Phương pháp giao nhiệm vụ tính toán hợp tác kết hợp với nén dữ liệu trong hệ thống điện toán biên di động

Hongjian Li1, Dongjun Li1, Xue Zhang1, Hu Sun1
1Department of Computer Science and Technology, Chongqing University of Posts and Telecommunications, Chongqing, China

Tóm tắt

Giao nhiệm vụ tính toán hợp tác (CCO) là một kỹ thuật nhằm cải thiện hiệu suất giao nhiệm vụ tính toán trong các mạng biên thông qua sự hợp tác giữa các nút biên. CCO có khả năng đạt được việc sử dụng tài nguyên tốt hơn, cân bằng tải tính toán và giảm độ trễ để cải thiện trải nghiệm dịch vụ cho thiết bị người dùng (UE). Trong bài báo này, chúng tôi điều tra vấn đề về cách thức giao nhiệm vụ tính toán hợp tác và phân bổ tài nguyên tính toán trong điện toán biên di động, đồng thời đề xuất phương pháp giao nhiệm vụ tính toán hợp tác nén dữ liệu (DCCO). Để giảm bớt lượng dữ liệu được truyền qua liên kết giao nhiệm vụ của UE, chúng tôi đưa nén dữ liệu vào CCO và trình bày các chiến lược giao nhiệm vụ tính toán, giao nhiệm vụ hợp tác và phân bổ tài nguyên tính toán với mục tiêu tối thiểu hóa tổng trọng số của độ trễ và tiêu thụ năng lượng của UE dưới các ràng buộc về độ trễ và tiêu thụ năng lượng của UE. Một thuật toán di truyền cải tiến được đề xuất để giải quyết vấn đề này, đây là một vấn đề hỗn hợp không lồi với các biến nhị phân và liên tục. Các chiến lược giao nhiệm vụ và phân bổ tài nguyên tính toán tương ứng với các gen trong nhiễm sắc thể của thuật toán di truyền. Kết quả mô phỏng cho thấy phương pháp DCCO có thể giảm chi phí giao nhiệm vụ lên đến 11% so với các phương pháp hiện có. Nó cải thiện hiệu suất giao nhiệm vụ tính toán của các mạng điện toán biên một cách hiệu quả.

Từ khóa

#giao nhiệm vụ tính toán hợp tác #nén dữ liệu #điện toán biên di động #tối ưu hóa độ trễ #tiêu thụ năng lượng

Tài liệu tham khảo

Ren J, Yu G, Cai Y, He Y (2018) Latency optimization for resource allocation in mobile-edge computation offloading. IEEE Trans Wireless Commun 17(8):5506–5519

Bozorgchenani A, Mashhadi F, Tarchi D, Monroy SAS (2020) Multi-objective computation sharing in energy and delay constrained mobile edge computing environments. IEEE Trans Mobile Comput 20(10):2992–3005

Wang X, Han Y, Leung VC, Niyato D, Yan X, Chen X (2020) Convergence of edge computing and deep learning: a comprehensive survey. IEEE Commun Surv Tutorials 22(2):869–904

Kuang Z, Li L, Gao J, Zhao L, Liu A (2019) Partial offloading scheduling and power allocation for mobile edge computing systems. IEEE Internet Things J 6(4):6774–6785

Dai H, Zeng X, Yu Z, Wang T (2019) A scheduling algorithm for autonomous driving tasks on mobile edge computing servers. J Syst Arch 94:14–23

Wu H, Deng S, Li W, Yin J, Li X, Feng Z, Zomaya AY (2019) Mobility-aware service selection in mobile edge computing systems. In: 2019 IEEE International Cconference on Web Services (ICWS), pp 201–208 (2019). IEEE

Fang F, Xu Y, Ding Z, Shen C, Peng M, Karagiannidis GK (2020) Optimal resource allocation for delay minimization in noma-mec networks. IEEE Trans Commun 68(12):7867–7881

Pan Y, Chen M, Yang Z, Huang N, Shikh-Bahaei M (2018) Energy-efficient noma-based mobile edge computing offloading. IEEE Commun Lett 23(2):310–313

Guo M, Li Q, Peng Z, Liu X, Cui D (2022) Energy harvesting computation offloading game towards minimizing delay for mobile edge computing. Comput Netw 204:108678

Liu J, Mao Y, Zhang J, Letaief K.B (2016) Delay-optimal computation task scheduling for mobile-edge computing systems. In: 2016 IEEE International Symposium on Information Theory (ISIT), pp 1451–1455. IEEE

Wei F, Chen S, Zou W (2018) A greedy algorithm for task offloading in mobile edge computing system. China Commun 15(11):149–157

Li Y, Wang T, Wu Y, Jia W (2022) Optimal dynamic spectrum allocation-assisted latency minimization for multiuser mobile edge computing. Digital Commun Netw 8(3):247–256

Yang Y, Wang Y, Wang R, Chu S (2018) A resource allocation method based on the core server in the collaborative space for mobile edge computing. In: 2018 IEEE/CIC International Conference on Communications in China (ICCC), pp 568–572. IEEE

Li Q, Shao H (2021) Cooperative resource allocation for computation offloading in mobile-edge computing networks. In: 2021 IEEE Wireless Communications and Networking Conference (WCNC), pp 1–6. IEEE

Nguyen P.-D, Ha V.N, Le L.B (2019) Computation offloading and resource allocation for backhaul limited cooperative mec systems. In: 2019 IEEE 90th Vehicular Technology Conference (VTC2019-Fall), pp 1–6. IEEE

Chen M-H, Dong M, Liang B (2018) Resource sharing of a computing access point for multi-user mobile cloud offloading with delay constraints. IEEE Trans Mobile Comput 17(12):2868–2881

Ning Z, Dong P, Kong X, Xia F (2018) A cooperative partial computation offloading scheme for mobile edge computing enabled internet of things. IEEE Internet Things J 6(3):4804–4814

Ning Z, Dong P, Wang X, Guo L, Rodrigues JJ, Kong X, Huang J, Kwok RY (2019) Deep reinforcement learning for intelligent internet of vehicles: an energy-efficient computational offloading scheme. IEEE Trans Cognit Commun Netw 5(4):1060–1072

Du J, Zhao L, Feng J, Chu X (2017) Computation offloading and resource allocation in mixed fog/cloud computing systems with min-max fairness guarantee. IEEE Trans Commun 66(4):1594–1608

Zhang W, Wen Y, Zhang Y.J, Liu F, Fan R (2017) Mobile cloud computing with voltage scaling and data compression. In: 2017 IEEE 18th International Workshop on Signal Processing Advances in Wireless Communications (SPAWC), pp 1–5. IEEE

Wang Q, Guo S, Liu J, Pan C, Yang L (2022) Profit maximization incentive mechanism for resource providers in mobile edge computing. IEEE Trans Serv Comput 15(1):138–149. https://doi.org/10.1109/TSC.2019.2924002

Jayanetti A, Halgamuge S, Buyya R (2022) Deep reinforcement learning for energy and time optimized scheduling of precedence-constrained tasks in edge-cloud computing environments. Future Generation Comput Syst 137:14–30. https://doi.org/10.1016/j.future.2022.06.012

Dong J, Song C, Zhang T, Li Y, Zheng H (2022) Integration of edge computing and blockchain for provision of data fusion and secure big data analysis for internet of things. Wireless Commun Mobile Comput 2022. https://doi.org/10.1155/2022/9233267

Ren J, Yu G, Cai Y, He Y, Qu F (2017) Partial offloading for latency minimization in mobile-edge computing. In: GLOBECOM 2017-2017 IEEE Global Communications Conference, pp 1–6. IEEE

Nguyen TT, Ha VN, Le LB, Schober R (2019) Joint data compression and computation offloading in hierarchical fog-cloud systems. IEEE Trans Wireless Commun 19(1):293–309

Dong J, Fu D, Zheng Z, Liu Z, Gao Y, Gui J (2020) Data compression method based on operation condition identification, pp 1–4 . https://doi.org/10.1109/ICECCE49384.2020.9179444

Holland J.H (1992) Adaptation in natural and artificial systems: an introductory analysis with applications to biology, control, and artificial intelligence. MIT press

Slowik A, Kwasnicka H (2020) Evolutionary algorithms and their applications to engineering problems. Neural Comput Appl 32(16):12363–12379