基于邊緣計算的5G云網絡架構計算卸載策略研究

鄭忠斌 熊增薪

摘 要：針對傳統云計算架構無法滿足工業物聯網對低業務時延的要求，本研究引入MEC技術，提出一種基于工業物聯網的分布式云邊緣計算（CE-IIoT）網絡架構，以實現分布式處理工業物聯網業務。然后，建立了CE-IIoT中業務響應時延模型，提出基于RCGA-CO算法的計算任務卸載策略，以實現降低工業物聯網業務響應時延。最后，通過仿真實驗證明了，相較于GreedyLB算法，本研究提出的基于RCGA-CO算法計算任務卸載策略的業務平均響應時延最低，且在故障情況下，該策略可有效保證業務處理的可靠性。

關鍵詞：邊緣計算;MEC設備;RCGA-CO;工業機器人

中圖分類號：TN929.5 文獻標識碼：A 文章編號：1001-5922（2021）08-0097-05

Research on Computing Offloading Strategy of 5G Cloud Network Architecture Based on Edge Computing

Zheng Zhongbin， Xiong Zengxin

（Industrial Internet Innovation Center （Shanghai） Co.， Ltd.， Shanghai 201306， China）

Abstract：Traditional cloud computing architecture can not meet the requirements of industrial Internet of things for low service delay， this paper introduces MEC technology， and proposes a distributed cloud edge computing （CE iiot） network architecture based on industrial Internet of things to process industrial Internet of things business distributed. Then， the service response delay model in CE-IIoT is established， and the computing task unloading strategy based on RCGA-CO algorithm is proposed to further reduce the service response delay of industrial Internet of things. Finally， the simulation results show that the average response delay of the task unloading strategy based on RCGA-CO algorithm is the lowest， and in case of failure， the strategy can effectively guarantee the reliability of service processing.

Key words：edge computing; MEC equipment; RCGA-CO; industrial robot

早期工業物聯網中，常采用云計算技術處理大量的IIoT數據，但由于工業物聯網的特殊網絡架構，云計算平臺往往部署在距離工業終端較遠的地方，因此容易導致業務處理時延較長，影響用戶體驗。加之現代工業終端隨著設備的增多，會產生巨大的生產數據量。過量的數據量容易導致設備或連接設備之間的鏈路發生故障，進而導致業務無法完成。因此，從整體上來看，基于云計算技術的工業物聯網可靠性較差，故本研究在云計算技術基礎上，提出基于工業物聯網的分布式云邊緣計算（CE-IIoT）網絡結構，并提出一種任務重傳再分配的計算任務卸載策略，以降低業務響應時延。

1 基于工業物聯網的CE-IIoT 網絡架構

考慮云計算在工業物聯網中的低服務時延，本研究應用 MEC 技術構建了基于工業物聯網的CE-IIoT 網絡架構，以降低應用的時延，提高業務的可靠性。具體 CE-IIoT 網絡架構如圖1所示。

由圖1可知，CE-IIoT 的網絡結構主要包括基礎設施層、邊緣計算層、云服務層。其中，基礎設施層是整個CE-IIoT網絡結構的基礎，由生產設備、無線傳感器節點、傳送系統、用戶及智能終端等組成，基本功能是采集數據并執行相關的生產任務;邊緣計算層是CE-IIoT網絡的核心部分，主要功能是實現基礎設施層與云服務層的信息交互，處理來自基礎設施層的信息并上傳重要和有價值的生產信息至云服務層進行存儲;云服務層主要負責整合和存儲邊緣計算層上傳的數據信息，實現信息共享。

2 CE-IIoT 架構業務平均響應時延模型

2.1 CE-IIoT 架構網絡拓撲結構

為更好地分析 CE-IIoT 架構業務平均響應時延，本研究根據CE-IIoT網絡架構，將其網絡拓撲結構進行了一定程度的簡化，得到如圖2所示的CE-IIoT網絡的抽象帶權無向圖。

圖2中，C表示云服務器，同時也是一個計算節點，其計算能力表示為Cc;v1、v2、v3、vk表示MEC設備;vi，vj表示MEC設備之間的通信鏈路;Wvi;vj表示vi，vj之間的通信時延Cvi表示vi的計算能力。

2.2 故障情況下架構的平均響應時延模型

實際CE-IIoT網絡應用中，考慮MEC設備本身可能出現故障，以及MEC設備之間可能出現鏈路中斷的情況，因此分析當MEC設備出現故障時的業務可靠性。

定義 CE-IIoT 網絡結構中，MEC設備在發生故障時仍然能夠進行業務處理，且故障對業務的響應時延較小。設MEC設備上任務失敗的概率為Pi，當MEC設備出現故障時，若沒有容錯機制，則任務失敗的概率為100%，系統的可靠性為0。為使MEC設備在出現故障時仍然能夠繼續處理任務，本研究提出一種在設備故障狀態下可重新分配的計算任務卸載策略。

設其中一個MEC設備損壞，應用計算任務卸載策略可將故障MEC設備的待任務分配給正常工作的MEC設備，并重新傳送至云服務器進行處理。應用該策略，保證了某一MEC設備在出現故障時，任務仍可以及時準確地完成，進而確保了系統的可靠性，同時降低了故障下業務的響應時延。在該策略下，CE-IIoT的業務響應平均時延ta可表示為：

式（1）中，表示所有MEC設備的集合，V'表示正常MEC設備的集合，V—V'為故障MEC設備的集合。Pn、pi表示任務在故障MEC設備上沒有被成功處理的概率。滿足約束條件：

設MEC設備完成一項任務的時間為tout，在tout時間內，若主MEC設備沒有收到設備的任務處理結果，則判定該MEC設備發生了故障，即。此時，主MEC設備vj將會把故障MEC設備的任務重新分配給其他MEC設備，標記重新分配后的任務表示為D'i，D'c并將其上傳至云服務器執行分布式運算。最后，將任務處理結果發送到工業終端。

3 模型求解

故障狀態下，MEC設備最優計算任務卸載策略即對式（2）進行最優求解，本研究采用實數編碼遺傳算法（RCGA-CO）求解該式。RCGA-CO 算法是對傳統遺傳算法的改進，通過利用浮點數替代染色體，實現對求解最優解。本研究中，MEC設備及云服務器上的任務均為浮點數，因此實數編碼遺傳算法十分適用。

由于本研究中的優化問題均為帶約束的問題，故設計RCGA-CO算法的適應度函數為：

式（3）中，h表示懲罰因子，S表示搜索空間，F表示S中的可行域，S?F即為不可行域。T（X）表示可行個體的約束違背值，tj（ X ）為非可行個體對第j約束的約束違背值，x（ X;g ）表示在算法執行到第g代對于非可行個體的附加啟發值，tj（ X ）和x（ X;g ）的表達式分別為：

式（4）中， Worst（g） 表示算法迭代次數為g是擁有最大適應度值的可行個體，其表達式為：

RCGA-CO算法中，首先確定每個個體Xi的長度為k+1，并進行初始化，得到新個體Xi={xi1;xi2;···;xi（k+1）};然后根據式（3）計算得到每個個體的適應度值;最后應用遺傳算子更新種群，其具體步驟如下：

步驟1：利用錦標賽選擇機制，隨機選擇兩個個體并計算出它們的適應度函數值。然后選擇保存適應度值較高的個體，淘汰適應度值較低的個體，得到新的種群。

步驟2：根據交叉概率從新種群中選擇個體X1， X2，通過組合X1， X2得到新個體X1′， X2′。

步驟3：根據變異概率選擇個體中的其中一個基因進行變異，得到變異個體X′i = {xi′1 xi′2 ; ··· ;xi′（k+1）}，令變異后基因xil′的取值范圍為 [0，D]，則可計算：

式（6）中， g表示迭代次數;G表示最大迭代次數;b表示系統參數，取值范圍為[2，5];q 表示 [0，1] 范圍內均勻分布的隨機數;random（0，1） 表示以等概率取值 0 和 1。

應用RCGA-CO 算法求解式 （2）中的優化問題具體方法如下：

步驟1：設定種群規模為 m，每個個體 X 的長度為k + 1，最大迭代次數為G，交叉概率pc，變異概率pm。

步驟2：初始化種群中每個染色體，得到其中，全局最優個體Gbest，局部最優個體為Lbest，它們分別的適應度值為Gf和Lf。

步驟3：應用公式（3）（4）計算得到xi的適應度值f （Xi）。

步驟4：比較f （xi）與Lf值大小，若f （xi）>Lf，則選取當前值為局部最優個體;反之，則仍以Lbest作為局部最個體。同理，比較據局部最優解適應度值與Gf 的大小，選擇適應度值高的個體作為全局最優解。

步驟5：應用錦標賽選擇策略選擇適應度較高的個體，形成新種群。然后根據種群中的交叉概率進行交叉操作，產生新個體。最后，進行變異操作，更新種群。

步驟6：重復步驟3、4、5直至達到最大迭代次數，得到全局最優個體即最優分配方式{D1;D2;…Di;…Dk}。

4 仿真驗證

4.1 參數設置

為檢驗RCGA-CO卸載策略可在MEC設備故障下降低業務的響應時延，提高業務的可靠性，本研究將提出的RCGA-CO算法與單個MEC設備和MEC網絡實驗性能進行了比較實驗，驗證了該算法的平均響應時延性能和故障概率對時延性能的影響。

本研究在MATLAB平臺上進行仿真，并參考文獻[9]，并設計邊緣計算層的設備數量為4，模擬了真實網絡環境中的各個MEC設備的計算能力。CE-IIoT 網絡的相關參數如表1所示。

設置 RCGA-CO 算法種群大小 n 為100，最大迭代次數為200，交叉概率 pc 為0.9，變異概率pm為0.05，控制參數 worst（0） 為106。此外，將所有的工業物聯網數據依照仿真設置。同時參考文獻[8]，設工業機器人的實時路徑所需的傳輸量為125kb。最后，以多次實驗結果的平均值作為最終結果。

4.2 IIoT 場景中不同架構的時延性能

IIoT場景中一共有4種網絡結構，分別是傳統云計算結構、單個MEC設備、MEC網絡架構以及文章提出的 CE-IIoT 架構。為檢驗基于RCGA-CO算法的CE-IIoT結構在工業物聯網中的低時延性能，本研究分別以上4種結構進行了對比實驗，仿真結果如圖3所示。

由圖3可知，隨著用戶數增加，云計算網絡和單個MEC設備的業務響應時延明顯高于MEC網絡和CE-IIoT 架構的業務響應時延;隨著用戶數持續增大，CE-IIOT 架構的業務響應時延更明顯，相較于 MEC網絡能獲得了更低的時延。其原因在于云計算架構和單個MEC 設備到工業終端的距離較遠，傳輸鏈路較長，故其計算時延較大，導致業務響應時延較長。此外，CE-IIoT 架構的計算能力較強，因此該結構相較與MEC網絡的業務時延更低。綜上可得，CE-IIoT可提高工業物聯網業務時延性能，提升用戶體驗。

4.3 IIoT 場景中RCGA-CO 算法與其他算法的時延性

能對比

為驗證RCGA-CO算法在IIoT場景中的實用性，本研究對比了該算法與 FWA 以及貪婪算法（GreedyLB） 的時延優化性能。仿真實驗結果如圖4所示。

由圖4可知，整體上FWA算法與RCGA-CO算法的時延性能高于GreedyLB算法;隨著用戶請求數量的增加，RCGACO 算法逐漸發揮出優勢，具有最低的業務響應時延。其原因在于，RCGA-CO算法與FWA算法相比，具有選擇、交叉、變異等操作，故其搜索尋優能力更強;而與GreedyLB算法相比，由于GreedyLB算法沒有考慮到傳輸時延，因此RCGA-CO算法的時延更低。由此可得，RCGA-CO 算法在CE-IIoT架構中的業務響應時延最低。

4.3 故障狀態下的平均業務響應時延

為驗證CE-IIoT在不同故障下的平均業務時延，本研究對仿真實驗作了如下假設：設每個 MEC設備上正常狀態下不能完成任務的概率為 0.001， 0.1;故障狀態下不能完成任務的概率為0.01，0.16。通過對這兩種狀態采用不同策略處理業務，得到圖5所示的業務平均響應時延性能。

由圖5可知，MEC設備發生故障或鏈路發生故障時，其平均響應時延均高于正常狀態下的故障時延;兩種故障狀態下，采用不同策略對業務進行重傳和再分配，可以在一定時間完成業務處理;采用重傳的業務平均響應時間高于采用重傳再分配策略的業務平均響應時間。其原因在于，故障狀態下故障設備需要將任務重新上傳分配，故業務的平均響應時延較高，但仍然能以較低的時延完成任務。由此說明，采用重傳和再分配兩種策略的CE-IIoT，均可向IIoT業務提供可靠的服務。

5 結語

隨著通信技術的快速發展，傳統的云計算結構已不能滿足人們對業務處理速度的高要求。針對傳統云計算結構業務相應實驗長、可靠性低的問題，本研究提出基于邊緣計算的5G云網絡架構計算卸載策略，并進行了仿真實驗，分析比較了該策略在設備正常情況和設備故障情況下網絡業務時延性能。實驗結果表明，該策略無論是在設備正常運行的情況下，還是在設備故障情況下，均可提供可靠的業務服務。

參考文獻

[1]肖凡，陳建國. 基于RCGA的PPC模型在化探異常識別與提取中的應用[J]. 吉林大學學報（地球科學版），2017，47（04）：1319-1330.

[2]劉文慶，古天龍，徐周波. 一種求解加權約束滿足問題的RCGA算法[J]. 桂林電子科技大學學報，2015，35（01）：54-58.

[3]韓萬水，劉修平，鄧露，等. 基于實數編碼遺傳算法的橋梁有限元模型修正方法[J]. 交通運輸工程學報，2019，19（02）：14-24.

[4]黃煜棟. 基于RCGA優化GRNN的實時動態目標追蹤模型[J]. 計算機工程與應用，2014，50（10）：238-243+248.

[5]張東民，廖文和. 基于實值編碼遺傳算法的起重機伸縮臂結構優化[J]. 南京航空航天大學學報，2004（02）：185-189.

[6]丁雪乾. 面向5G邊緣計算的任務卸載與資源優化研究[D].蘭州：蘭州理工大學，2020.

[7]羅斌，于波. 移動邊緣計算中基于粒子群優化的計算卸載策略[J]. 計算機應用，2020，40（08）：2293-2298.

[8]呂潔娜，張家波，張祖凡，等. 移動邊緣計算卸載策略綜述[J]. 小型微型計算機系統，2020，41（09）：1866-1877.

[9] MIETTINEN A P， NURMINEN J K. Energy efficiency of mobile clients in cloud computing[C].[S.l.] ： Usenix Conference on Hot Topics in Cloud Computing USENIX Association， 2010.

[10] M Xiao M. A. HASSAN Q W， CHEN S. Help Your Mobile Applications with fog computing[C]Seattle， WA， USA ： 2015 12th Annual IEEE International Conference on Sensing， Communication，and Networking - Workshops （SECON Workshops）， 2015.