面向移动边缘网络的基于超轮廓的计算卸载

在近期研究中，研究者开发了各种计算卸载框架，通过边缘网络将云服务拉近用户。具体而言，边缘设备因能量和处理限制需要卸载计算密集型任务。这些限制带来了识别哪些边缘节点应接收任务以降低总体资源消耗的挑战。我们针对此问题提出一种独特解决方案，结合知识定义网络（KDN）的元素，基于历史数据智能预测卸载成本。每个服务器实例可表示于多维特征空间中，每维对应一个预测度量。我们计算“超轮廓”特征，并基于预测的特定任务卸载成本定位节点。然后在超轮廓内执行k近邻（kNN）查询以选择节点卸载计算。本文形式化了基于超轮廓的解决方案，并探索使用机器学习（ML）技术预测对计算卸载有用度量的可行性。我们还研究了查询使用不同距离度量的影响。结果表明，各种网络度量可通过回归准确建模，且在某些情况下，使用欧氏距离而非直角距离的kNN查询更有利。