馮亞玲 張 卓 張學(xué)武 徐曉龍

（河海大學(xué)物聯(lián)網(wǎng)工程學(xué)院 常州 213022）

1 引言

水利工程是配置和增強(qiáng)水資源調(diào)控能力、加強(qiáng)綠色能源發(fā)展的重大工程措施，大壩是水利水電工程建設(shè)的核心，其高質(zhì)高效安全建設(shè)與長期高效安全運(yùn)行關(guān)系國計(jì)民生［1］。隨著新一代信息技術(shù)的高速發(fā)展，物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能、云計(jì)算等技術(shù)深度融入筑壩領(lǐng)域，為大壩建造智能化提供了新理念、新技術(shù)、新裝備，形成了動態(tài)精細(xì)化可感知、可分析、可控制的智能化大壩建設(shè)與運(yùn)行管理體系，包括信息實(shí)時感知模塊、聯(lián)通化實(shí)時傳輸模塊、智能化實(shí)時分析模塊與智能化實(shí)時管理決策系統(tǒng)等［2］。

當(dāng)前廣泛應(yīng)用的云計(jì)算技術(shù)［3］具有較強(qiáng)的可靠性和可擴(kuò)展性，然而如果將大數(shù)據(jù)全部卸載到云平臺可能會導(dǎo)致網(wǎng)絡(luò)卡頓，從而降低各種應(yīng)用程序總體服務(wù)質(zhì)量（Quality of Service，QoS）。為緩解大數(shù)據(jù)帶來的網(wǎng)絡(luò)擁塞，業(yè)界提出引入另一項(xiàng)技術(shù)，通過在網(wǎng)絡(luò)邊緣部署邊緣節(jié)點(diǎn)來提供計(jì)算處理和數(shù)據(jù)存儲的能力，即邊緣計(jì)算［4］。云計(jì)算和邊緣計(jì)算是相輔相成的關(guān)系，云邊協(xié)同技術(shù)［5］將云中心和邊緣節(jié)點(diǎn)協(xié)同處理數(shù)據(jù)的服務(wù)方式能夠充分結(jié)合云中心和邊緣節(jié)點(diǎn)的自身優(yōu)勢，能夠聯(lián)合調(diào)度不同特征的業(yè)務(wù)，因此將云邊協(xié)同技術(shù)引入水庫大壩灌區(qū)視頻監(jiān)控系統(tǒng)具有極高的研究價值和應(yīng)用意義。

計(jì)算卸載技術(shù)作為物聯(lián)網(wǎng)應(yīng)用場景中的關(guān)鍵技術(shù)，在降低用戶執(zhí)行時延提升QoS方面起著重要作用?，F(xiàn)階段計(jì)算卸載技術(shù)還在圍繞單一的云計(jì)算與邊緣計(jì)算進(jìn)行研究，本文通過構(gòu)建一個云邊協(xié)同計(jì)算環(huán)境來解決它們之間的任務(wù)協(xié)同調(diào)度問題。當(dāng)前部分水庫大壩灌區(qū)所在的環(huán)境復(fù)雜，因此，不能簡單地將云邊協(xié)同的計(jì)算卸載技術(shù)應(yīng)用到水庫大壩灌區(qū)中的視頻監(jiān)控系統(tǒng)中。鑒于此，本文的云邊協(xié)同計(jì)算卸載技術(shù)研究還會面臨以下科學(xué)問題。

1）水壩灌區(qū)地理位置險要［6］，地區(qū)偏遠(yuǎn)，危險點(diǎn)眾多，各監(jiān)測站點(diǎn)位置分布不均，調(diào)度困難，系統(tǒng)會面臨癱瘓風(fēng)險。

2）各監(jiān)測站點(diǎn)計(jì)算資源分配不均，且視頻監(jiān)控系統(tǒng)中非結(jié)構(gòu)化數(shù)據(jù)［7］占到了大壩日常業(yè)務(wù)數(shù)據(jù)中的很大比例，處理該類業(yè)務(wù)，對系統(tǒng)時效性要求比較高［8］。

通過參考云邊協(xié)同卸載技術(shù)在水電廠和配電物聯(lián)網(wǎng)中的研究［6］，結(jié)合水壩灌區(qū)視頻監(jiān)控系統(tǒng)中存在的科學(xué)問題，本文以滿足低時延的應(yīng)用需求為目標(biāo)，研究了水壩灌區(qū)視頻監(jiān)控系統(tǒng)中的云邊協(xié)同計(jì)算卸載技術(shù)，主要貢獻(xiàn)如下。

1）針對水壩灌區(qū)地理環(huán)境問題，提出了云邊協(xié)同的計(jì)算卸載模型。區(qū)域公司作為云中心，監(jiān)測站點(diǎn)作為邊緣節(jié)點(diǎn)，是部署在離生產(chǎn)設(shè)備較近的輕量級開放平臺，并在區(qū)域公司集控側(cè)部署遠(yuǎn)程集控平臺來實(shí)現(xiàn)基于需求的業(yè)務(wù)編排，如網(wǎng)絡(luò)資源調(diào)配、計(jì)算資源編排等。

2）針對計(jì)算資源分配不均和系統(tǒng)高時效性的問題，提出了基于SAGTSA（Simulated-annealingbased Adaptive Genetic Taboo Search Algorithm）算法的計(jì)算卸載方法，使集控側(cè)的遠(yuǎn)程集控平臺能夠選取最佳的卸載決策。

2 相關(guān)工作

近年來，業(yè)界提出很多有效的云邊協(xié)同的計(jì)算卸載方法來降低系統(tǒng)時延。如文獻(xiàn)［9］提出一種隨機(jī)調(diào)度算法和捎帶式數(shù)據(jù)重部署策略，以實(shí)現(xiàn)降低跨域作業(yè)的平均時延為優(yōu)化目標(biāo)，基于資源異構(gòu)性計(jì)算出系統(tǒng)偏好，并以此偏好調(diào)度每個計(jì)算任務(wù)，但不足之處在于要求數(shù)據(jù)沒有相關(guān)性。文獻(xiàn)［10］提出一種基于集中控制的資源調(diào)度算法，在已選擇的節(jié)點(diǎn)間采取集中控制的方法來降低端到端的時間延遲，但不足之處是只能選擇少量的節(jié)點(diǎn)作為邊緣節(jié)點(diǎn)。文獻(xiàn)［11］提出了一種改進(jìn)的粒子群算法，以實(shí)現(xiàn)低時延、低能耗的最優(yōu)計(jì)算卸載方案為目標(biāo)，但不足之處是基于信譽(yù)值的方法有一定的局限性。文獻(xiàn)［12］提出一種人工魚群算法，使得系統(tǒng)總時延降低，但缺點(diǎn)是只能以一定低概率跳出局部最優(yōu)解。在不同業(yè)務(wù)場景下，針對移動增強(qiáng)現(xiàn)實(shí)應(yīng)用場景，文獻(xiàn)［13］中，以優(yōu)化多用戶多任務(wù)的應(yīng)用調(diào)度問題為目標(biāo)，提出一種有效的調(diào)度算法，但要求每個應(yīng)用程序要被建模為一個相互依賴的任務(wù)鏈。在移動邊緣計(jì)算網(wǎng)絡(luò)中，文獻(xiàn)［14］以降低所有終端延遲為目標(biāo)，研究了協(xié)同計(jì)算卸載、計(jì)算和通信資源分配方案，并提出了基于管道的卸載方案，但不足之處在于要求終端要具備計(jì)算能力。文獻(xiàn)［16］提出一種基于海洋多節(jié)點(diǎn)協(xié)同卸載的遺傳算法，通過優(yōu)化改進(jìn)染色體編碼方式和適應(yīng)度函數(shù)，使用戶在滿足能耗約束的同時有效地降低時延，但不足之處在于跳出局部最優(yōu)解的能力偏低。文獻(xiàn)［6］針對電力物聯(lián)網(wǎng)應(yīng)用場景，以優(yōu)化系統(tǒng)時延為目標(biāo)，基于任務(wù)的數(shù)據(jù)量和邊云計(jì)算資源分配，選擇優(yōu)化的云邊任務(wù)分割比率，但不足之處在于沒有考慮云中心計(jì)算資源不足的情況。

目前，云邊協(xié)同的計(jì)算卸載研究主要都以減少終端的時延和能耗為目標(biāo)，對邊緣節(jié)點(diǎn)到云中心這部分的計(jì)算卸載優(yōu)化研究很少。本文構(gòu)建了一種基于云邊協(xié)同的水庫大壩視頻監(jiān)控系統(tǒng)，不同于上述方法，本文主要優(yōu)化邊緣節(jié)點(diǎn)到云計(jì)算中心這一部分的系統(tǒng)卸載時延，不需要對數(shù)據(jù)進(jìn)行預(yù)處理，且是以任務(wù)為單位做出分割，對數(shù)據(jù)相關(guān)性沒有要求。與此同時，在文獻(xiàn)［6］的研究基礎(chǔ)上，考慮了邊遠(yuǎn)地區(qū)云服務(wù)器計(jì)算力不足的情況，并在區(qū)域公司集控側(cè)遠(yuǎn)程集控平臺來實(shí)現(xiàn)業(yè)務(wù)編排管理，所用算法通過對染色體編碼方式和基于模擬退火算法的更新機(jī)制進(jìn)行改進(jìn)，并添加了基于TS的存儲機(jī)制，來對邊緣節(jié)點(diǎn)收到的任務(wù)選擇最佳的卸載策略和節(jié)點(diǎn)資源分配，以獲得最優(yōu)的系統(tǒng)時延。

3 系統(tǒng)模型

3.1 問題描述與分析

本文構(gòu)建一個云邊協(xié)同架構(gòu)水庫大壩視頻監(jiān)控系統(tǒng)基本模型，如圖1所示，主要由區(qū)域公司大數(shù)據(jù)云平臺、區(qū)域公司集控側(cè)遠(yuǎn)程集控平臺與區(qū)域站點(diǎn)視頻監(jiān)控系統(tǒng)三大部分組成。

圖1 基于云邊協(xié)同架構(gòu)的水庫大壩視頻監(jiān)控系統(tǒng)模型

區(qū)域公司大數(shù)據(jù)云平臺部署了高性能服務(wù)器集群和數(shù)據(jù)庫。在本文的云邊協(xié)同架構(gòu)中，云服務(wù)器始終作為整個系統(tǒng)計(jì)算和存儲的中心，能夠?qū)崟r處理區(qū)域監(jiān)測站點(diǎn)上傳的任務(wù)。

區(qū)域公司集控側(cè)部署了遠(yuǎn)程集控平臺，能夠?qū)崿F(xiàn)基于需求的業(yè)務(wù)編排和網(wǎng)絡(luò)資源調(diào)配。將SAGTSA算法部署在中央控制器上，對于邊緣節(jié)點(diǎn)接收的任務(wù)進(jìn)行業(yè)務(wù)編排，將一部分任務(wù)留在邊緣節(jié)點(diǎn)，一部分加載至區(qū)域公司云平臺進(jìn)行處理。

區(qū)域監(jiān)測站點(diǎn)視頻監(jiān)控系統(tǒng)作為整個云邊協(xié)同架構(gòu)中的邊緣層，是部署在距離監(jiān)測設(shè)備較近且是以數(shù)據(jù)中心為核心的輕量級分布式開放平臺，能夠?yàn)闃I(yè)務(wù)間的協(xié)同提供支撐。

3.2 卸載模型

3.2.1 云邊協(xié)同計(jì)算卸載場景概述

針對圖1所示的用于水庫大壩視頻監(jiān)控業(yè)務(wù)的云邊協(xié)同架構(gòu)模型，本文采用的云邊協(xié)同機(jī)損卸載模型如圖2所示，其中包含一個云中心和J個邊緣節(jié)點(diǎn)的邊緣層。在邊緣層中，每個邊緣節(jié)點(diǎn)都配有服務(wù)器，且針對不同區(qū)域的地形和通信條件都具備不同的計(jì)算能力。與此同時，我們假設(shè)感知層的終端設(shè)備將任務(wù)上傳至邊緣節(jié)點(diǎn)，依據(jù)部署在邊緣節(jié)點(diǎn)的卸載決策結(jié)果執(zhí)行任務(wù)，使邊緣節(jié)點(diǎn)中收到的任務(wù)一部分上傳到云管理中心處理，其余部分留在邊緣節(jié)點(diǎn)進(jìn)行處理。

圖2 云邊協(xié)同計(jì)算卸載模型

假設(shè)同一時間內(nèi)系統(tǒng)有J個邊緣云覆蓋范圍下的能夠參與計(jì)算調(diào)度的邊緣節(jié)點(diǎn)的集合；Dj，i表示邊緣節(jié)點(diǎn)j收到的第i個任務(wù)的數(shù)據(jù)量大小。設(shè)邊緣節(jié)點(diǎn)j同時收到Ij個任務(wù)，根據(jù)卸載策略，其中一部分留在邊緣節(jié)點(diǎn)完成，其余任務(wù)加載至云中心進(jìn)行處理，其中?i∈Ij，Ij={1，2，…，Nj}，j∈J。

一般而言，邊緣節(jié)點(diǎn)具備獨(dú)立的通信模塊和計(jì)算模塊，所以邊緣節(jié)點(diǎn)可以計(jì)算任務(wù)，與此同時，通信模塊可以將任務(wù)傳輸至云中心進(jìn)行處理。為了簡化且不失一般性的求解，本文將Bj設(shè)置為每個邊緣節(jié)點(diǎn)到云中心的帶寬。在視頻監(jiān)控系統(tǒng)中，任務(wù)的計(jì)算結(jié)果足夠小，因此下行鏈路的傳輸時延可以忽略。此外，本方案主要面向的是大壩實(shí)時監(jiān)控流，實(shí)時性要求比較高，其能耗問題忽略不計(jì)。

3.2.2 云邊協(xié)同計(jì)算卸載時延分析

當(dāng)任務(wù)采用邊緣節(jié)點(diǎn)計(jì)算執(zhí)行（即Xi=1時），那么任務(wù)在邊緣節(jié)點(diǎn)產(chǎn)生的計(jì)算時延為

其中，Xj，i表示卸載策略，邊緣節(jié)點(diǎn)j的任務(wù)i的卸載策略，“1”和“0”分別表示任務(wù)留在邊緣節(jié)點(diǎn)和加載至“云管理中心”處理。αj，i邊緣節(jié)點(diǎn)j分配給任務(wù)i的計(jì)算能力占比，Dj，i表示邊緣節(jié)點(diǎn)j上任務(wù)i的數(shù)據(jù)量大小，fjedge表示邊緣節(jié)點(diǎn)j服務(wù)器的計(jì)算能力（CPU cycles/s）。

當(dāng)任務(wù)采用云中心計(jì)算執(zhí)行（即Xj，i=0時），任務(wù)在云中心產(chǎn)生的計(jì)算時延：

其中，βj，i表示云中心分配給邊緣節(jié)點(diǎn)j的任務(wù)i的計(jì)算能力占比，fcore云管理中心服務(wù)器的計(jì)算能力（CPU cycles/s）。

關(guān)于任務(wù)產(chǎn)生的傳輸時延，若直接卸載到云計(jì)算中心，則時延為

其中，Bj邊緣節(jié)點(diǎn)j到云中心的帶寬。

若經(jīng)邊緣節(jié)點(diǎn)處理后再將結(jié)果上傳到云中心，則時延為

其中Zj，i表示邊緣節(jié)點(diǎn)j的第i個任務(wù)處理后，輸出數(shù)據(jù)對輸入數(shù)據(jù)的壓縮率。

那么傳輸時延為

其中，Pj，i=1-Zj，i。

當(dāng)任務(wù)數(shù)過多，云中心計(jì)算力會有些不足，則相應(yīng)產(chǎn)生等候時延：

卸載到云中心的時延應(yīng)為計(jì)算時延、傳輸時延與排隊(duì)等候時延之和，即為

綜上，完成單個任務(wù)所產(chǎn)生的時延為

則整個視頻監(jiān)控系統(tǒng)的時延優(yōu)化問題可描述為P1：

其中，目標(biāo)函數(shù)中的λj，i為權(quán)重。C1是對邊緣節(jié)點(diǎn)j分配給任務(wù)i的計(jì)算能力占比αj，i的約束，C2是云中心分配給邊緣節(jié)點(diǎn)j的任務(wù)i的計(jì)算能力占比βj，i的約束，C3是對任務(wù)時延權(quán)重λj，i的約束，C4是對卸載決策Xj，i的約束。為簡化求解，我們假設(shè)以下分析中所有的任務(wù)的時延權(quán)重都是相同的。

4 基于SAGTSA的云邊協(xié)同計(jì)算卸載方法

為解決水庫大壩云邊協(xié)同機(jī)制下視頻監(jiān)控系統(tǒng)業(yè)務(wù)時延優(yōu)化問題，本文采用了一種基于SAGTSA（Simulated-annealing-based Adaptive Genetic Taboo Search Algorithm）的云邊協(xié)同計(jì)算卸載方法。針對傳統(tǒng)遺傳算法過早收斂的問題，本文的SAGTSA算法通過充分結(jié)合了模擬退火算法的全局收斂性和適應(yīng)性，以及禁忌搜索策略所具備的較強(qiáng)的攀爬能力和較高的效率，具有較強(qiáng)的收斂性和適應(yīng)性。具體地，優(yōu)化與改進(jìn)了染色體編碼方式、解的更新機(jī)制和自適應(yīng)交叉概率以及自適應(yīng)變異概率［15］，使得系統(tǒng)尋找到最優(yōu)計(jì)算卸載策略并提升系統(tǒng)時延有效性。

4.1 編碼規(guī)則與適應(yīng)度函數(shù)

在對優(yōu)化變量進(jìn)行編碼時，由于采用邊緣節(jié)點(diǎn)與云中心計(jì)算節(jié)點(diǎn)協(xié)同處理數(shù)據(jù)的計(jì)算卸載策略；因此首先需要對每個任務(wù)與其所在的邊緣節(jié)點(diǎn)與云中心的計(jì)算能力分配比例進(jìn)行編號，之后在每條染色體上用二進(jìn)制編碼的方式表示出來。若J個邊緣節(jié)點(diǎn)共收到N個任務(wù)，其中，任務(wù)上傳到的邊云計(jì)算節(jié)點(diǎn)編號用計(jì)算卸載決策XN表示，且計(jì)算能力分配比例邊云計(jì)算資源分配比例αN、βN表示。具體編碼過程如圖3所示，x1～xn，α1～αn，β1～βn分別表示任務(wù)計(jì)算卸載決策和對應(yīng)邊緣節(jié)點(diǎn)與云中心計(jì)算資源分配比例。在本文中，假設(shè)種群數(shù)量為S，A1，A2，…，Ai表示在當(dāng)前種群中每個可能存在的解，個體i的適應(yīng)度為，本文的選擇操作采用fitness(Ai)輪盤賭的選擇方式，個體被選中的概率為如式（10）：

圖3 優(yōu)化變量編碼圖

其中適應(yīng)度函數(shù)如式（11）所示：

4.2 自適應(yīng)遺傳算子

傳統(tǒng)遺傳算法的交叉概率和變異概率均為固定值。在演化過程中，很容易陷入局部最優(yōu)狀態(tài)。根據(jù)種群的適應(yīng)度值對交叉概率和突變概率進(jìn)行自適應(yīng)調(diào)整，有利于算法跳出局部最優(yōu)值。自適應(yīng)的交叉概率PJ和變異概率Pm分別為

4.3 基于SA的更新機(jī)制與基于TS的存儲機(jī)制

在進(jìn)行交叉操作和變異操作后，根據(jù)玻爾茲曼機(jī)制，接受新染色體的概率如式（14）所示：

tg為第g次迭代中當(dāng)前溫度。

此外，算法通過設(shè)置禁忌表，避免了對局部最優(yōu)解的重復(fù)搜索，并通過設(shè)置“大赦免標(biāo)準(zhǔn)”來確保搜索過程的多樣性。

4.4 SAGTSA算法步驟

下面將具體介紹應(yīng)用SAGTSA算法求解水庫大壩時延優(yōu)化問題的過程。

每條染色體表示一種計(jì)算卸載策略Ai包括卸載決策XN邊緣節(jié)點(diǎn)與云中心計(jì)算能力分配比例αN、βN。此外，計(jì)算卸載策略Ai交叉變異前后的適應(yīng)度可分別用fitness(Ai)與fitnessn(Ai)表示，具體步驟如下：

輸入：邊緣計(jì)算節(jié)點(diǎn)計(jì)算能力fjedge、計(jì)算能力fcore、任務(wù)數(shù)量N、邊緣節(jié)點(diǎn)j到云管理中心的帶寬Bj、經(jīng)邊緣節(jié)點(diǎn)j的第i個任務(wù)處理后輸出數(shù)據(jù)對輸入數(shù)據(jù)的壓縮率Zj，i和任務(wù)數(shù)據(jù)量Dj，i。

輸出：最優(yōu)計(jì)算卸載決策XN、邊云計(jì)算資源分配比例αN、βN表示、計(jì)算卸載策略對應(yīng)時延tj，i(Ai)。

步驟1（參數(shù)設(shè)置）：設(shè)置染色體數(shù)量S、最大迭代次數(shù)G、卸載策初始交叉概率PJ0、變異操作的初始概率Pm0，初始溫度tg=t0，冷卻率ε，禁忌表長度L并設(shè)置禁忌表為空。每次迭代不同的計(jì)算卸載策略數(shù)目；

步驟2（種群初始化）：根據(jù)式（10）得出每種計(jì)算卸載策略對應(yīng)的染色體的適應(yīng)度。

步驟3（選擇操作）：將本次迭代中所有可能的計(jì)算卸載策略按照其概率Pi（可根據(jù)式（9）計(jì)算每種計(jì)算卸載策略的選擇概率）大小進(jìn)行累加排序。如果Pi＞Pr（與本次迭代染色體數(shù)目相同0-1之間的隨機(jī)數(shù)Pr，在排序時均勻產(chǎn)生），那么就選擇該計(jì)算卸載策略進(jìn)行后續(xù)操作，持續(xù)此選擇操作直到能夠選出足夠數(shù)量的計(jì)算卸載策略，并根據(jù)輪盤賭的方法選出最優(yōu)解。

步驟4（終止條件判斷）：判斷是否滿足終止條件，滿足則終止算法，輸出最優(yōu)計(jì)算卸載策略Ai及系統(tǒng)對應(yīng)時延，否則進(jìn)行步驟5。

步驟5（交叉操作）：每次將兩個卸載策略分為一組，根據(jù)概率PJ令這兩種卸載策略進(jìn)行交叉操作來產(chǎn)生新的計(jì)算卸載策略，根據(jù)玻爾茲曼機(jī)制判斷是否接受新的染色體。

步驟6（變異操作）：在每種計(jì)算卸載策略的三個點(diǎn)位上以概率Pm來進(jìn)行變異操作，并根據(jù)玻爾茲曼機(jī)制判斷是否接受新的染色體。

步驟7（更新禁忌表）：將已經(jīng)選擇的最優(yōu)解放入禁忌表避免被重復(fù)選擇。

步驟8（收斂性判斷）：如果滿足收斂條件則執(zhí)行步驟7，否則降低溫度并返回步驟3。并選擇出適應(yīng)度值最小的計(jì)算卸載策略Ai并終止循環(huán)。

步驟9（確定候選解）：將當(dāng)前解作為TS算法的初始解，生成當(dāng)前解的鄰域，并從該鄰域中確定候選解。

步驟10（判斷是否滿足大赦準(zhǔn)則）：判斷候選解是否滿足大赦準(zhǔn)則，如果滿足，則以候選解作為當(dāng)前最優(yōu)解，更新表和當(dāng)前狀態(tài)，返回步驟3，否則執(zhí)行下一個操作。

步驟11：選擇最優(yōu)解作為當(dāng)前解，然后返回到步驟3。

5 仿真與分析

根據(jù)水庫大壩云邊協(xié)同計(jì)算卸載模型，本文采用Matlab2019軟件模擬了在水庫大壩業(yè)務(wù)應(yīng)用背景下邊緣節(jié)點(diǎn)和云中心協(xié)同處理多個計(jì)算任務(wù)的網(wǎng)絡(luò)場景［15］。設(shè)邊緣節(jié)點(diǎn)數(shù)為J=6，每個節(jié)點(diǎn)任務(wù)數(shù)為10。其他仿真參數(shù)由表1所示。我們設(shè)置迭代次數(shù)G=100，這是由于SAGTSA算法經(jīng)過多次實(shí)驗(yàn)驗(yàn)證發(fā)現(xiàn)其在迭代100次以內(nèi)均可實(shí)現(xiàn)穩(wěn)定收斂。SAGTSA算法中種群數(shù)量S=70，染色體的初始交叉概率為PJ0=0.6，初始變異概率為Pm0=0.07，變異點(diǎn)數(shù)目為3。禁忌表長度L=5，冷卻率ε=0.98。

表1 主要仿真參數(shù)

本文對系統(tǒng)時延隨邊緣節(jié)點(diǎn)任務(wù)數(shù)的變化做出了仿真實(shí)驗(yàn)與分析，并為突出本文云邊協(xié)同方案的優(yōu)越性，找到三個對比方案，分別為：1）僅邊方案（Only Edge Computation Scheme，OECS）：邊緣節(jié)點(diǎn)收到的任務(wù)不上傳到云中心均在邊緣節(jié)點(diǎn)執(zhí)行，主要為信息獲取業(yè)務(wù)，簡稱OECS；2）僅云方案（Only Cloud Computation Scheme，OCCS）：邊緣節(jié)點(diǎn)收到的任務(wù)都不經(jīng)邊緣節(jié)點(diǎn)處理都上傳到云中心的服務(wù)器執(zhí)行。主要為決策分析業(yè)務(wù)和大壩壩體變形監(jiān)測業(yè)務(wù)等，簡稱OCCS；3）隨機(jī)卸載方案（Random Unloading Scheme，RUS）：邊緣節(jié)點(diǎn)收到的任務(wù)隨機(jī)上傳至云中心或留在邊緣節(jié)點(diǎn)進(jìn)行處理，渠道站點(diǎn)視頻監(jiān)控業(yè)務(wù)為主。

本文對SAGTSA算法在邊緣節(jié)點(diǎn)收到不同任務(wù)數(shù)的情況下的所得到的迭代收斂效果進(jìn)行了驗(yàn)證分析，如圖4所示，以證實(shí)在有限的迭代次數(shù)內(nèi)SAGTSA算法能夠?qū)崿F(xiàn)穩(wěn)定收斂。圖4中，SAGTSA算法在邊緣節(jié)點(diǎn)收到不同任務(wù)數(shù)的情況下得到的系統(tǒng)執(zhí)行時延隨著迭代次數(shù)的逐漸增大逐漸減小，除了一部分情況在迭代100次以內(nèi)實(shí)現(xiàn)穩(wěn)定收斂以外，大部分大約在迭代30次時均可實(shí)現(xiàn)其對應(yīng)情況下的實(shí)現(xiàn)穩(wěn)定收斂并得到其對應(yīng)計(jì)算卸載最優(yōu)解。經(jīng)過仿真分析，可以看出SAGTSA算法的運(yùn)算量較低，并且其在邊緣節(jié)點(diǎn)收到不同的任務(wù)數(shù)的情況下都能實(shí)現(xiàn)在有限迭代次數(shù)內(nèi)的達(dá)到速度較快的穩(wěn)定收斂的指標(biāo)。

圖4 SAGTSA算法迭代收斂

如圖5，方案OECS中，仿真發(fā)現(xiàn)當(dāng)實(shí)驗(yàn)中每個邊緣節(jié)點(diǎn)收到的任務(wù)數(shù)增加時，系統(tǒng)時延也隨之增加，這是由于OECS僅依賴于邊緣節(jié)點(diǎn)的計(jì)算資源，在增加任務(wù)數(shù)而節(jié)點(diǎn)數(shù)量不變的情況下，每個任務(wù)分配到的計(jì)算資源相對減少。

圖5 不同卸載策略對系統(tǒng)時延的影響

方案OCCS中，實(shí)驗(yàn)中當(dāng)回程通信能力固定時，同理，由于方案OCCS依賴于云中心的計(jì)算能力，系統(tǒng)時延隨節(jié)點(diǎn)任務(wù)數(shù)增加（此時單個任務(wù)分到的計(jì)算資源減少）而增加。但當(dāng)節(jié)點(diǎn)收到的任務(wù)數(shù)增加時，由于云中心計(jì)算能力遠(yuǎn)大于單個邊緣節(jié)點(diǎn)，方案OCCS相較方案OECS而言影響較小，云中心計(jì)算資源遠(yuǎn)大于單個邊緣節(jié)點(diǎn)計(jì)算資源。在方案RUS中，相較于前兩種方案其具有更好的系統(tǒng)時效性。但隨著節(jié)點(diǎn)任務(wù)數(shù)的增多邊云各自需要處理的任務(wù)也會較多。此時并行處理的優(yōu)勢降低，其系統(tǒng)時延趨勢逐漸趨向方案OCCS。而本文提出的云邊協(xié)同方案克服了隨機(jī)策略的缺陷，其可根據(jù)節(jié)點(diǎn)任務(wù)數(shù)和邊云計(jì)算資源等參數(shù)自適應(yīng)做出卸載決策，相較前三種方案有更低的系統(tǒng)時延。

此外，為突出本文SAGTSA算法的收斂效果，本文與三個經(jīng)典傳統(tǒng)算法做出效果對比，分別為：1）GA優(yōu)化［15］（Genetic Algorithm Optimization）：將傳統(tǒng)遺傳算法應(yīng)用到云邊協(xié)同計(jì)算卸載策略中，簡稱GA；2）AFSA優(yōu)化（Artificial Fish Swarm Algorithm Optimization）：將文獻(xiàn)［12］傳統(tǒng)人工魚群算法應(yīng)用到云邊協(xié)同計(jì)算卸載策略中，簡稱AFSA；3）PSO方案（Particle Swarm Optimization）：將文獻(xiàn)［16～17］中粒子群優(yōu)化算法應(yīng)用到視頻監(jiān)控系統(tǒng)的云邊協(xié)同計(jì)算卸載策略中，簡稱PSO。

圖6～圖8是SAGTSA與其他算法之間優(yōu)化效果對比。圖7進(jìn)一步驗(yàn)證了當(dāng)J=6，任務(wù)數(shù)為10，Dj，i=500KB時的迭代收斂情況。隨著迭代次數(shù)的增加，四種算法的平均適應(yīng)度值均不同程度地增加，本文的SAGTSA算法對應(yīng)的適應(yīng)度值最高。這主要是由于SAGTSA算法結(jié)合模擬退火算法和禁忌搜索策略對傳統(tǒng)GA算法進(jìn)行了改進(jìn)，使得其能跳出局部最優(yōu)解的能力增強(qiáng)。其他方案由于參數(shù)相對固定，跳出局部最優(yōu)解的能力有限。圖7驗(yàn)證了不同算法隨任務(wù)數(shù)的變化對時延的影響，可以看出隨任務(wù)數(shù)的增加，各個算法產(chǎn)生的系統(tǒng)時延也隨之增加，而本文的SAGTSA算法明顯優(yōu)于其他算法。圖8中，驗(yàn)證了在任務(wù)數(shù)為5，J=6時，隨節(jié)點(diǎn)輸入數(shù)據(jù)量的變化任務(wù)平均時延的變化。可以看出，隨數(shù)據(jù)量的增加，各個算法得出的任務(wù)平均時延均不同程度的增加，本文的SAGTSA算法在尋優(yōu)方面體現(xiàn)了較強(qiáng)的優(yōu)越性。

圖6 不同算法間的迭代性能比較

圖7 不同算法隨任務(wù)數(shù)的變化對時延的影響

圖8 隨節(jié)點(diǎn)輸入數(shù)據(jù)量任務(wù)平均時延的變化

6 結(jié)語

本文提出了一種在云邊協(xié)同架構(gòu)下水庫大壩優(yōu)化系統(tǒng)時延的方法，通過部署在區(qū)域公司集控側(cè)的SAGTSA算法對邊緣節(jié)點(diǎn)收到的任務(wù)進(jìn)行卸載決策，利用邊云協(xié)同處理來減小任務(wù)的計(jì)算時延，將一部分任務(wù)留在邊緣節(jié)點(diǎn)處理，剩余的任務(wù)全部上傳至云中心處理，仿真結(jié)果證明此方案使系統(tǒng)具有較高的系統(tǒng)時效性。