基于三支决策的移动云任务卸载机制研究
发布时间：2022-02-16 14:15
近年来,随着互联网的飞速发展,移动设备性能已得到很大改善,但由于移动设备硬件的限制,往往出现存储空间不足、电池性能差、计算能力低等问题。为此,许多研究者将移动设备中的计算密集型任务卸载到资源更加丰富的服务器中执行,以此改善移动设备性能。目前有诸多关于移动云任务卸载方面的研究,包括移动云计算、移动边缘计算及雾计算等。本文主要针对移动云计算与移动边缘计算两种卸载方式展开研究,主要内容如下:1.介绍移动云任务相关技术及卸载流程、卸载策略,包括任务卸载到云服务器的框架结构,任务卸载到边缘服务器的框架结构,任务如何卸载到云服务器及边缘服务器,边缘服务器与云服务器如何协同工作。概述了云任务卸载中存在的一些三支现象,及本文用到的三支决策理论思想,以及由三支决策演化而来的三支博弈理论。2.以云服务器为任务可卸载的位置,提出一种面向非延迟敏感型任务的节能卸载策略。如果待处理的任务在网络连接状态良好的情境下,则可立即做出决策。如果待处理任务在网络连接状态较差的情境下,可在可接收延迟时间范围内等待网络的改善。结合三支决策理论思想,通过不同状态下采用不同决策时生成的代价值,求出一对阈值,用来预测下一时刻的网络...
【文章来源】：哈尔滨师范大学黑龙江省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
移动边缘计算网络基本架构
第3章非延迟敏感型任务的节能卸载研究18第3章非延迟敏感型任务的节能卸载策略研究如今移动用户常常使用移动设备处理较复杂的任务，一是移动设备的便利使用户能随身携带，二是移动设备的性能在近几年也得到了飞速发展。但由于移动设备的计算资源有限、存储容量孝易受环境影响等问题，使其难以满足用户的服务体验。为了解决这一问题，将计算密集型任务卸载到云中已经成为广泛使用的任务处理方法，并且云服务器无论是计算能力或存储能力都比较强。移动用户将任务迁移至云服务器时，需使用无线网络才可完成任务在移动终端与云端进行交互的功能。然而由于网络带宽不稳定，常常以高-低-高[73]的形式出现，造成更多的任务延迟及通讯开销。本节结合三支决策的理论思想，对非延迟敏感型任务提出一种云计算的卸载策略（MCCO-3WD），以节能为目标，通过预测网络状态阈值为云任务卸载策略提供参考。3.1基于三支决策的节能卸载模型Mehmeti[74]等人通过分析Wi-Fi的可用性、移动用户的移动规律及流量负载之间的关系，提出一种针对即时任务的排队分析模型，作者将全部任务立即卸载到云端，忽略了网络状态的差异，常常会造成额外的开销。之后作者在文献[75]中加入了延迟卸载的方式，给任务设置一个可容忍的完成时间，此时任务可等待网络状态良好的再进行卸载，在文献[74]基础上，大大的减少了能耗的开销。本章将任务卸载的时机进行细粒度的研究，通过预测网络质量制定卸载决策。图3-1为移动云任务的卸载体系，本章主要的工作就是解决图3-1中卸载决策问题，如图所示，根据任务的延迟容忍度做出三种不同的决策方式，立即卸载、不卸载或延迟卸载。图3-1移动云任务卸载体系Figure3-1Mobilecloudtaskoffloadingsystem
哈尔滨师范大学硕士学位论文23PNBNNNNPBPPP,且将公式（7）带入（P）~（N）得：(1):(|[]),(1):(|[])(|[]),(1):(|[]),若则立即卸载若则延迟卸载若则不卸载PPGgBPGgPGgNPGg此时，可求出，的表达式：PNBNPNBNBPPPBNNNBNNNNPPP()()()()=+=+（3-8）3.4仿真实验与结果分析通过Python模拟移动云任务卸载过程，数据参照文献[76]，实验结果主要展现为三方面，一是比较三种决策方式的能耗，二是网络连接质量概率的预测，三是MCCO-3WD的结果分析。在寻找阈值之前，首先模拟任务数据量与计算量之间的影响，首先将计算量与数据两比值设为14/1时，能耗如图3-4所示，列出了网络连接质量好与差时三种卸载决策的能耗，通过实验发现，当下一阶段网络连接质量好时，立即卸载(cost_1)到卸载到下一时刻是最节能的，当网络连接质量较差立即卸载到下一时刻(cost_4)是最耗能的。图3-4决策能耗图(i)Figure3-4Decisionenergyconsumptiongraph(i)
【参考文献】：
期刊论文
[1]移动旅游应用用户粘性影响因素研究——以网络舆论为调节变量[J]. 鄢慧丽,余军,熊浩. 南开管理评论. 2020(01)
[2]云辅助移动边缘计算中的计算卸载策略[J]. 王妍,葛海波,冯安琪. 计算机工程. 2020(08)
[3]基于三支队列的实时云任务节能调度算法[J]. 姜春茂,王凯旋. 郑州大学学报(理学版). 2019(02)
[4]Mobile-Edge Computing Framework with Data Compression for Wireless Network in Energy Internet[J]. Luning Liu,Xin Chen,Zhaoming Lu,Luhan Wang,Xiangming Wen. Tsinghua Science and Technology. 2019(03)
[5]负载敏感的云任务三支聚类评分调度研究[J]. 吴俊伟,姜春茂. 智能系统学报. 2019(02)
[6]5G若干关键技术评述[J]. 张平,陶运铮,张治. 通信学报. 2016(07)
[7]广义三支决策与狭义三支决策[J]. 刘盾,梁德翠. 计算机科学与探索. 2017(03)
[8]Mobile-agent-based energy-efficient scheduling with dynamic channel acquisition in mobile cloud computing[J]. Xing Liu,Chaowei Yuan,Zhen Yang,Zengping Zhang. Journal of Systems Engineering and Electronics. 2016(03)
[9]移动互联网研究综述[J]. 吴吉义,李文娟,黄剑平,章剑林,陈德人. 中国科学:信息科学. 2015(01)
[10]人脸识别中的多粒度代价敏感三支决策[J]. 张里博,李华雄,周献中,黄兵. 山东大学学报(理学版). 2014(08)
博士论文
[1]移动云计算中的资源调度与节能问题研究[D]. 柳兴.北京邮电大学 2015
[2]Z. PAWLAK粗集推广与应用研究[D]. 裴海峰.山东大学 2007
本文编号：3628113
【文章来源】：哈尔滨师范大学黑龙江省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
移动边缘计算网络基本架构
第3章非延迟敏感型任务的节能卸载研究18第3章非延迟敏感型任务的节能卸载策略研究如今移动用户常常使用移动设备处理较复杂的任务，一是移动设备的便利使用户能随身携带，二是移动设备的性能在近几年也得到了飞速发展。但由于移动设备的计算资源有限、存储容量孝易受环境影响等问题，使其难以满足用户的服务体验。为了解决这一问题，将计算密集型任务卸载到云中已经成为广泛使用的任务处理方法，并且云服务器无论是计算能力或存储能力都比较强。移动用户将任务迁移至云服务器时，需使用无线网络才可完成任务在移动终端与云端进行交互的功能。然而由于网络带宽不稳定，常常以高-低-高[73]的形式出现，造成更多的任务延迟及通讯开销。本节结合三支决策的理论思想，对非延迟敏感型任务提出一种云计算的卸载策略（MCCO-3WD），以节能为目标，通过预测网络状态阈值为云任务卸载策略提供参考。3.1基于三支决策的节能卸载模型Mehmeti[74]等人通过分析Wi-Fi的可用性、移动用户的移动规律及流量负载之间的关系，提出一种针对即时任务的排队分析模型，作者将全部任务立即卸载到云端，忽略了网络状态的差异，常常会造成额外的开销。之后作者在文献[75]中加入了延迟卸载的方式，给任务设置一个可容忍的完成时间，此时任务可等待网络状态良好的再进行卸载，在文献[74]基础上，大大的减少了能耗的开销。本章将任务卸载的时机进行细粒度的研究，通过预测网络质量制定卸载决策。图3-1为移动云任务的卸载体系，本章主要的工作就是解决图3-1中卸载决策问题，如图所示，根据任务的延迟容忍度做出三种不同的决策方式，立即卸载、不卸载或延迟卸载。图3-1移动云任务卸载体系Figure3-1Mobilecloudtaskoffloadingsystem
哈尔滨师范大学硕士学位论文23PNBNNNNPBPPP,且将公式（7）带入（P）~（N）得：(1):(|[]),(1):(|[])(|[]),(1):(|[]),若则立即卸载若则延迟卸载若则不卸载PPGgBPGgPGgNPGg此时，可求出，的表达式：PNBNPNBNBPPPBNNNBNNNNPPP()()()()=+=+（3-8）3.4仿真实验与结果分析通过Python模拟移动云任务卸载过程，数据参照文献[76]，实验结果主要展现为三方面，一是比较三种决策方式的能耗，二是网络连接质量概率的预测，三是MCCO-3WD的结果分析。在寻找阈值之前，首先模拟任务数据量与计算量之间的影响，首先将计算量与数据两比值设为14/1时，能耗如图3-4所示，列出了网络连接质量好与差时三种卸载决策的能耗，通过实验发现，当下一阶段网络连接质量好时，立即卸载(cost_1)到卸载到下一时刻是最节能的，当网络连接质量较差立即卸载到下一时刻(cost_4)是最耗能的。图3-4决策能耗图(i)Figure3-4Decisionenergyconsumptiongraph(i)
【参考文献】：
期刊论文
[1]移动旅游应用用户粘性影响因素研究——以网络舆论为调节变量[J]. 鄢慧丽,余军,熊浩. 南开管理评论. 2020(01)
[2]云辅助移动边缘计算中的计算卸载策略[J]. 王妍,葛海波,冯安琪. 计算机工程. 2020(08)
[3]基于三支队列的实时云任务节能调度算法[J]. 姜春茂,王凯旋. 郑州大学学报(理学版). 2019(02)
[4]Mobile-Edge Computing Framework with Data Compression for Wireless Network in Energy Internet[J]. Luning Liu,Xin Chen,Zhaoming Lu,Luhan Wang,Xiangming Wen. Tsinghua Science and Technology. 2019(03)
[5]负载敏感的云任务三支聚类评分调度研究[J]. 吴俊伟,姜春茂. 智能系统学报. 2019(02)
[6]5G若干关键技术评述[J]. 张平,陶运铮,张治. 通信学报. 2016(07)
[7]广义三支决策与狭义三支决策[J]. 刘盾,梁德翠. 计算机科学与探索. 2017(03)
[8]Mobile-agent-based energy-efficient scheduling with dynamic channel acquisition in mobile cloud computing[J]. Xing Liu,Chaowei Yuan,Zhen Yang,Zengping Zhang. Journal of Systems Engineering and Electronics. 2016(03)
[9]移动互联网研究综述[J]. 吴吉义,李文娟,黄剑平,章剑林,陈德人. 中国科学:信息科学. 2015(01)
[10]人脸识别中的多粒度代价敏感三支决策[J]. 张里博,李华雄,周献中,黄兵. 山东大学学报(理学版). 2014(08)
博士论文
[1]移动云计算中的资源调度与节能问题研究[D]. 柳兴.北京邮电大学 2015
[2]Z. PAWLAK粗集推广与应用研究[D]. 裴海峰.山东大学 2007
本文编号：3628113
本文链接：https://www.wllwen.com/guanlilunwen/lindaojc/3628113.html
