文献:FRATO: Fog Resource Based Adaptive Task Offloading for Delay-Minimizing IoT Service Provisioning
雾计算中雾节点以分布式方式卸载和处理从物联网设备请求的任务,以减少延迟,在具有高请求率的系统中,意味着雾节点中的任务队列很长,导致等待时间过长,违反延迟敏感应用程序要求。雾环境中的复杂异构程度,导致由于缺乏可用资源或有限的计算能力,许多单雾无法处理繁重的任务,在工作负载分布方式方面具有巨大挑战。
FRATO(雾资源感知自适应任务卸载):一个用于物联网雾云系统的框架,通过自适应任务卸载机制提供最小的服务供应延迟。
分布式雾资源分配算法:TPRA、MaxRU。来分配用于执行计算任务的雾资源。
基于FRATO的服务提供方法在降低具有高服务请求率和异构雾环境的系统中的平均延迟方面具有潜在优势。
位于物理物联网设备和云服务器之间的雾计算平台可以代表云服务器处理大多数服务请求,以提高服务延迟、工作负载平衡和资源利用率方面的系统性能。
任务卸载涉及任务共享机制和资源分配。
自适应卸载机制,该机制能够感知雾资源,从而做出最佳的上下文感知卸载决策。采用分而治之的概念,将任务划分为子任务,这些子任务可以由不同的有限资源雾节点并行执行,以减少总体处理延迟。
FRATO框架,以分析卸载策略,基于系统上下文自适应地选择最优卸载解决方案。优化三种可行的卸载策略。
雾中的全任务卸载、云中的全任务卸载、任务部门启用的雾中协作任务卸载。
基于粒子群优化PSO优化FRATO框架。
分布式雾资源分配:置信域策略梯度TPRA、MaxPU。以基于所获得的卸载策略导出任务雾资源映射。
雾服务放置问题(FSPP)。这些引入的模型将雾环境划分为雾群,每个雾群包括一个集中的雾控制节点和其他分布式雾单元。
每个雾单元代表一个可视化的雾节点,具有协调一组终端物联网设备的计算、网络和存储能力。优化FSPP确保了应用程序的需求满足,同时提高了雾资源的利用率,降低了执行成本。
通过利用低雾通信延迟来减少服务传输时间,从而进一步减少服务延迟。自适应框架,用于将任务卸载到最佳邻居卸载者或云。
通过在计算总任务延迟时考虑繁重的子任务和子任务处理结果的聚合,涵盖并克服了现有工作的这些限制。
我们提出的模型设计了一个优化问题,其目的是在异构雾环境和请求服务特性的一般意义上最小化服务提供延迟。
我们的工作还考虑了任务队列的状态,以分配用于执行任务的雾资源。我们的方案探索了任务划分概念,以处理雾环境在计算能力、存储和通信方面的复杂异质性导致的雾节点之间工作负载分布的不平衡。
单个任务可以分为两个子任务,以处理雾资源的异质性。因此,一个子任务由主雾本地处理,另一个子任务被卸载到最佳邻居雾或云。雾对雾F2F协作策略的主要目标是决定何时或在何处卸载子任务,以使平均延迟最小化。
通过自适应卸载方式来有效地执行不同的任务,例如应该划分或不划分任务,应该优化多少子任务。
我们的框架还利用动态主题为执行任务分配资源。此外,基于工作流模型,可以有效地规划任务进度,以克服资源耦合问题。
物联网雾云系统:物联网、雾、云层。
服务供应延迟:从雾接收服务请求到请求物联网节点接收响应所经过的时间间隔。
基于资源的可用状态来预先调度用于执行工作流的任务的顺序,使得总体服务延迟最小化。
集合中有两种类型的任务:数据通信和数据处理任务。第一类是指通过通信信道发送和接收数据的任务,而第二类是通过专用算法和软件执行数据的任务。
每对任务都存在数据依赖性或独立性。
雾环境中每个请求服务的最佳卸载决策由primary host分布式地做出,primary host是接收请求的雾节点。服务可以由primary host或其邻居通过卸载机制进行处理。
采用协作任务卸载方法,基于数据碎片概念,通过一组相邻异构雾节点实现分布式卸载。
数据碎片是指将一组数据大小划分为较小的部分以便于处理的过程。
一个完整的任务执行可以分为更小的子任务,这些子任务可以由不同的分布式雾处理。
雾节点包括主机及其邻居节点。
被称为服务主机和协作雾的雾节点可以参与执行工作流任务。
服务主机最终负责向请求物联网节点发送计算结果。
主机在执行最终任务之前需要充当一个卸载者自行处理整个输入数据;处理子任务;汇总所有任务输出。
主机可以是云或雾节点,因为雾层无法有效的处理数据。
primary host 只需要接收请求的输入数据。(雾节点)
协作雾只处理数据子集,因为输入数据是碎片化的。
有限资源雾的存在导致雾之间的工作负载分布不平衡,进而对延迟方面的系统性能产生负面影响。
高请求率可能会延长在计算能力方面有限的资源雾节点中的任务队列,并且存储可能无法处理整个服务输入数据。
受云租赁成本的限制,需要最大化雾资源的使用,从而最小化对云的依赖。
每个主主机都基于其雾群的可用资源和工作负载状态,以及计算数据的特性,以导出最佳卸载策略,从而提供最小的服务供应延迟。
最终目的是选择卸载者、主机和协作雾。
FRATO基于对可用雾资源的感知和计算服务的数据特性来制定最佳卸载策略,从而提供最小的服务供应延迟。
雾中最佳全任务卸载OFTOF
OFTO机制是为了寻找最佳卸载者和集群中的主机,从而使总延迟最小。
从OFTOF策略获得的最小服务延迟包括三个组件:卸载时间(将整个输入数据从主主机发送到被卸载者的时间)、处理时间(被卸载者处理数据所用的时间)和响应时间(将计算结果传输到IoT节点的时间)。
云上最佳全任务卸载OFTOC
随着请求率的增加,基于云的解决方案能够有效地与异构雾环境共享和平衡工作负载。
雾中最佳协作任务卸载OCTOF
由于资源不足,没有雾节点可以处理整个任务,可以将计算任务的输入数据划分为多个子任务。
四阶段:数据分段、子任务卸载、子任务结果聚合、服务响应。
设计工作流:指定了所有涉及的任务及其可能的处理顺序。
找到在雾和云计算资源上执行工作流的时间表:时间表的完工时间(服务供应延迟)最小化。
目标函数:
最小化服务供应延迟
限制:
粒子群优化(PSO),进化技术,模拟动物群在最佳位置移动的行为。
基于PSO的算法能够导出搜索空间中优化问题的一组可行解,其中包括提供最小服务延迟的最优解。
若出现雾(卸载者、协作雾、主机)资源不可用或不可靠通信丢弃资源分配请求,导致预期任务资源映射不可以,采用备选方案(次优解决方案)。
根据预期延迟和部署方案开销选择解决方案,更优选择使用较低开销的解决方案作为卸载方法。通过这种方式,解决方案的顺序用于表示决策阶段的优先级。
雾将资源分配请求提交给相关的邻居雾(卸载者、协作雾、服务主机),以便首先实现最佳解决方案。当第一个解决方案未部署时,将尝试执行集合中的第二个解决方案。如果失败,服务请求将最终转发到云。
雾节点可以同时接收用于执行不同任务的多个资源分配请求,其中一些请求可能会导致预期资源使用的重叠。
先来先服务机制处理请求时,当实现最佳解决方案的请求被拒绝时,会导致总体系统性能降低。因此,提出两种分布式资源分配算法,用于雾节点基于其自身的资源可用性状态和请求中包含的信息来处理资源分配请求。
物联网服务特点
输入数据类型:文本、音频、图像、视频
输出数据假设为:文本格式
系统配置
功能较弱的雾节点充当功能强大的雾节点的备用计算资源。
通信延迟和信道容量
传播延迟可以通过具有往返时间(RTT)来估计。
云端最佳卸载:将所有请求转发到云进行处理在减少延迟方面,被认为是最坏情况的方法。
建议卸载解决方案:TPRA、MaxRU
卸载策略:AFP、POMT、POST
AFP模式下,在雾层或云服务器中处理任务卸载请求由两个启发式参数决定,即雾卸载限制和雾等待时间阈值。
POMT算法中,接收多个卸载请求的辅助节点依赖于成本函数来决定接受或拒绝这些请求。POMT算法不知道雾资源的异质性和状态,大多数工作负载都由少量强大的雾处理,导致排队等候时间过长,增加服务延迟。
POST算法收敛点的延迟对于雾调整和更新其任务资源重新映射的成本(延迟)来说可能是密集的。
POMT和POST试图在不依赖云的情况下完成雾层中的所有任务。
基于云的解决方案(OFTOC)完全导致了最长的延迟,这是由于通信任务的延迟占主导地位,因为数据是从雾层远距离传输到远程云服务器的。
OFTOF利用数据源(物联网现场传感器)附近的计算站(雾)来减少平均延迟。
高请求率和高雾资源稀缺程度这两个参数,直接导致雾的任务队列增加。TPRA、MaxRU、AFP实现了较低的延迟。
基于FRATO的自适应卸载机制通过任务划分和雾之间相关的有效负载平衡,使雾景观能够托管和处理更多的服务。
基于FRATO的资源分配使系统能够实现划分任务的有效百分比,从而最小化上下文感知的总体服务延迟。
基于AFP的卸载策略中,整个任务由最佳邻居雾或云处理。与AFP相比,由水平(雾到雾)和垂直(雾到云)协作执行的最佳全任务卸载策略自适应任务划分和卸载使计算系统能够有效地响应计算资源稀缺和高服务请求率的情况。
任务分割并不适用于所有请求任务,因为增加子任务数量会导致任务资源映射延迟显著增加。POST可能会防止大量的整个任务被分割,以便在少量决策时隙内达到次优性能点。
采用自适应任务卸载,在基于FRATO的方案中划分大量任务,以有效利用功率较小的雾的可用资源来处理子任务。雾资源感知调度机制使所提出的算法能够减少任务资源映射的时间。
任务划分和相关的协作任务卸载被认为是平衡工作负载,减少TPRA、MaxRU、POST排队延迟的有效方法。
添加雾节点有助于提高系统性能,因为可以利用更多可用资源来共享工作负载,从而减少资源竞争。(TRPA、MaxRU)使用自适应任务划分来尽可能地利用可用雾资源,以并行子任务执行中获益,从而有效减少延迟。
PSO算法基于迭代机制,在确定的搜索空间内获得最优解,从而导致额外的延迟以达到全局最优。
算法的计算复杂性,在每次PSO迭代中,更新所有文章的位置和速度,并评估它们的适合度。
粒子数量N及其尺寸D决定了更新粒子位置和速度所需的计算次数。
复杂性取决于每个工作流中任务T的数量,以及用于任务资源映射的群体R中雾资源的数量。
粒子群优化(PSO)算法的缺点是在高维空间中容易陷入局部最优,并且在迭代过程中收敛速度低。然而,在我们的算法中,每个工作流包含少量任务,这些任务被进一步分配给最多四个雾资源。
FRATO的基础是获得一组有效的卸载策略,包括将计算任务映射到雾和云资源的最优和次优解决方案。基于这些卸载解决方案,开发了两种分布式资源分配机制(TPRA和MaxRU),以有效地处理资源使用的冲突,然后导出优化的任务资源映射。
自适应任务卸载策略,任务划分和相关的协作任务卸载技术被充分利用,以在以复杂的异构雾环境为特征的系统中实现低延迟性能。