面向IoT的兩級多接入邊緣計算節(jié)能卸載策略

鄧 宇，趙軍輝，2，張青苗

1.華東交通大學(xué) 信息工程學(xué)院，南昌 330013

2.北京交通大學(xué) 電子信息工程學(xué)院，北京 100044

隨著5G 無線通信技術(shù)[1]的迅猛發(fā)展與物聯(lián)網(wǎng)（Internet of things，IoT）的規(guī)模性部署，通信網(wǎng)絡(luò)的傳輸速率[2]、接入密度[3]、頻譜效率[4]等都得到了極大的提升，各種IoT終端設(shè)備的數(shù)量和數(shù)據(jù)量呈現(xiàn)出爆炸式的增長，也涌現(xiàn)出許多計算密集型應(yīng)用，如增強(qiáng)現(xiàn)實(shí)、虛擬現(xiàn)實(shí)[5]和智慧交通[6-7]等。與此同時，由于IoT 設(shè)備的計算、存儲能力以及電池技術(shù)的限制，執(zhí)行高能耗任務(wù)并實(shí)時處理應(yīng)用數(shù)據(jù)成為了一個巨大的挑戰(zhàn)。云計算[8]的出現(xiàn)很好地解決了終端設(shè)備計算能力不足和電量有限等問題，用戶設(shè)備可通過將計算任務(wù)卸載至遠(yuǎn)程云服務(wù)器進(jìn)行計算，從而大大提升任務(wù)的計算時間和設(shè)備的運(yùn)行效率。然而，由于云服務(wù)器位置較遠(yuǎn)且部署集中，將任務(wù)數(shù)據(jù)上傳至云服務(wù)器的通信過程中需要較高的傳輸時延，無法滿足一些時延敏感性較高的實(shí)時任務(wù)的要求[9]。

為了解決上述問題，多接入邊緣計算（multi-access edge computing，MEC）技術(shù)應(yīng)運(yùn)而生。MEC 技術(shù)通過將任務(wù)從資源受限的IoT 設(shè)備轉(zhuǎn)移到功能強(qiáng)大且部署于網(wǎng)絡(luò)邊緣側(cè)的邊緣服務(wù)器（edge server，ES），可以為資源受限的IoT 設(shè)備提供實(shí)時、動態(tài)的數(shù)據(jù)處理能力，減少總體執(zhí)行時延和能耗，增強(qiáng)系統(tǒng)通信的可靠性[10-11]。因此，MEC技術(shù)已經(jīng)成為IoT系統(tǒng)研究中一個活躍的研究領(lǐng)域。目前對于MEC的研究主要集中于多邊緣節(jié)點(diǎn)（edge nodes，ENs）部署策略和卸載策略。在ENs 部署策略方面，2018 年，文獻(xiàn)[12]提出了扁平式部署ENs 網(wǎng)絡(luò)，即在邊緣系統(tǒng)中所有邊緣云與ENs 同地的網(wǎng)絡(luò)架構(gòu)。2019年，文獻(xiàn)[13]提出面向復(fù)雜性較高的多路訪問邊緣網(wǎng)絡(luò)的垂直式ENs 部署，即邊緣云與ENs 異地，用戶依據(jù)計算資源的利用率和任務(wù)分類選擇性地將計算任務(wù)通過不同層級的ENs 卸載至ES，降低總體傳輸能耗。在邊緣卸載策略方面，目前研究主要為通過不同的任務(wù)派發(fā)和調(diào)度方式，提高任務(wù)計算的時延或能耗特性。文獻(xiàn)[14]考慮了MEC 網(wǎng)絡(luò)中的流量分集和無線分集，對多路訪問邊緣節(jié)點(diǎn)的不同部署方式進(jìn)行了時延分析和能耗分析。文獻(xiàn)[15]針對計算資源不足而導(dǎo)致MEC 服務(wù)器無法滿足需求的現(xiàn)實(shí)問題，提出了移動場景的計算資源分配方案，并設(shè)計了一種分布式資源分配算法以提高系統(tǒng)效用和計算時間。在文獻(xiàn)[16-17]中，研究了在保證信道分配公平的情況下最大提升MEC系統(tǒng)吞吐量的問題，考慮了任務(wù)之間的相互依賴關(guān)系對任務(wù)卸載時延的影響，提出了基于協(xié)調(diào)算法的卸載策略以使得系統(tǒng)時延最低。文獻(xiàn)[18]將用戶服務(wù)質(zhì)量作為邊緣網(wǎng)絡(luò)有效性的重要評價指標(biāo)，通過一種在線學(xué)習(xí)方法盡可能地提升了邊緣系統(tǒng)能效。文獻(xiàn)[19]提出在移動場景下協(xié)同優(yōu)化邊緣節(jié)點(diǎn)之間的服務(wù)緩存決策和資源分配，大大節(jié)省了重新配置服務(wù)的成本，提高了通信資源的利用效率。文獻(xiàn)[20]首次提出了在ENs所占用計算資源不相同的情況下，采用多級ENs卸載策略能夠極大實(shí)現(xiàn)傳輸鏈路復(fù)用，提高傳輸能效。

上述的研究均取得了一定的成果，但還存在著一些不足之處：一方面，現(xiàn)有的研究對于計算資源及信道資源聯(lián)合優(yōu)化問題還考慮的不夠充分；另一方面，對于異構(gòu)資源，大多數(shù)研究采用平坦式邊緣網(wǎng)絡(luò)架構(gòu)進(jìn)行處理，對于多層級邊緣網(wǎng)絡(luò)的性能表現(xiàn)的研究仍尚少。本文在IoT場景下，綜合考慮IoT設(shè)備的時延約束特性、邊緣節(jié)點(diǎn)的異構(gòu)資源、多路訪問邊緣網(wǎng)絡(luò)的無線干擾三個方面的因素，研究由多個設(shè)備及兩級邊緣節(jié)點(diǎn)構(gòu)成的IoT系統(tǒng)中多計算任務(wù)卸載策略。主要創(chuàng)新點(diǎn)如下：

（1）提出了一種具有異構(gòu)資源的二級ENs網(wǎng)絡(luò)；

（2）提出了一種計算資源及信道資源聯(lián)合優(yōu)化的最優(yōu)能耗卸載策略算法（optimal energy consumption algorithm，OECA）。

1 系統(tǒng)模型

本文設(shè)計的兩級節(jié)點(diǎn)MEC 網(wǎng)絡(luò)系統(tǒng)模型如圖1 所示。考慮IoT 節(jié)點(diǎn)下的一組IoT 設(shè)備，每個設(shè)備產(chǎn)生一個計算任務(wù)，記任務(wù)集為N={ }1,2,…,i,…,n，每一任務(wù)需要在延遲約束tmaxi內(nèi)完成，且不同設(shè)備之間是異構(gòu)的。對于設(shè)備而言，可選擇兩種卸載策略來完成計算任務(wù)：在本地執(zhí)行或卸載到ES。在MEC 網(wǎng)絡(luò)中，存在一級邊緣節(jié)點(diǎn)EN1和二級邊緣節(jié)點(diǎn)EN2，每個邊緣節(jié)點(diǎn)具有若干信道，記作K={ }1,2,…,k,…,λ，帶寬均為B。考慮到IoT設(shè)備僅配備一個無線電設(shè)備，在任務(wù)執(zhí)行過程中，IoT 設(shè)備只能選擇一個EN 來將計算任務(wù)卸載到ES。為了提高頻譜復(fù)用效率，EN1與EN2在相同的頻帶中運(yùn)行，且其二者之間存在回程鏈路。由于回程鏈路與其他基礎(chǔ)通信架構(gòu)共享，其功耗可以忽略不計，回程的時延受到時延系數(shù)γ控制，系統(tǒng)模型如圖1所示。

圖1 兩級MEC網(wǎng)絡(luò)系統(tǒng)模型Fig.1 Two-level MEC network system model

2 問題描述

本文旨在研究面向IoT應(yīng)用的MEC能耗效率問題，以來自不同設(shè)備的計算任務(wù)為對象，制定一種優(yōu)化的計算任務(wù)策略，使得系統(tǒng)在滿足時延約束的前提下能耗最小化。為進(jìn)一步分析系統(tǒng)總體能耗并研究多IoT 設(shè)備的卸載決策及ENs的任務(wù)調(diào)度對系統(tǒng)能耗的影響，將面向物聯(lián)網(wǎng)應(yīng)用的MEC能耗效率分解為以下兩個問題。

（1）任務(wù)放置問題：根據(jù)時延約束與能耗特性，綜合考慮全局IoT 設(shè)備任務(wù)總能耗，對i∈N決定是在本地執(zhí)行該任務(wù)還是將任務(wù)卸載到ES。

（2）資源調(diào)度問題：在系統(tǒng)中，IoT 節(jié)點(diǎn)計算任務(wù)集總是由一系列由不同設(shè)備上傳的任務(wù)組成，這些任務(wù)通常是異構(gòu)的，需要對所有任務(wù)確定其卸載優(yōu)先級順序。主要原因一是系統(tǒng)的頻帶資源有限，應(yīng)當(dāng)把增益較強(qiáng)的信道分配給優(yōu)先級更高的任務(wù)，以使系統(tǒng)整體任務(wù)傳輸過程中的總能耗更小；二是改變?nèi)蝿?wù)的執(zhí)行順序也會影響系統(tǒng)的總能耗。

在任務(wù)卸載到EN1的情況下，系統(tǒng)的全局時延，即系統(tǒng)中所有用戶的時延之和，可表示為：

其中約束C1～C3 保證了任務(wù)i的通過計算方式的時延要求，tmax表示該用戶自身的時延約束；C4～C6 表示任務(wù)i只能選擇一種計算方式；C7 表示必須為每個任務(wù)分配一種計算方式；C8 表示信道只能分配給一個設(shè)備。

在卸載過程中，將{ai,j,k}視作表示設(shè)備卸載方式選擇的指示器，優(yōu)化問題（15）的解用二進(jìn)制集合{ai,j,k}表示，{ai,j,k}的影響因素有任務(wù)的時延約束、任務(wù)傳輸?shù)臒o線干擾、用戶所選計算方式的能耗屬性和任務(wù)所屬信道的無線資源。

定義 問題（15）是NP-hard問題，具有多項(xiàng)式復(fù)雜性。

證明 選定特殊情況，將系統(tǒng)模型簡化為只有一個EN且各無線信道具有相同信干噪比（signal to interference plus noise ratio，SINR）設(shè)xi={ }0,1 表示任務(wù)i是否被卸載到ES，xi=0 表示任務(wù)未卸載，xi=1 表示任務(wù)卸載，則問題（15）可簡化為：

3 最優(yōu)能耗邊緣卸載策略

為了有效求解優(yōu)化問題（12），本章提出了針對多聯(lián)合優(yōu)化最優(yōu)能耗算法（optimal energy consumption algorithm，OECA），OECA 主要分為3 個階段：設(shè)備分類、設(shè)備優(yōu)先級劃分、無線資源分配。

3.1 設(shè)備分類算法

按照任務(wù)計算的時延約束和能耗特性，將IoT設(shè)備分為兩類：第一類設(shè)備定義為將任務(wù)放置在本地的設(shè)備，即任務(wù)被放置在本地執(zhí)行；第二類設(shè)備定義為將任務(wù)卸載至ES執(zhí)行的設(shè)備，這類設(shè)備需要符合兩個條件：

（1）本地CPU 的計算能力不足以在時延約束內(nèi)完成任務(wù)執(zhí)行；

（2）本地CPU 在執(zhí)行任務(wù)時延的內(nèi)能耗高于ES的CPU。

3.2 設(shè)備優(yōu)先級劃分

對于{?O}中的設(shè)備集，由于無線信道的容量有限、設(shè)備之間存在無線干擾以及任務(wù)之間的異構(gòu)特性，在為其分配無線信道資源之前有必要對其優(yōu)先級進(jìn)行劃分，即優(yōu)先級越高的設(shè)備，越優(yōu)先選擇信道資源。設(shè)備優(yōu)先級的主要影響因素有延遲約束、無線資源以及本地計算和邊緣卸載計算之間的計算能耗差。設(shè)備優(yōu)先級分配過程如下所示。

其中β1、β2、β3為權(quán)重系數(shù)，滿足β1+β2+β3=1。

式（27）為i的多項(xiàng)加權(quán)表達(dá)式，其中第一項(xiàng)表示設(shè)備i的時延約束的嚴(yán)格程度，時延約束嚴(yán)格的設(shè)備應(yīng)獲得更高的權(quán)重；第二項(xiàng)表示設(shè)備所處的信道環(huán)境，應(yīng)優(yōu)先為系統(tǒng)中信道環(huán)境較差的設(shè)備分配信道資源；第三項(xiàng)表示設(shè)備選擇不同的任務(wù)計算方式之間的能耗差值，若設(shè)備選擇邊緣卸載能夠節(jié)約較高的能量，則設(shè)備應(yīng)獲得更高權(quán)重。φi的值與設(shè)備的優(yōu)先程度成正比。

3.3 無線資源分配

基于所得權(quán)重序列{φi}可得設(shè)備的優(yōu)先級順序集合，由此可執(zhí)行OECA為設(shè)備分配無線信道資源。能耗表現(xiàn)是影響設(shè)備信道選擇的決定性因素，但在設(shè)備進(jìn)行無線信道選擇時因優(yōu)先選擇SINR 較高的信道，其原因是：（1）SINR 直接影響任務(wù)運(yùn)算的時延，且不同信道之間的傳輸功率相等；（2）以SINR為選擇無線信道指標(biāo)能夠有效縮短算法迭代時間。無線信道分配的具體步驟如下：

4 仿真結(jié)果及分析

本章通過仿真結(jié)果評估OECA 的性能。設(shè)定EN1和EN2覆蓋面積為100 m×100 m的區(qū)域，每個基站具有K=50 條信道，同屬一個基站的信道之間兩兩正交。區(qū)域內(nèi)存在n=100 個用戶，每個用戶即為1 個IoT 設(shè)備，每個IoT設(shè)備根據(jù)主流應(yīng)用程序（例如面部識別應(yīng)用程序、視頻導(dǎo)航應(yīng)用程序等）產(chǎn)生一個計算任務(wù)需求。IoT 設(shè)備產(chǎn)生的計算任務(wù)大小在[500 KB，1 500 KB]間均勻分布，其所需本地計算能力在[1.5 GHz，2.0 GHz]間均勻分布，所需的CPU 計算能力在[0.2 GHz，0.3 GHz]間均勻分布，初始時延系數(shù)γ=1×10-4s/KB。具體的實(shí)驗(yàn)參數(shù)如表1所示。在實(shí)驗(yàn)中，將所提出的二級邊緣節(jié)點(diǎn)網(wǎng)絡(luò)模型與平坦式邊緣網(wǎng)絡(luò)模型[9]相對比，將所提出的OECA 算法分別與無卸載機(jī)制計算方案、基于有向無環(huán)圖的卸載算法（directed acyclic graph algorithm，DAGA）[16-17]進(jìn)行對比。

表1 實(shí)驗(yàn)參數(shù)Table 1 Experimental parameters

如圖2 為4 種不同的任務(wù)計算方式的能耗表現(xiàn)對比。隨著用戶數(shù)量的增加，不同方案下的系統(tǒng)能耗都逐漸增加，無卸載機(jī)制的系統(tǒng)的能耗要明顯高于其他3種方案，OECA 算法的能耗最低。當(dāng)系統(tǒng)用戶總數(shù)較少時，各計算方案能耗之間差異較小。當(dāng)系統(tǒng)用戶總數(shù)n=60 時，二級邊緣網(wǎng)絡(luò)OECA 的能耗為20.9 J，是無卸載機(jī)制計算方案的56.3%。當(dāng)系統(tǒng)用戶總數(shù)n=100 時，在平坦式邊緣網(wǎng)絡(luò)模型下，OECA的能耗為42.7 J，對比DAGA 減少了8.2 個百分點(diǎn)；在二級邊緣網(wǎng)絡(luò)模型下，OECA 的能耗為37.1 J，對比平坦式邊緣網(wǎng)絡(luò)OECA 能耗減少了13.1個百分點(diǎn)。

圖2 不同任務(wù)執(zhí)行方式下能耗對比Fig.2 Comparison of energy consumption under different task execution methods

與DAGA算法對比，系統(tǒng)可卸載用戶數(shù)量的對比情況如圖3所示。隨著系統(tǒng)用戶總數(shù)的變化，兩種算法的可卸載用戶數(shù)量都逐漸增加，當(dāng)系統(tǒng)用戶數(shù)量n=100時，二級邊緣網(wǎng)絡(luò)OECA 的可卸載用戶數(shù)為71，相比DADA 算法高出18.3 個百分點(diǎn)。在系統(tǒng)用戶數(shù)量較多的情況下，可卸載用戶數(shù)的增長速度逐漸平緩，這說明系統(tǒng)逐漸達(dá)到容量上限。

圖3 系統(tǒng)可卸載用戶數(shù)量對比Fig.3 Comparison of system offloading user numbers

如圖4 揭示了回程鏈路時延系數(shù)對系統(tǒng)能耗及二級邊緣節(jié)點(diǎn)下卸載用戶數(shù)量的影響。當(dāng)回程鏈路時延系數(shù)γ較大時，兩級ENs 之間的鏈路時延約束更加嚴(yán)格，此時二級邊緣節(jié)點(diǎn)下的用戶將可能無法滿足自身時延需求，因此轉(zhuǎn)為連接一級EN 執(zhí)行卸載。與此同時，對于這些用戶來說，通過一級邊緣節(jié)點(diǎn)進(jìn)行傳輸需要更高的傳輸能耗，因此系統(tǒng)能耗隨著γ的增加逐漸增大。

圖4 不同γ 時系統(tǒng)能耗和卸載用戶數(shù)量Fig.4 System energy consumption and unloaded user numbers under different γ

如圖5 揭示了不同用戶數(shù)量與不同卸載策略下ES的CPU 占用情況。隨著用戶數(shù)量的增加，兩種卸載策略所對應(yīng)的CPU占用都在不斷增加。當(dāng)系統(tǒng)中的用戶數(shù)量n>90 時，服務(wù)器CPU占用幾乎不隨設(shè)備數(shù)量而增長，這是由于用戶數(shù)量逐漸趨近MEC系統(tǒng)的容納上限，系統(tǒng)趨于飽和。當(dāng)用戶數(shù)量n=100 時，二級邊緣網(wǎng)絡(luò)DAGA 的CPU 占用為65%，二級邊緣網(wǎng)絡(luò)OECA 的CPU占用為57.8%，對比DAGA減少7.2個百分點(diǎn)。

圖5 CPU占用情況Fig.5 CPU usage

如圖6 揭示了時延約束tmax的變化對兩種不同的網(wǎng)絡(luò)模型下的MEC系統(tǒng)全局能耗的影響。對比平坦式邊緣網(wǎng)絡(luò)，二級邊緣網(wǎng)絡(luò)的能效更優(yōu)，在tmax=50 ms時二者的能效差達(dá)到40.14 W。當(dāng)tmax<80 ms 時，兩種網(wǎng)絡(luò)模型的MEC 系統(tǒng)能耗都隨著tmax的減小大幅增加。這是由于此時系統(tǒng)的時延敏感性大幅提高，即系統(tǒng)中的用戶在進(jìn)行應(yīng)用任務(wù)計算時的時延要求更為嚴(yán)格，更多的用戶選擇通過ES進(jìn)行邊緣卸載以滿足自身應(yīng)用任務(wù)的時延要求。隨著tmax的逐漸增大，用戶自身的計算任務(wù)時延要求降低，更多的用戶被移出ES 卸載序列以降低MEC系統(tǒng)能耗。

圖6 不同tmax 時系統(tǒng)能耗對比Fig.6 Comparison of system energy consumption under different tmax

如圖7為不同時延約束tmax下，兩種不同的網(wǎng)絡(luò)模型下的MEC 系統(tǒng)中可卸載用戶數(shù)量的對比。與平坦式邊緣網(wǎng)絡(luò)相比，二級邊緣網(wǎng)絡(luò)所能容納的邊緣卸載用戶更多，即網(wǎng)絡(luò)吞吐量更大。當(dāng)tmax=163 ms時二者相差達(dá)到最大值25%。隨著tmax逐漸增大，系統(tǒng)中可卸載用戶數(shù)量逐漸下降，這是由于此時用戶自身計算任務(wù)的時延要求逐漸寬松，更多的用戶傾向于在自身IoT 設(shè)備上計算應(yīng)用任務(wù)。當(dāng)tmax<67 ms 時，隨著tmax的增大，MEC 系統(tǒng)可卸載用戶數(shù)的下降趨勢較為平緩，主要原因是在時延約束較為嚴(yán)苛的情況下，絕大部分用戶依然需要依賴ES 所提供的計算能力進(jìn)行任務(wù)計算。

圖7 不同tmax 時可卸載用戶數(shù)對比Fig.7 Comparison of offloading user numbers under different tmax

5 結(jié)語

本文將IoT 場景下用戶應(yīng)用任務(wù)卸載問題建模為二級邊緣節(jié)點(diǎn)下的多用戶邊緣卸載策略選擇，為了降低IoT 設(shè)備進(jìn)行邊緣卸載過程中的能耗，在滿足IoT 時延約束的前提下，通過優(yōu)先級函數(shù)平衡卸載時延與能耗，并提出OECA 卸載策略。仿真結(jié)果表明，對比基于DAG的算法，所提方案可提升MEC網(wǎng)絡(luò)容量18.3個百分點(diǎn)，縮減能耗13.1 個百分點(diǎn)，有效提升了通信過程中的能效。下一步工作將考慮在多任務(wù)場景下，針對多級邊緣網(wǎng)絡(luò)的并行任務(wù)放置問題研究卸載策略，并采用啟發(fā)式算法進(jìn)行無線資源分配，以進(jìn)一步分析MEC 系統(tǒng)的最優(yōu)能效卸載方案。