面向物聯網的任務遷移優化研究
為了應對物聯網(InternetofThings,IoT)應用巨大的計算需求與IoT裝置受限的計算能力之間的沖突，邊緣計算技術被廣泛地應用于物聯網中。
通過将計算任務遷移至邊緣伺服器進行處理，緩解了IoT裝置的負載壓力。
但随着機器學習等技術與物聯網的融合，任務處理的時延要求日益嚴格，面對計算量大且數量衆多的計算任務，如何設定任務遷移方案進而高效地處理計算任務成為了亟待解決的問題。
針對因子任務間時序依賴、MEC伺服器負載動态變化而導緻遷移效率降低的問題，本章提出一種基于負載預測的任務切分遷移優化方法。
首先，通過建立時序任務切分模型，子任務間的時序依賴關系被轉化為子任務遷移的時序限制條件。
其次，根據任務切分遷移的優化目标與子任務遷移的時序限制條件，任務切分遷移的優化問題被模組化為雙目标規劃問題。
最後，為了解決此問題，建構基于Bi-LSTM網絡的負載預測模型感覺MEC伺服器的負載變化趨勢。
結合負載預測結果提出一種基于拍賣機制的計算資源配置設定政策，通過雙向分析子任務與MEC伺服器間的計算資源比對過程，生成符合優化目标的任務切分遷移決策。
在不可切分計算任務的遷移過程中，針對因計算資源分布不均衡、IoT裝置運作狀态時序變化而導緻遷移效率降低的問題，本文使用分布廣泛且具有一定計算能力的端裝置處理IoT裝置的計算任務，提出一種端裝置輔助的時序任務遷移優化方法。
首先，依據曆史資料抽取IoT裝置對計算任務的興趣，通過分析興趣的時序變化趨勢，感覺網絡中可用的計算資源。
其次，建立波紋網絡分析IoT裝置間的社交行為，根據時序變化的社交關系篩選最佳比對的候選端裝置。
最後，綜合考慮邊緣伺服器的負載狀态與任務遷移的系統收益，提出基于時序社交相似度的計算資源配置設定算法進而生成雲邊端協作的任務遷移決策。實驗結果表明，所提優化方法能均衡計算資源的分布狀态，提高任務遷移效率。
在可切分計算任務的遷移過程中，計算任務被切分為彼此關聯的子任務，子任務可被遷移至不同的邊緣伺服器内進行處理。
針對因子任務間時序依賴、邊緣伺服器負載動态變化而導緻遷移效率降低的問題，本文提出了一種基于負載預測的任務切分遷移優化方法。依據子任務間的執行次序，建立一種時序任務切分模型進而将子任務間的時序依賴關系轉化為遷移過程中的時序限制條件。
在此基礎上，以資料傳輸時延與計算資源使用效率為優化目标，将任務切分遷移的優化問題模組化為雙目标規劃問題。
為了解決此問題，建構負載預測模型感覺邊緣伺服器的負載變化趨勢，結合負載預測結果提出一種基于拍賣機制的計算資源配置設定政策，通過雙向分析計算資源的配置設定過程進而對優化問題進行求解，生成符合優化目标的遷移決策。
針對因子任務間時序依賴、MEC伺服器負載動态變化而導緻遷移效率降低的問題，一方面，使用時序任務切分模型将子任務間的時序依賴關系轉化為子任務遷移的時序限制條件，使得執行次序相鄰的子任務被遷移至距離較近的MEC伺服器内，降低了任務切分遷移的時延。
另一方面，建立基于Bi-LSTM網絡的負載預測模型感覺負載狀态的變化趨勢，使得MEC伺服器更加精準地為子任務配置設定計算資源，提高任務切分遷移的效率。
實驗結果表明，所提優化方法能降低子任務間的資料傳輸時延，提高任務切分遷移的效率。
物聯網是結合智能傳感與智能控制的技術領域。
在智能穿戴、戰場協作與海底探測等弱網絡環境中，IoT裝置因通信品質較差無法獲得伺服器的實時響應，為了使IoT裝置與伺服器高效地協作分析實時資料，未來将在弱網絡環境下繼續探索任務遷移優化方法。
在IoT裝置分布稀疏的場景中，由于資料樣本較少，裝置運作的時序狀态無法被準确地描述。因為，未來将此場景中進一步探索裝置時序狀态的描述方法，為實作高效的任務遷移過程提供決策支援。
在不同的物聯網應用中，計算任務的切分方式往往與業務相關。對于與上層業務強耦合的計算任務，未來将結合不同業務場景的特點，進一步地探索的任務切分遷移的方案。
