CN105100500A - 基于移动云计算的临界数据卸载方法 - Google Patents

Abstract

本发明属于移动通信领域，尤其涉及移动云计算数据卸载。基于移动云计算的临界数据卸载方法，首先通过计算出云端虚拟机的运算能力，从而确定能否将数据传输到云端进行处理。而后，在截止时间已知的条件下，又通过蒙特卡罗估计方法，来估计临界数据量阈值，选择出最优的执行策略。本发明相比于只在手机端和云端进行选择处理，可以使得手机消耗的能量最小。

Description

基于移动云计算的临界数据卸载方法

技术领域

本发明属于移动通信领域，尤其涉及移动云计算数据卸载。

背景技术

随着云计算技术的不断发展，云计算的应用领域越来越广泛。同时，智能手机时代的到来，移动终端受制于受电池容量和材料等原因，移动设备的续航能力不足对于手机的发展和体验是个不小的瓶颈。云计算技术的应用，能够将终端的数据量计算发送到云端服务器上处理，再将处理后的数据返回终端，从而节省移动设备的电量。

为了解决这个问题，目前优化的研究点是：1)在离线状态下，通过固定的传输速率和传输功率，调度数据的执行方案；2)在动态实时的情况下，通过对任务进行实时的调度，选择最优传输方案。

发明内容

本发明针对现有技术的不足，提出在动态实时的情况下，在移动应用的截止时间内，基于临界数据阈值的方法，通过蒙特卡罗模拟的方法，估计出临界阈值，从而选择最优的调度策略，相比于只在手机端和云端进行选择处理，可以使得手机消耗的能量最小。

为了方便的描述本发明的内容，首先对本发明所使用的属于进行介绍：

截止时间：移动终端处理数据，应用程序等待完成的最短时间T；

云端运算能力：衡量云端虚拟机运算的指标γ；

传输功率：包含移动端从云端发送功率P_tp和接收功率P_rp；

临界阈值：一个数据量临界切换值，根据这个值来选择执行策略；

速率：包含移动端传输速率R_ts和接收速率R_rs。

本发明的技术方案为：

本发明首先通过计算出云端虚拟机的运算能力，从而确定能否将数据传输到云端进行处理。而后，在截止时间已知的条件下，又通过蒙特卡罗估计方法，来估计临界数据量阈值，选择出最优的执行策略。

基于移动云计算的临界数据卸载方法，包括如下步骤：

S1、移动终端开始执行移动程序，所述移动终端测量出需要执行的总的数据量的大小为λ；

S2、计算数据能够在云端卸载的最低运算指标其中，表示数据能够在云端卸载的最低运算指标，F_X(ρ)为关于X的分布函数，X的概率密度函数为所述f(w)服从Gamma分布，α、β为能耗因子，f为移动终端CPU的频率，U为移动终端CPU的上电电压，k表示CPU有效电容参数，k＝10^-11，参数ρ＝0.995表示数据执行成功的概率，X满足W＝LX，L表示CPU处理的数据量大小，W表示CPU处理L大小的数据量所需的周期数；

S3、若S2所述则转入S6，任务数据在移动端执行，若S2所述则转入S4，其中，γ为云端的运算能力；

S4、在不同的截止时间内，估计临界数据切换阈值

S5、选择最优的数据传输策略，若时，进入S6，若时，进入S7；

S6、任务数据都在移动端执行，并进入S8，消耗的能量为

S7、任务数据在移动端和云端并行执行,并进入S8，即将数据量分为两部分，在移动端执行的数据量为λ_m，在云端执行的数据量为λ_send，其中， ${\mathrm{\λ}}_{send}=\frac{\mathrm{\λ}\frac{1}{f}{F}_X^{-1}\left(\mathrm{\ρ}\right)-\frac{{\mathrm{\λ}}_{receive}}{R_{rs}}}{\frac{1}{R_{ts}}+\frac{1}{{\mathrm{\γfF}}_X\left(\mathrm{\ρ}\right)}+\frac{1}{f}{F}_X^{-1}\left(\mathrm{\ρ}\right)},$ λ_m＝λ-λ_send，消耗的能量为

$E_{ec}^{*}={\mathrm{kU}}^2{F}_X^{-1}\left(\mathrm{\ρ}\right)\mathrm{\λ}-\frac{\mathrm{\λ}\frac{1}{f}{F}_X^{-1}\left(\mathrm{\ρ}\right)-\frac{{\mathrm{\λ}}_{receive}}{R_{rs}}}{\frac{1}{R_{ts}}+\frac{1}{{\mathrm{\γfF}}_X\left(\mathrm{\ρ}\right)}+\frac{1}{f}{F}_X^{-1}\left(\mathrm{\ρ}\right)}\left({\mathrm{kU}}^2{F}_X^{-1}\right(\mathrm{\ρ})-P_{tp}\frac{1}{R_{ts}}-\frac{P_n}{{\mathrm{\γF}}_X\left(\mathrm{\ρ}\right)f})+\frac{{\mathrm{\λ}}_{receive}}{R_{rs}};$

S8、数据执行完成，返回S1更新需要处理的数据量λ，重新选择最优的执行策略。

进一步地，S4所述估计临界数据切换阈值采用蒙特卡罗估计方法，具体为：

S41、E_Local＝E_C，其中，表示在截止时间内移动端消耗的能量，

$\begin{array}{c}{E}_C=\underset{j=1}{\overset{x}{\mathrm{\Σ}}}\mathrm{\Φ}(j-1)x\mathrm{\Δ}\mathrm{\λ}\left({\mathrm{kU}}^2{F}_X^{-1}\right(\mathrm{\ρ}\left)\right)\\ -\frac{\underset{j=1}{\overset{x}{\mathrm{\Σ}}}\mathrm{\Φ}(j-1)x\mathrm{\Δ}\mathrm{\λ}\left(\frac{1}{f}{F}_X^{-1}\right(\mathrm{\ρ}\left)\right)-\frac{{\mathrm{\λ}}_{receive}}{R_{rs}}}{\frac{1}{R_{ts}}+\frac{1}{{\mathrm{\γfF}}_X\left(\mathrm{\ρ}\right)}+\frac{1}{f}{F}_X^{-1}\left(\mathrm{\ρ}\right)}\left({\mathrm{kU}}^2{F}_X^{-1}\right(\mathrm{\ρ})-P_{tp}\frac{1}{R_{ts}}-\frac{P_{send}}{{\mathrm{\γF}}_X\left(\mathrm{\ρ}\right)f})+\frac{{\mathrm{\λ}}_{receive}}{R_{rs}}\end{array}$

表示分别在移动端处理和云端处理所消耗的总能量，x表示在区间[0,n]内的一个随机变量整数，即表示单位时间内执行成功的数据量大小，Φ(x)表示数据执行成功的累积分布函数，所述Φ(x)可以根据历史数据统计得到，Δλ表示将数据量分为n份，每一份的数据量大小，λ_receive表示移动端接收到云端的数据量，n∈[0,n^*]，且j表示在每一份数据量在区间内的能耗因子，j∈[1,x]，且j为正整数；

S42、根据S41所述E_Local＝E_C解出

进一步地，S2所述α＝4，β＝200。

本发明的有益效果是：

本发明与现有的云计算卸载方法相比，更加适用于未来实时动态的云计算架构，采用数据量临界阈值的估计方法，经过仿真验证，使用最优执行策略的能耗要更小。

附图说明

图1是移动云计算数据卸载***框图。

图2是数据并行处理框图。

图3是通过三种方案处理数据量的能耗对比图。

具体实施方式

下面结合实施例和附图，详细说明本发明的技术方案。

以无线传感器在体域网的应用为例，移动云计算数据卸载***框图如图1所示。

假设的条件如下：

执行的数据量为λ，λ的取值范围是0～30Mbits，仿真中假设的数据包的量有10²，移动端的传输速率和传输功率都是按照4G(FDD-LTE)的标准，移动端采用高通1GHz，2G内存的CPU架构，截止时间分为三种情况，分别是10ms，30ms和50ms。

实施例：

步骤1、移动终端开始执行移动程序。此时，终端可以测量出需要执行的总的数据量的大小为λ。

步骤2、计算云端运算执行指标。数据要在云端执行，云端的运算能力γ须满足其中，表示数据能够在云端卸载的最低运算指标，F_X(ρ)表示关于X的分布函数，X的概率密度函数为该函数服从Gamma分布，α、β为因子，f、U分别表示移动终端CPU的频率和上电电压。

通过上式计算出值，与云端γ值进行比较。若云端的运算能力γ小于最低指标则跳到步骤5，任务数据在移动端执行；若云端的运算能力γ大于等于最低指标否则进入步骤3。

步骤3、估计临界数据切换阈值。利用蒙特卡罗估计方法，对数据量阈值进行估计。

E_Local＝E_C，其中，E_Local表示在截止时间内移动端消耗的能量，E_C表示将数据在移动端处理和云端处理消耗的总能量， $\begin{array}{c}{E}_{local}=\underset{j=1}{\overset{x}{\Σ}}\frac{\mathrm{\Φ}(j-1)x\mathrm{\Δ}\mathrm{\λ}}{V_m}{P}_a\\ =\underset{j=1}{\overset{x}{\Σ}}\frac{\mathrm{\Φ}(j-1)x\mathrm{\Δ}\mathrm{\λ}}{F_X\left(\mathrm{\ρ}\right)f}{P}_a\end{array},$ $\begin{array}{c}{E}_C=\underset{j=1}{\overset{x}{\mathrm{\Σ}}}\mathrm{\Φ}(j-1)x\mathrm{\Δ}\mathrm{\λ}\left({\mathrm{kU}}^2{F}_X^{-1}\right(\mathrm{\ρ}\left)\right)\\ -\frac{\underset{j=1}{\overset{x}{\mathrm{\Σ}}}\mathrm{\Φ}(j-1)x\mathrm{\Δ}\mathrm{\λ}\left(\frac{1}{f}{F}_X^{-1}\right(\mathrm{\ρ}\left)\right)-\frac{{\mathrm{\λ}}_{receive}}{R_{rs}}}{\frac{1}{R_{ts}}+\frac{1}{{\mathrm{\γfF}}_X\left(\mathrm{\ρ}\right)}+\frac{1}{f}{F}_X^{-1}\left(\mathrm{\ρ}\right)}\left({\mathrm{kU}}^2{F}_X^{-1}\right(\mathrm{\ρ})-P_{tp}\frac{1}{R_{ts}}-\frac{P_{send}}{{\mathrm{\γF}}_X\left(\mathrm{\ρ}\right)f})+\frac{{\mathrm{\λ}}_{receive}}{R_{rs}}\end{array},$ Φ(x)表示数据执行成功的累积分布函数，可以根据历史数据统计得到，Δλ表示将数据量分为n份，每一份的数据量大小，λ_receive表示移动端接收到云端的数据量。由E_Local＝E_C，可以解得数据量切换阈值对截止时间10ms，30ms和50ms，的值分别是0.8×10⁶bits，1.02×10⁶bits和1.5×10⁶bits。

步骤4、选择最优的数据传输策略。当时，进入步骤5，当时，进入步骤6。

步骤5、任务数据都在移动端执行，并进入步骤7。

步骤6、任务数据在移动端和云端并行执行,并进入步骤7。即将数据量分为两部分，一部分在移动端执行的数据量为λ_m，一部分在云端执行的数据量为λ_send， ${\mathrm{\λ}}_{send}=\frac{\mathrm{\λ}\frac{1}{f}{F}_X^{-1}\left(\mathrm{\ρ}\right)-\frac{{\mathrm{\λ}}_{receive}}{R_{rs}}}{\frac{1}{R_{ts}}+\frac{1}{{\mathrm{\γfF}}_X\left(\mathrm{\ρ}\right)}+\frac{1}{f}{F}_X^{-1}\left(\mathrm{\ρ}\right)},$ λ_m＝λ-λ_send。

步骤7、数据执行完成，返回步骤1。更新需要处理的数据量λ，重新选择最优的执行策略。

Claims (3)

1.基于移动云计算的临界数据卸载方法，其特征在于，包括如下步骤：

S1、移动终端开始执行移动程序，所述移动终端测量出需要执行的总的数据量的大小为λ；

S2、计算数据能够在云端卸载的最低运算指标其中，表示数据能够在云端卸载的最低运算指标，F_X(ρ)为关于X的分布函数，X的概率密度函数为所述f(w)服从Gamma分布，α、β为能耗因子，f为移动终端CPU的频率，U为移动终端CPU的上电电压，k表示CPU有效电容参数，k＝10^-11，参数ρ＝0.995表示数据执行成功的概率，X满足W＝LX，L表示CPU处理的数据量大小，W表示CPU处理L大小的数据量所需的周期数。

S3、若S2所述则转入S6，任务数据在移动端执行，若S2所述则转入S4，其中，γ为云端的运算能力；

S4、在不同的截止时间内，估计临界数据切换阈值

S5、选择最优的数据传输策略，若时，进入S6，若时，进入S7；

S6、任务数据都在移动端执行，并进入S8，消耗的能量为

S7、任务数据在移动端和云端并行执行,并进入S8，即将数据量分为两部分，在移动端执行的数据量为λ_m，在云端执行的数据量为λ_send，其中， ${\mathrm{\λ}}_{send}=\frac{\mathrm{\λ}\frac{1}{f}{F}_X^{-1}\left(\mathrm{\ρ}\right)-\frac{{\mathrm{\λ}}_{receive}}{R_{rs}}}{\frac{1}{R_{ts}}+\frac{1}{{\mathrm{\γfF}}_X\left(\mathrm{\ρ}\right)}+\frac{1}{f}{F}_X^{-1}\left(\mathrm{\ρ}\right)},$ λ_m＝λ-λ_send，消耗的能量为 $E_{ec}^{*}={\mathrm{kU}}^2{F}_X^{-1}\left(\mathrm{\ρ}\right)\mathrm{\λ}-\frac{\mathrm{\λ}\frac{1}{f}{F}_X^{-1}\left(\mathrm{\ρ}\right)-\frac{{\mathrm{\λ}}_{receive}}{R_{rs}}}{\frac{1}{R_{ts}}+\frac{1}{{\mathrm{\γfF}}_X\left(\mathrm{\ρ}\right)}+\frac{1}{f}{F}_X^{-1}\left(\mathrm{\ρ}\right)}\left({\mathrm{kU}}^2{F}_X^{-1}\right(\mathrm{\ρ})-P_{tp}\frac{1}{R_{ts}}-\frac{P_n}{{\mathrm{\γF}}_X\left(\mathrm{\ρ}\right)f})+\frac{{\mathrm{\λ}}_{receive}}{R_{rs}};$

S8、数据执行完成，返回S1更新需要处理的数据量λ，重新选择最优的执行策略。

2.根据权利要求1所述的基于移动云计算的临界数据卸载方法，其特征在于：S4所述估计临界数据切换阈值采用蒙特卡罗估计方法，具体为：

S41、E_Local＝E_C，其中，表示在截止时间内移动端消耗的能量，

$\begin{array}{c}{E}_C=\underset{j=1}{\overset{x}{\mathrm{\Σ}}}\mathrm{\Φ}(j-1)x\mathrm{\Δ}\mathrm{\λ}\left({\mathrm{kU}}^2{F}_X^{-1}\right(\mathrm{\ρ}\left)\right)\\ -\frac{\underset{j=1}{\overset{x}{\mathrm{\Σ}}}\mathrm{\Φ}(j-1)x\mathrm{\Δ}\mathrm{\λ}\left(\frac{1}{f}{F}_X^{-1}\right(\mathrm{\ρ}\left)\right)-\frac{{\mathrm{\λ}}_{receive}}{R_{rs}}}{\frac{1}{R_{ts}}+\frac{1}{{\mathrm{\γfF}}_X\left(\mathrm{\ρ}\right)}+\frac{1}{f}{F}_X^{-1}\left(\mathrm{\ρ}\right)}\left({\mathrm{kU}}^2{F}_X^{-1}\right(\mathrm{\ρ})-P_{tp}\frac{1}{R_{ts}}-\frac{P_{send}}{{\mathrm{\γF}}_X\left(\mathrm{\ρ}\right)f})+\frac{{\mathrm{\λ}}_{receive}}{R_{rs}}\end{array}$

表示分别在移动端处理和云端处理所消耗的总能量，x表示在区间[0,n]内的一个随机变量整数，即表示单位时间内执行成功的数据量大小，Φ(x)表示数据执行成功的累积分布函数，所述Φ(x)可以根据历史数据统计得到，Δλ表示将数据量分为n份，每一份的数据量大小，λ_receive表示移动端接收到云端的数据量，n∈[0,n^*]，且j表示在每一份数据量在区间内的能耗因子，j∈[1,x]，且j为正整数；

S42、根据S41所述E_Local＝E_C解出

3.根据权利要求1所述的根据权利要求1所述的基于移动云计算的临界数据卸载方法，其特征在于：S2所述α＝4，β＝200。