM迁移的时间消耗。然而，迁移成本分为两部分，即AP和边缘服务器之间的成本以及AP之间的成本。

并考虑了上一轮数据传输引起的脏页传输时间。数字9.利用5个不同尺度的数据集，比较了FF、BF、FFD、BFD和BRSM的迁移代价。可以直观地看出，FF和BF具有相同的迁移成本，FFD和BFD也具有相同的迁移成本。然而，与其他4种方法相比，我们所提出的BRSM方法具有最小的迁移代价。

4.2.5。能耗评价

如第节所述2，虚拟机迁移的能耗是判断卸载策略是否适合卸载情况的重要标准。能量消耗越低，卸载策略越有效。因此，FF、BF、FFD、BFD和BRSM的能耗对比如图所示10．在移动服务的不同尺度下，VM迁移的能量消耗是不同的。很明显，FF和BF在VM迁移期间具有相同的能耗，FFD以及BFD也具有相同的能耗。此外，BRSM的能量消耗低于FF，BF，FFD和BFD的能量消耗，其得出比4比较方法更好地实现节能的结论。

5.相关工作

随着化石燃料的使用，引发了空气污染、资源快速消耗等各种问题，危及环境的可持续发展[1那15］.为了改善环境，可再生能源用作化石燃料的替代方法[15那16］.然而，可再生能源的供应取决于许多无法控制的自然因素，这是间歇性的。因此，利用复杂的系统来集成各种可再生能量以实现稳定能量的连续供应[17那18］.随着复杂系统中的大规模数据，云计算出现为应用范式[19那20.］.移动设备将数据传输到云平台，而移动设备与云的距离较远，导致传输延迟不可忽视。这样，数据被传输到靠近移动设备的边缘服务器上，减少了传输时间消耗[21-23］.在许多方面彻底研究了EDGE计算，包括虚拟资源分配策略制定[24]，移动台的能量消耗[25]、用户流动的质量及营运成本[26]，数据传输的安全问题[27，网络负载均衡[28］.

周等人。[24建立了一个异构网络框架，以支持计算和内容缓存。Sheu等人。[25]提出了一个名为A-PSM的先进的省电机制，它使用平均分组互连时间来调整睡眠窗口以获取电源使用的命令。guan等人。[26将大都市区分成不同的集群，以最大限度地减少MEC地区之间的切换和，增加QoE并降低WMAN的运营成本。Baskaran等人。[27[与隐私密钥管理协议版本2（E-PKMV2）相比，提高了增强方案。通过名为盲密钥分发（BKD）的新技术的壮举，可以提高安全性和可靠性问题。Jakimoski等。[28]设计了一种垂直切换决策算法，根据移动设备的速度和整个网络的负载来优化WMAN的负载。

通常，应用程序将更多地计算密集型，因为可以将各种要求添加到它们进行资源响应[5.那29］.因此，在连接移动用户和服务器的过程过程中的传输延迟在复杂的系统中昂贵[5.那30.那31］.将任务卸载到边缘服务器是减少应用程序延迟的合适方式。边缘服务器是可靠的服务器群集，边缘服务器的物理资源以不同类型的VM的形式提供。因此，用户可以通过建立与附近的边缘服务器的无线通信来度假vps来处理计算任务。

Cui等人。[32]提出了一种基于用户分布规律的软件定义的协同卸载模型，并采用在线任务调度算法合理分配设备间的能量。同样，Chen等人[33]研究了边缘服务器部署问题，旨在最大限度地减少用户的访问延迟并降低由边缘服务器数表示的总成本。为了实现目标，设计启发式和聚类算法用于减少延迟，而整数线性编程被配制以减少使用的边缘服务器。Panigrahi等。[34]提出了一种能源高效卸载方法，以提高边缘服务器的资源利用率，提高能源利用率。类似地，Gai等人[35]设计了一种基于动态的能量感知边缘服务器的移动云计算模型，可根据动态边缘服务器（DCL）为基础的节能。

当移动用户的规模迅速扩展时，它们经常访问边缘服务器，资源快速耗尽。因此，可以拒绝移动设备的新请求，并且大量用户排队。随着等待导致的访问延迟是非不可止的，将带来负面影响，并且用户的QoE会急剧下降[36那37］.进行边缘服务器的研究的不同方面，以减少传输延迟[36-38］.

Jia等[36]设计了一种算法来优化WMAN中的边缘服务器放置问题。该算法可以将移动用户分配给已放置以平衡工作负载的边缘服务器。另一方面，引入了一种新型模型来计算卸载任务的响应延迟，并利用两个算法来解决可以最小化最大响应时间的优化问题[39］.马等人。[40[介绍了一种新的启发式算法（NHA）和粒子群优化（PSO）算法，用于减少比现有方法更有效的延迟。rodrigues et.al.[41]设计了一种在两台边缘服务器上最小化服务延迟的方案，着重于通信和计算元素，并使用虚拟机迁移来控制处理延迟和传输延迟。

6.结论与未来工作

提供多种云服务的能力对现代WMAN系统非常重要。针对边缘服务器管理中虚拟机迁移成本和能耗之间的权衡问题，提出了一种资源均衡调度方法BRSM。该方法可以根据边缘服务器的实时负载情况和卸载请求的数量，制定合适的服务卸载策略，减轻超载边缘服务器的负载，实现高效的应用执行。随着移动用户发送的服务请求越来越多，通过将超载边缘服务器上的服务卸载到其他计算资源和存储空闲的边缘服务器上，可以保证云服务不受太大影响。首先，将卸载问题定义为一个多目标优化问题，以降低虚拟机迁移成本，实现卸载过程中的节能。然后，采用NSGA-III算法处理多目标优化问题。最后，通过实验验证了该方法的性能。

在未来的工作中，建议的方法BRSM将扩展到WMAN的真实情景。此外，指定执行时间限制用于计算任务以识别计算卸载方案以降低迁移成本以及能量消耗。

数据可用性

本文包括了用于支持本研究结果的边缘服务数据。

的利益冲突

作者声明他们没有利益冲突。

致谢

本研究由国家自然科学基金项目61702277和61872219资助。江苏省高校重点学科建设项目资助;江苏省大气环境与装备技术协同创新中心资助;南京理工大学大学生创业教育资助项目资助。

参考文献

1. B. V. Mathiesen, H. Lund, D. Connolly等人，“用于一致的100%可再生能源和运输解决方案的智能能源系统”，应用能量，卷。145，pp。139-154,2015。查看在：出版商的网站|谷歌学术
2. 陈伟，“基于极值搜索的电动汽车锂离子电池状态预测的在线参数识别方法”，国际控制，自动化与系统杂志，2019年。查看在：出版商的网站|谷歌学术
3. D.Flórez-orrego，I. B. Henriques，T.-V。Nguyen等人，“教授的贡献。Jan Szargut到了复杂能源系统的漏洞和环境评估，“活力，卷。161，pp。482-492，2018。查看在：出版商的网站|谷歌学术
4. A. Alrawais，A. Alhothaul，J. Yu，C. Hu和X. Cheng，“SecureGuard：公钥基础设施中的证书验证系统，”车辆技术的IEEE交易，第67卷，第6期，第5399-540812018页。查看在：出版商的网站|谷歌学术
5. V. Meena, M. HariPrasath, V. Kalpana, K. ArunKumar，和J. SenthilKumar，“移动云计算中卸载任务的最优资源预留”2017年第二次通信和电子系统国际会议， IEEE，印度，2017。查看在：出版商的网站|谷歌学术
6. X. Chen，“移动云计算去中心化计算卸载游戏”，并行和分布式系统上的IEEE事务第26卷第2期4, pp. 974-983, 2015。查看在：出版商的网站|谷歌学术
7. K. Gai，M.邱，H. Zhao，L. Tao和Z.Zong，“绿色计算的动态能量感知流动云计算模型”网络与计算机应用，卷。59，pp。46-54,2016。查看在：出版商的网站|谷歌学术
8. Z. Xu，W.梁，W.Xu，M.Jia和S. Guo，“无线大都市网络中的电容Cloudlet介绍”2015年IEEE在本地计算机网络上的第40次会议， IEEE, Clearwater Beach, FL, USA, 2015。查看在：出版商的网站|谷歌学术
9. R. Morabito，“带集装箱技术的东西边缘设备上的虚拟化：绩效评估，”IEEE访问， vol. 5, pp. 8835-8850, 2017。查看在：出版商的网站|谷歌学术
10. “基于边缘服务器的移动云计算系统的自适应多资源分配，”IEEE移动计算机上的交易，第15卷，第5期。10，第2398-2410页，2016。查看在：出版商的网站|谷歌学术
11. M. Chen，Y. Hao，Y.Li，C. F. Lai和D. Wu，“关于Ad Hoc Edge Server的计算卸载：架构和服务模式，”IEEE通讯杂志，卷。53，不。6，pp。18-24,2015。查看在：出版商的网站|谷歌学术
12. K. Zhang，Y. Mao，S.Leng等，“在5G异构网络中的移动边缘计算节能卸载”，IEEE访问，第4卷，第5896-5907页，2016。查看在：出版商的网站|谷歌学术
13. W. Shi，J. Cao，Q. Zhang，Y. Li，L. Xu，“Edge Computing：愿景和挑战”IEEE物联网期刊，卷。3，不。5，pp。637-646,2016。查看在：出版商的网站|谷歌学术
14. K. DEB和H. Jain，“使用基于参考点的非目标分类方法的进化多目标优化算法，第一部分：解决框限制问题，”IEEE进化计算汇刊第18卷第2期4, pp. 577-601, 2013。查看在：出版商的网站|谷歌学术
15. A.H法蒂玛和K。Palanisamy，“混合能源系统微电网的优化——综述，”可再生和可持续能源评论，卷。45，pp。431-446,2015。查看在：谷歌学术
16. L. Qi，Q.他，F. Chen等，“找到所有所需要：通过关键字搜索的Web中的Web API建议书”计算社会系统的IEEE交易，pp。1-10,2019。查看在：出版商的网站|谷歌学术
17. D. Alahakoon和X. Yu，“未来能源系统的智能电表数据智能:一项调查”，工业信息学的IEEE交易，卷。12，不。1，pp。425-436,2016。查看在：出版商的网站|谷歌学术
18. L. Qi，Y.陈，Y.元，F. Shucun，Z. Xuyun和X. Xiaolong，“一种基于云的网络系统节能的QoS感知虚拟机调度方法，”全球资讯网，2019年。查看在：谷歌学术
19. a . Botta, W. De Donato, V. Persico, a . Pescapé，《云计算与物联网的整合:一项调查》，未来一代计算机系统，卷。56，pp。684-700，2016。查看在：出版商的网站|谷歌学术
20. G. Wenwen，Q. Lianyong和X. Yanwei，“隐私感知多维移动服务质量预测和分布式雾环境的推荐”，无线通信和移动计算，卷。2018年，8页，2018年。查看在：出版商的网站|谷歌学术
21. P. Mach和Z.Becvar，“移动边缘计算：架构和计算卸载调查”IEEE通信调查与教程，第19卷，第3期，第1628-16562017页。查看在：出版商的网站|谷歌学术
22. Z杨，Y。黄，L。Xing等人，“多媒体外包和共享中的高效安全数据源方案，”计算机，材料和Continua，卷。56，没有。1，pp。1-17,2018。查看在：出版商的网站|谷歌学术
23. Y. Zhang，Y.Zhou，F. Wang，Z. Sun和Q. He，“基于商品空间粒度分析和覆盖算法的服务推荐，”以知识为基础的系统，卷。147，pp。25-35,2018。查看在：出版商的网站|谷歌学术
24. Zhou y, F. R. Yu, J. Chen, and Y. Kuo，“基于网络内缓存和移动边缘计算的虚拟化异构网络的资源分配”，车辆技术的IEEE交易，卷。66，没有。12，PP。11339-11351,2017。查看在：谷歌学术
25. S.T. Shen，L. W. Chen和J. Chen，IEEE 802.16 M无线大都市网络的先进节电机制，“2012 IEEE第75届汽车技术大会，IEEE，横滨，日本，2012年。查看在：出版商的网站|谷歌学术
26. X. Guan，X. WAN，J. Wang，X. Ma，G. Bai，“无线大都市区域网络中MEC地区的移动意识分区”IEEE INFOCOM 2018-IEEE计算机通信研讨会，IEEE，美国，2018年。查看在：出版商的网站|谷歌学术
27. S. B. M. Baskaran和G. Raja，“盲目的关键分配机制来保护无线大都市网络”，CSI交易信息通信技术交易，卷。4，不。2-4，pp。157-163,2016。查看在：出版商的网站|谷歌学术
28. K.Jakimoski和T.Janevski，“来自WLAN到WAN或WWAN技术的垂直切换改进，”2013年现代卫星，电缆和广播服务中的电信国际会议，Ieee，塞尔维亚，2013年。查看在：谷歌学术
29. Y.元和W.Banzhaf，“Arja：通过多目标遗传编程自动修复Java计划”，软件工程上的IEEE事务，2018年。查看在：出版商的网站|谷歌学术
30. J. Zhang，N.Xie，X. Zhang，K. Yue，W.Li和D. Kumar，基于机器学习的云计算资源分配，“计算机，材料和Continua，卷。56，没有。1，pp。123-135,2018。查看在：谷歌学术
31. 张颖，王凯，何清等，“基于覆盖的基于邻域感知矩阵分解的web服务质量预测，”Services Computing上的IEEE事务，2019年。查看在：出版商的网站|谷歌学术
32. Y. Cui，J. Song，K.Ren等人，“软件定义了用于移动边缘服务器的合作卸载”，“网络上的IEEE / ACM事务，卷。25，不。3，pp。1746-1760,2017。查看在：谷歌学术
33. L. Chen，J. Wu，G. Zhou和L. Ma，“快速：QoS保证高效的边缘服务器放置在无线大都市网络中，”超级计算杂志，卷。74，没有。8，pp。4037-4059,2018。查看在：出版商的网站|谷歌学术
34. C. R. Panigrahi，B.Pati和M. Tiwary，“EEOA：使用有效的卸载方法提高移动边缘服务器的能效”2015 IEEE国际会议高级网络和传输系统， IEEE，加尔各答，2015。查看在：出版商的网站|谷歌学术
35. K.Gai，M.邱，H. Zhao，L. Tao和Z. Zong，“绿色计算的动态能量感知边缘服务器的移动云计算模型”网络与计算机应用，卷。59，pp。46-54,2016。查看在：谷歌学术
36. M.Jia，J.Cao和W. Liang，“最佳边缘服务器放置和用户到无线大都市区域网络中的边缘服务器分配”，关于云计算的IEEE交易，卷。5，不。4，pp。725-737,2017。查看在：谷歌学术
37. Yuan y, Y. S. Ong, A. Gupta，“多目标优化中的目标减少:进化的多目标方法和综合分析”，IEEE进化计算汇刊第22卷第2期2，第189-210页，2018。查看在：出版商的网站|谷歌学术
38. C.吴，E. Zapevalova，Y. Chen和F. Li，“时间优化大数据环境中的多个知识转移”，计算机，材料和Continua，卷。54，没有。3，pp。269-285,2018。查看在：谷歌学术
39. 贾敏，梁伟，徐志伟，黄敏，马玉华，“无线城域网中qos感知的边缘服务器负载均衡，”关于云计算的IEEE交易， 2018年第1页。查看在：出版商的网站|谷歌学术
40. 马磊，吴建军，陈磊，刘志强，“边缘服务器放置容量的快速算法”2017 IEEE第21届计算机支持的设计协同工作国际会议，IEEE，新西兰，2017年。查看在：出版商的网站|谷歌学术
41. T. G. Rodrigues，K. Suto，H. Nishiyama和N.Kato，一个具有VM迁移和传输功率控制的PSO模型，用于多个边缘服务器ECC场景中的低服务延迟，“2017 IEEE国际通信会议，Ieee，巴黎，法国，2017年。查看在：谷歌学术

版权

版权所有©2019 Xiaolong Xu等。这是分布下的开放式访问文章创意公共归因许可证如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。