毛水強(qiáng)，洪健，任華，馬驍，徐勇軍

(國網(wǎng)金華供電公司，浙江 金華 321001)

0 引 言

電力物聯(lián)網(wǎng)是先進(jìn)信息通信技術(shù)在電力行業(yè)的深度推廣應(yīng)用，一經(jīng)提出便得到廣泛的理論研究與應(yīng)用推廣，電力物聯(lián)網(wǎng)可以有效整合通信與電力基礎(chǔ)設(shè)施資源，提升電力系統(tǒng)的信息化與智能化水平，為電力的發(fā)、輸、配、變、用、調(diào)度等環(huán)節(jié)提供強(qiáng)有力的技術(shù)支撐[1]。隨著電力物聯(lián)網(wǎng)建設(shè)的持續(xù)推進(jìn)，海量數(shù)據(jù)采集終端被部署在電力生產(chǎn)與傳輸?shù)母鲌鼍爸?，為各類電力業(yè)務(wù)的正常開展提供數(shù)據(jù)基礎(chǔ)。結(jié)合電力物聯(lián)網(wǎng)實(shí)際的業(yè)務(wù)場景及業(yè)務(wù)需求，這些數(shù)據(jù)需要經(jīng)過進(jìn)一步地分析處理，例如故障檢測、故障點(diǎn)定位等。這些計(jì)算密集型任務(wù)往往對時(shí)延和可靠性等服務(wù)質(zhì)量(Quality of Service, QoS)有著嚴(yán)格的要求，僅依靠計(jì)算資源受限的本地終端或數(shù)據(jù)機(jī)房進(jìn)行處理幾乎不可能實(shí)現(xiàn)[2]。云計(jì)算范式在電力行業(yè)的應(yīng)用由來已久，然而，傳統(tǒng)云計(jì)算中心主要位于距離電力現(xiàn)場較遠(yuǎn)的中心機(jī)房，對跨區(qū)域網(wǎng)絡(luò)部署的完善性要求較高，且極易發(fā)生傳輸中斷或鏈路擁塞的情況，已難以完全滿足電力物聯(lián)網(wǎng)計(jì)算任務(wù)的實(shí)時(shí)性和可靠性處理需求[3-4]。

作為5G關(guān)鍵技術(shù)之一的移動邊緣計(jì)算(Mobile Edge Computing, MEC)為上述問題提供了一種可行的解決方案。MEC的概念最早由歐洲電信標(biāo)準(zhǔn)化協(xié)會(European Telecommunications Standards Institute, ETSI)在2014年提出，與云計(jì)算的不同之處在于，MEC將計(jì)算能力進(jìn)一步下沉至網(wǎng)絡(luò)邊緣，能夠在靠近無線接入網(wǎng)(Radio Access Network, RAN)側(cè)提供快捷、可靠地計(jì)算服務(wù)[5]。而計(jì)算密集型任務(wù)的卸載問題一直以來便是MEC相關(guān)技術(shù)中的研究熱點(diǎn)，如何將任務(wù)的時(shí)延和可靠性等需求與網(wǎng)絡(luò)邊緣側(cè)相對受限的通信和計(jì)算資源進(jìn)行統(tǒng)籌考慮，制定合理的卸載方法仍然是一個(gè)開放性的問題[6]。在目前的研究工作中，來自新澤西理工學(xué)院的研究團(tuán)隊(duì)針對邊緣/霧計(jì)算中的工作負(fù)載均衡問題，提出一種與設(shè)備相關(guān)聯(lián)的分布式算法以最小化通信與計(jì)算的等待時(shí)延[7]，并在后續(xù)研究中進(jìn)一步將之?dāng)U展到無人機(jī)輔助通信的系統(tǒng)中[8]。文獻(xiàn)[9]從服務(wù)器資源高效利用的角度出發(fā)，在不降低業(yè)務(wù)應(yīng)用質(zhì)量的基礎(chǔ)上通過對前端數(shù)據(jù)進(jìn)行壓縮和多服務(wù)器的協(xié)同來減小數(shù)據(jù)冗余、節(jié)省網(wǎng)絡(luò)成本。文獻(xiàn)[10]將機(jī)器學(xué)習(xí)算法應(yīng)用在車輛邊緣計(jì)算系統(tǒng)中，通過智能體對網(wǎng)絡(luò)環(huán)境的實(shí)時(shí)感知和學(xué)習(xí)不斷優(yōu)化卸載決策，以最小化長期平均時(shí)延。文獻(xiàn)[11]將最優(yōu)卸載決策制定為一個(gè)馬爾科夫決策過程，并采用值迭代算法進(jìn)行求解，以降低任務(wù)卸載的總時(shí)延。

然而，現(xiàn)有研究大多針對5G公網(wǎng)或車聯(lián)網(wǎng)場景，與電力物聯(lián)網(wǎng)的業(yè)務(wù)場景和業(yè)務(wù)需求并不完全適配，面向電力物聯(lián)網(wǎng)的5G移動邊緣計(jì)算任務(wù)卸載方法仍面臨如下挑戰(zhàn)：

(1)復(fù)雜多變的網(wǎng)絡(luò)拓?fù)浼熬W(wǎng)絡(luò)環(huán)境：電力物聯(lián)網(wǎng)中數(shù)據(jù)采集終端分布廣泛，且具有一定的移動性。另一方面，無線信道的信道狀態(tài)信息(Channel State Information, CSI)及網(wǎng)絡(luò)中數(shù)據(jù)采集量都具有高度的時(shí)變性，且各類電氣設(shè)備在工作時(shí)會向環(huán)境中輻射電磁噪聲，導(dǎo)致傳統(tǒng)公網(wǎng)的干擾模型不再適用。因此，如何結(jié)合網(wǎng)絡(luò)實(shí)時(shí)信息對不同終端卸載決策進(jìn)行動態(tài)優(yōu)化和調(diào)整是一個(gè)需要直面的挑戰(zhàn)；

(2)差異化的電力業(yè)務(wù)需求：電力物聯(lián)網(wǎng)所承載的電力業(yè)務(wù)可分為保護(hù)控制類、信息采集類、移動應(yīng)用類等，不同類型的業(yè)務(wù)往往具有不同的優(yōu)先級，例如保護(hù)控制類業(yè)務(wù)包含電網(wǎng)安全穩(wěn)定運(yùn)行的關(guān)鍵信息，優(yōu)先級往往最高。在實(shí)際的任務(wù)卸載決策時(shí)，應(yīng)當(dāng)優(yōu)先保證此類高優(yōu)先級業(yè)務(wù)的性能，以避免對電網(wǎng)運(yùn)行造成危害；

(3)通信、能耗與計(jì)算資源的聯(lián)合優(yōu)化：包括電力物聯(lián)網(wǎng)在內(nèi)的任務(wù)卸載問題往往面臨多維度資源的聯(lián)合優(yōu)化問題，通信、能耗及計(jì)算資源的相互耦合為優(yōu)化問題的求解帶來巨大挑戰(zhàn)。因此，如何通過合理的優(yōu)化機(jī)制設(shè)計(jì)，即降低優(yōu)化問題求解的復(fù)雜度，同時(shí)實(shí)現(xiàn)多維資源的聯(lián)合優(yōu)化是面臨的另一個(gè)挑戰(zhàn)；

(4)資源受限場景的多終端競爭模式：實(shí)際的電力物聯(lián)網(wǎng)接入場景中，信道資源往往受限，邊緣服務(wù)器與云服務(wù)器相比，計(jì)算資源也相對緊張，各終端為實(shí)現(xiàn)自身性能的優(yōu)化往往會傾向于占用更好的信道和計(jì)算資源，如何從網(wǎng)絡(luò)整體性能提升的角度協(xié)調(diào)各終端的卸載決策仍亟待解決。

針對上述問題和挑戰(zhàn)，文章主要工作總結(jié)如下：

(1)建立電力物聯(lián)網(wǎng)整體網(wǎng)絡(luò)模型，對其中的數(shù)據(jù)傳輸處理時(shí)延、能耗進(jìn)行量化分析，設(shè)立與時(shí)延和業(yè)務(wù)優(yōu)先級相關(guān)的優(yōu)化目標(biāo)及長期能耗約束；

(2)借助Lyapunov優(yōu)化的在線執(zhí)行特性，將長期時(shí)延優(yōu)化問題和長期能耗約束轉(zhuǎn)化為一系列短期的確定性優(yōu)化問題，并給出優(yōu)化問題有界性相關(guān)的理論分析；

(3)改進(jìn)基于梯度價(jià)格的拍賣算法對計(jì)算任務(wù)卸載策略進(jìn)行優(yōu)化，同時(shí)解決多終端的卸載策略沖突問題，在提升網(wǎng)絡(luò)整體效用的同時(shí)實(shí)現(xiàn)納什均衡；

(4)通過與傳統(tǒng)任務(wù)卸載方法的仿真對比，驗(yàn)證文中所提算法在時(shí)延、能耗等方面的優(yōu)越性能。

1 系統(tǒng)模型

該節(jié)主要介紹融合5G移動邊緣計(jì)算的電力物聯(lián)網(wǎng)系統(tǒng)模型，并對其中的通信、能耗、計(jì)算模型展開分析。文章采用的系統(tǒng)模型如圖1所示，主要由電力物聯(lián)網(wǎng)數(shù)據(jù)采集終端、基站、服務(wù)器等要素組成?；究蔀楦采w范圍內(nèi)的終端提供無線覆蓋，并搭載有服務(wù)器，為卸載到基站的計(jì)算任務(wù)提供計(jì)算服務(wù)。該場景包含M個(gè)數(shù)據(jù)采集終端，被定義為集合M={1,…,m…,M}。文章采用時(shí)隙模型[12]，整個(gè)時(shí)間周期被劃分為T個(gè)時(shí)隙，被定義為集合T={1,…,t…,T}。每個(gè)時(shí)隙開始時(shí)，每個(gè)數(shù)據(jù)采集終端會產(chǎn)生一個(gè)數(shù)據(jù)量大小為Am(t)的待處理任務(wù)，且服從[Am,min,Am,max]之間的隨機(jī)分布，當(dāng)網(wǎng)絡(luò)中所有任務(wù)完成傳輸和計(jì)算后，下一個(gè)時(shí)隙開始?？晒┻x擇的無線信道共有N個(gè)，被定義為集合N={1,…,n…,N}，不同的信道間采用正交頻分復(fù)用(Orthogonal Frequency Division Multiplexing, OFDM)方式進(jìn)行調(diào)制，即彼此間無干擾[13]。MEC服務(wù)器的計(jì)算資源被劃分為K個(gè)，單個(gè)資源塊每個(gè)時(shí)隙可提供的CPU頻率為fk(t)，且服從[fk，min,fk,max]之間的隨機(jī)分布[14]。

圖1 系統(tǒng)模型Fig.1 System model

設(shè)置計(jì)算任務(wù)卸載中的信道選擇決策指示變量和計(jì)算資源塊選擇決策指示變量分別為xm,n(t)和xm,k(t)。當(dāng)xm,n(t)=1時(shí)表示終端m在第t個(gè)時(shí)隙時(shí)選擇信道n進(jìn)行任務(wù)卸載，否則xm,n(t)=0。同理，當(dāng)xm,k(t)=1時(shí)表示終端m在第t個(gè)時(shí)隙時(shí)將計(jì)算任務(wù)卸載至第k個(gè)計(jì)算資源塊，否則xm,k(t)=0。為保障任務(wù)傳輸和計(jì)算性能，單個(gè)信道和計(jì)算資源塊在單個(gè)時(shí)隙內(nèi)至多可以分配給一個(gè)終端使用。此外，考慮到計(jì)算任務(wù)的不可分割性，單個(gè)終端在單個(gè)時(shí)隙內(nèi)至多可以選擇一個(gè)信道和一個(gè)計(jì)算資源塊進(jìn)行任務(wù)傳輸和處理，即滿足：

(1)

(2)

1.1 通信模型

假設(shè)在單個(gè)時(shí)隙內(nèi)數(shù)據(jù)采集終端到基站的距離δm,n(t)保持不變，則第t個(gè)時(shí)隙時(shí)，終端m選擇信道n進(jìn)行任務(wù)卸載的傳輸速率可以被表示為：

(3)

(4)

需要注意的是，任務(wù)處理完成后的回傳時(shí)延并未被考慮在內(nèi)，原因在于回傳結(jié)果相對于原始數(shù)據(jù)相對較小，可以被忽略[16]。

1.2 能耗模型

第t個(gè)時(shí)隙時(shí)，終端m選擇信道n進(jìn)行任務(wù)卸載時(shí)的傳輸能耗被表示為：

(5)

電力物聯(lián)網(wǎng)場景中一個(gè)不可忽視的問題是數(shù)據(jù)采集終端攜帶的電池容量往往有限，為避免頻繁的電池更換，在進(jìn)行任務(wù)卸載優(yōu)化策略制定時(shí)必須將長期能耗約束考慮在內(nèi)，以避免因頻繁的電池更換而導(dǎo)致的業(yè)務(wù)傳輸中斷問題[17]。長期能耗約束被表示為：

(6)

式中Em,max表示終端m用于數(shù)據(jù)傳輸?shù)淖畲竽芰款A(yù)算。

1.3 計(jì)算模型

文章采用一個(gè)經(jīng)典的計(jì)算模型去描述所要進(jìn)行處理的計(jì)算任務(wù)，除上文中提到的任務(wù)數(shù)據(jù)量大小Am(t)之外，還包含任務(wù)的計(jì)算復(fù)雜度γm，表示計(jì)算1 bit任務(wù)數(shù)據(jù)所需要的CPU頻率[18]。則第t個(gè)時(shí)隙時(shí)，終端m選擇計(jì)算資源塊k進(jìn)行任務(wù)卸載的計(jì)算時(shí)延，可以被表示為：

(7)

2 問題建模與轉(zhuǎn)化

該節(jié)主要介紹優(yōu)化問題的建模與轉(zhuǎn)化過程，并通過理論分析證明優(yōu)化問題的有界性。

2.1 問題建模

通過上述分析，第t個(gè)時(shí)隙時(shí)，終端m選擇信道n和計(jì)算資源塊k進(jìn)行任務(wù)卸載的總時(shí)延可以表示為：

(8)

文章的優(yōu)化目標(biāo)為在長期能耗約束條件下，考慮不同終端所承載業(yè)務(wù)的優(yōu)先級ηm，最小化整個(gè)網(wǎng)絡(luò)的長期平均卸載時(shí)延，可被建模為如下的一個(gè)二值變量優(yōu)化問題：

(9)

式中C1和C2分別表示信道選擇和計(jì)算資源塊選擇約束；C3表示長期能耗約束；決策變量為{xm,n(t)}和{xm,k(t)}。

2.2 問題轉(zhuǎn)化

由于長期優(yōu)化目標(biāo)和長期能耗約束C3的存在，導(dǎo)致優(yōu)化問題P1很難被直接求解，因?yàn)橛嘘P(guān)未來時(shí)隙的任務(wù)量大小、CSI、計(jì)算能力等信息對于終端都是難以獲得的。為解決該問題，文章借助Lyapunov優(yōu)化的方法將上述問題轉(zhuǎn)化為一系列短期優(yōu)化問題。Lyapunov優(yōu)化方法由美國斯坦福大學(xué)Michael J. Neely提出，是一種不需要先驗(yàn)證統(tǒng)計(jì)信息和未來信息的在線優(yōu)化算法[19]。

基于Lyapunov優(yōu)化中虛擬隊(duì)列的概念，可以將長期能耗約束轉(zhuǎn)化為一個(gè)虛擬隊(duì)列Hm(t)，該隊(duì)列被命名為能量赤字隊(duì)列，即截止當(dāng)前時(shí)隙借用預(yù)留給未來進(jìn)行數(shù)據(jù)傳輸?shù)哪芰看笮?，且滿足Hm(1)=0。其隨時(shí)隙的變化情況被表示為：

(10)

綜上所述，原始的長期優(yōu)化問題P1最終被轉(zhuǎn)化為如下的一系列短期卸載決策問題：

(11)

式中V表示時(shí)延與能耗之間的折中系數(shù)，V越大，表示越傾向于優(yōu)化時(shí)延。從上述優(yōu)化問題中還可以看出，當(dāng)能量赤字隊(duì)列增大時(shí)，優(yōu)化目標(biāo)中能耗的比重會對應(yīng)增加，則會更傾向于優(yōu)化能耗。

2.3 性能分析

需要注意的是，優(yōu)化問題P1和P2并不是完全對等的，P2求解后的卸載決策與P1求解后的最優(yōu)卸載決策之間會存在一定的偏差，但通過設(shè)置虛擬能量隊(duì)列，可以盡可能保證長期能耗約束的滿足[20]。通過數(shù)學(xué)推導(dǎo)，可以證明單個(gè)終端的平均時(shí)延應(yīng)當(dāng)滿足：

(12)

(13)

單個(gè)設(shè)備的總能耗應(yīng)當(dāng)滿足：

(14)

由于篇幅限制，文章并未給出詳細(xì)證明，但是相類似的證明過程可以在文獻(xiàn)[19-20]中被找到。上述結(jié)果從理論上證明時(shí)延與能耗之間存在著[O(1/V),O(V)]的折中關(guān)系，通過調(diào)整V，可以實(shí)現(xiàn)時(shí)延與能耗之間的折中。

3 算法設(shè)計(jì)

該節(jié)主要介紹如何利用基于梯度價(jià)格的拍賣算法來求解優(yōu)化問題P2。

3.1 拍賣算法簡述

如上所述的卸載決策問題可以被視作一個(gè)經(jīng)典的分配問題，每個(gè)終端都可以被視作一個(gè)“自私”的買家，他們都傾向于去占用更優(yōu)的信道和更多的計(jì)算資源來處理自己的計(jì)算任務(wù)，那么必然出現(xiàn)多個(gè)終端選擇同一信道或者同一計(jì)算資源塊的現(xiàn)象，即發(fā)生卸載沖突。而拍賣算法最早由Dimitri P. Bertsekas教授提出，常被用于解決這樣的資源分配問題[21]。選用基于梯度價(jià)格的拍賣算法進(jìn)行問題的求解，并在初始報(bào)價(jià)和梯度價(jià)格設(shè)定上結(jié)合電力物聯(lián)網(wǎng)實(shí)際場景加以改進(jìn)，可體現(xiàn)不同優(yōu)先級設(shè)備的競爭力差別。類似于現(xiàn)實(shí)中的拍賣過程，該算法基本思想為各個(gè)買家在底價(jià)基礎(chǔ)上通過不斷地加價(jià)來排除競爭對手，直至獲得該物品的所有權(quán)。

3.2 ABDE-TO算法

文章所提基于拍賣理論(Auction Theory-Based)、并可以有效實(shí)現(xiàn)時(shí)延(Delay)與能耗(Energy)之間折中關(guān)系的任務(wù)卸載(Task Offloading)算法被命名為ABDE-TO算法。詳細(xì)的求解過程可以分為初始化階段、競拍階段和卸載階段。

ABDE-TO算法流程介紹如下:

(1)循環(huán)：fort=1:T;

(2)階段一：初始化階段;

(3)每個(gè)終端對不同資源塊的初始報(bào)價(jià)被設(shè)置如下：

Qm,n,k(t)=Vηmdm(t)+Hm(t)Em,n(t)

(15)

(4)各終端根據(jù)對不同資源塊的初始報(bào)價(jià)確定自己的拍賣次序表，初始報(bào)價(jià)越小，資源塊的排序位置越靠前;

(5)每個(gè)終端向自身拍賣次序表中排序最靠前的資源塊發(fā)起卸載請求;

(6)階段二：競拍階段;

(7)循環(huán)：while 存在卸載沖突時(shí)(如前所述，資源塊中任一元素被多個(gè)終端同時(shí)選擇);

(8)發(fā)生卸載沖突的所有終端同時(shí)在初始報(bào)價(jià)的基礎(chǔ)上按照一個(gè)虛擬的梯度價(jià)格提高報(bào)價(jià)，即：

Qm,n,k(t)=Qm,n,k(t)+ΔIm

(16)

(9)若此時(shí)有終端的報(bào)價(jià)超過其拍賣次序表中第二次序資源塊的報(bào)價(jià)，則該終端退出此次拍賣，并將該資源塊從自身拍賣次序表中刪除;

(10)依據(jù)式(16)重復(fù)報(bào)價(jià)過程，直至僅剩一個(gè)終端時(shí)，該資源塊完成分配;

(11)所有終端繼續(xù)向其當(dāng)前拍賣次序表中最靠前的資源便發(fā)起卸載請求;

(12)重復(fù)上述過程，直至不再有卸載沖突現(xiàn)象的發(fā)生;

(13)end while;

(14)階段三：卸載階段;

(15)所有數(shù)據(jù)采集終端使用其拍賣次序表中最靠前的資源塊進(jìn)行任務(wù)的傳輸與處理，卸載完成后依據(jù)式(10)更新能量赤字隊(duì)列;

(16)end for。

上述基于梯度價(jià)格的拍賣算法可以被劃入非合作博弈的范疇，并可以達(dá)到納什均衡，即如果任意一個(gè)終端在其他所有終端的卸載策略確定的情況下，其選擇的策略是最優(yōu)的[22]。

4 仿真結(jié)果及分析

該節(jié)主要介紹仿真參數(shù)的設(shè)置，并通過合理設(shè)置對比算法來說明文章所提算法的優(yōu)越性能。

4.1 仿真參數(shù)設(shè)置

文章采用MATLAB進(jìn)行實(shí)驗(yàn)場景的仿真模擬，以單小區(qū)作為基本的仿真場景，基站的覆蓋半徑為1 km，每個(gè)時(shí)隙內(nèi)數(shù)據(jù)采集終端的位置隨機(jī)生成，每個(gè)設(shè)備的優(yōu)先級被隨機(jī)給定。每個(gè)時(shí)隙開始時(shí)，網(wǎng)絡(luò)控制器會收集網(wǎng)絡(luò)中的設(shè)備側(cè)、信道側(cè)、服務(wù)器側(cè)信息，并依據(jù)ABDE-TO算法獲得任務(wù)卸載決策，設(shè)備根據(jù)下發(fā)的卸載指令選擇對應(yīng)的資源塊進(jìn)行任務(wù)卸載，卸載完成后，反饋時(shí)延、能耗等相關(guān)性能數(shù)據(jù)。具體仿真參數(shù)設(shè)置如表1所示[5, 7, 15, 20]。

表1 仿真參數(shù)Tab.1 Simulation parameters

文章通過與啟發(fā)式的原始算法進(jìn)行對比來說明所提方法在時(shí)延、能耗性能方面的優(yōu)越表現(xiàn)，具體對比算法設(shè)置如下：

(1)EO-TO(Energy-optimal Task Offloading)：該算法框架下，僅將任務(wù)卸載的傳輸能耗(與傳輸時(shí)延的最小化一致)作為優(yōu)化目標(biāo)[23]，而計(jì)算資源塊的分配被隨機(jī)給定，優(yōu)化方法仍選用基于梯度價(jià)格的拍賣算法；

(2)DO-TO(Delay-optimal Task Offloading)：該算法框架下，僅將任務(wù)卸載的總時(shí)延作為優(yōu)化目標(biāo)，而長期能耗約束未被考慮在內(nèi)[24]，優(yōu)化方法仍選用基于梯度價(jià)格的拍賣算法；

(3)R-TO(Random Task Offloading)：該算法框架下，不同終端信道和計(jì)算資源塊的分配均被隨機(jī)給定。

4.2 仿真結(jié)果

不同算法下單個(gè)終端累計(jì)平均時(shí)延和累計(jì)能耗的對比情況如圖2和圖3所示。對于DO-TO算法，其時(shí)延表現(xiàn)最優(yōu)，但是在大約第440個(gè)時(shí)隙會發(fā)生傳輸中斷的現(xiàn)象，結(jié)合圖2發(fā)現(xiàn)此時(shí)終端累計(jì)能耗已達(dá)能量預(yù)算的上限，說明該算法僅以時(shí)延優(yōu)化為目標(biāo)，會不加以節(jié)制的使用能量，因而從短期來看盡管時(shí)延性能略優(yōu)，但會造成終端能量過早耗盡，無法繼續(xù)進(jìn)行數(shù)據(jù)傳輸。對于EO-TO算法，盡管其能耗消耗更低，但是時(shí)延性能也要更差，因?yàn)樵撍惴▋H以能耗優(yōu)化為目標(biāo)，導(dǎo)致使用能量過于保守，無法有效提升時(shí)延性能。對于R-TO算法，因?yàn)槭峭耆S機(jī)的情況，因此其時(shí)延和能耗性能都表現(xiàn)很差，且能量預(yù)算耗盡的更快。而對于文中算法，前期能量充足時(shí)該算法會傾向于優(yōu)化時(shí)延，而隨著能量的減少，該算法可以通過計(jì)算時(shí)延與傳輸時(shí)延的聯(lián)動，以適當(dāng)犧牲時(shí)延的方式保障能耗性能，因此可以實(shí)現(xiàn)時(shí)延與能耗之間的權(quán)衡。

圖2 不同算法下累計(jì)平均時(shí)延對比情況Fig.2 Contrast of cumulative average delay among different algorithms

圖3 不同算法下累計(jì)能耗對比情況Fig.3 Contrast of cumulative energy consumption among different algorithms

ABDE-TO算法下時(shí)延與能耗的折中關(guān)系如圖4所示，即權(quán)重參數(shù)V對平均時(shí)延和總能耗的影響(僅改變權(quán)重V，其余仿真參數(shù)保持不變)。通過將V從0.01增加到10，采用ABDE-TO算法的平均時(shí)延減少，而累計(jì)能耗增加，因?yàn)閂越大，時(shí)延在優(yōu)化目標(biāo)中所占的比重更高，時(shí)延與能耗的折中大約在lg(V)=-0.15時(shí)實(shí)現(xiàn)，此時(shí)V≈0.7。從圖4中還可以看出，時(shí)延和能耗性能隨權(quán)重的變化基本遵循[O(1/V),O(V)]的折中關(guān)系，這也驗(yàn)證上文的性能分析部分。該結(jié)果也可以為實(shí)際優(yōu)化問題的求解提供理論指導(dǎo)：在不同情況的能量預(yù)算下，應(yīng)當(dāng)如何合理選擇V以確保在滿足長期能耗約束的情況下盡可能降低時(shí)延。

圖4 ABDE-TO算法下時(shí)延與能耗的折中關(guān)系Fig.4 Compromise relationship between delay and energy consumption based on ABDE-TO algorithm

5 結(jié)束語

文章面向電力物聯(lián)網(wǎng)場景，引入5G移動邊緣計(jì)算實(shí)現(xiàn)計(jì)算任務(wù)的就近處理，提出一種基于拍賣理論的計(jì)算任務(wù)卸載方法，該方法可以實(shí)現(xiàn)通信、能耗及計(jì)算資源的聯(lián)合分配與優(yōu)化，并解決多終端的卸載沖突問題，在滿足長期能耗約束的基礎(chǔ)上最小化任務(wù)的平均傳輸和處理時(shí)延。仿真結(jié)果表明，相對于傳統(tǒng)任務(wù)卸載方法，文中方法有效地實(shí)現(xiàn)多維度資源聯(lián)合分配，并可以實(shí)現(xiàn)時(shí)延性能與能耗性能之間的折中。在今后研究中，將繼續(xù)結(jié)合先進(jìn)的人工智能算法，探索在信息不確定情況下的任務(wù)卸載機(jī)制。