面向物联网的任务迁移优化研究
为了应对物联网(InternetofThings,IoT)应用巨大的计算需求与IoT设备受限的计算能力之间的矛盾，边缘计算技术被广泛地应用于物联网中。
通过将计算任务迁移至边缘服务器进行处理，缓解了IoT设备的负载压力。
但随着机器学习等技术与物联网的融合，任务处理的时延要求日益严格，面对计算量大且数量众多的计算任务，如何设置任务迁移方案从而高效地处理计算任务成为了亟待解决的问题。
针对因子任务间时序依赖、MEC服务器负载动态变化而导致迁移效率降低的问题，本章提出一种基于负载预测的任务切分迁移优化方法。
首先，通过建立时序任务切分模型，子任务间的时序依赖关系被转化为子任务迁移的时序限制条件。
其次，根据任务切分迁移的优化目标与子任务迁移的时序限制条件，任务切分迁移的优化问题被建模为双目标规划问题。
最后，为了解决此问题，构建基于Bi-LSTM网络的负载预测模型感知MEC服务器的负载变化趋势。
结合负载预测结果提出一种基于拍卖机制的计算资源分配策略，通过双向分析子任务与MEC服务器间的计算资源匹配过程，生成符合优化目标的任务切分迁移决策。
在不可切分计算任务的迁移过程中，针对因计算资源分布不均衡、IoT设备运行状态时序变化而导致迁移效率降低的问题，本文使用分布广泛且具有一定计算能力的端设备处理IoT设备的计算任务，提出一种端设备辅助的时序任务迁移优化方法。
首先，依据历史数据抽取IoT设备对计算任务的兴趣，通过分析兴趣的时序变化趋势，感知网络中可用的计算资源。
其次，建立波纹网络分析IoT设备间的社交行为，根据时序变化的社交关系筛选最佳匹配的候选端设备。
最后，综合考虑边缘服务器的负载状态与任务迁移的系统收益，提出基于时序社交相似度的计算资源分配算法从而生成云边端协作的任务迁移决策。实验结果表明，所提优化方法能均衡计算资源的分布状态，提高任务迁移效率。
在可切分计算任务的迁移过程中，计算任务被切分为彼此关联的子任务，子任务可被迁移至不同的边缘服务器内进行处理。
针对因子任务间时序依赖、边缘服务器负载动态变化而导致迁移效率降低的问题，本文提出了一种基于负载预测的任务切分迁移优化方法。依据子任务间的执行次序，建立一种时序任务切分模型从而将子任务间的时序依赖关系转化为迁移过程中的时序限制条件。
在此基础上，以数据传输时延与计算资源使用效率为优化目标，将任务切分迁移的优化问题建模为双目标规划问题。
为了解决此问题，构建负载预测模型感知边缘服务器的负载变化趋势，结合负载预测结果提出一种基于拍卖机制的计算资源分配策略，通过双向分析计算资源的分配过程从而对优化问题进行求解，生成符合优化目标的迁移决策。
针对因子任务间时序依赖、MEC服务器负载动态变化而导致迁移效率降低的问题，一方面，使用时序任务切分模型将子任务间的时序依赖关系转化为子任务迁移的时序限制条件，使得执行次序相邻的子任务被迁移至距离较近的MEC服务器内，降低了任务切分迁移的时延。
另一方面，建立基于Bi-LSTM网络的负载预测模型感知负载状态的变化趋势，使得MEC服务器更加精准地为子任务分配计算资源，提高任务切分迁移的效率。
实验结果表明，所提优化方法能降低子任务间的数据传输时延，提高任务切分迁移的效率。
物联网是结合智能传感与智能控制的技术领域。
在智能穿戴、战场协作与海底探测等弱网络环境中，IoT设备因通信质量较差无法获得服务器的实时响应，为了使IoT设备与服务器高效地协作分析实时数据，未来将在弱网络环境下继续探索任务迁移优化方法。
在IoT设备分布稀疏的场景中，由于数据样本较少，设备运行的时序状态无法被准确地描述。因为，未来将此场景中进一步探索设备时序状态的描述方法，为实现高效的任务迁移过程提供决策支持。
在不同的物联网应用中，计算任务的切分方式往往与业务相关。对于与上层业务强耦合的计算任务，未来将结合不同业务场景的特点，进一步地探索的任务切分迁移的方案。
