面向云-边协同计算的资源管理技术 pdf下载

随着通信技术和硬件技术的快速发展以及移动设备的普及，云计算和边缘计算的资源管理问题在工业界和学术界都引起了广泛的关注。为满足相关研究人员的参考需求，作者编著了《面向云-边协同计算的资源管理技术》》，主要介绍云-边协同资源管理相关理论和研究，帮助读者了解云-边协同资源管理问题和解决方法。《面向云-边协同计算的资源管理技术》》呈现了以下理论、技术与应用：云计算；边缘计算；云-边协同；资源管理使能机制；资源自适应管理方法。

陈 星 福州大学教授，博士生导师，福州大学计算机与大数据学院副院长。本硕博毕业于北京大学。目前主要研究软件工程、系统软件等。主持国家自然科学基金、国家重点研发计划子课题等4项国家级项目。在国内外学术期刊发表50余篇论文，授权10件国家发明专利。

林 兵 福建师范大学副教授，硕士生导师，福建师范大学物理与能源学院系副主任。本硕博毕业于福州大学。目前主要研究计算智能、工作流调度等技术。主持和参与国家自然科学基金、福建省自然科学基金等项目共5项。在国内外学术期刊上发表30余篇论文，授权6件国家发明专利。

陈哲毅 福州大学计算机与大数据学院硕士生导师，福建省网络计算与智能信息处理重点实验室副主任，入选福州大学“旗山学者”（海外项目）。主要研究方向包括机器学习、资源优化等。

目录

第1章概述

1．1研究背景与意义

1．2国内外研究现状

1．2．1云计算

1．2．2云边协同计算

1．2．3资源自适应管理

1．3主要内容和结构安排

第2章面向云边协同计算的资源管理使能机制

2．1基于运行时软件体系结构模型的混合云平台管理方法

2．1．1引言

2．1．2相关工作

2．1．3方法概览

2．1．4云计算平台运行时模型的构造方法

2．1．5云平台软件体系结构的统一模型

2．1．6统一模型到单一云平台运行时模型的映射方法

2．1．7实验与评估

2．1．8总结

2．2基于成本估算的Android应用计算卸载方法

2．2．1引言

2．2．2相关工作

2．2．3方法概览

2．2．4计算迁移在线决策方法建模

2．2．5决策模型

2．2．6实验与评估

2．2．7总结

2．3基于情境感知的移动云计算环境下的计算卸载方法

2．3．1引言

2．3．2相关工作

2．3．3方法概览

2．3．4计算迁移设计模式

2．3．5评估模型

2．3．6实验与评估

2．3．7总结

2．4移动边缘环境下面向Android应用的计算卸载方法

2．4．1引言

2．4．2相关工作

2．4．3方法概览

2．4．4计算迁移的设计模式

2．4．5计算迁移的评估模型

2．4．6计算迁移自适应中间件的实现

2．4．7实验与评估

2．4．8总结

2．5移动边缘环境下面向DNN应用的计算卸载方法

2．5．1引言

2．5．2相关工作

2．5．3方法概览

2．5．4卸载机制的设计模式

2．5．5卸载方案的评估模型

2．5．6实验与评估

2．5．7总结

第3章面向云计算的资源自适应管理方法

3．1基于机器学习的云软件服务资源分配方法

3．1．1引言

3．1．2相关工作

3．1．3问题模型

3．1．4基于机器学习的资源分配方法

3．1．5基于机器学习和自校正的资源分配方法

3．1．6实验与评估

3．1．7总结

3．2基于迭代QoS模型的云软件服务资源自适应管理框架

3．2．1引言

3．2．2相关工作

3．2．3云软件服务资源管理问题形式化

3．2．4基于迭代QoS模型的资源自适应管理方法

3．2．5实验与评估

3．2．6总结

3．3基于预测反馈控制和强化学习的云软件服务资源分配方法

3．3．1引言

3．3．2相关工作

3．3．3云软件服务资源管理问题形式化

3．3．4基于简单DQN的资源分配预测方法

3．3．5基于强化学习的预测反馈控制方法

3．3．6实验与评估

3．3．7总结

3．4面向负载时间窗口的云软件服务资源分配方法

3．4．1引言

3．4．2相关工作

3．4．3问题模型

3．4．4算法

3．4．5实验与评估

3．4．6总结

3．5混合云环境下代价驱动的工作流应用任务调度方法

3．5．1引言

3．5．2相关工作

3．5．3问题模型

3．5．4pre_CSPCPM调度算法

3．5．5实验与评估

3．5．6总结

3．6混合云环境下代价驱动的大数据应用任务调度方法

3．6．1引言

3．6．2相关工作

3．6．3相关算法

3．6．4ADPSOGA调度算法

3．6．5实验与评估

3．6．6总结

3．7混合云环境下资源利用率和代价双目标驱动的工作流应用任务调度方法

3．7．1引言

3．7．2相关工作

3．7．3问题模型

3．7．4OWSA2CI调度算法

3．7．5实验与评估

3．7．6总结

3．8混合云环境下代价驱动的多工作流应用在线任务调度方法

3．8．1引言

3．8．2相关工作

3．8．3问题模型

3．8．4OMLFHP调度算法

3．8．5实验与评估

3．8．6总结

第4章面向云边协同计算的资源自适应管理方法

4．1云边协同环境下时间驱动的工作流应用数据布局方法

4．1．1引言

4．1．2相关工作

4．1．3问题模型

4．1．4算法

4．1．5实验与评估

4．1．6总结

4．2云边协同环境下代价驱动的工作流应用任务调度方法

4．2．1引言

4．2．2相关工作

4．2．3问题模型

4．2．4相关算法

4．2．5实验与评估

4．2．6总结

4．3云边端协同环境下代价驱动的DNN应用计算卸载任务调度方法

4．3．1引言

4．3．2相关概念与关键技术

4．3．3DNN应用计算迁移问题定义

4．3．4面向成本优化的DNN应用计算迁移决策技术

4．3．5面向能耗优化的DNN应用计算迁移决策技术

4．3．6实验与评估

4．3．7总结

4．4移动边缘环境下基于预测反馈控制和强化学习的多边缘协同负载均衡

方法

4．4．1引言

4．4．2相关工作

4．4．3问题模型

4．4．4相关算法

4．4．5实验与评估

4．4．6总结

参考文献

前言

随着通信技术和硬件技术的快速发展，移动设备逐渐普及。人们已经习惯了其在生活和工作中带来的便捷，移动设备成为人们生活中不可或缺的一部分。科技的不断进步使得移动设备不仅在数量上呈爆炸式增长，性能也越来越强大。移动设备拥有计算能力更加强大的处理器、更大的运行内存、更多高质量的传感器以及更大更灵敏的高清屏幕等，已经能够媲美一些传统的计算设备，越来越多功能纷繁多样的移动应用程序出现并在移动设备上执行。随着人工智能和大数据的兴起，移动应用程序的计算和数据处理越来越密集。虽然移动硬件相关技术已经取得了很大的进步，但受到重量、大小、人体工程学和散热等因素的限制，移动设备的计算资源仍然是有限的，并不能完全满足移动应用程序的需求。如何使用外部资源弥补移动设备资源的不足是一个重要的研究课题。

移动云计算(Mobile Cloud Computing, MCC)是解决移动设备计算资源不足问题的一般方法。在MCC范式下，移动设备能够将部分或全部计算任务卸载到资源丰富的云中心，从而有效扩展移动设备的计算资源。但是在现有的网络环境中，MCC范式下移动设备与云中心之间长距离数据传输导致较长响应时间的缺陷被放大，随着应用程序对时延愈发敏感，MCC不再适用于涉及实时应用和保证服务质量的场景。移动边缘计算（Mobile Edge Computing, MEC）作为一种能更好地解决移动设备资源不足问题的高效方法应运而生，它是指在靠近物或数据源头的一侧，采用集网络、计算、存储、应用核心能力于一体的开放平台，就近提供最近端服务。其应用程序在边缘侧发起，产生更快的网络服务响应，满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。

在上述背景下，云计算和边缘计算的资源管理问题在工业界和学术界都引起了广泛的关注。为满足广大相关研究人员的参考需求，作者编写了此书。本书是一部系统论述云边协同计算中资源管理技术的图书，主要介绍了云边协同资源管理相关理论和研究，帮助读者了解云边协同资源管理问题和解决方法。本书呈现了以下理论、技术与应用： 云计算、边缘计算、云边协同计算、资源管理使能机制、资源自适应管理方法。全书分为4章。第1章为绪论部分，介绍了本书作者研究的面向云边协同计算的资源管理技术的相关背景、研究意义以及国内外研究动态和存在的问题。第2章介绍了5种面向云边协同计算的资源管理使能机制，并对每种机制进行背景意义问题模型和分析，最后在考虑不同代价的基础上提出了有效的优化调度算法。第3章介绍了8种面向云计算的资源自适应管理方法，并对每种方法进行背景意义分析，随后提出了多种面向云计算的资源自适应调度算法。第4章介绍了4种面向云边协同计算的资源自适应管理方法，并提出了多种云边环境下由不同代价驱动的资源自适应管理方法。

本书适合广大云计算资源管理方向相关研究人员作为参考用书。

在本书编写过程中，参考了国内外专家学者的相关文献资料、书籍和大量研究成果，在此表示感谢。

由于编者水平有限，书中难免有疏漏和不足之处，恳请读者批评指正！

编者2023年4月