[文献阅读]联合任务卸载和资源分配的能量约束移动边缘计算[IEEE transactional mobile computing]

已于 2023-11-03 09:52:26 修改
阅读量336 收藏 5
点赞数 2
文章标签： 边缘计算 云计算
于 2023-11-03 09:49:05 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/a631061750/article/details/134195652
版权

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录

一、摘要

考虑边缘节点能量约束的任务卸载和资源分配
为了维持终端用户满意的体验质量( Quality of Experience，QoE )，移动设备( Mobile Devices，MDs )可以根据分配的计算量(例如, CPU / GPU循环和存储)和无线资源(例如,带宽)将任务卸载到边缘服务器。任务卸载会导致额外的MEC能耗，这不可避免地违背了MEC的长期能量预算。
考虑到这两个挑战，我们提出了一个长期MEC能量约束下的在线联合卸载和资源分配( JORA )框架，旨在保证终端用户的QoE。为了实现这一点，我们利用李雅普诺夫优化来利用长期QoE最大化问题的最优性。通过构造能量赤字队列来引导能量消耗，可以实时地解决该问题。
在此基础上，我们提出了集中式和分布式的在线JORA方法。此外，我们证明了我们提出的方法能够在满足长期MEC能量约束的情况下实现接近最优的性能。

二、现状问题

  1. 变化的计算配置：MEC计算配置需要根据不同时间段的任务计算需求进行调整。较大的计算配置可以提供满意的用户体验质量（QoE），但可能超出MEC能量预算限制。
  2. 网络带宽不足：将任务卸载到附近的边缘服务器时，带宽资源不足会导致较长的任务传输延迟。然而，为了任务卸载的数据传输，即使为移动设备（MDs）分配了大量带宽资源，边缘服务器的有限带宽资源可能也无法满足所有MDs的需求。
  3. 长期MEC能量约束：如果边缘服务器在当前时间段消耗过多的能量，将无法为后续时间段提供足够的能量。这种时间耦合的MEC能量约束要求我们了解未来的任务需求信息以维持卸载性能，但通常很难或几乎不可能获得这些信息。

三、研究框架

3.1 研究内容

移动设备与边缘服务器
操作时间线被离散化为持续时间为D的时间槽T = {0, …, T-1}。这个持续时间与任务卸载和资源分配的更新时间尺度相匹配。图1展示了一个由以下两个层级组成的边缘计算生态系统：MD层和边缘服务器层。

  • 边缘服务器（Edge Server）层：边缘服务器的位置固定在地面上，当MD设备在边缘服务器的通信范围内时，边缘服务器m可以为MD设备提供卸载服务。由于MD设备的移动性，每个边缘服务器可能在不同的时间槽为不同的MD设备提供服务。
  • MD（移动设备）层：每个设备在每个时间槽生成一个计算密集型任务，可以在MD设备上本地执行，也可以卸载到附近的边缘服务器上。
    研究的两个问题
    此外，任务卸载需要满足长期MEC能量预算Ebgt_m。在长期MEC能量约束下
  1. i)任务卸载问题：应该将哪些任务从MD设备卸载到边缘服务器上？
  2. ii) 资源分配问题：应该从边缘服务器向任务分配多少资源？

3.2 研究框架

研究框架

  • JORA:已知任务所有信息，包含任务、计算、通信三个子模型 【非凸，实际不可解】
  • Online JORA：使用李雅普诺夫模拟能量亏空队列【实时性】
  • JORA-中心式：在已知各移动设备当前任务信息，采用马尔可夫状态转移概率计算最优函数
  • JORA-分布式：将各移动设备视为非合作信息不对称式博弈

3.3 模型介绍

3.3.1 JORA

  • Task Model（任务模型）：主要考虑任务的计算需求和数据量。
    目标：通过合理的任务卸载和资源分配，满足任务的计算需求和数据传输需求，以提高用户体验质量（QoE）。
  • Computation Model（计算模型）：主要考虑计算资源的分配和配置。
    目标：通过合理的计算资源分配和配置，满足任务的计算需求，提高任务的处理效率和性能。
  • Communication Model（通信模型）：主要考虑带宽资源的分配和配置。根据任务的数据量和传输需求。
    目标：减少任务传输延迟，确保任务及时完成。

3.3.2 Online JORA

论文针对长期的MEC能源约束，旨在保证最终用户的QoE。利用Lyapunov优化方法来探索长期QoE最大化问题的最优解。通过构建能量亏空队列来引导能量消耗，可以实时地解决这个问题。
在这里插入图片描述

3.3.3 JORA-中心式

在这里插入图片描述
JORA-C通过计算每个策略的效用函数值，并根据转移概率选择最优策略，以最大化系统的效用函数值。JORA-C的目标是在满足长期移动边缘计算的能量约束条件下，实现任务卸载和资源分配的最优性能。

李亚普诺夫函数用于判定非线性系统的稳定性： 如果函数V : D — R 是一个连续可微分函数并且V(0) = 0 ，并且在集合 D - {0} 中有 V(x) > 0，x = 0 是渐近稳定的，非线性系统内部是稳定的。
在这里插入图片描述

3.3.4 JORA-分布式

在这里插入图片描述

JORA-D允许每个移动设备（MD）根据自身的利益进行任务卸载和资源分配决策。JORA-D的目标是在满足长期移动边缘计算的能量约束条件下，实现任务卸载和资源分配的最优性能。
候选策略集通过选择新策略进行更新，直到达到最优策略。如果分布式算法在Id次迭代后收敛。分布式算法的计算复杂度似乎与集中式算法相似。允许每个MD根据自身的利益进行决策，从而实现更快的收敛和更好的性能。
在这里插入图片描述
公式中的max f(Atd)和min f(Atc)，分别表示由提议的分布式策略Atd和集中式策略Atc实现的最差和最优JORA解。较小的PoA意味着在最坏情况下的均衡状态下，即f(Atd)，与集中优化的解即f(Atc)更接近。PoA的下限为1。

四、常见任务卸载和资源分配方法 总结

4.1 MEC 任务卸载方法

在这里插入图片描述

4.2 MEC 资源分配方法

在这里插入图片描述

提示：这里对文章进行总结：
首次阅读，如有错误，恳请批评指正，谢谢
参考文献：

  1. Joint Task Offloading and Resource Allocation for Energy-Constrained
    Mobile Edge Computing
  2. 移动边缘计算卸载技术综述
Kyle_Only
关注
  • 2
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
移动边缘计算中资源分配和定价方法综述
罗伯特技术屋
02-11 321
摘要移动边缘计算（mobile edge computing，MEC）通过将计算任务卸载至边缘服务器，降低网络负荷，减少传输时延，提升用户服务体验。因此，MEC受到了广泛关注，并成为5G的关键技术。资源分配作为MEC的主要问题，在提升能量效率、缩短任务时延和节约成本方面具有非常重大的研究意义。首先，介绍了MEC的基本概念、参考架构和技术优势；然后，从技术层面和经济层面归纳总结了MEC中最新的资源分配和定价策略；最后，讨论了MEC资源分配和定价策略中可能存在的问题与挑战，并提出了一些可行的解决方案，为后续研究
基于多接入边缘计算的任务卸载和资源分配策略研究
边缘计算社区
06-29 5021
摘要：随着移动通信技术和工业互联网的飞速发展，移动设备端日渐庞大的数量和复杂的应用对大量计算密集和低时延提出了要求，也因此引出了基于多接入边缘计算的任务卸载概念。这种任务卸载方式能够有效地利用边缘云服务器资源，将复杂的计算任务卸载至邻近的低消耗边缘服务器，提高任务计算效率和更高的服务质量。提出了一种基于拓扑结构的任务卸载策略和边缘资源分配策略，旨在解决边缘计算场景中...
带有@Transactional和@Async的循环依赖问题
12-21
今天我们来探讨一个有意思的spring源码问题，也是一个学生告诉了我现象我从源码里面找到了这个有意思的问题。 首先我们看service层的代码案例，如下： @Service("transationServiceImpl") public class TransationServiceImpl implements TransationService { @Autowired TransationService transationService; @Transactional @Async @Override public void transa
Spring @Transactional工作原理详解
08-28
主要介绍了Spring @Transactional工作原理详解，具有一定借鉴价值，需要的朋友可以参考下。
带有@Transactional和@Async的循环依赖问题的解决
08-19
主要介绍了带有@Transactional和@Async的循环依赖问题的解决，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
test-transactional:关于spring中@Transactional注解传播属性原理的实验
04-27
test-transactional 关于spring中@Transactional注解传播属性原理的实验 具体方法： 主体形式：a方法调用b方法 a插入数据“one” b插入数据“two” a、b方法都可以有不同的传播级别或者不加事务注解（none）: required(rd), required_new(rn), never(nr), supports(ss), not_supoort(ns), mandatory(mt), nested(ne) a和b方法都可能抛异常，对于b方法抛出的异常，a方法可以选择捕获或向上抛出 控制变量： a传播级别（father） b传播级别（son） a是否抛出异常（fatherthrow） b是否抛出异常（sonthrow） b抛出异常时，a是否catch它（fathercatch） 对于以上所有的情况进行枚举，得出以下实验现象： 是否调用了a（can
论文学习报告_201106
qq_29212049的博客
11-20 2682
论文学习报告_201106Introduction 框架论文整理i. Computation Offloading Considering Fronthaul and Backhaul in Small-Cell Networks Integrated with MEC（集成MEC的小蜂窝网络中考虑前传和回传的计算分流）ii. Joint Computation Offloading and Service Caching for MEC in Multi-access Networks（多址网络中MEC的
云计算的可信新边界：边缘计算与协同未来
热门推荐
华为云官方博客
12-11 2万+
伴随云计算的飞速发展，边缘计算将迎来爆发式的增长 …
基于机器学习具有实时高效任务分配的边缘计算系统
HHHH__L的博客
04-14 1982
Machine Learning based Timeliness-Guaranteed and Energy-Efficient Task Assignment in Edge Computing Systems 边缘计算系统中具有实时高效任务分配的机器学习 摘要 物联网(IoT)和机器学习(ML)技术在边缘计算系统中的广泛应用，为智能认知助手(ICA)在工作、学习、交通、医疗保健和其他活动中为人们提供帮助铺平了道路。一个挑战是，如何根据延迟、能量和带宽消耗等几个考虑因素，在边缘计算系统(即远程云、雾和边
深度学习学习笔记-论文研读4-基于深度强化学习的多用户边缘计算任务卸载调度与资源分配算法
CSDNXXCQ的博客
07-04 4577
论文研读
运维的边缘计算
AOMGyz的博客
05-04 501
运维的边缘计算是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，进行运维管理和服务的计算模式。
边缘计算概述_5.边缘计算应用场景
huaqianzkh的专栏
04-28 501
智慧园区建设是利用新一代信息与通信技术来感知、监测、分析、控制、整合园区各个关键环节的资源，在此基础上实现对各种需求做出智慧的响应，使园区整体的运行具备自我组织、自我运行、自我优化的能力，为园区企业创建一个绿色、和谐的发展环境，提供高效、便捷、个性化的发展空间。中，边缘计算主要功能包括（1）海量网络连接与管理：包含各类传感器、仪器仪表、控制器等海量设备的网络接入与管理；接口包括RS485、PLC等，协议包括Modbus、OPC等；确保连接稳定可靠，数据传输正确；
万物互联-AI边缘计算赋能腾讯无人驾驶车
最新发布
YEYUANGEN的专栏
05-05 304
该项目将以智能网联测试为基础,以构建自动驾驶生态和未来交通体系为导向，围绕"车、路、云、网、图"五大要素，结合5G、自动驾驶、人工智能等新一代技术，布局建设面向未来智能网联汽车研发、测试的全生态体系，建成国际领先的智能网联交通系统测试基地。通过CAN bus连接车载线控系统，线控系统实现车辆的制动、转向、发动机启停、变速箱和车门窗控制，还有声音、图像和振动的警告系统的自动控制。车辆自身会感知到车的状态信息，如速度、转角以及横滚，俯仰、航向等，还有路面环境感知，如激光雷达、摄像头、毫米波雷达和定位信息。
腾锐D2000-8 MXM VPX，全国产，可广泛应用于边缘计算网关、入侵检测、VPN、网络监控等等应用领域
YEYUANGEN的专栏
05-01 686
腾锐 D2000 集成了 8 个飞腾自主研发的高性能内核 FTC663，兼 容 64 位 ARMv8 指令集，主频 2.3GHz，TDP 功耗 35W，并集成了丰富的 I/O 接口，支持飞腾自 主定义的处理器安全架构标准 PSPA 1.0，可满足更复杂应用场景下对性能和安全可信的需求。它属于 SDRAM 家族的内存产品， 提供了相较于 DDR3 SDRAM 更高的运行效能与***的电压，是 DDR2 SDRAM(同步动态动态随机存取内存)的后继者(增 加至八倍)，也是现时流行的内存产品规格。
浅析边缘计算技术
wnm23的专栏
04-29 652
边缘计算是一种分布式计算范式，它将计算任务和数据存储从中心化的云端推向网络的边缘，即设备或终端，以提高响应速度和降低网络带宽需求。此外，将敏感数据在本地处理可以减少数据泄露的风险，提高系统的可靠性，因为即使网络连接中断，本地设备仍然可以继续运行。边缘计算的应用场景非常广泛，包括物联网（IoT）、智能家居、自动驾驶、工业、远程医疗、增强现实（AR）和虚拟现实（VR）等。在这些场景中，边缘计算能够显著减少数据传输延迟，提高系统的实时性和响应速度，同时减轻数据中心的负担。：智能货架、用户行为分析、定制化推荐等。
python数据分析——大数据和云计算
qq_74013365的博客
05-05 807
大数据和云计算是两个不同但密切相关的概念。大数据是指大量非结构化或结构化数据集合，无法通过传统的数据处理方式进行管理和分析。大数据的特点包括数据量大、数据类型多样、数据速度快、数据价值高等。随着互联网的发展，人们获取和处理大数据的能力不断提高，大数据正在成为推动社会进步和经济增长的重要力量。云计算是指通过互联网将计算资源、存储资源和软件应用程序等提供给用户使用的一种计算模式。用户无需购买和维护自己的计算设备，只需通过互联网租用云端的计算资源，按需使用和支付。
专项技能训练五《云计算网络技术与应用》实训7-2：使用OpenDaylight界面下发流表
艾泽拉斯科技屋
05-05 539
其中node id参见之前查询到的Node Id。table id和flow id可以自定义。由于OpenFlow1.0协议只支持单流表，所以这里的table id设置为0，如下图所示。说明：priority设置的比已有流表项的高，而idle-timeout和hardtimeout都设置为0则代表该流表项永远不会过期，除非被删除。其中源地址填写主机1的IP地址，目的地址填写主机2的IP地址。说明：由于使用IP地址进行匹配，所以需要设置以太网协议类型。
云计算知识点-03
lv785的博客
04-28 1635
云计算技术能将许许多多分散在低利用率服务器上的工作负载整合到云中，来提升资源的使用效率，而且云由专业管理团队运维，所以其PUE（powerUsageEffectiveness，电源使用效率)值比普通企业的数据中心出色很多，比如Google数据中心的PUE值在1.2左右，即每l元钱的电力花在计算资源上，只需再花2角钱的电力在制冷等设备上，而常见的PUE在2和3之间。在云中，不论是应用、服务和资源的部署，还是软硬件的管理，主要通过自动化的方式执行和管理，也极大地降低了整个云计算中心的人力成本。
专项技能训练五《云计算网络技术与应用》实训7-1：安装mininet
艾泽拉斯科技屋
05-04 1006
实验前准备：编辑虚拟机网络配置，使VMnet8处在192.168.10.0网段，VMnet1处在192.168.1.0网段。
Transactional和synchronized
09-06
Transactional和synchronized是实现事务控制和同步的两种机制。 @Transactional是Spring框架提供的注解，用于实现事务控制。它通过AOP（面向切面编程）实现，在方法执行完成后才提交事务。而synchronized是Java关键字，用于实现同步。它可以确保同一个对象的同步方法或代码块在同一时间只能被一个线程执行，以避免多线程并发访问时的数据竞争问题。 然而，这两个机制不能一起使用，因为@Transactional注解事务是通过AOP实现的，而synchronized是通过锁机制实现的。当@Transactional注解的方法执行完成后才提交事务，而synchronized代码块是在一个事务内执行的。因此，如果在一个方法中同时使用@Transactional和synchronized，会出现第一个线程释放锁后但是事务还未提交，第二个线程就进入同步代码块获取到未提交的数据库数据的情况。这样可能会导致数据一致性的问题。所以，在使用事务控制和同步的时候，需要注意避免同时使用@Transactional和synchronized。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [关于@Transactional和synchronized使用的问题](https://blog.csdn.net/YXXXYX/article/details/127325870)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值