摘 要：隨著物聯(lián)網(wǎng)技術(shù)快速發(fā)展，超可靠低時延通信（uRLLC）無線傳感器網(wǎng)絡(luò)在智能制造、智能交通和遠程醫(yī)療等領(lǐng)域展現(xiàn)出巨大的應用潛力。然而，這些領(lǐng)域?qū)W(wǎng)絡(luò)的實時性、可靠性和擴展性提出了極高要求。邊緣計算與分布式處理技術(shù)的結(jié)合，為uRLLC無線傳感器網(wǎng)絡(luò)提供了有效解決方案。本文概述了邊緣計算技術(shù)，探討了計算遷移策略、邊緣設(shè)備部署與資源管理、分布式處理框架設(shè)計、分布式任務(wù)調(diào)度算法以及數(shù)據(jù)分布式存儲與處理策略，并分析了這些技術(shù)對uRLLC性能的提升作用。

關(guān)鍵詞：邊緣計算；uRLLC；設(shè)備部署；數(shù)據(jù)分布式存儲" " " 中圖分類號：TN 929" " 文獻標志碼：A

uRLLC無線傳感器網(wǎng)絡(luò)是一種新興的網(wǎng)絡(luò)架構(gòu)，旨在滿足對時延和可靠性要求極高的應用場景。然而，傳統(tǒng)的云計算模式存在數(shù)據(jù)傳輸延遲和帶寬限制問題，不能滿足uRLLC的嚴苛要求。而邊緣計算技術(shù)可以將計算能力下沉到網(wǎng)絡(luò)邊緣，能夠?qū)崿F(xiàn)數(shù)據(jù)的本地化處理，有效降低時延，提高系統(tǒng)的實時性和可靠性。同時，分布式處理技術(shù)能夠進一步提升系統(tǒng)的處理效率和擴展性。

1 邊緣計算技術(shù)

邊緣計算是一種將計算資源和數(shù)據(jù)存儲置于數(shù)據(jù)產(chǎn)生地附近的分布式架構(gòu)，主要包括霧計算、海計算、智能邊緣計算和移動邊緣計算4種類型。這些技術(shù)能夠在網(wǎng)絡(luò)邊緣處理數(shù)據(jù)，降低了延遲和帶寬消耗，提高了響應速度和用戶體驗，并且能夠適用于不同場景，例如自動駕駛、智慧城市和智能家居等。邊緣計算的優(yōu)勢包括低時延、高可靠性和良好的擴展性，能夠減少數(shù)據(jù)傳輸延遲，提高計算效率，并能根據(jù)需求靈活擴展計算資源[1]。

2 計算遷移策略

在uRLLC無線傳感器網(wǎng)絡(luò)中，計算遷移策略對優(yōu)化資源利用和降低時延至關(guān)重要。在計算遷移策略中，成本是一個重要的考慮因素。成本包括遷移成本和通信成本。成本是負向型指標，值越小，說明方案效果越好[2]。遷移成本與遷移的距離、單位遷移成本成正比，具體計算如公式（1）所示。

式中：Cm為遷移成本；si為源位置；sj為目標位置；Wm為單位遷移成本；dsi，sj為遷移的距離。

公式（1）說明Cm隨著dsi，sj的增加而增加，并且增加比例由Wm決定。

在將計算任務(wù)從一個環(huán)境遷移到另一個環(huán)境，例如從本地服務(wù)器遷移到云端服務(wù)器過程中，時延是一個非常重要的評估指標。時延指的是從任務(wù)開始到任務(wù)完成所需的總時間，包括傳輸時延（TP）和計算時延（Tc），其中傳輸時延（TP）與數(shù)據(jù)傳輸量、帶寬、網(wǎng)絡(luò)延遲和網(wǎng)絡(luò)拓撲結(jié)構(gòu)等相關(guān)；Tc與MEC數(shù)據(jù)中心的虛擬機處理能力和任務(wù)計算量有關(guān)。

根據(jù)應用需求和網(wǎng)絡(luò)負載情況動態(tài)調(diào)整計算任務(wù)的遷移策略，可以保證計算資源的合理利用和任務(wù)的低時延處理。例如，可以優(yōu)先在邊緣設(shè)備處理時延敏感的任務(wù)，也可以考慮將計算資源需求較大的任務(wù)遷移到云端進行處理。

3 邊緣設(shè)備部署與資源管理

邊緣設(shè)備的合理部署和資源管理對提升uRLLC無線傳感器網(wǎng)絡(luò)的性能至關(guān)重要。規(guī)劃邊緣設(shè)備的部署位置可以保證數(shù)據(jù)在網(wǎng)絡(luò)邊緣得到及時處理，減少數(shù)據(jù)傳輸延遲。同時，優(yōu)化資源管理策略，例如動態(tài)調(diào)整計算資源和存儲資源的分配可以提高邊緣計算的性能和效率。

邊緣設(shè)備部署的關(guān)鍵是找到一個平衡點，既能控制部署成本，又能快速處理用戶請求，即實現(xiàn)低延遲。為了綜合考慮邊緣計算資源的部署成本與用戶訪問的總延遲成本，本文構(gòu)建了一個優(yōu)化模型，如公式（2）所示。

式中：Γ為總成本或總目標函數(shù)值；I為邊緣設(shè)備的集合；fi為邊緣設(shè)備i的固定部署成本；gi為邊緣設(shè)備i的單位資源使用成本；χi為邊緣設(shè)備i的資源使用率，取值為0～1，表示設(shè)備i當前已使用的資源比例；yi為二進制變量（0或1），表示邊緣設(shè)備i是否被部署或激活，如果yi=1，那么設(shè)備i被部署，如果yi=0，那么設(shè)備i未被部署；?為調(diào)節(jié)常量，用于在訪問總延遲代價和邊緣服務(wù)器部署代價間取得平衡，它可以根據(jù)具體的應用場景和需求進行調(diào)整；ωj為用戶請求j的權(quán)重；xij為另一個二進制變量（0或1），表示用戶請求j是否由邊緣設(shè)備i處理，如果xij=1，那么請求j由設(shè)備i處理，如果xij=0，那么請求j不由設(shè)備i處理；dij為用戶請求j從產(chǎn)生到被邊緣設(shè)備i處理的延遲。

本文運用貪婪算法來優(yōu)化邊緣設(shè)備的部署和用戶請求的分配。1） 進行初始化。假定所有邊緣設(shè)備yi=0，所有用戶請求xij=0，初始化總成本Γ=0。2） 進行邊緣設(shè)備部署。對于每個邊緣設(shè)備i∈I，假設(shè)部署該設(shè)備（即設(shè)置yi=1），計算部署該設(shè)備后的額外成本，包括固定成本fi和資源使用成本gi。選擇額外成本最小的設(shè)備進行部署，并更新總成本Γ。如果部署該設(shè)備后總成本增加，那么撤銷部署（即設(shè)置yi=0），并繼續(xù)考慮下一個設(shè)備。3） 對用戶請求進行分配。對于每個用戶請求j∈J，在已部署的邊緣設(shè)備中找到使ωj、xij和dij最小的設(shè)備i（即找到延遲最小的設(shè)備i來處理請求j，并將請求j分配給該設(shè)備（即設(shè)置xij=1））。進而更新總成本Γ，加上此次分配的延遲成本。4） 迭代優(yōu)化。重復步驟二和步驟三，直到無法進一步降低總成本?；蜻_到預設(shè)的停止條件（例如迭代次數(shù)、時間限制等）。5） 輸出最終的邊緣設(shè)備部署方案（即被部署的設(shè)備），輸出用戶請求分配方案（即每個請求被分配給哪個設(shè)備），并輸出總成本Γ。

4 分布式處理框架設(shè)計

為了進一步提升uRLLC無線傳感器網(wǎng)絡(luò)的處理效率和擴展性，需要設(shè)計分布式處理框架。該框架可以將計算任務(wù)分解為多個子任務(wù)，并在網(wǎng)絡(luò)中的多個節(jié)點上并行處理。進行分布式處理，可以充分利用網(wǎng)絡(luò)中的計算資源，提高處理速度和效率。同時，分布式處理框架還支持任務(wù)的動態(tài)調(diào)度和負載均衡，保證系統(tǒng)的穩(wěn)定性和可靠性。

5 分布式任務(wù)調(diào)度算法

分布式任務(wù)調(diào)度算法是分布式處理框架的核心組成部分。該算法根據(jù)任務(wù)的需求和節(jié)點的能力，動態(tài)分配和調(diào)度計算任務(wù)，對大規(guī)模數(shù)據(jù)的處理十分重要。

本文以MapReduce算法為基礎(chǔ)，進行大規(guī)模數(shù)據(jù)處理，數(shù)據(jù)的分布對MapReduce的性能具有重大影響。如果數(shù)據(jù)分布均勻，每個Map任務(wù)處理的數(shù)據(jù)量大致相同，那么處理效率會更高。反之，如果數(shù)據(jù)傾斜嚴重（即某些關(guān)鍵詞在少數(shù)幾個Map任務(wù)中出現(xiàn)頻率極高），那么可能會導致這些任務(wù)成為瓶頸，影響整體性能。針對分布式環(huán)境下的大規(guī)模數(shù)據(jù)處理，本文利用MapReduce算法中的Reduce步驟，將Map步驟生成的多個key-value對進行聚合處理，其求解過程如公式（3）所示。

式中：F（k）為關(guān)鍵詞k的總數(shù)；f（ki）為第i個Map任務(wù)中關(guān)鍵詞k的數(shù)量；n為Map任務(wù)的數(shù)量。

為了提高MapReduce作業(yè)的性能，本文引入聚合函數(shù)R，并定義一個集合{f（ki）}ni=1來表示所有Map任務(wù)的輸出結(jié)果，進而對公式（3）進行改進，以提高了MapReduce作業(yè)的性能，如公式（4）所示。

式中：R為聚合函數(shù)，它能夠?qū)⒍鄠€Map任務(wù)產(chǎn)生的中間結(jié)果（即f（ki）的值）進行匯總或合并，得到最終結(jié)果F（k）；{f（ki）}ni=1為一個集合或序列，其中包括所有Map任務(wù)對關(guān)鍵詞k產(chǎn)生的中間結(jié)果。

在uRLLC無線傳感器網(wǎng)絡(luò)中，還可以采用基于優(yōu)先級和負載均衡的調(diào)度算法，優(yōu)先處理時延敏感任務(wù)，并保證各節(jié)點負載均衡，避免資源過載或閑置（受篇幅所限，不再贅述）。

6 數(shù)據(jù)分布式存儲與處理策略

數(shù)據(jù)分布式存儲與處理策略對提升uRLLC無線傳感器網(wǎng)絡(luò)的數(shù)據(jù)可靠性和訪問速度具有重要意義。

首先，無線接入網(wǎng)絡(luò)（Radio Access Network，NR）能夠高效、安全地傳輸數(shù)據(jù)（如圖1所示）。NR是用戶接入網(wǎng)絡(luò)的首要環(huán)節(jié)，利用基站或無線電塔與用戶設(shè)備相連，能夠保證數(shù)據(jù)的初步傳輸和用戶的穩(wěn)定接入。

其次，數(shù)據(jù)進入增強型移動寬帶虛擬專用網(wǎng)絡(luò)（eMBB VPN），該環(huán)節(jié)專為高帶寬、低延遲的應用而設(shè)計。eMBB VPN不僅提供了高速的網(wǎng)絡(luò)連接，而且采用加密技術(shù)，保障了數(shù)據(jù)在傳輸過程中的安全性和隱私性。eMBB用戶面功能（UPF）用于數(shù)據(jù)包的路由和轉(zhuǎn)發(fā)，能夠保證數(shù)據(jù)準確無誤地到達下一處理節(jié)點。

再次，數(shù)據(jù)通過超可靠低延遲通信靈活以太網(wǎng)（uRLLC FlexE）進行傳輸。uRLLC FlexE具有高可靠性和極低延遲的特點，能夠為自動駕駛、遠程醫(yī)療等對實時性要求極高的應用提供支持。同時，F(xiàn)lexE的靈活帶寬配置也優(yōu)化了資源使用，降低了延遲。

從次，在uRLLC用戶面功能（UPF）的進一步處理下，數(shù)據(jù)繼續(xù)向中央云（Central-C）匯聚。中央云是整個網(wǎng)絡(luò)架構(gòu)的核心，能夠處理來自各個網(wǎng)絡(luò)節(jié)點的數(shù)據(jù)，利用強大的計算能力和存儲資源，進行數(shù)據(jù)的高效處理、智能決策和靈活資源分配。

最后，為了更好地存儲數(shù)據(jù)，本文基于哈希函數(shù)和取模運算的特性，運用哈希分片實現(xiàn)數(shù)據(jù)在分布式存儲系統(tǒng)中的有效映射和分布。本文將數(shù)據(jù)集劃分為多個較小的數(shù)據(jù)子集，并將這些子集存儲在不同的存儲設(shè)備上[3]，以保證數(shù)據(jù)在分布式存儲系統(tǒng)中的一致性、均勻性和可擴展性。哈希分片過程如公式（5）所示。

式中：H（x）為哈希函數(shù)h（x）對輸入x進行哈希運算，再對N取模后的值，通常是一個整數(shù)，用于確定數(shù)據(jù)在分布式存儲系統(tǒng)中的位置或索引；h（x）為哈希函數(shù)；mod為取模運算，即求余數(shù)；N為存儲設(shè)備的數(shù)量。

采用分布式存儲技術(shù)，可以將數(shù)據(jù)分散存儲在網(wǎng)絡(luò)中的多個節(jié)點上，能夠提高數(shù)據(jù)的可靠性和容錯性。同時，設(shè)計分布式處理策略，對存儲數(shù)據(jù)進行并行處理和分析，可以進一步提高數(shù)據(jù)的處理效率和實時性。

7 邊緣計算與分布式處理對uRLLC性能的提升

應用邊緣計算和分布式處理技術(shù)后，uRLLC無線傳感器網(wǎng)絡(luò)的性能具有顯著提升[4]。首先，邊緣計算降低了數(shù)據(jù)傳輸時延，提高了系統(tǒng)的實時性。其次，分布式處理提高了系統(tǒng)的處理效率和擴展性，支持更多并發(fā)任務(wù)的處理。最后，數(shù)據(jù)分布式存儲與處理策略提高了數(shù)據(jù)的可靠性和訪問速度，為應用提供了更好的數(shù)據(jù)支持。

在邊緣計算中，降低數(shù)據(jù)傳輸時延是一個關(guān)鍵目標。數(shù)據(jù)傳輸總時延（Ttotal）=網(wǎng)絡(luò)傳輸時延（Tnetwork）+數(shù)據(jù)處理時延（Tprocess）+數(shù)據(jù)排除時延（Tqueue）。降低這3個部分的時延，可以顯著提升系統(tǒng)的實時性和處理效率。

在分布式處理系統(tǒng)中，數(shù)據(jù)聚合是一種常見操作。即先將一組數(shù)據(jù)（共有N個數(shù)據(jù)點）的所有值相加求和，再將該總和除以數(shù)據(jù)的總數(shù)，得到這組數(shù)據(jù)的平均值，該值能夠反映這組數(shù)據(jù)的整體水平和中心趨勢，并將多個節(jié)點上的數(shù)據(jù)合并成統(tǒng)一結(jié)果，如公式（6）所示。

式中：avg為平均值；N為數(shù)據(jù)的總數(shù)，是一個正整數(shù)；xi為第i個數(shù)據(jù)點的值，其中i是從1到N的整數(shù)，這組數(shù)據(jù)共有N個數(shù)據(jù)點，因此x1，x2，…，xN分別表示第一個數(shù)據(jù)點、第二個數(shù)據(jù)點……第N個數(shù)據(jù)點的值；∑N i=1xi為從第一個數(shù)據(jù)點到第N個數(shù)據(jù)點的所有值之和。

數(shù)據(jù)聚合有以下3個優(yōu)點。1） 提供全局數(shù)據(jù)。幫助用戶了解數(shù)據(jù)的整體水平和中心趨勢。2） 簡化數(shù)據(jù)分析。將大量復雜的數(shù)據(jù)簡化為一個或若干個關(guān)鍵指標，從而簡化數(shù)據(jù)分析過程。3） 支持決策制定。可以為決策提供有力支持，幫助用戶基于數(shù)據(jù)做出更明智的決策。

數(shù)據(jù)聚合有以下3個缺點。1） 延遲和帶寬消耗。在分布式系統(tǒng)中，數(shù)據(jù)聚合需要將多個節(jié)點上的數(shù)據(jù)傳輸?shù)街行墓?jié)點，可能會引入額外的延遲和帶寬消耗。2） 單點故障風險。如果中心節(jié)點出現(xiàn)故障，數(shù)據(jù)聚合操作可能會受到影響，甚至導致整個系統(tǒng)癱瘓。3） 數(shù)據(jù)隱私和安全。在數(shù)據(jù)傳輸和聚合過程中，可能會涉及數(shù)據(jù)隱私和安全問題，需要采取相應保護措施。為了避免上述缺點，本文采取了以下4個措施。

7.1 分布式聚合

為了減少中心節(jié)點的負載和單點故障風險，本文考慮采用分布式聚合方法。在分布式聚合中，每個節(jié)點都對本地數(shù)據(jù)進行聚合計算，再將聚合結(jié)果發(fā)送到中心節(jié)點，進行最終匯總。

7.2 增量聚合

在實時數(shù)據(jù)流處理場景下，本文采用增量聚合方法。在增量聚合中，每個節(jié)點只計算自上次聚合以來新增數(shù)據(jù)的聚合結(jié)果，并將這些結(jié)果發(fā)送到中心節(jié)點進行更新。

7.3 數(shù)據(jù)壓縮和編碼

為了減少數(shù)據(jù)傳輸量，本文對數(shù)據(jù)進行壓縮和編碼。常用的數(shù)據(jù)壓縮算法包括哈夫曼編碼、算術(shù)編碼等，它們能夠有效縮小數(shù)據(jù)的體積，并加快傳輸速度。

7.4 安全傳輸協(xié)議

為了保護數(shù)據(jù)傳輸過程中的隱私和安全，本文采用安全傳輸協(xié)議，例如SSL/TLS等。這些協(xié)議能夠?qū)?shù)據(jù)進行加密傳輸，防止數(shù)據(jù)被竊取或篡改。

8 結(jié)語

邊緣計算與分布式處理技術(shù)的結(jié)合為uRLLC無線傳感器網(wǎng)絡(luò)提供了強有力的支持。采用優(yōu)化計算遷移策略、邊緣設(shè)備部署與資源管理、分布式處理框架設(shè)計、分布式任務(wù)調(diào)度算法以及數(shù)據(jù)分布式存儲與處理策略，可以顯著提升uRLLC無線傳感器網(wǎng)絡(luò)的性能，滿足對時延和可靠性要求極高的應用場景。未來，隨著技術(shù)不斷發(fā)展，邊緣計算與分布式處理在uRLLC無線傳感器網(wǎng)絡(luò)中的應用將更廣泛、深入。

參考文獻

[1]廖勇，田肖懿，蔡志镕，等.面向c-v2i的基于邊緣計算的智能信道估計[J].電子學報，2021，49（5）：833-842.

[2]朱同先，魏芹，凌威，等.基于5g的移動多接入邊緣計算（mec）研究與應用[J].江蘇通信，2020，36（4）：8-11.

[3]朱虹宇，李挺，閆健恩，等.基于動態(tài)負載均衡的分布式任務(wù)調(diào)度算法研究[J].高技術(shù)通訊，2014（12）：1261-1269.

[4]李紹俊，楊海軍，黃耀歡，等.基于NoSQL數(shù)據(jù)庫的空間大數(shù)據(jù)分布式存儲策略[J].武漢大學學報（信息科學版），2017（2）：163-169.