面向物聯網網關的邊緣云優化部署算法

曾志區

摘要：探討了針對大型基礎設施建設中物聯網網關的邊緣云優化部署算法及任務調度算法。邊緣云優化部署算法旨在智能地將計算和存儲任務從云端轉移到邊緣節點，以降低數據傳輸量和系統延遲。通過4個步驟管理終端設備與邊緣網關系統的通信流程，實現了對物聯網系統的全面監控和管理。針對不同任務負載和時間加權系數，實驗結果顯示基于交叉熵的通訊優化在性能上具有顯著優勢，這些算法提升了物聯網系統效率和性能，在邊緣計算中展現了潛在的應用前景。

關鍵詞：物聯網；邊緣計算；優化部署算法

中圖分類號：TN915.07

文獻標志碼：A文章編號：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

數智校園是一個基于先進技術構建的智慧化教育場景，其基礎設施包括信息協作平臺、物聯網技術、智能化設備等。這種校園結構旨在提高學習和教育環境的效率、安全性和便利性。作為數智校園的核心，信息協作平臺整合了多種技術和資源，包括數據管理系統、在線教育資源、溝通工具等，為師生提供了便捷的學習和管理環境。在這一進程中，物聯網網關作為物理設備與云端連接的關鍵橋梁，扮演著至關重要的角色。然而，在校園環境下，網關設備的高效管理和任務調度尤為關鍵。特殊的校園需求促使我們著手研究，本文旨在應對校園物聯網網關的特殊要求，提出一種邊緣云優化部署算法。該算法旨在實現對網關設備的智能化部署和任務調度，進一步推動校園物聯網技術的智能化和效率化。

1算法設計

1.1邊緣云優化部署

邊緣云優化部署算法可視為邊緣網關系統對終端設備的智能管理策略的一部分。這種策略的有效實施包括2個主要方面：一是終端設備的接入，二是終端系統參數的獲取。在校園物聯網管理系統中，這個過程是對物理設備和節點進行智能化管理和控制的關鍵步驟。

（1）邊緣網關系統通過感知層掃描校園環境中的設備和節點。在校園環境中，常見的物聯網設備包括智能教室設備（如智能投影儀、智能白板）、學生學習設備（筆記本電腦、平板電腦）、環境監測傳感器（溫度、濕度、空氣質量傳感器）、安全監控設備（監控攝像頭）等。這些設備分布在校園各個角落，構成了校園物聯網系統的重要組成部分。一旦新設備加入，系統將自動進行連接。感知層在物理訪問上扮演著重要角色，負責對每個節點信息進行組網控制，并將結果傳遞給解析層進行處理。這種掃描和連接的過程有助于系統實現設備的快速接入和集成。

（2）在邊緣網關系統中，各通訊模塊負責運行藍牙、WiFi、LoRa等進程，以檢測校園內各節點的活動。當檢測到數據時，系統將其收集、打包并轉發至解析層進行后續處理。而在未檢測到數據時，系統會循環等待，直至接收到數據為止。解析層對接收到的數據進行格式標準化。解析層將這些數據按照標準格式進行統一封裝，并發送至網絡層。網絡層則提供了數據對接入應用平臺的接口。這一層包括各種廣域接入網絡與互聯網構成的承載網絡。系統可以隨機切換選擇多種或單一的接入方式，將數據傳遞給應用層。

（3）應用層對網絡層傳遞上來的數據進行應用分析。通過這一層的處理，系統能夠完成對校園物聯網系統的全面監控和管理，實現智能化的任務調度和資源管理。

1.2任務調度算法

為了實現邊緣云優化部署，設計了一套任務調度算法，主要考慮邊緣網關的計算資源消耗、能源消耗和時間消耗。算法綜合考慮任務的優先級、計算復雜度和時效性要求，通過智能調度，旨在實現最優的資源分配策略。

在任務調度的問題定義中，系統中存在N個邊緣節點，每個節點都具有一定的能量資源ei和計算資源ci。每個邊緣節點上都有一個計算密集型和延遲敏感的任務，任務的輸入數據大小為Bi，完成任務所需的計算資源量為Di。邊緣節點之間可以進行無線通信，可以選擇將任務卸載給鄰居節點執行，也可以在本地執行。整個任務調度問題旨在找到各個邊緣設備的調度策略，使得系統總體開銷最小。

在建模部分，引入了一個二進制數xij表示邊緣設備i的任務卸載策略，其中xij=1表示設備i將任務卸載給鄰居設備j，xij=0表示在本地執行任務。任務調度問題的目標是在計算資源不超過上限的約束下，找到各個邊緣設備的調度策略，使得系統的總開銷最小。

任務調度算法中，考慮了本地執行和卸載執行2種情況。本地執行任務的時間開銷、能量開銷以及總開銷分別通過以下公式計算：

Tli=DiFli（1）

Eli=vi·Di（2）

Zli=γiT·Tli+γiE·Eli（3）

對于卸載執行，涉及到傳輸任務到鄰居節點的時間開銷和能量開銷，以及在鄰居節點執行任務的時間開銷和能量開銷。總體卸載執行的開銷通過以下公式計算：

Toffi=∑jNixij·BRij+（1-xij）·Toffij（4）

Eoffi=∑jNixij·Pi·Bi（5）

Zoffi=γiT·Toffi+γiE·EiE·（6）

最終，任務調度問題的目標是尋找一個最優的調度策略，使得系統總體開銷最小：

min∑Ni=1Zli-Zoffi（7）

通過競爭更新方式，這一調度策略能夠逐次優化各個端點的資源利用情況，而控制調度優化算法自身的資源消耗。與此同時，算法需要滿足一系列約束條件，包括設備之間的任務卸載關系、計算資源的分配限制、機會開銷的控制等。通過優化調度策略，系統能夠更加智能地利用邊緣節點的資源，實現邊緣云優化部署的目標。

1.3算法對比

為了檢驗本文所使用的調度算法的性能，將之與隨機選擇的任務調度方式進行對比，并引入另一常見預測調度優化模型進行對比。交叉熵（Cross Entropy）是一種在信息理論和機器學習中常用的概念，用來衡量兩個概率分布之間的差異性。在機器學習中，特別是在深度學習中，交叉熵通常被用作損失函數，用來衡量模型輸出與實際標簽之間的差異。

2仿真與驗證

選擇了Windows平臺下的Matlab2018a作為仿真軟件，以及一臺配置Intel i5-4210處理器、主頻為3.8 GHz、內存容量為4G的計算機。

在仿真過程中，通過設置40個邊緣設備，這些設備隨機分布在一個1 000 m×1 000 m的范圍內，以模擬校園網絡環境中的多節點分布情況。每個邊緣設備都能夠通過WiFi網絡與其周圍的鄰近節點建立連接，距離限制在150 m范圍內，這也是網絡校園環境中常見的通信范圍。

對于邊緣網關系統的配置，設定了每個邊緣網關設備的本地計算能力為5 MI/s。每個執行單元所需的能量消耗為0.1 J，傳輸功率為1 J/s。而在初始時刻，也就是0時刻，每個設備的剩余能量和計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，這反映了校園設備可能存在的能量和資源多樣性。

在模擬實驗中，任務以10 個/s的速率隨機發送到邊緣網關上。這些任務的參數涵蓋了輸入數據大小為1～10 MB，計算負載為（10，100）U（10，100） MI ，時延限制為（5，10）U（5，10） s 。這些參數設置使得我們能夠模擬出在校園網絡環境中常見的任務類型和負載要求。

2.2不同計算負載對比檢測了計算負載為10 MI水平的情況，其結果如圖1所示。

由圖1可知，隨著任務調度的隨機選擇，時間與能量總消耗呈逐漸上升趨勢。基于交叉熵的通訊優化顯示出相對較低的總能耗，表現出色。而競爭更新的通訊優化在初始階段表現良好，但隨著計算負載的增加，總能耗略有上升。

調整計算負載為30 MI，其結果如圖2所示。

由圖2可知，隨機選擇任務調度所帶來的總能耗相對較高。與此相比，基于交叉熵的通訊優化在各種情況下展現出最佳性能，總消耗達到最小水平。在計算負載較小的情況下，競爭更新的通訊優化也呈現出相對較好的表現。

進一步擴大計算負載為100 MI，結果如圖3所示。

由圖3可知，隨機選擇任務調度所帶來的總能耗在計算負載較大時呈現明顯增長的趨勢。與此相對比，基于交叉熵的通訊優化在各種情況下都展現出最佳的表現，總消耗一直保持在最小水平。在計算負載較小時，競爭更新的通訊優化也展現出了相對較好的性能。

綜上所述，在不同計算負載下，不同的任務調度策略對能量總消耗和任務執行時間產生了顯著影響。基于交叉熵的通訊優化在各個計算負載水平下表現最佳，其總能耗始終保持在最小水平。競爭更新的通訊優化在計算負載較小時表現相對良好，但隨著負載增加，其總能耗略有上升，可能受到競爭激烈程度的影響。這些結果意味著在數智校園物聯網環境中，對于邊緣網關系統的任務調度和通訊優化，特別是在面對不同計算負載的情況下，采用基于交叉熵的通訊優化算法可以帶來顯著的性能提升。這種優化對于降低總能耗、提高系統效率至關重要。在校園網絡環境中，隨著計算負載的增加，合理且高效的通信策略以及資源調度變得更為迫切。

2.3不同時間-計算資源消耗的權重對比

上述分析中，時間消耗和計算資源消耗分別被配置為50%權重進行總體系統開銷計算；而這一指標根據校園環境和物聯網的設備聯系而有所區別。基于此，分別考慮時間加權系數為0.2和0.8的2種情況的數據特征，并將它們與系數為0.5的數據進行對比，使用30 MI計算負載條件。

由圖4可知，隨機選擇任務調度時，在通訊數據較小的情況下，總消耗相對較低，但在通訊數據較大時，總消耗上升。基于交叉熵的通訊優化時，總體上在各個通訊數據大小下都相對較低，尤其在通訊數據較大時表現優越。競爭更新的通訊優化時，在通訊數據較小的情況下，總體上表現較好，但在通訊數據較大時表現略遜于基于交叉熵的通訊優化。

由圖5可知，隨機選擇任務調度時，在通訊數據較小的情況下總體消耗相對較低，但在通訊數據較大時總體上升。基于交叉熵的通訊優化時，總體上在各個通訊數據大小下都相對較低，且在通訊數據較大時優勢更為顯著。競爭更新的通訊優化時，在通訊數據較小的情況下總體上表現較好，但在通訊數據較大時略遜于基于交叉熵的通訊優化。

對比而言，時間加權系數為0.5的情況下，隨機選擇任務調度時，總體上在各個通訊數據大小下都表現中等。基于交叉熵的通訊優化時，在通訊數據較大時表現較好，整體上優于隨機選擇任務調度。競爭更新的通訊優化時，在通訊數據較大時表現較好，整體上也優于隨機選擇任務調度。

3結語

這一算法通過感知、解析、網絡和應用4個步驟管理終端設備與邊緣網關系統的通信流程，實現了對物聯網系統的全面監控和管理。在仿真環境中，對算法進行了驗證和對比實驗，結果表明基于交叉熵的通訊優化在不同計算負載和時間加權系數下表現出顯著的優勢。總體而言，這項算法為提升物聯網系統的效率和性能提供了強有力的支持，并展現了在邊緣計算中的潛力。

【參考文獻】

[1]常海利，張輝，吳正中，等.基于智能控制一體機的邊緣云設計與實現.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卸載策略.計算機科學，2023，50（4）：241-248.

[3]蔡星娟，郭彥亨，趙天浩，等.基于進化多任務的邊緣計算服務部署和任務卸載.計算機工程，2023，49（7）：1-9.

[4]粟圣森.基于物聯網技術的病媒生物智能監控實現.粘接，2021，47（9）：87-90.

[5]陳嘉亮，王豐，張瀟.移動邊緣計算網絡下的服務功能鏈部署優化設計.計算機應用研究，2022，39（10）：3108-3113.

[6]楊錚，賀驍武，吳家行，等.面向實時視頻流分析的邊緣計算技術.中國科學：信息科學，2022，52（1）：1-53.

[7]喬文欣，盧昱，劉益岑，等.空天地協同的邊緣云服務功能鏈動態編排方法.西安電子科技大學學報，2022，49（2）：79-88.

[8]查滿霞，祝永晉，朱霖，等.面向實時流數據處理的邊緣計算資源調度算法.計算機應用，2021，41（S1）：142-148.

[9]錢甜甜，張帆.基于分布式邊緣計算的情緒識別系統.計算機科學，2021，48（S1）：638-643.

[10]張展，張憲琦，左德承，等.面向邊緣計算的目標追蹤應用部署策略研究.軟件學報，2020，31（9）：2691-2708.

[11]郭煜.移動邊緣計算中帶有緩存機制的任務卸載策略.計算機應用與軟件，2019，36（6）：114-119.

[12]房悅.基于云計算與物聯網技術的數據挖掘分析.粘接，2021，45（1）：163-166.