[论文解读] A Cooperative Scheduling Scheme of Local Cloud and Internet Cloud for Delay-Aware Mobile Cloud Computing

Tianchu Zhao, Sheng Zhou+3 more|arXiv (Cornell University)|Nov 27, 2015

IoT and Edge/Fog Computing参考文献 9被引用 23

一句话总结

本文提出一种基于阈值的协作调度方案，可在资源受限的本地云上动态将延迟容忍型任务卸载至互联网云，同时优先处理延迟敏感型应用。通过整合优先级队列与优化的缓冲阈值，该方案在高负载下可将任务成功概率提升最多20%，在优先调度下额外提升5%，显著提升了延迟感知移动云环境中的服务质量（QoS）。

ABSTRACT

With the proliferation of mobile applications, Mobile Cloud Computing (MCC) has been proposed to help mobile devices save energy and improve computation performance. To further improve the quality of service (QoS) of MCC, cloud servers can be deployed locally so that the latency is decreased. However, the computational resource of the local cloud is generally limited. In this paper, we design a threshold-based policy to improve the QoS of MCC by cooperation of the local cloud and Internet cloud resources, which takes the advantages of low latency of the local cloud and abundant computational resources of the Internet cloud simultaneously. This policy also applies a priority queue in terms of delay requirements of applications. The optimal thresholds depending on the traffic load is obtained via a proposed algorithm. Numerical results show that the QoS can be greatly enhanced with the assistance of Internet cloud when the local cloud is overloaded. Better QoS is achieved if the local cloud order tasks according to their delay requirements, where delay-sensitive applications are executed ahead of delay-tolerant applications. Moreover, the optimal thresholds of the policy have a sound impact on the QoS of the system.

研究动机与目标

• 解决在高流量负载下本地云资源不足时移动云计算中服务质量（QoS）下降的问题。
• 通过在本地云过载时智能地将延迟容忍型应用卸载至互联网云，降低移动用户的任务完成延迟。
• 通过基于优先级的调度策略，优先处理延迟敏感型任务而非延迟容忍型任务，从而提升QoS。
• 根据流量负载动态优化缓冲阈值，以最大化满足延迟要求的概率。
• 设计一种低复杂度的递归算法，用于计算最优阈值，以平衡队列长度与等待时间。

提出的方法

• 将本地云建模为一个优先级队列，其中延迟敏感型任务的优先级高于延迟容忍型任务。
• 引入基于阈值的卸载策略：当本地云缓冲区占用率超过阈值时，将延迟容忍型任务卸载至互联网云。
• 互联网云的平均延迟为200 ms，而本地云的平均服务时间为10 ms。
• 通过一种递归算法计算最优阈值，以在不同流量负载下最小化等待时间并最大化成功概率。
• 系统采用双阈值机制：B1控制卸载的启动，B2控制缓冲区大小，两者均根据流量负载自适应调整。
• 性能评估以成功概率为主要指标，将所提策略与FCFS、非优先级及仅本地方案进行对比。

实验结果

研究问题

• RQ1 本地云与互联网云之间的协作调度在延迟敏感型移动云环境中如何提升QoS？
• RQ2 当本地云资源受限时，任务优先级调度对成功概率有何影响？
• RQ3 最优缓冲阈值（B1和B2）如何随流量负载变化，以平衡队列长度与等待时间？
• RQ4 将延迟容忍型任务卸载至互联网云能在多大程度上提升满足延迟要求的成功概率？
• RQ5 确定最优阈值的计算复杂度如何？是否可通过递归算法降低复杂度？

主要发现

• 在高流量负载下，本地云与互联网云的协作可使任务在延迟要求内完成的成功概率提升超过20%。
• 基于优先级的调度策略相比非优先级方案，成功概率额外提升5%，因其优先执行延迟敏感型任务。
• 最优缓冲阈值（B1和B2）高度依赖于流量负载：B2随负载增加而增大以容纳更多任务，但在重载下减小以降低排队延迟。
• 用于阈值计算的递归算法在计算复杂度较低的情况下实现最优性能，支持实时部署。
• 非优先级与非缓冲策略表现较差，原因在于缺乏未来规划与资源利用效率低下。
• 当流量负载较低时，仅本地云即可满足大多数延迟要求；但随着负载增加，性能急剧下降，因此必须与互联网云协作。