工程科学与技术，国际期刊19（2016）260完整文章面向毫微微云移动网络Debashis De Anwesha Mukherjee*西孟加拉邦理工大学计算机科学与工程系，B.F.地址：142，Salt Lake，Sector-1，Kolkata 700064，IndiaA R T I C L E I N F OA B S不 R 一C T文章历史记录：2015年5月4日收到，2015年7月28日收到修订2015年8月9日接受2015年9月1日在线发布关键词：低功耗毫微微云O微加载安全如今，移动加载是一种流行的移动云计算方法，其中所需的计算在云中远程进行。但是，是在移动终端内部还是在云端处理应用程序是一个具有挑战性的问题，因为与云端的通信涉及延迟和功耗。本文提出了一种关于是否将应用程序加载到云的决策方法根据所提出的策略，仅当应用程序导致比在移动终端自身内的本地执行更低的功耗时才将其加载。在满足该条件的情况下，以作业的计算时间和截止期作为决定是否加载的基本参数。实验结果表明，该算法可使系统功耗降低约3为了实现节能和安全，毫微微云架构中所提出的工作。在这种情况下，从移动终端到云的无线加载通过低功率且安全的毫微微小区基站进行。仿真结果表明，使用毫微微云架构分别比使用宏小区和微小区基站节省70© 2015 ， Karabuk University. Elsevier B. V. 制 作 和 托 管 这 是 CC BY-NC-ND 许 可 证 下 的 开 放 获 取 文 章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍绿色移动网络表示低功率蜂窝网络，而不影响系统性能。如今，移动设备不仅用于语音呼叫或消息服务，还用于互联网服务。移动网络用户的数量呈爆炸性增长。各种应用程序，如移动游戏，移动医疗保健，移动商务需要互联网连接，它们的执行会缩短设备的电池寿命移动设备具有有限的处理能力、有限的电池寿命、有限的资源和有限的存储容量。为了解决这些问题，移动云计算应运而生。移动云计算（MCC）控制不同云和网络技术的统一弹性资源，以实现无限的功能，存储和移动性，以便通过互联网随时随地为大量移动设备提供服务[1]。通过引入负载，MCC已经消除了移动终端的有限存储、有限处理能力、资源约束和有限电池寿命的约束。在这种情况下，应用程序的执行在云内部执行，然后将结果发送回移动终端[2因此，不会浪费资源受限的移动终端的处理能力，并且还节省了电池寿命* 通讯作者。联系电话：+919830363215;传真：033 2321 8776电子邮件地址：www.example.comdr.debashis.de @ gmail.com（D. De）。由Karabuk大学负责进行同行审查移动网络中的基站（BS）消耗巨大的功率。为了减少BS的功耗以及在服务大量移动用户的同时减少大型小区的压力，出现了毫微微小区的概念[5，6]。Femtocell是一种低功率、低成本和高度安全的家庭节点基站（HNB），具有大约10-20 m的覆盖范围Femtocell通过电缆宽带或DSL连接连接到服务提供商在本文中，我们提出了一种面向毫微微云网络的O型负载方案。Femtocell以其功率效率和高安全性而被选择。此外，使用毫微微小区，实现了高信号本文的主要贡献是：1. 本文提出了一种在作业卸载取决于计算该算法的性能进行了评估，通过实验分析，使用我们的大学的云服务器进行2. 具有生物计量认证的毫微微云架构用于安全的数据传输和安全的云访问。3. 提出了在毫微微云架构的情况下的无负载中的功率消耗，以表明使用毫微微小区比宏小区和微小区基站实现本文的结构如下：第2介绍了功率效率和负载的回顾工作以及提出工作的动机，第3介绍了提出的负载方法，http://dx.doi.org/10.1016/j.jestch.2015.08.0012215-0986/© 2015，Karabuk University.由Elsevier B. V.制作和托管。这是CC BY-NC-ND许可证下的开放获取文章（http：creativecommons.org/licenses/by-nc-nd/4.0/）。出版社：Karabuk University，PressUnit ISSN（印刷版）：1302-0056 ISSN（在线）：2215-0986 ISSN（电子邮件）：1308-2043主 办可 在 www.sciencedirect.com上 在 线ScienceDirect可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：http://www.elsevier.com/locate/jestchA. Mukherjee，D.De/工程科学与技术，国际期刊19（2016）260261在第4节中评估了具有功耗模型的毫微微云网络、所提出的O负载算法的性能和毫微微云架构，并且最后我们在第5中得出结论。2. 相关作品移动网络中的能源效率是运营商为保持盈利能力和减少电力传输造成的污染而关注的一个新兴问题[6]。由于BS是蜂窝系统中最大的能量消耗者，因此取决于网络传输和覆盖的BS的部署是重要的问题。在参考文献6和7中，部署了不同类型的小区，如微小区、微微小区和毫微微小区，以开发在参考文献6-10中讨论了宏小区、微小区、微微小区和毫微微小区网络的功耗模型 Femtocell被认为是下一代无线网络的新兴技术，因为它可以增加容量并不加载覆盖宏小区传输[11-15]。毫微微小区的另一个吸引人的特征是高安全性。在毫微微小区中，存在安全网关，其在传输期间保护数据，并充当防火墙以防止未经授权的数据进入系统[16不仅BS而且移动设备都需要节能。因此，能源效率也是终端设备制造商面临的一个新问题。为了降低移动终端的功耗以延长其电池寿命，无负载是一个很好的解决方案[19]。MCC是移动计算和云计算的组合，其允许在移动终端外部和云内部通过移动加载执行重量级移动应用[20这里，计算从移动终端被卸载云被用作一个资源丰富的服务器，其中计算是远程执行的。如果包括通信时间和通信功率在内的在卸载任务时消耗对于电池寿命受限设备的用户，最重要的标准是应用程序执行所消耗的能量[25]。参考文献26讨论了将应用程序从移动设备卸载到远程服务器的优点。在参考文献21和27中，讨论了无负载是否节能。参考文献28中提出了一种用于移动应用程序卸载的路径选择策略。为了计算负载中的功耗，考虑了通信和计算能力[21，27为了计算通信功率，考虑带宽和数据传输，而计算功率基于单位时间由移动终端消耗的功率和计算所需的时间来计算。这个计算时间是通过计算要执行的指令数除以计算设备的速度得到的[21，27]在我们提出的工作中，只有当功率为1. 为了实现具有高安全级别的低功率（即，绿色）加载方案。提供一个节能的移动网络具有很高的优先级。针对小型蜂窝网络的节能特点，提出了一种适用于毫微微蜂窝网络的负载优化策略。应用程序大小是一个重要的参数要考虑，而就功率效率的o加载这两个标准，即在所提出的工作中合并了小小区网络和应用大小2. 安全性是另一个需要考虑的关键点，因为远程执行发生。由于内置的安全功能，毫微微蜂窝基站在提供安全数据传输方面发挥着重要作用。基于视网膜图像识别的生物计量认证用于实现对云的安全访问因此，我们可以总结，所提出的工作的动机是提供一个功率效率和安全的移动云网络的负载策略3. 针对毫微微云网络的3.1. 毫微微云网络的系统架构图1呈现了毫微微云网络的系统架构[20]。 如图所示。 1、移动终端通过家庭基站与云连接。移动终端首先在毫微微小区下注册以接入网络服务。移动终端通过Uu接口与毫微微小区连接[16]。毫微微小区通过安全网关（Se-GW）和HNB网关（HNB-GW）连接到核心网络，并通过Iuh接口进行通信[35]。使用家庭节点B应用部分（HNBAP）协议[35]来执行毫微微小区到HNB-GW的注册和注销。毫微微小区下的移动设备也使用HNBAP协议向HNB-GW注册和注销用户使用其移动终端请求作业然后，移动终端或者向毫微微小区发送请求，或者执行检查过程以决定是否卸载作业。如果毫微微蜂窝基站接收到来自移动终端的请求，则在毫微微蜂窝基站内执行检查过程。如果发生了卸载，应用程序的执行将在云中远程执行。在执行之后，经由Se-GW通过毫微微小区将结果发送回移动终端3.2. 使用的参数表1中定义了用于计算无负载功耗的参数。3.3. 毫微微蜂窝基站中的功率消耗使用毫微微云架构进行卸载时的功耗由下式给出，得救了移动应用是被设计为在移动终端或云内部运行的可执行程序。它可以是一个代码，PPI StsfDuBuPtrfdBd文件创建和更新，手机游戏，旅游应用程序等。一些移动应用程序是重重量的，并且它们的执行需要高处理能力、存储器容量、良好的电池寿命等。在移动终端内执行这样的应用程序影响设备的电池寿命，并且有时引入延迟。还可能发生的是，由于移动终端的资源约束和有限的处理能力在这种情况下，不需要向云加载。但是，将所有应用加载到云可能导致拥塞，或者可能比在移动终端本身内执行程序增加功率和延迟，特别是如果它是需要小处理功率和存储器的简单应用我们的动机是提出一个关于远程或本地执行的appli- cation的o-loading决策算法。为了解决这个问题，本文提出了一种新的O-负载方案。拟议工作的动机是：其中，Pc、Du、Dd、Bu和Bd是云消耗的功率，单位时间内的执行指令、上行传输的数据量、下行传输的数据量、上行带宽和下行带宽。在使用宏小区基站向云进行无线加载时的总功耗由下式给出，PPI SCtsmDu ButrmdBd（2）在使用微小区基站向云进行无线加载时的总功耗由下式给出，PCmiPI SPtsmiDuBuPtrmiDdBd（3）由于比宏小区和微小区更小的覆盖范围，使用毫微微小区发送和接收数据所需的功率更小，即，262A. Mukherjee，D.De/工程科学与技术，国际期刊19（2016）260Fig. 1. 毫微微云网络的系统架构。PPtsmiPtsmandPtrfPtrmiPtrm.因此，比较方程（1）利用等式（2）和（3），可以暗示PCfPCmiPCm。图2呈现了分别使用等式（1）、（2）和（3）确定的使用毫微微云架构、宏小区和微小区基站的无线图2示出了与基于假设的参数值分别通过宏小区和微小区基站进行的无线加载相比，在毫微微云架构中通过毫微微小区进行的无线加载实现了大约70 - 83%和52-66%的功耗降低。由于毫微微云架构降低了功耗，它被用在所提出的方案中。3.4. 无载或无载法在所提出的方案中，计算通过毫微微小区被加载到云。如果移动终端具有表1功率计算中使用的参数。参数定义值Ptsf数据传输到10-20 mW使用毫微微蜂窝的云PTRF接收数据所需的功率5使用毫微微蜂窝的云PTSM数据传输到40-50毫瓦云使用宏单元Ptrm接收数据所需的功率35云使用宏单元PTSMI数据传输到30-40毫瓦云使用微单元Ptrmi接收数据所需的功率25云使用微单元我作业中的指令数0.5电话：+86-10 -88888888传真：+86SC云的速度3.2 GHzSM移动终端400 MHz所需的存储器容量、处理能力和电池寿命来执行决策过程，在移动终端内执行表2中给出的所提出的O负载算法否则，在毫微微小区内执行所提出的无线负载出租。根据结果，决定是否将计算加载到云端。如果O-加载节省功率，则应用程序执行在云中远程发生，即执行O-加载。否则，不会发生卸载。为了确定执行应用程序所涉及的功耗，需要考虑指令的数量[21，27]。在本地执行的情况下，需要指令的数量来计算移动终端所需的时间量。该时间量通过将待执行的指令的数量除以移动终端的速度来计算。移动终端的速度是指移动终端在单位时间内执行的指令数图二、指 令 数与在通过宏小区、微小区和毫微微小区基站的无负载中的功率消耗。A. Mukherjee，D.De/工程科学与技术，国际期刊19（2016）260263表2O-负载或非O-负载方法。算法1：关于算法2的执行的决策算法移动终端1. 开始2.检查移动终端的内存容量、处理能力和电池寿命3.如果移动终端能够计算卸载所需的功耗，则在移动终端4.否则，在移动终端注册的毫微微小区内执行算法25.End If6.端算法2：队列分配算法1. 开始2. 设t=T，i=13. While（t =T+ts）4.移动终端请求执行作业Ji5.计算在卸载的情况下和在移动终端内本地执行Ji时消耗的功率。假设在卸载和本地执行中消耗的功率分别是使用等式（1）和（4）计算的PCf和PM，6.如果（PCf>PM）7.将Ji插入本地队列8.否则，如果（Ji的截止时间==Ji的HARD计算时间==SHORT）9.将作业Ji插入本地队列10.否则，如果（Ji的截止时间==SOFT计算时间==LONG）11.将作业Ji插入远程队列12.否则将作业Ji插入未决定队列并执行算法313.End If14.设i=i+1，t=t+115. End while16. 按队列17. 执行算法4并提供输出18. 端算法3：从未定队列中重新分配作业1. 开始2. 设k=13. 考虑一个空集Segmented4. While（k i）5.如果（Jk ==J1）6.在本地运行作业Jk7.否则，如果（Jk-1远程，Jk+1本地）8.将作业id Jk插入到Segmented集合中9.将Jk分为两段10.将第一个段插入远程队列，将最后一个段插入本地队列11.否则，如果（Jk-1 Local和Jk+1 Local）12.将作业id Jk插入到Segmented集合中13.将Jk分为三段14.将第一个和最后一个段插入本地队列，将中间段插入远程队列15.否则，如果（Jk-1本地，Jk+1远程）16.将作业id Jk插入到Segmented集合中17.将Jk分为两段18.将第一个段插入本地队列，将最后一个段插入远程队列19.否则，如果（Jk- Remote和Jk+1 Remote）20.将作业id Jk插入到Segmented集合中21.将Jk分为三段22.将第一个和最后一个段插入到远程队列，将中间段插入到本地队列23.否则，如果（J k+1）未定||J k ==J i-1）24.将Jk插入Jk-1的队列25.End if26.End while27.端（接下页）264A. Mukherjee，D.De/工程科学与技术，国际期刊19（2016）260表2（续）算法4：积分算法1.开始2.如果（本地）3.输出直接传送到移动终端4.否则，如果（Ji Remote）5.输出通过安全基站毫微微小区从云发送到移动终端6.否则，如果（Ji分段）7.如果段数为3，8.如果（段1本地）9.段2的输出由移动终端通过毫微微小区从云接收，并且通过将接收到的输出与已经在本地10.否则，如果（第1段远程）11.段1和段3的输出由移动终端从通过毫微微小区的云，并与已经在本地执行的段2的输出相结合，以生成最终输出12.End if13.否则，如果段的数量是两个，14.如果（段1本地）15.由移动终端通过毫微微小区从云接收的段2的输出与已经在本地执行的段1的输出合并，并且生成16.否则，如果（第1段远程）17.由移动终端通过毫微微小区从云接收的段1的输出与已经在本地执行的段2的输出合并，并且生成18.End if19.End if20.End if21.端设备.将该结果乘以移动终端每单位时间消耗的功率。在o加载的情况下，指令的数量用于计算云服务器执行应用程序所需的时间[21，27]。这个时间量是通过将要执行的指令的数量除以云服务器的速度来计算的云服务器的速度这个结果乘以云服务器每单位时间消耗的功率。如果作业在本地执行，则功耗被确定为[21，27]，PMPISM（4）其中Pm是移动终端执行指令每单位时间消耗的功率。如果使用毫微微云网络对远程云执行作业，则使用等式（1）计算总功耗，并表示为Pcf。如果PMPCf，则执行向云的重新加载。否则作业在移动终端内本地执行。在毫微微云架构中，引入服务云（SC）[36]以成功完成作业。SC集成了云和面向服务的计算（SOC）的概念。SOC是一种利用服务进行应用开发的计算范式。图3示出了使用等式（1）和（4）计算的在无负载和不使用无负载的情况下消耗的功率。从图3观察到，当指令的数量较少时，即，应用大小较小并且与云的通信中涉及的功率较高时，移动设备内的本地执行设备比使用无负载更省电。另一方面，对于大量的指令，即大尺寸的应用程序，只有在与云通信所涉及的功率较低的情况下，否则向云加载才优于本地执行在我们提出的方案中，如果它是省电的，则执行无负载。因此，取决于应用程序大小的决定，应采取关于o的加载，因为功耗是直接成比例的指令要执行的数量，即。应用程序的大小图三. 指令数与微处理器加载和本地执行中的功耗。A. Mukherjee，D.De/工程科学与技术，国际期刊19（2016）260265图 3提出，对于大规模应用，基于假定的参数值，并行加载比本地执行大约节省7 -34%的功率。在所提出的O-装载方法中，三个队列用于放置作业，即本地、远程和未决定，这取决于它们的本地或远程执行。考虑非常小的时间段ts。设本地时钟上的当前时刻为T。所提出的方法分为四个部分：• 算法1：关于在移动终端/毫微微小区内执行算法2的决策算法。• 算法2：队列分配算法。• 算法3：从未定队列中重新分配作业• 算法4：积分算法。这些算法如表2所示。3.4.1.建议的卸载方法的说明在算法1中，根据移动终端的电池寿命、处理能力和存储器容量来决定是否将在移动终端或毫微微小区内执行关于卸载的决策从算法2中可以观察到，仅当它节省功率时才执行O_upload否则，应用执行在移动终端内本地执行。现在可能会出现许多作业需要被加载到云上的情况;这可能会导致拥塞。因此，为了处理这个问题，而不是o加载所有的工作，决定是否o加载或不。如算法2所述，如果作业有硬截止日期，表3将作业初步分配给队列。作业IDPcf>PM截止日期计算时间队列J1是的硬短当地J2是的软长当地J3没有软短未定J4没有硬长未定J5没有软长远程J6没有软长远程J7没有硬长未定J8是的硬短当地J9没有硬长未定J10没有硬短当地段分配给远程队列，第二个段分配给本地队列。从表3可以看出，J8和J10都被分配到本地队列. 根据算法3，J9被分成三个段：第一个和最后一个段被分配给本地队列，中间部分被分配给远程队列。观测到J4、J7和J9都是部分地向云内加载的。3.5.2. 功耗在这种情况下，J1、J2、J3、J8和J10在移动终端内本地执行。因此，使用等式（4）确定J1、J2、J3、J8和J10中的每一个消耗的功率。如果J1、J2、J3、J8和J10分别具有I1、I2、I3、I8和I10个指令，则由本地执行的作业消耗的总功率由下式给出，并且执行时间短，因此不执行重载。否则，如果作业具有软截止线和长的执行时间，则作业被卸载到云。否则，执行算法3以使得PPM当地m（五）决定是否加载。如果前面和后面的作业都是远程或本地执行的，则当前作业被分割为三个部分。第一个和最后一个片段要么在云中远程执行，要么在移动终端中本地执行如果它们是远程执行的，中间段是本地执行的，J5和J6都被加载到云上。因此，使用等式（1）来确定J5和J6中的每一个消耗的功率。 如果J5和J6分别有I5和I6个指令，则这两个远程执行作业消耗的总功率由下式给出，被切开了否则，如果它们在本地执行，则中间段将在远程执行这是一个局部超载的例子如果在P热莫特PCfPI5ISC前一个作业和后一个作业，一个在本地执行，另一个在远程执行，则当前作业被分割成两部分。之一 2个月后， BuPtrfd B（六）一个在本地执行，另一个在云中远程执行。这也是一种局部加载的情况。在执行所有段之后，它们的输出被合并以生成从算法4观察到的最终输出。J4和J7分为两段。每种一段J4和J7的一个被直接加载到云，另一个被本地执行。 因此，在J4和J7的情况下，指令的数量被分成两部分。如果J4和J7有I4和I7个指令，那么这两个作业消耗的总功率由下式给出，3.5. 拟议的o-装载方案在案例研究中，考虑了10种工作，并假设，PSPI4I7SPtsfDuPmI4I72SMBuPtrfdB（七）t s = 10 ns。3.5.1.分配到队列假设在持续时间（t + 10）内，即作业的单个周期内，十个作业已经到达移动终端。所提出的O-加载方法用于决定是否进行O-加载。假设在执行算法2之后，作业（J1、J2、J3、J4、J5、J6、J7、J8、J9、J10）已经被分配到如表3所示的队列。图 4（a）显示了本地和远程队列中作业的分配。 作业J3、J4、J7和J9被放置在未决定队列中。因此，执行算法3。由于J2被分配给本地队列，而J4在未决定队列中，因此根据算法3，J 3被分配给本地队列。由于J3被分配给本地队列，J5被分配给远程队列，因此J4被分为两个段：第一段 分配给本地队列，第二个段分配给J9分为三个部分，其中一个部分被加载到云端，另外两个部分在本地执行。因此，在J9的情况下，指令的数量被分成三个部分。如果J9有I9条指令，则J9消耗的功率由下式给出PSPI9SCPtsDu BuPtrfd B日本P2I93SM（8）因此，应用所提出的负载方法，执行这十个作业所消耗的总功率由下式给出PT PL PR PS1 PS2（9）如果所有这些作业都在本地执行，则消耗的总功率由下式给出，到远程队列。由于J6和J8分别被分配到远程和本地队列，因此J7被分为两个段：PTLmI1I2I3I4I5I6I7I8I9I10SM（十）266A. Mukherjee，D.De/工程科学与技术，国际期刊19（2016）260图四、（a）本地队列和远程队列中的作业分配;（b）所提出的O-装载方案的性能分析。图 4（b）相对于作业指令的数量来呈现在使用所提出的并行加载策略的作业执行中消耗的功率。图4（b）还示出了如果所有这些作业都在移动终端自身内执行的情况下的功耗。从图4（b）可以观察到，使用所提出的O加载策略，与在移动终端内本地执行作业相比，作业执行中的功耗可以减少到大约16 - 30%。3.5.3. 案例分析推理从实例研究中可以看出，通过使用所提出的方案来进行工件的卸载，可以进行适当的工件分配，并且功耗也可以比它们的本地消耗减少。因此，我们可以将我们的策略称为绿色重载方案。3.6. 建议方案3.6.1.毫微微云架构为了提供安全的数据传输，在所提出的方案中，通过毫微微小区执行无负载。出于安全目的，在毫微微小区中采取以下先决条件[37]：• Femtocell通过Se-GW与网络连接，如图2所示。1 .一、• 在Se-GW和毫微微接入点之间创建安全隧道，以保护通过回程链路传输的信息，从而实现数据完整性和保密性。• 由HNB-GW或毫微微接入点管理系统验证毫微微小区是否在许可频谱中操作。• 使用适当的加密算法以确保机密性、数据完整性及作认证用途。• 在特定毫微微小区下注册的订户的身份不被暴露。• 毫微微接入点丢弃来自未认证源的任何信息。• 为了防止未经授权的访问，认证细节和用户信息不能在毫微微接入点处以明文访问。• 无论何时通过毫微微小区发生卸载，如果检测到任何漏洞，则丢弃数据• Se-GW防止任何未授权用户在传输期间访问数据。因此，由于Se-GW的存在，认证细节在毫微微云网络中被安全地传送。现在仍然存在一个与云内部数据访问安全性有关的问题。为了保护云中的个人数据或计算负载，在本工作中使用基于视网膜图像识别的生物计量认证3.6.2.基于视网膜图像识别的安全云访问生物认证是指通过人类独特的生理或行为特征，例如指纹、视网膜和面部识别、指纹分析等来识别人类。[38]. 这种生理或行为特征并不总是完全匹配。因此，保持了一个阈值 在所提出的方案中，我们使用视网膜图像识别认证。这是用A. Mukherjee，D.De/工程科学与技术，国际期刊19（2016）260267图五. 通过视网膜图像识别进行用户认证。在我们方法中，由于现在大多数移动设备支持网络摄像头，且每个人的视网膜图像是唯一的。通过他或她的视网膜图像验证用户的步骤如图所示。 5，描述如下：1. 当在毫微微蜂窝下注册的移动用户首次尝试访问云服务时，服务器会生成用户ID和密码，并将其发送回该用户的移动终端。由于毫微微云网络的Se-GW，用户ID和密码被安全地接收。2. 然后用户必须输入接收到的用户ID和密码。3. 在提供正确的用户ID和密码后，通过网络摄像头记录用户的视网膜图像并存储在服务器端。4. 每当用户希望访问云服务时，用户必须输入正确的用户ID和密码。5. 如果所提供的信息是正确的，则使用网络摄像头捕获用户6. 如果视网膜图像与存储在服务器侧的原始图像的匹配高于阈值，则允许用户访问云服务。因此，在所提出的方案中，在数据传输期间通过Se-GW并且在云访问期间通过视网膜图像识别来实现安全性。在仿真模型中，移动用户通过家庭基站向云端发送请求，请求卸载应用程序。毫微微云场景如图所示。 六、在该场景中，节点1、2、3、4和5分别表示移动终端、毫微微小区、Se-GW、HNB-GW和云。假设毫微微小区消耗10 mW-100mW的功率。将系统的所有节点的能量消耗与基于宏小区和微小区的移动云网络进行比较。在该模拟中，总能耗计算为表4模拟中使用的参数图层参数值物理层无线类型802.11b无线数据包接收模式PHY 802.11b接收模型天线型号全向天线能源型号用户指定温度290.0 K噪音系数10.0MAC层MAC协议802.11网络层网络协议IPV4路由器类型路由协议Bellman Ford路由器类型Generic4. 结果和讨论传输层发送和接收缓冲区大小（字节）512、8162、16，384（用于分别为移动终端、毫微微小区和云电池型号电池型号线性型号4.1. 毫微微云网络的能耗电池更换监测间隔60年代毫微微云场景使用Qualnet Simulator版本7实现。模拟参数见表4。电池容量（mAh）1200场景属性模拟时间（s）300CBR属性项目大小（字节）512268A. Mukherjee，D.De/工程科学与技术，国际期刊19（2016）260见图6。 在Qualnet中模拟Femto-cloud场景。所有节点在发送和接收模式下的消耗。图7示出了对于200-500 kB的数据传输，由毫微微云系统消耗的能量的范围大约为10至30mWh图7显示，使用毫微微云架构，能耗可以分别降低到25分别使用宏小区和微小区基站接入云。4.2. 基于云服务器的O负载算法实验分析实验分析所提出的oBUT加载策略进行使用WBUT云服务器位于西孟加拉邦理工大学（WBUT）校园。文件创建和写入文件被认为是我们工作中的一项工作。创建不同大小（10-40 kB）文件的过程已在移动设备中本地执行。四台Lenevo笔记本电脑、三台戴尔平板电脑和三部三星智能手机被用作在当地执行死刑的移动设备这些器械的配置见表5。使用表2中描述的我们提出的o加载方案，将相同的过程部分或全部在云中o加载。四表5用于本地执行10个作业的移动设备的配置。设备名称RAMHDD/Storage ProcessorLenevo笔记本电脑2 GB 320 GB Intel（R）Pentium（R）CPUB940@2.00 GHzDell Latitude 10平板电脑2 GB 64 GB英特尔Z2760 1.8 GHz图7.第一次会议。 考虑移动终端、毫微微小区、Se-GW、HNB-GW和云的系统的能量消耗。三星智能手机华硕ZenFone 52 GB 16 GB Intel Atom Z2560 1.6 GHzA. Mukherjee，D.De/工程科学与技术，国际期刊19（2016）260269表6位于WBUT校园的云服务器的配置。SL. 号RAM硬盘/存储处理器服务器116 GB900 GBIntel（R）Xeon（R）CPU ES-26670@2.90 GHz服务器216 GB650 GBIntel（R）Xeon（R）CPU ES-26670@2.90 GHz服务器316 GB450 GBIntel（R）Xeon（R）CPU ES-26670@2.90 GHz服务器416 GB320 GBIntel（R）Xeon（R）CPU ES-26670@2.90 GHzWBUT的云服务器已用于卸载。这些服务器具有表6所示的以下配置。表7中给出了通过使用所提出的o_loading算法执行这些作业所获得的实验结果，并从延迟和功耗的角度与它们的本地执行结果进行了比较。基于表7的数据，将所提出的O_xLoad算法与图1和图2中的局部执行进行了形象地比较。图8和图9分别关于延迟和功耗。从表7，图。如图8和9所示，观察到使用所提出的并行加载算法执行这些作业可以分别减少大约3-32%和4-31%的功耗和延迟。因此，所提出的零负载算法被称为绿色策略。虽然我们已经提出了一个低功耗和快速加载的方案，仍然是能源优化的作业调度和资源管理的云内是至关重要的问题。云包含大量的资源。如果从作业大小、截止时间和效用的角度进行作业扩展的处理器分配，则可以进行功率有效分配[39对于中等指令数、小效用、软截止期和较长生存期的作业，可以采用相对低速的处理器来降低功耗。另一方面，如果作业包含大量具有小生命周期和高实用性的指令，则必须为其分配高速处理器。为了使延迟最小化，可以使用cloudlet[45，46]5. 结论在本文中，我们提出了一个低功耗的方法，是否要加载或不加载。 该方案综合考虑作业的功耗、计算时间和截止时间，以及作业的前后分配情况，决定是否将作业加载到云中. 仿真结果表明，通过将大型应用程序加载到云中，可以实现约7 -34%的节能。O向云的过度加载引发了另一个关键的安全问题。实现数据见图8。作业执行延迟使用建议的O-装载算法。使用传输毫微微云架构，其中应用通过安全和低功率基站毫微微蜂窝从移动终端被加载到云。为了实现云内部数据访问期间的安全性，使用基于视网膜图像识别的生物计量认证理论和仿真结果表明，使用毫微微云架构分别比通过宏小区和微小区基站的无负载实现约70从实验结果中可以看出，所提出的O-负载算法将功耗和延迟分别降低到约1.3在移动云计算中还有许多虽然cloudlet减少了延迟，但选择合适的cloudlet来加载应用程序仍然是一个重要的问题。在低功耗和低延迟方面选择特定于应用程序的云是一个开放的研究领域。确认作者感谢科学技术部（DST）批准了一项名为“绿色移动网络的动态优化：算法、架构和应用”的研究项目，该项目是在快速通道青年科学家计划下进行的，参考编号：SERB/F/5044/2012-2013和DST/INSPIRE Fellowship/2013/327号文件，本文件就是在这两个文件下完成的。表7基于实验结果的本地执行与建议的O-负载方案的比较作业ID使用提出的o_r_load算法本地执行言论执行延迟功率（W）潜伏期功率（W）本地部分远程J1✓7.7840.3911.3570.57全面的云负载可节省31%的延迟和32%的功耗J2✓11.3740.5714.9190.75部分卸载到云可节省24%的延迟和24%的功耗J3✓19.96119.961本地执行发生J4✓11.6240.5814.920.75部分卸载到云可节省22%的延迟和23%的功耗J5✓12.3920.6216.2920.81部分卸载到云可节省24%的延迟和23%的功耗J6✓13.3920.6717.8220.89部分卸载到云可节省25%的延迟和25%的功耗J7✓15.480.7716.280.81全面运行到云可节省5%的延迟和5%的功耗J8✓20.2521.0123.5521.18部分卸载到云可节省14%的延迟和13%的功耗J9✓21.7121.0922.691.13全面的云负载可节省4%的延迟和3%的功耗J10✓22.0801.1023.371.17全面的云负载可节省5%的延迟和6%的功耗270A. Mukherjee，D.De/工程科学与技术，国际期刊19（2016）260图9.第九条。 使用所提出的零负载演算法执行作业的电力消耗。参比品[1] Z. Sanaei，S. Abolfazli，A.加尼河Buyya，移动云计算中的异质性：分类和开放挑战，IEEE Commun。监视器家教16（2014）369-392。[2] H.T.丁角Lee，D. Niyato，P. Wang，移动云计算的调查：架构，应用程序和方法，Wirel。Commun. 暴徒Comput. 13（2013）1587-1611。[3] N. Fernando，S.W.Loke，W.Rahayu，Mobile Cloud Computing：A Survey，FutureGener. Comput. 29（2013）84-106。[4] A. Mukherjee，D. De，一种用于覆盖宏小区-毫微微小区网络的新颖的成本效益和高速位置跟踪方案，在：URSIGA，pp. 2014年1月[5] A. Mukherjee，D. De，基于毫微微小区的移动网络的成本有效的位置跟踪策略，在：控制，仪器，能源和通信国际会议，pp. 533[6] A. Mukherjee，S. Bhattacherjee，S. Jiang，D. De，基于毫微微蜂窝的移动网络绿色功耗方法，Comput。网络57（2013）162[7] A. Mukherjee，D.王文，智能、节能和频谱高效绿色移动网络的拥塞检测、预防和避免策略，J。Comput.内特尔电机股份2（2013）1-19。[8] Z. Hasan，H. V.K.布斯塔尼梅尔Bhargava，绿色蜂窝网络：调查，一些研究问题和挑战，IEEE Commun。监视器家教13（2011）524-540。[9] F. Mhiri，K.S.B.雷吉加河布阿莱格湾Pujolle，绿色毫微微蜂窝网络的功率管理算法，在：第十届IFIP年度地中海Ad hoc网络研讨会上，pp. 45-49，2011年。[10] V. Zirasekhar，T. Muharemovic，Z. Shen，J.G.安德鲁斯，A. Gatherer，Powercontrol in two-tier femtocell networks，Wireless Communications，IEEETransactions 8（2009）4316-4328.[11] D. Chee，M.S.康，H.Lee，B.C.Jung，A study on the green cellular networkwithfemtocells ， in ： Third International Conference on Ubiquitous andFutureNetworks，pp. 235-240，2011年。[12] Y. Haddad，Y. Mirsky，Power Efficient Femtocell Distribution Strategies，in：NineteenthInternationalConferenceonSoftware，Telecommunications andComputer Networks，pp. 2011年1月至5日。[13] X. Chen，H.Zhang，T.Chen，M.Lasanen，J.Palicot，关于提高绿色毫微微蜂窝网络中的能源效率：分层强化学习方法，2013年。[14] J. Zhang，G. de la Roche，Femtocells：Technologies and Deployment，JohnWileyand Sons，Ltd.，2010年。[15] T. Nihtila，通过在宏小
我的内容管理
展开
