文摘
介绍了移动云计算新兴技术克服移动设备的约束。我们可以通过卸载资源密集型应用程序实现这一远程基于云计算的数据中心。远程计算解决方案,移动设备(MDs)经验更高的响应时间和网络延迟,这些对实时移动用户应用程序都有不利的影响。在这项研究中,我们提出一个模型来评估网络固定金额计算的效率在MEC卸载。这个模型有助于在选择相邻的边缘服务器从周围的边缘服务器。这有助于减少延迟和增加响应时间。为此,我们使用一个基于决策规则的启发式虚拟价值(HVV)。HVV是一个映射函数基于边缘服务器的工作负载的特性和性能。此外,我们提出一个虚拟机资源的可用性算法(AVM)基于VM的可用性在边缘云服务器有效的资源分配和任务调度。实验仿真结果表明,该模型能够满足不同的实时服务的响应时间需求,提高性能,减少MD的消耗能源和资源利用率。
1。介绍
有更多的问题面临着智能手机等移动设备,侦察飞机(无人机),机器人,病人监控设备,无线传感器,由于这些设备有限的规范(如存储、内存、CPU、电池),和密集的应用程序(例如,实时翻译、视频处理、图像处理)需要超级计算机。移动设备与有限的资源没有有效或适当的处理这些应用程序。因此,移动云计算(MCC)成为解决克服资源限制的移动设备通过使用计算卸载。
计算卸载是一种转移机制的软件应用程序从有限的资源设备资源丰富的平台。移动云计算是知名的医学博士计算卸载模块。MCC是成为一个受欢迎的技术,移动服务(女士),例如,视频,移动视频游戏、社交网络、教育、移动医疗服务和即时消息传递(1]。
无线通信限制像断开、低带宽、安全问题,延迟和流动被认为是关键壁垒卸载计算在云计算(CC) [2]。实时服务非常延迟敏感,因此需要在靠近MDs计算数据。因此,距离云像MEC,雾计算和薄云可以是一个有效的和适当的模块计算卸载。
计算边缘(EC)是一个新兴的技术,目前在ETSI标准行业规范组织(研究小组)。电子商务提供了一个服务的环境和功能的CC移动网络优势,在无线接入网络(RAN),在靠近手机用户(μ)。目标是最小化服务延迟,证实有效的网络操作和服务交付,并提供一个增强的用户体验(3]。有一些MEC[面临的挑战4),如服务云服务器之间的同步和编排和边缘服务器(ES)(中央云),除了“无缝服务”作为连接与移动电子商务基础设施可能是间歇性的。此外,标准的基于IP的操作变得不可行解决MD和服务器之间的交互,考虑到这个问题更强调边缘计算的服务设施。边缘的服务计算的其他挑战可能并不总是假设当地基础设施的可用性。
MEC是一个分布式系统,提供低延迟等特性、分布分析、实时交互、地理分布、移动性支持,不支持上下文感知,通过集中CC范式(5]。
我们认为执行自己的密集型应用程序的目标移动设备交互与许多边缘云计算基础设施,通过不同的无线连接或wi - fi,为了计算负载分发给一个或多个边缘计算基础设施(MEC薄云,远程云)和接收数据的结果,执行计算卸载(6]。MEC,例如,计算卸载重任务EC的通信网络(或手机网络),已经成为一种很有前途的技术的下一代蜂窝网络。因此,有必要增强模型的分布式计算卸载,这样不仅计算服务器应用在他们最好的能力,还实现了用户响应时间的限制(7]。
计算卸载模型的基本组件上运行的客户端上运行的客户端设备和服务器边缘服务器,无论周围的设备或远程云。组件的客户端有三个主要功能:第一,监测和预测性能的医学网络;其次,预测和跟踪计算的要求客户服务的输入和输出要求的数据和时间执行客户端和ES;第三,使用这些信息来选择云计算的一些分区执行的总执行时间减少了。服务器立即执行卸载的组件部分后,返回结果给客户端组件,因此应用程序可以继续在移动设备上。摘要我们的目标是减少延迟的过程(即。,offloading the process and receiving the results) by proposing an evaluation model to evaluate the efficiency of near-end network computation offloading in mobile edge computing (MEC). This model helps in choosing the adjacent edge server from the surrounding edge servers. This helps to reduce the latency and increase the response time. To do so, we use a decision rule based Heuristic Virtual Value (HVV). The HVV is a mapping function dependent on the feature of the edge server like the performance and workload. Additionally, in this paper, we propose a VM resource availability algorithm (AVM) that optimizes resource allocation and task assignment based on VM availability in the edge cloud servers. The simulation results show that the proposed model satisfies the requirements of response time of real-time applications, improves the performance, and minimizes the MD power consumption.
剩下的纸是组织如下:在部分2,我们提出相关的评审工作。节3,我们在MEC轮廓计算卸载。节4资源分配模型。然后,在节5,我们描述我们的模型结果和分析,其次是结论部分6。
2。相关工作
在[8),性能的能力或能力增强,利用边缘服务器的可用的计算能力,提出了一个系统提供一个托管的设备集合在边缘,使利用云服务多个客户端成一个协调一致的云计算服务尽管参与生产的移动设备。另一方面,研究[9)提出了一个框架和一个模型使用一个整体分析债券上下文适应和计算卸载(云知道),帮助应用程序开发人员的设计可扩展和灵活的优势取决于移动应用程序。
云跑(C-RAN)服务是利用提出卸载,使决策的决策算法从客户端到云计算卸载远程无线头(rrh),以节省能耗和保持一个令人满意的用户体验质量,减少应用程序的响应时间10]。李雅普诺夫优化算法采取的决定卸载,频率为移动应用程序执行的CPU周期,和能量计算卸载(沟通的11]。
投机取巧的方案计算卸载作为系统执行的任务提供了数据挖掘在客户端设备和边缘服务器(ES),减少执行时间和能源消耗12]。在[13),卸载一个分布式计算模型,可以实现纳什均衡,提出了实现计算卸载的优越性能和规模和用户规模增加。在研究[7],作者使用少数游戏理论分析卸载延迟的统计特征对用户的请求和信道质量通过使用一个分布式算法来解决高效服务器选择的问题。在[14),作者评估性能和调查计算卸载从马里兰州的云(SCC)小细胞。在该方案中合作MEC的服务器(15),作者分析联合任务卸载和资源分配的问题。此外,物联网资源公平首先应该考虑到用户体验。另外,作者提出一种两级启发式:第一,受进化算法,搜索全球卓越的卸载方案;第二,考虑到公平在所有任务,生成资源分配模块,利用服务器的资源尽可能有效地(15]。
该方法被格式化为一个优化问题,以减少MD的消耗能源,由于MEC容量的开销。卸载的优先级为每个设备取决于其功耗和通道增益。完成卸载执行高优先级,而最低执行卸载一个低优先级16]。
现代框架计算卸载从移动设备客户端一个边缘服务器主机、CPU、最高的可用性。主要的思想是估计RTT值移动设备和边缘服务器之间根据信号质量跑作为一个应用程序编程接口(API),使移动设备决定出售或不计算任务的应用程序。此外,提出了一种新颖的算法计算;这取决于RTT估计与其他参数(如消费权力)决定什么时候将移动设备的应用程序计算任务移动边缘计算服务器(17]。
提出计算卸载在多单元的系统中,作者认为多个用户请求具有多个输入和多个输出(MIMO)。此外,研究人员表示,使用无线电联合优化问题和细胞间的干扰计算卸载的应用程序的计算资源密集部署(18]。之前的研究工作没有处理的过程评估pre-decision卸货过程。使用时,这种技术需要谨慎处理,和应该做更多的研究等问题如机密性、真实性、完整性(19]。在这项研究中,提出了一个评价模型来评估近端网络计算卸载MEC的效率。
极大极小算法(20.)是一种流行,非常简单,且易于实现云调度算法,因为它有很少的控制变量,我们使用它的云计算优势。所有的小任务分配资源,更快慢和大型任务分配资源。因此,它减少了平均等待时间较短的工作,通过分配他们更快的资源,我们的大型任务执行的较慢的资源。因此,该算法提高了任务的同时实现资源。因此,算法的最小完成时间(MCT)分配资源或卸载任务vm基于最好的这些任务预期完成时间以随机的顺序。每个任务分配给资源或VM最近的完成时间。在其特定算法,一些任务被分配到资源或虚拟机没有最小加工时间(21]。
轮询调度算法(RR) (22)被认为是最简单的进程调度算法。它给平等的时间为每个流程,处理所有进程不优先考虑。RR调度的特点是它的简单和易于实现,作为摆脱饥饿,这意味着这个过程没有完成它所需要的资源,或者经过一段长时间。
在这项研究中,移动设备的垂直协作,移动边缘服务器和移动云计算服务器,以及边缘节点计算的横向合作,检查与合作MEC的计算任务卸载和资源分配。关于计算卸载它是制定决策,合作选择,功率分配和CPU周期频率分配。为了减少延迟,能源消耗,传动功率和CPU周期频率应该合理限制(23]。
3所示。计算卸载在西文
计算卸载技术用于提高移动设备的性能和减少能耗通过卸载密集型任务需要紧急和准确处理远程资源能计算出这些任务,并立即返回结果,例如,和密集的应用程序像图像的实时处理。
我们研究的主要目标是offloadable并发卸载的过程(分区任务)直接资源EC (L-ESs)如图1,做出适当的决定基于配置文件的结果检查每个资源(即。、L-ESs ECC或RC)。换句话说,我们决定计算卸载过程的电子商务资源(L-ESs, ECC和远程云),流动性管理,有效的分配计算资源,利用移动用户在每个资源。
3.1。边缘服务器计算架构
图2描绘的高级概述边缘服务器和移动设备,如智能手机、平板电脑、机器人和无人驾驶飞机。基站与网络通信的地方ES在进入互联网。ES,网络有超级计算和存储功能的组件收集创建一个虚拟服务器(VS)提供移动。如果一个工作负载需求资源超出ES可以支持,请求可以被重定向的核心网络,直到到达云服务在网络的另一边24]。
我是统一的互补优势计算模型特别是原型和latency-aware女士卸载的决定取决于以下参数:性能、能耗、延迟和成本。该模型基于以下参数自动选择计算源:性能、信号强度、无线带宽,和工作负载。我们依靠这些标准来选择合适的边缘服务器。
图2说明了mec体系结构。mec的边缘服务器的同步单元,负责移动设备和边缘服务器之间保持同步;管理分配资源控制(MARC)单位;和虚拟管理单元,包括分析器监控虚拟机工作负载和边缘服务器的性能。此外,克隆解决执行任务或应用程序。
mec架构的移动设备由五个单元:检测单元检测到的任务和可用的资源;代码分析器将任务划分为子任务,并确定子任务是否offloadable或nonoffloadable;等待队列中的子任务调度单元地方如果offloadable和分配他们当地执行否则;上下文单位负责客户端和边缘服务器之间的同步和管理分配子任务的卸载。
3.2。卸载决策规则
因为卸载计算密集型任务迁移到更足智多谋计算,它涉及到决策和计算是否应该迁移。卸载到远程资源的决策分为提高性能和节约能源25]。然而,其他问题出现,特别是对于敏感的计算任务,包括延迟、流动性,带宽瓶颈、资源管理、隐私和安全。
我们考虑一个ECC组成的一个边缘服务器池(L-ES)用连接通过LTE和美联社,边缘服务器控制(ESC)用 ,和一组移动设备(MDs)用在每个区域 。每个移动设备有一些敏感的计算过程在连续完成时间(时间) 。每一个过程可以划分为几个任务吗 ,根据任务执行的这个过程。计算任务的时间消耗在医学博士完成任务的时间消耗在边缘服务器。消耗的能量计算任务在MDs用 ,和能源消耗过程边缘服务器上的任务是用 。用每个边缘服务器的工作负载 。
边缘服务器上的任务的执行时间( )是 在哪里移动设备的性能代表边缘服务器的性能。卸载过程将会改善处理任务的响应时间,因为它减少了响应时间由于ES接近用户。响应的总时间是计算使用以下:
卸载性能(延迟)改善如果以下条件成立: 在哪里显示任务的大小需要发送是带宽。
执行任务的能源消耗在移动设备系统是由 在哪里代表了能量在移动系统。总消耗功率考虑计算和传输是由 在哪里显示移动设备之间的通信所需的权力和服务器通过网络边缘,指的是权力需要等待结果,大小的任务,需要卸载,然后呢是带宽。卸载能力保存如果以下条件成立:
保存卸载能力将计算过程 ,每个任务和光通信被认为是。
3.3。决策规则
我们有一些边缘服务器,我们需要卸载任务其中一个(的地方)。换句话说,我们需要选择最优边缘计算offloadable任务根据我们提出的启发式虚拟价值(HVV)和信号强度( )的边缘服务器。HVV是一个映射函数依赖的特征边缘服务器的性能和工作负载。每个服务器独立决定是否在活动模式(接受计算任务, )或不活跃的模式(不接受计算任务, )。因此,我们提出了启发式的虚拟价值(HVV)为每个服务器,我们需要计算它。HVV取决于一些参数(如性能 ,工作负载 ,模式 )为每个边缘服务器 。边缘服务器取决于HVV连接到移动设备。让是服务器决定准备接受任务如果服务器模式处于活动状态( ),所以HVV为每个服务器是由
的是一个映射函数,接收的值边缘服务器的性能和边缘服务器工作负载,并将它们转换为百分比分类值一至四如表所示1。
由此产生的潜在价值的HVV (t)函数接收部门边缘服务器性能的结果在边缘服务器工作负载 。边缘服务器模式取决于的价值 ;例如,在最好的情况下的价值4,使边缘服务器在主动模式 ;相比之下,在最糟糕的情况下是25,使边缘服务器在不活跃的模式吗 ,如算法1。
图3说明了计算卸载的过程;计算卸载前决定,每个客户端检测到的信号为每个周围边缘服务器,使有序列表的信号强度度边缘服务器。客户端收到信号的强度并将其转换成绝对价值的比例一至四个的值如表所示1。客户选择最多的边缘服务器并开始与它通过发送确认(消t)。代表offloadable任务的阈值。如果边缘服务器收到ack (t)服务器计算 ;如果 ,边缘服务器回复客户,主动和每个移动设备分配一个惟一的ID,然后客户端开始卸载任务到边缘服务器并接收结果。
相反,如果边缘服务器返回 ,这意味着服务器无法提供客户端和满足时间要求;在这种情况下,客户端就会找到另一个服务器通过检查订单列表(),选择 ,开始与它交流,等等。否则,它是客户端。如果客户未能与替代服务器通信,他们必须与远程通信云。
|
4所示。资源分配管理MEC基于VM资源的可用性
图4说明了系统模型,包括以下单位:监控和迁移单元作为一个核心单元负责ES的资源管理。分析模块单元工作获得任务特性及其计算需求与ES比较功能和确定它是否可以为他们服务。然后,vm控制单元工作创建虚拟机根据卸载任务的计算需求。调度单元分配这些任务可用的虚拟机。流动性问题,如果问题是保险服务的,聚合单元,与系统中的其他单位合作模式,把任务分配给相邻,以及平衡vm之间的资源。
4.1。VM可用性评估
VM可用性直接影响边缘云平台的调度任务;因此,vm可用性的评估被认为是在管理任务调度。此外,VM资源可用性是在要求的时间内提供功能服务的能力后,任务是卸载虚拟机。
我们可以测量可用任务处理的能力vm使用完成时间 ,完成率 ,和任务到达率 。我们计算的能力vm可用任务处理( )的在{边缘服务器在收到任务 ,我= 1,…,n},如下所示: 在哪里的概率是在边缘服务器接收到一个任务是云平台任务到来的速度优势。
任务完成时间是指任务到达时间之间的差异和任务完成率 ,也就是说,
因此,可用任务处理的能力每一个边缘服务器处理能力的总和所有vm的边缘服务器。
可用的容量任务处理的在边缘服务器给出了计算模型的力量和能力最重要的任务。因此,我们可以计算资源利用率( )如下:
4.2。调度算法
我们假设已经获得的任务要求。我们测量每个VM工作负载( )和边缘服务器的工作负载如下: 在哪里 在哪里任务的执行时间在边缘服务器( )。
测量的VM的可用性和配置虚拟机,以适应卸载任务构成边缘服务器面临的最重要的一个问题,为了能够安排任务计算和满足时间要求26]。我们提出了一个任务调度算法基于vm的可用性(缩写为AVM)算法2,他们的动态评估。选择最可用的资源,避免减慢任务计算。任务调度器的调度管理任务的模块基于请求的任务资源{ ,我= 1,…,n}任务调度的目的是最大化可用微分的vm,用相对小的边缘服务器上的工作负载和vm的定位选择,可以改善任务计算时间所示算法2。
5。仿真和结果分析
本研究使用Cloudsim工具(27评估拟议的决策规则,VM资源可用性和资源分配管理。CloudSim是一个开源包获得的公共使用。在本节中,我们将验证两个方面:(1)卸载决策;(2)资源分配管理和任务调度基于VM的可用性。
5.1。卸载决策
有一些因素影响卸载决策:第一(卸载),预测执行时间和功耗移动设备和远程云计算和比较。如果 ,卸载是活跃的,表明移动能源消耗,移动时间执行,云能源消耗,云的时间执行。第二,决定取决于网络功能,如带宽和信号强度。第三(卸载,边缘服务器选择),选择合适的服务器取决于性能和边缘服务器的工作负载。在这个研究中,我们关注的第三个因素。我们假设offloadable任务,它分为子任务,有些子任务(块)offloadable但其他人在本地执行。此外,我们假设网络的特性是合适的卸载。我们假设我们有几个边缘服务器,我们需要卸载任务其中一个(卸载)。每个服务器独立决定是否在活动模式(接受计算任务 )或在不活跃的模式(不接受计算任务 )基于启发式的虚拟价值(HVV)为每个服务器。边缘服务器取决于HVV连接到移动设备。让是服务器决定准备接受任务如果服务器模式处于活动状态( );否则,服务器模式是不活跃的( )。
我们可以比较示例拓扑的性能在许多方面,如服务时间和功耗。然而,我们要强调结果,只能由我们提供的模拟。图5显示,显示的平均服务时间(性能)是关于offloadable子任务的数量(块)。在仿真中,我们注意到,当卸载子任务执行时间的边缘服务器情况下活性远低于,以防它是不活跃的,假设卸载过程是完成或不活跃的边缘服务器是否活跃。
图6显示的平均功耗对offloadable子任务的数量(块)。我们注意到子任务卸载时的功耗是活跃远小于,当卸载过程是不活跃的,假设卸载过程是完成或不活跃的边缘服务器是否活跃。
5.2。任务调度基于VM的可用性
评估算法的有效性,我们配置由计算机仿真环境设置配置如下:CPU: 1500 - 3000 MIPS, octa-core;内存:32000 - 64000 MB;储存:2 TB。实验参数设置如下:2边缘服务器,40 vm,卸载任务的范围从20到300。我们模拟许多卸载任务使用vm LCG数据在每个ES,假设ES为vm(提供边缘云服务28]。
评估该算法AVM,我们比较其结果与其他调度算法,即轮循(RR)和最小完成时间(MCT)算法。我们采用了三个重要的参数比较,等待时间,资源利用率和响应时间。实验结果表明,AVM是优于其他两种算法。在实验中,我们测量的响应时间,以毫秒为单位。图7说明了每个任务的响应时间的微分。任务范围20到300的数量。因此,AVM的结果优于其他算法,为每个任务AVM改进响应时间。
在图8,我们测量剩余资源利用率的计算资源的数量后服务任务;例如,在我们的实验中,基于(14),剩余资源的百分比来衡量。
平均等待时间是衡量计算之间的区别边缘服务器的任务卸载时间的起始时间的执行任务。图9表明应用该算法时的等待时间并不比其他算法。图9描绘了平均等待时间取决于数量的任务当虚拟机的数量范围20至300人。等待时间是影响卸载任务的数量在边缘服务器(ES),随着等待时间基于任务的数量逐渐增加。
6。结论
边缘计算技术承诺一个机会来克服限制出售移动设备的资源密集型和时间敏感的应用程序到附近的一个服务器。直到现在,边缘计算的概念不是标准化的,很难开发不同的应用程序和各种架构或场景。在这个研究中,我们提出了一个评价模块评估固定金额的网络计算的效率在MEC卸载。这个模型有助于在选择相邻的边缘服务器从周围的边缘服务器。这有助于降低延迟和增加响应时间。为此,我们使用一个基于决策规则的启发式虚拟价值(HVV)。HVV是一个映射函数基于ES的性能和工作负载的特性。此外,在这项研究中,我们提出了AVM算法来解决资源平衡、资源分配和任务调度。仿真结果表明,该模型满足时间敏感的应用程序的延迟需求,提高性能,并减少移动设备的能源消耗。此外,拟议的AVM算法的实验显示改善任务响应时间和资源利用率的效率比其他类似的算法。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者声明没有利益冲突有关的出版。
确认
这项研究受到了沙特国王大学(项目号RSP-2021/206),利雅得,沙特阿拉伯。