ScalEdge：一种面向基于物联网的 智能系统的可扩展边缘计算框架
摘要
边缘计算将存储、计算和通信服务从云服务器下沉到网络边缘，从而实现低延迟和高可用性。物联网设备资源受限，无法处理计算密集型任务。边缘计算与物联网结合计算卸载，在性能方面提供了一种可行的解决方案。此外，计算卸载还能节省能量、减少计算时间，并延长资源受限物联网设备的电池寿命。然而，当大量物联网设备向边缘发起计算卸载请求时，边缘计算面临可扩展性问题。本文提出了一种三层节能框架，以解决边缘计算中的可扩展性问题。我们在物联网层引入一种节能的递归聚类技术，根据权重对任务进行优先级排序。每个选中的具有最高权重值的任务将被卸载至边缘服务器执行。轻量级客户端‐服务器架构有助于降低计算卸载开销。所提出的面向物联网的节能框架在考虑能耗和延迟约束的同时，做出高效的计算卸载决策。该节能框架降低了物联网设备的能量消耗，减少了计算时间和计算开销，并扩展了边缘服务器。数值结果表明，所提出的框架通过最小化能耗并延长设备寿命，满足了延迟敏感和延迟容忍应用的服务质量要求。
关键词 计算卸载、聚类、边缘计算、物联网、可扩展性、虚拟机
引言
边缘计算是一种新兴计算范式，彻底改变了现代交互式应用和基于物联网（IoT）的智能系统的技术格局。用户越来越倾向于使用移动设备、平板电脑和笔记本电脑等手持设备进行数据处理、计算和通信。这些设备的计算能力在不断提升，但尚无法与台式机相媲美。此外，这些设备资源有限，且其在使用传统云环境时，性能表现较差，导致延迟较高。
物联网在先进基础设施的设计中发挥着至关重要的作用，包括智慧城市、医疗、智能交通、智能家居等。然而，与这些系统相关的应用程序对数据、计算和通信要求较高，需要更多电力、高性能处理和充足的存储资源。物联网设备资源有限，而边缘计算克服了这些弱点，提供低延迟、高带宽和理想的用户体验质量。边缘计算为物联网设备寻求了一种可行的解决方案。图1展示了基于云的边缘计算架构。
计算卸载是边缘计算的主要特征之一，物联网设备将计算密集型任务卸载到边缘服务器进行执行。然而，计算卸载是一项复杂的任务，需要明确卸载什么、何时卸载以及如何卸载。部署计算卸载方案时必须认真考虑，因为它会带来计算和处理延迟，以及网络延迟。基于物联网的系统对低延迟有严格要求，在设计高效的计算卸载方案时必须充分考虑这一点。
这些智能系统由大量物联网设备构建而成。这些设备往往会向边缘服务器发送多个卸载请求，从而导致边缘服务器拥塞，引发可扩展性问题。可扩展性是指边缘服务器同时执行大量计算卸载请求的能力。然而，可扩展性带来了诸多挑战，例如回程链路过载、资源滥用以及阻碍边缘服务器的性能。所提出的解决方案包含以下贡献：
- 我们提出了一种物联网节能框架（EEFI），用于扩展基于物联网的智能系统的边缘服务器。该框架涵盖物联网层、边缘层和云层。云的引入增强了边缘层，使其能够利用丰富的资源特性。
- 在物联网层，我们引入了节能递归聚类（EERC）来对物联网设备进行聚类，以限制发送到边缘服务器的卸载任务数量。卸载决策基于为每个卸载请求分配的权重值。当事件发生时，EERC对物联网设备进行聚类，并根据准则选举簇头（CH）。递归聚类保持了簇头选择是动态的。这种方法节省了物联网设备的能量，因为在计算卸载过程中没有永久指定的簇头。
- 所提出的两阶段计算卸载算法（EEFI）在满足每个任务严格的能量和延迟要求的前提下，执行无缝的卸载过程。首先，在物联网层，该算法通过观察准则来确定将任务卸载到边缘服务器是否比本地执行更有利。其次，在边缘层，该算法确保在常规工作负载下，通过边缘服务器处理延迟敏感和延迟容忍任务。然而，在高工作负载情况下，该算法会将延迟容忍任务卸载到云进行执行。这种方法保护了边缘服务器免受拥塞，并使其能够扩展以实现最优性。
上述技术在处理可扩展性时考虑了多个方面，因此产生了理想的结果。所提出的框架通过EERC聚类在物联网层以及通过EEFI计算卸载算法在边缘层解决了可扩展性问题，同时在边缘层实现了高效的资源管理技术。然而，一些研究在其基于边缘的架构中未考虑云，因而无法利用云的无限资源。此外，大多数研究默认了物联网层有效聚类技术的重要性，相关内容在表1中进行了讨论。
文章的其余部分结构如下：“相关工作”章节包含文献综述，“EEFI”章节重点介绍所提出的EEFI、边缘–云编排以及计算卸载技术。讨论与结果分析在“结果与讨论”部分中呈现，“结论”部分总结了本研究。
相关工作
计算卸载是边缘计算系统的一个显著特征，资源受限的物联网设备可以通过计算卸载来降低延迟和能量消耗。该问题通过计算卸载功能得以解决。此功能通过三种不同技术实现：
- 应用卸载 ，即将完整的应用程序或进程卸载到边缘服务器。这是最常见且最简单的方法。然而，它涉及边缘服务器发现、进程迁移、上下文收集和远程执行控制的复杂性。
- 组件卸载方法 ，应用程序将计算密集型的部分或方法划分为多个部分，并将其卸载到边缘服务器。组件卸载包含了分区、调度、同步和远程执行控制的复杂性。
- 虚拟机（VM）迁移 ，一个虚拟机使用提供服务的边缘服务器向用户提供资源。该模型通过扩展边缘服务器，按需实现基于虚拟机的边缘服务器数量，并且不封装架构和软件的复杂性。
在商业规模上，中小型企业正在以巨大的速度发展。它们无法扩展其技术基础设施以满足未来的需求。大多数情况下，它们无力承担需要前期安装成本、维护成本和升级成本的独立集中式数据中心。这些企业正在转型为智能系统，其基础设施部署需要大量物联网设备进行交互。作者提出了一种基于深度Q学习的组件卸载技术，以处理大规模的计算卸载请求，从而降低大规模卸载中的延迟和能耗。
智慧城市、医疗、教育等智能系统正在不断涌现。然而，这些系统相关的应用程序较为复杂，需要高性能计算，而物联网设备会将计算密集型任务卸载到边缘服务器。随机地卸载这些任务可能在一定程度上满足服务质量（QoS）、延迟和可靠性需求，但在高峰期同时接收大量任务时，边缘服务器会因过多的请求而超负荷，从而导致可扩展性问题。
当大量物联网设备选择卸载任务时，边缘服务器将因处理过多任务而过载卸载请求。这些并发请求会在边缘服务器上造成拥塞，从而导致边缘服务器环境中的可扩展性问题。可扩展性是指系统、网络或进程处理不断增长的工作量的能力。在边缘计算中，通过计算卸载可以实现较高的可扩展性。然而，卸载计算密集型任务在与其他设备和服务器交互时会带来额外的能量消耗和延迟。
可扩展性问题已通过多种方式被研究人员解决。从智能系统的角度来看，系统会产生大量数据，并需要快速响应以及时做出决策。然而，作者实现了一种虚拟机迁移技术，以在边缘服务器上平衡工作负载。此外，通过分布式基于市场的资源管理算法和针对数据和通信密集型应用的灵活资源管理，对边缘服务器的中央处理单元（CPU）、内存、带宽和延迟等资源进行了管理，从而避免了边缘服务器上的瓶颈情况。
边缘计算满足了市场不断发展的需求。研究人员实现了一种低成本框架，用于大规模物联网设备，以实现异构性、可扩展性和弹性。这些研究帮助资源受限的物联网设备将复杂任务卸载到边缘服务器，从而实现低延迟和低能耗。尽管如此，计算卸载会在物联网设备之间产生通信延迟并消耗更多能量，而该研究在提出高效解决方案方面仍存在不足。
启发式卸载决策算法（HODA）引入了不同的优化技术，以实现低延迟并最小化物联网设备的能耗。所提出的选择性卸载方案通过降低网络延迟和能耗来确保可扩展性。然而，该方案未考虑将计算结果返回给用户所需的时间和能量消耗，这一点在我们的工作中得到了考量。
聚类是另一种用于解决可扩展性问题的技术。多项研究表明，这些技术取得了显著的效果。自适应粒子群优化技术通过调整惯性权重参数以找到最优解，对物联网设备进行聚类，从而降低其能耗。社交物联网（SIoT）是一种聚类技术，其中物联网簇中的设备根据共位置、共服务和共拥有关系进行分组，以限制发送到边缘服务器的请求数量，同时避免边缘处的瓶颈。
地理聚类、模糊聚类（FCBWTS）和多聚类扩展了边缘服务器架构，降低了能耗成本，并有效管理大量物联网设备。这些技术扩展了边缘服务器，但会消耗额外能量并增加通信开销。
透明计算和机会式边缘计算（OEC）等新兴计算范式被提出，鼓励利益相关者提供其边缘资源以应对可扩展性问题。然而，在计算卸载的能耗与降低延迟之间存在权衡。所提出的可扩展边缘计算工作考虑在边缘服务器上实施多目标优化，以实现高效资源分配。
我们提出的解决方案涵盖了一个框架。我们在章节‘‘物联网设备的聚类。’’中介绍了在物联网层采用的递归聚类技术。在‘‘边缘‐云协同架构’’一节中提到了一种基于边缘服务器的资源调度技术，以及一种两阶段分层计算卸载算法，该算法充分利用边缘计算的有效性，并结合云与边缘以实现更好的可扩展性。相关工作的摘要见表1。
| 序列号 | 文章 | RMM | CO | FR/OT | RMoE | CT |
|---|---|---|---|---|---|---|
| 1 | Shakarami等人 | CPU、执行时间、延迟 | Yes | 分支定界 | Yes | SIoT |
| 2 | Liu等人 | CPU周期、延迟 | Yes | 粒子群优化 | Yes | No |
| 3 | Budriene和Zalieckait_e | 执行时间、能量消耗、延迟 | No | 供应链营销模型 | Yes | No |
| 4 | Satyanarayanan | 响应时间、延迟, 通信开销 | Yes | 基于SDN的MEC架构 | Yes | 分层 |
| 5 | Rodrigues等人 | 响应时间、能量消耗、延迟 | No | 任务特定学习方案 | Yes | Yes |
| 6 | Katsaragakis | 延迟、通信开销 | No | MOOP | Yes | 基于服务的 |
| 7 | 巴巴尔等人 | 延迟、卸载开销 | Yes | NDK和RenderScript app | Yes | No |
| 8 | Benedetto等人 | 卸载开销，任务数量任务数量，延迟 | Yes | 马尔可夫近似 | Yes | 动态 |
| 9 | Zhou等人 | 执行时间，能量消耗，频率 | Yes | 能效任务卸载与频率调节 | Yes | No |
| 10 | Ortiz等人 | 任务数量，延迟，能耗 | No | 可扩展架构 | Yes | 能量感知 |
CPU ：中央处理单元； SDN ：软件定义网络； MEC ：多接入边缘计算； MOOP ：多目标优化问题； NDK ：原生开发工具包； TOFFEE ：能效任务卸载与频率调节； SIoT ：社交物联网； RMM ：资源管理指标； CO ：计算卸载； FR/OT ：框架/优化技术； RMoE ：边缘资源管理； CT ：聚类技术。
EEFI
本节阐述了用于解决可扩展性问题的提出的方法。内容包括大规模物联网设备如何进行聚类，以及边缘计算如何为边缘‐云协同框架提供可用资源。一种两阶段计算卸载算法实现了低延迟并最小化能量消耗。我们试图在集群形成层面和边缘协同层面均实现可扩展性。
物联网设备聚类
物联网架构由多种异构类型的设备组成。为这些设备即时提供资源给资源受限的边缘服务器带来了挑战。为了解决可扩展性挑战，我们将这些大规模设备划分为更小且易于管理的组，称为簇。这些划分基于EERC算法。EERC是一种事件驱动聚类算法，在事件发生时对物联网设备进行聚类。它提供了两阶段的聚类过程。在第一阶段，使用欧几里得距离计算物联网设备之间的距离，形成“K”个簇。该算法的递归特性进一步根据节点间的距离和间隔将“K”个簇划分为“j”个簇。依据此准则，选举出一个簇头。
簇头选举采用轮询（RR）调度，并且还考虑了设备的能量水平。簇中的每个节点接收数据两个轮次。与簇内其他节点相比，具有最小周转时间、较高能量水平和计算能力的设备被选为簇头（CH）。每当进行重新聚类时，簇头将发生变化，并选择下一个符合标准的节点作为新的簇头。簇内的每个设备都将数据发送给簇头。簇头对数据进行聚合，为每个任务分配权重值，做出卸载决策，并将任务卸载到基站（BS）。图2展示了一种两阶段聚类设计。
EERC的主要优势是可扩展性，因为它减少了转发到边缘服务器的流量，从而保护边缘服务器免受瓶颈影响。次要优势是降低了簇内设备的能量消耗，因为簇头会定期更换。此外，该方法还避免了单点故障，并延长了物联网设备的寿命。在簇头进行数据聚合，仅将高优先级任务卸载到边缘服务器，从而高效利用回程链路，减少通信开销，并提高可靠性。
边缘‐云协同架构
边缘‐云协同架构跨越三层。第一层由章节‘‘物联网设备的聚类。’’中讨论的智能物联网设备组成。第二层分层部署了计算、存储和处理能力有限的边缘服务器，第三层由基于多台服务器的资源丰富的云组成，可提供多种服务。在智能设备和边缘服务器上均部署了客户端‐服务器通信模型，其中手机等智能设备作为客户端，边缘作为服务器。客户端‐服务器模型的部署减少了通信开销，引入边缘服务器可提高能效、增强吞吐量、提供高带宽并减少网络开销。
计算卸载的工作流程如图3所示。
工作流程在三个阶段内完成。首先，来自不同簇的簇头发送请求以获取成功的卸载过程所需的基站信息。作为响应，基站通过考虑损耗因子、信道开销和带宽来提供最佳信道。其次，智能设备在卸载前首先评估卸载是否有利。如果任务需求超出了设备的能力，并且具有较高的权重值，则将使用第4.3节中讨论的卸载算法进行任务卸载。在本研究中，我们基于执行时间、带宽、能耗和延迟来评估任务需求，从而为实现成功的计算卸载提供足够的依据。
Sun和Ansari仅考虑了延迟，而Nan等人则更关注能耗为如此复杂的卸载任务提供的信息有限。第三，基站接收卸载请求，将其转发至边缘服务器以处理计算密集型任务，并通过同一信道将结果发送回终端用户设备，然后释放信道，如图4所示。
簇头聚合数据，并根据公式(1)和(2)做出计算卸载决策。
$$
O_{d,j} =
\begin{cases}
1, & \text{if } M_j < M_d \land w_j > E_{d,j} \
0, & \text{otherwise}
\end{cases}
\quad (1)
$$
其中$O_{d,j}$是计算卸载决策参数，$v_j$是任务j的时间延迟，$M_j$是任务j所需的内存，$M_d$是设备d上可用的内存，$E_{d,j}$是任务j在设备d上的估计执行时间。一旦任务j被卸载到最近的边缘节点e，边缘节点e将进一步决定是否将该任务卸载到云，以防服务器过载或任务的延迟可能超标；否则，任务将在边缘本地执行。卸载决策由以下给出
$$
O_{e,j} =
\begin{cases}
1, & \text{if } w_j < E_{e,j} + Q_{e,j} \
0, & \text{otherwise}
\end{cases}
\quad (2)
$$
其中，$E_{e,j}$是任务j在边缘节点e上的估计执行时间，$Q_{e,j}$是任务j在边缘节点e上的排队延迟。
卸载技术
我们实现了两种用于移动边缘计算的流行计算卸载算法，即高效的多用户计算卸载(EMU)和基于有偏随机化的动态卸载算法(DoA)。然而，当处理固定用户数量的环境时，EMU表现良好；而动态卸载在用户数量非平稳时表现较好，但在蜂窝连接方面性能下降。我们结合了这两种算法以获得更好的性能。所提出的算法基于动态规划，这是一种高效的优化技术，可将复杂问题转化为一系列通用问题，并采用随机化策略。
为仿真目的实现了客户端‐服务器模型，其中基站作为服务器，移动设备作为客户端。EEFI算法在客户端站点上实现，由其决定任务是否卸载，而不同于集中式算法，后者由基站负责做出卸载决策。EEFI算法在用户数量固定的情况下表现良好，而有偏随机化在移动中的用户场景下效果更佳。
计算卸载是一个复杂的过程，需要充分了解完成任务所需的时间以及任务消耗的总能量。掌握这些先验知识将使计算卸载决策变得更加容易。在我们的工作中，我们已经计算了卸载任务所需的时间，如公式(3)所示
$$
T_{off} = T_u + T_e + T_d \quad (3)
$$
其中，$T_{off}$是卸载任务所需的总时间，$T_u$是上传任务所需的总时间，$T_e$表示执行任务所需的时间，$T_d$是下载时间，即任务完成后将结果下载到设备的时间。我们的计算卸载技术表现出更合理的性能和更准确的结果，因为我们考虑了下载时间，而以往的研究忽略了停机影响。
计算卸载所需的时间用公式(4)表示
$$
T_u = \frac{D_n}{W \log_2 \left(1 + \frac{P_u \cdot Los}{N}\right)} \quad (4)
$$
其中，$D_n$是卸载到边缘执行的数据大小。$W$表示信道的带宽。$P_u$是上传任务的设备的总功率。$Los$是信道增益，$N$表示信道中的高斯噪声功率。时间在边缘服务器上执行任务所需的时间用公式(5)表示
$$
T_e = \frac{C_n}{C_e} \quad (5)
$$
其中，$C_E$是边缘服务器的执行速率。计算卸载时间通过结合公式(4)和(5)得到。然而，由于输入大小远大于产生的输出，下载时间对计算卸载时间的影响较小。因此，卸载任务的总时间在公式(6)中给出。
$$
T_{off} = \frac{D_n}{W \log_2 \left(1 + \frac{P_u \cdot Los}{N}\right)} + \frac{C_n}{C_e} \quad (6)
$$
我们已经获得了计算卸载所消耗的能量和时间。在下一阶段，我们阐述了如何根据以下条件来确定卸载决策是否有利。
$$
T_{off} < T_{local} \quad (7)
$$
$$
E_u < E_{local} \quad (8)
$$
算法1. EEFI的计算卸载算法
- 物联网层的卸载
- 输入 = 用于卸载的任务。\ 卸载一个计算密集型任务
- 输出 = 获取执行结果。\ 任务卸载后的执行结果
- DsTask = 0。 \ 任务初始化。
- DtTask = 1。
- 任务可以是延迟敏感的（DsTask）或延迟容忍的（DtTask）
- 任务 = 0 或 1。
- 对每个任务 in tasks 执行
- 如果没有任务需要卸载，则 \ 在本地执行任务
- 在本地执行任务
- 使用(3.2)从基站获取最佳信道。
- 根据公式(3)计算 $T_{off}$。 \ 计算能量和时间消耗
- 根据公式(5)计算 $T_e$
- 设置任务 DsTask
- 设置任务 DtTask
- else if task = 0 且 $T_{off} < lex_e$ 则 \ 任务卸载到边缘或本地执行
- 将任务卸载到边缘
- 否则如果 task = 0 且 $T_e < lex_e$ then
- 将任务卸载到边缘
- 否则如果 task = 1 则
- 将任务卸载到边缘。
- else
- 在本地执行
- 结束 if
- 结束 for
边缘卸载
26. 延迟（DsTask = 1秒） \ 延迟敏感任务的延迟阈值
27. 延迟（DtTask = 0.5秒） \ 延迟敏感任务的延迟阈值
28. 设置服务器拥塞阈值 = 70%。 \ 设置服务器拥塞阈值。
29. 从公式（1）和（2）中获取卸载决策。
30. 对每个任务 in 任务 执行
31. 如果任务 = 0 且服务器拥塞 < 70% 则 \ 在边缘执行任务
32. 使用公式(1)做出卸载决策。
33. 在边缘执行任务
34. 否则如果任务 = 0 且服务器拥塞 ≥ 70% 且延迟满足条件，则 \ 将任务卸载到云
35. 使用公式(2)做出卸载决策。
36. 将任务卸载到云
37. 否则如果任务 = 0 且服务器拥塞 ≥ 70% 且延迟不满足条件，则
38. 将延迟容忍型任务卸载到云 \ 在边缘执行任务
39. 在边缘执行延迟敏感型任务
40. else
41. 在边缘执行任务
42. 结束如果
43. 结束循环
ScalEdge：一种面向基于物联网的 智能系统的可扩展边缘计算框架
结果与讨论
本节描述了通过基于EEFI的三层智能系统所取得的结果。讨论了计算卸载算法的性能提升及其对设备延迟和能耗的影响。仿真设置包括一个半径为250米的基站，遵循第三代合作伙伴计划（3GPP）采用的无线电通信规范。在用户附近部署了一个10 GHz边缘服务器。引入了一个具有不同数据大小的人脸识别应用程序，作为计算密集型任务，其延迟要求分别为：延迟敏感应用为1秒，延迟容忍应用为1.5秒。部署在物联网层的设备具备0.5–1.5 GHz的处理能力。
仿真设置旨在通过分析EEFI的平均延迟、能耗以及边缘服务器所能处理的最大计算卸载请求数来评估其性能。然后，将其与最先进的解决方案进行比较。此外，还观察了在本地执行和完全计算卸载情况下，当请求数量增加时，EEFI的性能提升情况。
卸载的请求从0增加到50。图5展示了单用户多任务方式生成的卸载任务，图6展示了多用户多任务方式。结果表明，在延迟敏感型和延迟容忍型应用程序中，每位用户的平均延迟均有显著改善，如图5和图6所示。在物联网层和边缘层引入了客户端‐服务器架构，该架构简化了两层的同步过程，并减少了通信开销，以满足延迟敏感型和延迟容忍型任务的延迟要求。
EEFI在延迟敏感型任务中实现的平均延迟为0.8秒，在延迟容忍型任务中为1.12秒。在正常情况下，本地执行的平均延迟保持在0.9秒以下，满足延迟敏感型应用严格的延迟要求。然而，平均延迟在高峰时段记录为1.1秒，违反了严格的延迟要求。当卸载请求达到35时，完全卸载的平均延迟上升至1.6秒。由于在物联网层采用了递归聚类，边缘处理的请求数量增加了65%，通过限制发送到边缘服务器的请求数量，避免了服务器瓶颈。然而，当请求数量超过35时，性能下降，这是由于可扩展性问题所致。EEFI比选择性卸载表现出更好的结果。
图7描述了每个用户请求的能耗以及完全卸载时的总能耗。我们观察到，EEFI在延迟容忍型应用中表现良好，且能耗较低（0.070焦耳），比本地执行的能耗低27%。然而，在延迟敏感型应用的情况下，能耗当请求数量少于27时，能耗保持在较低水平；当请求数量增加到35时，能耗上升了10%。这是因为资源受限设备无法节省能量，且试图通过将部分请求从边缘卸载到云，以保护边缘服务器免受瓶颈影响。这也指出了边缘计算的固有问题，即能耗和延迟无法同时降低。
图8展示了不同设备数量下的节省能量和减少时间，图9展示了不同数据大小下的能量和时间减少情况。我们观察到，EEFI在一定程度上节省了能量并减少了时间，而在物联网层部署递归聚类扩展了边缘服务器。
数据大小范围为13至55 MB，用于测试EEFI的性能。如图10所示，在设备电池电量不同且数据大小为30 MB的情况下，观察到显著提升。EEFI优于两种计算卸载方案。然而，随着设备数量的增加，计算开销的减少趋于稳定，这是所提出的EEFI框架的一种权衡。
总共节省了7.902%的能源，计算时间减少了18.4秒，数据传输时间减少了6.9秒，记录到3.331%的能量成本转移。此外，EEFI使计算卸载开销降低了0.554%。这是因为客户端‐服务器架构被用于将计算密集型任务卸载到边缘。该架构缩短了卸载过程中的同步时间。此外，在将超出物联网设备能力的任务卸载到边缘时，设备寿命延长了12.58%。
结论
我们提出了一种由云、边缘和物联网设备组成的三层节能框架。为了解决边缘计算中的可扩展性问题，在物联网层部署了一种递归聚类技术，该技术限制了卸载到边缘服务器的请求数量，从而防止边缘出现瓶颈。我们提出了一种两阶段分层计算卸载算法，在执行计算卸载的同时满足任务的延迟和能量需求。为了确保边缘资源的有效利用，采用了先进的资源调度技术，该技术为每个卸载的任务分配最小边缘资源。该技术进一步扩展了边缘服务器。EEFI在降低能耗、节省计算时间以及延长资源受限的物联网设备电池寿命方面表现出更优的性能。
该框架还通过采用客户端‐服务器架构进行计算卸载过程，降低了计算卸载开销。结果表明，EEFI满足了延迟敏感和延迟容忍应用的需求，并扩展了边缘服务器以容纳最大数量的用户请求。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
