邊緣計算網絡中低能耗算法分析

龍 舉 雷 燕 李子清 潘夢琪 薛 丹

（重慶郵電大學通信與信息工程學院 重慶 400065）

一、引言

邊緣計算（Mobile Edge Computing， MEC） 技術是當前計算領域研究的熱點之一，在移動網絡中邊緣計算的研究對于移動網絡的發展也起著非常重要的作用。近年來電子技術的不斷發展使得智能移動終端發展迅速，應用也越來越廣泛。然而移動終端的計算能力是有限的，這就會導致在單個移動終端上在大量計算，并且要求時間短的情況下較難完成。而邊緣計算卻可以利用網絡中的資源完成相應的計算，從而提升網絡性能[1]。

移動節點中如何降低能耗是非常有意義的，因此在邊緣計算網絡中，如何設計低能耗的算法，降低節點的能耗就是非常有意義的課題，目前針對邊緣計算網絡中降低能耗的技術很多，對這些問題進行分析研究，對這些技術中的優略進行分析，這對邊緣計算技術的發展就成為一個有意義的工作。

二、低能耗卸載算法分析

針對低能耗的卸載算法可以分為三類：基于微蜂窩卸載任務低能耗算法、基于DNNs結構能耗優化算法、多核服務器最優任務卸載算法。接下來將對這三類技術進行對比研究。

（一）微蜂窩基站間任務卸載模型

移動邊緣計算中，智能移動設備（SMD）可選擇將部分本地任務上傳到云端處理，以降低SMD本身的能耗，提高任務處理的實時性。通過微蜂窩基站間任務卸載模型在靠近用戶的區域內布置微蜂窩基站為SMD提供任務卸載服務。

該類技術的優點是：該算法有效降低微蜂窩基站處理任務的能耗，能夠確定卸載任務分量，聯合微蜂窩基站無線通訊范圍內的其他基站協作處理任務，有效降低整個處理任務的能量消耗[2]。

該類技術的缺點：單位任務處理時限會對微蜂窩基站協作任務處理能耗產生影響。單位任務處理量處理時間的時限要求越大，任務在微蜂窩基站上處理的運算頻率就越低。

（二）基于DNNs結構低能耗優化算法

首先根據DNNs結構對其計算機任務進行建模，以神經網絡層為單位，對計算任務之間的依賴關系進行描述，然后說明神經網絡層計算任務的負載模型。根據DNNs結構，將以神經網絡層為單位拆分的計算機任務建模為一個DAG，表示為G=(V∪{ }，E)。其中：V=（ ）代表頂點集合， 代表DNNs層總數。不同頂點表示不同神經網絡層的計算任務，各神經網絡層的計算任務是不可分割的，只能在同一個計算資源上處理。添加輸入頂點 和輸出終點 表示DNNs的起點和終點。E代表有向邊集合，每條邊 =（ ）代表各DNNs層計算任務的依賴關系。

基于DNNs特點，提出移動邊緣計算環境中基于多重資源任務卸載的粒子群優化調度算法MRPSO。MRPSO算法先初始化調度方案、粒子搜索速度以及任務卸載決策，且計算每個粒子對應的初始調度方案的總時間、總能耗和適應度值，然后進入算法迭代，更新所以粒子對應任務卸載決策與調度方案。

本類技術的優點：對于DNNs來說，只要網絡結構確定，在不實際執行神經網絡的情況下能估計出其執行的時間。使用粒子群調度算法（MRPSO算法），可以將DNNs各層的計算任務動態分配給相應的執行資源。與已有算法相比，MPRSO算法所得適應度最低，在用戶時間約束下，終端設備能耗最少。

本類缺點：本節計算機速度和網絡帶寬都是固定值，而在實際過程中計算機速度和網絡帶寬都會有波動，會對DNNs真實執行時間造成影響

（三）多核服務器邊緣計算卸載調度

本節研究的是單用戶多核服務器的MEC系統。該系統有一個用戶和具有多核處理能力的MEC服務器。用戶側有多個獨立可卸載的計算機任務，并且這些任務可并行地卸載和執行。MEC服務器是運營商部署在無線接入點附近的小型數據中心，因此其可通過無線信道與移動設備連接，執行移動設備卸載的計算任務。首先，基于混合流水車間調度模型對系統任務的卸載調度進行了建模，獲得了系統時延的計算表達式，并在此基礎上對系統能耗進行了建模；其次，利用混合編碼方式的遺傳算法，對系統時延和能耗的加權和最小化問題進行了求解，確定了最優的任務卸載調度策略和系統時延與能耗間的權衡關系。

優點：采用該任務卸載策略可以顯著地減少系統時延，并且通過系統能耗和時延成反比地關系，在不斷增加時延的條件下找到了一種節能的方式[3]。

缺點：由于系統能耗與網絡時延成反比，在找到最低能耗時，網絡時延未必最低，做不到兩者兼顧。

三、結束語

邊緣計算中的能耗是其中的關鍵問題之一，從能耗的角度出發，對現有的三種最具代表性的算法與模型進行理論分析，通過分析得出，基于微蜂窩低能運算卸載算法中，微蜂窩基站數目對節能效果有影響；基于DNNs神經網絡低能耗卸載算法快與否也與神經網絡層次劃分密切相關；而在多核服務器邊緣計算卸載算法中，系統能耗與系統時延有很大關系。這為上述三類邊緣計算應用提供了指導與參考。