陳 剛 王志堅

（廣州華商學(xué)院數(shù)據(jù)科學(xué)學(xué)院 廣州 511300）

1 引言

移動邊緣計算是一種新型網(wǎng)絡(luò)信息處理方式，把原本處于在云計算平臺的功能與服務(wù)安置在移動網(wǎng)絡(luò)邊緣［1～3］，在移動邊緣網(wǎng)絡(luò)處理此類服務(wù)需要的通信與計算資源，減少網(wǎng)絡(luò)服務(wù)時延。但移動邊緣計算擁有較多設(shè)備與邊緣服務(wù)器，怎樣在全局范圍挑選恰當(dāng)邊緣服務(wù)器進行任務(wù)卸載［4～5］，合理分配節(jié)點資源，給用戶提供最優(yōu)質(zhì)的數(shù)據(jù)服務(wù)，是亟待研究的重要問題。

文獻［6］構(gòu)建移動邊緣計算網(wǎng)絡(luò)系統(tǒng)，將計算任務(wù)分配至相鄰節(jié)點和移動邊緣計算服務(wù)器中，使用馬爾科夫優(yōu)化獲取計算任務(wù)決策，對比任務(wù)執(zhí)行時長以得到卸載最優(yōu)模式。文獻［7］創(chuàng)立一個涵蓋云服務(wù)器的邊緣計算卸載模型，構(gòu)建以能耗為懲罰項的代價函數(shù)，將計算任務(wù)卸載策略擬作人工蜂群算法代價函數(shù)尋優(yōu)，最終得到對應(yīng)卸載方案。上述方法均是在系統(tǒng)參數(shù)已知情況下進行任務(wù)卸載，但在真實場景中用戶很難得到系統(tǒng)信息，因此上述兩種方法應(yīng)用范圍具有一定局限性。

由此，本文以免疫優(yōu)化為基礎(chǔ)，設(shè)計一種移動邊緣計算任務(wù)卸載方法，剖析移動邊緣計算網(wǎng)絡(luò)特征，通過任務(wù)卸載時間與能耗兩方面構(gòu)建任務(wù)卸載時間與能耗模型，以最優(yōu)任務(wù)卸載時間和最優(yōu)能耗為目標(biāo)采用免疫優(yōu)化算法得到最佳任務(wù)卸載策略，并在實驗分析中從不同層面表明了本文方法的實用性。

2 移動邊緣計算網(wǎng)絡(luò)

考慮一個如圖1 所示的移動邊緣計算網(wǎng)絡(luò)場景，網(wǎng)絡(luò)中包含數(shù)據(jù)采集終端、基站與服務(wù)器等元素［8］。設(shè)定該網(wǎng)絡(luò)具有a個天線的邊緣計算節(jié)點，通過協(xié)作模式給若干手持單天線移動設(shè)施的用戶提供數(shù)據(jù)服務(wù)。每個用戶i均擁有一個計算請求，記作：

圖1 移動邊緣計算網(wǎng)絡(luò)模型

其中，ei表示待計算信息，φi是卸載服務(wù)器數(shù)量，ci為信息所屬類型。

一般情況下，任務(wù)卸載對儲存的需求較高，資源受限并使用電池供能的移動設(shè)施，不能直接在本地處理用戶請求。為處理此類問題，移動設(shè)施只簡單處理輸入信息，再把信息傳遞至基站，基站執(zhí)行計算任務(wù)后把結(jié)果回饋給用戶。

為減少網(wǎng)絡(luò)能耗，基站之間要通過協(xié)調(diào)合作的模式處理用戶請求［9］。設(shè)定下行鏈路通過廣播傳遞信息［10］，則用戶i接收到的基站信號為

其中，K代表全部計算任務(wù)的下標(biāo)集合，l表示基站信號發(fā)射距離，vml是波束成形矢量，oim是信道系數(shù)矢量，Cl為參與執(zhí)行任務(wù)的基站下標(biāo)集合，表明一個計算任務(wù)很可能被多個基站執(zhí)行，zi是高斯白噪聲。

將信號干擾噪聲比記作：

其中，表示方差。

假設(shè)Pmax為基站b的最高運行功率，則基站b的最高功率約束條件為

其中，I(b∈Ci)為指示函數(shù)，v'bi表示波束發(fā)射時間。

3 任務(wù)卸載指標(biāo)建模

通過上述明確的移動邊緣計算網(wǎng)絡(luò)運行規(guī)律，本文從任務(wù)卸載時間與能耗兩方面創(chuàng)建任務(wù)卸載指標(biāo)模型［11］，明確移動終端計算任務(wù)屬性，以便達到任務(wù)卸載資源快速分配。

3.1 任務(wù)卸載時間模型

任務(wù)卸載時間模型涵蓋計算任務(wù)qi的推導(dǎo)時間與邊緣計算環(huán)境下各層資源數(shù)據(jù)的傳輸時間。將計算資源集合記作T=(T1，T2，…，Tk)，任意計算資源Tk均能利用廣域網(wǎng)完成通信。依照移動邊緣計算網(wǎng)絡(luò)不同的任務(wù)卸載措施，把計算資源劃分為終端設(shè)施Uend、邊緣服務(wù)器Uedge與云服務(wù)器Ucloud。各計算資源Tk均擁有相對的計算任務(wù)處理速率，uend、uedgek與ucloudk依次為終端設(shè)施、邊緣服務(wù)器與云服務(wù)器相對應(yīng)的計算任務(wù)處理速率。

設(shè)定任務(wù)qi的負(fù)載值為wi、輸入信息為ini和輸出信息為outi。若任務(wù)qi被分配至資源Tk，則任務(wù)計算時間的表達式為

任務(wù)qi是有向邊前置移動邊緣網(wǎng)絡(luò)層的計算任務(wù)，而移動終端設(shè)施、邊緣服務(wù)器與云服務(wù)器之間的通信帶寬各不相等，也就是邊緣服務(wù)器采用速率快的局域網(wǎng)實現(xiàn)通信［12］，云服務(wù)器采用速率較慢的廣域網(wǎng)實現(xiàn)通信。兩個卸載任務(wù)的通信時間會依照前置任務(wù)卸載位置產(chǎn)生變化，則任務(wù)通信時間為

其中，DL、DW依次為局域網(wǎng)和廣域網(wǎng)的帶寬，Outi是前置移動邊緣網(wǎng)絡(luò)計算任務(wù)的輸出值，Ui、Uj表示有向邊集合的兩條邊。

3.2 任務(wù)卸載能耗模型

移動終端設(shè)施的能耗Gend憑借任務(wù)在不同卸載策略下執(zhí)行能耗和信息傳輸能耗組成［13］，涵蓋任務(wù)在終端設(shè)施執(zhí)行能耗、任務(wù)信息傳輸至云服務(wù)器的能耗與任務(wù)執(zhí)行完畢后回傳信息的接收能耗，將此過程記作：

其中，δend、δup、δdown依次代表終端執(zhí)行功率、上傳功率與接收功率，tend、tup、tdown依次為終端執(zhí)行時間、上傳時間與接收時間，將其進一步拓展為

其中，Mi表示待卸載任務(wù)總和。從式（8）～（10）中可知：Ui執(zhí)行資源Ui∈Uend時，終端設(shè)施是信息發(fā)送方；Uj執(zhí)行資源Uj∈Uend時，終端設(shè)施是信息接收方。

時延與能耗的最小化是待優(yōu)化目標(biāo)，全方位考慮網(wǎng)絡(luò)響應(yīng)時間與終端能耗，利用權(quán)重系數(shù)推算時延與能耗之間的比例，融合兩個目標(biāo)創(chuàng)建最小化綜合代價約束模型，記作：

其中，z(X)為綜合代價因子，τ是計算任務(wù)的響應(yīng)時延，EC是移動終端能耗，η為權(quán)重指數(shù)，是子任務(wù)分配計算資源約束條件，xi表示任務(wù)總數(shù)，ri表示任務(wù)分配時間。

4 移動邊緣計算任務(wù)卸載實現(xiàn)

為合理完成移動邊緣計算任務(wù)卸載，以最小化延時與能耗作為優(yōu)化目標(biāo)，提出基于免疫優(yōu)化的移動邊緣計算任務(wù)卸載方法。免疫優(yōu)化算法擁有結(jié)構(gòu)簡單和并行處理的巨大優(yōu)勢，將其引入式（11）可得到較優(yōu)的任務(wù)卸載方案。以下為運算詳細(xì)過程。

把移動終端的一個計算任務(wù)劃分成若干子任務(wù)［14］，移動終端在同一時段僅能處理一個子任務(wù)。初始化移動邊緣計算網(wǎng)絡(luò)參數(shù)與免疫算法參數(shù)，譬如種群規(guī)模、變異概率等。

親和度代表抗體與抗原的融合水平，親和度算子一般以函數(shù)形式出現(xiàn)，將其記作：

式中，xd代表抗體。

二進制編碼抗體xd，利用變異算子對抗體實施變異操作?？贵w濃度值可展現(xiàn)抗體種群多樣性的優(yōu)劣，若某種抗體濃度較高，極易產(chǎn)生局部最優(yōu)。將抗體濃度表示為

式中，den(Xi)是種群抗體濃度，e'是種群抗體數(shù)量，S(Xi，Xj)是兩個抗體間的相似度，γ是相似度臨界值，aff(Xi，Xj)為兩個抗體間的親和度函數(shù)，l'表示子任務(wù)數(shù)量，φk是抗體第k個決策變量。

通常意義下，親和度大而濃度低的抗體應(yīng)當(dāng)具備較高的激勵度，激勵度函數(shù)解析式為

式中，sim(Xi)代表任務(wù)卸載策略的激勵度，?、ξ依次為抗體親和度與濃度的權(quán)重指數(shù)。

將抗體激勵度值進行升序排列［15］，挑選前二分之一的抗體實施變異與抑制等操作，產(chǎn)生全新種群，計算新種群激勵度，評判是否滿足循環(huán)終止條件，若滿足條件則求解最佳抗體，即得到最滿足當(dāng)前計算條件的任務(wù)卸載方案。

5 實驗與性能分析

5.1 實驗準(zhǔn)備

利用實驗分析評價本文方法性能，以本地執(zhí)行策略（無任務(wù)卸載機制）為衡量標(biāo)準(zhǔn)，將文獻［6］馬爾科夫優(yōu)化法和文獻［7］改進人工蜂群算法作為對比方法，從任務(wù)卸載能耗、延時、用戶移動設(shè)備系統(tǒng)吞吐量、任務(wù)丟棄率四個方面進行實驗分析。

實驗平臺為Matlab，搭建如下實驗環(huán)境：無線訪問點覆蓋半徑為1.5km，具備5 條無線信道，網(wǎng)絡(luò)信道帶寬是2MHz，信噪噪聲功率為-110dBm，路徑衰減因子為2.5。多個移動設(shè)施任意分布無線訪問點覆蓋范圍內(nèi)，邊緣云服務(wù)器處于無線訪問點周邊。實驗使用不同類型移動設(shè)施，CPU處理能力也各不相等。

5.2 實驗結(jié)果與性能分析

圖2 是幾種方法不同移動設(shè)施下的平均能耗結(jié)果。

圖2 任務(wù)卸載平均能耗結(jié)果對比

從圖2 中看出，本地執(zhí)行策略的平均能耗處于25.3J 左右，其他三種方法得到的能耗均值均低于本地執(zhí)行策略，表明任務(wù)卸載能優(yōu)化設(shè)備能耗。

在50 個移動設(shè)備狀態(tài)下，三種卸載方法的能耗值基本相同，但伴隨移動設(shè)施個數(shù)的增長，能耗均值也隨之上升。原因在于：較多設(shè)施同時訪問一個無線信道進行任務(wù)卸載會產(chǎn)生信道沖突。此種情況下，本文方法優(yōu)勢逐漸凸顯，平均能耗值要明顯低于兩個文獻方法，擁有更好的節(jié)能效果。

用戶使用移動設(shè)施執(zhí)行任務(wù)卸載的平均延時實驗結(jié)果如圖3所示。

圖3 任務(wù)卸載平均延時結(jié)果對比

觀察圖3 看到，本地執(zhí)行策略下平均延時約為22.6s，三種方法下任務(wù)卸載延時均有大幅度減少。伴隨移動設(shè)施個數(shù)的增長，三種方法延時均呈上升趨勢，但本文方法任務(wù)卸載延時最少。出現(xiàn)此種現(xiàn)象的原因在于：本文使用免疫優(yōu)化算法分析待分配任務(wù)的時序依賴關(guān)系，優(yōu)化了任務(wù)卸載的計算時間與通信時間，從而降低任務(wù)卸載延時。

圖4 是各種任務(wù)卸載方法在移動設(shè)施上吞吐量的變化趨勢對比，本地執(zhí)行策略不需要傳輸信息，吞吐量始終等于0。

圖4 移動設(shè)施吞吐量變化趨勢對比

從圖4 中看出，即便本文方法在初始狀態(tài)下吞吐量小于馬爾科夫優(yōu)化法和改進人工蜂群算法，但伴隨移動設(shè)備數(shù)量增多，對應(yīng)的信道通信干擾也持續(xù)變大，數(shù)據(jù)傳輸速率變緩。此種狀態(tài)下，與兩個文獻方法相比，本文方法吞吐量下降態(tài)勢更為緩慢，展現(xiàn)出更強的信息傳輸能力，可滿足大規(guī)模移動終端設(shè)施高效率任務(wù)卸載需求。

圖5 是本文方法與兩個文獻方法的任務(wù)丟棄率伴隨任務(wù)到達率的變化情況，設(shè)定移動設(shè)施個數(shù)為8。

圖5 任務(wù)丟棄率隨任務(wù)到達率的變化趨勢對比

從圖5 可知，任務(wù)到達率為50%時，本文方法、馬爾科夫優(yōu)化法與改進人工蜂群算法的任務(wù)丟棄率分別為3%、4.8%和5.9%，伴隨任務(wù)到達率的提高，馬爾科夫優(yōu)化法、改進人工蜂群算法的任務(wù)丟棄率增長幅度較大，任務(wù)抵達率為100%時，兩個文獻方法的任務(wù)丟棄率分別為21.8%與14.7%，在大規(guī)模任務(wù)卸載背景下，無法勝任高強度卸載工作，數(shù)據(jù)完整性較差。而本文方法始終維持較小的任務(wù)丟棄率，即便任務(wù)到達率為100%，也就是每個時隙均有任務(wù)到達，任務(wù)丟棄率也始終保持在5%左右，可靠性更強。

綜合實驗結(jié)果來看，在無線訪問點及信道個數(shù)固定狀態(tài)下，本文方法在真實移動邊緣計算任務(wù)卸載環(huán)境中具備更好的資源分配優(yōu)勢，符合用戶日常數(shù)據(jù)處理需求。

6 結(jié)語

現(xiàn)階段，針對移動邊緣計算的研究受到業(yè)內(nèi)人士的矚目，任務(wù)卸載是移動邊緣計算中的核心技術(shù)，在提升資源存儲空間與服務(wù)性能方面作出巨大貢獻。為實現(xiàn)預(yù)期的高效率數(shù)據(jù)處理目標(biāo)，利用免疫優(yōu)化算法完成移動邊緣計算任務(wù)卸載。通過構(gòu)建任務(wù)卸載待優(yōu)化指標(biāo)模型，運用免疫算法求解最佳卸載策略。在實驗分析中，證明了本文方法在能耗、時效性及卸載穩(wěn)定性方面的優(yōu)勢，魯棒性強。