بهبود تخصیص منابع در محاسبات لبه موبایل با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات و گرگ خاکستری
الموضوعات :
سیدابراهیم دشتی
1
(هیات علمی)
سعید شب بویی
2
(دانشگاه آزاد اسلامی)
الکلمات المفتاحية: بهبود تخصیص منابع, محاسبات لبه موبایل, الگوریتم بهینه‌سازی ازدحام ذرات, الگوریتم گرک خاکستری,
ملخص المقالة :
محاسبات لبه موبایل تجربه کاربران نهایی را برای دستیابی به خدمات مناسب و کیفیت خدمات بهبود می‌دهد. در این مقاله مسئله بهبود تخصیص منابع، هنگام بارگیری وظایف، براساس دستگاه‌های تلفن همراه به سرورهای لبه در سیستم‌های محاسباتی بررسی می‌شود. برخی وظایف به صورت محلی و برخی به سرورهای لبه بارگذاری و پردازش می‌شوند. مسئله اصلی این است که وظایف تخلیه‌شده برای ماشین‌های مجازی در شبکه‌های محاسباتی بصورت مناسب زمانبندی شوند تا زمان محاسبات، هزینه خدمات، اتلاف شبکه‌های محاسباتی و حداکثر ارتباط یک کار با شبکه به حداقل برسد. در این مقاله الگوریتم ترکیبی چند هدفه ازدحام ذرات و گرگ خاکستری برای مدیریت تخصیص منابع و زمانبندی وظایف برای دستیابی به یک نتیجه بهینه در شبکه‌های محاسبات لبه معرفی شد. جست و جوی محلی در الگوریتم ازدحام ذرات نتایج مناسبی را در مسئله دارد اما باعث از بین رفتن بهینه‌های سراسری خواهد شد، بنابراین در این مسئله به منظور بهبود مدل، از الگوریتم گرگ خاکستری به عنوان پایه اصلی الگوریتم پیشنهادی استفاده شد، در الگوریتم گرگ خاکستری به دلیل رویکرد گرافی مسئله، مجموعه جست و جوهای سراسری به جواب بهینه‌ای خواهد رسید، بنابراین با ترکیب این توابع سعی در بهبود شرایط عملیاتی دو الگوریتم برای اهداف مورد نظر مساله شد. به منظور ایجاد شبکه در این پژوهش از پارامترهای ایجاد شبکه در مقاله پایه استفاده شده است و در شبیه‌سازی از مجموعه داده LCG استفاده شد. محیط شبیه‌سازی در این پژوهش محیط شبیه‌ساز کلود سیم است. نتایج مقایسه نشان‌دهنده بهبود زمان انتظار و هزینه در رویکرد پیشنهادی است. نتایج نشان می‌دهد که به طور میانگین مدل پیشنهادی با کاهش 10 درصدی زمان انجام کار و افزایش استفاده از منابع به میزان 16 درصد بهتر عمل کرده است.
[1] Huda, S. A., & Moh, S. (2022). Survey on computation offloading in UAV-Enabled mobile edge computing. Journal of Network and Computer Applications, 103341.
[2] Li, X., Lan, X., Mirzaei, A., & Bonab, M. J. A. (2022). Reliability and robust resource allocation for Cache-enabled HetNets: QoS-aware mobile edge computing. Reliability Engineering & System Safety, 220, 108272.
[3] Sulieman, N. A., Ricciardi Celsi, L., Li, W., Zomaya, A., & Villari, M. (2022). Edge-Oriented Computing: A Survey on Research and Use Cases. Energies, 15(2), 452.
[4] Kumar, D., Baranwal, G., & Vidyarthi, D. P. (2022). A Survey on Auction based Approaches for Resource Allocation and Pricing in Emerging Edge Technologies. Journal of Grid Computing, 20(1), 1-52.
[5] Wang, Z., Lv, T., & Chang, Z. (2022). Computation offloading and resource allocation based on distributed deep learning and software defined mobile edge computing. Computer Networks, 108732.
[6] Qiu, H., Zhu, K., Luong, N. C., Yi, C., Niyato, D., & Kim, D. I. (2022). Applications of auction and mechanism design in edge computing: A survey. IEEE Transactions on Cognitive Communications and Networking.
[7] Qiu, H., Zhu, K., Luong, N. C., Yi, C., Niyato, D., & Kim, D. I. (2022). Applications of auction and mechanism design in edge computing: A survey. IEEE Transactions on Cognitive Communications and Networking.
[8] Li, X., Lan, X., Mirzaei, A., & Bonab, M. J. A. (2022). Reliability and robust resource allocation for Cache-enabled HetNets: QoS-aware mobile edge computing. Reliability Engineering & System Safety, 220, 108272.
[9] Elgendy, I. A., Zhang, W., Tian, Y. C., & Li, K. (2019). Resource allocation and computation offloading with data security for mobile edge computing. Future Generation Computer Systems, 100, 531-541.
[10] Abbas, N.; Zhang, Y.; Taherkordi, A.; Skeie, T. Mobile Edge Computing: A Survey. IEEE Internet Things J. 2017, 5, 1–12.
[11] Wang, S.; Zhang, X.; Zhang, Y.; Wang, L.; Yang, J.; Wang, W. A Survey on Mobile Edge Networks: Convergence of Computing, Caching and Communications. IEEE Access 2017, 5, 6757–6779.
[12] Sulieman, N. A., Ricciardi Celsi, L., Li, W., Zomaya, A., & Villari, M. (2022). Edge-Oriented Computing: A Survey on Research and Use Cases. Energies, 15(2), 452.
[13] Li, Y.; Wang, S. An energy-aware edge server placement algorithm in mobile edge computing. In Proceedings of the 2018 IEEE International Conference on Edge Computing (EDGE), San Francisco, CA, USA, 2–7 July 2018; pp. 66–73.
[14] Abbas, N.; Zhang, Y.; Taherkordi, A.; Skeie, T. Mobile edge computing: A survey. IEEE Internet Things J. 2017, 5, 450–465. [CrossRef]
[15] Maia, A.M.; Ghamri-Doudane, Y.; Vieira, D.; de Castro, M.F. Optimized placement of scalable iot services in edge computing. In Proceedings of the 2019 IFIP/IEEE Symposium on Integrated Network and Service Management (IM), Washington, DC, USA, 8–12 April 2019; pp. 189–197.
[16] Xiao, K.; Gao, Z.; Wang, Q.; Yang, Y. A heuristic algorithm based on resource requirements forecasting for server placement in edge computing. In Proceedings of the 2018 IEEE/ACM Symposium on Edge Computing (SEC), Bellevue, WA, USA, 25–27 October 2018; pp. 354–355.
[17] Alrowaily, M.; Lu, Z. Secure edge computing in iot systems: Review and case studies. In Proceedings of the 2018 IEEE/ACM Symposium on Edge Computing (SEC), Bellevue, WA, USA, 25–27 October 2018; pp. 440–444.
[18] Li, X.; Ding, R.; Liu, X.; Yan, W.; Xu, J.; Gao, H.; Zheng, X. Comec: Computation offloading for video-based heart rate detection app in mobile edge computing. In Proceedings of the 2018 IEEE Intl Conf on Parallel & Distributed Processing with Applications, Ubiquitous Computing & Communications, Big Data & Cloud Computing, Social Computing & Networking, Sustainable Computing & Communications (ISPA/IUCC/BDCloud/SocialCom/SustainCom), Melbourne, Australia, 11–13 December 2018 ; pp. 1038–1039.
[19] Xing, H.; Liu, L.; Xu, J.; Nallanathan, A. Joint Task Assignment and Resource Allocation for D2D-Enabled Mobile-Edge Computing. IEEE Trans. Commun. 2019, 67, 4193–4207.
[20] Nowak, D.; Mahn, T.; Al-Shatri, H.; Schwartz, A.; Klein, A. A Generalized Nash Game for Mobile Edge Computation Offloading. In Proceedings of the 6th IEEE International Conference on Mobile Cloud Computing, Services, and Engineering (Mobile Cloud), Bamberg, Germany, 26–29 March 2018.
[21] Zhang, D., Piao, M., Zhang, T., Chen, C., & Zhu, H. (2020). New algorithm of multi-strategy channel allocation for edge computing. AEU-International Journal of Electronics and Communications, 126, 153372.
[22] Alfakih, T., Hassan, M. M., & Al-Razgan, M. (2021). Multi-objective accelerated particle swarm optimization with dynamic programing technique for resource allocation in mobile edge computing. IEEE Access, 9, 167503-167520..
[23] Ma, S., Song, S., Zhao, J., Zhai, L., & Yang, F. (2020). Joint network selection and service placement based on particle swarm optimization for multi-access edge computing. IEEE Access, 8, 160871-160881.
