17、雾计算环境下的联合资源管理与节能算法

雾计算环境下的联合资源管理与节能算法

1. 任务模型

物联网平台会发起一系列数据流处理任务，用集合 $\mathcal{T} = {1, 2, …, T}$ 表示。这些任务要求雾节点（FNs）以低延迟和高能效的方式执行。对于每个任务 $t \in \mathcal{T}$，它需要不同类型的资源，可由以下元组表示：
$D_t = (D_{ca}^t, D_{cpu}^t)$
其中，参数 $D_{ca}^t = k (k \in \mathcal{K})$ 表示任务 $t$ 需要物联网传感数据流 $k$ 作为输入；$D_{cpu}^t$ 表示处理任务 $t$ 的输入数据流所需的计算密度（每单位时间每数据位的 CPU 周期）。

通常，数据流处理基于一些原子数据流块进行，例如用于目标识别的特定大小的图像/视频帧，或用于深度学习模型训练的数据集小批量。对于数据流 $k$，引入 $B_k$ 表示原子数据流块的大小，$L_k$ 表示所需的处理速率，即每单位时间的块数。用 $\mathcal{N} t$ 表示可处理任务 $t$ 的雾节点子集，这取决于任务 $t$ 的地理分布覆盖要求。对于任务 $t$，$C {ca}^{nk}$ 表示设备 $n \in \mathcal{N} t$ 对数据 $k \in \mathcal{K}$ 支持的最大数据流块生成速率（即每单位时间的块数）。当 $C {ca}^{nk} = 0$ 时，意味着设备 $n$ 没有传感数据 $k$。同样，将在线物联网数据仓库视为数据缓存设备 0，定义变量 $C_{ca}^{0k}$。

2. 任务执行

每个任务的执行要经过输入/下载、计算、中继和上