[发明专利]一种可再生自适应计算卸载分层服务质量优化方法

权利要求书

1.一种可再生自适应计算卸载分层服务质量优化方法，其特征在于采用分层QoS优化方法，设计一个对于给定目标系统和一组实时应用程序，在终端设备层通过连续进行应用级和组件级的能量分配产生本地调度，并在雾层通过可再生自适应计算卸载导出最优的本地-远程调度解决方案，其具体优化包括以下步骤：

步骤1：构建应用程序模型、QoS模型和能量模型的雾计算系统架构；

步骤2：在终端设备层的第一阶段，使用基于博弈论的应用级能量分配，将终端设备的能量供应分配给本地执行的应用程序；

步骤3：使用基于MILP的组件级能量分配，将步骤2应用程序生成的能量供应分配给传感器、MPSoC和数据收发器，并在截止日期限制下最大化应用程序在本地执行的QoS；

步骤4：在雾层的第二阶段，判断是否需要触发应用程序的计算卸载，将生成的本地调度解决方案增强到最优的本地-远程调度解决方案，如果应用程序的远程执行增益高于其本地执行增益，则应用程序将其在第一阶段中收集的输入数据从本地终端设备转发到远程雾化服务器并且询问雾化服务器而不是终端设备执行其所有任务，除了用于维持计算卸载的必要能量之外，应用程序将释放终端设备在第一阶段分配的所有能量，然后利用释放的能量来增强仍然选择在终端设备上本地执行的这些应用的QoS；

步骤5：分配结束；

所述步骤1中的应用程序模型按下述步骤构建：

步骤A1：设有N个用户U＝{U₁,U₂,…,U_N}，A＝{A₁,A₂,…,A_N}表示由N个用户提交的应用集，其中与用户U_i相关联的应用A_i具有期限D_i，1≤i≤N，应用集A是基于帧的，并且帧大小也称为调度范围由给出，应用程序A_i由ξ_i个独立任务组成所有任务共享具有总量I_i的输入数据；

步骤A2：任务τ_i,m在逻辑上分为强制部分和可选部分，1≤m≤ξ_i，强制部分包含常量执行周期M_i,m必须完全完成产生基本可接受的结果，可选部分包含最大执行周期O_i,m，可以不完全完成以增加基本结果；

步骤A3：引入变量α_i,m∈[0,1]，其表示执行的可选循环与任务τ_i,m的总可选比率，所述任务τ_i,m实际执行长度按下述a式计算：

l_i,m＝M_i,m+α_i,m×O_i,m a；

所述步骤1中的QoS模型按下述步骤构建：

步骤B1：在应用程序A_i在终端设备上本地执行的情况下，其QoS被表示为成功发送的输出数据总量，由本地执行应用程序A_i生成的输出数据总量由下述b式表示为：

所述QoS由下述c式表示为：

其中：β_i表示成功发送的输出数据量与生成的输出数据总量的比率；

步骤B2：在雾化服务器S上远程执行应用程序A_i的情况下，其QoS表示为应用程序中所有任务的输出数据总量，应用程序A_i的QoS由下述d式表示为：

其中：是远程执行应用程序A_i的所有任务产生的输出数据总和；是通过远程执行任务τ_i,m生成的输出数据量；

步骤B3：应用程序A_i的QoS由下述e式表示为：

其中：δ_i∈{0,1}是二元决策变量；

步骤B4：当应用程序A_i决定将其计算转移到雾化服务器时，δ_i被设置为0；否则，将δ_i设置为1，因此，在调度范围[t,t+H]期间实现的系统QoS由下述f式计算为N个应用所获得QoS的总和Q：

所述步骤1中的能量模型按下述步骤构建：

步骤C1：由下述g式计算调度范围[t,t+H]期间可再生能源的收获能力P_harv(t)：

步骤C2：由下述h式计算调度范围[t,t+H]期间终端设备总可用能量

其中：表示能量存储模块在时间t时提供的能量供应；

步骤C3：由下述i式计算传感器、MPSoC和数据收发器的总能量消耗

其中：为传感器能量消耗；为MPSoC能量消耗；或为数据收发器能量消耗；

所述其中：P_sen为传感器总能量消耗，如果应用程序A_i在终端设备的本地执行，则是将应用程序A_i的输出数据从终端设备发送到雾化服务器所消耗的能量；

所述其中：P_tra是数据收发器的功耗；表示数据收发器能耗；

所述如果在雾化服务器上远程完成应用程序A_i，则是将应用程序A_i的输出数据从终端设备发送到雾化服务器所消耗的能量；G处理器能耗由下述j式计算：

其中：P_g和C_g分别为G处理器的静态功耗和有效开关电容，两者是G处理器体系结构相关常数；Γ_i,g是任务集Γ_i的子集，且由分配给G处理器的这些任务组成，因此，在每个调度范围期间终端设备的整体能量消耗由下述k式计算：

所述步骤2具体包括下述步骤：

步骤D1：由元组{A,E,F}表述N个玩家合作游戏，其中：A＝{A₁,A₂,…A_N}是玩家组；

步骤D2：由表示合作游戏中涉及的N个应用可能达到的候选纳什议价协议的集合，其代表N个应用的初始协议，其中：为确保满足初始性能要求为应用A_i提供的最小能量供应；

步骤D3：由表示分配的能量供应的应用QoS功能的集合，并以下述l式制定能源分配博弈：

步骤D4：由下述n式将应用程序A_i的性能功能定义为应用程序通过提供的能量供应实现的近似QoS：

其中:是应用程序A_i在一个设备L执行应用程序A_i时产生单位量的QoS所消耗的能量；为能量供应；

步骤D5：给定能量供应预设设备L在调度时间范围[t,t+H]和N个应用的基本QoS的要求得出能量分配的最佳协议并由下述m_1-4式以最大化系统的QoS和各个应用的QoS优化的能量分配定义如下：

其中：为应用程序A_i为实现其初始性能要求而应分配给它的最小能量预算；为应用程序A_i在截止时间约束下最大化其自身QoS所需的最大能量供应；

步骤D6：将目标函数转化为典型的凸函数，即最小化验证原目标函数的约束集是凸的，并由下述o式的拉格朗日表示：

其中：ψ_i,ω_i是拉格朗日乘子，令一阶偏导得：

其中：为最佳拉格朗日乘子，最佳解决方案为

步骤D7：根据Karush-Kuhn-Tucker条件有：

其中，意味着在合作博弈后由应用程序A_i实现的性能等于其基本要求的特殊情况，而当时，则可得到由原始问题的对偶问题来获得，其对偶问题由下述p式表示为：

其中：s.t.ψ_i≥0；

步骤D8：如果其Hessian矩阵中每个元素非负，则函数是凸的，而即对偶问题的Hessian矩阵中每个元素非负，亦即对偶问题是凸的，有唯一的最优解；

所述步骤3包括以下变量的定义：

B_i,m为任务τ_i,m开始时间；α_i,m为任务τ_i,m可选执行因子；为传感器分配的能量；为任务执行分配的能量；为结果传输分配的能量；

如果在终端设备上本地执行的QoS，则应用程序的QoS不能超过其生成的输出数据的总量，通过将生成的输出数据的总量限制为完全传输，实际上是应用程序A_i实现的本地执行QoS其目标函数由下述q式表示：

并且满足如下约束条件：

将A_i,m,g∈{0,1}的整数约束放宽到A_i,m,g∈[0,1]，以此减少时间开销，为避免

违反的约束，将A_i,m,g与给定阈值A_thr进行比较，如果A_i,m,g≥A_thr成立，则A_i,m,g＝1；否则A_i,m,g＝0。

2.根据权利要求1所述可再生自适应计算卸载分层服务质量优化方法，其特征在于所述步骤4具体包括下述步骤：

步骤E1：在终端设备层进行QoS优化的第一阶段后获得一个最佳QoS集假设在没有雾服务器的帮助下所有N个应用都在终端设备L上本地执行；

步骤E2：在雾层的QoS优化的第二阶段，利用计算卸载的概念来重新定义并提高每个应用程序可能实现的QoS；

步骤E3：基于计算卸载指南，如果应用程序的远程执行增益高于其本地执行增益，则应用程序将触发计算卸载，即在保持应用程序A_i的能量和期限在约束范围内时，当时，应用程序A_i将其在第一阶段收集的输入数据从本地终端设备转发到远程雾化服务器上询问雾化服务器，而不是终端设备去执行其所有任务，并由下述r式进行更新终端设备L处理应用程序A_i所消耗的能量的计算：

得到能量供应和能量耗散之间的能量差为释放的能量；

步骤E4：将应用程序A_i释放的能量重新分配给那些不能满足并因此选择在终端设备L上执行的本地执行的应用程序是有利的，其结果不仅提高了应用程序A_i的QoS，还可以重新定义其他应用程序的QoS，从而增强整个系统的QoS；

步骤E5：将计算卸载标记δ_i初始化为1，并将QoS Q_i设置为每个应用程序A_i的本地执行QoS在在终端设备L的能量供应足够的情况下，即标记E＝1，则不需要执行计算卸载，因此直接返回每个应用在本地实现的QoS；相反，在终端设备L的能量供应不足的情况下，即标记E＝0，可能触发计算卸载，此时，初始化终端设备L的总能耗用于处理远程执行的应用程序；如果应用程序A_i选择在雾化服务器上远程执行，则计算时间开销检查应用程序A_i的所有可选执行周期是否完成，如果答案为否，则将标记λ_i置为1，然后计算能量消耗假设应用程序A_i在雾化服务器上执行，检查是否同时满足下述条件：

如果条件为真，则存在松弛时间使雾化服务器提高应用程序A_i的QoS；如果条件为真，则存在足够的能量将输入数据从终端设备转发到雾化服务器；如果条件λ_i＝1为真，则存在应用程序A_i的未完成的可选的执行循环；如果三个条件都为真，则条件成立，此时触发应用程序A_i的计算卸载，即将计算卸载标记δ_i更新为0，并导出可用于QoS增强的松弛时间

步骤E6：使用迭代更新任务的可选执行因子和应用QoS Q_i，当应用程序A_i的松弛时间耗尽时，更新能量消耗并且进行下一个应用程序的QoS的改善，对于仍然选择在终端设备上本地执行的这些应用，在某些应用的计算卸载到雾化服务器之后导出它们的可用能量供应并重新确定能量到应用和能量组件的分配，以增强本地执行QoS；最后，最优的本地-远程调度解决方案是更新每个应用程序中所有任务的可选执行因子，卸载标记集(δ₁,δ₂,…,δ_N)，应用QoS集(Q₁,Q₂,…,Q_N)。