基于云架構(gòu)的有/無人機協(xié)同作戰(zhàn)任務(wù)分配方法

段曉穩(wěn) 李波 雒浩然

(1.中國電子科技集團公司第二十研究所,陜西西安 710068;2.西北工業(yè)大學電子信息學院,陜西西安 710129)

0 引言

面對復(fù)雜的戰(zhàn)場環(huán)境,目前大多數(shù)作戰(zhàn)任務(wù)中無人機的控制系統(tǒng)還不能替代人做出最優(yōu)判斷與決策,有/無人機協(xié)同作戰(zhàn)模式可以彌補無人機在執(zhí)行具體作戰(zhàn)任務(wù)時面對緊急情況的決策響應(yīng)能力的不足[1]。

云計算提供的資源虛擬化能力,通過識別、連接系統(tǒng)中的各種作戰(zhàn)單位,把多兵種快速融入到一體化作戰(zhàn)體系中[2-3]。各作戰(zhàn)單位動態(tài)調(diào)用資源去完成任務(wù)、實現(xiàn)快速的火控解算和準確的戰(zhàn)場態(tài)勢評估,各種戰(zhàn)場資源在一體化作戰(zhàn)體系中被統(tǒng)一調(diào)度和管理,各類作戰(zhàn)平臺通過云架構(gòu)進行高效協(xié)同,使得火力打擊節(jié)點在整個作戰(zhàn)殺傷鏈中,能夠獲得實時態(tài)勢感知和全域信息共享能力,最終實現(xiàn)網(wǎng)絡(luò)化殺傷的協(xié)同作戰(zhàn)能力。為了有效均衡系統(tǒng)負載、合理分配系統(tǒng)資源,并能高效分配和處理作戰(zhàn)任務(wù)[4-6],提出基于云架構(gòu)的有/無人機協(xié)同交戰(zhàn)原型系統(tǒng),并針對其中的任務(wù)調(diào)度及資源分配問題進行了研究。

1 基于云架構(gòu)的有/無人機協(xié)同交戰(zhàn)系統(tǒng)

1.1 基于云架構(gòu)的協(xié)同交戰(zhàn)系統(tǒng)組成

本文設(shè)計了基于云架構(gòu)的有/無人機協(xié)同交戰(zhàn)系統(tǒng),主要包括三個部分,如圖1所示。

圖1 基于云架構(gòu)的協(xié)同交戰(zhàn)系統(tǒng)示意圖Fig.1 Schematic diagram of a collaborative engagement system based on cloud architecture

1.2 協(xié)同交戰(zhàn)系統(tǒng)技術(shù)體系

基于云架構(gòu)的有/無人機協(xié)同交戰(zhàn)系統(tǒng)通過使用虛擬化技術(shù)對各個作戰(zhàn)節(jié)點中的物理實體(如指揮中心的地面控制站、預(yù)警機等)的基礎(chǔ)資源進行虛擬化從而形成作戰(zhàn)資源池。作戰(zhàn)單位向云端提交的任務(wù)請求,由任務(wù)分配系統(tǒng)分配的虛擬機進行計算。虛擬機運行在通過網(wǎng)絡(luò)組成的物理機集群上,如圖2所示。

圖2 基于云架構(gòu)的協(xié)同交戰(zhàn)系統(tǒng)技術(shù)體系Fig.2 Cloud-based collaborative engagement system technology system

1.3 基于云邊協(xié)同的交戰(zhàn)系統(tǒng)優(yōu)化

在有/無人機協(xié)同作戰(zhàn)任務(wù)中,對實時性的要求極高且在執(zhí)行偵察任務(wù)時產(chǎn)生的數(shù)據(jù)量巨大。無人機與云端之間會產(chǎn)生大量的數(shù)據(jù)流,需要有效的分流處理機制來避免協(xié)同交戰(zhàn)系統(tǒng)網(wǎng)絡(luò)的擁堵。

在此基礎(chǔ)上提出基于云邊協(xié)同的交戰(zhàn)優(yōu)化系統(tǒng),通過增加邊緣服務(wù)器作為作戰(zhàn)節(jié)點與云端數(shù)據(jù)中心之間的中間層[7],使作戰(zhàn)節(jié)點隨時獲取一定的計算能力和存儲空間,在戰(zhàn)場上可融合各種來源的數(shù)據(jù)并在不連接云端的情況下進行快速處理,傳統(tǒng)云計算數(shù)據(jù)處理過程和云邊協(xié)同數(shù)據(jù)處理過程對比如圖3。

圖3 傳統(tǒng)云計算/云邊協(xié)同數(shù)據(jù)處理過程Fig.3 Traditional cloud computing/cloud-side collaborative data processing process

2 有/無人機協(xié)同交戰(zhàn)系統(tǒng)資源配置模型

2.1 基于云架構(gòu)的協(xié)同作戰(zhàn)任務(wù)分類

基于云架構(gòu)的作戰(zhàn)任務(wù)調(diào)度需要處理有/無人機協(xié)同作戰(zhàn)過程中如目標分配、火控解算和態(tài)勢處理等任務(wù)。不同任務(wù)具有不同的資源需求,任務(wù)主要分為交互型、計算型和數(shù)據(jù)型三類。執(zhí)行三類任務(wù)時對不同資源的需求不同,如表1所示。

表1 任務(wù)分類Tab.1 Task classification

2.2 基于云架構(gòu)的協(xié)同作戰(zhàn)任務(wù)模型

定義1:服務(wù)器集群構(gòu)成的集合為D={D1,…,Di},其中i表示服務(wù)器集群的數(shù)量;系統(tǒng)中可提供計算能力的物理機構(gòu)成的集合為M={M1,…,Mj},其中j表示某服務(wù)器集群中物理機的數(shù)量。

定義2:某服務(wù)器集群中物理機Ma的資源集合,其中b表示該服務(wù)器集群中物理機Ma包含資源的種類,Rab表示物理機Ma中的某種資源量,例如每秒處理百萬條指令數(shù)(MIPS)、CPU數(shù)、內(nèi)存容量(MB)、存儲容量(MB)、網(wǎng)絡(luò)帶寬(Mbps)等。

定義3:物理機Ma上資源b的利用率

定義4:任務(wù)可以在就近的具備計算能力的邊緣服務(wù)器上進行處理,邊緣服務(wù)器i的屬性: ={control,core,ips,bandwidth}。

計算資源匱乏的節(jié)點可通過在高性能節(jié)點中創(chuàng)建虛擬機來執(zhí)行大量任務(wù)。創(chuàng)建虛擬機時需要使用該節(jié)點的計算、網(wǎng)絡(luò)以及存儲資源。負載模型為:

其中:Lrate表示云架構(gòu)整體的負載率,表示邊緣節(jié)點m的資源總量,AvaRm表示節(jié)點m的利用率,表示邊緣服務(wù)器中i個節(jié)點的資源總量。

采用有向無環(huán)圖(DAG)來表示節(jié)點提交的任務(wù)請求,DAG包括邊和頂點。其中頂點表示云端任務(wù)或邊緣任務(wù),邊表示兩個頂點的連接關(guān)系。

假設(shè)邊緣端運行的任務(wù)c與云端數(shù)據(jù)中心中運行的任務(wù)H以云邊協(xié)同模式執(zhí)行態(tài)勢評估、火控解算等任務(wù),如圖4所示,云端任務(wù)DAG1中包含3個任務(wù)FGH,邊緣端的DAG2中包含5個任務(wù)abcde,共包含8個任務(wù)。實線邊上數(shù)字表示兩個任務(wù)間的事件交互、通信與計算代價;虛線邊表示云與邊緣節(jié)點交互的兩個任務(wù)之間的通信代價。

圖4 云邊協(xié)同模式下的兩個DAG任務(wù)圖Fig.4 Two DAG task graphs in cloud-side collaborative mode

3 基于云架構(gòu)的協(xié)同作戰(zhàn)任務(wù)調(diào)度算法

3.1 輪詢算法

輪詢算法(Round Robin,RR)就是當任務(wù)調(diào)度器每次接收到新任務(wù)時,把任務(wù)輪流分發(fā)給計算節(jié)點,不考慮節(jié)點上的連接數(shù)和任務(wù)處理情況。適合系統(tǒng)中設(shè)備性能相同且任務(wù)類型基本相同的情況:

假設(shè)有n個計算節(jié)點VMList={VM1,…VMn},RR算法可以描述為:

(1)從VM1開始依次調(diào)度VM2,VM3,…VMn;

(2)若所有節(jié)點都已被調(diào)度過,則重新開始。

3.2 平滑加權(quán)輪詢法

加權(quán)輪詢算法(Weighted Round Robin,WRR)根據(jù)系統(tǒng)中各虛擬機任務(wù)處理能力、CPU負載能力和通信帶寬設(shè)置權(quán)值。加權(quán)輪詢算法根據(jù)各節(jié)點權(quán)值和輪轉(zhuǎn)方式對任務(wù)進行分發(fā)。

假設(shè)有n個計算節(jié)點VMList={VM1,…,VMn},默認權(quán)重為W={W1,…,Wn},WRR算法可描述為:

(1)初始化VMList。將W1個VM1加入至VMList,將W2個VM2加入至VMList,以此類推;

(2)從VM1開始按序調(diào)度;

(3)若所有服務(wù)器都已被調(diào)度過,則重新開始。

WRR算法并未考慮系統(tǒng)中各節(jié)點的權(quán)值變化,僅根據(jù)節(jié)點初始狀態(tài)進行調(diào)度。一種改進方法為,通過任務(wù)調(diào)度器獲得各節(jié)點的當前負載情況,然后根據(jù)動態(tài)情況調(diào)整節(jié)點權(quán)值,該算法稱為平滑加權(quán)輪詢法(Smooth Weight Round Robin,SWRR)。

假設(shè)有n個計算節(jié)點VM={VM1,…,VMn},默認權(quán)重為W={W1,…,Wn},當前權(quán)重為CW={CW1,…,CWn},在該算法中有兩個權(quán)重,默認權(quán)重表示計算節(jié)點中任務(wù)量為零時的權(quán)重,當前權(quán)重表示經(jīng)任務(wù)重分配后的權(quán)重,當前權(quán)重的初始值為默認權(quán)重,當前權(quán)重最大的節(jié)點為maxWeightVM,所有默認權(quán)重之和為WeightSum,計算節(jié)點列表為VMList,SWRR算法過程可以描述為:

(1)找出當前權(quán)重值最大的節(jié)點maxWeightVM;

(2)計算{W1,…,Wn}之和weightSum;

(3)更新maxWeightVM.CW為:

maxWeightVM.CW-weightSum;

(4)重新計算VM={VM1,…VMn}的當前權(quán)重CW={CW1,…,CWn},計算公式為VMn.CW=VMn.CW+VMn.Wn;

(5)返回maxWeightVM,將任務(wù)調(diào)度到max WeightVM節(jié)點上。

(6)重復(fù)過程1～5,直到完成全部任務(wù)調(diào)度。

4 仿真分析

4.1 實驗參數(shù)設(shè)置

將異構(gòu)無人機的載荷與機載設(shè)備綜合為傳感器類型,表2給出了5種不同類型節(jié)點的詳細屬性。其中地面站和預(yù)警機分別作為云端數(shù)據(jù)中心和邊緣服務(wù)器節(jié)點。表3給出了不同類型任務(wù)的詳細屬性。表4給出了其他參數(shù)設(shè)置。

表2 節(jié)點類型Tab.2 Node types

表3 任務(wù)分類Tab.3 Task classification

表4 仿真設(shè)置Tab.4 Simulation settings

4.2 實驗結(jié)果與分析

實驗內(nèi)容:分別獲得使用RR、WRR和SWRR的三種架構(gòu)(傳統(tǒng)結(jié)構(gòu)、云架構(gòu)和云邊協(xié)同架構(gòu))的平均任務(wù)完成時間、平均負載率、通信帶寬需求、任務(wù)成功率。

4.2.1 平均任務(wù)完成時間

如圖5,各種架構(gòu)下通過SWRR平均任務(wù)完成時間均得到減少,且使用SWRR在云邊協(xié)同架構(gòu)下的平均任務(wù)完成時間最小;SWRR相對于RR平均任務(wù)完成時間減少了22.38%;使用SWRR時云邊協(xié)同架構(gòu)相對于云架構(gòu)的平均任務(wù)完成時間減少了3.79%。

圖5 不同任務(wù)分配算法/仿真架構(gòu)的平均任務(wù)完成時間對比Fig.5 Comparison of the average task completion time of different task allocation algorithms/simulation architectures

4.2.2 平均負載率

如圖6,云架構(gòu)和云邊協(xié)同架構(gòu)的負載率隨著節(jié)點數(shù)的增加均為上升趨勢,且都低于傳統(tǒng)架構(gòu);使用SWRR后,云架構(gòu)與云邊協(xié)同架構(gòu)負載率降低,傳統(tǒng)架構(gòu)負載率上升。SWRR相對于RR平均負載率降低了21.73%;使用SWRR時云邊協(xié)同架構(gòu)相對于云架構(gòu)平均負載率降低了13.18%。

圖6 不同任務(wù)分配算法/仿真架構(gòu)的負載率對比Fig.6 Comparison of load ratios of different task allocation algorithms/simulation architectures

4.2.3 通信帶寬需求

如圖7,云架構(gòu)下通信帶寬需求隨節(jié)點數(shù)增多先小幅降低再上升,傳統(tǒng)架構(gòu)通信帶寬變化不大,云邊協(xié)同架構(gòu)在節(jié)點數(shù)較多時帶寬需求最低。SWRR相對于RR通信帶寬需求降低了42.42%;使用SWRR時云邊協(xié)同架構(gòu)相對于云架構(gòu),在節(jié)點數(shù)較多時通信帶寬需求降低了4.49%。

圖7 不同任務(wù)分配算法/仿真架構(gòu)的通信帶寬需求對比Fig.7 Comparison of communication bandwidth requirements of different task allocation algorithms/simulation architectures

可以看出,云邊協(xié)同架構(gòu)相對于傳統(tǒng)架構(gòu)的任務(wù)平均完成時間、負載率和通信帶寬需求均大幅減少。相對于云架構(gòu)任務(wù)平均完成時間減少了3.79%,負載率降低了13.18%,在節(jié)點數(shù)較多時通信帶寬需求降低了4.49%。同時避免了在產(chǎn)生大量作戰(zhàn)任務(wù)請求時,部分節(jié)點空閑而只有單一節(jié)點負載過高導致的任務(wù)處理緩慢、通信延遲等問題。

5 結(jié)語

本文針對有/無人機協(xié)同作戰(zhàn)任務(wù)調(diào)度問題,對任務(wù)復(fù)雜性進行分析,通過對計算資源、通信資源的抽象建模,使用CloudSim對提出的基于云邊協(xié)同的云架構(gòu)優(yōu)化方法進行了仿真驗證。結(jié)果表明云邊協(xié)同的云架構(gòu)優(yōu)化方法能夠降低任務(wù)平均完成時間,均衡系統(tǒng)負載,并降低通信帶寬需求。