文摘

作为家中的移动应用程序变得越来越多样化,移动设备的计算能力很难跟上需求。移动设备任务迁移到移动边缘计算(MEC)平台,通过合理配置提高任务处理的性能和缓存的资源平台。小蜂窝网络(SCN)有优秀的短距离通信功能,MEC的组合和视交叉上核是一个有前途的研究方向。本文对减少能源消耗的任务迁移在小蜂窝网络,提出了一种任务迁移能量优化策略与资源缓存通过结合最优停止理论与迁移决策。首先,设备发现过程MEC平台处理资源所需的任务是制定最优停止问题。其次,我们证明最优停止规则的存在,获得最优加工能耗阈值,并比较其与设备的能源消耗。最后,最好的平台选择能源消耗来处理任务。仿真实验,优化策略有较低的平均迁移和更高的平均能耗数据执行能源效率和平均距离执行能源效率,提高任务迁移性能10%∼60%。

1。介绍

移动智能设备的不断更新,家中移动应用越来越多样化,如增强现实、虚拟现实,移动视频电话,和手势识别。计算密集型应用程序需要严格的延迟和强大的处理能力,这意味着巨大的压力在移动设备上的有限的资源和能源1]。如何解决移动设备的计算能力不足是一个极其关键的问题。因此,MEC是出生在正确的时间。

MEC从集中的云计算,它允许移动设备将计算任务网络的边缘,如小基站(SBS),而不是本地计算机(2]。然后MEC平台统一管理设备计算任务资源减少计算延迟和能源消耗。然而,MEC服务器的计算能力通常是有限的。如何有效地分配有限的计算资源MEC服务器终端设备是一个至关重要的问题。当本地设备的计算能力不足,设备计算任务迁移到附近的MEC平台,利用其丰富的资源和超级计算能力,确保高性能迁移终端程序的执行。然而,如果MEC平台资源的不合理使用,会造成浪费资源,不利于节省设备的能源消耗。例如,在一个小的蜂窝网络,移动用户通过访问MEC平台,执行计算,从SBS下载所需的设备的资源。当移动用户的任务完成后,所需的资源将被立即释放。同时,当移动用户B访问,MEC平台下载所需的资源为移动用户B和执行下一步。然而,如果用户A和用户B访问相同的MEC平台资源,重复下载和发布的资源将会导致资源的不合理利用和增加MEC平台的操作负担。 Therefore, the reasonable allocation and utilization of resources through the MEC platform can improve task migration performance.

近年来,因为MEC强大的计算和存储性能和小蜂窝网络有良好的短距离通信功能,MEC的组合和视交叉上核已经成为一个潜在的研究方向。在一个小手机网络,因为每个用户请求的资源的类型和数量是不同的,缓存的资源MEC平台也不同。SBS总是保持的最大覆盖面积将会导致不必要的资源浪费。因此,使用细胞范围扩展(CRE)来调整每个SBS的报道有助于保存设备的能源消耗。

本文着重于减少能源消耗的任务迁移小蜂窝网络。我们提出一个任务迁移能耗优化策略与资源缓存结合最优停止理论与迁移的决定。首先,设备发现过程MEC平台处理资源所需的任务是制定最优停止问题。其次,我们证明最优停止规则的存在,获得最优加工能耗阈值,并比较其与设备的能源消耗。最后,选择最好的平台能耗优化迁移性能,减少相关设备的整体能源消耗。本文的主要贡献如下。(我)我们把MEC与视交叉上核研究资源缓存和任务迁移的问题,选择最常用的资源存储的precached资源平台在接下来的时间间隔t(2)我们制定的过程中找到一个平台任务需要的资源处理的设备作为最优停止问题并选择最好的平台能耗来处理任务(3)最后,仿真实验表明,本文提出的策略有较低的平均迁移和更高的平均能耗数据执行执行能源效率、能源效率和平均距离和任务迁移性能大大提高

本文的组织结构如下:部分2回顾了相关的研究工作;部分3描述了这一问题,并建立了模型。部分4描述了任务迁移策略与资源缓存;部分5介绍了模拟实验和实验结果分析。部分6总结了整个论文。

2。相关工作

合理使用MEC平台资源和提高任务迁移性能,研究人员已经做了很多研究在MEC的资源管理平台任务迁移过程。基于总结和分析现有的优化策略,当前的研究大致可以分为两类。

第一类是研究MEC的计算资源是如何有效地分配给请求用户。移动设备上的任务处理迁移到MEC平台时是很难执行的。如果有多个用户迁移任务MEC平台的同时,重要的是要合理分配MEC资源,确保高质量完成用户的请求。张(3)建模计算资源管理问题作为一个利润最大化的问题。之间的关系,通过分析保留资源,迁移任务,和回购成本,他们提出了一个收敛快移动边缘服务器实时回购计划回购成本降到最低。李(4)提出了一种高计算密度模型,基于多任务单用户多任务卸载环境。他们采用了一种模拟退火算法有效改善卸货率和节约能源消耗。同样,戴et al。5)提出了一种新的两层计算卸载异构网络的框架。在此基础上,通过联合优化用户协会和计算卸载,计算资源和传动功率合理分配每个设备的总能源消耗降到最低。此外,静等。6)提出了一种异构网络分布式联合计算卸载和资源分配优化(JCORAO)上行子信道分配方案和传输能力和计算资源的调度。同时,云计算和无线资源分配算法设计实现联合上述资源配置。仿真结果表明,该方案可以有效降低系统能耗、任务完成时间和系统的复杂性。考虑到小蜂窝网络和移动边界计算的特点,郭(7)使用一个分布式基于能量收获SCN三级迭代方法结合MEC环境实现绿色网络的负载管理和计算资源分配。Elgendy et al。8)进行联合处理的无线资源和计算资源,采用JPEG和MPEG4压缩算法来减少传输开销,并引入了安全层保护传输数据从网络攻击。在此基础上,一个高效的卸载算法旨在节省约46%的系统开销。上面的大部分研究工作都是基于现有的资源如何在MEC平台可以有效地分配给需要的用户请求任务迁移,但MEC的场景资源的平台可以缓存任务迁移的过程中在移动设备上没有被考虑。如果所有的资源都存储在MEC平台,这将需要存储成本高,MEC平台增加负担,减少任务迁移的性能。

第二类是研究如何有效地缓存MEC的计算资源。由于不同的用户数量在蜂窝网络的覆盖面积和他们不同的任务请求,MEC平台的资源需要更新频繁。重要的是有效地缓存和为用户提供适当的资源。Bi (9)使用边缘服务缓存和计算卸载进行联合优化。因此,基于网络环境的边缘服务器,他们提出了混合整数非线性规划,共同优化服务缓存布局,计算卸载和系统资源分配。但他们不考虑MEC平台的大小以及如何有效地缓存设备所需的资源。不同于上述方案,赵et al。10)缓存MEC平台上完成任务的执行结果。他们使用主动缓存算法来确定任务的缓存状态,提出基于贪心策略的启发式算法来解决剩下的资源分配和任务执行的问题。杨et al。11)提出了一个long-short-term内存(LSTM)网络流行预测任务。和单q学习(SAQ-learning)学习算法调用一个长期的资源分配策略。Zhang et al。12)提出了一个blockchain-based缓存和交付市场(CDM)作为一个分布式缓存系统的激励机制。在此基础上,他们建立缓存共享和事务执行一致性模型,进一步把缓存位置和场景选择作为马尔可夫决策过程的问题。张(13]研究了协作任务卸载和数据缓存模型。他们提出了一个有效的联合任务卸载和李雅普诺夫在线算法能够进行动态数据计算任务或数据内容的缓存策略。Elgendy et al。14缓存的边缘服务器上的应用程序和相关的代码完成。在此基础上,基于q学习的两个有效算法和deep-q-network是用来解决问题的近似最优解,有效地降低移动设备的开销。彭(15)设计一个智能联合缓存和卸载策略假设应用程序可以作为一个可分存在服务链条。不同于常见的方法减少对用户响应延迟,系统考虑到租金成本和使用开放杰克逊排队网络构建长期成本约束下的联合优化问题。自适应算法的目的是有效降低成本的平均服务延迟MEC系统和保持平均租金成本低。上述研究工作大部分是基于precaching任务所需的资源,不考虑是否缓存资源重用。重复下载和发布的资源不仅会造成资源的不合理利用也增加的运营负担MEC平台相关工作表列表1。

此外,MEC的组合和视交叉上核也是一个可行的解决方案。MEC拥有强大的计算和存储性能,和小蜂窝网络有良好的短距离通信功能,所以研究人员结合MEC SCN。王等人。16)联合优化的视频服务缓存和无线计算资源分配的决定。他们采用了鲁棒优化获得最优缓存决定和相应的计算资源分配广播和视频转码。Cai (17)研究并行通信和计算的卸载方法在多用户系统中最小化任务延迟。贾et al。18)提出了一个节能计算卸载方案与边缘计算和设备间(D2D)交流5 g蜂窝网络。他们计算卸载问题定义为随机优化问题,利用李雅普诺夫优化技术框架来解决这个问题。

MEC的安全问题在计算迁移的过程中也应该引起研究人员的注意。Elgendy et al。19]介绍了AES加密技术作为安全层来保护敏感信息免受网络攻击。在此基础上,他们提出了一个综合模型,综合考虑安全、计算卸载,和资源配置,提高整个系统的性能优化计算卸载的决定。Abd El-Latif [20.)提出了一种新的认证加密协议基于量子兴奋量子游走(QIQW)和使用这个协议建立一个区块链框架确保安全物联网设备之间的数据传输。除此之外,研究人员开发出一种新型VANET架构通过结合MEC, SDN, D2D解决交通密度高的挑战和车辆网络中的盲点21]。他们还使用了MEC的强大的计算平台来解决视频应用程序迁移性能的优化(22工业物联网设备(的)和资源的限制23)和其他问题。

3所示。问题描述和建模

3.1。问题描述

假设MEC网络环境中的小蜂窝网络图所示1,视交叉上核的细胞小基站,MEC平台和移动用户的数量N同时,设备将在每个时间间隔执行一个任务迁移t。移动设备有独立频道当访问通过SBS MEC平台,所以本文不考虑信道干扰。通常,SBS需要保持最大信号传输功率覆盖整个社区,使所有移动设备的通信质量可以保证。然而,用户的位置是不断变化的,和SBS总是保持最大功率,这将导致浪费基站的能量。因此,SBS必须适当调整信号覆盖范围根据社区的用户位置。从郭的方法学习7)为了解决这个问题,本文还使用细胞范围扩展(CRE)来调整每个SBS的覆盖范围。CRE技术扩大picocell范围几乎将偏差值添加到pico接收功率,pico基站传输能量的增加,而是覆盖,胞棱吞吐量和整体提高网络吞吐量。同时,设备之间的通信能力也将调整自适应基于设备间距。

此外,本文研究任务迁移的背景是基于资源缓存。在先前的研究中,所请求的资源MEC平台是由移动设备提前缓存。当设备的任务程序迁移到MEC平台,平台将直接调用资源进行处理。然而,有许多移动设备的电池,和MEC平台提前缓存所有设备所需的资源,这将不可避免地导致MEC平台本身运行太多。它没有有效地利用资源释放之前的资源完成任务后直接程序处理。本文假定每个细胞的MEC平台在视交叉上核将使用最频繁使用的资源在过去的时间间隔tMEC平台的precached资源在接下来的时间间隔t。除此之外,当移动设备在细胞迁移任务程序当前MEC平台,它首先检测本地平台的资源是否满足加工要求。如果是,平台缓存的所有资源平台要求的设备和直接处理的任务。如果不是,平台部分缓存或不缓存资源要求的设备;该平台将继续检测其他细胞平台的资源,直到达到所需的资源进行跨单元任务处理。如果最后细胞检测,没有平台满足加工需求,细胞的MEC平台用户所在地从小型基站下载所需的资源。本文的研究目标是最小化所有设备的整体能源消耗在任务迁移的前提下资源缓存。

有N细胞的覆盖范围半径小细胞网络的任务迁移场景。细胞集 和资源信息集合访问最频繁的设备在过去的时间间隔t缓存MEC平台的每一个细胞 。如图2,有米移动设备的电池和移动设备的信息集合 。的位置信息是和的信息是吗要处理的任务。因为有许多细胞和设备在视交叉上核,本文只选择所有设备在一个细胞为研究对象的任务迁移减少研究的复杂性。

以任务迁移过程作为一个例子,当任务 (任务数据的大小,是任务需要的资源类型和是任务需要的资源大小)是迁移到MEC平台,资源缓存信息吗检测到。当 ,这是当缓存的资源满足的需求任务运行和MEC平台是空闲的。MEC平台将开始执行计划。否则,它将继续检测资源缓存信息为下一个细胞( )。假设移动设备的交流电源 ,每个检测设备的能源消耗 。MEC平台的任务执行能力并且是随机分布的。SBS覆盖权力 。和SBS的最大覆盖功率( )等于它的下载( )。无线信道的传输速率问题和MEC平台RMEC平台的,任务处理速度 ,和SBS的资源下载速度 。将设备任务转移到平台的时间 ,MEC平台执行时间 ,和MEC平台返回的时间资源和设备 。SBS资源下载时间 ,和SBS返回的时间资源和设备 。因此,能源消费总量的任务迁移( )得到如下:

能源消费总量( )所有设备的视交叉上核的任务迁移期间米用户在时间间隔内t给出如下:

3.2。模型建立

3.2.1之上。权力距离的设备通信模式

根据迁移能源消费单一问题的公式所示(1)和SCN-related设备的能源消费总量在公式(2),它可以观察到能源消耗的数量取决于通信能力和SBS覆盖能力。移动终端的接收信号在通信方法如下:

根据文献[24),无线信道的衰减因子,是移动终端发出的信号的幅值,然后呢的高斯白噪声信道和噪声功率吗 。

根据香农的公式,

见香农公式(4),R任务数据传输的速率,W移动终端的带宽,S / N信噪比。集R摘要常数。信噪比是推导如下:

有一个信噪比之间的数学关系S / N和接收功率设备的噪声功率 :

因此,结合公式(5)和(6)可以获得接收功率设备:

根据接收信号的振幅 发射功率之间的关系和移动终端的接收功率,传输功率推导如下:

此外,衰减因子之间的关系 ,通信距离d,和系数是 。的表达带入公式(7)获得以下:

传播的力量可以由公式(8)是

此外,本文使用CRE调整SBS的报道。自问题在细胞中是随机分布的,SBS内部信号覆盖范围的大小取决于最远的设备。让 而且,根据公式(9),覆盖半径细胞的SBS的覆盖能力 。最大的力量 ,和 。

3.2.2。缓存模式

节中描述3.1,在任务迁移场景中,细胞在小蜂窝网络中设置 ,和 是最常见的资源信息集合访问设备在过去的时间间隔t缓存每个细胞MEC的平台。

以资源缓存的过程时间间隔内t作为一个例子,当任务 是迁移到MEC平台发现所需的资源不缓存,MEC平台下载所需的资源吗从SBS进行任务处理。同样,MEC也将为其他细胞下载所需的资源。考虑到存储空间的合理利用问题MEC平台,它只下载不缓存资源。MEC平台所有任务处理时,最常用的资源选择和存储为平台的precached资源在接下来的时间间隔t和其他任务处理资源被释放。让表示调用资源的重量在MEC平台上 。和下一个时间间隔t,缓存是最大的资源称体重吗在MEC平台上, 。

3.2.3。任务执行能源消耗模型

通过计算卸载和资源分配的研究模型提出的基于主动缓冲赵et al。10),MEC的跨平台的任务处理模型假定为研究内容。这是显示在图3。

假设SCN研究共有N细胞,当用户迁移任务 MEC平台上的细胞,缓存的资源检测到当前MEC的平台 。如果=平台是空闲的,任务是处理。如果不是,该设备继续检测MEC平台上的资源信息如箭头所示图3,在那里

如果 ,这个任务 将立即执行,结果处理完成后将返回。否则,MEC平台继续检测下一个细胞。如果 ,即移动设备检测后没有找到资源匹配平台第n个细胞,MEC的平台将下载所需的资源SBS和返回的资源和设备。

根据公式(1),MEC平台执行的能源消耗 。任务 必须承担额外的网络开销如果不是在本地处理MEC平台。根据视交叉上核的细胞分布,跨平台的额外成本的处理任务的位置有关 ;越远的 ,更大的成本。跨平台的执行成本提出了取代复杂的跨平台的处理过程。

因此,任务的执行能耗推导如下:

考虑后检测所有 ,如果没有匹配的资源,它仍然选择MEC平台完成任务的处理。资源下载标志提出了采用描述,在哪里

因此,下载资源的能源消耗推导如下:

的总能耗任务迁移推导如下:

可以获得进一步简化如下:

让能源消耗 ,所以 。

4所示。任务处理策略和能耗优化

4.1。建筑能耗最小化的最优停止规则问题

本文研究模型中,移动终端可以获取资源信息缓存的MEC平台周围的细胞通过随机检测,检测的最大数量N。假设当移动终端停止检测是检测数量 ,在哪里 是集检测时间。

先前的研究在任务迁移后显示移动终端迁移任务,当前单元格的MEC平台下载和处理任务所需的资源。摘要跨平台进行任务处理通过寻找与其他SCN MEC细胞必需的资源。由于跨平台处理任务的额外成本,本文综合考虑每个细胞MEC的能源消耗,选择一个平台总体能源消耗来达到较低的任务处理的要求。

如果当前检测平台任务所需资源未处理或移动终端不是满意的任务处理性能,它可以继续检测。因此,预期收益给出了迁移的成本如下:

让 ,然后能耗最优迁移的目标是最大化预期回报。它给出如下:

最大化问题的目的(19)是获得最优综合成本的动态迁移通过寻找最优停止检测的能源消耗降到最低服务迁移。因此,选择最优迁移平台设备的问题转化为最优停止规则的问题,和最优停止检测数量得到如下:

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任务的最优能耗问题,我们必须首先证明最优停止规则问题,然后解决问题的最优停止规则。

命题1。公式(18)最优停止规则。

证明。根据文献[25),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(17),预期的回报,停在第n个检测可以扩展 因为 为设备和顺序是固定的值, 是一个随机变量序列的范围有限,所以呢 。所以 和条件,建立了吗A1是满意的。当 , ,所以 。很明显, ,所以 ,和条件A2是满意的。总之,公式(18)满足条件A1和A2;因此,最优停止规则存在。
根据文献[25),当移动终端获得最优期望的奖励 ,停止检测数量N的解决方案是最优停止规则问题的公式(18)。因此,最优停止检测是 最优期望的奖励在哪里满足最优配方如下: 公式(23)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N。然后,公式(23)改变 在视交叉上核,每个任务可以通过选择最佳的细胞cross-processed跨平台处理能耗,从而最小化任务迁移的能源消耗和提高迁移性能。

4.3。算法描述

在视交叉上核MEC的环境,在将迁移任务 MEC平台位于相同的单元中进行处理。当MEC平台收到的任务迁移时,它开始检测状态信息 MEC的平台,在那里资源信息缓存单元中,的行政权力是MEC平台在细胞中。

如果平台缓存资源匹配任务所需的资源处理,MEC平台获得的预期能源消耗当前平台上执行的任务。如果MEC平台发现任务的能源消耗是小于或等于最优能耗期望和状态是闲置,MEC平台停止检测,选择这个平台进行任务处理。如果平台缓存资源不匹配任务所需的资源处理,MEC平台将随机检测MEC平台的状态信息在接下来的细胞。如果MEC平台检测到最后细胞和细胞仍然没有找到其预期的能源消耗是小于或等于最优能源消费期望,那么任务将由这些细胞具有跨平台处理缓存的资源所需的任务执行和预期的能源消耗最低。如果细胞检测到之前不缓存任务执行所需的资源,当地MEC平台下载所需的资源从SBS任务执行,然后处理任务。

在上面的算法1带宽是 ,传输速率是R跨平台的成本 ,噪声功率 ,距离和权力关系的因素 ,细胞的半径l视交叉上核的层数k检测能耗 ,资源类型的数量 ,设备请求资源类型的数量 ,每个平台的状态 ,成功的平台匹配的数量op,资源下载的标志 ,最低能源消费 ,和检测平台顺序 。如果最后细胞检测,即检测N时间和任务不处理,这是算法的最坏情况。因此,这种策略的时间复杂度O (N)。

5。仿真结果和分析

本文提出了最优停止迁移策略(OSTMS)能耗优化迁移能耗降到最低。在任务迁移测试这一策略的性能,本实验使用的笔记本电脑CPU i5 - 8300 h, 2.30 ghz, 8 g的内存,和Windows10的操作系统。我们使用MatlabR2016a仿真工具来模拟该迁移策略,比较它与其他任务迁移策略。本节将从三个方面:比较每种策略的平均迁移能源消费,平均数据执行能源效率、能源效率和平均迁移距离。下面是一个简短的描述两种迁移策略用于比较。(1)FMTMS任务迁移策略(第一场比赛):移动设备选择migratable MEC平台,首先匹配资源所需的设备和空闲任务迁移。(2)FDTMS(首先检测任务迁移策略):移动设备选择当地MEC平台,首次检测到的任务迁移。

在本节中,仿真实验进行了三种优化策略的迁移性能测试分别通过任务上传速度,检测能耗,细胞半径、资源类型、数量和视交叉上核层作为变量。

仿真实验中的参数如表所示2。

5.1。能源消耗平均迁移

迁移指的是平均能耗值平均总能源消耗的任务迁移过程中多个组的设备。移民平均能源消耗可以客观地反映设备的能源消费总量的三个策略。平均迁移能耗越小,越有效减少计算任务负担和进一步优化迁移任务的性能。

图4显示了不同变量的平均迁移能源消耗的变化下的三种策略。我们可以看到从图4。OSTMS策略一致最优迁移能源消耗。与横坐标参数的增加,三种策略也相应地改变。在图4(一),随着传输速率的增加,OSTMS和FDTMS之间的差距变得更大,而OSTMS和FMTMS之间的差距变得越来越小。FDTMS是由于其大量下载能力导致巨大的能源消费差距。FMTMS是因为传输速率的增加将减少之间的差距不同平台的数据传输能耗。在数据4 (b)和4 (e)OSTMS的能耗优化10%∼60%,虽然FDTMS的能源消耗主要是在一个较高的水平。FDTMS的原因是,它不考虑当地MEC平台设备的拥有所需的资源。如果没有,需要从SBS下载的资源,大大提高了设备的能源消耗。FMTMS没有考虑执行的差异MEC平台之间的力量和速度。不需要下载资源从SBS平台成功匹配,第一场比赛,但它的高执行力也将增加能源消耗。OSTMS使用阈值获得的最优停止理论与用户的能源消耗。然后选择MEC平台的最优能耗处理,具有良好的性能优化性能。在图4 (c)FDTMS增加的能源消耗急剧增加的细胞半径。这是因为用户与基站之间的距离增加导致更大的下载。在图4 (d),有一些类型的资源的早期阶段,这是一个高概率,本地平台可以成功匹配的资源,所以区别不大。在中期,类型的增加,为每个平台成功匹配的概率是温和,所以OSTMS更高的性能优化。有太多类型的资源在以后的阶段,这是一个高概率,不成功的平台资源匹配将导致资源被下载,所以三种策略之间的差距减少,能耗高。

5.2。平均数据执行能源效率

多组仿真实验的任务迁移,因为每个设备的资源类型的不同要求,设备请求的数据量也是引起。因此,该指数的平均数据介绍了执行能源效率的比较。它的值是数据量的比值的平均值(位)的多组装置请求资源能源消费总量(J)的任务迁移。它的单位是位/ J,设备可以迁移的数据量的单位能源消耗。平均数据执行能源效率更好的反映了能源利用的设备,和更高的价值,更好的优化性能的策略。

图5显示了三种策略下的平均数据执行效率的变化与不同的变量。我们可以看到从图5。OSTMS策略持续平均数据执行能源效率最高。在图5(一个),随着传输速度继续增加,OSTMS的平均数据执行能源效率大幅提高。这是由于传输速度越大,越低数据传输能耗和大数据执行能源效率在相同数量的数据。FDTMS是由于大型下载电力和能源消费总量大,导致其平均数据执行能源效率基本不变。在数据5 (b)和5 (c),平均数据执行OSTMS稳定的能源效率高于FMTMS约50%。结果表明,数据执行能效FMTMS和FDTMS很低。因为这两个策略不考虑设备的能源消耗,他们只专注于完成设备的任务。难以估计的后果可能会出现,如果能源负载设备的过度。OSTMS有大量的数据迁移的单位能源消耗和能源利用率高。在图5 (d),每个平台都有一个温和的概率匹配成功在中期,和OSTMS执行更少的能源消耗平均数据执行效率高于其他策略。在以后的阶段,平台资源的匹配率很低,所以三种策略是相似的。在图5 (e),随着层数的小蜂窝网络的增加,平台的数量也会增加,和OSTMS可选平台的能源消耗将会降低,所以与其他策略的差距会更大。

5.3。平均距离执行能源效率

在视交叉上核、移动设备之间的距离和MEC平台执行的任务是不同的,和区域处理也有特定的成本。因此,平均距离的使用性能效率表明性能优化的程度。其值的平均值的比值之间的距离多个组的设备和MEC平台执行任务的能源消费总量任务迁移。它的单位是米/ J。这意味着设备可以迁移的距离单位能源消耗。值越高,更好的优化策略的性能。

图6显示了平均距离的变化执行能源效率在三种策略不同的变量。它可以看到从图6OSTMS策略始终执行能源效率最高的平均距离。从数据可以看出6(一)和6 (e)增加的设备任务传输速率和视交叉上核层的数量,平均距离执行能效OSTMS FMTMS也相应增长,和优化程度的OSTMS比FMTMS高。然而,FDTMS策略总是在低水平波动。虽然FDTMS是当地的一个平台上执行,它和执行平台之间的距离很小,总是低由于高能源消耗。FMTMS没有考虑平台的优点和缺点。相比之下,OSTMS执行能源效率更高的平均距离。在图6 (b),检测能源消耗的增加,FDTMS波动不大,因为它只需要检测一次。虽然OSTMS大约40%的性能优化FMTMS因为它可以处理能耗最低的选择平台通过不断检测。在图6 (c)随着细胞半径的增加,用户和执行平台之间的距离也会增加。执行能源效率的平均距离OSTMS FMTMS也有上升趋势,而FDTMS相对稳定由于其过度的能源消耗。在图6 (d),很少有资源类型的早期阶段,所以当地平台可以匹配资源成功概率高,还有小三种策略的性能差异。OSTMS的性能远优于FMTMS资源类型是9时在中间阶段。在以后的阶段,有更多类型的资源,和平台资源匹配的成功率很小,和三种策略的性能差距减少。

总之,本文提出的最优停止任务迁移策略可以有效地降低能源消耗的任务迁移和优化任务迁移性能,同时保证高性能和高质量的执行任务。

6。结论和未来的工作

本文研究了能源消耗的资源缓存和任务迁移小蜂窝网络。任务迁移能耗优化策略与资源相结合提出的缓存是最优停止理论与迁移的决定。首先,设备发现过程MEC平台处理资源所需的任务是制定最优停止问题。其次,我们证明最优停止规则的存在,获得最优加工能耗阈值,并比较其与设备的能源消耗。最后,最好的平台选择能源消耗来处理任务。仿真实验证明OSTMS平均迁移能耗低,执行能源效率更高的平均数据,和平均距离执行能源效率,实现任务迁移性能的优化。

在未来的工作中,我们将考虑以下研究问题:(1)优化时间延迟在任务迁移;(2)信道干扰在任务迁移;(3)如何优化任务迁移性能场景的多个细胞和多种设备;(4)安全问题的过程中任务迁移。

数据可用性

所有生成的数据或分析在本研究中包括这篇文章。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是由美国国家科学基金会支持下中国的批准号62062007。