海洋監(jiān)測數(shù)據(jù)多級傳輸控制

常昊天，馮徑，段超凡，顏超，夏凱文

(國防科技大學(xué) 氣象海洋學(xué)院，江蘇，南京 211101)

隨著海洋探測需求的日益增長，海洋環(huán)境監(jiān)測網(wǎng)絡(luò)建設(shè)在不斷發(fā)展[1]，海洋環(huán)境監(jiān)測網(wǎng)絡(luò)屬于計(jì)算密集型網(wǎng)絡(luò)應(yīng)用，對資源受限的終端設(shè)備提出了巨大的挑戰(zhàn).雖然云計(jì)算的發(fā)展有效地滿足了計(jì)算密集型網(wǎng)絡(luò)應(yīng)用需求，但云計(jì)算無法滿足高實(shí)時(shí)性要求.為了解決這一問題，移動邊緣計(jì)算(mobile edge computing, MEC)得到了廣泛的研究，它利用網(wǎng)絡(luò)邊緣的計(jì)算資源提供高效、靈活的計(jì)算服務(wù).然而，在典型的MEC場景中，邊緣計(jì)算服務(wù)由蜂窩基站或WiFi接入點(diǎn)提供，無法為偏遠(yuǎn)地區(qū)提供無處不在的覆蓋.在偏遠(yuǎn)地區(qū)，物聯(lián)網(wǎng)設(shè)備可能會被廣泛部署，以執(zhí)行某些計(jì)算要求相對較高的應(yīng)用，這會迅速耗盡匯聚節(jié)點(diǎn)的電量，且造成較大的處理延遲.由于缺乏地面接入網(wǎng)絡(luò)覆蓋，典型的邊緣和云計(jì)算模式無法應(yīng)用于此類場景.為此，Cheng等[2]建議采用空天地一體化網(wǎng)絡(luò)(space-air-ground integrated network,SAGIN)架構(gòu)來減輕遠(yuǎn)程物聯(lián)網(wǎng)應(yīng)用的計(jì)算負(fù)擔(dān)，這是一種典型的網(wǎng)絡(luò)數(shù)據(jù)多級傳輸架構(gòu).SAGIN將衛(wèi)星網(wǎng)絡(luò)、空中網(wǎng)絡(luò)與地面網(wǎng)絡(luò)相結(jié)合，提供無縫、靈活的網(wǎng)絡(luò)覆蓋和服務(wù)，可應(yīng)用于智能交通系統(tǒng)、遠(yuǎn)程監(jiān)控、災(zāi)害救援等領(lǐng)域，以及大規(guī)模高速移動互聯(lián)網(wǎng)接入.SAGIN是一個由衛(wèi)星網(wǎng)、空中網(wǎng)和地面網(wǎng)3個網(wǎng)段組成的多級異構(gòu)傳輸網(wǎng)絡(luò)，每個網(wǎng)段擁有不同的資源，受到不同的限制.空中網(wǎng)絡(luò)節(jié)點(diǎn)可以作為外圍服務(wù)器，為IoT設(shè)備提供低延遲的邊緣計(jì)算；另一方面，衛(wèi)星通信雖然可能具有較低的通信速率和較高的傳輸延遲，但可以通過無縫覆蓋和衛(wèi)星骨干網(wǎng)提供始終在線的云計(jì)算.

SAGIN被認(rèn)為是解決未來移動通信網(wǎng)絡(luò)中偏遠(yuǎn)、遠(yuǎn)程、大規(guī)模覆蓋、移動數(shù)據(jù)增長、數(shù)據(jù)流量不均、骨干網(wǎng)僵硬等諸多問題的一種可靠技術(shù).SAGIN的相關(guān)研究應(yīng)用全部集中在地面和空域或天域的邊緣層級，未涉及海洋應(yīng)用背景.在海洋監(jiān)測網(wǎng)絡(luò)應(yīng)用背景下，SAGIN面臨著許多挑戰(zhàn).首先，空中網(wǎng)絡(luò)的高移動性導(dǎo)致了信道條件和覆蓋范圍的動態(tài)變化；其次，SAGIN中不同層級的網(wǎng)段具有不同的網(wǎng)絡(luò)條件和資源約束；最后，SAGIN中的地面網(wǎng)段模型顯然無法應(yīng)用于海洋背景中.因此，需要對SAGIN模型進(jìn)行修改，且提出適合于解決海洋監(jiān)測網(wǎng)絡(luò)數(shù)據(jù)傳輸問題的傳輸機(jī)制.本文在基于?？仗於嗑W(wǎng)段的海洋監(jiān)測傳輸背景下，首次提出了包含邊緣計(jì)算卸載和計(jì)算資源分配的聯(lián)合數(shù)據(jù)傳輸控制機(jī)制.

1 ?？仗炀C合數(shù)據(jù)傳輸網(wǎng)絡(luò)系統(tǒng)模型

與物聯(lián)網(wǎng)中使用SAGIN相類似，在海洋綜合監(jiān)測網(wǎng)絡(luò)中對數(shù)據(jù)進(jìn)行傳輸時(shí)，為減小網(wǎng)絡(luò)整體的數(shù)據(jù)傳輸延遲，并提高回傳數(shù)據(jù)的實(shí)時(shí)性和信息價(jià)值，也應(yīng)使用多層級網(wǎng)絡(luò)結(jié)構(gòu).因此，本文擬建立?？仗炱脚_綜合數(shù)據(jù)傳輸網(wǎng)絡(luò)(sea-air-space integrated network，SASIN)和海洋綜合監(jiān)測網(wǎng)絡(luò)的多級傳輸控制機(jī)制，引入具有移動、通信和計(jì)算能力的無人機(jī)(unmanned aerial vehicle，UAV)作為邊緣計(jì)算節(jié)點(diǎn)，基于海基、空基和天基3個數(shù)據(jù)傳輸層級，提高海洋探測數(shù)據(jù)的傳輸處理效率.

1.1 SASIN網(wǎng)絡(luò)模型

在遠(yuǎn)程區(qū)域部署物聯(lián)網(wǎng)設(shè)備以執(zhí)行具有計(jì)算要求的特定任務(wù)，例如監(jiān)控和視頻監(jiān)控.在所考慮的偏遠(yuǎn)地區(qū)，沒有蜂窩覆蓋，因此建立SASIN，以向物聯(lián)網(wǎng)設(shè)備提供網(wǎng)絡(luò)接入、邊緣計(jì)算和緩存等網(wǎng)絡(luò)功能，SASIN網(wǎng)絡(luò)模型如圖1所示.

在SASIN網(wǎng)絡(luò)中，有3個網(wǎng)絡(luò)層次，即海面網(wǎng)段、空中網(wǎng)段和空間網(wǎng)段.SASIN網(wǎng)絡(luò)抽象可由圖G表征為

G=(V,U,S,E)，

式中：V={vi|i=1,2,…,Nv}為浮標(biāo)節(jié)點(diǎn)集合；U={uj│i=1,2,…,Nu}為UAV集合；S={sk|k=1,2,…,Ns}為衛(wèi)星集合；E={(vi,uj),(vi,sk)|?vi∈V,?uj∈U,?sk∈S}為浮標(biāo)與UAV間、浮標(biāo)與衛(wèi)星間通信鏈路的集合.

浮標(biāo)節(jié)點(diǎn)構(gòu)成了海面部分，具有非常有限的能量和計(jì)算能力，采集水下傳感器的原始探測數(shù)據(jù)，進(jìn)行預(yù)處理和異常檢測標(biāo)注，按照下文所提出的多級傳輸控制機(jī)制，使用自身、UAV或者經(jīng)由衛(wèi)星使用云端對探測數(shù)據(jù)進(jìn)行異常檢測處理，最終將有效信息傳輸至數(shù)據(jù)中心；在空中部分，飛行的UAV可以充當(dāng)邊緣服務(wù)器，為地面用戶提供邊緣緩存和計(jì)算能力，UAV將所處理好的數(shù)據(jù)信息傳回陸基基站，最終傳至數(shù)據(jù)中心；在空間段，低軌衛(wèi)星(LEO)提供目標(biāo)區(qū)域的全覆蓋，并通過衛(wèi)星骨干網(wǎng)將海面浮標(biāo)節(jié)點(diǎn)與云端相連.

[1-PLoS(r,h)]ηNLoS，

(1)

式中：h和r分別為無人機(jī)飛行高度和無人機(jī)與海面浮標(biāo)之間的水平距離；ηLoS和ηNLoS分別為在LoS和NLoS鏈路的自由空間路徑損耗的基礎(chǔ)上產(chǎn)生的附加損耗；fc為載波頻率，c表示光速；PLoS為無人機(jī)-海面鏈路的視線概率，可以通過式(2)得到

PLoS(r,h)=1/[1+ae-barctan(h/r)-a]，

(2)

式中：a,b,ηLoS,ηNLoS為環(huán)境相關(guān)變量，在偏遠(yuǎn)地區(qū)通常取4.88,0.43,0.1,21[5].此外，無人機(jī)-海面通信使用總帶寬為B的WiFi協(xié)議.每個浮標(biāo)獲得的帶寬由式(3)計(jì)算為

Bi=ρBξ(n)，

(3)

式中：ρ為WiFi吞吐量效率因子；ξ(n)為WiFi信道效用函數(shù)，是關(guān)于浮標(biāo)數(shù)量n的遞減函數(shù).因此，即時(shí)無人機(jī)-海面間的數(shù)據(jù)速率可以通過式(5)獲得

(4)

1.2 計(jì)算卸載模型

在SASIN網(wǎng)絡(luò)中，有M個浮標(biāo)和N種不同的海洋要素探測數(shù)據(jù)，每個浮標(biāo)處理N種不同的海洋要素?cái)?shù)據(jù).不同海洋要素?cái)?shù)據(jù)具有一定的優(yōu)先級，要素序數(shù)較小的數(shù)據(jù)將比序數(shù)較大的更早地被發(fā)送/處理.對于數(shù)據(jù)類型j，輸入數(shù)據(jù)和工作負(fù)載分別用Hj和Zj表示.

(5)

(6)

當(dāng)一個未完成的任務(wù)沒有在時(shí)隙t被調(diào)度時(shí)式(6)中的不等式成立.如果任務(wù)Wij在時(shí)間t被本地處理或卸載到云上，認(rèn)為任務(wù)可以在一定的延遲下完成，并且mij(t)=0.但是，如果Wij卸載到UAV邊緣服務(wù)器，它可能無法完成并在t結(jié)束時(shí)完成，主要是因?yàn)槿绻麑⒍鄠€任務(wù)卸載到一個UAV邊緣服務(wù)器，其中一些任務(wù)可能無法在時(shí)間段內(nèi)完成.

1.3 成本模型

計(jì)算卸載旨在最小化系統(tǒng)成本，系統(tǒng)成本包括延遲成本及能耗和服務(wù)器使用成本.

① 延遲成本：如果任務(wù)Wij被安排在時(shí)隙t，則可以根據(jù)卸載決策計(jì)算延遲.如果任務(wù)計(jì)劃在本地處理，則延遲為

(7)

(8)

(9)

② 能源和服務(wù)器使用成本：本地處理Wij的能源成本可以通過式(10)計(jì)算

(10)

如果在時(shí)隙t，任務(wù)Wij被卸載到UAV，能量和服務(wù)器使用成本可以通過式(11)得到

(11)

式中α為UAV使用成本相對于傳輸能耗的權(quán)重.類似地，云上能耗和服務(wù)器成本為

(12)

1.4 數(shù)據(jù)優(yōu)先級定義

2 多優(yōu)先級數(shù)據(jù)傳輸控制機(jī)制

2.1 虛擬機(jī)計(jì)算資源分配機(jī)制

在時(shí)隙t中，可以將多個任務(wù)卸載到一個邊緣服務(wù)器的多個VM中并行執(zhí)行，以減少處理延遲.一個VM執(zhí)行特定要素?cái)?shù)類型任務(wù).因此，本節(jié)研究虛擬機(jī)分配問題，選擇邊緣承接的任務(wù)以及將計(jì)算資源分配給不同的虛擬機(jī).由于邊緣服務(wù)器的總計(jì)算資源是固定的，因此需共同優(yōu)化無人機(jī)邊緣服務(wù)器中的虛擬機(jī)分配和任務(wù)調(diào)度，以減少系統(tǒng)總延遲.

s.t.

式中tm,n為數(shù)據(jù)m的任務(wù)n的延遲要求，tm,n可以通過式(13)得到

tm,n=ε/ξm,n，

(13)

式中ξm,n為任務(wù)Wij的信息價(jià)值.

由此可見，這是一個難以求解的混合整數(shù)規(guī)劃問題.它包括虛擬機(jī)計(jì)算資源向量C和0～1整數(shù)矩陣Y.即使假設(shè)C是已知的，剩余子問題仍然是一個具有0～1整數(shù)約束的二次問題，這對于非正定矩陣是NP困難的.該問題通常用特定的松弛方法重新構(gòu)造，然后用凸優(yōu)化技術(shù)求解，這種非在線方法需要大量的迭代，實(shí)時(shí)性較差.因此，本節(jié)設(shè)計(jì)一個有效的低復(fù)雜度的虛擬機(jī)資源分配算法來獲得次優(yōu)解，如圖2所示.

cm=min{(nZm)/tm,n}，

(14)

(15)

然后，按式(16)再次為VM分配cm，重復(fù)直到滿足約束條件，并且獲得C和任務(wù)調(diào)度Y，

(16)

非計(jì)劃任務(wù)則由式(17)選出

(17)

最壞情況需要N′(N′+1)/2 次比較，其中N′是邊緣服務(wù)器的總卸載任務(wù)數(shù).

2.2 計(jì)算卸載調(diào)度機(jī)制

為SASIN網(wǎng)絡(luò)系統(tǒng)設(shè)計(jì)一種在線計(jì)算卸載方法，計(jì)算任務(wù)被安排在本地處理，卸載到UAV邊緣服務(wù)器，或通過衛(wèi)星卸載到云服務(wù)器，以最小化任務(wù)延遲、能耗以及服務(wù)器的使用成本.將計(jì)算卸載決策建模為Q-learning過程，定義為結(jié)構(gòu)體(,,,)，其中代表系統(tǒng)狀態(tài)集合，代表動作集合，代表狀態(tài)轉(zhuǎn)移概率，則代表在系統(tǒng)某狀態(tài)s∈下采取動作a∈的獎勵或代價(jià)函數(shù).SASIN計(jì)算卸載問題的Q-learning模型可描述為4方面：

② 動作(action)：為任務(wù)分配卸載計(jì)劃，即a(t)={Xl(t),Xe(t),Xc(t)}.

③ 狀態(tài)轉(zhuǎn)移概率(transition probability)：表明本時(shí)隙到下一時(shí)隙狀態(tài)的轉(zhuǎn)移概率

P{S(t+1)|S(t),a(t)}=P{M(t+1)?

剩余處理時(shí)間矩陣中的對應(yīng)元素

④Q值(Q-value)：Q-learning的難點(diǎn)在于Q值的建立.Q值即為自初始狀態(tài)起、以動作-狀態(tài)映射的系統(tǒng)價(jià)值量，可定義為

式中γ∈[0,1]為折算因子，所有狀態(tài)軌跡所對應(yīng)的代價(jià)函數(shù)和的期望值即為Q值.

Ⅰ)當(dāng)mij=0時(shí)，任務(wù)已經(jīng)完成，所以Cij(sij(t),aij(t))=0；

本節(jié)所要實(shí)現(xiàn)的就是提出一種尋找最優(yōu)動作的在線方法，如式(18)所示

a*=argmina∈{C(S,a)+γQ(S,a)}.

(18)

由于浮標(biāo)無法知道未來自身、UAV和衛(wèi)星的通信狀況以及任務(wù)卸載狀況，因此必須采用在線算法計(jì)算資源分配和任務(wù)卸狀況，利用以往的信息預(yù)測未來的狀態(tài)轉(zhuǎn)移規(guī)律

Q(sij(t),aij(t))=C(sij(t),aij(t))+

(19)

Q(sij(t),aij(t))在t時(shí)刻初始化為代價(jià)函數(shù)C(sij(t),aij(t))，而C(sij(t+1),aij(t+1))按t時(shí)刻的狀態(tài)信息得到，之后按式(19)更新，概率P{aij(t+1)}由以往的統(tǒng)計(jì)頻數(shù)得到

(20)

對應(yīng)不同動作a(t)={aij(t)}計(jì)算Q值，挑選出具有最小Q值的動作組合，形成決策方案，計(jì)算卸載調(diào)度算法流程如圖3所示，圖中a*(t)計(jì)算方式如式(21)

(21)

3 仿真實(shí)驗(yàn)

3.1 仿真參數(shù)設(shè)置

3.2 虛擬資源分配

將啟發(fā)式虛擬機(jī)計(jì)算資源分配和任務(wù)調(diào)度算法與暴力方法和隨機(jī)方法進(jìn)行比較.圖4示出了所提出算法的延遲性能，相對于邊緣服務(wù)器計(jì)算資源的平均延遲.圖5表示了當(dāng)邊緣計(jì)算速度為10 GC時(shí)平均延遲與卸載任務(wù)總數(shù)之間的關(guān)系.在圖4與圖5中，所提啟發(fā)式算法都能達(dá)到與暴力方法非常接近的性能.

如圖6所示，隨著任務(wù)總數(shù)的增加，暴力窮舉方法的運(yùn)行時(shí)間呈指數(shù)增長，而啟發(fā)式算法的運(yùn)行時(shí)間相對小得多.所提虛擬機(jī)計(jì)算資源分配和任務(wù)調(diào)度算法能夠同時(shí)達(dá)到接近最優(yōu)的性能和較低的計(jì)算復(fù)雜度，能夠在動態(tài)網(wǎng)絡(luò)條件下為邊緣服務(wù)器進(jìn)行有效資源分配.

3.3 計(jì)算卸載調(diào)度

本小節(jié)對提出的計(jì)算卸載方法進(jìn)行了評估和比較，將其與另外兩種計(jì)算卸載方法，即隨機(jī)和貪婪進(jìn)行了比較.隨機(jī)方法隨機(jī)卸載任務(wù)；而貪婪法要求浮標(biāo)向通信范圍內(nèi)的全部UAV卸載任務(wù)，否則依固定概率進(jìn)行本地或云卸載.圖7刻畫了本文所提卸載算法的收斂性能，從第12個時(shí)隙左右算法已經(jīng)收斂，所構(gòu)建的成本函數(shù)增強(qiáng)了算法的學(xué)習(xí).

表1展示了成本的主要組成部分，即能耗和延遲.本文所提出的計(jì)算卸載方法可以實(shí)現(xiàn)最低的能耗和最低的延遲.隨機(jī)方法獲得與基于Q學(xué)習(xí)的方案相近能耗，因?yàn)殡S機(jī)方法在本地處理更多任務(wù)，因此能耗較低，但由于本地延遲較長，因此延遲更高.

表1 能耗延時(shí)比較

然而，貪婪方法具有很高的能量消耗和延遲，這是由于向無人機(jī)邊緣服務(wù)器上傳了過多任務(wù)，增大了傳輸能耗，且增加了處理延遲.這可以在表2中得證，所提出的方法比其他兩種卸載方式更頻繁地選擇衛(wèi)星云.與衛(wèi)星云相比，邊緣服務(wù)器雖然具有高傳輸速率，但面臨競爭問題；而本地處理由于計(jì)算能力弱，則會導(dǎo)致較長的延遲.貪婪方法選擇更多的無人機(jī)邊緣，而隨機(jī)方法則較為均勻地選擇了3種方式.

表2 卸載分配情況

圖8表示了卸載性能相對于UAV服務(wù)器使用成本權(quán)重α的關(guān)系，基于Q學(xué)習(xí)的方法通過與環(huán)境的交互獲取卸載策略，實(shí)現(xiàn)最低的總成本.總成本關(guān)于云服務(wù)器使用成本權(quán)重β的變化趨勢如圖9所示，基于Q學(xué)習(xí)的卸載方法實(shí)現(xiàn)了最低的總成本，但總成本增長最快.

4 小 結(jié)

本文構(gòu)建了SASIN系統(tǒng)模型，研究了SASIN中的虛擬機(jī)分配和任務(wù)調(diào)度和計(jì)算任務(wù)卸載聯(lián)合調(diào)度控制機(jī)制，有效地將計(jì)算資源分配給無人機(jī)邊緣服務(wù)器中的不同虛擬機(jī)，同時(shí)減輕了計(jì)算密集型任務(wù)的負(fù)擔(dān).提出了一種動態(tài)條件下基于Q學(xué)習(xí)的計(jì)算卸載學(xué)習(xí)方法，從而處理多維SASIN資源調(diào)度，仿真結(jié)果驗(yàn)證了所提方法的收斂性和有效性.