面向物聯(lián)網(wǎng)網(wǎng)關(guān)的邊緣云優(yōu)化部署算法

曾志區(qū)

摘要：探討了針對(duì)大型基礎(chǔ)設(shè)施建設(shè)中物聯(lián)網(wǎng)網(wǎng)關(guān)的邊緣云優(yōu)化部署算法及任務(wù)調(diào)度算法。邊緣云優(yōu)化部署算法旨在智能地將計(jì)算和存儲(chǔ)任務(wù)從云端轉(zhuǎn)移到邊緣節(jié)點(diǎn)，以降低數(shù)據(jù)傳輸量和系統(tǒng)延遲。通過4個(gè)步驟管理終端設(shè)備與邊緣網(wǎng)關(guān)系統(tǒng)的通信流程，實(shí)現(xiàn)了對(duì)物聯(lián)網(wǎng)系統(tǒng)的全面監(jiān)控和管理。針對(duì)不同任務(wù)負(fù)載和時(shí)間加權(quán)系數(shù)，實(shí)驗(yàn)結(jié)果顯示基于交叉熵的通訊優(yōu)化在性能上具有顯著優(yōu)勢(shì)，這些算法提升了物聯(lián)網(wǎng)系統(tǒng)效率和性能，在邊緣計(jì)算中展現(xiàn)了潛在的應(yīng)用前景。

關(guān)鍵詞：物聯(lián)網(wǎng)；邊緣計(jì)算；優(yōu)化部署算法

中圖分類號(hào)：TN915.07

文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1001-5922（2023）12-0151-04

Edge cloud optimization deployment algorithm for IoT gateway

ZENG Zhiqu

（Guangzhou Huashang University，Experimental Teaching and Network Technology Management?Center，Guangzhou 511300，China）

Abstract：The edge cloud optimization deployment algorithm and task scheduling algorithm for IoT gateways in large-scale infrastructure construction were discussed. Edge cloud optimization deployment algorithms are designed to intelligently trasnfer compute and storage tasks from the cloud to edge nodes to reduce data transfer volumes and system latency. The communication process between the terminal device and the edge gateway system was managed in four steps to achieve comprehensive monitoring and management of the IoT system. According to different task load and time weighting coefficient，the experimental results showed that the communication optimization based on cross entropy had significant advantages in performance. Overall，these algorithms improve the efficiency and performance of IoT systems，showing potential applications in edge computing.

Key words：Internet of Things，edge computing，optimized deployment algorithm

數(shù)智校園是一個(gè)基于先進(jìn)技術(shù)構(gòu)建的智慧化教育場景，其基礎(chǔ)設(shè)施包括信息協(xié)作平臺(tái)、物聯(lián)網(wǎng)技術(shù)、智能化設(shè)備等。這種校園結(jié)構(gòu)旨在提高學(xué)習(xí)和教育環(huán)境的效率、安全性和便利性。作為數(shù)智校園的核心，信息協(xié)作平臺(tái)整合了多種技術(shù)和資源，包括數(shù)據(jù)管理系統(tǒng)、在線教育資源、溝通工具等，為師生提供了便捷的學(xué)習(xí)和管理環(huán)境。在這一進(jìn)程中，物聯(lián)網(wǎng)網(wǎng)關(guān)作為物理設(shè)備與云端連接的關(guān)鍵橋梁，扮演著至關(guān)重要的角色。然而，在校園環(huán)境下，網(wǎng)關(guān)設(shè)備的高效管理和任務(wù)調(diào)度尤為關(guān)鍵。特殊的校園需求促使我們著手研究，本文旨在應(yīng)對(duì)校園物聯(lián)網(wǎng)網(wǎng)關(guān)的特殊要求，提出一種邊緣云優(yōu)化部署算法。該算法旨在實(shí)現(xiàn)對(duì)網(wǎng)關(guān)設(shè)備的智能化部署和任務(wù)調(diào)度，進(jìn)一步推動(dòng)校園物聯(lián)網(wǎng)技術(shù)的智能化和效率化。

1算法設(shè)計(jì)

1.1邊緣云優(yōu)化部署

邊緣云優(yōu)化部署算法可視為邊緣網(wǎng)關(guān)系統(tǒng)對(duì)終端設(shè)備的智能管理策略的一部分。這種策略的有效實(shí)施包括2個(gè)主要方面：一是終端設(shè)備的接入，二是終端系統(tǒng)參數(shù)的獲取。在校園物聯(lián)網(wǎng)管理系統(tǒng)中，這個(gè)過程是對(duì)物理設(shè)備和節(jié)點(diǎn)進(jìn)行智能化管理和控制的關(guān)鍵步驟。

（1）邊緣網(wǎng)關(guān)系統(tǒng)通過感知層掃描校園環(huán)境中的設(shè)備和節(jié)點(diǎn)。在校園環(huán)境中，常見的物聯(lián)網(wǎng)設(shè)備包括智能教室設(shè)備（如智能投影儀、智能白板）、學(xué)生學(xué)習(xí)設(shè)備（筆記本電腦、平板電腦）、環(huán)境監(jiān)測傳感器（溫度、濕度、空氣質(zhì)量傳感器）、安全監(jiān)控設(shè)備（監(jiān)控?cái)z像頭）等。這些設(shè)備分布在校園各個(gè)角落，構(gòu)成了校園物聯(lián)網(wǎng)系統(tǒng)的重要組成部分。一旦新設(shè)備加入，系統(tǒng)將自動(dòng)進(jìn)行連接。感知層在物理訪問上扮演著重要角色，負(fù)責(zé)對(duì)每個(gè)節(jié)點(diǎn)信息進(jìn)行組網(wǎng)控制，并將結(jié)果傳遞給解析層進(jìn)行處理。這種掃描和連接的過程有助于系統(tǒng)實(shí)現(xiàn)設(shè)備的快速接入和集成。

（2）在邊緣網(wǎng)關(guān)系統(tǒng)中，各通訊模塊負(fù)責(zé)運(yùn)行藍(lán)牙、WiFi、LoRa等進(jìn)程，以檢測校園內(nèi)各節(jié)點(diǎn)的活動(dòng)。當(dāng)檢測到數(shù)據(jù)時(shí)，系統(tǒng)將其收集、打包并轉(zhuǎn)發(fā)至解析層進(jìn)行后續(xù)處理。而在未檢測到數(shù)據(jù)時(shí)，系統(tǒng)會(huì)循環(huán)等待，直至接收到數(shù)據(jù)為止。解析層對(duì)接收到的數(shù)據(jù)進(jìn)行格式標(biāo)準(zhǔn)化。解析層將這些數(shù)據(jù)按照標(biāo)準(zhǔn)格式進(jìn)行統(tǒng)一封裝，并發(fā)送至網(wǎng)絡(luò)層。網(wǎng)絡(luò)層則提供了數(shù)據(jù)對(duì)接入應(yīng)用平臺(tái)的接口。這一層包括各種廣域接入網(wǎng)絡(luò)與互聯(lián)網(wǎng)構(gòu)成的承載網(wǎng)絡(luò)。系統(tǒng)可以隨機(jī)切換選擇多種或單一的接入方式，將數(shù)據(jù)傳遞給應(yīng)用層。

（3）應(yīng)用層對(duì)網(wǎng)絡(luò)層傳遞上來的數(shù)據(jù)進(jìn)行應(yīng)用分析。通過這一層的處理，系統(tǒng)能夠完成對(duì)校園物聯(lián)網(wǎng)系統(tǒng)的全面監(jiān)控和管理，實(shí)現(xiàn)智能化的任務(wù)調(diào)度和資源管理。

1.2任務(wù)調(diào)度算法

為了實(shí)現(xiàn)邊緣云優(yōu)化部署，設(shè)計(jì)了一套任務(wù)調(diào)度算法，主要考慮邊緣網(wǎng)關(guān)的計(jì)算資源消耗、能源消耗和時(shí)間消耗。算法綜合考慮任務(wù)的優(yōu)先級(jí)、計(jì)算復(fù)雜度和時(shí)效性要求，通過智能調(diào)度，旨在實(shí)現(xiàn)最優(yōu)的資源分配策略。

在任務(wù)調(diào)度的問題定義中，系統(tǒng)中存在N個(gè)邊緣節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)都具有一定的能量資源ei和計(jì)算資源ci。每個(gè)邊緣節(jié)點(diǎn)上都有一個(gè)計(jì)算密集型和延遲敏感的任務(wù)，任務(wù)的輸入數(shù)據(jù)大小為Bi，完成任務(wù)所需的計(jì)算資源量為Di。邊緣節(jié)點(diǎn)之間可以進(jìn)行無線通信，可以選擇將任務(wù)卸載給鄰居節(jié)點(diǎn)執(zhí)行，也可以在本地執(zhí)行。整個(gè)任務(wù)調(diào)度問題旨在找到各個(gè)邊緣設(shè)備的調(diào)度策略，使得系統(tǒng)總體開銷最小。

在建模部分，引入了一個(gè)二進(jìn)制數(shù)xij表示邊緣設(shè)備i的任務(wù)卸載策略，其中xij=1表示設(shè)備i將任務(wù)卸載給鄰居設(shè)備j，xij=0表示在本地執(zhí)行任務(wù)。任務(wù)調(diào)度問題的目標(biāo)是在計(jì)算資源不超過上限的約束下，找到各個(gè)邊緣設(shè)備的調(diào)度策略，使得系統(tǒng)的總開銷最小。

任務(wù)調(diào)度算法中，考慮了本地執(zhí)行和卸載執(zhí)行2種情況。本地執(zhí)行任務(wù)的時(shí)間開銷、能量開銷以及總開銷分別通過以下公式計(jì)算：

Tli=DiFli（1）

Eli=vi·Di（2）

Zli=γiT·Tli+γiE·Eli（3）

對(duì)于卸載執(zhí)行，涉及到傳輸任務(wù)到鄰居節(jié)點(diǎn)的時(shí)間開銷和能量開銷，以及在鄰居節(jié)點(diǎn)執(zhí)行任務(wù)的時(shí)間開銷和能量開銷。總體卸載執(zhí)行的開銷通過以下公式計(jì)算：

Toffi=∑jNixij·BRij+（1-xij）·Toffij（4）

Eoffi=∑jNixij·Pi·Bi（5）

Zoffi=γiT·Toffi+γiE·EiE·（6）

最終，任務(wù)調(diào)度問題的目標(biāo)是尋找一個(gè)最優(yōu)的調(diào)度策略，使得系統(tǒng)總體開銷最小：

min∑Ni=1Zli-Zoffi（7）

通過競爭更新方式，這一調(diào)度策略能夠逐次優(yōu)化各個(gè)端點(diǎn)的資源利用情況，而控制調(diào)度優(yōu)化算法自身的資源消耗。與此同時(shí)，算法需要滿足一系列約束條件，包括設(shè)備之間的任務(wù)卸載關(guān)系、計(jì)算資源的分配限制、機(jī)會(huì)開銷的控制等。通過優(yōu)化調(diào)度策略，系統(tǒng)能夠更加智能地利用邊緣節(jié)點(diǎn)的資源，實(shí)現(xiàn)邊緣云優(yōu)化部署的目標(biāo)。

1.3算法對(duì)比

為了檢驗(yàn)本文所使用的調(diào)度算法的性能，將之與隨機(jī)選擇的任務(wù)調(diào)度方式進(jìn)行對(duì)比，并引入另一常見預(yù)測調(diào)度優(yōu)化模型進(jìn)行對(duì)比。交叉熵（Cross Entropy）是一種在信息理論和機(jī)器學(xué)習(xí)中常用的概念，用來衡量兩個(gè)概率分布之間的差異性。在機(jī)器學(xué)習(xí)中，特別是在深度學(xué)習(xí)中，交叉熵通常被用作損失函數(shù)，用來衡量模型輸出與實(shí)際標(biāo)簽之間的差異。

2仿真與驗(yàn)證

選擇了Windows平臺(tái)下的Matlab2018a作為仿真軟件，以及一臺(tái)配置Intel i5-4210處理器、主頻為3.8 GHz、內(nèi)存容量為4G的計(jì)算機(jī)。

在仿真過程中，通過設(shè)置40個(gè)邊緣設(shè)備，這些設(shè)備隨機(jī)分布在一個(gè)1 000 m×1 000 m的范圍內(nèi)，以模擬校園網(wǎng)絡(luò)環(huán)境中的多節(jié)點(diǎn)分布情況。每個(gè)邊緣設(shè)備都能夠通過WiFi網(wǎng)絡(luò)與其周圍的鄰近節(jié)點(diǎn)建立連接，距離限制在150 m范圍內(nèi)，這也是網(wǎng)絡(luò)校園環(huán)境中常見的通信范圍。

對(duì)于邊緣網(wǎng)關(guān)系統(tǒng)的配置，設(shè)定了每個(gè)邊緣網(wǎng)關(guān)設(shè)備的本地計(jì)算能力為5 MI/s。每個(gè)執(zhí)行單元所需的能量消耗為0.1 J，傳輸功率為1 J/s。而在初始時(shí)刻，也就是0時(shí)刻，每個(gè)設(shè)備的剩余能量和計(jì)算資源均服從均勻分布，分別在 （0，10）U（0，10） J 和 （0，250）U（0，250） MI，這反映了校園設(shè)備可能存在的能量和資源多樣性。

在模擬實(shí)驗(yàn)中，任務(wù)以10 個(gè)/s的速率隨機(jī)發(fā)送到邊緣網(wǎng)關(guān)上。這些任務(wù)的參數(shù)涵蓋了輸入數(shù)據(jù)大小為1～10 MB，計(jì)算負(fù)載為（10，100）U（10，100） MI ，時(shí)延限制為（5，10）U（5，10） s 。這些參數(shù)設(shè)置使得我們能夠模擬出在校園網(wǎng)絡(luò)環(huán)境中常見的任務(wù)類型和負(fù)載要求。

2.2不同計(jì)算負(fù)載對(duì)比檢測了計(jì)算負(fù)載為10 MI水平的情況，其結(jié)果如圖1所示。

由圖1可知，隨著任務(wù)調(diào)度的隨機(jī)選擇，時(shí)間與能量總消耗呈逐漸上升趨勢(shì)。基于交叉熵的通訊優(yōu)化顯示出相對(duì)較低的總能耗，表現(xiàn)出色。而競爭更新的通訊優(yōu)化在初始階段表現(xiàn)良好，但隨著計(jì)算負(fù)載的增加，總能耗略有上升。

調(diào)整計(jì)算負(fù)載為30 MI，其結(jié)果如圖2所示。

由圖2可知，隨機(jī)選擇任務(wù)調(diào)度所帶來的總能耗相對(duì)較高。與此相比，基于交叉熵的通訊優(yōu)化在各種情況下展現(xiàn)出最佳性能，總消耗達(dá)到最小水平。在計(jì)算負(fù)載較小的情況下，競爭更新的通訊優(yōu)化也呈現(xiàn)出相對(duì)較好的表現(xiàn)。

進(jìn)一步擴(kuò)大計(jì)算負(fù)載為100 MI，結(jié)果如圖3所示。

由圖3可知，隨機(jī)選擇任務(wù)調(diào)度所帶來的總能耗在計(jì)算負(fù)載較大時(shí)呈現(xiàn)明顯增長的趨勢(shì)。與此相對(duì)比，基于交叉熵的通訊優(yōu)化在各種情況下都展現(xiàn)出最佳的表現(xiàn)，總消耗一直保持在最小水平。在計(jì)算負(fù)載較小時(shí)，競爭更新的通訊優(yōu)化也展現(xiàn)出了相對(duì)較好的性能。

綜上所述，在不同計(jì)算負(fù)載下，不同的任務(wù)調(diào)度策略對(duì)能量總消耗和任務(wù)執(zhí)行時(shí)間產(chǎn)生了顯著影響。基于交叉熵的通訊優(yōu)化在各個(gè)計(jì)算負(fù)載水平下表現(xiàn)最佳，其總能耗始終保持在最小水平。競爭更新的通訊優(yōu)化在計(jì)算負(fù)載較小時(shí)表現(xiàn)相對(duì)良好，但隨著負(fù)載增加，其總能耗略有上升，可能受到競爭激烈程度的影響。這些結(jié)果意味著在數(shù)智校園物聯(lián)網(wǎng)環(huán)境中，對(duì)于邊緣網(wǎng)關(guān)系統(tǒng)的任務(wù)調(diào)度和通訊優(yōu)化，特別是在面對(duì)不同計(jì)算負(fù)載的情況下，采用基于交叉熵的通訊優(yōu)化算法可以帶來顯著的性能提升。這種優(yōu)化對(duì)于降低總能耗、提高系統(tǒng)效率至關(guān)重要。在校園網(wǎng)絡(luò)環(huán)境中，隨著計(jì)算負(fù)載的增加，合理且高效的通信策略以及資源調(diào)度變得更為迫切。

2.3不同時(shí)間-計(jì)算資源消耗的權(quán)重對(duì)比

上述分析中，時(shí)間消耗和計(jì)算資源消耗分別被配置為50%權(quán)重進(jìn)行總體系統(tǒng)開銷計(jì)算；而這一指標(biāo)根據(jù)校園環(huán)境和物聯(lián)網(wǎng)的設(shè)備聯(lián)系而有所區(qū)別。基于此，分別考慮時(shí)間加權(quán)系數(shù)為0.2和0.8的2種情況的數(shù)據(jù)特征，并將它們與系數(shù)為0.5的數(shù)據(jù)進(jìn)行對(duì)比，使用30 MI計(jì)算負(fù)載條件。

由圖4可知，隨機(jī)選擇任務(wù)調(diào)度時(shí)，在通訊數(shù)據(jù)較小的情況下，總消耗相對(duì)較低，但在通訊數(shù)據(jù)較大時(shí)，總消耗上升。基于交叉熵的通訊優(yōu)化時(shí)，總體上在各個(gè)通訊數(shù)據(jù)大小下都相對(duì)較低，尤其在通訊數(shù)據(jù)較大時(shí)表現(xiàn)優(yōu)越。競爭更新的通訊優(yōu)化時(shí)，在通訊數(shù)據(jù)較小的情況下，總體上表現(xiàn)較好，但在通訊數(shù)據(jù)較大時(shí)表現(xiàn)略遜于基于交叉熵的通訊優(yōu)化。

由圖5可知，隨機(jī)選擇任務(wù)調(diào)度時(shí)，在通訊數(shù)據(jù)較小的情況下總體消耗相對(duì)較低，但在通訊數(shù)據(jù)較大時(shí)總體上升。基于交叉熵的通訊優(yōu)化時(shí)，總體上在各個(gè)通訊數(shù)據(jù)大小下都相對(duì)較低，且在通訊數(shù)據(jù)較大時(shí)優(yōu)勢(shì)更為顯著。競爭更新的通訊優(yōu)化時(shí)，在通訊數(shù)據(jù)較小的情況下總體上表現(xiàn)較好，但在通訊數(shù)據(jù)較大時(shí)略遜于基于交叉熵的通訊優(yōu)化。

對(duì)比而言，時(shí)間加權(quán)系數(shù)為0.5的情況下，隨機(jī)選擇任務(wù)調(diào)度時(shí)，總體上在各個(gè)通訊數(shù)據(jù)大小下都表現(xiàn)中等。基于交叉熵的通訊優(yōu)化時(shí)，在通訊數(shù)據(jù)較大時(shí)表現(xiàn)較好，整體上優(yōu)于隨機(jī)選擇任務(wù)調(diào)度。競爭更新的通訊優(yōu)化時(shí)，在通訊數(shù)據(jù)較大時(shí)表現(xiàn)較好，整體上也優(yōu)于隨機(jī)選擇任務(wù)調(diào)度。

3結(jié)語

這一算法通過感知、解析、網(wǎng)絡(luò)和應(yīng)用4個(gè)步驟管理終端設(shè)備與邊緣網(wǎng)關(guān)系統(tǒng)的通信流程，實(shí)現(xiàn)了對(duì)物聯(lián)網(wǎng)系統(tǒng)的全面監(jiān)控和管理。在仿真環(huán)境中，對(duì)算法進(jìn)行了驗(yàn)證和對(duì)比實(shí)驗(yàn)，結(jié)果表明基于交叉熵的通訊優(yōu)化在不同計(jì)算負(fù)載和時(shí)間加權(quán)系數(shù)下表現(xiàn)出顯著的優(yōu)勢(shì)。總體而言，這項(xiàng)算法為提升物聯(lián)網(wǎng)系統(tǒng)的效率和性能提供了強(qiáng)有力的支持，并展現(xiàn)了在邊緣計(jì)算中的潛力。

【參考文獻(xiàn)】

[1]常海利，張輝，吳正中，等.基于智能控制一體機(jī)的邊緣云設(shè)計(jì)與實(shí)現(xiàn).都市快軌交通，2023，36（5）：16-23.

[2]裴翠，范貴生，虞慧群，等.基于拍賣的邊緣云期限感知任務(wù)卸載策略.計(jì)算機(jī)科學(xué)，2023，50（4）：241-248.

[3]蔡星娟，郭彥亨，趙天浩，等.基于進(jìn)化多任務(wù)的邊緣計(jì)算服務(wù)部署和任務(wù)卸載.計(jì)算機(jī)工程，2023，49（7）：1-9.

[4]粟圣森.基于物聯(lián)網(wǎng)技術(shù)的病媒生物智能監(jiān)控實(shí)現(xiàn).粘接，2021，47（9）：87-90.

[5]陳嘉亮，王豐，張瀟.移動(dòng)邊緣計(jì)算網(wǎng)絡(luò)下的服務(wù)功能鏈部署優(yōu)化設(shè)計(jì).計(jì)算機(jī)應(yīng)用研究，2022，39（10）：3108-3113.

[6]楊錚，賀驍武，吳家行，等.面向?qū)崟r(shí)視頻流分析的邊緣計(jì)算技術(shù).中國科學(xué)：信息科學(xué)，2022，52（1）：1-53.

[7]喬文欣，盧昱，劉益岑，等.空天地協(xié)同的邊緣云服務(wù)功能鏈動(dòng)態(tài)編排方法.西安電子科技大學(xué)學(xué)報(bào)，2022，49（2）：79-88.

[8]查滿霞，祝永晉，朱霖，等.面向?qū)崟r(shí)流數(shù)據(jù)處理的邊緣計(jì)算資源調(diào)度算法.計(jì)算機(jī)應(yīng)用，2021，41（S1）：142-148.

[9]錢甜甜，張帆.基于分布式邊緣計(jì)算的情緒識(shí)別系統(tǒng).計(jì)算機(jī)科學(xué)，2021，48（S1）：638-643.

[10]張展，張憲琦，左德承，等.面向邊緣計(jì)算的目標(biāo)追蹤應(yīng)用部署策略研究.軟件學(xué)報(bào)，2020，31（9）：2691-2708.

[11]郭煜.移動(dòng)邊緣計(jì)算中帶有緩存機(jī)制的任務(wù)卸載策略.計(jì)算機(jī)應(yīng)用與軟件，2019，36（6）：114-119.

[12]房悅.基于云計(jì)算與物聯(lián)網(wǎng)技術(shù)的數(shù)據(jù)挖掘分析.粘接，2021，45（1）：163-166.