面向物聯(lián)網(wǎng)網(wǎng)關(guān)的邊緣云優(yōu)化部署算法

曾志區(qū)

摘要：探討了針對大型基礎(chǔ)設(shè)施建設(shè)中物聯(lián)網(wǎng)網(wǎng)關(guān)的邊緣云優(yōu)化部署算法及任務(wù)調(diào)度算法。邊緣云優(yōu)化部署算法旨在智能地將計算和存儲任務(wù)從云端轉(zhuǎn)移到邊緣節(jié)點，以降低數(shù)據(jù)傳輸量和系統(tǒng)延遲。通過4個步驟管理終端設(shè)備與邊緣網(wǎng)關(guān)系統(tǒng)的通信流程，實現(xiàn)了對物聯(lián)網(wǎng)系統(tǒng)的全面監(jiān)控和管理。針對不同任務(wù)負載和時間加權(quán)系數(shù)，實驗結(jié)果顯示基于交叉熵的通訊優(yōu)化在性能上具有顯著優(yōu)勢，這些算法提升了物聯(lián)網(wǎng)系統(tǒng)效率和性能，在邊緣計算中展現(xiàn)了潛在的應(yīng)用前景。

關(guān)鍵詞：物聯(lián)網(wǎng)；邊緣計算；優(yōu)化部署算法

中圖分類號：TN915.07

文獻標(biāo)志碼：A文章編號：1001-5922（2023）12-0151-04

Edge cloud optimization deployment algorithm for IoT gateway

ZENG Zhiqu

（Guangzhou Huashang University，Experimental Teaching and Network Technology Management?Center，Guangzhou 511300，China）

Abstract：The edge cloud optimization deployment algorithm and task scheduling algorithm for IoT gateways in large-scale infrastructure construction were discussed. Edge cloud optimization deployment algorithms are designed to intelligently trasnfer compute and storage tasks from the cloud to edge nodes to reduce data transfer volumes and system latency. The communication process between the terminal device and the edge gateway system was managed in four steps to achieve comprehensive monitoring and management of the IoT system. According to different task load and time weighting coefficient，the experimental results showed that the communication optimization based on cross entropy had significant advantages in performance. Overall，these algorithms improve the efficiency and performance of IoT systems，showing potential applications in edge computing.

Key words：Internet of Things，edge computing，optimized deployment algorithm

數(shù)智校園是一個基于先進技術(shù)構(gòu)建的智慧化教育場景，其基礎(chǔ)設(shè)施包括信息協(xié)作平臺、物聯(lián)網(wǎng)技術(shù)、智能化設(shè)備等。這種校園結(jié)構(gòu)旨在提高學(xué)習(xí)和教育環(huán)境的效率、安全性和便利性。作為數(shù)智校園的核心，信息協(xié)作平臺整合了多種技術(shù)和資源，包括數(shù)據(jù)管理系統(tǒng)、在線教育資源、溝通工具等，為師生提供了便捷的學(xué)習(xí)和管理環(huán)境。在這一進程中，物聯(lián)網(wǎng)網(wǎng)關(guān)作為物理設(shè)備與云端連接的關(guān)鍵橋梁，扮演著至關(guān)重要的角色。然而，在校園環(huán)境下，網(wǎng)關(guān)設(shè)備的高效管理和任務(wù)調(diào)度尤為關(guān)鍵。特殊的校園需求促使我們著手研究，本文旨在應(yīng)對校園物聯(lián)網(wǎng)網(wǎng)關(guān)的特殊要求，提出一種邊緣云優(yōu)化部署算法。該算法旨在實現(xiàn)對網(wǎng)關(guān)設(shè)備的智能化部署和任務(wù)調(diào)度，進一步推動校園物聯(lián)網(wǎng)技術(shù)的智能化和效率化。

1算法設(shè)計

1.1邊緣云優(yōu)化部署

邊緣云優(yōu)化部署算法可視為邊緣網(wǎng)關(guān)系統(tǒng)對終端設(shè)備的智能管理策略的一部分。這種策略的有效實施包括2個主要方面：一是終端設(shè)備的接入，二是終端系統(tǒng)參數(shù)的獲取。在校園物聯(lián)網(wǎng)管理系統(tǒng)中，這個過程是對物理設(shè)備和節(jié)點進行智能化管理和控制的關(guān)鍵步驟。

（1）邊緣網(wǎng)關(guān)系統(tǒng)通過感知層掃描校園環(huán)境中的設(shè)備和節(jié)點。在校園環(huán)境中，常見的物聯(lián)網(wǎng)設(shè)備包括智能教室設(shè)備（如智能投影儀、智能白板）、學(xué)生學(xué)習(xí)設(shè)備（筆記本電腦、平板電腦）、環(huán)境監(jiān)測傳感器（溫度、濕度、空氣質(zhì)量傳感器）、安全監(jiān)控設(shè)備（監(jiān)控攝像頭）等。這些設(shè)備分布在校園各個角落，構(gòu)成了校園物聯(lián)網(wǎng)系統(tǒng)的重要組成部分。一旦新設(shè)備加入，系統(tǒng)將自動進行連接。感知層在物理訪問上扮演著重要角色，負責(zé)對每個節(jié)點信息進行組網(wǎng)控制，并將結(jié)果傳遞給解析層進行處理。這種掃描和連接的過程有助于系統(tǒng)實現(xiàn)設(shè)備的快速接入和集成。

（2）在邊緣網(wǎng)關(guān)系統(tǒng)中，各通訊模塊負責(zé)運行藍牙、WiFi、LoRa等進程，以檢測校園內(nèi)各節(jié)點的活動。當(dāng)檢測到數(shù)據(jù)時，系統(tǒng)將其收集、打包并轉(zhuǎn)發(fā)至解析層進行后續(xù)處理。而在未檢測到數(shù)據(jù)時，系統(tǒng)會循環(huán)等待，直至接收到數(shù)據(jù)為止。解析層對接收到的數(shù)據(jù)進行格式標(biāo)準(zhǔn)化。解析層將這些數(shù)據(jù)按照標(biāo)準(zhǔn)格式進行統(tǒng)一封裝，并發(fā)送至網(wǎng)絡(luò)層。網(wǎng)絡(luò)層則提供了數(shù)據(jù)對接入應(yīng)用平臺的接口。這一層包括各種廣域接入網(wǎng)絡(luò)與互聯(lián)網(wǎng)構(gòu)成的承載網(wǎng)絡(luò)。系統(tǒng)可以隨機切換選擇多種或單一的接入方式，將數(shù)據(jù)傳遞給應(yīng)用層。

（3）應(yīng)用層對網(wǎng)絡(luò)層傳遞上來的數(shù)據(jù)進行應(yīng)用分析。通過這一層的處理，系統(tǒng)能夠完成對校園物聯(lián)網(wǎng)系統(tǒng)的全面監(jiān)控和管理，實現(xiàn)智能化的任務(wù)調(diào)度和資源管理。

1.2任務(wù)調(diào)度算法

為了實現(xiàn)邊緣云優(yōu)化部署，設(shè)計了一套任務(wù)調(diào)度算法，主要考慮邊緣網(wǎng)關(guān)的計算資源消耗、能源消耗和時間消耗。算法綜合考慮任務(wù)的優(yōu)先級、計算復(fù)雜度和時效性要求，通過智能調(diào)度，旨在實現(xiàn)最優(yōu)的資源分配策略。

在任務(wù)調(diào)度的問題定義中，系統(tǒng)中存在N個邊緣節(jié)點，每個節(jié)點都具有一定的能量資源ei和計算資源ci。每個邊緣節(jié)點上都有一個計算密集型和延遲敏感的任務(wù)，任務(wù)的輸入數(shù)據(jù)大小為Bi，完成任務(wù)所需的計算資源量為Di。邊緣節(jié)點之間可以進行無線通信，可以選擇將任務(wù)卸載給鄰居節(jié)點執(zhí)行，也可以在本地執(zhí)行。整個任務(wù)調(diào)度問題旨在找到各個邊緣設(shè)備的調(diào)度策略，使得系統(tǒng)總體開銷最小。

在建模部分，引入了一個二進制數(shù)xij表示邊緣設(shè)備i的任務(wù)卸載策略，其中xij=1表示設(shè)備i將任務(wù)卸載給鄰居設(shè)備j，xij=0表示在本地執(zhí)行任務(wù)。任務(wù)調(diào)度問題的目標(biāo)是在計算資源不超過上限的約束下，找到各個邊緣設(shè)備的調(diào)度策略，使得系統(tǒng)的總開銷最小。

任務(wù)調(diào)度算法中，考慮了本地執(zhí)行和卸載執(zhí)行2種情況。本地執(zhí)行任務(wù)的時間開銷、能量開銷以及總開銷分別通過以下公式計算：

Tli=DiFli（1）

Eli=vi·Di（2）

Zli=γiT·Tli+γiE·Eli（3）

對于卸載執(zhí)行，涉及到傳輸任務(wù)到鄰居節(jié)點的時間開銷和能量開銷，以及在鄰居節(jié)點執(zhí)行任務(wù)的時間開銷和能量開銷。總體卸載執(zhí)行的開銷通過以下公式計算：

Toffi=∑jNixij·BRij+（1-xij）·Toffij（4）

Eoffi=∑jNixij·Pi·Bi（5）

Zoffi=γiT·Toffi+γiE·EiE·（6）

最終，任務(wù)調(diào)度問題的目標(biāo)是尋找一個最優(yōu)的調(diào)度策略，使得系統(tǒng)總體開銷最?。?/p>

min∑Ni=1Zli-Zoffi（7）

通過競爭更新方式，這一調(diào)度策略能夠逐次優(yōu)化各個端點的資源利用情況，而控制調(diào)度優(yōu)化算法自身的資源消耗。與此同時，算法需要滿足一系列約束條件，包括設(shè)備之間的任務(wù)卸載關(guān)系、計算資源的分配限制、機會開銷的控制等。通過優(yōu)化調(diào)度策略，系統(tǒng)能夠更加智能地利用邊緣節(jié)點的資源，實現(xiàn)邊緣云優(yōu)化部署的目標(biāo)。

1.3算法對比

為了檢驗本文所使用的調(diào)度算法的性能，將之與隨機選擇的任務(wù)調(diào)度方式進行對比，并引入另一常見預(yù)測調(diào)度優(yōu)化模型進行對比。交叉熵（Cross Entropy）是一種在信息理論和機器學(xué)習(xí)中常用的概念，用來衡量兩個概率分布之間的差異性。在機器學(xué)習(xí)中，特別是在深度學(xué)習(xí)中，交叉熵通常被用作損失函數(shù)，用來衡量模型輸出與實際標(biāo)簽之間的差異。

2仿真與驗證

選擇了Windows平臺下的Matlab2018a作為仿真軟件，以及一臺配置Intel i5-4210處理器、主頻為3.8 GHz、內(nèi)存容量為4G的計算機。

在仿真過程中，通過設(shè)置40個邊緣設(shè)備，這些設(shè)備隨機分布在一個1 000 m×1 000 m的范圍內(nèi)，以模擬校園網(wǎng)絡(luò)環(huán)境中的多節(jié)點分布情況。每個邊緣設(shè)備都能夠通過WiFi網(wǎng)絡(luò)與其周圍的鄰近節(jié)點建立連接，距離限制在150 m范圍內(nèi)，這也是網(wǎng)絡(luò)校園環(huán)境中常見的通信范圍。

對于邊緣網(wǎng)關(guān)系統(tǒng)的配置，設(shè)定了每個邊緣網(wǎng)關(guān)設(shè)備的本地計算能力為5 MI/s。每個執(zhí)行單元所需的能量消耗為0.1 J，傳輸功率為1 J/s。而在初始時刻，也就是0時刻，每個設(shè)備的剩余能量和計算資源均服從均勻分布，分別在 （0，10）U（0，10） J 和 （0，250）U（0，250） MI，這反映了校園設(shè)備可能存在的能量和資源多樣性。

在模擬實驗中，任務(wù)以10 個/s的速率隨機發(fā)送到邊緣網(wǎng)關(guān)上。這些任務(wù)的參數(shù)涵蓋了輸入數(shù)據(jù)大小為1～10 MB，計算負載為（10，100）U（10，100） MI ，時延限制為（5，10）U（5，10） s 。這些參數(shù)設(shè)置使得我們能夠模擬出在校園網(wǎng)絡(luò)環(huán)境中常見的任務(wù)類型和負載要求。

2.2不同計算負載對比檢測了計算負載為10 MI水平的情況，其結(jié)果如圖1所示。

由圖1可知，隨著任務(wù)調(diào)度的隨機選擇，時間與能量總消耗呈逐漸上升趨勢。基于交叉熵的通訊優(yōu)化顯示出相對較低的總能耗，表現(xiàn)出色。而競爭更新的通訊優(yōu)化在初始階段表現(xiàn)良好，但隨著計算負載的增加，總能耗略有上升。

調(diào)整計算負載為30 MI，其結(jié)果如圖2所示。

由圖2可知，隨機選擇任務(wù)調(diào)度所帶來的總能耗相對較高。與此相比，基于交叉熵的通訊優(yōu)化在各種情況下展現(xiàn)出最佳性能，總消耗達到最小水平。在計算負載較小的情況下，競爭更新的通訊優(yōu)化也呈現(xiàn)出相對較好的表現(xiàn)。

進一步擴大計算負載為100 MI，結(jié)果如圖3所示。

由圖3可知，隨機選擇任務(wù)調(diào)度所帶來的總能耗在計算負載較大時呈現(xiàn)明顯增長的趨勢。與此相對比，基于交叉熵的通訊優(yōu)化在各種情況下都展現(xiàn)出最佳的表現(xiàn)，總消耗一直保持在最小水平。在計算負載較小時，競爭更新的通訊優(yōu)化也展現(xiàn)出了相對較好的性能。

綜上所述，在不同計算負載下，不同的任務(wù)調(diào)度策略對能量總消耗和任務(wù)執(zhí)行時間產(chǎn)生了顯著影響?；诮徊骒氐耐ㄓ崈?yōu)化在各個計算負載水平下表現(xiàn)最佳，其總能耗始終保持在最小水平。競爭更新的通訊優(yōu)化在計算負載較小時表現(xiàn)相對良好，但隨著負載增加，其總能耗略有上升，可能受到競爭激烈程度的影響。這些結(jié)果意味著在數(shù)智校園物聯(lián)網(wǎng)環(huán)境中，對于邊緣網(wǎng)關(guān)系統(tǒng)的任務(wù)調(diào)度和通訊優(yōu)化，特別是在面對不同計算負載的情況下，采用基于交叉熵的通訊優(yōu)化算法可以帶來顯著的性能提升。這種優(yōu)化對于降低總能耗、提高系統(tǒng)效率至關(guān)重要。在校園網(wǎng)絡(luò)環(huán)境中，隨著計算負載的增加，合理且高效的通信策略以及資源調(diào)度變得更為迫切。

2.3不同時間-計算資源消耗的權(quán)重對比

上述分析中，時間消耗和計算資源消耗分別被配置為50%權(quán)重進行總體系統(tǒng)開銷計算；而這一指標(biāo)根據(jù)校園環(huán)境和物聯(lián)網(wǎng)的設(shè)備聯(lián)系而有所區(qū)別?；诖?，分別考慮時間加權(quán)系數(shù)為0.2和0.8的2種情況的數(shù)據(jù)特征，并將它們與系數(shù)為0.5的數(shù)據(jù)進行對比，使用30 MI計算負載條件。

由圖4可知，隨機選擇任務(wù)調(diào)度時，在通訊數(shù)據(jù)較小的情況下，總消耗相對較低，但在通訊數(shù)據(jù)較大時，總消耗上升。基于交叉熵的通訊優(yōu)化時，總體上在各個通訊數(shù)據(jù)大小下都相對較低，尤其在通訊數(shù)據(jù)較大時表現(xiàn)優(yōu)越。競爭更新的通訊優(yōu)化時，在通訊數(shù)據(jù)較小的情況下，總體上表現(xiàn)較好，但在通訊數(shù)據(jù)較大時表現(xiàn)略遜于基于交叉熵的通訊優(yōu)化。

由圖5可知，隨機選擇任務(wù)調(diào)度時，在通訊數(shù)據(jù)較小的情況下總體消耗相對較低，但在通訊數(shù)據(jù)較大時總體上升?；诮徊骒氐耐ㄓ崈?yōu)化時，總體上在各個通訊數(shù)據(jù)大小下都相對較低，且在通訊數(shù)據(jù)較大時優(yōu)勢更為顯著。競爭更新的通訊優(yōu)化時，在通訊數(shù)據(jù)較小的情況下總體上表現(xiàn)較好，但在通訊數(shù)據(jù)較大時略遜于基于交叉熵的通訊優(yōu)化。

對比而言，時間加權(quán)系數(shù)為0.5的情況下，隨機選擇任務(wù)調(diào)度時，總體上在各個通訊數(shù)據(jù)大小下都表現(xiàn)中等?；诮徊骒氐耐ㄓ崈?yōu)化時，在通訊數(shù)據(jù)較大時表現(xiàn)較好，整體上優(yōu)于隨機選擇任務(wù)調(diào)度。競爭更新的通訊優(yōu)化時，在通訊數(shù)據(jù)較大時表現(xiàn)較好，整體上也優(yōu)于隨機選擇任務(wù)調(diào)度。

3結(jié)語

這一算法通過感知、解析、網(wǎng)絡(luò)和應(yīng)用4個步驟管理終端設(shè)備與邊緣網(wǎng)關(guān)系統(tǒng)的通信流程，實現(xiàn)了對物聯(lián)網(wǎng)系統(tǒng)的全面監(jiān)控和管理。在仿真環(huán)境中，對算法進行了驗證和對比實驗，結(jié)果表明基于交叉熵的通訊優(yōu)化在不同計算負載和時間加權(quán)系數(shù)下表現(xiàn)出顯著的優(yōu)勢。總體而言，這項算法為提升物聯(lián)網(wǎng)系統(tǒng)的效率和性能提供了強有力的支持，并展現(xiàn)了在邊緣計算中的潛力。

【參考文獻】

[1]常海利，張輝，吳正中，等.基于智能控制一體機的邊緣云設(shè)計與實現(xiàn).都市快軌交通，2023，36（5）：16-23.

[2]裴翠，范貴生，虞慧群，等.基于拍賣的邊緣云期限感知任務(wù)卸載策略.計算機科學(xué)，2023，50（4）：241-248.

[3]蔡星娟，郭彥亨，趙天浩，等.基于進化多任務(wù)的邊緣計算服務(wù)部署和任務(wù)卸載.計算機工程，2023，49（7）：1-9.

[4]粟圣森.基于物聯(lián)網(wǎng)技術(shù)的病媒生物智能監(jiān)控實現(xiàn).粘接，2021，47（9）：87-90.

[5]陳嘉亮，王豐，張瀟.移動邊緣計算網(wǎng)絡(luò)下的服務(wù)功能鏈部署優(yōu)化設(shè)計.計算機應(yīng)用研究，2022，39（10）：3108-3113.

[6]楊錚，賀驍武，吳家行，等.面向?qū)崟r視頻流分析的邊緣計算技術(shù).中國科學(xué)：信息科學(xué)，2022，52（1）：1-53.

[7]喬文欣，盧昱，劉益岑，等.空天地協(xié)同的邊緣云服務(wù)功能鏈動態(tài)編排方法.西安電子科技大學(xué)學(xué)報，2022，49（2）：79-88.

[8]查滿霞，祝永晉，朱霖，等.面向?qū)崟r流數(shù)據(jù)處理的邊緣計算資源調(diào)度算法.計算機應(yīng)用，2021，41（S1）：142-148.

[9]錢甜甜，張帆.基于分布式邊緣計算的情緒識別系統(tǒng).計算機科學(xué)，2021，48（S1）：638-643.

[10]張展，張憲琦，左德承，等.面向邊緣計算的目標(biāo)追蹤應(yīng)用部署策略研究.軟件學(xué)報，2020，31（9）：2691-2708.

[11]郭煜.移動邊緣計算中帶有緩存機制的任務(wù)卸載策略.計算機應(yīng)用與軟件，2019，36（6）：114-119.

[12]房悅.基于云計算與物聯(lián)網(wǎng)技術(shù)的數(shù)據(jù)挖掘分析.粘接，2021，45（1）：163-166.