雙層邊緣計算結構中最小化功率開銷的任務卸載策略

劉 通

(1.重慶工程職業技術學院 信息工程學院， 重慶 402260; 2.重慶郵電大學 通信與信息工程學院， 重慶 400065)

隨著移動通信技術的不斷發展和智能終端設備的逐漸普及，各種新型網絡服務及應用不斷出現，用戶對網絡的服務質量及服務時延等提出了更高的要求。由于智能設備自身計算和存儲能力的局限，將這些應用直接在設備上進行處理顯得不切實際，即便終端設備能夠處理這些應用，但這樣的操作方式會占用較多的計算資源，導致過高的能耗。云計算技術可以有效地整合網絡計算資源及存儲資源，對網絡的整體性能有著極大地提升。將大量的數據遷移至云端，不僅可以大幅降低計算時間，還能進一步節省終端設備的存儲、功率等資源。然而，在未來移動通信網絡中，網絡用戶面將擴展至具有網絡接入功能的一切設備，用戶面的擴大同時意味著數據量的激增。基于云計算的數據處理方式需要將這些海量數據從終端傳送至云端，數據量過多不僅會增加傳輸時延，同時會導致網絡擁塞。虛擬現實、遠程醫療等未來的網絡應用對時延有著極高的要求，繼續采用云計算的方式支持未來的網絡應用勢必會降低用戶的QoE(quality of experience，體驗質量)。通過在靠近用戶的網絡邊緣處部署具有存儲、計算功能的邊緣服務器用于接收和處理用戶數據，邊緣計算能夠有效地解決上述問題。

1 邊緣計算技術概述

邊緣計算技術的核心思想是將原云端服務器提供的功能“下沉”到網絡的邊緣，用戶可以將任務發送至邊緣服務器直接進行處理，從而節約傳輸時間[1]，同時還能減少云端由于大量數據涌入而導致的網絡擁塞問題。邊緣計算中的計算卸載和任務緩存技術能夠滿足未來網絡的應用需求，故而受到了廣泛的關注[2-6]。

然而，由于任務的類型不盡相同，針對不同的任務類型，是否需要進行任務卸載，怎樣進行任務卸載，何時進行卸載，卸載多少任務至網絡邊緣仍是一系列有待研究的問題。文獻[7]在保證業務均能在時延允許范圍內處理完成的條件下，以最小化系統功率消耗為目標構建了優化模型。以卸載比例作為優化解，在傳輸時延、計算時間及執行單任務所消耗的功率受到限制的條件下，構建了以最小化系統功耗為優化目的的凸優化模型，并求解出任務卸載的最佳比例，提出了一種有效節省系統功率開銷的優化任務卸載策略。文獻[8]通過聯合考慮物理層設計和應用程序執行延遲設計了一種節能的自動卸載方案。在MEC(mobile edge computing 移動邊緣計算)環境下，對任務間相互作用所導致的功率消耗進行了數學建模。基于任務交互矩陣來識別任務執行流，并將任務執行流的最大延遲量表征為任務的時延，構建了一種能量有效的任務卸載模型，通過使用啟發式算法進行求解，得到優化的任務卸載方式，并通過仿真分析證明此方案能有效節省能耗。

將任務從終端設備卸載到邊緣服務器會增加傳輸時間，如何保證時延敏感業務在限定時間內順利執行也是一個值得研究的問題。文獻[9]在基于邊緣計算的IoV(internet of vehicles車聯網)系統中，提出了一種能夠卸載的實時流量管理的解決方案，以最大限度地減少車輛事件報告的平均響應時間。通過將停靠在路邊的車輛作為邊緣節點的組網方式，構建了一種分布式城市交通管理系統。之后根據排隊論對停放和移動的基于車輛的邊緣節點進行建模，通過對優化問題進行求解和基于真實場景進行性能分析，證明了此方案的優越性。文獻[10]在多用戶多任務的MEC環境中，將任務的計算時間、傳輸時間和消耗的功率作為系統的整體開銷，提出了一種任務卸載的決策機制。將時間和功耗綜合考慮為系統的整體開銷，并在此基礎上構建了系統的價值函數，同時基于價值函數進行數學優化模型的搭建。通過使用啟發算法對優化模型進行求解，在保證任務均能有效執行的基礎上，最小化了系統整體開銷。雖然目前針對邊緣計算的研究已取得了一定的成果，但在研究過程中仍存在著一些問題和挑戰，如宏-蜂窩通信網絡不能解決熱點區域內數據暴發增長的問題。

本文在宏-微蜂窩通信系統的異構網絡中，提出了一種任務卸載策略。這種策略在保證時延的前提條件下能夠有效地節省系統功率開銷。總體來說，本文的貢獻主要有以下兩個部分：

1) 考慮了一種全新的在宏基站和微基站處均部署邊緣計算服務器的雙層邊緣計算結構，以應對未來網絡中海量的時延敏感業務請求。

2) 為了最大化節省系統資源，在時延受限條件下，在上述邊緣計算結構中，提出了以最小化系統功率消耗為目的的DTOS優化卸載策略，并構建了此優化策略的數學優化模型。為了降低模型的求解復雜度，使用嵌套迭代算法進行優化模型的求解，并最終獲得了最佳分配因子。

2 雙層邊緣系統模型

2.1 系統模型

隨著未來移動通信應用場景的不斷豐富，網絡中的信息傳輸需求隨時間和地點呈現出非均勻的特性。傳統以宏蜂窩為主、以區域覆蓋為目的的移動通信網絡架構將難以應對通信業務需求爆炸式增長的挑戰，而超密集無線網絡被認為是解決此挑戰的創新性變革之一[11]。

為了應對不斷增長的數據容量及服務質量需求，超密集網絡(ultra-dense networks，UDN)可以通過在熱點區域大規模部署微基站(如Microcell、Picocell、Femtocell)來提高系統容量。然而，如果將微基站部署得過于密集將會造成很大的干擾，這些干擾包括微基站之間的同層干擾以及宏基站和毫微微基站的跨層干擾。所以，在熱點區域內微基站的部署也存在數量上的限制。此外，熱點區域內的數據請求量是極大的，在宏基站處部署邊緣服務器可以有效緩解海量數據涌入導致的網絡擁塞，但由于邊緣服務器的計算能力和存儲能力與云端服務器之間還存在較大差距，所以其不能完全處理熱點區域內的所有任務請求。例如。為了實現車輛的自動駕駛，車輛需要具備車道偏離預警、前向碰撞預警、交通標志識別、 車道保持輔助、行人碰撞預警、全景泊車等功能，為了實現以上功能，需要在車身安裝圖像傳感器、超聲波雷達、激光雷達以及毫米波雷達等多個傳感器設備，這些設備在短時間內產生的數據量極為龐大，而在一個宏蜂窩的覆蓋范圍內，理論上可以同時存在幾百輛行駛中的車輛和上萬個接入設備。配置了邊緣服務器的宏蜂窩基站在處理這些由車輛產生的海量數據的同時，還需要兼顧其他的應用(如在某商圈內，行人會通過手機進行在線游戲、觀看4K/8K高清視頻，在此區域內同時還存在AR/VR(augmented reality/virtual reality)實時體驗，銀行中的智能柜員、餐廳中的智能服務等會產生大量數據和任務請求的應用)。海量數據同時涌入宏蜂窩勢必導致服務的排隊，從而引起更高的時延。對于觀看視頻、智能柜員等業務，用戶對于時延的要求不是特別苛刻，但對于車聯網中正在使用自動駕駛功能的車輛，過高的時延極有可能導致嚴重的交通事故。

微蜂窩基站作為一種有效的補充，可以在一定程度上緩解宏蜂窩基站的壓力。但微蜂窩基站并不具備大規模數據處理的能力。為了在高熱點區域內提供更佳優質的網絡服務，需要在微蜂窩處同樣部署邊緣服務器，構建宏-微雙層邊緣計算結構。

宏-微雙層邊緣計算系統模型如圖1所示。在目標覆蓋區域內存在各種無線接入終端，如車輛、手機、用戶身穿的各種可穿戴設備等。為了保證這些用戶能夠接入網絡且能有效執行用戶提起的請求任務，在宏蜂窩基站處部署了宏邊緣服務器Macrocell MEC Server。用于解決用戶接入和任務處理的這一層稱為宏邊緣層。此外，在一些熱點區域內，由于接入的用戶數更為密集，用戶數據請求量也更大，故而在這些區域內部署了微基站，用于解決密集區域內用戶的數據處理。但由于部分接入設備對時延要求更高，同時為了緩解宏邊緣服務器的壓力，在微基站處部署了微邊緣服務器Microcell MEC Server。

圖1 宏-微雙層邊緣計算系統模型

2.2 任務執行方式

2.2.1本地執行模式

(1)

根據文獻[12]中的分析，本地執行所消耗的功率為

(2)

式中k是取決于芯片結構的能量系數。

2.2.2宏基站邊緣模式

(3)

設宏基站的信道資源充足，分配給終端用戶的信道數為j，則終端用戶n通過信道j將任務卸載到邊緣服務器的傳輸速率可表達為

(4)

(5)

(6)

任務在宏邊緣進行處理時，所需要功率開銷表述為

(7)

(8)

2.2.3微基站邊緣模式

與宏邊緣服務器的分析類似，任務在微邊緣服務器的執行時間同樣由傳輸時間、排隊時間和處理時間3部分共同構成，滿足：

(9)

設微基站分配給終端用戶的信道數為k，則終端用戶n通過信道k將任務卸載到邊緣服務器的傳輸速率為

(10)

(11)

(12)

所需的功率開銷可表述為

(13)

與宏邊緣的分析類似，數據流相繼到達微邊緣服務器的間隔時間服從指數為λf-task的泊松分布，服務器提供的服務進程服務時間服從指數為λf的泊松分布，則可將微邊緣服務器處任務流的達到建模為M/M/b2排隊模型。

(14)

3 問題建模

(15)

(16)

由終端進行本地執行的任務量為：

(17)

同時0≤α≤1，0≤β≤1，0≤α+β≤1成立。

根據上述分析，終端用戶n的任務Ln由3個執行主體完成，系統的總時間開銷可表述為

(18)

與之對應的總功率開銷為

(19)

本文在異構網絡中，在總功率受限、執行任務所消耗的時間受限的情況下，將最優分配因子α和β作為求解對象，以達到最小化系統總功率開銷的目的，提出了一種雙層任務卸載策略DTOS，基于此策略的優化模型可表述為：

(20)

(21)

0≤α≤1

(22)

0≤β≤1

(23)

0≤α+β≤1

(24)

(25)

(26)

在上述模型中，限制條件式(20)要求系統總功率開銷須小于額定值Eτ；式(21)則說明時延敏感任務的執行總時間不能超過Tτ；式(23)～(24)描述的是任務卸載方式。系統可以選擇將任務按照比例分別交由本地和兩層邊緣服務器進行處理，也可全部卸載到兩層邊緣服務器，由兩層邊緣服務器分別或共同進行處理。與本地終端比較而言，邊緣服務器會擁有更強的數據處理能力，但其處理能力也并非是無限的，且1臺邊緣服務器往往會收到多個用戶的多個任務計算請求，故其能夠提供給任務n的處理能力必然是有限的，宏基站和微基站的邊緣服務器分配給任務n的計算能力分別為Fc1和Fc2，如式(25)(26)所述。

4 算法求解

上述模型的求解過于復雜，為了降低求解的復雜度，本文采用一種嵌套迭代算法來解決上述問題，算法描述如下：

②α=s/1 000；

③β=s/1 000；

⑧s=s+1，判斷迭代次數s是否等于總次數M，s≠M，返回步驟③，s=M，結束；

5 仿真分析

本文對比分析了4種不同的任務卸載方式。第1種方式下終端不選擇對任務進行卸載，即所有任務全部在終端設備上執行，即α=β=0；第2種方式為將任務全部卸載至微基站，即α=1；第3種方式是將任務全部卸載至宏基站，即β=1；第4種方式是在本文提出的DTOS策略下，通過算法求解出分配因子α及β。

首先，對任務數據量的大小導致的功率開銷進行分析。從圖2中可看出：隨著數據任務量的不斷增加，系統所消耗的功率也會隨之增長。由于終端設備的計算能力有限，故而將任務全部交由終端進行計算所消耗的能量是最高的。由于宏邊緣服務器比微邊緣服務器擁有更強的處理能力，所以在執行同等數量大小的任務時，宏邊緣服務器消耗的功率也要少于將任務全部交由微邊緣服務器處理的方式。本文提出的DTOS卸載策略在計算相同數據大小的任務時，消耗的功率資源最低。如在任務的數據大小等于1 MB時，DTOS策略僅消耗1.3 mJ的功耗，與將任務全部交由終端執行的方式相比，能夠節省0.7 mJ的功率損耗。DTOS策略能有效解決系統的能耗問題。

圖2 任務數據量大小對功率的影響

其次，對任務數據量大小所對應的執行時長進行分析。采用將任務進行卸載的方式雖然增加了排隊時長和傳輸時長，但由于邊緣服務器的計算能力遠強于終端設備，所以在完成同樣數據量的任務條件下，將任務卸載一部分至邊緣服務器可以有效節約時間。如圖3所示，沒有進行任務卸載的本地執行方式所消耗的時間均為最長。如在數據任務量等于1 MB時，將任務進行本地執行需要的時間約為140 ms，全部卸載至微基站邊緣服務器執行需要132 ms，全部卸載至宏基站邊緣服務器執行所花費的時間為125 ms。如果采用本文提出的DTOS策略，執行可進一步節省至120 ms。

圖3 任務數據量大小對執行時長的影響

分析用戶數量與消耗功率之間的關系(圖4)。隨著用戶數量的增加，任務總量也隨之增長。為了執行這些任務，系統將會消耗更高的總能耗。雖然系統總能耗隨著用戶數量的增多而升高，但與其他幾種策略相比，DTOS的增長速率卻是最慢的。如用戶數從90增至100時，使用DTOS對應的系統能耗增加了約2.1 mJ，而在相同的用戶數量增長條件下，如果將任務全部卸載至微邊緣服務器進行處理，對應增加的系統總功耗約為3.3 mJ。由此可見，DTOS能夠有效應對大量用戶提出卸載請求時的能耗問題。

最后，對用戶數量與時延之間的關系進行分析。隨著用戶數量的增加，卸載到邊緣服務器的任務量也隨之增多，邊緣節點進行任務處理的時長自然隨之增加。從圖5中可以看出：不管是采用本文提出的DTOS策略，或是將任務全部卸載至宏蜂窩，亦或是將任務全部卸載至微蜂窩，隨著用戶數量的增加，對應的總時延也越來越大。但DTOS策略下任務的總時延卻一直低于其他卸載方式。如在用戶數為50時，DTOS策略對應的時延約為100 ms，與將任務全部卸載至宏蜂窩、微蜂窩及本地執行比較，分別可以節省約5、8、10 ms的任務執行時間。進一步證明了DTOS策略能夠有效應對大量用戶接入情況下的海量數據涌入問題。

圖4 用戶數量與功耗的關系

圖5 用戶數量與執行時長的關系

6 結束語

本文在雙層邊緣計算結構中，在保證單任務時延及功耗雙重條件下，以最小化系統的總功耗為目的，提出了一種新的任務卸載方式。系統中包含雙層邊緣計算節點，分別為微蜂窩邊緣和宏蜂窩邊緣，在宏蜂窩網的覆蓋范圍內有多個用戶，每個用戶均有自己的獨立任務。系統在保證每個用戶的獨立任務均能在時延范圍內完成且完成任務所消耗的功率不超過額定范圍的條件下，以最小化系統總功率構建了優化模型。由于模型的求解極為復雜，提出一種嵌套迭代算法用于求解優化值。仿真結果表明：本文提出的優化算法可以有效地節約系統總功耗。