《智能终端与边缘计算》第3章 计算迁移与智能终端

总体概览

3.1 计算迁移概述

1. 计算迁移基本概念

• 定义：将移动终端设备的部分计算量大的任务，根据一定的迁移策略，合理分配到资源充足的近距离本地微云或远距离的远端云计算平台。（也称计算卸载 Computation Offloading）
• 目的/优势：① 扩展移动设备的能力；② 减少移动能量消耗；③ 扩大云计算技术在移动网络的应用范围。

2. 计算迁移基本流程

3. 计算迁移类型（🔥速查表）

迁移任务类型	任务特点	关键因素	典型应用
交互型	执行过程中需与用户有大量交互	客户端与边缘云之间的网络状态（带宽、延时等）	云游戏
计算型	执行过程中需执行大量计算	微边缘云的硬件资源	计算机视觉应用
数据型	执行过程中需访问大量数据	边缘云缓存数据的内容	地图应用

4. 计算分级迁移方案（从终端到云端的层级映射）

• 移动应用需求：进程调用、服务支持 ➔ 对应迁移单位：进程
• 平台需求：操作系统支持 ➔ 对应迁移单位：程序
• 硬件需求：CPU、内存、硬盘 ➔ 对应迁移单位：虚拟机
• 云端服务映射：
  • SaaS（软件、数据与信息）
  • PaaS（程序运行环境）
  • IaaS（操作系统、存储服务）

5. 计算迁移方法分类（🔥核心对比）

按划分粒度分类：

分类	包含单位	优点	缺点
粗粒度	操作、应用、虚拟机	通信成本低、划分效率高	迁移整个应用/VM花费时间长，不适于终端快速移动场景
细粒度	方法、类、对象、线程	可以最大程度降低应用的能耗	计算开销大、通信成本高、划分效率低

按划分时机分类：

分类	定义	优点	缺点
静态划分	开发过程中预先设置任务迁移策略	-	很难保证在所有环境条件下划分方案都最优
动态划分	实时感知终端、网络、云端状态，动态调整迁移策略	较好的灵活性	必须监控资源、分析预测需求，引入额外开销

6. 计算迁移方案层次划分（端-边架构）

• 用户终端设备：移动应用 ➔ 操作系统/运行时间支持（平台需求） ➔ CPU/存储器（硬件需求）
• 边缘云：
  • EC-SaaS：应用服务1…n
  • EC-PaaS：数据处理模型、海量数据存储
  • EC-IaaS：虚拟化服务、网络资源、计算节点、DC物理设施
  • 管理服务：服务质量管理（QoS）、安全管理
• 映射关系：进程 ➔ 服务支持；程序 ➔ 平台需求；虚拟机 ➔ 硬件需求
  

7. 计算迁移6大步骤

① 代理发现 ➔ ② 任务分割 ➔ ③ 迁移策略 ➔ ④ 任务提交 ➔ ⑤ 任务执行 ➔ ⑥ 结果反馈

8. 计算迁移工作原理（执行逻辑）

1. 应用需要迁移 ➔ 向操作系统类库发送暂停请求，并保存当前运行状态。
2. 系统类库向本地代理发送通知。
3. 本地代理读取状态信息及缓存中的代码/VM ➔ 通过代理模块传输到服务器。
4. 远端服务器代理模块创建新实例，复制应用程序并运行 ➔ 将处理结果返回移动终端。

---

3.2 计算迁移实现方法

1. 计算迁移系统架构

2. 细粒度计算迁移方法

• 核心思想：针对静态划分的不适应性，动态划分根据环境状态变化灵活调整迁移划分区域，充分利用资源。
• 数据流示意：输入 ➔ 节点转移/参数转移（X1, X2, X3, X4计算节点） ➔ 输出r。云端负责部分节点计算，终端负责部分。
• 典型系统：MAUI
  • MAUI客户端（智能手机）：应用 ➔ 客户代理 ➔ Profiler(分析器) ➔ Solver(求解器) ➔ MAUI运行时。
  • MAUI服务器端：服务器代理 ➔ Profiler ➔ Solver ➔ MAUI运行时。
  • 控制中心：MAUI控制器。
  • 通信方式：客户端与服务器端通过**RPC（远程过程调用）**交互。
    

3. 粗粒度计算迁移方法

• 核心思想：将整个应用程序封装在虚拟机中发送到云端执行，减少细粒度带来的划分、决策等额外开销。
• 两种研究思想：
  1. 将移动终端的应用程序与运行环境全部克隆在云端。
  2. 将移动终端附近计算能力较强的节点作为代理服务器提供迁移服务。
• 典型系统：克隆云
  • 智能手机端：应用/迁移/Profiler/运行时 ➔ 操作系统 ➔ 硬件。
  • 云端克隆虚拟机：应用/迁移/Profiler/运行时 ➔ VM ➔ 操作系统 ➔ 虚拟硬件。
  • 云端核心组件：划分分析器，通过虚拟硬件管理器与克隆VM交互。
    

---

📚 第三章 经典论文核心要点速查

论文1：Mao等, 2020, IEEE Communications Magazine

《Energy-Efficient Computation Offloading in Mobile Edge Computing》

• 研究痛点：现有研究对无线电信道和网络队列大小做了强假设，但实际MEC系统受各种不确定性影响，假设不切实际。
• 核心目标：在执行以有向无环图(DAG)建模的时间关键型应用时，最小化本地设备在最坏情况下的预期能耗。
• 重点方法/贡献：
  1. 放宽假设：考虑网络固有的不确定性，采用极值理论来限制不确定事件的发生概率。
  2. 算法设计：开发了一个 ϵ (1 + ϵ) 近似算法来解决最坏情况下能耗最小化问题。
  3. 框架提出：提出能效优化的计算迁移框架（任务卸载+资源分配）。
  4. 算法拓展：讨论了基于博弈论和深度学习的任务卸载算法。
  5. 应用分析：智能交通和工业物联网。
• 实验结论（图示速记）：当MEC执行速率增加时，远程执行与本地执行的能耗比会下降（MEC速率大 ➔ 可用更少服务器处理大负载 ➔ 减少处理时间和整体能耗）。本文算法优于Hermes和JSCO方案。

论文2：张祥俊等, 2023, 软件学报

《面向移动边缘计算网络的高能效计算卸载算法》

• 研究痛点：传统计算卸载策略在能效方面的不足，特别是高负载情况下的能耗问题。
• 核心目标：从能效角度出发，基于设备状态、任务特征和网络状况优化卸载方案。
• 重点方法/贡献：
  1. 高能效策略：通过动态调整卸载任务的时机和卸载比例，结合设备状态和网络情况优化能效。
  2. 任务特征分析：分析任务计算需求和数据传输量，合理决定任务卸载到边缘节点的方式，减少能耗。
  3. 联合计算卸载模型：综合考虑多维因素建立模型。
• 实验结论（图示速记）：仿真验证了算法在不同场景下的能效和性能优化效果，证明在高负载下具有明显优势（不同MU数量下，该方案的能效值表现优异）。
  

---

课后习题

一、 单项选择题（3道）

1. 在计算迁移中，计算机视觉应用通常属于哪种迁移类型？其关键决定因素是什么？（B）
A. 交互型；客户端与边缘云之间的网络状态
B. 计算型；微边缘云的硬件资源
C. 数据型；边缘云缓存数据的内容
D. 计算型；边缘云缓存数据的内容

2. 下列关于计算迁移中粗粒度与细粒度划分的说法，错误的是？（C）
A. 粗粒度包括操作、应用与虚拟机
B. 细粒度包括方法、类、对象与线程
C. 细粒度划分可以最大程度降低应用的能耗，且划分效率高
D. 粗粒度具有通信成本低、划分效率高的优点，但不适合终端快速移动场景

3. 以下典型的计算迁移系统中，基于细粒度划分方法的是？（B）
A. 克隆云（CloneCloud）
B. MAUI
C. 代理服务器模式
D. 虚拟机整体迁移模式

---

二、 填空题（3道）

4. 计算迁移的基本流程中，移动应用首先需要进行 ______ ，将任务分为本地执行任务和可迁移任务，随后经过环境感知和 ______ ，最终将任务提交给MEC服务器执行并等待 ______ 。

任务划分；迁移决策；结果返回

5. 在计算分级迁移方案中，从移动终端到云端，不同的需求对应不同的迁移单位：硬件需求（CPU、内存等）对应迁移 ______ ；平台需求（操作系统支持）对应迁移 ______ ；移动应用需求（进程调用等）对应迁移 ______ 。

虚拟机；程序；进程

6. 计算迁移的工作原理中，当应用程序需要迁移时，它向操作系统类库发送暂停请求，并保存当前的 ______ ；本地代理读取该信息及缓存代码传输到服务器后，远端服务器的代理模块会 ______ ，复制应用程序并运行。

运行状态；创建新的实例

---

三、 简答题（2道）

7. 请简述在计算迁移方法中，静态划分与动态划分的区别及其各自的优缺点。

• 静态划分：指系统在开发过程中预先设置任务迁移策略。
  • 优点：无额外运行时开销。
  • 缺点：很难保证在所有环境条件下划分方案都可以达到最优。
• 动态划分：指系统实时感知终端、网络、云端的状态，进而动态调整计算迁移策略。
  • 优点：体现出较好的灵活性，能适应环境变化。
  • 缺点：系统必须监控资源、分析和预测应用对资源的需求，会引入额外开销。

8. 粗粒度计算迁移的核心思想是什么？它主要有哪两种研究思想/实现途径？

• 核心思想：将整个应用程序封装在虚拟机中发送到云端执行，以此减少细粒度计算迁移带来的程序划分、迁移决策等额外开销。
• 两种研究思想：
  1. 将移动终端的应用程序与运行环境全部克隆在云端。
  2. 将移动终端附近计算能力较强的节点作为代理服务器，为移动终端提供计算迁移服务。

---

四、 分析与综合题（2道）

9. （场景分析题） 假设你正在设计一个车联网系统，该系统包含两个核心任务：

• 任务A：实时处理车载摄像头产生的海量视频流，识别行人与障碍物。
• 任务B：根据车辆周边的高精度地图数据和实时交通流数据，为驾驶员规划最优行驶路线。
  请结合“计算迁移类型”的相关知识，分析任务A和任务B分别属于哪种计算迁移类型？并说明其关键决定因素。

• 任务A（视频流识别）属于计算型迁移。因为视频流处理需要执行大量的计算，其迁移的关键因素是微边缘云的硬件资源是否充足。
• 任务B（路线规划）属于数据型迁移。因为规划路线需要访问大量的高精度地图和交通流数据，其迁移的关键因素是边缘云缓存数据的内容（即地图与交通数据是否已在边缘侧缓存）。

10. （论文前沿分析题） 在Mao等人（2020）发表的关于MEC能效优化的论文中，指出了现有计算卸载研究存在的什么普遍问题？该论文采用了什么理论来解决这一问题？其优化目标是什么？

• 存在问题：现有的研究通常对无线电信道和网络队列大小做出强有力的假设，但实际的MEC系统受到各种不确定性的影响，使得这些假设不切实际。
• 采用理论：采用极值理论来限制不确定事件的发生概率。
• 优化目标：在执行以有向无环图建模的时间关键型应用时，最小化本地设备在最坏情况下的预期能耗。