基于負載預(yù)測的多目標優(yōu)化任務(wù)卸載策略

彭世明，林士飏，賈碩，楊苗會

（山東理工大學交通與車輛工程學院，山東 淄博 255000）

0 引言

車聯(lián)網(wǎng)（IoV）作為物聯(lián)網(wǎng)技術(shù)的一種具體應(yīng)用，集成了人工智能、5G 以及大數(shù)據(jù)等前沿技術(shù)，是未來智能交通系統(tǒng)的重要組成部分［1-2］。車輛借助其裝備的車載電腦及通信技術(shù)，獲得更準確、全面的交通信息，實現(xiàn)智能導(dǎo)航、無人駕駛、安全預(yù)警等功能［3-4］。隨著智能交通系統(tǒng)的升級，車輛對網(wǎng)絡(luò)質(zhì)量、時延等要求越來越高。車輛裝備的車載電腦難以高效且及時地處理任務(wù)，因此解決車輛計算能力受限問題已刻不容緩［5］。移動邊緣計算（MEC）的出現(xiàn)為汽車行業(yè)打破現(xiàn)有技術(shù)瓶頸［6］。MEC 服務(wù)器通常部署在距離車輛較近的位置，將車輛的計算任務(wù)卸載到邊緣網(wǎng)絡(luò)［7-8］，從而拓展車輛的計算能力。因此，在車聯(lián)網(wǎng)中基于MEC 設(shè)計有效的計算卸載方案，實現(xiàn)資源的優(yōu)化分配是值得研究的問題。

低時延對于智能交通系統(tǒng)而言至關(guān)重要，直接決定了無人駕駛、安全預(yù)警等功能能否實現(xiàn)應(yīng)用。邊緣計算任務(wù)卸載策略以時延作為性能評估的重要指標。

LIU 等［9］以最小化時延為目標，提出一種基于馬爾可夫鏈決策的任務(wù)卸載策略，分析卸載策略的時延及能耗，尋找最優(yōu)計算卸載策略。SONG 等［10］提出一種定期分發(fā)傳入任務(wù)的有效方法，該分配策略在滿足任務(wù)時延及服務(wù)質(zhì)量要求的基礎(chǔ)上增加了邊緣計算網(wǎng)絡(luò)的任務(wù)處理數(shù)量。與基準方案相比，該方法在時延、邊緣網(wǎng)絡(luò)承載的任務(wù)數(shù)量及負載均衡方面都有更優(yōu)的表現(xiàn)。REN 等［11］在MEC 系統(tǒng)中提出最優(yōu)聯(lián)合通信與計算資源分配算法，首先推導(dǎo)本地與MEC 服務(wù)器的最小系統(tǒng)延遲與最優(yōu)資源分配模型，然后提出一種針對部分卸載的分段凸優(yōu)化方法，該方法與先前的研究相結(jié)合，使用次梯度優(yōu)化方法解決執(zhí)行延遲問題。ZHANG 等［12］在基于分層云的車輛邊緣計算卸載框架內(nèi)對 MEC 服務(wù)器計算資源受限問題進行研究，采用 Stackelberg 博弈論方法制定最優(yōu)多級卸載方案，該方案可以有效地降低網(wǎng)絡(luò)延遲，并且在滿足任務(wù)延遲限制的同時，最大化系統(tǒng)的收益。SALEEM 等［13］提出一種支持部分計算卸載的MEC 框架，考慮所需的能量消耗、部分卸載和資源分配約束，將總時延最小化制定為混合整數(shù)非線性規(guī)劃問題，提出一種聯(lián)合部分卸載和資源分配方案，該方案在降低時延的同時限制了用戶設(shè)備的本地能耗。

上述研究以時延為重要性能評估指標制定任務(wù)卸載策略，但是任務(wù)分配不均衡可能會使某些服務(wù)器負載過高，從而造成服務(wù)器資源浪費和服務(wù)質(zhì)量下降［14］。ZHANG 等［15］提出一種基于軟件定義網(wǎng)絡(luò)（SDN）的任務(wù)卸載框架，基于該框架設(shè)計負載均衡任務(wù)卸載方案，得到任務(wù)時延最小化的任務(wù)卸載策略。YAO 等［16］將任務(wù)卸載問題轉(zhuǎn)化為整數(shù)線性規(guī)劃問題，通過改進的遺傳算法（GA）搜索最優(yōu)解，在負載均衡的條件下降低任務(wù)時延。DAI 等［17］在車輛邊緣計算網(wǎng)絡(luò)中將負載均衡與卸載相結(jié)合，聯(lián)合優(yōu)化選擇決策、卸載率和計算資源提出一種低復(fù)雜度算法，該算法在優(yōu)化時延與負載均衡的同時具有快速收斂性。LUO 等［18］在基于邊緣計算的5G 車載自組織網(wǎng)絡(luò)中，將內(nèi)容預(yù)取至路側(cè)設(shè)施和車輛單元，采用基于圖論的方法解決資源分配問題，最終通過一種平衡貪婪算法實現(xiàn)負載均衡。林峰等［19］在蜂窩車聯(lián)網(wǎng)與MEC 融合應(yīng)用場景中提出動態(tài)負載均衡算法，該方法充分考慮邊緣服務(wù)器自身運行狀態(tài)，動態(tài)調(diào)整指標權(quán)重并合理分配計算任務(wù)，從而提升集群負載均衡度。余翔等［20］在MEC 車聯(lián)網(wǎng)架構(gòu)內(nèi)，考慮MEC 服務(wù)器負載不均以及多優(yōu)先級車輛任務(wù)的情況，提出基于遺傳算法的任務(wù)卸載策略，對比分析發(fā)現(xiàn)該策略在提高任務(wù)完成率的同時可實現(xiàn)負載均衡。

上述研究綜合考慮了任務(wù)時延及服務(wù)器的負載均衡，制定任務(wù)卸載策略。然而，由于車聯(lián)網(wǎng)中車輛單元在短時間內(nèi)聚集和解散的特點，大量的車輛任務(wù)卸載使得MEC 服務(wù)器的負載快速變化并持續(xù)波動，因此僅依據(jù)當前的計算負載制定任務(wù)卸載策略，無法適應(yīng)未來一段時間的負載變化，繼而導(dǎo)致任務(wù)時延增大以及卸載滯后。因此，建立可靠的方法預(yù)測MEC 服務(wù)器的負載尤為重要。

本文提出一種基于負載預(yù)測的多目標優(yōu)化卸載策略算法MTUOA-LP。在車聯(lián)網(wǎng)場景中通過基于自適應(yīng)優(yōu)化神經(jīng)網(wǎng)絡(luò)的負載預(yù)測算法預(yù)測MEC 服務(wù)器的計算資源量，為提高計算資源預(yù)測的準確率，引入自適應(yīng)遺傳算法優(yōu)化長短期記憶（LSTM）網(wǎng)絡(luò)的超參數(shù)，預(yù)測MEC 服務(wù)器的計算資源。設(shè)計基于負載預(yù)測的多目標優(yōu)化卸載策略算法，以最小化時延及MEC 服務(wù)器負載均衡為目標，綜合考慮通信環(huán)境、計算資源及任務(wù)量等因素構(gòu)建多目標優(yōu)化模型，采用非支配排序遺傳算法-Ⅲ（NSGA-Ⅲ）求解多目標優(yōu)化模型，獲得理想的任務(wù)卸載策略。

1 系統(tǒng)模型與優(yōu)化問題制定

1.1 場景模型

MEC 網(wǎng)絡(luò)系統(tǒng)架構(gòu)如圖1 所示，共分為集中控制層、分布式MEC 層和車輛層3 層。分布式MEC 層中的路側(cè)單元（RSU）部署于路側(cè)，且均配有單一MEC服務(wù)器，形成獨立的通信小區(qū)。在MEC 服務(wù)器之間通過光纖構(gòu)成通信鏈路，可實現(xiàn)資源共享。車輛層中的車輛單元與MEC 服務(wù)器通過RSU 建立信號連接，通過本地RSU 將任務(wù)上傳至分布式MEC 層。MEC服務(wù)器周期性采集車輛節(jié)點廣播信息并獲取周邊MEC 服務(wù)器信息，為車輛單元提供邊緣計算服務(wù)。集中控制層配備中心控制器，中心控制器與MEC 服務(wù)器間通過光纖構(gòu)成通信鏈路，可獲取網(wǎng)絡(luò)系統(tǒng)的狀態(tài)信息，制定任務(wù)卸載策略。

圖1 MEC 網(wǎng)絡(luò)系統(tǒng)架構(gòu)Fig.1 Architecture of MEC network system

本文將車輛單元集合表示V={v1,v2,…,vh}，每個車輛單元都有1 個或多個任務(wù)，其中所有任務(wù)都可以被卸載但不能進一步劃分，所有任務(wù)都相互獨立。任務(wù)集合用A={Ai,j|i?H,j?N}表示，其中H={1,2,…,h}，N={1,2,…,n}，Ai,j表示第i個車輛單元的第j個任務(wù)。任務(wù)屬性表示Ai,j={β,b,Tmax}，其中，β表示每bit 計算需要的CPU 周期數(shù)，b表示任務(wù)數(shù)據(jù)大小，Tmax表示任務(wù)最大可容忍時延。MEC 服務(wù)器集合表示MMEC={Mk|k?G}，其中，G={1,2,…,m}。不同通信小區(qū)的車輛單元信息表示Bk={vi|i?H}，其中

在MEC 網(wǎng)絡(luò)系統(tǒng)中，車輛單元已使用的計算資源集合表示Q={floc,i|i?H}，其中，floc,i?[0,100]。MEC 服務(wù)器已使用的計算資源集合表示P={fmec,k|k?G}，fmec,k?[0,100]。

1.2 通信模型

在MEC 網(wǎng)絡(luò)系統(tǒng)中，車輛單元的卸載任務(wù)需要通過無線信道從車載端傳輸至RSU，再上傳至本地MEC 服務(wù)器。RSU 通常位于MEC 服務(wù)器附近且兩者之間通過光纖建立通信連接，因此忽略了RSU 到MEC 服務(wù)器的通信時延。假設(shè)車輛到RSU 上行鏈路信道是頻率平坦型塊衰落的瑞利信道［21-22］，那么車輛vi與Bk之間的上行傳輸速率表達式如下：

由于本文考慮的任務(wù)類型為計算密集型任務(wù)，輸出相較于輸入非常小，因此不考慮從MEC 服務(wù)器返回車輛單元的下行傳輸時延［23］。

1.3 時延模型

在MEC 網(wǎng)絡(luò)系統(tǒng)中，車輛單元任務(wù)可在車載端計算或卸載至MEC 服務(wù)器計算。本文任務(wù)時延模型主要考慮2 部分，分別是任務(wù)處理時延（車載端處理時延和MEC 服務(wù)器處理時延）和上行傳輸時延。

1）車載端處理時延

當任務(wù)Ai,j在車載端處理時，為Ai,j分配計算資源floc,alloc。CPU 頻率表示計算資源，floc,alloc越小則車載端處理能力越弱，任務(wù)需要卸載到MEC 服務(wù)器進行處理的程度越大。

車輛采用先到先服務(wù)的規(guī)則處理任務(wù)，當本地端處于滿載狀態(tài)時，后到的任務(wù)進入等待隊列。任務(wù)Ai,j的本地端處理時延Tloc表達式如下：

其中：Tw表示等待時間。

2）上行傳輸時延

當任務(wù)要上傳至MEC 服務(wù)器處理時，車輛單元將任務(wù)上傳至本地MEC 服務(wù)器，若車輛單元與目標MEC 服務(wù)器未建立直接通信連接，可通過MEC 之間的光纖連接由本地MEC 服務(wù)器實現(xiàn)任務(wù)上傳。由于車輛任務(wù)在MEC 之間的傳輸時延非常小，因此本文不考慮MEC 之間的傳輸時延。

根據(jù)任務(wù)大小及上行傳輸速率Ri,k計算車輛單元i的任務(wù)上行傳輸時延，表達式如下：

其中：xi,j={0,1}，xi,j取值為0，表示任務(wù)在車載端計算，xi,j取值為1，表示任務(wù)卸載至MEC 服務(wù)器計算。

3）MEC 服務(wù)器處理時延

當任務(wù)Ai,j卸載至MEC 服務(wù)器k處理時，根據(jù)Mk分配的計算資源計算處理時延。

通過本文設(shè)計的負載預(yù)測算法Ai,j預(yù)測Mk的計算資源使用情況fpre,k，MEC 服務(wù)器給每個任務(wù)分配的計算資源fmec,alloc的表達式如下：

其中：fmax表示設(shè)置的MEC 服務(wù)器最大負載。

MEC 服務(wù)器采用先到先服務(wù)的規(guī)則處理任務(wù)，當服務(wù)器處于滿載狀態(tài)時，后到的任務(wù)進入等待隊列。因此，任務(wù)Ai,j在MEC 服務(wù)器k的處理時延Tproc表達式如下：

其中：Tw表示等待時間。

任務(wù)Ti,j的總時延表達式如下：

1.4 MEC 服務(wù)器負載均衡模型

在MEC 服務(wù)器的負載均衡中，服務(wù)器的負載分布情況是1 個關(guān)鍵指標，標準差可以用來評價服務(wù)器負載集合的離散程度。如果標準差較小，說明服務(wù)器的負載分布較均衡，有助于實現(xiàn)車輛任務(wù)的合理分配及計算資源的優(yōu)化利用，防止MEC 服務(wù)器負載過高；如果標準差較大，說明服務(wù)器的負載分布較不均衡，有些服務(wù)器負載較重，而有些服務(wù)器負載較輕，需要對負載較重的服務(wù)器進行任務(wù)遷移或資源調(diào)度等操作來實現(xiàn)負載均衡。因此，標準差可以作為一種有效評價MEC 服務(wù)器負載均衡的指標。

本文采用負載均衡標準差［20，24-25］對MEC 服務(wù)器的負載進行定量分析，負載均衡標準差越小，MEC服務(wù)器的負載越均衡。負載均衡標準差表達式如下：

其中：fmec,avg表示MEC 服務(wù)器負載的平均值。

1.5 優(yōu)化問題制定

任務(wù)時延是制定車輛任務(wù)卸載策略的關(guān)鍵指標，快速處理對于計算型任務(wù)尤為重要。MEC 服務(wù)器負載均衡也是任務(wù)卸載策略的關(guān)鍵指標，MEC 服務(wù)器處于負載均衡狀態(tài)，可緩解個別服務(wù)器負載壓力，提高系統(tǒng)計算資源利用率。本文任務(wù)卸載模型以最小化時延及最小化MEC 服務(wù)器負載均衡標準差為目標，將任務(wù)分配問題視為多目標優(yōu)化問題。多目標優(yōu)化問題定義如下：

其中：C1 表示任務(wù)的最大容忍時延約束，保證任務(wù)處理時延不超過Tmax；C2、C3 表示車輛單元及MEC服務(wù)器的最大計算資源約束；C4 表示任務(wù)只能選擇一種任務(wù)處理方式。

2 任務(wù)卸載策略

在車聯(lián)網(wǎng)中，因車輛單元在空間和時間上分布的不均衡性，導(dǎo)致MEC 服務(wù)器負載不均衡，并且車輛任務(wù)具有低時延的要求，部分MEC 服務(wù)器會在短時間內(nèi)達到很高的負荷甚至過載，這往往會增加任務(wù)時延。然而，有的MEC 服務(wù)器處于低負荷狀態(tài)，降低計算資源使用效率。因此，本文以時延及MEC服務(wù)器負載均衡為目標制定任務(wù)卸載策略。

由于車聯(lián)網(wǎng)中車輛單元的特性，MEC 服務(wù)器的負載具有變化快和持續(xù)波動的特點，因此僅依據(jù)當前的計算負載制定任務(wù)卸載策略，無法適應(yīng)未來一段時間內(nèi)的負載變化，繼而導(dǎo)致任務(wù)時延增大以及卸載滯后。因此，本文制定負載預(yù)測方法，為任務(wù)卸載策略提供可靠的計算資源狀態(tài)變化信息。

2.1 負載預(yù)測模型

2.1.1 LSTM 預(yù)測模型

長短期記憶網(wǎng)絡(luò)是一種常用于處理序列數(shù)據(jù)的深度學習模型，由多個門控單元組成，可以自適應(yīng)地選擇要記憶或遺忘的信息，并在處理長序列數(shù)據(jù)時能夠有效地保持梯度穩(wěn)定性。相比傳統(tǒng)的遞歸神經(jīng)網(wǎng)絡(luò)（RNN），長短期記憶網(wǎng)絡(luò)具有更強的記憶能力和更好的長期依賴建模能力［26］。LSTM 可以完美地模擬多個輸入變量的問題，適用于時間序列預(yù)測［27］。因此，引入LSTM 對MEC 服務(wù)器進行負載預(yù)測具有重要意義。

在MEC 服務(wù)器中主要依靠CPU 為任務(wù)計算提供算力支持，因此本文用CPU 使用率表示負載。由于MEC 服務(wù)器中內(nèi)存使用率、磁盤讀操作數(shù)、磁盤寫操作數(shù)與CPU 使用率之間具有關(guān)聯(lián)性，因此選取以上4 個特征共同作為LSTM 網(wǎng)絡(luò)的輸入特征信息。在預(yù)測方式上，選取i個連續(xù)時間序列數(shù)據(jù)為輸入信息獲得預(yù)測值，預(yù)測模型表達式如下：

其中：Yt表示t時刻的CPU 使用率；X表示內(nèi)存使用率；Z表示磁盤讀操作數(shù)；C表示磁盤寫操作數(shù)。

LSTM 預(yù)測模型采用均方根誤差（RMSE）評估預(yù)測結(jié)果，RMSE 反映預(yù)測值與真實值之間的偏差程度，值越小結(jié)果越優(yōu)，其計算式如下：

其中：yc(i)為預(yù)測值；y0(i)為實測值；n為樣本個數(shù)。

2.1.2 自適應(yīng)優(yōu)化神經(jīng)網(wǎng)絡(luò)模型

LSTM 模型的非線性建模性能與4 種超參數(shù)密切相關(guān)：學習率、隱含層節(jié)點數(shù)、訓(xùn)練次數(shù)以及批量大小。LSTM 超參數(shù)組成的解空間規(guī)模大，若采用傳統(tǒng)方法尋找最優(yōu)超參數(shù)將消耗巨大的算力及時間。本節(jié)采用自適應(yīng)優(yōu)化神經(jīng)網(wǎng)絡(luò)算法AGA-LSTM尋找最優(yōu)網(wǎng)絡(luò)模型。

1）自適應(yīng)遺傳算法是一種模擬自然選擇和遺傳機制的隨機化搜索算法。該算法利用進化論的思想搜索最優(yōu)解，通過編碼、交叉、變異等操作不斷進化，從而逐步接近全局最優(yōu)解。

衡量遺傳算法性能的2 個主要指標是全局尋優(yōu)能力和收斂速度。遺傳算法中交叉概率和變異概率對算法尋優(yōu)能力及收斂速度起著重要作用。交叉概率增大可以提高種群個體的進化速度，但會破壞適應(yīng)度較高的個體，交叉概率降低容易導(dǎo)致個體進化速度緩慢。變異概率增大，使得種群進化方向多變，不利于保留優(yōu)勢個體，變異概率降低則影響局部搜索能力。

在傳統(tǒng)遺傳算法中，交叉和變異概率固定不變，可能導(dǎo)致早熟收斂、收斂速度慢。針對上述問題，本文采用一種自適應(yīng)遺傳算法（AGA）對LSTM 參數(shù)進行尋優(yōu)。AGA 的基本思想是使交叉概率和變異概率隨個體適應(yīng)度值自動改變，在避免算法早熟和局部收斂的同時，提高全局尋優(yōu)搜索能力及效率。

交叉概率和變異概率計算表達式如下：

其中：Pc、Pm分別為交叉概率和變異概率；k1、k2、k3、k4為設(shè)定值；fmax表示種群中最大適應(yīng)度；favg表示種群中平均適應(yīng)度；表示配對個體中較大的適應(yīng)度；f表示個體的適應(yīng)度。

2）適應(yīng)度函數(shù)。本文通過AGA 確定LSTM 模型4 種超參數(shù)最佳值，AGA 根據(jù)LSTM 預(yù)測算法的評價指標RMSE 計算適應(yīng)度。適應(yīng)度函數(shù)表達式如下：

2.2 基于自適應(yīng)優(yōu)化神經(jīng)網(wǎng)絡(luò)的負載預(yù)測算法

在車聯(lián)網(wǎng)中MEC 服務(wù)器的負載變化快，為了在任務(wù)卸載策略中實現(xiàn)對負載變化的及時響應(yīng)，需要建立可靠的負載預(yù)測算法，根據(jù)過去負載的變化規(guī)律預(yù)測未來MEC 服務(wù)器的負載，為制定任務(wù)卸載策略提供可靠的計算資源狀態(tài)變化信息。

由第2.1 節(jié)可知，AGA 算法優(yōu)化LSTM 網(wǎng)絡(luò)模型，可以有效提高預(yù)測的準確性。本節(jié)以該方法為基礎(chǔ)建立基于自適應(yīng)優(yōu)化神經(jīng)網(wǎng)絡(luò)的負載預(yù)測算法LP-AGA-LSTM，算法主要分為數(shù)據(jù)處理、預(yù)測模型構(gòu)建和預(yù)測結(jié)果計算。

首先，不同特征之間的量綱不一致，為了消除特征之間的差異性需要對數(shù)據(jù)特征進行歸一化處理，本節(jié)采用Max-Min 對數(shù)據(jù)集中所用到的特征進行歸一化處理，表達式如下：

通過AGA-LSTM 確定LSTM 最佳超參數(shù)值，建立網(wǎng)絡(luò)模型。由于訓(xùn)練后的LSTM 模型通過數(shù)據(jù)學習負載的內(nèi)在變化規(guī)律，因此相同MEC 服務(wù)器不需要重復(fù)訓(xùn)練，根據(jù)算法的設(shè)定輸入所需的歷史數(shù)據(jù)，便可快速得到負載預(yù)測值。

算法1基于自適應(yīng)優(yōu)化神經(jīng)網(wǎng)絡(luò)的負載預(yù)測算法

2.3 基于負載預(yù)測的多目標優(yōu)化任務(wù)卸載策略

在前期建立相關(guān)模型的基礎(chǔ)上，本節(jié)提出基于負載預(yù)測的多目標優(yōu)化任務(wù)卸載策略，通過預(yù)測MEC 服務(wù)器的負載，分析MEC 網(wǎng)絡(luò)系統(tǒng)中計算資源的分布情況，合理分配任務(wù)，優(yōu)化MEC 服務(wù)器負載及任務(wù)時延。

非支配排序遺傳算法-Ⅲ具有高效、均衡、可擴展、多樣性等優(yōu)點，適用于多目標優(yōu)化問題的求解［28］。本文通過NSGA-Ⅲ求解第1 節(jié)提出的多目標優(yōu)化模型，迭代更新獲得理想的任務(wù)卸載策略。

2.3.1 非支配排序遺傳算法-Ⅲ模型

1）編碼在MEC 網(wǎng)絡(luò)系統(tǒng)中，車輛單元產(chǎn)生的任務(wù)可在車載端執(zhí)行或卸載至MEC 服務(wù)器，將任務(wù)所在的車輛編碼為0，MEC服務(wù)器分別編碼為1，2，…，m。染色體表示所有任務(wù)的卸載策略，基因表示各個任務(wù)的卸載策略。圖2 所示為任務(wù)卸載策略的編碼實例，每輛車有n個任務(wù)，染色體長度為n×h。

圖2 任務(wù)卸載策略編碼實例Fig.2 Coding example of task offloading strategy

2）評價標準。本文采用非支配排序及擁擠度距離來評估NSGA-Ⅲ所產(chǎn)生任務(wù)卸載策略的優(yōu)劣。

根據(jù)支配關(guān)系將任務(wù)卸載策略劃分到不同的前沿等級中，優(yōu)先選擇前沿等級更小的任務(wù)卸載策略。當任務(wù)卸載策略的前沿等級相同時，為了選擇更好的解決方案，進而考慮每個策略的擁擠度距離，即該策略周圍解的密度，密度越大說明策略的優(yōu)勢越大。優(yōu)先選擇擁擠度距離更大的任務(wù)卸載策略。擁擠度距離計算式如下：

其中：D(i,j)表示個體i在目標j上的距離；fmax,j、fmin,j分別表示目標j的最大值與最小值；fj(i+1)、fj(i-1)表示在目標j中個體i的2 個相鄰值；D(i)表示個體i的擁擠距離。

2.3.2 基于負載預(yù)測的多目標優(yōu)化任務(wù)卸載算法

任務(wù)卸載策略綜合考慮最小化任務(wù)時延和MEC 服務(wù)器負載均衡2 個目標優(yōu)化，卸載策略的單一目標最優(yōu)并不能保證另一目標也最優(yōu)，需要同時權(quán)衡2 個目標制定任務(wù)卸載策略。為此，本文構(gòu)建NSGA-Ⅲ模型，對第1 節(jié)建立的多目標優(yōu)化模型尋求最優(yōu)解。

為實現(xiàn)任務(wù)卸載策略對負載變化的及時響應(yīng)，在第2.2 節(jié)建立負載預(yù)測算法，給任務(wù)卸載策略提供可靠的計算資源狀態(tài)變化信息。本文的任務(wù)類型為計算密集型任務(wù)，綜合考慮通信環(huán)境、任務(wù)大小及傳輸時延，為任務(wù)卸載策略提供下一時隙的MEC 服務(wù)器負載信息而不進行多步預(yù)測。

基于負載預(yù)測的多目標優(yōu)化任務(wù)卸載算法的執(zhí)行過程如算法2 所示。

算法2基于負載預(yù)測的多目標優(yōu)化任務(wù)卸載算法

基于負載預(yù)測的多目標優(yōu)化任務(wù)卸載算法需要結(jié)合之前的基礎(chǔ)工作來實現(xiàn)。首先，調(diào)用算法1 獲得MEC 網(wǎng)絡(luò)系統(tǒng)中各服務(wù)器的計算資源預(yù)測值；其次，調(diào)用NSGA-Ⅲ算法完成任務(wù)卸載策略優(yōu)化；最后根據(jù)評價標準選擇最優(yōu)個體作為任務(wù)卸載策略。

3 仿真

3.1 實驗環(huán)境與數(shù)據(jù)集

本文仿真實驗在內(nèi)存16 GB、處理器為Intel?CoreTMi7-8650U、頻率1.90 GHz 的Windows 10 操作系統(tǒng)下進行，使用Python 3.8 對本文所提算法進行試驗仿真，實驗的具體參數(shù)配置如表1 所示。

表1 參數(shù)配置信息Table 1 Parameter configuration information

本文在內(nèi)存128 GB、處理器為Intel?Xeon?Gold 5118 CPU，頻率2.30 GHz，Windows 7 操作系統(tǒng)下采集10 000 組數(shù)據(jù)作為實驗數(shù)據(jù)集，每組數(shù)據(jù)間隔時間為0.1 s。數(shù)據(jù)集中的特征有時間、CPU 使用率、內(nèi)存占用率、磁盤讀操作數(shù)以及磁盤寫操作數(shù)。

3.2 計算資源預(yù)測算法性能

本文將LP-AGA-LSTM 算法與LP-GA-LSTM 及PSO-LSTM 算法進行對比，對比方法分別采用傳統(tǒng)遺傳算法及粒子群算法優(yōu)化LSTM 超參數(shù)，對負載進行預(yù)測。

本文實驗按照6∶2∶2 的比例將數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集，LSTM 超參數(shù)取值范圍如表2 所示。

表2 LSTM 網(wǎng)絡(luò)超參數(shù)取值Table 2 Hyperparameter values of LSTM network

本文設(shè)定3 種算法的最大進化代數(shù)為30 次，種群規(guī)模為10，LSTM 預(yù)測時間步長i=10，LP-AGA-LSTM算法中k1=k3=0.8，k2=k4=0.3，LP-GA-LSTM 算法中變異概率及交叉概率分別為0.3 與0.8，PSO-LSTM 算法中權(quán)重系數(shù)為0.8，加速因子為0.5。本文實驗以RSME 作為評價指標，對上述3 種算法進行對比分析，實驗結(jié)果如圖3 所示。

圖3 迭代次數(shù)與RMSE 最優(yōu)值的關(guān)系Fig.3 The relationship between the number of iterations and the optimal value of RMSE

從圖3 可以看出，隨著迭代次數(shù)的增加，算法的RMSE 最優(yōu)值收斂速度逐漸降低，直至達到收斂狀態(tài)。LP-AGA-LSTM 迭代25 次的RMSE 收斂至4.93，LP-GA-LSTM 迭代20 次RMSE 收斂至5.03，PSO-LSTM 迭代15 次RMSE 收斂至5.02。

在實驗中，雖然PSO-LSTM 與LP-GA-LSTM 先達到收斂狀態(tài)，但它們陷入局部最優(yōu)狀態(tài)，在接下來的迭代中并沒有搜尋到更優(yōu)的RMSE 值。LP-AGA-LSTM在迭代數(shù)為0～5 次時能夠以較快的速度收斂，在10～15 次時跳出局部最優(yōu)繼續(xù)在空間中搜尋，直至收斂到最優(yōu)值。本文算法在應(yīng)對局部最優(yōu)狀態(tài)時有更優(yōu)的表現(xiàn)。這是因為本文在LP-AGA-LSTM 算法中引入了自適應(yīng)的變異及交叉算子，自適應(yīng)調(diào)整個體交叉及變異概率，對表現(xiàn)較差的個體賦予更大的交叉變異概率，提高局部搜索能力。迭代次數(shù)與RMSE均值對比如圖4 所示。

圖4 迭代次數(shù)與RMSE 均值的關(guān)系Fig.4 The relationship between the number of iterations and the RMSE mean

從圖4 可以看出，隨著迭代次數(shù)的增加，各代種群的RMSE 均值呈現(xiàn)收斂趨勢。LP-GA-LSTM 與LP-AGA-LSTM 分別于20 次、25 次達到收斂狀態(tài)，而PSO-LSTM 算法在30 次內(nèi)沒有收斂，甚至還有小幅度的震蕩。

從全局看LP-AGA-LSTM 算法具有更優(yōu)的局部搜索能力和全局搜索能力，收斂速度也得到提高。因此，LP-AGA-LSTM 具有更優(yōu)的尋優(yōu)能力，提高負載預(yù)測的精度。經(jīng)LP-AGA-LSTM 算法尋找到的最優(yōu)LSTM 模型參數(shù)為第1 個隱藏層與第2 個隱藏層節(jié)點數(shù)256個、訓(xùn)練次數(shù)115、批量大小128、學習率0.009。

3.3 卸載策略性能

為驗證MTUOA-LP 算法的性能，本文引入以下4 種卸載方案進行對比分析。

1）多目標優(yōu)化任務(wù)卸載策略MTUOA，制定任務(wù)卸載策略方面與MTUOA-LP 算法相同，以時延及MEC 服務(wù)器負載均衡標準差為優(yōu)化目標得到任務(wù)卸載策略，算法未考慮負載預(yù)測。

2）基于Qos 的任務(wù)卸載策略QTD［10］。為有效挖掘邊緣計算網(wǎng)絡(luò)的算力，QTD 算法在時延及Qos 等指標約束下，增加邊緣網(wǎng)絡(luò)承載任務(wù)數(shù)量。

3）基于NSGA2［29］的車聯(lián)網(wǎng)邊緣計算任務(wù)卸載方案，在車聯(lián)網(wǎng)邊緣計算體系下，建立卸載模型，通過NSGA2 算法得到卸載策略。

4）全卸載策略（AOS）將車輛的所有任務(wù)都隨機卸載到MEC 網(wǎng)絡(luò)系統(tǒng)中的MEC 服務(wù)器。

3.3.1 總時延與負載均衡標準差比較

圖5 所示為各卸載策略單輛車任務(wù)數(shù)與任務(wù)平均時延的關(guān)系。MTUOA-LP 的平均時延均最優(yōu)，與MTUOA、NSGA2、QTD、AOS 對比，總體平均時延分別降低1.7%、7.3%、12.4%和17.5%。QTD 算法希望增加邊緣網(wǎng)絡(luò)承載的任務(wù)數(shù)，但是該策略讓邊緣網(wǎng)絡(luò)時刻接近過載狀態(tài)，并且因更多的任務(wù)卸載至邊緣端，導(dǎo)致車載端的計算資源沒有得到充分利用，增大了時延。NSGA2 算法因考慮能耗方面也增加卸載至邊緣端的任務(wù)數(shù)量，導(dǎo)致時延增加。MTUOA算法未考慮負載預(yù)測，導(dǎo)致服務(wù)器過載，增加任務(wù)的排隊時延。

圖5 任務(wù)數(shù)與平均時延的關(guān)系Fig.5 The relationship between the number of tasks and the average time delay

圖6 所示為各卸載策略單輛車任務(wù)數(shù)與MEC 服務(wù)器負載均衡標準差的關(guān)系。MTUOA-LP 算法具有顯著優(yōu)勢。QTD 算法的負載均衡標準差優(yōu)于其他3 個算法，該算法讓服務(wù)器負載接近滿載值，但未考慮負載預(yù)測，導(dǎo)致任務(wù)卸載后MEC 服務(wù)器的實際負載與理想狀態(tài)有差異。NSGA2、QTD、AOS 算法均沒有直接以負載均衡為目標制定卸載策略，因此它們的負載均衡標準差呈現(xiàn)不穩(wěn)定的特點。MTUOA 算法雖然考慮負載均衡因素，但是未考慮負載預(yù)測，存在信息滯后問題，負載標準差是MTUOA-LP 的7.75 倍。

圖6 任務(wù)數(shù)與負載均衡標準差關(guān)系Fig.6 The relationship between the number of tasks and the standard deviation of load balancing

與其他卸載策略相比，MTUOA-LP 算法能優(yōu)化時延，并且在負載均衡方面取得顯著優(yōu)勢。

3.3.2 通信小區(qū)卸載率比較

在MEC 網(wǎng)絡(luò)系統(tǒng)中，由于不同通信小區(qū)通信環(huán)境及車輛數(shù)等具有差異，因此不同通信小區(qū)的任務(wù)卸載率及平均傳輸時延存在差異。

圖7 所示為在MTUOA-LP 算法中任務(wù)數(shù)與不同通信小區(qū)卸載率的關(guān)系，主要表現(xiàn)2 個特點：1）隨著任務(wù)數(shù)的增加，車輛單元計算能力不足，需要卸載更多任務(wù)至MEC 服務(wù)器，導(dǎo)致卸載率增大；2）不同通信小區(qū)的車輛數(shù)不同，車輛數(shù)多的通信小區(qū)通信壓力大，因此在任務(wù)數(shù)相同的情況下，隨著車輛數(shù)增加卸載率降低。

圖7 任務(wù)數(shù)與不同通信小區(qū)卸載率關(guān)系Fig.7 The relationship between the number of tasks and the offloading rate among different communication cells

3.3.3 通信小區(qū)傳輸時延比較

圖8 所示為在MTUOA-LP 算法中任務(wù)數(shù)量與不同通信小區(qū)平均傳輸時延的關(guān)系，主要表現(xiàn)2 個特點：1）隨著任務(wù)數(shù)的增加，車輛單元計算能力不足，需要卸載更多任務(wù)至MEC 服務(wù)器，因通信資源是恒定的，隨著傳輸任務(wù)數(shù)量增加，平均傳輸時延增大；2）不同通信小區(qū)的車輛數(shù)不同，車輛數(shù)多的通信小區(qū)通信壓力大，平均傳輸時延增加。

圖8 任務(wù)數(shù)與不同通信小區(qū)傳輸時延關(guān)系Fig.8 The relationship between the number of tasks and the transmission time delay among different communication cells

通過比較不同通信小區(qū)的任務(wù)卸載率及平均傳輸時延可以看出，MTUOA-LP 算法綜合考慮車輛數(shù)及通信環(huán)境等因素，針對不同通信小區(qū)制定差異化的任務(wù)卸載方案。

4 結(jié)束語

本文針對MEC 網(wǎng)絡(luò)系統(tǒng)架構(gòu)中的任務(wù)卸載問題，提出一種基于負載預(yù)測的多目標優(yōu)化任務(wù)卸載策略MTUOA-LP。通過LP-AGA-LSTM 算法對MEC 服務(wù)器計算資源進行預(yù)測，以時延及負載均衡為目標，綜合考慮通信環(huán)境、計算資源及任務(wù)量等因素給出最優(yōu)的任務(wù)卸載策略。實驗結(jié)果表明，LP-AGA-LSTM 算法預(yù)測精準率以及AGA 的局部搜索能力、收斂速度都得到顯著提高。MTUOALP 算法能優(yōu)化任務(wù)時延，在負載均衡方面取得顯著優(yōu)勢，能有效解決MEC 服務(wù)器負載不均衡的問題。此外，MTUOA-LP 算法可以針對各個通信小區(qū)的環(huán)境、車輛數(shù)等因素，制定差異化的任務(wù)卸載策略。下一步將考慮更加復(fù)雜的通信環(huán)境，面對差異化的任務(wù)，添加循環(huán)預(yù)測機制，從而完善任務(wù)卸載策略。