基于多微云协作的计算任务卸载

doi:10.11772/j.issn.1001-9081.2019081367

《计算机应用》唯一官方网站 ›› 2020, Vol. 40 ›› Issue (2): 328-334.DOI: 10.11772/j.issn.1001-9081.2019081367

• 2019年全国开放式分布与并行计算学术年会(DPCS 2019)论文 • 上一篇下一篇

基于多微云协作的计算任务卸载

王庆永, 毛莺池(), 王绎超, 王龙宝

河海大学计算机与信息学院，南京 211100

收稿日期:2019-07-31 修回日期:2019-08-20 接受日期:2019-09-17 发布日期:2019-09-29 出版日期:2020-02-10
通讯作者: 毛莺池
作者简介:王庆永（1995—），男，河南固始人，硕士研究生，CCF会员，主要研究方向：云计算、边缘计算
王绎超（1994—），男，山西介休人，硕士研究生，CCF会员，主要研究方向：云计算、边缘计算
王龙宝（1977—），男，江苏盐城人，讲师，博士，CCF会员，主要研究方向：大数据、云计算、管理信息化。
基金资助:
国家重点研发计划项目(2018YFC0407905);华能集团重点研发课题资助项目(HNKJ17-21)

Computing task offloading based on multi-cloudlet collaboration

Qingyong WANG, Yingchi MAO(), Yichao WANG, Longbao WANG

College of Computer and Information，Hohai University，Nanjing Jiangsu 211100，China

Received:2019-07-31 Revised:2019-08-20 Accepted:2019-09-17 Online:2019-09-29 Published:2020-02-10
Contact: Yingchi MAO
About author:WANG Qingyong， born in 1995， M. S. candidate. His research interests include cloud computing， edge computing.
WANG Yichao， born in 1994， M. S. candidate. His research interests include cloud computing， edge computing.
WANG Longbao， born in 1977， Ph. D.， lecturer. His research interests include big data， cloud computing， management informationization.
Supported by:
the National Key Research and Development Program of China(2018YFC0407905);the Key Research and Development Project of China Huaneng Group(HNKJ17-21)

摘要/Abstract

摘要：

针对多微云计算模式下计算任务卸载过程复杂、任务响应时间长的问题，构建面向多微云协作的计算任务卸载模型，并提出加权自适应惯性权重的粒子群优化（WAIW-PSO）算法，快速求解最优卸载策略。首先，对移动终端-微云-远程云的任务执行过程进行建模；其次，考虑多用户对计算资源的竞争，构建基于多微云协作的任务卸载模型；最后，针对求解最佳任务卸载策略复杂度过高的情况，提出WAIW-PSO算法求解卸载问题。仿真实验结果表明，与标准粒子群优化（PSO）算法以及基于高斯函数递减惯性权重的粒子群优化（GDIWPSO）算法相比，WAIW-PSO算法可以根据进化代数和个体适应度综合调整惯性权重，寻优能力较强，求解最优卸载策略的时间最短；在不同设备数、任务数等情况下选择不同任务卸载策略进行对比实验的结果表明，基于WAIW-PSO算法的卸载策略可以明显缩短任务总完成时间。

关键词: 移动云计算, 微云, 任务卸载, 多微云协作, 粒子群优化

Abstract:

Focusing on the problems of complex process and long response time of task offloading in multi-cloudlet mode， a computing task offloading model based on multi-cloudlet collaboration was constructed， and a Weighted self-Adaptive Inertia Weight Particle Swarm Optimization （WAIW-PSO） algorithm was proposed to solve the optimal offloading scheme quickly. Firstly， the task execution process of mobile terminal-cloudlet-remote cloud was modeled. Secondly， considering the competition of computing resources by multiple users， the task offloading model based on multi-cloudlet collaboration was constructed. Finally， since the complexity of solving the optimal offloading scheme was excessively high， the WAIW-PSO was proposed to solve the offloading problem. Simulation results show that compared with the standard Particle Swarm Optimization （PSO） algorithm and the PSO algorithm with Decreasing Inertia Weight based on Gaussian function （GDIWPSO）， WAIW-PSO algorithm can adjust the inertia weight according to evolutionary generation and individual fitness， and it has the better optimization ability and the shortest time for finding the optimal offloading scheme. Experimental results on different task unloading schemes with different numbers of equipments and tasks show that the WAIW-PSO algorithm based offloading schemes can significantly shorten the total task completion time.

Key words: mobile cloud computing, cloudlet, task offloading, multi-cloudlet collaboration, Particle Swarm Optimization (PSO)

中图分类号:

TP393

王庆永, 毛莺池, 王绎超, 王龙宝. 基于多微云协作的计算任务卸载[J]. 计算机应用, 2020, 40(2): 328-334.

Qingyong WANG, Yingchi MAO, Yichao WANG, Longbao WANG. Computing task offloading based on multi-cloudlet collaboration[J]. Journal of Computer Applications, 2020, 40(2): 328-334.

图/表 9

图1 CooLoad策略示意图

Fig. 1 Schematic diagram of CooLoad scheme

图2 系统模型示意图

Fig. 2 Schematic diagram of system model

图3 多用户场景中的任务卸载策略示意图

Fig. 3 Schematic diagram of task offloading scheme in a multi-user scenario

图4 多微云协作的任务卸载示意图

Fig. 4 Schematic diagram of task offloading based on multi-cloudlet collaboration

图5 多微云协作的任务卸载示例

Fig. 5 Example of task offloading based on multi-cloudlet collaboration

图6 任务卸载策略对应的粒子编码

Fig. 6 Particle coding corresponding to task offloading scheme

表1 主要仿真参数

Tab. 1 Main simulation parameters

参数	取值
微云数量 $K$	20
移动设备数量 $N$	50
每个移动设备提交的任务数 $L$	5
任务输入数据大小 $d i, j$	［0.1，1］ MB
任务计算量 $w i, j$	［0.2，0.6］ Gigacycles
移动设备CPU处理能力 $y i l$	［0.2，1］ GHz
微云CPU处理能力 $y u c$	5 GHz
远程云CPU处理能力 $y r$	15 GHz
微云计算容量 $R u$	3 Gigacycles
移动设备与微云之间的数据传输速率 $b i, u l$	［3，5］ MB/s
微云之间的数据传输速率 $b u, v$	［10，15］ MB/s
微云与远程云之间的数据传输速率 $b u c$	［2，3］ MB/s

表1 主要仿真参数

Tab. 1 Main simulation parameters

参数	取值
微云数量 $K$	20
移动设备数量 $N$	50
每个移动设备提交的任务数 $L$	5
任务输入数据大小 $d i, j$	［0.1，1］ MB
任务计算量 $w i, j$	［0.2，0.6］ Gigacycles
移动设备CPU处理能力 $y i l$	［0.2，1］ GHz
微云CPU处理能力 $y u c$	5 GHz
远程云CPU处理能力 $y r$	15 GHz
微云计算容量 $R u$	3 Gigacycles
移动设备与微云之间的数据传输速率 $b i, u l$	［3，5］ MB/s
微云之间的数据传输速率 $b u, v$	［10，15］ MB/s
微云与远程云之间的数据传输速率 $b u c$	［2，3］ MB/s

图7 三种启发式算法的最优解对比

Fig. 7 Comparison of optimal solution of three heuristic algorithms

图8 不同场景下的任务完成总时间对比

Fig. 8 Comparison of total task completion time in different scenarios

参考文献 20

1	崔勇，宋健，缪葱葱，等.移动云计算研究进展与趋势［J］.计算机学报，2017，40（2）：273-295. 10.11897/SP.J.1016.2017.00273
	CUI Y， SONG J， MIAO C C， et al. Mobile cloud computing research progress and trends［J］. Chinese Journal of Computers， 2017， 40（2）： 273-295. 10.11897/SP.J.1016.2017.00273
2	JARARWEH Y， TAWALBEH L， ABABNEH F， et al. Scalable cloudlet-based mobile computing model［J］. Procedia Computer Science， 2014， 34： 434-441. 10.1016/j.procs.2014.07.051
3	BARBAROSSA S， SARDELLITTI S， DI LORENZO P. Joint allocation of computation and communication resources in multiuser mobile cloud computing［C］// Proceedings of the IEEE 14th Workshop on Signal Processing Advances in Wireless Communications. Piscataway： IEEE， 2013： 26-30. 10.1109/spawc.2013.6612005
4	HOU W， NING Z， GUO L. Green survivable collaborative edge computing in smart cities［J］. IEEE Transactions on Industrial Informatics， 2018， 14（4）： 1594-1605. 10.1109/tii.2018.2797922
5	MUÑOZ O， PASCUAL-ISERTE A， VIDAL J. Optimization of radio and computational resources for energy efficiency in latency-constrained application offloading［J］. IEEE Transactions on Vehicular Technology， 2015， 64（10）： 4738-4755. 10.1109/TVT.2014.2372852
6	MAO Y， ZHANG J， SONG S H， et al. Power-delay tradeoff in multi-user mobile-edge computing systems［C］// Proceedings of the 2016 IEEE Global Communications Conference. Piscataway： IEEE， 2016： 1-6. 10.1109/glocom.2016.7842160
7	CHEN M H， LIANG B， DONG M. Multi-user multi-task offloading and resource allocation in mobile cloud systems［J］. IEEE Transactions on Wireless Communications， 2018， 17（10）： 6790-6805. 10.1109/twc.2018.2864559
8	YANG L， CAO J， WANG Z， et al. Network aware multi-user computation partitioning in mobile edge clouds［C］// Proceedings of the 46th International Conference on Parallel Processing. Piscataway： IEEE， 2017： 302-311. 10.1109/icpp.2017.39
9	NING Z， DONG P， KONG X， et al. A cooperative partial computation offloading scheme for mobile edge computing enabled Internet of things［J］. IEEE Internet of Things Journal， 2019， 6（3）： 4804-4814. 10.1109/JIOT.2018.2868616
10	JIA M， CAO J， LIANG W. Optimal cloudlet placement and user to cloudlet allocation in wireless metropolitan area networks［J］. IEEE Transactions on Cloud Computing， 2017， 5（4）： 725-737. 10.1109/tcc.2015.2449834
11	BERALDI R， MTIBAA A， ALNUWEIRI H. Cooperative load balancing scheme for edge computing resources［C］// Proceedings of the 2nd International Conference on Fog and Mobile Edge Computing. Piscataway： IEEE， 2017： 94-100. 10.1109/fmec.2017.7946414
12	JIA M， LIANG W， XU Z， et al. Cloudlet load balancing in wireless metropolitan area networks［C］// Proceedings of the 35th Annual IEEE International Conference on Computer Communications. Piscataway： IEEE， 2016： 1-9. 10.1109/infocom.2016.7524411
13	LIU L， CHAN S， HAN G， et al. Performance modelling of representative load sharing schemes for clustered servers in multiaccess edge computing［J］. IEEE Internet of Things Journal， 2019， 6（3）：4880-4888. 10.1109/jiot.2018.2879513
14	FAN X， HE X， PUTHAL D， et al. CTOM： collaborative task offloading mechanism for mobile cloudlet networks［C］// Proceedings of the 2018 IEEE International Conference on Communications. Piscataway： IEEE， 2018： 1-6. 10.1109/icc.2018.8422114
15	胡旺，李志蜀. 一种更简化而高效的粒子群优化算法［J］. 软件学报， 2007， 18（4）：861-868. 10.1360/jos180861
	HU W， LI Z S. A simpler and more efficient particle swarm optimization algorithm［J］. Journal of Software， 2007， 18（4）： 861-868. 10.1360/jos180861
16	SHI Y， EBERHART R C. Empirical study of particle swarm optimization［C］// Proceedings of the 1999 Congress on Evolutionary Computation. Piscataway： IEEE， 1999： 1945-1950. 10.1109/cec.1999.785511
17	张迅，王平，邢建春，等.基于高斯函数递减惯性权重的粒子群优化算法［J］.计算机应用研究，2012，29（10）：3710-3712，3724. 10.3969/j.issn.1001-3695.2012.10.027
	ZHANG X， WANG P， XING J C， et al. Particle swarm optimization algorithms with decreasing inertia weight based on Gaussian function［J］. Application Research of Computers， 2012， 29（10）： 3710-3712， 3724. 10.3969/j.issn.1001-3695.2012.10.027
18	FAN W， LIU Y， TANG B， et al. Computation offloading based on cooperations of mobile edge computing-enabled base stations［J］. IEEE Access， 2018， 6： 22622-22633. 10.1109/access.2017.2787737
19	TAO X， OTA K， DONG M， et al. Performance guaranteed computation offloading for mobile-edge cloud computing［J］. IEEE Wireless Communications Letters， 2017， 6（6）： 774-777. 10.1109/LWC.2017.2740927
20	KAN T Y， CHIANG Y， WEI H Y. Task offloading and resource allocation in mobile-edge computing system［C］// Proceedings of the 27th Wireless and Optical Communication Conference. Piscataway： IEEE， 2018： 1-4. 10.1109/wocc.2018.8372737

[1]	高培根, 锁斌. 基于加权犹豫模糊集的实验设计与分阶段PSO-Kriging建模[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2144-2150.
[2]	张俊娜, 王欣新, 李天泽, 赵晓焱, 袁培燕. 基于动态服务缓存辅助的任务卸载方法[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1493-1500.
[3]	赵晓焱, 韩威, 张俊娜, 袁培燕. 基于异步深度强化学习的车联网协作卸载策略[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1501-1510.
[4]	刘晓芳, 张军. 概率驱动的动态多目标多智能体协同调度进化优化[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1372-1377.
[5]	杜晓昕, 周薇, 王浩, 郝田茹, 王振飞, 金梅, 张剑飞. 智能算法的亚群优化策略综述[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 819-830.
[6]	王震, 张珊珊, 邬斌扬, 苏万华. 基于自适应粒子群优化算法的串联复合涡轮储能优化策略[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 611-618.
[7]	高智慧, 韩萌, 刘淑娟, 李昂, 穆栋梁. 基于智能优化算法的高效用项集挖掘方法综述[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1676-1686.
[8]	梁军, 洪泽泓, 余松森. 基于改进粒子群优化算法和遗传变异的图像分割模型[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1743-1749.
[9]	李校林, 江雨桑. 无人机辅助移动边缘计算中的任务卸载算法[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1893-1899.
[10]	于振华, 刘争气, 刘颖, 郭城. 基于自适应混合粒子群优化的软件缺陷预测特征选择方法[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1206-1213.
[11]	马学森, 许雪梅, 蒋功辉, 乔焰, 周天保. 混合自适应粒子群工作流调度优化算法[J]. 《计算机应用》唯一官方网站, 2023, 43(2): 474-483.
[12]	王龙宝, 栾茵琪, 徐亮, 曾昕, 张帅, 徐淑芳. 基于动态簇粒子群优化的无人机集群路径规划方法[J]. 《计算机应用》唯一官方网站, 2023, 43(12): 3816-3823.
[13]	柳春锋, 李峥, 王居凤. 分布式工厂中微型制造单元多目标优化[J]. 《计算机应用》唯一官方网站, 2023, 43(12): 3824-3832.
[14]	王界钦, 林士飏, 彭世明, 贾硕, 杨苗会. 协同移动边缘计算分层资源配置机制[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2501-2510.
[15]	盖荣丽, 高守传, 李明霞. 粒子群优化算法求解最优控制点的非均匀有理B样条曲线拟合[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2177-2183.

基于多微云协作的计算任务卸载

Computing task offloading based on multi-cloudlet collaboration

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 20

相关文章 15

编辑推荐

Metrics