MEC中的多用戶上下文感知計(jì)算卸載研究

劉春林，張立祥

（凱里學(xué)院，貴州 凱里 556011）

0 引言

近年來，物聯(lián)網(wǎng)產(chǎn)生海量各種工業(yè)領(lǐng)域的數(shù)據(jù)，而大量用戶只能使用手頭有限的設(shè)備資源處理這些生成的數(shù)據(jù)，這導(dǎo)致了亟須在用戶設(shè)備之外提供豐富且實(shí)時(shí)響應(yīng)的計(jì)算環(huán)境，因此多接入邊緣計(jì)算(Multi-Access Edge Computing，MEC）環(huán)境得以創(chuàng)建［1］。

作為MEC關(guān)鍵技術(shù)之一的計(jì)算卸載，從單用戶和多用戶兩個(gè)方面分析。在單用戶計(jì)算狀態(tài)下，任何時(shí)刻，用戶都可以卸載計(jì)算任務(wù)；在多用戶計(jì)算卸載中，允許多個(gè)用戶同時(shí)將其任務(wù)移動(dòng)到更高的計(jì)算層。由于用戶終端(User Equipment，UE）的移動(dòng)，其變化頻繁，并且由于應(yīng)用程序的復(fù)雜性，需要?jiǎng)討B(tài)選擇適當(dāng)?shù)挠?jì)算資源。

在卸載過程中，智能工具具備檢測當(dāng)前或潛在的條件并實(shí)現(xiàn)基于上下文的行為的能力，這種能力可以稱為上下文感知。一旦網(wǎng)絡(luò)可用，就執(zhí)行卸載，而不考慮卸載是否有利。計(jì)算量并不總是向有利于獲得所需的效率和利益轉(zhuǎn)移的，全部或部分的取決于可用的條件：卸載是否能夠有效地減少響應(yīng)實(shí)時(shí)請求的延遲，以及是否能夠減少能耗等等。

位置、網(wǎng)絡(luò)狀態(tài)和可用計(jì)算資源等移動(dòng)條件對于計(jì)算卸載決策中的上下文將有非常重要的影響［2］。因?yàn)樵谛遁d問題中考慮上下文信息是基于不同的目標(biāo)和網(wǎng)絡(luò)結(jié)構(gòu)的，如節(jié)能和執(zhí)行時(shí)間，以及MCC(移動(dòng)云計(jì)算）和MEC(多接入邊緣計(jì)算）中的延遲。本文提出了一種基于機(jī)器學(xué)習(xí)技術(shù)的上下文感知計(jì)算卸載能力框架，來提高卸載的效率，并降低能耗。

1 研究基礎(chǔ)

目前，機(jī)器學(xué)習(xí)算法在資源管理問題中得到了廣泛的應(yīng)用，并提出了一種基于學(xué)習(xí)自動(dòng)機(jī)(LA，Learning Automata）的云計(jì)算虛擬機(jī)調(diào)度模型。該方法在醫(yī)療服務(wù)中進(jìn)行了測試，在延遲、吞吐量和數(shù)據(jù)包交付度量方面，比其他方法有更好的結(jié)果。學(xué)習(xí)自動(dòng)機(jī)技術(shù)已有所應(yīng)用，例如運(yùn)用學(xué)習(xí)自動(dòng)機(jī)技術(shù)用于解決單電梯問題，減少平均等待時(shí)間。一組研究人員通過將學(xué)習(xí)自動(dòng)機(jī)技術(shù)擴(kuò)展為貝葉斯學(xué)習(xí)自動(dòng)機(jī)(BLA）來研究智能電網(wǎng)中的負(fù)荷調(diào)度，通過將學(xué)習(xí)自動(dòng)機(jī)連接到每個(gè)客戶來建立一個(gè)調(diào)度系統(tǒng)。結(jié)果表明，該算法提高了速度和精度。

以上研究目前并沒有應(yīng)用在MEC體系結(jié)構(gòu)中，因此，運(yùn)用機(jī)器學(xué)習(xí)算法對MEC中的卸載問題進(jìn)行了進(jìn)一步研究。

2 貝葉斯學(xué)習(xí)自動(dòng)機(jī)

貝葉斯(Bayes）學(xué)習(xí)和學(xué)習(xí)自動(dòng)機(jī)(Learning Automata，LA）結(jié)合，定義為貝葉斯學(xué)習(xí)自動(dòng)機(jī)(BLA）。貝葉斯學(xué)習(xí)是一種概率推理方法，允許對假設(shè)的證據(jù)進(jìn)行加權(quán)，其目的是在問題中找到最優(yōu)決策。學(xué)習(xí)自動(dòng)機(jī)可以被認(rèn)為是一個(gè)具有有限操作數(shù)的單一對象，目前此方法已用于云計(jì)算和分布式系統(tǒng)中的卸載。學(xué)習(xí)自動(dòng)機(jī)通過從其動(dòng)作集中選擇一個(gè)動(dòng)作并將其應(yīng)用到環(huán)境中來進(jìn)行操作。此操作由隨機(jī)環(huán)境來評(píng)估，并自動(dòng)使用響應(yīng)環(huán)境選擇其下一個(gè)操作。在此過程中，機(jī)器自動(dòng)學(xué)習(xí)選擇最佳的動(dòng)作。如何使用環(huán)境對自動(dòng)選擇操作的響應(yīng)(用于選擇下一個(gè)自動(dòng)操作）由自動(dòng)清除算法決定。雖然貝葉斯學(xué)習(xí)自動(dòng)機(jī)本質(zhì)上是貝葉斯的，但是僅僅依賴于計(jì)算獎(jiǎng)勵(lì)/懲罰以及從一對雙貝塔分布中隨機(jī)抽樣［4］。

因?yàn)閷?shí)際系統(tǒng)和環(huán)境是多用戶而不是單用戶的，在方法中使用多用戶計(jì)算。由于這些用戶位于不同的位置和條件下，任務(wù)的卸載決策應(yīng)該在了解上下文和現(xiàn)有條件的情況下做出。該策略解決了上述問題，提高了計(jì)算卸載的服務(wù)效率。因此提出了一個(gè)多用戶MEC系統(tǒng)，改變移動(dòng)計(jì)算資源的條件。

3 上下文感知計(jì)算卸載方案

為了將上下文感知的技術(shù)應(yīng)用于多用戶MEC系統(tǒng)，設(shè)有兩類變量：自變量和因變量。自變量是系統(tǒng)以事務(wù)的形式接收的所有輸入變量，不會(huì)干擾它們的計(jì)算，例如：圍繞環(huán)境的輸入數(shù)據(jù)；因變量是通過使用自變量作為擬定系統(tǒng)的輸入而獲得的變量。例如：延遲和能量消耗。上下文感知系統(tǒng)中的控制循環(huán)由四個(gè)階段組成：監(jiān)視、分析、計(jì)劃和執(zhí)行，即為 “監(jiān)視-分析-計(jì)劃-執(zhí)行” 控制循環(huán)。

3.1 監(jiān)視組件

這基本上是系統(tǒng)的上下文監(jiān)視器組件。輸入包括從物聯(lián)網(wǎng)設(shè)備接收到的所有請求，以及從進(jìn)入模塊的環(huán)境收集的數(shù)據(jù)。該請求使用唯一標(biāo)識(shí)符接收。此請求可以是計(jì)算請求，也可以是數(shù)據(jù)卸載請求。包括應(yīng)用、用戶終端、傳感器、網(wǎng)絡(luò)和媒體。在本階段中，還將監(jiān)控服務(wù)質(zhì)量(QoS）和服務(wù)水平協(xié)議(SLA）等獨(dú)立參數(shù)，并將其寫入知識(shí)數(shù)據(jù)庫。

3.2 分析組件

此組件處理從監(jiān)測器組件收集處理的度量數(shù)據(jù)，并通過處理這些度量數(shù)據(jù)，獲取當(dāng)前系統(tǒng)生產(chǎn)力狀態(tài)的數(shù)據(jù)和對未來需求的預(yù)測。在這個(gè)階段，如果一個(gè)資源被分配給一個(gè)計(jì)算請求，并且這導(dǎo)致違反服務(wù)質(zhì)量，分析員必須檢測到這一點(diǎn)并發(fā)出必要的警報(bào)。該部分與知識(shí)庫關(guān)系密切，并不斷與知識(shí)庫交換信息。

3.3 計(jì)劃組件

這一部分包含了系統(tǒng)的決策模塊。本階段通過知識(shí)庫使用上一階段的信息，最終決定是卸載還是在本地執(zhí)行。本階段討論計(jì)算卸載，此組件決定在當(dāng)前情況下是否卸載以及如果卸載，如何將任務(wù)發(fā)送到適當(dāng)?shù)奶幚硐到y(tǒng)。決策模塊包括成本估算模塊和上下文感知決策算法兩部分。估算組件是基于成本的上下文探查器生成一組成本估算模型，用于計(jì)算邊緣服務(wù)器和公共云基礎(chǔ)設(shè)施上每個(gè)可卸載任務(wù)的運(yùn)行時(shí)長和能耗。事實(shí)上，此方法可以找到卸載請求程序模塊的最佳目的地。

使用貝葉斯學(xué)習(xí)自動(dòng)機(jī)將系統(tǒng)建模為狀態(tài)機(jī)。在該結(jié)構(gòu)中，每個(gè)狀態(tài)以學(xué)習(xí)自動(dòng)機(jī)方式與唯一邊緣設(shè)備選擇概率相關(guān)聯(lián)。一臺(tái)基于貝葉斯學(xué)習(xí)自動(dòng)機(jī)的獨(dú)立邊緣設(shè)備按照貝葉斯推理原則進(jìn)行工作。在貝葉斯學(xué)習(xí)自動(dòng)機(jī)中，使用具有兩個(gè)正參數(shù)α和β的貝塔分布。概率密度函數(shù)通過公式(1）計(jì)算如下［3］：

把提出的卸載方法寫成以下算法。該方法包括初始化和 “監(jiān)視-分析-計(jì)劃-執(zhí)行” 兩部分。在初始化部分，首先將αi和βi設(shè)置為1，其次創(chuàng)建用戶終端、云和應(yīng)用程序。其次，邊緣服務(wù)器是根據(jù)部門和手機(jī)的數(shù)量構(gòu)建的。最后，將應(yīng)用程序提交到邊緣服務(wù)器控制器，并啟動(dòng)仿真模擬器iFogsim。

算法描述：

(1）Initialization：αi=βi=1，i=［1，N］，j=1./*N是邊緣設(shè)備的數(shù)量*/

(2）Create UE，Cloud，application(Modules，Edges，Tuples，Workflow）./*創(chuàng)建用戶終端、云、應(yīng)用程序(模塊、邊緣、元組、工作流）*/

(3）f or i=1t o De par t ment Max d o

(4）f or j=1t o Mob i l e Ma x d o

(5）Edge server(Node name，MIPS，Ram，Storage，upper BW，lower BW，busy power，and idle power）./*邊緣服務(wù)器(節(jié)點(diǎn)名稱、MIPS、Ram、存儲(chǔ)器、上BW、下BW、忙功率和空閑功率）*/

(6）end for

(7）end for

(8）Submit applications./*提交應(yīng)用*/

(9）Start iFogsim.

(10）while Modules enter from UE do/*模塊從用戶終端進(jìn)入*/

(11）Monitor：/*監(jiān)測*/

(12）收集模塊、傳感器、元組、網(wǎng)絡(luò)接口、用戶終端、云和邊緣服務(wù)器的上下文。

(13）Analyze：/*分析*/

(14）計(jì)算本地設(shè)備中的數(shù)據(jù)執(zhí)行率和計(jì)算邊緣服務(wù)器的帶寬

(15）檢查網(wǎng)絡(luò)接口狀態(tài)

(16）Planing：/*整平*/

(17）while j＜MaxIteration do/*MaxIteration最大迭代*/

(18）f o r i=1t o i＜N d o

(19）從β分布中隨機(jī)抽取一個(gè)值xi，用αi，βi表示為公式(1）

(20）end for

(21）Destination=Find maximum xi./*查找目標(biāo)*/

(22）Cost function=ω1Pi＋ω2TED./*ω1和ω2是等于0.0075和0.33的歸一化系數(shù)，Pi是第i個(gè)邊緣設(shè)備的功率，TED=1/MIPS，其中MIPS是邊緣服務(wù)器每秒可以運(yùn)行的百萬次可執(zhí)行操作*/

(23）if Cost function＜Cost tradoff then

(24）αi=αi＋1./*獎(jiǎng)賞*/

(25）else

(26）βi=βi＋1./*處罰*/

(27）end if

(28）end while

(29）Execute：/*執(zhí)行*/

(30）基于目標(biāo)的卸載模塊

(31）end while

(32）Stop iFogsim

在 “監(jiān)視-分析-計(jì)劃-執(zhí)行” 部分中，四個(gè)階段連續(xù)執(zhí)行。在監(jiān)控階段，收集模塊、傳感器、元組、網(wǎng)絡(luò)接口、用戶終端、云和邊緣服務(wù)器的上下文。在分析階段，計(jì)算本地設(shè)備、邊緣服務(wù)器和云的執(zhí)行成本，并檢查網(wǎng)絡(luò)接口狀態(tài)。在規(guī)劃階段，我們執(zhí)行貝葉斯學(xué)習(xí)自動(dòng)機(jī)算法來選擇模塊的最佳目的地。席氏值的隨機(jī)性由β分布隨機(jī)為公式(1），參數(shù)為αi，βi，αi，βi的值根據(jù)獎(jiǎng)勵(lì)或懲罰進(jìn)行更新。最后，在執(zhí)行階段，把當(dāng)前模塊卸載到最佳目的地，該目的地在計(jì)劃階段獲得或本地執(zhí)行。

3.4 執(zhí)行組件

最后的職責(zé)是執(zhí)行執(zhí)行部分中的命令。在本階段中，計(jì)算將卸載到其他機(jī)器。本階段與設(shè)備和資源密切相關(guān)，并存儲(chǔ)知識(shí)庫中先前提到的最新狀態(tài)的資源，以備將來使用。本階段包括我們的任務(wù)管理器組件。任務(wù)管理器收集信息，例如方法條目、執(zhí)行任務(wù)所需的庫、卸載位置的網(wǎng)絡(luò)地址，并將其放入卸載包中。處理者決定在本地運(yùn)行移交任務(wù)，或?qū)⑵渥鳛檫吘壏?wù)器或云發(fā)送到頂層。

4 結(jié)語

MEC中的計(jì)算卸載面臨許多挑戰(zhàn)。在本研究中，首先應(yīng)用上下文、用戶終端、傳感器、網(wǎng)絡(luò)、邊緣服務(wù)器所產(chǎn)生的一些重要上下文，并使用在邊緣級(jí)別(監(jiān)視階段）定義的自主管理( “監(jiān)視-分析-計(jì)劃-執(zhí)行” 控制循環(huán)）來收集所需內(nèi)容；其次對這些上下文進(jìn)行分析(分析階段），并幫助做出卸載決策，發(fā)送到上下文感知算法，該算法有效地基于接收到的上下文，判斷是否為最佳卸載目的地。通過貝葉斯學(xué)習(xí)自動(dòng)機(jī)算法(規(guī)劃階段）來選擇子系統(tǒng)，執(zhí)行卸載指令(執(zhí)行階段）。

因此，在本地運(yùn)行，還是將計(jì)算卸載到邊緣或云，運(yùn)用MEC體系結(jié)構(gòu)上的 “監(jiān)視-分析-計(jì)劃-執(zhí)行” 控制循環(huán)來進(jìn)行決定。使用應(yīng)用程序、傳感器、資源、邊緣服務(wù)器和網(wǎng)絡(luò)的上下文信息，并運(yùn)用這些更新的上下文改進(jìn)卸載過程，找到邊緣設(shè)備或云計(jì)算的最佳目的地。為了解決這個(gè)問題，運(yùn)用機(jī)器學(xué)習(xí)方法，使用貝葉斯學(xué)習(xí)自動(dòng)機(jī)技術(shù)優(yōu)化了計(jì)算卸載算法。

經(jīng)過測試，結(jié)果表明，貝葉斯學(xué)習(xí)自動(dòng)機(jī)技術(shù)在能耗、總執(zhí)行成本、網(wǎng)絡(luò)使用率、延遲方面均優(yōu)于本地執(zhí)行和普通卸載方法，這些結(jié)果具有上下文感知信息的卸載算法能夠提高網(wǎng)絡(luò)性能。