研究动态服务迁移与能量优化策略在移动计算边缘

文摘

在移动计算(MEC)平台,正在执行的任务经常改变由于移动设备迁移。为了提高能源利用率的MEC平台和移动终端的迁移过程,确保有效和连续操作的服务,动态服务迁移与能量优化策略是必需的。针对能耗优化问题的动态服务迁移与移动网络的far-near效应,本文提出了一种动态服务迁移与能量优化策略,确保服务的性能需求的考虑有关设备的最低能量消耗在动态迁移过程。首先,通过分析迁移距离和设备传输能量之间的关系,与迁移距离相关的能耗模型建立。然后,根据任务动态服务迁移场景中,动态服务迁移能耗模型,以获得的回报函数迁移的能源消耗。最后,动态服务迁移策略通过最优迁移与能量优化是实现能源消费期望,所获得的最优停止理论。实验结果表明,本文提出的优化策略能够有效地降低能源消耗的动态服务迁移在不同的模拟环境中,可以提高动态迁移性能。

1。介绍

移动云计算技术的快速发展,移动云computing-based移动应用程序场景,比如手机视频通话,智能家居管理、和移动终端访问远程桌面,越来越多样化的(1]。保持这些终端程序运行在良好状态是一个至关重要的问题。在移动云计算中,移动终端迁移一些任务无法处理的设备远程云数据中心的计算能力并执行这些任务的执行通过存储、计算和数据处理能力的云服务器2]。然而,随着网络开销,云计算基于集中式处理模式已难以满足日益复杂的各种用户的需求。移动计算边缘(MEC),近年来出现了,提供了一种新的解决方案。

MEC的核心理念是将资源集中在云服务器分发给移动用户、移动终端可以确保高性能终端程序的执行,可以通过访问迁移MEC平台统一管理资源(3,4]。虽然MEC更采用当前数据处理需求比传统的云计算由于其分布式处理模型,MEC服务器的自有资源仍有一定的限制(例如,计算和存储),导致有限的服务覆盖。例如,当移动用户进入覆盖面积MEC - 1,移动终端将连接到MEC 1执行服务。一方面,移动用户移动时在一定的时间和远离MEC服务器,如果当前MEC服务器运行的任务仍然是选中的,长途通信将不可避免地增加了延迟。另一方面,移动网络的远近效应问题,将导致通信能耗激增的移动终端。因此,服务上执行MEC 1是迁移到MEC 2接近移动用户,这是一个优势维持移动程序的执行性能,这个迁移模型是一个动态的服务迁移。

研究人员进行深入研究动态服务迁移MEC的能耗问题。文献[5- - - - - -9]研究了动态服务的计算卸载虚拟机和文献[10- - - - - -19)实现多目标优化能源消耗和延迟等迁移通过研究如何选择适当的MEC动态服务平台。上述研究的大部分工作集中在卸载或interplatform任务的任务迁移在MEC平台上。的场景MEC平台和移动终端共同服务迁移到另一个MEC平台尚未考虑。事实上,动态服务平台之间的迁移能优化问题可以被看作是一个迁移能耗路径选择问题,以及为解决这一问题最优停止理论是可行的。最优停止规则是,决策者需要最佳的期望为目标,基于不断观察随机变量,选择最合适的时候停止观察和采取进一步行动。最优停止理论被广泛的作为一个有效的工具来解决优化问题(20.- - - - - -22]。

本文着重于研究能耗最小化的动态服务迁移。结合最优停止理论与迁移决定减少能源消耗的动态服务迁移,迁移,可以提高性能的优化。基于场景MEC的平台和移动终端comigration服务,我们提出一个动态服务迁移与能量优化策略。战略的总体思路如下:给定数量的MEC平台的前提下,选择的过程MEC的移动终端平台的迁移转化为最优停止问题,能耗和最优动态服务迁移阈值是通过使用最优停止理论。最后,MEC平台对应的迁移路径最优动态服务迁移迁移选择能源消耗减少迁移能耗,实现提高迁移性能的目的。拟议的战略不同于这些现有的优化策略:基于动态服务组合的迁移研究和无线网络的far-near问题,根据最优选择和MEC平台迁移能耗阈值实现动态服务迁移优化策略。

本文的其余部分组织如下:部分2综述相关研究工作;问题描述和模型建立了部分3;部分4描述动态迁移与能量优化策略;部分5提出了仿真实验和分析实验结果;和全文总结了部分6。

2。相关研究工作

近年来,为了提高动态服务的迁移性能,研究人员进行了大量的研究动态服务MEC的迁移问题。通过总结和分析现有的优化策略,这些研究大致可以分为两类:第一类是优化能源消耗和延迟的动态服务将通过改善虚拟机的体系结构,第二类是研究如何更有效地动态服务再迁移到新的MEC平台。

之前项目服务动态迁移到新的MEC平台,它需要首先卸载虚拟机。因此,有效地卸载服务以确保迁移性能是研究人员十分关注的一个主题。在薄云的网络环境中,为了找到一个解决方案迁移的有效调度服务,Sardellitti et al。5)提出了一个heuristic-supported链接路径公式通过研究薄云的工作原理和满足服务水平协议。和批量迁移和动态迁移作为一个服务请求来验证优化方案。结果表明,该策略可以有效地降低能源消耗的迁移。如何提高移动项目的动态迁移性能MEC网络环境?为了应对这个问题,麦臣et al。6)提出了一种基于动态迁移虚拟机层结构研究的原始移动云计算。分层框架用于封装操作的动态服务需要迁移虚拟机,从而减少能源消耗的任务卸载虚拟机。在[7),研究人员关注MEC系统的计算和通信资源调用机制和发展虚拟机迁移问题作为一个一对一的合同博弈模型。为了有效地处理MEC的资源,研究人员开发了学习型价格控制机制来捕获MEC的动态系统在游戏和学习的过程。与现有的MEC方案相比,该方法具有较高的资源利用率和较低的服务延迟。移动用户迁移常常导致边缘网络程序改变。如何使MEC平台满足动态迁移服务,以确保网络与移动用户数据同步?这是一个为研究人员和用户共同关心。因此,一些研究人员提出一个边缘计算平台体系结构的基础上,全面研究集装箱码头工人。出售服务的架构支持无缝迁移,同时保持在移动设备上运行的程序。服务转换方法相比优势环境,服务转换的能源消耗是缩短文件同步(通过减少开销8]。在[9),基于之前的研究计划,动态服务迁移和封装的层次框架提出了虚拟机。提出了不同的方案(6),战略一起打包服务数据服务的执行状态,大大缩短了服务停机时间。

除了专注于虚拟机架构改进任务迁移依赖,研究人员也进行了深入的研究动态服务MEC平台之间的迁移。相似的概念,如移动微云(MMC) (10云(SCC)[],小细胞11,跟我云(13),当出现MEC技术尚未成熟。在MMC,王et al。10)认为的初始位置和后续迁移服务,服务程序和物理云系统抽象成一个图表,并提出在线近似算法寻找服务的位置。同时,动态服务迁移问题转化为马尔可夫决策过程(MDP)找到合适的偏移位置。在[11),细胞间移动用户的路径选择是转换成MDP在鳞状细胞癌,以及传输延迟和传输能耗的影响决策过程被认为是。与传统的优化策略相比,该算法有更好的影响减少延迟。大多数的研究动态服务迁移MEC平台之间在当前MEC环境依赖于马尔可夫决策过程(12- - - - - -15]。在[12),使用MDP架构制定服务迁移的序贯决策,和一个数学框架的最优服务迁移策略的目的是通过捕获迁移成本。最后,迁移完成后通过计算精确的一维流动MDP之下。在[13),移动优势服务的性能优化问题在长期成本约束下进行了研究。因为用户的运动是不可预测的,研究人员利用李雅普诺夫优化方法研究问题分解为np困难问题,使用了一种基于马尔可夫近似近似算法找到近似最优解。这项研究在14这不同于[13)研究方法,研究者提出了MDP使用李雅普诺夫优化技术解耦特性和更新它们。因此,在线控制算法设计解耦问题优化的迁移成本。陈等人。15)使用MDP的特殊结构问题提出一个近似MDP-based动态服务迁移方法,降低维度的多维模型的状态空间到二维移动模型实现移动性优化。然而,当前优化方法基于MDP架构只是动态迁移的研究方向之一。一些研究人员提出其他方案的优化动态服务迁移。艾尔Ridhawi et Al。16设想一个实时、上下文感知服务群落协作框架在网络的边缘。MEC的服务组织模型构建节点和移动用户通过直接缓存文件和服务频繁移动设备请求到用户的移动设备。结果表明,云计算解决方案为最终用户提供了一个组合服务保证和快速传递请求,同时保持了QoS需求和边缘节点和移动节点之间的负载均衡。其他研究人员也提出了一个动态服务迁移机制基于ECC的新的计算模式和认知计算(ECC),结合人工智能和计算边缘。实验数据表明,该策略超低延迟和高用户体验(17]。研究的重点在18)是具有时间约束的动态服务迁移的问题。在充分考虑任务特点和节点之间的联系模式,提出了一种启发式算法来减少传输开销。不同的研究方法提出了(17,18),Zhang et al。19)使用轮廓图(SG)模型来存储和更新移动边缘服务,可以实现比基线算法更好的迁移性能。

此外,该最优停止理论为解决一些优化问题提供了可行性。例如,最好等。20.)被认为是最优停止任务监控问题,提出了一个完整的解决方法运行在多项式时间算法。在[21),最优停止问题的一般形式系统中切换模型研究和方法寻找最优停止规则提出了优化系统的切换问题。吴等人使用最优停止理论获得的最大预期节能优化服务器节点的能耗数据缓存。

总之,在这些MEC的动态服务迁移的研究中,一些是基于虚拟机的改进策略,关注如何动态服务可以有效地将从当前MEC平台。别人是基于动态迁移MEC平台之间的优化策略,考虑如何从当前MEC服务迁移到新平台。大多数的这些优化策略不考虑任务的执行状态。此外,MEC平台和移动终端服务迁移也是一个可行的解决方案。

3所示。问题描述和建模

3.1。问题描述

本文中的动态服务迁移场景研究如图1。假设在MEC的网络环境中,米dynamic-migrating MEC节点随机分布在移动终端设备。当移动终端从位置位置B,它将离开当前MEC平台覆盖范围。如果移动终端继续访问MEC 0上的资源平台,它将很难保证服务执行的质量。此外,由于移动网络的远近效应问题,设备通信力量往往需要根据设备之间的距离自适应地调整。因此,MEC平台相对较近的距离选择移民,这有利于保持低通信电源设备迁移执行服务,同时保证服务质量。本文的研究目标是最小化能耗动态服务迁移的前提下保证服务性能。

在动态服务迁移场景中,当服务的总量数据C在MEC 0需要动态迁移,移动终端之间的距离和MEC 0 。此外,移动终端可以连续和随机检测运行状态( )迁移的节点。同时,终端还可以获得位置信息( , )MEC的节点。

在检测过程中移动终端的运行状态信息检测到的节点可以获得。当 ,节点空闲,当 ,这是忙碌的。如果设备检测到当前节点繁忙,它将继续检测下一个节点。否则,当前节点将被评估。 表示为的位置信息吗我th节点,是距离迁移节点的移动终端和是距离迁移节点到当前MEC平台。

同时,假设移动终端检测到迁移节点的能量消耗每次并开始移植后检测相应的节点,数据迁移率 。此外,该设备通信能力 ,和它的价值取决于迁移距离。因此,整体的能源消耗动态服务迁移过程是由 在哪里迁移时间的服务。从公式可以看出(1),该设备应与小功率交流执行动态迁移,减少迁移能源消耗。

3.2。模型建立

3.2.1之上。能源消耗模型迁移距离

根据动态迁移的能源消耗所示的公式(1),总能量消耗检测迁移节点是服务迁移能源消耗。由于远近效应问题,设备经常自适应调整通信功率根据通信距离为了优化沟通成本。

设备的接收信号在通信是由

公式的理论研究(2)利用文献[22),无线信道的衰减因子,是振幅信号传输的设备,然后呢的高斯白噪声信道的变化是什么代表噪声功率。

根据香农的公式,

香农公式所示,数据迁移率是由通道带宽和信噪比 。因为数据迁移率设置为一个固定值在本文的迁移模型,信噪比是推导如下:

有一个信噪比之间的数学关系和接收功率设备的噪声功率 :

因此,结合公式(4)和(5)可以获得接收功率设备:

此外,接收信号的振幅 。根据信号的发射功率之间的关系和接收功率,传输能量可以得到如下:

因为通道衰减因子取决于通信距离和系数和满足 ,的表达带入公式(7)获得以下:

当MEC平台动态迁移服务的数据大小C能源消耗如下:

根据公式(9),它有利于节省设备能源通过选择节点和一个短的距离完成迁移。

3.2.2。动态服务迁移能耗模型

在分析移动终端的位置和MEC节点迁移场景中研究了在这篇文章中,他指的是当地MEC环境中任务调度模型提出了(23在MEC),动态服务迁移模型是本文研究内容的设想,如图2。

假设当服务CMEC使用资源平台,服务数据存储在数据队列顺序按照加工顺序和输入处理单元执行。当服务需要动态迁移,MEC将暂停服务的操作处理单元的数据处理结束后。通过分析迁移场景如图1为每个节点有两个迁移路径,服务可以迁移的动态服务迁移模型研究了这篇文章。路径:MEC 0进口未经加工的服务数据队列中的数据传输单位,然后直接迁移到MECn平台的移动终端连接。路径B: MEC 0封装元素序号的所有未加工的数据队列中的数据执行信息的服务C到移动终端,终端设备重新传输数据不执行的服务CMEC的n平台根据接收到的信息有关。

为了减少动态服务迁移研究的困难,基于文献[6),我们使用的服务未实行的程度( )抽象服务的执行状态迁移。因此,当设备执行动态迁移服务,它只需要迁移的未经加工的服务数据内容的大小 。至于现在,如何有效地计划和卸载服务数据没有被执行,因此在本文中我们没有研究它。

通过分析动态服务迁移模型如图2并结合 和公式(9),路径的能量消耗得到如下: 和能耗路径B给出如下:

在路径B, MEC 1需要通过执行信息服务的移动终端及其传输时间T结合公式(8)和(10),能源消费总量推导如下:

让服务迁移能源消耗 。

当 ,当选择路径 ,路径选择B。为方便书写,公式(13)被转换为 ,在哪里 和 。

4所示。动态服务迁移与能量优化策略

4.1。建设的战略问题最小化最优停止规则与能源消耗

本文的研究模型中,移动终端的位置信息可以获得MEC通过随机检测,检测的最大数量米。假设的数量检测移动终端时停止检测 , ,在哪里 是检测的集合。在先前的研究动态服务迁移,在移动终端连接到适当的MEC平台,服务是由原MEC平台迁移。由于移动终端是接近新的迁移节点,实现动态服务迁移策略通过考虑能源消耗情况在每个迁移路径和选择路径用更少的能源消耗。

如果当前节点检测到忙或移动终端不满意其迁移性能,它可以继续检测下一个节点。然后期望的奖励给出了动态服务迁移成本如下:

让 ,然后最优能量迁移的目标是最大化期望的奖励 ,这是由

公式的目的(15)是获得最优集成成本的动态迁移通过寻找最优停止检测 ,从而减少能源消费的服务迁移。因此,设备的选择最优迁移节点问题转化为最优停止规则问题,和最优停止检测是由

4.2。证明和解决方案的最优停止规则

解决最优停止规则迁移数据的最优能耗问题,我们必须首先证明存在一个最优停止规则问题,然后解决问题的最优停止规则。

命题1。公式(15)最优停止规则。

证明。根据文献[24),如果存在最优停止规则的命题,它必须满足以下两个条件: 根据公式的定义(14),预期的回报,停在n检测是扩大到 。
自从节间序列D是一种有限的随机变量序列的范围,我们可以获得 。此外, 有一个固定的值,这表明之间的信息传输能耗MEC 1和移动终端,这样吗建立了。当 ,然后建立这存在的条件是满意的。
与此同时,当 , ,有 。很明显,也一样如此 ,的条件 ,是满意的。
总之,公式(12)满足条件和 ;因此,最优停止规则存在。
根据文献[24),当移动终端获得最优期望的奖励 ,停止检测的数量最优停止规则问题的解决方案(15)。因此,最优停止检测计数是 最优期望的奖励在哪里满足最优配方如下: 公式(19)比较了检测优化值预期的回报和需要的最大价值获得新的最理想的回报。此外,优化值有相同的功能在所有停止检测时间分布 。然后,公式(19)改变 MEC下网络,每个服务在MEC平台上完成迁移通过选择最优迁移的节点能耗,从而达到减少能源消耗的目的服务的动态迁移,提高迁移性能。

4.3。算法描述

在MEC环境中,当用户离开当前MEC,当前执行的服务需要动态迁移到一个平台更接近用户。当服务需要动态迁移MEC,移动终端需要检测migratable MEC节点的位置信息是随机分布在附近的设备和获得最优迁移路径信息 动态迁移的节点和相对应的能源消费期望路径。

当移动设备发现,移民的迁移路径节点能耗小于或等于最优能源消费期望,移动设备停止检测,并将为迁移选择的节点。如果移动设备检测到最后迁移节点不找到一个符合要求的迁移路径,然后选择migratable节点最接近用户完成动态服务迁移。自米MEC节点随机分布在附近的移动终端的最大数量的检测设备米。同时,根据动态服务迁移模型如图2,设备可以获得两个可选择的迁移路径为每个节点随机检测,并选择一个更好的的迁移路径节点。因此,可以获得最大数量的迁移路径米。

能源优化的动态服务迁移策略是描述如下:(1)初始化服务 ,距离 ,最优路径标记 ,检测能耗 ,MEC的平台 ,传输速度 ,检测节点数量 ,和 。(2)开始随机检测运行状态MEC的节点;如果 ,执行步骤3。如果 , ,继续检测到下一个节点。(3)开始检测节点位置信息 。(4)计算能源消费总量的路径根据公式(10),获得的总能量消耗的路径B (12);让 ,和记录当前最佳的迁移路径 根据公式(13), ,在哪里是检测节点的序列号, ,当 ,记录路径,当 ,记录路径B。(5)计算最优迁移能源消耗根据公式(15)。如果 ,执行步骤9;否则,执行步骤6。(6)让 和 ,在哪里节点的数量吗 , ;执行步骤2。(7)当 ,它仍然没有迁移,然后 。(8)选择节点的距离作为迁移平台。(9)停止检测,并选择最优迁移路径当前节点的迁移。

的最大数量乘以移动终端设备检测迁移节点能耗最优迁移阈值米。执行步骤2∼6为移动终端检测和选择阶段总共M−1次。和最坏情况下的算法米节点检测到和仍然没有迁移。因此,这种策略的时间复杂度 。

5。仿真结果和分析

动态服务迁移与能量优化策略(DMSEO)本文提出的基于最小能耗迁移的解决方案。为了测试的性能策略动态迁移过程中,MATLAB仿真工具是用来模拟提出迁移策略和比较它与其他传播策略。本节比较每个策略从四个方面:平均迁移能源消费,平均有效数据迁移能源效率(23),平均信道传输电力,能源效率平均迁移距离。接下来,简要描述两种迁移策略的比较。(1)服务迁移策略是基于最短的节点距离(SMSND) [11]。移动终端选择migratable MEC平台检测到最接近的移动设备作为迁移节点,再迁移服务在移动终端到新节点上继续执行。(2)动态服务迁移策略是基于立即执行(DSMIE) [12]。当在migratable MEC节点信息 检测到移动终端当前MEC立即迁移服务的执行状态检测节点。

我们使用不同的服务内容大小 和不同的迁移率 测试迁移性能的三个优化策略。仿真实验进行了两个仿真环境与检测能耗0.1J和1J,分别。

仿真实验中的参数如表所示1。

5.1。能源消耗平均迁移

平均迁移的意思是能源消耗的总能量(在消费J)在多个组服务迁移模拟实验。迁移能量的大小是一个良好的迁移策略的性能指标。因为过度的能源开销通常强加了一个巨大的操作负担迁移设备迁移能耗越小,性能越低迁移策略的优化效果。

图3显示了能源消费的变化这三个策略。数据3(一个)和3 (b)迁移服务的能源消耗在不同的传播率 当服务内容大小C是210⁵一些。数据3 (c)和3 (d)是迁移的能源消耗在不同的服务内容大小 当传输速率R是 。可以看到从图3,DMSEO优化策略总能耗最小的迁移,表明最优能耗动态服务迁移。因为DMSEO策略使用最优停止理论获得最优迁移能期望,也用于迁移节点选择。所以服务可以有效地动态迁移以最小的能源消耗。然而,DSMIE战略和SMSND策略有效地优化能耗较低。这个实验结果的原因是DSMIE策略不考虑长途迁移造成的能源消耗。和SMSDN政策忽略了影响服务的执行状态的迁移性能,导致移动终端设备重新移植很多冗余数据。从移民平均能耗的角度,DMSEO优化策略的节能效果有很好的性能。

5.2。有效的数据平均迁移能源效率

很难规避的影响程度的服务未实行的在动态服务迁移迁移能耗仿真实验,因为服务未实行的程度在每一轮的实验中是随机改变。因此,有效的数据平均迁移能源效率是用于比较的策略。这个值等于任务数据的量的比值不执行的服务迁移能源消耗,和它的单位是位/ J,代表的数据量可以迁移单元内的设备能耗。这个值可以充分反映设备的能量利用率。更高的平均能量效率有效的数据迁移,迁移策略的性能就越好。

如图4,DMSEO优化策略有效的数据平均迁移能源效率最高的四个实验环境。DSMIE政策和SMSND策略的性能很差。原因是本文提出的策略在迁移过程中考虑了能源消耗,而DSMIE策略和SMSND策略没有。通过这个指标的对比,可以看出DMSEO策略具有更高的能源利用率。

5.3。平均信号传输功率

考虑到设备需要自适应调整信号传输功率根据迁移距离,在本节中,我们使用的平均信号传输功率(W)来评估每个迁移策略的性能。平均信号传输功率值的比例等于平均迁移(在能源消耗J设备迁移延迟()年代)。在迁移过程中价值越小,能量迁移策略的优化效果越好。

图5显示了平均信号传输功率的比较三种策略。考虑到设备节能的目的,需要尽可能减少通信电源同时确保服务质量。从图可以观察到,DMSEO策略的平均传输能量消耗较小的三种策略。自迁移能耗之间的关系和信号传输功率时充分考虑我们的策略解决了能耗最优迁移阈值,设备维护一个尽可能低的沟通能力在执行动态服务迁移。DSMIE战略和SMSND策略有较高的沟通能力,和这两个战略考虑能耗因素。DSMIE策略忽略了信号传输能量和迁移距离之间的关系;SMSND策略是由于冗余服务数据的迁移导致过度平均传输能量。

5.4。能源效率平均迁移距离

MEC,移动终端之间的距离和MEC平台影响服务执行的质量。任务迁移到一个节点和一个短的距离不仅有利于保证服务的性能,而且可以降低设备的能量消耗迁移。因此,本节将使用能源效率、平均迁移距离的比例等于平均迁移(在能源消耗J(在)平均迁移距离米)来验证是否每个迁移策略可以有效地保证服务迁移后的性能。能源效率平均迁移距离越小,动态服务迁移性能就越好。

它可以看到从图6DMSEO优化策略的平均迁移距离最低能源效率在任何实验环境,因为DMSEO策略继续优化距离迁移与最优迁移模型和选择节点能源的期望。因此,选择的节点迁移策略主要有一个简短的沟通距离,保证高性能的具有重要意义的执行服务。相比之下,DSMIE战略和SMSND策略有较大的迁移能源效率和可怜的对迁移性能的影响。特别是,DSMIE策略不考虑距离因素的迁移决策。很难保证服务迁移完成后的性能。

通过分析上述仿真结果,DMSEO优化策略具有更好的迁移性能比其他两个迁移策略。总之,动态服务迁移与能量优化策略提出了在本文中可以有效减少能源消耗的迁移和优化迁移性能的情况下确保高性能执行的服务。

6。结论

针对能源优化的动态服务迁移的问题,本文将它转换成一个迁移路径选择问题,并提出了一种动态服务迁移与能量优化策略。本文结合了移动网络的远近效应问题和动态服务迁移问题,运用最优停止理论解决了问题。首先,能源消耗模型迁移路径由迁移距离和设备传输能量之间的关系。然后,最优停止规则构造迁移最小化能耗的问题,它的存在和能耗最优迁移阈值是解决。最后,移动设备检测migratable节点能耗最优迁移阈值和选择一个合适的迁移路径动态服务迁移减少迁移能源消耗。实验结果表明,该策略可以实现更小的平均信号传输能力,较低的平均迁移能源消耗,能源效率和更好的平均迁移距离较大的有效数据平均迁移能源效率,和更好的迁移性能改善效果。

在未来的工作中,我们将考虑延迟的动态服务迁移过程以及如何实现动态服务缓存来优化性能的动态服务迁移。

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

作者宣称没有利益冲突。

确认

这项研究由中国国家自然科学基金支持下批准号61562006,在一定程度下的广西自然科学基金批准号2016 gxnsfba380181。

引用

1. n .费尔南多·s·w·死胡同,w . Rahayu“移动云计算:一项调查,”未来一代计算机系统卷,29号1,第106 - 84页,2013。视图:出版商的网站|谷歌学术搜索
2. l . Gkatzikis和i Koutsopoulos迁移吗?利用动态任务迁移在移动云计算系统中,“IEEE无线通信,20卷,不。3 /,2013页。视图:出版商的网站|谷歌学术搜索
3. m·t·贝克菲尔德,c . Linnhoff-Popien et al .,“移动边缘计算。”Informatik-Spektrum卷39.2,1 - 7,2016页。视图:谷歌学术搜索
4. y毛,“移动边缘计算:调查和研究前景,”2017年,https://arxiv.org/abs/1701.01090。视图:谷歌学术搜索
5. s . Sardellitti g .斯库台湖,巴巴罗萨,”联合优化无线电和多单元的计算资源mobile-edge计算,”IEEE在网络信号和信息处理,1卷,不。2、89 - 103年,2015页。视图:出版商的网站|谷歌学术搜索
6. a .麦臣a . Wang a .梁et al .,“迁移正在运行的应用程序在移动边缘云:海报,”美国22日一年一度的移动计算和网络国际会议ACM,页435 - 436年,纽约,纽约,美国,2016年10月。视图:谷歌学术搜索
7. 金,“一对一的合同基于游戏的虚拟机动态迁移方案移动边计算,”交易新兴电信技术文章ID e3204卷。29日,p。2018。视图:出版商的网站|谷歌学术搜索
8. l .马美国易:卡特,李问:“有效的动态迁移服务利用容器边缘分层存储,”IEEE移动计算,18卷,不。9日,第2033 - 2020页,2018年。视图:出版商的网站|谷歌学术搜索
9. a .麦臣s . Wang k . k .梁b . j . Ko和t . Salonidis“生活服务迁移云在移动优势,”IEEE无线通信,25卷,不。1,第147 - 140页,2017。视图:出版商的网站|谷歌学术搜索
10. 王,“动态服务在移动微型云技术,”伦敦帝国理工学院,伦敦,英国,2015年,论文。视图:谷歌学术搜索
11. z Becvar, p . 1月,p .马赫”路径选择在移动网络应用云计算的小细胞,使用交接”学报2014年IEEE第25届国际研讨会上个人,室内,和移动无线电通信(PIMRC)IEEE,页1480 - 1485年,华盛顿特区的美国,2014年9月。视图:出版商的网站|谷歌学术搜索
12. 王,r . Urgaonkar m . Zafer t .他k . Chan)和k . k .梁“动态移动edge-clouds服务迁移,”《2015年联合会网络会议(联合会网络)IEEE,页1 - 9,图卢兹,法国,2015年5月。视图:出版商的网站|谷歌学术搜索
13. t·欧阳z周x陈,“跟着我在边缘:mobility-aware动态服务移动边缘位置计算,”IEEE在选定地区通讯》杂志上,36卷,不。10日,2333 - 2345年,2018页。视图:出版商的网站|谷歌学术搜索
14. t·r·Urgaonkar s . Wang, m . Zafer k . Chan和k . k .梁”edge-clouds动态服务迁移和工作负载调度。”绩效评估卷,91年,第228 - 205页,2015年。视图:出版商的网站|谷歌学术搜索
15. z . Chen h .姚明,l .顾d .曾和k .郑”动态服务迁移通过移动edge-clouds近似马尔可夫决策过程,”《国际会议上互联网和分布式计算系统施普林格,页24里面,魔法岛,斐济,2017年。视图:谷歌学术搜索
16. 中情局Ridhawi, m . Aloqaily y Kotb, y . A . Ridhawi y Jararweh,”一个协作移动边缘计算和用户服务组合在5 g系统中,解决方案”交易新兴电信技术文章ID e3446卷。29日,p。11日,2018年。视图:出版商的网站|谷歌学术搜索
17. g·w·m . Chen Li Fortino, y, l . Hu和缘分,“认知计算动态服务迁移机制优势,”ACM网上交易技术(原先),19卷,不。2,页1 - 15,2019。视图:出版商的网站|谷歌学术搜索
18. z高,j .孟问:王,y,“服务迁移deadline-varying用户生成的数据移动edge-clouds”学报2018年IEEE国际代表大会上服务(服务)页,51-52 IEEE、旧金山、钙、美国,2018年7月。视图:出版商的网站|谷歌学术搜索
19. y, j·李、周z和x Liu“高效的动态服务维护边缘服务,”IEEE访问》第六卷,第8840 - 8829页,2018年。视图:谷歌学术搜索
20. g .最好,w . Martens和r .惠誉”路径规划与时空的最优停止随机任务监控、”IEEE机器人,33卷,不。3、629 - 646年,2017页。视图:出版商的网站|谷歌学术搜索
21. m . Egami和r . Kevkhishvili”在regimeswitching线性扩散的最优停止问题模型,”2017年,https://arxiv.org/abs/1711.08883。视图:谷歌学术搜索
22. 吴h . g .王、胡x和j .胡”缓存位置CCN的节能策略,”学报2018年IEEE SmartWorld,无处不在的智能和计算、先进和可信计算、可伸缩的计算与通信、云计算和大数据计算、互联网和智能城市创新(SmartWorld / SCALCOM / UIC / ATC / CBDCom IOP / SCI)IEEE,页788 - 795年,广州,中国,2018年10月。视图:出版商的网站|谷歌学术搜索
23. 毛y . j . Liu, j·张,k . b . Letaief”Delay-optimal mobile-edge计算计算任务调度系统,”学报2016年IEEE国际研讨会信息理论(拜访)IEEE,页1451 - 1455年,巴塞罗那,西班牙,2016年7月。视图:出版商的网站|谷歌学术搜索
24. t·s·弗格森“最优停止和应用程序,”2006年,汤姆/停止/ Contents.html http://www.math.ucla.edu/∼。视图:谷歌学术搜索

版权

版权©2019金田胡锦涛等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。