差異化服務(wù)質(zhì)量性能驅(qū)動的5G配電網(wǎng)邊緣計算優(yōu)化方法

王翌雪，高雪蓮，湯億則，章毅，王彥波

（1．華北電力大學(xué)電氣與電子工程學(xué)院，北京市 昌平區(qū) 102206；2．國網(wǎng)浙江省電力有限公司信息通信分公司，浙江省 杭州市 310007）

0 引言

隨著高比例新能源廣泛接入，以及分布式電源和儲能裝置的大規(guī)模并網(wǎng)[1-4]，配電網(wǎng)呈現(xiàn)主動性和有源性等特點，其拓?fù)浣Y(jié)構(gòu)從單電源輻射狀向多分段多聯(lián)絡(luò)的環(huán)網(wǎng)結(jié)構(gòu)轉(zhuǎn)變[5]。為保障分布式能源大規(guī)模并網(wǎng)下源網(wǎng)荷儲的協(xié)同互動與供需平衡，需要全方位對配電網(wǎng)運行狀態(tài)、設(shè)備狀態(tài)等信息進行實時監(jiān)測和預(yù)警，導(dǎo)致電力數(shù)據(jù)采集與信息交互頻次需求大幅增加，催生出分布式能源調(diào)控、負(fù)荷需求側(cè)管理、設(shè)備站視頻監(jiān)測、用電信息采集等多種業(yè)務(wù)，對配電網(wǎng)通信時延、能效等指標(biāo)提出更高要求。5G憑借大帶寬、低時延、廣連接優(yōu)勢[6-7]，高效賦能配電網(wǎng)電力信息雙向交互。此外，5G融合邊緣計算，通過將“云”的計算和存儲能力下沉至網(wǎng)絡(luò)邊緣[8]，在更靠近設(shè)備的數(shù)據(jù)源頭提供數(shù)據(jù)處理、分析和存儲服務(wù)，有效支撐配電網(wǎng)多業(yè)務(wù)的實時處理[9-10]。

考慮到配電網(wǎng)傳感設(shè)備計算、能量資源有限，任務(wù)卸載優(yōu)化成為5G配電網(wǎng)邊緣計算中的關(guān)鍵問題[11]。根據(jù)網(wǎng)絡(luò)狀態(tài)、邊緣服務(wù)器負(fù)載、可用資源等信息，設(shè)備將任務(wù)卸載到邊緣服務(wù)器進行處理[12]，降低設(shè)備傳輸能耗和數(shù)據(jù)處理時延，保障通信、計算、能量資源的高效利用，滿足5G配電網(wǎng)多業(yè)務(wù)在能效、時延等方面的差異化服務(wù)質(zhì)量（quality of service, QoS）需求。然而，面向5G配電網(wǎng)多業(yè)務(wù)邊緣計算的任務(wù)卸載優(yōu)化仍然面臨著如下挑戰(zhàn)。

1）多設(shè)備決策耦合：由于海量設(shè)備的大規(guī)模接入，5G配電網(wǎng)邊緣計算任務(wù)卸載優(yōu)化面臨多設(shè)備決策耦合難題，即當(dāng)多個設(shè)備同時選擇一個邊緣服務(wù)器進行任務(wù)卸載時，邊緣服務(wù)器計算能力有限，因此各設(shè)備的任務(wù)卸載性能受到其他設(shè)備的影響。

2）多QoS性能指標(biāo)耦合：配電網(wǎng)多業(yè)務(wù)在時延、能耗、吞吐量等QoS性能指標(biāo)方面具有差異化需求。然而，多QoS性能指標(biāo)間存在耦合性和矛盾性，例如，增加傳輸功率將減小傳輸時延，但會導(dǎo)致傳輸能耗增加。

3）長期約束和短期決策耦合：針對配電網(wǎng)業(yè)務(wù)差異化QoS需求所考慮的長期能效、時延等約束與短期的任務(wù)卸載決策相耦合。由于缺乏未來的信道狀態(tài)、服務(wù)器可用資源等信息，短期任務(wù)卸載決策的優(yōu)化無法保障長期約束的滿足。

匹配理論通過在具有偏好的兩側(cè)之間建立穩(wěn)定的匹配關(guān)系，為面向5G配電網(wǎng)邊緣計算的任務(wù)卸載優(yōu)化提供了有效的解決方案。文獻[13]提出了基于一對一匹配的車輛霧計算任務(wù)分配機制，以最小化時延為目標(biāo)，實現(xiàn)設(shè)備與車輛霧服務(wù)器之間的穩(wěn)定匹配。然而，文獻[13]聚焦一對一匹配，未考慮配電網(wǎng)傳感設(shè)備與邊緣服務(wù)器多對一匹配導(dǎo)致的多設(shè)備決策耦合特性。文獻[14]在穩(wěn)定資源分配基礎(chǔ)上利用改進轉(zhuǎn)移匹配算法實現(xiàn)穩(wěn)定的多對一轉(zhuǎn)移匹配資源復(fù)用，降低網(wǎng)絡(luò)時延。上述文獻只考慮了單一的時延或能耗性能，未考慮多QoS性能指標(biāo)的耦合，無法實現(xiàn)5G配電網(wǎng)多業(yè)務(wù)差異化QoS保障。

Lyapunov優(yōu)化將通信系統(tǒng)隨機網(wǎng)絡(luò)描述為隊列集合，通過分析信道狀態(tài)、節(jié)點動作等網(wǎng)絡(luò)特征對隊列狀態(tài)的影響，將隨機優(yōu)化問題轉(zhuǎn)化為隊列穩(wěn)定性的控制問題，可有效解決長期約束與短期決策的耦合。文獻[15]運用Lyapunov優(yōu)化理論設(shè)計了一種邊緣計算下基于隊列狀態(tài)的實時帶寬與計算資源分配算法，最小化系統(tǒng)開銷。然而，該文獻未考慮多QoS性能指標(biāo)的耦合。

針對上述挑戰(zhàn)，本文提出了基于差異化QoS性能驅(qū)動的5G配電網(wǎng)邊緣計算優(yōu)化方法。首先，構(gòu)建差異化QoS優(yōu)化問題；其次，利用Lyapunov優(yōu)化理論將長期隨機優(yōu)化問題解耦為單時隙確定性優(yōu)化問題；最后，通過配額升價匹配實現(xiàn)設(shè)備與服務(wù)器間的多對一穩(wěn)定匹配。仿真結(jié)果驗證了所提算法在能效與時延差、業(yè)務(wù)優(yōu)先級感知等方面的性能優(yōu)勢。本文的主要創(chuàng)新點如下。

1）差異化QoS性能保障：針對能效敏感型業(yè)務(wù)與時延敏感型業(yè)務(wù)分別構(gòu)建能效優(yōu)化問題和時延優(yōu)化問題，利用QoS性能偏差進行業(yè)務(wù)類型判定，并構(gòu)建相應(yīng)的匹配偏好列表，實現(xiàn)差異化QoS性能需求保障。

2）設(shè)備與服務(wù)器的穩(wěn)定匹配：通過在偏好列表中增加匹配價格并基于業(yè)務(wù)優(yōu)先級進行升價迭代，解決多設(shè)備競爭同一服務(wù)器導(dǎo)致的任務(wù)卸載沖突，實現(xiàn)不同業(yè)務(wù)優(yōu)先級傳感設(shè)備與服務(wù)器之間的多對一穩(wěn)定匹配。

1 系統(tǒng)模型

1.1 系統(tǒng)結(jié)構(gòu)

本文考慮的5G配電網(wǎng)邊緣計算場景如圖1所示，主要包括三部分：5G基站、邊緣服務(wù)器、配電網(wǎng)傳感設(shè)備[16]。其中，5G基站為配電網(wǎng)傳感設(shè)備提供網(wǎng)絡(luò)覆蓋；邊緣服務(wù)器部署在5G基站附近，具備強大的計算能力和豐富的存儲資源，其集合表示為S={s1,…sj,…,sJ}。配電網(wǎng)傳感設(shè)備通過5G基站將任務(wù)數(shù)據(jù)卸載到邊緣服務(wù)器進行處理，以降低數(shù)據(jù)處理時延和本地計算能耗，其集合表示為M={m1,…mi,…,mI}。

圖1 5G配電網(wǎng)邊緣計算場景Fig. 1 5G distribution network edge computing scene

將任務(wù)卸載優(yōu)化時間劃分為等長的T個時隙，其集合為T={1,…t,…,T}，并假設(shè)信道狀態(tài)等信息在單時隙內(nèi)恒定，在時隙間動態(tài)變化[17]。基于時隙構(gòu)建數(shù)據(jù)傳輸與數(shù)據(jù)處理模型。

1.2 數(shù)據(jù)傳輸與數(shù)據(jù)處理模型

定義ai,j(t)為傳感設(shè)備的任務(wù)卸載決策變量，ai,j(t)=1表示設(shè)備mi在第t時隙選擇服務(wù)器sj進行任務(wù)卸載，否則，ai,j(t)=0。根據(jù)香農(nóng)定理[18]，在第t時隙，mi將數(shù)據(jù)傳輸至sj的傳輸速率可表示為

式中：B表示信道帶寬；γi,j(t)表示第t時隙mi與sj之間信道的信噪比，由下式給出：

式中：pi表示mi的傳輸功率；gi,j(t)表示信道增益；σ2表示噪聲功率。

邊緣服務(wù)器通過平均分配計算資源，并行處理多個配電網(wǎng)傳感設(shè)備的數(shù)據(jù)計算任務(wù)。服務(wù)器sj分配給設(shè)備mi的計算資源表示為

式中：φi,j(t)表示第t時隙sj可用的計算資源；配額ρj表示邊緣服務(wù)器最大可服務(wù)的設(shè)備數(shù)。

1.3 任務(wù)卸載時延模型

配電網(wǎng)傳感設(shè)備將數(shù)據(jù)卸載到服務(wù)器處理的總時延包括兩部分：數(shù)據(jù)傳輸時延和數(shù)據(jù)處理時延。mi將任務(wù)卸載到sj的數(shù)據(jù)傳輸時延表示為

式中：Di(t)表示mi在第t時隙卸載的任務(wù)數(shù)據(jù)量。

mi任務(wù)數(shù)據(jù)在sj上的處理時延為

式中：λi表示設(shè)備mi任務(wù)數(shù)據(jù)的計算復(fù)雜度。因此，mi將任務(wù)卸載到sj的總時延表示為

為了統(tǒng)一QoS指標(biāo)的數(shù)量級，對總時延進行歸一化處理，即

式中：Lmax和Lmin分別為總時延的上界和下界。設(shè)備mi的歸一化總時延為

1.4 設(shè)備傳輸能效模型

由于部分傳感設(shè)備采用電池供電，電池能量有限，需要通過提高任務(wù)卸載能效延長設(shè)備生命周期。設(shè)備mi將任務(wù)卸載到sj的數(shù)據(jù)傳輸能耗表示為

定義傳輸能效（bit/(J·Hz)）為單位帶寬、單位能量下可卸載至邊緣服務(wù)器的任務(wù)數(shù)據(jù)量[19]，表示為

為了統(tǒng)一QoS指標(biāo)的數(shù)量級，對傳輸能效進行歸一化處理，即

式中：ξmax和ξmin分別是傳輸能效的上界和下界。設(shè)備mi的歸一化傳輸能效為

1.5 問題建模

面向配電網(wǎng)多業(yè)務(wù)差異化QoS保障需求，本文同時考慮能效敏感型業(yè)務(wù)和時延敏感型業(yè)務(wù)，并構(gòu)建相應(yīng)的能效優(yōu)化問題和時延優(yōu)化問題，通過優(yōu)化配電網(wǎng)傳感設(shè)備任務(wù)卸載策略進行求解。

1.5.1 能效敏感型業(yè)務(wù)

面向配電網(wǎng)能效敏感型業(yè)務(wù)的優(yōu)化目標(biāo)為最大化設(shè)備能效，以此為基礎(chǔ)構(gòu)建能效優(yōu)化問題P1-1為

1.5.2 時延敏感型業(yè)務(wù)

面向配電網(wǎng)時延敏感型業(yè)務(wù)的優(yōu)化目標(biāo)為最小化任務(wù)卸載總時延，以此為基礎(chǔ)構(gòu)建時延優(yōu)化問題P1-2為

2 基于差異化QoS驅(qū)動與配額升價匹配的任務(wù)卸載算法

2.1 問題轉(zhuǎn)化

由于長期約束C3、C4與短期任務(wù)決策相耦合，P1-1和P1-2難以直接求解。本文采用Lyapunov優(yōu)化方法，將長期隨機優(yōu)化問題P1-1和P1-2轉(zhuǎn)化為單時隙確定性問題進行求解，具體轉(zhuǎn)化過程如下。

基于虛擬隊列[20]，將長期約束轉(zhuǎn)化為虛擬隊列穩(wěn)定性約束。針對長期設(shè)備傳輸能效約束C3，構(gòu)建能效虛擬隊列為

針對長期任務(wù)卸載總時延約束C4，構(gòu)建總時延虛擬隊列為

式中：Yi(t)表示當(dāng)前能效與能效約束的偏差；Zi(t)表示當(dāng)前總時延與時延約束的偏差。當(dāng)Yi(t)和Zi(t)平均速率穩(wěn)定時，C3和C4自動滿足[21]。

針對長期隨機優(yōu)化問題P1-1，基于Lyapunov優(yōu)化理論[22]，設(shè)為虛擬隊列Yi(t)的向量，并定義Lyapunov函數(shù)為

由于P1-1為能效最大化問題，定義漂移減獎勵函數(shù)為

式中：? 為不影響優(yōu)化的常數(shù)項。因此問題P1-1可轉(zhuǎn)化為在每個時隙最小化的上界，即

同理，問題P1-2可以轉(zhuǎn)化為單時隙確定性問題：

2.2 差異化QoS驅(qū)動的匹配偏好列表構(gòu)建

考慮到多設(shè)備決策耦合導(dǎo)致的高計算復(fù)雜度，可將轉(zhuǎn)化后的問題P2-1和P2-2建模為設(shè)備與服務(wù)器間的多對一配額匹配問題Φ={M,S,φt,Li(t)}進行求解。其中，φt為第t時隙設(shè)備與服務(wù)器的匹配關(guān)系；Li(t)為設(shè)備mi在第t時隙建立的對服務(wù)器的偏好列表，基于偏好列表對服務(wù)器提出匹配請求，最終實現(xiàn)設(shè)備與服務(wù)器間的穩(wěn)定匹配。

定義第t時隙設(shè)備與服務(wù)器的多對一配額匹配關(guān)系φt為M∪S與自身之間的映射關(guān)系。在第t時隙，且；，φt(sj)∈M且。當(dāng)sj=φt(mi)且mi∈φt(sj)時，表示設(shè)備mi與服務(wù)器sj在第t時隙建立穩(wěn)定匹配，即ai,j(t)= 1。

為適配配電網(wǎng)多業(yè)務(wù)差異化QoS保障需求，提出差異化QoS驅(qū)動的業(yè)務(wù)類型判定方法。分別計算設(shè)備mi的傳輸能效虛擬隊列積壓和任務(wù)卸載總時延虛擬隊列積壓與對應(yīng)閾值的比值，即

如果αi(t)≥βi(t)，則判定mi運行能效敏感型業(yè)務(wù)；否則，判定mi運行時延敏感型業(yè)務(wù)。

針對能效敏感型業(yè)務(wù)，基于mi選擇sj進行任務(wù)卸載的傳輸能效定義mi對sj的偏好值，表示為

針對時延敏感型業(yè)務(wù)，基于mi選擇sj進行任務(wù)卸載的任務(wù)卸載總時延定義mi對sj的偏好值，表示為

式中：κi,j(t)為mi選擇sj進行匹配的匹配成本。將mi對服務(wù)器的偏好值按降序排列，獲得mi的偏好列表，表示為

式中：sj?misj*表示mi相對sj*更偏好sj，即mi對sj的偏好值大于mi對sj*的偏好值，表示為

設(shè)備根據(jù)偏好列表向排名第一的邊緣服務(wù)器提出匹配請求。由于邊緣服務(wù)器配額有限，當(dāng)選擇同一邊緣服務(wù)器的設(shè)備超過其配額時，可通過升價，即提高匹配成本，解決多設(shè)備間的選擇沖突問題。sj的升價過程表示為

式中：ηi表示mi所提供業(yè)務(wù)的優(yōu)先級；NΔ 表示匹配價格增長步長，為一個定值。由式（29）可知，當(dāng)mi所提供業(yè)務(wù)的優(yōu)先級ηi越大或當(dāng)前QoS偏差百分比max(αi(t),βi(t))越大時，式（ 29）等號右側(cè)第2項的值越小，即mi與sj進行匹配的匹配價格相對其他設(shè)備的增長越慢，從而更容易與性能較好的邊緣服務(wù)器進行匹配。設(shè)備根據(jù)升價后的匹配成本重新計算對服務(wù)器的偏好值，更新偏好列表并重新提出請求。

2.3 基于差異化QoS驅(qū)動與配額升價匹配的任務(wù)卸載算法流程

本文提出的基于差異化QoS驅(qū)動與配額升價匹配的任務(wù)卸載算法具體實施流程如下。第一階段：初始化。

初始化φt=?，?=?，Ni,j(t)= 0，?mi∈M，

?sj∈S,?t∈T。第二階段：構(gòu)建差異化QoS偏好列表。

設(shè)備mi根據(jù)式（23）和（24）分別計算αi(t)和βi(t)，并進行當(dāng)前時隙業(yè)務(wù)類型判定。

mi根據(jù)式（2 5）（αi(t)≥βi(t)）或式（2 6）（αi(t)＜βi(t)）計算對sj,?sj∈S的偏好值，根據(jù)式（27）建立偏好列表Li(t)。

第三階段：迭代匹配。

?φi(mi)=?時，迭代執(zhí)行如下步驟：

首先，mi,?mi∈M向偏好列表中排名第一的邊緣服務(wù)器提出匹配申請。

其次，若服務(wù)器sj收到的匹配請求總數(shù)小于等于配額ρj，則sj直接與這些設(shè)備匹配。否則將sj加入集合?。若集合?不為空，則進行如下步驟：

1）sj∈?根據(jù)式（29）提升匹配成本κi,j(t)；

2）向sj提出匹配請求的所有設(shè)備根據(jù)式（ 25）（αi(t)≥βi(t)）或式（ 26）（αi(t)＜βi(t)）更新對sj的偏好值，并重新建立偏好列表，再次向排名第一的服務(wù)器提出匹配申請；

3）重復(fù)升價過程直到sj收到的匹配申請小于等于配額ρj，sj與這些設(shè)備匹配并將sj移出?。

最后，未匹配成功的設(shè)備mi將已完成匹配的sj移出Li(t) ，并繼續(xù)向剩余服務(wù)器提出匹配請求，直到所有設(shè)備成功與服務(wù)器匹配?；谄ヅ浣Y(jié)果，設(shè)備將任務(wù)卸載到相應(yīng)的服務(wù)器進行數(shù)據(jù)處理，根據(jù)式（15）和（16）更新Yi(t+ 1)和Zi(t+ 1)，并進入下一個時隙。

當(dāng)t≠T時，迭代執(zhí)行第二階段和第三階段。當(dāng)t=T時，結(jié)束任務(wù)卸載優(yōu)化過程。

基于差異化QoS驅(qū)動與配額升價匹配的任務(wù)卸載算法整體流程如圖2所示。

圖2 基于差異化QoS驅(qū)動與配額升價匹配的任務(wù)卸載算法流程Fig. 2 Procedure of task offloading algorithm based on differentiated QoS driven and quota price matching

3 算法仿真

3.1 基本參數(shù)與對比算法

本文考慮包含能效敏感型業(yè)務(wù)和時延敏感型業(yè)務(wù)的5G配電網(wǎng)邊緣計算場景，通過大量仿真驗證所提算法的有效性。在考慮的場景中，設(shè)備數(shù)量取值范圍為[60，120]，服務(wù)器數(shù)量取值范圍為[6，15]，每個服務(wù)器的配額取值范圍為[10，20]。時隙數(shù)量設(shè)置為100，每個時隙產(chǎn)生的數(shù)據(jù)包大小在[1.5，2.0]Mbits之間波動，每個服務(wù)器的計算資源取值范圍為[1，4]×1010cycle/s。其余仿真參數(shù)設(shè)置如表1所示[23]。

表1 仿真參數(shù)設(shè)置Table 1 Simulation parameter settings

本文采用2種現(xiàn)有算法與所提算法進行性能比較。第1種算法是文獻[24]提出的基于分布式匹配的高能效任務(wù)卸載算法（a distributed matching-based highenergy-efficiency task offloading algorithm, HETO）；

第2種算法是文獻[25]提出的基于升價匹配的低時延任務(wù)卸載算法（a price matching-based low-delay task offloading algorithm, LDTO）。HETO只考慮能效性能優(yōu)化，LDTO只考慮時延性能優(yōu)化，2種算法均無法根據(jù)隊列偏差進行差異化QoS性能指標(biāo)優(yōu)化的切換。為了比較3種算法的綜合性能，本文將能效與時延差χ(t)作為評判指標(biāo)[26]，即。

3.2 仿真分析

圖3表示歸一化能效與時延差隨時隙的變化情況，仿真結(jié)果表明，當(dāng)t=100時，所提算法在能效與時延差性能上分別比HETO和LDTO提高了83.43%和67.39%。原因在于所提算法同時考慮了能效和時延虛擬隊列與對應(yīng)閾值的偏差，可以根據(jù)偏差大小進行性能指標(biāo)優(yōu)化的動態(tài)切換，同時降低能效與時延虛擬隊列積壓，實現(xiàn)能效和時延的聯(lián)合優(yōu)化。

圖3 歸一化能效與時延差隨時隙的變化情況（I=80，J=9，ρj=10）Fig. 3 Normalized difference between energy efficiency and delay versus time slot (I=80, J=9, ρj=10)

圖4表示歸一化能效與時延差隨配額的變化情況。仿真結(jié)果表明，隨著配額的增大，能效與時延差性能先增高后降低，并在配額等于14時達到最大，所提算法相比于HETO和LDTO性能分別提高76.19%和51.02%。隨著配額的增大，更多的傳感設(shè)備可以接入通信質(zhì)量較好的服務(wù)器。但是，當(dāng)配額進一步增大時，服務(wù)器分配的計算資源減少，數(shù)據(jù)處理時延增大，能效與時延差性能下降。

圖4 歸一化能效與時延差隨配額的變化情況（I=80，J=9）Fig. 4 Normalized difference between energy efficiency and delay versus quota（I=80，J=9）

圖5表示歸一化能效與時延差隨業(yè)務(wù)優(yōu)先級的變化情況。仿真結(jié)果表明，優(yōu)先級為0.5的業(yè)務(wù)的歸一化能效與時延差比優(yōu)先級為0.1的業(yè)務(wù)提高了34.89%。這是因為所提算法考慮了業(yè)務(wù)優(yōu)先級感知，優(yōu)先級更高的業(yè)務(wù)可以優(yōu)先匹配服務(wù)質(zhì)量更好的服務(wù)器。HETO和LDTO忽略了業(yè)務(wù)優(yōu)先級感知，能效與時延差沒有明顯差異。

圖5 歸一化能效與時延差隨業(yè)務(wù)優(yōu)先級的變化情況（I=80，J=9，ρj=10）Fig. 5 Normalized difference between energy efficiency and delay versus business priority (I=80, J=9, ρj=10)

圖6表示所提算法的歸一化能效與時延差隨不同設(shè)備數(shù)以及不同服務(wù)器數(shù)的變化情況。仿真結(jié)果表明，當(dāng)服務(wù)器數(shù)量為9且設(shè)備數(shù)量從60增加到120時，能效與時延差性能降低30.43%；當(dāng)設(shè)備數(shù)量為80且服務(wù)器數(shù)量從6增加到15時，能效與時延差性能提高59.53%。這是因為，隨著設(shè)備數(shù)量的增加，更多設(shè)備無法匹配服務(wù)質(zhì)量較好的服務(wù)器，導(dǎo)致能效與時延差下降；隨著服務(wù)器數(shù)量的增加，服務(wù)質(zhì)量好的服務(wù)器數(shù)量增多，能效與時延差提升。

圖6 歸一化能效與時延差隨設(shè)備數(shù)和服務(wù)器數(shù)的變化情況（ρj=10）Fig. 6 Normalized difference between energy efficiency and delay versus number of devices and servers (ρj=10)

圖7表示能效與時延隨配額的變化情況。仿真結(jié)果表明，當(dāng)配額從10增加到20時，能效提升6.28%；時延先減小后增大，在配額為14時達到最低。這是因為隨著配額的增加，更多設(shè)備可以匹配服務(wù)質(zhì)量好的服務(wù)器，因此能效呈上升趨勢，時延呈下降趨勢；隨著配額進一步增大，服務(wù)器分配的計算資源減少，數(shù)據(jù)處理時延增大，導(dǎo)致整體時延性能降低。

圖7 能效與時延隨配額的變化情況（I=80，J=9）Fig. 7 Energy efficiency and delay versus quota (I=80, J=9)

表2表示歸一化能效與時延差性能隨邊緣服務(wù)器計算資源波動的變化情況。從表中可以看出，當(dāng)計算資源從1×1010cycles/s增加到4×1010cycles/s時，所提算法能效與時延差性能增加22.54%，HETO和LDTO分別增加12.82%和14.58%。所提算法具有更大的增幅。這是因為，隨著計算資源的增加，每個設(shè)備分配到的計算資源增大，數(shù)據(jù)處理時延下降，時延隊列偏差減少，所提算法傾向于優(yōu)化能效性能，導(dǎo)致能效與時延差性能總體增幅更大。

表2 歸一化能效與時延差隨計算資源的變化（I=80，J=9，ρj=10）Table 2 Energy efficiency and delay performance change with computing resources under different algorithms (I=80, J=9, ρj=10)

4 結(jié)論

本文針對5G配電網(wǎng)多業(yè)務(wù)邊緣計算差異化QoS需求保障難題，提出了基于差異化QoS性能驅(qū)動與配額升價匹配的任務(wù)卸載優(yōu)化算法，利用QoS性能偏差判斷業(yè)務(wù)類型，通過升價迭代匹配實現(xiàn)不同業(yè)務(wù)優(yōu)先級傳感設(shè)備與服務(wù)器之間的多對一穩(wěn)定匹配。仿真結(jié)果表明，所提算法相較于HETO和LDTO實現(xiàn)了不同時隙、不同配額、不同業(yè)務(wù)優(yōu)先級下歸一化能效與時延差性能的大幅度提升。當(dāng)t=100時，所提算法在歸一化能效與時延差性能上分別比HETO和LDTO提高了83.43%和67.39%；當(dāng)配額等于14時，所提算法相比于HETO和LDTO性能分別提高76.19%和51.02%；所提算法還可以根據(jù)不同業(yè)務(wù)優(yōu)先級進行針對性的任務(wù)卸載優(yōu)化，優(yōu)先級為0.5的業(yè)務(wù)性能比優(yōu)先級為0.1的業(yè)務(wù)提高了34.89%。此外，針對設(shè)備數(shù)量、服務(wù)器數(shù)量以及計算資源對歸一化能效與時延差性能的影響進行了進一步的仿真分析，為所提算法的實際應(yīng)用提供理論指導(dǎo)。

未來，為進一步提高任務(wù)卸載資源利用率，還需針對面向5G配電網(wǎng)多業(yè)務(wù)邊緣計算的計算資源分配優(yōu)化進行深入研究。