4. A taxonomy of mobile cloud computing Kami menyajikan taksonomi pendekatan saat ini dalam penelitian komputasi mobile yang terkait dengan masalah operasional. Pengguna akhir tingkat layanan dan juga di bidang keamanan, kesadaran konteks dan manajemen data seperti yang digambarkan oleh Gbr.4. kriteria kita untuk mendefinisikan taksonomi didasarkan pada isu-isu kunci dalam komputasi awan mobile. Dan bagaimana mereka telah ditangani dalam dunia akademis. Kami fokus pada: -
Operation level issues End user level issues Service and application level issues Privacy security and trust Context- awareness Data management
Sebagai wilayah utama. Ada masalah di tingkat atas taksonomi berlaku untuk banyak daerah, bukan hanya ponsel komputasi awan. Kami percaya kemiripan ini akan membantu memberikan perbandingan pada komputasi awan bagaimana mobile yang berhubungan dengan bidang lainnya. Selain itu kami memperluas setiap masalah untuk menyoroti serangkaian tantangan yang unik dalam komputasi awan mobile dan bagaimana mereka telah ditangani dalam pekerjaan yang ada. 4.1 masalah Operasional isu Operasional mengacu pada hal-hal teknologi yang mendasari seperti metode pembongkaran model perhitungan, biaya-manfaat yang membantu dalam mengambil keputusan untuk offload atau tidak bagaimana mobilitas perangkat ins dikelola / mendukung suatu protokol koneksi yang digunakan. 4.1.1 Metode pembongkaran operasional setiap dunia mobile cloud utama menjadi pembongkaran pekerjaan yang terjadi dari sumber daya terbatas layanan mobile ke awan. Karena isu-isu seperti jarak fisik memisahkan perangkat mobile dan awan dan heterogenitas sistem yang mendasari, penelitian yang berbeda membahas metode pembongkaran dalam tiga arah utama; client server virtualisasi metode komunikasi dan agen mobile. Komunikasi client-server. Dalam proses komunikasi client-server komunikasi komunikasi dilakukan di perangkat mobile (unloader) dan perangkat pengganti melalui protokol seperti RPC, RMI dan soket. Kedua RPC dan RMI telah didukung API dan dianggap stabil oleh pengembang. Namun, pembongkaran melalui dua metode ini berarti bahwa layanan harus telah prainstal di perangkat berpartisipasi. Ini adalah kerugian ketika mempertimbangkan ad hoc
dan alam mobile ponsel bisa dan membatasi mobilitas penggunanya jika di sekitar perangkat yang tidak mendukung layanan yang diperlukan. Spectra [27] dan Chroma [28] adalah dua contoh sistem yang menggunakan layanan pra-instal dicapai melalui RPC untuk offload perhitungan. Aplikasi menggunakan RPC untuk memohon fungsi di Spectra server remote dan lokal. Ketika perangkat harus offload aplikasi, klien Spectra berkonsultasi database yang menyimpan informasi tentang server Spectra seperti arus beban ketersediaan CPU mereka dll Server ini pra-instal dengan kode aplikasi yang bertindak sebagai layanan. Pengembang perlu secara manual partisi aplikasi dengan menentukan metode yang mungkin menjadi kandidat untuk pembongkaran. Spectra memutuskan pada saat runtime tergantung pada kolam sumber daya, yang ketiga metode tersebut, jika ada akan diturunkan dan yang pengganti. Marinelli
telah
memperkenalkan
‘Hyrax’ untuk
aplikasi
android
yang
didistribusikan baik pada data maupun komputasi yang berbasis Hadoop yang dihubungkan ke platform Android. Hyrax mengeksplorasi kemungkinan beberapa ponsel digunakan sebagai penyedia resources dan menunjukkan kemampuan untuk digunakan sebagai mobile cloud. Sebagai contoh aplikasi, mereka menampilkan ‘HyraxTube’ yang merupakan sebuah program sederhana yang digunakan untuk pencarian dan berbagi multimedia mobile. Tujuan dari HyraxTube adalah untuk memungkinkan user untuk melakukan pencarian file multimedia berdasarkan waktu, kualitas, dan lokasi. Apache Hadoop adalah implementasi open source dari MapReduce dan menyediakan interface virtual dari kumpulan komputer yang acak. Pada Hyrax, sebuah server pusat dengan akses ke setiap perangkat mobile baik itu data, tugas, dan telepon berkomunikasi satu dengan lainnya melalui jaringan 802.11g yang tertutup. Seperti di dalam penerapan Hadoop umumnya, Hyrax juga memiliki sebuah NameNode dan sebuah JobTaker yang berjalan pada server pusat dengan akses ke setiap klien perangkat mobile. Server pusat tidak melakukan pengolahan apapun, dan bertugas untuk mengarahkan data dan tugas. Setiap ponsel menjalankan DataNode dan TaskTracker pada service Android yang terpisah. Selain itu, setiap ponsel menjalankan beberapa thread yang menyimpan data multimedia ponsel pada Hadoop Distributed File System (HDFS), dan thread yang merekam data sensor.TaskTracker dan DataNodes menggunakan periodic heartbeat call melalui RPC ke JobTacker dan NameNode, dan vice versa untuk respon heartbeat. Heartbeat ini dikirim dari TaskTracker untuk
menunjukkan ke JobTacker bahwa mereka dalam kondisi ‘hidup’ dan JobTacker dapat menetapkan pekerjaan untuk respon heartbeat ini. Framework lainnya yang berdasarkan Hadoop diperkenalkan oleh Huerta-Canepa dan Lee, untuk sebuah virtual mobile cloud dengan tujuan umumnya adalah digunakan sebagai penyedia resource. Mereka berpendapat bahwa lokasi seseorang mempunyai peran penting untuk aktivitas mereka; maka, penempatan mengarah ke kegiatan umum, khususnya kegiatan berdasarkan tempat seperti mengunjungi museum, dan melakukan ekspedisi arkeologi. Manager Offloading dari sistem mengatur pengiriman dan penerimaan tugas ke dan dari perangkat lain menciptakan sebuah mesin virtual pengganti. Pada perangkat pengganti, tugas-tugas yang dijalankan pada mesin virtual pengganti bertindak sebagai ruang yang dilindungi yang bertujuan untuk memastikan keamanan data perangkat. Implementasinya telah diuji coba menggunakan aplikasi Korean OCR. Hasilnya tidak menunjukkan peningkatan kecepatan, walaupun mereka mengharapkan penghematan energi, berdasarkan waktu proses yang lebih singkat daripada saat dijalankan pada satu perangkat mobile. Framework ‘Cuckoo’ memperkenalkan sebuah sistem untuk perangkat mobile pengganti pada sebuah cloud menggunakan Java stub/proxy model. Cuckoo dapat digantikan ke berbagai resource yang berjalan pada Java Virtual machine, mungkin cloud komersial seperti Amazon EC2 atau private cloud mini yang berisi beberapa laptop dan cluster lokal. Bagaimanapun, perangkat telepon selular yang tidak disebutkan sebelumnya
dapat
digunakan
sebagai
penyedia
resource
yang
potensial.
Diimplementasikan untuk android, penerapan perangkat pengganti Cuckoo bertujuan untuk meningkatkan performa dan mengurangi penggunaan baterai. Ibis High Performance Programming System digunakan sebagai dasar komponen komunikasi Cuckoo. Untuk menggunakan Cuckoo, aplikasi harus ditulis kembali sehingga aplikasi dapat mendukung eksekusi jarak jauh dapat sebaik eksekusi secara lokal. Untuk tujuan ini, sebuah model pemrograman berfungsi sebagai interface dari sistem, dibuat dapat digunakan oleh aplikasi pengembang. Model pemrograman menggunakan model ‘activity/services’ Android yang membagi service-service (memperhitungkan method yang dapat digunakan untuk offloading) dan activity-activity (interactive method dari
aplikasi). Sebuah objek proxy dibuat pada activity yang terhubung dengan implementasi nyata. Disini, dalam penambahan ke implementasi lokal, Cuckoo menghasilkan code untuk implementasi yang sama untuk service jarak jauh yang kemungkinan atau tidak indentik dengan yang lokal, dimulai dari versi jarak jauh dapat dijalankan pada komputer multi-core misalnya, dan mengambil keuntungan maksimal dari paralelisme. Jika resource jarak jauh tidak memungkinkan (koneksi ke jaringan tidak tersedia) maka aplikasi dapat berjalan pada sisi lokal (pada ponsel). Mereka telah mengimplementasi ulang dua aplikasi yang telah ada ‘eyeDentify’ dan ‘PhotoShoot’ pada Cuckoo untuk mendemonstrasikan keefektifan dari framework dan melaporkan bahwa merekan dapat meningkatkan kecepatan dengan nilai 60 dan mengurangi penggunaan baterai dengan nilai 40 pada ‘eyeDefinity’ dengan offloading. Walaupun mereka menyampaikan bahwa mereka mendapatkan peningkatan kecepatan untuk ‘PhotoShoot’, gambar sebenarnya tidak disampaikan. Bagaimanapun, mereka tidak menyediakan sebuah method untuk menentukan kapan harus menggunakan offload atau tidak. Hal ini telah dilampirkan sebagai langkah pengembangan selanjutnya, tetapi untuk saat ini, framework ini selalu menggunakan offload jika ponsel dapat terhubung ke resource cloud. Framework Mobile Message Passing Interface (MMPI) adalah sebuah versi mobile dari MPI biasa yang bekerja dengan Bluetooth dimana perangkat mobile berfungsi sebagai penyedia resource. Dibanding struktur jaringan star pada umumnya, MMPI membuat struktur mesh yang terhubung sepenuhnya sehingga setiap node dapat berkomunikasi satu dengan lainnya. Task seperti pencarian perangkat, dan koneksi dihandle oleh library yang disediakan pada framework, menghilangkan kebutuhan untuk kode spesifik Bluetooth yang rumit. Framework ini diimplementasikan pada Java dan library pihak ketiga BlueCove digunakan untuk menghandle operasional Bluetooth. Perangkat mobile utama mengirimkan parameter pekerjaan ke perangkat slave, yang kemudian akan dieksekusi pada perangkat tersebut. Sebagai contoh aplikasi, mereka telah mencobadengan pembuatan fraktal melalui perangkat berbeda (ponsel, laptop, PDA)
dalam
platform
berbeda
dan
membuat
laporan
penggunaan
waktu.
Bagaimanapun, merekan tidak memberikan penggunaan dalam kondisi pengunaan pada satu mesin (dalam pengunaan umum) sehingga tidak jelas bagaimana peningkatan
kecepatan tersebut. Setting dari MMPI terdiri dari tiga langkah : Device discovery, Service discovery, dan Network formation. Percobaan mereka menampilkan bahwa waktu pencarian service meningkat saat semakin banyak perangkat yang ditemukan. Network formation menggunakan waktu paling sedikit dengan 136 ms untuk jaringan yang terdiri dari dua node dan 2,3 s untuk jaringan dengan empat buah node. tes menunjukan bahwa layanan discovery time meningkatkan perangkat lebih banyak.Pembentukan jaringan membutuhkan waktu tercepat dengan 136 ms untuk jaringan dua node dan 2,3 s untuk jaringan empat node. Dalam, Deboosere et al. mengusulkan suatu model grid, di mana perangkat mobile menghubungkan ke thin client melalui protokol thin client klasik seperti VNC (Virtual Network Computing) atau protokol streaming. Dalam sistem ini, input pengguna dikirim melalui jaringan nirkabel ke server, dan setelah proses input, server akan mengirimkan kembali output grafis yang sesuai, yang kemudian ditampilkan pada perangkat mobile. Secara khusus, penelitian ini berfokus pada algoritma pemilihan server yang diperlukan ketika perubahan lokasi perangkat mobile. Untuk meminimalkan delay dari server, dan memberikan waktu respon yang cepat, aplikasi mungkin perlu bermigrasi ke server terdekat, yang dapat mempengaruhi kinerja. Para penulis bertujuan untuk memberikan algoritma yang efektif untuk meminimalkan degradasi ini dalam kinerja, sementara mendukung mobilitas pengguna juga. Migrasi VM mengacu mentransfer gambar memori VM dari sumber server ke server tujuan tanpa berhenti pelaksanaannya . Dalam migrasi seperti itu, halaman-halaman memori dari VM dicopy tanpa mengganggu OS atau salah satu aplikasi, sehingga memberikan ilusi migrasi mulus. Metode ini memastikan bahwa tidak ada perubahan kode yang diperlukan ketika program diturunkan, dan menyediakan eksekusi yang relatif aman. Namun, migrasi VM agak memakan waktu dan beban kerja yang berat untuk perangkat mobile. Daripada menghubungkan ke cloud yang jauh, Satyanarayan et al. [23] menunjukkan 'cloudlets' sebagai solusi. Sebuah cloudlets mirip dengan pusat data kecil yang terletak di kawasan / tempat dan terhubung ke server cloud yang lebih besar melalui Internet. Mereka menyatakan bahwa '' internal, cloudlet yang menyerupai sekelompok komputer multi-core, dengan gigabit konektivitas internal dan tinggi bandwidth LAN nirkabel ''. Perangkat mobile akan terhubung ke cloudlet dengan satu hop bandwidth tinggi dari koneksi wireless, sehingga menjamin respon interaktif real time. Jika pengguna bergerak menjauh dari cloudlet, perangkat selular bisa jatuh kembali ke modus layanan terdegradasi yang terhubung ke server cloud yang jauh atau paling buruk bahkan beroperasi secara offline. Cloudlets akan didesentralisasi, tersebar luas dan mengelola
diri membutuhkan sedikit daya, untuk konektivitas internet dan kontrol untuk setup. Cloudlet hanya akan berisi cache data yang tersedia di tempat lain, sehingga hilangnya cloudlet tidak akan menjadi bencana. Penelitian menyarankan pembatasan minimal pada perangkat lunak dan menyederhanakan manajemen. Solusi mereka adalah dengan menggunakan '' kustomisasi sementara infrastruktur cloudlet menggunakan hardware VM ''. Pendekatan berbasis VM lebih stabil daripada alternatif lain seperti migrasi proses dan juga akan lebih fleksibel daripada virtualisasi. MAUI [24] menggunakan kombinasi VM migrasi dan kode partisi. Tujuan mereka adalah untuk menghemat energi. Aplikasi diturunkan dari ponsel ke sekitar infrastruktur yaitu server lokal dan remote. Penerapan in.NET, partisi MAUI ini dilakukan pada runtime dan sangat dinamis. Hal ini dapat menggunakan 3G atau WiFi untuk konektivitas. CloneCloud [36] juga menggunakan migrasi VM untuk menurunkan bagian dari beban kerja aplikasi mereka ke server baik melalui 3G atau WiFi. Karena mereka menggunakan klon perangkat, aplikasi mobile dimodifikasi dan tidak perlu metode bahkan menambahkan catatan seperti dilakukan di MAUI [24]. Mereka memiliki 'model biaya' yang menganalisis biaya yang terlibat dalam migrasi dan eksekusi atas cloud dan membandingkan biaya terhadap eksekusi monolitik. CloneCloud diuji menggunakan ponsel Android dengan klon mengeksekusi pada desktop Dell yang menjalankan system operasi Ubuntu. Untuk tujuan pengujian, mereka menganggap tiga aplikasi; virus scanner, pencarian gambar, dan iklan bertarget privasi-melestarikan dan laporan speedups hingga 21.2⇥ dengan WiFi memberikan kinerja yang lebih baik melalui 3G. MobiCloud [37] membahas menggunakan teknologi komputasi cloud untuk MANETs dengan cara yang aman. MANETs tradisional dapat diubah menjadi berorientasi layanan arsitektur oleh MobiCloud. Setiap mobile node dianggap sebagai 'Layanan Node' yang dapat digunakan sebagai penyedia layanan atau broker layanan tergantung pada perhitungan dan komunikasi kemampuan dan sumber daya yang tersedia. Setiap layanan node yang tergabung ke cloud sebagai komponen virtual dan tercermin di cloud. Fokus utama dari MobiCloud adalah untuk menyediakan arsitektur layanan keamanan dan mereka hadir Virtual Trusted and Provisioning Domain’ (VTaPD), yang merupakan layanan untuk menangani arus informasi dalam berbagai domain keamanan, menggunakan Routing [38]. Mobile code. Scavenger [39] adalah framework lain yang bekerja mencari cyber menggunakan WiFi untuk konektivitas, dan menggunakan pendekatan mobile code untuk partisi dan mendistribusikan pekerjaan. Hal ini juga memperkenalkan scheduler untuk penilaian biaya. Metode ini menilai biaya berdasarkan kecepatan server pengganti dan menggunakan metode benchmarking untuk melakukan hal ini. Menggunakan framework untuk perangkat mobile untuk offload ke satu atau lebih pengganti dan tes
yang menunjukkan bahwa menjalankan aplikasi di beberapa pengganti secara paralel lebih efisien dalam hal kinerja. Disccusion. Dengan pengecualian dari Hyrax [14], Virtual cloud [12] dan Cuckoo [30], karya-karya terbaru telah digunakan baik migrasi VM atau Mobil code ke penurunan tugas. Bahkan proyek tersebut, didasarkan pada framework yang jauh lebih tua; Hadoop [40] dan Ibis [31], yang dirancang untuk pendistribusian dan pemrograman jaringan. Oleh karena itu aman untuk mengatakan bahwa tren khususnya daerah mendukung ini migrasi VM dan kode Handphone atas sistem Komunikasi Client-Server konvensional. Keuntungan dari kedua pendekatan di atas metode Komunikasi Client-Server seperti RPC dapat diberikan sebagai alasan untuk ini. Meskipun metode Komunikasi ClientServer memiliki API pendukung dan kuat, mereka juga memerlukan aplikasi lain untuk diinstal. Operasi terputus tidak didukung dalam metode ini. Mengingat sifat ad-hoc dari sistem mobile, ini adalah suatu kerugian. Selain itu, terus menerus berlangsung interaksi dan komunikasi antara klien dan server dapat menyebabkan kemacetan jaringan.
Gambar Sebuah gambaran dari pendekatan utama dalam metode offloading untuk komputasi cloud mobile, beserta keunggulan dan kelemahannya. Migrasi VM digunakan oleh mayoritas framework, termasuk Cloudlets [23], MAUI [24], CloneCloud [36], dan MobiCloud [37]. Virtualisasi sangat mengurangi beban pada programmer, karena sangat sedikit atau tidak ada menulis ulang aplikasi yang diperlukan. MAUI [24] sebenarnya tidak bergantung pada migrasi VM murni seperti yang dilakukan di CloneCloud [36] dan Cloudlets [23], tetapi menggunakan kombinasi VM migrasi dan partisi program. Namun, dalam kasus di mana pengguna perangkat mobile berada dalam jangkauan perangkat pengganti selama beberapa menit, menggunakan migrasi VM mungkin terbukti menjadi berat, seperti yang ditunjukkan
dalam [39] yang menggunakan agen mobile mengingat kesesuaian dalam lingkungan mobile yang dinamis. Meskipun hasil evaluasi telah diberikan dalam beberapa proyek, membandingkan mereka terhadap satu sama lain sulit karena kinerja dan penghematan energi tergantung pada aplikasi juga. Bahkan ketika menggunakan kerangka yang sama, kinerja bervariasi untuk aplikasi yang berbeda. Ukuran input dan protokol koneksi (apakah 3G atau WiFi) juga memainkan peran kunci. Sebagai contoh, MAUI [24] melaporkan penghematan energi maksimum 90%, 45%, dan 27% untuk tiga aplikasi (pengenalan wajah, catur, video game) dan pemercepat kinerja maksimum sekitar 9,5, 1,5, dan 2,5 untuk hal yang sama masing-masing. CloneCloud [36] juga melaporkan hasil tes pada tiga aplikasi; virus scanning, pencarian gambar, perilaku profiling. Mereka menunjukkan speed ups maksimum 14,05, 21,2, dan 12.43 masing-masing untuk aplikasi tersebut. Scavenger [39] juga melaporkan hasil tes dievaluasi dengan menggunakan aplikasi editor gambar, dan hasilnya menunjukkan percepatan maksimum 38,7 dan penghematan daya maksimum 24%. 4.1.2. Analisis biaya-manfaat Hal ini penting untuk menganalisa biaya offload ke cloud seperti waktu, energi dan moneter, dibandingkan monolitik eksekusi / penyimpanan terlebih dahulu. Walker et al. [41] membahas ketika konsumen harus mengambil keputusan untuk offload penyimpanan ke cloud terpencil seperti Amazon EC2. Model mereka untuk mengevaluasi manfaat dari penyewaan storage dari layanan cloud dibandingkan dengan membeli hard drive, memperhitungkan faktor-faktor seperti biaya listrik, biaya hard disk, konsumsi daya disk, harga penyimpanan cloude per GB, kebutuhan penyimpanan yang diharapkan, dan gaji operator manusia. Li et al [42] mengusulkan model dengan suite metrik untuk menghitung biaya cloud. Mereka menganggap dua biaya utama komputasi cloud yaitu, Total Cost of Ownership (TCO) dan Pemanfaatan Biaya. Biaya Total Kepemilikan (TCO) umumnya digunakan sebagai perkiraan keuangan untuk menentukan biaya menghubungkan untuk memiliki dan mengelola infrastruktur TI. Sehubungan dengan komputasi cloud, TCO dianggap sesuai dengan fungsi sebagai dasar untuk memberikan
perkiraan untuk nilai komersial dari investasi, dan memperhitungkan biaya Server rekening, biaya perangkat lunak, biaya jaringan, dukungan dan biaya pemeliharaan, biaya listrik, biaya pendinginan, biaya fasilitas, dan biaya real-estate. Pemanfaatan Biaya mengacu pada sumber daya yang sebenarnya yang dikonsumsi oleh pengguna tertentu atau aplikasi sesuai dengan permintaan dinamis. Karena 'elastisitas' yang jumlah sumber daya seperti server, software, listrik dan fasilitas termasuk UPS dan sistem baterai, dapat ditambahkan secara dinamis atau dihapus sesuai permintaan dari kolam sumber daya. Oleh karena itu agak daripada statis meringkas pengeluaran kas, analisis biaya harus mempertimbangkan dampak dari pemanfaatan elastis. Selanjutnya, Li et al. berpendapat bahwa mesin virtual adalah unit sumber daya, karena virtualisasi diadopsi secara luas dalam komputasi. Oleh karena itu VMs dianggap sebagai masukan dalam lapisan tiga derivasi metode berbasis cloud yang juga mengambil ke Akun. Meskipun beberapa dari masalah ini seperti konsumsi daya dan harga awan berlaku untuk komputasi awan mobile serta, isu dan perspektif tambahan perlu dipertimbangkan. Pentingnya analisis biaya-manfaat. Dalam mobile, karena dari mobile sumber daya yang mungkin berubah dalam suatu waktu tertentu. Oleh karena itu, biaya-manfaat analisis sangat penting untuk mempertimbangkan manfaat dari pembongkaran terhadap potensi keuntungan dengan mengevaluasi biaya diperkirakan eksekusi dengan kebutuhan spesifik pengguna seperti yang diilustrasikan pada Gambar. 6. Model biaya menggunakan pemantauan
sumber daya dan profiling. Spectra dan Chroma adalah dua sistem cyber
untuk
perangkat mobile yang menggunakan metode untuk mempertimbangkan biaya vs manfaat offloading untuk pengganti server. Di Spectra, tujuan bertentangan seperti kinerja,
konservasi
energi,
dan
kualitas dievaluasi ketika mempertimbangkan apakah aplikasi harus diturunkan, dan jika demikian, di mana perangkat pengganti. Karena lingkungan meresap terdiri dari perangkat mobile terus berubah dalam hal ketersediaan sumber daya, Spectra terusmenerus memonitor sumber daya seperti CPU, jaringan, baterai, File negara cache, CPU terpencil, dan file jarak jauh negara Cache. Perubahan dalam sumber daya ini dipertimbangkan
ketika
memperkirakan
penempatan terbaik. A 'self-tuning' pendekatan diadopsi untuk mencocokkan sumber daya yang tersedia dengan tuntutan sumber daya aplikasi karena tidak praktis untuk aplikasi untuk menentukan kebutuhan sumber daya yang tepat. Sebaliknya, metode selftuning mengamati eksekusi aplikasi dan mempertahankan sejarah profil untuk setiap pengganti dikenal. Profil profil ini terus diperbarui, dan berkonsultasi untuk tindakan di masa depan. Spectra menggunakan pekerjaan sebelumnya yang dilakukan oleh Narayanan et al. dengan menggunakan model prediksi berdasarkan asumsi bahwa konsumsi sumber daya dari operasi ini mirip dengan baru-baru ini eksekusi dari operasi serupa. Dalam kasus menghadapi baru operasi yang data sejarah tidak ada, model mempekerjakan regresi linier untuk memberikan perkiraan. Chroma menggunakan agak Pendekatan serupa yang
disebut
'taktik'
ditentukan
dalam
bahasa
deklaratif,
sambil membangun pada ide-ide dari sama Odyssey karya sebelumnya . Chroma juga mempekerjakan pemantauan sumber daya dan sejarah berdasarkan
prediksi untuk
menimbang hasil dari setiap rencana taktik melawan estimasi biaya. Data sejarah untuk aplikasi login offline, dan prediktor memperbarui log online dan menggunakan mesin belajar
untuk
mengoptimalkan
prediksi.
Untuk
mengambil
keputusan,
Chroma melakukan trade-off dengan menggunakan fungsi utilitas yang melakukan perbandingan antara atribut seperti konsumsi daya dan kecepatan. Namun, tidak seperti Spectra, kebijakan adaptif dipisahkan
dari pengambilan keputusan dan penegakan
kebijakan saat runtime. The Scavenger kerangka juga mempekerjakan penilaian biaya metode untuk memutuskan apakah pembongkaran harus dilakukan atau tidak. ini dilakukan oleh komponen 'scheduler' yang menganggap faktor-faktor berikut: 1. Kecepatan relatif dan pemanfaatan saat ini pengganti: Metode CPU benchmarking digunakan untuk mengevaluasi kinerja perangkat pengganti potensial. scavenger tidak tidak menggunakan nilai kecepatan clock CPU perangkat karena akan kurang masuk akal untuk tujuan perbandingan karena jauh sifat heterogen set perangkat. benchmarking Metode menggunakan suite11 NBench untuk mendapatkan skor yang memberikan penilaian kekuatan perangkat. Jumlah tugas
berjalan dalam potensi
pengganti digunakan sebagai pengukuran pemanfaatan sumber daya saat ini. 2. Jaringan bandwidth dan latency untuk pengganti: Jaringan informasi koneksi statis dikonfigurasi untuk menghindari yang tidak perlu lalu lintas menggunakan dan informasi ini pada bandwidth yang diharapkan, Pemulung memperkirakan biaya eksekusi jarak jauh. 3. Tugas kompleksitas: Ini tidak mengacu pada Big O asymptotic waktu, bukan ini berarti perkiraan berapa banyak waktu yang dibutuhkan untuk melaksanakan tugas pada perangkat pengganti. Data sejarah mencatat setiap kali tugas dilakukan digunakan untuk estimasi ini mirip dengan Spectra dan Chroma. Namun, tidak seperti Spectra dan Chroma,
untuk
setiap
tugas
Scavenger
mempekerjakan
a 'profiling ganda' teknik di mana tidak satu tapi dua profil dicatat per tugas; profil tugas-sentris menggunakan tugas global yang berat badan dan profil peer-sentris untuk setiap pasangan perangkat-tugas. Profil peer-sentris dikonsultasikan terlebih dahulu, dan jika peer adalah sampai sekarang perangkat yang tidak dikenal, scheduler melihat ke taskcentric yang profil. Persamaan. (1) menunjukkan perhitungan tugas global yang berat badan, di mana Tduration adalah waktu yang dibutuhkan untuk menyelesaikan tugas, Pstrength adalah skor NBench, dan Pactivity adalah jumlah lainnya tugas yang dijalankan pada perangkat pada saat itu.
4. Input dan output ukuran: ukuran input tersedia saat runtime, tetapi programmer perlu menentukan informasi pada ukuran output. MAUI [24] melakukan analisis biayamanfaat dengan profil masing-masing metode dalam aplikasi melalui serialisasi. pengukuran bandwidth jaringan dan latency juga diambil untuk menggabungkan ke dalam biaya. Secara khusus, profiler MAUI ini memakan waktu tiga isu ke pertimbangan: 1.
penggunaan energi Perangkat ': Sebuah profil energi dari ponsel telepon disiapkan dengan terlebih dahulu mengukur penggunaan baterai dari hardware meteran listrik. Sebuah JouleMeter [45] gaya benchmarking Sistem ini digunakan untuk mengukur penggunaan CPU. awalnya profiler adalah 'dilatih' pada
perangkat
dengan
mengumpulkan
data
pada
CPU
pemanfaatan dan konsumsi energi. Nilai-nilai ini digunakan untuk membangun sebuah model linier yang mampu memperkirakan berapa banyak energi akan dikonsumsi oleh metode. Perkiraan ini diberikan dalam bentuk jumlah siklus CPU yang diperlukan untuk mengeksekusi bahwa metode tertentu. Mereka melaporkan bahwa model error rata-rata kurang dari 6% dengan 2.
deviasi
standar
4,6%.
Karakteristik Aplikasi: Sejak profil aplikasi untuk masing-masing path yang mungkin yang akan menjadi mahal, MAUI menggunakan masa lalu doa metode untuk memprediksi masa depan pemanggilan. 3. Karakteristik Jaringan: Mereka mengikuti prosedur sederhana untuk mengukur throughput jaringan. 10 kB data dikirim ke MAUI sebuah server dan diamati untuk mendapatkan ide dari bandwidth jaringan dan latency. Juga, profiler mencatat statistik jaringan kualitas setiap kali metode ini diturunkan, dan data sejarah ini digunakan untuk perkiraan masa depan. Data dari profiler seperti yang disebutkan di atas kemudian dimasukkan ke yang MAUI 'Solver'
untuk memutuskan apakah metode harus dijalankan lokal atau jarak jauh. The Solver mencoba untuk memberikan yang terbaik mungkin strategi partisi yang akan memberikan paling sedikit ponsel konsumsi baterai. Clonecloud mempekerjakan 'Dynamic Profiler' untuk mengumpulkan data digunakan dalam analisis biaya-manfaat, yang kemudian diumpankan ke dalam 'Optimasi Solver' untuk menentukan metode perlu bermigrasi, sehingga biaya migrasi dan eksekusi akan diminimalkan. Model biaya menggunakan analisis
parametrik..
Model
mengambil
berikut
parameter
menjadi
pertimbangan; kecepatan dari perangkat mobile (M) dan awan jauh (S), jumlah instruksi dari perhitungan (C) (dengan asumsi kedua versi mobile dan cloud memiliki jumlah yang sama instruksi), jumlah byte menjadi ditransfer (D), bandwidth jaringan (B), energi yang dikonsumsi oleh ponsel di idle (Pi), komputasi (Pc) dan berkomunikasi (Ptr) negara. Dengan asumsi awan adalah F kali lebih cepat dari ponsel perangkat, mereka menyimpulkan jumlah penghematan energi yang akan diberikan oleh Formula.
Table 1 Ketika rumus memberikan nilai lebih besar dari nol, menghemat energi mungkin, yaitu DB harus dibandingkan yang lebih rendah untuk CM dan F harus menjadi cukup besar. Jadi, menurut model ini, offloading bermanfaat dalam kasus-kasus di mana perhitungan berat diperlukan dengan jumlah relatif rendah komunikasi. Menganalisis kondisi untuk perhitungan offloading optimal, Wang dan Li dalam mengidentifikasi empat jenis faktor biaya; komputasi biaya, biaya komunikasi data, Tugas biaya penjadwalan dan Data biaya pendaftaran. Biaya tersebut dinyatakan sebagai fungsi runtime parameter seperti ukuran buffer, ukuran input dan baris perintah Pilihan. Ini kemudian dimasukkan ke dalam algoritma partisi untuk menentukan partisi yang efisien tergantung pada parameter. Model biaya menggunakan metode stokastik. Untuk layanan cloud mobile model yang diberikan di MobiCloud
Liang et al.
mengusulkan Model komputasi mobile cloud ekonomi berdasarkan Semi-Markov Proses Keputusan (SMDP) untuk alokasi sumber daya. Mobile Cloud membahas sebuah sistem di mana perangkat mobile menggunakan komponen aplikasi bernama 'weblets' yang dapat baik bermigrasi ke cloud, atau dijalankan pada perangkat mobile itu sendiri.. Keuntungan sistem secara keseluruhan didasarkan pada memaksimalkan awan keuntungan dan mengurangi biaya dari pengguna ponsel. beban dari pengguna mobile tergantung pada trade-off dari konsumsi energi dalam perangkat mobile vs biaya moneter pembongkaran ke cloud. Mereka berpendapat bahwa transfer Weblet intradomain dari satu service node ke yang lain biasanya akan menghasilkan keuntungan lebih dari migrasi Weblet baru dari perangkat mobile, atau domain antar Transfer di mana transfer terjadi dari layanan cloud lain penyediaan domain. Ada model biaya dalam komputasi mobile saat ini sistem terutama jatuh ke dalam tiga kategori: profil berbasis sejarah, parametrik, dan stochastic. Sebuah gambaran dari ini diberikan dalam Tabel 1 Spectra dan Chroma dua sejarah tertua berdasarkan profil model biaya, dan sangat mirip, dengan Chroma menjadi Hasil pembelajaran dari Spectra. Beberapa karya kemudian membangun pada konsep-konsep dari kedua baris penelitian sambil menambahkan baru metode untuk mengatasi kekurangan mereka. Sebagai contoh, biaya model kerja tersebut dan MAUI bergantung pada asumsi bahwa operasi serupa adalah indikator yang baik dari penggunaan sumber daya saat ini. Namun, energi konsumsi operasi di MAUI dinyatakan sebagai fungsi dari jumlah siklus CPU memerlukan, sementara di Spectra, energi pengukuran secara langsung diambil dari baterai perangkat mobile.
