论文部分内容阅读
伴随着科技的快速发展,移动设备在人们生活中所占的比重也越来越大。基于移动设备可以随时随地地访问获得各种信息的特性,这一类设备很快变得流行。如今,移动设备成为了研究领域的一个研究热点,取得了巨大的成功。然而,移动设备的发展同样遇到了一些难题,受限制的移动设备在通信和计算等相关领域仍面临巨大挑战。近年来,移动设备的比例正在逐步增长。由于它体积小且便于携带,因此越来越多的Web应用程序被转换为移动应用程序。但是,移动设备面临着诸如通信和计算等关键领域中存储和处理能力有限的挑战。由于诸如增强现实,视频分析和3D游戏之类的实时应用程序包含计算和数据密集型任务。在有限的约束下,可能需要功能强大的处理机和大规模数据存储来保证实时应用。为了摆脱这种情况,移动云计算(MCC)体系结构已将应用程序执行分为本地部分和远程部分(即云计算)。MCC的最终目标是增强移动设备的能力并最大程度地降低系统能耗。卸载方法的基本工作是将应用程序执行分为本地执行和远程执行。通过无线系统将计算卸载到远程云会带来通信成本。但是,卸载系统的最大成本是整个过程的计算和通信时间的结合。尽管移动云计算为我们的日常生活做出了巨大贡献,但它也将带来许多挑战和问题。简而言之,此类挑战和问题的核心在于如何将两种技术无缝地结合在一起。一方面,要确保移动设备充分利用云计算的优势来改善和扩展其功能。在这项研究中,我们着重于任务分流,任务分流必须高效节能且功能强大。我们正在研究MCC中的动态应用程序分区和节能任务分配。所考虑的问题在执行卸载时具有两个成本,例如通信和计算。本文的主要目的是最小化系统的总能耗,即本地设备能量和通信能量。卸载的目的是为移动设备节省能量。我们将考虑的问题分为应用程序分区和任务调度,应用程序分区的流程图从概要分析和静态分析技术开始。本地执行的应用程序轻型任务和计算密集型任务被卸载到云服务器,以供资源管理器进一步执行。如果资源足以在移动设备上执行任务,则可以在本地执行。否则,卸载系统会将任务卸载到基于云的因素,例如任务大小、可用网络带宽、云速度和移动处理速度,确保该分区不能高于移动电源阈值。应用程序解决方案和应用程序分区将在此期间动态完成,并且正在处理同步任务迁移。卸载系统过程一直运行到适当的云服务器映射所有任务,以最大程度地减少总能耗。在我们的工作中,我们将应用程序表示为有向无环图,即G(V,E),任务可以用V表示,E是两个相邻任务之间的通信成本,应用程序任务始终遵循作为调用图的拓扑顺序。分区后,调用图将转换为消耗加权图。在本文中,我们研究了移动云架构中的能耗,语音识别、自然语言处理和视频会议等应用程序需要更高的CPU指令时钟频率并消耗更多能量。通常,移动云架构中的能耗可以通过本地设备能耗模型,通信能耗模型和云执行能耗模型来确定。但是,在本文中,我们仅优化移动功耗模型,而未考虑传输能耗模型和云执行模型。为了最大程度地减少移动设备的能耗,该技术从紧密相关的邻近云服务器上分担了相对繁重的计算任务。因此,它可以通过卸载系统延长移动电池的使用时间,从而可以节省移动设备上的CPU消耗的能量,同时完成各种应用。我们建议使用渐近时间复杂度方法来区分移动设备上执行过程时其上的各种应用程序的计算复杂性。我们提出了EETA(高效节能任务分配)算法,该算法是部分卸载技术,因此可以最大限度地减少和延长设备的能量以及通信能量。应用程序处理时间与功耗成线性关系,我们建议EETA在多项式时间内执行所有任务。EETA本质上是迭代的,因此在这种情况下,V是用于在本地或远程分配任务的迭代次数,以便最小化功耗。E是找到最佳云和移动资源的时间复杂度,在每次迭代中都需要最少的响应时间。DVFS是一种能够在整个生命周期内监视应用程序功耗的技术。由于许多因素,例如通信技术,云资源和移动设备的异构性,可以按比例放大和缩小该应用程序。因此,以相似的功耗率执行相同的应用程序并非易事。有许多针对移动设备应用的紧凑功能,例如移动设备移动性,随着通信技术从蜂窝网络变为Wi-Fi或LTE连接,它将消耗更多的能量。最后,所提出的EETA在适应环境中是可靠且高效的,在该适应环境中,网络连接,云资源和移动状态在应用程序执行生命周期中会自适应地变化。针对所考虑的问题,我们提出了一种节能任务分配算法。初步目标是最大程度地降低移动能源消耗,而移动能源消耗与云服务器上的通信能源和处理时间具有线性关系。通常,应用程序具有遵循优先顺序的相关任务。自然,该应用程序可以显示为调用图。在应用程序分区之后,调用图将转换为消耗图。消耗图具有两组任务,并表示为不相交的组(即本地执行任务和远程执行任务)。所提算法的复杂性和魅力必须满足多项式时间。卸载的任务借助通信协议进行传输。总之,与基线卸载方法相比,所提出的算法EETA的性能要好。可以通过调用图显示考虑的应用程序任务,我们通过分析技术来预测应用程序的执行时间。但是,移动设备通过无线技术将计算密集型任务转移到云服务器。我们可以通过网络配置技术预测无线带宽。鉴于现有的卸载研究集中在稳定的移动云环境(即固定带宽和云资源)上,但是当网络和云服务器的价值随时间变化时,这是不现实的。因此,我们在运行时进行卸载。同时,与现有方法相比,它可以适应运行时环境中的更改。为了在能效的背景下评估EETA效率,需要使用三种校准值,例如不变的标准:应用程序开发人员在设计,分析等参数集是固定的,例如对于不同类型的设备需要固定的功率保守元件。我们研究了几种实时应用程序工作负载,例如Linpack数学工具,3D游戏EEG Beam 3D游戏,增强现实(手势应用程序)和人脸识别应用程序。每个工作负载都具有一些属性,例如任务大小,内存要求,所需的功耗和执行时间。单个应用程序具有基准应用程序功能,并且每个任务都需要在给定的阈值内执行,该阈值可能是精力或执行时间的限制。我们通过调用图显示该应用程序,它是基本的程序分析结果,可用于人类对程序的理解,或作为进一步分析的基础,例如用于跟踪过程之间的值流的分析。调用图的一种简单应用是查找从未调用的过程。调用图可以是动态的或静态的。动态调用图是程序执行的记录,例如由探查器输出。因此,动态调用图可以是精确的,但仅程序运行一次。静态调用图是旨在表示程序的每个可能运行的调用图。确切的静态调用图是不可否认的,因此静态调用图算法通常过于近似。也就是说,图中将显示每个发生的调用关系,并且可能还会在程序的实际运行中永远不会发生的某些调用关系。我们将提出的节能算法EETA与基线方法(例如非卸载)进行了比较。全负载广泛的仿真已基于不同的时刻评估了该算法的性能和效率,以假设在交互式应用程序,基准测试应用程序,增强现实应用程序和面部识别应用程序上的功耗。所提出的方法是线性方法,而处理时间与能量消耗有直接关系。在本文中,我们提出了一个任务卸载问题。目的是在资源受限的移动设备上执行实时应用,例如增强现实,医疗保健,3D游戏等。但是,移动云计算体系结构是一种有前途的方法,它允许移动设备通过卸载技术与云计算以协作的方式执行计算应用程序。有两种卸载技术,例如代码卸载和任务卸载。通常,代码卸载会将数据卸载到云中。本文提出的EETA框架涉及空闲时的功耗以及任务结果和磁盘使用的等待时间。动态适应可能会在应用程序执行生命周期中发生,即网络和设备配置文件会随着时间而变化。前述条件会产生准确的卸载结果。在本文中,我们研究了卸载期间的电源管理,同时尽可能地降低了总成本。提议的高能效任务工作负载分配(EETA)高能效任务分配算法将应用程序的执行动态地划分为两个部分(即本地执行和远程执行),从而克服了先前算法的缺点。EETA有某些步骤。首先,分析并分析在本地执行或卸载到远程云的应用程序,其次,如果应用程序的权重大于移动设备的处理能力,则对运行时进行分区并在两侧将它们与资源映射(例如,移动执行和云执行)。基于贪婪算法,EETA本质上是迭代的。它总是为卸载的任务选择最佳资源,以最大程度地减少总执行时间。评估显示,与基准方法相比,EETA通过自适应环境增强了系统性能,并动态优化了性能。最终结果可以看出,EETA降低了50%的能耗。本论文主要研究了如何在卸载时进行能量管理,以及如何在能量管理的同时尽可能降低总成本。主要工作如下:(1)提出了高效任务工作负载分配算法(EETA)。该算法将应用程序的执行动态地划分为两个方面(即,本地执行和远程执行),克服了之前的算法的不足。EETA算法有一些确定的步骤。首先,分析和解释应用程序,它可以在本地执行,也可以卸载到远程云端中。(2)如果应用程序的权重超过了移动设备的处理能力,那么对运行时间进行分区并将其与双方的资源进行映射(例如,移动执行和云端执行)。EETA算法基于贪婪算法,迭代选择最优卸载系统以实现总成本最小化。(3)构建实验仿真环境,仿真结果表明,与基准方法相比,EETA算法通过自适应环境提高了系统性能,并动态优化了系统性能。可以看出,与完全卸载和非卸载相比,EETA降低了50%的能量消耗。