基于螢火蟲算法的移動邊緣計算網絡帶寬優化策略

王宏杰，徐勝超，陳 剛，楊 波，毛明揚

(廣州華商學院 數據科學學院，廣州 511300)

0 引言

近些年，由于逐漸興起的移動邊緣計算模式是發展未來智能網絡的關鍵，導致網絡帶寬資源優化問題愈加重要，大部分優化策略都側重于滿足用戶的需求，但是受到網絡資源和計算資源的限制，在移動邊緣計算網絡中執行各種任務操作時，往往需要較長的時間去處理，這會導致計算任務的延遲[1-3]。移動邊緣計算是一種在邊緣側提供云計算服務的網絡架構，是應對傳統互聯網發展瓶頸的解決方案，它通過在基站側部署計算節點來實現[4-5]。然而，基站側計算節點數量龐大且部署分散，同時業務流量呈現出爆發式增長，導致資源分配問題日益突出。因此，如何在保證業務質量和用戶體驗的前提下合理利用邊緣計算網絡帶寬資源成為了關鍵問題[6]。

為了解決帶寬資源優化問題，國內外許多學者提出了各種方法來減少數據傳輸的延遲，優化移動網絡帶寬資源。如文獻[7]提出空地綜合網絡中移動邊緣計算的部分計算卸載方法，該方法通過將計算任務卸載到邊緣設備上，減少數據在網絡中的傳輸量，但需要依賴于邊緣設備的可靠性和可用性。文獻[8]提出基于多用戶協同的網絡帶寬優化策略，可以根據用戶的需求和網絡狀況，動態地分配網絡帶寬，提高網絡的利用率和性能，但需要進行復雜的網絡帶寬管理和調度，增加了系統的復雜度和開銷。文獻[9]提出的在資源受限的移動邊緣計算中的動態服務部署策略，該策略可以利用邊緣設備的計算和存儲資源，降低了網絡延遲和能耗，并提高服務的可靠性和安全性。但需要進行復雜的服務管理和調度，需要實時監測邊緣設備的狀態和服務請求的需求，增加了系統的復雜度和開銷[10-12]。

為解決上述方法中存在的問題，本文提出了一種基于螢火蟲算法的帶寬資源優化策略來提高系統性能。螢火蟲算法是一種基于群聚原理的仿生智能算法，其基本思想是：在一群螢火蟲中，每只螢火蟲都是個體中的佼佼者，在群體中發出的信息可以傳遞給其他的螢火蟲，其他螢火蟲也會根據其位置信息做出相應的動作[13]。每只螢火蟲通過這樣的方式來使自己不斷地積累信息、提高位置[14]。這樣的方式能夠有效地提高了優化算法的性能，將這種技術應用于網絡帶寬資源優化中，有利于解決常見的資源優化策略中存在的問題。

1 移動邊緣計算網絡帶寬資源優化

1.1 移動邊緣計算的工作機制

移動計算可以更好地滿足智能終端設備的計算需求。移動邊緣計算是一種新型的計算模式，它將計算和存儲資源從云端轉移到了網絡邊緣節點中，網絡帶寬資源優化是至關重要的一個問題，它可以通過流量分析、數據壓縮、數據緩存和流量控制等技術手段，來減少網絡擁塞和阻塞，提高網絡吞吐量和響應速度，從而提高網絡資源利用率和服務質量，保證用戶體驗。其具體工作機制如圖1所示。

圖1 移動邊緣計算的網絡帶寬優化機制

移動邊緣計算相對于傳統的非邊緣計算具有更多的優勢。它可以將數據處理和存儲的任務從云端轉移到邊緣設備中進行，減少了數據在網絡中的傳輸量和傳輸距離，降低了網絡延遲和能耗。同時，由于邊緣設備通常具有更多的計算和存儲資源，可以更好地滿足移動設備的計算需求，提高了數據處理和存儲的效率。此外，移動邊緣計算還可以提高移動應用的性能和用戶體驗，提高了用戶對移動應用的滿意度和忠誠度，并提高了數據的安全性。因此，在實際應用中，移動邊緣計算可能會更適合那些需要快速、高效、安全和可靠的數據處理和存儲的場景。

1.2 移動邊緣網絡能量消耗模型

移動邊緣計算網絡具有一定的緩存能力，在網絡帶寬資源優化策略研究中，需要了解總體網絡的能耗情況。能耗指的是移動邊緣服務器在工作時消耗的能量，主要包括CPU、內存和硬盤訪問等資源的能量消耗，這些資源往往可以通過在服務器之間進行數據傳輸來完成[15-17]。假設服務器之間的數據傳輸是連續的，并且不會隨著網絡中其他服務器的遷移而發生變化。然后，將移動邊緣計算網絡的能耗分為三類：第一類是基站的能耗消耗，主要包括靜態能耗和數據發送能耗；第二類是緩存能耗，網絡中緩存內容越多需要消耗的能量越多；第三類是回傳鏈路數據傳輸需要消耗的能量，此類能耗主要針對遠程用戶，在滿足此類用戶需求時，需要調用遠端服務器的數據，由此會產生大量能耗[18-20]。

(1)

式中，Pm表示網絡內邊緣用戶的中斷概率，由文件傳輸的信道增益和信噪比確定[22]。

在完成網絡能耗計算后，利用螢火蟲算法建立移動邊緣網絡帶寬資源優化模型，確定各項參數，對其求解得到相應的優化策略。

1.3 帶寬資源優化的目標函數的建立

在移動邊緣計算網絡中，邊緣服務器負載一般較高。因此需要對邊緣服務器進行優化管理，使其負載均衡。在此應用場景下，可以利用螢火蟲算法快速搜索全局最優解的能力來解決負載均衡問題。另一方面，邊緣服務器負載均衡策略需要滿足移動用戶和邊緣計算網絡對網絡資源的要求。因此，可以利用螢火蟲算法的快速收斂、全局搜索能力強的特點來解決移動邊緣計算網絡中資源分配的問題。

首先分析移動邊緣計算系統的整體架構，然后通過數學模型建立以帶寬資源為中心的優化模型。該模型的數學表達式如下：

(2)

其中：n表示邊緣設備的數量，m表示任務的數量；cij表示將任務j分配給邊緣設備i所需要的計算開銷；pij表示將任務j從邊緣設備i傳輸到云端所需要的能耗；xij表示任務j是否分配給邊緣設備i，取值為0或1；yij表示任務j是否從邊緣設備i傳輸到云端，取值為0或1。

通過求解該線性規劃模型，可以得到最優的帶寬資源分配和調度方案，從而實現邊緣計算網絡的帶寬優化。

在上述模型中，網絡帶寬資源的分配由網絡資源的可用性、傳輸能力和可用帶寬決定。在具體問題中，每個邊緣服務器有一個最小化平均延遲時間和最大化QoE(quality of experience)的目標。基于以上分析，建立基于螢火蟲算法的帶寬資源優化模型。

為了使算法的尋優效果更好，首先應該選擇合適的參數，在對參數進行設置時，應根據問題的特點選擇最優參數，具體參數設置如表1所示。

表1 螢火蟲群算法的參數設置

因為螢火蟲的群體大小和步長會影響到算法的搜索效率和尋優精度，而螢火蟲的個數和步長則直接影響到算法的全局搜索能力。通過設置不同參數來尋找最優解，可以從一定程度上提高算法的搜索能力，但是這也會使算法的全局尋優能力下降。所以在選擇合適的參數后，還應根據問題特性選擇適當的參數組合。

基于螢火蟲算法的帶寬資源優化模型可以用以下公式表示：

W=minf(S)

(3)

其中：f(S)表示帶寬資源分配的目標函數，S表示帶寬資源分配方案。在完成帶寬資源優化模型構建后，對螢火蟲在尋優過程中的行為過程進行模擬，螢火蟲通過光脈沖尋找目標點，并根據光脈沖釋放的信息素強度改變自身的運動行為，從而獲取當前位置和目標點之間的最優路徑，依據此原理求出帶寬資源優化模型的最優解并確定優化策略。

1.4 基于螢火蟲算法的模型求解及優化策略

螢火蟲算法是一種群體智能算法，是一種模擬螢火蟲行為的自然啟發算法。螢火蟲算法是以螢火蟲的光吸引行為為基礎產生的，算法中的螢火蟲個體表示可行解，螢火蟲的亮度則表示目標函數的值，螢火蟲個體利用自身的亮度其他螢火蟲，亮度低的螢火蟲會向亮度高的螢火蟲方向移動，并且螢火蟲之間的吸引力與距離是一種反比例關系。利用螢火蟲算法優化帶寬資源分配的過程可以如下描述。

1)初始化：隨機初始化一組螢火蟲代表節點，每個節點代表一個網絡設備或節點。

2)亮度計算：根據節點之間的距離和帶寬需求等因素計算每個節點的亮度值。亮度值表示節點的吸引力或優勢，可以用來評估節點之間的帶寬分配效果。

3)移動和交互：根據亮度值和距離，螢火蟲節點會向亮度更高的節點移動，以實現帶寬資源的更優分配。節點之間的移動和交互模擬了螢火蟲相互吸引的行為。

4)更新亮度：節點移動后，根據新的帶寬分配情況重新計算節點的亮度值，并更新亮度。

5)迭代優化：重復步驟3)和4)，直到達到停止條件，如達到最大迭代次數或達到帶寬分配的收斂條件。

通過使用螢火蟲算法優化帶寬資源分配，可以實現以下優勢。

1)全局搜索能力：螢火蟲算法具有較強的全局搜索能力，能夠搜索帶寬分配空間中的各種可能解。這有助于找到更優的帶寬分配方案，以提高帶寬利用效率和網絡性能。

2)自適應性和魯棒性：螢火蟲算法通過模擬螢火蟲的行為，具有自適應性和魯棒性。它可以根據節點之間的亮度值和距離進行調整和優化，適應網絡拓撲變化和帶寬需求的變化。

3)并行性：螢火蟲算法可以并行處理多個節點的移動和交互行為，從而加快優化過程的速度。這使得它在大規模網絡中的帶寬資源分配問題上具有較好的可擴展性。

綜上所述，利用螢火蟲算法優化帶寬資源分配可以實現全局搜索、自適應性和并行性等優勢，從而提高帶寬利用效率和網絡性能。

螢火蟲個體在位置r處的亮度可以表示為：

(4)

式中，I0表示螢火蟲自身的初始亮度，γ表示光吸收率，rij表示歐式距離。

兩只不同亮度螢火蟲之間的吸引力為：

(5)

式中，β0表示兩只螢火蟲距離為0二者之間的吸引力。

螢火蟲會向亮度比自己高的螢火蟲移動，因此構建螢火蟲位置更新公式：

ui=ui+βij(uj-ui)+α×(rand-0.5)

(6)

式中，ui、uj表示螢火蟲個體的位置，α×(rand-0.5)表示擾動項，α表示隨機參數。

在尋找網絡帶寬資源最優解過程如圖2所示。

圖2 尋找網絡帶寬資源最優解過程

螢火蟲算法的搜索空間為多維，隨機初始化種群后，在每個迭代周期內將隨機產生的螢火蟲個體加入到種群中。根據移動邊緣計算網絡內用戶的分布情況對螢火蟲個體進行編碼，完成后在螢火蟲個體中隨機選擇2個不同的螢火蟲個體并進行二次編碼。在每一次迭代過程中，通過兩個步驟找到最佳值：第一，根據給定的目標函數；第二，分析移動邊緣計算網絡中，用戶請求的業務類型，以此選擇合適的服務類型從而實現帶寬資源利用最優。

設定移動邊緣計算系統利益最大化作為網絡帶寬資源優化策略的核心，在確定用戶的服務類型后，確定系統的總收益。對于給定的移動邊緣計算網絡，用戶收益最大時所需帶寬資源最小，優化最佳。

運營商在移動終端業務中，可以針對不同類型服務類型，所需帶寬資源也不一樣。例如，對于直播業務，由于用戶需要在特定時間內觀看直播內容，故該服務對帶寬要求較高；而對于游戲業務，由于用戶需在特定時間內玩游戲，因此該服務對帶寬要求較低。通過對以上不同業務類型進行分析，定義業務類型和用戶收益之間的關系，才能更好的實施網絡帶寬資源優化策略。

2 仿真實驗與性能分析

2.1 實驗環境及參數設置

在進行邊緣計算任務卸載優化的研究中，通常會使用相關的仿真軟件和仿真硬件來進行實驗和評估。

1)仿真軟件：邊緣計算任務卸載優化仿真軟件包括NS-3(network simulator 3)、OMNeT++、MATLAB/Simulink等這些軟件提供了豐富的網絡模型、通信協議以及性能評估工具，可以進行邊緣計算任務卸載方案的仿真和性能分析。

2)仿真硬件：在邊緣計算任務卸載優化的研究中，可以使用基于容器虛擬化技術的仿真環境，Docker、Kubernetes，搭建虛擬的邊緣計算節點和設備，模擬真實的邊緣計算場景。此外，還可以使用模擬器或實驗室設備來進行仿真實驗，如使用Mininet搭建虛擬網絡環境、使用OpenStack搭建邊緣計算環境等。

3)仿真范圍：邊緣計算的仿真范圍可以根據研究的具體需求和目標來確定。它可以涵蓋邊緣節點、移動設備、網絡通信、任務卸載策略等方面的仿真。

根據現階段移動邊緣計算網絡的應用情況，使用MATLAB軟件對移動邊緣網絡進行仿真，為了保持其穩定性，其網絡拓撲結構采用Noel Communication拓撲。具體拓撲結構如圖3所示。

圖3 Noel Communication拓撲結構

設定整個移動邊緣網絡內，用戶隨機分布，按照距離將用戶分為邊緣用戶和中心用戶，比例為2：1。其他參數設置如表2所示。

表2 移動邊緣計算網絡實驗參數設置

螢火蟲群算法的相關參數設置如表3所示。

表3 螢火蟲群算法的相關參數設置

以上內容為實驗研究的一般條件，根據移動邊緣計算網絡帶寬資源的實際使用情況和優化目的，從網絡帶寬資源優化效能和計算延遲兩個方面展開實驗研究，并引入兩種常見的優化策略作對比，通過大量對比實驗驗證本文提出的優化策略的計算性能。

2.2 網絡帶寬資源優化能耗對比分析

實驗中，引入的優化策略分別是基于簡單博弈的帶寬資源優化策略和基于多用戶協同的帶寬資源優化策略，在準備好的實驗環境中，設置不同的總用戶數，作為實驗條件，增加實驗多樣性，利用計算機軟件分析各個優化策略下的移動邊緣計算網絡的效用，衡量效用的實驗指標為網絡能耗的平均值。具體實驗結果如表4所示。

表4 不同資源優化方法效用實驗結果

表4中顯示了在總用戶數不同的情況下，各個優化策略下移動邊緣計算網絡的平均能耗，平均能耗越小說明優化策略效用越好。從表4中的實驗結果可以看出，移動邊緣計算網絡內用戶數量的增加與平均能耗之間沒有明顯的線性關系，對比各組數據的大小可知，螢火蟲群優化策略可以根據網絡狀況和用戶需求，動態地調整網絡帶寬資源的分配，使得數據傳輸更加高效和快速，從而減少了數據在網絡中的傳輸時間，降低了能耗。其次，螢火蟲群優化策略可以合理地分配網絡帶寬資源，避免網絡擁塞和資源浪費，提高了網絡的利用率和性能，從而降低了網絡的延遲和能耗。最后，螢火蟲群優化策略可以將計算和存儲任務卸載到邊緣設備上進行，充分利用邊緣設備的計算和存儲資源，減少了云端數據處理和存儲的負擔，降低了能耗。提出的移動邊緣計算網絡帶寬資源優化策略下平均能耗更低，說明該優化策略效用更好。

2.3 資源優化計算延遲分析

通過上述實驗可知，資源優化策略在實際應用上具有良好的效用，考慮到資源優化策略的計算性能涉及的內容比較多，因此還需要從計算延遲角度衡量資源優化策略的實際應用能力。實驗前，設置每個用戶有4個待計算的任務，每個任務之間具有關聯性，執行不同的網絡帶寬資源優化策略，同時設置兩種網絡邊緣計算能力，分別是4 GHz、8 GHz，利用第三方軟件統計每個用戶的平均計算延遲。實驗結果如圖4所示。

圖4 不同優化策略下的資源優化計算延遲結果

圖4中顯示了各個資源優化策略在計算條件下的平均延遲，其中圖4(a)結果顯示，隨著用戶數的增加，用戶的平均延遲不斷增加，最高達到了2.3 s，在8 GHz的計算能力下，延遲雖然有所減少，但是依然比較高；圖4(b)中顯示的實驗結果與圖4(a)結果類似，平均延遲在兩種計算條件下都比較高，相比之下，圖4(c)中顯示的實驗結果平均延遲比較低，在兩種計算條件下，平均延遲均在1 s以內，說明螢火蟲群網絡帶寬資源優化策略計算更快更穩定。

結合網絡帶寬資源優化效用實驗結果綜合分析可知，提出的基于螢火蟲算法的移動邊緣計算網絡帶寬資源優化策略能耗低、延遲小，整體計算性能優于其他優化策略。該策略可以根據網絡狀況和用戶需求，動態地調整網絡帶寬資源的分配，提高數據傳輸效率，降低能耗。其次，該策略可以避免網絡擁塞和資源浪費，提高網絡利用率和性能，從而降低了網絡延遲和能耗。最后，該策略可以充分利用邊緣設備的計算和存儲資源，減少云端數據處理和存儲的負擔，進一步降低了能耗。

3 結束語

本文提出了一種基于螢火蟲算法的帶寬資源優化策略，通過將網絡帶寬分配給用戶并確定用戶最大延遲時間，計算網絡能耗，然后使用螢火蟲算法優化帶寬。該方法不僅能夠解決多用戶系統中的資源分配問題，還可以有效地降低網絡延遲和提高用戶滿意度。此外，通過與其他優化策略進行對比，可以發現本文提出的算法在收斂速度和計算性能方面都具有優勢，本文的研究工作對移動邊緣計算系統的性能分析和優化具有一定的指導意義。但是，隨著網絡環境的不斷變化，本文提出的策略還有進步的空間，未來的研究工作可以考慮以下兩點：

1)在未來的研究中，我們將考慮更多的因素，例如基于移動邊緣計算的物聯網服務、基于邊緣計算的遠程醫療、智能交通和工業物聯網等應用場景。同時，還可以研究基于移動邊緣計算系統的邊緣云計算服務模式和服務質量保證機制。

2)在優化過程中如何分析邊緣網絡中設備對用戶響應時間的影響；如何通過改進螢火蟲算法來提高算法在多用戶系統中的計算性能；以及如何提高系統性能以適應用戶動態變化時對帶寬資源的需求。