Computation Offloading: Energieverbrauch minimieren

Forschende

Wei Geng, Jiexuan Gao, und Jörg Ott vom Lehrstuhl für Connected Mobility

Forschungsziele

Begrenzte Rechenleistung als Problem

Das rasante Wachstum rechenintensiver mobiler Anwendungen wie Echtzeit-Objekterkennung, Augmented Reality und interaktiver Medien fordert die Rechenleistung und Energieversorgung moderner Smartphones stark. Ihre begrenzten Ressourcen stoßen dabei häufig an ihre Grenzen. Daher untersuchen Forschende seit Längerem die Auslagerung von Rechenaufgaben auf Edge- oder Cloud-Server, um den Energieverbrauch zu senken. Frühere Arbeiten zeigen, dass Offloading oft effizienter ist als die lokale Ausführung [1–3], stützen sich jedoch meist auf unrealistische Annahmen, etwa die Ausführung einzelner Aufgaben, feste Beziehungen zwischen Datengröße und Rechenkomplexität oder ideale Netzwerkbedingungen. Es bleibt unklar, ob diese Vorteile auch in realistischeren Szenarien bestehen.

Offloading als nachhaltige Lösung

Um diese Lücken zu schließen, führt das Team von Wei Geng empirische Experimente unter bisher unerforschten Bedingungen durch und zeigt, dass Offloading auch dann Energie spart, wenn es die Annahmen lockert. Sie analysieren nicht nur Einzelaufgaben, sondern auch Aufgabenfolgen, bei denen das naive Auslagern aller Aufgaben aufgrund des Long-Tail-Energieverbrauchs [4] moderner Netzwerke suboptimal wäre. Da Smartphones Aufgaben auch lokal auf der Central Processing Unit, der Graphics Processing Unit oder der Neural Processing Unit ausführen können, entwickelt das Team eine Strategie, die entscheidet, welche Aufgaben das Gerät auslagert und welche lokalen Ressourcen es nutzt.

Dazu schlägt das Team einen neuartigen graphbasierten Planungsalgorithmus vor, der nahezu optimale Ausführungspläne für Aufgabenfolgen berechnet, den Energieverbrauch deutlich senkt und in umfangreichen empirischen Tests bestehende Ansätze übertrifft.

Diese Ergebnisse haben wichtige gesellschaftliche Auswirkungen: Mehr Energieeffizienz im Mobile Computing reduziert den Batterieverbrauch, verlängert die Lebensdauer der Geräte und verringert Elektroschrott. Durch die nachhaltige Nutzung von Rechenressourcen in mobilen und Edge-Infrastrukturen trägt die Arbeit direkt zur Energieeinsparung und zur Reduzierung des CO2-Fußabdrucks digitaler Dienste bei.

Quellen

[1] G. Carvalho, K. Velasquez, J. P. Fernandes, and B. Cabral, On Computation Offloading and Energy Efficiency on Android Devices, in 2023 IEEE International Conference on Communications Workshops (ICC Workshops) (2023), pp. 1836–1841.

[2] G. P. Mattia and R. Beraldi, A Study on Real-Time Image Processing Applications with Edge Computing Support for Mobile Devices, in 2021 IEEE/ACM 25th International Symposium on Distributed Simulation and Real Time Applications (DS-RT) (2021), pp. 1–7.

[3] C. Xian, Y.-H. Lu, and Z. Li, Adaptive Computation Offloading for Energy Conservation on Battery-Powered Systems, in 2007 International Conference on Parallel and Distributed Systems (2007), pp. 1–8.

[4] Y. Geng, W. Hu, Y. Yang, W. Gao, and G. Cao, Energy-Efficient Computation Offloading in Cellular Networks, in Proceedings of the 23rd IEEE International Conference on Network Protocols (ICNP) (IEEE, 2015), pp. 1–10.