双层边缘计算结构中最小化功率开销的任务卸载策略

刘 通

(1.重庆工程职业技术学院 信息工程学院， 重庆 402260; 2.重庆邮电大学 通信与信息工程学院， 重庆 400065)

随着移动通信技术的不断发展和智能终端设备的逐渐普及，各种新型网络服务及应用不断出现，用户对网络的服务质量及服务时延等提出了更高的要求。由于智能设备自身计算和存储能力的局限，将这些应用直接在设备上进行处理显得不切实际，即便终端设备能够处理这些应用，但这样的操作方式会占用较多的计算资源，导致过高的能耗。云计算技术可以有效地整合网络计算资源及存储资源，对网络的整体性能有着极大地提升。将大量的数据迁移至云端，不仅可以大幅降低计算时间，还能进一步节省终端设备的存储、功率等资源。然而，在未来移动通信网络中，网络用户面将扩展至具有网络接入功能的一切设备，用户面的扩大同时意味着数据量的激增。基于云计算的数据处理方式需要将这些海量数据从终端传送至云端，数据量过多不仅会增加传输时延，同时会导致网络拥塞。虚拟现实、远程医疗等未来的网络应用对时延有着极高的要求，继续采用云计算的方式支持未来的网络应用势必会降低用户的QoE(quality of experience，体验质量)。通过在靠近用户的网络边缘处部署具有存储、计算功能的边缘服务器用于接收和处理用户数据，边缘计算能够有效地解决上述问题。

1 边缘计算技术概述

边缘计算技术的核心思想是将原云端服务器提供的功能“下沉”到网络的边缘，用户可以将任务发送至边缘服务器直接进行处理，从而节约传输时间[1]，同时还能减少云端由于大量数据涌入而导致的网络拥塞问题。边缘计算中的计算卸载和任务缓存技术能够满足未来网络的应用需求，故而受到了广泛的关注[2-6]。

然而，由于任务的类型不尽相同，针对不同的任务类型，是否需要进行任务卸载，怎样进行任务卸载，何时进行卸载，卸载多少任务至网络边缘仍是一系列有待研究的问题。文献[7]在保证业务均能在时延允许范围内处理完成的条件下，以最小化系统功率消耗为目标构建了优化模型。以卸载比例作为优化解，在传输时延、计算时间及执行单任务所消耗的功率受到限制的条件下，构建了以最小化系统功耗为优化目的的凸优化模型，并求解出任务卸载的最佳比例，提出了一种有效节省系统功率开销的优化任务卸载策略。文献[8]通过联合考虑物理层设计和应用程序执行延迟设计了一种节能的自动卸载方案。在MEC(mobile edge computing 移动边缘计算)环境下，对任务间相互作用所导致的功率消耗进行了数学建模。基于任务交互矩阵来识别任务执行流，并将任务执行流的最大延迟量表征为任务的时延，构建了一种能量有效的任务卸载模型，通过使用启发式算法进行求解，得到优化的任务卸载方式，并通过仿真分析证明此方案能有效节省能耗。

将任务从终端设备卸载到边缘服务器会增加传输时间，如何保证时延敏感业务在限定时间内顺利执行也是一个值得研究的问题。文献[9]在基于边缘计算的IoV(internet of vehicles车联网)系统中，提出了一种能够卸载的实时流量管理的解决方案，以最大限度地减少车辆事件报告的平均响应时间。通过将停靠在路边的车辆作为边缘节点的组网方式，构建了一种分布式城市交通管理系统。之后根据排队论对停放和移动的基于车辆的边缘节点进行建模，通过对优化问题进行求解和基于真实场景进行性能分析，证明了此方案的优越性。文献[10]在多用户多任务的MEC环境中，将任务的计算时间、传输时间和消耗的功率作为系统的整体开销，提出了一种任务卸载的决策机制。将时间和功耗综合考虑为系统的整体开销，并在此基础上构建了系统的价值函数，同时基于价值函数进行数学优化模型的搭建。通过使用启发算法对优化模型进行求解，在保证任务均能有效执行的基础上，最小化了系统整体开销。虽然目前针对边缘计算的研究已取得了一定的成果，但在研究过程中仍存在着一些问题和挑战，如宏-蜂窝通信网络不能解决热点区域内数据暴发增长的问题。

本文在宏-微蜂窝通信系统的异构网络中，提出了一种任务卸载策略。这种策略在保证时延的前提条件下能够有效地节省系统功率开销。总体来说，本文的贡献主要有以下两个部分：

1) 考虑了一种全新的在宏基站和微基站处均部署边缘计算服务器的双层边缘计算结构，以应对未来网络中海量的时延敏感业务请求。

2) 为了最大化节省系统资源，在时延受限条件下，在上述边缘计算结构中，提出了以最小化系统功率消耗为目的的DTOS优化卸载策略，并构建了此优化策略的数学优化模型。为了降低模型的求解复杂度，使用嵌套迭代算法进行优化模型的求解，并最终获得了最佳分配因子。

2 双层边缘系统模型

2.1 系统模型

随着未来移动通信应用场景的不断丰富，网络中的信息传输需求随时间和地点呈现出非均匀的特性。传统以宏蜂窝为主、以区域覆盖为目的的移动通信网络架构将难以应对通信业务需求爆炸式增长的挑战，而超密集无线网络被认为是解决此挑战的创新性变革之一[11]。

为了应对不断增长的数据容量及服务质量需求，超密集网络(ultra-dense networks，UDN)可以通过在热点区域大规模部署微基站(如Microcell、Picocell、Femtocell)来提高系统容量。然而，如果将微基站部署得过于密集将会造成很大的干扰，这些干扰包括微基站之间的同层干扰以及宏基站和毫微微基站的跨层干扰。所以，在热点区域内微基站的部署也存在数量上的限制。此外，热点区域内的数据请求量是极大的，在宏基站处部署边缘服务器可以有效缓解海量数据涌入导致的网络拥塞，但由于边缘服务器的计算能力和存储能力与云端服务器之间还存在较大差距，所以其不能完全处理热点区域内的所有任务请求。例如。为了实现车辆的自动驾驶，车辆需要具备车道偏离预警、前向碰撞预警、交通标志识别、 车道保持辅助、行人碰撞预警、全景泊车等功能，为了实现以上功能，需要在车身安装图像传感器、超声波雷达、激光雷达以及毫米波雷达等多个传感器设备，这些设备在短时间内产生的数据量极为庞大，而在一个宏蜂窝的覆盖范围内，理论上可以同时存在几百辆行驶中的车辆和上万个接入设备。配置了边缘服务器的宏蜂窝基站在处理这些由车辆产生的海量数据的同时，还需要兼顾其他的应用(如在某商圈内，行人会通过手机进行在线游戏、观看4K/8K高清视频，在此区域内同时还存在AR/VR(augmented reality/virtual reality)实时体验，银行中的智能柜员、餐厅中的智能服务等会产生大量数据和任务请求的应用)。海量数据同时涌入宏蜂窝势必导致服务的排队，从而引起更高的时延。对于观看视频、智能柜员等业务，用户对于时延的要求不是特别苛刻，但对于车联网中正在使用自动驾驶功能的车辆，过高的时延极有可能导致严重的交通事故。

微蜂窝基站作为一种有效的补充，可以在一定程度上缓解宏蜂窝基站的压力。但微蜂窝基站并不具备大规模数据处理的能力。为了在高热点区域内提供更佳优质的网络服务，需要在微蜂窝处同样部署边缘服务器，构建宏-微双层边缘计算结构。

宏-微双层边缘计算系统模型如图1所示。在目标覆盖区域内存在各种无线接入终端，如车辆、手机、用户身穿的各种可穿戴设备等。为了保证这些用户能够接入网络且能有效执行用户提起的请求任务，在宏蜂窝基站处部署了宏边缘服务器Macrocell MEC Server。用于解决用户接入和任务处理的这一层称为宏边缘层。此外，在一些热点区域内，由于接入的用户数更为密集，用户数据请求量也更大，故而在这些区域内部署了微基站，用于解决密集区域内用户的数据处理。但由于部分接入设备对时延要求更高，同时为了缓解宏边缘服务器的压力，在微基站处部署了微边缘服务器Microcell MEC Server。

图1 宏-微双层边缘计算系统模型

2.2 任务执行方式

2.2.1本地执行模式

(1)

根据文献[12]中的分析，本地执行所消耗的功率为

(2)

式中k是取决于芯片结构的能量系数。

2.2.2宏基站边缘模式

(3)

设宏基站的信道资源充足，分配给终端用户的信道数为j，则终端用户n通过信道j将任务卸载到边缘服务器的传输速率可表达为

(4)

(5)

(6)

任务在宏边缘进行处理时，所需要功率开销表述为

(7)

(8)

2.2.3微基站边缘模式

与宏边缘服务器的分析类似，任务在微边缘服务器的执行时间同样由传输时间、排队时间和处理时间3部分共同构成，满足：

(9)

设微基站分配给终端用户的信道数为k，则终端用户n通过信道k将任务卸载到边缘服务器的传输速率为

(10)

(11)

(12)

所需的功率开销可表述为

(13)

与宏边缘的分析类似，数据流相继到达微边缘服务器的间隔时间服从指数为λf-task的泊松分布，服务器提供的服务进程服务时间服从指数为λf的泊松分布，则可将微边缘服务器处任务流的达到建模为M/M/b2排队模型。

(14)

3 问题建模

(15)

(16)

由终端进行本地执行的任务量为：

(17)

同时0≤α≤1，0≤β≤1，0≤α+β≤1成立。

根据上述分析，终端用户n的任务Ln由3个执行主体完成，系统的总时间开销可表述为

(18)

与之对应的总功率开销为

(19)

本文在异构网络中，在总功率受限、执行任务所消耗的时间受限的情况下，将最优分配因子α和β作为求解对象，以达到最小化系统总功率开销的目的，提出了一种双层任务卸载策略DTOS，基于此策略的优化模型可表述为：

(20)

(21)

0≤α≤1

(22)

0≤β≤1

(23)

0≤α+β≤1

(24)

(25)

(26)

在上述模型中，限制条件式(20)要求系统总功率开销须小于额定值Eτ；式(21)则说明时延敏感任务的执行总时间不能超过Tτ；式(23)～(24)描述的是任务卸载方式。系统可以选择将任务按照比例分别交由本地和两层边缘服务器进行处理，也可全部卸载到两层边缘服务器，由两层边缘服务器分别或共同进行处理。与本地终端比较而言，边缘服务器会拥有更强的数据处理能力，但其处理能力也并非是无限的，且1台边缘服务器往往会收到多个用户的多个任务计算请求，故其能够提供给任务n的处理能力必然是有限的，宏基站和微基站的边缘服务器分配给任务n的计算能力分别为Fc1和Fc2，如式(25)(26)所述。

4 算法求解

上述模型的求解过于复杂，为了降低求解的复杂度，本文采用一种嵌套迭代算法来解决上述问题，算法描述如下：

②α=s/1 000；

③β=s/1 000；

⑧s=s+1，判断迭代次数s是否等于总次数M，s≠M，返回步骤③，s=M，结束；

5 仿真分析

本文对比分析了4种不同的任务卸载方式。第1种方式下终端不选择对任务进行卸载，即所有任务全部在终端设备上执行，即α=β=0；第2种方式为将任务全部卸载至微基站，即α=1；第3种方式是将任务全部卸载至宏基站，即β=1；第4种方式是在本文提出的DTOS策略下，通过算法求解出分配因子α及β。

首先，对任务数据量的大小导致的功率开销进行分析。从图2中可看出：随着数据任务量的不断增加，系统所消耗的功率也会随之增长。由于终端设备的计算能力有限，故而将任务全部交由终端进行计算所消耗的能量是最高的。由于宏边缘服务器比微边缘服务器拥有更强的处理能力，所以在执行同等数量大小的任务时，宏边缘服务器消耗的功率也要少于将任务全部交由微边缘服务器处理的方式。本文提出的DTOS卸载策略在计算相同数据大小的任务时，消耗的功率资源最低。如在任务的数据大小等于1 MB时，DTOS策略仅消耗1.3 mJ的功耗，与将任务全部交由终端执行的方式相比，能够节省0.7 mJ的功率损耗。DTOS策略能有效解决系统的能耗问题。

图2 任务数据量大小对功率的影响

其次，对任务数据量大小所对应的执行时长进行分析。采用将任务进行卸载的方式虽然增加了排队时长和传输时长，但由于边缘服务器的计算能力远强于终端设备，所以在完成同样数据量的任务条件下，将任务卸载一部分至边缘服务器可以有效节约时间。如图3所示，没有进行任务卸载的本地执行方式所消耗的时间均为最长。如在数据任务量等于1 MB时，将任务进行本地执行需要的时间约为140 ms，全部卸载至微基站边缘服务器执行需要132 ms，全部卸载至宏基站边缘服务器执行所花费的时间为125 ms。如果采用本文提出的DTOS策略，执行可进一步节省至120 ms。

图3 任务数据量大小对执行时长的影响

分析用户数量与消耗功率之间的关系(图4)。随着用户数量的增加，任务总量也随之增长。为了执行这些任务，系统将会消耗更高的总能耗。虽然系统总能耗随着用户数量的增多而升高，但与其他几种策略相比，DTOS的增长速率却是最慢的。如用户数从90增至100时，使用DTOS对应的系统能耗增加了约2.1 mJ，而在相同的用户数量增长条件下，如果将任务全部卸载至微边缘服务器进行处理，对应增加的系统总功耗约为3.3 mJ。由此可见，DTOS能够有效应对大量用户提出卸载请求时的能耗问题。

最后，对用户数量与时延之间的关系进行分析。随着用户数量的增加，卸载到边缘服务器的任务量也随之增多，边缘节点进行任务处理的时长自然随之增加。从图5中可以看出：不管是采用本文提出的DTOS策略，或是将任务全部卸载至宏蜂窝，亦或是将任务全部卸载至微蜂窝，随着用户数量的增加，对应的总时延也越来越大。但DTOS策略下任务的总时延却一直低于其他卸载方式。如在用户数为50时，DTOS策略对应的时延约为100 ms，与将任务全部卸载至宏蜂窝、微蜂窝及本地执行比较，分别可以节省约5、8、10 ms的任务执行时间。进一步证明了DTOS策略能够有效应对大量用户接入情况下的海量数据涌入问题。

图4 用户数量与功耗的关系

图5 用户数量与执行时长的关系

6 结束语

本文在双层边缘计算结构中，在保证单任务时延及功耗双重条件下，以最小化系统的总功耗为目的，提出了一种新的任务卸载方式。系统中包含双层边缘计算节点，分别为微蜂窝边缘和宏蜂窝边缘，在宏蜂窝网的覆盖范围内有多个用户，每个用户均有自己的独立任务。系统在保证每个用户的独立任务均能在时延范围内完成且完成任务所消耗的功率不超过额定范围的条件下，以最小化系统总功率构建了优化模型。由于模型的求解极为复杂，提出一种嵌套迭代算法用于求解优化值。仿真结果表明：本文提出的优化算法可以有效地节约系统总功耗。