论文部分内容阅读
随着无线通信技术的广泛应用,物联网技术不断完善。网络设备及负载呈指数型迅速增长。云计算技术提高了网络的计算能力及存储能力,极大减轻了网络压力。但是云计算具有能耗大、延时长等弊端。雾计算架构使用靠近用户的雾节点（Fog Node,FN）实现云的部分功能,弥补了云的弊端。FN的计算、存储能力有限,故需多个FN协同完成任务,即进行任务卸载。如何有效、快速的实现任务卸载是保障网络服务质量（Quality of Service,QoS）的关键。本文基于网络演算理论（Network Calculus,NC）,结合雾层FN的特点提出了任务卸载时FN的总体性能模型iT。基于iT本文提出了两种任务卸载的优化算法,降低了系统总能耗P与系统总延时Dmax。主要工作与创新点如下。首先,在雾层中为簇状雾集群设置管理节点FSN。根据FSN、FN特点与任务卸载过程,提出了任务卸载过程的三个约束条件。基于NC理论与FN特点,提出了配置到达与服务曲线的方法、计算缓冲区大小与端到端延时的方法。基于节点行为,提出了FN执行子任务时,节点能耗大小的计算方法。简化了延时分析过程,分析了节点的剩余存储能力,提高了算法的效率。其次,基于任务卸载的约束条件,提出了FN的总体性能模型。根据FN的等效延时T,3i、等效存储能力T,2i以及等效能耗T,1i三个性能指标,以T,1i、T 2,i、T,3i三个性能指标的线性加权和iT为FN是否执行任务的总体约束条件。通过给将T,1i、T 2,i、T,3i三设置不同的权值,可满足不同系统的Qo S需求。然后,提出多目标优化任务卸载算法（Multi-objective Optimization Task Offloading Algorithm,MOTO）。MOTO算法实现了任务卸载时整体能耗较低,延时较小的目标,为任务卸载的决策提供了有力的支持。基于MOTO算法,提出全局最优多目标优化任务卸载算法（Globally Optimal Multi-objective Optimization Task Offloading Algorithm,GOMOTO）。GOMOTO算法克服了MOTO算法局部最优的弊端,实现了系统总体性能全局最优。最后,搭建了雾的实验环境,证实了本文所提出的任务卸载计算框架与GOMOTO算法的优越性。GOMOTO算法以iT为FN的约束条件,实现了任务卸载过程中P与Dmax的最小。当任务量增多,FN的个数增多时,GOMOTO算法对P与Dma x的优化效果越明显。改变T,1i、T2,i、T,3i三个性能指标的权值,可满足不同系统的QoS需求。