張曉龍， 吳巍， 周彬

(1.中國電子科技集團(tuán)公司第五十四研究所， 石家莊 050002； 2.中國電科電子科學(xué)研究院， 北京 100041)

作為一種新的計(jì)算模式的移動(dòng)云計(jì)算(mobile cloud computing，MCC)，將移動(dòng)設(shè)備的計(jì)算任務(wù)部分或全部放在附近云計(jì)算上進(jìn)行，降低移動(dòng)設(shè)備能耗并提高其計(jì)算能力[1]。移動(dòng)邊緣計(jì)算(mobile edge computing，MEC)作為5G網(wǎng)絡(luò)的基礎(chǔ)，徹底改變傳統(tǒng)云模式，拓展了移動(dòng)云的范圍[2]。然而，由于MEC有限的計(jì)算資源和復(fù)雜的網(wǎng)絡(luò)環(huán)境，資源分配和負(fù)載不平衡等問題是制約MEC可擴(kuò)展性和網(wǎng)絡(luò)性能的關(guān)鍵因素。因此，對(duì)任務(wù)卸載策略進(jìn)行研究具有重要的實(shí)際意義。

到2021年，中外研究人員對(duì)移動(dòng)邊緣計(jì)算的任務(wù)卸載策略進(jìn)行了大量的研究，從多方面提出了一些可能的解決方案，并取得了一些優(yōu)秀的成果。如盛津芳等[3]將改進(jìn)拍賣算法用于移動(dòng)邊緣計(jì)算的任務(wù)卸載，主要由兩個(gè)部分組成：卸載和調(diào)度。結(jié)果表明，該策略在一定程度上降低了設(shè)備能耗合服務(wù)時(shí)延，用戶滿足度較高。路靜等[4]提出了一種移動(dòng)邊緣計(jì)算分割和最優(yōu)卸載策略，以聯(lián)合優(yōu)化系統(tǒng)的3個(gè)目標(biāo)(即能量、延遲和公平性)來構(gòu)建模型，并對(duì)其進(jìn)行求解。結(jié)果表明，所提出的卸載和調(diào)度策略能有效地提高系統(tǒng)性能。高寒等[5]將深度神經(jīng)網(wǎng)絡(luò)用于移動(dòng)邊緣計(jì)算的任務(wù)卸載，以最小延遲和最低能耗為目標(biāo)建立評(píng)價(jià)模型。結(jié)果表明，相比于傳統(tǒng)的卸載策略，該策略綜合考慮時(shí)延和能耗，綜合最優(yōu)。齊平等[6]將信任模型用于移動(dòng)邊緣計(jì)算的任務(wù)卸載，結(jié)果表明，該方法以一定的時(shí)間開銷為代價(jià)，可以有效地提高應(yīng)任務(wù)執(zhí)行成功率。但是，在MEC服務(wù)器的計(jì)算資源受到限制的情況下，大多數(shù)研究都未對(duì)其進(jìn)行考慮，無法進(jìn)一步降低時(shí)延和能耗，適應(yīng)性有待進(jìn)一步提高。

在此基礎(chǔ)上，提出了一種結(jié)合通信時(shí)延和計(jì)算時(shí)延的優(yōu)化卸載策略用于移動(dòng)邊緣計(jì)算網(wǎng)絡(luò)。該策略根據(jù)設(shè)備的計(jì)算能力和鏈路的傳輸速率不同，對(duì)移動(dòng)用戶任務(wù)進(jìn)行決策。通過仿真驗(yàn)證了該方法的優(yōu)越性。

1 移動(dòng)邊緣計(jì)算網(wǎng)絡(luò)框架

在MEC網(wǎng)絡(luò)結(jié)構(gòu)中，計(jì)算和存儲(chǔ)容量被下放到移動(dòng)網(wǎng)絡(luò)的邊緣，如基站和無線接入點(diǎn)[7]。移動(dòng)設(shè)備可以將應(yīng)用任務(wù)卸載到附近的MEC計(jì)算節(jié)點(diǎn)進(jìn)行處理，進(jìn)行低時(shí)延的計(jì)算服務(wù)。圖1所示為5G移動(dòng)網(wǎng)絡(luò)的基本MEC框架。它由核心網(wǎng)、邊緣云和移動(dòng)設(shè)備組成。

圖1 移動(dòng)邊緣計(jì)算框架Fig.1 Mobile edge computing framework

(1)核心網(wǎng)絡(luò)。在MEC網(wǎng)絡(luò)體系結(jié)構(gòu)中，其核心網(wǎng)絡(luò)的功能與傳統(tǒng)MCC網(wǎng)絡(luò)體系結(jié)構(gòu)相同。MEC服務(wù)器的各種資源明顯少于核心網(wǎng)。因此，如果MEC服務(wù)器不能處理移動(dòng)設(shè)備的任務(wù)請求，它將請求核心網(wǎng)進(jìn)行處理。此外，核心網(wǎng)還負(fù)責(zé)存儲(chǔ)大量的數(shù)據(jù)信息、數(shù)據(jù)集成、分析和全局?jǐn)?shù)據(jù)共享等[8]。

(2)邊緣云。邊緣云主要由各種MEC服務(wù)器組成，在網(wǎng)絡(luò)邊緣部署計(jì)算、存儲(chǔ)等資源。與傳統(tǒng)的MCC網(wǎng)絡(luò)架構(gòu)不同，計(jì)算和存儲(chǔ)等資源的部署更接近移動(dòng)設(shè)備。因此，通過將任務(wù)卸載到邊緣云(或MEC服務(wù)器)進(jìn)行本地化處理，移動(dòng)設(shè)備可以有效減少任務(wù)處理延遲，節(jié)省設(shè)備能耗。在MEC網(wǎng)絡(luò)體系結(jié)構(gòu)中，MEC服務(wù)器的主要功能是處理移動(dòng)設(shè)備的卸載任務(wù)，滿足移動(dòng)設(shè)備對(duì)低時(shí)延、可靠性和位置感知的需求。

(3)移動(dòng)設(shè)備。移動(dòng)設(shè)備主要是指處于網(wǎng)絡(luò)邊緣的用戶使用的各種設(shè)備，包括智能手機(jī)、可穿戴智能設(shè)備、筆記本電腦和無人駕駛汽車等。在MEC網(wǎng)絡(luò)體系結(jié)構(gòu)中，移動(dòng)設(shè)備是各種應(yīng)用任務(wù)處理的發(fā)起者，是MEC計(jì)算服務(wù)的主要用戶。

2 卸載策略

為了解決移動(dòng)邊緣計(jì)算網(wǎng)絡(luò)中任務(wù)是否遷移和遷移到哪里的問題，降低系統(tǒng)時(shí)延，提出一種結(jié)合通信時(shí)延和計(jì)算時(shí)延優(yōu)化策略用于移動(dòng)邊緣計(jì)算網(wǎng)絡(luò)。

2.1 計(jì)算時(shí)延和通信時(shí)延分析

在實(shí)際環(huán)境中，附近的很多MEC都滿足傳輸要求。但是，想要短時(shí)間內(nèi)完成任務(wù)處理，就需要對(duì)計(jì)算和通信時(shí)延進(jìn)行考慮。

(1) 計(jì)算延遲。計(jì)算延遲包括由計(jì)算任務(wù)量xkij在MECj中引起的時(shí)延和本地設(shè)備中處理的任務(wù)量Wk-xkij引起的時(shí)延[9]。在MECj中產(chǎn)生的時(shí)延計(jì)算公式為

(1)

式(1)中：k為移動(dòng)用戶編號(hào)；i為用戶k任務(wù)傳輸?shù)腗EC；j為處理xkij任務(wù)的MEC；Pj為MECj計(jì)算速率。

以MEC的最小計(jì)算時(shí)延作為目標(biāo)，表達(dá)式[10]為

(2)

本地計(jì)算時(shí)延公式為

(3)

式(3)中：l為本地設(shè)備編號(hào)；Pkl為移動(dòng)用戶k本地設(shè)備的計(jì)算速率。

因此，任務(wù)量xkij計(jì)算時(shí)延公式為

(4)

(2)通信時(shí)延。移動(dòng)用戶k將任務(wù)xkij卸載到MECi上的延遲計(jì)算式[11]為

(5)

則移動(dòng)用戶的上、下行傳輸速度表達(dá)式為

(6)

(7)

前者的通信時(shí)延可由式(5)計(jì)算，后者的通信時(shí)延計(jì)算式[12]為

(8)

(9)

因此，任務(wù)量xkij的通信時(shí)延計(jì)算式[13]為

(10)

(11)

綜上所述，系統(tǒng)平均最小時(shí)延表達(dá)式為

(12)

系統(tǒng)的平均最小延遲約束有兩個(gè)條件。

(1)移動(dòng)用戶卸載的任務(wù)量不應(yīng)大于總?cè)蝿?wù)量，即

0≤xkij≤Wk,k=1,2，…,K；i∈I；j∈J

(13)

式(13)中：Wk為用戶k需要計(jì)算的密集型任務(wù)。

(2) 此任務(wù)在MECj種計(jì)算的任務(wù)量小于或等于MECj計(jì)算資源的最大量Cj，表達(dá)式[15]為

(14)

式(14)中：Cj為每個(gè)MEC的最大計(jì)算資源。

2.2 時(shí)延聯(lián)合優(yōu)化算法設(shè)計(jì)

在MEC網(wǎng)絡(luò)場景中，卸載和計(jì)算都存在一定的時(shí)延。提出了一種結(jié)合通信時(shí)延和計(jì)算時(shí)延用的聯(lián)合優(yōu)化卸載策略用于移動(dòng)邊緣計(jì)算網(wǎng)絡(luò)。該策略通過移動(dòng)邊緣計(jì)算設(shè)備不同的計(jì)算能力和通信鏈路的不同傳輸速率，對(duì)移動(dòng)用戶任務(wù)進(jìn)行決策，最小化系統(tǒng)時(shí)延。算法步驟如下。

步驟1：對(duì)于每個(gè)用戶k，找到可通信的MEC集合I，在參考文獻(xiàn)[16]計(jì)算得到信噪比SINRs和信噪比閾值SINRmin。如果SINRs≥SINRmin，可以與用戶通信并轉(zhuǎn)移任務(wù)，將符合條件的MEC放入集合I中，不符合條件的放棄。根據(jù)計(jì)算資源Cj與其閾值Cmin，進(jìn)一步對(duì)MEC進(jìn)行判斷，得到能夠?qū)θ蝿?wù)進(jìn)行處理的MEC集合J。

圖2 算法流程Fig.2 Algorithm flow

3 仿真結(jié)果與分析

3.1 仿真參數(shù)

為了對(duì)文中方法的性能進(jìn)行驗(yàn)證，通過仿真分析該方法對(duì)任務(wù)大小和時(shí)延的影響。仿真設(shè)備為聯(lián)想PC機(jī)，操作系統(tǒng)為windows 10 64位旗艦，Intel i52450 m CPU，頻率2.5 GHz，8 GB內(nèi)存，MATLAB r2018a為仿真平臺(tái)[17]。MEC參數(shù)見表1。

表1 MEC參數(shù)表Table 1 MEC parameter table

3.2 仿真分析

3.2.1 不同算法的性能比較

文中提出的算法與文獻(xiàn)[18]中提出的SMT算法和文獻(xiàn)[19]中提出的PSwH算法進(jìn)行了比較。圖3所示為平均時(shí)延隨任務(wù)量增加的延變化曲線，任務(wù)量為100～400 Mbits，各用戶任務(wù)量相同。

從圖3可以看出，平均卸載時(shí)延隨著Wk的增加而增加。相比于SMT算法和PSwH算法，文中算法的平均時(shí)延增長最為緩慢。這是因?yàn)镾MT算法選擇的MEC是時(shí)延最低的，但不考慮MEC的計(jì)算和通信能力。換言之，有些MEC計(jì)算能力強(qiáng)，但傳輸速度慢，或者M(jìn)EC傳輸速度快，但計(jì)算能力弱。PSwH算法選擇傳輸時(shí)延較小的MEC，但是MEC的計(jì)算能力可能不如其他MEC，并且MEC產(chǎn)生的計(jì)算時(shí)延也不是最低的。

圖3 平均時(shí)延隨任務(wù)數(shù)變化曲線Fig.3 Variation curve of average delay with number of tasks

圖4所示平均時(shí)延隨用戶數(shù)K增加的變化曲線。用戶數(shù)從30到150，此外，將任務(wù)量設(shè)置為Wk=200 Mbits。

從圖4可以看出，平均卸載時(shí)延遲隨著用戶數(shù)量的增加而緩慢增加。這是因?yàn)榉弦蟮腗EC有多個(gè)，因此即使用戶數(shù)量增加，對(duì)傳輸和MEC計(jì)算無明顯影響。此外，與其他兩種算法相比，文中算法具有最小的平均時(shí)延。這是因?yàn)槲闹兴惴紤]計(jì)算能力和通信能力所致。

圖4 平均時(shí)延隨用戶數(shù)變化曲線Fig.4 Curve of average delay with the number of users

圖5所示用戶遷移概率隨MEC增加的變化曲線。MEC數(shù)量為10～50。此外，將任務(wù)量設(shè)置為Wk=200 Mbits。

圖5 遷移率隨MEC數(shù)量的變化曲線Fig.5 Curve of mobility with the number of MECs

從圖5可以看出，PSwH 算法的遷移概率不斷MEC數(shù)量變化而變化，這是因?yàn)镻SwH 算法僅考慮通信時(shí)延最小化。對(duì)于SMT算法，遷移概率通常在50%左右，這是因?yàn)镾MT算法僅考慮時(shí)延閾值，而延遲閾值與MEC數(shù)目無關(guān)。因此，遷移概率基本保持不變。MEC數(shù)量40是文中算法的分界點(diǎn)，小于40時(shí)，遷移概率逐漸增加，這是因?yàn)镸EC增加可選擇性越大。當(dāng)MEC個(gè)數(shù)超過40個(gè)時(shí)，遷移概率逐漸穩(wěn)定在1，此時(shí)不管MEC怎么增加，用戶必須遷移。

3.2.2 時(shí)延分析

式中:表示試驗(yàn)點(diǎn)x落入估計(jì)的可行域的概率(可行性概率)，記作和表示第i個(gè)約束函數(shù)Kriging模型的預(yù)測均值和標(biāo)準(zhǔn)差。CEI準(zhǔn)則概念簡單、計(jì)算容易，但該準(zhǔn)則受PoF的影響大，收斂到可行域邊界上最優(yōu)解的效率不高?；贑EI準(zhǔn)則的代理優(yōu)化算法在本文簡稱CEI算法。

通過仿真實(shí)驗(yàn)比較了該算法在通信時(shí)延、計(jì)算時(shí)延和系統(tǒng)時(shí)延方面的性能。圖6所示三種時(shí)延隨任務(wù)量增加的變化曲線。任務(wù)量為100～400 Mbits，各用戶任務(wù)量相同。

從圖6可以看出，所有3個(gè)平均延遲都隨著任務(wù)量Wk的增加而增加。然而，計(jì)算時(shí)延明顯小于通信時(shí)延。另外，隨著任務(wù)量Wk的增加，增長相對(duì)緩慢。這是因?yàn)橛脩粲?jì)算密集型度高且有卸載MEC，那么大部分延遲都是由傳輸任務(wù)導(dǎo)致的。相比于用戶設(shè)備，MEC的計(jì)算能力較強(qiáng)，對(duì)多個(gè)任務(wù)進(jìn)行處理僅需極短的時(shí)間。此時(shí)，MEC產(chǎn)生的計(jì)算延遲較小。

圖6 3種時(shí)延隨任務(wù)量的變化曲線Fig.6 Three kinds of delay curves with task volume

圖7所示為3種計(jì)算時(shí)延著任務(wù)量增加的變化曲線。任務(wù)量為100～400 Mbits，各用戶任務(wù)量相同。

圖7 計(jì)算時(shí)延隨任務(wù)量的變化曲線Fig.7 Calculate the variation curve of delay with task volume

從圖7可以看出，3種計(jì)算時(shí)延在任務(wù)量超過250 Mbits后本地計(jì)算最優(yōu)，任務(wù)量為0～250 Mbits時(shí)MEC計(jì)算最優(yōu)。這是因?yàn)槿蝿?wù)量較少時(shí)，可以由用戶自身對(duì)任務(wù)進(jìn)行處理，降低了通信時(shí)延。隨著任務(wù)量Wk的增加，一定程度上限制了用戶計(jì)算能力，在處理大任務(wù)時(shí)會(huì)出現(xiàn)較大的計(jì)算延遲。因此，該算法將一些任務(wù)轉(zhuǎn)移給MEC，并以較小的計(jì)算時(shí)延代價(jià)交換通信時(shí)延代價(jià)。

圖8所示為3種平均時(shí)延隨用戶數(shù)增加的變化曲線。用戶數(shù)為30～150，此外，將任務(wù)量設(shè)置為Wk=200 Mbits。

圖8 3種時(shí)延隨任務(wù)量的變化曲線Fig.8 Three kinds of delay curves with task volume

從圖8可以看出，平均卸載時(shí)延隨用戶數(shù)增加增速較為緩慢。與前面類似，計(jì)算延遲遠(yuǎn)小于通信延遲。而隨著任務(wù)量Wk的增加，增長相對(duì)緩慢。

4 結(jié)論

移動(dòng)邊緣計(jì)算可以為各種應(yīng)用提供低延遲、高可靠的移動(dòng)服務(wù)。在5G移動(dòng)邊緣計(jì)算中，合理有效的任務(wù)調(diào)度策略是保證應(yīng)用服務(wù)質(zhì)量和提高系統(tǒng)性能的關(guān)鍵。因此，文中綜合考慮通信和計(jì)算時(shí)延，設(shè)計(jì)了一種實(shí)用高效的卸載策略。主要結(jié)論如下。

(1)在移動(dòng)邊緣計(jì)算網(wǎng)絡(luò)中采用結(jié)合通信時(shí)延和計(jì)算時(shí)延的卸載策略，通過移動(dòng)邊緣計(jì)算設(shè)備不同的計(jì)算能力和通信鏈路的不同傳輸速度對(duì)移動(dòng)用戶的任務(wù)進(jìn)行決策，該研究具有一定的實(shí)用價(jià)值。

(2)仿真結(jié)果表明，該方法能顯著降低平均卸載時(shí)延。隨著任務(wù)數(shù)的增加，文中方法的時(shí)延增長最慢，說明文中方法具有一定的實(shí)用性。

文中主要研究了任務(wù)卸載策略。從目前的實(shí)驗(yàn)設(shè)備和數(shù)據(jù)規(guī)模來看，文中研究還處于起步階段。基于此，逐步完善卸載策略將是下一步工作的重點(diǎn)