移动云中的能量感知动态卸载调度算法研究

沙特国王大学学报移动云中用于能量感知调度的动态卸载卢俊文a，刘伟，郝永胜b，c，吴克寿a，陈玉明a，d，王勤b，王伟a厦门理工大学计算机与信息工程学院，361024b南京信息工程大学网络中心，中国南京c南京信息工程大学数学统计学院，南京210044e成功信息技术有限公司，地址：厦门市海安区海安路118号阿提奇莱因福奥文章历史记录：接收日期：2022年2022年3月21日修订2022年3月29日接受2022年4月1日上线保留字：移动云计算能源消耗卸载折衷A B S T R A C T移动云计算（MCC）为移动用户、网络运营商和云计算提供商带来了丰富的计算资源。移动设备的电池容量带来了一些复杂的挑战，因此有必要通过将应用卸载到远程云资源来节省能量，特别是当调度处于动态移动云计算环境中时。为了在能量消耗、截止时间和系统负载之间进行权衡，提出了一种迭代贪婪禁忌机制算法（IGTMA）来解决MCC环境下的上述问题。仿真实验结果表明，与自适应先到先服务（AFCFS）、最小化执行时间（MINET）和代码卸载权衡决策（TRADEOFF）等方法相比，IGTMA降低了能耗，提高了作业完成数版权所有©2022作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY许可下的文章（http://creativecommons.org/licenses/by/4.0/）。1. 介绍智能手机已经成为人们日常生活中必不可少的一部分，但智能手机在处理能力和电池容量方面的限制仍然带来挑战（Yu et al.，2020年;Kim等人，2018; Lu等人，2020年）。将一些工作卸载到远程云资源是克服这些限制的一种方法。最近的工作表明，这种向移动云的卸载增强了智能手机的处理能力，并节省了移动设备的功率（Kim等人，2018;Lu等人，2020; Masoudi和Cavdar，2021）。几个原型系统已经证明了卸载对于节省移动设备中的能量的益处。为了提高用户的QoE，E. Cuervo等人（Ervo等人，2014年）提出Kahawai通过使用GPU卸载实现高质量移动游戏。S Páll等人（Páll和Schultz，2019年）在一个*通讯作者：厦门理工大学计算机与信息工程学院，361024;南京信息工程大学数学统计学院，南京210044，中国（Y. Hao and Qin Wang）.电子邮件地址：jwlu@xmut.edu.cn（J. Lu），002004@nuist.edu.cn（Y.Hao），001425@nuist.edu.cn（Q. Wang）。沙特国王大学负责同行审查分子动力学（MD）仿真包（GROMACS），该软件包降低了移动处理器的功率预算。为了克服基于摄像头的移动设备的缺点（资源有限，需要低延迟的视频Ma等人（Ma和Mashayekhy，2021）使用两阶段随机程序和一种新的基于聚类的样本平均近似来卸载不确定动态网络中的视频。这些研究都表明，卸载任务提高了这些系统的性能（Ervo等人，2014; Páll和Schultz，2019; Ma和Mashayekhy，2021; Kim等人，2020年; Dai等人，2021年）。涉及将任务从本地卸载到远程扩展的核心问题（Li和Li，2011）是如何选择要卸载到远程云（服务器）的任务。如果卸载决定遵循智能调度，则其可以减少移动设备的能量消耗。一些卸载方法已经应用于各种环境中，包括2G/3G/4G/5G网络环境、移动网格计算和移动边缘计算（Li和Li，2011;Ekman 等 人 ， 2019 年 ; Zhang 等 人 ， 2013; Huda 和 Moh ，2022）。这些卸载方法包括决策算法（Lin等人， 2015）、基于人工智能的应用、基于博弈论的应用、李雅普诺夫优化（Lin et al.，2021）、马可夫决策过程（Yang等人，2021），深度学习方法（Wang et al.，2021）和其他方法（Ekman等人，2019; Hao等人，2019年; Chen等人，2021; Wang等人，2021年; Wu等人，2018年;Lyu等人，2018年; Zhang等人，2014; Akherfi等人，2018年;曹例如，2019; Hao等人，2018年; Xu等人，2021; Zhang等人，2021年）。我们将在第2节介绍它们。https://doi.org/10.1016/j.jksuci.2022.03.0291319-1578/©2022作者。由Elsevier B.V.代表沙特国王大学出版。这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comJ. Lu，Y.Hao，K.Wu等人沙特国王大学学报3168为了减少能量消耗并满足其他服务质量最后期限和）到作业，使用从移动终端到远程移动云资源的计算卸载来确保移动设备受益于能量消耗、处理能力、最后期限和其它QoS（Kim等人，2018; Wang等人，2021; Wang等人，2021年; Guo等人， 2019年）的报告。先前的研究首先确定了在移动设备上或云中花费较低能耗的作业位置（Li等人，2020; Wang等人，2018; Opadere等人， 2019），然后给出不同的调度方法来调度任务。然而，现有的卸载方法没有考虑系统的动态负载（Kim等人，2018年; Guo等人， 2019年）的报告。系统负载的不均衡会给调度结果带来负面影响。假设所有作业都具有在移动终端上执行的较低能量消耗，如果所有那些作业都被分配给移动终端，则这可能使移动终端过载，导致许多作业不能在截止日期之前完成虽然大多数时间移动设备具有低系统负载，但有时在MCC环境中发生的系统负载的偶然增强是可能的。因此，有必要考虑动态系统。移动设备的TEM负载。现有的调度方法没有考虑卸载问题的更大范围。例如，一个大的工作（具有100个指令，假设用于计算的能量消耗为1）当在移动终端上执行时可以节省能量消耗（假设用于传输文件的能量消耗是10），但是两个小作业（具有50条指令，假设用于计算的能量消耗是0.5，假设传输两个小作业的文件所消耗的能量为5.5) 如果它们（两个小作业）取代大作业，可能会导致更大的节能（原因可能是两个小作业（具有较小的输入文件和输出文件），这导致传输文件的能耗较低）。因此，我们考虑了将作业卸载到远程云资源的三个方向：（1）预期执行以节省能量;（2）移动终端的系统在这项研究中，首先，我们确定了执行位置与低能耗的移动终端或远程云。然后，我们提取调度列表的自适应先来先服务（AFCFS）的方法。具体地说，调度列表涉及一种禁忌搜索方法，可以由“替换”和“插入”策略使用我们工作的独创性和新颖性在以下贡献中得到了强调：(1) 对移动卸载系统的作业、网络通道、作业执行、能耗进行了建模：给出了不同位置的作业属性、能耗和执行时间;(2) 提出了一种AFCFS策略，用于获得移动终端作业选择的初始调度结果，然后采用禁忌机制（限制搜索范围）的迭代贪婪算法来改善调度结果;(3) 为禁忌搜索方法设计“插入”和“替换”方法：“插入”将一些任务插入到调度列表中（更多内容请参见第4节），以提高目标函数的价值，"替换”使用一些任务替换调度列表中的一些任务，以提高目标函数的价值;(4) 为多个目标的顶值以及在下一次调度中被“插入”和“替换”方法改变的调度列表设计了一种方法本文的其余部分组织如下。第2节对移动计算中的卸载方法进行了文献综述第3节和第4节介绍了我们提出的系统架构、作业模型和基于禁忌搜索的卸载方法。第5节描述了我们提出的方法和现有方法的仿真性能我们将在第6节中结束我们的研究并讨论进一步的2. 相关工作由于移动设备的计算能力和电池容量的限制，将一些任务转移到远程云以提高移动应用的性能并降低本地能源成本吸引了卸载方法已经在若干卸载架构上得到解决，诸如Honeybee（Fernando等人，2013）和COSMOS（Papathanail等人，2020年）。在这些架构的基础上，采用卸载方法来提高移动终端的性能并节省能量。考虑到卸载过程中的权衡参数，与QoS相关的卸载方法包括网络带宽、截止时间、功耗等。那些卸载方法总是使用工作流来表示作业（ Li 和Li ， 2011;Ekman等人，2019年; Zhang等人， 2013年）。以C.Li等人（Li和Li，2011）提出了一种用于解决移动网格环境中的能量消耗和服务质量（QoS）之间的权衡的策略利用效用函数来描述每个QoS维度，并通过效用优化来解决能耗和QoS之间的权衡问题此外，W.Zhang等人（Zhang等人，2013）开发了一种单次爬升策略和基于拉格朗日松弛的聚合成本（LARAC）算法，以提高移动云环境中的能源效率。它给出了一个一般的拓扑结构，由一组任务组成，这些任务可以在云中或移动终端上执行，具体取决于能耗。对于每个任务，LARAC算法使能量消耗最小化并且满足移动终端上的截止期限。卸载的挑战包括移动性、QoS支持、能量管理、系统负载和服务供应（Lu等人，2020年; Hao等人，2018; Khan，2015; Chen等人，2018年）。为了优化上述指标之间的权衡，O。Chabbouh等人（Chabbouh等人，2016）提出了用于5G异构C-RAN中的云无线电接入网络环境（C-RAN）下的卸载决策算法的新的多个参数（包括带宽和延迟）。该方法综合考虑了多个参数，降低了移动终端的能耗和应用响应时间。当考虑截止期限和传输错误率约束时，卸载决策被 公 式 化 为 NP 难 0-1 非 线 性 整 数 规 划 问 题 （ Opadere 等 人 ，2019），并且该卸载调度问题可以被视为连续凸优化。考虑到任务收益、任务截止期、任务相关性、节点异构性和负载均衡等因素，T.Tang等人（Wang例如，2018）将卸载调度问题表述为优化问题，并使用蚁群优化算法（CMSACO）来解决卸载调度问题。此外，其他卸载方法，包括决策算法（Lin等人，2015）、基于人工智能的应用、有向无环图（DAG）调度、基于博弈论的应用、李雅普诺夫优化（Lin et al.，2021）、马尔可夫决策过程（Yang等人，2021 ） ， 深 度 学 习 方 法 （ Wang et al. ， 2021 ） 和 其 他 方 法（ Ekman 等 人 ， 2019;Hao 等 人 ， 2019 年 ; Chen 等 人 ，2021;Wang等人，2021年; Wu等人，2018年; Lyu等人，2018年;Zhang等人， 2014; Akherfi等人，2018; Cao等人，2019; Hao等人， 2018年; Xu等人，2021; Zhang等人， 2021年），已在多个J. Lu，Y.Hao，K.Wu等人沙特国王大学学报3169包括面部识别的领域（Yu等人，2020; Akherfi等人， 2018）、视频编码（Zhang等人，2014年），数据压缩和国际象棋。此外，基于性能的方法考虑到MCC的多个要求，并使用优化方法来解决节能和其他QoS度量的性能之间的权衡。为了考虑移动设备的系统负载，降低能耗，根据作业在不同执行位置（移动在AFCFS方法确定初始值后，我们应用一个带有禁忌机制的迭代贪婪算法，使用“替换”和“插入”策略来获得最优卸载解。在这些解决方案中，我们只保留了可行的调度列表与多目标函数的前n个值，或那些可能被改变（替换或推迟）禁忌搜索。我们也将同样的方法应用于云中的作业。3. 系统模型在本节中，我们将详细介绍所提出的系统架构、作业模型、能耗模型和相关组件。3.1. 系统架构所提出的架构包括四个主要组件（逻辑视图）：移动调度管理器、云调度管理器、云资源和作业（图1）（Zhang等人，2021;Hao等人，2019; Hosseini等人，2021年）。当作业被提交给移动终端时，移动调度管理器将决定作业是在本地移动终端上执行还是在远程云资源中执行以节省能量。移动调度管理器监视移动终端的负载、网络带宽、系统负载和其它属性。它根据这些属性和任务的要求调度任务。最终的决策取决于多个方面，包括作业的最后期限，在不同的位置的能量消耗，以及用户的剩余QoS要求。如果一个作业不能在截止日期之前完成，则移动终端可以将其移动到远程云。云资源管理器（CRM）（Aljabri，2013）接收作业的执行信息并监控Fig. 1. MCC系统架构。的云资源，也调度资源的作业提交从移动资源。在MCC中，CRM为作业的执行分配资源（Armstrong等人， 2010年）。 它动态地向系统添加资源以满足各种云平台中的动态资源需求（Tuli等人，2020年; Li等人，2015年）。CRM监控云资源的负载并决定调度结果。因为远程云资源和移动终端之间的带宽是有限的（Li等，2015），云资源管理器应该调度资源，并决定如何以及何时允许作业传输数据。3.2. 工作模式对于作业Ji，DTi是作业的截止日期。Ai是相应作业的到达时间。INi和OUTi是输入文件和输出文件的大小。NIi是指令的数量（以百万指令为单位测量），（MI））。一个作业有四种状态，Si用来表示状态.作业可以在远程移动云资源或移动终端上执行。当作业在远程移动云资源上执行时，它有三种状态：发送数据（状态：0），接收数据（状态：1）和正在执行（状态：2）。如果作业在本地执行，则其状态为3。另外，Si¼4表示作业正在等待调度。LCi指示作业是否在移动终端上执行。如果作业在移动终端上执行，则LCi等于1;如果作业在远程移动云资源上执行，则值为2;当作业未执行时，LCi等于0。ISi2f0;1;2;3;4g在公式（2）中，Si等于：-0，当作业到达移动云时;-1，当作业从移动云接收文件时;-2，当作业在云中执行时;-3，当作业在移动终端上执行时;-4，当作业仍在等待调度时。3.3. 信道模型信道模型（Li等人，2020年; Tao等人，2015）应用于移动终端与云之间的交互。换句在我们的系统中，我们假设移动终端同时发送和接收数据，但只有一个传输数据的速度根据网络类型而变化例如，在5G网络中（Chabbouh等人， 2016），人脸检测任务需要向云服务器发送数据和从云服务器接收数据;因此，可用网络带宽对移动终端是否卸载任务起着重要作用。从图 2.我们还观察到，在不同的执行阶段，作业的状态是变化的。当作业在本地移动终端上时，它具有状态"3 0“;如果它准备好发送数据，它具有状态”0“;当它的计算在云中发生时，它具有状态" 20”;当作业完成并且移动终端准备好接收数据时，作业具有状态"1 0“调制方案可以是TDMA或OFDMA（Hao等人，2019; Salmani和Davidson，2020; Li等人，2019; Baidas，2021;Wan等人，2021年）。在TDMA 方案中，一次只有一个用户卸载（ Salmani 和Davidson，2020），而在OFDMA方案中，一次有多个用户。但对于这两种方法，我们主要关注的是平均速度和平均能耗（每。M文件）发送文件，J. Lu，Y.Hao，K.Wu等人沙特国王大学学报3170XX~~XBSBRNIiPCBSNIiBR：：图二. 数据传输的状态。接收文件。因此，我们可以忽略调制方案，并将网络建模为以下参数：- PC和PRC是移动终端在执行任务期间的功耗和提供的处理能力;- PS和PR分别为移动终端发送数据和接收数据时的功耗值- BS和BR分别是移动终端发送数据和接收数据时的带宽值3.4. 执行模型和能耗模型根据上述分析，作业可以在移动终端或远程云资源上执行。无论作业在何处执行，它都必须满足最后期限。Ji的完成时间为FTi，如下所示：8INiTiNIiWTi;if LCi¼0;我最大NIiωFNi71/1我最小ECiωFNi81/1一般来说，调度问题有三个目标。这些目标包括最大化完成作业的数量（公式5）和完成指令的数量（公式6）。 最后一个目标的目的是使能量消耗最小化（公式7）。4. 分流方法4.1. 调度框架在本节中，我们提出了一种卸载方法来解决调度问题。首先，我们确定了预期的执行位置与各自的执行位置的能耗较低。如果在移动设备上的作业执行时间比在云上执行作业消耗更少的能量，则作业被添加到移动设备的等待列表。N是作业总数。第2行和第3行（算法1，以下段落相同）计算作业在移动终端和远程云资源上执行时的能耗，而ecl和ecc 表示各自的能量消耗值。PM WWTi;如果LCi¼1：WTi是作业的等待时间PM是计算速度ecl小于ecc的作业被分配给lj（第5-8行 函数Checkload（Appn，suffn，lj）（第7行）确定移动台的负载是否移动终端。J i的能耗 表示为EC i如下所示8PSωINiPRωTi;ifLCi0;设备过载。如果不是，这个函数返回1，否则返回0.由于移动终端的处理能力有限，如果移动终端过载，我们使用‘‘Replace-JPCωPRC;if LCi¼1;用于执行时间和能量消耗的模型也被其他研究使用（Wang等人，2022; Hao等人，2019;Hosseini等人， 2021年）。3.5. 调度目标让FN表示作业J是否已经完成。如果它等于1，系统负荷大，节约能耗。政策关闭-将具有较高值ecc = ecl的某些作业加载到云。后来，我们排序工作在的上升秩序的PDi-Ai i=PDNI i=PRCii（在移动终端上的最后期限和执行时间之间的时间）（第14行）。 根据最后期限要求，第14 - 17行给出了调度框架，称为IGTMA。根据公式57、调度是一个多目标问题。首先，我们安排属于ii到lj（第15行），然后我们分配属于cj（第15行）的作业有关工作在限期前完成，或在限期前未完成。17）。对于将在远程云资源上执行的作业，我们按以下升序对它们进行排序FN¼ fx¼。0; DTi6r，r为标准差）下，指令的BER如下。工作的最后期限是执行时间的1.2 2（随机）倍。输入和输出文件的大小在[1 8000]M的范围内我们运行模拟-中文（简体）NUFJ未完成的工作NIAFJ所有已完成作业的指令数（MI）所有已完成作业AEC所有已完成作业NJEC在云上执行的作业数量NJEM在移动终端上执行的作业数计算总能耗（千瓦时）TCEC通信总能耗（千瓦时）TEC总能耗（千瓦时）J. Lu，Y.Hao，K.Wu等人沙特国王大学学报3174图三. 未完成的作业数。图五. 所有已完成作业的文件大小。第3节）。 AFCFS总是给工作更高的优先级，提前到达，忽略了最后期限的紧迫性，因此其NUFJ的价值是最大的。MINET总是以最小的执行时间使作业受益，也忽略了最后期限，因此类似地导致较高的NUFJ值。TRADEOFF解决了能量消耗和执行时间之间的权衡，就像我们的方法一样。我们的方法有一个优势，因为禁忌搜索确保了大多数的工作可以局部优化。为了进一步评估各种方法完成的工作，NIAFJ和FSFJ为我们提供了更多关于这些工作的信息。NIAFJ是在移动终端和云上完成的所有作业的指令数。同样，FSFJ是所有已完成作业的文件大小。图4和5是指令总 数 和 所 有 已 完 成 作 业 的 文 件 大 小 。 与 AFCFS 、 MINET 和TRADEOFF相比，根据NIAFJ，IGTMA的平均表现优于6.4539 e +08、1.1791 e + 08和2.1007 e + 08;同时，根据FSFJ，IGTMA的表现优于2.8326 e + 07 M、0.7925 e + 07 M和0.3198 e + 07 M。从图从图4和图5可以看出，IGTMA不仅完成了更多的工作（它具有最大的NUFJ值），而且还获得了最大的NIAFJ和FSFJ值。换句话说，IGTMA不仅可以完成更多的小作业，而且可以完成更多的指令数和输入输出文件大小更大的作业。5.3. 平均能耗比较图6示出了在不同到达速率下的各种方法的平均能量消耗。与AFCFS、MINET和TRA- DEOFF相比AFCFS的AEC值随着到达率的增加而保留其他方法见图4。 所有已完成作业的指令数。见图6。 平均能耗。稳住AFCFS的价值稳步上升，因为随着到达率的增加，更多在移动终端上具有较低能耗的作业不能在那里完成，并且将被提交到云，该结果可以提高能耗的价值;在其他条件下，在云中执行一些作业可能涉及较低能耗;然而，由于这些作业的截止日期，它们可能必须在移动终端上执行，因此它提高了AEC。MINET总是在作业执行速度更快的地方执行每个作业。这种方法往往忽略了能耗的影响，从而导致了AEC的最大值. 与TRADEOFF类似，IGTMA具有相对稳定的AEC值，因为这两种方法总是试图考虑能量消耗和执行时间之间的权衡。IGTMA考虑多个目标。目标函数保证了这些目标在仿真中具有良好的性能此外，“替换”和“插入”提高了多个目标函数的价值。因此，IGTMA在这些目标中的表现优于TRADEOFF。5.4. 在不同地点执行的作业的比较在本节中，我们将考虑这些方法在NJEC和NJEM方面的性能差异。 这些方法导致执行的作业在移动终端和云之间的不同分布;同时，这些作业具有不同的特征。图图7和图8示出了在各种方法下并且针对不同到达速率在移动终端（NJEC）上和在云中（NJEM）执行的作业的数量。 NJEC的AFCFS呈上升趋势，NJEM呈下降趋势。其他方法J. Lu，Y.Hao，K.Wu等人沙特国王大学学报3175见图7。 在云上执行的作业数。见图8。 在移动设备上执行的作业数。见图9。 移动终端上的总计算能耗。见图10。移动终端与云之间的总通信能耗。在这些参数方面表现出稳定的性能IGTMA和TRADEOFF总是做出明智的决策，以正确地指导移动或云上的作业;同时，这些方法还寻求节省能源。图图7-10还示出了NUFJ（图3）和AEC（图6）方面的性能。AFCFS将更多的作业发送到云端以减少执行时间，这提高了计算的能耗（图10）和在云端执行的作业数量（图7），从而提高了平均能耗（6）。MINET总是将作业分配到具有较小执行时间的位置。从图8中可以看出，MINET在MEM中的值最大，这意味着大多数作业都是在本地执行的，忽略了各个位置的能耗，因此在TEC中的值最大（图9），在TCEC中的值最小（图10）。TRADEOFF和IGTMA试图同时考虑执行时间和能量消耗，因此它们在移动终端（MEM，图8中）上执行的作业数量上没有太大差异。IGTMA通过“Replace”（算法2中的“Replace-M”，算法3中的“Replace-C”）和“Insert”（算法2中的“Insert-M”，算法3中的“Insert-C”）来提高性能，以确保完成更多的作业（图2）。 4）和减少平均能耗（图。 6）。5.5. 标准偏差分析图 11 给 出 了 我 们 认 为 最 重 要 的 五 个 指 标 的 归 一 化 标 准 差（NSD）。IGTMA在CEC和NIAFJ的NSD中的值最小，在TCEC、FSFJ和NUFJ的NSD中的值较小。即使IGTMA在某些指标中没有最小的NSD值，它们也非常接近最小值。 图 11表明IGTMA在这些指标中具有稳定的性能。图9示出了在移动终端上计算的能量消耗。换句话说，它是在移动设备上执行的所有作业 图图10示出了在云中执行的作业的通信的能量消耗。换句话说，它是所有已完成作业的平均通信能耗MINET根据图如图7-10所示，在不同地点执行的作业数量与能源消耗之间不存在正线性关系。原因是，即使是指令数相同的作业，文件大小也可能不同此外，执行位置影响能量消耗。上述数字表明，IGTMA和TRADEOFF始终考虑执行时间和能耗之间的权衡，因此见图11。 五个指标的归一化标准差。J. Lu，Y.Hao，K.Wu等人沙特国王大学学报3176ðÞ~我爱你5.6. 复杂性分析在算法1中：行113的复杂度是O N。我们使用快速排序方法对第14行和第16行中的任务进行排序，复杂度为ON logN。N是作业总数因此，算法1的复杂度为：O算法1 = O N+. ON log NO算法2 O算法3在算法2中：lj中的最大作业数为N，因此第1 ~ 11行的复杂度为O N。sl中的最大作业数为N。经过AFCFS调度后，US1中的作业数大大减少到N，我们将其作为常数n。我们假设我们只保留m个（a个常数）可行调度结果。那么，OAlgorithm 2O NOnmN联系我们在算法3中：我们把SJ中的工件数作为常数，所以第5 ~ 17行的复杂度为O1。usl中的最大作业数为N。我们只保留m个（a个常数）可行调度结果。那么，O算法3m ω ON ω O1联系我们所以，我们方法的复杂性是：OIGTMAONON logNONON O N logN6. 结论和今后的工作在本文中，我们提出了一个启发式禁忌搜索调度作业的移动终端和云资源。仿真结果表明，该方法能在能耗、系统负载和作业截止时间之间取得较好的平衡在未来的研究中，我们将考虑考虑用户的移动性的卸载方法 该调度方法基于移动性预测方法（Kodziej等人，2011年）。DVFS（动态电压和频率缩放）（Min-allah等人，2007）是减少移动终端和数据中心的能量消耗的非常重要的技术（Lindberg等人，2012; Khan和Min-Allah，2012），作为另一项工作，我们可以考虑基于DVFS的能量消耗。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用Akherfi，K.，Gerndt，M.，Harroud，H.，2018.计算卸载的移动云计算：问题和挑战。应用程序计算Informatics 14（1），1-16. https://doi.org/10.1016/j.aci.2016.11.002网站。Aljabri，N.，2013. Scheduling Manager for Mobile Cloud Using 02（03），451-457.Armstrong，P.，例如，2010.云计算：分布式计算云的资源管理器。1-10。Baidas，M.W.，2021.支持NOMA的集群移动边缘计算网络中卸载效率最大化的资源分配Comput.