王方蘇,王高才,彭 穎

(廣西大學 計算機與電子信息學院,南寧 530004)

1 引 言

隨著移動設備的快速發(fā)展及廣泛應用,手機和PAD等移動終端已經(jīng)成為了人們聊天、娛樂和辦公的主要設備.然而,移動終端受其尺寸和能量的限制,始終存在計算能力弱、存儲空間小以及電池續(xù)航時間短等各類問題[1].因此,為了彌補移動終端的各種不足,將復雜的計算和存儲需求轉(zhuǎn)移到云端進行處理是移動云計算的必然趨勢.據(jù)統(tǒng)計,截至2017年,移動云流量已經(jīng)占整個移動流量的84%.而且根據(jù)IDC的預測,2020年全球移動數(shù)據(jù)總量將達40000 EB,年復合增長率達36%,移動云流量將占整個移動流量的94%;而中國互聯(lián)網(wǎng)數(shù)據(jù)流量增長速度更為突出,2020年中國互聯(lián)網(wǎng)數(shù)據(jù)流量將達8806 EB,占全球數(shù)據(jù)產(chǎn)量的22%,年復合增長率達49%1.這對移動終端和云端之間數(shù)據(jù)傳輸效率提出了巨大的挑戰(zhàn).一種較好的數(shù)據(jù)傳輸策略能節(jié)省移動終端的能耗,優(yōu)化和提升移動終端的性能.因此,本文在移動云計算中對移動終端和云端數(shù)據(jù)傳輸過程中的能耗進行優(yōu)化,提出一種基于最優(yōu)停止理論的優(yōu)化策略來降低移動終端的能耗,提高能量利用率,增加用戶體驗度,為促進移動云計算的發(fā)展打下堅實的基礎.

移動云計算的數(shù)據(jù)傳輸信道與傳統(tǒng)互聯(lián)網(wǎng)無線信道一樣,都是隨著時空的變化實時更新[2].若移動終端傳輸功率保持不變,則傳輸速率越大,相同時間內(nèi)被傳輸?shù)臄?shù)據(jù)量就越大,單位數(shù)據(jù)的平均能耗就越小.更進一步,移動終端若對無線鏈路的信道狀況持續(xù)觀測,進而選擇質(zhì)量好的時刻發(fā)送數(shù)據(jù)可以大大降低數(shù)據(jù)傳輸?shù)哪芎?

事實上,移動終端選擇信道狀況較好時刻傳輸數(shù)據(jù)的問題是一個分布式機會調(diào)度問題[3].我們可以用最優(yōu)停止規(guī)則求解該問題.最優(yōu)停止規(guī)則是決策者基于連續(xù)觀察到的隨機變量,以最大化報酬或最小化期望成本為目標,決定選擇一個合適的時刻以采取給定的行為.在學者們的研究中最優(yōu)停止理論解決了許多最優(yōu)化問題.例如,文獻[4]采用最優(yōu)停止理論研究自組織網(wǎng)絡中信息消耗的最優(yōu)調(diào)度問題.文獻[5]在移動網(wǎng)絡中利用最優(yōu)停止理論研究多個發(fā)送終端使用相同信道進行數(shù)據(jù)分發(fā)的能耗優(yōu)化問題.文獻[6]利用最優(yōu)停止理論獲得最優(yōu)中繼節(jié)點的最優(yōu)期望報酬,從而實現(xiàn)最優(yōu)能效路由策略.

在最優(yōu)停止規(guī)則問題中,我們的目標是在成本函數(shù)中找到傳輸速率最大時的一個停止規(guī)則,并以此刻速率來發(fā)送數(shù)據(jù)以最小化單位數(shù)據(jù)的平均能耗.本文主要研究移動云計算數(shù)據(jù)傳輸過程中的能耗優(yōu)化問題,提出基于最優(yōu)停止規(guī)則的數(shù)據(jù)傳輸能耗優(yōu)化策略.其具體研究思路如下:在給定的數(shù)據(jù)生成速率下,通過構(gòu)建具有多個應用的數(shù)據(jù)傳輸隊列模型,在基于所選應聘者的絕對名次均值最小的秘書問題,提出放過k個應聘者后見優(yōu)則錄的規(guī)則,對傳輸過程中的能耗,延時等綜合考慮,最小化單位數(shù)據(jù)的平均能耗.

本文的組織結(jié)構(gòu)如下:第2節(jié)介紹相關研究工作;第3節(jié)闡述系統(tǒng)模型及相關理論;第4節(jié)討論基于最優(yōu)停止理論的期望能耗最小化優(yōu)化策略;第5節(jié)進行仿真實驗并分析實驗結(jié)果;最后第6節(jié)總結(jié)全文并討論下一步的研究工作.

2 相關研究工作

近年來,在移動云計算數(shù)據(jù)傳輸過程中如何降低移動終端和云端能耗吸引了大量學者們的研究.研究者們主要關注兩個方向:一是在移動終端和云端優(yōu)化數(shù)據(jù)模型降低能耗;二是在數(shù)據(jù)傳輸過程中優(yōu)化算法降低能耗.

在移動終端和云端能耗優(yōu)化的研究中,文獻[2]構(gòu)建了一個云協(xié)助移動平臺.基于該平臺,移動應用程序可以在移動端執(zhí)行,也可以在云端執(zhí)行.當在移動終端執(zhí)行程序時,通過調(diào)節(jié)CPU頻率優(yōu)化能耗;當在云端執(zhí)行程序時,通過優(yōu)化數(shù)據(jù)傳輸率來最小化能耗.文獻[7]提出一種協(xié)作移動云系統(tǒng).該系統(tǒng)形成多個UE(User Equipment)聯(lián)盟并接收來自基站請求的部分數(shù)據(jù),然后相互交換各自接收的數(shù)據(jù),大大節(jié)約了時間成本和能耗開銷.文獻[8]對于移動終端數(shù)據(jù)卸載提出一個聯(lián)合協(xié)作和信道選擇框架,以合作的方式執(zhí)行數(shù)據(jù)卸載到云端;并用馬爾可夫近似法設計一個分布式信道選擇算法,使得每個移動終端都能自行組織成沒有整網(wǎng)信息交換的穩(wěn)定結(jié)構(gòu),且僅在相同信道實現(xiàn)移動設備之間的數(shù)據(jù)交換.文獻[9]提出一個聯(lián)合卸載模型.移動設備可以在本地執(zhí)行任務,將任務卸載給其他移動設備或者按照模型控制器的分配將任務直接傳輸?shù)皆贫藞?zhí)行;而且通過指紋技術描述各個任務的相似度,移動設備可以相互共享相似任務的計算資源,達到緩解數(shù)據(jù)流量壓力及減少移動終端能耗的目的.文獻[10]在能源匱乏和數(shù)據(jù)匱乏的移動設備之間進行聯(lián)合協(xié)作來共享資源.移動設備將計算任務卸載到云端時,能量匱乏且具有能量收集模塊的移動設備通過能量分割策略從數(shù)據(jù)匱乏的移動設備中收集能量,而且能量匱乏的移動設備也會幫助數(shù)據(jù)匱乏的移動設備進行計算.

在移動云計算數(shù)據(jù)傳輸過程能耗優(yōu)化的研究中,文獻[11]提出了一種應用層自適應傳輸協(xié)議.該協(xié)議使用隨機優(yōu)化框架,通過一種低復雜度和低開銷的在線算法來決定無線連接是否是高效的.對于是否高效能,本文并不設定閾值來判斷,而是在實現(xiàn)多應用能量延時平衡中自適應做出傳輸決策.文獻[12]提出一種新穎的數(shù)據(jù)傳輸優(yōu)化算法:DTM算法.本文在云端和移動終端的中間增加了代理服務器層,該層負責處理移動終端的請求和來自云端的響應;DTM算法通過并行處理和緩存技術優(yōu)化傳輸任務,在保證數(shù)據(jù)傳輸質(zhì)量的情況下,有助于減少移動設備的能耗和用戶的等待時間.文獻[13]提出了一種新穎的在線預取技術,該技術將預測和預取在一個時間周期內(nèi)同時進行,實時預測數(shù)據(jù),避免預取大量不需要的數(shù)據(jù).文獻[14]基于單用戶MCO(Mobile computation offloading)系統(tǒng),提出了一種在線預取技術.該技術在程序運行時,將任務級的計算預測與實時預取無縫集成在一起,當數(shù)據(jù)被執(zhí)行的可能性超過閾值時,就預取將要使用的數(shù)據(jù),并且數(shù)據(jù)預取的規(guī)模隨著數(shù)據(jù)被執(zhí)行的可能性線性增長.文獻[15]基于李雅普諾夫優(yōu)化,在移動終端和云端數(shù)據(jù)傳輸過程中提出了一種新的高效能的數(shù)據(jù)傳輸策略.該策略在滿足時間延時情況下,在信道狀態(tài)良好的時刻主動自適應地抓取頻繁使用的數(shù)據(jù),避免在信道狀態(tài)不佳時刻取數(shù)據(jù)造成不必要的能量消耗.文獻[16]從用戶的角度對能耗和延時折中優(yōu)化.該文考慮三個QoE(Quality of Experience)域,推導出包含能量和延時的QoE感知成本函數(shù),提出一個高效的近似動態(tài)程序優(yōu)化算法.文獻[17]在霧計算系統(tǒng)中,利用排隊論深入研究能耗、延時和支付成本在數(shù)據(jù)卸載過程中的聯(lián)合優(yōu)化.分別對移動終端,霧端和云端建立不同的隊列模型,使用標量化方法,將多目標優(yōu)化問題轉(zhuǎn)化成單目標優(yōu)化問題,從而達到降低移動終端能耗的目的.

綜上所述,研究者們雖然對移動云計算的移動終端和云端及數(shù)據(jù)傳輸過程中的能耗進行優(yōu)化,但并沒有綜合考慮數(shù)據(jù)動態(tài)到達和延時等因素.所以本文基于最優(yōu)停止理論,綜合考慮能耗、帶寬和延時等因素,在數(shù)據(jù)動態(tài)到達的前提下,最小化傳輸單位數(shù)據(jù)的平均能耗.

3 系統(tǒng)模型及相關理論

3.1 系統(tǒng)模型

本文對移動云計算中移動終端和云端數(shù)據(jù)傳輸過程中的能耗進行優(yōu)化.假設移動終端同時有M個應用需要傳輸數(shù)據(jù)到云端,我們建立的數(shù)據(jù)傳輸隊列模型如圖1所示.

圖1 基于隊列的數(shù)據(jù)模型Fig.1 Queue-based data model

3.2 放過k個應聘者后見優(yōu)則錄的秘書問題

一個停時t是一個隨機變量,t取值于{1,2,…,n}.并且{t=n}∈σ{y1,y2,…,yn}.這表明何時停止偵測信道取決于持續(xù)觀察的結(jié)果.經(jīng)理在選擇一個應聘者時,總希望能帶來最大的報酬.對于使錄用到應聘者的絕對名次的均值最小這一標準 (實際中“最好”的標準是很難求解的,所以我們選取的應聘者是平均最優(yōu)者),取報酬函數(shù)Xn=-E(an|Jn),n=1,2,…,N.對任意停止規(guī)則t,EXt=-E(at),這里E(at)為平均絕對名次,于是按這一標準的問題就是:

maxEXt=-E(at)

(1)

于是,使錄用到應聘者的絕對名次的均值最小這一標準的最優(yōu)停止規(guī)則是:

s=inf{n≥1:yn≤sn}

(2)

其中,

(3)

(4)

(5)

由于這一標準存在局限性:

1)依賴于N且敏感;

2)規(guī)則復雜,不變應用;

3)沒有考慮時間成本.

所以本文采用放過k個應聘者后見優(yōu)則錄的規(guī)則,使錄用到應聘者的平均絕對名次的均值最小.即先面試k個應聘者不錄用,從第k+1個應聘者開始,見到比前面k個應聘者都優(yōu)秀的(絕對名次小于前k個應聘者)就錄用,否則面試下一個,直到最后一名.

4 數(shù)據(jù)傳輸能耗優(yōu)化策略

4.1 能耗最小化問題的構(gòu)建

基于上節(jié)的數(shù)據(jù)傳輸模型,若移動終端的傳輸功率為P,則應用m進行一次數(shù)據(jù)傳輸?shù)哪芎臑镻·t.假設應用m一輪信道偵測的次數(shù)為N,則一輪信道帶寬偵測和數(shù)據(jù)傳輸?shù)目偰芎臑?EmN=N·ED+P·t.

(6)

定義能耗效率ζ為M個應用傳輸單位數(shù)據(jù)的平均能耗:

(7)

若移動終端在連續(xù)觀察N次信道后獲得最小單位數(shù)據(jù)平均能耗,則N為最優(yōu)停止時間.因為移動終端最少偵測一次信道帶寬,所以最優(yōu)停止時間N≥1.待傳輸數(shù)據(jù)的最大傳輸延時為Dm.定義Z=?Dm/τ」,則有1≤n≤N≤Z.

4.2 能耗最小化秘書問題的求解

我們的目標是使移動終端到云端數(shù)據(jù)傳輸過程中的平均能耗最小,即選擇傳輸速率最大的時刻傳輸數(shù)據(jù).本節(jié)中,我們要對放過k個應聘者后見優(yōu)則錄的規(guī)則進行求解得到最優(yōu)k值并證明所求k值為最優(yōu)值.

引理1.當1≤k≤N-1,k+1≤s≤N時,有:

(8)

引理2.當1≤k≤N-1,k+1≤s≤N,r≠1時,有:

(9)

證明:設E(k)為應聘者的平均絕對名次,則:

在和式中將r和s換位得:

(10)

令:

(11)

(12)

(13)

所以:

(14)

即有:

(15)

移動終端每隔周期T進行一次信道偵測,進行k次偵測后,當偵測到當前時刻的速率r大于之前的任一速率值時,移動終端停止偵測并發(fā)送數(shù)據(jù)到云端,否則,繼續(xù)偵測.若移動終端對前Z-1次偵測都沒有傳輸數(shù)據(jù),則在偵測時間達到最大偵測次數(shù)Z時,必須發(fā)送數(shù)據(jù).移動終端按照該策略不斷進行信道偵測和數(shù)據(jù)傳輸,進而減少數(shù)據(jù)傳輸過程中的能耗.

5 仿真結(jié)果與分析

本節(jié)中,我們通過仿真實驗研究對所提策略和相關文獻策略在單位數(shù)據(jù)平均能耗、能耗效率和偵測效率三個方面進行比較,證明我們所提策略的適用性.

數(shù)據(jù)在無線信道傳輸過程中的衰落是小尺度衰落,其衰落模型通常被模擬為Rayleigh分布和Rician分布.實驗中,我們在兩種衰落模型的模擬環(huán)境中進行仿真實驗,其實驗參數(shù)值見表 1.

表1 仿真實驗參數(shù)值
Table 1 Parameter value of simulation experiment

參數(shù) 描述取值W帶寬[MHz]1N0噪聲功率譜密度[W/Hz]10-6σ2信道增益方差相關值1g信道增益0～4P傳輸功率[mW]100A主信號幅度的峰值1

本文基于最優(yōu)停止理論的秘書問題提出了放過k個應聘者后見優(yōu)則錄的最優(yōu)傳輸策略(Optimal Transmission Strategy based on Secretary Problem,OTSSP),并與另外兩種相關文獻策略作對比.其中,另外兩種做比較的策略分別是:

1)越快越好機制(The Sooner The Better,TSTB):移動終端在第一次偵測信道后就發(fā)送數(shù)據(jù);

2)隨機傳輸策略(Random Transmission Strategy,RTS):移動終端以均等概率1/Z從最大傳輸延時Dm的Z個時鐘中隨機選擇某一時刻進行數(shù)據(jù)傳輸.

為了兼顧平均能耗和最大傳輸延時等因素,根據(jù)文獻[3],在實驗中我們對移動終端最大應用數(shù)目M取值5;數(shù)據(jù)生成速率c取值10×102bps;數(shù)據(jù)偵測周期T取值1s;數(shù)據(jù)傳輸時間τ取值0.9s;數(shù)據(jù)傳輸延時Dm取值10s;數(shù)據(jù)偵測能耗ED取值1×10-8J.本實驗中,我們考慮最大應用數(shù)目M、數(shù)據(jù)生成速率c和數(shù)據(jù)傳輸延時Dm變化時對單位數(shù)據(jù)平均能耗,能耗效率和偵測效率的影響.其中變化的因素M取值范圍1～10;c取值范圍1×102～15×102bps;Dm取值范圍1～15s.

5.1 平均能耗

平均能耗反映成功傳輸?shù)臄?shù)據(jù)中每比特數(shù)據(jù)所消耗的能量(包括信道偵測能耗ED和數(shù)據(jù)傳輸能耗Pt).

圖2給出Rayleigh分布和Rician分布下不同M變化時三種策略的平均能耗對比結(jié)果.從圖2觀察到,Rician分布的每種策略平均能耗小于Rayleigh分布的對應策略平均能耗.隨著M值增加,OTSSP策略的平均能耗相比其他兩種策略在相同M值時都是最小的,能效都是最優(yōu)的,且平均能耗增長速率最緩慢;TSTB策略因不考慮能耗因素直接傳輸數(shù)據(jù),所以平均能耗值最大,能效最差.

圖2 不同M變化時的平均能耗對比Fig.2 Comparison of average energy consumption in different M changes

圖3給出Rayleigh分布和Rician分布下不同c變化時三種策略的平均能耗對比結(jié)果.其中OTSSP策略和RTS策略平均能耗值在Y軸左側(cè)顯示,TSTB策略平均能耗值在Y軸右側(cè)顯示.從圖3觀察到,在Rayleigh和Rician分布中,隨著c值增大,OTSSP策略和RTS策略的平均能耗值分別沒有太大變化;而TSTB策略在兩種分布中平均能耗值變化明顯,且在Rician分布中能耗值較小.兩種分布中,隨著速率c的增加,三種策略中每比特數(shù)據(jù)能耗值都是越來越小.在速率小于5×102bps時,三種策略能耗值呈指數(shù)分布減少;在速率大于5×102bps時,三種策略能耗值無限接近于0,但始終不會等于0.由于數(shù)據(jù)在信道狀況良好時刻傳輸,數(shù)據(jù)傳輸速率大于數(shù)據(jù)生成速率,沒有大量數(shù)據(jù)因超時傳輸而丟失,所以單位數(shù)據(jù)平均能耗值逐漸減少.TSTB策略能耗效率明顯差于另外兩種策略是因為,TSTB策略在第一次可傳輸時刻就傳輸數(shù)據(jù),此時刻的信道狀態(tài)往往不理想,傳輸?shù)臄?shù)據(jù)量較少,當傳輸數(shù)據(jù)量等于其他兩種數(shù)據(jù)量時,必然消耗更多的能量.

圖3 不同c變化時的平均能耗對比Fig.3 Comparison of average energy consumption in different c changes

圖4給出Rayleigh分布和Rician分布下不同Dm變化時三種策略的平均能耗對比結(jié)果.從圖4觀察到,在兩種分布中,OTSSP策略平均能耗最低,能效最佳.且OTSSP策略和RTS策略因數(shù)據(jù)傳輸時刻與Dm有關,平均能耗值隨著Dm的增加呈減少趨勢.這是因為當Dm增大時,生成的數(shù)據(jù)有更多的機會在最大延時之前傳輸?shù)皆贫?單位數(shù)據(jù)消耗的能量減少,所以平均能耗呈減少趨勢.當時延Dm大于25s時,每比特數(shù)據(jù)消耗能量無限接近于0,但不會等于0,此時雖然平均能耗較低,但用戶體驗度不佳.

圖4 不同Dm變化時的平均能耗對比Fig.4 Comparison of average energy consumption in different Dm changes

5.2 能耗效率

能耗效率η反映數(shù)據(jù)傳輸時間內(nèi)每單位時間所消耗的能量(包括偵測信道時間T和數(shù)據(jù)傳輸時間t).能耗效率η越小,表明該策略單位時間內(nèi)消耗的能量越少.

圖5給出Rayleigh分布和Rician分布下不同M變化時三種策略的能耗效率η值對比結(jié)果.從圖5觀察到,在兩種分布中,三種策略的最大應用數(shù)目M和η值呈線性增長關系,OTSSP策略η值最低,TSTB策略因不考慮能量因素,η值最大.同時,隨著M值增大,OTSSP策略η值增長最緩慢.這表明當大量數(shù)據(jù)同時傳輸?shù)皆贫藭r,OTSSP策略能耗率增長緩慢,具有更好的實驗效果,奠定了移動云計算快速發(fā)展的基礎.

圖5 不同M變化時的能耗效率對比Fig.5 Comparison of energy efficiency in different M changes

圖6給出Rayleigh分布和Rician分布下不同c變化時三種策略的能耗效率η對比結(jié)果.因為三種策略在一張圖中無法清晰表示變化幅度,所以OTSSP策略單獨作為一張圖顯示;且(b)圖和(d)圖中TSTB策略的能耗效率值在Y軸左側(cè)顯示,RTS策略的能耗效率值在Y軸右側(cè)顯示.從圖6觀察到,三種策略的能效值在Rician分布中分別優(yōu)于Rayleigh分布中的能效值.隨著數(shù)據(jù)生成速率c的增大,Rayleigh分布中,OTSSP策略的η值集中在0.0497～0.05,TSTB策略的η值集中在0.328～0.332,RTS策略的η值集中在0.078～0.0784;Rician分布中,OTSSP策略的η值集中在0.0462～0.0465;TSTB策略的η值集中在0.1842～0.1846;RTS策略的η值集中在0.0780～0.0784.即本文提出的OTSSP策略能耗效率最低,單位時間內(nèi)消耗的能量最少,節(jié)能效果最好.OTSSP策略通過偵測前k次信道速率,從第k+1次偵測開始,見到比前k次信道速率都大時刻就停止偵測并發(fā)送數(shù)據(jù),從而大大提高數(shù)據(jù)傳輸速率和能量利用率.

圖6 不同c變化時的能耗效率對比Fig.6 Comparison of energy efficiency in different c changes

圖7給出Rayleigh分布和Rician分布下不同Dm變化時三種策略的能耗效率η對比結(jié)果.從圖7觀察到,OTSSP策略和RTS策略在Dm等于1時,能耗效率值相同.因為OTSSP策略和RTS策略的數(shù)據(jù)傳輸時刻與Dm有關系,故隨著Dm增大,累計的數(shù)據(jù)量增多,移動終端在良好信道狀況時傳輸?shù)臄?shù)據(jù)量增多,OTSSP策略和RTS策略η值逐漸減小且OTSSP策略η值小于RTS策略η值.TSTB策略的傳輸時刻因與Dm無關,故η值隨著Dm增大無減少趨勢,且Rayleigh分布中,其能效值在0.33上下浮動,Rician分布中,能效值在0.18上下浮動.

圖7 不同Dm變化時的能耗效率對比Fig.7 Comparison of energy efficiency in different Dm changes

5.3 偵測效率

偵測效率ε反映數(shù)據(jù)傳輸過程中,實際偵測次數(shù)占總偵測次數(shù)的比重.對于OTSSP策略,每輪數(shù)據(jù)傳輸總偵測次數(shù)為Z;而TSTB策略和RTS策略每輪只需進行一次數(shù)據(jù)偵測就傳輸數(shù)據(jù)(不考慮該次數(shù)據(jù)傳輸速率),故實際偵測次數(shù)等于總偵測次數(shù),即偵測效率始終為1.

圖8反映了OTSSP策略在不同M、c和Dm變化時的偵測效率.從圖8中觀察到,隨著M的增加,OTSSP策略偵測效率呈現(xiàn)波動式穩(wěn)定.Rayleigh分布和Rician分布的偵測效率隨著c值的增大分別在0.588和0.584上下波動.且在M和c變化時,Rician分布偵測效率均優(yōu)于Rayleigh分布偵測效率.隨著傳輸延時Dm的增大,偵測效率呈現(xiàn)鋸齒狀減少.這是因為隨著Dm的增大,總偵測次數(shù)Z=?Dm/τ」變大,而實際偵測次數(shù)增長速率小于總偵測次數(shù)增長速率,故偵測效率逐步減小.

圖8 OTSSP策略的偵測效率Fig.8 OTSSP Detection efficiency

6 結(jié) 論

近幾年,普適化智能終端、泛在化網(wǎng)絡技術以及新型網(wǎng)絡應用和服務日新月異的發(fā)展,使得以集中式計算和存儲為根本性特征的云計算模式難以普遍適應諸多的技術和應用場景的需要.為了克服云計算的局限性,霧計算、移動邊緣計算以及邊緣計算等近端云計算模式相繼被提出并日益受到關注.這些計算模式雖然名稱不一,但是其基本思想都是對云計算進行擴展,即都是試圖將云計算中心的設備部署在物理或邏輯上距離終端和用戶較近的邊緣路由器、移動基站或者服務器上,從而利用這些較近的基礎設施所擁有的計算和存儲等資源來完成終端和用戶想要完成的計算、存儲和網(wǎng)絡等各類任務.因為這些附近的基礎設施一般具有更低的延遲,所以任務的響應時間可以很大程度上被降低,相應的也就可以提高用戶的體驗[18].而且,移動終端和云端之間的數(shù)據(jù)不再進行較長距離的傳輸,數(shù)據(jù)傳輸?shù)哪芎膶艽蟪潭鹊販p少.因此,這些近端云計算模式可大大節(jié)省能耗,提高能量利用率.

進而,我們下一步的工作是在一種或幾種近端云計算模式下研究數(shù)據(jù)生成速率動態(tài)變化時的能耗優(yōu)化策略.