基于CloudSim Plus的计算卸载仿真设计

已于 2023-04-02 13:10:32 修改
阅读量694 收藏 2
点赞数 1
分类专栏： cloudsim plus 文章标签： java cloudsim plus 仿真 边缘计算
于 2023-04-02 13:04:32 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/maohuihua123/article/details/129908867
版权

基于CloudSim Plus的计算卸载仿真设计

1. 前提介绍

仿真框架的实现，主要依托于仿真实体、以及仿真事件，简单介绍如下

1.1 仿真实体

  • 继承CloudSimEntity类(推荐)或者实现SimEntity接口(不建议)

    public class ExampleEntity extends CloudSimEntity {

    public ExampleEntity(Simulation simulation) {
        super(simulation);
    }

    @Override
    protected void startInternal() {
	// 实体开始启动
    }

    @Override
    public void processEvent(SimEvent evt) {
	// 接收仿真事件
    }
}

  • 该实体将交由CloudSim进行管理

  • 各个实体之间因此也可以通信(通过仿真事件)

1.2 仿真事件

  • 发送仿真事件

    可以使用schedule()和scheduleNow()来发送仿真事件

    schedule(final SimEntity dest, final double delay, final CloudSimTag tag, final Object data)
scheduleNow(final SimEntity dest, final CloudSimTag tag, final Object data)

    例如：实体启动时给自身发送事件

    @Override
protected void startInternal() {
    schedule(this, 1, CloudSimTag.ENTITY_UPDATE);
}

    主要包括：事件的接收实体，事件的到达时间，事件的标签

    例如：this表示事件发送给该实体自身,1表示事件一秒钟后到达，ENTITY_UPDATE表示事件的标签

  • 接收仿真事件

    @Override
public void processEvent(SimEvent evt) {
    CloudSimTag tag = evt.getTag();
    if (tag == CloudSimTag.ENTITY_UPDATE){
        // Do Something(在这里可以执行更新状态的逻辑)
        // 继续发送仿真事件，从而使得仿真实体每秒钟更新自身状态
         schedule(this, 1, CloudSimTag.ENTITY_UPDATE);
    }
}

2. 基础设施层

2.1 边缘设备

  • 实现方式：继承仿真实体类，然后给自身发送仿真事件，实现自身状态的更新(如：位置，能耗，利用率等)

    public class DeviceEntity extends CloudSimEntity {

    public DeviceEntity(Simulation simulation) {
        super(simulation);
    }

    @Override
    protected void startInternal() {
        schedule(this, 1, CloudSimTag.ENTITY_UPDATE);
    }

    @Override
    public void processEvent(SimEvent evt) {
        CloudSimTag tag = evt.getTag();
        if (tag == CloudSimTag.ENTITY_UPDATE){
            updateStatus();
            schedule(this, 1, CloudSimTag.ENTITY_UPDATE);
        }
    }

    private void updateStatus() {
		// 更新能耗、利用率、节点位置、无线接入点切换等(根据需求自定义)
    }
}

  • 自定义的其他组件同理

3. 其他组件

3.1 任务调度算法接口

  • 为任务执行计算卸载决策
  • 计算节点内进行任务与虚拟机匹配调度
  • 任务结果返回事件(便于扩展强化学习算法)
    public abstract class AbstractAlgorithm extends DatacenterBrokerSimple {

    protected SimManager simulationManager;

    public SimManager getSimulationManager() {
        return simulationManager;
    }

    public AbstractAlgorithm(SimManager simulation) {
        super(simulation.getSimulation());
        this.simulationManager = simulation;
    }

    /**
     * 选择任务处理方式：本地处理、边缘处理、云端处理
     * @param cloudlet 待处理的任务
     * @return 为任务选择的计算节点
     */
    public abstract AbstractNode makeDecision(Cloudlet cloudlet);

    /**
     * 任务在计算节点内的调度策略
     *
     * @param cloudlet 待调度的任务
     * @return Vm 为任务选择的虚拟机
     */
    public abstract Vm scheduleTask(Cloudlet cloudlet);

    /**
     * 任务返回: 例如使用强化学习算法计算奖励值
     *
     * @param cloudlet 执行完成的任务
     */
    public abstract void resultReturn(Cloudlet cloudlet);

    @Override
    protected Vm defaultVmMapper(Cloudlet cloudlet) {
        if (cloudlet.isBoundToVm()) {
            return cloudlet.getVm();
        }

        Vm mappedVm = Vm.NULL;
        if (!getVmCreatedList().isEmpty()){
            mappedVm = scheduleTask(cloudlet);
        }

        if (mappedVm == Vm.NULL) {
            LOGGER.warn("{}: {}: {} (PEs: {}) couldn't be mapped to any suitable VM.",
                getSimulation().clockStr(), getName(), cloudlet, cloudlet.getNumberOfPes());
        } else {
            LOGGER.trace("{}: {}: {} (PEs: {}) mapped to {} (available PEs: {}, tot PEs: {})",
                getSimulation().clockStr(), getName(), cloudlet, cloudlet.getNumberOfPes(), mappedVm,
                mappedVm.getExpectedFreePesNumber(), mappedVm.getFreePesNumber());
        }
        return mappedVm;
    }

    @Override
    public void processEvent(final SimEvent ev) {
        super.processEvent(ev);
        if (ev.getTag() == CloudSimTag.CLOUDLET_RETURN) {
            Cloudlet cloudlet = (Cloudlet) ev.getData();
            resultReturn(cloudlet);
        }
    }
}

3.2 能耗模型

  • 1.主机功耗数据来源：SPEC官网

  • 例如型号为AcerR380F2 的主机功耗数据，其中11个数据分别对于主机利用率从0, 0.1, 0.2, ..., 1的功耗

    double[] AcerR380F2 = { 63.7, 78.0, 87.0, 96.5, 106, 116, 135, 158, 188, 221, 252};

  • 2.为了计算功耗，可以基于主机功耗数据，拟合利用率-功耗函数，从而根据利用率来计算能耗

    new PowerModelHostFunc(x -> 100.7 + 103.6 * x - 8.7 * x * x);

    在这里插入图片描述

    PowerModelHostFunc介绍如下：

    public class PowerModelHostFunc extends PowerModelHost {

    /**
     * 功率计算函数
     */
    Function<Double,Double> function;

    public PowerModelHostFunc(Function<Double, Double> function) {
        this.function = function;
    }

    @Override
    public double getPower(double utilization) throws IllegalArgumentException {
        if (utilization < 0 || utilization > 1) {
            throw new IllegalArgumentException("utilizationFraction has to be between [0 and 1]");
        }
        return function.apply(utilization);
    }

    @Override
    public PowerMeasurement getPowerMeasurement() {
        final double utilization = getHost().getCpuMipsUtilization() / getHost().getTotalMipsCapacity();
        Double dynamicPower = function.apply(utilization);
        return new PowerMeasurement(0, dynamicPower);
    }
}

  • 2.或者，直接基于主机利用率功耗数据，来计算能耗

    new PowerModelHostSpec(Arrays.stream(AcerR380F2).boxed().collect(Collectors.toList()));

    PowerModelHostSpec介绍如下：

    /**
 * 原作者代码存在问题: 一般 SPEC 官网提供的功率数据为11个,即为 0,10,20,...,100%的利用率功耗数据;
 * 而原作者考虑不周到,假设有10个数据,从而造成数组越界.
 * 更正：
 * 修改获得当前功率的代码从 powerSpec.size() 改成 (powerSpec.size()-1)
 * 例如：当前功率为 98%, 则 Math.round(0.98 * 10) = 10, 即取功率为 100% 的利用率数据
 */
public class PowerModelHostSpec extends PowerModelHost {
    public static final int MIN_POWER_CONSUMPTION_DATA_SIZE = 2;

    private final List<Double> powerSpec;

    public PowerModelHostSpec(final List<Double> powerSpec) {
        super();
        Objects.requireNonNull(powerSpec, "powerSpec cannot be null");
        if (powerSpec.size() >= MIN_POWER_CONSUMPTION_DATA_SIZE) {
            this.powerSpec = powerSpec;
            return;
        }

        final String msg = String.format("powerSpec has to contain at least %d elements (representing utilization at 0%% and 100%% load, respectively)", MIN_POWER_CONSUMPTION_DATA_SIZE);
        throw new IllegalArgumentException(msg);
    }

    @Override
    public PowerMeasurement getPowerMeasurement() {
        final double utilizationFraction = getHost().getCpuMipsUtilization() / getHost().getTotalMipsCapacity();
        final int utilizationIndex = (int) Math.round(utilizationFraction * (powerSpec.size()-1));
        final double powerUsage = powerSpec.get(utilizationIndex);
        return new PowerMeasurement(powerSpec.get(0), powerUsage - powerSpec.get(0));
    }

    @Override
    public double getPower(final double utilizationFraction) throws IllegalArgumentException {
        final int utilizationIndex = (int) Math.round(utilizationFraction * (powerSpec.size()-1));
        return powerSpec.get(utilizationIndex);
    }
}

仿真实验测试

1. 本地处理算法

1.1 实验设定

  • 任务只在本地处理，不进行卸载处理
  • 假设任务执行时，计算节点的功耗保持不变。因此，任务消耗的能源=处理时间*当前功耗
  • 任务处理延迟包括：排队延迟 + 执行延迟

1.2 仿真实验结果

  • 计算节点利用率
    在这里插入图片描述

  • 计算节点能源消耗
    在这里插入图片描述

  • 仿真结果数据

    {
  "algorithmName" : "LocalAlgorithm",
  "taskSuccessRate" : 0.770289898928766,
  "avgTaskTotalDelay" : 1.732609574535639,
  "avgTaskTotalEnergy" : 26.7213677578472,
  "avgCloudUtilization" : 0.0,
  "avgEdgeUtilization" : 0.0,
  "avgDeviceUtilization" : 29.972115384615385,
  "avgCloudEnergyConsume" : 22776.0,
  "avgEdgeEnergyConsume" : 35692.8,
  "avgTaskNetworkDelay" : 0.0,
  "cloudTaskExecuted" : 0.0,
  "cloudTaskSuccessExecuted" : 0.0,
  "edgeTaskExecuted" : 0.0,
  "edgeTaskSuccessExecuted" : 0.0,
  "deviceTaskExecuted" : 66092.0,
  "deviceTaskSuccessExecuted" : 50910.0
}

1.2 随机算法

  • 计算节点平均利用率
    在这里插入图片描述

  • 计算节点能源消耗
    在这里插入图片描述

  • 仿真结果数据

    {
  "algorithmName" : "RandomAlgorithm",
  "taskSuccessRate" : 0.920377786173026,
  "avgTaskTotalDelay" : 1.2247280541003729,
  "avgTaskTotalEnergy" : 18.352311136392565,
  "avgCloudUtilization" : 38.35336538461539,
  "avgEdgeUtilization" : 35.13461538461538,
  "avgDeviceUtilization" : 9.517307692307694,
  "avgCloudEnergyConsume" : 95546.2,
  "avgEdgeEnergyConsume" : 67100.36,
  "avgDeviceEnergyConsume" : 12109.257999999996,
  "cloudTaskExecuted" : 22044.0,
  "cloudTaskSuccessExecuted" : 21781.0,
  "edgeTaskExecuted" : 21924.0,
  "edgeTaskSuccessExecuted" : 20995.0,
  "deviceTaskExecuted" : 22207.0,
  "deviceTaskSuccessExecuted" : 18130.0
}

1.3 贪心算法

  • 计算节点平均利用率
    在这里插入图片描述

  • 计算节点能源消耗
    在这里插入图片描述

  • 仿真结果数据

    {
  "algorithmName" : "GreedyAlgorithm",
  "taskSuccessRate" : 0.9416770318235598,
  "avgTaskTotalDelay" : 1.2437790398350788,
  "avgTaskTotalEnergy" : 17.790207236463743,
  "avgCloudUtilization" : 28.44951923076923,
  "avgEdgeUtilization" : 30.355769230769226,
  "avgDeviceUtilization" : 16.62211538461539,
  "avgCloudEnergyConsume" : 72169.3,
  "avgEdgeEnergyConsume" : 63736.02,
  "avgDeviceEnergyConsume" : 15318.622999999994,
  "cloudTaskExecuted" : 2874.0,
  "cloudTaskSuccessExecuted" : 2397.0,
  "edgeTaskExecuted" : 6510.0,
  "edgeTaskSuccessExecuted" : 5667.0,
  "deviceTaskExecuted" : 56542.0,
  "deviceTaskSuccessExecuted" : 54017.0
}
沧浪之水NaN
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
边缘计算网络中多用户卸载的深入研究与MATLAB仿真代码指南
m0_57781768的博客
09-25 758
通过仿真和深入的分析，我们可以更好地理解这一过程，发现其中的问题，并采取适当的策略进行优化。希望通过本文和提供的MATLAB代码，读者能够对这一主题有一个更全面的了解，并在实际应用中实现更高效的多用户卸载。为了解决这一问题，我们需要考虑如何有效地调度这些任务，以确保边缘服务器的资源得到合理的利用，并且每个用户都可以得到满足其需求的服务质量。理解卸载过程的结果对于提高系统的整体性能是至关重要的。针对上述挑战，研究人员和工程师们设计了多种策略，如基于优先级的调度、循环调度和权重分配等，来优化多用户卸载的过程。
依赖性与延迟最优的边缘计算任务卸载仿真: 一个深度解析
qq_38334677的博客
05-17 982
当我们谈论边缘计算时，我们通常指的是将计算任务从中心服务器卸载到网络边缘的设备上，如智能手机、传感器或其他IoT设备。这种方法可以大大减少任务完成的延迟，提高用户体验。然而，任务卸载策略的选择是一个复杂的问题，因为我们需要考虑任务的依赖性、计算和通信延迟、设备资源等多种因素。在这篇文章中，我们将深入探讨一种名为"依赖性与延迟最优的边缘计算任务卸载"的策略，这种策略的实现细节已经在几篇论文中进行了详细的阐述。这些论文的仿真代码也可以在GitHub上找到，现在我们将试图以简单易懂的方式来解读这些内容。
CloudSim Plus仿真（一）
沧浪之水的博客
08-08 1502
简单例子 步骤 一个简单的仿真案例包括一下基本步骤： 初始化CloudSim 创建数据中心代理 创建数据中心、创建主机列表 在主机中放置虚拟机 创建云任务Cloudlet 提交划分的虚拟机列表给代理 提交云任务 仿真开始 获得仿真结果并输出 实例 public class BasicFirstExample { // 创建一台拥有八个核的主机 private static final int HOSTS = 1; private static final int HOST_PES
探索CloudSimplus：一个高效云管理平台的深度剖析
最新发布
gitblog_00094的博客
04-27 335
探索CloudSimplus：一个高效云管理平台的深度剖析 项目地址:https://gitcode.com/cloudsimplus/cloudsimplus 项目简介 CloudSimplus是一个强大的多云管理和优化工具，旨在简化企业对云计算资源的控制和治理。通过单一的界面，它提供了跨多个云提供商（如AWS, Azure, Google Cloud等）的一致性体验，帮助企业更有效地利用其云...
车辆间计算任务卸载算法与系统级仿真验证
01-20
随着自动驾驶技术和车联网的发展，越来越多的车辆将具备强大的计算能力，并通过无线网络实现互联。这些计算资源不仅能够应用于自动驾驶中，也可以提供广泛的边缘计算服务。针对车辆间的计算卸载场景，以最小化平均卸载时延为目标，提出了基于在线学习的分布式计算任务卸载算法。进一步搭建了系统级仿真平台，分别在真实的高速公路和城市街区道路环境下，评估了车辆密度、任务卸载份数对平均卸载时延的影响，为不同交通环境下的服务资源分配部署提供了参考。
边缘计算卸载matlab仿真,移动边缘计算卸载技术简介
weixin_39917291的博客
03-22 2432
1.引言随着移动通信技术的发展和智能终端的普及，各种网络服务和应用不断涌现，用户对网络服务质量、请求时延等网络性能的要求越来越高。尽管现有用户设备(User Equipment, UE)的处理能力越来越强大，但依然无法在短时间内处理计算密集型或时延敏感型计算任务。此外，在UE本地处理这些任务还面临电量快速消耗和自身硬件损耗等问题。这些问题严重影响了应用程序在用户设备上的运行效率和用户体验。为了解决...
论文研究-基于深度强化学习的动态计算卸载 .pdf
08-16
基于深度强化学习的动态计算卸载，程百川，刘丹谱，移动边缘计算在移动网络边缘提供计算资源。为了减少执行时延，计算密集型任务可以从用户设备卸载到移动边缘服务器。当考虑到任务
cloudsim4.0 容器云仿真平台
04-21
最新版的Cloudsim 仿真平台 已支持容器云平台仿真。主要功能特点： *支持大型云计算数据中心的建模和仿真 *支持虚拟化服务器主机的建模和仿真，以及为虚拟机配置主机资源的可定制策略 *支持应用程序容器的建模和...
基于CloudSim云计算仿真方法研究.pdf
07-18
基于CloudSim云计算仿真方法研究.pdf
examples.rar_cloudsim_cloudsim examples_云计算仿真
07-14
Buyya领导开发的云计算，云计算仿真工具cloudsim里的实例
基于CloudSim云计算课程设计
12-16
基于CloudSim云计算课程设计，有报告，报告详细，截图，说明，你想要的都有。
Ran辅助WLAN卸载方案的仿真研究
06-03
无线局域网（WLAN）卸载是解决长期演进（LTE）网络面临的数据流量挑战的重要方法。 基于核心网络的传统卸载解决方案受到负载不平衡和用户体验下降的限制。 为了解决这个问题，3GPP最近提出了一种无线接入网（RAN）辅助的WLAN卸载方案。 在本文中，我们重点分析了该新方案的性能，重点是其中定义的RAN辅助参数和控制规则。 此外，提出了两种基于该方案的卸载算法，并通过仿真与传统算法进行了比较。 结果表明，RAN辅助的卸载方案可以提高平均用户吞吐量，并利用LTE和WLAN系统中可用的资源。
车辆间计算任务卸载算法与系统级仿真验证.docx
09-20
车辆间计算任务卸载算法与系统级仿真验证.docx
cloudsimplus-gateway:用于Cloud Sim Plus框架的py4j网关
05-24
CloudSim +-Py4j网关 魔法： ./gradlew build -构建和运行测试 ./gradlew dockerBuildImage构建图像 致谢 Project使用CloudSim Plus框架：功能齐全，高度可扩展且易于使用的Java 8+框架，用于对云计算基础架构和服务进行建模和仿真。 你可以在找到它。 源代码
云计算卸载
11-21
在本文中，考虑了用于在局域网上的移动设备之间分配计算的框架。 该框架被指定为移动设备集群（MDC）。 这个框架是构建和开源的，用于未来的发展。 参考现有云基础设施和以前在现场的研究，讨论了MDC的动机。 框架的实现被记录在案，其用法在第三方应用程序中被实现。 使用MDC的实现来获取用于性能分析的测试结果集，其用于对软件的未来指导进行描述和建议。
基于CloudSim 的云资源调度系统分析设计与实现——合肥工业大学云计算课程作业
02-23
在本项目中，学生以“基于CloudSim的云资源调度系统分析设计与实现”为主题，完成了一项关于云计算课程的作业。该项目的核心是利用CloudSim框架来模拟和优化云环境中的资源调度，以提高资源利用率和系统性能。下面将...
异构蜂窝网络 仿真_课题组在面向异构车联网的自适应实时任务卸载关键技术研究方面取得新进展...
weixin_39763683的博客
12-04 467
近期，由重庆大学计算机学院大数据与智慧计算(BDSC)课题组刘凯教授为通信作者、硕士研究生(一年级)刘春晖为第一作者完成的论文《Adaptive Offloading for Time-critical Tasks in Heterogeneous Internet of Vehicles》被计算机网络领域顶级学术期刊IEEE Internet of Things Journal (Io...
【边缘计算】基于启发式算法的深度神经网络卸载策略（Matlab代码实现）
weixin_61181717的博客
03-23 1082
本文综合考虑基于DNNs的应用响应时间、计算能耗和租用服务器的价格，使用启发式算法设计四种不同的任务卸载策略即基于终端设备的不卸载策略、基于云服务器的完全卸载策略、基于端云的部分卸载策略和基于端—边—云的多重资源卸载策略，同时综合粒子群算法和模拟退火算法提高算法的计算效率和计算结果的精准度。
CloudSim Plus能耗仿真(一)
沧浪之水的博客
09-10 1463
如何使用CloudSimPlus进行能耗仿真呢？下面通过简单案例进行学习。
CloudSim安装配置及仿真
03-25
非常感谢您的提问。对于CloudSim的安装配置及仿真，您可以参考以下步骤： 1. 下载CloudSim的jar包并导入到您的开发环境中。 2. 配置所需的环境，比如JDK版本、配置虚拟机等。 3. 编写CloudSim仿真实例的代码。 4. 运行仿真实例并观察结果。 希望我的回答可以帮助您！

“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 2
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