基于DDPG的边云协同计算卸载方法

移动设备的容量有限以及传统卸载算法仅考虑移动设备和边缘服务器计算资源,使单独的边缘计算面临资源有限和成本高的问题。为此,将云计算(Cloud Computing)、边缘计算(Edge Computing)与深度确定策略性梯度算法(Deep Deterministic Policy Gradient, DDPG)相结合,提出了一种基于DDPG的边云协同计算卸载方法(DDPG-ECC)。将时延和能耗作为优化目标,利用边缘服务器和云服务器之间的协作,最小化计算卸载系统的时延和能耗,实现了计算卸载的优化分配。仿真结果表明,DDPG-ECC性能良好,对于不同的工作负载具有很好的适应性和泛化能力。     

一种基于遗传算法的车载边缘计算卸载方案

延迟敏感型和计算密集型车辆应用的出现,给计算资源有限的车联网带来了巨大的挑战。移动边缘计算(Mobile Edge Computing, MEC)是云计算的一种补充,可以有效解决车辆计算资源有限等问题,但是车辆的高机动性以及中心云距离较远导致数据卸载延迟较大,对卸载效率产生较大影响。现有方案大多对车辆的高机动性以及空闲资源的利用方面考虑不足,因此,文中提出一种基于遗传算法的车载边缘计算卸载方案(Genetic Algorithm-based Vehicle Edge Computing Offloading Scheme, GAVECOS)。在该方案中,考虑了任务车辆周围的本地车辆、路边基站上的边缘服务器和空闲车辆的计算资源来卸载任务,然后提出一个以系统总成本最小为目标的优化问题,并利用遗传算法求解该优化问题。最后通过搭建仿真平台对方案进行了验证。仿真结果显示,在综合考虑系统的时延和能耗这两个因素的情况下,该方案与其他4种方案相比总成本有明显的降低。     

一种考虑资源状态动态反馈的云计算调度算法

针对云计算动态调度问题,提出一种考虑资源状态动态反馈的云计算调度算法.该算法针对资源服务器状态动态变化影响当前工作流调度结果的问题提出滑动窗模型,该模型可以实时动态地反映资源服务器的状态.为了更好地预测资源服务器的状态,提出时间窗曲线模型和平均利用率模型,以计算资源服务器的平均利用率.基于平均利用率提出资源反馈权重策略,通过该策略来计算所有工作流任务的动态权重值,按照动态权重值进行排序并依次调度.实验结果表明本文算法可以有效缩短工作流的总加工时间.      

基于Stackelberg博弈的资源动态定价策略

针对计算密集型任务卸载时边缘云计算能力有限引起的公平性问题,提出一种基于Stackelberg(斯坦克伯格)博弈的资源动态定价策略.首先,分析边缘云系统资源剩余量和用户需求之间的实时关系,设计边缘云网络收益及用户成本函数.然后,通过验证用户之间非合作博弈纳什均衡点的存在性,获得基于完全状态信息下用户成本最低时的最优卸载策略.最后,采用双向迭代搜索算法求解边缘收益问题,获取经价格调整因子调节后的边缘云网络最优定价策略.仿真结果表明:所提算法当计算资源较少时能保证边缘云收益,并在保证用户公平性前提下提高用户服务质量.     

一种任务驱动的车联网边缘卸载策略

边缘计算为解决未来车联网中移动流量的爆炸式增长提供了可行范式,然而位置的动态变化以及计算任务的多样性和差异性,使得资源有限的边缘服务器很难在规定时间内完成区域内多车辆任务的并行处理需求。基于此,以最小化时延为目标,提出一种结合深度确定性策略梯度算法的任务驱动卸载策略。首先,结合差异性任务类型和紧迫程度进行预处理,构建了一种基于最大延迟容忍度的任务动态优先级调整模型;然后,利用道路区域内的车辆拓扑和通信半径,提出了基于网络密度和负载均衡的动态协作簇划分方法,解决了多样性任务的动态协作卸载优化问题。实验结果表明,所提算法在收敛性、卸载时延及卸载命中率等方面具有性能优势。     

多处理器系统实时任务限制抢占调度算法

针对多处理器平台完全可抢占调度(Fully Preemptive Scheduling,F-PS)可能造成低优先级任务的响应时间超出截止期限的问题,提出了两种基于固定抢占点模型的限制抢占调度算法:一种是常规延迟(Regular Deferrable Scheduling,RDS),即高优先级任务抢占正在运行的执行到最近抢占点的低优先级任务,被抢占的任务可能不具有最低优先级;另一种是自适应延迟(Adaptive Deferrable Scheduling,ADS),即高优先级任务等待正在运行的最低优先级任务执行到最近的可抢占点位置,并抢占。搭建了一个仿真实验平台,并在该平台上进行一系列的仿真实验来探究两种算法的性能表现。实验结果表明:在动态和静态优先级调度下,任务抢占次数大小顺序为F-PSRDSADS;当抢占时间消耗大于临界值时,RDS和ADS的任务可调度率与F-PS接近。     

一种新型的云任务调度算法研究

云计算具有弹性、保证服务质量和按需的资源配置模型等特征,通常用于处理大批量的计算任务,因此任务调度策略对资源使用效率起着至关重要的作用.考虑到任务的数量和到达服务器的时间不确定性,并且用户对任务的执行往往有一定的期望(如任务优先级、执行时间等),如何合理地分配计算资源,最大程度满足用户的服务质量需求是一个值得研究的问题.为此,提出了一种新型的云环境下QoS-aware服务质量感知的任务调度算法(QTS),该算法结合贪心算法的思想,并加入了任务完成满意度模型作为任务调度的评价依据.通过扩展CloudSim仿真平台进行实验,将QTS与RR调度、Max-Min和Min-Min调度比较,结果表明,QTS是一种有效的任务调度算法.     

一种基于图模型的可信云资源调度算法

根据并行任务及胖树形云系统的结构特点,综合考虑了云计算环境下资源节点与通信链路的可靠性问题,构建了基于任务执行行为的云系统可靠性度量模型。提出了一种基于图的可信云资源调度模型,将云任务可信资源需求与云资源动态供给的最优匹配问题转换成最小费用最大流图的构造和求解问题。针对图的求解计算复杂度较高的问题,结合商空间理论将初始网络转化为规模较小的商网络进行求解。仿真实验结果表明,该算法能够有效提高云任务执行的成功率,降低基于图模型的资源调度算法延迟。     

缓存辅助移动边缘计算的任务卸载与资源分配联合优化策略

为了减少资源受限的移动边缘计算场景下任务卸载和资源分配过程中的能量消耗,提出缓存辅助的动态卸载决策和计算、通信、缓存多维资源分配的联合优化策略。该策略根据任务流行度制定缓存服务,通过控制用户设备的发射功率优化通信资源分配,并结合计算卸载合理利用服务器的计算资源。提出最小化时延和能耗的均衡优化目标,设计基于深度强化学习的优化求解算法。最后,通过仿真实验验证所提策略的有效性,结果表明该策略在计算资源和缓存容量约束条件下能展现较优性能。     

面向天地一体化网络的计算卸载算法

由于天地一体化网络的计算资源受限、能力迥异等问题,会导致其处理复杂任务的能力减弱,使得重要的任务处理失败.因此,本文构建了一种将任务卸载到本地-骨干-边缘接入节点的三层计算卸载开销模型,并通过基于DQN的最优卸载算法进行最优卸载策略的制定.首先,依据网络中存在的天基骨干节点、边缘接入节点以及地基骨干节点三种类型计算节点(卸载站点)自身的特点,给出了不同卸载站点的时延、能耗的开销表达式以及对应的约束条件. 然后,提出了基于DQN算法来完成低时延、低能耗的卸载过程.仿真结果表明,DQN算法能够提高任务执行的速度,降低终端设备的能耗,有效改善网络中计算节点资源迥异的现状.     

云计算资源优化问题求解的萤火虫算法

为了提高云计算资源利用率,结合云计算资源优化问题的特点,设计一种云计算资源优化问题求解的萤火虫算法.首先建立云计算资源负载调度问题的约束条件,以用户任务完成时间最少作为云计算资源负载调度优化的目标函数;然后通过萤火虫算法找到目标函数值最优的资源调度策略;最后在CloudSim平台上实现云计算资源负载调度仿真实验.实验结果表明,萤火虫算法减少了云计算任务完成的时间,均衡了云计算资源的负载,使云计算资源得到合理分配,且比其他算法优势明显.     

基于遗传-蚁群算法的云计算任务调度优化

为了找到最佳的云计算任务调度方案, 缩短云计算任务完成时间, 通过综合考虑遗传算法和蚁群算法的优势, 提出一种遗传 蚁群算法的云计算任务调度优化算法. 首先采用遗传算法快速搜索到云计算任务调度的可行方案, 然后采用可行方案初始化蚁群算法的信息素分布, 解决初始信息素匮乏的难题, 加快算法收敛速度和搜索能力, 提高云计算任务求解效率. 在CloudSim平台的实验结果表明, 相对于遗传算法, 遗传 蚁群算法更适合于大规模云计算任务问题的求解, 可缩短任务完成时间, 获得更高的用户满意度.     

An optimizing algorithm of static task scheduling problem based on hybrid genetic algorithm

To reduce resources consumption of parallel computation system,a static task scheduling optimization method based on hybrid genetic algorithm is proposed and validated,which can shorten the scheduling length of parallel tasks with precedence constraints.Firstly,the global optimal model and constraints are created to demonstrate the static task scheduling problem in heterogeneous distributed computing systems(HeDCSs).Secondly,the genetic population is coded with matrix and used to search the total available time span of the processors,and then the simulated annealing algorithm is introduced to improve the convergence speed and overcome the problem of easily falling into local minimum point,which exists in the traditional genetic algorithm.Finally,compared to other existed scheduling algorithms such as dynamic level scheduling(DLS),heterogeneous earliest finish time(HEFT),and longest dynamic critical path(LDCP),the proposed approach does not merely decrease tasks schedule length,but also achieves the maximal resource utilization of parallel computation system by extensive experiments.     

MEC架构下基于DDPG的车联网任务卸载和资源分配

为了缓解车联网中个体车辆计算资源配置过低而导致的任务处理时延较大的问题,提出了一种移动边缘计算(mobile edge computing, MEC)架构下的动态任务卸载策略和资源分配方案。以最小化全网任务处理时延为目标,将车联网中的任务卸载和资源分配问题建模为马尔可夫决策过程(Markov decision process, MDP),并利用深度确定性策略梯度(deep deterministic policy gradient, DDPG)算法进行了问题求解。仿真结果表明,与执行者-评价者(actor-critic, AC)和深度Q网络(deep Q-network, DQN)这2种算法相比,DDPG算法以最快的算法收敛特性获得最小的全网任务处理时延。     

基于SWIPT的D2D通信辅助移动边缘计算任务卸载策略

为解决5G移动通信系统中移动用户计算能力不足、能量消耗多、无线资源缺乏等问题,本文构建一种基于无线携能通信(Simultaneous Wireless Information and Power Transfer, SWIPT)的多用户设备间(Device to Device, D2D)通信辅助移动边缘计算(Mobile Edge Computation, MEC)系统模型,提出一种D2D-MEC联合卸载策略。该策略以系统中请求用户总能耗最小化为目标,采用二进制卸载模式和功率分流模式对请求用户进行任务卸载和能量收集。针对能耗最小化问题为非线性混合整数规划问题,根据整数变量和实数变量将原问题解耦为功率分配和计算任务卸载两个独立子问题,并分别采用Dinkelbach方法和匈牙利算法求出两个子问题的最优解。仿真实验结果表明,本文所提策略优于传统的D2D卸载策略和MEC卸载策略,有效降低了请求用户的总能耗,提高了任务执行效率。     

基于任务分类思维的云计算海量资源改进调度

对云计算海量数据下的资源调度的研究过程中,进行资源调度时资源分配无法到达合理化调度,存在资源调度效率低的问题。提出分类思维的云计算海量数据资源优化调度方法。该方法引入膜计算概念,将云计算下的海量资源调度的总任务划分为多个子任务,并详细计算每个子任务的资源调度任务量。将优化调度系统内部分解为主膜和辅助膜,利用蝙蝠算法在辅助膜内进行资源分配个体寻优,并将优化后的资源分配最优个体传送到主膜间进行云计算海量数据下的资源分配优化。实验仿真证明,基于改进膜计算蝙蝠算法的云计算海量数据下的资源优化调度方法调度效率高,分配较为均衡。     

基于多重指标的MEC服务器选择方案

针对移动边缘计算（mobile edge computing,MEC）服务器超密集部署的网络环境中任务卸载目标MEC服务器的选择问题,设计了一种基于多重指标的MEC服务器选择方案（multiple indicators-based MEC server selection scheme,MIMS）。综合考虑时延、能耗、任务卸载费用、能量效率等因素对MEC服务器选择的影响,基于各参数的线性加权对候选MEC服务器进行排序,选择最优的移动边缘计算服务器为用户提供服务。仿真结果表明,MIMS能够在保障用户任务卸载费用预算和能耗约束的条件下,降低任务处理的总时延,满足多重性能指标。     

一种用于云计算的数据容灾分配算法的改进

在云计算环境下进行数据容灾分配,可以提高云计算数据资源调度能力。传统算法采用粒子群数据聚类方法进行数据的容灾分配,数据负载均衡差,同时消耗数据任务调度的吞吐率。提出一种新的数据容灾分配改进算法。首先建立云计算环境下数据容灾分配层次结构模型,计算整个数据资源处理平台的整体响应时间,将云计算下的数据资源容灾分配优化问题转化为数据资源分配响应时间最小化问题;利用多用户QoS开销适应度运算机制和粒子群聚类算法对云计算中数据资源任务进行权衡分配,减少数据权衡调度时间,提高数据容灾备份能力。实验结果表明,采用改进算法可以提高数据容灾分配时数据的召回率和云计算数据任务权衡调度能力,在云计算信息处理中具有较好的应用价值。