基于負載預測的多目標優化任務卸載策略

彭世明，林士飏，賈碩，楊苗會

（山東理工大學交通與車輛工程學院，山東 淄博 255000）

0 引言

車聯網（IoV）作為物聯網技術的一種具體應用，集成了人工智能、5G 以及大數據等前沿技術，是未來智能交通系統的重要組成部分［1-2］。車輛借助其裝備的車載電腦及通信技術，獲得更準確、全面的交通信息，實現智能導航、無人駕駛、安全預警等功能［3-4］。隨著智能交通系統的升級，車輛對網絡質量、時延等要求越來越高。車輛裝備的車載電腦難以高效且及時地處理任務，因此解決車輛計算能力受限問題已刻不容緩［5］。移動邊緣計算（MEC）的出現為汽車行業打破現有技術瓶頸［6］。MEC 服務器通常部署在距離車輛較近的位置，將車輛的計算任務卸載到邊緣網絡［7-8］，從而拓展車輛的計算能力。因此，在車聯網中基于MEC 設計有效的計算卸載方案，實現資源的優化分配是值得研究的問題。

低時延對于智能交通系統而言至關重要，直接決定了無人駕駛、安全預警等功能能否實現應用。邊緣計算任務卸載策略以時延作為性能評估的重要指標。

LIU 等［9］以最小化時延為目標，提出一種基于馬爾可夫鏈決策的任務卸載策略，分析卸載策略的時延及能耗，尋找最優計算卸載策略。SONG 等［10］提出一種定期分發傳入任務的有效方法，該分配策略在滿足任務時延及服務質量要求的基礎上增加了邊緣計算網絡的任務處理數量。與基準方案相比，該方法在時延、邊緣網絡承載的任務數量及負載均衡方面都有更優的表現。REN 等［11］在MEC 系統中提出最優聯合通信與計算資源分配算法，首先推導本地與MEC 服務器的最小系統延遲與最優資源分配模型，然后提出一種針對部分卸載的分段凸優化方法，該方法與先前的研究相結合，使用次梯度優化方法解決執行延遲問題。ZHANG 等［12］在基于分層云的車輛邊緣計算卸載框架內對 MEC 服務器計算資源受限問題進行研究，采用 Stackelberg 博弈論方法制定最優多級卸載方案，該方案可以有效地降低網絡延遲，并且在滿足任務延遲限制的同時，最大化系統的收益。SALEEM 等［13］提出一種支持部分計算卸載的MEC 框架，考慮所需的能量消耗、部分卸載和資源分配約束，將總時延最小化制定為混合整數非線性規劃問題，提出一種聯合部分卸載和資源分配方案，該方案在降低時延的同時限制了用戶設備的本地能耗。

上述研究以時延為重要性能評估指標制定任務卸載策略，但是任務分配不均衡可能會使某些服務器負載過高，從而造成服務器資源浪費和服務質量下降［14］。ZHANG 等［15］提出一種基于軟件定義網絡（SDN）的任務卸載框架，基于該框架設計負載均衡任務卸載方案，得到任務時延最小化的任務卸載策略。YAO 等［16］將任務卸載問題轉化為整數線性規劃問題，通過改進的遺傳算法（GA）搜索最優解，在負載均衡的條件下降低任務時延。DAI 等［17］在車輛邊緣計算網絡中將負載均衡與卸載相結合，聯合優化選擇決策、卸載率和計算資源提出一種低復雜度算法，該算法在優化時延與負載均衡的同時具有快速收斂性。LUO 等［18］在基于邊緣計算的5G 車載自組織網絡中，將內容預取至路側設施和車輛單元，采用基于圖論的方法解決資源分配問題，最終通過一種平衡貪婪算法實現負載均衡。林峰等［19］在蜂窩車聯網與MEC 融合應用場景中提出動態負載均衡算法，該方法充分考慮邊緣服務器自身運行狀態，動態調整指標權重并合理分配計算任務，從而提升集群負載均衡度。余翔等［20］在MEC 車聯網架構內，考慮MEC 服務器負載不均以及多優先級車輛任務的情況，提出基于遺傳算法的任務卸載策略，對比分析發現該策略在提高任務完成率的同時可實現負載均衡。

上述研究綜合考慮了任務時延及服務器的負載均衡，制定任務卸載策略。然而，由于車聯網中車輛單元在短時間內聚集和解散的特點，大量的車輛任務卸載使得MEC 服務器的負載快速變化并持續波動，因此僅依據當前的計算負載制定任務卸載策略，無法適應未來一段時間的負載變化，繼而導致任務時延增大以及卸載滯后。因此，建立可靠的方法預測MEC 服務器的負載尤為重要。

本文提出一種基于負載預測的多目標優化卸載策略算法MTUOA-LP。在車聯網場景中通過基于自適應優化神經網絡的負載預測算法預測MEC 服務器的計算資源量，為提高計算資源預測的準確率，引入自適應遺傳算法優化長短期記憶（LSTM）網絡的超參數，預測MEC 服務器的計算資源。設計基于負載預測的多目標優化卸載策略算法，以最小化時延及MEC 服務器負載均衡為目標，綜合考慮通信環境、計算資源及任務量等因素構建多目標優化模型，采用非支配排序遺傳算法-Ⅲ（NSGA-Ⅲ）求解多目標優化模型，獲得理想的任務卸載策略。

1 系統模型與優化問題制定

1.1 場景模型

MEC 網絡系統架構如圖1 所示，共分為集中控制層、分布式MEC 層和車輛層3 層。分布式MEC 層中的路側單元（RSU）部署于路側，且均配有單一MEC服務器，形成獨立的通信小區。在MEC 服務器之間通過光纖構成通信鏈路，可實現資源共享。車輛層中的車輛單元與MEC 服務器通過RSU 建立信號連接，通過本地RSU 將任務上傳至分布式MEC 層。MEC服務器周期性采集車輛節點廣播信息并獲取周邊MEC 服務器信息，為車輛單元提供邊緣計算服務。集中控制層配備中心控制器，中心控制器與MEC 服務器間通過光纖構成通信鏈路，可獲取網絡系統的狀態信息，制定任務卸載策略。

圖1 MEC 網絡系統架構Fig.1 Architecture of MEC network system

本文將車輛單元集合表示V={v1,v2,…,vh}，每個車輛單元都有1 個或多個任務，其中所有任務都可以被卸載但不能進一步劃分，所有任務都相互獨立。任務集合用A={Ai,j|i?H,j?N}表示，其中H={1,2,…,h}，N={1,2,…,n}，Ai,j表示第i個車輛單元的第j個任務。任務屬性表示Ai,j={β,b,Tmax}，其中，β表示每bit 計算需要的CPU 周期數，b表示任務數據大小，Tmax表示任務最大可容忍時延。MEC 服務器集合表示MMEC={Mk|k?G}，其中，G={1,2,…,m}。不同通信小區的車輛單元信息表示Bk={vi|i?H}，其中

在MEC 網絡系統中，車輛單元已使用的計算資源集合表示Q={floc,i|i?H}，其中，floc,i?[0,100]。MEC 服務器已使用的計算資源集合表示P={fmec,k|k?G}，fmec,k?[0,100]。

1.2 通信模型

在MEC 網絡系統中，車輛單元的卸載任務需要通過無線信道從車載端傳輸至RSU，再上傳至本地MEC 服務器。RSU 通常位于MEC 服務器附近且兩者之間通過光纖建立通信連接，因此忽略了RSU 到MEC 服務器的通信時延。假設車輛到RSU 上行鏈路信道是頻率平坦型塊衰落的瑞利信道［21-22］，那么車輛vi與Bk之間的上行傳輸速率表達式如下：

由于本文考慮的任務類型為計算密集型任務，輸出相較于輸入非常小，因此不考慮從MEC 服務器返回車輛單元的下行傳輸時延［23］。

1.3 時延模型

在MEC 網絡系統中，車輛單元任務可在車載端計算或卸載至MEC 服務器計算。本文任務時延模型主要考慮2 部分，分別是任務處理時延（車載端處理時延和MEC 服務器處理時延）和上行傳輸時延。

1）車載端處理時延

當任務Ai,j在車載端處理時，為Ai,j分配計算資源floc,alloc。CPU 頻率表示計算資源，floc,alloc越小則車載端處理能力越弱，任務需要卸載到MEC 服務器進行處理的程度越大。

車輛采用先到先服務的規則處理任務，當本地端處于滿載狀態時，后到的任務進入等待隊列。任務Ai,j的本地端處理時延Tloc表達式如下：

其中：Tw表示等待時間。

2）上行傳輸時延

當任務要上傳至MEC 服務器處理時，車輛單元將任務上傳至本地MEC 服務器，若車輛單元與目標MEC 服務器未建立直接通信連接，可通過MEC 之間的光纖連接由本地MEC 服務器實現任務上傳。由于車輛任務在MEC 之間的傳輸時延非常小，因此本文不考慮MEC 之間的傳輸時延。

根據任務大小及上行傳輸速率Ri,k計算車輛單元i的任務上行傳輸時延，表達式如下：

其中：xi,j={0,1}，xi,j取值為0，表示任務在車載端計算，xi,j取值為1，表示任務卸載至MEC 服務器計算。

3）MEC 服務器處理時延

當任務Ai,j卸載至MEC 服務器k處理時，根據Mk分配的計算資源計算處理時延。

通過本文設計的負載預測算法Ai,j預測Mk的計算資源使用情況fpre,k，MEC 服務器給每個任務分配的計算資源fmec,alloc的表達式如下：

其中：fmax表示設置的MEC 服務器最大負載。

MEC 服務器采用先到先服務的規則處理任務，當服務器處于滿載狀態時，后到的任務進入等待隊列。因此，任務Ai,j在MEC 服務器k的處理時延Tproc表達式如下：

其中：Tw表示等待時間。

任務Ti,j的總時延表達式如下：

1.4 MEC 服務器負載均衡模型

在MEC 服務器的負載均衡中，服務器的負載分布情況是1 個關鍵指標，標準差可以用來評價服務器負載集合的離散程度。如果標準差較小，說明服務器的負載分布較均衡，有助于實現車輛任務的合理分配及計算資源的優化利用，防止MEC 服務器負載過高；如果標準差較大，說明服務器的負載分布較不均衡，有些服務器負載較重，而有些服務器負載較輕，需要對負載較重的服務器進行任務遷移或資源調度等操作來實現負載均衡。因此，標準差可以作為一種有效評價MEC 服務器負載均衡的指標。

本文采用負載均衡標準差［20，24-25］對MEC 服務器的負載進行定量分析，負載均衡標準差越小，MEC服務器的負載越均衡。負載均衡標準差表達式如下：

其中：fmec,avg表示MEC 服務器負載的平均值。

1.5 優化問題制定

任務時延是制定車輛任務卸載策略的關鍵指標，快速處理對于計算型任務尤為重要。MEC 服務器負載均衡也是任務卸載策略的關鍵指標，MEC 服務器處于負載均衡狀態，可緩解個別服務器負載壓力，提高系統計算資源利用率。本文任務卸載模型以最小化時延及最小化MEC 服務器負載均衡標準差為目標，將任務分配問題視為多目標優化問題。多目標優化問題定義如下：

其中：C1 表示任務的最大容忍時延約束，保證任務處理時延不超過Tmax；C2、C3 表示車輛單元及MEC服務器的最大計算資源約束；C4 表示任務只能選擇一種任務處理方式。

2 任務卸載策略

在車聯網中，因車輛單元在空間和時間上分布的不均衡性，導致MEC 服務器負載不均衡，并且車輛任務具有低時延的要求，部分MEC 服務器會在短時間內達到很高的負荷甚至過載，這往往會增加任務時延。然而，有的MEC 服務器處于低負荷狀態，降低計算資源使用效率。因此，本文以時延及MEC服務器負載均衡為目標制定任務卸載策略。

由于車聯網中車輛單元的特性，MEC 服務器的負載具有變化快和持續波動的特點，因此僅依據當前的計算負載制定任務卸載策略，無法適應未來一段時間內的負載變化，繼而導致任務時延增大以及卸載滯后。因此，本文制定負載預測方法，為任務卸載策略提供可靠的計算資源狀態變化信息。

2.1 負載預測模型

2.1.1 LSTM 預測模型

長短期記憶網絡是一種常用于處理序列數據的深度學習模型，由多個門控單元組成，可以自適應地選擇要記憶或遺忘的信息，并在處理長序列數據時能夠有效地保持梯度穩定性。相比傳統的遞歸神經網絡（RNN），長短期記憶網絡具有更強的記憶能力和更好的長期依賴建模能力［26］。LSTM 可以完美地模擬多個輸入變量的問題，適用于時間序列預測［27］。因此，引入LSTM 對MEC 服務器進行負載預測具有重要意義。

在MEC 服務器中主要依靠CPU 為任務計算提供算力支持，因此本文用CPU 使用率表示負載。由于MEC 服務器中內存使用率、磁盤讀操作數、磁盤寫操作數與CPU 使用率之間具有關聯性，因此選取以上4 個特征共同作為LSTM 網絡的輸入特征信息。在預測方式上，選取i個連續時間序列數據為輸入信息獲得預測值，預測模型表達式如下：

其中：Yt表示t時刻的CPU 使用率；X表示內存使用率；Z表示磁盤讀操作數；C表示磁盤寫操作數。

LSTM 預測模型采用均方根誤差（RMSE）評估預測結果，RMSE 反映預測值與真實值之間的偏差程度，值越小結果越優，其計算式如下：

其中：yc(i)為預測值；y0(i)為實測值；n為樣本個數。

2.1.2 自適應優化神經網絡模型

LSTM 模型的非線性建模性能與4 種超參數密切相關：學習率、隱含層節點數、訓練次數以及批量大小。LSTM 超參數組成的解空間規模大，若采用傳統方法尋找最優超參數將消耗巨大的算力及時間。本節采用自適應優化神經網絡算法AGA-LSTM尋找最優網絡模型。

1）自適應遺傳算法是一種模擬自然選擇和遺傳機制的隨機化搜索算法。該算法利用進化論的思想搜索最優解，通過編碼、交叉、變異等操作不斷進化，從而逐步接近全局最優解。

衡量遺傳算法性能的2 個主要指標是全局尋優能力和收斂速度。遺傳算法中交叉概率和變異概率對算法尋優能力及收斂速度起著重要作用。交叉概率增大可以提高種群個體的進化速度，但會破壞適應度較高的個體，交叉概率降低容易導致個體進化速度緩慢。變異概率增大，使得種群進化方向多變，不利于保留優勢個體，變異概率降低則影響局部搜索能力。

在傳統遺傳算法中，交叉和變異概率固定不變，可能導致早熟收斂、收斂速度慢。針對上述問題，本文采用一種自適應遺傳算法（AGA）對LSTM 參數進行尋優。AGA 的基本思想是使交叉概率和變異概率隨個體適應度值自動改變，在避免算法早熟和局部收斂的同時，提高全局尋優搜索能力及效率。

交叉概率和變異概率計算表達式如下：

其中：Pc、Pm分別為交叉概率和變異概率；k1、k2、k3、k4為設定值；fmax表示種群中最大適應度；favg表示種群中平均適應度；表示配對個體中較大的適應度；f表示個體的適應度。

2）適應度函數。本文通過AGA 確定LSTM 模型4 種超參數最佳值，AGA 根據LSTM 預測算法的評價指標RMSE 計算適應度。適應度函數表達式如下：

2.2 基于自適應優化神經網絡的負載預測算法

在車聯網中MEC 服務器的負載變化快，為了在任務卸載策略中實現對負載變化的及時響應，需要建立可靠的負載預測算法，根據過去負載的變化規律預測未來MEC 服務器的負載，為制定任務卸載策略提供可靠的計算資源狀態變化信息。

由第2.1 節可知，AGA 算法優化LSTM 網絡模型，可以有效提高預測的準確性。本節以該方法為基礎建立基于自適應優化神經網絡的負載預測算法LP-AGA-LSTM，算法主要分為數據處理、預測模型構建和預測結果計算。

首先，不同特征之間的量綱不一致，為了消除特征之間的差異性需要對數據特征進行歸一化處理，本節采用Max-Min 對數據集中所用到的特征進行歸一化處理，表達式如下：

通過AGA-LSTM 確定LSTM 最佳超參數值，建立網絡模型。由于訓練后的LSTM 模型通過數據學習負載的內在變化規律，因此相同MEC 服務器不需要重復訓練，根據算法的設定輸入所需的歷史數據，便可快速得到負載預測值。

算法1基于自適應優化神經網絡的負載預測算法

2.3 基于負載預測的多目標優化任務卸載策略

在前期建立相關模型的基礎上，本節提出基于負載預測的多目標優化任務卸載策略，通過預測MEC 服務器的負載，分析MEC 網絡系統中計算資源的分布情況，合理分配任務，優化MEC 服務器負載及任務時延。

非支配排序遺傳算法-Ⅲ具有高效、均衡、可擴展、多樣性等優點，適用于多目標優化問題的求解［28］。本文通過NSGA-Ⅲ求解第1 節提出的多目標優化模型，迭代更新獲得理想的任務卸載策略。

2.3.1 非支配排序遺傳算法-Ⅲ模型

1）編碼在MEC 網絡系統中，車輛單元產生的任務可在車載端執行或卸載至MEC 服務器，將任務所在的車輛編碼為0，MEC服務器分別編碼為1，2，…，m。染色體表示所有任務的卸載策略，基因表示各個任務的卸載策略。圖2 所示為任務卸載策略的編碼實例，每輛車有n個任務，染色體長度為n×h。

圖2 任務卸載策略編碼實例Fig.2 Coding example of task offloading strategy

2）評價標準。本文采用非支配排序及擁擠度距離來評估NSGA-Ⅲ所產生任務卸載策略的優劣。

根據支配關系將任務卸載策略劃分到不同的前沿等級中，優先選擇前沿等級更小的任務卸載策略。當任務卸載策略的前沿等級相同時，為了選擇更好的解決方案，進而考慮每個策略的擁擠度距離，即該策略周圍解的密度，密度越大說明策略的優勢越大。優先選擇擁擠度距離更大的任務卸載策略。擁擠度距離計算式如下：

其中：D(i,j)表示個體i在目標j上的距離；fmax,j、fmin,j分別表示目標j的最大值與最小值；fj(i+1)、fj(i-1)表示在目標j中個體i的2 個相鄰值；D(i)表示個體i的擁擠距離。

2.3.2 基于負載預測的多目標優化任務卸載算法

任務卸載策略綜合考慮最小化任務時延和MEC 服務器負載均衡2 個目標優化，卸載策略的單一目標最優并不能保證另一目標也最優，需要同時權衡2 個目標制定任務卸載策略。為此，本文構建NSGA-Ⅲ模型，對第1 節建立的多目標優化模型尋求最優解。

為實現任務卸載策略對負載變化的及時響應，在第2.2 節建立負載預測算法，給任務卸載策略提供可靠的計算資源狀態變化信息。本文的任務類型為計算密集型任務，綜合考慮通信環境、任務大小及傳輸時延，為任務卸載策略提供下一時隙的MEC 服務器負載信息而不進行多步預測。

基于負載預測的多目標優化任務卸載算法的執行過程如算法2 所示。

算法2基于負載預測的多目標優化任務卸載算法

基于負載預測的多目標優化任務卸載算法需要結合之前的基礎工作來實現。首先，調用算法1 獲得MEC 網絡系統中各服務器的計算資源預測值；其次，調用NSGA-Ⅲ算法完成任務卸載策略優化；最后根據評價標準選擇最優個體作為任務卸載策略。

3 仿真

3.1 實驗環境與數據集

本文仿真實驗在內存16 GB、處理器為Intel?CoreTMi7-8650U、頻率1.90 GHz 的Windows 10 操作系統下進行，使用Python 3.8 對本文所提算法進行試驗仿真，實驗的具體參數配置如表1 所示。

表1 參數配置信息Table 1 Parameter configuration information

本文在內存128 GB、處理器為Intel?Xeon?Gold 5118 CPU，頻率2.30 GHz，Windows 7 操作系統下采集10 000 組數據作為實驗數據集，每組數據間隔時間為0.1 s。數據集中的特征有時間、CPU 使用率、內存占用率、磁盤讀操作數以及磁盤寫操作數。

3.2 計算資源預測算法性能

本文將LP-AGA-LSTM 算法與LP-GA-LSTM 及PSO-LSTM 算法進行對比，對比方法分別采用傳統遺傳算法及粒子群算法優化LSTM 超參數，對負載進行預測。

本文實驗按照6∶2∶2 的比例將數據集劃分為訓練集、驗證集和測試集，LSTM 超參數取值范圍如表2 所示。

表2 LSTM 網絡超參數取值Table 2 Hyperparameter values of LSTM network

本文設定3 種算法的最大進化代數為30 次，種群規模為10，LSTM 預測時間步長i=10，LP-AGA-LSTM算法中k1=k3=0.8，k2=k4=0.3，LP-GA-LSTM 算法中變異概率及交叉概率分別為0.3 與0.8，PSO-LSTM 算法中權重系數為0.8，加速因子為0.5。本文實驗以RSME 作為評價指標，對上述3 種算法進行對比分析，實驗結果如圖3 所示。

圖3 迭代次數與RMSE 最優值的關系Fig.3 The relationship between the number of iterations and the optimal value of RMSE

從圖3 可以看出，隨著迭代次數的增加，算法的RMSE 最優值收斂速度逐漸降低，直至達到收斂狀態。LP-AGA-LSTM 迭代25 次的RMSE 收斂至4.93，LP-GA-LSTM 迭代20 次RMSE 收斂至5.03，PSO-LSTM 迭代15 次RMSE 收斂至5.02。

在實驗中，雖然PSO-LSTM 與LP-GA-LSTM 先達到收斂狀態，但它們陷入局部最優狀態，在接下來的迭代中并沒有搜尋到更優的RMSE 值。LP-AGA-LSTM在迭代數為0～5 次時能夠以較快的速度收斂，在10～15 次時跳出局部最優繼續在空間中搜尋，直至收斂到最優值。本文算法在應對局部最優狀態時有更優的表現。這是因為本文在LP-AGA-LSTM 算法中引入了自適應的變異及交叉算子，自適應調整個體交叉及變異概率，對表現較差的個體賦予更大的交叉變異概率，提高局部搜索能力。迭代次數與RMSE均值對比如圖4 所示。

圖4 迭代次數與RMSE 均值的關系Fig.4 The relationship between the number of iterations and the RMSE mean

從圖4 可以看出，隨著迭代次數的增加，各代種群的RMSE 均值呈現收斂趨勢。LP-GA-LSTM 與LP-AGA-LSTM 分別于20 次、25 次達到收斂狀態，而PSO-LSTM 算法在30 次內沒有收斂，甚至還有小幅度的震蕩。

從全局看LP-AGA-LSTM 算法具有更優的局部搜索能力和全局搜索能力，收斂速度也得到提高。因此，LP-AGA-LSTM 具有更優的尋優能力，提高負載預測的精度。經LP-AGA-LSTM 算法尋找到的最優LSTM 模型參數為第1 個隱藏層與第2 個隱藏層節點數256個、訓練次數115、批量大小128、學習率0.009。

3.3 卸載策略性能

為驗證MTUOA-LP 算法的性能，本文引入以下4 種卸載方案進行對比分析。

1）多目標優化任務卸載策略MTUOA，制定任務卸載策略方面與MTUOA-LP 算法相同，以時延及MEC 服務器負載均衡標準差為優化目標得到任務卸載策略，算法未考慮負載預測。

2）基于Qos 的任務卸載策略QTD［10］。為有效挖掘邊緣計算網絡的算力，QTD 算法在時延及Qos 等指標約束下，增加邊緣網絡承載任務數量。

3）基于NSGA2［29］的車聯網邊緣計算任務卸載方案，在車聯網邊緣計算體系下，建立卸載模型，通過NSGA2 算法得到卸載策略。

4）全卸載策略（AOS）將車輛的所有任務都隨機卸載到MEC 網絡系統中的MEC 服務器。

3.3.1 總時延與負載均衡標準差比較

圖5 所示為各卸載策略單輛車任務數與任務平均時延的關系。MTUOA-LP 的平均時延均最優，與MTUOA、NSGA2、QTD、AOS 對比，總體平均時延分別降低1.7%、7.3%、12.4%和17.5%。QTD 算法希望增加邊緣網絡承載的任務數，但是該策略讓邊緣網絡時刻接近過載狀態，并且因更多的任務卸載至邊緣端，導致車載端的計算資源沒有得到充分利用，增大了時延。NSGA2 算法因考慮能耗方面也增加卸載至邊緣端的任務數量，導致時延增加。MTUOA算法未考慮負載預測，導致服務器過載，增加任務的排隊時延。

圖5 任務數與平均時延的關系Fig.5 The relationship between the number of tasks and the average time delay

圖6 所示為各卸載策略單輛車任務數與MEC 服務器負載均衡標準差的關系。MTUOA-LP 算法具有顯著優勢。QTD 算法的負載均衡標準差優于其他3 個算法，該算法讓服務器負載接近滿載值，但未考慮負載預測，導致任務卸載后MEC 服務器的實際負載與理想狀態有差異。NSGA2、QTD、AOS 算法均沒有直接以負載均衡為目標制定卸載策略，因此它們的負載均衡標準差呈現不穩定的特點。MTUOA 算法雖然考慮負載均衡因素，但是未考慮負載預測，存在信息滯后問題，負載標準差是MTUOA-LP 的7.75 倍。

圖6 任務數與負載均衡標準差關系Fig.6 The relationship between the number of tasks and the standard deviation of load balancing

與其他卸載策略相比，MTUOA-LP 算法能優化時延，并且在負載均衡方面取得顯著優勢。

3.3.2 通信小區卸載率比較

在MEC 網絡系統中，由于不同通信小區通信環境及車輛數等具有差異，因此不同通信小區的任務卸載率及平均傳輸時延存在差異。

圖7 所示為在MTUOA-LP 算法中任務數與不同通信小區卸載率的關系，主要表現2 個特點：1）隨著任務數的增加，車輛單元計算能力不足，需要卸載更多任務至MEC 服務器，導致卸載率增大；2）不同通信小區的車輛數不同，車輛數多的通信小區通信壓力大，因此在任務數相同的情況下，隨著車輛數增加卸載率降低。

圖7 任務數與不同通信小區卸載率關系Fig.7 The relationship between the number of tasks and the offloading rate among different communication cells

3.3.3 通信小區傳輸時延比較

圖8 所示為在MTUOA-LP 算法中任務數量與不同通信小區平均傳輸時延的關系，主要表現2 個特點：1）隨著任務數的增加，車輛單元計算能力不足，需要卸載更多任務至MEC 服務器，因通信資源是恒定的，隨著傳輸任務數量增加，平均傳輸時延增大；2）不同通信小區的車輛數不同，車輛數多的通信小區通信壓力大，平均傳輸時延增加。

圖8 任務數與不同通信小區傳輸時延關系Fig.8 The relationship between the number of tasks and the transmission time delay among different communication cells

通過比較不同通信小區的任務卸載率及平均傳輸時延可以看出，MTUOA-LP 算法綜合考慮車輛數及通信環境等因素，針對不同通信小區制定差異化的任務卸載方案。

4 結束語

本文針對MEC 網絡系統架構中的任務卸載問題，提出一種基于負載預測的多目標優化任務卸載策略MTUOA-LP。通過LP-AGA-LSTM 算法對MEC 服務器計算資源進行預測，以時延及負載均衡為目標，綜合考慮通信環境、計算資源及任務量等因素給出最優的任務卸載策略。實驗結果表明，LP-AGA-LSTM 算法預測精準率以及AGA 的局部搜索能力、收斂速度都得到顯著提高。MTUOALP 算法能優化任務時延，在負載均衡方面取得顯著優勢，能有效解決MEC 服務器負載不均衡的問題。此外，MTUOA-LP 算法可以針對各個通信小區的環境、車輛數等因素，制定差異化的任務卸載策略。下一步將考慮更加復雜的通信環境，面對差異化的任務，添加循環預測機制，從而完善任務卸載策略。