编辑推荐：
为优化物联网（IoT）设备计算资源利用，研究人员开展基于无服务器函数即服务（FaaS）的自适应计算卸载框架研究。构建预训练成本估算模型，设计卸载策略。结果表明该框架减少决策校准时间，适应网络变化，提升执行效率。
在物联网设备数量爆发式增长的当下，各类复杂应用如实时数据处理、后台任务运行等对计算资源的需求与日俱增。传统物联网设备受限于自身计算能力和能源供应，难以高效处理日益复杂的任务，如何在云、边缘等不同执行环境间合理分配计算任务，实现资源的最优利用，成为亟待解决的难题。一方面，云服务虽能提供强大算力，但网络延迟和通信成本可能影响实时性；另一方面，边缘计算虽靠近设备端，但资源容量有限。在此背景下，探索一种能够根据实时环境动态选择执行环境的计算卸载策略，对提升物联网系统整体性能至关重要。
为解决上述问题，AGH 科技大学的研究人员开展了关于自适应计算卸载框架的研究。他们提出了 MicroFaaS 框架，旨在利用无服务器函数即服务（FaaS）解决方案的能力，为物联网设备的计算任务智能选择最合适的执行环境。研究得出，预训练的成本估算模型可显著减少设备端决策算法的校准时间，且基于该模型的卸载算法能通过监控网络状态，快速适应网络条件的突然恶化，实现更优的函数执行时间。该研究成果发表在《Future Generation Computer Systems》，为物联网计算资源的高效利用提供了新的思路和方法。
研究中主要用到的关键技术方法包括：构建针对每个函数和每个环境（FaaS 平台）的预训练成本估算模型，该模型用于物联网设备上的卸载策略，以确定每次调用的最佳执行环境；设计自适应卸载决策系统，通过监控网络状态等实时数据，实现对执行环境的动态选择；运用回归分析等方法对模型和策略进行评估和优化。
系统模型
研究引入了自适应卸载框架概念，即 MicroFaaS。其核心功能是实现一种决策机制，该机制会考虑当前执行上下文、条件、选定的优化策略和指标，为每个计算任务选择最佳的可用执行环境。物联网设备作为系统客户端，决定是否将计算任务委托给服务器 less 平台。
评估
在评估 MicroFaaS 框架时，所有实验均使用真实设备进行。通过与单纯将所有计算委托给 FaaS 的幼稚卸载策略以及全部计算在物联网设备上完成的情况进行对比，结果显示，得益于预训练的执行成本估算模型，评估套件的总执行持续时间缩短至幼稚策略的 68.75%，仅为全部在设备上执行时的 5.23%。这充分证明了该框架在提升执行效率方面的有效性。
结论
这项结合了预先基准测试和回归分析的智能卸载策略研究，成功开发出自适应卸载框架 MicroFaaS。预训练的执行成本估算模型显著降低了决策算法的校准时间，使框架能够快速适应网络条件变化。实验结果表明，该框架在减少执行时间、优化资源利用方面效果显著，为物联网系统在复杂环境下的高效运行提供了有力支持。未来，该研究成果有望进一步推动物联网与服务器 less 计算的深度融合，为更多实时性要求高、计算任务复杂的物联网应用场景提供优化方案，助力物联网技术在智能医疗、智能交通等领域的广泛应用和发展。
