移动边缘计算中高能效任务卸载决策
发布时间：2020-12-29 16:22
为了实现移动边缘计算环境中移动设备能耗与任务执行延时的同步优化,提出基于能效的任务卸载决策算法。考虑受限移动设备电量和延时敏感型应用的情况下,算法联合优化了通信资源和计算资源分配,并将移动设备的剩余电量引入到能耗与延时优化的权重因子设置中,通过迭代搜索方法求解了最优任务卸载均衡决策解。结果证明,与基准算法相比,均衡卸载决策算法在总体开销方面更低,并能够使移动设备更加合理地使用电池剩余能量。
【文章来源】：信息技术. 2020年10期
【文章页数】：6 页
【部分图文】：
移动边缘计算环境
本节通过基于MATLAB的仿真实验构建一个移动边缘计算环境以评估算法的性能。设置边缘服务器的计算能力为4GHz/cycle,每个移动设备拥有一个待执行任务,任务的数据量随机生成于[300,1200]kB之间,任务完成的CPU周期数随机生成于[0.1,1]GHz之间,任务的截止时间约束随机生成于[0.5,5]s之间,移动设备的CPU频率随机生成于[0.2,1]GHz之间,设备的最大传输功率为23dBm,且假设现有10条无线信道,带宽为0.2MHz。如图2是不同移动设备数量下任务执行的总体代价、能耗和延时情况。其中,本文算法所指为在计算总体开销时将移动设备剩余能量引入权重因子的计算方法,即w′i=wi×r i E 。另外三种算法为权重因子固定取值为0.2、0.5和0.8时得到的实验结果。可以看到,若所有任务均在本地设备上执行,其导致的移动设备能耗是最多的。而如果将所有任务卸载至边缘服务器上执行,则将导致更高的执行延时,带来较差的用户体验。从移动设备的角度看,移动设备的开销主要取决于其传输功率和CPU频率,本文设计的卸载决策算法联合考虑了计算资源和通信资源的分配,更好地降低了能耗开销和执行延时。而权重因子的设计则考虑了移动设备的剩余能量,能耗更好地实现性能均衡。可以看到,本文算法比固定设置权重因子wi=0.8时节省了更多的能耗,也同时比wi=0.2时降低了更多的执行延时。综合图2的结果,本文算法能够获得更低的总体代价。
图3观察在不同的权重因子下选取10个任务时最终的执行性能。可以看到,当剩余能量较为充足时,本文算法会偏好将任务在本地执行,如任务4、6、7、8和9,与wi=0.8时类似。然而,当wi=0.2时,算法仍将任务卸载至边缘服务器执行,这样导致了更多的任务执行延时。当移动设备的剩余能量不足时,本文算法会偏好将任务卸载至边缘服务器上执行。然而,对于wi=0.8时,任务5和10仍在本地执行。wi=0.8表明系统偏好于降低任务执行延时,这表明需要消耗更多能耗。对于wi=0.5,更多任务被卸载至边缘服务器执行,由于此时本地执行能耗比起传输时间将更多。表1进一步观察权重因子对移动设备剩余电量的影响,选择两个电池容量为3000mAh的移动设备作为实验目标。假设一个移动设备剩余80%电量,另一个剩余20%电量。根据表1,对于两个移动设备,随着其利用率的增加,本文设计的基于剩余能量的权重因子设置方法得到的能耗均小于固定权重因子方法。原因,根据w′i=wi×r i E ,权重因子w′i会随着利用率的增加而降低,而1- w′i将增加。此外,如果采用随机权重因子,拥有80%剩余能量的移动设备将会节省更多能耗,而相反拥有20%剩余能量的移动设备则会消耗更多能耗,而对于剩余能量更少的移动设备而言,显然节省能耗是更加重要的。
本文编号：2945932
【文章来源】：信息技术. 2020年10期
【文章页数】：6 页
【部分图文】：
移动边缘计算环境
本节通过基于MATLAB的仿真实验构建一个移动边缘计算环境以评估算法的性能。设置边缘服务器的计算能力为4GHz/cycle,每个移动设备拥有一个待执行任务,任务的数据量随机生成于[300,1200]kB之间,任务完成的CPU周期数随机生成于[0.1,1]GHz之间,任务的截止时间约束随机生成于[0.5,5]s之间,移动设备的CPU频率随机生成于[0.2,1]GHz之间,设备的最大传输功率为23dBm,且假设现有10条无线信道,带宽为0.2MHz。如图2是不同移动设备数量下任务执行的总体代价、能耗和延时情况。其中,本文算法所指为在计算总体开销时将移动设备剩余能量引入权重因子的计算方法,即w′i=wi×r i E 。另外三种算法为权重因子固定取值为0.2、0.5和0.8时得到的实验结果。可以看到,若所有任务均在本地设备上执行,其导致的移动设备能耗是最多的。而如果将所有任务卸载至边缘服务器上执行,则将导致更高的执行延时,带来较差的用户体验。从移动设备的角度看,移动设备的开销主要取决于其传输功率和CPU频率,本文设计的卸载决策算法联合考虑了计算资源和通信资源的分配,更好地降低了能耗开销和执行延时。而权重因子的设计则考虑了移动设备的剩余能量,能耗更好地实现性能均衡。可以看到,本文算法比固定设置权重因子wi=0.8时节省了更多的能耗,也同时比wi=0.2时降低了更多的执行延时。综合图2的结果,本文算法能够获得更低的总体代价。
图3观察在不同的权重因子下选取10个任务时最终的执行性能。可以看到,当剩余能量较为充足时,本文算法会偏好将任务在本地执行,如任务4、6、7、8和9,与wi=0.8时类似。然而,当wi=0.2时,算法仍将任务卸载至边缘服务器执行,这样导致了更多的任务执行延时。当移动设备的剩余能量不足时,本文算法会偏好将任务卸载至边缘服务器上执行。然而,对于wi=0.8时,任务5和10仍在本地执行。wi=0.8表明系统偏好于降低任务执行延时,这表明需要消耗更多能耗。对于wi=0.5,更多任务被卸载至边缘服务器执行,由于此时本地执行能耗比起传输时间将更多。表1进一步观察权重因子对移动设备剩余电量的影响,选择两个电池容量为3000mAh的移动设备作为实验目标。假设一个移动设备剩余80%电量,另一个剩余20%电量。根据表1,对于两个移动设备,随着其利用率的增加,本文设计的基于剩余能量的权重因子设置方法得到的能耗均小于固定权重因子方法。原因,根据w′i=wi×r i E ,权重因子w′i会随着利用率的增加而降低,而1- w′i将增加。此外,如果采用随机权重因子,拥有80%剩余能量的移动设备将会节省更多能耗,而相反拥有20%剩余能量的移动设备则会消耗更多能耗,而对于剩余能量更少的移动设备而言,显然节省能耗是更加重要的。
本文编号：2945932
本文链接：https://www.wllwen.com/kejilunwen/wltx/2945932.html
