楊曉慧，熊小峰，宋逸杰，楊忠明，趙玲珠

（江西理工大學(xué) 理學(xué)院，江西 贛州 341000）

0 引言

過(guò)去10 年中，為滿足爆炸式增長(zhǎng)的流量對(duì)大量計(jì)算資源的需求，將計(jì)算、控制和數(shù)據(jù)存儲(chǔ)轉(zhuǎn)移到云成為趨勢(shì)，這種重新定位引入了網(wǎng)絡(luò)延遲，對(duì)時(shí)延敏感的應(yīng)用程序延遲要求帶來(lái)了重大挑戰(zhàn)。移動(dòng)應(yīng)用程序日益復(fù)雜化、智能化及多樣化，人臉識(shí)別、語(yǔ)言處理、在線游戲和遠(yuǎn)程醫(yī)療等應(yīng)用均具有時(shí)效性強(qiáng)、數(shù)據(jù)量大、帶寬高等特點(diǎn)，越來(lái)越超出設(shè)備的有限能力，使得智能移動(dòng)終端在計(jì)算能力和電池壽命方面面臨巨大挑戰(zhàn)。由此，邊緣計(jì)算（Edge Computing，EC）應(yīng)運(yùn)而生，并與傳統(tǒng)云計(jì)算互補(bǔ)，在靠近移動(dòng)用戶附近的網(wǎng)絡(luò)邊緣提供云計(jì)算功能，滿足快速交互響應(yīng)需求，提供普遍且靈活的計(jì)算服務(wù)［1］。邊緣計(jì)算思想是將全部或部分計(jì)算任務(wù)遷移至邊緣服務(wù)器/其余終端設(shè)備，降低計(jì)算時(shí)延與能耗開銷。因此，計(jì)算遷移是邊緣計(jì)算的關(guān)鍵技術(shù)之一，可彌補(bǔ)設(shè)備的能力限制和不斷增長(zhǎng)的計(jì)算需求［2］。計(jì)算遷移有以下3 個(gè)優(yōu)點(diǎn)：①降低了移動(dòng)設(shè)備本地處理計(jì)算任務(wù)的能耗，延長(zhǎng)了電池使用壽命；②利用遠(yuǎn)程云/邊緣服務(wù)器等更強(qiáng)大的CPU 計(jì)算能力，減少任務(wù)的處理延遲；③通過(guò)本地和云處理資源協(xié)同服務(wù)處理更多的計(jì)算任務(wù)，提高服務(wù)質(zhì)量（Quality of service，QoS），提高用戶滿意度。計(jì)算遷移有效解決了設(shè)備在資源存儲(chǔ)、計(jì)算性能以及能效等方面的不足。

智能終端的電池能量局限性很大，電池更換或充電不便且成本較大；因終端自身資源不足，部分設(shè)備在計(jì)算遷移過(guò)程中出現(xiàn)拒絕協(xié)作現(xiàn)象，增加了網(wǎng)絡(luò)負(fù)載和延遲，導(dǎo)致丟包率增加。特別是在MEC（Mobile edge computing）場(chǎng)景下，當(dāng)計(jì)算任務(wù)較小且完成的延遲和能量較低時(shí)，遷移反而導(dǎo)致成本增加［3］。因此，通過(guò)制定有效的遷移策略快速響應(yīng)，降低節(jié)點(diǎn)能耗，提高邊緣網(wǎng)絡(luò)QoS、吞吐量和生命周期，成為邊緣計(jì)算領(lǐng)域需要解決的核心問(wèn)題之一。

針對(duì)上述問(wèn)題，本文提出一種基于節(jié)點(diǎn)剩余能量的計(jì)算遷移策略。以節(jié)點(diǎn)剩余能量為約束，構(gòu)建計(jì)算遷移決策模型，降低因能源不足導(dǎo)致的網(wǎng)絡(luò)抖動(dòng)；利用模擬退火算法（Simulated Annealing，SA）和改進(jìn)的粒子群算法（Particle Swarm Optimization，PSO）對(duì)該模型求解，提高網(wǎng)絡(luò)吞吐量，降低丟包率和延遲，使網(wǎng)絡(luò)邊緣設(shè)備獲得良好性能，以保障邊緣網(wǎng)絡(luò)的魯棒性和穩(wěn)定性。

1 相關(guān)工作

為實(shí)現(xiàn)就近服務(wù)、提高網(wǎng)絡(luò)容量和保障數(shù)據(jù)安全，邊緣計(jì)算通過(guò)計(jì)算遷移方式，根據(jù)策略將計(jì)算向邊緣節(jié)點(diǎn)、邊緣服務(wù)器或云遷移，通過(guò)計(jì)算遷移協(xié)同服務(wù)，提升邊端計(jì)算能力和電池壽命，降低計(jì)算延遲和網(wǎng)絡(luò)帶寬消耗，均衡云中心負(fù)載，提高網(wǎng)絡(luò)QoS。其中，邊緣計(jì)算遷移的能耗與延遲是衡量遷移決策的重要指標(biāo)，降低處理及傳輸任務(wù)的延遲和能耗的相關(guān)研究成果頗豐。

文獻(xiàn)［4］考慮了移動(dòng)邊緣計(jì)算中優(yōu)化資源策略的單一性，為保證延遲約束情況下充分降低邊緣設(shè)備能耗，提出一種基于粒子群任務(wù)調(diào)度算法的多重資源計(jì)算遷移能耗模型。驗(yàn)證了該策略所對(duì)應(yīng)的任務(wù)調(diào)度算法收斂穩(wěn)定、適應(yīng)度最優(yōu)；文獻(xiàn)［5］以移動(dòng)設(shè)備的任務(wù)處理延遲和能量消耗約束為研究對(duì)象，通過(guò)遷移將邊緣服務(wù)器分配給一對(duì)深度神經(jīng)網(wǎng)絡(luò)移動(dòng)設(shè)備，使邊緣服務(wù)器利潤(rùn)最大化；文獻(xiàn)［6］提出一種高效安全的多用戶多任務(wù)計(jì)算遷移模型，使用JPEG 和MPEG4 壓縮算法來(lái)減少傳輸開銷，對(duì)大規(guī)模物聯(lián)網(wǎng)具有很好的擴(kuò)展性。

計(jì)算任務(wù)的增加使得電池使用壽命成為難題。文獻(xiàn)［7］為解決移動(dòng)終端電池能量和計(jì)算能力受限問(wèn)題，基于MEC 架構(gòu)，以終端能耗最小化與移動(dòng)服務(wù)提供商收益最大化為目標(biāo)，提出一種動(dòng)態(tài)定價(jià)策略，使用Q-learning 與DE相結(jié)合的算法，提高資源的利用率和處理效率；文獻(xiàn)［8］基于無(wú)線供電技術(shù)研究了MEC 場(chǎng)景中終端遷移決策問(wèn)題，設(shè)計(jì)一種基于深度強(qiáng)化學(xué)習(xí)的在線遷移決策算法，降低計(jì)算時(shí)間開銷和網(wǎng)絡(luò)延遲，實(shí)現(xiàn)計(jì)算自適應(yīng)遷移和資源合理分配；文獻(xiàn)［9］基于能量收集技術(shù)，提出一種綠色可持續(xù)的移動(dòng)邊緣計(jì)算（GS-MEC）模型，提出在能量隊(duì)列穩(wěn)定性限制下最小化任務(wù)響應(yīng)時(shí)間和包丟失，提高任務(wù)處理的及時(shí)性和可靠性，實(shí)現(xiàn)設(shè)備在物聯(lián)網(wǎng)環(huán)境中利用綠色能源自供電。

源任務(wù)節(jié)點(diǎn)通常在覆蓋范圍內(nèi)首先考慮優(yōu)秀節(jié)點(diǎn)進(jìn)行遷移，導(dǎo)致優(yōu)秀節(jié)點(diǎn)任務(wù)隊(duì)列任務(wù)堆積，致使負(fù)載不均，降低了網(wǎng)絡(luò)吞吐量。為解決該問(wèn)題，文獻(xiàn)［10］基于無(wú)線傳感網(wǎng)絡(luò)應(yīng)用場(chǎng)景，提出一種改進(jìn)的簇頭節(jié)點(diǎn)選擇算法，循環(huán)選擇剩余能量較高的節(jié)點(diǎn)作為簇頭，并在其之間輪換簇頭位置，提高了網(wǎng)絡(luò)的吞吐量、生命周期及剩余能量，實(shí)現(xiàn)網(wǎng)絡(luò)負(fù)載均衡；文獻(xiàn)［11］研究了計(jì)算遷移環(huán)境下移動(dòng)設(shè)備資源的能效問(wèn)題，基于修改的李雅普諾夫優(yōu)化技術(shù)優(yōu)化計(jì)算遷移決策，保持移動(dòng)設(shè)備上運(yùn)行程序的吞吐量和公平性；文獻(xiàn)［12］提出一種基于累積社會(huì)信任組織計(jì)算遷移的在線學(xué)習(xí)輔助協(xié)同遷移機(jī)制，在無(wú)法精準(zhǔn)預(yù)測(cè)的情況下保證接近最優(yōu)的系統(tǒng)性能，但是系統(tǒng)的魯棒性是以降低穩(wěn)定性為代價(jià)；文獻(xiàn)［13］提出一種在多約束條件下邊緣計(jì)算可信協(xié)同任務(wù)遷移策略，以K 維權(quán)值任務(wù)遷移作為優(yōu)化目標(biāo)，采用改進(jìn)的貪心算法求解最優(yōu)任務(wù)分配策略，保障計(jì)算遷移效率和QoS。

隨著我國(guó)海事活動(dòng)日趨頻繁，海洋無(wú)線通信與邊緣計(jì)算融合應(yīng)用越來(lái)越多。文獻(xiàn)［14］聯(lián)合優(yōu)化遷移策略、通信資源和計(jì)算資源，研究了MEC 系統(tǒng)在慢衰落信道和快衰落信道下的計(jì)算任務(wù)與遷移順序之間的依賴性，分別設(shè)計(jì)了黃金算法和即時(shí)信道策略選擇最優(yōu)遷移決策，實(shí)現(xiàn)在延遲約束下最小化終端設(shè)備的能耗；文獻(xiàn)［15］針對(duì)海上資源有限導(dǎo)致延遲和能耗過(guò)大問(wèn)題，提出一種基于移動(dòng)邊緣計(jì)算的兩段式聯(lián)合優(yōu)化遷移算法（JOOA）。通過(guò)構(gòu)建低成本、大規(guī)模的海上通信網(wǎng)絡(luò)框架，降低了任務(wù)遷移中的延遲以及計(jì)算能耗。但在海上大規(guī)模網(wǎng)絡(luò)環(huán)境中，若節(jié)點(diǎn)掉線會(huì)導(dǎo)致網(wǎng)絡(luò)抖動(dòng)且在短期內(nèi)難以重新自主組網(wǎng)，所以保證網(wǎng)絡(luò)節(jié)點(diǎn)的穩(wěn)定性是需要考慮的重點(diǎn)。

以上方法都未在因節(jié)點(diǎn)下線導(dǎo)致的網(wǎng)絡(luò)抖動(dòng)方面進(jìn)行能耗優(yōu)化。本文根據(jù)遷移決策和任務(wù)分配方式的不同，提出基于能耗約束的計(jì)算混合遷移策略（Hybrid Offloading Strategy Constrained by Node Energy，HOS-NE）。利用粒子群算法和模擬退火算法優(yōu)化該遷移模型，綜合考慮計(jì)算遷移時(shí)邊緣遷移節(jié)點(diǎn)的負(fù)載情況和能量利用率等因素，自主選擇遷移決策和任務(wù)分配，保證在任務(wù)期限內(nèi)降低任務(wù)的丟包率，提高節(jié)點(diǎn)能量利用率和系統(tǒng)吞吐量。

2 HOS-NE 策略模型構(gòu)建

2.1 邊緣計(jì)算遷移模式

根據(jù)源遷移節(jié)點(diǎn)與遷移節(jié)點(diǎn)的相對(duì)位置關(guān)系，邊緣計(jì)算遷移可分為上行、平行和下行3 種遷移模式［16］。其中，利用上行遷移與平行遷移技術(shù)，將任務(wù)及時(shí)遷移到移動(dòng)邊緣計(jì)算服務(wù)器或臨近空閑的移動(dòng)終端進(jìn)行計(jì)算處理，能夠有效擴(kuò)展移動(dòng)設(shè)備的即時(shí)計(jì)算能力，降低計(jì)算延遲，提高移動(dòng)終端電池壽命。如圖1 所示，當(dāng)智能終端發(fā)起計(jì)算請(qǐng)求時(shí)，依據(jù)任務(wù)計(jì)算量、響應(yīng)延遲進(jìn)行遷移決策，將計(jì)算量較大的任務(wù)遷移至計(jì)算能力強(qiáng)的遠(yuǎn)程云中心或邊緣服務(wù)器執(zhí)行，降低終端能耗；將計(jì)算量小的任務(wù)或者需要地理位置信息、響應(yīng)延遲低的任務(wù)留在本地處理或D2D 協(xié)作執(zhí)行，降低計(jì)算響應(yīng)延遲。因此，計(jì)算密集型任務(wù)計(jì)算量大，采用以能耗為約束的上行遷移；而對(duì)于延遲敏感任務(wù)采用以延遲為約束的本地遷移。

Fig.1 Computing migration scenario圖1 計(jì)算遷移場(chǎng)景

假設(shè)由1 個(gè)邊緣服務(wù)器和u個(gè)智能終端（本文統(tǒng)稱為節(jié)點(diǎn)）構(gòu)成的集合U={1 ,2,…,U} ，移動(dòng)邊緣計(jì)算應(yīng)用場(chǎng)景中每個(gè)終端可同時(shí)執(zhí)行多個(gè)計(jì)算任務(wù)且每個(gè)計(jì)算任務(wù)不能再進(jìn)行劃分。其中，每個(gè)終端ui的任務(wù)表示為Aui={aui,1,aui,2,…,aui,m}，用ζui,j={cui,j,dui,j,tui,j} 表示每個(gè)任務(wù)aui,j的屬性特征。cui,j表示任務(wù)aui,j需求的計(jì)算能力，dui,j為該任務(wù)的最后期限，即該任務(wù)所能容忍的最大時(shí)延，tui,j為該任務(wù)在標(biāo)準(zhǔn)算力下完成所需要的時(shí)間。

為克服設(shè)備資源、算力限制，以及響應(yīng)高效、實(shí)時(shí)的需求，MEC 允許UEs 根據(jù)任務(wù)的屬性特征選擇執(zhí)行方式：

（1）平行遷移。遷移至鄰近設(shè)備執(zhí)行延遲較低且滿足實(shí)時(shí)響應(yīng)需求。

（2）上行遷移。允許UEs 將任務(wù)轉(zhuǎn)移到鄰近的服務(wù)器以更快地進(jìn)行任務(wù)計(jì)算。

本文主要采用平行遷移與上行遷移相結(jié)合的混合遷移模式，依據(jù)任務(wù)計(jì)算量、響應(yīng)延遲進(jìn)行遷移決策，以降低終端能耗和響應(yīng)延遲。使用二元變量xij∈{ 0,1} 表示終端的決策，xij= 1 表示任務(wù)遷移到其余節(jié)點(diǎn)j執(zhí)行，xij= 0 表示任務(wù)在終端本地執(zhí)行。

根據(jù)文獻(xiàn)［17］構(gòu)建MEC 遷移系統(tǒng)模型。當(dāng)任務(wù)在終端本地執(zhí)行時(shí)，設(shè)節(jié)點(diǎn)ui的計(jì)算能力為fiL，TiL表示任務(wù)aui,j在本地執(zhí)行的時(shí)間，則：

本地計(jì)算的能耗為：

其中，κm為一個(gè)受設(shè)備硬件影響的參數(shù)。

當(dāng)任務(wù)遷移到MEC服務(wù)器執(zhí)行時(shí)，設(shè)邊緣服務(wù)器的計(jì)算能力為fiS，TiS表示任務(wù)aui,j遷移到網(wǎng)絡(luò)邊緣執(zhí)行的時(shí)間，則：

其中，Tit為任務(wù)的傳輸時(shí)間，受傳輸任務(wù)量的大小與傳輸鏈路的影響。遷移到邊緣服務(wù)器遠(yuǎn)程執(zhí)行，則終端ui的能耗為：

其中，pi為ui的發(fā)射功率，ζi為設(shè)備的功率放大器效率。

綜上所述，最小化移動(dòng)智能終端公式可表示為：

其中，為ui的最大功率。

考慮到終端設(shè)備的多樣異構(gòu)性，且功率差異較大，實(shí)際上公式（5）的求解過(guò)程較復(fù)雜。為簡(jiǎn)化問(wèn)題復(fù)雜度，本文使用終端節(jié)點(diǎn)的待機(jī)時(shí)長(zhǎng)表示終端能耗，根據(jù)剩余電量的狀態(tài)表示終端設(shè)備的狀態(tài)。因此，本文提出一種基于節(jié)點(diǎn)剩余能量的移動(dòng)邊緣計(jì)算混合遷移策略——HOS-RE，根據(jù)源遷移節(jié)點(diǎn)任務(wù)的算力、能量等需求特征和遷移節(jié)點(diǎn)的剩余能量、計(jì)算能力等特征，將任務(wù)遷移至合適的節(jié)點(diǎn)執(zhí)行。采用上行與平行的混合遷移模式，提高網(wǎng)絡(luò)的穩(wěn)定性、魯棒性，實(shí)現(xiàn)負(fù)載均衡。制定合適的遷移決策是求解該問(wèn)題的關(guān)鍵，具體策略框架如圖2 所示。

2.2 平行遷移決策

對(duì)于每個(gè)終端ui，使用三元組{,u_ti,τi}表示節(jié)點(diǎn)的屬性特征。其中，表示終端ui的實(shí)時(shí)計(jì)算能力，u_ti表 示終端初始待機(jī)時(shí)長(zhǎng)，τi為節(jié)點(diǎn)實(shí)時(shí)待機(jī)時(shí)長(zhǎng)。當(dāng)任務(wù)i發(fā)送遷移請(qǐng)求給終端ui時(shí)，設(shè)備根據(jù)以下兩個(gè)方面來(lái)判斷是否接受任務(wù)：

Fig.2 Framework for computing migration strategy圖2 計(jì)算遷移策略框架

（1）終端ui選擇接受任務(wù)時(shí)首先需要考慮自身的算力能不能滿足任務(wù)需求的算力，節(jié)點(diǎn)的實(shí)時(shí)計(jì)算能力可以表示為：

其中，c′ui,j表示正在處理計(jì)算任務(wù)所需的算力。

（2）終端ui選擇接受任務(wù)時(shí)還需要考慮自身的能量能不能保持完成任務(wù)后仍在線。因此，節(jié)點(diǎn)接受計(jì)算請(qǐng)求服務(wù)待機(jī)時(shí)長(zhǎng)下界u_ti′可表示為：

其中，ω表示節(jié)點(diǎn)電量預(yù)留的閾值，保證節(jié)點(diǎn)執(zhí)行任務(wù)后仍有能量保持自身在線，進(jìn)而維持網(wǎng)絡(luò)穩(wěn)定。

綜上所述，使用二元變量yij表示終端ui的任務(wù)接收決策，當(dāng)yij= 1 時(shí)表示uj成功接受任務(wù)ai的遷移請(qǐng)求，否則不接受。任務(wù)接收決策函數(shù)表示為：

當(dāng)終端ui向周圍節(jié)點(diǎn)發(fā)送任務(wù)計(jì)算遷移請(qǐng)求時(shí)，周圍節(jié)點(diǎn)可拒絕接受該任務(wù)請(qǐng)求。當(dāng)該任務(wù)被拒絕多次，則將該任務(wù)計(jì)算遷移到MEC 服務(wù)器進(jìn)行處理。平行遷移終端設(shè)備的剩余能量可表示為：

2.3 上行遷移決策

當(dāng)終端設(shè)備的計(jì)算能力與待機(jī)時(shí)長(zhǎng)均無(wú)法滿足任務(wù)ai需求，即被拒絕次數(shù)R達(dá)到上界k時(shí)，則該任務(wù)所在的終端選擇將任務(wù)遷移至MEC 服務(wù)器執(zhí)行。與終端節(jié)點(diǎn)相似，使用三元組{,s_ti,τis}表示邊緣服務(wù)器屬性特征。其中,表示邊緣服務(wù)器計(jì)算能力，s_ti表示邊緣服務(wù)器初始能量，表示邊緣服務(wù)器實(shí)際能量。使用二元變量zij表示終端是否將任務(wù)遷移到邊緣服務(wù)器。當(dāng)zij= 1 時(shí)表示將任務(wù)遷移到邊緣服務(wù)器執(zhí)行，否則為0，丟棄該任務(wù)，將本次遷移視為失敗，則：

上行遷移的剩余能量表示為：

綜上，將式（5）中的終端設(shè)備能耗最小化問(wèn)題轉(zhuǎn)化為最大化終端剩余能量問(wèn)題：

2.4 算法設(shè)計(jì)與實(shí)現(xiàn)

由于公式（13）求解復(fù)雜度較高，為優(yōu)化求解能力，本文分別采用PSO 算法和SA 算法對(duì)該問(wèn)題進(jìn)行求解，具體算法描述如下：

3 實(shí)驗(yàn)仿真與分析

3.1 仿真場(chǎng)景與實(shí)驗(yàn)設(shè)計(jì)

構(gòu)建計(jì)算遷移系統(tǒng)模型應(yīng)用場(chǎng)景如下：一個(gè)MEC 網(wǎng)絡(luò)環(huán)境中分布127 個(gè)節(jié)點(diǎn)以及1 個(gè)MEC 服務(wù)器，設(shè)定每個(gè)設(shè)備產(chǎn)生任務(wù)的個(gè)數(shù)在區(qū)間［0，20］中隨機(jī)生成，每個(gè)任務(wù)所需算力在區(qū)間［1，5］中隨機(jī)產(chǎn)生。設(shè)節(jié)點(diǎn)初始電量均為300min，且不可持續(xù)充電，即當(dāng)電量耗盡后該節(jié)點(diǎn)下線，仿真參數(shù)及描述如表1 所示。

Table 1 Experimental simulation parameters表1 仿真參數(shù)

為驗(yàn)證所提出遷移模型的有效性，采用MATLAB 工具進(jìn)行仿真實(shí)驗(yàn)。首先，第一組實(shí)驗(yàn)從遷移失敗次數(shù)和節(jié)點(diǎn)平均剩余能量?jī)煞矫媾c基于PSO 的智能算法［18］、隨機(jī)游走（Random execution，RE）和基于能量的貪心算法（Greedy_energy，G_E）［19］進(jìn)行比較；第二組仿真實(shí)驗(yàn)中，與基于SA 的智能算法［20］、RE、基于算力的貪心算法（Greedy_compute，G_C）和G_E 算法在吞吐量、剩余能量和任務(wù)處理成功率方面進(jìn)行比較。

3.2 算法仿真與性能分析

3.2.1 同一周期內(nèi)不同遷移策略性能分析

為了驗(yàn)證遷移策略的有效性，本文將基于PSO 的智能算法與RE、G_E 算法進(jìn)行丟包數(shù)與設(shè)備剩余時(shí)間對(duì)比分析。RE 算法、G_E 算法介紹如下：

（1）隨機(jī)遷移（RE）算法。在任務(wù)遷移請(qǐng)求發(fā)起時(shí)，每個(gè)設(shè)備的任務(wù)隨機(jī)選擇邊緣服務(wù)器端或鄰近的終端設(shè)備進(jìn)行處理，但未進(jìn)行選擇優(yōu)化。

（2）基于能量的貪心（G_E）算法。任務(wù)遷移時(shí)為每個(gè)任務(wù)在時(shí)間允許范圍內(nèi)貪心地選擇能量較多的終端設(shè)備進(jìn)行處理。

實(shí)驗(yàn)1算法穩(wěn)定性評(píng)估

從圖3 可以看出，算法迭代次數(shù)達(dá)到80 時(shí)趨于穩(wěn)定，表1 給出了實(shí)驗(yàn)中共用參數(shù)的詳細(xì)值。PSO 算法實(shí)驗(yàn)參數(shù)設(shè)置如下：算法迭代次數(shù)為L(zhǎng)= 150，速度最大最小值Smax=5,Smin= -5，學(xué)習(xí)因子C1= 2,C2= 1.5，慣性因子W1=0.9,W2= 0.4。為了提高實(shí)驗(yàn)的準(zhǔn)確性，針對(duì)設(shè)備資源是否重置進(jìn)行兩組實(shí)驗(yàn)：①隨著任務(wù)量增加，每次遷移時(shí)重新尋找最優(yōu)遷移矩陣；②隨著任務(wù)數(shù)增加，依據(jù)剩余資源尋找最優(yōu)遷移矩陣，即終端資源不進(jìn)行重置。

Fig.3 Stability of the algorithm圖3 算法穩(wěn)定性

實(shí)驗(yàn)2設(shè)備資源重置

在設(shè)備資源重置場(chǎng)景下，隨著任務(wù)量的增加，任務(wù)丟包數(shù)與平均剩余能量的對(duì)比如圖4、圖5 所示。

Fig.4 Change of lost packet number圖4 丟包數(shù)的變化（彩圖掃OSID 碼可見，下同）

Fig.5 Average residual time change圖5 平均剩余時(shí)間變化

從圖4 可以看出，隨著任務(wù)的增加，3 種算法的任務(wù)丟包數(shù)均增加，RE 與G_E 算法幾乎呈線性增長(zhǎng)趨勢(shì)。與其余兩種算法相比，PSO 算法能夠顯著降低丟包數(shù)。這是因?yàn)镽E 算法雖然可以在很短的時(shí)間內(nèi)選擇一個(gè)節(jié)點(diǎn)進(jìn)行遷移，但隨機(jī)性較高導(dǎo)致被選擇節(jié)點(diǎn)的屬性差異也較大，且可能多個(gè)任務(wù)同時(shí)遷移到同一遷移節(jié)點(diǎn)，致使任務(wù)超時(shí)被丟包；G_E 算法會(huì)優(yōu)先考慮能量和算力較大的節(jié)點(diǎn)，計(jì)算任務(wù)堆積在隊(duì)列中從而導(dǎo)致任務(wù)完成時(shí)間超過(guò)任務(wù)期限，丟包數(shù)增大；基于PSO 算法進(jìn)行遷移時(shí)，綜合考慮節(jié)點(diǎn)的多種特征如能耗、時(shí)延、代價(jià)等，所以任務(wù)選到適合自己的節(jié)點(diǎn)概率較高，丟包數(shù)比較理想。隨著任務(wù)數(shù)量上升，基于PSO 算法的遷移方式丟包數(shù)也呈現(xiàn)出平緩增加趨勢(shì)。

分析圖5 可知，隨著任務(wù)數(shù)增加，節(jié)點(diǎn)平均剩余能量逐漸減少。與RE 算法相比，基于PSO 算法的平均剩余能量在任務(wù)量少時(shí)近似相同。但隨著任務(wù)量的增加，PSO 算法下的節(jié)點(diǎn)處理任務(wù)較多，能耗增加；在G_E 算法下的節(jié)點(diǎn)由于呈現(xiàn)任務(wù)趨優(yōu)現(xiàn)象，任務(wù)丟包率較大所以能耗較低。

實(shí)驗(yàn)3設(shè)備資源非重置

圖6 和圖7 均在節(jié)點(diǎn)資源非重置的環(huán)境下進(jìn)行仿真，即每產(chǎn)生一個(gè)計(jì)算遷移任務(wù)，該任務(wù)就會(huì)在節(jié)點(diǎn)處理完之前的任務(wù)后在剩余節(jié)點(diǎn)資源中尋找適合自己的設(shè)備。

Fig.6 Change of lost packet number圖6 丟包數(shù)變化

Fig.7 Average residual time change圖7 平均剩余時(shí)間變化

由圖6 分析可知，隨著任務(wù)數(shù)的增加，任務(wù)丟包數(shù)都呈現(xiàn)上升趨勢(shì)?；赑SO 算法的任務(wù)丟包數(shù)上升緩慢，丟包率在5%-10%之間，比RE和G_E算法分別降低了65% 、71.4%。

分析圖7 可知，基于PSO 的算法隨著任務(wù)量的增加耗能也增加，剩余能量逐漸減少。PSO 算法平均剩余時(shí)間比RE 和G_E 算法分別提高了16.7%、28.6%，在任務(wù)數(shù)增加至1 000 后下降，趨于平緩的趨勢(shì)更加明顯。

綜合圖6 和圖7 可以得出，PSO 算法在能耗和丟包方面都優(yōu)于RE 和G_E 算法，任務(wù)通過(guò)PSO 算法選擇最適合自己的節(jié)點(diǎn)，既不浪費(fèi)資源也不增大延遲，可消耗更少的能量處理更多的任務(wù)。

3.2.2 任務(wù)周期內(nèi)不同遷移策略性能分析

為進(jìn)一步驗(yàn)證遷移策略模型性能，在圖1 場(chǎng)景下，本文從時(shí)間周期角度運(yùn)用基于SA 的智能算法與G_C、RE 和G_E 算法進(jìn)行比較，分析吞吐量、丟包數(shù)與平均剩余能量評(píng)價(jià)性能的優(yōu)劣，仿真結(jié)果分別如圖8-圖10 所示。

Fig.8 The throughput change圖8 吞吐量變化

Fig.9 Change of lost packet number圖9 丟包數(shù)變化

從圖8 分析可知，每個(gè)周期中基于SA 智能算法的吞吐量都優(yōu)于其他3 種算法，且SA 算法在第14 周期達(dá)到穩(wěn)定，吞吐量比其余3 種算法提高約40%，G_C 算法優(yōu)化后的系統(tǒng)吞吐量在第9 個(gè)觀察周期達(dá)到穩(wěn)定，這是由于G_C 算法中算力高的節(jié)點(diǎn)能量耗光后網(wǎng)絡(luò)無(wú)法處理后續(xù)的遷移任務(wù)，且由于網(wǎng)絡(luò)總能量不足致使G_C 算法和SA 算法優(yōu)化后的系統(tǒng)吞吐量增量逐漸減少。

從圖9 分析可知，隨著時(shí)間推遲，設(shè)備能量逐漸消耗，SA、G_C、RE 算法的丟包數(shù)逐漸增加。實(shí)驗(yàn)中僅考慮了平行遷移的丟包數(shù)，其中G_E 算法由于參數(shù)原因不會(huì)使任務(wù)堆積而導(dǎo)致卸載失敗，所以不產(chǎn)生丟包；SA 算法因節(jié)點(diǎn)電量降低導(dǎo)致丟包現(xiàn)象，但與G_C、RE 算法相比，任務(wù)遷移的丟包率降低了很多。

Fig.10 Average residual energy change圖10 平均剩余能量變化

從圖10 分析可知，隨著系統(tǒng)完成任務(wù)數(shù)的增加，節(jié)點(diǎn)剩余能量逐漸減少。SA 算法的剩余電量小于其余3 種算法，結(jié)合圖8、圖9，SA 算法提高了邊緣計(jì)算的資源利用率和協(xié)作率，合理利用了不同算力設(shè)備，且節(jié)點(diǎn)剩余能量會(huì)收斂在一定范圍，以便提供耗能較小的計(jì)算遷移服務(wù)和處理自身任務(wù)，提高了網(wǎng)絡(luò)穩(wěn)定性。

綜上所述，基于SA 智能算法優(yōu)化的遷移策略能實(shí)現(xiàn)網(wǎng)絡(luò)負(fù)載均衡，提高系統(tǒng)吞吐量和網(wǎng)絡(luò)穩(wěn)定性。

4 結(jié)語(yǔ)

針對(duì)移動(dòng)智能終端電力受限問(wèn)題，本文根據(jù)遷移決策和任務(wù)分配方式不同，提出一種基于節(jié)點(diǎn)剩余能量的移動(dòng)邊緣計(jì)算混合遷移策略HOS-NE，并將遷移問(wèn)題中的節(jié)點(diǎn)功率使用終端節(jié)點(diǎn)的剩余能量進(jìn)行轉(zhuǎn)化，采用PSO 與SA 的智能算法對(duì)化簡(jiǎn)后的問(wèn)題進(jìn)行求解。仿真結(jié)果表明，基于智能算法優(yōu)化后的HOS-NE 能有效提高系統(tǒng)吞吐量和節(jié)點(diǎn)在線時(shí)長(zhǎng)，實(shí)現(xiàn)負(fù)載均衡。但由于節(jié)點(diǎn)的自主性，并非網(wǎng)絡(luò)中所有計(jì)算節(jié)點(diǎn)均能滿足遷移節(jié)點(diǎn)條件。所以，如何評(píng)價(jià)節(jié)點(diǎn)，構(gòu)建可信、可靠的計(jì)算遷移策略是下一步研究工作重點(diǎn)。