数据处理时延优化在移动计算边缘

文摘

随着物联网的发展(物联网),移动终端设备的数量迅速增加。由于高传输延迟和带宽有限,在本文中,我们提出一种新颖的三层网络体系结构模型,该模型结合了云计算和边缘计算(缩写为CENAM)。在计算边缘层,我们提出一个计算方案边缘设备之间的相互合作和利用克鲁斯卡尔算法计算加权无向图的最小生成树组成的边缘节点,以减少它们之间的通信延迟。然后我们把基于约束优化问题,并分配任务和解决边缘节点的计算延迟使用拉格朗日乘子方法。在云计算层,我们关注平衡传输方法来解决数据传输延迟从边缘设备到云服务器和获得一个最优分配矩阵,这减少了数据通信延迟。最后,我们根据云服务器的特点,解决云计算的计算延迟层。仿真表明,CENAM具有更好的性能比传统的云计算数据处理延迟。

1。介绍

数据存储在云计算和计算是两个至关重要的问题,它提供了一种方法来解决有限的存储和计算速度的电脑或手机1]。随着物联网的发展(物联网),传输的数据量显示指数增加的趋势(2,3]。据预测,数据流量的增长趋势将是8倍从2014年到2020年,这将为云计算[带来一个巨大的挑战4,5]。一方面,有限的带宽有不利影响数据传输的效率。另一方面,终端通常是远离云服务器和远程数据传输增加了传输延迟,不能满足实时的要求,低延迟和高服务质量(QoS)在网络上成千上万的物联网设备和影响系统的整体效率(6,7]。

由于传统的云计算带来了许多挑战,移动边缘计算(MEC)提出,由相对较弱的边缘设备(8- - - - - -10]。MEC是一种新型模式,云计算功能和服务延伸到网络的边缘。一方面,MEC确保数据处理主要取决于当地的设备而不是云服务器。另一方面,MEC通常不需要建立与远程云服务器之间的关系;它可以满足大多数需求的本地用户很好(11]。然而,MEC没有足够的计算能力与云服务器相比,因为它只包含有限的计算设备。一旦计算能力超过单一边缘设备,MEC需要其他边缘设备协助或残留数据转发到云服务器进行处理,以便系统仍能保持良好的性能和用户数量的快速增长的数据量。

在本文中,首先,我们提出一种新颖的三层网络体系结构模型,该模型结合了云计算和边缘计算(缩写为CENAM)和模型的通信延迟和计算延迟CENAM的一部分。然后,边缘计算,我们提出一个计算方案之间的相互合作边缘设备基于加权无向图和利用克鲁斯卡尔算法和拉格朗日乘子法来解决通信延迟和计算延迟。此外,我们专注于平衡传输方法来解决数据传输延迟从边缘设备到云服务器和解决云计算延迟服务器根据他们的角色。最后,基于模拟和数值结果,我们显示出更好的性能CENAM的减少数据处理延迟。

剩下的纸是组织如下。部分2讨论了相关工作。节3,我们描述CENAM的构成。部分4详细解释了CENAM我们提出的计算方案。部分5是解决算法。我们分析我们的解决方案的性能6。节7,我们总结本文并提出一些未来的工作。

2。相关工作

MEC的相关研究近年来得到广泛的重视。例如,Subramanya et al。12)提出了一个资源受限的应用云计算的小细胞,其中包括MEC服务器部署移动边缘计算功能和架构提出特别关注实现移动数据之间的数据包的转发路径和MEC的应用程序。沙玛和王13)提出了一个新颖的框架边缘之间的协调处理和云计算通过整合优势的平台,可以为最终用户提供实时信息和增强无线物联网网络的性能。Masip-Bruin et al。14]介绍了分层F2C架构提供真正的好处和优势和协调管理的必要性。适应移动资源快速增加,李et al。15)提出了协作平台的解决方案,这将大大简化移动协作应用程序的发展机制和减少延误和能源消耗。由于移动用户的问题远离云服务器,产生伟大的传输延迟,Intharawijitr et al。16]放松延迟约束系统和选择边缘服务器有效地降低系统延迟。胡锦涛et al。(17)关注MEC的服务分配问题,发现权衡平均网络延迟和负载平衡。模拟表明,MEC服务器负载的方差减少18.9%几乎相同的网络延迟。为了实现智能D2D沟通,贝洛和Zeadally18)关注智能路由协议和提供了一个概述如何实现智能D2D通信的物联网生态系统。

雾计算(19- - - - - -21),边缘计算的典型代表之一,吸引了越来越多的关注来解决相关问题。Sarkar和Misra22)建立了一个理论模型的雾计算数学的体系结构和定义的结构组件。然后,他们的传统建筑相比云计算和分析了延迟的性能和能源消耗在物联网的背景。邓et al。23]关注延迟的问题和最优能耗cloud-fog计算。他们把数据传输的问题,现有的雾计算,为三个子问题,从的角度分析了延迟的性能平衡负载。但没有人认为边缘设备之间的协作。根据处理延迟高的问题,在云计算中使用的医疗数据,他和任24)提出了医学大数据cloud-fog网络体系结构模型。面对弱边缘设备的计算能力的问题,他们提出了一个分布式计算方案。范教授,哈25]制定cloud-fog环境中的任务调度问题,提出了一个heuristic-based算法。因此,他们之间达到了平衡时间和云资源的货币成本。

3所示。CENAM的描述

在真正的物联网应用程序中,用户希望得到他们想要的信息和发送它尽快,所以信息提供者需要有很高的工作效率。面对高传输延迟和云数据中心的计算压力,我们提出CENAM,如图1。

网络体系结构模型主要分为三层:云计算层,边缘计算层,和移动终端层,底部在哪里移动终端层,其中包括所有的移动终端设备,如智能手机,笔记本电脑,和汽车。用户通过智能设备访问网络不仅可以快速访问服务的网络体系结构,还可以将自己的信息存储在数据中心网络架构。

中间层是边缘计算层,由边缘设备(路由器、网关、交换机和访问点)。边缘设备主要分布在当地的移动用户,如公园,购物中心,和公共汽车。计算边缘层是云服务器和终端用户之间的桥梁。除了本地数据的计算和存储,剩余的数据计算边缘层不能处理转发给云计算层进行处理。

最上面一层是云计算层,它由高端服务器和数据中心。它有强大的计算和存储能力和负责计算和存储边缘的残留数据,计算层不能处理。

4所示。计算方案CENAM

如图1,因为边缘设备接近最终用户并接受服务请求从通过局域网(LAN),局域网通信延迟可以忽略(WAN)相比。MEC是未加工的数据转发到云服务器通过广域网进行处理,所以通信延迟从边缘设备需要考虑云服务器。在数据处理的过程中,我们主要考虑边缘的延迟计算层和云计算层包括通信延迟从边缘设备到云服务器。

4.1。延迟计算方案在计算边缘层

边缘设备主要分布地区如超市,公园,和公共汽车。他们之间的合作是分不开的。在本文中,我们抽象的网络拓扑图形组成的边缘设备(如图2)作为加权无向图(如图3)。 是一个顶点集,在哪里是一组设备和边缘是边缘设备的数量。 是一个优势,在哪里边缘节点之间的通信链路吗和 。 在边缘节点之间的通信延迟和 ,和它的值的大小是随机生成的参考的数值24]。

我们假设每个边缘节点的计算能力在图3是 和边缘计算的计算任务层 。为了减少转发的数据量从边缘计算层云计算层以减少通信延迟,我们需要增强边缘节点的计算能力和过程数据边缘网络尽可能多。因此,我们提出一个方案,设备之间的合作优势。在数据处理的过程中,边设备接收计算任务从最终用户,将任务划分为几个子任务,满足 然后分配子任务边缘节点,包括自己的过程;具体方案如下。

延迟的边缘之间的通信延迟计算层包括边缘节点和边缘节点的计算延迟。的通信延迟,加权无向图组成的边缘节点,我们作为边缘节点之间的通信延迟的重量和使用Kruskal算法生成最小生成树,所以我们得到的最小重量 ,也就是说,最低通信延迟。边设备 ,它的计算延迟可以被计算分配给它,满足两点:(i)随着计算的数量增加,边缘设备的计算延迟相应增加。(2)计算量的增加,边缘设备的计算延迟增加越快。因此,下面的函数是用来描述边缘设备的计算延迟 。 在哪里边缘设备的计算能力吗 , 所要处理的数据量边缘设备 ,和是一个预先确定的实数在0和1之间。

因此,计算延迟边缘节点可以表示为 在哪里是最大的边缘设备的数据量可以处理,边缘的数据总量计算层需要的过程。所以处理的数据量计算节点可以形成一个边缘维向量 因此,下列延迟生成的目标函数,建立了计算边缘层:

4.2。在云计算层延迟计算方案

云计算延迟层包括云服务器和通信延迟的计算延迟从边缘设备到云服务器。在云计算层,我们假设云服务器;云服务器上处理的数据量 。云服务器 ,如果它需要处理的数据量和计算能力 ,它可以表示为计算延迟

所以,当云服务器处理的数据量 ,云计算层的计算延迟

如果数据不考虑损失率,广域网传输的延迟路径从边缘设备到云服务器是 ,和交通速度 。根据(23),通信延迟

因此,从边缘设备传输数据的延迟在CENAM云服务器可以表示为 在哪里是最大流量速率限制带宽。

4.3。问题的概念

CENAM,系统延迟主要包括边缘设备的计算延迟和云服务器和通信延迟从边缘设备到云服务器,因此系统延迟定义为 考虑到延迟CENAM优化和系统负载平衡,建立了目标函数 在哪里数据处理系统的总量,是在边缘处理的数据量计算层,然后呢是云计算处理的数据量层,和他们见面 。

5。算法的解决方案

5.1。延迟的解决方案优化计算边缘层

5.1.1。解决方案的通信延迟计算边缘层

我们利用克鲁斯卡尔算法解决最小边缘节点之间的通信延迟的问题。加权无向图 ,它的最小生成树 和初始状态 通过这种方式,每个边缘节点构成一个连接组件。然后,根据边缘的重量的顺序从小型到大型,的边缘依次进行。如果两个顶点在调查中是两个不同的连接组件 ,的边缘被添加到调查 ,和两个连接组件连接。如果没有,边删除,以避免循环。所以,当连接组件是1,最小生成树的吗 。克鲁斯卡尔算法描述如下:(1)初始化: ; 。(2)重复以下操作,直到连接组件的数量就是其中之一。找到最短的边 在 。如果顶点和位于两个不同的连接组件 ,然后(我)结合边缘 成 ,(2)合并两个连接到一个组件。在 ,我们纪念边缘 并使其不参与后续的选择最小的边缘。(3)最后,我们得到的最小通信延迟 。

5.1.2中。解决方案的计算延迟计算边缘层

目标函数的计算延迟

我们解决这个等式约束优化问题,基于拉格朗日乘子方法,具体步骤如下。

(1)给定的起始点 ,最初的乘数向量 ,惩罚因子 ,放大系数 和准确性 ,参数 和 。

(2)建立一个目标函数如下: 目标函数和是约束函数。

(3)使用无约束非线性规划方法(本文使用牛顿法),作为初始点解决 ,和最优的解决方案 。

(4)如果 然后停止迭代和输出 ;否则去一步 。

(5)如果 然后 ;否则保持不变;去一步 。

(6)定义 集 ,去一步 。

所以,我们获得最优解和边缘的最小计算延迟计算层。和边的最优延迟计算层的总和计算延迟和通信延迟。

5.2。延迟优化云计算的解决方案层

根据上述分析,云计算的延迟层主要包括云服务器和通信延迟的计算延迟从边缘设备到云服务器。基于负载均衡的原理、通信延迟问题被认为是一个平衡的传输问题。我们假设的数据量不是在边缘计算层(即处理。,需要处理的数据量在云计算层)和每一个云服务器可以处理的数据量 。处理的数据量并不是在边缘计算层需要转发到云计算层进行处理。为了减少传输延迟,最优传输方案是必要的。广域网传输的延迟路径从边缘设备到云服务器是 ,和下列延迟矩阵可以得到:

交通率从边缘设备吗云服务器 ,和下面的传输矩阵可以得到:

不同于(23),我们使用平衡传输的方法来解决沟通的问题延迟,并获得最优分配矩阵 。 从边缘设备传输数据量云服务器 。

云服务器的计算延迟,我们不考虑数据损失率。守恒的原则 显示的数据量需要通过云服务器进行处理 。在实验中,我们假设云服务器的数量5、云服务器的计算能力是10 GHz。我们采用MATLAB实验平台,实验中的数据都是模拟的。我们获得通信延迟和计算延迟通过MATLAB仿真,如图4。

图4表明,在云计算层,计算延迟相对较小,变化小,因为云服务器的计算能力强。云计算的延迟层主要是由从边缘设备的通信延迟到云服务器。一方面,这是因为与远距离的沟通从最终用户到云数据中心可能会产生较高的延迟。另一方面,网络带宽的限制增加了传输延迟从边缘设备到云服务器。随着数据量的不断增加,通信延迟增加得更快。

6。仿真结果和分析

为了验证方案的有效性的数据处理延迟计算边缘层,我们比较一个边缘节点的数据处理延迟性能和云计算层。然后,我们分析的数据量的比例的影响在边缘计算层处理数据处理延迟。最后,边缘节点的数量的影响数据处理延迟进行了分析。

实验平台采用MATLAB和边缘设备的计算能力和通信延迟和云服务器中都是24]。仿真实验中的数据,边缘节点的数量是10,云服务器的数量是5。此外,我们设置云服务器的计算能力10 GHz。每条边设备的计算能力如表所示1。

6.1。性能分析的数据处理延迟计算边缘层

在计算边缘层,我们提出的方案计算延迟和通信延迟。为了验证其有效性数据处理延迟,我们比较延迟到一个边缘节点和云计算层。实验结果如图所示5。

实验结果表明,当数据量X< 2 Gb,少一个边缘节点延迟相比,云计算层和边缘计算层;这是因为它不能产生通信延迟和数据范围内的一个边缘节点的计算能力。然而,随着数据量的增加,造成的延迟单边缘节点的计算能力将迅速增加。云服务器具有很强的计算能力,但最终用户远离他们,有限的带宽,这将产生巨大的通信延迟,所以数据处理的延迟是高于边缘计算层。此时,多个边缘节点之间的合作方案计算边缘层显示了更好的性能。当数据量X> 19 Gb,边缘计算层的延迟将影响单边缘节点的计算能力的限制,还有一个重要的数据处理延迟。然而,云计算层以其强大的计算能力使得数据处理延迟小于计算边缘层。因此,可以把适当的边缘计算层的数据量减少延迟。

6.2。的影响数据处理延迟

数据处理的比例是在边缘计算层。验证CENAM的性能,我们研究的影响在数据处理延迟。仿真如图6。

实验结果表明,当 ,也就是说,在边缘处理的数据量计算层是不到一半,越大 ,较小的延迟。当 的数据量小,越大 ,较小的延迟。然而,随着数据量的增加,相应的延误将会增加。和越大 ,更快的相应的延迟,甚至超过传统的云计算层延迟。这是因为当的数据量达到一个阈值(例如,当 ,阈值是16 Gb;当 阈值是13 Gb),数据处理延迟迅速增加,超过一定值,因为单边缘节点的计算能力的限制。这表明数据处理延迟计算边缘层是由单一的边缘节点的计算能力有限,当数据量的增长在一定程度上,延误将会增加。它还显示,当数据的总量很小,我们可以处理他们在边缘计算层,产生小的延迟。然而,当有大量的数据,设备和云边缘服务器之间的合作可以有效地减少数据处理延迟。

6.3。边缘节点的数量的影响数据处理延迟

为了研究边缘节点的数量的影响数据处理延迟计算边缘层,我们解决数据处理延迟的总量数据时是2 Gb, 6 Gb, 10 Gb, 16 Gb, 20 Gb。结果如图7。

实验结果表明,与边缘节点的数量的增加,整个数据处理延迟显示一个下降的趋势。时的数据量很小(如下所示6 Gb),边缘节点的数量的增加不影响数据处理延迟,它基本上是静止的。的数据量大时(比如从10 Gb到20 Gb),与边缘节点的数量的增加,有一个显著降低数据处理延迟。这是因为当的数据量小,边缘节点的计算延迟很小,和通信延迟将与边缘节点的增加变得很大。因此,数据处理延迟主要取决于边缘节点之间的通信延迟,但变化是不明显的。的数据量很大时,计算边缘节点的延迟增加因此,以及边缘节点之间的通信延迟相对稳定时,带宽是被允许的。数据处理的延迟主要取决于边缘节点的计算延迟。因此,随着边缘节点数量的增加,每个边缘节点处理的数据量将减少和延迟也会减少,这样整个数据处理延迟会显著降低。这表明,根据边缘节点的计算能力,重要的是要确定适当数量的边缘节点来减少数据处理的延迟。

7所示。结论和未来的工作

本文的概念CENAM提出解决高延时的数据处理的问题在传统的云计算。在计算边缘层,我们使用的方法多个边缘节点之间的合作来提高数据处理能力和降低边缘的计算延迟计算层。此外,我们利用克鲁斯卡尔算法解决边缘节点之间的通信延迟。在云计算、云服务器的通信延迟从边缘设备是降低基于平衡的方式传播。仿真表明,CENAM提出了可以有效降低数据处理延迟和执行比传统单一的边缘节点和云计算。在未来的工作中,我们将继续研究的影响边缘的位置分配和服务模式设备数据处理延迟和能源消耗,这样我们就可以进一步提高系统的性能。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是由中国国家自然科学基金(61672321和61672321),山东省研究生教育创新计划(SDYY14052和SDYY15049),山东省图书馆建设项目专业学位研究生教学情况,山东省研究生教育质量的课程建设规划,山东省大学科技计划项目(J16LN15)和曲阜师范大学科技计划项目(xkj201525)。

引用

1. w·方”,从云计算雾计算范式转变,”南京大学信息科学技术杂志》上,8卷,不。5,404 - 414年,2016页。视图:谷歌学术搜索
2. a . j .斯坦科维奇“物联网研究方向,”IEEE物联网,1卷,不。1,3 - 9,2014页。视图:出版商的网站|谷歌学术搜索
3. a . Al-Fuqaha m . Guizani m·穆罕默m . Aledhari和m .阿亚什,“物联网:调查支持技术,协议和应用程序,”IEEE通信调查和教程,17卷,不。4、2347 - 2376年,2015页。视图:出版商的网站|谷歌学术搜索
4. 李h . g .网友,y,和z,“移动边缘计算:进展和挑战,”学报》第四届IEEE移动云计算国际会议上,服务,和工程,MobileCloud 2016英国,页83 - 84年,2016年4月。视图:出版商的网站|谷歌学术搜索
5. d . Puthal s .尼泊尔、r .野生动物和j·陈,“威胁网络在物联网云计算和数据中心的边缘,“IEEE云计算,3卷,不。3、64 - 71年,2016页。视图:出版商的网站|谷歌学术搜索
6. s c·李”,研究物联网架构基于雾计算,”电信工程技术与标准化,30卷,不。11日,第66 - 63页,2017年。视图:谷歌学术搜索
7. p·科克兰和s . k . Datta Mobile-Edge计算和物联网对于消费者:云计算和服务延伸到网络的边缘,“IEEE消费电子杂志,5卷,不。4、73 - 74年,2016页。视图:出版商的网站|谷歌学术搜索
8. h . Cai徐,江l ., a . v . Vasilakos”IoT-Based大数据存储系统在云计算:视角和挑战,”IEEE物联网,4卷,不。1,第87 - 75页,2017。视图:出版商的网站|谷歌学术搜索
9. m . Satyanarayanan“边缘计算的出现,”电脑杂志,50卷,不。1篇文章ID 7807196 - 39, 2017页。视图:出版商的网站|谷歌学术搜索
10. j . Tang和t .问:美国Quek)”,在以内容为中心的移动云计算网络的作用,“IEEE通讯杂志,54卷,不。8日,52-59,2016页。视图:出版商的网站|谷歌学术搜索
11. 达塔和c . s . k .帽子,”优势架构集成虚拟物联网设备,计算”《2017年IEEE第六届全球消费电子产品(GCCE)会议上,页1 - 3,名古屋,日本,2017年10月。视图:出版商的网站|谷歌学术搜索
12. t . Subramanya l . Goratti汗、e . Kafetzakis Giannoulakis,和r .,“实际移动边缘计算架构,”学报2017年IEEE会议网络功能虚拟化和软件定义网络(NFV-SDN)2017年11月,页1 - 4、柏林、。视图:出版商的网站|谷歌学术搜索
13. 美国k·沙玛和x王”,实时数据分析在无线物联网网络协作和云边缘处理,”IEEE访问5卷,第4635 - 4621页,2017年。视图:出版商的网站|谷歌学术搜索
14. x Masip-Bruin, e . Marin-Tordera g . Tashakor a . Jukan G.-J。任,“雾蒙蒙的云和阴雾:一个真正需要fog-to-cloud计算系统的协调管理,“IEEE无线通讯杂志,23卷,不。5,120 - 128年,2016页。视图:出版商的网站|谷歌学术搜索
15. j·李,h·李,y . c . Lee, h·汉和美国康,“平台支持移动边计算,”学报2017年IEEE 10日云计算国际会议(云)火奴鲁鲁,页624 - 631年,CA,美国,2017年6月。视图:出版商的网站|谷歌学术搜索
16. k . Intharawijitr k . Iida h .甲贺,k .山冈”实际的增强和评估一个低延迟的网络模型使用移动计算边缘,”学报2017年IEEE第41届会议(COMPSAC)计算机软件和应用程序都灵,页567 - 574年,2017年7月。视图:出版商的网站|谷歌学术搜索
17. b . Hu j·陈,f·李,“动态服务分配算法在移动计算边缘,”学报2017年国际会议信息和通信技术融合(ICTC),页104 - 109,济州岛,韩国(南),2017年10月。视图:出版商的网站|谷歌学术搜索
18. o·贝洛和s . Zeadally”在物联网智能设备间通信IEEE系统杂志,2014年。视图:出版商的网站|谷歌学术搜索
19. t·h·烹调的菜肴,l .高,y, z . Li和l .太阳,“雾计算:专注于移动用户的优势,”计算机科学,2015年,页1 - 7。视图:谷歌学术搜索
20. 即Stojmenovic和美国,“雾计算范式:场景和安全问题,”联邦会议程序计算机科学和信息系统(FedCSIS 14)IEEE,页1 - 8,华沙,波兰,2014年9月。视图:出版商的网站|谷歌学术搜索
21. z h·杨,“物联网的边界计算模型:雾计算,”物联网技术,12号卷,第67 - 65页,2014年。视图:谷歌学术搜索
22. Sarkar和s . Misra“雾的理论模型计算:支持物联网应用的绿色计算范例,”专业网络,5卷,不。2,23-29,2016页。视图:出版商的网站|谷歌学术搜索
23. r·邓r·卢西莱t·h .烹调的菜肴和h .梁,“最佳负载分配Fog-Cloud计算平衡延迟和功耗,”IEEE物联网,3卷,不。6,1171 - 1181年,2016页。视图:出版商的网站|谷歌学术搜索
24. l . x和z . y .任“云医疗大型数据及其分布式计算网络计划,”西安交通大学学报,50卷,不。10日,71 - 77年,2016页。视图:谷歌学术搜索
25. X.-Q。范教授和E.-N。嗯。”对任务调度cloud-fog计算系统”学报18亚太网络运营和管理研讨会,APNOMS 20162016年10月,日本。视图:出版商的网站|谷歌学术搜索

版权

版权©2018 Guangshun李等。这是一个开放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。