CN104683442A - 一种在无线云计算下的移动设备能量优化分配方法 - Google Patents

Abstract

本发明公开了一种无线云计算下的移动设备能量优化分配方法，该方法针对移动设备本地执行的问题，引入了算法复杂度的概念，由此改进了本地执行的能量消耗模型，得出了不同应用算法复杂度下本地执行的最优能量；该方法针对移动设备云端执行方案，采用多状态的马尔可夫链信道模型，改进无线云端执行的能量消耗算法，得出了由当前信道状态确定的无线发送数据分配策略和云端执行消耗的最优总能量的解析表达式。通过比较以上两种执行方式的能量值，通过执行策略选择能耗低的执行方式实现移动应用，达到降低移动设备能耗的目的。

Description

一种在无线云计算下的移动设备能量优化分配方法

技术领域

本发明涉及一种在无线云计算下的移动设备能量优化分配方法，属于无线云计算技术领域。

背景技术

新兴的云计算技术正在蓬勃发展，它给计算领域带来了一个全新时代：云计算服务提供者向被服务的终端提供了庞大的数据存储容量和强大的计算资源。同时，随着移动通信技术的迅猛发展，智能移动设备已经是日常生活、工作中必备的工具，随之与日俱增的各式各样、功能齐全的应用程序也可以被用户轻松下载。通过无线云计算技术，移动设备将要处理的数据通过无线网络上传到云中心，在云中心处理完这些数据后再通过无线网络将结果回传给移动设备，这不仅降低了对移动设备计算性能的要求，也降低了对移动设备存储容量的需求。

但是，近年来，电池技术的发展脚步却相当缓慢。电池的存储能量每年只以5％的速度增加。相对于爆炸式的移动应用的增长，受限的电池容量目前已经成为智能移动设备性能的最大的短板。因此，如何在无线云环境下降低移动设备的能耗问题逐渐成为了研究的热点。

Kumer等人(KUMAR K and LU Y H.Cloud computing for mobileusers:can offloading computation save energy？IEEE Computer,vol.43,no.4,pp.51–56,2010.)提出了一种能耗模型来分析了将应用程序数据上传到云端执行的传输带宽条件，它主要考虑了移动端的能量消耗和上传时所产生的通信能量损耗。Miettinen等人(MIETTINEN A P and NURMINEN J K.Energy efficiency of mobileclients in cloud computing.USENIX Conference on Hot Topicsin Cloud Computing,Boston,2013.)认为，工作量、数据通信模式以及所用的通信技术是主要影响移动应用在CE模式下能量损耗的因素。事实上，能量的优化需要从两个方面入手，其一，在ME(mobileexecution)模式下，为了延长移动设备的点电池寿命，芯片通常采用动态技术进行节电，即根据所运行的应用程序对计算能力的不同需求，动态调节芯片的运行参数，如频率、电压；其二，在CE模式下移动设备上传要处理的数据时，所消耗的能量与传输速率、信道状态有关。传输速率越高消耗功率越大，但传输时间短，总耗费能量不一定随之增大，传输速率越低所需功率越少，但是传输时间较长，总能量不一定随之减小。这是一个需要均衡(trade)的问题，需要在每个时隙找到使总能量最小的传输速率，同时，传输速率是跟信道状态有关的，最优的数据传输调度方式一定是在信道条件较好(或者信道状态较差)时，增加发送数据量(或者减少发送数据量)。

Zhang等人(ZHANG W W,WEN Y G,GUAN K.Energy-Optimal MobileCloud Computing under Stochastic Wireless Channel.WirelessCommunications,IEEE Transaction,vol.12,no.9,pp.4569-4581,2013.)针对上述问题，有效改善了本地执行和云端执行的能耗模型，考虑了可变的本地计算模式和随机信道模型，但是一方面Zhang在ME模式下没有考虑应用程序之间的差异性，没有区分出不同应用在移动设备端执行时能耗水平的不同；另一方面，Zhang只简单地把信道增益量化成了两个状态，“好”(Good)和“坏”(Bad)，这种量化方式尽管有助于简化模型，但对信道增益带来了较大的量化误差，我们将证明在信道增益处于中间值偏下时，如果量化为“坏”，将带来较大的能量浪费。而本发明能够很好地解决上面的问题。

发明内容

本发明目的在于提供了一种无线云计算下的移动设备能量优化分配方法，该方法由移动设备端根据移动应用产生的参数，分别采用应用本地执行消耗能量模型和云端执行消耗能量模型，通过优化算法分别得出两个模型的最优值，通过两个值选择执相应的执行策略，提出了有效的移动设备能量优化分配方法。

本发明解决其技术问题所采用的技术方案是：一种云计算下的移动设备能量优化分配方法，该方法由移动应用产生的应用数据、时延要求和应用算法复杂度，建立两种执行方式的能量模型，由这两个模型分别采用动态电压调节优化算法和动态规划优化算法计算出相应的最优化能量，以及如何选择执行策略。

方法流程：

步骤1：对应用执行所涉及的参数统一定义；

本参数涉及应用本次执行所需处理数据的比特数，应用的时延要求和应用的算法复杂度；

步骤2：计算该应用本地执行所消耗的平均最优能量；

(1)选择对本地执行能量消耗有影响的参数，参数是：所需处理的数据大小，应用时延要求和应用的算法复杂度；

(2)根据CMOS工艺下能量与CPU频率之前的关系以及应用负载量与CPU周期数的统计关系，建立跟(1)中参数相关的本地执行的能量优化模型；

(3)通过动态电压调节算法计算出本地执行的平均最优能量

${\mathrm{\ϵ}}_m^{*}=\frac{M}{T^2}*{\left[g\left(L\right)\right]}^3$

步骤3：建立该应用通过无线云计算执行所消耗能量的模型；

(1)选择对云端执行能量消耗有影响的参数，参数是：所需处理的数据大小，应用的时延要求；

(2)对于信道模型，采用多状态的马科夫链模型，对信道进行预测，信道增益量化为K个状态；

(3)根据信道状态采用合适的自适应编码方式，建立时延要求范围内采用一定调制和编码方式下发送应用数据所消耗的能量模型；

步骤4：定义云端执行下能量动态规划算法中的值函数；

为了在要求时延内得到发送所有数据的最优无线传输能量，本发明给出了模型动态规划算法中的值函数，依据当前时隙内信道增益g(t)的好与坏，讨论未来时隙的能耗值函数。当前信道增益为g_k时，得出的值函数为关于当前时刻剩余数据量与本时隙要发送数据量的凸优化函数。

步骤5：计算云端执行数据发送策略与最优能量；

(1)通过对值函数的凸优化，得出各个时隙下数据无线传输策略：g(t)＝g_k时

$S_t^{*}=\left\{\begin{array}{c}\frac{L_t}{[1+{(g_k*{\mathrm{\ξ}}_{t:k})}^{-1/(n-1)}},t\≥2\\ L_1,t=1\end{array}\right.$

值函数归纳类推，得到的最优能量为：

${\mathrm{\ϵ}}_c^{*}=\mathrm{\λ}*T^n\underset{k=1}{\overset{K}{\mathrm{\Σ}}}P\left(k\right)*{\left[\frac{1}{[{\left(g_k\right)}^{1/(n-1)}+{\left({\mathrm{\ξ}}_{T:k}\right)}^{-1/(n-1)}]}\right]}^{n-1}$

步骤6：应用执行策略；

通过比较两种执行方式消耗的平均最优能量来选择应用执行的策略，如果云端执行平均消耗的能量值小，那么选择云端执行方式执行应用，数据传输的策略在步骤5中；否则，应用本地执行，采用动态电压调节法运行。

本发明应用于无线云计算中基于移动应用采用不同执行方式来降低能量消耗。

有益效果：

1、本发明能有效缓解越来越多的复杂应用对移动设备的能量消耗严重的问题。

2、本发明得出的信道状态多级量化下的无线传输的数据分配策略和最终的能量消耗的解析式。

3、本发明得出的无线传输的新的数据分配策略能够有效降低发送数据到云端所消耗的能量。

附图说明

图1为本发明的方法流程图。

图2为不同信道状态下的无线发送数据分配情况。

图3为相同时延要求下不同分配策略消耗能量的比较。

图4为相同发送数据量下不同分配策略消耗能量的比较。

图5为不同算法复杂度下本地执行与不同编码调制方式下云端执行的消耗能量比较。

具体实施方式

以下结合说明书附图对本发明创造作进一步的详细说明。

如图1、图2、图3、图4和图5所示，本发明提供了一种无线云计算下的移动设备能量优化分配方法，该方法包括如下步骤：

步骤1、应用程序参数的定义；

为了对应用的属性参数统一定义，体现应用执行消耗能量能力的区别，将涉及的参数定义如下：

A(L,T,O(g(m)))       式(1)

其中，L为应用需要处理的数据大小(bits)；T为应用程序完成的截止时间；O(g(m))为应用的算法复杂度，m为假设其问题实例的规模，例如：算法中迭代、循环的次数，渐进时间复杂度就是当m趋于无穷大时，得到的时间频度g(m)的极限值，大写O表示量级(Order)。常见的渐进时间复杂度有，常数时间，对数时间，线性时间，线性对数时间，幂时间，指数时间等，相应地，O(g(m))∈{1,log(m),m,mlog(m),m^a,a^m…}(a为大于0的常数)。

步骤2、计算该应用本地执行所消耗的平均最优能量；

对于应用的本地执行，对其消耗能量有影响的参数：所需处理的数据大小L，应用时延要求T和应用的算法复杂度O(g(m))。在此基础上建立的本地执行能量模型为：

$k*{\mathrm{\Σ}}_{\mathrm{\ω}=1}^{W_{\mathrm{\ρ}}}{F}_W^c\left(\mathrm{\ω}\right)*{f_{\mathrm{\ω}}}^2$     式(2)

其中，k是与芯片架构有关的有效切换电容；ω是CPU的时钟周期；f_ω是芯片第ω周期的时钟频率，在低电压下，它与供电电压V的关系几乎是线性的，即f_ω ²正比于V²，正比于功率；W_ρ为软实时要求下以应用完成概率ρ分得的CPU周期数。该模型满足的时延要求为：

${\mathrm{\Σ}}_{\mathrm{\ω}=1}^{W_{\mathrm{\ρ}}}\frac{1}{f_{\mathrm{\ω}}}\≤T$      式(3)

求解该模型得到的最优本地能耗为：

${\mathrm{\ϵ}}_m^{*}=\frac{M}{T^2}*{\left[g\left(L\right)\right]}^3$      式(4)

步骤3、建立该应用通过无线云计算执行所消耗能量的模型；

对于应用云端执行，对移动设备能量消耗有影响的参数是：所需处理的数据大小L，应用的时延要求T。

对于信道模型，采用K个状态马科夫链特链模型，该模型下信道增益被量化为K个状态分别是：g₁,g₂,...,g_K，它们之间的转移概率矩阵为：

    式(5)

在0<P_ij<1的条件下，该模型是一个有限状态的不可约非周期马氏链，由马氏链的性质可以得出，该模型是平稳的。所以，可以得出它的平稳概率为：P(1),P(2),…,P(K)。

对于无线发送过程，将发送时延划分的T个时隙并按降序排列，即时隙顺序为从T到1。假设每个时隙内信道的状态是不变的，这跟马尔可夫信道的特性是一致的。时隙t内发送数据所消耗的能量为：

${\mathrm{\&epsiv;}}_c(S_t,g\left(t\right))=\mathrm{\&lambda;}\frac{s_t^n}{g\left(t\right)}$     式(6)

其中，λ为能量系数；S_t为第t时隙发送的数据量；g(t)为该时隙内信道的状态；n为该单项式的序数，与调制方式与编码方式有关，只要根据信道状态采用合适的自适应编码方式,该式就可以表示一定调制和编码方式下发射能量与发送速率之间的关系。

根据信道状态采用合适的自适应编码方式，建立时延要求范围内采用一定调制和编码方式下发送应用数据所消耗的能量模型为：

    式(7)

步骤4、定义云端执行下能量动态规划算法中的值函数；

为了在要求时延内得到发送所有数据的最优无线传输能量，本发明定义了模型动态规划算法中的值函数，依据当前时隙内信道状态g(t)的好与坏，讨论未来时隙的能耗值函数。当前信道状态为好时，得出的值函数为关于当前时刻剩余数据量与本时隙要发送数据量的凸优化函数；当前信道状态为坏时，同样得到与当前时刻剩余数据量与本时隙要发送数据量的凸优化有关的值函数。

    式(8)

步骤5、计算云端执行数据发送策略与最优能量；

对值函数的凸优化，得出各个时隙下数据无线传输策略为：

$S_t^{*}=\left\{\begin{array}{c}\frac{L_t}{[1+{(g_k*{\mathrm{\&xi;}}_{t:k})}^{-1/(n-1)}},t\&GreaterEqual;2\\ L_1,t=1\end{array}\right.$      式(9)

对值函数归纳类推，得到的最优能量为：

${\mathrm{\&epsiv;}}_c^{*}=\mathrm{\&lambda;}*T^n{\mathrm{\&Sigma;}}_{k=1}^{K}P\left(k\right)*{\left[\frac{1}{[{\left(g_k\right)}^{1/(n-1)}+{\left({\mathrm{\&xi;}}_{T:k}\right)}^{-1/(n-1)}]}\right]}^{n-1}$ 式(10)

其中，上述式子中的参数ξ_t:为：

${\mathrm{\&xi;}}_{t:k}=\left\{\begin{array}{c}{\mathrm{\&Sigma;}}_{i=1}^K{P}_{\mathrm{ki}}*{\left[\frac{1}{[{\left(g_i\right)}^{1/(n-1)}+{\left({\mathrm{\&xi;}}_{t:i}\right)}^{-1/(n-1)}]}\right]}^{n-1},t\&GreaterEqual;3\\ {\mathrm{\&Sigma;}}_{i=1}^K{P}_{\mathrm{ki}}/g_i,t=2\end{array}\right.$     式(11)

图2为本算法根据信道状态的数据分配策略。图3和图4为本算法与Zhang等人(ZHANG W W,WEN Y G,GUAN K.Energy-Optimal MobileCloud Computing under Stochastic Wireless Channel.WirelessCommunications,IEEE Transaction,vol.12,no.9,pp.4569-4581,2013.)算法的对比，可以发现本算法的性能的优异性。

步骤6、应用执行策略；

图1为本发明的应用执行策略的流程图，如果云端执行平均消耗的能量值小，那么选择云端执行方式执行应用，数据传输的策略在步骤5中；否则，应用本地执行，采用动态电压调节法运行。图5为两种执行方式能量消耗值的比较。通过这种能耗大应用上传到云端执行的方式，实现移动设备在无线云计算下能量的优化分配。

Claims (10)

1.一种无线云计算下的移动设备能量优化分配方法，其特征在于，所述方法包括如下步骤：

步骤1：对应用执行所涉及的参数统一定义；

所述参数涉及应用本次执行所需处理数据的比特数，应用的时延要求和应用的算法复杂度；

步骤2：计算该应用本地执行所消耗的平均最优能量；

(1)选择对本地执行能量消耗有影响的参数，参数是：所需处理的数据大小，应用时延要求和应用的算法复杂度；

(2)根据CMOS工艺下能量与CPU频率之前的关系以及应用负载量与CPU周期数的统计关系，建立跟(1)中参数相关的本地执行的能量优化模型；

(3)通过动态电压调节算法计算出本地执行的平均最优能量

${\mathrm{\&epsiv;}}_m^{*}=\frac{M}{T^2}*[{g\left(L\right)]}^3$

步骤3：建立该应用通过无线云计算执行所消耗能量的模型；

(1)选择对云端执行能量消耗有影响的参数，参数是：所需处理的数据大小，应用的时延要求；

(2)对于信道模型，采用具有多状态的马科夫链模型，对信道进行预测，信道量化级为K；

(3)根据信道状态采用合适的自适应编码方式，建立时延要求范围内采用一定调制和编码方式下发送应用数据所消耗的能量模型；

步骤4：定义云端执行下能量动态规划算法中的值函数；

定义模型动态规划算法中的值函数，依据当前时隙内信道增益g(t)的好与坏，讨论未来时隙的能耗值函数；当前信道增益为g_k时，得出的值函数为关于当前时刻剩余数据量与本时隙要发送数据量的凸优化函数；

步骤5：计算云端执行数据发送策略与最优能量；

(1)通过对值函数进行凸优化，得出各个时隙下数据无线传输策略：

g(t)＝g_k时

$S_t^{*}=\left\{\begin{array}{c}\frac{L_t}{[1+{(g_k*{\mathrm{\&xi;}}_{t:k})}^{-1/(n-1)}]},t\&GreaterEqual;2\\ L_1,t=1\end{array}\right.$

(2)值函数归纳类推，得到的最优能量为：

${\mathrm{\&epsiv;}}_c^{*}=\mathrm{\&lambda;}*T^n\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}P\left(k\right)*[{\frac{1}{[{\left(g_k\right)}^{1/(n-1)}+{\left({\mathrm{\&xi;}}_{T:k}\right)}^{-1/(n-1)}]}]}^{n-1}$

步骤6：应用执行策略；

通过比较两种执行方式消耗的平均最优能量来选择应用执行的策略，如果云端执行平均消耗的能量值小，那么选择云端执行方式执行应用，数据传输的策略在步骤5中；否则，应用本地执行，采用动态电压调节法运行。

2.根据权利要求1所述的一种无线云计算下的移动设备能量优化分配方法，其特征在于：所述方法的步骤1中，对应用的属性参数统一定义，体现应用执行消耗能量能力的区别，将涉及的参数定义如下：

A(L,T,O(g(m)))

其中，L为应用需要处理的数据大小(bits)；T为应用程序完成的截止时间；O(g(m))为应用的算法复杂度，m为假设其问题实例的规模，例如算法中迭代、循环的次数，渐进时间复杂度就是当m趋于无穷大时，得到的时间频度g(m)的极限值，大写O表示量级(Order)；常见的渐进时间复杂度有，常数时间，对数时间，线性时间，线性对数时间，幂时间，指数时间等，相应地，O(g(m))∈{1,log(m),m,mlog(m),m^a,a^m…}(a为大于0的常数)。

3.根据权利要求1所述的一种无线云计算下的移动设备能量优化分配方法，其特征在于：所述方法的步骤2中，对于应用的本地执行，对其消耗能量有影响的参数：所需处理的数据大小L，应用时延要求T和应用的算法复杂度O(g(m))，在此基础上建立的本地执行能量模型为：

$k*{\mathrm{\&Sigma;}}_{\mathrm{\&omega;}=1}^{W_{\mathrm{\&rho;}}}{F}_W^c\left(\mathrm{\&omega;}\right)*{f_{\mathrm{\&omega;}}}^2$

其中，k是与芯片架构有关的有效切换电容；ω是CPU的时钟周期；f_ω是芯片第ω周期的时钟频率，在低电压下，它与供电电压V的关系几乎是线性的，即f_ω ²正比于V²，正比于功率；W_ρ为软实时要求下以应用完成概率ρ分得的CPU周期数。

4.根据权利要求1所述的一种无线云计算下的移动设备能量优化分配方法，其特征在于：所述方法的步骤3中，对于应用云端执行，对移动设备能量消耗有影响的参数是：所需处理的数据大小L，应用的时延要求T，对于信道模型，采用具有多个状态的马科夫链模型，该模型下信道增益被分为K个状态分别是：g₁,g₃,...,g_K，它们之间的转移概率矩阵为：

$P=\left[\begin{array}{cccc}{P}_{11}& P_{12}& \&CenterDot;\&CenterDot;\&CenterDot;& P_{1K}\\ P_{21}& P_{22}& \&CenterDot;\&CenterDot;\&CenterDot;& P_{2K}\\ \&CenterDot;& \&CenterDot;& & \&CenterDot;\\ \&CenterDot;& \&CenterDot;& P_{\mathrm{ij}}& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& & \&CenterDot;\\ P_{K1}& P_{K2}& \&CenterDot;\&CenterDot;\&CenterDot;& P_{\mathrm{KK}}\end{array}\right]$

对于无线发送过程，将发送时延划分的T个时隙并按降序排列，即时隙顺序为从T到1，时隙t内发送数据所消耗的能量为：

${\mathrm{\&epsiv;}}_c(S_t,g\left(t\right))=\mathrm{\&lambda;}\frac{S_t^n}{g\left(t\right)}$

其中，λ为能量系数；S_t为第t时隙发送的数据量；g(t)为该时隙内信道的状态；n为该单项式的序数，与调制方式与编码方式有关，只要根据信道状态采用合适的自适应编码方式,该式就可以表示一定调制和编码方式下发射能量与发送速率之间的关系。

5.根据权利要求1所述的一种无线云计算下的移动设备能量优化分配方法，其特征在于：所述方法的步骤4中，定义了模型动态规划算法中的值函数，依据当前时隙内信道状态g_t的好与坏，讨论未来时隙的能耗值函数：

6.根据权利要求1所述的一种无线云计算下的移动设备能量优化分配方法，其特征在于：所述方法的步骤5中，所涉及的分配及能量系数ξ_t:为：

${\mathrm{\&xi;}}_{t:k}=\left\{\begin{array}{c}{\mathrm{\&Sigma;}}_{i=1}^K{P}_{\mathrm{ki}}*{\left[\frac{1}{[{\left(g_i\right)}^{1/(n-1)}+{\left({\mathrm{\&xi;}}_{t:i}\right)}^{-1/(n-1)}]}\right]}^{n-1},t\&GreaterEqual;3\\ {\mathrm{\&Sigma;}}_{i=1}^K{P}_{\mathrm{ki}}/g_i,t=2\end{array}\right..$

7.根据权利要求1所述的一种无线云计算下的移动设备能量优化分配方法，其特征在于：所述方法的步骤6中，移动设备根据信道统计状态确定信道的转移概率，通过测量获取信道的增益情况，在根据应用的相关参数A(L,T,O(g(m)))，分别计算本地和云端执行的能量值，据此选择应用执行策略。

8.根据权利要求1所述的一种无线云计算下的移动设备能量优化分配方法，其特征在于：所述方法应用于移动云计算环境。

9.根据权利要求1所述的一种无线云计算下的移动设备能量优化分配方法，其特征在于：所述方法由移动设备端根据移动应用产生的参数，分别采用应用本地执行消耗能量模型和云端执行消耗能量模型，通过优化算法分别得出两个模型的最优值，通过两个值选择相应的执行策略。

10.根据权利要求1所述的一种无线云计算下的移动设备能量优化分配方法，其特征在于：所述方法应用于无线云计算中基于移动应用不同执行方式下的能量消耗。