تخصيص وظايف چندهدفه در واگذاري به ابر سيار

Multi-Objective Task Allocation in Offloading to Mobile Cloud

در رايانش ابري سيار، قدرت محاسباتي دستگاه‌هاي سيار با واگذاري بخش‌هايي از نرم‌افزار به ابر، افزايش مي‌يابد. تخصيص وظايف بين دستگاه‌هاي سيار مجاور كه نقش تأمين‌كنندگان منابع را بر عهده دارند، يكي از مسائل مهم و چالش‌برانگيز در رايانش ابري سيار است. هدف از تخصيص وظايف در واگذاري يك نرم‌افزار، كمينه‌سازي دو معيار زمان كل اجراي برنامه و انرژي مصرفي دستگاه‌هاي سيار شركت‌كننده در واگذاري و همچنين تأمين قيود كيفيت سرويس موردنظر برنامه كاربردي مي‌باشد. در اين مقاله، مسأله‌ تخصيص وظايف در ابر سيار به ‌صورت يك بهينه‌سازي چندهدفه قيد‌دار مدل‌سازي و روشي دو مرحله‌اي براي حل آن پيشنهاد شده ‌است. در مرحله اول، براي كسب مجموعه جواب‌هاي پارتو، يك الگوريتم مبتني بر شاخه و حد چندهدفه (MRABB) طراحي شده است. در مرحله دوم، با استفاده از روش رتبه‌بندي ترجيحات از طريق شباهت به جواب ايده‌آل (TOPSIS) و گرفتن ترجيحات كاربر، بهترين جواب مصالحه‌گر تعيين مي‌گردد. روش پيشنهادي روي بستر واگذاري به ابر سيار (به اختصار OMC)، توسعه داده شده كه وظيفه جمع‌آوري اطلاعات زمينه‌اي مورد نياز تصميم‌گيرنده و مديريت كل فرايند واگذاري را بر عهده دارد. نتايج آزمايش‌ها نشان مي‌دهد كه روش پيشنهادي در مقايسه با الگوريتم‌هاي تخصيص وظايف پيشين، به خوبي مصالحه ميان زمان و انرژي را مديريت مي‌كند.

Mobile Cloud Computing (MCC) augments capabilities of mobile devices by offloading applications to the cloud. Task allocation is one of the most challenging issues in MCC considering neighboring mobile devices as the service providers. Given an application offloading request, the objective of the task allocation is to select service providers minimizing the completion time of the application offloading as well as consumed energy of all participating mobile devices while satisfying some QoS constraints. This paper models the task allocation problem in MCC as a constrained multi-objective optimization and proposes a two stages approach to solve the problem. In the first stage, a Multi-objective Resource Allocation based on Branch and Bound algorithm (MRABB) is designed to obtain Pareto solution set. In the subsequent stage, using Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) method and given user’s preferences, the best compromise solution is determined. Furthermore, a context-aware software for Offloading in Mobile Cloud (OMC) is designed and implemented to collect contextual used in task allocation, and manage the offloading process. The results show the ability of the proposed multi-objective task allocation method to manage the trade-off between time and energy comparing to traditional algorithms.