移动边缘计算中交互式多媒体软件的动态分割技术研究

Dynamic partitioning is an emerging technology to improve application efficiency for mobile edge computing (MEC). Ideally, a mobile application can be decomposed into a number of cooperative components, which migrate among cloud, edge and mobile terminals to achieve the optimal performance, according to the system status and task requirements. However, existing systems are still suffering from the technical issues in component performance measurement, software dynamic partitioning schemes and combinational optimizations for multiple terminals and multiple edges. To address these problems, this research proposal investigates the software decomposition and dynamic partitioning techniques for interactive multimedia applications. We first measure the components' performances in heterogeneous resources, discover the relational models between the component performance and its execution environment through machine learning. Based on the model, we further investigate the optimal partitioning schemes for components in a dynamic computational environment. Moreover, we consider the cooperative and competitive models among mobile terminals and among edges in the context of massive mobile users and heterogeneous edge nodes. The proposed research will provide key technologies for interactive multimedia applications in mobile edge computing.

软件的动态分割是移动边缘计算中提升移动应用程序运行性能的前沿技术。理想状态下，移动程序可被解构为一系列相互协作的组件，根据系统实时运行状态和任务需求，有选择性地迁移至云、边缘和移动终端上执行。现有动态分割工作在组件性能评估、程序动态分割方案以及多移动端、多边缘组合优化等方面存在的问题使得该技术未能广泛推广到工业界。针对以上问题，本项目探索并研究交互式多媒体软件的动态分割技术问题。首先，以实例取证的方式测量组件在异构资源中的表现数据，通过机器学习的方法得到组件与运行环境的关系模型。其次，基于构建的组件表现模型，进一步研究动态计算环境中，组件自适应分割以最优化系统性能的解决方案。最后，将针对大规模移动用户和异构边缘节点的情境，考虑边缘节点之间、移动端之间的协同和博弈关系，并以此指导计算组件的分割。本项目将为交互式多媒体在移动边缘计算的大规模应用提供关键技术。

本项目主要研究交互式多媒体软件在移动边缘计算中的动态分割问题，研究内容主要包含三个部分：1）组件性能表现分析：本项目开发了面向安卓系统的组件运行状态收集系统，可实时获取真实用户的软件应用内各个组件的运行数据。在此基础上，项目组开发可视化系统进行数据展示，并通过深度学习模型预测运行状态变化，以指导组件高效分割与卸载。实验结果表明本项目提出的策略可以在单步预测的情况下实现超过82%的预测准确率，大于其他对比方法。2）软件解构与组件动态分割优化:本项目首先研究了粒子群算法的细粒度解构和动态分割优化，实验结果表明该解构算法比现有的基于GPU的同类方法快5-7倍；项目组还研究了边缘辅助的联邦学习动态分割优化，实验结果表明项目组提出的算法能带来57%-170%的效率提升。3）多移动端、多边缘节点间的组件分割共享优化：项目组研究了针对多用户、多边缘场景下的计算资源共享优化，通过设计混合区块链系统为组件卸载任务发起者带来更大的回报投资比；针对多用户场景下计算资源共享和决策问题，项目组设计了基于联盟链的资源共享平台，并提出连续决策模型，有效地将收益提高到了最高128.1%；针对多边缘场景下组件分割与优化，项目组提出一种基于逆向组合拍卖机制的交互式多媒体应用分割与卸载策略，解决了在移动多边缘节点环境下组件分割与卸载的社会福利最大化问题；针对交互式多媒体软件的多虚拟机部署与资源优化，项目组提出一种分布式虚拟机放置算法，通过不同组件与虚拟机节点的资源竞争，优化移动云游戏中的虚拟机布局。本项目在IEEE TNSE、IEEE TCC、IEEE IoTJ、ACM TOSN、ACM MM等国际顶尖学术期刊与会议发表和录用共12篇学术论文，申请国内专利3项，完成项目的预定目标。