绿色边缘计算中任务卸载与缓存策略研究

Edge computing, which can overcome the excessive communication delay in traditional cloud computing, and provide high-reliability, high-bandwidth and low-latency computing services for mobile devices, has become the forefront and hot spots of research. However, the large deployment of edge servers will bring about the problem of high energy consumption, which limiting the development and application of edge computing. Thus, with the goal of green edge computing, this project studies the task offloading and caching strategy of edge cloud under the power of renewable energy. Firstly, by analyzing the limitedness and heterogeneity computing capacity, and the dynamic of renewable energy supply for edge servers, we propose a task offloading strategy based on dynamic and adaptive renewable energy. Secondly, utilizing data analysis to predict the type of tasks and users’ mobility, we design a task caching strategy that dynamically matches with renewable energy. Finally, aiming at the complicated coupling between task offloading and caching, a collaborative optimization mechanism of task offloading and caching in green edge computing is designed. It is expected to provide theoretical support for the realization of green edge computing through this project. Moreover, an experimental platform is built to verify the effectiveness of the scheme, which provides technical support for the actual deployment of edge computing.

边缘计算能够克服传统云计算过高的通信延时，又能为移动设备提供高可靠、高带宽和低延时的计算服务，目前已成为研究的前沿和热点。然而，边缘服务器的大量部署将带来能量的高消耗问题，限制了边缘计算的发展和应用。为此，本项目拟以边缘计算的绿色可持续发展为目标，研究可再生能源供电下的边缘计算任务卸载与缓存策略。首先，通过分析边缘服务器计算存储能力的有限性、异构性以及可再生能量供给的动态性，提出面向可再生能量动态自适应的任务卸载策略；其次利用数据分析预测出任务的类型和用户移动性，设计与可再生能量动态匹配的任务缓存策略；最后针对任务卸载与缓存之间复杂的耦合关系，设计绿色边缘计算中任务卸载与缓存协同优化机制。预期通过本项目的研究，为实现绿色边缘计算提供理论支持，同时搭建实验平台验证方案的有效性，为边缘计算实际部署提供技术支撑。

在绿色边缘计算中，由于边缘环境的动态变化以及任务类型的复杂性，如何充分利用边缘云有限的通信、计算与存储资源进行任务的卸载与缓存是一个很大的挑战，为此，本课题提出了高效的任务卸载与缓存策略，保证用户服务质量的同时兼顾边缘云节能。主要研究工作如下：1) 认知驱动下云边协同的高效任务卸载策略。考虑到传统的任务卸载策略难以满足智能应用对延时、能耗和个性化的需求，通过引入资源认知引擎和数据认知引擎，实现对边缘云通信、计算与缓存资源的认知以及对智能服务应用的认知，基于此，提出了细粒度的任务卸载策略；2) 数据驱动下边缘智能任务缓存算法。通过对用户任务分析发现，任务缓存与时空分布不确定任务请求、任务大小以及计算量均相关，使得现有的边缘缓存算法难以适应，为此，通过在线学习算法，设计了数据驱动下的边缘智能任务缓存算法；3）面向多编码率视频边缘缓存与计算策略。为了充分利用边缘云有限且异构的存储和计算能力，以多编码率视频为研究对象，通过对视频数据的分析，发现了视频缓存与计算之间的关联效应，提出了利润最大化的视频缓存与处理策略，不仅保证了用户服务质量，而且实现了内容提供商的利润最大化；4）边缘任务缓存与负载调度协同优化方法。由于用户请求的动态性以及边缘云资源的有限性导致了边缘云负载的不均衡性，针对此问题，提出了任务缓存与负载调度协同优化策略，并设计了高效的求解算法。相比于传统的缓存策略，项目提出的缓存策略能够减少8%-10%的延时。项目在IEEE JSAC、TII、Network等国际一流期刊共发表和录用10篇学术论文，其中CCF推荐的A/B类学术论文4篇，并有2篇论文先后入选ESI高被引论文，申请中国专利1项，完成了项目预期目标。