点击数: 更新日期: 2023-08-29
中文题目：一种面向移动边缘计算服务依赖的智能化任务卸载方法
论文题目：An Intelligent Approach of Task Offloading for Dependent Services in Mobile Edge Computing
录用期刊/会议：Journal of Cloud Computing（JCR Q2）
原文DOI：10.1186/s13677-023-00477-9
录用时间：2023年6月25日
封面图片：见图1-任务依赖模型图
封面摘要：该研究成果由黄霁崴老师团队完成，已被Journal of Cloud Computing收录
作者列表：
1） 陈 杰 中国石油大学（北京）信息科学与工程学院 计算机科学与技术专业 本20
2） 冷亚静 中国石油大学（北京）信息科学与工程学院 计算机科学与技术专业 硕22
3）黄霁崴 中国石油大学（北京）信息科学与工程学院 计算机科学与技术系 教授
摘要:
随着物联网的日益普及，移动边缘计算应运而生，通过将计算和存储资源部署在靠近用户的网络边缘，减少多云核心网的繁重工作负载。在物联网中，服务是数据密集型和事件驱动的，导致服务之间存在广泛的依赖关系。传统的任务卸载方案在具有服务依赖性的物联网场景中面临重大挑战。为此，本文提出了一种最小化延迟和能耗的智能方法，该方法联合考虑了MEC中物联网依赖服务的任务调度和资源分配。具体而言，充分考虑服务之间的依赖关系，建立了系统模型、通信模型和性能评估计算模型，并提出了时延和能耗同时最小化的优化问题。然后，我们设计了一种分层的服务依赖处理方案，并给出了详细的算法来智能地获得最优的任务调度和资源分配策略。最后，通过仿真实验验证了所提方案的有效性。
背景与动机:
随着智能移动设备和物联网的快速发展，各种物联网服务呈现爆发式增长。现代物联网服务通常由多个具有依赖关系的任务组成。在移动边缘计算（MEC）中，当具有依赖关系的任务分别在物联网设备和MEC服务器上或在不同的MEC服务器上处理时，通常会发生跨设备的数据传输。物联网服务之间复杂的依赖关系和通信使得实现最优卸载决策和资源分配方案变得更加困难。因此，在现有的研究中，很少同时考虑卸载决策和资源分配，以同时优化任务延迟和能耗。本文联合考虑了面向用户的MEC场景中物联网依赖服务的任务卸载和资源分配，以同时优化延迟和能耗。
主要内容:
（1）任务依赖模型
任务依赖模型如图1所示。
(图1 任务依赖模型)
增添一个虚拟入口任务和一个虚拟出口任务，任务数量为：
（2）通信模型
卸载任务到MEC服务器
卸载任务的上行链路数据传输速率为：
卸载任务到MEC服务器的时延为：
卸载任务到MEC服务器的能耗为:
上传任务的输出到MEC服务器
上传任务输出的上行链路数据传输速率为：
上传任务输出的时延为：
上传任务输出的能耗为：
下载任务的输出到MEC设备
下载任务输出的时延为：
（3）计算模型
a. 本地计算模型：
任务在本地物联网设备处理时的计算时延：
任务在本地物联网设备处理时的计算能耗：
b. 边缘计算模型：
任务在MEC服务器处理时的计算时延：
（4）问题规划
将虚拟入口任务的开始时刻定为0，则所有任务时延为：
所有任务处理的能耗为：
将问题规划为如下形式：
（5）概念定义
任务的实际计算时延：
在本地处理时，实际计算时延为：
卸载到MEC处理时，实际计算时延为：
任务的可启动时刻：
在本地处理时，任务可启动时刻为：
卸载到MEC处理时，任务可启动时刻为：
任务的实际启动时刻满足：
任务的实际完成时刻：
任务的本地处理能耗：
任务的边缘处理能耗：
（6）分层卸载算法
首先使用基于拓扑排序的分层算法对任务进行分层，分层算法伪代码如图2所示。
(图2 分层算法伪代码)
分层后同一层的任务之间没有依赖关系，然后依次对每一层中的各个任务计算在本地处理和卸载到MEC处理的最小开销，根据最小开销决策任务是否卸载。
任务开销表示为：
求解任务在本地处理的最小开销和相应的最优时延算法伪代码如图3所示。
(图 3 求解任务在本地处理的最小开销和相应的最优时延算法伪代码)
求解任务卸载到边缘计算的最小开销和相应的最优时延算法伪代码如图4所示。
（图4 求解任务卸载到边缘计算的最小开销和相应的最优时延算法伪代码）
任务在本地处理和边缘处理的最小开销都求得之后，使用层内卸载决定和资源分配算法依次对每层任务进行卸载调度。层内卸载决定和资源分配算法伪代码如图6所示。
（图6 层内卸载决定和资源分配算法伪代码）
实验结果及分析:
（1）高低不同并行度任务仿真模型
（图7 不同并行度任务依赖模型）
图7为仿真实验建立的依赖模型，(a)为低并行度模型，(b)为高并行度模型。
（2）时延对比
（图8 w1=0.9,w2=0.1的5种策略时延对比）
图8表示本文所提出的算法在高低不同并行度的依赖模型中时延都低于其他对比策略。
（3）能耗对比
（图9 w1=0.1,w2=0.9的5种策略时延对比）
图9表示本文所提出的算法在高低不同并行度的依赖模型中能耗显著都低于其他对比策略。
通讯作者简介:
黄霁崴，博士，教授，博士生导师，石油数据挖掘北京市重点实验室主任，中国石油大学（北京）计算机科学与技术系主任，中国石油大学（北京）研究生教育督导组专家，信息科学与工程学院学术委员会委员。2015年北京市优秀人才培养资助入选者，2018年中国石油大学（北京）优秀青年学者，2020年北京市科技新星，2022年度北京市国家治理青年人才。分别在2009年和2014年于清华大学计算机科学与技术系获得工学学士和工学博士学位，2012-2013年国家公派赴美国佐治亚理工学院联合培养。研究方向包括：物联网、服务计算、边缘智能、深度强化学习、智能优化算法等。担任中国计算机学会(CCF)服务计算专委会委员、秘书，CCF高级会员，IEEE、ACM会员。已主持国家自然科学基金、国家重点研发计划、北京市自然科学基金等科研项目18项；在国内外著名期刊和会议发表SCI/EI检索的学术论文60余篇，其中1篇获得Chinese Journal of Electronics优秀论文奖，2篇入选ESI热点论文，3篇入选ESI高被引论文；出版学术专著1部；获得国家发明专利6项、软件著作权4项；获得中国通信学会科学技术一等奖1项、中国产学研合作创新成果一等奖1项。担任电子学报、Chinese Journal of Electronics、Scientific Programming等期刊编委。
联系方式：huangjw@cup.edu.cn。