边缘计算环境下的能效优化计算卸载方法研究文献综述

 2022-11-27 15:59:48

预计到2021年，全球移动数据流量将达到49EB，比2016年增长7倍，其中视频流量占78％[1]。同时，诸如面部/指纹/虹膜识别，增强/虚拟现实，自然语言处理，交互式游戏，物联网（IoT）和车辆互联网等低延迟服务的出现，给现有的移动通信网络带来了巨大挑战[2]。在现有的网络体系结构中，业务流量需要流经整个接入网络和核心网络，并流经多个基站以及其他关键设备、传输设备等。即使在无线网络的传输带宽方面有所改进，仍然存在不可预测的端到端的延迟[3]。为了有效地满足移动互联网和物联网快速发展所需要的高带宽和低延迟，欧洲电信标准化协会（ETSI）在2014年提出了移动边缘计算（MEC）的概念[4]。与使用远程公有云的传统云计算系统相比，MEC技术充分利用了无线接入网络的计算能力[4]-[5]。通过将计算密集型任务从移动设备卸载到MEC服务器，移动边缘技术已经成为一种可以向移动服务提供高计算能力的杰出技术，它能够减少能耗和延迟。除了MEC系统外，能效和延迟通常也是无线网络中非常重要的优化目标[6]-[10]。

在MEC卸载技术中，最小化系统延迟和能耗要求在移动设备和MEC服务器之间联合分配通信和计算资源。MEC系统的效率在很大程度上取决于所采用的计算卸载策略。目前，对于单用户MEC系统、多用户MEC系统以及具有异构服务器的MEC系统[11]，[12]上有很多关于此类问题的研究工作。

对于单用户MEC系统，在参考文献[13]中以最小化延迟和设备能耗的加权值为目标，研究了卸载调度和发射功率分配的联合问题；其通过流水车间调度理论获得最优任务卸载调度顺序，此外，在该文献中使用了凸优化技术来解决给定任务分流调度决策的最佳发射功率分配问题。在[14]中，研究了超低功耗雾计算环境下基于无线信息和功率同步传输（SWIPT）的单用户MEC系统中的资源分配问题。在[15]中，考虑到功率受限和不可预测的任务，研究了以单用户MEC系统的处理能力最大化为目标的功率分配问题，提出了一种二元搜索注水算法。在[16]中，研究了传统云计算和MEC技术在物联网中的协作，并通过分支定界算法解决了单用户计算任务卸载问题。文献[13]研究了任务卸载调度和功率分配问题，但是其仅考虑了全部卸载的情况。任务的部分卸载决策和卸载调度相互耦合。在[14]-[16]中，没有考虑任务卸载调度。文献[17]在满足任务传输功率的约束的前提下的，研究了计算任务部分卸载调度和资源分配的联合问题，以最小化能量损耗和计算延迟的加权值为目标。该文献中提出了一种基于拉格朗日对偶分解的两级交替方法框架来解决所研究的问题：在满足给定分配功率的前提下，在上层使用了流水车间调度理论或贪心策略解决任务卸载决策和卸载调度问题，并在下层通过凸优化技术实现了部分卸载决策的次优功率分配。对于单用户MEC系统中计算任务的部分卸载决策、卸载调度和资源分配的联合问题，目前尚未得到充分、有效地研究。

对于多用户MEC系统，最近有一些研究。在文献[18]中，考虑了应用程序划分和协作计算的联合问题，使得移动设备在执行任务时能够相互帮助，以便在满足应用程序的完工期限的同时能够最小化总体能耗。在[19]中，研究了多用户多MEC中协作卸载问题，并提出了一种博弈论算法来解决计算任务卸载问题。在[20]中，对一种特别的网络进行了建模，在该网络中，用户可以通过共享通信信道来卸载自己的计算任务。其获得了在满足应用程序的严格的完工期限的同时，能够最大限度地减少用户的能耗的最佳卸载决策。在[21]中，研究了以最小化延时为目标的多用户时分多址MEC系统中的通信和计算资源分配问题。在[22]中，研究了cloud-MEC协作的计算卸载问题，并提出了一种博弈论的卸载方案。在[23]中，研究了超密集网络中的卸载问题，其目标是在最大程度地减少延迟的同时，节省用户设备的电池寿命。在[24]中，对于同质雾网络，研究了协作任务卸载的增益与能源成本之间的折衷问题。

在异构MEC中，除了同质MEC中的任务卸载问题，还考虑了宏基站（MBSs）和小型手机基站。能量收集能力也需要被考虑在内。考虑到能量收集和无人机速度的双重约束，文献[25]以最大化计算速率为目标，研究了启用无人机的MEC无线供电系统中部分卸载问题。在[26]中，考虑到超密集物联网中包含MBS和小型手机基站的情况，提出了一种博弈论的贪心卸载方案来处理计算卸载问题。在[27]中，考虑了智能设备电池的剩余能量作为能量消耗的加权因子，以及在单个和多个MEC网络场景中的延迟，研究了能量和延迟权衡能量感知方案。在[28]中，研究了单个网络中的计算卸载问题，其中移动用户和基于车辆的cloudlet服务器都是可以高度移动的。在[29]中，研究了一个联合无线电和计算资源分配的问题来优化系统性能、提高用户满意度，并提出了一种匹配博弈框架。

然而，上述在多用户或异构MEC中的研究中假设MEC服务器可以同时执行多个任务。尽管这种假设是可处理的，但它可能不适用于计算资源有限的MEC服务器，例如，对于具有单核CPU和单个传输信道的MEC服务器[13]。单用户MEC中部分卸载调度和资源分配的联合问题尚未得到有效地研究。

因此，本课题针对具有单用户的边缘计算环境下的计算卸载问题，拟构建以最小化移动设备和边缘服务器整体能耗为目标的数学优化模型，并基于鲸鱼优化算法（WOA）设计并实现一种边缘计算环境下的计算卸载方法，在任务有限完工时间的约束下求解最优任务卸载方案，确定移动设备和边缘服务器之间的分配关系以及任务的提交顺序等，提高移动设备的资源利用率并增强边缘计算的整体能效。并通过仿真实验模拟边缘计算环境下的计算卸载过程来验证卸载算法的有效性。

参考文献

  1. P. Mach and Z. Becvar, “Mobile edge computing: A survey on architecture and computation offloading,” IEEE Commun. Surveys Tuts., vol. 19, no. 3, pp. 1628–1656, 3rd Quart., 2017.
  2. N. Abbas, Y. Zhang, A. Taherkordi, and T. Skeie, “Mobile edge computing: A survey,” IEEE Internet Things J., vol. 5, no. 1, pp. 450–465, Feb. 2018.
  3. Y. Bi et al., “Mobility support for fog computing: An SDN approach,” IEEE Commun. Mag., vol. 56, no. 5, pp. 53–59, May 2018.
  4. European Telecommunications Standards Institute (ETSI), “Mobile-edge computing-Introductory technical white paper,” Sep. 2014.
  5. Y. Mao, C. You, J. Zhang, K. Huang, and K. B. Letaief, “Mobile edge computing: Survey and research outlook,” [Online.] Available: https://arxiv.org/pdf/1701.01090v1.pdf
  6. Z. Kuang, G. Liu, G. Li, and X. Deng, “Energy efficient resource allocation algorithm in energy harvesting-based D2D heterogeneous networks,” IEEE Internet Things J., vol. 6, no. 1, pp. 557–567, Feb. 2019.
  7. X. Cao, L. Liu, Y. Cheng, and X. Shen, “Towards energy-efficient wireless networking in the big data era: A survey,” IEEE Commun. Surveys Tuts., vol. 20, no. 1, pp. 303–332, 1st Quart., 2018.
  8. P. He, S. Zhang, L. Zhao, and X. S. Shen, “Energy-efficient power allocation with individual and sum power constraints,” IEEE Trans. Wireless Commun., vol. 17, no. 8, pp. 5353–5366, Aug. 2018.
  9. P. He, S. Zhang, L. Zhao, and X. Shen, “Multichannel power allocation for maximizing energy efficiency in wireless networks,” IEEE Trans. Veh. Technol., vol. 67, no. 7, pp. 5895–5908, Jul. 2018.
  10. Z. Kuang, Z. Chen, J. Pan, and D. Sajjadi, “Joint optimization of spectrum access and power allocation in uplink OFDMA CR-VANETs,” Wireless Netw., vol. 25, no. 1, pp. 1–11, 2019.
  11. Y. Mao, C. You, J. Zhang, K. Huang, and K. B. Letaief, “A survey on mobile edge computing: The communication perspective,” IEEE Commun. Surveys Tuts., vol. 19, no. 4, pp. 2322–2358, 1st Quart., 2017.
  12. T. Ling and S. He, “Multi-user computation offloading in mobile edge computing: A behavioral perspective,” IEEE Netw., vol. 32, no. 1, pp. 48–53, Jan./Feb. 2018.
  13. Y. Mao, J. Zhang, and K. B. Letaief, “Joint task offloading scheduling and transmit power allocation for mobile-edge computing systems,” in Proc. IEEE Wireless Commun. Netw. Conf. (WCNC), 2017, pp. 1–6.
  14. N. Janatian, I. Stupia, and L. Vandendorpe, “Optimal resource allocation in ultra-low power fog-computing SWIPT-based networks,” in Proc. IEEE Wireless Commun. Netw. Conf. (WCNC), 2018, pp. 1–6.
  15. M. Qin et al., “Power-constrained edge computing with maximum processing capacity for IoT networks,” IEEE Internet Things J., to be published.
  16. Z. Ning, P. Dong, X. Kong, and F. Xia, “A cooperative partial computation offloading scheme for mobile edge computing enabled Internet of Things,” IEEE Internet Things J., to be published.
  17. Kuang Z, Li L, Gao J, et al. Partial Offloading Scheduling and Power Allocation for Mobile Edge Computing Systems[J]. IEEE Internet of Things Journal, 2019, 6(4):6774-6785.
  18. S. Mu, Z. Zhong, D. Zhao, and M. Ni, “Joint job partitioning and collaborative computation offloading for Internet of Things,” IEEE Internet Things J., vol. 6, no. 1, pp. 1046–1059, Feb. 2019.
  19. H. Guo, J. Liu, and J. Zhang, “Efficient computation offloading for multi-access edge computing in 5G HetNets,” in Proc. IEEE Int. Conf. Commun. (ICC), 2018, pp. 1–6.
  20. E. Meskar, T. D. Todd, D. Zhao, and G. Karakostas, “Energy aware offloading for competing users on a shared communication channel,” IEEE Trans. Mobile Comput., vol. 16, no. 1, pp. 87–96, Jan. 2017.
  21. J. Ren, G. Yu, Y. Cai, and Y. He, “Latency optimization for resource allocation in mobile-edge computation offloading,” IEEE Trans. Wireless Commun., vol. 17, no. 8, pp. 5506–5519, Aug. 2018.
  22. H. Guo and J. Liu, “Collaborative computation offloading for multiaccess edge computing over fiber-wireless networks,” IEEE Trans. Veh. Technol., vol. 67, no. 5, pp. 4514–4526, May 2018.
  23. M. Chen and Y. Hao, “Task offloading for mobile edge computing in software defined ultra-dense network,” IEEE J. Sel. Areas Commun., vol. 36, no. 3, pp. 587–597, Mar. 2018.
  24. Y. Yang et al., “MEETS: Maximal energy efficient task scheduling in homogeneous fog networks,” IEEE Internet Things J., vol. 5, no. 5, pp. 4076–4087, Oct. 2018.
  25. F. Zhou, Y. Wu, R. Q. Hu, and Y. Qian, “Computation rate maximization in UAV-enabled wireless powered mobile-edge computing systems,” IEEE J. Sel. Areas Commun., vol. 36, no. 9, pp. 1927–1941, Sep. 2018.
  26. H. Guo, J. Liu, J. Zhang, W. Sun, and N. Kato, “Mobile-edge computation offloading for ultradense IoT networks,” IEEE Internet Things J., vol. 5, no. 6, pp. 4977–4988, Dec. 2018.
  27. J. Zhang et al., “Energy-latency tradeoff for energy-aware offloading in mobile edge computing networks,” IEEE Internet Things J., vol. 5, no. 4, pp. 2633–2645, Aug. 2018.
  28. Z. Wang, Z. Zhong, D. Zhao, and M. Ni, “Vehicle-based cloudlet relaying for mobile computation offloading,” IEEE Trans. Veh. Technol., vol. 67, no. 11, pp. 11181–11191, Nov. 2018.
  29. Y. Gu, Z. Chang, M. Pan, L. Song, and Z. Han, “Joint radio and computational resource allocation in IoT fog computing,” IEEE Trans. Veh. Technol., vol. 67, no. 8, pp. 7475–7484, Aug. 2018.

剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付

发小红书推广免费获取该资料资格。点击链接进入获取推广文案即可： Ai一键组稿 | 降AI率 | 降重复率 | 论文一键排版

您可能感兴趣的文章