| Abstract : | The current research is called to explore a modern solution, in order to minimize the total average time delay of the completion of the task and at the same time to take into account the energy consumption of the mobile device, as the mobile devices have limited resources. The problem of lack of resources can be addressed with the Cloud computing environment, but when it comes to a balance between resources and time efficiency, the Mobile-Edge Computing environment is the solution. The basic idea behind MEC is that by running applications and performing related processing tasks closer to the client-user mobile network, network congestion is reduced and applications perform better. The main dilemma to deal with when performing tasks is deciding whether a task should be performed locally (on the mobile device) or offloaded to a MEC- server. A two-step decision process is adopted to handle this problem, where the computation tasks are scheduled based on the queuing state of the task buffer, the execution state of the local processing unit, as well as the state of the transmission unit.As computing operations take place on the mobile device or the MEC, the offloading policy is expected to make decisions about the remaining tasks/operations in the queue (when and which are locally scheduled or at the MEC server). To minimize this objective function, an optimization problem has been formulated cocnerning time delay and energy consumption limitations. A one-dimensional search algorithm based on execution and power consumption parameters is proposed to solve this optimization problem, in order to provide the optimal task scheduling, in terms of time latency. Experimental results of proposing such a mixed scheduling strategy are encouraging, illustrating the efficiency of current approach.
Η τρέχουσα έρευνα καλείται να διερευνήσει μια σύγχρονη λύση, ώστε να ελαχιστοποιηθεί ο συνολικός μέσος χρόνος καθυστέρησης ολοκλήρωσης της εκτέλεσης της εργασίας και παράλληλα να ληφθεί υπόψη η κατανάλωση ενέργειας της φορητής συσκευής, καθώς οι φορητές συσκευές έχουν περιορισμένους πόρους. Το πρόβλημα έλλειψης πόρων μπορεί να αντιμετωπιστεί με το περιβάλλον υπολογιστών Cloud, αλλά όταν πρόκειται για μια ισορροπία μεταξύ των πόρων και της απόδοσης χρόνου, το περιβάλλον Mobile- Edge Computing είναι η λύση. Η βασική ιδέα πίσω από το MEC είναι ότι με την εκτέλεση εφαρμογών και την εκτέλεση σχετικών εργασιών επεξεργασίας πιο κοντά στον πελάτη-χρήστη κινητής τηλεφωνίας, μειώνεται η συμφόρηση δικτύου και οι εφαρμογές αποδίδουν καλύτερα. Το κύριο δίλημμα που πρέπει να αντιμετωπίστει σχετικά με την εκτέλεση εργασιών είναι να αποφασίστει εάν μια εργασία πρέπει να εκτελεστεί τοπικά (στην φορητή συσκευή) ή να μεταφορτωθεί σε έναν διακομιστή που βασίζεται στο MEC- Cloud. Στην τρέχουσα διατριβή υιοθετείται μια διαδικασία απόφασης δύο σταδίων για τον χειρισμό αυτού του προβλήματος, όπου οι εργασίες υπολογισμού προγραμματίζονται με βάση την κατάσταση ουράς της προσωρινής ουράς εργασιών, την κατάσταση εκτέλεσης της τοπικής μονάδας επεξεργασίας, καθώς και την κατάσταση της μονάδας μετάδοσης εργασιών στον MEC διακομιστή. Καθώς οι εργασίες εκτέλεσης υπολογισμού λαμβάνουν χώρα στην φορητή συσκευή ή στο MEC, η πολιτική εκφόρτωσης αναμένεται να λαμβάνει αποφάσεις σχετικά με τις υπόλοιπες εργασίες στην ουρά (πότε και ποιες έχουν προγραμματιστεί τοπικά ή στον διακομιστή MEC). Για την ελαχιστοποίηση αυτής της αντικειμενικής συνάρτησης έχει διαμορφωθεί ένα πρόβλημα βελτιστοποίησης έχοντας περιορισμούς χρονικής καθυστέρησησ και κατανάλωσησ ενέργειας. Προτείνεται ένας μονοδιάστατος αλγόριθμος αναζήτησης βασισμένος σε παραμέτρους εκτέλεσης και κατανάλωσης ενέργειας, για την επίλυση αυτού του προβλήματος βελτιστοποίησης, προκειμένου να παρέχεται ο βέλτιστος προγραμματισμός εργασιών, από την άποψη της χρονικής καθυστέρησης. Αυτή η προσέγγιση μεικτής στρατηγικής προγραμματισμου εργασιών είναι άκρως ενθαρρυντική, καθώς τα αποτελέσματα αποδεικνύουν την αποτελεσματικότητά της.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.