边缘计算中计算资源和服务缓存约束下的依赖任务卸载策略研究.pdf

摘要

随着计算密集型和时延敏感型应用的普及，用户对资源的需求越来越高。然而，本

地设备受电池容量、计算和存储能力等限制，无法满足用户对时延和能耗需求。传统云

计算中，云数据中心距离本地设备较远，在交互过程中易造成高时延、高能耗。而近年

来出现的边缘计算是在距离用户较近的网络边缘侧部署计算和存储资源，从而可为本地

设备提供较充足的资源。本地设备可将时延敏感型和计算密集型应用所包含的任务卸载

到边缘服务器上执行，用以提升用户体验。因此，任务卸载技术受到了广泛关注，并取

得了大量的研究成果。

然而已有的卸载研究通常假设卸载的任务之间相互独立，忽略边缘服务器有限的计

算和存储资源。但在真实场景中，任务之间往往存在依赖关系，边缘服务器的计算和存

储资源是有限的，无法满足所有任务的需求。此外，应用程序之间依赖关系是普遍存在

的，其对任务卸载的影响也不容忽视，但很少有学者研究。基于上述分析，本文从单个

应用程序的依赖任务卸载和存在依赖关系的多个应用的任务卸载两方面进行了研究。

1)提出一种联合时延和能耗的依赖性任务卸载方法，解决了在边缘服务器计算资

源和服务缓存有限的约束下，权衡时延和能耗的单个应用程序中依赖性任务卸载问题。

首先，将该问题构建成最小化时延和能耗加权和（即总成本）的优化函数，并通过松弛

优化函数中变量将研究问题转换成凸优化问题进行求解。其次，提出一种计算任务优先

级的方法，获得每个任务的优先级。最后，按照任务优先级从高到低依次将任务卸载到

成本最小的边缘服务器。此外，通过改进的粒子群方法求解边缘服务器的最佳传输功率，

从而降低边缘服务器之间的传输时延和能耗。实验结果表明，所提方法比其他对比方法

在总成本上减少约8%至23%。

2)提出一种基于分布式的依赖应用卸载策略，解决了依赖应用程序的任务卸载问

题。首先，在边缘服务器计算资源和服务缓存有限的情形下，将依赖应用的任务卸载问

题解耦为任务卸载和资源分配问题，并进一步转化为凸优化问题。其次，利用Karush-

Kuhn-Tucker条件得到资源分配问题的最优解，并提出了一种计算任务优先级的方法。

该方法在执行期间迭代更新优先级，以便为每个任务做出最优的卸载决策。最后，实验

结果表明，与对比策略相比，提出的策略显著降低时延和能耗的加权总和。

关键词：边缘计算，任务卸载，依赖任务，服务缓存，凸优化

ABSTRACT

Withthepopularityofcomputation-intensiveandlatency-sensitiveapplications,usersdemandfor

resourcesisincreasing.However,localdevicesarelimitedbybatterycapacity,computingandstorage

capabilitiestomeetuserdemandsforlatencyandenergyconsumption.Intraditionalcloudcomputing,the

clouddatacenterisfarawayfromthelocaldevice,whichtendstocausehighlatencyandenergyconsumption

duringinteraction.Edgecomputing,whichhasemergedinrecentyears,deployscomputingandstorage

resourcesattheedgeofthenetworkclosertousers,thusprovidingmoreadequateresourcesforlocaldevices.

Localdevicescanoffloadtaskscontainedinlatency-sensitiveandcomputation-intensiveapplicationstoedge

serverstoenhanceuserexperience.Asaresult,taskoffloadingtechniqu