云雾协同计算环境下基于时延约束的混合任务卸载研究

Task offloading based on cloud computing or fog computing is currently one of the research hotspots in the field of mobile computing. This project attempts to combine the advantages of cloud computing and fog computing, deal with the challenge of hybrid task offloading with cloud and fog computing collaboration under high dynamic network environments, heterogeneous resource environments and big data environments for delay-tolerant applications and delay-sensitive applications. We study the multi-granularity based adaptive application partitioning technology, the "terminal-fog-cloud" based hybrid task offloading decision-making technology, and the fog-cloud cooperation based offloading opportunity perception and channel fusion technology under delay constraints, aims at solving the problem of what computational tasks and data will be, at what point in time, through what channel and where to offload, and then achieves energy savings on mobile devices and in the meantime obtains better application performance. The research results of this project are of great significance to the rapid promotion of collaboration between mobile cloud computing and fog computing. With the continuous development of theory and methods of decision-making and thorough perception of the hybrid task offloading with cloud and fog computing, and further meets the application requirements on mobile devices, compensates for the lack of computing capacity and limited battery power.

基于云计算或雾计算的任务卸载是当前移动计算领域研究的热点。本项目以云雾协同计算为切入点，拟结合云计算和雾计算各自的优势，面向延迟可容忍性应用和延迟敏感性应用，解决高动态网络环境、异构资源环境以及大数据环境下的混合任务卸载难题。研究在时延约束条件下基于多粒度的自适应任务划分技术、基于“端-雾-云”的混合任务卸载决策技术以及基于云雾协同计算的卸载时机感知与渠道融合技术，旨在解决将哪些计算任务和数据、在什么时间点、通过何种渠道、卸载到哪里的问题，以达到移动设备上节约能耗的同时拥有较好的应用性能。本项目的研究成果对于快速促进移动云计算和雾计算的协作具有重要的意义。通过不断地改进和完善基于云雾混合的任务卸载决策和透彻感知理论和方法，从而进一步满足移动设备的应用需求、弥补其运算能力不足和电池电量受限的问题。

随着物联网应用和数据的爆炸式增长，用户对低延迟和低能耗的任务处理的需求变得愈发迫切。现阶段的主要矛盾是资源受限的移动终端设备与运行越来越复杂的应用任务之间的矛盾。本项目以云雾协同计算为切入点，解决在资源异构性、任务复杂性、网络中断性和海量数据传输等限制条件下任务卸载决策的难题。1）基于多粒度的自适应任务划分：设计了基于多粒度的动态自适应任务划分方案，实现在高动态移动环境中的最优任务分割；基于层合并上传算法获取DNN层的分割方案，提高DNN的查询性能；设计了“端-边-云”协同环境下的DNN模型划分和卸载策略，有效提高计算资源的利用率。2）基于“端-边-云”的混合任务卸载决策：提出了基于李雅普诺夫优化的延迟感知节能在线卸载算法，实现对有不同延迟截止时间的最优资源调度；提出了一种高效的Spark作业调度算法，优化本地和云资源的虚拟机使用成本；提出了基于遗传算法的任务缓存和计算卸载策略，联合优化车联边缘计算的服务时间和能耗；构建了基于深度元强化学习的卸载决策模型，实现不同环境下的快速初始化；提出了云雾协同计算环境下基于分布式深度学习的任务卸载决策算法，快速生成接近最优的卸载决策。3）基于云雾协同计算的卸载时机感知与渠道融合：设计了结合区块链和联邦学习的分布式卸载决策仿真平台，提高卸载决策模型在恶劣环境下的效率和安全性；设计了基于背包问题的任务卸载算法，以优化任务溢出情况下的卸载决策；提出了基于排队论的具有节能链路选择的混合任务卸载模型，充分利用不同类型的无线网络的优势来进行任务卸载。以上研究成果，对提高任务卸载的性能和降低能耗，促进“端-边-云”异构计算资源的有效融合，克服物联网设备资源严重受限、不能满足实际需求的瓶颈，实现复杂应用在资源受限的设备上的高效部署，具有现实的理论意义与应用前景。