深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network,DNN）應(yīng)用對(duì)運(yùn)行設(shè)備的性能要求較高,無法直接在計(jì)算資源受限的移動(dòng)設(shè)備上運(yùn)行。通過計(jì)算遷移技術(shù)將某些計(jì)算復(fù)雜的神經(jīng)網(wǎng)絡(luò)層遷移到資源豐富的邊緣或者遠(yuǎn)程云端上去執(zhí)行,是一種有效的解決資源受限問題的方法。計(jì)算遷移會(huì)產(chǎn)生額外的時(shí)間開銷,如果遷移過程的時(shí)延太長,將嚴(yán)重影響用戶體驗(yàn)。為此,文中以得到邊緣環(huán)境下多任務(wù)并行調(diào)度的最小平均響應(yīng)時(shí)間為目標(biāo),首先提出邊緣環(huán)境下DNN應(yīng)用的計(jì)算遷移調(diào)度問題,并對(duì)該問題的解設(shè)計(jì)了評(píng)估算法;然后設(shè)計(jì)了兩種調(diào)度算法即貪心算法和遺傳算法（Genetic Algorithm,GA）來求解問題;最后設(shè)置評(píng)估實(shí)驗(yàn),在5種不同的邊緣環(huán)境下對(duì)兩種算法的性能進(jìn)行對(duì)比分析。實(shí)驗(yàn)數(shù)據(jù)表明,采用所提算法得到的解十分接近最優(yōu)解。與傳統(tǒng)的遷移方案相比,貪心算法能得到平均響應(yīng)時(shí)間更短的調(diào)度方案;遺傳算法的平均響應(yīng)時(shí)間比貪心算法短,但其運(yùn)行時(shí)間明顯更長。實(shí)驗(yàn)結(jié)果說明,所提兩種調(diào)度算法能夠有效地縮短邊緣環(huán)境下DNN應(yīng)用的計(jì)算遷移調(diào)度的平均響應(yīng)時(shí)間,提高用戶體驗(yàn)。 

【文章來源】：計(jì)算機(jī)科學(xué). 2020,47(10)北大核心CSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

實(shí)驗(yàn)設(shè)置的節(jié)點(diǎn)圖

同時(shí),使用一個(gè)7層的DNN應(yīng)用來進(jìn)行實(shí)驗(yàn)。設(shè)總?cè)蝿?wù)數(shù)為12,即共有84個(gè)子任務(wù)。這12個(gè)任務(wù)從1開始編號(hào),任務(wù)1,5,9,12在移動(dòng)設(shè)備1上產(chǎn)生;任務(wù)2,6,10在移動(dòng)設(shè)備2上產(chǎn)生;任務(wù)3,7,11在移動(dòng)設(shè)備3上產(chǎn)生;任務(wù)4,8在移動(dòng)設(shè)備4上產(chǎn)生。每個(gè)移動(dòng)設(shè)備上的任務(wù)在1s內(nèi)勻速到達(dá),如移動(dòng)設(shè)備1上將產(chǎn)生4個(gè)任務(wù),那么任務(wù)到達(dá)率為 1 4 ,即每0.25 s到達(dá)一個(gè)任務(wù)。圖2展示了每個(gè)移動(dòng)設(shè)備產(chǎn)生的任務(wù)和每個(gè)任務(wù)的到達(dá)時(shí)刻。另外,本文事先預(yù)測(cè)出該DNN應(yīng)用各層之間的數(shù)據(jù)傳輸量(單位為Mb)為:

此外,在場(chǎng)景1下,保持其他設(shè)置不變,只改變總?cè)蝿?wù)數(shù),以測(cè)試總?cè)蝿?wù)數(shù)對(duì)算法運(yùn)行時(shí)間的影響。圖4展示了總?cè)蝿?wù)數(shù)對(duì)貪心算法運(yùn)行時(shí)間的影響,圖5展示了總?cè)蝿?wù)數(shù)對(duì)遺傳算法運(yùn)行時(shí)間的影響。圖5 總?cè)蝿?wù)數(shù)對(duì)遺傳算法運(yùn)行時(shí)間的影響

【參考文獻(xiàn)】：
期刊論文
[1]融合負(fù)載均衡和蝙蝠算法的云計(jì)算任務(wù)調(diào)度[J]. 王東亮,衣俊艷,李時(shí)慧,王洪新.  信息網(wǎng)絡(luò)安全. 2017(01)
[2]一種智能局部移動(dòng)云資源分配機(jī)制的研究[J]. 劉金陽,王興偉,黃敏.  信息網(wǎng)絡(luò)安全. 2016(10)



本文編號(hào)：3308913