基于免疫優化的移動邊緣計算任務卸載方法*

陳 剛 王志堅

（廣州華商學院數據科學學院 廣州 511300）

1 引言

移動邊緣計算是一種新型網絡信息處理方式，把原本處于在云計算平臺的功能與服務安置在移動網絡邊緣［1～3］，在移動邊緣網絡處理此類服務需要的通信與計算資源，減少網絡服務時延。但移動邊緣計算擁有較多設備與邊緣服務器，怎樣在全局范圍挑選恰當邊緣服務器進行任務卸載［4～5］，合理分配節點資源，給用戶提供最優質的數據服務，是亟待研究的重要問題。

文獻［6］構建移動邊緣計算網絡系統，將計算任務分配至相鄰節點和移動邊緣計算服務器中，使用馬爾科夫優化獲取計算任務決策，對比任務執行時長以得到卸載最優模式。文獻［7］創立一個涵蓋云服務器的邊緣計算卸載模型，構建以能耗為懲罰項的代價函數，將計算任務卸載策略擬作人工蜂群算法代價函數尋優，最終得到對應卸載方案。上述方法均是在系統參數已知情況下進行任務卸載，但在真實場景中用戶很難得到系統信息，因此上述兩種方法應用范圍具有一定局限性。

由此，本文以免疫優化為基礎，設計一種移動邊緣計算任務卸載方法，剖析移動邊緣計算網絡特征，通過任務卸載時間與能耗兩方面構建任務卸載時間與能耗模型，以最優任務卸載時間和最優能耗為目標采用免疫優化算法得到最佳任務卸載策略，并在實驗分析中從不同層面表明了本文方法的實用性。

2 移動邊緣計算網絡

考慮一個如圖1 所示的移動邊緣計算網絡場景，網絡中包含數據采集終端、基站與服務器等元素［8］。設定該網絡具有a個天線的邊緣計算節點，通過協作模式給若干手持單天線移動設施的用戶提供數據服務。每個用戶i均擁有一個計算請求，記作：

圖1 移動邊緣計算網絡模型

其中，ei表示待計算信息，φi是卸載服務器數量，ci為信息所屬類型。

一般情況下，任務卸載對儲存的需求較高，資源受限并使用電池供能的移動設施，不能直接在本地處理用戶請求。為處理此類問題，移動設施只簡單處理輸入信息，再把信息傳遞至基站，基站執行計算任務后把結果回饋給用戶。

為減少網絡能耗，基站之間要通過協調合作的模式處理用戶請求［9］。設定下行鏈路通過廣播傳遞信息［10］，則用戶i接收到的基站信號為

其中，K代表全部計算任務的下標集合，l表示基站信號發射距離，vml是波束成形矢量，oim是信道系數矢量，Cl為參與執行任務的基站下標集合，表明一個計算任務很可能被多個基站執行，zi是高斯白噪聲。

將信號干擾噪聲比記作：

其中，表示方差。

假設Pmax為基站b的最高運行功率，則基站b的最高功率約束條件為

其中，I(b∈Ci)為指示函數，v'bi表示波束發射時間。

3 任務卸載指標建模

通過上述明確的移動邊緣計算網絡運行規律，本文從任務卸載時間與能耗兩方面創建任務卸載指標模型［11］，明確移動終端計算任務屬性，以便達到任務卸載資源快速分配。

3.1 任務卸載時間模型

任務卸載時間模型涵蓋計算任務qi的推導時間與邊緣計算環境下各層資源數據的傳輸時間。將計算資源集合記作T=(T1，T2，…，Tk)，任意計算資源Tk均能利用廣域網完成通信。依照移動邊緣計算網絡不同的任務卸載措施，把計算資源劃分為終端設施Uend、邊緣服務器Uedge與云服務器Ucloud。各計算資源Tk均擁有相對的計算任務處理速率，uend、uedgek與ucloudk依次為終端設施、邊緣服務器與云服務器相對應的計算任務處理速率。

設定任務qi的負載值為wi、輸入信息為ini和輸出信息為outi。若任務qi被分配至資源Tk，則任務計算時間的表達式為

任務qi是有向邊前置移動邊緣網絡層的計算任務，而移動終端設施、邊緣服務器與云服務器之間的通信帶寬各不相等，也就是邊緣服務器采用速率快的局域網實現通信［12］，云服務器采用速率較慢的廣域網實現通信。兩個卸載任務的通信時間會依照前置任務卸載位置產生變化，則任務通信時間為

其中，DL、DW依次為局域網和廣域網的帶寬，Outi是前置移動邊緣網絡計算任務的輸出值，Ui、Uj表示有向邊集合的兩條邊。

3.2 任務卸載能耗模型

移動終端設施的能耗Gend憑借任務在不同卸載策略下執行能耗和信息傳輸能耗組成［13］，涵蓋任務在終端設施執行能耗、任務信息傳輸至云服務器的能耗與任務執行完畢后回傳信息的接收能耗，將此過程記作：

其中，δend、δup、δdown依次代表終端執行功率、上傳功率與接收功率，tend、tup、tdown依次為終端執行時間、上傳時間與接收時間，將其進一步拓展為

其中，Mi表示待卸載任務總和。從式（8）～（10）中可知：Ui執行資源Ui∈Uend時，終端設施是信息發送方；Uj執行資源Uj∈Uend時，終端設施是信息接收方。

時延與能耗的最小化是待優化目標，全方位考慮網絡響應時間與終端能耗，利用權重系數推算時延與能耗之間的比例，融合兩個目標創建最小化綜合代價約束模型，記作：

其中，z(X)為綜合代價因子，τ是計算任務的響應時延，EC是移動終端能耗，η為權重指數，是子任務分配計算資源約束條件，xi表示任務總數，ri表示任務分配時間。

4 移動邊緣計算任務卸載實現

為合理完成移動邊緣計算任務卸載，以最小化延時與能耗作為優化目標，提出基于免疫優化的移動邊緣計算任務卸載方法。免疫優化算法擁有結構簡單和并行處理的巨大優勢，將其引入式（11）可得到較優的任務卸載方案。以下為運算詳細過程。

把移動終端的一個計算任務劃分成若干子任務［14］，移動終端在同一時段僅能處理一個子任務。初始化移動邊緣計算網絡參數與免疫算法參數，譬如種群規模、變異概率等。

親和度代表抗體與抗原的融合水平，親和度算子一般以函數形式出現，將其記作：

式中，xd代表抗體。

二進制編碼抗體xd，利用變異算子對抗體實施變異操作。抗體濃度值可展現抗體種群多樣性的優劣，若某種抗體濃度較高，極易產生局部最優。將抗體濃度表示為

式中，den(Xi)是種群抗體濃度，e'是種群抗體數量，S(Xi，Xj)是兩個抗體間的相似度，γ是相似度臨界值，aff(Xi，Xj)為兩個抗體間的親和度函數，l'表示子任務數量，φk是抗體第k個決策變量。

通常意義下，親和度大而濃度低的抗體應當具備較高的激勵度，激勵度函數解析式為

式中，sim(Xi)代表任務卸載策略的激勵度，?、ξ依次為抗體親和度與濃度的權重指數。

將抗體激勵度值進行升序排列［15］，挑選前二分之一的抗體實施變異與抑制等操作，產生全新種群，計算新種群激勵度，評判是否滿足循環終止條件，若滿足條件則求解最佳抗體，即得到最滿足當前計算條件的任務卸載方案。

5 實驗與性能分析

5.1 實驗準備

利用實驗分析評價本文方法性能，以本地執行策略（無任務卸載機制）為衡量標準，將文獻［6］馬爾科夫優化法和文獻［7］改進人工蜂群算法作為對比方法，從任務卸載能耗、延時、用戶移動設備系統吞吐量、任務丟棄率四個方面進行實驗分析。

實驗平臺為Matlab，搭建如下實驗環境：無線訪問點覆蓋半徑為1.5km，具備5 條無線信道，網絡信道帶寬是2MHz，信噪噪聲功率為-110dBm，路徑衰減因子為2.5。多個移動設施任意分布無線訪問點覆蓋范圍內，邊緣云服務器處于無線訪問點周邊。實驗使用不同類型移動設施，CPU處理能力也各不相等。

5.2 實驗結果與性能分析

圖2 是幾種方法不同移動設施下的平均能耗結果。

圖2 任務卸載平均能耗結果對比

從圖2 中看出，本地執行策略的平均能耗處于25.3J 左右，其他三種方法得到的能耗均值均低于本地執行策略，表明任務卸載能優化設備能耗。

在50 個移動設備狀態下，三種卸載方法的能耗值基本相同，但伴隨移動設施個數的增長，能耗均值也隨之上升。原因在于：較多設施同時訪問一個無線信道進行任務卸載會產生信道沖突。此種情況下，本文方法優勢逐漸凸顯，平均能耗值要明顯低于兩個文獻方法，擁有更好的節能效果。

用戶使用移動設施執行任務卸載的平均延時實驗結果如圖3所示。

圖3 任務卸載平均延時結果對比

觀察圖3 看到，本地執行策略下平均延時約為22.6s，三種方法下任務卸載延時均有大幅度減少。伴隨移動設施個數的增長，三種方法延時均呈上升趨勢，但本文方法任務卸載延時最少。出現此種現象的原因在于：本文使用免疫優化算法分析待分配任務的時序依賴關系，優化了任務卸載的計算時間與通信時間，從而降低任務卸載延時。

圖4 是各種任務卸載方法在移動設施上吞吐量的變化趨勢對比，本地執行策略不需要傳輸信息，吞吐量始終等于0。

圖4 移動設施吞吐量變化趨勢對比

從圖4 中看出，即便本文方法在初始狀態下吞吐量小于馬爾科夫優化法和改進人工蜂群算法，但伴隨移動設備數量增多，對應的信道通信干擾也持續變大，數據傳輸速率變緩。此種狀態下，與兩個文獻方法相比，本文方法吞吐量下降態勢更為緩慢，展現出更強的信息傳輸能力，可滿足大規模移動終端設施高效率任務卸載需求。

圖5 是本文方法與兩個文獻方法的任務丟棄率伴隨任務到達率的變化情況，設定移動設施個數為8。

圖5 任務丟棄率隨任務到達率的變化趨勢對比

從圖5 可知，任務到達率為50%時，本文方法、馬爾科夫優化法與改進人工蜂群算法的任務丟棄率分別為3%、4.8%和5.9%，伴隨任務到達率的提高，馬爾科夫優化法、改進人工蜂群算法的任務丟棄率增長幅度較大，任務抵達率為100%時，兩個文獻方法的任務丟棄率分別為21.8%與14.7%，在大規模任務卸載背景下，無法勝任高強度卸載工作，數據完整性較差。而本文方法始終維持較小的任務丟棄率，即便任務到達率為100%，也就是每個時隙均有任務到達，任務丟棄率也始終保持在5%左右，可靠性更強。

綜合實驗結果來看，在無線訪問點及信道個數固定狀態下，本文方法在真實移動邊緣計算任務卸載環境中具備更好的資源分配優勢，符合用戶日常數據處理需求。

6 結語

現階段，針對移動邊緣計算的研究受到業內人士的矚目，任務卸載是移動邊緣計算中的核心技術，在提升資源存儲空間與服務性能方面作出巨大貢獻。為實現預期的高效率數據處理目標，利用免疫優化算法完成移動邊緣計算任務卸載。通過構建任務卸載待優化指標模型，運用免疫算法求解最佳卸載策略。在實驗分析中，證明了本文方法在能耗、時效性及卸載穩定性方面的優勢，魯棒性強。