面向边缘侧卸载优化的工作流动态关键路径调度算法
边缘计算与云计算融合的任务卸载与调度优化研究
边缘计算与云计算融合的任务卸载与调度优化研究边缘计算（Edge Computing）和云计算（Cloud Computing）作为当前信息技术领域的重要概念，正在引起越来越多的关注。
边缘计算强调将计算资源移近到数据的产生源头，以解决数据量大、时延高等问题。
而云计算则侧重于将计算资源集中部署在远程数据中心，提供按需分配的服务。
本文将探讨边缘计算与云计算在任务卸载与调度优化方面的研究。
任务卸载与调度优化是边缘计算与云计算融合的重要研究方向。
边缘计算终端节点通常具有较弱的计算能力和存储容量，适合处理一些轻量级的本地任务。
而云计算拥有强大的计算和存储能力，适合处理复杂的计算任务。
任务卸载与调度优化的目标是在边缘计算与云计算之间选择合适的计算节点来处理任务，以提高整体的计算性能和资源利用率。
任务卸载决策是任务卸载与调度优化的关键问题之一。
合理的任务卸载决策可以减少网络通信延迟，提高处理速度。
一个常见的决策方法是根据任务的计算需求和网络状况，选择最优的处理节点。
例如，对于计算密集型任务，可以选择云计算节点进行处理；而对于延迟敏感型任务，可以选择边缘计算节点进行处理。
同时，还可以通过考虑节点的负载情况，避免节点过载，从而实现资源的合理利用。
调度优化是指在任务卸载决策之后，如何将任务分配到合适的计算节点上以实现高效的计算资源利用。
调度优化可以分为静态调度和动态调度两种方式。
静态调度在任务开始执行之前就完成了任务的分配，适用于预先知道任务需求的情况。
而动态调度则是根据任务和节点的实时情况进行任务的分配，适用于任务需求不确定或者网络状况变化较大的情况。
静态调度的主要挑战是如何在任务需求与节点资源之间进行匹配。
为了实现任务的高效分配，可以采用启发式算法或者优化算法来寻找最优的任务与节点的匹配方案。
例如，可以根据任务的计算需求和节点的处理能力，通过贪心算法来选择最佳的匹配方案。
另外，还可以利用进化算法等智能优化算法，通过迭代搜索的方式来得到比较优的匹配方案。
面向边缘计算的网络资源优化与任务调度研究
面向边缘计算的网络资源优化与任务调度研究随着物联网技术的迅猛发展，边缘计算作为一种将计算资源尽量靠近终端设备的新兴计算模式，越来越受到广大研究者和企业的关注。
边缘计算具备低延迟、高带宽、高安全性等优势，可以为终端用户提供更快速、更可靠的计算与网络服务。
然而，由于边缘计算本身的资源有限性，如何有效地利用网络资源并进行任务调度，成为了当前研究的热点问题之一。
面向边缘计算的网络资源优化是指对边缘计算网络中的资源进行管理和优化，包括计算资源、存储资源和网络传输资源等。
优化网络资源的目标是尽可能地提高资源的利用率和性能，为终端用户提供更好的服务体验。
网络资源的优化可以通过以下几个方面来实现。
首先，对边缘计算网络中的计算资源进行合理调配和分配。
边缘计算网络通常由大量的边缘设备组成，这些设备可以是智能手机、传感器、路由器等。
通过对这些设备的合理调配和分配，可以使得计算资源得到最大限度的利用。
例如，可以根据不同设备的计算能力和带宽来分配任务，将计算强度较大的任务分配给计算能力和带宽较强的设备，从而提高任务的处理效率。
其次，对边缘计算网络中的存储资源进行优化。
边缘计算网络中的存储资源通常分为本地存储和云存储两部分。
本地存储主要用于存储边缘设备上产生的数据，而云存储则用于存储大数据和数据分析结果等。
对存储资源的优化需要考虑存储容量、读写速度、数据传输等因素。
可以采用优化数据压缩算法、增加存储设备的容量和带宽等方式来提高存储资源的利用效率和性能。
另外，边缘计算网络中的网络传输资源也需要进行优化。
边缘计算网络通常由多个子网络组成，包括无线传感器网络、移动网络、卫星网络等。
而不同的子网络可能具有不同的传输带宽、延迟和稳定性等特点。
因此，优化传输资源需要考虑不同子网络之间的数据传输路径选择、拥塞控制和负载均衡等问题。
可以借鉴传统网络优化算法，如最小生成树算法、路由选择算法等，来优化网络传输资源。
对于边缘计算网络中任务调度的研究，主要关注如何合理地将任务分配给边缘设备，从而实现任务的高效处理。
移动边缘计算中的资源调度与任务卸载
移动边缘计算中的资源调度与任务卸载移动边缘计算是一种新型的计算模式，通过将计算任务在边缘设备上处理，可以减少数据传输延迟、提高系统的响应速度。
在移动边缘计算中，资源调度和任务卸载是两个关键的问题，它们直接影响着系统的性能和效率。
资源调度是指在移动边缘计算中如何合理地分配计算资源，以满足用户的需求和任务的执行要求。
在传统的云计算中，资源调度通常是由中央服务器进行，但在移动边缘计算中，资源调度需要考虑到边缘设备的有限计算能力和网络带宽，以及用户位置的分布等因素。
在资源调度中，一个重要的问题是如何选择最合适的边缘设备来执行任务。
这需要考虑到边缘设备的计算能力、可用性和负载情况，以及与任务相关的要求，比如延迟和安全性等。
一种常用的方法是根据任务的执行时间和计算能力要求，选择最近且计算能力足够的边缘设备来执行任务。
另外，还可以通过监测边缘设备的负载情况，合理地分配任务，以保证系统的负载均衡。
除了资源调度，任务卸载也是移动边缘计算中的一个关键问题。
任务卸载是指将正在执行的任务从一个设备（如边缘设备）转移到另一个设备（如云服务器）上继续执行。
任务卸载可以分为静态任务卸载和动态任务卸载两种情况。
静态任务卸载是指在任务开始执行之前，根据任务特性和设备能力等因素，决定将任务在哪个设备上执行。
这需要根据任务所需的资源和设备的计算能力等因素，选择最合适的设备来执行任务。
一种常用的方法是通过对任务的需求进行预测和分析，然后选择最优的设备来执行任务。
动态任务卸载是指在任务执行过程中，根据设备的负载情况和网络带宽等因素，决定是否将任务从一个设备转移到另一个设备上。
当一个设备的负载过高或网络带宽不足时，可以将任务卸载到负载较低或网络条件更好的设备上执行，以保证任务的顺利执行和系统的性能。
为了实现有效的任务卸载，需要采用合适的任务切分和数据传输策略。
任务切分是将一个大的任务分成多个小任务的过程，使得每个小任务可以在边缘设备上独立执行。
边缘计算技术中的任务分配与调度优化方法总结
边缘计算技术中的任务分配与调度优化方法总结在边缘计算环境中，任务分配与调度是关键的技术挑战之一。
由于边缘设备和云端之间的网络传输延迟较大，通常需要将任务分配到边缘设备上执行，以提高响应速度和降低网络负载。
因此，任务分配与调度的优化方法在边缘计算系统中具有重要意义。
本文将总结边缘计算技术中常用的任务分配与调度优化方法，并探讨其优劣和适用场景。
首先，任务分配与调度技术可以分为静态和动态两种类型。
静态分配与调度方法在任务提交前即确定任务分配方案，适用于任务需求相对稳定的场景。
而动态分配与调度方法根据任务及系统状态动态调整任务分配方案，适用于任务需求变化频繁的场景。
静态任务分配与调度方法中，最常用的是基于启发式算法的方法。
启发式算法通过对任务和边缘设备的特征进行分析，设计一系列启发式规则来确定任务的分配方案。
这种方法的优点是速度快，但是对于复杂的任务分配问题，难以找到全局最优解。
另一种静态任务分配与调度方法是基于图论的方法。
该方法将任务分配问题建模成图论问题，然后利用图论算法求解最优分配方案。
这种方法可以得到较好的分配解，但是在任务规模较大时，计算量较大。
动态任务分配与调度方法中，最常用的是基于强化学习的方法。
强化学习通过建立任务分配和调度的策略模型，并通过与环境的交互来学习最优策略。
这种方法适用于任务需求变化频繁或者不确定的场景，具有较好的适应性和灵活性。
除了上述方法，还有一些其他的任务分配与调度优化方法。
例如，基于遗传算法的方法可以通过遗传机制不断优化任务分配方案。
基于模糊逻辑的方法可以处理任务需求不确定的情况。
基于机器学习的方法可以通过训练任务和边缘设备的历史数据，预测最优的任务分配和调度方案。
不同的任务分配与调度优化方法适用于不同的边缘计算场景。
在任务规模较小且相对稳定的情况下，静态分配与调度方法更为适用。
而在任务需求变化频繁或者不确定的情况下，动态分配与调度方法更具优势。
然而，边缘计算环境中的任务分配与调度仍然面临着一些挑战。
边缘计算环境下的任务调度算法优化
边缘计算环境下的任务调度算法优化在边缘计算环境下，任务调度算法优化是一个关键问题。
边缘计算是将计算资源和服务推向网络的边缘，以满足低延迟和高可靠性的需求。
任务调度算法的优化可以提高边缘计算的效率和性能。
本文将分析当前边缘计算环境下的任务调度算法，并提出相应的优化方案。
一、边缘计算环境下的任务调度算法在边缘计算环境中，通常存在多个边缘节点和多个任务需要被调度执行。
任务调度算法的目标是将任务合理地分配给边缘节点，以达到最优的资源利用和任务执行时间。
常见的任务调度算法包括贪心算法、遗传算法、粒子群算法等。
1. 贪心算法贪心算法是一种基于局部最优选择的任务调度算法。
它根据任务的特征和边缘节点的状态，选择当前最适合的节点执行任务。
贪心算法简单高效，但可能无法达到全局最优解。
2. 遗传算法遗传算法是一种模拟生物进化过程的优化算法。
它通过随机生成初始种群，然后利用选择、交叉和变异等操作，逐步优化种群中的个体，最终找到最优解。
遗传算法在任务调度问题中具有一定的优势，但算法的复杂度较高。
3. 粒子群算法粒子群算法是一种模拟鸟群搜索的优化算法。
它通过模拟粒子在搜索空间中的移动和交流，逐步找到最优解。
粒子群算法在任务调度问题中具有一定的应用潜力，但需要合理设置算法参数和停止条件。
二、任务调度算法优化方案为了进一步优化边缘计算环境下的任务调度算法，可以从以下几个方面进行改进。
1. 任务特征与节点匹配在任务调度之前，首先需要对任务和节点进行特征分析，并建立匹配模型。
通过分析任务的计算、存储和通信需求，以及边缘节点的资源和网络状态等信息，可以确定任务与节点之间的匹配程度。
根据匹配程度选择合适的节点执行任务，可以提高任务执行效率。
2. 节点负载均衡在边缘计算环境中，节点的负载分布不均可能导致任务调度的不公平和效率低下。
为了实现负载均衡，可以采用动态调整的策略，根据节点的实时负载情况，将任务分配给负载较轻的节点。
同时，还可以引入任务迁移机制，及时调整任务分布，减少节点的负载压力。
边缘计算中的任务卸载和资源调度算法研究
边缘计算中的任务卸载和资源调度算法研究随着物联网和移动互联网的飞速发展，人们对数据处理和计算能力的需求日益增加。
但是，传统的中心化计算模式已经难以满足这一需求。
而边缘计算作为新兴的计算模式，通过将计算资源下沉到网络边缘，能够更好地满足人们对低时延、高可靠、隐私保护等方面的需求，越来越受到关注和青睐。
然而，边缘计算普及的道路并不平坦，一个重要的问题是如何合理地利用边缘计算资源，进一步提高计算效率。
其中，任务卸载和资源调度算法是关键环节。
一、任务卸载任务卸载是指将一个计算任务从中央云端移动到网络边缘，以最大程度地减少通信延迟和在移动环境下的网络拥塞，提高计算效率和用户体验。
在任务卸载中，往往需要考虑以下几个问题：1. 选哪些任务卸载考虑到任务规模、可卸载性和计算复杂度等因素，我们需要在云端和边缘设备之间选择适当的任务进行卸载，以达到最优的计算性能。
2. 如何划分任务任务的划分需要进行尽可能细化和精确的处理，以利于边缘计算资源的合理利用，以及减少数据传输和通信延迟。
同时，还需要考虑到卸载和云端计算协同处理的问题。
3. 计算资源调度在任务卸载后，需要为各个设备分配合适的计算资源，最大化计算效率。
如何有效地分配计算资源，是一个复杂的问题，通常采用最优匹配、近似算法和遗传算法等方法进行解决。
二、资源调度资源调度是指对计算资源的合理性配置，使得计算任务可以更加高效地进行处理。
在边缘计算中，资源调度需要处理的问题有：1. 设备分类根据设备的计算能力、存储能力、电池寿命、网络连接性和距离等因素，对设备进行分类，以更好地利用计算资源。
2. 边缘计算和云计算的协同处理边缘计算和云计算是相辅相成的，两者互为补充。
在资源调度中，需要根据任务的类型、大小、需要处理的数据量和要求等因素，判断是在云计算还是在边缘计算中进行，以达到最优效果。
3. 负载均衡资源调度也需要考虑负载均衡的问题。
面对任务数量的快速增长，如果不能将资源合理地分配，就容易造成资源浪费，导致单个设备的负载过重，影响计算效率和设备寿命。
基于边缘计算的移动算力卸载与任务调度
基于边缘计算的移动算力卸载与任务调度边缘计算作为一种新兴的计算模式，旨在将计算与存储资源尽可能地靠近用户和数据产生源头，以提高服务的响应速度和体验质量。
在移动计算环境下，移动设备的算力不足成为制约用户体验的瓶颈之一。
针对这一问题，基于边缘计算的移动算力卸载与任务调度技术应运而生。
移动算力卸载是指将移动设备上的计算任务通过网络卸载到边缘服务器或云端服务器进行处理的过程。
通过这种方式，移动设备可以将计算任务交给拥有更强大计算能力的服务器来完成，从而提高移动设备的性能和用户体验。
而任务调度则是指在边缘计算环境下，对移动设备上的计算任务进行优化和调度，以实现移动算力卸载的高效利用。
在基于边缘计算的移动算力卸载与任务调度中，有以下关键技术和挑战：1. 移动算力卸载决策：移动设备上的计算任务是否需要卸载以及选择合适的卸载目标是一个重要决策。
可以基于计算任务的复杂度、计算资源的可用性和网络延迟等因素进行决策，以最大程度地降低计算任务对移动设备资源的消耗。
2. 任务切分和分发：在移动算力卸载过程中，将计算任务切分成合适的粒度，并将其分发到合适的卸载目标进行处理是一项关键任务。
切分任务的粒度应该能够保证计算任务在移动设备和卸载目标之间的通信开销最小化，并且在分发任务时要考虑卸载目标的可用性和负载情况。
3. 资源管理和调度：在边缘计算环境中，需要对卸载目标的计算资源进行管理和调度，以保证处理被卸载的计算任务时能够提供足够的计算能力和服务质量。
资源管理和调度算法可以基于任务优先级、资源利用率和网络拓扑结构等因素进行优化，以实现资源的高效利用。
4. 数据安全和隐私保护：在移动算力卸载过程中，涉及到用户的数据和任务的隐私，因此需要确保数据的安全传输和任务的隐私保护。
可以采用数据加密和身份认证等技术手段来保护数据和任务的安全。
基于边缘计算的移动算力卸载与任务调度技术的应用场景广泛。
举例来说，可以应用于实时视频流的处理，将视频解码和编码等计算任务卸载到边缘服务器或云端服务器上进行处理，从而降低移动设备的功耗和延迟，提高视频传输的质量和效果。
面向边缘云的计算卸载方法研究
面向边缘云的计算卸载方法研究面向边缘云的计算卸载方法研究一、引言随着云计算技术的快速发展，越来越多的应用程序迁移到云平台上进行，以实现资源共享、成本节约和高性能等优势。
然而，随着物联网技术的兴起，边缘计算也成为了当前研究的热点之一。
边缘计算通过在离用户更近的边缘设备上进行数据处理和计算任务，减少了网络延迟和带宽消耗。
为了进一步提升边缘计算的性能和可扩展性，计算卸载成为了一个重要的研究方向。
二、计算卸载概述计算卸载是指将计算任务从终端设备卸载到云或边缘服务器上进行处理的技术。
通过计算卸载，用户设备可以将计算任务交由云或边缘服务器进行处理，避免了设备资源的消耗，同时也能够利用云或边缘服务器的高性能和存储资源来提升应用程序的执行效率。
三、边缘云环境下计算卸载的挑战在边缘云环境下，计算卸载面临着一些挑战。
首先，边缘设备的计算能力和存储容量相对较弱，无法完成大规模的计算任务。
其次，边缘计算环境中的网络延迟较高，可能会对计算卸载的性能产生影响。
再次，由于边缘设备和云或边缘服务器之间可能存在的通信不稳定性，可能导致数据传输的中断和丢失。
最后，边缘计算环境中的能源消耗和功耗问题也需要考虑。
四、计算卸载的方法研究为了克服上述挑战，研究者们提出了多种计算卸载的方法。
1. 任务划分与调度任务划分与调度是计算卸载的基本方法之一。
将复杂的计算任务拆分成多个子任务，并根据任务的特性和资源的可用性进行调度，将不同的子任务部署到合适的终端设备、边缘服务器或云服务器上进行处理。
通过任务划分与调度，可以实现任务的并行处理，提高计算效率。
2. 数据预处理数据预处理是在计算卸载之前对数据进行预处理的方法。
通过在边缘设备上进行数据的处理和过滤，可以减少数据传输的量，降低网络延迟，并提高计算效率。
例如，可以在边缘设备上对图像数据进行压缩和降噪，使得只需要传输处理结果而不是整个图像。
3. 数据缓存与共享数据缓存与共享是通过在边缘设备、边缘服务器和云服务器之间建立缓存和共享机制来减少数据传输和计算延迟。
移动边缘计算中的任务卸载与调度策略研究
移动边缘计算中的任务卸载与调度策略研究移动边缘计算（Mobile Edge Computing，MEC）作为一种新兴的计算模式，通过将数据处理和存储功能放置到离用户更近的边缘设备上，提供了更低的延迟和更好的网络体验。
在移动边缘计算环境中，任务卸载与调度策略的研究成为了关键问题，旨在实现任务的有效分配和资源的优化利用。
任务卸载是指将原本在移动设备上执行的计算任务转移到移动边缘服务器上执行的过程。
通过将计算任务卸载到边缘服务器，可以减轻移动设备的计算压力，降低能耗并提高计算速度。
任务卸载策略的研究旨在找到最优的任务卸载决策，以提高系统性能，减少延迟和能耗。
常见的任务卸载策略包括静态卸载策略和动态卸载策略。
静态卸载策略是在任务开始执行之前，根据一些预先设定的规则将任务分配到合适的边缘服务器。
这种策略主要依赖于对任务的静态特征进行分析和预测，如任务的计算需求、数据传输量和网络延迟等。
基于静态卸载策略，可以将计算负载均衡地分配到边缘服务器上，以提高整体性能。
然而，静态卸载策略缺乏对移动终端和边缘服务器之间动态变化的适应性，无法应对实时的任务需求和网络状态的变化。
动态卸载策略是根据移动终端和边缘服务器的实时状态进行任务卸载决策，以更好地适应实际需求和网络条件的变化。
这种策略主要依赖于移动终端和边缘服务器之间的信息交互和动态调度算法。
移动终端可以向边缘服务器发送自身的状态信息，如计算资源情况、位置等，而边缘服务器可以根据这些信息进行任务调度和卸载决策。
动态卸载策略可以根据网络负载和移动终端的状态实时地调整任务分配，以优化系统性能和用户体验。
在任务卸载与调度策略的研究中，还要考虑到任务的优先级和安全性问题。
优先级可以根据任务的重要性和紧急程度进行划分，以保证关键任务的及时完成。
而安全性则是保障移动边缘计算环境中数据传输和存储的完整性和隐私性，可以采用加密和身份验证等技术手段来保护数据的安全。
除了任务卸载与调度策略的研究，还有一些其他的相关问题需要考虑。
面向边缘计算环境的任务卸载算法研究
面向边缘计算环境的任务卸载算法研究随着物联网和大数据等技术的迅速发展，边缘计算作为一种分布式计算模式，正逐渐成为解决网络延迟和数据处理能力不足的有效解决方案。
边缘计算环境具有多种计算资源，如边缘设备，云服务器和边缘服务器等。
而任务卸载作为边缘计算的核心问题之一，致力于根据任务特征和资源状况，将计算任务分配给最合适的计算节点，以提高计算效率和减少延迟。
本文将对面向边缘计算环境的任务卸载算法进行研究探讨，并就其关键问题，优化目标和算法实现等方面进行讨论。
一、关键问题1. 任务划分：将任务按照不同的特征进行划分，例如计算需求、数据通信量、执行时间等。
在确定任务划分的同时，还需要考虑任务之间的依赖关系，确保划分后的任务仍然能够保持原有的执行顺序和逻辑。
2. 资源感知：边缘计算环境具有多种计算资源，但其数量和性能也会随时变化。
因此，任务卸载算法需要具备资源感知的能力，实时监测和评估计算节点的计算能力、存储容量和网络带宽等指标，并根据这些指标进行任务分配和迁移。
3. 负载均衡：边缘计算环境中的计算节点分布广泛，网络条件和计算资源之间的差异也很大。
任务卸载算法需要考虑如何实现负载均衡，在资源充足的情况下，使得计算任务能够被平衡地分布到各个计算节点上，以提高整体计算性能。
二、优化目标采用合适的任务卸载算法，可以有效提高边缘计算环境的计算效率和资源利用率。
本文将主要考虑以下优化目标：1. 性能优化：通过将计算任务卸载到就近的边缘设备或边缘服务器上，可以大大减少数据传输延迟和网络拥塞，从而提高计算性能。
2. 能耗优化：在边缘计算环境中，节点数量众多，能耗是一个重要的问题。
合理的任务卸载算法可以减少计算节点的负载，降低节点的能耗，从而达到能源的节约和环境保护的目的。
3. 成本优化：边缘计算环境中的计算资源往往是有限的，而云服务器资源的使用则需要支付高昂的费用。
通过合理地将任务卸载到边缘设备或边缘服务器上，可以减少对云服务器资源的需求，从而降低计算成本。
《面向复杂移动终端任务的边缘服务卸载方法》范文
《面向复杂移动终端任务的边缘服务卸载方法》篇一一、引言随着移动互联网的飞速发展，移动终端设备面临着日益增长的任务处理需求。
由于移动设备的计算能力和存储资源有限，当面对复杂、高计算量的任务时，往往难以在短时间内完成。
为了解决这一问题，边缘服务卸载技术应运而生。
本文将详细介绍一种面向复杂移动终端任务的边缘服务卸载方法，旨在提高任务处理效率，降低设备能耗，提升用户体验。
二、背景与意义边缘服务卸载技术是指将移动终端上的计算任务卸载到边缘服务器上执行，以利用边缘服务器的强大计算能力和丰富资源。
该技术在多个领域具有广泛应用，如智能交通、智能家居、远程医疗等。
在复杂移动终端任务处理中，边缘服务卸载技术可以有效减轻设备负担，提高任务处理速度，降低能耗，从而提升用户体验。
三、相关技术概述在介绍本文的边缘服务卸载方法之前，我们先对相关技术进行概述。
首先，云计算技术为边缘服务提供了强大的后盾，可以提供海量的计算资源和存储资源。
其次，移动终端设备与边缘服务器的通信技术，如5G、Wi-Fi等，保证了任务卸载的实时性和可靠性。
此外，还需要考虑任务卸载策略、资源分配策略等因素，以确保任务的顺利执行。
四、边缘服务卸载方法本文提出的面向复杂移动终端任务的边缘服务卸载方法主要包括以下步骤：1. 任务分析：首先，对移动终端上的任务进行详细分析，确定任务的类型、计算量、时延要求等关键信息。
2. 资源评估：评估本地设备和边缘服务器的计算资源和能耗情况，为任务卸载提供参考。
3. 任务调度与卸载决策：根据任务特性和资源评估结果，制定合理的任务调度策略和卸载决策。
对于计算量大、时延要求高的任务，优先卸载到边缘服务器；对于轻量级任务，可考虑在本地设备上处理。
4. 通信与传输：通过5G、Wi-Fi等通信技术，将任务请求发送到边缘服务器。
同时，确保数据传输的实时性和可靠性。
5. 任务执行与结果返回：边缘服务器接收任务请求后，利用其强大的计算能力进行处理。
移动边缘计算中的任务调度与卸载优化研究
移动边缘计算中的任务调度与卸载优化研究第一章引言移动边缘计算是一种新兴的计算模式，它将计算与存储资源放置在网络边缘的移动设备或边缘服务器上，以提供更快速、低延迟的计算和服务。
在移动边缘环境中，任务调度与卸载是关键的技术挑战之一，它影响着系统的响应速度、资源利用率和能耗等性能指标。
本章将介绍移动边缘计算的基本概念和背景，并阐述任务调度与卸载优化的研究意义和挑战。
第二章移动边缘计算的任务调度2.1 移动边缘计算系统架构移动边缘计算系统由移动设备和边缘服务器组成。
移动设备可以是智能手机、平板电脑等便携式设备，边缘服务器则是分布在网络边缘的计算节点。
任务调度的目标是将计算任务合理地分配给移动设备和边缘服务器，以实现任务的高效执行。
2.2 任务调度算法任务调度算法是任务调度的核心部分，它决定了任务在移动边缘计算系统中的执行顺序和分配策略。
常用的任务调度算法包括最短任务优先、最小剩余时间优先、最小平均执行时间优先等。
此外，还可以使用启发式算法、遗传算法等优化算法来解决复杂的任务调度问题。
第三章移动边缘计算的任务卸载3.1 任务卸载原理任务卸载是指将部分计算任务从移动设备转移到边缘服务器上执行的过程。
任务卸载可以减轻移动设备的计算压力，提高系统的性能和用户体验。
任务卸载的原理是基于任务的计算需求和移动设备与边缘服务器的通信能力来决定任务的卸载与否。
3.2 任务卸载策略任务卸载策略是决定任务卸载的关键因素，它包括任务分割策略、任务卸载决策和任务合并策略等。
任务分割策略将大型任务分为多个子任务，以便在移动设备和边缘服务器之间协同完成。
任务卸载决策是根据任务计算需求和通信成本等因素来决定是否将任务卸载到边缘服务器。
任务合并策略则是将多个子任务的计算结果合并为最终的任务结果。
第四章任务调度与卸载优化算法4.1 多目标优化算法任务调度与卸载优化问题通常涉及到多个冲突的目标，如最小化延迟时间、最大化资源利用率等。
多目标优化算法能够寻找到任务调度与卸载的最优解或近似最优解。
移动边缘计算环境下的任务卸载优化研究
移动边缘计算环境下的任务卸载优化研究移动边缘计算是一种将计算资源移动到离用户设备更近的边缘位置进行处理的技术。
由于移动边缘计算能够降低延迟、减少网络带宽压力和提高系统的可扩展性，它已经逐渐成为处理大规模数据和复杂任务的重要技术。
在移动边缘计算环境下，任务卸载是指将数据和计算任务从用户设备或云端服务器卸载到边缘节点上进行处理。
任务卸载的核心目标是实现任务的高效执行，通过合理分配任务到边缘节点，可以避免云端资源的过度占用，减少通信延迟，并提高用户体验。
为了优化任务卸载，在移动边缘计算环境中，需要考虑以下几个方面：1. 任务划分和调度：在移动边缘计算中，任务可以划分为本地计算、边缘计算和云计算三种方式，并通过任务调度算法来确定任务分配的位置。
合理的任务划分和调度策略可以降低通信开销，提高计算性能。
2. 任务卸载决策：任务卸载决策需要综合考虑任务的性能需求、边缘节点的资源状况和网络状态等因素。
根据任务的特性和边缘节点的性能指标，可以通过动态决策算法来实时选择合适的任务卸载方式。
3. 数据传输和交互：任务卸载需要将数据从用户设备或云端服务器传输到边缘节点，并在边缘节点上进行处理。
在移动边缘计算环境下，数据传输方法和协议的选择十分重要。
要考虑网络带宽、延迟和数据安全等因素，选择最适合的数据传输方式。
4. 负载均衡：在移动边缘计算环境中，可能存在多个边缘节点，任务的负载均衡是任务卸载优化的关键。
通过合理的负载均衡算法，可以减少某些节点的负载压力，并平衡资源利用率，提高整体系统性能。
为了有效地进行任务卸载优化研究，可以使用仿真工具和实验环境来评估不同的任务卸载策略。
通过对比各种策略的性能指标，如延迟、资源利用率和能耗等，可以选择最合适的任务卸载方案。
同时，也可以借鉴现有的相关研究成果和算法。
例如，可以利用机器学习技术来建立预测模型，根据任务特性和网络状态预测最优的任务卸载决策。
还可以使用分布式算法来处理任务划分和调度问题，提高算法的效率和系统的稳定性。
物联网中的云计算边缘任务卸载与调度优化研究
物联网中的云计算边缘任务卸载与调度优化研究随着物联网（IoT）技术的迅速发展，越来越多的智能设备连接到互联网，形成了庞大的物联网系统。
然而，由于物联网中设备数量众多、数据量巨大，传统的中心化云计算模式已经无法满足对实时性和低延迟的需求。
因此，云计算边缘任务卸载与调度优化成为了物联网领域的研究热点。
一、云计算边缘任务卸载云计算边缘任务卸载指的是将云计算中心的部分计算任务下放到边缘设备，以减少网络传输延迟和降低网络负载。
边缘设备包括物联网终端设备、边缘服务器等，它们分布在网络的边缘位置，可以更接近终端设备，提供更低延迟的服务。
通过边缘任务卸载，可以使物联网系统的响应时间更短，提高系统的实时性和性能。
在进行边缘任务卸载时，需要考虑任务的划分和分配。
一般来说，可以通过任务的计算复杂度、数据传输量、实时性要求等指标来划分任务。
对于计算复杂度较低、数据传输量较大的任务，可以选择卸载到边缘设备上进行处理；而对于计算复杂度较高、实时性要求较高的任务，可以选择在云计算中心进行处理。
二、调度优化策略在进行云计算边缘任务卸载时，调度优化策略起到了至关重要的作用。
调度优化策略的目标是使得任务能够在合适的时间、合适的设备上得到处理，以提高系统的整体性能和效率。
1. 负载均衡策略负载均衡策略通过合理地分配任务到不同的边缘设备上，以使得各个设备的负载保持均衡。
这可以通过监测设备的负载情况、任务的优先级等因素来进行调度决策。
常见的负载均衡策略包括轮询调度、最小负载优先、动态权重分配等。
2. 数据预处理策略物联网中产生的数据通常具有大规模、高维度的特点，需要进行预处理以减少数据传输和存储开销。
数据预处理策略可以通过对数据进行降维、压缩、过滤等操作，以减少数据量并提高处理速度。
同时，针对不同类型的任务，可以采用不同的数据预处理策略，以最大程度地发挥边缘设备的处理能力。
3. 实时性调度策略物联网中的一些任务对实时性要求较高，需要在严格的时间限制内完成。
边缘计算环境中的任务卸载与资源调度技术研究
边缘计算环境中的任务卸载与资源调度技术研究随着物联网和人工智能等技术的发展，边缘计算作为一种新兴的计算架构已经受到了广泛的关注。
在边缘计算环境中，大量的移动设备和传感器节点分布在不同的地理位置上，这些设备可以存储、处理和分析产生的海量数据。
然而，在边缘计算中，由于设备资源有限、网络带宽有限和时延等问题，任务卸载与资源调度成为了一个关键的挑战。
本文将从任务卸载和资源调度两个方面来探讨边缘计算环境中的技术研究。
首先，任务卸载是指将部分计算任务从终端设备卸载到边缘服务器或云端进行处理。
任务卸载可以有效减少终端设备的计算负载，提高用户体验和能耗效率。
任务卸载的关键问题是如何选择合适的任务卸载策略。
根据任务的特点和要求，可以采用静态任务卸载和动态任务卸载两种策略。
静态任务卸载是指根据任务的类型和计算资源的可用性来决定是否进行任务卸载。
动态任务卸载是根据网络带宽、设备负载和能耗等因素动态地决定任务是否需要卸载。
同时，任务的切割和分发以及任务的数据传输也是任务卸载中需要考虑的问题。
因此，在任务卸载中需要综合考虑任务特点、计算资源、网络带宽和能耗等因素，以提高任务卸载的效果。
其次，资源调度是指根据任务的需求和资源的可用性，将任务分配到合适的边缘服务器或云端进行处理。
资源调度的关键问题是如何选择合适的资源调度策略。
根据任务的特点和资源的可用性，可以采用静态资源调度和动态资源调度两种策略。
静态资源调度是指根据任务的类型和资源的可用性来决定任务的分配。
动态资源调度是根据任务的进度和资源的负载来动态地分配任务。
同时，资源调度也需要考虑到通信带宽、计算能力和能耗等因素。
因此，在资源调度中需要综合考虑任务需求、资源可用性和性能要求等因素，以提高资源调度的效果。
为了解决边缘计算环境中的任务卸载和资源调度问题，研究者们提出了许多解决方案。
其中，基于机器学习的方法被广泛应用于任务卸载和资源调度中。
通过使用机器学习算法，可以对任务特征、资源负载和传输带宽等进行预测和学习，从而实现更加智能化和高效的任务卸载和资源调度。
面向边缘计算的云端任务卸载优化研究
面向边缘计算的云端任务卸载优化研究随着物联网技术的快速发展，大量的智能终端设备连接到互联网，在边缘计算环境中生成和处理海量的数据。
然而，边缘设备的资源有限，无法满足所有计算和存储的需求。
为了解决这一问题，云端任务卸载优化技术应运而生。
本文将对面向边缘计算的云端任务卸载优化研究进行探讨。
首先，我们需要了解边缘计算和云端任务卸载的基本概念。
边缘计算是指在离用户端更接近的网络边缘进行计算和数据处理的一种分布式计算模式。
边缘设备可以提供低延迟、高带宽的服务。
而云端任务卸载是将一部分或全部的计算任务从边缘设备卸载到云中进行处理。
这种卸载可以减轻边缘设备的负担，提高整个系统的响应速度和性能。
针对面向边缘计算的云端任务卸载优化，研究人员们提出了一系列的解决方案。
首先是任务卸载决策问题。
如何选择合适的任务卸载策略是一个重要的问题。
一种常见的策略是根据任务的类型和边缘设备的性能进行静态的决策。
这样的方法可以提前规划好任务的卸载路径，但对于动态环境下的任务卸载可能存在不足。
因此，另一种更灵活的策略是根据任务的实际需求和边缘设备的实时状态进行动态的决策。
除了任务卸载决策外，还有调度和资源管理问题需要进行优化。
调度是指将卸载的任务分配给云端计算资源的过程。
优化调度算法可以使得任务能够高效地分配到云端，避免资源的浪费和系统的负载不均衡。
另外，资源管理也是一个关键问题。
合理地利用云端资源，提高边缘计算系统的整体性能是一个挑战。
研究人员提出了一些资源分配和调度策略，例如，基于负载均衡的资源调度和基于时间窗口的资源管理。
此外，安全和隐私问题也是云端任务卸载优化研究中需要重视的问题。
在边缘计算环境中，由于数据的交互涉及到用户的隐私信息，因此对于数据的安全和隐私保护是非常重要的。
研究人员提出了一些安全和隐私保护的方案，例如，基于加密的数据传输和基于身份验证的访问控制。
这些方案能够有效地保护用户的隐私信息，并提高系统的安全性。
除了上述问题外，还有一些其他的研究方向值得探索。
面向移动边缘计算的卸载策略优化研究
面向移动边缘计算的卸载策略优化研究移动边缘计算是一种新兴的计算模式，通过将计算资源更接近移动设备，可以提高计算任务的处理效率和响应速度。
然而，在移动边缘计算中，如何合理地选择卸载策略来优化计算资源的利用和任务执行效率依然是一个重要的研究问题。
本文将围绕面向移动边缘计算的卸载策略优化展开研究，从卸载决策、任务划分和资源调度三个方面进行探讨。
首先，针对卸载决策问题，我们需要明确何时以及如何选择将计算任务从移动设备卸载到边缘服务器上进行处理。
一个常见的卸载决策指标是计算任务的资源需求量和移动设备的能力。
边缘服务器通常具有更强大的计算能力和存储资源，可以更高效地执行大规模计算任务。
因此，对于计算资源需求较高的任务，应优先考虑将其卸载到边缘服务器上进行处理。
另外，考虑到通信延迟问题，距离移动设备较近的边缘服务器更适合处理时延敏感的任务，而距离较远的边缘服务器更适合处理计算密集型任务。
其次，针对任务划分问题，我们需要将大规模计算任务划分成可并行执行的小任务，并选择合适的卸载方式。
任务划分的目标是实现任务的负载均衡，提高整体计算能力的利用率。
根据任务的特性，可以采用基于数据划分的方法或者基于功能划分的方法。
对于数据密集型任务，采用数据划分的方法将任务数据分割成多个子任务，并由不同的边缘服务器处理，从而实现数据并行。
而对于功能密集型任务，采用功能划分的方法将任务按照功能模块划分成多个子任务，并由不同的边缘服务器处理，从而实现功能并行。
最后，针对资源调度问题，我们需要根据任务的执行情况和边缘服务器的负载情况，合理地调度计算任务分配和执行。
任务的调度决策可以根据任务的优先级、执行时间和资源需求等因素进行。
同时，边缘服务器的负载情况也应该被充分考虑，避免出现某些服务器负载过重而导致性能下降的情况。
对于资源利用不平衡的情况，可以采用负载均衡算法进行资源调度，如基于轮询和动态权重的算法等，以实现资源的最优分配和负载的均衡。
面向边缘计算的任务卸载策略优化研究
面向边缘计算的任务卸载策略优化研究随着物联网和移动互联网的快速发展，设备的智能化和云计算技术的成熟，边缘计算作为一种新兴的计算架构受到了广泛关注。
边缘计算提供了一种更加灵活和高效的计算模式，能够将计算资源更加靠近数据源和终端设备，从而减少网络负担、降低延迟，并提高数据处理速度。
在边缘计算环境下，任务卸载策略的优化研究变得至关重要。
任务卸载是指将计算任务从终端设备或边缘服务器卸载到云服务器或其他边缘节点上执行的过程。
在边缘计算环境中，任务卸载策略的优化能够提高整体系统的性能和效率。
针对这一问题，研究者提出了多种任务卸载策略，并且对其进行了深入的优化研究。
首先，任务卸载策略需要考虑到网络带宽和延迟的问题。
根据任务的计算量和数据大小，合理地选择卸载到云服务器还是边缘节点上执行。
对于计算量较大、数据量较小的任务，可以选择卸载到云服务器上执行，以充分利用云计算的强大计算能力。
而对于计算量较小、数据量较大的任务，则更适合卸载到边缘节点上执行，减少数据传输的开销。
通过考虑网络状况和任务特点，优化任务的卸载策略，可以有效减少整体的延迟和消耗。
其次，任务卸载策略还需要综合考虑能源消耗和服务质量的平衡。
边缘计算环境中，能源消耗是一个不可忽视的问题。
边缘设备的能源有限，需要合理控制任务的卸载并选择适当的执行节点，以降低能源消耗。
同时，任务的卸载策略还应该考虑到服务质量的需求，确保任务能够在规定的时间内完成，并提供满足用户需求的结果。
在任务卸载策略中加入能源消耗和服务质量的考虑，可以优化系统的资源利用和用户体验。
此外，任务卸载策略的优化还需要考虑到安全和隐私保护的问题。
边缘计算环境中，涉及到的数据通常包含用户的隐私信息。
因此，在任务卸载过程中，需要采取相应的安全措施来确保数据的机密性和完整性。
合理选择执行节点、加密数据传输、采用访问控制机制等措施可以有效保护数据的安全。
通过将安全和隐私保护纳入任务卸载策略的优化研究中，能够提高整体系统的安全性和可信度。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第２５卷第４期计算机集成制造系统V o l ．２５N o ．４２０１９年４月C o m p u t e r I n t e g r a t e d M a n u f a c t u r i n g S ys t e m s A pr ．２０１９D O I :１０．１３１９６/j．c i m s ．２０１９．０４．００２收稿日期:２０１８Ｇ０９Ｇ０４;R e c e i v e d０４S e p．２０１８．基金项目:国家自然科学基金资助项目(６１７０２１４４);浙江省自然科学基金项目(L Y １７E ０５００２７).F o u n d a t i o n i t e m s :P r o j e c t s u p p o r t e d b yt h eN a Ｇt i o n a lN a t u r a l S c i e n c eF o u n d a t i o n ,C h i n a (N o ．６１７０２１４４),a n dt h eN a t u r a lS c i e n c eF o u n d a t i o no fZ h e j i a n g Pr o v i n c e ,C h i n a (N o ．L Y １７E ０５００２７)．面向边缘侧卸载优化的工作流动态关键路径调度算法袁友伟１,２,刘恒初１,２＋,俞东进１,李忠金１(１．杭州电子科技大学计算机学院,浙江㊀杭州㊀３１００１８;２．复杂系统建模与仿真教育部重点实验室,浙江㊀杭州㊀３１００１８)摘㊀要:移动边缘计算有助于减少工作流调动中用户终端的能耗和计算负担,但不合理的任务卸载会导致设备产生大量时间和能源的消耗.针对该问题,提出一种面向边缘侧卸载优化的工作流动态关键路径调度的两阶段算法,包括边缘侧卸载优化算法和基于本地计算量的动态关键路径调度算法.制定了边缘侧卸载优化的策略,该策略通过隐性马尔科夫预测得到可卸载e N B 集并结合速度与偏移量预测筛选最优可调度e N B ,以确保卸载成功率;同时在调度过程中通过动态更新关键路径,避免了关键路径变化对调度结果的影响.通过仿真实验证明了所提算法的有效性.相比传统优化算法,该算法能优化移动边缘环境下工作流１２％的完工时间,并减少６％的能耗.关键词:移动边缘;卸载优化;最优可调度e N B ;动态关键路径;能耗;工作流中图分类号:T P ３１１㊀㊀㊀文献标识码:AO f f l o a d i n g o p t i m i z a t i o nb a s e o nd y n a m i c c r i t i c a l p a t h i nm o b i l e e d g e c o m p u t i n g en v i r o n m e n t Y U A N Y o u w e i １,２,L I U H e n g c h u １,２＋,Y U D o n g j i n １,L I Z h o n g ji n １(１．S c h o o l o fC o m p u t e r S c i e n c e a n dT e c h n o l o g y ,H a n g z h o uD i a n z iU n i v e r s i t y ,H a n gz h o u３１００１８,C h i n a ;２．K e y L a b o r a t o r y o f C o m p l e xS y s t e m sM o d e l i n g a n dS i m u l a t i o n ,M i n i s t r y o fE d u c a t i o n ,H a n gz h o u ３１００１８,C h i n a )A b s t r a c t :M o b i l eE d g eC o m p u t i n g (M E C )i s h e l p f u l f o r r e d u c i n g c o m p u t a t i o n a l b u r d e n a n d e n e r g y c o n s u m pt i o nd u r Ｇi n g w o r k f l o w m o b i l i z a i t o n ．H o w e v e r ,m o r e t i m e a n d e n e r g y w a s t e s c o u l d b e c a u s e d b y u n r e a s o n a b l e t a s k o f f l o a d i n g ．F o r t h i s r e a s o n ,a t w o Ｇs t a g eM o b i l eE d g eC o m p u t i n g O f f l o a d i n g O p t i m i z a t i o na l g o r i t h mb a s e do nD y n a m i cC r i t i c a l P a t h (M E C O O D C P )a l g o r i t h m w a s i n t r o d u c e d ,w h i c h i n c l u d e dm o b i l e e d g e c o m p u t i n g o f f l o a d i n g o p t i m i z a t i o n a l go Ｇr i t h ma n dd y n a m i c c r i t i c a l p a t ha l g o r i t h m b a s eo n l o c a l c o m p u t a t i o n ．O nt h i sb a s i s ,t h eo p t i m i z e de d g eu n l o a d i n g s t r a t e g y w a s p r o p o s e d ,w h i c hh a dt a k e na d v a n t a g eo f t h es e l e c t e do pt i m i z e de N Bf r o m H i d d e n M a r k o v p r e d i c t i o n w i t hv e l o c i t y a n do f f s e t p r e d i c t i o nt oe n s u r et h es u c c e s sr a t eo f t a s ko f f l o a d i n g ．M e a n w h i l e ,t h ec r i t i c a l p a t ho f w o r k f l o w w a s d y n a m i c a l l y u p d a t e d t o r e d u c e t h e i m p a c t o n s c h e d u l i n g r e s u l t s ．T h e e f f e c t i v e n e s s o f t h e p r o po s e d a l Ｇg o r i t h m w a s p r o v e db y t h es i m u l a t i o ne x p e r i m e n t ,a n dt h e p r o p o s e da l g o r i t h mc o u l do pt i m i z e t h ew o r k f l o wu n d e r t h em o b i l e e d g e e n v i r o n m e n t b y d e c r e a s i n g １２％o f t i m e a n d ６％o f e n e r g y c o m p a r e dw i t h t r a d i t i o n a l o p t i m i z a t i o n a l Ｇgo r i t h m．K e yw o r d s :m o b i l e e d g e ;o f f l o a d i n g o p t i m i z a t i o n ;o p t i m i z e de N B ;d y n a m i c c r i t i c a l p a t h ;e n e r g y c o n s u m p t i o n ;w o r k Ｇf l o w０㊀引言随着智能手机的不断发展以及诸如人脸识别㊁自然语言处理㊁虚拟现实(V i r t u a lR e a l i t y ,V R )等技术的不断出现,用户对移动设备便携式管理以及处理大量及时性信息等方面的需求日益增长.然而,第４期袁友伟等:面向边缘侧卸载优化的工作流动态关键路径调度算法移动终端设备在计算能力和电池容量的限制下,难以满足用户对处理能力的需求[１Ｇ２],因此在金融㊁电子商务㊁交通数据等领域中越来越广泛地使用移动边缘计算作为解决方案[３Ｇ４],即将任务卸载至边缘侧以获得更快的响应速度.针对边缘侧任务卸载问题,诸多学者进行了研究,主要集中在３个方面:①移动设备的能源消耗优化[５Ｇ７];②设备与云端的通信㊁计算开销优化[８Ｇ９];③任务的完工时间优化[１０Ｇ１２].设备能耗作为移动边缘环境下工作流调度首要考虑的因素,研究人员一方面利用数学公式对工作流调度进行优化,另一方面利用启发式算法寻求最优解,文献[５]通过凸函数优化算法提出一种基于协同移动边缘(C o l l a b o r a t i v eM o b i l eC l o u d,C M C)的资源分配和用户调度算法,实现了能耗优化的目标;文献[６]提出一种基于能效的资源调度方案,其目标是实现能耗和时间消耗最小化,通过搜索传递路径来尽可能满足用户的服务需求;文献[７]提出一个新颖的移动设备能耗模型,估算应用程序在本地㊁远程或混合执行时所消耗的能量,应用程序在运行过程中通过模型感知设备能耗,并基于感知数据实施卸载决策以实现能耗优化.针对不同应用服务的资源配备,同时考虑到带宽㊁成本㊁存储和其他潜在的约束条件,研究人员从服务提供商的角度来考虑开销问题并进行调度优化,文献[８]提出基于时间依赖机制的优先级更新策略进行动态调度,从经济理论平衡点的角度解决并行计算作业调度问题并优化了租用移动边缘服务费用.文献[９]将移动数据流量作为一个多目标优化问题,最小化移动数据流量的同时为用户提供Q o s 感知服务.移动边缘环境下优化工作流的完工时间是工作流调度中的核心问题,文献[１０]提出一个最优任务分配方案,该方案通过软件定义网络(S o f t w a r eD eＧf i n e dN e t w o r k,S D N),使e N B能够协作处理任务.移动设备以合作的方式卸载,以更好地利用计算资源池.通过解决任务合理分配问题从而降低移动设备的延迟,使任务的完成时间最小化.文献[１１]在考虑对c l o u d l e t进行并行共享,使用户共享总计算能力的同时,也考虑了时分多址和频分多址两种不同的无线信道访问方案,并针对每个访问方案,提出改进的二分搜索算法来解决相应的联合优化问题.文献[１２]提出一个基于代理的移动云计算(M o b i l e C l o u dC o m p u t i n g,M C C)框架,通过代理进行卸载决策,使设备能够更快地接收卸载结果,并通过基于过滤动态规划(D y n a m i cP r o g r a m m i n g A f t e rF i l t eＧr i n g,D P A F)算法解决优化问题.在移动边缘计算环境中不仅存在上述３方面的调度优化问题,真实网络环境同样也是研究移动边缘计算调度的一个必须要考虑的因素.为解决以上问题,文献[１３]提出一种基于f_M a n t i s的移动卸载解决方案,f_M a n t i s能够根据不同的程序输入或设备状态,准确㊁高效地预测性能收益和成本,实现应用程序执行时间和能耗的优化;文献[１４Ｇ１７]通过动态调度策略适应任务卸载环境的变化,提出不同的策略以提高工作流的服务质量.上述研究均为针对移动边缘环境下任务完工时间无法估计时采取的调度策略,但如何处理用户移动导致的网络环境变化下的任务卸载问题则有待进一步分析.为解决上述问题,本文提出一种面向边缘侧卸载优化的工作流动态关键路径调度(M o b i l eE d g e C o m p u t i n g O f f l o a d i n g O p t i m i z a t i o n b a s e o n D yＧn a m i cC r i t i c a lP a t h,M E C O O D C P)算法.该算法使用基于本地计算量的关键路径算法对用户提交的工作流进行调度,并在此基础上提出了面向边缘侧卸载优化的策略,该策略通过隐性马尔科夫模型得到可卸载e N B集,再基于速度与偏移量筛选出最优e N B,从而将用户需要卸载的任务迁移至该节点执行,在调度过程中通过动态更新关键路径,弥补了移动边缘环境下任务调度缺少即时调度能力的缺陷,有效地降低了任务卸载的失败率.１㊀面向边缘侧卸载优化的工作流动态关键路径调度模型移动边缘环境中面向边缘侧卸载优化的工作流动态关键路径模型如图１所示,包括工作流处理㊁边缘侧卸载优化和动态任务调度.在工作流处理中,首先对用户提交的工作流建立拓扑结构,然后基于拓扑结构寻找以本地计算量为权值的工作流关键路径,最后将关键路径上的节点和剩余节点分别存入关键节点队列或剩余节点队列中等待调度,在调度过程中发现关键路径发生改变时会更新关键路径;在边缘侧卸载优化中,将e N B节点抽象成拓扑结构后根据用户历史移动路径并结合预测模型得到符合条件的e N B集合,再通过预测概率㊁预测速度和预测方向筛选最优可卸载e N B并将其提供给用户执行任务卸载;在动态任９９７计算机集成制造系统第２５卷务调度中,将任务按调度策略分为在本地执行或卸载至边缘侧执行,针对最小化卸载失败率的调度策略将提供最优卸载资源保证卸载成功率,直至完成工作流的调度.１ １㊀工作流任务模型移动边缘计算环境下工作流W 可以表示为一个边带权重的有向无环图(D i r e c t e dA c y c l i cG r a ph ,D A G ),其具体可定义为:定义１㊀D A G 任务可以表示为W ＝{w i |w i ＝(T ,V )}.其中:T 为工作流任务集合,T ＝{t i |t i ＝(I N t i ,O T t i ,D t i )},t i 为工作流的第i 个任务,I N t i为t i 的输入数据大小,O T t i为t i 的输出数据大小,D t i 为t i 工作流任务的工作量,任务可根据输入㊁输出及计算量的大小分为计算密集型任务I 和数据密集型任务J (U E 处理时间小于e N B );V 表示工作流任务之间的依赖关系,V ＝{(t i ,k ,t k ,l )|(t i ,k ,t k ,l )ɪT },(t i ,k ,t k ,l )表示t i ,k 和t k ,l 的数据依赖关系,t i ,k 是t k ,l 的前驱任务,t i ,k 的前驱任务集记为p r e (t i ,k ),t k ,l 是t i ,k 的后继任务,t i ,k 的后继任务集记为s u c c (t i ,k ).１ ２㊀边缘侧节点预测计算隐性马尔可夫模型(H i d d e n M a r k o v M o d e l,HMM )是一个通过学习和预测产生特征序列,用以描述预测结果的统计模型,可以预测e N B 转移概率.基于这种模型,移动边缘环境下预测可卸载e N B 问题可以转化为从一个节点到另一个节点的概率计算问题,下面对预测问题进行定义.定义２㊀HMM 可以简要表示为l ＝{A ,B ,π}.其中:A :{a i ,j }为隐含状态转移概率,a (i ,j )＝P (u t ＝s j|u t －１＝s i )表示从状态i 转换到状态j 的概率.在这个模型中,a (i ,j )为从e N B i 切换到e N B j 的概率,仅当i ʂj .B :{b i (k )}为观测状态转移概率,其中b i (k )＝P (o k |u k ＝s i )表示用户在连接e N B i 时其可观察状态为o k 的概率.π:{πi }描述了模型的初始状态概率,其中每个状态πi 为从状态s １开始的概率,即用户最初连接在e N B i 区域.S :{s １,s ２,s ３, ,s n }描述了模型的N 个隐藏状态,其中每个状态s i 为当前位置连接的eN B .O :{o １,o ２,o ３, ,o n }描述了模型的可观察状态００８第４期袁友伟等:面向边缘侧卸载优化的工作流动态关键路径调度算法的序列,其中每个状态o i 为用户的移动路径.根据用户历史移动路径和e N B 历史迁移数据,可以通过以下两个步骤预测e N B 迁移.１ ２ １㊀参数学习本文使用B a u m ＧW e l c h [１８]方法构建HMM ,算法通过迭代更新参数l ,直到收敛或达到既定步骤数.在学习的过程中,需要计算前向概率αt (i )＝P (o １o ２, ,o t ,s t ＝s i |λ)和后向概率βt (i )＝P (o t ＋１o t ＋２, ,o T ,s t ＝s i |λ).利用前向 后向概率可得当前时段连接e N B i 的概率γi (t )和当前时段连接e N B i 且下一时段连接e N B j 的概率ξt (i ,j ),计算公式分别为:γt (i )＝P (s t ＝s i |O ,λ)＝αt (i )βt (i )ðN j ＝１αt (j )βt (j ),(１)ξt (i ,j )＝P (s i ,s i ＋１|O ,λ)＝αt (i )βt ＋１(j )a i ,j b j (t ＋１)ðNi ＝１ðNj ＝１αt (i )βt ＋１(j )a i ,j b j (t ＋１).(２)首先通过式(１)和式(２)计算得到γi (t )和ξt (i ,j ),然后由式(３)~式(５)计算得到πi ,a i j ,b i (k ).πi ＝γ１(i )ðNi ＝１γ１(i ),(３)a i j ＝ðT －１t ＝１ξt(i ,j )ðT －１t ＝１γt (i ),(４)b i (k )＝ðTt ＝１,o t ＝o kγt (i )ðTt ＝１γt (i ).(５)１ ２ ２㊀卸载集预测针对已建立的HMM l ,首先采用近似算法计算在已观测移动路径序列为O i o １,o ２,o ３, ,o i 时,时刻t 下用户设备(U s e r E q u i p m e n t ,U E )将任务卸载至e N B m 的概率,计算公式为:γm (i )＝P (s m ＝i|O ,λ)＝αm (i )βm (i )ðN j ＝１αm (j )βm (j ).(６)式中,m 为当前状态下的可卸载边缘测结点编号.通过近似算法的计算可得到当前路径o i 下所有的可卸载边缘侧集合,在得到可卸载e N B 集后,结合用户的预测速度和方向可得到最优可卸载e N B ,具体筛选策略见２ １节中边缘侧节点选择.１ ３㊀移动边缘环境下网络传输速率计算用户设备(U E )可将任务卸载至边缘侧,以减少本地的计算负担,因此在任务卸载的过程中需要考虑移动边缘环境下的网络传输问题.在传输过程中,传输速率受信噪比的影响,移动设备与任务卸载节点的传输信噪比f S N R (d i ,n )＝P i t r a n d －a iσ２＋ðNc ＝１,c ʂi ξc P c t r a n d －a c.(７)式中:P i t r a n 为设备i 进行传输时的电压频率,d －ai为设备i 与当前e N B 的距离导致的信号干扰,σ为路径损耗因子,ωc 为卸载策略,即ωc ＝０时将任务在本地执行,反之则将任务卸载至e N B .已知传输信噪比,则移动边缘环境下瞬时传输率定义如下:定义３㊀假设B 为e N B 的传输带宽,则U E i 与e N B n 之间的瞬时传输率R n ＝B l o g ２(１＋f S N R (d i ,n )).(８)在上述对通信模型的描述中,令U E 与e N B 通信的传输速率为L b p s ,数据传输率不能超过e N B n 的最大传输能力,即R n ɤL n ,且对∀n 都成立.在任务上传/下载过程中假定信噪比函数中距离为移动用户开始发送输入/接受输出数据的位置与连接e N B 的距离.１ ４㊀移动边缘环境下任务卸载时间开销计算在移动边缘环境下工作流的任务可选择在本地进行计算,也可以选择将任务卸载至边缘侧进行计算[１９],但两种方式都会产生时间上的开销,U E 可以在处理工作流的过程中通过I N t i ,O T t i和D t i计算时间开销[２１Ｇ２２].下面分别对本地任务执行时间㊁任务卸载时间和工作流的总时间开销进行定义.定义４㊀当工作流中的任务选择在本地执行时,本地计算即为本地执行工作流任务的时间,记为t i ,令f l o c a l表示U E 的计算能力(每秒钟的C P U 周期),因此U E 在本地执行任务的计算时间T l o c a lt i＝D t ifl o c a l.(９)定义５㊀任务卸载时间.U E 通过网络传输计算任务t i 至e N B n 执行,目的在于将执行计算任务的负担从U E 转移至边缘侧.任务卸载包含３种状态(s t a t e ＝u p ,e x e c ,d o w n ),其时间开销１０８计算机集成制造系统第２５卷T s t a t et i＝I N ti R n s t a t e ＝u pD t i f c l o u d st a t e ＝e x e c O T ti R ns t a t e ＝d o w n ìîíïïïïïïïï.(１０)假定用户在对任务进行卸载时,时间段τ内无法完成任务交接则会导致任务卸载失败,由式(５)可得U E 将任务卸载至边缘侧所需的总时耗T c l o u d t i ＝T u p t i ＋T e x e c t i ＋T d o w n t i＋τ.(１１)在任务卸载过程中,当t i 的所有前驱任务已卸载至e N B 端,则T u pt i＝０;当t i 的后继任务仍在eN B 端执行,则T d o w nt i ＝０;当任务一次成功完成卸载,则τ＝０.定义６㊀工作流总时间开销.用户选择本地执行任务或将任务卸载至边缘侧执行,其工作流调度完成后的总时耗由式(８)和式(１０)可得T t o t a l ＝ðIi ＝１(ωT c l o u dt i＋(１－ω)T l o c a lt i)＋ðJj ＝１Tl o c a lt j,ωɪ(０,１).(１２)式中:ω＝１表示任务卸载至边缘侧执行,ω＝０表示任务在本地执行;ðJ j ＝１T l o c a lt j表示任务为计算密集型节点时本地计算的时间消耗,即T l o c a lt j＜T c l o u dt j(τ＝０).本文将采用该表达式来评估仿真实验中执行工作流的总时间消耗.１ ５㊀设备能耗计算移动边缘环境下进行任务调度需要考虑设备能耗,其中能耗包括任务的传输能耗和任务在本地运算时产生的能耗.下面对设备的本地运算能耗㊁任务传输能耗和总能耗进行定义.定义７㊀本地运算能耗.计算设备能耗时首先考虑当任务选择在本地运行时产生的能耗,当用户在当前无可用e N B 或任务不需要卸载至e N B 时可以选择在本地执行任务,其产生的能耗E l o c a l t i ＝T l o c a lt iP l o c a l .(１３)式中:E l o c a lt i 为设备选择在本地执行任务产生的能耗,P l o c a l 为设备在本地运行任务时的电压.定义８㊀任务传输能耗.假设将当前任务卸载到e N B n 进行运算,则需要分别考虑设备上传任务和任务下载到设备产生的能耗,因此任务卸载产生的能耗E s t a t e t i ＝(T s t a t et i＋τ)P t r a n s ,s t a t e ＝{u p ,d o w n }.(１４)式中:E s t a t et i 为任务卸载处于s t a t e 状态时产生的能耗,P t r a n s 为设备U E 处于传输数据时所需电压,τ＝０表示U E 能一次成功将任务卸载至边缘侧.由式(９)可得任务t i 选择卸载至边缘侧所需总能耗E c l o u d t i ＝E u p t i ＋E d o w n t i.(１５)定义９㊀总能耗.用户选择本地执行任务或将任务卸载至边缘侧执行,则其工作流调度完成后总能耗由式(１３)和式(１５)可得:E t o t a l ＝ðIi ＝１(ωE c l o u dt i＋(１－ω)E l o c a lt i)＋ðJj ＝１Tl o c a lt jˑE l o c a lt j ,ωɪ(０,１).(１６)式中ðJj ＝１Tl o c a lt jˑE l o c a lt j表示计算密集型任务产生的能耗,本文将采用这个表达式来评估仿真实验中执行工作流的总能耗.１ ６㊀优化目标本文提出了面向边缘侧卸载优化的工作流动态关键路径调度模型,使得用户在移动边缘环境下通过减少任务卸载失败率,达到优化时间和能耗的目标,形式化描述如下:m i n f a i l _o f f l o a d i n g .s ．t ．T t o t a l ɤd e a d l i n e ,E t o t a l ɤe n e r g y .(１７)式中:d e a d l i n e 为用户要求的最迟完工时间,e n e r g y 为用户设备能量限制.２㊀面向边缘侧卸载优化的工作流动态关键路径调度的两阶段算法基于上述模型,设计以下两阶段算法,包括边缘侧卸载优化算法和基于本地计算量的动态关键路径调度算法.２ １㊀边缘侧卸载优化算法在选择边缘侧的过程中,首先根据式(１)获取可卸载边缘侧集合{s n １,s n ２,s n ３, ,s n n},然后结合预测速度和偏移量进一步筛选最优可卸载e N B [２２],预测速度和偏移量的公式分别为:v n ＝αv n －１＋(１－α)v ︵＋(１－α２)w n ,(１８)d n ＝αd n －１＋(１－α)d m i d ＋(１－α２)m n .(１９)２０８第４期袁友伟等:面向边缘侧卸载优化的工作流动态关键路径调度算法其中:v n和d n分别为当前区域的移动速度和区域出口偏移量;v n－１和d n－１分别为前一个区域的移动速度和区域出口偏移量;α为记忆级别,当α＝１时,当前区域的速度和出口偏移量为上一时间段的速度和出口偏移量,当α＝０时,当前区域的速度和偏移量与前一个区域无任何关联;v︵和d m i d分别为用户的平均速度和区域出口的中心位置;w n和m n分别为服从标准正态分布的且独立于v n和d n的速度和出口偏移量.边缘侧卸载优化算法(简称算法１)如下:算法１㊀查找可用边缘侧.输入:当前位置,前一时段的速度㊁方向;输出:可用边缘侧;１．㊀O b t a i n i n g t h eA v a i l a b l e e N Bo f C u r r e n t L o c a t i o n b y f o r m uＧl a(６);２．㊀I n i t i a l i z a t i o na r r a y e N B s e t;３．㊀S o r t t h e e N Bb y t h e p r o b a b i l i t y o f s e l e c t e d i nd e c r e a s eo rＧd e r a s e N B s e t;４．㊀S e l e c t e d t h e f i r s t e N B i n t h e o r d e r a n d s e t t h e p r o b a b i l i t y a s P_M a x;５．㊀I n i t i a l i z a t i o na r r a y a r r_e N B;６．㊀㊀f o r e a c he N B s e t d o㊀//遍历当前位置可用e N B ７．㊀㊀㊀S e t p r o b a b i l i t y o f c u r r e n t e N Bs e l e c t e d a sP_c u r r e n t;８．㊀㊀㊀i f P_M a xＧP_c u r r e n t＜γt h e n９．㊀㊀㊀㊀S e t e N B i n t o a r r_e N B;１０．㊀㊀㊀e n d i f１１．㊀㊀e n d f o r１２．㊀㊀O b t a i n i n g v e l o c i t y a n d e x i tＧo f f s e t b y f o r m u l a(１８)(１９);１３．㊀㊀C a l c u l a t e t h e o r i e n t a t i o nu s e db y e x i tＧo f f s e t a n dC u r r e n t L o c a t i o n;１４．㊀㊀S e t t h e d i s t a n c e o f d e p a r t u r e a s d i s_m a x＝０;１５．㊀㊀I n i t i a l i z a t i o n t h e v a l u e t a g_e N Ba s t h e f i n a l e N Bw i l l b e s e l e c t e d;１６．㊀㊀f o r e a c ha r r_e N Bd o１７．㊀㊀㊀C a l c u l a t e a n ds e t t h ed i s t a n c eo f c u r r e n t e N Bd e p a rＧt u r e a s d i s_c u r r e n t;１８．㊀㊀㊀i f d i s_c u r r e n t＞d i s_m a x t h e n１９．㊀㊀㊀㊀d i s_m a x＝d i s_c u r r e n t;２０．㊀㊀㊀㊀S e t t a g_e N Ba sc u r r e n te N B;㊀//将最优可卸载e N B记为t a g_e N B２１．㊀㊀㊀e n d i f２２．㊀㊀e n d f o r２３．㊀r e t u r n t a g_e N B;算法具体执行过程如下:①根据当前位置并通过式(６)获取当前所有可卸载的e N B,并对可卸载的e N B依照概率进行非增序排序(第１~第４行);②进一步筛选可卸载的e N B,当被选概率与最高被选概率差值小于γ,则添加进a r r_e N B中(第５~第１１行);③预测当前位置在未来一段时间内的速度与方向(当前位置与预测出口位置连接的方向),筛选脱离距离最大的e N B,最后将该e N B标记为最适合任务卸载的e N B(第１２~第２３行).３ ２㊀第二阶段的基于本地计算量的动态关键路径调度算法将任务最早开始时间表示为E S T,则任务的起始节点t s o u r c e的最早开始时间E S T t s o u r c e＝T l o c a l t s o u r c e,对于D A G中其余任务节点,其最早任务开始时间从起始任务节点开始计算,表示为E S T ti＝m a xt kɪp r e(t i){E S T t k＋T l o c a l t i}.(２０)将任务最迟开始时间表示为L S T,出口任务t e x i t的最迟开始时间等于最早开始时间,即L S T te x i t ＝E S T t e x i t,对于D A G中其余任务节点,根据逆拓扑排序从出口任务节点开始计算最迟任务开始时间,表示为L S T ti＝m i nt kɪs u c c(t k){L S T t k－T l o c a l t i}.(２１)针对移动边缘环境中工作流调度问题,本文提出一个基于任务本地计算量的关键路径调度算法(简称算法２)如下:算法２㊀基于关键路径的调度算法.输入:工作流任务W;输出:关键路径Q_c p;１．㊀I n i t i a l i z a t i o n q u e u eQ_c p;２．㊀S o r t a l l t a s k t o p o l o g i c a l l y i nw o r k f l o w W;㊀//将当前工作流拓扑排序３．㊀C a l c u l a t e t h e E a r l i s t s t a r t t i m e E S Ta n d t h e l a t e s t s t a r t t i m e L S To f e a c h t a s k i nWb y f o r m u l a(２０)(２１);//通过公式(１５)(１６)计算E S T和L S T４．㊀f o r e a c h t a s k t i i n W d o５．㊀㊀i fE S T＝L S Tt h e n６．㊀㊀㊀P u s h t i i n t oQ_c p;㊀//若任务满足条件E S T＝L S T,则将任务存入Q_c p中７．㊀㊀e l s e８．㊀㊀㊀㊀P u s h t i i n t oQ_n o n c p;９．㊀㊀e n d i f１０．e n d f o r１１．r e t u r nQ_c p,Q_n o n c p;算法的具体执行过程如下:①初始化队列Q_c p 并对工作流进行拓扑排序(第１~２行);②依次对拓扑排序中的任务计算其E S T和L S T,当E S T等于L S T时,将任务加入到队列Q_c p中,反之则加入Q _n o n c p中(第３~第１１行).在任务调度过程中,网络等因素导致的任务卸载失败或调度完成时间的改变都会导致关键路径发生变化,因此需要动态更新关键路径.同时动态更３０８计算机集成制造系统第２５卷新关键路径可以缩短响应时间并使总体执行时间更稳定,基于本地计算量的动态关键路径调度算法(简称算法３)如下:算法３㊀基于本地计算量的动态关键路径调度算法.输入:用户提交的W o r k f l o w W,e N B集e N BＧs e t;输出:调度结果;１．㊀C a l c u l a t e c r i t i c a l p a t h o fWa n d r e q u e s t n e w Q_c p,Q_n o nＧc p b y a l g o r i t h m(２);２．㊀f o r e a c h t a s kn o d e t i i n W d o３．㊀㊀i f t h e t a s k t iɪJ t h e n//如果任务为计算密集型任务４．㊀㊀㊀U Eѳt j;㊀//任务卸载至本地运行５．㊀㊀㊀R e c a l c u l a t ec r i t i c a l p a t ho f W a n dr e q u e s tn e w Q_c p b y a l g o r i t h m(２);６．㊀㊀i f t h e t a s k t i i nQ_c p&&p r e(t i)＝＝⌀&&p r e(t i)i n t h eU Et h e n７．㊀㊀㊀O b t a i n t h e l o c a t i o nc o o r d i n a t eL c o f u s e r;８．㊀㊀㊀O b t a i n i n g t h ee N Bb y a l g o r i t h m(１);㊀//通过算法１获取最优可卸载e N B９．㊀㊀㊀P r e d i c t t h e v e l o c i t y va n do f f s e t d n a c c o r d i n g t oe q u aＧt i o n(１３)(１４);１０．㊀㊀C a l c u l a t et h ed i s t a n c ed i sb y va n dd n;㊀//计算实际距离１１．㊀㊀C a l c u l a t e t h e t i m e a c c o r d i n g t oτ＝d i s/v;㊀//计算预测最大滞留时间τ１２．㊀㊀i fT t i＞τt h e n㊀//任务无法在脱离最优e N B前完成调度１３．㊀㊀㊀i fT l o c a l＜τ＋ρˑT c l o u d t i t h e n//任务适合在本地运算１４．㊀㊀㊀㊀U Eѳt i f r o m Q_c p;１５．㊀㊀㊀㊀R e c a l c u l a t e c r i t i c a l p a t ho fW a n d r e q u e s t n e w Q_ c p b y a l g o r i t h m(２);１６．㊀㊀㊀e l s e㊀//任务适合卸载至e N B端执行１７．㊀㊀㊀㊀W a i t i n g a n de N Bѳt i f r o m Q_c p㊀//等待可卸载e N B１８．㊀㊀㊀e n d i f１９．㊀㊀e l s e㊀//任务可以在脱离最优e N B前完成调度２０．㊀㊀㊀e N Bѳt i f r o m Q_c p;２１．㊀㊀e n d i f２２．㊀i f t h e t a s k t i i nQ_c p&&p r e(t i)＝＝⌀&&p r e(t i)i n t h e e N B t h e n２３．㊀㊀e N Bѳt i w i t h o u t u p l o a d;//任务不需要等待前置任务上传,直接在e N B端执行２４．㊀e n d i f２５．㊀i f p r e(t i)!＝⌀t h e n２６．㊀㊀R e c a l c u l a t e c r i t i c a l p a t ho fWa n d r e q u e s t n e w Q_c p b y a l g o r i t h m(２);２７．㊀e n d i f２８．㊀i f t h e t a s k t i n o t i nQ_c p t h e n㊀//若任务为非关键路径上的任务节点２９．㊀㊀U Eѳt i f r o m Q_n o n c p;３０．㊀e n d i f３１．e n d f o r算法的具体执行过程如下:①通过算法２获取初始关键路径(第１行);②对于每个任务,若当前任务为关键路径上的任务,则先判断任务能否在脱离当前e N B之前完成卸载,在脱离前如果可以完成卸载,则将任务卸载至e N B,反之则判断该任务本地计算时间是否小于τ＋ρˑT c l o u d t i,若小于τ＋ρˑT c l o u d t i 则本地执行任务并在执行完成后重新通过算法２获取新的关键路径,否则任务将等待调度直至存在可卸载的e N B(第２~第２１行);③当前节点的所有前驱节点已卸载至e N B端时,则该卸载节点不需要等待上传,直接执行任务(第２２~第２４行);④当关键路径上的节点还存在前置任务没有完成时,则重新通过算法２获取新的关键路径节点(第２５~第２７行);⑤当任务为非关键路径上的任务时,则将任务卸载至本地执行(第２８~第３０行);⑥动态执行任务直至工作流完成调度(第３１行).３ ３㊀算法复杂度分析在调度开始之前,首先需要获取可用边缘侧,故采用边缘侧卸载优化算法,时间复杂度为O(u２ˑk),其中k为预测边缘测所需的时间长度,u为U E 在完成调度之前需要经过的区域;在对工作流任务进行分类时,算法２根据本地计算量将工作流任务分为关键路径节点和非关键路径节点,时间复杂度为O(n＋e),其中n为工作流任务节点的数量,e为工作流中边的数量.在调度过程中,根据本文所提算法的思想,算法３通过动态更新关键路径实现最小响应时间和减少执行时间波动.算法３针对单个任务进行评估,因此在分析算法时间复杂度时,任务的评估导致的算法复杂度可以不计算在其中.在动态调度算法中,第２~第２８行为一个循环,循环次数为工作流任务节点的数量,故时间复杂度为O(n);动态更新关键路径决策在最糟糕的情况下为每完成一个任务产生一个新的关键路径,故需要O(nˑ(n＋e))的时间.因此,M E C D O O C P算法所需要的总时间复杂度为O(u２ˑk)＋O(nˑ(n＋e)).４㊀仿真实验为了分析和评估本文所提M E C O O D C P算法的性能,将该算法分为两个阶段进行仿真分析:第４０８第４期袁友伟等:面向边缘侧卸载优化的工作流动态关键路径调度算法１阶段的目标是对比边缘环境下不同的卸载策略,因此本文将M E C O O D C P算法与P S w H(p a t hs eＧl e c t i o nw i t hh a n d o v e r)[２３]和R A N D O M[２４]算法进行对比;第２阶段对比边缘环境下不同的任务调度策略,因此本文将M E C O O D C P算法与H E F T算法和R A N D OM算法进行比较.在优化对比过程中,为验证本算法适用于不同结构的工作流,实验采用随机生成工作流任务结构,且任务节点数为１０~１００.其中,P S w H算法在保证通信质量的基础上,进一步考虑数据回传和e N B卸载的收益来选择边缘侧节点;R A N D OM算法第１阶段策略任务随机选择在本地执行或卸载至当前可卸载的任意e N B,第２阶段策略为任务采用随机排序的方式进行调度;H E F T算法计算任务基于时间和能耗的优先值,并依据优先值对任务依次调度;L O C A L则为仅考虑工作流在本地执行.４ １㊀实验环境仿真实验随机生成模拟工作流任务,其中工作流的任务量服从[１G H z~５G H z]的均匀分布,每个任务的输入输出服从[１M b~１５M b]的均匀分布.U E的计算能力为１G H z㊁计算功率为０ ５W,上传和下载功率分别为０ １W和０ ０５W,e N B的计算能力为３G H z[２５].实验算法采用J a v a编程,仿真机器为２ ６G H z I n t e l C o r e i７,１６G B内存和M a cO SX１０ １３操作系统.４ ２㊀实例分析以一个简单的工作流为例,该实例共包含７个任务,任务集T＝{t i|t１,t２,t３,t４,t５,t６,t７)},任务属性包括前驱节点㊁后继节点㊁任务量㊁输入和输出.为便于描述,定义本实例环境下传输率恒定为１０M B/s,实例节点具体属性如表１所示.表１㊀实例节点属性表节点编号前驱节点后继节点任务量/G H z输入/M B输出/M Bt１n u l l t２,t３,t４１ ５５５t２t１t５１ ５５３t３t１t６２５２t４t１t７４ ５５２t５t２t７１ ５３２t６t３t７１ ５２１t７t４,t５,t６n u l l３５５基于上述工作流实例的描述并结合本文算法模型,M E C O O D C P的调度流程包括:①计算工作流基于本地计算量的关键路径,在第一次计算后,可以确定关键路径为t１ңt４ңt７,故选择将t１任务卸载至边缘侧;②在边缘侧执行完t１任务后,后继任务为t２,t３,t４,其中t４为关键路径节点,本文策略选择在边缘侧执行,故等待t１将任务输出回传至e N B端后,通过动态更新关键路径得知t２ңt５ңt７相较于t３ңt６ңt７计算量较小,因此本地优先执行t２;③在t２执行过程中,t４完成任务调度,边缘侧节点处于空闲状态,策略选择将t３任务卸载至边缘侧执行;④重复上述②㊁③操作直至末尾节点前;⑤在t２,t３,t４, t５,t６完成后,策略选择卸载t７任务,因而需要上传输入文件,但由于此时用户从e N B r１ңe N B r２移动,导致任务上传失败.确定r２环境适合卸载后, U E将t７卸载至边缘侧,当t７执行完将输出文件回传U E完成整个工作流的调度.为更清晰地表述移动边缘环境下工作流动态调度具体流程,其描述如图２所示.４ ３㊀实验结果对比图３所示为本文的预测算法与HMM算法在不同数据序列长度下的精确度对比.因U E移动环境对预测精度存在很大的影响,预测精度极大地影响了移动边缘环境下工作流调度的结果,在一些特定的环境下,HMM的预测精度能够达到９０％以上,而在移动随机性较大的环境下,预测精度仅有５０％[２６],故在对比移动边缘环境下工作流能耗与时间优化效果之前,需要验证本文提出的边缘侧预测算法的有效性.本文对可卸载边缘侧进行预测时,并非单一获取HMM中得到概率最高的边缘侧结果,而是在通过参数学习完善HMM的基础上,根据用户的高斯 马尔科夫行游动模型对预测结果进行筛选,从而有效提高了e N B的预测精度.图４和图５分别显示了预测精度为８０％的情况下,M E C O O D C P算法与P S w H算法和R A NＧD O M算法在时间及能耗上的优化对比.其中: P S w H仅考虑选择边缘侧节点中与U E的传输收益最大的e N B(包括U E在本地执行的收益)进行卸载;R A N D O M算法为随机选择e N B或U E进行任务卸载;M E C O O D C P算法通过HMM选择可卸载e N B集并结合速度与偏移量预测筛选最优可调度e N B.同时M E C O O D C P在调度过程中对任务卸载效益进行判断,当任务卸载效益低于本地执行５０８。