改進GA的邊緣計算任務(wù)卸載與資源分配策略

賈 覲，暴占彪

(1.河南財經(jīng)政法大學(xué) 網(wǎng)絡(luò)信息服務(wù)中心，河南 鄭州 450000；2.河南財經(jīng)政法大學(xué) 現(xiàn)代教育技術(shù)中心，河南 鄭州 450000)

0 引 言

隨著智能應(yīng)用的日益普及，增強型超可靠移動寬帶、大規(guī)模數(shù)據(jù)通信以及超低通信延遲3大類業(yè)務(wù)對運營商的傳輸網(wǎng)絡(luò)和核心網(wǎng)都提出了巨大的挑戰(zhàn)[1,2]。雖然5G網(wǎng)絡(luò)可以給用戶帶來更高的帶寬速率、更多的網(wǎng)絡(luò)連接和更低的延遲，但是這也將導(dǎo)致單位時間內(nèi)核心網(wǎng)需要處理的數(shù)據(jù)量和業(yè)務(wù)請求數(shù)呈爆炸式增長[3,4]。

另一方面，由所有應(yīng)用產(chǎn)生的數(shù)據(jù)都需要通過核心網(wǎng)進行交互，所以在業(yè)務(wù)接入高峰期會給通信網(wǎng)絡(luò)負(fù)載造成很大壓力。與云計算在網(wǎng)絡(luò)方面的局限性相比，移動邊緣計算集成網(wǎng)絡(luò)通信、數(shù)據(jù)計算和處理等業(yè)務(wù)，形成一個開放平臺，提供給用戶更接近于實體或數(shù)據(jù)源的服務(wù)，使其應(yīng)用能夠在邊緣端進行任務(wù)處理，從而實現(xiàn)更高效的網(wǎng)絡(luò)服務(wù)響應(yīng)，滿足更多業(yè)務(wù)場景在實時處理、智能應(yīng)用、安全和隱私保護等方面的需求[5,6]。換言之，移動邊緣計算的核心思想是將計算資源和緩存資源邊緣化和本地化，從而減少網(wǎng)絡(luò)延遲，緩解帶寬的壓力。移動邊緣計算不僅滿足了移動設(shè)備擴展計算能力的需要，而且彌補了云計算中傳輸延遲長的缺點[7]。

由于不同應(yīng)用場景下對任務(wù)處理具有不同的計算量和數(shù)據(jù)傳輸量要求，因此為了確保移動設(shè)備能夠發(fā)揮其最佳性能，可以通過使用任務(wù)卸載策略來進行資源的優(yōu)化分配，制定任務(wù)是在本地處理或是在遠(yuǎn)程服務(wù)器上執(zhí)行的處理方案[8]。同時，由于移動邊緣計算服務(wù)器在計算、存儲、帶寬等方面的資源均十分有限，而為了實現(xiàn)較低的網(wǎng)絡(luò)延，且更好地利用邊緣服務(wù)器集群有限的資源，任務(wù)卸載策略首先需要明確其目標(biāo)服務(wù)器再進行任務(wù)卸載[9]。目前，任務(wù)卸載策略主要分為粗粒度任務(wù)卸載和細(xì)粒度任務(wù)卸載兩種類型。粗粒度任務(wù)卸載通常以移動應(yīng)用程序為卸載對象，且不會根據(jù)其功能劃分為多個不同的子任務(wù)。該類方法往往沒有充分考慮到整個應(yīng)用的傳輸延遲和傳輸消耗。細(xì)粒度任務(wù)卸載一般首先會將一個移動應(yīng)用劃分為多個具有數(shù)據(jù)依賴關(guān)系的子任務(wù)[10,11]。由于劃分后的子任務(wù)只需要較少的計算復(fù)雜度和數(shù)據(jù)傳輸量，因此細(xì)粒度任務(wù)卸載可以將部分或全部的子任務(wù)都卸載到多個遠(yuǎn)程服務(wù)器上進行處理，從而節(jié)省了計算時間和傳輸時間，實現(xiàn)了對邊緣服務(wù)器集群資源更高效的利用。

因此，針對大規(guī)模異構(gòu)移動邊緣計算中具有多服務(wù)節(jié)點和多依賴移動子任務(wù)的場景，提出了一種移動邊緣計算環(huán)境下基于改進遺傳算法的計算任務(wù)卸載與資源分配算法，利用改進遺傳算法來解決細(xì)粒度的任務(wù)決策問題，包括明確卸載內(nèi)容、卸載數(shù)量以及卸載目標(biāo)等問題,從而達到移動邊緣計算平臺在時延、成本、能耗和網(wǎng)絡(luò)使用率多方面降低的目的。

1 相關(guān)工作

為了降低移動設(shè)備的能量消耗，提高現(xiàn)有設(shè)備計算能力，并有效地利用邊緣服務(wù)器和云數(shù)據(jù)中心的計算資源，近年對移動邊緣計算中的卸載問題已有了較深入的研究。一般來說，調(diào)度可以定義為在特定時間內(nèi)將任務(wù)分配給有能力的資源[12]。并且，一個調(diào)度問題常常需要服從許多必須滿足的約束條件和目標(biāo)。調(diào)度問題可以映射成為一個最優(yōu)化的問題，比如移動邊緣計算中的計算卸載與資源分配決策的目標(biāo)可以設(shè)定為延遲的最小化以及資源利用率的最大化。大多數(shù)的調(diào)度問題往往包含資源、任務(wù)、約束以及目標(biāo)4個基本要素，其中資源是能夠執(zhí)行或處理任務(wù)的物理或邏輯設(shè)備；任務(wù)是需要由資源執(zhí)行的物理或邏輯操作；約束是將任務(wù)調(diào)度到資源中時必須考慮的條件；而目標(biāo)則是為了評估調(diào)度的表現(xiàn)而進行衡量的評估標(biāo)準(zhǔn)。

分析相關(guān)研究可以發(fā)現(xiàn)，對于任務(wù)卸載和資源分配的調(diào)度類技術(shù)通常包含兩大類方法：精確方法和啟發(fā)式方法[13]。精確方法可以找到調(diào)度問題的絕對最優(yōu)解。文獻[14]采用了混合整數(shù)非線性規(guī)劃方法來解決任務(wù)卸載問題，并最終實現(xiàn)了用戶成本的降低。但該方案在傳輸延遲性方面還有進一步提升的空間[15]。文獻[16]提出了一種面向邊緣計算的用戶請求數(shù)量預(yù)測模型，并在此基礎(chǔ)上設(shè)計了一種任務(wù)卸載方案。通過比較該算法與貪婪算法、線性規(guī)劃算法和遺傳算法在任務(wù)卸載方面的性能，驗證了該算法的有效性。文獻[17]建立了一種基于移動邊緣計算體系結(jié)構(gòu)的數(shù)學(xué)模型。該數(shù)學(xué)模型通過測量用戶設(shè)備與處于網(wǎng)絡(luò)邊緣的移動邊緣計算服務(wù)器之間的往返時間實現(xiàn)了移動邊緣計算卸載策略的最優(yōu)化，并確定了何時將用戶的計算任務(wù)卸載到移動邊緣計算服務(wù)器進行處理。文獻[18]研究了移動邊緣計算卸載場景下的多用戶服務(wù)延遲問題，并提出了一種部分計算卸載模型。采用最優(yōu)化策略來優(yōu)化通信和計算資源的分配。與任務(wù)在只本地執(zhí)行或邊緣執(zhí)行的方案相比，該文所提出的部分卸載策略可以實現(xiàn)所有用戶設(shè)備的延遲的最小化，從而提高了用戶的服務(wù)質(zhì)量。

而啟發(fā)式方法雖然并不能保證找到最優(yōu)解，但是與采用精確方法所需的時間相比，啟發(fā)式方法能夠在合理的計算時間內(nèi)找到具有某種程度的最優(yōu)解。文獻[19]在提出的啟發(fā)式算法的基礎(chǔ)上，引入了多拓?fù)渎酚桑瑏泶_保所分配的出口路由器具有近似最優(yōu)解的性能。實驗結(jié)果表明，與其它方法相比，該算法具有更低的執(zhí)行時間和更好的服務(wù)質(zhì)量，滿足了云計算和邊緣計算中網(wǎng)絡(luò)流量問題的靈活性和效率要求?？紤]到環(huán)境的性質(zhì)，安全性是移動邊緣計算中所面臨的一個主要挑戰(zhàn)，文獻[20]提出了一個網(wǎng)絡(luò)安全框架，可識別出在移動邊緣計算環(huán)境中的惡意邊緣設(shè)備。該框架采用兩階段馬爾可夫模型對惡意或合法邊緣設(shè)備進行早期預(yù)測。并且實驗結(jié)果表明了提出的框架的有效性。

但是啟發(fā)式算法容易陷入只能獲取到局部最小值的困境，從而難以得到整體的最優(yōu)解，并且不適用于移動邊緣計算環(huán)境中海量的數(shù)據(jù)處理，為此，提出了一種移動邊緣計算中基于改進遺傳算法的計算卸載與資源分配算法。其創(chuàng)新點總結(jié)如下：

(1)為了高效處理網(wǎng)絡(luò)中海量的數(shù)據(jù)，構(gòu)建了移動邊緣計算網(wǎng)絡(luò)模型，其中包括能耗、平均服務(wù)延遲、執(zhí)行時間以及負(fù)載均衡模型，以合理卸載設(shè)備服務(wù)請求且優(yōu)化計算資源的分配。

(2)由于現(xiàn)有算法存在延遲較大且負(fù)載不均衡的問題，所提算法以能耗、延遲、負(fù)載均衡最小化為優(yōu)化目標(biāo)，利用改進的遺傳算法進行求解，并且從染色體一維表現(xiàn)形式、交叉和變異算子等方面進行改進以提高算法的性能。

2 系統(tǒng)建模

移動邊緣計算網(wǎng)絡(luò)通常包括3個部分，分別為云數(shù)據(jù)中心層、邊緣計算層和移動請求設(shè)備層，其架構(gòu)如圖1所示。移動請求設(shè)備層包含了傳感器、筆記本電腦、手機等處理性能較低的設(shè)備；邊緣計算層將所有的邊緣服務(wù)器按其相對距離劃分成為多個區(qū)域，且每個區(qū)域均中包含了一些性能中等的異構(gòu)邊緣計算服務(wù)器；云數(shù)據(jù)中心層包含了可形成一個群集的大量高性能物理服務(wù)器。

圖1 移動邊緣計算的架構(gòu)

當(dāng)移動請求設(shè)備需要通過計算卸載和資源分配來提高性能時，那么整個移動請求任務(wù)會通過分割算法被劃分為若干個子任務(wù)。其中一些子任務(wù)必須在本地執(zhí)行，例如用戶交互任務(wù)、設(shè)備輸入/輸出任務(wù)和外圍接口任務(wù)，而另一些任務(wù)可以卸載到服務(wù)器上執(zhí)行，通常是計算量比較大的數(shù)據(jù)處理任務(wù)。

2.1 能耗模型

對于包括了智能手機、傳感器和遠(yuǎn)程服務(wù)器在內(nèi)的所有請求設(shè)備，在一定執(zhí)行時間內(nèi)的總能耗主要由兩個部分組成，即所有設(shè)備的計算能耗Ecom和移動設(shè)備的卸載能耗Eoff。 其中第m個計算資源的能耗模型為

(1)

(2)

式中：taskm表示第m個計算資源中所有任務(wù)的數(shù)量，Mn表示部署第n個子任務(wù)所需的CPU資源，CMm表示第m個計算資源內(nèi)的CPU總資源。同時將第n個請求設(shè)備在某一信道中的數(shù)據(jù)傳輸速率rn定義為

(3)

(4)

(5)

系統(tǒng)中，計算資源的總數(shù)量為 (1+M+N)， 以及請求設(shè)備的總數(shù)量是N， 則在單位時間t內(nèi)產(chǎn)生的計算能耗與卸載能耗為

(6)

2.2 平均服務(wù)延遲

(7)

(8)

則在單位時間t內(nèi)，第m個子任務(wù)的數(shù)據(jù)傳輸延遲Dtr為

(9)

另外，在單位時間t內(nèi)，第m個子任務(wù)由于處理數(shù)據(jù)而產(chǎn)生的計算延遲Dcom為

(10)

式中：vserver(t) 表示遠(yuǎn)程服務(wù)器部署第m個子任務(wù)的處理速率，vlocal(t) 表示本地設(shè)備部署第個子任務(wù)的處理速率，xoff用來表示當(dāng)前子任務(wù)是否卸載到遠(yuǎn)程服務(wù)器執(zhí)行。

根據(jù)以上分析，單位時間t內(nèi)所有請求設(shè)備的平均時延為

2.2兩組患者治療前后PANSS評分比較 治療前,觀察組PANSS評分為(90.11±5.82)分,對照組PANSS評分為(89.82±5.79)分,兩組比較差異無統(tǒng)計學(xué)意義(t=0.215,P=0.830>0.05)。治療后,觀察組PANSS評分為(42.08±3.11)分,對照組PANSS評分為(50.82±3.28)分,兩組比較差異有統(tǒng)計學(xué)意義(t=11.762,P=0.000<0.05)。

(11)

式中：Dtotal(t0) 表示所有請求設(shè)備的總延遲，表示請求設(shè)備的數(shù)量， Ωn表示在第n個請求設(shè)備被劃分后的子任務(wù)數(shù)。

2.3 平均執(zhí)行時間

執(zhí)行時間指的是子任務(wù)處理數(shù)據(jù)所需的時間。當(dāng)子任務(wù)可以使用的資源越多時，那么子任務(wù)所需的處理時間越短，同時在單位時間內(nèi)子任務(wù)可以處理的請求越多。因此，卸載決策需要盡可能減少所有請求設(shè)備的平均執(zhí)行時間。平均執(zhí)行時間的計算如下

(12)

式中：T(t0) 表示在單位時間內(nèi)所有請求設(shè)備的平均執(zhí)行時間。

2.4 負(fù)載平衡目標(biāo)

負(fù)載平衡是一種可在網(wǎng)絡(luò)中實現(xiàn)各種資源有效利用的重要方法，其主要目的是資源最優(yōu)化利用、最大化吞吐量、最小化響應(yīng)時間，避免過載，增強網(wǎng)絡(luò)數(shù)據(jù)處理能力，以及提高網(wǎng)絡(luò)的靈活性和可用性[22]。網(wǎng)絡(luò)中所有設(shè)備的負(fù)載平衡優(yōu)化目標(biāo)為

(13)

(14)

(15)

3 提出的遺傳算法

由于移動邊緣計算中計算卸載和資源分配問題在本質(zhì)上存在著復(fù)雜性，精確的最優(yōu)解不充分，因此，采用改進的遺傳算法對問題進行求解[23]。遺傳算法是一種由自然選擇過程產(chǎn)生的元啟發(fā)式算法，其屬于一類進化算法。在此進化算法中，優(yōu)化問題的候選解(染色體)群體可進化為更好或更適合的解。

在計算卸載和資源分配問題中，種群染色體可以用來表示問題的候選解，如果一個解滿足問題的約束條件，那么其就是可行的；否則是不可行的[24]。提出的遺傳算法中根據(jù)問題需要采用染色體表現(xiàn)形式、交叉和變異算子，用于懲罰不可行的解決方案，使這些不可行的解決方案具有較小的選擇(或生存)概率。所提算法的流程如圖2所示。

圖2 所提改進遺傳算法的處理流程

首先定義問題的規(guī)模，即請求設(shè)備的數(shù)量和可用的計算資源，并且生成種群數(shù)量的候選解(染色體或個體)，以初始化群體。然后評估每個染色體的適應(yīng)度F，F(xiàn)為總潛伏期的倒數(shù)，并且選擇即將進行交叉和突變的配偶或親本個體(染色體)，從當(dāng)前種群中創(chuàng)建新的后代種群。在完成交叉和變異后，該算法根據(jù)適應(yīng)度函數(shù)F來評價每個產(chǎn)生的子代染色體的適應(yīng)度值。最后，使用一個程序確定不可行的染色體，以及使用另一個程序懲罰其中的一些染色體。此外，該算法保留了所有產(chǎn)生的種群中的最好染色體，即適應(yīng)值最小的染色體。遺傳算法會不斷重復(fù)上述步驟，直到滿足一些終止的條件。當(dāng)?shù)K止時，遺傳算法會返回代表優(yōu)化問題解決方案的最佳染色體。

在改進的遺傳算法中，算子的實現(xiàn)如下：

(1)染色體表示：在提出的遺傳算法中，問題的候選解決方案(染色體)是一個0或1個整數(shù)值Xmn元素(或基因)的二維數(shù)組，其表示考慮到在m個計算資源分配給n個請求設(shè)備的情況下向資源分配請求的可能。如果請求rn被分配給資源sm， 則基因Xmn的值為1；否則為0。為了獲得表示染色體的一維解數(shù)組，二維數(shù)組被垂直拉伸，如圖3所示。

圖3 染色體的二維排列

(2)適應(yīng)度評價：對于群體的每個染色體，可以通過F=1/LA計算給定染色體的適應(yīng)度，其中LA由式(15)中的目標(biāo)函數(shù)給出。

(3)交叉和變異：改進的遺傳算法使用傳統(tǒng)的輪盤賭方法，從當(dāng)前種群中將兩個分為一組進行選擇，將其交配(交叉)以繁殖新后代種群的雙親。然后，對于每兩個被選擇的染色體，會選擇一個交叉點?， ?是介于2和請求總數(shù)n之間的整數(shù)值，因此，可以在不混淆請求分配的位置上直接選取交叉點?， 如圖4所示。最后，與請求?到n對應(yīng)的所有基因被交換，從而產(chǎn)生兩個新的染色體。這個過程將一直重復(fù)，直到新一代產(chǎn)生的子代染色體數(shù)目等于當(dāng)前一代的染色體數(shù)目。其中對于每個隨機選擇的基因Xmn進行突變，即將數(shù)值翻轉(zhuǎn)到相反的值(如從1翻轉(zhuǎn)到0)。

圖4 染色體內(nèi)交叉點的選取

(4)可行性檢測和不可行性懲罰：提出的遺傳算法會檢測雜交和突變后的新后代染色體的可行性。準(zhǔn)確地說，明確哪些新染色體是可行的，即它們是否滿足約束條件。換言之，對于每個染色體，如果染色體滿足約束條件，將確定其每個請求設(shè)備都會被分配到一個計算資源。而50%不滿足約束條件的不可行染色體通過增加其適應(yīng)值而受到懲罰，從而降低它們下一代存活的概率。

(5)精英主義和終止準(zhǔn)則：提出的遺傳算法保存了到目前為止所有生成種群中的最優(yōu)染色體(可行且適應(yīng)值最小的染色體)。當(dāng)滿足終止條件時，算法會停止。根據(jù)實驗結(jié)果，當(dāng)4次連續(xù)迭代后，最佳適應(yīng)度沒有改變，或者最大迭代次數(shù)達到30時，算法滿足終止條件。

4 仿真實驗

4.1 仿真環(huán)境

利用iFogSim對所提算法進行模擬仿真實驗，通過在移動邊緣計算環(huán)境對比各個算法在能耗、負(fù)載均衡、服務(wù)延遲、平均執(zhí)行時間和網(wǎng)絡(luò)使用情況等方面的性能表現(xiàn)。在模擬實驗中，移動邊緣計算網(wǎng)絡(luò)主要由1個云數(shù)據(jù)中心、80個邊緣計算服務(wù)器和許多個請求設(shè)備組成。其中，所有的邊緣計算服務(wù)器都被平均分為10個不同的區(qū)域，且每個請求設(shè)備在單位時間內(nèi)只能發(fā)送一個卸載請求。

為了模擬移動應(yīng)用被劃分為不同子任務(wù)后進行卸載的過程，構(gòu)造了一個虛擬現(xiàn)實游戲，以體現(xiàn)子任務(wù)的相互依賴關(guān)系，如圖5所示。

圖5 虛擬現(xiàn)實游戲中子任務(wù)的依賴性

該應(yīng)用程序主要由5個子任務(wù)組成，分別為腦電圖、客戶端、集中計算器、協(xié)調(diào)器和顯示。腦電圖和顯示必須在本地設(shè)備上執(zhí)行，剩余的子任務(wù)可以根據(jù)策略進行卸載和分配。對延遲敏感的應(yīng)用程序?qū)π遁d決策有著非常高的要求。一方面，將需要高計算量的模塊卸載到云服務(wù)器上執(zhí)行是十分必要的，這樣可以最大限度地降低移動設(shè)備的能耗；另一方面，邊緣計算模塊需要盡可能靠近數(shù)據(jù)源，從而減少模塊間數(shù)據(jù)傳輸造成的延遲。

4.2 實驗結(jié)果分析

實驗中從Google數(shù)據(jù)集中選取1000個應(yīng)用程序?qū)Ω倪M的遺傳算法進行訓(xùn)練，然后選取部分剩余數(shù)據(jù)對訓(xùn)練后的網(wǎng)絡(luò)模型進行測試，從而論證所提算法的通用性和有效性。執(zhí)行時間作為評價算法性能的關(guān)鍵指標(biāo)，分析其與改進遺傳算法的種群規(guī)模與最大迭代次數(shù)的關(guān)系，有助于所提算法中參數(shù)的合理設(shè)置。其中考慮了不同規(guī)模的計算卸載與資源分配問題N， 且N中的每個值是包含j請求和i資源的一個元組 (j/i)， 實驗中將多個元組的值分別設(shè)為(30/10)，(60/20)，(100/40)和(140/70)。針對N中的每個值，進行5次不同的實驗。算法執(zhí)行時間與種群規(guī)模與最大迭代次數(shù)的關(guān)系如圖6、圖7所示。

圖6 執(zhí)行時間與種群規(guī)模的關(guān)系

圖7 執(zhí)行時間與最大迭代次數(shù)的關(guān)系

從圖6中可以看出，執(zhí)行時間隨著種群規(guī)模和問題規(guī)模N的增加而繼續(xù)急劇增加。由于種群規(guī)模增加，算法需要更長的時間完成算法的運算，并且問題規(guī)模增加，意味著有更多的請求設(shè)備需要分配計算資源，算法更加復(fù)雜，因此執(zhí)行時間增長。綜合各方面因素考慮，將種群規(guī)模設(shè)為60最為合理，只需花費中等運行時間而能獲得高質(zhì)量的解決方案。

從圖7中可以看出，最大迭代次數(shù)的增加會急劇增加算法的運行時間。通常來說，迭代次數(shù)越多，獲得的最優(yōu)解越理想，算法的性能更佳，但是付出的執(zhí)行時間成本過高，為此，綜合考慮，將最大迭代次數(shù)設(shè)置為25，此時，算法可以只花費中等運行時間而得到高質(zhì)量的解。

4.3 不同算法的對比分析

為了論證所提算法在能耗、負(fù)載平衡、延遲、網(wǎng)絡(luò)使用率等方面的性能，將其與文獻[14]、文獻[16]、文獻[18]、文獻[21]進行對比分析，結(jié)果如圖8所示。其中文獻[14]采用了混合整數(shù)非線性規(guī)劃方法解決任務(wù)卸載問題；文獻[16]設(shè)計了一種面向邊緣計算的用戶請求數(shù)量預(yù)測模型，并基于此提出任務(wù)卸載方案；文獻[18]提出一種分布計算卸載模型；文獻[21]基于計算卸載和任務(wù)分配的聯(lián)合凸優(yōu)化目標(biāo)，采用拉格朗日乘子法進行迭代更新得到最優(yōu)解。

圖8 任務(wù)卸載中每種算法產(chǎn)生的資源消耗

從圖8中可以看出，隨著請求設(shè)備數(shù)量的增加，各種算法生成的計算卸載和資源分配策略在能耗、負(fù)載平衡、延遲、網(wǎng)絡(luò)使用率等方面基本上都是遞增的。所提算法在延遲、網(wǎng)絡(luò)利用率和負(fù)載均衡方面都能取得較好的效果，但在能耗方面表現(xiàn)一般。主要是因為移動邊緣計算更傾向于將子任務(wù)卸載到本地設(shè)備上執(zhí)行，當(dāng)本地設(shè)備處的資源不足時，子任務(wù)被逐層地卸載到上層設(shè)備當(dāng)中。由于一些子任務(wù)可以在本地執(zhí)行而無需網(wǎng)絡(luò)傳輸，所以所提算法的延遲較低。并且所提算法更傾向于將子任務(wù)卸載到邊緣計算服務(wù)器中，這使得所有邊緣計算服務(wù)器的資源利用效率都保持在平均水平，并實現(xiàn)了負(fù)載均衡值的最小化。與此同時，邊緣計算服務(wù)器的性能可以滿足更多子任務(wù)的處理請求，從而減少了子任務(wù)之間的網(wǎng)絡(luò)傳輸，進一步降低了整個系統(tǒng)的網(wǎng)絡(luò)利用率。但由于移動邊緣計算設(shè)備的處理能力和計算能力遠(yuǎn)遠(yuǎn)小于云服務(wù)器，因此，在本地設(shè)備上處理子任務(wù)將導(dǎo)致更高的能耗。

此外，從圖8中可以看出，隨著應(yīng)請求設(shè)備數(shù)量的增加，由文獻[18]算法生成的計算卸載和資源分配策略在負(fù)載平衡方面表現(xiàn)得很差，且在其它方面也表現(xiàn)得一般。文獻[21]算法在除了延遲之外的所有方面的表現(xiàn)都比文獻[18]算法要好一些。文獻[21]算法綜合考慮了兩種方法在各個方面的優(yōu)勢，在能耗、負(fù)載均衡等方面的性能較為理想。當(dāng)設(shè)備數(shù)量較多時，由文獻[14]算法生成的策略在延遲方面都有很好的效果，但在能耗方面的效果是最差的。同時，因為文獻[21]算法和文獻[18]算法更傾向于將子任務(wù)卸載到本地設(shè)備，而當(dāng)任務(wù)被卸載到具有更高計算能力的邊緣計算服務(wù)器時，文獻[21]算法的性能優(yōu)于文獻[18]算法。當(dāng)應(yīng)用數(shù)量較多時，文獻[16]算法和文獻[14]算法的時延呈下降趨勢，其性能優(yōu)于其它兩種對比算法。另外，文獻[21]算法和文獻[14]算法在網(wǎng)絡(luò)利用率方面具有相似的性能，其結(jié)果僅次于所提算法。

5 結(jié)束語

由于智能終端設(shè)備和物理環(huán)境之間會通過傳感和驅(qū)動的方式進行交互，有著嚴(yán)苛的延遲要求，而設(shè)備本身的計算能力有限，因此需要根據(jù)需求進行計算卸載，將任務(wù)卸載至云和邊緣計算服務(wù)器中，以合理分配計算資源。所提出的移動邊緣計算中基于改進遺傳算法的計算卸載與資源分配算法在完成移動邊緣計算網(wǎng)絡(luò)架構(gòu)設(shè)計的基礎(chǔ)上，構(gòu)建包括能耗、平均服務(wù)延遲、執(zhí)行時間以及負(fù)載均衡的系統(tǒng)模型，并以能耗、延遲、負(fù)載均衡最小化為優(yōu)化目標(biāo)，利用改進的遺傳算法進行求解，以實現(xiàn)計算的高效卸載與資源的最優(yōu)分配。此外，利用iFogSim和Google集群對所提算法進行仿真測試，結(jié)果表明，算法種群數(shù)量和最大迭代次數(shù)的合理值分別是60和25，且所提算法得到的計算卸載和資源分配策略在能耗、負(fù)載均衡、延遲和網(wǎng)絡(luò)使用率方面的表現(xiàn)均優(yōu)于其它算法。

接下來的研究工作是將所提算法應(yīng)用于更大規(guī)模的網(wǎng)絡(luò)，其中考慮關(guān)鍵請求調(diào)度和允許搶占、優(yōu)先處理等方面。并且還可將多個目標(biāo)函數(shù)擴展至該算法，從而進一步提高計算資源的利用率以及減少延遲和能耗等。