CN110990130B - 一种可再生自适应计算卸载分层服务质量优化方法 - Google Patents

Abstract

本发明公开了一种可再生自适应计算卸载分层服务质量优化方法，其特点是采用分层QoS优化方法，设计一个对于给定目标系统和一组实时应用程序，在终端设备层通过连续进行应用级和组件级的能量分配产生本地调度，并在雾层通过可再生自适应计算卸载导出最优的本地‑远程调度解决方案，具体包括应用程序模型、QoS模型和能量模型的构建。本发明与现有技术相比具有整体和单个应用程序的QoS分别提高了135.88％和48.49％，优化整个系统的QoS，利用释放的能量来增强到最优的本地执行的这些应用的QoS，方法简便，效率高。

Description

一种可再生自适应计算卸载分层服务质量优化方法

技术领域

本发明涉及云服务器技术领域，尤其是一种用于雾计算中可再生自适应计算卸载分层服务质量优化方法。

背景技术

随着新兴移动应用的普及，越来越多的物理设备将连接到互联网，由于高延迟的主要缺点，使用“云服务器-终端设备”的传统架构范例来对来自众多终端设备的传输数据进行分析和决策往往是无效的甚至是不可行的。从而提出将计算从云服务器推送到网络边缘的雾计算作为实现物联网的替代解决方案。雾计算是用于实现物联网的新兴架构范例，其中计算从云服务器移动到网络边缘。

现有技术的雾计算系统设计集中于减少应用程序处理延迟，忽略了应用程序的实时要求和终端设备的可重用性，显著降低应用程序的功能和服务质量(QoS)。

发明内容

本发明的目的是针对现有技术的不足而设计的一种可再生自适应计算卸载分层服务质量优化方法，采用分层QoS优化方法，设计一个对于给定目标系统和一组实时应用程序，在终端设备层通过连续进行应用级和组件级的能量分配产生本地调度，并在雾层通过可再生自适应计算卸载导出最优的本地-远程调度解决方案，不仅优化了在雾计算系统中执行近似计算的实时应用程序的QoS，其中包含混合供应的收获和网络能量，利用雾层判断是否触发应用程序的计算卸载，将能量分配增强到最佳的本地-远程，尤其考虑了终端设备的可重用性，整体和单个应用程序的QoS分别提高了135.88％和48.49％，方法简单，使用方便，效率高。

本发明的目的是这样实现的：一种可再生自适应计算卸载分层服务质量优化方法，其特点是采用分层QoS优化方法，设计一个对于给定目标系统和一组实时应用程序，在终端设备层通过连续进行应用级和组件级的能量分配产生本地调度，并在雾层通过可再生自适应计算卸载导出最优的本地-远程调度解决方案，其具体优化包括以下步骤：

步骤1：构建应用程序模型、QoS模型和能量模型的雾计算系统架构。

步骤2：在终端设备层的第一阶段，使用基于博弈论的应用级能量分配，将终端设备的能量供应分配给本地执行的应用程序。

步骤3：使用基于MILP的组件级能量分配，将步骤2应用程序生成的能量供应分配给传感器、MPSoC和收发器，并在截止日期限制下最大化应用程序在本地执行的QoS。

步骤4：在雾层的第二阶段，判断是否需要触发应用程序的计算卸载，将生成的本地调度解决方案增强到最优的本地-远程调度解决方案，如果应用程序的远程执行增益高于其本地执行增益，则应用程序将其在第一阶段中收集的输入数据从本地终端设备转发到远程雾化服务器并且询问雾服务器而不是终端设备执行其所有任务，除了用于维持计算卸载的必要能量之外，应用程序将释放终端设备在第一阶段分配的所有能量，然后利用释放的能量来增强仍然选择在终端设备上本地执行的这些应用的QoS。

步骤5：分配结束。

所述步骤1中的应用程序模型按下述步骤构建：

步骤A1：设有N个用户U＝{U₁,U₂,…,U_N}，A＝{A₁,A₂,…,A_N}表示由N和用户提交的应用集，其中与用户U_i相关联的应用A_i(1≤i≤N)具有期限D_i，应用集A是基于帧的，并且帧大小也称为调度范围由

给出，应用程序A_i由ξ_i个独立任务组成

所有任务共享具有总量I_i的输入数据。

步骤A2：任务τ_i,m(1≤m≤ξ_i)在逻辑上分为强制部分和可选部分，强制部分包含常量执行周期M_i,m必须完全完成产生基本可接受的结果，可选部分包含最大执行周期O_i,m，可以不完全完成以增加基本结果。

步骤A3：引入变量α_i,m∈[0,1]，其表示执行的可选循环与任务τ_i,m的总可选比率，所述任务τ_i,m实际执行长度按下述a式计算：

l_i,m＝M_i,m+α_i,m×O_i,m a。

所述步骤1中的QoS模型按下述步骤构建：

步骤B1：在应用程序A_i在终端设备上本地执行的情况下，其QoS被表示为成功发送的输出数据的总量，由本地执行应用程序A_i生成的输出数据总量由下述b式表示为：

所述QoS由下述c式表示为：

其中：β_i表示成功发送的输出数据量与生成的输出数据总量的比率。

步骤B2：在雾化服务器S上远程执行应用程序A_i的情况下，其QoS表示为应用程序中所有任务的输出数据总量，应用程序A_i的QoS由下述d式表示为：

其中：

是远程执行应用程序A_i的所有任务产生的输出数据总和；

是通过远程执行任务τ_i,m生成的输出数据量。

步骤B3：应用程序A_i的QoS由下述e式表示为：

其中：δ_i∈{0,1}是二元决策变量。

步骤B4：当应用程序A_i决定将其计算转移到雾化服务器时，δ_i被设置为0；否则，将δ_i设置为1，因此，在调度范围[t,t+H]期间实现的系统QoS由下述f式计算为N个应用所获得QoS的总和Q：

所述步骤1中的能量模型按下述步骤构建：

步骤C1：由下述g式计算调度范围[t,t+H]期间可再生能源的收获能力P_harv(t)：

步骤C2：由下述h式计算调度范围[t,t+H]期间终端设备总可用能量

其中：

表示能量存储模块在时间t时提供的能量供应。

步骤C3：由下述i式计算传感器、MPSoC和数据收发器的总能量消耗

其中：

为传感器能量消耗；

为MPSoC能量消耗；

或

为收发器能量消耗；

所述

其中：P_sen为传感器总能量消耗，如果应用程序A_i在终端设备的本执行，则

是将应用程序A_i的输出数据从终端设备发送到雾服务器所消耗的能量。

所述

其中：P_tra是数据收发器的功耗，如果在雾化服务器上远程完成应用程序A_i，则

是将应用程序A_i的输出数据从终端设备发送到雾化服务器所消耗的能量。

所述

是在雾服务器上远程完成应用程序A_i，则

是将应用程序A_i的输出数据从终端设备发送到雾化服务器所消耗的能量。

G处理器能耗由下述j式计算：

其中：P_g和C_g分别为G处理器的静态功耗和有效开关电容，两者是G处理器体系结构相关常数；Γ_i,g是任务集Γ_i的子集，且由分配给G处理器的这些任务组成，因此，在每个调度范围期间终端设备的整体能量消耗由下述k式计算：

所述步骤2具体包括下述步骤：

步骤D1：由元组{A,E,F}表述N个玩家合作游戏，其中：A＝{A₁,A₂,…A_N}是玩家组。

步骤D2：由

表示合作游戏中涉及的N个应用可能达到的候选纳什议价协议的集合

其代表N个应用的初始协议，其中：

为确保满足初始性能要求为应用A_i提供的最小能量供应。

步骤D3：由

表示分配的能量供应的应用QoS功能的集合，并以下述l式制定能源分配博弈：

步骤D4：由下述n式将应用程序A_i的性能功能定义为应用程序通过提供的能量供应

实现的近似QoS：

其中:

是应用程序A_i在一个设备L执行应用程序A_i时产生单位量的QoS所消耗的能量；

为能量供应。

步骤D5：给定能量供应

预设设备L在调度时间范围[t,t+H]和N个应用的基本QoS的要求

得出能量分配的最佳协议

并由下述m_1-4式以最大化系统的QoS和各个应用的QoS优化的能量分配定义如下：

其中：

为应用程序A_i为实现其初始性能要求

而应分配给它的最小能量预算；

为应用程序A_i在截止时间约束下最大化其自身QoS所需的最大能量供应。

步骤D6：将目标函数转化为典型的凸函数，即最小化

验证原目标函数的约束集是凸的，并由下述o式的拉格朗日表示：

其中：

ψ_i,ω_i是拉格朗日乘子，令一阶偏导

得：

其中：

为最佳拉格朗日乘子，最佳解决方案为

步骤D7：根据Karush-Kuhn-Tucker条件有：

其中，

意味着在合作博弈后由应用程序A_i实现的性能等于其基本要求

的特殊情况，而当

时，则可得到

由原始问题的对偶问题来获得，其对偶问题由下述p式表示为：

其中：s.t.ψ_i≥0；

步骤D8：如果其Hessian矩阵中每个元素非负，则函数是凸的，而

即对偶问题的Hessian矩阵中每个元素非负，亦即对偶问题是凸的，有唯一的最优解。

所述步骤3包括以下变量的定义：

B_i,m为任务τ_i,m开始时间；α_i,m为任务τ_i,m可选执行因子；

为传感器分配的能量；

为任务执行分配的能量；

为结果传输分配的能量。

如果在终端设备上本地执行的QoS，则应用程序的QoS不能超过其生成的输出数据的总量，通过将生成的输出数据的总量

限制为完全传输，

实际上是应用程序A_i实现的本地执行QoS

其目标函数由下述q式表示：

并且满足如下约束条件：

将A_i,m,g∈{0,1}的整数约束放宽到A_i,m,g∈[0,1]，以此减少时间开销，为避免违反

的约束，将A_i,m,g与给定阈值A_thr进行比较，如果A_i,m,g≥A_thr成立，则A_i,m,g＝1；否则A_i,m,g＝0。

所述步骤4具体包括下述步骤：

步骤E1：在终端设备层进行QoS优化的第一阶段后获得一个最佳QoS集

假设在没有雾化服务器的帮助下所有N个应用都在终端设备L上本地执行。

步骤E2：在雾层的QoS优化的第二阶段，利用计算卸载的概念来重新定义并提高每个应用程序可能实现的QoS。

步骤E3：基于计算卸载指南，如果应用程序的远程执行增益高于其本地执行增益，则应用程序将触发计算卸载，即在保持应用程序A_i的能量和期限在约束范围内时，当

时，应用程序A_i将其在第一阶段收集的输入数据从本地终端设备转发到远程雾化服务器上询问雾化服务器，而不是终端设备去执行其所有任务，并由下述r式进行更新终端设备L处理应用程序A_i所消耗的能量

的计算：

得到能量供应

和能量耗散

之间的能量差为释放的能量。

步骤E4：将应用程序A_i释放的能量重新分配给那些不能满足

并因此选择在终端设备L上执行的本地执行的应用程序是有利的，其结果不仅提高了应用程序A_i的QoS，还可以重新定义其他应用程序的QoS，从而增强整个系统的QoS。

步骤E5：将计算卸载标记δ_i初始化为1，并将QoS Q_i设置为每个应用程序A_i的本地执行QoS

在终端设备L的能量供应足够的情况下，即标记E＝1，则不需要执行计算卸载，因此直接返回每个应用在本地实现的QoS；相反，在终端设备L的能量供应不足的情况下，即标记E＝0，可能触发计算卸载，此时，初始化终端设备L的总能耗

用于处理远程执行的应用程序；如果应用程序A_i选择在雾化服务器上远程执行，则计算时间开销

检查应用程序A_i的所有可选执行周期是否完成，如果答案为否，则将标记λ_i置为1，然后计算能量消耗

假设应用程序A_i在雾化服务器上执行，检查是否同时满足下述条件：

如果条件

为真，则存在松弛时间使雾化服务器提高应用程序A_i的QoS；如果条件

为真，则存在足够的能量将输入数据从终端设备转发到雾化服务器；如果条件λ_i＝1为真，则存在应用程序A_i的未完成的可选的执行循环；如果三个条件都为真，则条件

成立，此时触发应用程序A_i的计算卸载，即将计算卸载标记δ_i更新为0，并导出可用于QoS增强的松弛时间

步骤E6：使用迭代更新任务的可选执行因子和应用QoS _Qi，当应用程序A_i的松弛时间

耗尽时，更新能量消耗

并且进行下一个应用程序的QoS的改善，对于仍然选择在终端设备上本地执行的这些应用，在某些应用的计算卸载到雾化服务器之后导出它们的可用能量供应

并重新确定能量到应用和能量组件的分配，以增强本地执行QoS；最后，最优本地远程调度解决方案是更新每个应用程序中所有任务的可选执行因子，卸载标记集(δ₁,δ₂,…,δ_N)，应用QoS集(Q₁,Q₂,…,Q_N)。

本发明与现有技术相比具有不仅优化了整个系统的QoS，还通过使用博弈论和混合整数线性规划(MILP)技术，在终端设备层的应用级和组件级设计出本地最优能量分配方案，而且在雾层，通过明智地判断是否需要触发应用程序的计算卸载，将终端设备层的能量分配方法增强到最优的本地-远程调度解决方案。

附图说明

图1为运行10个合成工作负载时，应用级能量分配算法实现的系统QoS；

图2为运行10个合成工作负载的应用程序级分配算法实现的应用程序QoS标准偏差；

图3为运行10个合成应用程序时，组件级能量分配算法实现的应用程序QoS；

图4为运行10个合成工作负载时，通过不同的算法有/无计算浮动实现系统QoS；

图5为运行10个合成工作负载时，使用/不使用计算卸载的不同算法实现的应用程序QoS的标准偏差；

图6为运行10个真实工作负载时，通过应用级能量分配算法实现的系统QoS；

图7为运行10个实际工作负载的应用程序级分配算法实现的应用程序QoS标准偏差；

图8为运行10个实际应用程序时，通过组件级能量分配算法实现的应用程序QoS；

图9为运行10个真实工作负载时，通过不同的算法有/无计算浮动实现系统QoS；

图10为运行10个实际工作负载时，使用/不使用计算卸载的不同算法实现的应用QoS标准偏差。

具体实施方式

本发明包括应用程序模型、QoS模型和能量模型的构建，采用分层QoS优化方法，设计一个对于给定目标系统和一组实时应用程序，考虑效率和公平性的应用程序调度方案，并满足相应的条件约束。该方法包括两个阶段：终端设备层的QoS优化和雾层的QoS优化，在终端设备层的第一阶段，通过使用开发的应用级和组件级能量分配方案生成最佳的本地应用调度解决方案；在雾层的第二阶段，通过智能地判断是否需要触发应用程序的计算卸载，将生成的本地调度解决方案增强到最优的本地-远程应用程序调度解决方案。如果应用程序的远程执行增益高于其本地执行增益，则应用程序将其在第一阶段中收集的输入数据从本地终端设备转发到远程雾化服务器并且询问雾服务器而不是终端设备执行其所有任务。同时，除了用于维持飞行计算的必要能量之外，应用程序将释放终端设备在第一阶段分配的所有能量，然后利用释放的能量来增强仍然选择在终端设备上本地执行的这些应用的QoS，其具体优化包括以下步骤：

步骤1：构建应用程序模型、QoS模型和能量模型的雾计算系统架构；

步骤2：在终端设备层的第一阶段，使用基于博弈论的应用级能量分配，将终端设备的能量供应分配给本地执行的应用程序；

步骤3：使用基于MILP的组件级能量分配，将步骤2应用程序生成的能量供应分配给传感器、MPSoC和收发器，并在截止日期限制下最大化应用程序在本地执行的QoS；

步骤4：在雾层的第二阶段，判断是否需要触发应用程序的计算卸载，将生成的本地调度解决方案增强到最优的本地-远程调度解决方案，如果应用程序的远程执行增益高于其本地执行增益，则应用程序将其在第一阶段中收集的输入数据从本地终端设备转发到远程雾化服务器并且询问雾服务器而不是终端设备执行其所有任务，除了用于维持计算卸载的必要能量之外，应用程序将释放终端设备在第一阶段分配的所有能量，然后利用释放的能量来增强仍然选择在终端设备上本地执行的这些应用的QoS；

步骤5：分配结束。

本发明的步骤1具体实现过程包括以下步骤：

步骤A1：应用程序模型的构建

设有N个用户U＝{U₁,U₂,…,U_N}，A＝{A₁,A₂,…,A_N}表示由N和用户提交的应用集，其中与用户U_i相关联的应用a_i(1≤i≤N)具有期限D_i，应用集A是基于帧的，并且帧大小也称为调度范围由

给出，应用程序A_i由ξ_i个独立任务组成

所有任务共享具有总量I_i的输入数据。任务τ_i,m(1≤m≤ξ_i)在逻辑上分为强制部分和可选部分，强制部分包含常量执行周期M_i,m必须完全完成产生基本可接受的结果，可选部分包含最大执行周期O_i,m，可以不完全完成以增加基本结果。引入变量α_i,m∈[0,1]，表示执行的可选循环与任务τ_i,m的总可选比率。所以，任务τ_i,m实际执行长度由下述a式计算：

l_i,m＝M_i,m+α_i,m×O_i,m (a)。

步骤A2：QoS模型的构建

在应用程序A_i在终端设备上本地执行的情况下，其QoS被表示为成功发送的输出数据的总量，由本地执行应用程序A_i生成的输出数据总量由下述b式表示：

所述QoS由下述c式表示：

其中：β_i表示成功发送的输出数据量与产生的输出数据总量的比率。

在雾服务器S上远程执行应用程序A_i的情况下，其QoS表示为应用程序中所有任务的输出数据总量，应用程序A_i的QoS由下述d式表示为：

其中：

是远程执行应用程序A_i的所有任务产生的输出数据总和；

是通过远程执行任务τ_i,m生成的输出数据量。

综上，应用程序A_i的QoS由下述e式表示为：

其中：δ_i∈{0,1}是二元决策变量，当应用程序A_i决定将其计算转移到雾服务器时，δ_i被设置为0；否则，将δ_i设置为1。因此，在调度范围[t,t+H]期间实现的系统QoS由下述f式计算为N个应用所获得QoS的总和Q：

步骤A3：能量模型的构建

记P_harv(t)为可再生能源的收获能力，并由下述g式计算调度范围[t,t+H]期间可再生能源的收获能力P_harv(t)：

记

为调度范围[t,t+H]期间终端设备总可用能量，并由下述h式计算调度范围[t,t+H]期间终端设备总可用能量

其中：

表示能量存储模块在时间t时提供的能量供应。

用于处理应用的终端设备消耗的能量包括三个部分：传感器能量消耗

MPSoC能量消耗

和收发器能量耗散

或

并由下述i式计算传感器、MPSoC和数据收发器的总能量消耗

其中：

为传感器能量消耗；

为MPSoC能量消耗；

或

为数据收发器能量消耗。

所述

其中：P_sen为传感器总能量消耗，如果应用程序A_i在终端设备的本执行，则

是将应用程序A_i的输出数据从终端设备发送到雾化服务器所消耗的能量。

所述

其中：P_tra是数据收发器的功耗，如果在雾化服务器上远程完成应用程序A_i，则

是将应用程序A_i的输出数据从终端设备发送到雾化服务器所消耗的能量。

所述

是在雾化服务器上远程完成应用程序A_i，则

是将应用程序A_i的输出数据从终端设备发送到雾化服务器所消耗的能量。

G处理器能耗由下述j式计算：

其中：P_g和C_g分别为G处理器的静态功耗和有效开关电容，两者是G处理器体系结构相关常数；Γ_i,g是任务集Γ_i的子集，且由分配给G处理器的这些任务组成。因此，在每个调度范围期间终端设备的整体能量消耗由下述k式计算：

本发明步骤2的实现过程具体包括：

步骤D1：N个玩家合作游戏由元组{A,E,F}来表述，其中A＝{A₁,A₂,…A_N}是玩家组，

是合作游戏中涉及的N个应用可能达到的候选纳什议价协议的集合

代表N个应用的初始协议，其中，

是确保满足初始性能要求为应用A_i提供的最小能量供应；

表示分配的能量供应的应用QoS功能的集合。

步骤D2：纳什议价的解决方法可以通过下述l式解决最大化一下优化问题来获得：

步骤D3：制定能源分配博弈，应用程序A_i的性能功能定义为应用程序通过提供的能量供应

实现的近似QoS，即由下述n式表示：

其中，

是应用程序A_i在一个设备L执行应用程序A_i时产生单位量的QoS所消耗的能量。

步骤D4：QoS优化问题的能量分配定义如下：

给定能量供应

预设设备L在调度时间范围[t,t+H]和N个应用的基本QoS的要求

得出能量分配的最佳协议

以最大化系统的QoS和各个应用的QoS，即由下述m_1-4式以最大化系统的QoS和各个应用的QoS优化的能量分配表示：

其中：

是应用程序A_i为实现其初始性能要求

而应分配给它的最小能量预算；

是应用程序A_i在截止时间约束下最大化其自身QoS所需的最大能量供应。

步骤D5：目标函数可以转化为典型的凸函数，即最小化

而且容易验证原目标函数的约束集是凸的。采用拉格朗日乘数法解决这一问题，研究问题的拉格朗日表达式由下述o式表示：

其中：

ψ_i,ω_i是拉格朗日乘子，令一阶偏导

得：

其中：

为最佳拉格朗日乘子，最佳解决方案为

步骤D6：根据Karush-Kuhn-Tucker有下述条件：

意味着在合作博弈后由应用程序A_i实现的性能等于其基本要求

的特殊情况；而当

时，则可得到

由原始问题的对偶问题来获得，其对偶问题由下述p式表示为：

s.t.ψ_i≥0；

步骤D7：对于原问题的对偶问题，有必要证明至少有一个最优解，则这个最优解也是原问题的最优解，而对于对偶问题，显然它有一个凸约束集，如果其Hessian矩阵中每个元素非负，则函数是凸的，而

即对偶问题的Hessian矩阵中每个元素非负，亦即对偶问题是凸的，有唯一的最优解。

本发明步骤3包括以下变量的定义：

B_i,m为任务τ_i,m开始时间；α_i,m为任务τ_i,m可选执行因子；

为传感器分配的能量；

为任务执行分配的能量；

为结果传输分配的能量。

如果在终端设备上本地执行，则应用程序的QoS不能超过其生成的输出数据的总量。通过将生成的输出数据的总量

限制为完全传输，

实际上是应用程序A_i实现的本地执行QoS

其目标函数由下述q式表示：

并且满足如下约束条件：

这里，对A_i,m,g∈{0,1}的整数约束放宽到A_i,m,g∈[0,1]，以此减少时间开销，为避免违反

的约束，将A_i,m,g与给定阈值A_thr进行比较，如果A_i,m,g≥A_thr成立，则A_i,m,g＝1；否则A_i,m,g＝0。

本发明步骤4具体包括下述步骤：

步骤E1：在终端设备层进行QoS优化的第一阶段后获得一个最佳QoS集

假设在没有雾化服务器的帮助下所有N个应用都在终端设备L上本地执行。

步骤E2：在雾层的QoS优化的第二阶段，利用计算卸载的概念来重新定义并提高每个应用程序可能实现的QoS，基于计算卸载指南，提出了可再生的自适应的计算卸载方法。

步骤E3：基于计算卸载指南，如果应用程序的远程执行增益高于其本地执行增益，则应用程序将触发计算卸载，即在保持应用程序A_i的能量和期限在约束范围内时，当

时，应用程序A_i将其在第一阶段收集的输入数据从本地终端设备转发到远程雾服务器上询问雾服务器，而不是终端设备去执行其所有任务。

步骤E4：由下述r式进行更新终端设备L处理应用程序A_i所消耗的能量

的计算：

更新终端设备L处理应用程序A_i所消耗的能量

从而得到能量供应

和能量耗散

之间的能量差，即释放的能量。将应用程序A_i释放的能量重新分配给那些不能满足

并因此选择在终端设备L上执行的本地执行的应用程序是有利的。结果不仅提高了应用程序A_i的QoS，还可以重新定义其他应用程序的QoS，从而增强整个系统的QoS；得到能量供应

和能量耗散

之间的能量差为释放的能量。

步骤E5：将应用程序A_i释放的能量重新分配给那些不能满足

并因此选择在终端设备L上执行的本地执行的应用程序是有利的，不仅提高了应用程序A_i的QoS，还可以重新定义其他应用程序的QoS，从而增强整个系统的QoS；

步骤E6：将计算卸载标记δ_i初始化为1，并将QoS Q_i设置为每个应用程序A_i的本地执行QoS

在在终端设备L的能量供应足够的情况下，即标记E＝1，则不需要执行计算卸载，因此直接返回每个应用在本地实现的QoS；相反，在终端设备L的能量供应不足的情况下，即标记E＝0，可能触发计算卸载。此时，初始化终端设备L的总能耗

用于处理远程执行的应用程序，如果应用程序A_i选择在雾服务器上远程执行，则计算时间开销

检查应用程序A_i的所有可选执行周期是否完成，如果答案为否，则将标记λ_i置为1，然后计算能量消耗

假设应用程序A_i在雾服务器上执行，检查是否同时满足下述条件：

如果条件

为真，则存在松弛时间使雾服务器提高应用程序Ai的QoS；如果条件

为真，则存在足够的能量将输入数据从终端设备转发到雾服务器；如果条件λ_i＝1为真，则存在应用程序A_i的未完成的可选的执行循环；如果三个条件都为真，则条件

成立，此时触发应用程序A_i的计算卸载，即将计算卸载标记δ_i更新为0，并导出可用于QoS增强的松弛时间

步骤E7：使用迭代更新任务的可选执行因子和应用QoS Q_i，当应用程序A_i的松弛时间

耗尽时，更新能量消耗

并进行下一个应用程序的QoS改善，对于仍然选择在终端设备上本地执行的这些应用，在某些应用的计算卸载到雾服务器之后导出它们的可用能量供应

并重新确定能量到应用和能量组件的分配，以增强本地执行QoS。最后，最优本地远程调度解决方案是更新每个应用程序中所有任务的可选执行因子，卸载标记集(δ₁,δ₂,…,δ_N)，应用QoS集(Q₁,Q₂,…,Q_N)。

为了更加清楚的描述发明的目的、技术方案及优点，本发明进行了两组基于仿真的实验：一组用于合成应用，另一组用于实际基准测试。对于这两组实验，以下结合附图和具体实施例，对本发明进行进一步详细说明。

实施例1

本发明首先将提出的能量-应用分配方案与三种基准标记算法RAN、AVG和CAF进行比较。基准算法RAN和AVG分别以随机方式和平均方式将终端设备中的可用能量供应分配给各个应用。基准算法CAF为应用程序分配更大的强制循环更高的优先级，这样这些应用程序可以获得更多的能量来完成它们的执行。在完成能量到应用程序分配之后，所有算法都利用所提出的基于MILP的方案来执行能量到组件分配。然后，将开发的基于MILP的能量-分量分配方案与两种基准算法PSO和GEN进行比较。基准算法PSO和GAN分别利用众所周知的粒子群优化算法和遗传算法进行分量级能量分配。最终将提出的计算卸载方案与最先进的用户级卸载算法ULF进行比较，该算法旨在实现应用程序能耗与应用程序执行时间之间的权衡。本发明使用C++实现上述所有算法，并在配备Intel i7双核3.5GHz处理器和16GB内存的机器上执行两组仿真。

1)合成应用模拟

本发明构建了采用65nm技术的MPSoC来执行合成应用，其模拟处理器的参数见下表1：

表1：模拟处理器的参数

上述表1中编号为1～6，列出了MPSoC上六个处理器的电源电压v，工作频率f和有效开关电容C，由雾服务器S创建的虚拟机的处理器Θ0的参数在表1的编号0中给出。应用程序A_i开始执行所需的最小输入数据

在[10,30]Mb的范围内随机选择，任务活动因子均匀分布在[0.4,1]的区间内，任务τ_i,m的强制执行周期M_i，m在[4×10⁸,6×10⁹]的范围内。假设最大可选执行周期O_i,m与输入数据I_i线性相关。对于I_i的每1Mb增加，O_i,m的增加是从间隔[4×10⁷,6×10⁸]中任意选择的，同时，输出数据R_i，m应该与总执行周期l_i,m线性相关。对于l_i,m每增加10⁷，R_i，m的增量从[0.1,1]Mb的间隔中任意选择，选用配备15V端电压和4Ah正常容量的锂电池作为储能模块。传感器的平均采样率在[1,5]Mb/s范围内，传感器和收发器的功耗分别从[0.5,2]W和[1,5]W的范围中选取，构建了多个合成应用程序。对于每个合成应用，其任务编号从[10,30]的范围中选择，截止日期D_i设置为

其中f_max是处理器在MPSoC上的最大频率。该终端设备L和雾服务器S之间的数据传输速率设置为100KB/s，可再生能源的收获能力由

给出，其中G(t)遵循标准正态分布，进行总共1000次实验以获得每种合成应用的平均数据。

1-1)评估能源到应用分配方案

参阅附图1，可以观察到与三种基准算法相比，在不同的综合工作负载和共享能量供应下通过不同算法实现的系统QoS，每个工作负载由十个不同的合成应用程序组成，并为比较研究生成十个不同的工作负载。本实施例所提出的游戏理论能量应用方案Pro_GAME可以极大地提高系统QoS。例如，在

的情况下，与基线方法RAN，AVG和CAF相比，该方案可以平均将系统QoS提高135.88％，78.46.25％和26.90％。

参阅附图2，在不同的合成工作负载和共享能量供应下由不同算法实现的应用QoS的标准偏差，本实施例所提出的方案Pro_GAME实现了较小的应用QoS标准偏差。例如，在

的情况下，与基线方法RAN，AVG和CAF相比，该方案可以将应用QoS的标准偏差平均降低73.33％，60.24％和42.61％，验证了本发明的博弈论方案在实现多个应用程序之间的相对QoS公平性方面的有效性。

1-2)评估能源到组件的分配方案

参阅附图3，当每个应用的能量供应分别设置为其最大能量需求的0.5,0.6和0.7倍时的十个合成应用的QoS，其结果清楚地反映出，与两种基准算法PSO和GEN相比，本实施例中的组件级能量分配方案Pro_MILP实现了引人注目的应用QoS改进。例如，在

的情况下，通过本发明的方法实现的应用QoS分别是PSO和GEN的48.49％和24.51％；在

的情况下，本发明的方法实现的应用QoS平均分别比PSO和GEN高42.95％和23.59％；在

的情况下，通过本发明的方法实现的应用QoS平均分别比PSO和GEN高40.07％和22.32％。

1-3)评估计算卸载方案

参阅附图4，在执行合成工作负载时，本发明的计算卸载方案和两个基准算法实现的系统QoS，可以观察到本发明的算法Pro_COFF实现了惊人的系统QoS改进。与没有计算卸载的Pro_GAME算法相比，当

和0.7时，Pro_COFF可以平均提高系统QoS112.50％，103.91％和96.74％。与计算卸载算法ULF相比，当

和0.7时，Pro_COFF可以平均提高系统QoS15.55％，14.63％和14.25％。

参阅附图5，在执行合成工作负载时由三种算法实现的应用QoS的标准偏差，本发明的算法Pro_COFF在给定工作负载中确定应用程序之间的QoS公平性，具体而言，与基线方法Pro_GAME相比，应用QoS的标准偏差平均小43.13％，40.38％和41.18％，分别对于

和0.7。与

和0.7时相比，基线方法ULF的应用QoS标准偏差分别平均小66.67％，36.18％和55.78％。

2)真实应用的模拟

结合近似计算的应用程序生成工具MEGA用于产生实际基准，引入的实际MPSoC用于执行生成的实际基准，对于实际应用的有效性进行验证。

雾服务器S支持的处理器Θ0被假定为具有4.00GHz工作频率的Intel Xeon处理器。在这组模拟中采用了用于合成应用的传感器、数据收发器、收割功率和锂电池的相同设置。，总共进行了1000次实验以获得每个实际基准的平均模拟数据。

2-1)评估能源到应用分配方案

参阅附图6，在不同能源供应下处理实际基准时由四种算法实现的系统QoS，本发明的算法实现了高达88.87％的系统QoS改进。

参阅附图7，比较执行实际基准测试时四种算法实现的应用QoS标准偏差，本发明的算法实现了更好的应用QoS公平性。例如，当

和0.7时，与RAN相比，本发明的算法的应用QoS标准偏差分别为74.95％，73.78％和72.90％；当

和0.7时，与AVG相比，本发明的算法的应用QoS标准偏差分别为55.40％，53.68％和50.75％；当

和0.7时，与CAF相比，本发明的算法的应用QoS标准偏差分别为38.26％，35.05％和31.77％。

2-2)评估能源到组件分配方案

参阅附图8，由不同的能量-分量算法实现的实际基准的QoS与附图3所示的结果类似，还表明本发明的算法Pro_MILP显着地改善了应用QoS。具体而言，当

和0.7时，Pro_MILP实现的应用QoS平均分别比方法PSO平均高46.68％，39.31％和36.77％；当

和0.7时，Pro_MILP实现的应用QoS平均分别比方法GEN高19.10％，17.59％和15.90％。

2-3)评估计算卸载方案

参阅附图9，在执行实际工作负载时本发明的计算卸载方案和基准算法实现的系统QoS，本发明的Pro_COFF方案可以实现高达45.05％的系统QoS改进。在执行实际应用时由三种算法实现的应用QoS的标准偏差与附图5中给出的结果类似。

参阅附图10，所示的结果再次证实了本发明的算法Pro_COFF可以提高应用程序之间的QoS公平性。

本发明解决了雾计算中近似应用在截止时间约束下QoS最大化问题，尤其考虑了终端设备的可重用性，即终端设备能够被多个应用程序共享和重用，该方法不仅可以优化单个应用的QoS，还可以优化整个系统的QoS，本发明基于综合应用和现实基准进行广泛的模拟实验，以评估所提出的方法，实验结果表明，该方案将系统QoS和应用QoS分别提高了135.88％和48.49％。以上只是对本发明作进一步的说明，旨在解读本发明的技术方案，并非用以限制本专利，凡为本发明等效实施，均应包含于本专利的权利要求范围之内。

Claims (2)

1.一种可再生自适应计算卸载分层服务质量优化方法，其特征在于采用分层QoS优化方法，设计一个对于给定目标系统和一组实时应用程序，在终端设备层通过连续进行应用级和组件级的能量分配产生本地调度，并在雾层通过可再生自适应计算卸载导出最优的本地-远程调度解决方案，其具体优化包括以下步骤：

步骤1：构建应用程序模型、QoS模型和能量模型的雾计算系统架构；

步骤2：在终端设备层的第一阶段，使用基于博弈论的应用级能量分配，将终端设备的能量供应分配给本地执行的应用程序；

步骤3：使用基于MILP的组件级能量分配，将步骤2应用程序生成的能量供应分配给传感器、MPSoC和数据收发器，并在截止日期限制下最大化应用程序在本地执行的QoS；

步骤4：在雾层的第二阶段，判断是否需要触发应用程序的计算卸载，将生成的本地调度解决方案增强到最优的本地-远程调度解决方案，如果应用程序的远程执行增益高于其本地执行增益，则应用程序将其在第一阶段中收集的输入数据从本地终端设备转发到远程雾化服务器并且询问雾化服务器而不是终端设备执行其所有任务，除了用于维持计算卸载的必要能量之外，应用程序将释放终端设备在第一阶段分配的所有能量，然后利用释放的能量来增强仍然选择在终端设备上本地执行的这些应用的QoS；

步骤5：分配结束；

所述步骤1中的应用程序模型按下述步骤构建：

步骤A1：设有N个用户U＝{U₁,U₂,…,U_N}，A＝{A₁,A₂,…,A_N}表示由N个用户提交的应用集，其中与用户U_i相关联的应用A_i具有期限D_i，1≤i≤N，应用集A是基于帧的，并且帧大小也称为调度范围由

给出，应用程序A_i由ξ_i个独立任务组成

所有任务共享具有总量I_i的输入数据；

步骤A2：任务τ_i,m在逻辑上分为强制部分和可选部分，1≤m≤ξ_i，强制部分包含常量执行周期M_i,m必须完全完成产生基本可接受的结果，可选部分包含最大执行周期O_i,m，可以不完全完成以增加基本结果；

步骤A3：引入变量α_i,m∈[0,1]，其表示执行的可选循环与任务τ_i,m的总可选比率，所述任务τ_i,m实际执行长度按下述a式计算：

l_i,m＝M_i,m+α_i,m×O_i,m a；

所述步骤1中的QoS模型按下述步骤构建：

步骤B1：在应用程序A_i在终端设备上本地执行的情况下，其QoS被表示为成功发送的输出数据总量，由本地执行应用程序A_i生成的输出数据总量由下述b式表示为：

所述QoS由下述c式表示为：

其中：β_i表示成功发送的输出数据量与生成的输出数据总量的比率；

步骤B2：在雾化服务器S上远程执行应用程序A_i的情况下，其QoS表示为应用程序中所有任务的输出数据总量，应用程序A_i的QoS由下述d式表示为：

其中：

是远程执行应用程序A_i的所有任务产生的输出数据总和；

是通过远程执行任务τ_i,m生成的输出数据量；

步骤B3：应用程序A_i的QoS由下述e式表示为：

其中：δ_i∈{0,1}是二元决策变量；

步骤B4：当应用程序A_i决定将其计算转移到雾化服务器时，δ_i被设置为0；否则，将δ_i设置为1，因此，在调度范围[t,t+H]期间实现的系统QoS由下述f式计算为N个应用所获得QoS的总和Q：

所述步骤1中的能量模型按下述步骤构建：

步骤C1：由下述g式计算调度范围[t,t+H]期间可再生能源的收获能力P_harv(t)：

步骤C2：由下述h式计算调度范围[t,t+H]期间终端设备总可用能量

其中：

表示能量存储模块在时间t时提供的能量供应；

步骤C3：由下述i式计算传感器、MPSoC和数据收发器的总能量消耗

其中：

为传感器能量消耗；

为MPSoC能量消耗；

或

为数据收发器能量消耗；

所述

其中：P_sen为传感器总能量消耗，如果应用程序A_i在终端设备的本地执行，则

是将应用程序A_i的输出数据从终端设备发送到雾化服务器所消耗的能量；

所述

其中：P_tra是数据收发器的功耗；

表示数据收发器能耗；

所述

如果在雾化服务器上远程完成应用程序A_i，则

是将应用程序A_i的输出数据从终端设备发送到雾化服务器所消耗的能量；G处理器能耗由下述j式计算：

其中：P_g和C_g分别为G处理器的静态功耗和有效开关电容，两者是G处理器体系结构相关常数；Γ_i,g是任务集Γ_i的子集，且由分配给G处理器的这些任务组成，因此，在每个调度范围期间终端设备的整体能量消耗由下述k式计算：

所述步骤2具体包括下述步骤：

步骤D1：由元组{A,E,F}表述N个玩家合作游戏，其中：A＝{A₁,A₂,…A_N}是玩家组；

步骤D2：由

表示合作游戏中涉及的N个应用可能达到的候选纳什议价协议的集合，

其代表N个应用的初始协议，其中：

为确保满足初始性能要求为应用A_i提供的最小能量供应；

步骤D3：由

表示分配的能量供应的应用QoS功能的集合，并以下述l式制定能源分配博弈：

步骤D4：由下述n式将应用程序A_i的性能功能定义为应用程序通过提供的能量供应

实现的近似QoS：

其中:

是应用程序A_i在一个设备L执行应用程序A_i时产生单位量的QoS所消耗的能量；

为能量供应；

步骤D5：给定能量供应

预设设备L在调度时间范围[t,t+H]和N个应用的基本QoS的要求

得出能量分配的最佳协议

并由下述m_1-4式以最大化系统的QoS和各个应用的QoS优化的能量分配定义如下：

其中：

为应用程序A_i为实现其初始性能要求

而应分配给它的最小能量预算；

为应用程序A_i在截止时间约束下最大化其自身QoS所需的最大能量供应；

步骤D6：将目标函数转化为典型的凸函数，即最小化

验证原目标函数的约束集是凸的，并由下述o式的拉格朗日表示：

其中：

ψ_i,ω_i是拉格朗日乘子，令一阶偏导

得：

其中：

为最佳拉格朗日乘子，最佳解决方案为

步骤D7：根据Karush-Kuhn-Tucker条件有：

其中，

意味着在合作博弈后由应用程序A_i实现的性能等于其基本要求

的特殊情况，而当

时，则可得到

由原始问题的对偶问题来获得，其对偶问题由下述p式表示为：

其中：s.t.ψ_i≥0；

步骤D8：如果其Hessian矩阵中每个元素非负，则函数是凸的，而

即对偶问题的Hessian矩阵中每个元素非负，亦即对偶问题是凸的，有唯一的最优解；

所述步骤3包括以下变量的定义：

B_i,m为任务τ_i,m开始时间；α_i,m为任务τ_i,m可选执行因子；

为传感器分配的能量；

为任务执行分配的能量；

为结果传输分配的能量；

如果在终端设备上本地执行的QoS，则应用程序的QoS不能超过其生成的输出数据的总量，通过将生成的输出数据的总量

限制为完全传输，

实际上是应用程序A_i实现的本地执行QoS

其目标函数由下述q式表示：

并且满足如下约束条件：

将A_i,m,g∈{0,1}的整数约束放宽到A_i,m,g∈[0,1]，以此减少时间开销，为避免

违反

的约束，将A_i,m,g与给定阈值A_thr进行比较，如果A_i,m,g≥A_thr成立，则A_i,m,g＝1；否则A_i,m,g＝0。

2.根据权利要求1所述可再生自适应计算卸载分层服务质量优化方法，其特征在于所述步骤4具体包括下述步骤：

步骤E1：在终端设备层进行QoS优化的第一阶段后获得一个最佳QoS集

假设在没有雾服务器的帮助下所有N个应用都在终端设备L上本地执行；

步骤E2：在雾层的QoS优化的第二阶段，利用计算卸载的概念来重新定义并提高每个应用程序可能实现的QoS；

步骤E3：基于计算卸载指南，如果应用程序的远程执行增益高于其本地执行增益，则应用程序将触发计算卸载，即在保持应用程序A_i的能量和期限在约束范围内时，当

时，应用程序A_i将其在第一阶段收集的输入数据从本地终端设备转发到远程雾化服务器上询问雾化服务器，而不是终端设备去执行其所有任务，并由下述r式进行更新终端设备L处理应用程序A_i所消耗的能量

的计算：

得到能量供应

和能量耗散

之间的能量差为释放的能量；

步骤E4：将应用程序A_i释放的能量重新分配给那些不能满足

并因此选择在终端设备L上执行的本地执行的应用程序是有利的，其结果不仅提高了应用程序A_i的QoS，还可以重新定义其他应用程序的QoS，从而增强整个系统的QoS；

步骤E5：将计算卸载标记δ_i初始化为1，并将QoS Q_i设置为每个应用程序A_i的本地执行QoS

在在终端设备L的能量供应足够的情况下，即标记E＝1，则不需要执行计算卸载，因此直接返回每个应用在本地实现的QoS；相反，在终端设备L的能量供应不足的情况下，即标记E＝0，可能触发计算卸载，此时，初始化终端设备L的总能耗

用于处理远程执行的应用程序；如果应用程序A_i选择在雾化服务器上远程执行，则计算时间开销

检查应用程序A_i的所有可选执行周期是否完成，如果答案为否，则将标记λ_i置为1，然后计算能量消耗

假设应用程序A_i在雾化服务器上执行，检查是否同时满足下述条件：

如果条件

为真，则存在松弛时间使雾化服务器提高应用程序A_i的QoS；如果条件

为真，则存在足够的能量将输入数据从终端设备转发到雾化服务器；如果条件λ_i＝1为真，则存在应用程序A_i的未完成的可选的执行循环；如果三个条件都为真，则条件

成立，此时触发应用程序A_i的计算卸载，即将计算卸载标记δ_i更新为0，并导出可用于QoS增强的松弛时间

步骤E6：使用迭代更新任务的可选执行因子和应用QoS Q_i，当应用程序A_i的松弛时间

耗尽时，更新能量消耗

并且进行下一个应用程序的QoS的改善，对于仍然选择在终端设备上本地执行的这些应用，在某些应用的计算卸载到雾化服务器之后导出它们的可用能量供应

并重新确定能量到应用和能量组件的分配，以增强本地执行QoS；最后，最优的本地-远程调度解决方案是更新每个应用程序中所有任务的可选执行因子，卸载标记集(δ₁,δ₂,…,δ_N)，应用QoS集(Q₁,Q₂,…,Q_N)。

Images