邢婷　魏小敏　李夢宇

摘 要：隨著物聯(lián)網(wǎng)的快速發(fā)展，越來越多的設(shè)備連接到互聯(lián)網(wǎng)中。云計算可以有效滿足非實時和高計算量業(yè)務(wù)的需求，但在低延遲業(yè)務(wù)方面存在很大的問題。因此，研究人員引入邊緣計算來彌補云計算的不足，并將這一理念應(yīng)用于許多場景之中。文章將邊緣計算應(yīng)用于對延遲要求較高的應(yīng)急救援場景。首先，提出了一種基于邊緣的應(yīng)急救援架構(gòu)，該架構(gòu)包括3層：云層，邊緣層和設(shè)備接入層，救援任務(wù)的完成需要各層次之間的合作。設(shè)備接入層對應(yīng)物理環(huán)境中的各項資源設(shè)備，包括救援人員、無線設(shè)備和救援車輛等，文章研究基于服務(wù)質(zhì)量（Quality of Service， QoS）的復合業(yè)務(wù)多設(shè)備選擇問題，提出了一種基于QoS的多設(shè)備協(xié)同選擇機制（MDSA），并將其與傳統(tǒng)的分配算法進行比較。仿真結(jié)果表明，MDSA在丟包和能耗等方面具有良好的性能。

關(guān)鍵詞：邊緣計算；QoS；應(yīng)急救災(zāi)；多設(shè)備協(xié)同

近年來，頻發(fā)的災(zāi)害給人們的生命財產(chǎn)造成了嚴重的損失，災(zāi)害已經(jīng)成為影響經(jīng)濟發(fā)展和社會安定的不可忽視因素。人們越來越重視災(zāi)害應(yīng)急管理領(lǐng)域的研究，尤其是應(yīng)急資源調(diào)度方面。應(yīng)急資源調(diào)度是應(yīng)急管理的核心環(huán)節(jié)，主要研究如何在災(zāi)害發(fā)生時迅速有效地利用智能決策理論和計算機輔助工具，選擇一套最佳的應(yīng)急資源分配方案。該分配方案能夠使得分散的所需資源盡快到達應(yīng)急地點，使應(yīng)急活動得以盡快進行，從而最大限度地減少突發(fā)性災(zāi)害帶來的經(jīng)濟損失和人員傷亡[1]。

在信息技術(shù)高速發(fā)展的今天，應(yīng)急資源調(diào)度也逐漸與先進的通信技術(shù)結(jié)合起來，實現(xiàn)更好的資源調(diào)度方案。災(zāi)難現(xiàn)場擁有很多實時信息，例如道路阻塞、坍塌狀況、溫度、濕度等，這些信息對于救災(zāi)具有指導性的意義，如果缺乏對于信息的采集，盲目進行資源分配將會浪費救援時間，缺乏救援效果。此外，災(zāi)難救援時間非常寶貴，高效資源調(diào)度需要完成快速信息獲取和分析，從而得出資源調(diào)度方案。因此，建設(shè)一個實時高速的信息傳輸與分析系統(tǒng)是高效應(yīng)急資源調(diào)度的保障。

盡管當下網(wǎng)絡(luò)傳輸速率已經(jīng)有了很大的改進，但在災(zāi)害場景中，缺乏有效站點對于通信的支持，實現(xiàn)災(zāi)難現(xiàn)場與救援中心的高帶寬實時通信還是比較困難。邊緣計算作為一種新興的通信模式，通過在網(wǎng)絡(luò)邊緣搭建服務(wù)平臺，將原本中心節(jié)點提供的應(yīng)用程序、數(shù)據(jù)資源或計算服務(wù)分解為若干部分，并各自分散到邊緣節(jié)點進行處理，這種就近提供計算服務(wù)的方式能夠滿足快速連接、實時分析、快速響應(yīng)等方面的技術(shù)和應(yīng)用需求。邊緣計算的出現(xiàn)實現(xiàn)了云計算的去中心化，能夠有效避免長距離傳輸造成的時間及帶寬浪費，同時也降低了云中心的計算負荷[2]。

在本文中，我們將邊緣計算應(yīng)用于緊急救援。這個場景需要較短的響應(yīng)時間和大量的數(shù)據(jù)來制定決策。通過這種方式可以提高緊急救援的效率。本文具體研究如下：

（1）本文提出一種協(xié)作分層體系結(jié)構(gòu)。在該架構(gòu)中，計算任務(wù)可由云邊緣協(xié)調(diào)進行處理。低級服務(wù)決策過程可以從云中心移動到網(wǎng)絡(luò)邊緣，一些基本的數(shù)據(jù)可以在本地處理，減少通信帶寬的需求。

（2）基于該分層體系結(jié)構(gòu)，我們討論了網(wǎng)絡(luò)邊緣的服務(wù)決策過程。在移動應(yīng)急決策方面，我們從QoS的角度引入了一種選擇機制來將服務(wù)分配給適當?shù)奈锢碓O(shè)備來執(zhí)行。在丟包率和網(wǎng)絡(luò)能耗方面，實驗數(shù)據(jù)顯示該策略具有較好的性能。

1 基于QoS的多設(shè)備協(xié)同機制

1.1 體系結(jié)構(gòu)

在緊急場景下，急救中心需要大量的實時信息才能做出快速準確的決策和協(xié)調(diào)操作。然而，道路視頻監(jiān)控和交通信息的傳輸需要高帶寬，遠距離傳輸會減慢決策速度。因此，我們提出了一種基于邊緣計算的體系結(jié)構(gòu)來提高系統(tǒng)性能。該架構(gòu)包括3層：云層、邊緣層和設(shè)備訪問層。云層是緊急命令和數(shù)據(jù)中心。指揮官在此做出高層次的決定，如救援計劃，為現(xiàn)場救援人員提供遠程培訓等。邊緣層是網(wǎng)絡(luò)的邊緣，通過在基礎(chǔ)站點上部署邊緣計算服務(wù)器，可以在邊緣層中處理一些工作，例如視頻管理和分析。通過這種方式，我們可以更好地利用通信帶寬。此外，邊緣層可以通過利用具有邊緣計算功能的網(wǎng)關(guān)來支持一些低級決策。設(shè)備訪問層主要指災(zāi)難現(xiàn)場，如道路視頻監(jiān)控，交通信息和移動緊急情況。災(zāi)難救援是一個復雜的過程，并不局限于這些部分。收集數(shù)據(jù)和執(zhí)行服務(wù)是設(shè)備訪問層的主要責任。移動突發(fā)事件是應(yīng)急指揮的重要執(zhí)行者。實際上，它可以看作是一個移動應(yīng)急平臺，包括救援人員，無線通信設(shè)備，傳感器等。如何分配資源來執(zhí)行服務(wù)也會影響救援工作的進度。在下面的部分中，我們描述了這個問題并提出了方法。

1.2 基于QoS的多設(shè)備選擇算法

1.2.1 問題模型

本文提出的移動應(yīng)急模型可以看作是移動Ad-hoc網(wǎng)絡(luò)（MANET）的典型應(yīng)用場景。具有智能設(shè)備的傳感器、無線通信設(shè)備，和救援人員可以相互通信，不依賴于先前存在的基礎(chǔ)設(shè)施，例如有線網(wǎng)絡(luò)中的路由器或受管（基礎(chǔ)設(shè)施）無線網(wǎng)絡(luò)中的接入點[3]。雙層服務(wù)映射模型如圖1所示。

圖1 雙層服務(wù)映射模型

在救援過程中，當救援點請求一個服務(wù)，該服務(wù)可能由多個子服務(wù)組成并且需要多個物理設(shè)備來執(zhí)行[4]。例如，用戶請求監(jiān)視環(huán)境的服務(wù)，它可以包括：監(jiān)視位置表示為S1，監(jiān)視溫度表示為S2，煙霧監(jiān)視表示為S3，環(huán)境質(zhì)量監(jiān)測表示為S4。

我們的目標是找到一套最佳的物理設(shè)備，這些設(shè)備可以協(xié)同支持服務(wù)并保持用戶體驗的質(zhì)量。圖1給出了一個雙層模型來描述將服務(wù)分配給物理設(shè)備的場景。圖示的子服務(wù)需要按順序執(zhí)行。例如，子服務(wù)S1需要S3和S2的結(jié)果。因此我們可以看到子服務(wù)之間的交互。設(shè)備層包括一些可調(diào)度資源，例如智能終端和傳感器。它們之間存在網(wǎng)絡(luò)鏈接，其中一些可以在服務(wù)層中執(zhí)行子服務(wù)。此外，不止一個設(shè)備可以執(zhí)行子服務(wù)，該圖給出將子服務(wù)分配給設(shè)備的一種可能方式[5-6]。在接下來的部分中，我們將詳細介紹兩層模型，并嘗試解決如何將服務(wù)層中的GSM（S，Q，L，B）映射到設(shè)備層中的GDM（D，R，E）的問題。

（1）SM服務(wù)層模型。服務(wù)層模型將網(wǎng)絡(luò)中的服務(wù)定義為GSM（S，Q，L，B），由一組子服務(wù)，S={sv|v=1，…，V}，子服務(wù)所需的一組資源Q={qv|v=0，1…，V}和子服務(wù)間的一組交互L={lu|u=0，1…，U}組成。sv是服務(wù)中的第v個子服務(wù)。V是服務(wù)總數(shù)。qv={qv，w|w=1，…，W}給出子服務(wù)需要多少資源，并由相應(yīng)的權(quán)重值表示。qv，w在[0，1]范圍內(nèi)。W是資源類型的總數(shù)。lu是服務(wù)中的交互。U是子服務(wù)間的交互總數(shù)。B={bu|u=0，1…，U}是L={lu|u=0，1…，U}所需的帶寬。

（2）DM設(shè)備層模型。DM（設(shè)備層模型）給出了設(shè)備層的結(jié)構(gòu)，它被定義為無向圖GDM（D，R，E），其中：

D={dk|k=0，1…，K}表示一組設(shè)備，R={rk|k=0，1…，K}表示每個設(shè)備的一組能力，E={ej|j=1，…，J}表示設(shè)備之間的一組通信鏈路。

在本文中，我們從QoS的角度選擇最佳設(shè)備集。我們在（1）中定義了一個效益函數(shù)。Pi是可以執(zhí)行第i個服務(wù)的一組設(shè)備。ρi，m是第i個服務(wù)的第m個質(zhì)量指標。αi，m是第i個服務(wù)的第m個質(zhì)量指標的權(quán)重。

F（i，Pi）=∑i∑mαi，m*ρi，m （1）

至于質(zhì)量指標，不同的服務(wù)有不同的要求。本文主要針對兩個方面，即距離和響應(yīng)時間。它們是衡量服務(wù)質(zhì)量的一般指標，我們在第4節(jié)中描述了細節(jié)。

同時，在公式（1）的基礎(chǔ)上，建立了如（2）所示的數(shù)學模型。事實上，為了正確地分配服務(wù)，需要從GDM（D，R，E）中找到滿足GSM（S，Q，L，B）和最佳質(zhì)量需求的同構(gòu)子圖。

其中：δi，m是第i個服務(wù)的第m個質(zhì)量指標的最低要求。xp，v，k是一個0-1變量。 選擇dk執(zhí)行服務(wù)時設(shè)置為1，否則設(shè)置為0。yp，j也是一個0-1變量。當選擇鏈接ej來執(zhí)行服務(wù)時，它被設(shè)置為1，否則它被設(shè)置為0。

根據(jù)該模型，它是一個復雜的子圖同態(tài)問題，我們在下面的部分介紹解決方案。

1.2.2 基于QoS的多設(shè)備選擇方案MDSA

針對上一部分提出的問題，我們給出了一個具有廣度優(yōu)先搜索（Breadth First Search，BFS）和修剪機制知識的解決方案。該過程如圖2所示。

該過程由兩部分組成。第一部分是服務(wù)初始化。首先根據(jù)場景得到邏輯圖GSM（S，Q，L，B）。以圖1為例，邏輯圖表示在（3）中。

根據(jù)邏輯圖GSM（S，Q，L，B），我們得到以圖GSM的鄰接矩陣導出的以Su為根的BFS樹。并且還生成執(zhí)行服務(wù)的設(shè)備集NetTop={CDS，Gbit}的初始網(wǎng)絡(luò)拓撲。CDS是定義為CDS=（dk1，dk2，…dki）。dki是執(zhí)行第i個子服務(wù)的設(shè)備，相應(yīng)的Gbit表示找到執(zhí)行子服務(wù)的設(shè)備。例如，考慮式（3），我們得到一個執(zhí)行序列（S1，S2，S3，S4），其中BFS樹由S1生根。如果CDS=（dk1，dk2，dk3，NULL）

和Gbit=1 110，則表示有3個設(shè)備dk1，dk2，dk3可以執(zhí)行服務(wù)S1，S2，S3，尚未找到執(zhí)行服務(wù)S4的設(shè)備。因此，在開始時，NetTop=被設(shè)置為初始值，如CDS=（NULL，…，NULL）和Gbit=0…0。

設(shè)備選擇過程如下。由生存時間控制的REQ_SEL數(shù)據(jù)包將在設(shè)備之間廣播。作為第一接收器并且可以在執(zhí)行序列中執(zhí)行第一服務(wù)的設(shè)備被表示為服務(wù)開始節(jié)點，并且對REQ_SEL分組進行廣播[7-10]。在k-hop內(nèi)，接收REQ_SEL數(shù)據(jù)包的設(shè)備將檢查是否有可用于執(zhí)行特定服務(wù)的資源，如果它可以執(zhí)行服務(wù)而不是終節(jié)點（執(zhí)行最后一個服務(wù)的設(shè)備），將該設(shè)備的上下文放入REQ_SEL并廣播REQ_SEL，直到找到服務(wù)端節(jié)點。如果設(shè)備是終節(jié)點，則形成ACK_SEL包并發(fā)送給用戶構(gòu)建初始UCS為（4），ρt，m表示為第t個解決方案中的第m個服務(wù)質(zhì)量指標CDSt。最后，選擇具有收益函數(shù)的最優(yōu)集合，并使用REQ_ROU數(shù)據(jù)包，ACK_ROU數(shù)據(jù)包完成設(shè)備分配。

此外，在接收到ACK_SEL消息后，用戶將構(gòu)造UCS并根據(jù)（2）選擇最佳的CDSi。由于多設(shè)備選擇過程的問題模型是多目標函數(shù)，我們將計算過程分解為兩個步驟，以簡化計算的復雜度。首先，我們從UCS中選擇ZCDS作為根據(jù)（2）的初步設(shè)備集。計算Z的公式如（5）所示。

這里，M是UCS的總數(shù)。λ設(shè)定為0.5。

之后，根據(jù)（2）中的第二個目標函數(shù)，我們從上述Z CDS中選擇最佳協(xié)同Z作為實現(xiàn)服務(wù)的初始設(shè)備集。這里以圖3為例。

步驟1：救援點請求組合服務(wù)，并且d1被表示為服務(wù)開始節(jié)點S1并廣播REQ_SEL。

步驟2：收到REQ_SEL后，d2，d3，d10檢查是否滿足S2的要求。d3和d10只轉(zhuǎn)發(fā)REQ_SEL。d2可以將其信息添加到REQ_SEL中，然后廣播REQ_SEL，生成UCS=（（d1，d2，NULL，NULL，1 100），ρ1，1，ρ1，1，…，ρ1，m）。

步驟3：d7從d5接收REQ_SEL，d8從d6接收REQ_SEL，它們是服務(wù)終節(jié)點，因此發(fā)送REQ_ACK。最后，我們選擇一個最優(yōu)集合CDS并建立路由。

2 實驗評估

2.1 實驗環(huán)境

在模擬中，我們將從兩個評估指標驗證所提出機制的性能：服務(wù)距離，服務(wù)響應(yīng)時間。我們給出這些質(zhì)量指標的定義，定義服務(wù)距離是設(shè)備和用戶間的平均距離。

2.1.1 服務(wù)距離

2.1.2 服務(wù)響應(yīng)時間

其中Ti是服務(wù)i的響應(yīng)時間，Tmax是用戶可以接受的最長等待時間。

用OPNET建立一個帶無線通信設(shè)備和MANET的仿真環(huán)境，然后通過Matlab等統(tǒng)計分析工具分析實驗結(jié)果?；贠PNET，構(gòu)建了一個面積為100×150（Ti）的網(wǎng)絡(luò)，包括60個異構(gòu)設(shè)備。模擬過程中參數(shù)的詳細信息如表1所示。為了觀察MDSA與多用戶的性能，模擬了具有1、4和8個用戶的場景。此外，模擬各種最大速度（1、5、10、15和20 m/s）以顯示MDSA適用于具有高移動性設(shè)備的環(huán)境。

2.2 結(jié)果分析

考慮到應(yīng)急救援場景中救援點的網(wǎng)絡(luò)體驗和質(zhì)量，MDSA的性能已經(jīng)與基于成本的簡單分配算法CDA進行了比較[5]。我們通過兩個測量分析實驗結(jié)果，包括能耗和丟包率。

（1）能耗：由于網(wǎng)絡(luò)中終端設(shè)備的能量有限，高性能的多終端選擇算法將有助于節(jié)省能源。如圖4所示，與CDA相比，MDSA可以在情況4下節(jié)省0～22%的能耗。并且能量消耗得到顯著改善，特別是當終端的移動速度增加或多個用戶同時請求服務(wù)時。

（2）丟包率：圖5給出了1個用戶，4個用戶和8個用戶在不同場景下各種移動速度下的平均丟包率。在4個用戶的情況下，結(jié)果表明隨著終端移動速度的增加，MDSA的丟包率明顯低于其他方法。在1個用戶和8個用戶的情況下，結(jié)果表明MDSA的性能比CDA好2%～16%。

3 結(jié)語

高效的應(yīng)急救援在災(zāi)難中起著至關(guān)重要的作用。當前的應(yīng)急通信系統(tǒng)面臨多種挑戰(zhàn)，例如帶寬不足導致應(yīng)急響應(yīng)緩慢。我們引入了一種基于邊緣計算的應(yīng)急系統(tǒng)架構(gòu)，可以將一些過程從云中心移動到網(wǎng)絡(luò)邊緣。作為事故現(xiàn)場的重要部分，移動應(yīng)急決定了救援的效率。如何構(gòu)建服務(wù)并為設(shè)備分配服務(wù)是值得我們關(guān)注的問題。在多設(shè)備協(xié)同過程中，服務(wù)質(zhì)量將受到物理設(shè)備能力或網(wǎng)絡(luò)拓撲動態(tài)的影響。為了向用戶提供高質(zhì)量的服務(wù)，保持服務(wù)的連續(xù)性和穩(wěn)定性，本文提出了一種基于QoS的多設(shè)備協(xié)同選擇機制，仿真結(jié)果表明，與CDA相比，我們的機制在能耗和丟包率方面具有較好的性能。

[參考文獻]

[1]柴秀榮.災(zāi)害應(yīng)急救助物資調(diào)度系統(tǒng)研究[D].合肥：中國科學技術(shù)大學，2009.

[2]張婷.災(zāi)害應(yīng)急管理中的應(yīng)急資源調(diào)度問題研究[D].合肥：合肥工業(yè)大學，2015.

[3]SUN Q，KONG F，ZHANG L，et al.Study on emergency distribution route decision making[C].Changchun：2011 International Conference on Mechatronic Science，Electric Engineering and Computer（MEC）2011.

[4]ZHAO T C，ZHOU S，GUO X Y.A cooperative scheduling scheme of Icloud and Internet cloud for delay-aware mobile cloud computing[C].San Diego：Proceeding IEEE Globecom Workshops，2015.

[5]HAUBENWALLER A，VANDIKAS K.Computations on the edge in the Internet of Things[J].Procedia Computer Science，2015（52）：29-34.

[6]FLORES H，HUI P，TARKOMA S，et al.Mobile code offloading： from concept to practice and beyond[J].IEEE Communications Magazine，2015（3）：80-88.

[7]CHEN X，JIAO L，LI W，et al.Efficient multi-user computation offloading for mobile-edge cloud computing[J].IEEE/ACM Transactions on Networking，2015（5）：2795-2808.

[8]YOU C，HUANG K，CHAE H，et al.Energy-efficient resource allocation for mobile-edge computation offloading[J].IEEE Transactions on Wireless Communications，2017（16）：1397-1411.

[9]SARDELLITTI S，SCUTARI G，BARBAROSSA S.Joint optimization of radio and computational resources for multicell mobile-edge computing[J].IEEE Transactions on Signal and Information Processing over Networks，2015（2）：89-103.

[10]TALEB T，DUTTA S，KSENTINI A，et al.Mobile edge computing potential in making cities smarter[J].IEEE Communications Magazine，2017（3）：38-43.