关键词:
边缘云计算
时延约束
最优能耗
任务卸载
摘要:
随着虚拟现实、无人驾驶、智能家居等计算密集型和时延敏感型应用的大量涌现,对无线移动通信网络性能、时延和架构提出了重大挑战。边缘云计算(Edge Cloud Computing,ECC)是应对上述挑战的核心技术之一,其构筑在位于中心云与终端之间的边缘基础设施之上,是云计算能力由中心向边缘的下沉。任务卸载策略优化是边缘云计算的核心研究问题,其策略的优劣将对整个系统的时延和能耗成本造成直接影响。一方面,有许多对实时交互和响应速度要求极高的应用场景,过高的任务处理时延可能导致用户体验下降。另一方面,对于移动终端设备和边缘计算节点而言能耗也非常重要,应尽可能降低它们处理任务的能耗,从而延长其持续工作时间并节省能源成本。因此,本文以边缘云计算中具有时延约束的任务卸载能耗最小化问题为目标,对边缘云计算场景下的不同任务类型引入时延约束条件来构建新的系统模型,首先研究边缘云计算中时延约束下的串行任务卸载策略,然后进一步将串行任务拓展为并行应用程序来深化研究。具体的研究工作包括以下两方面:
(1)针对具有时延约束的串行任务卸载能耗最小化问题,提出了一种适用时延约束的改进遗传算法(Improved genetic algorithm with time constraint,IGAWTC)。在初始化种群时采用贪心算法将种群的一个个体选择每个任务的最优时延、另一个个体选择每个任务的最优能耗,其他个体仍然采用随机初始化,从而保证初始种群中有足够优秀的基因。在选择下一代时提出一种正态分布排序选择策略将所求解映射至正态分布函数进行排序,使得优质染色体有更大概率被选中。在进行交叉变异时提出自适应交叉变异策略,能+够根据待求解问题的特性和当前搜索状态自动调整交叉、变异概率值,从而更有效地指导算法的搜索过程。同时提出了一种最大子段交叉策略及可放弃变异策略解决交叉后个体的解变坏的情况。最后,将IGAWTC算法与已有的算法进行对比,仿真实验表明,IGAWTC算法在时延约束下的能耗指标最优,较之其他算法平均减少2.36%。
(2)针对具有时延约束的并行应用程序卸载能耗最小化问题,提出了一种基于分层排序策略下的改进离散蝴蝶优化算法(Improved discrete butterfly optimization algorithm,IDBOA)。首先将并行应用程序中的任务进行优先级分层处理,将相同层级的任务再依据任务量进行排序,如此就能得到并行应用程序的任务执行顺序。随后提出自适应动态转换策略,通过算法自身的学习和调整来动态优化转换概率,提高算法的搜索性能,有效平衡全局探索与局部搜索二者的关系;提出全局搜索的离散化改进方法,可对步长进行限制,有效提高全局搜索精度;对局部搜索进行了重定义,提出了一种多重控制策略,可观察种群时延和能耗变化,有效提升算法寻优性能。最后,将IDBOA算法与已有的算法进行对比,仿真实验表明IDBOA算法在时延约束下的能耗指标最优,较之其他算法平均减少9.47%。