段懿洋，任海英，何 曉

(中國船舶工業(yè)系統(tǒng)工程研究院 海洋智能技術創(chuàng)新中心，北京 100070)

0 引 言

水面無人艇（Unmanned Surface Vessel，USV）具有成本低、魯棒性強和智能化程度高等特點，已經(jīng)被廣泛應用在海洋資源勘探、海洋空間探測、海岸監(jiān)測[1]、海洋災害搜救、海上巡邏和現(xiàn)代海上作戰(zhàn)等領域[2]。隨著物聯(lián)網(wǎng)技術在艦船領域的應用[3]，USV 比以往搭載了更多的傳感器（如聲吶、各種成像系統(tǒng)、海洋數(shù)據(jù)采集傳感器和武器載荷等）和通訊設備（如多模態(tài)衛(wèi)星通訊設備、航跡動態(tài)監(jiān)測設備等）。大量的艦載傳感器產生海量傳感數(shù)據(jù)，特別是船舶航行異常檢測應用的實時數(shù)據(jù)，對USV 通信網(wǎng)絡的實時數(shù)據(jù)分發(fā)能力提出了新的挑戰(zhàn)。

近年來，USV 逐漸成為國內外艦船領域的一個研究熱點。USV 通信網(wǎng)絡作為海洋通信網(wǎng)絡的一個子分支，采用全球海上遇險與安全系統(tǒng)（Global Maritime Distress and Safety System，GMDS）[1]可以為USV 提供數(shù)據(jù)傳輸速率為9.6 kB/s 的通信鏈路。GMDS 是唯一一種當前大規(guī)模商用的USV 通信網(wǎng)絡。為了提高進一步提高USV 通信的數(shù)據(jù)傳輸速率，文獻[2]結合蜂窩技術和短波無線電技術，提出一種海事寬帶系統(tǒng)（Fleet Broadband System，F(xiàn)BS），將數(shù)據(jù)傳輸速率提高到432 kB/s。隨著物聯(lián)網(wǎng)的引入和船聯(lián)網(wǎng)的搭建，單純提高數(shù)據(jù)傳輸速率已經(jīng)無法保證海量傳感器條件下的USV 通信數(shù)據(jù)分發(fā)性能，更無法保證網(wǎng)絡實時性。為了應對高采樣率和高數(shù)據(jù)編碼率的海量傳感器數(shù)據(jù)，Rabab 等人于2017 年提出一種艦船Ad-hoc 網(wǎng)絡，提供高速海洋傳感數(shù)據(jù)采集和實時制圖能力[3]。對于USV 通信網(wǎng)絡實時性的優(yōu)化，現(xiàn)有的方法主要采用提升單條數(shù)據(jù)鏈路傳輸速率[1-2]或者通過自組織網(wǎng)絡降低主干鏈路網(wǎng)絡通塞[3]等方式。

當前，對于現(xiàn)有大部分USV 上層應用來說，仍采用USV 分布式傳感數(shù)據(jù)上傳和云端集中式數(shù)據(jù)計算的模式。這種數(shù)據(jù)分發(fā)模式容易受到USV 增加造成的基站通信瓶頸。因此，本文提出一種基于邊緣計算的USV 通信網(wǎng)絡數(shù)據(jù)分發(fā)機制（Communication Data Delivery Mechanism，CDDM）。該方法使用邊緣計算技術，減少海量傳感數(shù)據(jù)對接入蜂窩網(wǎng)絡或者衛(wèi)星通信網(wǎng)絡的通信瓶頸，傳感數(shù)據(jù)本地計算，不再上傳云端。

1 無人艇邊緣計算框架

USV 邊緣計算架構可以為USV 通信網(wǎng)絡提供實時計算和高數(shù)據(jù)速率傳輸能力。本文設計了一種USV 邊緣計算架構，如圖1 所示。該架構USV、移動邊緣計算陣列、回程網(wǎng)絡和云服務器組成。在USV 邊緣計算架構中，支撐USV 各種應用的復雜計算模型運行在邊緣服務器中，而不是運行在遠端云服務器中。

2 基于邊緣計算的通信數(shù)據(jù)分發(fā)機制

本章節(jié)主要包括3 個部分。首先，對本文提出的CDDM 進行概述，具體闡述了CDDM 的數(shù)據(jù)交互方式，計算模型部署和CDDM 計算流程等。其次，采用數(shù)據(jù)壓縮率建立面向邊緣計算的最優(yōu)數(shù)據(jù)分發(fā)模型，實現(xiàn)數(shù)據(jù)分發(fā)最優(yōu)化。再次，建立數(shù)據(jù)壓縮率與數(shù)據(jù)壓縮步長閾值映射。最后，提出一種USV 動態(tài)平均數(shù)據(jù)壓縮方法。

2.1 USV 通信數(shù)據(jù)分發(fā)機制概述

CCDM 由主要3 個部分構成（見圖2），分別為數(shù)據(jù)分發(fā)（序號1）、數(shù)據(jù)壓縮率匹配（序號2）和數(shù)據(jù)壓縮（序號3）。USV 運行3 項功能，傳感器數(shù)據(jù)采集、數(shù)據(jù)編碼匹配和數(shù)據(jù)壓縮；邊緣服務器運行數(shù)據(jù)分發(fā)和具體的模型計算；云端服務只進行模型計算結果的分析和同步，以便其他客戶端和用戶調用。

2.2 基于邊緣計算的數(shù)據(jù)分發(fā)方法

圖 1 USV 邊緣計算架構Fig.1 USV edge computing architecture.

圖 2 CDDM 計算流程Fig.2 Computation flow of CDDM.

根據(jù)文獻[4]，數(shù)據(jù)壓縮率的高低可以直接決定模型準確率性能，并且呈現(xiàn)正相關特性。因此，本文通過最大化USV 通信網(wǎng)絡整體數(shù)據(jù)壓縮率，來建立最優(yōu)數(shù)據(jù)分發(fā)公式。這樣既可以最優(yōu)化數(shù)據(jù)分發(fā)，也可以保證模型計算精度。數(shù)據(jù)分發(fā)方法包含基站匹配、服務器分組和優(yōu)化分發(fā)等3 個子程序。

1）基站匹配。該部分功能實現(xiàn)USV 數(shù)量與基站接入USV 數(shù)量的關系匹配，對每個基站連接USV 數(shù)量和規(guī)則進行定義和設計。

USV 與基站匹配規(guī)則：首先，USV 的網(wǎng)絡通信范圍內所有基站構建一個通信集合。在通信集合中，USV隨機選擇一個基站，發(fā)送建立鏈路請求消息。這個消息包括USV 編號和數(shù)據(jù)傳輸速率等標識信息。然后，基站按照收到USV 消息先后建立USV 通信隊列。在通信隊列中，滿足式（1）的USV，基站反饋應答消息，包含確認連接和基站編號等；不滿足式（1）的USV，基站反饋不建立連接和基站編號的應答消息。再次，未建立連接的USV，將拒絕的基站編號剔除出通信集合，隨機選擇下一個基站發(fā)送請求連接。重復上述步驟，直到所有USV 和基站關系都滿足式（1），并且每個USV 均與一個基站構建通信鏈路。

2）服務器分組。為了提高每個基站的邊緣服務器利用率，本文將每個基站連接的邊緣服務器劃分不同計算能力分組，用來提供差異有化硬件計算基礎。這種分組可以讓不同數(shù)據(jù)傳數(shù)據(jù)率和數(shù)據(jù)壓縮率的USV 數(shù)據(jù)得到當前網(wǎng)絡條件下的最優(yōu)數(shù)據(jù)分發(fā)。

設 G ={G(1),G(2),···,G(m)}為每個基站邊緣服務器分組集合，共分為 m組 。為每個基站實際接入USV 數(shù)量， g(m )為每個分組的邊緣服務器數(shù)量，g (m)按照式（2）計算每組邊緣服務器數(shù)量，式（2）如下：

3）優(yōu)化分發(fā)。

在本文中，邊緣計算的數(shù)據(jù)分發(fā)問題，可以轉化為一個整型非線性規(guī)劃問題，也是一個NP 難點問題。該子程序通過最大化數(shù)據(jù)壓縮率來確定優(yōu)化分發(fā)，數(shù)據(jù)壓縮率構建USV 通信數(shù)據(jù)分發(fā)最優(yōu)化問題可以表示為：

其中： τi為第 i 個USV 的數(shù)據(jù)壓縮率； v為接入當前基站的USV 數(shù)量。

當最優(yōu)化 Υ 時，USV 通信網(wǎng)絡數(shù)據(jù)分發(fā)效率實時性最好。為了求解式（3），本文給出了求解的幾個限制條件，限制條件給最優(yōu)壓縮率求解、數(shù)據(jù)分發(fā)最優(yōu)化提供了求解條件，分別如下：

其中，式（4）中， ti表示第 i個USV 數(shù)據(jù)的完成時間，由前一個數(shù)據(jù)的傳輸時間和當前數(shù)據(jù)的計算時間組成； Z為數(shù)據(jù)大小，每個USV 每次發(fā)送的數(shù)據(jù)大小相同，單位MB；式（5）和式（6）中，和分別每個分組的數(shù)據(jù)傳輸速率（MB/s）和數(shù)據(jù)處理速率（MB/s）。和為每組中第 b個邊緣服務器的傳輸速率和計算速率。

式（8）中K 為每個數(shù)據(jù)的截止時間。對于式（9）來說， Ha,m為匹配矩陣，當?shù)?a個USV 的數(shù)據(jù)被分配到 第 m 組邊緣 服 務 器組 上 時， Ha,m=1； 否則， Ha,m被賦值為0。

為了求解 Υ，設每個USV 的初始數(shù)據(jù)壓縮率均相等，即 τ1=τ2=τ3=···=τi=β。采用同一計算模型完成計算任務，則對于每個邊緣服務器來說，是一個確定的值。但是，由于計算能力的不同，每個不一定相等。

本文采用貪婪算法對 Υ進行求解。貪婪算法具體求解步驟如下：

步驟1根據(jù)式（4），計算每個USV 數(shù)據(jù)的完成時間ti。

步驟2如所有的ti，均滿足式（8）的條件，則根據(jù)當前數(shù)據(jù)分發(fā)方案，計算當前所有USV 的數(shù)據(jù)壓縮率之和。隨后，重新調整分配方案，重新計算 f(τ)的結果。直到計算完所有數(shù)據(jù)分發(fā)方案，比較所有分發(fā)方案下的 f(τ)， 則最大的 f(τ)那組分發(fā)方案對應的數(shù)據(jù)壓縮率為最優(yōu)編碼率，同時，這組分發(fā)方案為最優(yōu)分發(fā)。

步驟3如果有USV 的完成時間不滿足式（8），則降低該USV 的數(shù)據(jù)壓縮率，即 β- 0.5。然后重新計算步驟2，直到所有 ti滿足式（8）。

步驟4根據(jù)步驟1-步驟3，得到每個USV 的最優(yōu)數(shù)據(jù)壓縮率 τi*和最優(yōu)數(shù)據(jù)分發(fā)矩陣。

2.3 USV 數(shù)據(jù)壓縮率匹配

通常，數(shù)據(jù)壓縮率是由壓縮算法和壓縮標準設定，無法進行自定義更改。但是，文獻[5]指出，采用算術編碼作為核心壓縮方法時，通過改變被壓縮數(shù)據(jù)步長，可以更改算術編碼的間隔分布概率，從而更改壓縮率。基于這個原因，本文設計了最優(yōu)數(shù)據(jù)壓縮率和壓縮步長的閾值映射關系，通過改變步長適應不同的數(shù)據(jù)壓縮率。

經(jīng)過多次仿真實驗，我們得到如下閾值映射規(guī)則。當 τi*∈(0-0.2] 時， Wi=2 ；當 τi*∈[0.3-0.5]時，Wi=4 ；當 τi*∈[0.6-0.8]時 ， Wi=6 ；當τi*∈[0.9-1.0)時， Wi=10。USV 數(shù)據(jù)壓縮匹配是為了實現(xiàn)2.3 節(jié)的最優(yōu)數(shù)據(jù)壓縮率與數(shù)據(jù)壓縮步長的閾值映射關系。通過這個映射關系，最優(yōu)數(shù)據(jù)分發(fā)條件下的數(shù)據(jù)壓縮率可以動態(tài)調整實際數(shù)據(jù)壓縮率。

2.4 USV 動態(tài)平均數(shù)據(jù)壓縮

本文提出一種基于海洋數(shù)據(jù)壓縮算法（Marine Data Compression Algorithm，MDCA）的USV 動態(tài)平均數(shù)據(jù)壓縮方法（Dynamic Average Data Compression，DADC）。在該算法中，每 η個數(shù)據(jù)為一個數(shù)據(jù)分割，每個分割數(shù)據(jù)的第1 個數(shù)據(jù)作為該分割的先驗參考數(shù)據(jù)。USV 動態(tài)平均數(shù)據(jù)壓縮方法如下：

步驟1剩余平均數(shù)（Rest Average，RA）計算。設 RAi,κ表示第 i 個USV 數(shù)據(jù) 的 第 κ個分割中除 了 第1 個參考數(shù)據(jù)之外所有數(shù)據(jù)的平均值，公式如下：

其 中， Xκ,t+j為 第 κ 個 分 割 中 的 第 t+j 個 數(shù) 據(jù)。 Wi第 i個USV 的數(shù)據(jù)壓縮步長。

步驟2偏差（Deviation，D）計算。設 Di,κ表示每個分割中先驗參考數(shù)據(jù)的偏差，用式（11）表示，如下：

其中， Xκ,1為每個分割中的第1 個數(shù)據(jù)，也是先驗參考數(shù)據(jù)。至此，每 η個數(shù)據(jù)被壓縮為 RAi,κ和 Di,κ兩個數(shù)據(jù)。

步驟3將 RAi,κ和 Di,κ采用算術編碼方式進行編碼，并傳輸?shù)竭吘壒?jié)點。

3 實驗結果與分析

3.1 實驗參數(shù)設置

仿真場景：本文實現(xiàn)場景1 和場景2 兩個仿真環(huán)境。場景1 為本文第1 節(jié)中設計的USV 邊緣計算架構。場景2 作為對比的USV 云計算架構。

仿真內容：為了對本文提出的數(shù)據(jù)分發(fā)機制進行有效和公正的評估，本文參考文獻[7]實現(xiàn)一種基于多尺度卷積的USV 異常航行檢測模型。該模型采用USV 中傳感器計算的經(jīng)度、緯度、對地速度和對地航向等4 個數(shù)據(jù)作為特征向量，實現(xiàn)USV 的異常行駛和正常行駛2 種檢測分類。

仿真實驗參數(shù)設置如下：設置USV 數(shù)量分別為200，400，600 和800，基站數(shù)250（其中，包含350 個移動基站和150 個衛(wèi)星基站）。每個基站可以同時接入2 個USV。每個USV 發(fā)送的數(shù)據(jù)大小 Z= 15MB，每個USV 的壓縮速率初始值 τ1=τ2=τ3=···=τi=0.5。在已知USV 異常行駛檢測模型和硬件資源的條件下，每個邊緣服務器或者云服務器的計算率均可視為常數(shù)。邊緣端和云端服務器硬件配置如表1 所示。

表 1 算法運行平臺硬件配置Tab.1 Hardware configuration of the algorithm operation platform.

3.2 評估參數(shù)與對比方法

本文采用平均分發(fā)延遲（Average Delivery Delay，ADD）和平均信息交付率（Average Information Delivery Rate，AIDR）作為評估參數(shù)。平均是指當前USV數(shù)量下每個USV 發(fā)送2 次數(shù)據(jù)包的對應評估參數(shù)的平均值。

本文提出的方法與當前2 個先進的數(shù)據(jù)分發(fā)方法進行對比分析。在USV 邊緣架構下，本文實現(xiàn)了2 種最新的USV 數(shù)據(jù)分發(fā)方法，分別為基于數(shù)據(jù)重排的數(shù)據(jù)分發(fā)方法（Data Rearrangement-based Data Delivery，ARDD）[8]和自適應實時數(shù)據(jù)分發(fā)機（Adaptive Realtime Data Distribution Mechanism，ARDDM）[9]。ARDD 按照當前網(wǎng)絡性能高低進行數(shù)據(jù)重新排序，從而決定數(shù)據(jù)分發(fā)次序。ARDDM 采用傳感器預測模型實現(xiàn)語義感知通信降低原始數(shù)據(jù)量，提高數(shù)據(jù)分發(fā)實時性。

3.3 實驗結果

3.3.1 USV 邊緣架構與云架構實時性對比

本文采用分發(fā)延遲對架構實時性進行量化。數(shù)據(jù)分發(fā)延遲是指USV 向邊緣端或者云端發(fā)送數(shù)據(jù)與USV 從邊緣端或者云端接收數(shù)據(jù)的時間差值。

如圖3 可以看出，本文提出的CCDM 在邊緣計算架構下的數(shù)據(jù)分發(fā)延遲（圖3 中用實心點表示的線條）遠遠小于云計算下的數(shù)據(jù)分發(fā)延遲（圖3 中用叉表示的線條）。當網(wǎng)絡中USV 接入數(shù)量小于500 時，邊緣計算和云計算數(shù)據(jù)分發(fā)延遲趨勢基本一致。但是，當接入網(wǎng)絡的USV 數(shù)量超過500 時，邊緣計算的數(shù)據(jù)分發(fā)延遲逐漸提升，USV 數(shù)量超500 之后，數(shù)據(jù)分發(fā)延遲維持在一個區(qū)間波動，保持網(wǎng)絡性能穩(wěn)定。但是整體延遲較500 之前有明顯提升。因此，造成網(wǎng)絡性能降低，延遲增加。

圖 3 邊緣計算與云計算數(shù)據(jù)分發(fā)延遲比較Fig.3 Comparation of data delivery between edge computing and cloud computing.

綜上，本文提出的邊緣架構下的CCDM 可以顯著降低USV 通信數(shù)據(jù)分發(fā)延遲，相比云計算架構下的CCDM 實時性更好，網(wǎng)絡性能更穩(wěn)定。

3.3.2 邊緣架構下不同算法實時性對比分析

ADD 是所有USV 發(fā)送和接收兩次數(shù)據(jù)包的數(shù)據(jù)分發(fā)延遲平均值。比如，當USV 數(shù)量為200 時，ADD為200 個USV 發(fā)送2 個數(shù)據(jù)包，并獲得計算結果的延遲平均值。

圖4 為本文提出的CDDM、ARDD[15]和ARDDM[16]等3 種算法在不同USV 接入數(shù)量條件下的ADD 對比結果。從圖4 中可以直觀地看出，在不同USV 數(shù)量下，CDDM 算法的ADD 均低于30 ms，CDDM 采用最優(yōu)分配方式，會兼顧網(wǎng)絡整體性能提升個體數(shù)據(jù)分發(fā)效率；在ARDD 中，USV 數(shù)量為200 時，CDDM 與ARDD 的ADD 相近，而USV 數(shù)量為400-800 時，ARDD 的ADD 逐漸增加。這是因為ARDD 是以數(shù)據(jù)重排為基礎，隨著接入USV 數(shù)量增加，待排序數(shù)據(jù)量增加，從而導致ADD 隨之增加。很明顯，CDDM 的ADD 性能明顯優(yōu)于ARDD。對于ARDDM 來說，ARDDM 在200 個USV 接入的情況下，ADD 超過了400 個USV 接入的情況。

綜上，本文提出的CDDM 的實時性，分別比ARDD和ARDDM 提升了57.24%和70.49%。

圖 4 3 種算法的平均分發(fā)延遲對比Fig.4 Average delivery delay between three algorithms.

3.3.3 USV 邊緣架構下不同數(shù)據(jù)分發(fā)算法信息交付率

為了更全面的評估算法的數(shù)據(jù)分發(fā)性能，本文采用AIDR 來進一步衡量算法數(shù)據(jù)分發(fā)性能。AIDR 被定義為，在傳輸周期內，當前網(wǎng)絡中所有USV 發(fā)送數(shù)據(jù)經(jīng)過數(shù)據(jù)分發(fā)算法分配是否成功交付所分配的邊緣服務器的成功交付的比例。

如表2 所示，USV 數(shù)量從200 增加到800，CDDM的AIDR 均保持在81.32%到83.26%之間，浮動誤差為1.94%。而ARDD 和ARDDM 的浮動范圍分別為68.21%到86.47%，54.27%到79.54%，對應浮動誤差分別為18.26%和25.27%。由于CDDM 采用全局優(yōu)化策略，因此USV 接入數(shù)量的改變不會對AIDR 產生計算負擔影響。對于ARDD 和ARDDM 來說，USV 數(shù)量的增加對它們的計算負擔增加，同時，局部最優(yōu)無法有效抑制USV 數(shù)量動態(tài)增加導致的無法收斂到最佳分配策略。因此，CDDM 相比ARDD 和ARDDM 來說，具有更好的AIDR 性能，并且分別提高了9.81%和27.75%。

4 結 語

1）本文設計了一種USV 邊緣計算架構，解決了海量USV 與基站接入的問題。2）提出了基于邊緣計算的USV 通信數(shù)據(jù)分發(fā)機制，該機制構建USV 最大編碼率方程，采用貪婪算法，以數(shù)據(jù)傳輸速率、計算速率和截止時間等為限制條件，得到USV 數(shù)據(jù)在邊緣計算架構下的最優(yōu)數(shù)據(jù)分發(fā)方案。3）在本文設計的邊緣架構下，仿真實驗結果表明，與ARDD 和ARDDM算法相比，本文提出的CDDM 的實時性分別提高了57.24%和70.49%，信息交付交付率提高了9.81%和27.75%。因此，本文提出的CDDM 可以提高USV 通信網(wǎng)絡數(shù)據(jù)分發(fā)性能。相比于傳統(tǒng)云計算方式相比，本文提出的USV 通信數(shù)據(jù)分發(fā)機制具有實時性高的特點。