دانلود رایگان ترجمه مقاله بررسی استراتژی آفلود محاسباتی برای بهبود عملکرد برنامه های در حال اجرای موبایل – الزویر 2015

بررسی راهبردهای آفلود رایانشی برای بهبود عملکرد برنامه هایی که روی دستگاه های موبایل اجرا می شوند

A survey of computation offloading strategies for performance improvement of applications running on mobile devices

چکیده :
دستگاه های موبایل از دستگاه های ارتباط صوتی ساده به منظور اجرای برنامه های پیشرفته تکامل یافته اند. علی رغم این تکامل، برنامه های اجرا شونده بر روی دستگاه های موبایل به دلیل منابع محدود دارای برخی از مشکلات هستند. محدودیت هایی نظیر عمر باطری محدود، حافظه محدود و قابلیت های پردازشی تولید اثرات نامطلوبی بر روی عملکرد برنامه های اجرا شونده بر روی دستگاه های موبایل می کنند.
آفلودینگ رایانشی به مسئله منابع محدود با انتقال بار کاری محاسبه به سایر سیستم های دارای منابع بهتر رسیدگی می کند. افلودینگ در راستای بهبود و توسعه طول عمر باطری، بهبود ظرفیت حافظه و بهبود عملکرد برنامه کار می کند. در این مقاله ما یک نظر سنجی از راهبرد های افلودینگ رایانشی را با بهبود عملکرد برای برنامه ها انجام می دهیم.. سپس این رویکرد ها از حیث توزیع بار کاری و تصمیمات افلود طبقه بندی می شوند. ما هم چنین تغییرات محیط مبتنی بر افلودینگ رایانشی و نیز طبقه بندی مکانیسم های پارتیشن بندی برنامه پذیرفته شده در بخش های مختلف را توصیف می کنیم. به علاوه، مقایسه پارامتری از چارچوب های خودکار ارایه شده و سپس دامین های برنامه ای ارایه می شود که از افلودینگ رایانش بهره برده و چالش های آینده در مسیر راه افلودینگ محاسباتی بررسی می شود

1- مقدمه
با ظهور فناوری های تلفن هوشمند، دستگاه های موبایل بسیار فراگیر شده اند. این دستگاه ها دیکر تنها برای خدمات ارتباطی استفاده نمی شوند. در عوض، این دستگاه ها قادر به اجرای برنامه ها با ملزومات متنوع هستند. پردازش مورد نیاز توسط این برنامه ها از محاسبات ریاضی ساده توسط ماشین حساب تا سیستم تشخیص صدای پیشرفته متغیر است.
اجرای برنامه های پیشرفته نیازمند دستگاه های موبایل است که دارای منابع قوی است. کمبود این منابع دارای اثرات ناطملوب بر روی کاربرد روز افزون دستگاه های موبایل می باشد. برای مثال، آماره های مربوط به StatCounter نشان می دهد که حدود 30.66 درصد پلتفرم های مورد استفاده برای مرور گر وب، یستم های موبایل(StatCounter 2014) می باشد. در نتیجه، بازار موبایل نقش مهمی در تجارت و رشد فروش ایفا می کند. اگرچه تلاش های زیادی برای استفاده از پردازنده های چند هسته ای با عملکرد بالا در تلفن های هوشمند وجود دارد ، فاصله بین منابع موجود و مورد نیاز افزایش یافته است. در این رابطه، افلودینگ رایانشی یک مکانیسمی است که به ما امکان ایجاد پلی بین فاصله با اجرای محاسبات بر روی سیستم های بزرگ دارای منابع کافی می دهد. این نه تنها موجب می شود تا سیستم های موبایل با منابع محدود به یک دستگاه پیشرفته تبدیل شود، بلکه امکان بهره برداری کامل را از منابع موجود می دهد.
افلودینگ رایانشی یک ایده جدید است که از پارادایم های دارای رایانش توزیعی تکامل حاصل کرده است( دین و همکاران 2013، کومار و لو 2010، سنایی و همکاران 2014، فونتل و همکاران 2013). بهبود عملکرد برنامه با پارتیشن بندی به چندین زیر برنامه حاصل می شود که هر یک از آن ها به پردازنده متفاوتی تخصیص داده شده است. هر پردازنده از حافظه خود استفاده کرده و یا حافظه مشترک با پردازنده دیگر برای انجام رایانش های موازی استفاده می کند. در نتیجه، نتایج به پردازنده کنترل کننده اجرای کلی بازگشت داده می شود.
یک پلتفرم رایانش ابری بر اساس شروع رایانش توزیعی بوده و خدمات رایانشی را از طریق توافق سطح سرویس بر روی یک شبکه بزرک ارایه می دهد. این از پارادایم های رایانشی دیگر متفاوت است زیرا اطمینان در خصوص قابلیت دسترسی سرویس ها به کاربران ارایه می شود. رایانش ابری موبایل اشاره به ارایه خدمات از طریق موبایل به ابر دارد که با منابع محدود همراه هستند( دین و همکاران 2013، کومار و لو 2010، سنایی و همکاران 2014، فونتانا و همکاران 2013، جونتن و همکاران 2012، خان و همکاران 2014ب، برل و همکاران 2010). رایانش برنامه موبایل به سیستم غنی از منابع موسوم به جایگزین افلود می شود. این نوع از افلودینگ رایانشی نه تنها موجب کاهش مسئله منابع محدود می شود بلکه قدرت پردازشی ماشین های پیشرفته را بالا می برد( باربارا و همکاران 2013، او و همکاران 2007، کومار 2013، استانیاران و همکاران 2009).
در این مقاله، ما یگ نظر سنجی جامع از راهبرد های افلود رایانشی موثر بر عملکرد برنامه های اجرا شونده بر روی دستگاه های موبایل را انجام دادیم. اکرچه افلودینک رایانشی با هدف صرفه جویی انرژی برای اجرای برنامه می باشد(لو و همکارا 2013، هانگ و همکاران 2009، ون و همکاران 2012، بادنکو و همکاران 1998، نانریم 2010، نامیگادا و همکاران 2009)، ولی در این مقاله، ما تنها عوامل موثر بر روی عملکرد اجرایی برنامه های اجرا شونده بر روی موبایل را بررسی می کنیم. این نظر سجی و مطالعه شامل کار تحقیقاتی برای افلود رایانشی از حیث ابعاد مختلف از جمله رده بندی، راهبرد ها، الگوی تکامل و برنامه مربوطه می باشد. هم چنین ما به طبقه بندی رویکرد های پارتیشن بندی در بخش های مختلف و مقایسه پارامتری چارچوب های افلودینگ می پردازیم. ما در مورد مسائل اصلی مربوط به افلود رایانشی صحبت کرده و رویکرد هایی را برای حل این مسائل پیشنهاد می کنیم.
ادامه این مقاله به صورت زیر سازمان دهی شده است. بخش 2 به توصیف رده بندی افلودینگ از حیث معیار ها و معماری ها برای اثر بخشی آن می پردازد. تحول فناوری های بی سیم و افلودینگ در بخش 3 بحث شده است. هدف رویکرد افلودینگ بهبود عملکرد در بخش 4 است. طبقه بندی رویکرد های پارتیشن بندی مورد استفاده در رویکرد افلودینگ رایانشی در بخش 5 نشان داده شده است. مقایسه پارامتر محور چارچوب رویکرد افلودینگ در بخش 6 بررسی شده است و این در حالی است که برنامه های ذی نفع شونده از رویکرد افلودینگ در بخش 7 بحث شده است. مسائل اصلی مربوط به اجرای موثر رویکرد افلودینگ در بخش 8 همراه با راه حل ها قبل از نتیجه گیری در بخش 9 می باشد.

Abstract

Handheld mobile devices have evolved from simple voice communication devices to general purpose devices capable of executing complex applications. Despite this evolution, the applications executing on the mobile devices suffer due to their constrained resources. The constraints such as limited battery lifetime, limited storage and processing capabilities produce an adverse impact on the performance of applications executing on the mobile devices. Computation offloading addresses the issue of limited resources by transferring the computation workload to other systems having better resources. It may be oriented towards extending battery lifetime, enhancing storage capacity or improving the performance of an application. In this paper, we perform a survey of the computation offloading strategies correlated with performance improvement for an application. We categorize these approaches in terms of their workload distribution and offloading decisions. We also describe the evolution of the computation offloading based environment as well as a categorization of application partitioning mechanisms adopted in various contributions. Furthermore, we present a parameter-wise comparison of automated frameworks, the application domains that benefit from computation offloading and the future challenges impeding the evolution of computation offloading.

1. Introduction

With the advent of smartphone technologies, the mobile devices have become ubiquitous. These devices are no longer constrained to providing only communication services. Instead, these devices are capable of executing applications with diverse requirements. The processing required by these applications may range from simple mathematical computations performed by a calculator to a very complex voice recognition system. The execution of complex applications requires the mobile devices to possess powerful resources. The scarcity of these resources has adverse effects on the ever-growing usage of the mobile devices. For instance, the statistics according to StatCounter show that about 30.66% of the platforms used for web browsing are the mobile systems (smartphones/tablets) (StatCounter, 2014). Consequently, the mobile market plays a significant role in ecommerce and sales growth. This role is however diminished by the fact that the mobile systems have limited energy and power resources. Although there have been efforts to incorporate high performance multiple core processors in smartphones, the gap between the existing and the required resources continues to grow. In this context, the computation offloading is a mechanism that enables us to bridge the gap by making intensive computations execute on large systems having sufficient resources as required by the application. This not only makes a resource constrained mobile system seem like a high-end powerful machine, but also enables to perfectly utilize the existing resources. The computation offloading is not a novel idea as it has evolved from various paradigms incorporating distributed computing (Dinh et al., 2013; Kumar and Lu, 2010; Sanaei et al., 2014; Fontana et al., 2013). The performance improvement of an application is achieved by partitioning it into several subprograms each of which may be assigned to a different processor for execution. Each processor makes use of its own memory and/or shares the memory with other processors to perform computations in parallel. Subsequently, the results are returned to the processor controlling the overall execution. A cloud computing platform is also based on the intuition of distributed computing and offers the compute services through a Service Level Agreement (SLA) on a large network usually the Internet. It differs from other computing paradigms since an assurance regarding availability of services is provided to the users. The Mobile Cloud Computing (MCC) therefore refers to provision of services through a cloud to mobile devices that are characterized with limited resources (Dinh et al., 2013; Kumar and Lu, 2010; Sanaei et al., 2014; Fontana et al., 2013; Juntunen et al., 2012; Khan et al., 2014b; Berl et al., 2010). The computation of a mobile application may be offloaded to another resource-rich system termed as surrogate. Such kind of computation offloading not only mitigates the issue of limited resources of mobile devices but also enables to harness the processing power of high-end machines that will otherwise be idle (Barbera et al., 2013; Ou et al., 2007; Cui et al., 2013; Sanaei et al., 2012; Miettinen and Hirvisalo, 2009; Kumar et al., 2013; Satyanarayanan et al., 2009). In this paper, we perform a comprehensive survey of the computation offloading strategies impacting the performance of the applications executing on mobile devices. Although the computation offloading has also been aimed at saving energy required for executing an application (Lu et al., 2013; Hong et al., 2009; Wen et al., 2012; Rudenko et al., 1998; Nurminen, 2010; Nimmagadda et al., 2009; Miettinen and Nurminen, 2010; Mayo and Ranganathan, 2004; Sinha and Kulkarni, 2011; Ge et al., 2012), but in this paper, we mainly consider the contributions which impact the execution performance (computation speed) of applications running on mobile devices. The survey encompasses the research work for computation offloading arranged in terms of multiple aspects including the taxonomy, strategies, evolution pattern and relevant application domains. We also present a categorization of partitioning approaches adopted in different contributions and a parameter-wise comparison of main offloading frameworks. We also discuss main issues related to computation offloading and suggest possible approaches to address these issues effectively. The rest of the paper is organized as follows. Section 2 describes the offloading taxonomy in terms of architectures and criteria for its effectiveness. The evolution of offloading and wireless technologies is described in Section 3. The offloading approaches and contributions aimed at performance improvement are surveyed in Section 4. A categorization of partitioning approaches used in computation offloading is given in Section 5. A parameter-wise comparison of the automated computation offloading frameworks is described in Section 6, whereas the applications benefiting from computation offloading are discussed in Section 7. The main issues related to an effective implementation of computation offloading are discussed in Section 8 together with their solutions before concluding at Section 9.