边缘计算网络中低能耗算法分析

龙 举 雷 燕 李子清 潘梦琪 薛 丹

（重庆邮电大学通信与信息工程学院 重庆 400065）

一、引言

边缘计算（Mobile Edge Computing， MEC） 技术是当前计算领域研究的热点之一，在移动网络中边缘计算的研究对于移动网络的发展也起着非常重要的作用。近年来电子技术的不断发展使得智能移动终端发展迅速，应用也越来越广泛。然而移动终端的计算能力是有限的，这就会导致在单个移动终端上在大量计算，并且要求时间短的情况下较难完成。而边缘计算却可以利用网络中的资源完成相应的计算，从而提升网络性能[1]。

移动节点中如何降低能耗是非常有意义的，因此在边缘计算网络中，如何设计低能耗的算法，降低节点的能耗就是非常有意义的课题，目前针对边缘计算网络中降低能耗的技术很多，对这些问题进行分析研究，对这些技术中的优略进行分析，这对边缘计算技术的发展就成为一个有意义的工作。

二、低能耗卸载算法分析

针对低能耗的卸载算法可以分为三类：基于微蜂窝卸载任务低能耗算法、基于DNNs结构能耗优化算法、多核服务器最优任务卸载算法。接下来将对这三类技术进行对比研究。

（一）微蜂窝基站间任务卸载模型

移动边缘计算中，智能移动设备（SMD）可选择将部分本地任务上传到云端处理，以降低SMD本身的能耗，提高任务处理的实时性。通过微蜂窝基站间任务卸载模型在靠近用户的区域内布置微蜂窝基站为SMD提供任务卸载服务。

该类技术的优点是：该算法有效降低微蜂窝基站处理任务的能耗，能够确定卸载任务分量，联合微蜂窝基站无线通讯范围内的其他基站协作处理任务，有效降低整个处理任务的能量消耗[2]。

该类技术的缺点：单位任务处理时限会对微蜂窝基站协作任务处理能耗产生影响。单位任务处理量处理时间的时限要求越大，任务在微蜂窝基站上处理的运算频率就越低。

（二）基于DNNs结构低能耗优化算法

首先根据DNNs结构对其计算机任务进行建模，以神经网络层为单位，对计算任务之间的依赖关系进行描述，然后说明神经网络层计算任务的负载模型。根据DNNs结构，将以神经网络层为单位拆分的计算机任务建模为一个DAG，表示为G=(V∪{ }，E)。其中：V=（ ）代表顶点集合， 代表DNNs层总数。不同顶点表示不同神经网络层的计算任务，各神经网络层的计算任务是不可分割的，只能在同一个计算资源上处理。添加输入顶点 和输出终点 表示DNNs的起点和终点。E代表有向边集合，每条边 =（ ）代表各DNNs层计算任务的依赖关系。

基于DNNs特点，提出移动边缘计算环境中基于多重资源任务卸载的粒子群优化调度算法MRPSO。MRPSO算法先初始化调度方案、粒子搜索速度以及任务卸载决策，且计算每个粒子对应的初始调度方案的总时间、总能耗和适应度值，然后进入算法迭代，更新所以粒子对应任务卸载决策与调度方案。

本类技术的优点：对于DNNs来说，只要网络结构确定，在不实际执行神经网络的情况下能估计出其执行的时间。使用粒子群调度算法（MRPSO算法），可以将DNNs各层的计算任务动态分配给相应的执行资源。与已有算法相比，MPRSO算法所得适应度最低，在用户时间约束下，终端设备能耗最少。

本类缺点：本节计算机速度和网络带宽都是固定值，而在实际过程中计算机速度和网络带宽都会有波动，会对DNNs真实执行时间造成影响

（三）多核服务器边缘计算卸载调度

本节研究的是单用户多核服务器的MEC系统。该系统有一个用户和具有多核处理能力的MEC服务器。用户侧有多个独立可卸载的计算机任务，并且这些任务可并行地卸载和执行。MEC服务器是运营商部署在无线接入点附近的小型数据中心，因此其可通过无线信道与移动设备连接，执行移动设备卸载的计算任务。首先，基于混合流水车间调度模型对系统任务的卸载调度进行了建模，获得了系统时延的计算表达式，并在此基础上对系统能耗进行了建模；其次，利用混合编码方式的遗传算法，对系统时延和能耗的加权和最小化问题进行了求解，确定了最优的任务卸载调度策略和系统时延与能耗间的权衡关系。

优点：采用该任务卸载策略可以显著地减少系统时延，并且通过系统能耗和时延成反比地关系，在不断增加时延的条件下找到了一种节能的方式[3]。

缺点：由于系统能耗与网络时延成反比，在找到最低能耗时，网络时延未必最低，做不到两者兼顾。

三、结束语

边缘计算中的能耗是其中的关键问题之一，从能耗的角度出发，对现有的三种最具代表性的算法与模型进行理论分析，通过分析得出，基于微蜂窝低能运算卸载算法中，微蜂窝基站数目对节能效果有影响；基于DNNs神经网络低能耗卸载算法快与否也与神经网络层次划分密切相关；而在多核服务器边缘计算卸载算法中，系统能耗与系统时延有很大关系。这为上述三类边缘计算应用提供了指导与参考。