泛在電力物聯(lián)網(wǎng)中基于網(wǎng)絡虛擬化的節(jié)能卸載機制

張國江，李勇，陳挺，劉洪

(1.國網(wǎng)江蘇省電力有限公司, 南京市 210024；2. 國網(wǎng)江蘇省電力有限公司泰州供電公司，江蘇省泰州市 225309；3.中國科學院上海微系統(tǒng)與信息技術研究所，上海市 200050)

0 引 言

傳統(tǒng)依靠電量增長、引進消化吸收再創(chuàng)新的發(fā)展模式難以為繼。泛在電力物聯(lián)網(wǎng)(electric internet of things, EIoT)的建設對于助力國家治理實現(xiàn)現(xiàn)代化，促進電網(wǎng)提質(zhì)增效具有重要意義[1-3]。然而，由于當前電網(wǎng)呈現(xiàn)規(guī)模大、分支多的特點，需要一種廣覆蓋、大連接的接入方式來滿足其泛在通信需求。光無線接入網(wǎng)(integrated fiber-wireless access network, FiWi)主要由無線網(wǎng)狀網(wǎng)和無源光網(wǎng)絡構成，能實現(xiàn)超大面積覆蓋和靈活組網(wǎng)需求，已經(jīng)成為5G接入網(wǎng)絡中受到極大關注的發(fā)展目標，并具有較高的普及率[4-6]。FiWi架構可通過增加網(wǎng)絡單元等方式滿足EIoT場景的特殊需求，使得在EIoT應用場景中，F(xiàn)iWi架構成為一種不可忽視的選擇[7-9]。

由于電網(wǎng)的分支眾多，導致EIoT應用場景中物聯(lián)網(wǎng)設備分布零散，為了滿足零散且海量的物聯(lián)網(wǎng)設備通信需求，須增加FiWi架構中的網(wǎng)絡單元。然而，網(wǎng)絡單元數(shù)量的增加不僅使得設備管理難度增加，同時造成系統(tǒng)能耗的上升。通過引入移動邊緣計算(mobile edge computing, MEC)技術，能有效管理分布零散的網(wǎng)絡設備、物聯(lián)網(wǎng)設備和降低系統(tǒng)整體能耗[10-11]。但是，當前對于降低MEC能耗的研究大多數(shù)未考慮網(wǎng)絡設備和物聯(lián)網(wǎng)設備的實際情況，即從任務響應時延，設備發(fā)送信息所需能耗等方面考慮其業(yè)務上傳至云服務器的必要性，此決策過程一般在集中式網(wǎng)絡單元發(fā)生，而系統(tǒng)中卸載協(xié)作節(jié)點的確定則是由光網(wǎng)絡單元分析物聯(lián)網(wǎng)設備與MEC服務器之間的通信情況得出。然而，數(shù)據(jù)的分析和決策的制定會造成光網(wǎng)絡設備工作時間的延長，而且由于物聯(lián)網(wǎng)設備數(shù)據(jù)量小的特點，容易造成網(wǎng)絡中物理鏈路負載較低，進而降低資源利用率，增大網(wǎng)絡能耗支出。因此，在具有海量物聯(lián)網(wǎng)設備的EIoT應用場景中研究如何降低因任務卸載至云服務器帶來的系統(tǒng)高能耗問題變得十分重要。

針對低能耗卸載問題的探討，文獻[12]深入研究數(shù)據(jù)傳輸過程中的信令交互狀態(tài)，通過分析其與設備電量之間的影響關系，結(jié)合資源使用情況等信息，確定低能耗的任務卸載路徑。但是此機制未分析因信令交互造成的業(yè)務時延增大問題。文獻[13]將虛擬化技術引入邊緣云聯(lián)合FiWi的網(wǎng)絡架構中，利用集中式的控制單元為MEC業(yè)務分配通信與計算資源，從而獲得較高的網(wǎng)絡收益。此文獻以資源分配為主，并未考慮架構中網(wǎng)絡設備和終端設備的能量支出情況。文獻[14]對候選協(xié)作節(jié)點之間的頻譜資源進行權衡，在速率約束條件下，獲得較高的網(wǎng)絡能效。然而，該文獻假設信道條件處于穩(wěn)定不變的狀態(tài)，忽視了信道狀態(tài)的時變特性對設備傳輸能耗的影響。文獻[15]通過將低負載的虛擬鏈路嵌入到物理鏈路中實現(xiàn)資源的重新利用，從而在保障業(yè)務資源需求的條件下，減少實際網(wǎng)絡中的活躍設備數(shù)量。但是文中并未對重用鏈路的有效性進行分析，無法判斷鏈路是否可用。文獻[16]分析了響應時延與卸載能耗之間的關系，利用網(wǎng)絡中各鏈路信息并結(jié)合人工魚群算法確定卸載節(jié)點，仿真結(jié)果表明，文中所提策略對于降低終端能耗擁有顯著效果。

為彌補上述缺點，本文提出一種基于網(wǎng)絡虛擬化的節(jié)能卸載機制(energy saving offload mechanism based on network virtualization, ESNV)。通過虛擬網(wǎng)絡管理(virtual network manager, VM)層的集中控制器采集系統(tǒng)架構中的業(yè)務與網(wǎng)絡信息，以降低網(wǎng)絡能量支出為優(yōu)化目標，將此優(yōu)化問題建模為多目標整數(shù)規(guī)劃模型。然后，以最小傳輸能耗和最低響應時延為篩選條件確定協(xié)作卸載節(jié)點，其次感知不同信道傳輸信息時設備電量變化情況，并以此作為資源分配的決策條件。最后，根據(jù)不同業(yè)務的特點分配重用資源，從而減少網(wǎng)絡設備的活躍數(shù)量。此外，為保障資源重用的有效性，設計有效性保障策略，確保卸載任務的有效完成。

1 系統(tǒng)場景

在EIoT應用場景中，由于海量物聯(lián)網(wǎng)設備的信息需要通過MEC卸載至云端，而光節(jié)點作為卸載決策控制中心，會造成其活躍時長的增加。其次，單個策略所導致的調(diào)度時延改變將影響同一網(wǎng)絡中其余業(yè)務的完成情況。另一方面，假設為每個卸載任務分配專用鏈路，則會導致網(wǎng)絡能耗支出的增大。所以，基于圖1所示的面向電力物聯(lián)網(wǎng)的虛擬化融合邊緣云聯(lián)合FiWi網(wǎng)絡架構，利用VM層中的集中控制器，結(jié)合時延與能耗影響因素，建立多目標整數(shù)規(guī)劃模型，動態(tài)地進行虛擬資源分配。同時考慮到基礎設施層的有限資源，通過設計一種資源重用機制減少MEC專用鏈路。

1.1 系統(tǒng)模型

本文中設備的電量來源于環(huán)境中的能量源[16]，則設備在時隙t內(nèi)從H個能量源所獲得的能量e(t)如下所示：

(1)

(2)

圖1 虛擬化融合邊緣云聯(lián)合FiWi網(wǎng)絡架構Fig.1 Architecture of virtual fusion edge cloud with FiWi network

(3)

(4)

式中：λi表示任務i的到達率；μi為控制器處理i類任務的平均處理率。

1.2 多目標整數(shù)規(guī)劃模型

本文通過優(yōu)化無線資源分配策略以及重用虛擬鏈路，使得網(wǎng)絡能耗支出降低，并且以增大設備在本地處理完任務后的剩余電量與減少物理鏈路使用的數(shù)量作為優(yōu)化目標，其約束條件如下：

(5)

(6)

(7)

‖B1‖:‖B2‖:···:‖BN‖=

(1+ε)(q1:q2:···:qN)

(8)

(9)

?v,x,e,z

(10)

(11)

(12)

(13)

(14)

2 基于網(wǎng)絡虛擬化的節(jié)能卸載機制

基于上述多目標整數(shù)規(guī)劃模型，將節(jié)能卸載問題劃分成3個子問題，并通過對應的啟發(fā)式算法進行求解。子問題1，路徑的選取及優(yōu)先級的設置，此過程在VM層中由控制器執(zhí)行以時延和能耗為優(yōu)化目標的判定機制來完成。子問題2，資源優(yōu)化，由于EIoT場景的特殊性，導致信息傳輸?shù)暮碾娏砍蔀橐粋€關鍵指標，因此以優(yōu)化電量為目標進行MEC虛擬資源的分配并由鏈路重用策略映射到實際的物理鏈路中。子問題3，針對重用鏈路可能出現(xiàn)故障等問題導致鏈路不可用，為保重用鏈路的可靠，提出一種有效性保障策略。

2.1 路由和優(yōu)先級決策算法

通過分析光網(wǎng)絡單元和設備之間的通信交互狀態(tài)，尋找協(xié)作節(jié)點。但是這會導致網(wǎng)絡設備的活躍時長增加，造成系統(tǒng)能耗的上升。因此，利用VM層中的控制器分析交互狀態(tài)，確定協(xié)作節(jié)點，以此降低網(wǎng)絡設備的活躍時長。協(xié)作節(jié)點的決策過程為控制器采集服務提供商(service provider, SP)層發(fā)送的業(yè)務請求信息，通過路由和優(yōu)先級決策算法確定業(yè)務傳輸路徑，并為即將發(fā)送到云端的MEC業(yè)務劃分資源分配優(yōu)先級。路由和優(yōu)先級決策算法具體如表1所示。

表1 路由和優(yōu)先級決策算法Table 1 Routing and priority decision algorithms

(15)

此外，若在本地處理時延與能耗都低于由云端處理時所需大小，則加入集合GL，其中最低能量支出之和如式(16)所示：

(16)

(17)

2.2 電量驅(qū)動的信道分配策略

因為設備能量支出受信道和計算類型的影響，為降低網(wǎng)絡能量的支出，本文提出一種電量驅(qū)動的信道分配策略，具體如表2所示。

表2 電量驅(qū)動的信道分配策略Table 2 Power-driven channel allocation strategy

(18)

(19)

為增加設備處理任務后的剩余電量，需保證獲得新的信道無法使得其收集的電量增加和折損的電量減少，故加入新信道需滿足如下條件：

(20)

2.3 鏈路重用策略

2.4 有效性保障策略

表3 鏈路重用策略Table 3 Link reuse strategy

表4 有效性保障策略Table 4 Validity guarantee strategy

首先分析MEC任務的重要程度和物理鏈路的有效性，若Ri

(21)

式中：O為網(wǎng)絡處理任務的平均工作時間；A為網(wǎng)絡出現(xiàn)故障后的平均恢復時間，表示由多條鏈路構成的網(wǎng)絡拓撲的健壯性。令L為一條物理鏈路上存在的網(wǎng)絡單元數(shù)，則其有效性表達式如下：

(22)

為減少因增加額外鏈路帶來的活躍網(wǎng)絡單元數(shù)量增加，可以利用鏈路合并的方式，但是需要分析將鏈路合并的可行性Yu，其可行性表達如式(23)所示：

(23)

為優(yōu)化傳輸路徑，將鏈路的選擇看作二分圖的最大匹配問題[18]。當Ri>Rs時，將鏈路放入集合L1，反之Ri

3 仿真分析

本文采用的對比算法為文獻[12]中提出的H2R(human-to-robot)算法，文獻[19]中提出的ECO(energy-effcient computation offloading)算法，文獻[20]中提出的ERO(energy-saving algorithm based on radios off)算法以及文獻[15]中提出的VNE(virtual network embedding)算法。H2R算法與ECO算法均是通過分析網(wǎng)絡設備與終端設備之間的通信狀態(tài)決策協(xié)作節(jié)點，而兩個算法的差異在于H2R算法分配的無線資源大小為固定值，而ECO算法是權衡時延與能耗之間的關系進行資源分配。然而，兩種算法都忽視了光網(wǎng)絡單元數(shù)量對系統(tǒng)能耗的影響。ERO算法、VNE算法則是分析鏈路狀態(tài)，通過選擇較好的鏈路實現(xiàn)能耗的降低，其中前者是通過改變網(wǎng)絡拓撲結(jié)構使得部分光無線節(jié)點處于休眠，而后者設計了鏈路重用機制，將其余沒有業(yè)務嵌入的節(jié)點切換至休眠狀態(tài)，但這兩個算法都沒有分析因鏈路重用而對網(wǎng)絡造成的影響。為了解本文所提算法性能，仿真參數(shù)如表5所示[16, 19]。

表5 仿真參數(shù)Table 2 Simulation parameters

3.1 網(wǎng)絡能耗

圖2為網(wǎng)絡能耗受到負載變化影響的趨勢圖。如圖所示，網(wǎng)絡負載與能耗呈正相關，主要是由于當網(wǎng)絡負載增加后網(wǎng)絡單元處于工作狀態(tài)的數(shù)量和時間都增加，從而導致整個網(wǎng)絡的能耗支出上升。

圖2 不同MEC負責下的網(wǎng)絡能耗Fig.2 Network energy consumption under different MEC

與此同時，另外兩種算法的能耗高于本文所提ESNV算法，這是由于這兩種算法在協(xié)作節(jié)點決策過程中信息交互較頻繁，從而導致網(wǎng)絡能耗較高。而ESNV算法決策過程在VM層中的控制器里，減少了信息的交互次數(shù)。此外，H2R算法中分配資源為固定值，造成設備端的能耗無法得到優(yōu)化。而ECO算法比H2R算法能耗支出低的原因在于其在信息傳輸時增加了信道數(shù)，獲得較多的通信資源。

由于決策過程的信息交互需要MPCP(multi-point control protocol)信令，因此對MPCP信令與網(wǎng)絡能耗之間的關系進行仿真分析，結(jié)果如圖3所示。

圖3 不同MPCP信令幀持續(xù)時間下的網(wǎng)絡能耗Fig.3 Network energy consumption under different signaling frame durations of MPCP

其中H2R算法和ECO算法都呈上升趨勢是由于協(xié)作節(jié)點的決策過程信息交互次數(shù)較多，而H2R算法中由于網(wǎng)絡設備工作時間較長，導致其比另一個算法能耗高。本文所提算法由于決策過程在VM層中的控制器里，減少MPCP信令的交互次數(shù)，因此支出能耗為恒定值。

3.2 時延變化

卸載方案對時延影響如圖4所示。由圖4可知，相比其他2個算法本文提出的ESNV算法端到端時延最低，主要由于H2R算法以廣播形式獲取周圍設備的信息，然后告知被選取的設備完成任務處理，導致調(diào)度時延在端到端時延中所占比重高于其他兩種算法。由于ECO算法確定信道數(shù)量時忽視了調(diào)度時延，當加入調(diào)度時延后，由于獲得信道數(shù)量少于本文所提算法的初始值，故本文所提算法的傳輸時延較低。

重用方案對時延影響如圖5所示，ESNV算法在不同業(yè)務負載下的端到端時延最低，因為ERO算法每次狀態(tài)的改變都需要廣播給周圍設備，更改網(wǎng)絡拓撲，從而造成網(wǎng)絡中其余業(yè)務的調(diào)度時延受到影響。而VNE算法與ESNV算法由于是在控制器中進行決策，減少了實際物理網(wǎng)絡中因調(diào)度策略帶來的時延影響。此外，由于本文所提算法是以最大容忍時延為初始值，根據(jù)電量變化情況進行資源獲取，因此導致在負載較大時，由于資源獲取困難，造成傳輸時延的增加。

圖4 卸載方案對時延影響Fig.4 Effect of unloading scheme on delay

圖5 重用方案對時延影響Fig.5 Effect of reuse scenarios on delay

4 結(jié) 語

針對EIoT場景的特殊性，即網(wǎng)絡單元零散，物聯(lián)網(wǎng)設備眾多，現(xiàn)有卸載策略無法滿足在此場景下的低能耗需求，本文提出了基于網(wǎng)絡虛擬化的節(jié)能卸載策略，以電量變化為資源獲取決策條件，并通過鏈路重用策略減少了實際物理鏈路的使用，最后由有效性保障策略確保業(yè)務的可靠傳輸。仿真結(jié)果表明，ESNV算法在保證端到端時延的前提下，能有效減少網(wǎng)絡能耗開銷。

致 謝

本文中實驗方案的制定和實驗數(shù)據(jù)的測量記錄工作是在國網(wǎng)江蘇省電力有限公司的大力支持下完成的，在此向他們表示衷心的感謝。