基于邊緣計算的通信網絡流量優化方法研究
2025-09-30 00:00:00劉娜
無線互聯科技 2025年15期
中圖分類號：TP393.02 文獻標志碼：A
0 引言
在5G與物聯網（Internetof Things，IoT）廣泛部署的背景下，通信網絡面臨前所未有的數據增長與終端連接密度壓力，傳統基于集中式云計算（CloudComputing，CC）的資源調度方式在時延控制、鏈路負載均衡與服務連續性方面逐漸暴露瓶頸。邊緣計算（EdgeComputing，EC）作為一種將計算與存儲能力下沉至靠近數據源的網絡架構，為解決大規模并發任務下的流量優化問題提供了新的技術路徑[1]。本文基于邊緣計算環境，構建了融合資源狀態感知、動態任務調度與路徑選擇機制的通信流量優化模型，設計了包括優先級評分函數、分布式協同感知策略與多路徑路由重構算法在內的關鍵方法，通過模塊化系統部署實現算法工程落地。實驗結果表明，該方法在多個性能指標上相較傳統輪詢與隨機策略具有顯著優勢，能夠有效提升邊緣網絡環境下的調度效率與鏈路利用率，具有廣闊的應用前景與良好的推廣價值。
1邊緣計算技術概述
邊緣計算是一種面向分布式架構的計算模式，通過將計算、存儲與調度能力下沉至靠近數據源的網絡邊緣節點，實現低時延、高響應與資源高效利用，尤其適用于連接密集、實時性要求高的通信場景。系統結構通常包含終端層、邊緣層與云端層，其中邊緣層部署于接入網關或微型服務器，具備異構環境下的本地處理與調度能力，可與軟件定義網絡（SoftwareDefinedNetworking，SDN）和網絡功能虛擬化（NetworkFunctionVirtualization，NFV）融合，實現資源按需配置與服務動態部署，構建支撐智能通信的基礎架構。
2網絡流量優化方法設計
2.1網絡流量建模與問題分析
在邊緣計算環境下，網絡中存在多個異構邊緣節點，每個節點具備有限計算與存儲資源。設通信網絡拓撲為有向圖 G=（V，E） ，其中 V 表示節點集合， E 表示鏈路集合。任意邊緣節點 vi∈V 的資源容量包括計算能力 Ci （FLOPS）、帶寬容量 Bi（bps） 和緩存能力Si（bit） 。
設第 j 個任務請求為 Tj=（dj，rj，bj，sj） 。其中， dj 為任務時延約束（s）； rj 為計算需求（FLOP）; bj 為所需帶寬（bps）； sj 為緩存需求（bit）。
節點對任務 Tj 的處理延遲 Dij 可表示為[2]：
模型的目標是使所有任務的分配在滿足資源約束與時延限制下，整體任務平均完成時間最小。對應優化模型為：
sj?Si，Dij?dj
該模型反映了計算能力、傳輸帶寬與緩存資源對任務完成效率的共同影響，是邊緣流量優化的基礎。
2.2邊緣協同感知與調度機制
邊緣計算的分布式特性決定了系統必須具備實時感知網絡狀態的能力，以支持高效的任務調度。為此，系統引人邊緣協同感知機制（Collaborative SensingMechanism，CSM），通過周期性上報節點負載、鏈路狀態與任務隊列信息，構建全局狀態向量 S（t）={Li （t），Qi（t），Ri（t）} ，其中， Li（t） 為節點 i 當前鏈路帶寬占用率； Qi（t） 為任務隊列長度； Ri（t） 為剩余可用資源比值。
基于此狀態信息，采用加權優先級調度函數：
其中， α+β+γ=1 ，為可調參數權重， Qmax 為隊列長度上限。
任務調度模塊按照 Pi 得分動態選擇調度節點，實現低延遲與高資源利用率的協同調度策略。此機制避免了單點過載問題，增強了任務在網絡邊緣的自適應處理能力。
2.3路由重構與分流策略優化
在大規模通信網絡中，鏈路擁塞與路徑失衡是導致服務質量下降的重要因素。為此，本文設計了基于邊緣感知的路由重構與流量分流策略，以最小化數據傳輸時延與鏈路擁塞風險[3]
設通信路徑 Psrc，dst={e1，e2，…，ek} 為源節點到目的節點的傳輸路徑，鏈路 ei 當前的擁塞代價為 δ（ei） 。系統構建路徑代價函數：
在多條可達路徑集合中，選擇滿足時延約束且代價最小的路徑作為傳輸路徑，構成基于代價函數的最短路徑選擇策略。若網絡擁塞度超過設定閾值，則引入分流系數 θ∈[0，1] ，動態調整流量比例至備選路徑，從而實現多路徑調度與負載均衡。
同時，為應對動態變化的鏈路狀態，路由模塊結合邊緣感知機制實時更新路徑代價與可達性，確保路由選擇的魯棒性與全局最優性。
3系統架構設計與模塊實現
3.1系統整體架構設計
為實現基于邊緣計算的網絡流量優化方法，系統采用終端層、邊緣處理層與中央控制層的多層分布式架構。核心功能部署在邊緣節點，包括狀態感知、任務調度與路徑優化3個模塊，通過統一接口與中心系統協同。網關設備負責數據與狀態采集，邊緣節點完成本地處理與分發，中央控制層則進行策略調度與模型更新[4]。系統內部采用異步消息機制支持模塊解耦與任務并行，具備良好的擴展性與容錯性。系統分層結構與模塊交互關系如圖1所示。
圖1系統架構
3.2核心功能模塊實現
3.2.1狀態感知模塊
狀態感知模塊作為系統的數據輸入通道，負責收集和歸一化邊緣節點的計算資源占用、鏈路帶寬負載與任務排隊長度等動態信息，將結果定期匯總后推送至調度與路徑選擇模塊。該設計須考慮狀態采集周期與網絡帶寬之間的平衡關系，避免狀態信息更新過快引發通信開銷激增，同時要保證狀態反映的實時性。系統采用輕量級數據結構封裝狀態向量，使用異步數據通道上傳至中心控制接口。以下為歸一化處理代碼實現示例：
def normalize_status（cpu_used，cpu_total，bw_ used，bw_total，queue_len，queue_max）： cpu_ratio τ=τ cpu_used/cpu_total bw_ratio τ=τ bw_used/bw_total queue_ratio τ=τ queue_len/queue_max
return［cpu_ratio，bw_ratio，queue_ratio]
在多節點場景下，系統進一步支持狀態合并聚類，利用滑動時間窗口機制對狀態數據進行時間濾波，以剔除噪聲波動對調度策略的影響。
3.2.2任務調度模塊
任務調度模塊基于邊緣節點感知數據，動態計算節點調度優先級并完成任務分配。考慮到多資源維度的協調優化問題，系統采用加權打分模型進行綜合評價，其中權重參數 α，β，γ 分別對應鏈路負載、任務排隊程度與剩余資源占比，可通過模型學習自適應更新。優先級函數定義如下：
其中， ?Li 表示節點 i 的鏈路負載比值， Qi 為任務隊列長度， Ri 為當前可用資源比。系統根據 Pi 值動態調整任務投遞節點并支持優先級閾值控制，防止高負載節點頻繁接收任務而造成調度飽和。此外，任務調度結果將與路徑優化模塊聯動，實現分布式任務轉發控制。
3.2.3路由優化模塊
路由優化模塊負責為任務構建低延遲、低代價的傳輸路徑。在系統中，通信路徑構成一組邊 P={e1 e2，…，ek} ，每條鏈路對應一個可變的擁塞代價函數δ（ei） ，代價可根據鏈路利用率、丟包率或歷史帶寬數據計算獲得[5]。路徑總代價定義如下：
在多路徑可選的情況下，系統選擇總代價最小的路徑并進行任務分發。若主路徑負載接近瓶頸閾值，系統引入分流系數 θ ，將部分流量按比例轉移至次優路徑，構建容錯魯棒性調度機制：
其中， Cthresh 為設定的路徑負載上限， Load（P） 為當前路徑負載比值。該機制保障了系統在復雜拓撲環境中的可持續運行能力。
4實驗驗證與性能評估
4.1實驗設計與測試指標
為驗證所提基于邊緣計算的流量優化方法在實際環境下的性能表現，本文選取某智能制造車間的邊緣計算系統作為實驗平臺。平臺由終端設備、邊緣接入節點與中央控制器構成，具備典型的多終端高并發特征。邊緣節點采用NVIDIAJetsonXavierNX（6核
ARM CPU+384 核GPU，計算能力21TOPS），接入網關為 HPE Edgeline EL30O（Intel Xeon D-1518，16GBRAM），中央控制器部署在DellPowerEdgeR740（雙路XeonGold6226R，64GBRAM）。系統基于Ubuntu 20.O4，采用Docker與Kubernetes進行容器化部署，節點間通過MQTT同步狀態數據，調度調用基于gRPC實現[6]
實驗設置3種并發任務規模（100、200、400），對比分析4項性能指標：任務平均完成時間（s）系統調度延遲（ms）鏈路利用率與調度成功率，以全面評估系統在調度效率與資源利用方面的實際效果。
4.2結果分析與對比驗證
為評估所提出方法的性能優勢，實驗將其與2種代表性對比策略進行橫向測試：其一為傳統輪詢算法（Round-Robin，RR），該方法按節點順序循環分配任務，缺乏對節點狀態的實時感知；其二為隨機分配策略（RandomAllocation，RA），每個任務被隨機投遞至某個邊緣節點，不考慮系統資源利用率與鏈路狀況。不同并發規模下，3種方法在任務完成時間、調度延遲、鏈路利用率與調度成功率4個指標上的實驗結果如表1所示。
結果表明，隨著并發任務數量增加，本文方法在各項指標上均優于傳統策略，表現出良好的擴展性與穩定性。在400任務場景下，任務平均完成時間控制在1.7s以內，顯著低于輪詢（2.94s）與隨機策略（3.37s）；調度延遲低于 50ms ，鏈路利用率達83.2% ；調度成功率維持在 92.4% 以上，明顯優于對比方法。這表明所提方法在高負載環境下具備更強的調度效率與資源適應能力。
5結語
本文圍繞通信網絡中流量調控與資源分配的瓶頸問題，提出了一種融合邊緣計算架構的網絡流量優化方法。通過構建多維資源約束下的調度建模框架，設計了協同狀態感知機制、加權優先級調度策略與路徑重構分流算法，系統實現方面通過模塊化邊緣節點部署，完成了從感知到調度再到路由選擇的全流程閉環。實驗結果表明，本文方法在任務完成時間、調度延遲、鏈路利用率與調度成功率等多個關鍵指標上均顯著優于傳統輪詢與隨機分配策略，具備良好的擴展性與穩定性。該研究驗證了邊緣計算在高密度、低時延通信環境中優化流量分布與資源調度的工程可行性，為構建智能自適應的邊緣網絡管控系統提供了有效路徑與理論支撐。
表1不同算法在任務規模擴展下的性能對比
參考文獻
[1]張學治.大數據在電信移動通信網絡優化中的應用［J].電子技術，2024（3）：182-183.
[2]張仁朝.通信網絡中的軟件定義網絡技術應用分析[J].中國寬帶，2024（2）：13-15.
[3]梁晨，賀德強，任子陽，等.基于時間敏感網絡的列車通信網絡實時流量調度優化[J].鐵道科學與工程學報，2024（1）：58-69.
[4]張宇，劉珊.蟻群算法優化極限學習機的通信網絡流量建模分析[J].甘肅科學學報，2021（6）：29-33.
[5]畢霄.基于流量預測的5G通信網絡優化與系統研究[D].北京：北京交通大學，2021.
[6]郭圣.計算機通信網絡中容量與流量分配的優化策略[J].電子世界，2021（10）：47-48.
（編輯 王雪芬）
Research on communication network traffic optimization method based on edge computing
LIU Na （Qinghai College of Architectural Technology，Xining 81OO12，China）
Abstract：In order to deal withthe traffc congestion and resource imbalance in the communication network under the high concurrent access scenario，this paper proposes a network traffc optimization method based on edge computing. This method constructs a state aware driven scheduling model，combines node resource vectors and link dynamic load information，designs a task priority scoring mechanism and path costfunction，and deploys a multi module collaborativesystemon edgenodes toachieveadaptive task distribution andmulti path load balancing control.The verificationresultsofdeploying theexperimental platform inthe intelligent manufacturing workshop showthatunder the condition of 40O concurrnt tasks，this method controls the averagecompletion time of tasks to1.69 s，the system scheduling delay does not exceed 47.8 ms， the link utilization rate is improved to 83.2% ，and the scheduling success rate remains above 92.4% ，which are about 29.2% ， 39.1% ， 11.7% ，and 23.2% higher than traditional strategies， respectively.Theexperimental resultsshow that this method has good enginering adaptability in ensuring resource utilization efficiency and latency performance.
KeyWords：edge computing;network traffic optimization；task scheduling；path reconstruction；state awareness
