论文部分内容阅读
随移动通信技术飞速的发展,当前网络面临着移动互联网和物联网发展所带来的高数据速率、高流量、高可靠性和低时延等网络服务的挑战。面对这些挑战,移动边缘计算应运而生。移动边缘计算把云计算能力向网络边缘延伸,贴近用户的地理位置。在网络边缘为用户提供计算处理、数据存储和业务感知的网络服务,满足了用户对信息处理速度快、数量大和可靠的要求,极大提高了用户体验。移动边缘计算的提出,扩展了传统网络的架构。任务迁移是移动边缘计算中的关键技术,任务迁移将用户端的计算任务迁移到网络边缘执行,从而降低用户端能耗。相比起云计算,移动边缘计算的任务迁移还降低了网络资源的占用率,提供了更低的时延和更稳定的服务。任务迁移中的关键技术涉及到任务迁移执行框架、任务迁移决策、计算资源分配三方面。任务迁移执行框架决定了任务迁移的流程;任务迁移决策决定了计算任务是否迁移、如何进行迁移;计算资源分配则决定了计算任务如何分配到合适的位置执行。本文分析了细粒度任务迁移执行框架和粗粒度任务迁移执行框架,提出了一个基于Docker的任务迁移执行框架并对框架及任务迁移流程进行了设计,采用细粒度划分任务并通过MEC服务器集群对计算任务进行处理,在其基础上做了以下两方面的算法研究:第一,研究了在任务迁移中任务迁移决策问题。细粒度划分计算任务的方案给应用带来诸多新的特性,其中主要包括任务的拓扑模型、任务划分后子任务的计算量以及子任务之间数据转移量等等。任务迁移决策需要综合考虑上述因素,同时优化在任务执行过程中的时延和能耗。本文构建并分析了具体的任务模型,把任务迁移决策问题构建成在任务执行时间限制下最小化用户能耗的最优化问题,通过基于人工蜂群算法的任务迁移决策算法对最优化问题进行求解,改进了二进制人工蜂群算法中的邻域搜索方法,采用多维随机更新的方式生成新解并通过贝叶斯公式来决定新解取值,从而减少新解重复概率、加快寻优速率,得到最优的任务迁移决策。仿真结果显示本文中提出的基于人工蜂群算法的任务迁移决策算法在保证任务执行时间的基础上能够明显节约用户能耗,同时相较同类算法具有更高的性能。第二,研究了在任务迁移中计算资源分配问题。计算资源分配需要服务器集群之间的协作,还需要考虑集群负载的问题。本文构建了计算资源分配的解析模型,建立了系统效能方程,把计算资源和负载联合优化问题构建成求解系统中最大效能的优化问题,并通过基于分支定界法的计算资源和负载联合优化算法对最优化问题进行求解,改进分支定界上下界估计方法,通过贪心算法估计效能下界、基于匈牙利算法估计效能上界,从而得到效能最高的计算资源分配方案。仿真结果显示本文中提出的基于分支定界法的计算资源和负载联合优化算法能够获得更高的效能,节约任务执行总时间,同时有效地均衡集群中的负载,拥有更好的算法性能。