雙層邊緣計(jì)算結(jié)構(gòu)中最小化功率開銷的任務(wù)卸載策略

劉 通

(1.重慶工程職業(yè)技術(shù)學(xué)院 信息工程學(xué)院， 重慶 402260; 2.重慶郵電大學(xué) 通信與信息工程學(xué)院， 重慶 400065)

隨著移動(dòng)通信技術(shù)的不斷發(fā)展和智能終端設(shè)備的逐漸普及，各種新型網(wǎng)絡(luò)服務(wù)及應(yīng)用不斷出現(xiàn)，用戶對網(wǎng)絡(luò)的服務(wù)質(zhì)量及服務(wù)時(shí)延等提出了更高的要求。由于智能設(shè)備自身計(jì)算和存儲能力的局限，將這些應(yīng)用直接在設(shè)備上進(jìn)行處理顯得不切實(shí)際，即便終端設(shè)備能夠處理這些應(yīng)用，但這樣的操作方式會占用較多的計(jì)算資源，導(dǎo)致過高的能耗。云計(jì)算技術(shù)可以有效地整合網(wǎng)絡(luò)計(jì)算資源及存儲資源，對網(wǎng)絡(luò)的整體性能有著極大地提升。將大量的數(shù)據(jù)遷移至云端，不僅可以大幅降低計(jì)算時(shí)間，還能進(jìn)一步節(jié)省終端設(shè)備的存儲、功率等資源。然而，在未來移動(dòng)通信網(wǎng)絡(luò)中，網(wǎng)絡(luò)用戶面將擴(kuò)展至具有網(wǎng)絡(luò)接入功能的一切設(shè)備，用戶面的擴(kuò)大同時(shí)意味著數(shù)據(jù)量的激增?；谠朴?jì)算的數(shù)據(jù)處理方式需要將這些海量數(shù)據(jù)從終端傳送至云端，數(shù)據(jù)量過多不僅會增加傳輸時(shí)延，同時(shí)會導(dǎo)致網(wǎng)絡(luò)擁塞。虛擬現(xiàn)實(shí)、遠(yuǎn)程醫(yī)療等未來的網(wǎng)絡(luò)應(yīng)用對時(shí)延有著極高的要求，繼續(xù)采用云計(jì)算的方式支持未來的網(wǎng)絡(luò)應(yīng)用勢必會降低用戶的QoE(quality of experience，體驗(yàn)質(zhì)量)。通過在靠近用戶的網(wǎng)絡(luò)邊緣處部署具有存儲、計(jì)算功能的邊緣服務(wù)器用于接收和處理用戶數(shù)據(jù)，邊緣計(jì)算能夠有效地解決上述問題。

1 邊緣計(jì)算技術(shù)概述

邊緣計(jì)算技術(shù)的核心思想是將原云端服務(wù)器提供的功能“下沉”到網(wǎng)絡(luò)的邊緣，用戶可以將任務(wù)發(fā)送至邊緣服務(wù)器直接進(jìn)行處理，從而節(jié)約傳輸時(shí)間[1]，同時(shí)還能減少云端由于大量數(shù)據(jù)涌入而導(dǎo)致的網(wǎng)絡(luò)擁塞問題。邊緣計(jì)算中的計(jì)算卸載和任務(wù)緩存技術(shù)能夠滿足未來網(wǎng)絡(luò)的應(yīng)用需求，故而受到了廣泛的關(guān)注[2-6]。

然而，由于任務(wù)的類型不盡相同，針對不同的任務(wù)類型，是否需要進(jìn)行任務(wù)卸載，怎樣進(jìn)行任務(wù)卸載，何時(shí)進(jìn)行卸載，卸載多少任務(wù)至網(wǎng)絡(luò)邊緣仍是一系列有待研究的問題。文獻(xiàn)[7]在保證業(yè)務(wù)均能在時(shí)延允許范圍內(nèi)處理完成的條件下，以最小化系統(tǒng)功率消耗為目標(biāo)構(gòu)建了優(yōu)化模型。以卸載比例作為優(yōu)化解，在傳輸時(shí)延、計(jì)算時(shí)間及執(zhí)行單任務(wù)所消耗的功率受到限制的條件下，構(gòu)建了以最小化系統(tǒng)功耗為優(yōu)化目的的凸優(yōu)化模型，并求解出任務(wù)卸載的最佳比例，提出了一種有效節(jié)省系統(tǒng)功率開銷的優(yōu)化任務(wù)卸載策略。文獻(xiàn)[8]通過聯(lián)合考慮物理層設(shè)計(jì)和應(yīng)用程序執(zhí)行延遲設(shè)計(jì)了一種節(jié)能的自動(dòng)卸載方案。在MEC(mobile edge computing 移動(dòng)邊緣計(jì)算)環(huán)境下，對任務(wù)間相互作用所導(dǎo)致的功率消耗進(jìn)行了數(shù)學(xué)建模。基于任務(wù)交互矩陣來識別任務(wù)執(zhí)行流，并將任務(wù)執(zhí)行流的最大延遲量表征為任務(wù)的時(shí)延，構(gòu)建了一種能量有效的任務(wù)卸載模型，通過使用啟發(fā)式算法進(jìn)行求解，得到優(yōu)化的任務(wù)卸載方式，并通過仿真分析證明此方案能有效節(jié)省能耗。

將任務(wù)從終端設(shè)備卸載到邊緣服務(wù)器會增加傳輸時(shí)間，如何保證時(shí)延敏感業(yè)務(wù)在限定時(shí)間內(nèi)順利執(zhí)行也是一個(gè)值得研究的問題。文獻(xiàn)[9]在基于邊緣計(jì)算的IoV(internet of vehicles車聯(lián)網(wǎng))系統(tǒng)中，提出了一種能夠卸載的實(shí)時(shí)流量管理的解決方案，以最大限度地減少車輛事件報(bào)告的平均響應(yīng)時(shí)間。通過將?？吭诼愤叺能囕v作為邊緣節(jié)點(diǎn)的組網(wǎng)方式，構(gòu)建了一種分布式城市交通管理系統(tǒng)。之后根據(jù)排隊(duì)論對停放和移動(dòng)的基于車輛的邊緣節(jié)點(diǎn)進(jìn)行建模，通過對優(yōu)化問題進(jìn)行求解和基于真實(shí)場景進(jìn)行性能分析，證明了此方案的優(yōu)越性。文獻(xiàn)[10]在多用戶多任務(wù)的MEC環(huán)境中，將任務(wù)的計(jì)算時(shí)間、傳輸時(shí)間和消耗的功率作為系統(tǒng)的整體開銷，提出了一種任務(wù)卸載的決策機(jī)制。將時(shí)間和功耗綜合考慮為系統(tǒng)的整體開銷，并在此基礎(chǔ)上構(gòu)建了系統(tǒng)的價(jià)值函數(shù)，同時(shí)基于價(jià)值函數(shù)進(jìn)行數(shù)學(xué)優(yōu)化模型的搭建。通過使用啟發(fā)算法對優(yōu)化模型進(jìn)行求解，在保證任務(wù)均能有效執(zhí)行的基礎(chǔ)上，最小化了系統(tǒng)整體開銷。雖然目前針對邊緣計(jì)算的研究已取得了一定的成果，但在研究過程中仍存在著一些問題和挑戰(zhàn)，如宏-蜂窩通信網(wǎng)絡(luò)不能解決熱點(diǎn)區(qū)域內(nèi)數(shù)據(jù)暴發(fā)增長的問題。

本文在宏-微蜂窩通信系統(tǒng)的異構(gòu)網(wǎng)絡(luò)中，提出了一種任務(wù)卸載策略。這種策略在保證時(shí)延的前提條件下能夠有效地節(jié)省系統(tǒng)功率開銷?？傮w來說，本文的貢獻(xiàn)主要有以下兩個(gè)部分：

1) 考慮了一種全新的在宏基站和微基站處均部署邊緣計(jì)算服務(wù)器的雙層邊緣計(jì)算結(jié)構(gòu)，以應(yīng)對未來網(wǎng)絡(luò)中海量的時(shí)延敏感業(yè)務(wù)請求。

2) 為了最大化節(jié)省系統(tǒng)資源，在時(shí)延受限條件下，在上述邊緣計(jì)算結(jié)構(gòu)中，提出了以最小化系統(tǒng)功率消耗為目的的DTOS優(yōu)化卸載策略，并構(gòu)建了此優(yōu)化策略的數(shù)學(xué)優(yōu)化模型。為了降低模型的求解復(fù)雜度，使用嵌套迭代算法進(jìn)行優(yōu)化模型的求解，并最終獲得了最佳分配因子。

2 雙層邊緣系統(tǒng)模型

2.1 系統(tǒng)模型

隨著未來移動(dòng)通信應(yīng)用場景的不斷豐富，網(wǎng)絡(luò)中的信息傳輸需求隨時(shí)間和地點(diǎn)呈現(xiàn)出非均勻的特性。傳統(tǒng)以宏蜂窩為主、以區(qū)域覆蓋為目的的移動(dòng)通信網(wǎng)絡(luò)架構(gòu)將難以應(yīng)對通信業(yè)務(wù)需求爆炸式增長的挑戰(zhàn)，而超密集無線網(wǎng)絡(luò)被認(rèn)為是解決此挑戰(zhàn)的創(chuàng)新性變革之一[11]。

為了應(yīng)對不斷增長的數(shù)據(jù)容量及服務(wù)質(zhì)量需求，超密集網(wǎng)絡(luò)(ultra-dense networks，UDN)可以通過在熱點(diǎn)區(qū)域大規(guī)模部署微基站(如Microcell、Picocell、Femtocell)來提高系統(tǒng)容量。然而，如果將微基站部署得過于密集將會造成很大的干擾，這些干擾包括微基站之間的同層干擾以及宏基站和毫微微基站的跨層干擾。所以，在熱點(diǎn)區(qū)域內(nèi)微基站的部署也存在數(shù)量上的限制。此外，熱點(diǎn)區(qū)域內(nèi)的數(shù)據(jù)請求量是極大的，在宏基站處部署邊緣服務(wù)器可以有效緩解海量數(shù)據(jù)涌入導(dǎo)致的網(wǎng)絡(luò)擁塞，但由于邊緣服務(wù)器的計(jì)算能力和存儲能力與云端服務(wù)器之間還存在較大差距，所以其不能完全處理熱點(diǎn)區(qū)域內(nèi)的所有任務(wù)請求。例如。為了實(shí)現(xiàn)車輛的自動(dòng)駕駛，車輛需要具備車道偏離預(yù)警、前向碰撞預(yù)警、交通標(biāo)志識別、 車道保持輔助、行人碰撞預(yù)警、全景泊車等功能，為了實(shí)現(xiàn)以上功能，需要在車身安裝圖像傳感器、超聲波雷達(dá)、激光雷達(dá)以及毫米波雷達(dá)等多個(gè)傳感器設(shè)備，這些設(shè)備在短時(shí)間內(nèi)產(chǎn)生的數(shù)據(jù)量極為龐大，而在一個(gè)宏蜂窩的覆蓋范圍內(nèi)，理論上可以同時(shí)存在幾百輛行駛中的車輛和上萬個(gè)接入設(shè)備。配置了邊緣服務(wù)器的宏蜂窩基站在處理這些由車輛產(chǎn)生的海量數(shù)據(jù)的同時(shí)，還需要兼顧其他的應(yīng)用(如在某商圈內(nèi)，行人會通過手機(jī)進(jìn)行在線游戲、觀看4K/8K高清視頻，在此區(qū)域內(nèi)同時(shí)還存在AR/VR(augmented reality/virtual reality)實(shí)時(shí)體驗(yàn)，銀行中的智能柜員、餐廳中的智能服務(wù)等會產(chǎn)生大量數(shù)據(jù)和任務(wù)請求的應(yīng)用)。海量數(shù)據(jù)同時(shí)涌入宏蜂窩勢必導(dǎo)致服務(wù)的排隊(duì)，從而引起更高的時(shí)延。對于觀看視頻、智能柜員等業(yè)務(wù)，用戶對于時(shí)延的要求不是特別苛刻，但對于車聯(lián)網(wǎng)中正在使用自動(dòng)駕駛功能的車輛，過高的時(shí)延極有可能導(dǎo)致嚴(yán)重的交通事故。

微蜂窩基站作為一種有效的補(bǔ)充，可以在一定程度上緩解宏蜂窩基站的壓力。但微蜂窩基站并不具備大規(guī)模數(shù)據(jù)處理的能力。為了在高熱點(diǎn)區(qū)域內(nèi)提供更佳優(yōu)質(zhì)的網(wǎng)絡(luò)服務(wù)，需要在微蜂窩處同樣部署邊緣服務(wù)器，構(gòu)建宏-微雙層邊緣計(jì)算結(jié)構(gòu)。

宏-微雙層邊緣計(jì)算系統(tǒng)模型如圖1所示。在目標(biāo)覆蓋區(qū)域內(nèi)存在各種無線接入終端，如車輛、手機(jī)、用戶身穿的各種可穿戴設(shè)備等。為了保證這些用戶能夠接入網(wǎng)絡(luò)且能有效執(zhí)行用戶提起的請求任務(wù)，在宏蜂窩基站處部署了宏邊緣服務(wù)器Macrocell MEC Server。用于解決用戶接入和任務(wù)處理的這一層稱為宏邊緣層。此外，在一些熱點(diǎn)區(qū)域內(nèi)，由于接入的用戶數(shù)更為密集，用戶數(shù)據(jù)請求量也更大，故而在這些區(qū)域內(nèi)部署了微基站，用于解決密集區(qū)域內(nèi)用戶的數(shù)據(jù)處理。但由于部分接入設(shè)備對時(shí)延要求更高，同時(shí)為了緩解宏邊緣服務(wù)器的壓力，在微基站處部署了微邊緣服務(wù)器Microcell MEC Server。

圖1 宏-微雙層邊緣計(jì)算系統(tǒng)模型

2.2 任務(wù)執(zhí)行方式

2.2.1本地執(zhí)行模式

(1)

根據(jù)文獻(xiàn)[12]中的分析，本地執(zhí)行所消耗的功率為

(2)

式中k是取決于芯片結(jié)構(gòu)的能量系數(shù)。

2.2.2宏基站邊緣模式

(3)

設(shè)宏基站的信道資源充足，分配給終端用戶的信道數(shù)為j，則終端用戶n通過信道j將任務(wù)卸載到邊緣服務(wù)器的傳輸速率可表達(dá)為

(4)

(5)

(6)

任務(wù)在宏邊緣進(jìn)行處理時(shí)，所需要功率開銷表述為

(7)

(8)

2.2.3微基站邊緣模式

與宏邊緣服務(wù)器的分析類似，任務(wù)在微邊緣服務(wù)器的執(zhí)行時(shí)間同樣由傳輸時(shí)間、排隊(duì)時(shí)間和處理時(shí)間3部分共同構(gòu)成，滿足：

(9)

設(shè)微基站分配給終端用戶的信道數(shù)為k，則終端用戶n通過信道k將任務(wù)卸載到邊緣服務(wù)器的傳輸速率為

(10)

(11)

(12)

所需的功率開銷可表述為

(13)

與宏邊緣的分析類似，數(shù)據(jù)流相繼到達(dá)微邊緣服務(wù)器的間隔時(shí)間服從指數(shù)為λf-task的泊松分布，服務(wù)器提供的服務(wù)進(jìn)程服務(wù)時(shí)間服從指數(shù)為λf的泊松分布，則可將微邊緣服務(wù)器處任務(wù)流的達(dá)到建模為M/M/b2排隊(duì)模型。

(14)

3 問題建模

(15)

(16)

由終端進(jìn)行本地執(zhí)行的任務(wù)量為：

(17)

同時(shí)0≤α≤1，0≤β≤1，0≤α+β≤1成立。

根據(jù)上述分析，終端用戶n的任務(wù)Ln由3個(gè)執(zhí)行主體完成，系統(tǒng)的總時(shí)間開銷可表述為

(18)

與之對應(yīng)的總功率開銷為

(19)

本文在異構(gòu)網(wǎng)絡(luò)中，在總功率受限、執(zhí)行任務(wù)所消耗的時(shí)間受限的情況下，將最優(yōu)分配因子α和β作為求解對象，以達(dá)到最小化系統(tǒng)總功率開銷的目的，提出了一種雙層任務(wù)卸載策略DTOS，基于此策略的優(yōu)化模型可表述為：

(20)

(21)

0≤α≤1

(22)

0≤β≤1

(23)

0≤α+β≤1

(24)

(25)

(26)

在上述模型中，限制條件式(20)要求系統(tǒng)總功率開銷須小于額定值Eτ；式(21)則說明時(shí)延敏感任務(wù)的執(zhí)行總時(shí)間不能超過Tτ；式(23)～(24)描述的是任務(wù)卸載方式。系統(tǒng)可以選擇將任務(wù)按照比例分別交由本地和兩層邊緣服務(wù)器進(jìn)行處理，也可全部卸載到兩層邊緣服務(wù)器，由兩層邊緣服務(wù)器分別或共同進(jìn)行處理。與本地終端比較而言，邊緣服務(wù)器會擁有更強(qiáng)的數(shù)據(jù)處理能力，但其處理能力也并非是無限的，且1臺邊緣服務(wù)器往往會收到多個(gè)用戶的多個(gè)任務(wù)計(jì)算請求，故其能夠提供給任務(wù)n的處理能力必然是有限的，宏基站和微基站的邊緣服務(wù)器分配給任務(wù)n的計(jì)算能力分別為Fc1和Fc2，如式(25)(26)所述。

4 算法求解

上述模型的求解過于復(fù)雜，為了降低求解的復(fù)雜度，本文采用一種嵌套迭代算法來解決上述問題，算法描述如下：

②α=s/1 000；

③β=s/1 000；

⑧s=s+1，判斷迭代次數(shù)s是否等于總次數(shù)M，s≠M(fèi)，返回步驟③，s=M，結(jié)束；

5 仿真分析

本文對比分析了4種不同的任務(wù)卸載方式。第1種方式下終端不選擇對任務(wù)進(jìn)行卸載，即所有任務(wù)全部在終端設(shè)備上執(zhí)行，即α=β=0；第2種方式為將任務(wù)全部卸載至微基站，即α=1；第3種方式是將任務(wù)全部卸載至宏基站，即β=1；第4種方式是在本文提出的DTOS策略下，通過算法求解出分配因子α及β。

首先，對任務(wù)數(shù)據(jù)量的大小導(dǎo)致的功率開銷進(jìn)行分析。從圖2中可看出：隨著數(shù)據(jù)任務(wù)量的不斷增加，系統(tǒng)所消耗的功率也會隨之增長。由于終端設(shè)備的計(jì)算能力有限，故而將任務(wù)全部交由終端進(jìn)行計(jì)算所消耗的能量是最高的。由于宏邊緣服務(wù)器比微邊緣服務(wù)器擁有更強(qiáng)的處理能力，所以在執(zhí)行同等數(shù)量大小的任務(wù)時(shí)，宏邊緣服務(wù)器消耗的功率也要少于將任務(wù)全部交由微邊緣服務(wù)器處理的方式。本文提出的DTOS卸載策略在計(jì)算相同數(shù)據(jù)大小的任務(wù)時(shí)，消耗的功率資源最低。如在任務(wù)的數(shù)據(jù)大小等于1 MB時(shí)，DTOS策略僅消耗1.3 mJ的功耗，與將任務(wù)全部交由終端執(zhí)行的方式相比，能夠節(jié)省0.7 mJ的功率損耗。DTOS策略能有效解決系統(tǒng)的能耗問題。

圖2 任務(wù)數(shù)據(jù)量大小對功率的影響

其次，對任務(wù)數(shù)據(jù)量大小所對應(yīng)的執(zhí)行時(shí)長進(jìn)行分析。采用將任務(wù)進(jìn)行卸載的方式雖然增加了排隊(duì)時(shí)長和傳輸時(shí)長，但由于邊緣服務(wù)器的計(jì)算能力遠(yuǎn)強(qiáng)于終端設(shè)備，所以在完成同樣數(shù)據(jù)量的任務(wù)條件下，將任務(wù)卸載一部分至邊緣服務(wù)器可以有效節(jié)約時(shí)間。如圖3所示，沒有進(jìn)行任務(wù)卸載的本地執(zhí)行方式所消耗的時(shí)間均為最長。如在數(shù)據(jù)任務(wù)量等于1 MB時(shí)，將任務(wù)進(jìn)行本地執(zhí)行需要的時(shí)間約為140 ms，全部卸載至微基站邊緣服務(wù)器執(zhí)行需要132 ms，全部卸載至宏基站邊緣服務(wù)器執(zhí)行所花費(fèi)的時(shí)間為125 ms。如果采用本文提出的DTOS策略，執(zhí)行可進(jìn)一步節(jié)省至120 ms。

圖3 任務(wù)數(shù)據(jù)量大小對執(zhí)行時(shí)長的影響

分析用戶數(shù)量與消耗功率之間的關(guān)系(圖4)。隨著用戶數(shù)量的增加，任務(wù)總量也隨之增長。為了執(zhí)行這些任務(wù)，系統(tǒng)將會消耗更高的總能耗。雖然系統(tǒng)總能耗隨著用戶數(shù)量的增多而升高，但與其他幾種策略相比，DTOS的增長速率卻是最慢的。如用戶數(shù)從90增至100時(shí)，使用DTOS對應(yīng)的系統(tǒng)能耗增加了約2.1 mJ，而在相同的用戶數(shù)量增長條件下，如果將任務(wù)全部卸載至微邊緣服務(wù)器進(jìn)行處理，對應(yīng)增加的系統(tǒng)總功耗約為3.3 mJ。由此可見，DTOS能夠有效應(yīng)對大量用戶提出卸載請求時(shí)的能耗問題。

最后，對用戶數(shù)量與時(shí)延之間的關(guān)系進(jìn)行分析。隨著用戶數(shù)量的增加，卸載到邊緣服務(wù)器的任務(wù)量也隨之增多，邊緣節(jié)點(diǎn)進(jìn)行任務(wù)處理的時(shí)長自然隨之增加。從圖5中可以看出：不管是采用本文提出的DTOS策略，或是將任務(wù)全部卸載至宏蜂窩，亦或是將任務(wù)全部卸載至微蜂窩，隨著用戶數(shù)量的增加，對應(yīng)的總時(shí)延也越來越大。但DTOS策略下任務(wù)的總時(shí)延卻一直低于其他卸載方式。如在用戶數(shù)為50時(shí)，DTOS策略對應(yīng)的時(shí)延約為100 ms，與將任務(wù)全部卸載至宏蜂窩、微蜂窩及本地執(zhí)行比較，分別可以節(jié)省約5、8、10 ms的任務(wù)執(zhí)行時(shí)間。進(jìn)一步證明了DTOS策略能夠有效應(yīng)對大量用戶接入情況下的海量數(shù)據(jù)涌入問題。

圖4 用戶數(shù)量與功耗的關(guān)系

圖5 用戶數(shù)量與執(zhí)行時(shí)長的關(guān)系

6 結(jié)束語

本文在雙層邊緣計(jì)算結(jié)構(gòu)中，在保證單任務(wù)時(shí)延及功耗雙重條件下，以最小化系統(tǒng)的總功耗為目的，提出了一種新的任務(wù)卸載方式。系統(tǒng)中包含雙層邊緣計(jì)算節(jié)點(diǎn)，分別為微蜂窩邊緣和宏蜂窩邊緣，在宏蜂窩網(wǎng)的覆蓋范圍內(nèi)有多個(gè)用戶，每個(gè)用戶均有自己的獨(dú)立任務(wù)。系統(tǒng)在保證每個(gè)用戶的獨(dú)立任務(wù)均能在時(shí)延范圍內(nèi)完成且完成任務(wù)所消耗的功率不超過額定范圍的條件下，以最小化系統(tǒng)總功率構(gòu)建了優(yōu)化模型。由于模型的求解極為復(fù)雜，提出一種嵌套迭代算法用于求解優(yōu)化值。仿真結(jié)果表明：本文提出的優(yōu)化算法可以有效地節(jié)約系統(tǒng)總功耗。