CN109358953B - 一种微云中的多任务应用卸载方法 - Google Patents

Abstract

本发明公开了一种微云中的多任务应用卸载方法，所述方法包括：获取移动应用的完成时间、移动设备的能量消耗、任务卸载花费，建立微云中的多任务应用卸载模型；根据遗传算法求解所述模型，得到最优的多任务应用卸载策略；根据所述最优的多任务应用卸载策略执行微云中的多任务应用卸载。本发明的微云中的多任务应用卸载方法可以最小化多任务应用在任务卸载过程中移动设备消耗的能量以及用户的花费，且保证整个应用卸载的完成时间满足时间约束。

Description

一种微云中的多任务应用卸载方法

技术领域

本发明涉及移动云计算技术领域，具体涉及一种微云中的多任务应用卸载方法。

背景技术

云计算作为一种高效、按需的服务技术不仅改变了传统的计算模型，而且极大地促进了社会经济的发展和人们生活水平的提高。云服务提供者通过使用虚拟化、网络存储、分布式计算等多种技术把存储、服务器、应用软件等资源转化为资源共享池，用户只需要与云服务提供者经过简单的交互就可以实现资源的访问和利用。随着科技的快速进步和人们生活水平的显著提高，手机变成了人们最常使用的移动通信终端。国际电信联盟在2012年1月份的报告显示，全球手机用户达到59亿，移动宽带用户约为12亿，而在2015年年底的报告显示，全球手机用户数已达到71亿，移动宽带用户约为35亿，从这些统计数据可以看出移动互联网业务正以飞快的速度迅猛增长。同时，以苹果公司的iOS系统和Google公司的Android系统为代表的移动操作系统为移动应用程序的高效运行提供了平台支持。然而，由于手机自身固有的一些局限性，包括电池电量有限、CPU处理能力有限、存储空间有限、环境感知能力有限等现实技术特点，使得大量的应用程序无法持续、流畅、高效地在手机端获得运行。

移动云计算技术主要通过任务卸载来增强移动设备的处理能力以及降低电量受限设备的能耗，可以很好地解决上述问题。移动云计算中的任务卸载是指把移动设备的任务发送到云平台，然后由云平台处理，最后云平台向用户返回任务结果。由于不同的任务具有不同的计算量和数据传输量，在执行任务卸载操作之前，必须制定任务卸载策略以确定使用哪个云平台。并且，任务卸载策略将直接影响移动应用程序最终的运行性能。

在网络边缘的微云环境中，移动设备需要将一部分任务卸载到微云中，以便借助微云来高效的执行任务，同时，将任务卸载到微云中需要消耗移动设备一定的能量，并且用户也需要支付一定的费用。目前，还没有现有技术联合考虑应用程序的完成时间、移动设备消耗的能量以及用户的金钱花费提出微云中的多任务应用卸载方法。

发明内容

本发明的目的在于克服现有技术中存在的缺陷，提供一种微云中的多任务应用卸载方法，以最小化多任务应用在任务卸载过程中移动设备消耗的能量以及用户的花费。

本发明采用以下技术方案：

一种微云中的多任务应用卸载方法，所述方法包括：

S1、获取移动应用的完成时间、移动设备的能量消耗、任务卸载花费，建立微云中的多任务应用卸载模型；

S2、根据遗传算法求解所述模型，得到最优的多任务应用卸载策略；

S3、根据所述最优的多任务应用卸载策略执行微云中的多任务应用卸载。

进一步，所述微云中的多任务应用卸载模型为：

最小化所述移动设备的能量消耗以及所述任务卸载花费，且保证所述移动应用的完成时间小于一个给定的阈值，即：

minF＝λ₁·E_con+λ₂·c_total,λ₁+λ₂＝1

St.CT≤T_max

其中，F表示所述微云中的多任务应用卸载模型的目标函数，λ₁和λ₂分别表示对移动设备的能量消耗以及任务卸载花费的关注程度，CT表示所述应用的完成时间，T_max表示用户定义的时间阈值。

进一步，所述获取应用的完成时间包括：

S111、确定所述任务的优先级；

S112、确定每项任务的最早完成时间；

S113、确定所述应用的完成时间。

进一步，所述S111包括：

获取所述移动应用的任务队列；

获取所述移动应用的任务列表；

获取所述任务的工作负载；

将所述任务到结束任务的最长路径的长度加上所述任务的工作负载得到所述任务的优先级，计算公式如下：

其中，pri(v_i)表示任务v_i的优先级值，v_end表示结束任务，w_i表示任务v_i的工作负载。

进一步，所述S112包括：

所述最早完成时间计算公式如下：

EFT(v_i)＝EST(v_i)+t_i

其中，

t_i是任务的执行时间。

进一步，所述任务为在本地执行的任务，其执行时间为：

其中，w_i是任务v_i的工作负载，f_m是移动设备CPU的处理速度；

所述任务为卸载到微云的任务，其执行时间是：

其中，f_c是微云中CPU的处理速度，u_i和d_i分别是任务v_i需要上传以及下载的数据量大小，r_u和r_d分别是移动设备和微云之间的数据上传速率以及下载速率。

进一步，所述移动设备的能量消耗包括任务在本地执行所消耗的能量以及移动设备和微云进行数据传输所消耗的能量，表达式如下：

其中，

表示任务v_i在本地运行所需要消耗的能量，

表示任务卸载到微云执行过程中移动设备消耗的能量，n表示一个应用中任务的个数，α_i表示任务v_i的执行位置，α_i＝0表示任务v_i在本地执行，而α_i＝1表示任务v_i被卸载到微云执行；

其中，P_m是移动设备执行任务时能量消耗的速率，w_i是任务v_i的工作负载，f_m是移动设备CPU的处理速度；

其中，P_u和P_d分别是移动设备发送数据和接收数据所需要的传输功率，u_i和d_i分别是任务v_i需要上传以及下载的数据量大小，r_u和r_d分别是移动设备和微云之间的数据上传速率以及下载速率。

进一步，所述任务卸载花费包括微云的计算费用以及微云和移动设备进行数据通信的数据传输费用，表达式如下：

c_total＝c_cal+c_com

其中，将任务卸载到微云的计算花费c_cal为：

其中，c₁表示微云中每单位时间的计算花费，f_c是微云中CPU的处理速度，w_i是任务v_i的工作负载，n表示一个应用中任务的个数，α_i表示任务v_i的执行位置，α_i＝0表示任务v_i在本地执行，而α_i＝1表示任务v_i被卸载到微云执行；

将任务卸载到微云的通信花费c_com为：

其中，c₂表示微云中每单位时间的计算花费，u_i和d_i分别是任务v_i需要上传以及下载的数据量大小。

进一步，所述步骤S2包括：

S21、初始化一个种群，种群中的每一个个体表示一种卸载策略；

S22、对于种群中的每一个个体，通过下述的公式计算出CT、c_total、E_con以及F的值：

其中

表示所有任务都在本地执行移动设备所消耗的能量，

表示所有任务都卸载到微云执行用户的花费，种群中所有个体的F值都计算完成后，选取F值最小的个体所表示的卸载策略作为本轮次最优的卸载策略；

S23、根据fitness＝exp(1/F)得到种群中每个个体的适应度函数；

S24、选择、交叉以及变异：使用概率函数p＝fitness_i/sum(fitness_i)进行自然选择过程，之后淘汰适应度过小的个体，对剩下的个体进行交叉和变异；

S25、重复上述的S22-S24步骤，直到步骤S22得到的最优的F值不再变化为止，此时，该最优的F值对应的卸载策略就是最优的卸载策略。

本发明的优点和有益效果在于：

本发明提供一种微云中的多任务应用卸载方法，可以最小化多任务应用在任务卸载过程中移动设备消耗的能量以及用户的花费，且保证整个应用卸载的完成时间满足时间约束。

附图说明

图1为本发明DAG图的一个示例图；

图2为本发明需要将任务卸载到微云的一个场景示例图；

图3为本发明提供的一种微云中的多任务应用卸载方法流程示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明的目的在于提供一种最优的微云中的多任务应用卸载任务卸载策，以最小化多任务应用在任务卸载过程中移动设备消耗的能量以及用户的花费。本发明需要解决的问题如下：

对于一个移动应用G，它可以用有向无环图(DAG)表示，即G＝(V，E)。顶点集合V中的顶点v_i表示应用程序中的任务。每个任务都具有正的计算负载w_i。每条边(v_i,v_j)表示任务v_j对任务v_i具有依赖性。依赖集合是DAG的边集E。对于每个依赖项(v_i,v_j)，任务v_j的执行只能在v_i完成时开始。图1显示了DAG图的一个示例。

考虑图2中的这种场景，一些用户由于移动设备性能不足或者能量不足等原因，需要将他们的应用程序卸载到位于他们所在的建筑物的微云中。用户关心的是应用程序的完成时间，卸载的金钱成本以及移动设备的能量消耗这三个因素。在这种场景下，本发明需要做出一个卸载决策，以便最小化用户的花费以及用户移动设备的能量消耗，并且执行了这个卸载决策之后，用户所需卸载的应用的完成时间需要小于一个给定的阈值。

本发明提供的一种微云中的多任务应用卸载方法流程示意图如图3所示，所述方法包括：

S1、获取移动应用的完成时间、移动设备的能量消耗、任务卸载花费，建立微云中的多任务应用卸载模型；

S2、根据遗传算法求解所述模型，得到最优的多任务应用卸载策略；

S3、根据所述最优的多任务应用卸载策略执行微云中的多任务应用卸载。

下面对本发明的微云中的多任务应用卸载方法过程做进一步详细的阐述。

1、计算应用的完成时间

对于一个多任务应用，当卸载决策给定时，首先需要计算出在该任务卸载决策下该应用的完成时间。本发明将任务v_i的所有直接前导任务和直接后继任务的集合分别用为pred(v_i)和succ(v_i)表示。假设应用G有一个开始任务v_start，没有任何前导任务，并且假设有一个结束任务v_end，没有任何后继任务。

在一个给定的卸载决策的情况下，计算一个应用的完成时间需要经过以下几个步骤：

决定任务的优先级：在此阶段，任务v_i根据其调度的优先级进行从小到大的排序。任务的优先级由v_i到结束任务v_end的最长路径的长度加上任务v_i的工作负载w_i表示。

1)令pri(v_i)表示任务v_i的优先级值，则pri(v_i)由以下式子递归定义：

2)计算每项任务的最早完成时间：在此阶段，需要定义两个参数，即最早开始时间(EST)和最早完成时间(EFT)。任务v_i在其所有输入都可用之前无法开始执行。因此，任务v_i的最早开始时间被定义为任务v_i的所有直接前导任务的最大最早完成时间，并且任务v_i的最早完成时间被定义为任务v_i的最早开始时间加上v_i的执行时间。EST(v_i)和EFT(v_i)的值的计算公式计算如下所示：

EFT(v_i)＝EST(v_i)+t_i

其中t_i是任务的执行时间。t_i的值取决于任务v_i的执行位置(即本地运行或卸载到微云执行)。对于在本地执行的任务，其执行时间为：

其中w_i是任务v_i的工作负载，f_m是移动设备CPU的处理速度(IPS每秒处理的指令数)。

对于卸载到微云的任务v_i，其执行时间是：

其中，f_c是微云中CPU的处理速度，u_i和d_i分别是任务v_i需要上传以及下载的数据量大小，r_u和r_d分别是移动设备和微云之间的数据上传速率以及下载速率，上式由三部分组成：在微云上任务v_i的执行时间，将数据传输到微云所用的时间，以及将微云的执行结果从微云传输到移动设备所用的时间。

2)计算应用的完成时间：移动应用的完成时间作为本发明的最优化问题的约束条件。应用程序的完成时间(CT)需要低于用户定义的阈值T_max，即CT≤T_max。对于一个应用，其应用的完成时间应该是结束任务v_end的最早完成时间，即CT＝EFT(v_end)≤T_max。

2.计算移动设备的能量消耗

使用α_i表示任务v_i的执行位置，α_i＝0表示任务v_i在本地执行，而α_i＝1表示任务v_i被卸载到微云执行。

对于一个需要进行任务卸载的应用来说，移动设备所需要消耗的能量包括任务在本地执行所消耗的能量以及移动设备和微云进行数据传输所消耗的能量。移动设备总的能量消耗E_con由以下式子定义：

其中n表示一个应用中任务的个数，

表示任务v_i在本地运行所需要消耗的能量：

其中，P_m是移动设备执行任务时能量消耗的速率。

是任务卸载到微云执行过程中移动设备消耗的能量，这个能量消耗包括移动设备将输入数据传输到微云所消耗的能量以及接收微云输出的执行结果所消耗的能量，

的计算公式为：

其中，P_u和P_d分别是移动设备发送数据和接收数据所需要的传输功率，u_i和d_i分别是任务v_i需要上传以及下载的数据量大小，r_u和r_d分别是移动设备和微云之间的数据上传速率以及下载速率。

3.计算用户进行任务卸载的花费

将任务卸载到微云中，用户需要支付一定的任务卸载费用。这笔费用包括微云的计算费用以及微云和移动设备进行数据通信的数据传输费用。令c₁为微云中每单位时间的计算花费，c₂为微云与移动设备进行数据传输过程中每单位数据量的通信花费，则将任务卸载到微云的计算花费c₂为：

将任务卸载到微云的通信花费c_com为：

任务卸载总的花费c_total为：

c_total＝c_cal+c_com

4.建立目标函数

基于上述对应用的完成时间，移动设备消耗的能量以及总花费的定义，本发明提出的目标函数如下所示：

minF＝λ₁·E_con+λ₂·c_total,λ₁+λ₂＝1

St.CT≤T_max

其中，F表示所述微云中的多任务应用卸载模型的目标函数，λ₁和λ₂分别表示对移动设备的能量消耗以及任务卸载花费的关注程度。本发明提出的目标函数表示需要最小化移动设备的能量消耗以及任务卸载花费。

5.利用遗传算法对目标函数进行求解

在上述系统模型和优化目标下，本发明提出了基于遗传算法的卸载决策。

遗传算法(GA)是受自然进化中观察到的过程启发的启发式算法。GA通过依靠生物启发的变异，交叉和选择等运算符来生成高质量的优化问题的解决方案。本发明使用遗传算法来解决前面提出的最优化问题，其具体步骤为：

1)初始化一个种群，种群中的每一个个体表示一种卸载策略；

2)对于种群中的每一个个体，通过下述的公式计算出CT、c_total、E_con以及F的值：

其中

表示所有任务都在本地执行移动设备所消耗的能量，

表示所有任务都卸载到微云执行用户的花费，种群中所有个体的F值都计算完成后，选取F值最小的个体所表示的卸载策略作为本轮次最优的卸载策略；

3)根据fitness＝exp(1/F)得到种群中每个个体的适应度函数，这个适应度函数表明个体(即卸载决策)的F值越小，该个体的适应度函数值就越大，该个体就越应该保留下来；

4)选择、交叉以及变异：使用概率函数p＝fitness_i/sum(fitness_i)进行自然选择过程，i表示种群中的每一个个体，这个概率函数表明个体的适应度越大，就越有可能保留下来。经过上述选择过程之后，一些适应度过小的个体会被淘汰，种群的个体数量会减少，本发明通过对剩下的个体进行交叉和变异来模拟自然界的繁衍过程，增加新的个体，以保持种群的数量不变；

5)重复上述的2)-4)步骤，直到步骤2)得到的最优的F值不再变化为止，此时，该最优的F值对应的卸载策略就是最优的卸载策略。

本发明提供一种微云中的多任务应用卸载方法，可以最小化多任务应用在任务卸载过程中移动设备消耗的能量以及用户的花费，且保证整个应用卸载的完成时间满足时间约束。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种微云中的多任务应用卸载方法，其特征在于，所述方法包括：

S1、获取移动应用的完成时间、移动设备的能量消耗、任务卸载花费，建立微云中的多任务应用卸载模型；

S2、根据遗传算法求解所述模型，得到最优的多任务应用卸载策略；

S3、根据所述最优的多任务应用卸载策略执行微云中的多任务应用卸载；

所述微云中的多任务应用卸载模型为：

最小化所述移动设备的能量消耗以及所述任务卸载花费，且保证所述移动应用的完成时间小于一个给定的阈值，即：

minF＝λ₁·E_con+λ₂·c_total,λ₁+λ₂＝1

St.CT≤T_max

其中，F表示所述微云中的多任务应用卸载模型的目标函数，λ₁和λ₂分别表示对移动设备的能量消耗以及任务卸载花费的关注程度，CT表示所述应用的完成时间，T_max表示用户定义的时间阈值，E_con表示移动设备的能量消耗，C_total表示任务卸载花费。

2.如权利要求1所述的方法，其特征在于，所述获取应用的完成时间包括：

S111、确定所述任务的优先级；

S112、确定每项任务的最早完成时间；

S113、确定所述应用的完成时间。

3.如权利要求2所述的方法，其特征在于，所述S111包括：

获取所述移动应用的任务队列；

获取所述移动应用的任务列表；

获取所述任务的工作负载；

将所述任务到结束任务的最长路径的长度加上所述任务的工作负载得到所述任务的优先级，计算公式如下：

其中，pri(v_i)表示任务v_i的优先级值，v_end表示结束任务，w_i表示任务v_i的工作负载。

4.如权利要求3所述的方法，其特征在于，所述S112包括：

所述最早完成时间计算公式如下：

EFT(v_i)＝EST(v_i)+t_i

其中，

t_i是任务的执行时间。

5.如权利要求4所述的方法，其特征在于，所述任务为在本地执行的任务，其执行时间为：

其中，w_i是任务v_i的工作负载，f_m是移动设备CPU的处理速度；

所述任务为卸载到微云的任务，其执行时间是：

其中，f_c是微云中CPU的处理速度，u_i和d_i分别是任务v_i需要上传以及下载的数据量大小，r_u和r_d分别是移动设备和微云之间的数据上传速率以及下载速率。

6.如权利要求1所述的方法，其特征在于，所述移动设备的能量消耗包括任务在本地执行所消耗的能量以及移动设备和微云进行数据传输所消耗的能量，表达式如下：

其中，

表示任务v_i在本地运行所需要消耗的能量，

表示任务卸载到微云执行过程中移动设备消耗的能量，n表示一个应用中任务的个数，α_i表示任务v_i的执行位置，α_i＝0表示任务v_i在本地执行，而α_i＝1表示任务v_i被卸载到微云执行；

其中，P_m是移动设备执行任务时能量消耗的速率，w_i是任务v_i的工作负载，f_m是移动设备CPU的处理速度；

其中，P_u和P_d分别是移动设备发送数据和接收数据所需要的传输功率，u_i和d_i分别是任务v_i需要上传以及下载的数据量大小，r_u和r_d分别是移动设备和微云之间的数据上传速率以及下载速率。

7.如权利要求1所述的方法，其特征在于，所述任务卸载花费包括微云的计算费用以及微云和移动设备进行数据通信的数据传输费用，表达式如下：

c_total＝c_cal+c_com

其中，将任务卸载到微云的计算花费c_cal为：

其中，c₁表示微云中每单位时间的计算花费，f_c是微云中CPU的处理速度，w_i是任务v_i的工作负载，n表示一个应用中任务的个数，α_i表示任务v_i的执行位置，α_i＝0表示任务v_i在本地执行，而α_i＝1表示任务v_i被卸载到微云执行；

将任务卸载到微云的通信花费c_com为：

其中，c₂表示微云中每单位时间的计算花费，u_i和d_i分别是任务v_i需要上传以及下载的数据量大小。

8.如权利要求1所述的方法，其特征在于，所述步骤S2包括：

S21、初始化一个种群，种群中的每一个个体表示一种卸载策略；

S22、对于种群中的每一个个体，通过下述的公式计算出CT、c_total、E_con以及F的值：

其中

表示所有任务都在本地执行移动设备所消耗的能量，

表示所有任务都卸载到微云执行用户的花费，种群中所有个体的F值都计算完成后，选取F值最小的个体所表示的卸载策略作为本轮次最优的卸载策略；

S23、根据fitness＝exp(1/F)得到种群中每个个体的适应度函数；

S24、选择、交叉以及变异：使用概率函数p＝fitness_i/sum(fitness_i)进行自然选择过程，之后淘汰适应度过小的个体，对剩下的个体进行交叉和变异；

S25、重复上述的S22-S24步骤，直到步骤S22得到的最优的F值不再变化为止，此时，该最优的F值对应的卸载策略就是最优的卸载。

Images