基于移动设备云迁移的节能决策算法(EPVAD)解剖.ppt

“ ” 2016 “ ” 基于移动设备云迁移的节能决策算法——EPVAD 师玉林 EPVAD 算法 EPVAD 算法是一种基于带宽期望估计的算法, 其核心思想: 比较任务在不同执行方式下的功耗期望, 采用其中功耗期望最小的方式执行任务。 主要方法是将功耗期望的比较转化为带宽阈值和带宽期望估计的比较. 算法主要可以分为 3 个部分: 1) 任务到达时, 根据任务的参数计算 3 个网络阈值; 2) 比较网络的局部区段, 估计出未来时段的网络带宽期望; 3) 比较计算出来的阈值和带宽期望估计值, 并做出决策。 主要参数 β（t）：无线网络带宽 γ：压缩单位数据所使用的执行时间 r ：数据压缩比 C ：任务执行时间 D ：任务的数据总量 Pl ：移动设备任务执行时功耗 Pl：移动设备数据压缩时功耗 Ptr：单位时间网络传输功耗 任务划分对应功耗 给定一个任务集合 T = {τ1, τ2, . . . , τn}, T 中的每个任务 τi在移动终端上的执行时间为 Ci, 数据总量 Di, 任务数据压缩比 ri. 每个任务按序执行, 并且在每个时刻网络接口只能发送一个任务的数据.在正常联网情况下, 当一个任务 τi就绪时, 移动终端在以下 3 种执行方式中作决策: 1）本地执行任务（M1） 功耗E1=Pl ·Ci 2）终端直接将数据发送到云端执行（M2） 功耗E2=Ptr·[Di/β（t）] 3）终端将数据压缩后发送到云端执行（M3） 功耗E3=Pl·γi·[Di·（1-ri）]+Ptr·Diri/β（t） 压缩的数据量 压缩后的数据总量 压缩用的时间 总功耗 对应每个任务τi都有一个决策向量 xi. 当任务在本地执行时, 对应的决策向量 xi= {1, 0, 0}; 相应地, 对于直接远端执行和数据压缩后远端执行, 分别有 xi= {0, 1, 0} 和xi= {0, 0, 1}。对应整个任务集，得到一个决策集Ψ。 Ψ={x1，x2，……,xn} 设对应的总功耗为Esum， Esum= [Pl ·Ci,Ptr·Di/β（t）,Pl·γi·[Di·（1-ri）]+Ptr·Diri/β（t）]·xiT 决策的数学模型 由上所述，任务τi的M1、M2、M3方式执行的功耗期望依次是： 决策与无线带宽期望大小的对应关系 当给定一个任务的参数时，可以计算得到 这 3 个值被称为带宽阈值。为了实现决策过程, 需要得到未来一段时间 E[β(t)] 的估计值, 并且与带宽阈值比较后, 完成决策过程. 网络带宽的估计 基于带宽期望局部性原理，引入局部区段的概念来估计 Ef[β(t)]的大小。即将网络数据划分成多个区间 (局部区段)，并根据局部区段预测未来一段时间的带宽期望。局部区段的确定涉及到两个参数：粒度参数 k 和阈值参数 p。粒度参数 k 作为局部区段组成的最小单位. 例如当 k = 3 时, 局部区段的大小为 3 的倍数。 局部区段的递归定义如下: 假设观察到 [t,t ’] 时刻的无线网络带宽值, 并且当前的局部区段为 Lc，检查从时间 t 开始的 k 个单位时间的网络带宽的期望值，如果这 k 个带宽的期望值与局部区段 Lc的期望值 Ec的差值在阈值 p 以内, 就认为这个观察到的无线网络带宽值属于 Lc, 并且将这 k 个带宽值加入 Lc, 重新计算 Ec；如果这 k 个带宽的期望值与当前局部区段的期望值的差值在阈值 p 以外, 那这 k 个网络带宽数据就构成一个新的局部区段并替换原来的局部区段, 替换后重新计算期望 Ec。 “ ” 2016 “ ”