CN108804227A - 基于移动云计算的计算密集型任务卸载和最佳资源配置的方法 - Google Patents

基于移动云计算的计算密集型任务卸载和最佳资源配置的方法 Download PDF

Info

Publication number
CN108804227A
CN108804227A CN201810530791.7A CN201810530791A CN108804227A CN 108804227 A CN108804227 A CN 108804227A CN 201810530791 A CN201810530791 A CN 201810530791A CN 108804227 A CN108804227 A CN 108804227A
Authority
CN
China
Prior art keywords
task
virtual machine
time
request
formula
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810530791.7A
Other languages
English (en)
Other versions
CN108804227B (zh
Inventor
林恺
萨姆尔
吴浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN201810530791.7A priority Critical patent/CN108804227B/zh
Publication of CN108804227A publication Critical patent/CN108804227A/zh
Application granted granted Critical
Publication of CN108804227B publication Critical patent/CN108804227B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G06F9/44594—Unloading
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G06F2009/45595—Network integration; Enabling network access in virtual machine instances
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于移动云计算技术领域，涉及基于移动云计算的计算密集型任务卸载和最佳资源配置的方法。本发明包括移动用户、经纪人和微云数据中心，当经纪人正在接收移动用户请求时，采用线性回归算法分析移动用户请求；然后采用管道树形分类方法进行工作类型的分类并放在队列中；任务卸载时，采用果蝇优化算法获得任务的最佳资源配置；任务完成后，不需要的节点被放置在空闲模式下，此时能量消耗将减少。本发明的目的在于根据总完成时间和应用成本的限制将移动设备的能量消耗最小化。大量的实验结果显示了本发明在云数据中心环境中的数据结构的满意效果，模拟结果已经表明与大量现有的算法相比，依照能量消耗和执行时间所提出的策略具有更好的性能。

Description

基于移动云计算的计算密集型任务卸载和最佳资源配置的 方法
技术领域
本发明属于移动云计算技术领域，涉及基于移动云计算的计算密集型任务卸载和最佳资源配置的方法。
背景技术
移动云计算(MCC)是将计算资源带给用户的移动计算、网络和云计算的组合。云计算技术和移动计算技术的贡献催生了新兴的MCC范式，目前移动云应用的三种主要方法：
1)将云服务的访问扩展到移动设备；
2)使移动设备能够作为云资源提供者协同工作；
3)使用云资源在移动设备上增加移动应用的执行。
在业务选项中，对于减少移动设备的应用的运行和开发费用，云计算的概念是有利可图的。其中移动用户能以极低价格获取移动业务的变源，计算卸载任务能将密集成分发送至远程服务器。最近几年中，有几种方法提出了在移动设备的应用中的计算卸载框架。接着，应用在粒度级下切开，然后发送到用于远程执行的远程服务器，以提高智能移动设备(SMD)的性能。
完成的任务通过移动用户卸载到云中，因此任务卸载可通过导致能量消耗和延迟的高负载Wi-Fi接入点在移动设备中适时地执行，计算服务提供者可定义为云计算，并且可以通过互联网访问。
从移动用户来看，任务可在任何时候到达，然后系统将检查所到达任务是否在移动设备本身中执行或相反任务是否储存到微云中，每个接入点的接纳能力和用户移动性已经说明了该问题。
在无线电资源受限系统中，当移动边缘计算(MEC)服务器执行不同任务时每次只可卸载一个任务。执行和传输的进度在任务卸载中耦合在一起，然后变成新的设计维度。
在移动设备中，计算卸载的目标提供了成本最小化。对此，计算卸载即服务和计算卸载即移动设备的服务(COSMOS)的关键使得移动设备和云服务提供者之间的中间服务成为可能。通信资源对移动设备是透明的以便成本效益高地识别资源以满足移动设备的需求。在所提出的系统中，主要贡献如下：
(1)当将任务卸载到云的同时完成有效能量最小化。
(2)研发并分析估计移动设备的能量消耗、任务完成时间和成本的合适的数学模型。
(3)建立对云的有效的卸载决策以避免不必要的卸载。
(4)使用限定的约束获得最优任务卸载策略。
发明内容
移动电话的关键理念是提高能源效率，而云处理具有节省便携式客户能量的可能性，然而，来自卸载计算成本和时间的储备基金需要优于额外通信的活力成本。先进的移动电话上的不同应用由于其限制性资源，使其执行力差、电池寿命缩短。因此导致了大量的测试，以增加能量有效度并强制设备的改变。
通过在移动装置中分享云资源，本发明的基本思路以较低的货币成本实现良好的卸载性能。随着分布式计算的提高和不断研发的移动设备的数量的增加，许多应用需要更高的客户端的体验质量。目标函数用于将总任务完成时间、能量消耗和成本最小化。
问题：F＝min{f1(x),f2(x),f3(x)}
受控于：
其中，F表示最佳资源配置函数；f(x)是目标函数并且使用三个目标函数来找到最佳资源；i、j和k为在目标函数中对应的数据量。
上述问题根据任务调度进行解释。在本发明中使用任务卸载过程以在任务移到云执行的同时减少移动设备的能源消耗和工作负载。因此，需要做节能任务调度，当满足应用的时间限制时任何一个或多个任务都应该被卸载到云。
本发明目的在于提供一种基于移动云计算的计算密集型任务卸载和最佳资源配置方法，将关于云资源的能量费用最小化。
本发明的技术方案：
基于移动云计算的计算密集型任务卸载和最佳资源配置的方法，包括三部分：(i)移动用户，用于保持微云中的节点的能力；(ii)经纪人，用于基于节点能力将任务分配给微云数据中心的节点；(iii)微云数据中心，用于跟踪器检查节点中任务的执行情况；
当经纪人正在接收移动用户请求时，采用线性回归算法分析移动用户请求；然后采用管道树形分类方法进行工作类型的分类并放在队列中；任务卸载时，采用果蝇优化算法获得任务的最佳资源配置；任务完成后，不需要的节点被放置在空闲模式下，能量消耗减少；
具体步骤如下：
(1)采用线性回归算法分析移动用户请求
当经纪人正在接收移动用户请求时，采用线性回归算法分析请求，同时基于请求预测浪费的资源；随机变量p的预测值通过最小二乘方线性回归方程获得，见式(1)；
p＝d0+d1.q (1)
其中，d0表示截距，为常数；d1是回归系数，q为自变量，是随机变量的预测值；
d0和d1的值由式(2)和式(3)得出；
其中，i为随机变量的个数；为随机变量的平均值；为自变量的平均值；
用户的估计请求，见公式(4)；
ER＝Sgn(CR-WR)+a (4)
其中，ER是用户的估计请求，CR是用户的当前请求，WR是浪费的资源；函数Sgn用于覆盖请求值的正部分和负部分；a是回归参数，a的值决定是否积极地采取行动或给出待使用的资源的估计值；当a值设置正确时，云提供者被给予控制节约资源和违反服务等级协议SLA之间折衷的权利；
计算浪费的资源，见公式(5)；
WR＝CR×b1+b0 (5)
其中，b1和b0为回归系数；通过公式(1)以及公式(6)和公式(7)确定b1和b0；
b0＝mean(WR)-b1*mean(CR) (7)
其中，i表示用户当前请求的数量，i＝1,2,3,…,n；表示WR的平均值；mean()表示平均值；
(2)采用管道树形分类方法进行工作类型的分类
用户的工作请求分为不同类型，并且用户查询时将工作进行分类，工作请求包含多个元组和属性，采用管道树形分类算法将工作类型进行分类，基于用户查询，工作被分类；工作分类包括两个阶段，训练阶段和分类阶段；
在训练阶段，首先使用修改后的迭代二叉树3代算法ID3构建决策树，ID3为用于分类的决策树归纳法；数据集D包括元组和属性；对数据集D执行四级变换；Info(D)是对元组进行分类的期望数据；InfoA(D)是基于划分通过数据集属性A从数据集D中分类的期望信息；
1级变换：计算数据集D的每个属性的类标签的数量，然后计算Info(D)和InfoA(D)；
2级变换：检查决策树的完整性，如果没有获得最大的信息增益，则分割1级变换后的数据集D，形成决策树的第二层次；
3级变换：检查决策树的完整性，使用分割命令分割2级变换后的数据集D，并检查数据集D里的每一个记录都是相同的，完成决策树的管道；
4级变换：用于在单独的文件或输出控制台的记录输出；
在分类阶段，对于每个数据集D，进行1级变换操作，并且检查树的完整性；如果没有获得最大的信息增益，则将数据集D分割并且执行2级变换；再次划分数据集D直到得到决策树的管道；找到决策树的管道后，由开始管道服务的管道-目标运行方法运行；
工作请求元组，包括<Num_VM,Ram,Storage,Bandwidth,Execution_time,S_Time,E_Time>；其中Num_VM是所需虚拟机VM的数量，Ram是以兆字节为单位的内存，Storage是以兆字节为单位的磁盘空间，Bandwidth是以每秒兆字节为单位的网络带宽，Execution_time是执行时间，S_time是开始时间，E_time是完成时间，Nil表示空格；工作请求元组用于识别如下所提交的工作的类型，以通过管道树形分类器识别工作类型；
类型1：工作请求＝<Num_VM,Ram,Storage,Bandwidth,Execution_time,S_Time,E_Time>
类型2：工作请求＝<Num_VM,Ram,Storage,Bandwidth,Execution_time,S_Time,Nil>
类型3：工作请求＝<Num_VM,Ram,Storage,Bandwidth,Execution_time,Nil,Nil>
(3)任务卸载，获得最佳资源配置
云环境中的任务卸载包括在微云数据中心中的一组n个计算节点上调度的一动态组j个独立任务卸载请求；对于包含多个核的主机，利用云系统中的资源，多个工作请求可同时利用主机；
(a)数学模型：处理m个主机的任务卸载时，微云数据中心中的m个主机H＝{h1,h2,...,hm}，具有n个计算节点N＝{n1,n2,...nn}和j个任务T＝{t1,t2,...tj}；移动用户将任务提交给经纪人，任务由一组元组Ti＝{arri,memi,fini}表示，其中arri是到达时间，memi是存储器，fini是完成时间；所提交的任务经由经纪人映射到虚拟机VM；数学模型中关注虚拟机VM的使用、任务的完成时间、能量消耗和数据中心的成本；
(b)果蝇优化算法FOA：具体步骤如下：
步骤1：嗅觉器官用于嗅到食物来源并且开始朝食物来源方向飞去；
步骤2：灵敏视觉用于获得最佳美食和群集位置；
果蝇优化算法FOA是找到全局优化的有效方法；它经由邻居交互数据，使其相等并使用果蝇绝望的视觉和体能通过品尝获得最佳的位置；
根据果蝇优化算法FOA判断最佳资源配置，求出的目标函数如下：
①网络延迟：
通过网络传播任务的时间称为传输延迟；将任务j分配到第k个虚拟机VM上，其传输延迟为TL(j,k)，见公式(8)；
其中，Tj为任务输入；Tj_out为任务输出；Dj为分配给虚拟机VM的信道数据速率；
处理延迟PL(j,k)是第k个虚拟机VM上的任务j的估计时间，第k个虚拟机VM上的任务j的指令计数EICj,k和任务容量MIPSk计算得到，见公式(9)；
排队延迟QL(j,k)是第k个虚拟机VM上的任务j在队列中所用的时间，见公式(10)：
其中，m为队列中主机的个数，n为队列中计算节点的数量，PL(n,k)为第k个虚拟机VM上n个计算节点的排队延迟；
网络延迟NL(j,k)见公式(11)：
NL(j,k)＝TL(j,k)+PL(j,k)+QL(j,k) (11)
网络延迟函数f1(x)见公式(12)：
f1(x)＝min{NL(j,k)} (12)
②能量消耗：
将任务j分配给第k个虚拟机VM需要能量，目的是减少网络的所有能量消耗，能量消耗包括通讯能量和能量处理两部分；
处理能量的计算见公式(13)：
其中，Pe(j,k)表示第k个虚拟机VM上的任务j所需的处理能量；表示睡眠阶段第k个虚拟机VM所需的能量；表示第k个虚拟机VM所需的最高能量；Ue(j,k)表示第k个虚拟机VM利用的能量；
Ue(j,k)的计算见公式(14)：
Ue(j,k)＝Ce(j,k)·Exej (14)
其中，Exej表示任务j执行时间；Ce(j,k)表示第k个虚拟机VM上的任务j所需的通讯能量；
通讯能量的计算见公式(15)：
其中，Ce(j,k)表示第k个虚拟机VM上的任务j所需的通讯能量；εT表示在数据传输过程中能量消耗的速率；εR表示数据接收过程中能量消耗的速率；Din表示输入数据；Dout表示输出数据；Dr表示第k个虚拟机VM的数据速率；
第k个虚拟机VM上的任务j总的能量消耗Te(j,k)见公式(16)：
Te(j,k)＝Pe(j,k)+Ce(j,k) (16)
能量消耗函数f2(x)见公式(17)：
f2(x)＝min{Te(j,k)} (17)
③成本：
虚拟机VM的任务的成本为虚拟机用于执行任务的资源成本；数据中心的成本Ck见公式(18)：
Ck＝(VMk.ram+VMk.storage+VMk.bandwidth)*Exej (18)
其中，VMk.ram表示第k个虚拟机VM的内存；VMk.storage表示第k个虚拟机VM的磁盘空间；VMk.bandwidth表示第k个虚拟机VM的网络带宽；Exej表示任务j执行时间；
最后，使用阈值来识别虚拟机的负载：
如果一个虚拟机过载，则任务被移除，并根据任务执行的最后期限分配给已识别的虚拟机；再选择一个具有最小期限任务的虚拟机来提高数据中心的性能；基于气味的搜索用于查找可用的位置或虚拟机，基于视觉的搜索用于查找最佳位置或虚拟机，以将任务从超载的任务中转移。
在本方法中，气味浓度值是在嗅觉阶段计算并分配对应的位置或虚拟机，以便在视觉阶段使用。在远景阶段，选择最佳位置或虚拟机来将任务从超载的任务转移到气味阶段中找到的最佳解决方案，该方法使用阈值来识别虚拟机的负载。如果初始气味阶段的安排不接近最佳解决方案，并且更新过程中不包含新的解决方案，那么就很难找到最优的解决方案。为了克服这个问题，虚拟机或位置的后半部分是通过嗅觉和视觉搜索来安排的。
本发明的有益效果：
本发明的目的在于根据总完成时间和应用成本的限制将移动设备的能量消耗最小化。本发明的算法基于线性回归模型，再制定用户查询并且获得已接受的请求，然后任务分类成不同的评价类别；果蝇优化算法将进行最佳资源配置，使用多目标函数来发现云数据中心中的最佳主机。大量的实验结果显示了本发明在云数据中心环境中的数据结构的满意效果。模拟结果已经表明与大量现有的算法相比，依照能量消耗和执行时间所提出的策略具有更好的性能。
附图说明
图1是本发明的工作流程图；
图2是微云数据中心的示意图；
图3是用户的已接受的请求的示意图；
图4是不同请求的资源利用的示意图；
图5是任务完成时间的示意图；
图6是能量消耗分析的示意图；
图7是能量消耗率的示意图；
图8是执行时间比的示意图；
图9是不同微云的执行时间的示意图；
图10是基于用户查询的成功率的示意图；
图11是响应时间分析的示意图。
具体实施方式
以下结合附图和技术方案，进一步说明本发明的具体实施方式。
本发明的工作流程参照图1和图2。
根据本发明的技术方案，进行模拟设置。使用CloudSim2.0来实现算法，CloudSim2.0为一个支持数据中心的模拟节点上的VMs建模的用于建模并且模拟云计算环境的可扩展的工具包，主要考虑到平均服务响应时间和平均能量消耗，由移动设备评价方法的有效性和效率。通过修改写到Java语言中的模拟器的源代码，实施方式已经完成。模拟图表从MatLab工具中选录，将所提出的数据结构纳入到修改后的模拟环境中，用于模拟的参数见表1。
表1模拟参数
参数 值
主机的数量 10
VM的数量 50
VM类型 小/中/大
MIPS 1000/5000/10000
RAM 1820/3830/7530
带宽 1000/1000/1000
请求的数量 100～1000
CloudSim工具包既支持云系统部件，例如数据中心、虚拟机的系统和行为建模，又支持供应策略。为了表明本发明的有效性，将所提出的算法与基于协同多任务调度的蚁群优化算法(CMS-ACO)和启发式基于队列的算法(GA-ACO)进行比较，本发明的方法简称为FOOTO。
从图3来看，所提交的请求以10、20、30、40计数。对于40个请求来说已接受的请求级达到32，并且现有算法达到25请求级。线性回归算法准确地调整参数并且马上向用户发回一个响应。
图4表明不同请求的资源利用分析。本发明的算法实现了87％的利用率，最优微云计划应满足云用户以及云提供者的要求，使用所提出的优化算法的资源配置提高了在动态环境中运行的数据中心资源的利用率。
图5表示用不同算法对任务完成时间分析，完成时间基于工作类型而变化。
图6和图7表示三种算法的能量消耗。能量消耗基于任务数量而变化，当虚拟机VM的总数增加时，果蝇优化算法优化了资源并且在减少总能量消耗。本发明的算法的能量消耗为2.5千瓦时能量，CMS-ACO和GA-ACO算法的能量消耗分别为4.3千瓦小时和6.5千瓦小时。
图8和图9表示三种算法的执行时间分析。在将任务卸载到微云后，需要将任务从微云偏移到公共云，需要花费时间来执行。图中使用五个微云以进行卸载。
图10和图11表示三种算法的系统的性能测量。工作使用云数据中心的基于多目标的最佳资源配置，因此它用于任务卸载的最优主机。基于本发明的方法所提出的系统来说响应时间和能量消耗都较低，如果所需容量满足主机中的可用资源容量，则将虚拟机VM分配给主机。从结果看出，本发明的方法执行涉及资源利用、任务完成和能量消耗的效果最好。

Claims (1)

1.基于移动云计算的计算密集型任务卸载和最佳资源配置的方法，其特征在于，包括三部分：(i)移动用户，用于保持微云中的节点的能力；(ii)经纪人，用于基于节点能力将任务分配给微云数据中心的节点；(iii)微云数据中心，用于跟踪器检查节点中任务的执行情况；
当经纪人正在接收移动用户请求时，采用线性回归算法分析移动用户请求；然后采用管道树形分类方法进行工作类型的分类并放在队列中；任务卸载时，采用果蝇优化算法获得任务的最佳资源配置；任务完成后，不需要的节点被放置在空闲模式下，能量消耗减少；
具体步骤如下：
(1)采用线性回归算法分析移动用户请求
当经纪人正在接收移动用户请求时，采用线性回归算法分析请求，同时基于请求预测浪费的资源；随机变量p的预测值通过最小二乘方线性回归方程获得，见式(1)；
p＝d0+d1.q (1)
其中，d0表示截距，为常数；d1是回归系数，q为自变量，是随机变量的预测值；
d0和d1的值由式(2)和式(3)得出；
其中，i为随机变量的个数；为随机变量的平均值；为自变量的平均值；
用户的估计请求，见公式(4)；
ER＝Sgn(CR-WR)+a (4)
其中，ER是用户的估计请求，CR是用户的当前请求，WR是浪费的资源；函数Sgn用于覆盖请求值的正部分和负部分；a是回归参数，a的值决定是否积极地采取行动或给出待使用的资源的估计值；当a值设置正确时，云提供者被给予控制节约资源和违反服务等级协议SLA之间折衷的权利；
计算浪费的资源，见公式(5)；
WR＝CR×b1+b0 (5)
其中，b1和b0为回归系数；通过公式(1)以及公式(6)和公式(7)确定b1和b0；
b0＝mean(WR)-b1*mean(CR) (7)
其中，i表示用户当前请求的数量，i＝1,2,3,…,n；表示WR的平均值；mean()表示平均值；
(2)采用管道树形分类方法进行工作类型的分类
用户的工作请求分为不同类型，并且用户查询时将工作进行分类，工作请求包含多个元组和属性，采用管道树形分类算法将工作类型进行分类，基于用户查询，工作被分类；工作分类包括两个阶段，训练阶段和分类阶段；
在训练阶段，首先使用修改后的迭代二叉树3代算法ID3构建决策树，ID3为用于分类的决策树归纳法；数据集D包括元组和属性；对数据集D执行四级变换；Info(D)是对元组进行分类的期望数据；InfoA(D)是基于划分通过数据集属性A从数据集D中分类的期望信息；
1级变换：计算数据集D的每个属性的类标签的数量，然后计算Info(D)和InfoA(D)；
2级变换：检查决策树的完整性，如果没有获得最大的信息增益，则分割1级变换后的数据集D，形成决策树的第二层次；
3级变换：检查决策树的完整性，使用分割命令分割2级变换后的数据集D，并检查数据集D里的每一个记录都是相同的，完成决策树的管道；
4级变换：用于在单独的文件或输出控制台的记录输出；
在分类阶段，对于每个数据集D，进行1级变换操作，并且检查树的完整性；如果没有获得最大的信息增益，则将数据集D分割并且执行2级变换；再次划分数据集D直到得到决策树的管道；找到决策树的管道后，由开始管道服务的管道-目标运行方法运行；
工作请求元组，包括<Num_VM,Ram,Storage,Bandwidth,Execution_time,S_Time,E_Time>；其中Num_VM是所需虚拟机VM的数量，Ram是以兆字节为单位的内存，Storage是以兆字节为单位的磁盘空间，Bandwidth是以每秒兆字节为单位的网络带宽，Execution_time是执行时间，S_time是开始时间，E_time是完成时间，Nil表示空格；工作请求元组用于识别如下所提交的工作的类型，以通过管道树形分类器识别工作类型；
类型1：工作请求＝<Num_VM,Ram,Storage,Bandwidth,Execution_time,S_Time,E_Time>
类型2：工作请求＝<Num_VM,Ram,Storage,Bandwidth,Execution_time,S_Time,Nil>
类型3：工作请求＝<Num_VM,Ram,Storage,Bandwidth,Execution_time,Nil,Nil>
(3)任务卸载，获得最佳资源配置
云环境中的任务卸载包括在微云数据中心中的一组n个计算节点上调度的一动态组j个独立任务卸载请求；对于包含多个核的主机，利用云系统中的资源，多个工作请求可同时利用主机；
(a)数学模型：处理m个主机的任务卸载时，微云数据中心中的m个主机H＝{h1,h2,...,hm}，具有n个计算节点N＝{n1,n2,...nn}和j个任务T＝{t1,t2,...tj}；移动用户将任务提交给经纪人，任务由一组元组Ti＝{arri,memi,fini}表示，其中arri是到达时间，memi是存储器，fini是完成时间；所提交的任务经由经纪人映射到虚拟机VM；数学模型中关注虚拟机VM的使用、任务的完成时间、能量消耗和数据中心的成本；
(b)果蝇优化算法FOA：具体步骤如下：
步骤1：嗅觉器官用于嗅到食物来源并且开始朝食物来源方向飞去；
步骤2：灵敏视觉用于获得最佳美食和群集位置；
果蝇优化算法FOA是找到全局优化的有效方法；它经由邻居交互数据，使其相等并使用果蝇绝望的视觉和体能通过品尝获得最佳的位置；
根据果蝇优化算法FOA判断最佳资源配置，求出的目标函数如下：
①网络延迟：
通过网络传播任务的时间称为传输延迟；将任务j分配到第k个虚拟机VM上，其传输延迟为TL(j,k)，见公式(8)；
其中，Tj为任务输入；Tj_out为任务输出；Dj为分配给虚拟机VM的信道数据速率；
处理延迟PL(j,k)是第k个虚拟机VM上的任务j的估计时间，第k个虚拟机VM上的任务j的指令计数EICj,k和任务容量MIPSk计算得到，见公式(9)；
排队延迟QL(j,k)是第k个虚拟机VM上的任务j在队列中所用的时间，见公式(10)：
其中，m为队列中主机的个数，n为队列中计算节点的数量，PL(n,k)为第k个虚拟机VM上n个计算节点的排队延迟；
网络延迟NL(j,k)见公式(11)：
NL(j,k)＝TL(j,k)+PL(j,k)+QL(j,k) (11)
网络延迟函数f1(x)见公式(12)：
f1(x)＝min{NL(j,k)} (12)
②能量消耗：
将任务j分配给第k个虚拟机VM需要能量，目的是减少网络的所有能量消耗，能量消耗包括通讯能量和能量处理两部分；
处理能量的计算见公式(13)：
其中，Pe(j,k)表示第k个虚拟机VM上的任务j所需的处理能量；表示睡眠阶段第k个虚拟机VM所需的能量；表示第k个虚拟机VM所需的最高能量；Ue(j,k)表示第k个虚拟机VM利用的能量；
Ue(j,k)的计算见公式(14)：
Ue(j,k)＝Ce(j,k)·Exej (14)
其中，Exej表示任务j执行时间；Ce(j,k)表示第k个虚拟机VM上的任务j所需的通讯能量；
通讯能量的计算见公式(15)：
其中，Ce(j,k)表示第k个虚拟机VM上的任务j所需的通讯能量；εT表示在数据传输过程中能量消耗的速率；εR表示数据接收过程中能量消耗的速率；Din表示输入数据；Dout表示输出数据；Dr表示第k个虚拟机VM的数据速率；
第k个虚拟机VM上的任务j总的能量消耗Te(j,k)见公式(16)：
Te(j,k)＝Pe(j,k)+Ce(j,k) (16)
能量消耗函数f2(x)见公式(17)：
f2(x)＝min{Te(j,k)} (17)
③成本：
虚拟机VM的任务的成本为虚拟机用于执行任务的资源成本；数据中心的成本Ck见公式(18)：
Ck＝(VMk.ram+VMk.storage+VMk.bandwidth)*Exej (18)
其中，VMk.ram表示第k个虚拟机VM的内存；VMk.storage表示第k个虚拟机VM的磁盘空间；VMk.bandwidth表示第k个虚拟机VM的网络带宽；Exej表示任务j执行时间；
最后，使用阈值来识别虚拟机的负载：
如果一个虚拟机过载，则任务被移除，并根据任务执行的最后期限分配给已识别的虚拟机；再选择一个具有最小期限任务的虚拟机来提高数据中心的性能；基于气味的搜索用于查找可用的位置或虚拟机，基于视觉的搜索用于查找最佳位置或虚拟机，以将任务从超载的任务中转移。
CN201810530791.7A 2018-05-23 2018-05-23 基于移动云计算的计算密集型任务卸载和最佳资源配置的方法 Active CN108804227B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810530791.7A CN108804227B (zh) 2018-05-23 2018-05-23 基于移动云计算的计算密集型任务卸载和最佳资源配置的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810530791.7A CN108804227B (zh) 2018-05-23 2018-05-23 基于移动云计算的计算密集型任务卸载和最佳资源配置的方法

Publications (2)

Publication Number Publication Date
CN108804227A true CN108804227A (zh) 2018-11-13
CN108804227B CN108804227B (zh) 2021-05-07

Family

ID=64090738

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810530791.7A Active CN108804227B (zh) 2018-05-23 2018-05-23 基于移动云计算的计算密集型任务卸载和最佳资源配置的方法

Country Status (1)

Country Link
CN (1) CN108804227B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109639833A (zh) * 2019-01-25 2019-04-16 福建师范大学 一种基于无线城域网微云负载均衡的任务调度方法
CN109710404A (zh) * 2018-12-20 2019-05-03 上海交通大学 分布式系统中的任务调度方法
CN109918201A (zh) * 2019-03-05 2019-06-21 中国联合网络通信集团有限公司 任务卸载的控制方法和系统
CN109947551A (zh) * 2019-03-19 2019-06-28 中南大学 一种多轮次任务分配方法、边缘计算系统及其存储介质
CN110087318A (zh) * 2019-04-24 2019-08-02 重庆邮电大学 基于5g移动边缘计算的任务卸载和资源分配联合优化方法
CN110113761A (zh) * 2019-05-15 2019-08-09 南京大学 一种流数据处理应用在边缘计算网络中的部署方法和装置
CN110308993A (zh) * 2019-06-27 2019-10-08 大连理工大学 一种基于改进遗传算法的云计算资源分配方法
CN110321208A (zh) * 2019-06-27 2019-10-11 大连理工大学 一种求解云任务调度的进化计算方法
CN110928683A (zh) * 2019-11-14 2020-03-27 湖南工业大学 基于两类密集型虚拟机的边缘计算资源分配方法
CN112689303A (zh) * 2020-12-28 2021-04-20 西安电子科技大学 一种边云协同资源联合分配方法、系统及应用
CN113934472A (zh) * 2021-12-16 2022-01-14 江西师范大学 任务卸载方法、装置、设备及存储介质
CN115237506A (zh) * 2022-09-21 2022-10-25 暨南大学 Cps系统中可靠性驱动的分层任务卸载方法和装置
CN115861688A (zh) * 2022-11-22 2023-03-28 首都医科大学宣武医院 一种药品包装和容器外形建模识别和计数方法及系统
CN117608809A (zh) * 2024-01-18 2024-02-27 中国电子科技集团公司第十五研究所 基于梯度提升决策树的多任务计划进度预测系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899103A (zh) * 2015-07-03 2015-09-09 中国人民解放军国防科学技术大学 一种移动云计算终端节能调度方法和装置
CN105786610A (zh) * 2016-04-07 2016-07-20 吉林大学 计算密集型任务向云服务器中卸载的方法
WO2017176329A1 (en) * 2016-04-05 2017-10-12 Intel IP Corporation Devices and methods for mec v2x
CN107454136A (zh) * 2017-06-12 2017-12-08 北京邮电大学 一种基于端到端p2p的计算卸载方法、装置及控制设备
CN107465748A (zh) * 2017-08-18 2017-12-12 东南大学 移动边缘云计算系统中基于演进博弈的动态资源分配方法
US20180077246A1 (en) * 2016-09-14 2018-03-15 Verizon Patent And Licensing Inc. System and method for create session redirection

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899103A (zh) * 2015-07-03 2015-09-09 中国人民解放军国防科学技术大学 一种移动云计算终端节能调度方法和装置
WO2017176329A1 (en) * 2016-04-05 2017-10-12 Intel IP Corporation Devices and methods for mec v2x
CN105786610A (zh) * 2016-04-07 2016-07-20 吉林大学 计算密集型任务向云服务器中卸载的方法
US20180077246A1 (en) * 2016-09-14 2018-03-15 Verizon Patent And Licensing Inc. System and method for create session redirection
CN107454136A (zh) * 2017-06-12 2017-12-08 北京邮电大学 一种基于端到端p2p的计算卸载方法、装置及控制设备
CN107465748A (zh) * 2017-08-18 2017-12-12 东南大学 移动边缘云计算系统中基于演进博弈的动态资源分配方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
M. AL-AYYOUB: "Multi-agent based dynamic resource provisioning and monitoring for cloud computing systems infrastructure", 《SPRINGER, CLUSTER COMPUTING》 *
SHUO YAN: "An improved Id3 algorithm for medical data classification", 《COMPUTERS & ELECTRICAL ENGINEERING》 *
吴振铨: "车载边缘计算中基于信誉值的计算卸载方法研究", 《计算机应用研究》 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109710404A (zh) * 2018-12-20 2019-05-03 上海交通大学 分布式系统中的任务调度方法
CN109710404B (zh) * 2018-12-20 2023-02-07 上海交通大学 分布式系统中的任务调度方法
CN109639833A (zh) * 2019-01-25 2019-04-16 福建师范大学 一种基于无线城域网微云负载均衡的任务调度方法
CN109639833B (zh) * 2019-01-25 2021-09-07 福建师范大学 一种基于无线城域网微云负载均衡的任务调度方法
CN109918201B (zh) * 2019-03-05 2021-05-11 中国联合网络通信集团有限公司 任务卸载的控制方法和系统
CN109918201A (zh) * 2019-03-05 2019-06-21 中国联合网络通信集团有限公司 任务卸载的控制方法和系统
CN109947551A (zh) * 2019-03-19 2019-06-28 中南大学 一种多轮次任务分配方法、边缘计算系统及其存储介质
CN109947551B (zh) * 2019-03-19 2021-04-23 中南大学 一种多轮次任务分配方法、边缘计算系统及其存储介质
CN110087318A (zh) * 2019-04-24 2019-08-02 重庆邮电大学 基于5g移动边缘计算的任务卸载和资源分配联合优化方法
CN110087318B (zh) * 2019-04-24 2022-04-01 重庆邮电大学 基于5g移动边缘计算的任务卸载和资源分配联合优化方法
CN110113761A (zh) * 2019-05-15 2019-08-09 南京大学 一种流数据处理应用在边缘计算网络中的部署方法和装置
CN110308993A (zh) * 2019-06-27 2019-10-08 大连理工大学 一种基于改进遗传算法的云计算资源分配方法
CN110321208A (zh) * 2019-06-27 2019-10-11 大连理工大学 一种求解云任务调度的进化计算方法
CN110308993B (zh) * 2019-06-27 2022-12-13 大连理工大学 一种基于改进遗传算法的云计算资源分配方法
CN110321208B (zh) * 2019-06-27 2022-10-14 大连理工大学 一种求解云任务调度的进化计算方法
CN110928683A (zh) * 2019-11-14 2020-03-27 湖南工业大学 基于两类密集型虚拟机的边缘计算资源分配方法
CN110928683B (zh) * 2019-11-14 2022-01-28 湖南工业大学 基于两类密集型虚拟机的边缘计算资源分配方法
CN112689303B (zh) * 2020-12-28 2022-07-22 西安电子科技大学 一种边云协同资源联合分配方法、系统及应用
CN112689303A (zh) * 2020-12-28 2021-04-20 西安电子科技大学 一种边云协同资源联合分配方法、系统及应用
CN113934472B (zh) * 2021-12-16 2022-03-01 江西师范大学 任务卸载方法、装置、设备及存储介质
CN113934472A (zh) * 2021-12-16 2022-01-14 江西师范大学 任务卸载方法、装置、设备及存储介质
CN115237506A (zh) * 2022-09-21 2022-10-25 暨南大学 Cps系统中可靠性驱动的分层任务卸载方法和装置
CN115861688A (zh) * 2022-11-22 2023-03-28 首都医科大学宣武医院 一种药品包装和容器外形建模识别和计数方法及系统
CN115861688B (zh) * 2022-11-22 2023-08-11 首都医科大学宣武医院 一种药品包装和容器外形建模识别和计数方法及系统
CN117608809A (zh) * 2024-01-18 2024-02-27 中国电子科技集团公司第十五研究所 基于梯度提升决策树的多任务计划进度预测系统

Also Published As

Publication number Publication date
CN108804227B (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
CN108804227A (zh) 基于移动云计算的计算密集型任务卸载和最佳资源配置的方法
Mapetu et al. Low-time complexity and low-cost binary particle swarm optimization algorithm for task scheduling and load balancing in cloud computing
Chen et al. Deploying data-intensive applications with multiple services components on edge
Houssein et al. Task scheduling in cloud computing based on meta-heuristics: review, taxonomy, open challenges, and future trends
Zhou et al. An improved genetic algorithm using greedy strategy toward task scheduling optimization in cloud environments
Pourghebleh et al. The importance of nature-inspired meta-heuristic algorithms for solving virtual machine consolidation problem in cloud environments
Wang et al. Adaptive scheduling for parallel tasks with QoS satisfaction for hybrid cloud environments
Shi et al. Energy-aware container consolidation based on PSO in cloud data centers
Duggan et al. A reinforcement learning approach for the scheduling of live migration from under utilised hosts
CN113822456A (zh) 一种云雾混构环境下基于深度强化学习的服务组合优化部署方法
CN109710372B (zh) 一种基于猫头鹰搜索算法的计算密集型云工作流调度方法
Lakhan et al. Deadline aware and energy-efficient scheduling algorithm for fine-grained tasks in mobile edge computing
Hanani et al. A multi-parameter scheduling method of dynamic workloads for big data calculation in cloud computing
Genez et al. A particle swarm optimization approach for workflow scheduling on cloud resources priced by CPU frequency
Feng et al. Optimizing computation offloading strategy in mobile edge computing based on swarm intelligence algorithms
Shi et al. Location-aware and budget-constrained service brokering in multi-cloud via deep reinforcement learning
Kaur et al. OPSA: an optimized prediction based scheduling approach for scientific applications in cloud environment
Devagnanam et al. Design and development of exponential lion algorithm for optimal allocation of cluster resources in cloud
Lohi et al. Assessment of suitability of metaheuristics and machine learning for task scheduling process: A review of aptness in heavy task environments
Afzali et al. An efficient resource allocation of IoT requests in hybrid fog–cloud environment
Sonkar et al. Load prediction analysis based on virtual machine execution time using optimal sequencing algorithm in cloud federated environment
Pasdar et al. Data-aware scheduling of scientific workflows in hybrid clouds
Tang et al. Edge computing energy-efficient resource scheduling based on deep reinforcement learning and imitation learning
Menouer et al. Containers scheduling consolidation approach for cloud computing
Sharma et al. Adaptive Particle Swarm Optimization for Energy Minimization in Cloud: A Success History Based Approach

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant