泛在電力物聯(lián)網(wǎng)中基于網(wǎng)絡(luò)虛擬化的節(jié)能卸載機制

張國江，李勇，陳挺，劉洪

(1.國網(wǎng)江蘇省電力有限公司, 南京市 210024；2. 國網(wǎng)江蘇省電力有限公司泰州供電公司，江蘇省泰州市 225309；3.中國科學院上海微系統(tǒng)與信息技術(shù)研究所，上海市 200050)

0 引 言

傳統(tǒng)依靠電量增長、引進消化吸收再創(chuàng)新的發(fā)展模式難以為繼。泛在電力物聯(lián)網(wǎng)(electric internet of things, EIoT)的建設(shè)對于助力國家治理實現(xiàn)現(xiàn)代化，促進電網(wǎng)提質(zhì)增效具有重要意義[1-3]。然而，由于當前電網(wǎng)呈現(xiàn)規(guī)模大、分支多的特點，需要一種廣覆蓋、大連接的接入方式來滿足其泛在通信需求。光無線接入網(wǎng)(integrated fiber-wireless access network, FiWi)主要由無線網(wǎng)狀網(wǎng)和無源光網(wǎng)絡(luò)構(gòu)成，能實現(xiàn)超大面積覆蓋和靈活組網(wǎng)需求，已經(jīng)成為5G接入網(wǎng)絡(luò)中受到極大關(guān)注的發(fā)展目標，并具有較高的普及率[4-6]。FiWi架構(gòu)可通過增加網(wǎng)絡(luò)單元等方式滿足EIoT場景的特殊需求，使得在EIoT應用場景中，F(xiàn)iWi架構(gòu)成為一種不可忽視的選擇[7-9]。

由于電網(wǎng)的分支眾多，導致EIoT應用場景中物聯(lián)網(wǎng)設(shè)備分布零散，為了滿足零散且海量的物聯(lián)網(wǎng)設(shè)備通信需求，須增加FiWi架構(gòu)中的網(wǎng)絡(luò)單元。然而，網(wǎng)絡(luò)單元數(shù)量的增加不僅使得設(shè)備管理難度增加，同時造成系統(tǒng)能耗的上升。通過引入移動邊緣計算(mobile edge computing, MEC)技術(shù)，能有效管理分布零散的網(wǎng)絡(luò)設(shè)備、物聯(lián)網(wǎng)設(shè)備和降低系統(tǒng)整體能耗[10-11]。但是，當前對于降低MEC能耗的研究大多數(shù)未考慮網(wǎng)絡(luò)設(shè)備和物聯(lián)網(wǎng)設(shè)備的實際情況，即從任務(wù)響應時延，設(shè)備發(fā)送信息所需能耗等方面考慮其業(yè)務(wù)上傳至云服務(wù)器的必要性，此決策過程一般在集中式網(wǎng)絡(luò)單元發(fā)生，而系統(tǒng)中卸載協(xié)作節(jié)點的確定則是由光網(wǎng)絡(luò)單元分析物聯(lián)網(wǎng)設(shè)備與MEC服務(wù)器之間的通信情況得出。然而，數(shù)據(jù)的分析和決策的制定會造成光網(wǎng)絡(luò)設(shè)備工作時間的延長，而且由于物聯(lián)網(wǎng)設(shè)備數(shù)據(jù)量小的特點，容易造成網(wǎng)絡(luò)中物理鏈路負載較低，進而降低資源利用率，增大網(wǎng)絡(luò)能耗支出。因此，在具有海量物聯(lián)網(wǎng)設(shè)備的EIoT應用場景中研究如何降低因任務(wù)卸載至云服務(wù)器帶來的系統(tǒng)高能耗問題變得十分重要。

針對低能耗卸載問題的探討，文獻[12]深入研究數(shù)據(jù)傳輸過程中的信令交互狀態(tài)，通過分析其與設(shè)備電量之間的影響關(guān)系，結(jié)合資源使用情況等信息，確定低能耗的任務(wù)卸載路徑。但是此機制未分析因信令交互造成的業(yè)務(wù)時延增大問題。文獻[13]將虛擬化技術(shù)引入邊緣云聯(lián)合FiWi的網(wǎng)絡(luò)架構(gòu)中，利用集中式的控制單元為MEC業(yè)務(wù)分配通信與計算資源，從而獲得較高的網(wǎng)絡(luò)收益。此文獻以資源分配為主，并未考慮架構(gòu)中網(wǎng)絡(luò)設(shè)備和終端設(shè)備的能量支出情況。文獻[14]對候選協(xié)作節(jié)點之間的頻譜資源進行權(quán)衡，在速率約束條件下，獲得較高的網(wǎng)絡(luò)能效。然而，該文獻假設(shè)信道條件處于穩(wěn)定不變的狀態(tài)，忽視了信道狀態(tài)的時變特性對設(shè)備傳輸能耗的影響。文獻[15]通過將低負載的虛擬鏈路嵌入到物理鏈路中實現(xiàn)資源的重新利用，從而在保障業(yè)務(wù)資源需求的條件下，減少實際網(wǎng)絡(luò)中的活躍設(shè)備數(shù)量。但是文中并未對重用鏈路的有效性進行分析，無法判斷鏈路是否可用。文獻[16]分析了響應時延與卸載能耗之間的關(guān)系，利用網(wǎng)絡(luò)中各鏈路信息并結(jié)合人工魚群算法確定卸載節(jié)點，仿真結(jié)果表明，文中所提策略對于降低終端能耗擁有顯著效果。

為彌補上述缺點，本文提出一種基于網(wǎng)絡(luò)虛擬化的節(jié)能卸載機制(energy saving offload mechanism based on network virtualization, ESNV)。通過虛擬網(wǎng)絡(luò)管理(virtual network manager, VM)層的集中控制器采集系統(tǒng)架構(gòu)中的業(yè)務(wù)與網(wǎng)絡(luò)信息，以降低網(wǎng)絡(luò)能量支出為優(yōu)化目標，將此優(yōu)化問題建模為多目標整數(shù)規(guī)劃模型。然后，以最小傳輸能耗和最低響應時延為篩選條件確定協(xié)作卸載節(jié)點，其次感知不同信道傳輸信息時設(shè)備電量變化情況，并以此作為資源分配的決策條件。最后，根據(jù)不同業(yè)務(wù)的特點分配重用資源，從而減少網(wǎng)絡(luò)設(shè)備的活躍數(shù)量。此外，為保障資源重用的有效性，設(shè)計有效性保障策略，確保卸載任務(wù)的有效完成。

1 系統(tǒng)場景

在EIoT應用場景中，由于海量物聯(lián)網(wǎng)設(shè)備的信息需要通過MEC卸載至云端，而光節(jié)點作為卸載決策控制中心，會造成其活躍時長的增加。其次，單個策略所導致的調(diào)度時延改變將影響同一網(wǎng)絡(luò)中其余業(yè)務(wù)的完成情況。另一方面，假設(shè)為每個卸載任務(wù)分配專用鏈路，則會導致網(wǎng)絡(luò)能耗支出的增大。所以，基于圖1所示的面向電力物聯(lián)網(wǎng)的虛擬化融合邊緣云聯(lián)合FiWi網(wǎng)絡(luò)架構(gòu)，利用VM層中的集中控制器，結(jié)合時延與能耗影響因素，建立多目標整數(shù)規(guī)劃模型，動態(tài)地進行虛擬資源分配。同時考慮到基礎(chǔ)設(shè)施層的有限資源，通過設(shè)計一種資源重用機制減少MEC專用鏈路。

1.1 系統(tǒng)模型

本文中設(shè)備的電量來源于環(huán)境中的能量源[16]，則設(shè)備在時隙t內(nèi)從H個能量源所獲得的能量e(t)如下所示：

(1)

(2)

圖1 虛擬化融合邊緣云聯(lián)合FiWi網(wǎng)絡(luò)架構(gòu)Fig.1 Architecture of virtual fusion edge cloud with FiWi network

(3)

(4)

式中：λi表示任務(wù)i的到達率；μi為控制器處理i類任務(wù)的平均處理率。

1.2 多目標整數(shù)規(guī)劃模型

本文通過優(yōu)化無線資源分配策略以及重用虛擬鏈路，使得網(wǎng)絡(luò)能耗支出降低，并且以增大設(shè)備在本地處理完任務(wù)后的剩余電量與減少物理鏈路使用的數(shù)量作為優(yōu)化目標，其約束條件如下：

(5)

(6)

(7)

‖B1‖:‖B2‖:···:‖BN‖=

(1+ε)(q1:q2:···:qN)

(8)

(9)

?v,x,e,z

(10)

(11)

(12)

(13)

(14)

2 基于網(wǎng)絡(luò)虛擬化的節(jié)能卸載機制

基于上述多目標整數(shù)規(guī)劃模型，將節(jié)能卸載問題劃分成3個子問題，并通過對應的啟發(fā)式算法進行求解。子問題1，路徑的選取及優(yōu)先級的設(shè)置，此過程在VM層中由控制器執(zhí)行以時延和能耗為優(yōu)化目標的判定機制來完成。子問題2，資源優(yōu)化，由于EIoT場景的特殊性，導致信息傳輸?shù)暮碾娏砍蔀橐粋€關(guān)鍵指標，因此以優(yōu)化電量為目標進行MEC虛擬資源的分配并由鏈路重用策略映射到實際的物理鏈路中。子問題3，針對重用鏈路可能出現(xiàn)故障等問題導致鏈路不可用，為保重用鏈路的可靠，提出一種有效性保障策略。

2.1 路由和優(yōu)先級決策算法

通過分析光網(wǎng)絡(luò)單元和設(shè)備之間的通信交互狀態(tài)，尋找協(xié)作節(jié)點。但是這會導致網(wǎng)絡(luò)設(shè)備的活躍時長增加，造成系統(tǒng)能耗的上升。因此，利用VM層中的控制器分析交互狀態(tài)，確定協(xié)作節(jié)點，以此降低網(wǎng)絡(luò)設(shè)備的活躍時長。協(xié)作節(jié)點的決策過程為控制器采集服務(wù)提供商(service provider, SP)層發(fā)送的業(yè)務(wù)請求信息，通過路由和優(yōu)先級決策算法確定業(yè)務(wù)傳輸路徑，并為即將發(fā)送到云端的MEC業(yè)務(wù)劃分資源分配優(yōu)先級。路由和優(yōu)先級決策算法具體如表1所示。

表1 路由和優(yōu)先級決策算法Table 1 Routing and priority decision algorithms

(15)

此外，若在本地處理時延與能耗都低于由云端處理時所需大小，則加入集合GL，其中最低能量支出之和如式(16)所示：

(16)

(17)

2.2 電量驅(qū)動的信道分配策略

因為設(shè)備能量支出受信道和計算類型的影響，為降低網(wǎng)絡(luò)能量的支出，本文提出一種電量驅(qū)動的信道分配策略，具體如表2所示。

表2 電量驅(qū)動的信道分配策略Table 2 Power-driven channel allocation strategy

(18)

(19)

為增加設(shè)備處理任務(wù)后的剩余電量，需保證獲得新的信道無法使得其收集的電量增加和折損的電量減少，故加入新信道需滿足如下條件：

(20)

2.3 鏈路重用策略

2.4 有效性保障策略

表3 鏈路重用策略Table 3 Link reuse strategy

表4 有效性保障策略Table 4 Validity guarantee strategy

首先分析MEC任務(wù)的重要程度和物理鏈路的有效性，若Ri

(21)

式中：O為網(wǎng)絡(luò)處理任務(wù)的平均工作時間；A為網(wǎng)絡(luò)出現(xiàn)故障后的平均恢復時間，表示由多條鏈路構(gòu)成的網(wǎng)絡(luò)拓撲的健壯性。令L為一條物理鏈路上存在的網(wǎng)絡(luò)單元數(shù)，則其有效性表達式如下：

(22)

為減少因增加額外鏈路帶來的活躍網(wǎng)絡(luò)單元數(shù)量增加，可以利用鏈路合并的方式，但是需要分析將鏈路合并的可行性Yu，其可行性表達如式(23)所示：

(23)

為優(yōu)化傳輸路徑，將鏈路的選擇看作二分圖的最大匹配問題[18]。當Ri>Rs時，將鏈路放入集合L1，反之Ri

3 仿真分析

本文采用的對比算法為文獻[12]中提出的H2R(human-to-robot)算法，文獻[19]中提出的ECO(energy-effcient computation offloading)算法，文獻[20]中提出的ERO(energy-saving algorithm based on radios off)算法以及文獻[15]中提出的VNE(virtual network embedding)算法。H2R算法與ECO算法均是通過分析網(wǎng)絡(luò)設(shè)備與終端設(shè)備之間的通信狀態(tài)決策協(xié)作節(jié)點，而兩個算法的差異在于H2R算法分配的無線資源大小為固定值，而ECO算法是權(quán)衡時延與能耗之間的關(guān)系進行資源分配。然而，兩種算法都忽視了光網(wǎng)絡(luò)單元數(shù)量對系統(tǒng)能耗的影響。ERO算法、VNE算法則是分析鏈路狀態(tài)，通過選擇較好的鏈路實現(xiàn)能耗的降低，其中前者是通過改變網(wǎng)絡(luò)拓撲結(jié)構(gòu)使得部分光無線節(jié)點處于休眠，而后者設(shè)計了鏈路重用機制，將其余沒有業(yè)務(wù)嵌入的節(jié)點切換至休眠狀態(tài)，但這兩個算法都沒有分析因鏈路重用而對網(wǎng)絡(luò)造成的影響。為了解本文所提算法性能，仿真參數(shù)如表5所示[16, 19]。

表5 仿真參數(shù)Table 2 Simulation parameters

3.1 網(wǎng)絡(luò)能耗

圖2為網(wǎng)絡(luò)能耗受到負載變化影響的趨勢圖。如圖所示，網(wǎng)絡(luò)負載與能耗呈正相關(guān)，主要是由于當網(wǎng)絡(luò)負載增加后網(wǎng)絡(luò)單元處于工作狀態(tài)的數(shù)量和時間都增加，從而導致整個網(wǎng)絡(luò)的能耗支出上升。

圖2 不同MEC負責下的網(wǎng)絡(luò)能耗Fig.2 Network energy consumption under different MEC

與此同時，另外兩種算法的能耗高于本文所提ESNV算法，這是由于這兩種算法在協(xié)作節(jié)點決策過程中信息交互較頻繁，從而導致網(wǎng)絡(luò)能耗較高。而ESNV算法決策過程在VM層中的控制器里，減少了信息的交互次數(shù)。此外，H2R算法中分配資源為固定值，造成設(shè)備端的能耗無法得到優(yōu)化。而ECO算法比H2R算法能耗支出低的原因在于其在信息傳輸時增加了信道數(shù)，獲得較多的通信資源。

由于決策過程的信息交互需要MPCP(multi-point control protocol)信令，因此對MPCP信令與網(wǎng)絡(luò)能耗之間的關(guān)系進行仿真分析，結(jié)果如圖3所示。

圖3 不同MPCP信令幀持續(xù)時間下的網(wǎng)絡(luò)能耗Fig.3 Network energy consumption under different signaling frame durations of MPCP

其中H2R算法和ECO算法都呈上升趨勢是由于協(xié)作節(jié)點的決策過程信息交互次數(shù)較多，而H2R算法中由于網(wǎng)絡(luò)設(shè)備工作時間較長，導致其比另一個算法能耗高。本文所提算法由于決策過程在VM層中的控制器里，減少MPCP信令的交互次數(shù)，因此支出能耗為恒定值。

3.2 時延變化

卸載方案對時延影響如圖4所示。由圖4可知，相比其他2個算法本文提出的ESNV算法端到端時延最低，主要由于H2R算法以廣播形式獲取周圍設(shè)備的信息，然后告知被選取的設(shè)備完成任務(wù)處理，導致調(diào)度時延在端到端時延中所占比重高于其他兩種算法。由于ECO算法確定信道數(shù)量時忽視了調(diào)度時延，當加入調(diào)度時延后，由于獲得信道數(shù)量少于本文所提算法的初始值，故本文所提算法的傳輸時延較低。

重用方案對時延影響如圖5所示，ESNV算法在不同業(yè)務(wù)負載下的端到端時延最低，因為ERO算法每次狀態(tài)的改變都需要廣播給周圍設(shè)備，更改網(wǎng)絡(luò)拓撲，從而造成網(wǎng)絡(luò)中其余業(yè)務(wù)的調(diào)度時延受到影響。而VNE算法與ESNV算法由于是在控制器中進行決策，減少了實際物理網(wǎng)絡(luò)中因調(diào)度策略帶來的時延影響。此外，由于本文所提算法是以最大容忍時延為初始值，根據(jù)電量變化情況進行資源獲取，因此導致在負載較大時，由于資源獲取困難，造成傳輸時延的增加。

圖4 卸載方案對時延影響Fig.4 Effect of unloading scheme on delay

圖5 重用方案對時延影響Fig.5 Effect of reuse scenarios on delay

4 結(jié) 語

針對EIoT場景的特殊性，即網(wǎng)絡(luò)單元零散，物聯(lián)網(wǎng)設(shè)備眾多，現(xiàn)有卸載策略無法滿足在此場景下的低能耗需求，本文提出了基于網(wǎng)絡(luò)虛擬化的節(jié)能卸載策略，以電量變化為資源獲取決策條件，并通過鏈路重用策略減少了實際物理鏈路的使用，最后由有效性保障策略確保業(yè)務(wù)的可靠傳輸。仿真結(jié)果表明，ESNV算法在保證端到端時延的前提下，能有效減少網(wǎng)絡(luò)能耗開銷。

致 謝

本文中實驗方案的制定和實驗數(shù)據(jù)的測量記錄工作是在國網(wǎng)江蘇省電力有限公司的大力支持下完成的，在此向他們表示衷心的感謝。