With the fast development of mobile edge computing (MEC), there is an increasing demand for running complex applications on the edge. These complex applications can be represented as workflows where task dependencies are explicitly specified. To achieve better Quality of Service (QoS), computation offloading is widely used in the MEC environment. However, many existing computation offloading strategies only focus on independent computation tasks but overlook the task dependencies. Meanwhile, most of these strategies are based on search algorithms which are often time-consuming and hence not suitable for many delay-sensitive complex applications in MEC. Therefore, a highly efficient graph-based strategy was proposed in our recent work but it can only deal with simple workflow applications with linear (namely sequential) structure. For solving these problems, a novel graph-based strategy is proposed for workflow applications in MEC. Specifically, this strategy can deal with complex workflow applications with nonlinear (viz. parallel, selective and iterative) structures. Meanwhile, the offloading decision plan with the lowest energy consumption of the end-device under deadline constraint can be found by using the graph-based partition technique. We have comprehensively evaluated our strategy on FogWorkflowSim platform for complex workflow applications. Extensive numerical results demonstrate that the end device's energy consumption can be effectively reduced by 7.81% and 9.51% compared with PSO and GA by the proposed strategy. Meanwhile, the strategy running time is 1% and 0.2% of PSO and GA, respectively.

中文翻译：

---

一种用于移动边缘计算中工作流应用程序的基于图形的新型计算卸载策略

随着移动边缘计算（MEC）的快速发展，对在边缘运行复杂应用程序的需求越来越大。这些复杂的应用程序可以表示为明确指定任务依赖性的工作流。为了获得更好的服务质量 (QoS)，计算卸载被广泛用于 MEC 环境中。然而，许多现有的计算卸载策略只关注独立的计算任务而忽视了任务的依赖性。同时，这些策略中的大多数基于搜索算法，这些算法通常很耗时，因此不适合 MEC 中许多对延迟敏感的复杂应用。因此，在我们最近的工作中提出了一种高效的基于图的策略，但它只能处理具有线性（即顺序）结构的简单工作流应用程序。为了解决这些问题，针对 MEC 中的工作流应用提出了一种基于图的新策略。具体来说，该策略可以处理具有非线性（即并行、选择性和迭代）结构的复杂工作流应用程序。同时，可以使用基于图的分区技术找到在截止期限约束下终端设备能耗最低的卸载决策计划。我们已经全面评估了我们在 FogWorkflowSim 平台上针对复杂工作流应用程序的策略。大量的数值结果表明，与 PSO 和 GA 相比，通过所提出的策略，终端设备的能耗可以有效降低 7.81% 和 9.51%。同时，策略运行时间分别是 PSO 和 GA 的 1% 和 0.2%。为 MEC 中的工作流应用程序提出了一种基于图的新策略。具体来说，该策略可以处理具有非线性（即并行、选择性和迭代）结构的复杂工作流应用程序。同时，可以使用基于图的分区技术找到在截止期限约束下终端设备能耗最低的卸载决策计划。我们已经全面评估了我们在 FogWorkflowSim 平台上针对复杂工作流应用程序的策略。大量的数值结果表明，与 PSO 和 GA 相比，通过所提出的策略，终端设备的能耗可以有效降低 7.81% 和 9.51%。同时，策略运行时间分别是 PSO 和 GA 的 1% 和 0.2%。为 MEC 中的工作流应用程序提出了一种基于图的新策略。具体来说，该策略可以处理具有非线性（即并行、选择性和迭代）结构的复杂工作流应用程序。同时，可以使用基于图的分区技术找到在截止期限约束下终端设备能耗最低的卸载决策计划。我们已经全面评估了我们在 FogWorkflowSim 平台上针对复杂工作流应用程序的策略。大量的数值结果表明，与 PSO 和 GA 相比，通过所提出的策略，终端设备的能耗可以有效降低 7.81% 和 9.51%。同时，策略运行时间分别是 PSO 和 GA 的 1% 和 0.2%。该策略可以处理具有非线性（即并行、选择性和迭代）结构的复杂工作流应用程序。同时，可以使用基于图的分区技术找到在截止期限约束下终端设备能耗最低的卸载决策计划。我们已经全面评估了我们在 FogWorkflowSim 平台上针对复杂工作流应用程序的策略。大量的数值结果表明，与 PSO 和 GA 相比，通过所提出的策略，终端设备的能耗可以有效降低 7.81% 和 9.51%。同时，策略运行时间分别是 PSO 和 GA 的 1% 和 0.2%。该策略可以处理具有非线性（即并行、选择性和迭代）结构的复杂工作流应用程序。同时，可以使用基于图的分区技术找到在截止期限约束下终端设备能耗最低的卸载决策计划。我们已经全面评估了我们在 FogWorkflowSim 平台上针对复杂工作流应用程序的策略。大量的数值结果表明，与 PSO 和 GA 相比，通过所提出的策略，终端设备的能耗可以有效降低 7.81% 和 9.51%。同时，策略运行时间分别是 PSO 和 GA 的 1% 和 0.2%。利用基于图的划分技术，可以找到在截止期限约束下终端设备能耗最低的卸载决策方案。我们已经全面评估了我们在 FogWorkflowSim 平台上针对复杂工作流应用程序的策略。大量的数值结果表明，与 PSO 和 GA 相比，通过所提出的策略，终端设备的能耗可以有效降低 7.81% 和 9.51%。同时，策略运行时间分别是 PSO 和 GA 的 1% 和 0.2%。利用基于图的划分技术，可以找到在截止期限约束下终端设备能耗最低的卸载决策方案。我们已经全面评估了我们在 FogWorkflowSim 平台上针对复杂工作流应用程序的策略。大量的数值结果表明，与 PSO 和 GA 相比，通过所提出的策略，终端设备的能耗可以有效降低 7.81% 和 9.51%。同时，策略运行时间分别是 PSO 和 GA 的 1% 和 0.2%。与提出的策略相比，PSO 和 GA 提高了 51%。同时，策略运行时间分别是 PSO 和 GA 的 1% 和 0.2%。与提出的策略相比，PSO 和 GA 提高了 51%。同时，策略运行时间分别是 PSO 和 GA 的 1% 和 0.2%。