霧端運算系統之任務卸載決策優化機制

全文

(1)國立屏東大學資訊科學系碩士論文. 霧端運算系統之任務卸載決策優化機制 The Optimization Mechanism of Task Offloading Decision for Fog Computing System. 研究生：林穎晨. 撰. 指導教授：王朱福博士中華民國一百零八年六月.

(2) 霧端運算系統之任務卸載決策優化機制 The Optimization Mechanism of Task Offloading Decision for Fog Computing System. 研究生：林穎晨. Student：In-Chen Lin. 指導教授：王朱福. Advisor：Chu-Fu Wang. 國立屏東大學資訊科學系碩士論文. A Thesis Submitted to Department of Computer Science College of Sciences National Pingtung University in partial Fulfillment of the Requirements for the Degree of Master In. Computer Science June 2019 Pingtung, Taiwan, Republic of China. 中華民國一百零八年六月.

(3)

(4) 致謝時光飛逝，一轉眼間，踏入了屏東寒窗苦讀了五年的歲月，一路從屏東大學-學士班就讀且半工半讀，到了報考五年一貫獲取資格進入了本校資訊科學系碩士班就讀，在成長以及蛻變後完美的畢業，拿取了碩士的畢業證書。…………………………………... 首先，我要感謝我的指導教授王朱福老師，還記得當時進入碩士後開學第二禮拜，到了老師所負責的辦公室敲了門，展開了網路實驗室的旅程，五年一貫中碩一需與大學一同進行讀書，在當時本身還有任職網路工程師一職，時間安排特別緊湊，並未擁有明確的研究方向，但有了老師的指引，順利找到了明確的方向讓我在網路這一塊領域中了解了網路的深奧，促使找到了自己的興趣及專業領域。…………………………………... 再來，於研究當中，一開始經過了許多風風雨雨，不僅將熬夜成了家常便飯，一開始相關的英文論文閱讀起來常常迷失該篇論文研究方向及撰寫程式時在語法應用需要在去查詢學習…等等，都是一連串印象深刻的經歷以及回憶，訓練了我在挫敗當中成長的耐力，更精進及開闊了我所得的能力。…………………………………............... 然後，我很感謝我的家人、學長、學弟、朋友的一路扶持，在我人生當中最重要的階段當中在我身後推了一大把，在煩惱時給我建議、在無助時給予鼓勵、成功時一起歡樂、失敗時一起探討為何失敗，更加讓我了解 ''現在的失敗，不代表往後餘生都是失敗 '' 事情一定擁有我能夠解決的時候，更讓我能夠擁有動力在我路上一路向前，從不退縮，勇敢的面對每一天所帶來的挑戰，最終突破了各項的難關，順利的完成了碩士的學業。最後，韓愈說的：「師者，所以傳道、授業、解惑也」，感謝資訊科學系的導師、系助，從懵懂到熟悉，從無知到有知，都是有你們給予我多方面的建議以及解決我所遇之疑難問題，更教導了我在資訊領域當中的多項知識及實做，真的很感謝老師不僅在學習之中幫助了我很多，辛苦你們了，非常感謝你們。…………………………………................ 林穎晨謹誌中華民國一○八年七月十二日. i.

(5) 摘要近年來物聯網技術的迅速發展，行動裝置處理複雜的任務就需要較高的運算能力 (例如:語音辨識、影像人流辨識…等)，但行動裝置有限的計算力以及電池電量就不足以應付此類運算，因此就需要將任務卸載至雲端，再將處理完畢後的結果回傳。但雲端系統卻因此承載了更多的負荷，加上雲端系統距離移動用戶裝置較遠，導致延遲時間和成本的增加。最近幾年興起的霧端計算(Fog Computing)運用了高度擴充分散性於使用者移動裝置附近建置了許多微型雲伺服器，形成了霧端節點(Fog node)；移動裝置用戶的任務就增加了許多霧端節點的選擇來進行任務卸載。本學位論文提出了一個混合式(Hybrid) 演算法，綜合考量了任務卸載造成的時間延遲(time delay)、電能消耗(energy consumption) 以及雲端或霧端的花費(cost) 、每台伺服器等級(class)作為進行任務卸載決策的重要參數，並使用提出的演算法來進行求解決定較佳的卸載對象。實驗模擬結果顯示，我們所提出的混合方法相較於其他比較對象的任務卸載方法，在平均延遲、電力消耗、成本都具有效能上的優勢。. 關鍵詞：霧端運算、雲端運算、物聯網、任務卸載。. ii.

(6) Abstract Recently, the Internet of Things has been developing rapidly. Mobile devices, which are dealing with complicated tasks (such as speech recognition and human detection and counting) need higher computational ability. Mobile devices with limited computing and battery power are not enough to cope with the resource-hungry computing tasks mentioned above. Therefore, tasks should be offloaded to the cloud and the cloud will return the result to the user. Then the cloud system will bearing more computation load. In addition, since the cloud system is far away from users’ mobile devices, it would cause a higher network latency and cost increased. Therefore, Fog Computing has risen in recent years. Fog computing deployed many micro cloud servers in the proximity of users’ mobile devices, forming what are known as Fog Nodes. There are now a great many Fog Nodes for mobile device to choose from for conducting task offloading. This dissertation proposes a hybrid algorithm to synthesize time delay, energy consumption, offloading costs, and server class, to be the important parameters for task offloading decisions. Simulation results demonstrate that the proposed hybrid algorithm is better than others in average delay, energy consumption and cost. Keywords: fog computing, cloud computing, IoT, task offload.. iii.

(7) 目錄致謝 ..................................................................... i 摘要 .................................................................... ii Abstract ............................................................... iii 目錄 .................................................................... iv 圖次 ..................................................................... v 表次 .................................................................... vi 第一章. 緒論 ....................................................... 1. 第二章. 相關研究 ................................................... 4. 第一節. 霧端運算(Fog Computing) .................................... 4. 第二節. 霧端系統類型 ............................................... 6. 第三節. 霧端系統儲存選擇方案 ....................................... 9. 第四節. 霧的任務卸載計算 .......................................... 11. 第三章. 霧端任務卸載優化 .......................................... 12. 第一節. 霧端任務卸載環境架構 ...................................... 12. 第二節. 霧端任務卸載優化機制 ...................................... 18. 第四章. 效能評估 .................................................. 22. 第一節. 實驗模擬環境 .............................................. 22. 第二節. 實驗模擬結果 .............................................. 24. 第五章. 結論 ...................................................... 29. 參考文獻 ................................................................ 30. iv.

(8) 圖次圖 1、雲端架構示意圖 ............................................................................................................. 1 圖 2、霧端架構示意圖 ............................................................................................................. 2 圖 3、霧端基本類型 ................................................................................................................. 6 圖 4、霧端集中式架構 ............................................................................................................. 7 圖 5、霧端 F2C 框架 ................................................................................................................ 9 圖 6、霧端環境任務卸載架構圖 ........................................................................................... 12 圖 7、霧端環境任務基本計算環境 ....................................................................................... 15 圖 8、霧端任務卸載目標決策實例 ....................................................................................... 20 圖 9、平均延遲時間效能結果比較 ....................................................................................... 25 圖 10、平均電量消耗效能結果比較 ..................................................................................... 25 圖 11、平均成本開銷效能結果比較 ..................................................................................... 26 圖 12、平均延遲時間效能結果比較 (相較於其他混合) .................................................... 27 圖 13、平均電量消耗效能結果比較 (相較於其他混合) .................................................... 28 圖 14、平均成本開銷效能結果比較 (相較於其他混合) .................................................... 28. v.

(9) 表次表 1、伺服器應用類型分類 ..................................................................................................... 5 表 2、參數相關設定 ............................................................................................................... 22. vi.

(10) 第一章. 緒論. 在目前科技技術發達興盛的年代，人與人之間與企業組織之間透過網路搭起了隨時連結的繫結橋梁，已是個密不可分的關係。而此種隨時進行的資料處理使我們的裝置以及應用程式產生了大量數據及資料，同時也產生了相當複雜的任務以及運算，這些任務包含了如：語音辨識(Speech recognition)、電話會議(Conference call)、網路交易(Online transaction)、車上GPS定位系統(Global Positioning System)、智慧家庭(Smart home)…等。相當多樣的線上作業裝置與網路間的結合都需要多時多工運算環境，而運算環境所需要的網路應用進步下，所有的資訊處理已從原本的本地端處理轉成了雲端運算(Cloud Computing)，然而由於提供雲端運算的資料中心 (Data Center)往往因距離需求端太遠而導致延遲時間回應太長，加上來自四面八方的龐雜資料亦容易造成頻寬不足的窘困，致使任務回覆無法達到即時的效果。因此在需求端增加伺服器概念的霧端運算(Fog Computing)則成近年來新興的熱門議題 [1-4]，而在此一環境下的任務卸載問題(Task Offloaded)則是其中重要研究議題之一。. 雲端運算(Cloud Computing)在1970年代後是一環相當大的資訊服務轉變，而在圖1雲中的架構顯示雲端運算服務主要提供基礎設施服務(Infrastructure as a service, IaaS)、平臺即服務(Platform as a service, PaaS)、軟體即服務(Software as a service, SaaS)等三項處理服務。雲端運算像在一個區域內的伺服器(Servers)全部結合而成並將其串起，雲端運算中最上層的雲是處理較高成本且較耗效能的作業，而因比較. Cloud. 圖 1：雲端架構示意圖 1.

(11) 耗成本的關係，虛擬化的技術，將每一項任務運算成本降低，並且充分利用到機器內部所有的效能資源，較不造成浪費。而在雲中主要是處理經由多項底層基本通訊設備或是設施(如個人電腦、手機)上的任務。諸如語音辨識(Speech recognition)、車上即時資訊情境感知 (Real-time situational awareness ) 與本地高清地圖 (Highdefinition local maps)…等，這些都可透過網際網路傳送到我們所有不同的伺服器去做複雜且大量的運算，而在這一個傳送的程序當中亦牽扯了相當多的問題，像是我們在傳輸中會考慮到傳送之間的頻寬佔用(bandwidth consumption)、能量消耗 (energy consumption)、成本(cost)跟價格(price)等皆是，然而誠如前述，雲伺服器與使用者基本裝置相互接收任務所需的上傳時間與下載時間因距離過遠，造成延遲的時間過高，降低服務品質。. Cisco公司於2014年提出了稱之為霧端運算(Fog Computing)的新技術(或稱霧聯網(Fog network))架構如圖2所示，這一項技術是為了減輕雲端目前所承受的沉重負擔，由於霧是更貼近地面的雲，一般來說如果有任務要傳送到雲端且雲的容量有限或成本、頻寬跟消耗的能量較高，則在減少開銷的期待下，霧端伺服器成了一項不錯的選擇。這一項技術將雲分成了上層的大雲、中層的小雲、最下層就是我們使用者的基本請求任務行動裝置。而霧端是以分散的方式，主要是為了處理使用者所. Cloud Layer Cloud Layer. Fog Layer. End User 圖 2：霧端架構示意圖. 2.

(12) 傳送的任務到靠近本身的中層雲取得相對的資源，不用再大老遠到最上層的大雲來取得資源，而如果中層的鄰近雲若也超過了負擔，則會尋找次近(或次佳)的候選伺服器來幫忙分擔任務，這樣一來解決了距離較遠的問題，亦降低了成本，更幫助大雲分擔大多數任務減輕其負擔。. 本學位論文針對霧端環境中任務卸載決策的最佳化問題進行探討。學位論文架構如下：第一章、緒論主要描述霧端運算的相關背景、研究目的以及架構；第二章、相關研究，針對霧端運算的架構類型以及霧端的最佳資源選擇方式的相關文獻進行探討；第三章、為本學位論文進行之霧端任務卸載決策研究之問題描述；第四章、針對本學位論文進行所提之混合型(Hybird)與優先演算法及其他權重混合方法比較並描述及呈現實驗之結果；最後、結論以及未來期許則至第五章。. 3.

(13) 第二章. 相關研究. 在目前霧端運算逐漸普及的狀態下，企業或相關使用者更能夠使用霧端運算處理裝置上所要求的任務，而在霧端運算中有相當多的優勢，不僅利用層次與相關文獻[5-7]的概念優勢帶給了客戶相當水準的服務品質(Quality of Experience)，使用者或系統可透過探討與決策就知道任務卸載至何處可帶來較高效益。霧端運算不再是像雲端那樣由統一集中的單位去協助所有的移動用戶所要求的任務，而是有多個分散的霧端伺服器可供選擇。霧端系統擴展了更接近移動用戶可以加速計算處理所接收到的任務，不管是成本、頻寬、費用、能量消耗或是傳輸效率的展現，都有相當大的提升(以及降低)。霧端中心擁有監控的功能機制，此種功能能夠在每一個霧節點當中，監視資源使用量，當資源已達使用巔峰，便會選擇下一個最佳或次佳最近的候選節點來替代。. 這一種高佈署且密集的技術在2014年開始各個企業也慢慢地投入此技術的研究，採用霧端運算帶來了許多的便利以及資源有效利用的好處。在第一節我們主要探討霧端運算的基礎架構；第二節我們將探討霧端系統類型的分散式與集中式兩種技術；第三節將介紹霧端系統儲存歷史選擇方案探討霧端與移動用戶之間任務的傳遞與選擇方式；在最後一節將介紹霧的任務卸載方法之相同文獻探討。. 第一節霧端運算(Fog Computing) 在最近幾年，霧端運算(Fog Computing)技術的崛起，連大企業甚至是中小企業也都開始逐漸導入並使用。在霧端運算中，由於是從移動用戶設備與我們的雲當中插入霧端伺服器來擴充環境計算能力，解決了雲端延遲的問題，因此行動端的電池得以有較長的壽命並獲取較高的計算能力協助。. 霧端運算的架構如下(如表1)： (1). 移動用戶層(下層) 第一層是移動用戶層(又稱為下層)，此層是用戶的終端設備，這一些移動用戶設備的請求任務會傳送至雲/霧端來幫助處理，最後再將運算處理完畢的結果 4.

(14) 傳送回移動用戶層，在此層的用戶擁有著較低的電量及記憶體與 CPU 運算能力，算是最基礎的設備。 (2). 霧層(中層) 第二層即是本研究主要探討的對象，此層是個相當重要的角色，先前的雲端運算當中，只有一處幫忙處理下層所請求的全部任務，導致工作量龐大，能量、頻寬與成本的消耗較高且距離使用者較遠。在中層，我們會佈署較多的接入點做為雲層的擴充，在此種擴充的霧當中每一個霧節點擁有中上的運算能力，這一些霧端伺服器比較特別的是擁有嵌入式的數據儲存系統，能夠將每一個處理過的任務或是移動用戶所有的電池及基本資訊加以紀錄，這些資訊將會作為接受最近任務的卸載決策依據，方便判斷那一霧端節點有能力去接取任務，進而尋找出最適合協助處理任務的霧節點。此一階層的設置幫忙了雲層的計算，減少了雲的負擔更增加了移動用戶端的電池續航力以及處理時間、成本，對於用戶的延遲有大幅的改善。. (3). 雲層(上層) 此層提供相當大的可處理資源容量，擁有快速的運算能力但是缺點是距離較遠導致處理延遲時間增加，主要負責某些在霧層無法處理超出其可容納的資源量範圍的任務。. 表 1：伺服器應用類型分類系統分類. 距離. 運算能力. 成本. 電池消耗量. 雲層(上層). 遠. 快. 高. 高. 霧層(中層). 中. 中等. 低. 中等. 使用者(下層). 近. 慢. 低. 高. 5.

(15) 第二節霧端系統類型. 記憶體. 電池. 硬體. CPU. 分散式運算. 集中式運算. 圖 3：霧端基本類型隨著霧端運算技術漸漸盛行，交付處理的任務也越來越複雜。以影像處理辨識的任務為例，影像的畫質以及應用程式所產生的資料量越來越多，因此處理任務的硬體需求記憶體、電量基礎配備功能需求日以遽增，相較於雲端系統，霧端運算的架構因具有較廣的分佈性，因此距離不遠處就有一個霧端伺服器能夠接受要求的任務，更貼近我們的移動用戶設備。. 霧端運算在儲存數據方面較仰賴我們的本地設備，儲存設備會將每一個任務上傳處理之後記錄下該處理的任務類型，讓服務省下作業處理的時間，快速的完成任務以減少重複性，因此目前研究[8]霧端系統算是一種兼具集中式運算以及分散式運算的特徵(如圖 3)，符合多功能型的運算需求特徵。. (1) 集中式運算(Centralized computing) 在現有的霧端運算研究中[9-11]，文獻[9]討論了霧端運算節點的集中式緩存的問題，因為在霧端節點當中，每一個設備與每一項功能都有不同的程度，例如通訊能力、計算能力、電池容量、消耗量都是我們所會面臨的重要考量參數，一般會以集中式系統來處理，因為在任務傳遞的時候，每一個霧端伺服器上都會記載著本身的相同資源剩餘容量，如果某一任務超過了其容量的負載量，就會找尋下一最合適的霧端伺服器做為候選者，同時也會在每一個客戶所請求的任務記錄本身處歷過的任務表單，在這表單之中如有處理過相同的任務後，將會持續的應用此霧端伺服器，減少在任務上重新計算的可能，更能夠減少任務重複性，增加了處理的效率 6.

(16) 減少延遲時間，例如：甲移動用戶傳遞任務要求給 A 霧伺服器計算，該任務當 A 霧伺服器接受到任務的時候會通過無線連結點管道獲取任務文件，連結點管道中會計算哪一台霧端伺服器擁有勝任處理此任務的資格，在這資格當中會考慮容量、距離、電量、CPU 運算力等等…。比較有利的處理者，在選擇完之後將任務文件取得，便會開始處理計算，在計算處理的過程中霧端伺服器會開始分工計算、儲存，幫忙解決並最有效率的將任務處理，如果此任務有在選中的霧端伺服器處理過後，如有下一個所需要此相同任務的用戶後，皆可以較快速的幫忙處理完畢此任務並且快速的傳回給客戶，具體來說在每一個不同的霧端伺服器緩存每一個處理過的任務，在下一個不同用戶請求相同處理過的任務後，可以快速的回傳，並且在霧伺服器當中，每一個伺服器都是互相合作的，小型的霧端伺服器都有一個容量值，這些值表示著當前能夠容納多少的應用程式任務，如果在當下該台伺服器超出任務接收的容量範圍，就會考量周邊是否有相同處理過此任務過的且容量還允許的霧伺服器來當作後選人來繼承，且在多個霧伺服器互相合作的當下也實現了如圖 4 集中式的理念，擁有低延遲且低消耗、能夠快速回傳任務處理結果給使用者，不擔心中途是否發生中斷且具靈活的品質提供。. 圖 4：霧端集中式架構. 7.

(17) (2) 分散式運算(Distributed computing) 由於目前霧端運算概念逐漸盛行，相對所需架設的基礎設施也越來越多，使得費用升高，這讓開發者面臨了相當的挑戰。在基礎設施方面，霧端的通信、供電(如使用綠能的電力風電廠、太陽能源廠、電力公司或電池設備來追求電力維持的標準)、計算都是建置時需要加以考量的議題。在相關應用中[12-13]，文獻[12]提及霧端的框架在分散式的架構是以進行分佈式數據儲存(DDS)來進行，這可以保持一個最佳管控以及能夠完美的容錯方式，霧端在分散式的部份經由許多微小的伺服器進行節點的分佈，在每一個伺服器中提供相當於中等的運算及儲存功能也提供了本地的近距離接收任務方式，每一伺服器都有一個接入點來提供霧端傳送，在這一設備上隨時會監視每一個伺服器的流量來進行調度，這一些流量是為了防止某一任務流量過大的伺服器導到另一個更快超過承受負載的霧端節點當中，造成無法處理或是當機的情況發生。所以在避免此種狀況發生，分流會利用設定好的原則權重去尋找下一個適合且能夠協助運算的霧端節點，提高霧端運算中分散式運算的好處，讓有限的頻寬發揮最佳效率提供客戶擁有最佳的服務品質，讓分散式特點強化運算的效能，低延遲、高安全、低能量消耗、低成本的特性，在巨量資料的時代，將霧端運算推入更高峰，使得分散式運算運用得以發揮的淋漓盡致。. 8.

(18) 第三節霧端系統儲存選擇方案在霧端運算當中每一個不同的霧端伺服器節點，都擁有本身相同資源記載的表單存在，這些表單記錄著所完成經手過的任務資料；除此之外這些資料當中亦分別記載著頻寬的基本資訊以及資源剩餘容量，文獻[14]提到引用了霧化雲(F2C)的架構 ( 如圖 5) 並且利用此篇提出的模型霧資源選擇演算法 (Fog Resource Selection algorithm, FResS)歷史查找方案來自動選擇最佳的霧端資源模型，在這一模型當中會以日誌的方式來進行蒐集、維護霧端當中的資料庫，在我們擁有任務請求的當下，這些日誌的歷史會進行任務的預測霧端節點當中最滿足任務要求的最佳節點，而在要求的任務當中如有相同的任務便會卸載到執行過其任務的最佳霧節點進行計算，減少執行的時間。. 雲端伺服器. 霧端伺服器. Fog1Game. Execution time. 10ms. Fog2Video. Fog3GPS. 20ms. 2ms Fog1-Game. Video. Task. Fog2-Video Fog3-GPS. FResS Layer 任務產生. 任務分析. 基本裝置. 圖 5：霧端F2C框架. 9. 歷史紀錄. 資源選擇.

(19) (1) 霧節點選擇方式：在文獻[14]當中霧端使用了預測方式進行霧端系統的遠選擇，此預測中擁有兩種模型分別為預測以及資源選擇的類型，此篇文獻引入了 FResS 的分析方式，移動用戶如果有任務轉發到了 FResS 霧資源選擇接口，去查找日誌當中所有類似其任務的資源並進行每一個霧端資源所需要執行時間的預測，如在歷史當中，有處理過相關的任務的霧端節點，執行時間則會相對的減少，則卸載到該霧節點進行最好的資源分配，在資源選擇完成後，便會紀錄此任務的執行類別與時間往返回 FResS 霧資源選擇接口作為歷史的紀錄。. (2) 歷史分析技術：在歷史分析方面，模組會先查找先前有轉發過的任務，進行日誌的尋找類似任務這是種基於神經網路的輸入、中間、輸出三層演算法技術實現，在產生任務數據傳導到系統當中，而在隱藏層當中進行中央單元處理數據在傳導到神經網路的傳輸層，而在我們中間處理過的訊息當中，重要的要素是權重是互相連結的，這一些權重會經過重複的調整達到實際與期望時就將訓練中止，例如：在一移動用戶之中傳輸了任務請求，我們會利用日誌查找的方式來進行尋找哪一霧端系統當中處理過其任務，每一次尋找都會運用 ANN 來預測，在處理的任務越來越多當中，歷史紀錄便會增加，預測的精準性也會越高，直到查詢到擁有相關的歷史紀錄且擁有最少執行時間的最佳霧端系統為止。. 10.

(20) 第四節霧的任務卸載計算在霧端運算當中，為了將移動使用者所傳送要求的任務進行處理，更有效的解決資源有限、延遲與容量的限制，將部分任務卸載的鄰近合適的霧端節點，如此能夠更有效率的完成使用者所要求的任務。實際上，每一個霧端節點都是一個微小的伺服器，這一些伺服器都會接收到移動用戶所要求的應用程式任務，針對合適的預算來平衡降低費用的消耗以及使用量，作出最佳的任務卸載決策。例如一般使用智慧家電中的語音辨識系統，在 Google 當中也可以運用霧端運算，將移動用戶所傳送要求的任務進行處理，最後再將辨識結果回傳至用戶端。相關研究中[15-20]，文獻[20]提出了一個霧端任務卸載的計算模型，由於目前的應用程式任務都有較高的計算及容量，也跟隨著開發日漸增長，使得運算資源在雲端系統當中越來越有限，造成原本擁有較多資源的雲端系統負擔也越來越沉重，在參考文獻也提到將我們移動用戶所需的任務使用霧端系統的本地密集運算，來減少我們雲端系統當中的工作量與資源消耗量，進而協助處理，降低傳輸處理時間延遲與執行時間。霧端系統的優勢在於本地端較靠近移動用戶，在任務卸載與回傳當中會額外產生開銷，而這些的基本消耗考量進收費處理的問題，加重距離遠近的議題，且在些許用戶如果相對擁有高電量、低延遲、高消耗移動用戶也不會願意去使用卸載方式，所以該論文加入了收費與權重的運用來實現較完整的任務卸載問題，並設計演算法則求解來決定出最佳的卸載對象。. 11.

(21) 第三章. 霧端任務卸載優化. 第一節霧端任務卸載環境架構本學位論文探討任務卸載的問題，如圖 6 任務卸載機制架構圖所示，在圖中使用者裝置會產生多項需傳導至雲(或是霧端節點伺服器)的任務，在霧端節點伺服器中因距離影響需利用有線網路進行多跳的方式來轉傳任務。如：有某項任務因距離較靠近霧端節點伺服器 1，因此到達伺服器所需跳數為 1，而距離基本裝置較遠的則需要較多跳的傳導才可進行任務卸載。每一臺伺服器會給定基本資訊如：基本裝置間的傳輸頻寬(bandwidth)以及進行運算中產生的收費價格(price)、…等(後續將會加以詳述)，以作為任務卸載決策用。 ⚫ ⚫. 雲在此提案計劃中，霧端運算的架構及任務的卸載決策流如圖八所示，雲端伺服器伺服最底層是行動裝置系統，而在每一裝置當中隨時都有程式任務產生，器此時希望尋找最適當的霧端伺服器作為任務卸載對像進行運算處理，任務會依一些基本資訊去挑選距離最近且最符合使用所設定的條件來霧進行挑選。為更一般化的討論，任務卸載的系統候選包括霧端節點霧端伺服器霧端伺服器霧端伺服器伺 1 2 N 服 (𝐹1 、𝐹2 , … . 𝐹𝑘 )、以及雲端系統𝐹0 皆是為止。器. Task1. Task2. Task3. Task n. 任務產生基本裝置. 圖 6：霧端環境任務卸載架構圖. 12.

(22) 而每項任務所產生的基本資訊則包括到雲/霧端伺服器處理任務所需要的上傳數據大小(Upload data size)、以及於雲/霧端的伺服器中任務進行處理運算資料的大小(Computational data size)、處理結束後再將結果回傳至基本裝置的下載數據大小 (Download data size)；而在任務當中也有截止期限(deadline)限制都會加入問題架構模型中作為因素考量。最後在下一小節我們將提出任務卸載決策之優化演算法。在進行每項任務卸載的決策數值計算之後，繼而挑選出雲/霧端節點的最佳卸載對象。有關任務卸載至選擇的對象之後所產生的時間延遲、電量消耗、成本花費作為效能參數來進行比較出較優的卸載方法，詳細的問題描述將搭配實例敘述如下：. 1. 雲/霧端伺服器之基本資訊一開始給定霧端伺服器可供任務卸載的 n 個候選節點 (𝐹1 , 𝐹2 , … , 𝐹𝑛 )，以及一個雲端伺服器節點(𝐹𝑛+1)，每一個伺服器之基本資訊為(𝐶𝑖 , 𝐵𝑖 , 𝐸𝑖 , 𝑃𝑖 , 𝐻𝑖 , 𝐿𝑖 )，描述如下: a. 計算能力 (Computation capacity, Mbps)，以符號𝐶𝑖 表示：此資訊代表該節點的單位時間可以處理的資料計算能力。 b. 頻寬 (Bandwidth, Mbps)，以符號𝐵𝑖 表示：此資訊代表使用者行動裝置產生的任務要求傳遞到該節點間的無線頻寬大小，而若需再由外部有線網路基礎設施進行多跳的方式上傳任務至雲/霧端伺服器，則有線網路之網路頻寬設定為固定值，以符號𝐵𝐼 表示。 c. 電能消耗(Energy consumption, J/Mb)，以符號𝐸𝑖 表示：此資訊代表每一個雲/霧端節點中處理任務所需消耗的電力能量值。 d. 價格(Price, $/Mb)，以符號𝑃𝑖 表示：此資訊代表雲/霧端節處理的任務時單位數據大小(Mb)所收取之費用。. 13.

(23) e. 跳數(Hop)，以符號𝐻𝑖 表示：此參數為任務上傳至雲/霧端伺服器所需的跳數(假定跳數為 1 則代表在上傳時不須經過有線網路基礎設施傳導只要一跳就可送達伺服器，所以在有線網路的跳數為𝐻𝑖 − 1)。 f. 伺服器等級(class) , 以符號𝐿𝑖 表示：此參數將每一雲/霧端伺服器分為 1~5 等級，數字越小等級越高，越大則越小。. 2. 移動裝置任務基本資訊假定移動裝置產生 k 項任務 𝑇1 , 𝑇2 , … , 𝑇𝑘 ，且每一任務 𝑇𝑗 之基本資訊為 (𝐷𝑗𝑢 , 𝐷𝑗𝑑 , 𝐷𝑗𝑐 , 𝑇𝑗𝑑 )，詳細敘述如下： a. 上傳資料大小 (Upload data size, Mb) , 以符號𝐷𝑗𝑢 表示：任務傳送到雲/霧端的數據量大小。 b. 下載資料大小(Download data size, Mb) , 以符號𝐷𝑗𝑑 表示：雲/霧端任務處理完畢傳回到使用者裝置所需要的數據量大小。 c. 計算資料量(Computational data size, Mb) , 以符號𝐷𝑗𝑐 表示：此參數為任務於雲/霧端伺服器上運算時的數據大小。 d. 截止時間(Deadline, sec) , 以符號𝑇𝑗𝑑 表示：此參數為使用者所產生任務所需要完成的時間限制，如有無法在此時間內完成的節點則表示無法處理該任務。. 14.

(24) 以下說明上述基本資訊給定後，相同重要效能參數之計算方式並以圖 7 作為實例說明。. C4 =43 (Mbps) B4 =10 (Mbps) E4 =53 (J/Mb) P4 =23 ($/Mb) H4 =2 (Hop) L 4 =3 (Class) ------------------𝑻𝟒𝒋 ：=3.3 (sec) 𝑬𝟒𝒋 ：=583 (J) 𝑪𝟒𝒋 ：=23 ($). C1 =6 (Mbps) B1 =10 (Mbps) E1 =5 (J/Mb) P1 =2 ($/Mb) H1 =4 (Hop) L 1 =1 (Class) -------------------𝑻𝟏𝒋 ：=7.9 (sec) 𝑬𝟏𝒋 ：=55 (J) 𝑪𝟏𝒋 ：=2 ($). C2 =4 (Mbps) B2 =6 (Mbps) E2 =7 (J/Mb) P2 =3 ($/Mb) H2 =2 (Hop) L 2 =2 (Class) -------------------𝑻𝟐𝒋 ：=4.3 (sec) 𝑬𝟐𝒋 ：=77 (J) 𝑪𝟐𝒋 ：=3 ($). T1. C3 =2 (Mbps) B3 =4 (Mbps) E3 =4 (J/Mb) P3 =2 ($/Mb) H3 =1 (Hop) L 3 =1 (Class) -------------------𝑻𝟑𝒋 ：=3.2 (sec) 𝑬𝟑𝒋 ：=44 (J) 𝑪𝟑𝒋 ：=2 ($). 𝐷1𝑢 =7 𝐷1𝑑 =4 𝐷1𝑐 =1 𝑇1𝑑 =6. (Mb) (Mb) (Mb) (sec). 圖 7：霧端環境任務基本計算環境. 15.

(25) 3. 任務卸載延遲總時間(Total delay)計算：假定移動用戶任務Tj (基本產生資訊以(𝐷𝑗𝑢 , 𝐷𝑗𝑑 , 𝐷𝑗𝑐 , 𝑇𝑗𝑑 ))，上傳至霧端伺服器 F1 , F2 , F3 及雲端伺服 F4 ( 基本資訊分別以 ( 𝐶1 , 𝐵1 , 𝐸1 , 𝑃1 , 𝐻1 , 𝐿1 ), (𝐶2 , 𝐵2 , 𝐸2 , 𝑃2 , 𝐻2 , 𝐿2 ), … , (𝐶4 , 𝐵4 , 𝐸4 , 𝑃4 , 𝐻4 , 𝐿4 )表示)，作為移動裝置任務的卸載對象，首先任務Tj 若卸載至伺服器容量 i 的總延遲時間估算參數計算如下 (以𝑇𝑗𝑖 表示)：任務上傳後，雲/霧端伺服器會有蒐集任務資訊所需之時間花費 (以𝑇𝑐 表示，實例中則固定為 0.01 (sec))、無線網路端基礎設施傳輸延遲時間 (Duj + Ddj )/𝐵𝑖、有線網路端傳輸延遲時間則為 (𝐻𝑖 − 1) ∙ (Duj + Ddj )/𝐵𝐼 (實例中 𝐵𝐼 固定為 5 Mbps)、及運算延遲時間𝐷𝑗𝑐 /𝐶𝑖 。綜合上述我們可以利用以下公式分別計算出(𝐹1 , 𝐹2 , 𝐹3 , 𝐹4 ,)之延遲總時間：. 𝑇𝑗𝑖. = 𝑇𝑐 +. (𝐷𝑗𝑢 +𝐷𝑗𝑑 ). 𝑇𝑗1 =0.01 + 𝑇𝑗2 =0.01. +. 𝑇𝑗3 =0.01 + 𝑇𝑗4 =0.01 +. 𝐵𝑖. (7+4) 10 (7+4) 6 (7+4) 4 (7+4) 10. + (𝐻𝑖 − 1) ∙. + (4 − 1) ∙ + (2 − 1) ∙ + (1 − 1) ∙ + (2 − 1) ∙. (𝐷𝑗𝑢 +𝐷𝑗𝑑 ). (7+4) 5 (7+4) 5 (7+4) 5 (7+4) 5. 𝐵𝐼. +. 𝐷𝑗𝑐 𝐶𝑖. (1). 1. + 6 =7.9 (sec) 1. + 4 =4.3 (sec) 1. +2. =3.2 (sec). 1. + 43 =3.3 (sec). 然而，在移動裝置任務有自身要求處理時間之限制，需符合任務卸載總延遲時間在期限內完成處理，如果符合就能夠於該節點進行卸載，無符合則加以排除，在實例當中移動裝置針對任務T1 需要在 6 秒內完成任務，所以𝐹1 霧端節點 7.9(𝑇𝑗1 )≧ 6(𝑇𝑗𝑑 )超過處理期限(𝑇𝑗𝑑 )故無法處理該任務之資料。. 16.

(26) 4. 任務卸載總電量消耗(Total energy consumption)計算：參考文獻[4]當中建議雲/霧端伺服器處理任務時所需之電力消耗包括：發電機器設備、機器散熱裝置、能源處理裝置….等等都會產生伺服器所需要的基本電量開銷，在電量消耗概括了任務上傳接收以及下載所需要消耗的電量。在此，利用以下公式計算出電量總消耗量𝐸𝑗𝑖 ： 𝐸𝑗𝑖 = (Duj + Ddj ) ∙ 𝐸𝑖 𝐸𝑗1 = (7 + 4) ∙ 5 𝐸𝑗2 = (7 + 4) ∙ 7 𝐸𝑗3 = (7 + 4) ∙ 4 𝐸𝑗4 = (7 + 4) ∙ 53. (2). = 55 (J) = 77 (J) = 44 (J) = 583 (J). 5. 任務卸載總成本開銷 (Total cost)計算在雲/霧端伺服器上運算處理該任務的收費總成本開銷𝐶𝑗𝑖 如下： 𝐶𝑗𝑖 = Dcj ∙ 𝑃𝑖. (3). 𝐶𝑗1 = 1 ∙ 2 =2 ($) 𝐶𝑗2 = 1 ∙ 3 =3 ($) 𝐶𝑗3 = 1 ∙ 2 =2 ($) 𝐶𝑗4 = 1 ∙ 23=23 ($). 17.

(27) 第二節霧端任務卸載優化機制 1. 正規化任務基本效能數值在運算出每一個雲/霧端伺服器(𝐹1 , 𝐹2 , 𝐹3 , 𝐹4 )以及任務(Tj )卸載總時間延遲(𝑇𝑗𝑖 )、卸載總電量消耗(𝐸𝑗𝑖 )、卸載總成本開銷(𝐶𝑗𝑖 )也排除不能夠在任務要求時間內處理完畢之任務候選人，我們加入了伺服器等級(𝐿𝑖 )作為第四個參數考量，由於此些參數數值皆為不同單位數值等級也都不同，故我們利用正規化 (Normalized)來進行前置處理，使用正規化運算之後將使得計算數值範圍縮小至 0~1 間。 𝑡 延遲正規化數值計算方法為 𝑇̅𝑗𝑖 = 𝑇𝑗𝑖 / ∑𝑛+1 𝑡=1 𝑇𝑗 ； 𝑡 電量消耗正規化數值計算方法為 ̅̅̅ 𝐸𝑗𝑖 = 𝐸𝑗𝑖 / ∑𝑛+1 𝑡=1 𝐸𝑗 ； 𝑡 成本開銷正規化數值計算方法為 𝐶̅𝑗𝑖 = 𝐶𝑗𝑖 / ∑𝑛+1 𝑡=1 𝐶𝑗 ；. 伺服器等級正規劃後的數值則為 𝐿̅𝑗𝑖 = 𝐿𝑖 / ∑𝑛+1 𝑡=1 𝐿𝑡 ；. 以下延續上一實例之計算：. a. 霧端節點(𝑭𝟐 )正規化值計算如下： 4.3 77 2 ̅𝑇̅̅ ̅ ̅̅̅2̅ 𝑗 = 7.9+4.3+3.2+3.3 =0.2; 𝐸𝑗 = 55+77+44+583 =0.1; 2 ̅𝐶̅̅̅ 𝑗 =. 3 2+3+2+23. =0.1; 𝐿̅𝑗2 =. 2 1+2+1+3. =0.2. b. 霧端節點(𝑭𝟑 )正規化值計算如下： 3.2 44 3 ̅𝑇̅̅ ̅ ̅̅̅3̅ 𝑗 = 7.9+4.3+3.2+3.3 =0.2; 𝐸𝑗 = 55+77+44+583 =0.1;. ̅𝐶̅̅𝑗3̅ =. 2 2+3+2+23. 1. =0.1; 𝐿̅𝑗3 =. 1+2+1+3. =0.1. c. 雲端節點(𝑭𝟒 )正規化值計算如下： 3.3 583 4 ̅𝑇̅̅ ̅ ̅̅̅4̅ 𝑗 = 7.9+4.3+3.2+3.3 =0.2; 𝐸𝑗 = 55+77+44+583 =0.7;. ̅𝐶̅̅𝑗4̅ =. 23 2+3+2+23. 3. =0.7; 𝐿̅𝑗4 =. 1+2+1+3. 18. =0.4;.

(28) 2. 目標函數決策任務卸載對象最後，我們以效能混合決策參數(𝑄𝑗𝑖 )作為綜合上述 4 個重要參數作為任務卸載對象決定之目標函數，並以 α、𝛽、𝛾、𝛿權重值(α + 𝛽 + 𝛾 + 𝛿 = 1)作為混合：. 𝑄𝑗𝑖 = α ∙ 𝑇̅𝑗𝑖 + 𝛽 ∙ ̅̅̅ 𝐸𝑗𝑖 + 𝛾 ∙ 𝐶̅𝑗𝑖 + 𝛿 ∙ 𝐿̅𝑗𝑖. (4). 我們將 Q 作為任務卸載目標決策函數，在公式(1)-(4)計算出任務卸載至每臺雲端/霧端伺服器之決策目標數值(𝑄𝑗1、𝑄𝑗2、…𝑄𝑗𝑛+1)，如前所敘述所得出的數值越小則有表現優越的傾向，實例當中我們已經利用了延遲總時間公式 (1)挑選出(𝐹2 , 𝐹3 , 𝐹4 )為候選人，接下來，我們將以𝑄𝑗𝑖 挑選出決策數值中之最小值，當作任務T1 最佳任務卸載的目標對象。以下我們接續前面實例，並以[α, 𝛽, 𝛾, 𝛿]=[0.25, 0.25, 0.25, 0.25]作為挑選出任務卸載最佳對象之權重值計算：. a. 霧端節點(𝑭𝟐 ) 𝑄𝑗2 值計算如下： 𝑄𝑗2 = 0.25 ∙ 0.2 + 0.25 ∙ 0.1 + 0.25 ∙ 0.1 + 0.25 ∙ 0.2=0.15 b. 霧端節點(𝑭𝟑 ) 𝑄𝑗3 值計算如下： 𝑄𝑗3 = 0.25 ∙ 0.2 + 0.25 ∙ 0.1 + 0.25 ∙ 0.1 + 0.25 ∙ 0.1=0.13 c. 雲端節點(𝑭𝟒 ) 𝑄𝑗4 值計算如下： 𝑄𝑗4 = 0.25 ∙ 0.2 + 0.25 ∙ 0.7 + 0.25 ∙ 0.7 + 0.25 ∙ 0.4=0.50. 19.

(29) 如圖8所示，在經由整合雲端/霧端利用本論文提出的混合型演算法將權重值分別設置為[0.25, 0.25, 0.25, 0.25]且將α、𝛽、𝛾、𝛿代入求得𝑄𝑗𝑖 值，因此在𝐹2 雲/霧端節點𝑄𝑗𝑖 值為0.15、𝐹3 霧端節點為0.13、𝐹4 雲端節點為0.50，因為𝐹3 求出的數值最小即為任務T1 的卸載對象。 ̅𝑇̅𝑗̅4̅=0.2 ̅𝐸̅̅𝑗4̅=0.7 ̅̅̅𝑗4̅=0.7 𝐶 𝐿̅𝑗4 =0.4 --------------𝑸𝟒𝒋 =0.50. 2 ̅𝑇̅̅ ̅ 𝑗 =0.2 ̅̅ 𝐸̅𝑗2̅=0.1 ̅̅ 𝐶̅𝑗2̅=0.1 𝐿̅𝑗2 =0.2. ̅𝑇̅𝑗̅3̅=0.2 ̅𝐸̅̅𝑗3̅=0.1 ̅𝐶̅̅𝑗3̅=0.1 ̅̅̅ 𝐿𝑗3 =0.1. --------------𝑸𝟐𝒋 =0.15. --------------𝑸𝟑𝒋 =0.13 𝑭𝟑 為𝐓𝟏 卸載對象. T1. 圖 8：霧端任務卸載目標決策實例. 20.

(30) ⚫. 混合型任務卸載決策演算法. 雲/霧端任務卸載將我們移動裝置所產生的任務(𝑇𝑗 )的基本資訊(𝐷𝑗𝑢 , 𝐷𝑗𝑑 , 𝐷𝑗𝑐 , 𝑇𝑗𝑑 ) 與每個可上傳至雲/霧端伺服器候選人之個別基本資訊(𝐶𝑖 , 𝐵𝑖 , 𝐸𝑖 , 𝑃𝑖 , 𝐻𝑖 , 𝐿𝑖 )進行時間延遲(𝑇𝑗𝑖 )、電量消耗(𝐸𝑗𝑖 )、成本開銷(𝐶𝑗𝑖 )基本效能計算並利用時間延遲需符合任務時間限制伺服器𝑇𝑗∗ ≤ 𝑇𝑗𝑑 才可成為任務卸載對象，最後進行基本效能正規化之後並將其帶入α、𝛽、𝛾、𝛿之權重值中求得𝑄𝑗𝑖 。並以最小者作為最佳任務卸載候選人，完整演算法如下。. 21.

(31) 第四章. 效能評估. 在本章擬針對本碩士學位論文所提出的「混合型任務卸載決策演算法」進行任務之雲/霧端伺服器卸載實驗效能評估，模擬實驗主要針對延遲時間平均、電量消耗平均、以及成本開銷平均等三種效能來進行比較，其混合型演算法當中，利用各種效能參數文獻[20]優先演算法以及他類混合型演算法(與本文所提之權重與其他權重進行比較之)。而比較對象則分別是延遲時間優先(僅以延遲時間最小為優先卸載目標對象，無法在時間期限內滿足完成任務者不納入考量)、電量消耗優先(與前比較者一樣，針對消耗最小電量的伺服器作為卸載目標對象)以及成本開銷優先(以最小成本開銷伺服器作為最優先卸載目標對象)。在另實驗定不同混合型權重數值調配的混合(一) [α, 𝛽, 𝛾, 𝛿]= [0.4, 0.25, 0.25, 0.1](較注重延遲時間最小而電量及成本為次要考量、伺服器等級取輕做為考量)、其他混合(二) [α, 𝛽, 𝛾, 𝛿]= [0.3, 0.3, 0.3, 0.1] (較注重延遲時間、電量及成本為平均考量，但伺服器等級為次要之組合作為卸載目標對象之選擇)、其他混合(三) [α, 𝛽, 𝛾, 𝛿]= [0.2, 0.3, 0.3, 0.2] (較注重電量及成本為平均考量，但延遲時間、伺服器等級考量為次要作為卸載目標對象選取依據)，進行本論文實驗模擬之效能分析比較。. 第一節實驗模擬環境 1. 實驗模擬環境與參數設定本實驗使用程式是以 C++語言撰寫、雲端伺服器固定為 1(臺)另加上霧端伺服器共 40~90(臺)伺服器、移動裝置隨機產生任務 50(個)進行實驗，表 2 為實驗模擬環境參數設定說明。表 2：參數相關設定參數名稱 (Parameters) 雲端伺服器數量霧端伺服器數量移動裝置產生任務實驗模擬次數 α、𝛽、𝛾、𝛿權重值參數設定. 參數值設定 (Values setting) 1 (臺) [39, 49, 59, 69, 79, 89] (臺) 每次 50 (個) 霧端伺服器數量隨機生產 40 (組)基本資訊；移動裝置隨機產生 50(個)卸載任務，總計 2,000 (組)資料。 [α =0.25, 𝛽=0.25, 𝛾=0.25, 𝛿 =0.25] [α =0.4, 𝛽=0.25, 𝛾=0.25, 𝛿 =0.1] [α =0.3, 𝛽=0.3, 𝛾=0.3, 𝛿 =0.1] [α =0.2, 𝛽=0.3, 𝛾=0.3, 𝛿 =0.2]. 模擬環境撰寫程式語言. C++ 22.

(32) 2. 比較演算法及效能參數說明任務搭配利用混合型及各項優先演算法決策出最佳卸載對象後，分別計算出延遲時間平均、電量消耗平均、成本開銷平均進行實驗結果統計比較。. 實驗針對所提之混合型霧端卸載演算法與優先演算法. 1. 延遲時間優先演算法(在排除無法滿足時間期限限制之伺服器後，選取電量消耗最小之伺服器作為任務優先卸載對象)。 2. 電量消耗優先演算法(在排除無法滿足時間期限限制之伺服器，選取電量消耗最小之伺服器作為任務優先卸載對象) 3. 成本開銷優先演算法(在排除無法滿足時間期限限制之伺服器，選取成本消耗最小之伺服器作為任務優先卸載對象). 實驗針對所提之混合型權重霧端卸載演算法與其他混合權重. 1. 其他混合(一)演算法(在排除無法滿足時間期限限制之伺服器，且選取注重延遲時間最小而電量及成本為次要則伺服器等級較為最低考量作為卸載目標對象，權重設定為[0.4, 0.25, 0.25, 0.1]，在進行正規化之後選取綜合比例後數值最小者) 2. 其他混合(二)演算法(在排除無法滿足時間期限限制之伺服器，且選取延遲時間、電量及成本為平均考量，則伺服器等級考量為次要作為卸載目標對象，權重設定為[0.3, 0.3, 0.3, 0.1]，在進行正規化之後選取綜合比例後數值最小者) 3. 其他混合(三)演算法(在排除無法滿足時間期限限制之伺服器，且選取電量及成本為平均考量，但延遲時間、伺服器等級考量為次要作為卸載目標對象，權重設定為[0.2, 0.3, 0.3, 0.2]，在進行正規化之後選取綜合比例後數值最小者). 而效能比較參數則包含有平均延遲時間、平均電量消耗、以及平均成本開銷作為處理實驗總組數(2000 組)之平均值作為效能比較。 23.

(33) 第二節實驗模擬結果在所提之混合型任務卸載演算法([α, 𝛽, 𝛾, 𝛿]=[0.25, 0.25, 0.25, 0.25])與三種不同演算法之效能比較結果圖(圖9~11)，實驗模擬結果圖中橫軸為伺服器總數量(分別是40~90臺伺服器)，縱軸為效能比較參數平均值，圖9、圖10、圖11分別是平均延遲時間、平均電量消耗、以及平均成本開銷之效能比較圖。. 在圖9所顯示之平均延遲時間之效能比較中，最佳的確是延遲優先演算法(在後續其他效能參數比較中，延遲優先演算法就表現得非常不理想)，而所提之混合型演算法居次，電力消耗優先演算法則是最不理想。. 於圖10所顯示之平均電量消耗之效能比較當中，最佳的也是為電量優先演算法(於後續其他效能比較之表現中，電量優先演算法相對表現得不理想)，而本論文所提之混合型演算法居次，延遲優先演算法、成本優先演算法則是最不理想。. 最後，圖11所顯示之平均成本開銷之效能比較中，最佳的也是為成本優先演算法，而所提之混合型演算法居次，電量優先演算法、延遲時間演算法則是最不理想。. 綜合上述，圖9、圖10、圖11在這三種效能比較能夠看出單項其他效能優先的演算法法雖然在該項比較上是最為優越，但於另外的效能比較上就表現得相當不理想，但是本論文所提出的混合型演算法，在伺服器量逐漸增多時相較於原本延遲時間優先演算法、電量消耗優先演算法、成本開銷優先演算法在各單項表現都是為最優，但是本論文所提之混合型演算法，都均有居次的表現效果。. 24.

(34) 圖 9：平均延遲時間效能結果比較. 圖 1 0：平均電量消耗效能結果比較 25.

(35) 圖 1 1：平均成本開銷效能結果比較. 26.

(36) 在最後我們運用了所提之混合型任務卸載演算法與三種不同混合型演算不同權重設定(分別為其他混合(一)[0.4, 0.25, 0.25, 0.1], 其他混合(二) [0.3, 0.3, 0.3, 0.1], 其他混合(三) [0.2, 0.3, 0.3, 0.2]等)之效能比較結果圖(圖 12~14)。. 在圖 12 之平均延遲時間效能比較中，能夠看出本文所提混合演算法相較其他三種不同權重設定演算法所得出效能，於少數伺服器亦或是多數伺服器之下其他混合演算法表現較不穩定，而所提混合演算法權重值，在時間延遲方面能夠有明顯的降低時間的延遲比較效果。. 圖 13 之電量消耗效能比較中，可見本文所提混合演算法之設定權重中，不論在伺服器多或少的情況下，比起其他三者混合演算法均具有效且穩定的降低電量消耗的效果。. 圖 14 可以看出在成本開銷中，所提之混合演算法參數與其他三者很明顯的降低了成本的支出，穩定達到降低成本的理想狀態。. 圖 1 2：平均延遲時間效能結果比較 (相較於其他混合) 27.

(37) 圖 1 3：平均電量消耗效能結果比較 (相較於其他混合). 圖 1 4：平均成本開銷效能結果比較 (相較於其他混合) 28.

(38) 第五章. 結論. 本學位論文在雲/霧端整合環境中考量任務卸載目標的決策問題，並提出了一個綜合延遲時間、電量消耗、成本開銷、以及伺服器等級之混合型任務卸載演算法。在實驗模擬任務卸載至雲端/霧端伺服器上考量多項要素，包括總延遲時間、總電力消耗、以及總成本開銷等。利用實驗模擬以實際的雲端/霧端伺服器(及任務)隨機產生的基本資訊進行透明、合理化參數值設定計算，與傳統只考慮(優先時間延遲、優先電力消耗及優先成本消耗)的演算法則進行效能比較，結果得出所提方法在效能比較上皆有不錯的表現；最後在我們所提混合型利用其他不同的權重調配比較結顯示所提方法權重組合也是相當不錯，未來將尋求其他更合適的權重參數組合，讓混合型的方法獲致更佳的效能表現。. 29.

(39) 參考文獻 1.. M. Yannuzzi, F. Lingen, A. Jain, O. L. Parellada, M. M. Flores, D. Carrera, L. Pérez, D. Montero, P. Chacin, A. Corsaro, and A. Olive, A new era for cities with fog computing, IEEE Internet Computing, Vol. 21, Issue 2, pp.54-67, 2017.. 2.. A. Khakimov, A. Muthanna, and M. S. A. Muthanna, Study of fog computing structure, in Proceeding of the IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus), pp.51-54, 2018.. 3.. D. S. Linthicum, Connecting fog and cloud computing, IEEE Cloud Computing, Vol. 4, Issue 2, pp.18-20, 2017.. 4.. Y. N. Krishnan, C. N. Bhagwat, and A. P. Utpat, Fog computing — network based cloud computing, in Proceeding of the Third International Conference on Electronics and Communication Systems (ICECS), pp.250-251, 2015.. 5.. P. Kumar, N. Zaidi, and T. Choudhury, Fog computing: common security issues and proposed countermeasures, in Proceeding of the International Conference System Modeling & Advancement in Research Trends (SMART), pp.311-315, 2016.. 6.. S. F. Hassan, R. Fareed, Video streaming processing using fog computing, in Proceeding of the International Conference on Advanced Science and Engineering (ICOASE), pp.140-144, 2018.. 7.. J. C. Guevara, L. F. Bittencourt, and N. L. S. da Fonseca, Class of service in fog computing, in Proceeding of the International Conference on Electronics and Communication Systems (ICECS), pp.1-6, 2018.. 8.. A. Bozorgchenani, D. Tarchi, and G. E. Corazza, Centralized and distributed architectures for energy and delay efficient fog network-based edge computing services, IEEE Transactions on Green Communications and Networking, Vol. 3, Issue 1, pp.250-263, 2019. 30.

(40) 9.. J. Liu, B. Bai, J. Zhang, and K.B. Letaief, Cache placement in fog-rans: from centralized. to. distributed. algorithms,. IEEE. Transactions. Communications, Vol. 16, Issue 11, pp.7039-7051, 2017.. 10.. on. Wireless. .. A. Baneriee, M. S. Chishti, A. Rahman, and R. chanazain, centralized framework for workload distribution in fog computing, in Proceeding of the third International Conference for Convergence in Technology (I2CT), pp.1-5, 2018.. 11.. Y. Li, N. T. Anh, A. S. Nooh, K. Ra, and M. Jo, Dynamic mobile cloudlet clustering for fog computing, in Proceeding of the International Conference on Electronics, Information, and Communication (ICEIC), pp.1-4, 2018.. 12.. H. Gupta, E. Saurez, and U. Ramachandran, FogStore: toward a distributed data store for fog computing, in Proceeding of the 2017 IEEE Fog World Congress, pp.16, 2017.. 13.. Y. Xiao, M. Krunz, Distributed optimization for energy-efficient fog computing in the tactile internet, IEEE Journal on Selected Areas in Communications, Vol. 36, Issue 11, pp.2390-2400, 2018.. 14.. N. Mostafa, I. A. Ridhawi, and M. Aloqaily, Fog resource selection using historical executions, in Proceeding of the third International Conference on Fog and Mobile Edge Computing (FMEC’18), pp.272-276, 2018.. 15.. W. Tang, S. Li, W. Rafique, W. Dou, and S. Yu, An offloading approach in fog computing environment, in Proceeding of the 2018 International Conference of IEEE SmartWorld, Ubiquitous Intelligence & Computing, Advanced & Trusted Computing, Scalable Computing & Communications, Cloud & Big Data Computing, Internet of People and Smart City Innovation ( S m a r t Wo r l d / S C A L C O M / U I C / AT C / C B D C o m / I O P / S C I ) , p p . 8 - 1 2 , 2018.……………………………………………………………………. 31.

(41) 16.. S. Lu, J. Wu, Y. Duan, N. Wang, and Z. Fang, Cost-efficient resource provisioning in delay-sensitive cooperative fog computing, in Proceeding of the IEEE 24th International Conference on Parallel and Distributed Systems (ICPADS), pp.706713, 2018.. 17.. M. A. Nadeem, M. A. Saeed, Fog computing: an emerging paradigm, in Proceeding of the Sixth International Conference on Innovative Computing Technology (INTECH), pp.83-86, 2016.. 18.. D. Wang, Z. Liu, X. Wang, and Y. Lan, Mobility-aware task offloading and migration schemes in fog computing networks, IEEE Access, Vol. 7, pp.4335623368, 2019.. 19.. L. Liu, Z. Chang, X. Guo, and S. Mao, and T. Ristaniemi, Multiobjective optimization for computation offloading in fog computing, Vol. 5, Issue 1, pp.283294, 2018.. 20.. Q. Zhu, B. Si, F. Yang, and Y. Ma, Task offloading decision in fog computing system, China Communications, Vol. 14, Issue 11, pp.59-68, 2017.. 32.

(42)