CN104899103A - 一种移动云计算终端节能调度方法和装置 - Google Patents

Abstract

本发明公开了一种移动云计算终端节能调度方法和装置，所述方法包括：基于Agent技术、以一预设的格式，获取移动应用任务参数和移动设备状态参数；根据移动应用任务参数，计算生成移动设备本地执行能耗；根据移动应用任务参数和移动设备的状态参数，计算生成云端执行能耗；比较云端执行能耗是否大于移动设备本地执行能耗，若是，则使移动应用任务在移动设备上执行；若否，则将移动应用任务卸载到云端执行；本发明将Agent的技术整合到移动云计算，克服移动设备间物理差异，通过特定的信息格式在设备和云服务器之间进行的沟通和协调，并通计算移动设备本地执行能耗和云端执行能耗，比较云端执行和移动设备本地执行能耗，最后做出节能调度方案，有效地节省了移动云计算终端的能耗。

Description

一种移动云计算终端节能调度方法和装置

技术领域

本发明涉及移动云计算领域，特别是指一种移动云计算终端节能调度方法和装置。

背景技术

如今，移动设备在我们的日常生活中越来越普遍，并为我们提供了许多便利，比如谷歌的Android手机，苹果iPhone；以及其他制造商提供的上网本等，如苹果iPad和Galaxy Note的平板电脑也有着广泛的应用。然而，资源的限制，如电池容量的限制，严重影响了用户体验。另一方面，云计算已经爆炸性地发展了许多年。随着云计算出现，用户无需购买昂贵的设备，他们可以使用基于云服务的“现用现付”的模式。云计算的最显著优点是，它可以帮助终端用户卸载重计算工作量，从而突破它们的设备的处理能力限制。这个优点使得云计算是一种破除移动设备的性能约束有效地解决方案。反过来，移动设备由于其移动性和便利性可以扩展云计算的使用。

移动云计算是云计算与移动设备的集成，是指一种基础设施，其中的数据存储和数据处理在移动设备之外进行。移动云将移动计算能力和数据存储放到云中，使应用程序和计算不只是智能手机用户中进行，而可以借助范围更广的移动用户设备。

移动云计算给我们带来了许多便利。例如，处理繁重的计算工作，不用考虑移动设备的资源约束，无论何时能通过我们的手机完成工作。然而，这种新技术的到来也带来了很多挑战，其中，对于电池供电的移动设备，能耗优化是在这些挑战中不可忽略的重要方面。

目前，也有一些关于移动设备能耗问题的研究，但其缺乏对于各种无线环境之间的差异的考虑，以及对于研究任务卸载策略时移动设备异构性的考虑。

发明内容

有鉴于此，本发明的目的在于提出一种能够有效地节省移动云计算终端能耗的移动云计算终端节能调度方法和装置。

基于上述目的本发明提供的一种移动云计算终端节能调度方法，包括步骤：

基于Agent技术、以一预设的格式，获取移动应用任务参数和移动设备状态参数；

根据所述移动应用任务参数，计算生成移动设备本地执行能耗；

根据所述移动应用任务参数和移动设备的状态参数，计算生成云端执行能耗；

比较所述云端执行能耗是否大于所述移动设备本地执行能耗，若是，则使移动应用任务在移动设备上执行；若否，则将移动应用任务卸载到云端执行。

优选的，所述移动应用任务参数包括：数据量和任务长度；所述数据量表示应用程序的任务输入数据的字节，所述任务长度表示要执行的指令的数量；

所述移动设备状态参数包括：平均传输速度；所述平均传输速度根据实时检测的当前网络环境，从预设值域中获取。

优选的，根据所述任务长度，能够得到移动应用任务总指令数目，其计算公式为：

Total_Instruction＝(1+α)×Task_length

其中，α为指令错误率，Task_length为所述任务长度；

根据所述数据量，能够得到移动应用任务总发送数据量，其计算公式为：

$Total\_Transmissiondata=\frac{1+\mathrm{\β}}{1-\mathrm{\γ}}\×Data\_Size$

其中，β为额外加密数据速率，γ为所述重传率，Data_Size为所述数据量。

优选的，所述移动设备本地执行能耗的计算公式为：

E_Local＝EPI×Total_Instruction

其中，EPI为单条指令的能耗。

优选的，所述云端执行能耗的计算公式为：

$\begin{array}{c}E\_Cloud=RT(Total\_Transmissiondata)+TE\×T\_T\\ +EFM\×\frac{Total\_Transmissiondata}{Ave\_Speed}+Energy\_\mathrm{Re}ceiving\end{array}$

其中，RT(Total_Transmissiondata)为总传输能量，TE为尾部能耗，T_T为尾部时间，EFM为每秒维持通信的能耗，Ave_Speed为所述平均传输速度，Energy_Receiving为接收移动应用任务的结果时的能量消耗。

本发明还提供了一种移动云计算终端节能调度装置，包括：

参数获取模块，用于基于Agent技术、以一预设的格式，获取移动应用任务参数和移动设备状态参数；

第一计算模块，用于根据所述移动应用任务参数，计算生成移动设备本地执行能耗；

第二计算模块，用于根据所述移动应用任务参数和移动设备的状态参数，计算生成云端执行能耗；

比较调度模块，用于比较所述云端执行能耗是否大于所述移动设备本地执行能耗，若是，则使移动应用任务在移动设备上执行；若否，则将移动应用任务卸载到云端执行。

优选的，所述移动应用任务参数包括：数据量和任务长度；所述数据量表示应用程序的任务输入数据的字节，所述任务长度表示要执行的指令的数量；

所述移动设备状态参数包括：平均传输速度和重传率；所述平均传输速度表示移动应用任务数据上传的平均速度，所述重传率表示受到连接状态影响的数据重传概率。

优选的，所述第一计算模块还用于根据所述任务长度，能够得到移动应用任务总指令数目，其计算公式为：

Total_Instruction＝(1+α)×Task_length

其中，α为指令错误率，Task_length为所述任务长度；

所述第二计算模块还用于根据所述数据量和重传率，能够得到移动应用任务总发送数据量，其计算公式为：

$Total\_Transmissiondata=\frac{1+\mathrm{\β}}{1-\mathrm{\γ}}\×Data\_Size$

其中，β为额外加密数据速率，γ为所述重传率，Data_Size为所述数据量。

优选的，所述移动设备本地执行能耗的计算公式为：

E_Local＝EPI×Total_Instruction

其中，EPI为单条指令的能耗。

优选的，所述云端执行能耗的计算公式为：

$\begin{array}{c}E\_Cloud=RT(Total\_Transmissiondata)+TE\×T\_T\\ +EFM\×\frac{Total\_Transmissiondata}{Ave\_Speed}+Energy\_\mathrm{Re}ceiving\end{array}$

其中，RT(Total_Transmissiondata)为发送数据和关联能量的总和，TE为尾部能耗，T_T为尾部时间，EFM为每秒维持通信的能耗，Ave_Speed为所述平均传输速度，Energy_Receiving为接收移动应用任务的结果时的能量消耗。

从上面所述可以看出，本发明提供的移动云计算终端节能调度方法和装置，将Agent的技术整合到移动云计算，克服移动设备间物理差异，通过特定的信息格式在设备和云服务器之间进行的沟通和协调，并通计算移动设备本地执行能耗和云端执行能耗，比较云端执行和移动设备本地执行能耗，最后做出节能调度方案，有效地节省了移动云计算终端的能耗。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的移动云计算终端节能调度方法流程图；

图2为本发明实施例中移动设备Agent和云服务器Agent间的交互关系示意图；

图3(a)为本发明实施例中2G环境下不同方法的能耗模拟对比曲线；

图3(b)为本发明实施例中3G环境下不同方法的能耗模拟对比曲线；

图3(c)为本发明实施例中WIFI环境下不同方法的能耗模拟对比曲线；

图4为本发明实施例的移动云计算终端节能调度装置结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

本发明实施例提供了一种移动云计算终端节能调度方法，对于所述的移动云计算，其云端即为云服务器，终端即为移动设备。参考图1，为本发明实施例的移动云计算终端节能调度方法流程图。

所述包括步骤：

步骤101：基于Agent技术、以一预设的格式，获取移动应用任务参数和移动设备状态参数。

本步骤中，采用了Agent技术来获取状态参数信息。对于不同品牌的手机终端，每个设备都有自己的信息格式，例如，连接状态，电源状态等。移动设备之间的差异使得我们很难在移动终端应用任务分配算法，因为算法要求掌握设备状态信息。采用Agent技术可以提供一个预定义的格式的信息，使得我们可以忽略移动设备间的差异性。本实施例中，设置有两种Agent，即移动设备Agent和云服务器Agent。他们各自根据自己的规则运行，更重要的是，移动设备Agent可以获取移动设备的状态信息和云服务器的信息来完成任务卸载。他们表示为下列符号：

M^A为移动设备Agent集，表示为第j个移动设备的Agent，移动设备Agent用于收集本地移动设备的状态信息，并获得来自云服务器Agent的云服务器状态信息。

CS^A是云服务器Agent，当有请求时，它可以收集有云服务器状态的信息，并传送给指定的移动设备Agent。

上述两种Agent之间的交互关系可以参考图2。

在本步骤中，当一个移动应用任务到达时，首先会获取移动应用任务参数，其具体包括数据量和任务长度。其中，数据量Data_Size表示应用程序的任务输入数据的字节，它主要影响移动应用任务的传输；任务长度Task_length表示要执行的指令的数量，它的完成取决于移动设备的CPU处理速度。上述两个参数对于移动应用任务的能耗有显著影响，数据量Data_Size的大小主要影响的通信能耗，任务长度Task_length则影响CPU处理能耗。通常，具有较大的数据量和更短的任务长度任务更可能在移动设备运行(即本地运行)，因为它们的传输能量可能比执行能量大。

在移动设备中，CPU的能耗远大于存储器和屏幕。移动设备执行主要影响的CPU的工作负荷，这决定了能量消耗。当一个移动应用任务被本地执行时，除CPU之外的部件的能耗影响较小，所以用户的操作习惯将不会影响任务的本地执行。因此，我们主要考虑在移动设备上执行应用程序的任务的处理能量。

移动应用任务长度的增加会引起CPU负荷增加，表示为前文所述的任务长度Task_length。在执行过程中，通常存在的指令误差，本实施例中用符号α代表一个任务执行的指令错误率，α是取值在10％至30％之间的一个随机值。基于上述内容，能够得到移动应用任务总指令数目，其计算公式为：

Total_Instruction＝(1+α)×Task_length

在本步骤中，获取相关参数时，还需要考虑数据通信环境。首先，对于数据通信环境根据具体的应用场景做几点假设：

◆当前4G基础设施正在建设和推广，所以只考虑2G，3G和WIFI通信环境。

◆云服务提供者在他们的云服务器中都有相关应用程序，从而云端执行任务除了应用任务数据上传之外不产生额外的数据通信需求。

◆连接环境在进行一个任务卸载过程时保持不变，不同的无线信道平均上传速度是不同的。

◆移动设备接收数据的功率往往比上传功率较小，所以将接收到的能量消耗量简化为恒定值。

基于上述假设，在本实施例中，将不考虑云中调度，考虑重点在于移动应用任务的数据上传。

在因特网环境中，安全问题也不容忽视，任务数据上传应该被加密，以确保安全性，这同时也带来了额外的数据耗费，额外加密数据速率用符号β来表示。任务上传的另一个问题是重传率，这是由传输错误引起的，受连接状态的影响。用γ表示重传率。一般情况下，γ的值反比于无线连接的环境质量，也就是说，更好的连接状态时有较小的误差率。基于由移动设备Agent获取的β和γ值，能够得到移动应用任务总发送数据量，其计算公式为：

β和γ为预设值，其分别通过如下公式计算生成：

β＝Math.round(uniform(0.05,0.2))

云端执行一个任务的时间，包括三个组成部分：上传时间、云计算的执行时间、下载时间。云计算的最典型的特征是，它可以为用户提供通过池化资源无穷无尽的计算能力。此外，从移动应用的任务对于云的虚拟机工作量非常小。因此，本实施例中忽略了云计算的执行时间。至于结果下载时间，我们将其设置为一个固定值，其能量消耗按之前假定的定值考虑。如假设中所说，我们使用平均的传输速度，表示为Ave_Speed，以衡量任务上传期间的连接环境。Ave_Speed的值根据无线环境设置，即根据实时检测的当前网络环境，从预设值域中获取。参考表1，为本实施例中应用的不同无线连接环境下的传输速度；其中，在Wifi环境下，因为最大速度是由有线网络支持，所以不存在最大速度的限制。

表1 不同无线连接环境下的传输速度

无线连接环境	最大速度	标准速度区间
			2G	300kbps	(40kbps，240kbps)
3G	42mbps	(120kbps，2mbps)
			WIFI		(800kbps，8mbps)

步骤102：根据所述移动应用任务参数，计算生成移动设备本地执行能耗。

本步骤中，基于获取的移动应用任务参数，通过如下的公式计算生成移动设备本地执行能耗。

E_Local＝EPI×Total_Instruction

其中，EPI为单条指令的能耗，其由移动设备Agent根据当前的接收移动应用任务的移动设备来从预设值中调取。

步骤103：根据所述移动应用任务参数和移动设备的状态参数，计算生成云端执行能耗。

当一个移动应用任务在云服务器上执行时也有能源消耗，云端执行能耗分为三部分：上传数据能耗，接收能量和云端执行能耗。本实施例中，主要关注移动设备将移动应用任务卸载至云端执行来延长电池寿命移动设备，因此，将只考虑移动设备的能源消耗，而忽略了云服务器的能耗。对于接收结果消耗的能量，假设其为恒定值。因此，本实施例中主要关注任务数据上传能耗。

本步骤中，基于获取的移动应用任务参数和移动设备的状态参数，通过如下的公式计算生成云端执行能耗。

其中，RT(Total_Transmissiondata)为总传输能量，TE为尾部能耗，T_T为尾部时间，EFM为每秒维持通信的能耗，Ave_Speed为所述平均传输速度，Energy_Receiving为接收移动应用任务的结果时的能量消耗。

参考表2，为不同无线连接环境下的云端执行能耗计算参数。2G或3G网络中的移动应用任务上传的能耗由三部分组成：准备能耗(切换到高功率状态所需的能量)，传输能量和尾部的能量(在高功率状态完成后的能耗)。我们使用RT(Total_Transmissiondata)代表的任务Td的斜坡能量和传输能量之和。TE表示尾部能耗。在WIFI环境下，尾巴能量不存在，用于表示发送数据和关联的能量的总和。此外，维持能量也不可忽视，使用EFM代表每秒维持通信的能耗。最后，T_T表示尾部时间，这是在高功率状态结束后转移所花费的时间。

表2 为不同无线连接环境下的云端执行能耗计算参数

	2G	3G	WIFI
				RT(x)	0.036(x)+1.7	0.025(x)+3.5	0.007(x)+5.9
TE	0.25J/sec	0.62J/sec	NA
				EFM	0.03J/sec	0.02J/sec	0.05J/sec
T_T	6sec	12sec	NA

应当指出的是，WIFI环境下TE和T_T的值等于零。Ave_Speed在不同的连接环境的值是基于在表1中数据来确定，Energy_Receiving表示的在接收任务的结果时能量消耗，在不同的连接环境下其设置为不同的常数值。

步骤104：比较所述云端执行能耗是否大于所述移动设备本地执行能耗，若是，则使移动应用任务在移动设备上执行；若否，则将移动应用任务卸载到云端执行。

经过步骤102和103，计算生成了云端执行能耗和移动设备本地执行能耗，在本步骤中将其直接比较大小，即比较哪种执行消耗了更多的能量。当云端执行比移动设备本地执行消耗更多的能量时，移动应用任务会在本地设备运行；当本地运行会消耗更多的能量，移动设备Agent将会发送该移动应用任务至云服务器Agent，将其卸载到云端执行。

下面通过模拟实验对比的方式来进一步说明本发明实施例的移动云计算终端节能调度方法的技术效果。在下面的模拟实验对比过程中，将本发明实施例的移动云计算终端节能调度方法简称为：AGILE。

首先简单介绍下作为比较标准的RSSM方法。在RSSM方法中，其同样根据移动应用任务参数和移动设备状态参数，获得Task_length、Data_Size、α、β、γ的参数值，获取和计算方法与本发明上述实施例中相同。然而，是否卸载任务进入云端执行的决定，是由随机决定的而不是通过对比能耗进行。具体IDE，随机选择移动设备本地执行或云端执行的基于平均速度Ave_Speed，这是因为更高的传输速度具有较高的概率卸载任务到云端进行处理，使用下面的公式来确定一个云执行的任务的概率(P)：

其中，maximalspeed为最大传输速度。

此外，为了达到更好的对比效果，还包括另一个作为比较标准的方法：LO。在LO中，任务全部在移动设备上处理。

根据上述方法模型，我们基于云计算仿真软件CloudSim进行仿真实验，场景为在不同连接环境下处理任务。其他仿真设置如下：

◆移动应用任务T的Data_Size由公式Data_Size＝Math.round(uniform(0.5,5))确定，单位是MByte。

◆Task_length由如下公式得出：

Task_length＝Math.round(uniform(6×10¹¹,14×10¹¹))。

◆指令错误率α取值在10％～30％；计算指令数时，α的取值在上述值域内随机确定。

◆EPI为91pJ/instruction。

◆β的取值由如下公式决定：β＝Math.round(uniform(0.05,0.2))。

◆当任务到达时，动态决定当时的无线网络环境。确定了2G，3G，4G环境后，再随机确定平均速度Ave_Speed。

◆γ的取值反比于无线速度，由如下公式决定：

◆云端执行任务时，任务结果的接收耗能为10J。

◆每组实验重复5次。取5次实验的平均值。

◆研究不同任务数时算法性能变化，任务数变化范围是5000～50000。

基于上述方法模型和仿真参数设置，对2G、3G和WIFI环境下能量消耗的进行对比，结果的对比曲线，参考图3(a)、图3(b)、图3(c)，图中，Energy consumption为由所有的任务所消耗的能量，其仅考虑该移动设备的能量消耗，云端能耗不包括在内。

由图3(a)中可见，2G环境下，AGLIE相比LO能够达到节能降耗的目标。这是因为AGILE比较云端执行和本地执行的能源消耗，然后选择最少的能源消耗方式的任务。然而，RSSM消耗比LO的更多的能量。这是因为，RSSM随机选择云端执行或本地执行一定的任务，这将导致消耗更多的能量。虽然选择云端执行对任务的概率是与连接环境(由平均传输速度反映)高度相关的，它具有不确定性，也就是说，卸载任务至云端执行的数目可能是合乎比率的，但是对于当前任务选择待卸载至云端执行并不合适。例如，在随机选择方案中，具有大数据量和几个指令的任务，从节能减排方面考虑更适合在本地执行，可卸载任务至云端执行后，会带来比本地执行更多的能耗。

此外由图3(a)中还能够看到，AGILE的节能性能总是优于比LO的，这表明本发明提出的方法的稳定性。实验结果表明，通过本发明的方法AGILE，可以卸载任务到云端执行，为移动设备节约能源。2G的连接环境下，AGILE在节能上优于LO 9.95％，同时LO优于RSSM 16.31％。

由图3(b)中可见，3G环境下与2G环境中类似。然而，AGILE和RSSM的性能改进相比于图3(a)中较多。这是因为，由数据传输所消耗能量的降低。因此，更多的任务可以卸载至云端，以减少手机的能耗。应当指出的是，促进RSSM能耗减小的是由于的连接环境的改善。

在3G的渠道，更多的任务都适合云计算的执行，所以在RSSM能耗下降到约LO的水平。在节能方面AGILE优于LO 14.94％，LO优于RSSM8.21％。

从图3(c)，我们可以看到，AGILE和RSSM比LO节省更多的能量。这可以解释该传送数据的能量在WIFI环境下消耗迅速降低。从表2中，我们不难发现，WIFI渠道中没有尾部能量，因此大数据量任务的传输能量比在2G和3G的渠道要少得多。其结果是，具有较大的数据量的任务更适合在云端执行以实现节能。因此，在WIFI环境下，无论是AGILE或RSSM均实现节能减排的目标。WIFI环境中，AGILE优于LO 59.65％，RSSM优于LO53.26％。

比较图3(a)、图3(b)和图3(c)，我们不难发现，当连接环境变化时，LO能源消耗基本相同。这可以解释为：在LO策略下，所有的任务是在本地处理，所以连接环境在其能源消耗没有影响。然而，AGILE和RSSM的性能有显著的改善。这是因为数据传输能量与连接通道相关，数据通信环境变好导致云端执行能耗的减少。从实验结果中，我们可以看到，当连接环境从2G变为WIFI时，AGILE的性能提升45.22％。另一个结论是：在具有更好的连接环境时，更多的任务可以被卸载至云端执行，以节省移动设备的能量，从而延长电池寿命。

因此，与RSSM相比，本发明的方法AGILE在减少能源消耗方面有明显优势。在更优的连接环境下，AGILE性能还可以得到提升。此外，随着任务数量的增加，AGILE可以比LO和RSSM节省更多的能量，从中我们可以得出结论，AGILE具有更好优越性和稳定性。

本发明还提供了一种移动云计算终端节能调度装置，参考图4，为本发明实施例的移动云计算终端节能调度装置结构示意图。

所述的移动云计算终端节能调度装置包括：

参数获取模块401，用于基于Agent技术、以一预设的格式，获取移动应用任务参数和移动设备状态参数；

第一计算模块402，用于根据所述移动应用任务参数，计算生成移动设备本地执行能耗；

第二计算模块403，用于根据所述移动应用任务参数和移动设备的状态参数，计算生成云端执行能耗；

比较调度模块404，用于比较所述云端执行能耗是否大于所述移动设备本地执行能耗，若是，则使移动应用任务在移动设备上执行；若否，则将移动应用任务卸载到云端执行。

其中，参数获取模块401获取的所述移动应用任务参数包括：数据量和任务长度；所述数据量表示应用程序的任务输入数据的字节，所述任务长度表示要执行的指令的数量；

所述移动设备状态参数包括：平均传输速度；所述平均传输速度根据实时检测的当前网络环境，从预设值域中获取。

作为优选的，所述第一计算模块402还用于根据所述任务长度，能够得到移动应用任务总指令数目，其计算公式为：

Total_Instruction＝(1+α)×Task_length

其中，α为指令错误率，Task_length为所述任务长度；

作为优选的，所述第二计算模块403还用于根据所述数据量和重传率，能够得到移动应用任务总发送数据量，其计算公式为：

其中，β为额外加密数据速率，γ为所述重传率，Data_Size为所述数据量。

作为优选的，所述第一计算模块402计算所述移动设备本地执行能耗的计算公式为：

E_Local＝EPI×Total_Instruction

其中，EPI为单条指令的能耗。

作为优选的，所述第二计算模块403计算所述云端执行能耗的计算公式为：

其中，RT(Total_Transmissiondata)为发送数据和关联能量的总和，TE为尾部能耗，T_T为尾部时间，EFM为每秒维持通信的能耗，Ave_Speed为所述平均传输速度，Energy_Receiving为接收移动应用任务的结果时的能量消耗。

所属领域的普通技术人员应当理解：以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种移动云计算终端节能调度方法，其特征在于，包括步骤：

基于Agent技术、以一预设的格式，获取移动应用任务参数和移动设备状态参数；

根据所述移动应用任务参数，计算生成移动设备本地执行能耗；

根据所述移动应用任务参数和移动设备的状态参数，计算生成云端执行能耗；

比较所述云端执行能耗是否大于所述移动设备本地执行能耗，若是，则使移动应用任务在移动设备上执行；若否，则将移动应用任务卸载到云端执行。

2.根据权利要求1所述的方法，其特征在于，所述移动应用任务参数包括：数据量和任务长度；所述数据量表示应用程序的任务输入数据的字节，所述任务长度表示要执行的指令的数量；

所述移动设备状态参数包括：平均传输速度；所述平均传输速度根据实时检测的当前网络环境，从预设值域中获取。

3.根据权利要求2所述的方法，其特征在于，根据所述任务长度，能够得到移动应用任务总指令数目，其计算公式为：

Total_Instruction＝(1+α)×Task_length

其中，α为指令错误率，Task_length为所述任务长度；

根据所述数据量，能够得到移动应用任务总发送数据量，其计算公式为：

$Total\_Transmissiondata=\frac{1+\mathrm{\β}}{1-\mathrm{\γ}}\×Data\_Size$

其中，β为额外加密数据速率，γ为所述重传率，Data_Size为所述数据量。

4.根据权利要求3所述的方法，其特征在于，所述移动设备本地执行能耗的计算公式为：

E_Local＝EPI×Total_Instruction

其中，EPI为单条指令的能耗。

5.根据权利要求3所述的方法，其特征在于，所述云端执行能耗的计算公式为：

$\begin{array}{c}E\_Cloud=RT(Total\_Transmissiondata)+TE\×T\_T\\ +EFM\×\frac{Total\_Transmissiondata}{Ave\_Speed}+Energy\_\mathrm{Re}ceiving\end{array}$

其中，为总传输能量，TE为尾部能耗，T_T为尾部时间，EFM为每秒维持通信的能耗，Ave_Speed为所述平均传输速度，Energy_Receiving为接收移动应用任务的结果时的能量消耗。

6.一种移动云计算终端节能调度装置，其特征在于，包括：

参数获取模块，用于基于Agent技术、以一预设的格式，获取移动应用任务参数和移动设备状态参数；

第一计算模块，用于根据所述移动应用任务参数，计算生成移动设备本地执行能耗；

第二计算模块，用于根据所述移动应用任务参数和移动设备的状态参数，计算生成云端执行能耗；

比较调度模块，用于比较所述云端执行能耗是否大于所述移动设备本地执行能耗，若是，则使移动应用任务在移动设备上执行；若否，则将移动应用任务卸载到云端执行。

7.根据权利要求6所述的装置，其特征在于，所述移动应用任务参数包括：数据量和任务长度；所述数据量表示应用程序的任务输入数据的字节，所述任务长度表示要执行的指令的数量；

所述移动设备状态参数包括：平均传输速度和重传率；所述平均传输速度表示移动应用任务数据上传的平均速度，所述重传率表示受到连接状态影响的数据重传概率。

8.根据权利要求7所述的装置，其特征在于，所述第一计算模块还用于根据所述任务长度，能够得到移动应用任务总指令数目，其计算公式为：

Total_Instruction＝(1+α)×Task_length

其中，α为指令错误率，Task_length为所述任务长度；

所述第二计算模块还用于根据所述数据量和重传率，能够得到移动应用任务总发送数据量，其计算公式为：

$Total\_Transmissiondata=\frac{1+\mathrm{\β}}{1-\mathrm{\γ}}\×Data\_Size$

其中，β为额外加密数据速率，γ为所述重传率，Data_Size为所述数据量。

9.根据权利要求8所述的装置，其特征在于，所述移动设备本地执行能耗的计算公式为：

E_Local＝EPI×Total_Instruction

其中，EPI为单条指令的能耗。

10.根据权利要求8所述的装置，其特征在于，所述云端执行能耗的计算公式为：

$\begin{array}{c}E\_Cloud=RT(Total\_Transmissiondata)+TE\×T\_T\\ +EFM\×\frac{Total\_Transmissiondata}{Ave\_Speed}+Energy\_\mathrm{Re}ceiving\end{array}$

其中，RT(Total_Transmissiondata)为发送数据和关联能量的总和，TE为尾部能耗，T_T为尾部时间，EFM为每秒维持通信的能耗，Ave_Speed为所述平均传输速度，Energy_Receiving为接收移动应用任务的结果时的能量消耗。