ترجمه نشده
دانلود مقاله بارگیری مبتنی بر آستانه توزیع شده کارآمد برای رایانش ابری موبایل
عنوان فارسی مقاله: بارگذاری مبتنی بر آستانه توزیع کارآمد برای محاسبات ابری موبایل در مقیاس بزرگ
عنوان انگلیسی مقاله: Efficient Distributed Threshold-Based Offloading for Large-Scale Mobile Cloud Computing
مجله/کنفرانس: نتایج بدست آمده در حوزه IEEE/ACM در شبکه - IEEE/ACM Transactions on Networking
رشته های تحصیلی مرتبط: مهندسی کامپیوتر - مهندسی فناوری اطلاعات
گرایش های تحصیلی مرتبط: رایانش ابری - اینترنت و شبکه های گسترده - مهندسی نرم افزار - مهندسی الگوریتم ها و محاسبات
کلمات کلیدی فارسی: رایانش ابری سیار - بارگذاری توزیع شده - تعادل نش - قیمت هرج و مرج - همگرایی
کلمات کلیدی انگلیسی: Mobile cloud computing - distributed offloading - Nash equilibrium - price of anarchy - convergence
نمایه: Scopus - Master Journals List - JCR
شناسه دیجیتال (DOI): https://doi.org/10.1109/TNET.2022.3193073
لینک سایت مرجع: https://ieeexplore.ieee.org/document/9843956
نویسندگان: Xudong Qin - Graduate Student Member - Bin Li - Senior Member - Lei Ying
دانشگاه: Department of Computer Science, Babasaheb Bhimrao Ambedkar University, Lucknow (UP), India
ایمپکت فاکتور: 4.659 در سال 2022
شاخص H_index: 179 در سال 2023
شاخص SJR: 2.025 در سال 2022
شاخص Quartile (چارک): Q1 در سال 2022
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
آیا این مقاله فرضیه دارد: ندارد
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
نوع رفرنس دهی: IEEE Citation
فهرست مطالب (ترجمه) خلاصه
مقدمه
II. مدل سیستم
II. مدل سیستم
IV. شبیه سازی ها
نتیجه گیری
پیوست اول
ضمیمه B
منابع
فهرست مطالب (انگلیسی) Abstract
I. INTRODUCTION
II. SYSTEM MODEL
II. SYSTEM MODEL
IV. SIMULATIONS
V. CONCLUSION
APPENDIX A
APPENDIX B
REFERENCES
بخشی از مقاله (ترجمه ماشینی) چکیده
محاسبات ابری سیار، دستگاه‌های تلفن همراه با محدودیت محاسباتی را قادر می‌سازد تا محاسبات فشرده در زمان واقعی مانند تشخیص گفتار یا تشخیص اشیا را با استفاده از سرورهای ابری قدرتمند انجام دهند. یک مشکل مهم در رایانش ابری موبایل در مقیاس بزرگ، بارگذاری محاسباتی است، جایی که هر دستگاه تلفن همراه با در نظر گرفتن تاخیر پردازش محلی و هزینه استفاده از سرورهای ابری تصمیم می‌گیرد چه زمانی و چه مقدار محاسبات در سرورهای ابری آپلود شود. در این مقاله، ما یک الگوریتم بارگذاری مبتنی بر آستانه توزیع شده را توسعه می‌دهیم که در آن یک کار محاسباتی ورودی را در صورتی که تعداد وظایف در صف دستگاه به آستانه برسد، بارگذاری می‌کند و در غیر این صورت آن را به صورت محلی پردازش می‌کند. آستانه به طور مکرر بر اساس بار محاسباتی و هزینه استفاده از سرورهای ابری به روز می شود. ما مسئله را به عنوان یک بازی متقارن فرمول بندی می کنیم و شرایط کافی و لازم برای وجود و منحصر به فرد بودن تعادل نش (NE) را با فرض زمان های سرویس نمایی مشخص می کنیم. سپس، زمانی که NE وجود دارد، همگرایی الگوریتم توزیع شده پیشنهادی خود را به NE نشان می دهیم. علاوه بر این، زمانی که هزینه استفاده از سرورهای ابری زیاد است، شکاف عملکرد بین هزینه را تحت الگوریتم توزیع شده پیشنهادی و حداقل هزینه از نظر قیمت آنارشی (PoA) مشخص می‌کنیم. در نهایت، ما شبیه‌سازی‌های گسترده‌ای را برای تأیید یافته‌های نظری خود انجام می‌دهیم، کارایی الگوریتم توزیع‌شده پیشنهادی خود را تحت سناریوهای مختلف مانند زمان‌های سرویس فوق‌نمایی، تخمین استفاده ناقص از سرور، و به‌روزرسانی‌های آستانه ناهمزمان نشان می‌دهیم و عملکرد برتر خط‌مشی‌های مبتنی بر آستانه را نشان می‌دهیم.
بخشی از مقاله (انگلیسی) Abstract
Mobile cloud computing enables compute-limited mobile devices to perform real-time intensive computations such as speech recognition or object detection by leveraging powerful cloud servers. An important problem in large-scale mobile cloud computing is computational offloading, where each mobile device decides when and how much computation should be uploaded to cloud servers by considering the local processing delay and the cost of using cloud servers. In this paper, we develop a distributed threshold-based offloading algorithm where it uploads an incoming computing task to cloud servers if the number of tasks queued at the device reaches the threshold and processes it locally otherwise. The threshold is updated iteratively based on the computational load and the cost of using cloud servers. We formulate the problem as a symmetric game, and characterize the sufficient and necessary conditions for the existence and uniqueness of the Nash Equilibrium (NE) assuming exponential service times. Then, we show the convergence of our proposed distributed algorithm to the NE when the NE exists. Further, we characterize the performance gap between cost under our proposed distributed algorithm and the minimum cost in terms of Price of Anarchy (PoA) when the cost of using cloud servers is high. Finally, we perform extensive simulations to validate our theoretical findings, demonstrate the efficiency of our proposed distributed algorithm under various scenarios such as hyperexponential service times, imperfect server utilization estimation, and asynchronous threshold updates, and reveal the superior performance of threshold-based policies over their probabilistic counterpart.
Introduction
REAL-TIME mobile cloud applications (see [1], [2]) have grown rapidly over the last few years and have become ubiquitous. For example, in an international trade show such as Consumer Electronics Show, people in the same convention center may need real-time translation services on their mobile devices at the same time, making it challenging to provide low latency language translation with a low service cost. On the one hand, computing limited devices may not have the required computational capability to process the data locally; and on the other hand, offloading the computing tasks to a cloud-computing center incurs both communication and computing costs. Mobile cloud computing, which utilizes both mobile and cloud computing powers, is a vital solution to address this challenge. A central question in mobile cloud computing is: how much to offload and when? This paper addresses this important question and proposes a distributed offloading algorithm where each device aims at minimizing a cost function, including both the local processing delay and offloading cost at the cloud computing center.
Conclusion
In this paper, we proposed a distributed threshold-based offloading algorithm so that each user gradually updates its own threshold with the goal of minimizing its own cost function consisting of average processing delay and the cost of using the cloud services depending on the server utilization in large-scale mobile cloud computing. We then characterized the sufficient and necessary conditions for the existence and uniqueness of the Nash Equilibrium offloading decision under the exponential service time distribution. Furthermore, we showed the convergence of our proposed distributed algorithm to Nash Equilibrium when it exists. Then, we characterized the performance of PoA when the cost of using cloud servers is high. Finally, we performed extensive simulations to confirm our theoretical findings, exhibited the efficiency of our proposed algorithm under various practice scenarios such as hyperexponential service time distributions, imperfect server utilization estimation, and asynchronous threshold updates, and demonstrated the superior performance of threshold-based policies over their probabilistic counterpart.
