面向5G網(wǎng)絡(luò)的移動邊緣計算節(jié)點部署算法設(shè)計

劉春林，秦 進

(1. 凱里學院大數(shù)據(jù)工程學院，貴州 凱里 556011；2. 貴州大計算機科學與技術(shù)學院，貴州 貴陽 550025)

1 引言

無線通信和云計算技術(shù)已獲得迅速發(fā)展，智能手機、手提電腦、平板等移動設(shè)備在人們?nèi)粘Ｉ钪衅占吧鯊V，例如導航定位、觀看直播、遠程辦公等[1]。移動設(shè)備在為人們提供便捷服務(wù)的同時，也使已有網(wǎng)絡(luò)面臨嚴峻挑戰(zhàn)，不僅需要滿足大規(guī)模的設(shè)備接入，還需要與日益增長的通信容量和計算需求相匹配，在此背景下人們逐漸迎來5G網(wǎng)絡(luò)時代[2，3]。由于核心網(wǎng)集中式部署無法達到以5G網(wǎng)絡(luò)為基礎(chǔ)的業(yè)務(wù)要求，網(wǎng)絡(luò)開始向邊緣遷移，隨著網(wǎng)絡(luò)邊緣設(shè)備數(shù)量和生成數(shù)據(jù)的爆發(fā)式增長，移動邊緣計算應運而生。該模式是智能互聯(lián)服務(wù)的提供者，可以滿足各行業(yè)對業(yè)務(wù)實時性、數(shù)據(jù)融合、隱私保護等方面的需求，既可以降低網(wǎng)絡(luò)負載，還可以向用戶提供時延低、穩(wěn)定性高的應用運行環(huán)境[4，5]。節(jié)點部署作為該模式的核心環(huán)節(jié)，越來越受到相關(guān)技術(shù)人員的重視。

目前很多專家和學者均在此類問題的研究上取得重大成果，例如符春和王旭亮等人，分別利用目標覆蓋感知與NFV MANO技術(shù)設(shè)計移動邊緣計算節(jié)點部署算法[6，7]。這兩種算法均能有效提升網(wǎng)絡(luò)中業(yè)務(wù)流的服務(wù)質(zhì)量，且端到端服務(wù)時延較低，但需要部署的節(jié)點數(shù)量較多，資源消耗高。

本文通過分析移動邊緣計算網(wǎng)絡(luò)架構(gòu)，聯(lián)合無線、傳輸、網(wǎng)絡(luò)等專業(yè)，設(shè)計面向5G網(wǎng)絡(luò)的移動邊緣計算節(jié)點部署算法，并利用信道信息和改進遺傳模擬退火算法提升移動邊緣計算節(jié)點安全性，優(yōu)化端到端服務(wù)時延。

2 移動邊緣計算節(jié)點部署算法

2.1 面向5G網(wǎng)絡(luò)的移動邊緣計算網(wǎng)絡(luò)架構(gòu)

面向5G網(wǎng)絡(luò)的移動邊緣計算網(wǎng)絡(luò)架構(gòu)包含網(wǎng)絡(luò)能力和移動邊緣計算的平臺能力，具體用圖1描述。

圖1 移動邊緣計算網(wǎng)絡(luò)架構(gòu)

5G核心網(wǎng)、移動邊緣計算系統(tǒng)和用戶終端聯(lián)合完成面向5G網(wǎng)絡(luò)的移動邊緣計算，能夠達到計費、移動管理等目的。其中，虛擬化基礎(chǔ)架構(gòu)選擇NFV；移動邊緣計算平臺用于提供網(wǎng)絡(luò)能力開放與集成部署等功能，并通過基于信道信息的克隆節(jié)點識別方法避免克隆節(jié)點攻擊，提升移動邊緣計算節(jié)點安全性；該平臺的管理功能由移動邊緣計算平臺管理實現(xiàn)。

2.2 基于信道信息的克隆節(jié)點識別方法

面向5G網(wǎng)絡(luò)的移動邊緣計算遷移若干或所有云計算模型的任務(wù)至網(wǎng)絡(luò)邊緣設(shè)備中，可以極大地減少計算負載，降低發(fā)生網(wǎng)絡(luò)擁堵的可能性。移動邊緣計算節(jié)點極容易受到克隆節(jié)點攻擊的威脅，現(xiàn)有方法難以辨識克隆節(jié)點和合法節(jié)點，是因為兩者的ID與密鑰信息等完全一致，因此采用所提方法實現(xiàn)克隆節(jié)點辨識。

中心節(jié)點接收到完成簽名的被測節(jié)點的位置信息與ID的聲明消息后，對其簽名進行驗證，并將兩類信息存儲，若想說明出現(xiàn)克隆節(jié)點攻擊現(xiàn)象，則兩個存在差異的聲明消息的ID一致，但位置信息不同[8]，即該識別方法的基本原理。

該識別方法的實現(xiàn)形式為二元假設(shè)檢驗，具體用下式描述

H0：i(n)=j(n)

(1)

H1：i(n)≠j(n)

(2)

式內(nèi)，零假設(shè)用H0描述，此時沒有出現(xiàn)攻擊，兩個ID一致的節(jié)點處在相同位置；備擇假設(shè)用H1描述，此時出現(xiàn)攻擊，兩個ID一致的節(jié)點所處位置存在差異[9，10]。

設(shè)置TC代表統(tǒng)計量，據(jù)其可獲得i(n)與j(n)處于相干時間中的關(guān)聯(lián)度，表示如下

(3)

式內(nèi)，獲取信道信息關(guān)聯(lián)度的方法用diff描述；信道信息的連續(xù)幀數(shù)用n描述；節(jié)點用i、j描述；閾值用η描述。如果H1成立，j為克隆節(jié)點，則滿足Λi，j>η；如果H0成立，j為非克隆節(jié)點，則滿足Λi，j<η。

2.3 面向5G網(wǎng)絡(luò)的移動邊緣計算節(jié)點部署算法

將無線、傳輸、網(wǎng)絡(luò)等專業(yè)相融合，獲得如圖2所示面向5G網(wǎng)絡(luò)的移動邊緣計算節(jié)點部署算法。

圖2 面向5G網(wǎng)絡(luò)的移動邊緣計算節(jié)點部署算法

不同專業(yè)負責業(yè)務(wù)屬性、無線站點和機房資源視圖數(shù)據(jù)的提供，第一個視圖能夠?qū)﹃P(guān)鍵客戶的隱藏業(yè)務(wù)需求進行整理；第二個視圖的職責為判斷服務(wù)基站位置；第三個視圖用于提供機房信息、資源狀況等數(shù)據(jù)[11，12]。將以上視圖與業(yè)務(wù)需求相結(jié)合，可以獲得面向5G網(wǎng)絡(luò)的移動邊緣計算節(jié)點可能部署位置，其資源儲備需求和機房選擇，能通過不同專業(yè)的視圖數(shù)據(jù)融合與過濾得到，利用改進遺傳模擬退火算法完成節(jié)點所構(gòu)成網(wǎng)絡(luò)的虛擬網(wǎng)絡(luò)功能部署，以優(yōu)化移動邊緣計算網(wǎng)絡(luò)中業(yè)務(wù)流端到端服務(wù)時延。

2.4 基于改進遺傳模擬退火算法的虛擬網(wǎng)絡(luò)功能部署

2.4.1 編碼

2.4.2 選擇復制和交叉

(4)

式內(nèi)，狀態(tài)k下的溫度用tk描述。

2.4.3 變異與可行性檢測

將變異概率Pm設(shè)定成0.01，如果某個體出現(xiàn)變異現(xiàn)象，則對其實施可行性檢測，即確定新個體是否符合資源限制標準。獲得指定染色體的虛擬網(wǎng)絡(luò)功能映射方案，獲取其內(nèi)決策變量值，若根據(jù)該值確定符合通用服務(wù)節(jié)點映射限制，需要以隨機方式將節(jié)點相應行元素糾正為0，結(jié)束條件為節(jié)點符合計算資源約束[13，14]。利用虛擬網(wǎng)絡(luò)功能映射能夠得到網(wǎng)絡(luò)鏈路最佳映射，從而找到K條最短路徑中與各業(yè)務(wù)流相匹配的路徑，在鏈路與時延限制均符合的條件下使適應度函數(shù)達到最小。

2.4.4 算法實現(xiàn)過程

該算法的輸出為服務(wù)功能鏈的部署方案，分別用Mbest、Bbest描述，同時還包括[t，t+T]時間范圍內(nèi)所到業(yè)務(wù)請求的端到端時延估計結(jié)果[15]，用tavg描述。

2)循環(huán)次數(shù)用K描述，對其與tk進行初始化，且fitmin←0、m←0、Mbest←?。

3)種群規(guī)模用N描述；溫度區(qū)間用Tempmin描述；交叉和變異概率分別用Pc、Pm描述；溫度變化系數(shù)用ξ描述，將以上參數(shù)當作初始值實現(xiàn)種群Q0的初始化處理。

6)while(m′

{

獲得鏈路映射方案，描述為Bbest←Mbest；

end

檢測新個體Anew；

if可行性檢測失敗

糾正個體；

end

對適應度fit(Anew)進行計算

end

If(發(fā)生突變)

檢測并糾正個體；

end

end

tk←ξtk；

m′←m+1；

}

7)將移動邊緣計算網(wǎng)絡(luò)中虛擬網(wǎng)絡(luò)功能的部署Mbest、選擇的路徑Bbest、平均時延估計值tavg輸出。

3 結(jié)果分析

使用MATLAB R2014b仿真工具搭建測試環(huán)境以驗證本文算法的部署性能，根據(jù)Congent生成面向5G網(wǎng)絡(luò)的移動邊緣計算網(wǎng)絡(luò)，其內(nèi)包含4個移動邊緣計算集群，所含通用服務(wù)節(jié)點數(shù)量為35個，集群內(nèi)與集群間的鏈路數(shù)量為60條。選用參數(shù)相同的兩臺發(fā)射機當作合法節(jié)點與克隆節(jié)點。

利用本文算法識別克隆節(jié)點，結(jié)果用圖3描述，圖內(nèi)檢驗統(tǒng)計量和信道信息形成的檢驗統(tǒng)計量，分別為TB、TA，分界線為本文算法所得分離面。

圖3 合法節(jié)點和克隆節(jié)點識別結(jié)果

從圖3可以看出，合法節(jié)點分布于分離面上部，數(shù)量較多，且較為密集；克隆節(jié)點分布于分離面下部，數(shù)量較少，且相對分散；僅有一個克隆節(jié)點存在分類錯誤。因此表明，本文算法具有較準確的克隆節(jié)點識別能力，可極大地提升面向5G網(wǎng)絡(luò)的移動邊緣計算節(jié)點安全性。

本文算法使用前后，不同移動邊緣計算應用案例的技術(shù)指標(前三項)和商業(yè)模式(后三項)特征情況用表1描述，表內(nèi)√說明情況良好，-說明情況較差。

表1 各移動邊緣計算應用案例的典型特征情況

從表1可以看出，本文算法使用前，移動邊緣計算應用于視頻緩存與優(yōu)化中的計算能力和本地情境化特征有待改善，監(jiān)控數(shù)據(jù)分析應用案例的技術(shù)指標特征良好，增強現(xiàn)實應用案例的商業(yè)模式特征不甚理想；本文算法使用后，各移動邊緣計算應用案例的不同特征均呈現(xiàn)出優(yōu)良狀態(tài)。以上結(jié)果可得，本文算法的面向5G網(wǎng)絡(luò)的移動邊緣計算節(jié)點部署性能較優(yōu)異，能有效提高移動邊緣計算的應用質(zhì)量。

不同服務(wù)功能鏈平均長度和通用服務(wù)節(jié)點數(shù)量下，本文算法獲得的節(jié)點部署方案所構(gòu)成網(wǎng)絡(luò)的服務(wù)請求端到端時延用圖4描述。

圖4 服務(wù)請求端到端時延結(jié)果

分析圖4可以看出，隨著服務(wù)功能鏈平均長度持續(xù)增加，網(wǎng)絡(luò)的服務(wù)請求端到端時延呈緩慢上升趨勢；在通用服務(wù)節(jié)點數(shù)量從10增加至100的過程中，服務(wù)請求端到端時延降低75%左右。因此可得，服務(wù)請求端到端時延分別與服務(wù)功能鏈平均長度和通用服務(wù)節(jié)點數(shù)量呈反比、正比，且受服務(wù)功能鏈平均長度影響極小，受通用服務(wù)節(jié)點數(shù)量影響較大，表明本文算法具有較好的面向5G網(wǎng)絡(luò)的移動邊緣計算節(jié)點部署效果。

不同任務(wù)平均計算量下，當計算量分別滿足正態(tài)分布和均勻分布時，本文算法獲得的節(jié)點部署方案所構(gòu)成網(wǎng)絡(luò)的能量消耗用圖5描述。

從圖5可以看出，計算量滿足正態(tài)分布和均勻分布時的網(wǎng)絡(luò)能量消耗均隨任務(wù)平均計算量增加而升高，且分別在任務(wù)平均計算量達到7、6時逐漸趨于平穩(wěn)，當計算量服從均勻分布時，網(wǎng)絡(luò)的能量消耗始終保持最低。因此可得，均勻分布的計算量能獲得更好的面向5G網(wǎng)絡(luò)的移動邊緣計算節(jié)點部署效果。

4 結(jié)論

在5G網(wǎng)絡(luò)環(huán)境下，移動邊緣計算是業(yè)務(wù)模式創(chuàng)新的重要良機，其節(jié)點部署對提高業(yè)務(wù)流的服務(wù)質(zhì)量發(fā)揮著巨大價值，因此設(shè)計面向5G網(wǎng)絡(luò)的移動邊緣計算節(jié)點部署算法，通過無線、傳輸、網(wǎng)絡(luò)等專業(yè)的相互協(xié)作，結(jié)合三大視圖與業(yè)務(wù)需求，實現(xiàn)移動邊緣計算節(jié)點部署。該算法能有效避免克隆攻擊帶來的風險，各應用案例的技術(shù)指標與商業(yè)模式特征情況均呈良好狀態(tài)，且節(jié)點部署所構(gòu)成網(wǎng)絡(luò)的時延和能量消耗較低，將為5G網(wǎng)絡(luò)業(yè)務(wù)帶來無限發(fā)展可能。