移动异构嵌入式系统在云计算中的能量感知任务分配

移动异构嵌入式系统在云计算中的能量感知任务分配摘要最近的移动异构嵌入式系统的快速扩展，导致一个显著的硬件升级，支持多个核心处理器。随着计算量的增加，能耗越来越大。云计算被认为是降低能源成本的解决方案之一。然而，简单的卸载计算远程端不能有效地降低能源消耗，当无线通讯造成的能源成本大于它在移动设备上时。在本文中，我们专注于能源浪费的问题，当任务分配给远程的云服务器或多核心处理器时。我们的解决方案旨在通过优化任务分配到多核心和移动云减少移动异构嵌入式系统的总能量成本。提出的模型称为能量感知的异构资源管理模型（EA-HRM2），这是由一个主要的算法--最优异构任务分配（OHTA）算法支持。我们的实验结果证明我们的方法节约能源，当在移动云系统部署异构嵌入式系统是有效的。索引词：能源感知、任务分配、异构云计算，NP-hardI、简介移动技术已经使嵌入式系统无处不在，在多个维度改变人们的生活，从智能手机到移动车载系统。作为一种新兴技术，移动异构嵌入式系统（MHES）被认为是移动设备的主流的发展趋势之一，平衡着移动设备的高性能和成本。近年来，云计算的快速发展使这一趋势得到了授权。在移动设备上繁重的工作量交到云服务器，使能量消耗减少。然而，当局部能量消耗小于无线数据传输成本时，目前的解决方案不能解决无线通信的消耗和节能的目标之间的冲突。由于各种能源消耗来源，简单地使用基于云的服务器不能满足节能的发展要求。同时，当代移动嵌入式系统（MES）有各种能源消耗方面，从应用程序执行到无线通信。例如，智能手机不仅可以提供无线电话，而且还提供了一个移动应用程序平台。异构计算系统，使移动设备实现高性能的计算，如同步分配一个链的任务多个核心。然而，当大型任务下载时，能源成本上升，可如果一些任务卸载到云需要较少的能量。因此，当能源需求在本地和远程执行之间变化时，一个最佳的确定性机制的任务分配可以帮助系统减少能源的总成本。图1：该模型的架构围绕这一目标，我们提出了一个新的模型，称为能量感知的异构资源管理模型（EA-HRM2），以最小的能量实现高性能计算的能力。图1表示该模型的体系结构，通过这个模型，任务被动态分配给异构多核处理器和远程。任务分配目标是以最大限度地降低总成本。我们提出我们的算法，优化异构任务分配（OHTA），为了实现设计目标，算法目标是动态分配任务到各种核心和远程云。任务分配是基于成本映射和我们提出的最佳的替代方案和调整。该算法包括两个步骤：1）产生一个次优的解决方案，2）通过优化调整，产生一个最佳的解决方案。我们提出的模型是以低水平的能源需求实现高性能系统MES的一种尝试。本文的主要贡献包括：1）我们提出了一种新的用于最小化在云系统MHES计算能源成本智能任务分配到核心或远程的云服务器的优化方法。2）我们提出了一个解决异构任务分配问题的MES应用在云环境中，这是一个NP-hard问题。本文的其余部分由以下部分组成。一个动机的范例是展示在第二节。调整的动机的例子，我们解释的机制和系统定义在第三节中，第三节中，我们说明了我们的模型提出的主要算法。此外，我们的分析显示，部分实验结果在第五部分。接下来，我们展示在第三节我们的模型的详细的描述，最后，我们给出的结论在第六节。II、动机的范例我们代表一个简单的例子来解释我们提出的方案在这一部分的基本机制。应用程序的情况下被配置为处理一些输入的任务，有前面和后续的关系。图2表示表示给定示例的任务路径的有向非循环任务图。总共有11个任务，如图所示。任务1是输入任务和任务9、10和11是退出任务有前面和后续关系的任务。图2表示表示的有一个有向非循环的任务图给定实例的任务路径。总共有11个任务，如图所示。任务1是进入任务和任务9、10和11个是退出任务图2：表示给定示例的任务路径的任务图这些任务需要在给定的MHES其中三异构多核处理。在不同的内核的执行能量成本变化。同时，可以将任务有选择的卸载到远程的云服务器以降低总的能源成本。我们使用C表来映射任务在不同的核心的能源成本。表一显示C表代表能源消耗为每个任务在每个模型的实例。例如，任务1需要8.95个单位的能量在核心1，但只需要3.2个单位的能量在核心3。表一：C表：能源消耗为每个任务在每个模式的示例。1、T：任务；C1：核心1；C2：核心2；C3：核心3；MC：移动云服务器2、相同的符号用于表2，3和4因此，这个示例的输入包括在图2中有一个有向环的任务图的一组任务。输出是一个任务分配，可以最大限度地减少所有任务的总能量成本。我们的解决方案主要包括三个步骤。首先，我们将这些任务分为三个节点，根据前面和后续的关系。例如，在这个示例中有四个节点，为节点A、B、C和D。因此，{1}→节点A，{2，3，4}→节点B，{5，6，7}→节点C，{8，9，10}→节点D表二：G表生成的给定的例子第二，我们使用Greedy算法产生一个次优的解决方案。在每个节点中，我们选择了可用的核心，需要的最低功率任务的任务，这也包括云侧处理器。完成这一步可以生成一个G表，它使用Greedy算法来获得一个次优的解决方案。表二代表G表中选定的核心是一个大胆的例子。最后，我们用我们的算法生成一个D表，是一种基于G表最优解。为了达到这一目的，通过OHTA算法我们对G表做一些调整。表四表示一个调整后的G表，显示了一个最佳的选择。调整后的核心任务是以“*”为标志的。表三：例子显示G表中任务5、6、7和8G表的最终分配的调整。aCD：成本差异。Si：第i步（例如：S1意味着步骤1）。表四：D表：开发的最佳解决方案，从G表（调整后）任务分配方案是：任务1→核心任务3，任务2→核心2，3→核心任务3，任务4→MC，5→核心任务2，任务6→MC，7→核心任务1，任务8→核心3，任务9→MC，任务10→核心2，和任务11→核心3因此，使用我们的计划只需要46.88个单位的能量，这是少于56.65个单位的能量，所需的Greedy的编程。随后的章节给出了详细的描述。III、概念和模型我们定义了系统的定义和主要概念在本节中。A、问题陈述和定义定义1、在异构计算的能量最小化问题(EMPHC)：输入包括一个无环有向任务图G=（V，E）。∃vi∈V,ei(vm,vn)∈E。每个节点vi是一个任务。每一个ei(vm,vn)指的是节点之间的边缘vm和vn显示任务成功的关系。异构内核Cj、C表，C映射每个任务的能量成本C(vi,cj)在每一个核心。C={(Vi,C(vi,cj))}。输出是一个任务分配计划p，我们的目标问题是如何通过执行P，以尽量减少能源成本。在定义1定义中，对这一问题的输入包括一个链，连接到一个无环有向任务图任务，表示为G=（V，E）。G是有向无环的任务图；V是指G中所涉及的任务；E是指任务之间的边缘。因此，存在着w任务Vi和每一个任务vi属于V。ei(vm,vn)∈E代表进行任务之间的继承关系。此外，还包括一个输入CT表能够映射每个任务在每个核心的能源需求，表示为C(vi,cj)。对于远程云的侧核心，我们通过总结所有的成本引起的数据传输计算了能源消耗，包括发送和接收数据。输出将是一个任务分配计划标记为P。我们的目标是找出方法，可以动态地选择首要的芯产生最低的能源消耗。总能源成本，Ctotal，是一个所有任务的能源成本的总和。总成本计算公式由方程1给出。Vi（Cj）代表的任务Vi在核心Cj的成本wijitotalcvC1)(（1）在这个问题中，具有挑战性的问题是很难获得在异质核心任务分配的最优解。通过遍历所有的情况下的组合通常需要比较的结果，获得最小的结果。III-B部分给出了最优解的获得过程的详细描述。B、能量感知的异构资源管理模型（EA-HRM2）EA-HRM2模型包括几个过程，包括预处理过程（PP），次优解的生成过程（S2GP），和最佳的解决方案的生成过程（OSGP）。关键组件是OSGP，调整将从S2GP输出产生的最优解。图3：对能量感知的异构资源管理模型的操作过程（EA-HRM2）图3说明了操纵EA-HRM2模型的过程。根据图,当任务输入时节点将生成,可简化流程结构。接下来,将会创建一个C表映射能源消耗。C表是表的一个示例。此外,我们使用Greedy算法来生成最优分配的解决方案,这是由G表表示。根据这个表,我们使用我们的算法来完成一系列的调整,最终创建一个D最优分配解决方案表。分配这个D表输出数据分配计划。调整操作的关键过程的这种机制是最优解决方案。给出了详细的调整方法在第四节我们的算法描述。IV、算法本节介绍我们的主要算法用于EAHRM2模型。算法有资格作为最优异构任务分配(太)算法,其目的是获得最优解通过调整最优解决方案。解决方案是为解决EMPHC问题可采用的一种方法。与此同时,我们的算法的输入包括C表和任务分配。C表是指表映射每个任务的所有能源消耗在每个可用的核心。任务分配是一个最优任务分配方案,可以通过使用Greedy算法获得。这个算法的输出是新的任务分配,这是由调整最优的解决方案。OHTA是由算法的伪代码IV.1我们的算法的主要阶段包括:1)输入CT能和任务分配一个次优的分配计划。2)我们生成一个表Temp，用于调整来自任务分配的调整操作。我们使用分配的核心的成本减去所有相同任务成本，并将结果映射到表Temp。3)对于每一个任务在每个任务组,我们寻找能量最低成本的价值。如果有一个值A小于0,将比较A和另一个值。假设T1的成本任务是A，T1的任务是B.任务T2被分配的值C，是作为一个和A相同的核心。D是对应于B的值。如果A+D0，我们将切换B和C。4)重复调整操作,直到没有一个A+D0的情况。5)输出分配计划根据最终的表。ⅴ、实验和结果我们描述我们的实验配置两个节和说明一些实验结果,分析和发现V-B节。A：实验配置实验环境是建立在我们的实验室，我们开发了一个模拟器，是专门为这个实验设计和操作用来模拟云计算中的应用。在这个实验中的硬件设置包括有8核CPU的HP服务器，一个9GM的存储器，和MySQL5.7。模拟云的一面，我们安装了VMware工作站和Ubuntu15.04LTS服务器在VMware工作站。此外，我们比较了我们提出的方案，EA-HRM2，与其他两个算法，Greedy和First-in-First-Out（FIFO）算法。我们配置了四个实验装置，以评估所提出的模型的性能。这两个装置考虑了两个检查方面，包括节能性能和执行时间。在我们的实验中主要有三个变量：输入任务（T）的数量，可用的核心（C）的成本和任务组（G）的数量。四个实验装置是：装置1：我们为此装置设置了100个模拟，每个模拟由6个任务（T），3个可用的核心（C），数据被分为3组。装置2：我们为此装置设置了100个模拟，每个模拟由11个任务（T），4个可用的核心（C），数据被分为4组。装置3：我们为此装置设置了100个模拟，每个模拟由20个任务（T），5个可用的核心（C），数据被分为5组。装置4：我们为此装置设置了100个模拟，每个模拟由100个任务（T），20个可用的核心（C），数据被分为10组。下一节提供了一些实验结果，这些实验结果以这四个装置的实现为基础。B:试验结果图4表示为任务分配方案生成的时间消耗比较下四设置。我们发现，我们提出的模型所需的生成任务分配比Greedy和FIFO算法的执行时间较长。合理的逻辑，因为FIFO算法它是需要最少的计算量,所以其有短的执行时间。Greedy算法也需要计算比EA-HRM2少。然而，作为一个解决方案的一个NP-hard的问题，我们提出的方案的执行时间是在一个可接受的时间范围。图5表示EA-HRM2、Greedy、和FIFO之间的节能比较结果设定在1。我们选择10实验结果100模拟的结果说明在图。根据这一数字，我们提出的方案有更好的表现，在大多数情况下，在此设置。图6在设置下2示出了10个实验结果，从100个模拟中选择。我们提出的方案在节约能源的优势仍然明显。EA-HRM2的能量消耗比在所有情况下多FIFO。然而，在更多的能源消耗，利用Greedy算法接近我们提出的方案。