隨著越來越多數(shù)據(jù)的產(chǎn)生以及更加強大的算力和算法的運用,物聯(lián)網(wǎng)應(yīng)用也變得越來越智能.典型的物聯(lián)網(wǎng)應(yīng)用也從簡單的數(shù)據(jù)感知、收集和表示轉(zhuǎn)向復(fù)雜的信息提取和分析.這一持續(xù)的趨勢需要多層次算力資源及網(wǎng)絡(luò).多層次算力網(wǎng)絡(luò)涉及云計算、霧計算、邊緣計算和海計算等技術(shù)之間的相互協(xié)作,分別針對區(qū)域級別、本地級別和設(shè)備級別的物聯(lián)網(wǎng)應(yīng)用.但是,由于計算技術(shù)的不同特征以及任務(wù)的不同需求,如何有效地進(jìn)行任務(wù)調(diào)度是多層次算力網(wǎng)絡(luò)中的一個關(guān)鍵挑戰(zhàn).此外,如何激發(fā)多層次算力資源的積極性也是一個關(guān)鍵問題,這是多層次算力網(wǎng)絡(luò)得以成形的前提.為解決上述挑戰(zhàn),提出了一個云霧混合多層次算力網(wǎng)絡(luò)及計算卸載系統(tǒng),定義了一個由時延、能耗及付費組成的加權(quán)代價函數(shù),并建模了一個代價感知任務(wù)調(diào)度（cost aware task scheduling,CATS）問題.而且,為激發(fā)云和霧的積極性,提出了一個基于計算量的付費模型并將付費相關(guān)代價也考慮進(jìn)總代價.具體來說,根據(jù)云和霧的不同特性和需求,分別提出了一個靜態(tài)付費模型和動態(tài)付費模型,從而構(gòu)建了一個混合付費模型.為解決上述CATS問題,提出了一個基于勢博弈的分析框架,并設(shè)計了一個分布式任務(wù)調(diào)度... 

【文章來源】：計算機研究與發(fā)展. 2020,57(09)北大核心

【文章頁數(shù)】：13 頁

【部分圖文】：

一個綜合了云、霧、邊緣和海計算技術(shù)的多層次算力網(wǎng)絡(luò)架構(gòu)[1]

4) 最優(yōu)卸載(Optimal).我們采用交叉熵[31]方法得到最小化系統(tǒng)整體代價的解.交叉熵是一種求解組和優(yōu)化問題近似最優(yōu)解的有效方法.具體的求解過程及參數(shù)設(shè)置可參考文獻(xiàn)[32].如圖3所示,CATS算法總能取得近似最優(yōu)的系統(tǒng)平均代價,并且大大優(yōu)于其他基準(zhǔn)方法.這從系統(tǒng)整體角度驗證了CATS算法的表現(xiàn).另外,我們可以發(fā)現(xiàn),通過引入霧層,可以大大降低用戶的計算卸載代價.

圖4比較了CATS算法和基準(zhǔn)方法在受益用戶數(shù)方面的表現(xiàn).受益用戶是指通過計算卸載,可以降低自身任務(wù)處理代價的用戶(和本地計算相比),即{n∈N|On<On,l}.這一指標(biāo)表明了有多少用戶可以通過計算卸載降低自身的任務(wù)處理代價.所以,受益用戶數(shù)從個體方面反映了用戶對任務(wù)調(diào)度或卸載結(jié)果的滿意程度.如圖4所示,除了隨機卸載之外,CATS算法、最優(yōu)卸載以及云計算的受益用戶數(shù)都隨著用戶數(shù)的增加而增加,但CATS算法的受益用戶數(shù)始終最大.這是因為以最小化系統(tǒng)代價為目標(biāo)的最優(yōu)卸載會損害用戶個體利益,而通過將任務(wù)卸載建模為CATS博弈,可以協(xié)調(diào)用戶之間的競爭、沖突,從而使得更多用戶可以從中獲益.所以,CATS算法可以使得用戶對調(diào)度結(jié)果更滿意,因此結(jié)果也更穩(wěn)定.這從用戶個體角度驗證了CATS算法的表現(xiàn).

【參考文獻(xiàn)】：
期刊論文
[1]城市化與信息化——中國發(fā)展的時代機遇[J]. 江綿恒.  信息化建設(shè). 2010(06)



本文編號：3008456