物联网边缘计算资源分配模糊建模与优化研究

郭荣佐，邓涵文，陈芳莹，黄 君

1(四川师范大学 计算机科学学院，成都 610101)2(四川工商职业技术学院 经济与管理系，四川 都江堰 611830)

E-mail：469497691@qq.com

1 引 言

物联网(Internet of Things，IoT)已成为一种拥有大量互联事物和应用的新型范式，正在促进互联网从连接网络向连接物理世界转变[1].IoT将数据传输到数据中心或云端进行进一步处理，从而实现物与物、物与人和人与人的互联互通.而现用物联网以集中式的数据中心或云端进行数据处理，带来设备端的网络延迟大、无法满足设备的爆炸式增长、设备端的数据安全受到威胁和造成设备数据传输的能耗大大增加等缺陷.边缘计算的提出和应用，使集中式物联网的这些缺陷得到缓和，将计算任务转移到边缘服务侧而使延迟和能耗得到显著的改善，特别是对延迟和能耗敏感的物联网应用而言[2].

现有研究成果主要集中于对边缘计算、物联网边缘计算(Edge-Computing-based Internet of Things，ECIoT)的计算卸载的研究.如文献[3]就对边缘计算的计算卸载决策模型进行研究，提出一种改进的分层拓扑结构的决策模型，并对模型进行了实验验证；文献[4]对移动边缘云计算的计算卸载问题进行研究，提出一种基于博弈论的分布式移动边缘云计算的计算卸载算法，并将算法应用于多通道无线竞争的多用户计算卸载场景中，验证了算法的计算卸载性能；文献[5]从数据安全角度研究移动边缘计算的计算资源分配与计算卸载，提出一种具有资源安全的多用户资源分配与计算卸载模式；文献[6、7]对移动边缘计算网络的计算迁移与内容缓存、边缘计算的计算卸载研究现状进行综述，综述了计算卸载的各个方面，包括能耗最小化、服务质量保证和经验质量提高，对资源调度方法、系统性能和计算卸载决策开销之间的博弈和权衡进行了综述.亦有研究者对边缘计算、物联网边缘计算的资源分配进行研究的.如文献[8]对边缘计算系统的计算卸载进行研究，提出一种基于Stackelberg策略的边缘计算的无线和计算资源分散均衡卸载算法，并对算法进行了仿真验证；文献[9]提出了一种新的边缘计算物联网体系结构，并对结构的无线资源、计算资源、接入控制和功率控制等进行了基于Lyapunov的随机跨层动态优化研究；文献[10]对正交多址的物联网移动边缘计算的通信与计算资源分配进行关联研究，提出一种有效分层的系统成本和延迟最优化的通信与计算资源关联分配于边缘服务器的算法，并对算法进行验证.同样，有利用模糊理论与模糊优化方法对边缘计算进行研究的.如文献[11]利用模糊理论，对边缘计算的边缘卸载切换进行研究，提出了一种基于带宽、处理器速度和延迟的边缘模糊切换控制器算法，来提高边缘计算系统的边缘切换时间而降低系统的响应时间和成本；文献[12]利用模糊理论对物联网工作分类和资源分配进行研究，设计了一种模糊干扰系统，从通信和成本角度对物联网作业进行分类和资源进行分配.这些研究，为研究ECIoT资源分配与优化奠定了一定的基础，但由于ECIoT的特性和资源的有限性，以及边缘计算的计算任务的动态性和随机性，使得ECIoT的资源分配呈现并发性、资源请求的冲突性和随机多阶段任务特性等，必须进一步研究ECIoT的资源分配与优化问题，以使其资源得到有效利用，从而提高ECIoT的应用范围.

综上所述，对物联网边缘计算的研究，虽有相关研究者进行了研究，但仅设计了相应的模糊系统，未对其资源分配和算法进行深入研究.另外，基于文献[13]对协同物流网的资源分配进行模糊优化分配建模和物联网边缘计算本身的模糊特性，利用模糊理论对物联网边缘计算进行资源分配问题的建模与优化研究，以解决其资源分配的最优化问题和提高资源利用率等.因此，本文主要贡献为：提出一种具有虚拟化控制器的边缘网关型物联网边缘计算结构；对物联网边缘计算的任务进行研究，设计了一种任务分解模型；利用模糊理论，建立了多目标模糊函数；利用非线性六角模糊数，对多目标模糊函数进行量化，设计了多目标模糊函数转换算法和一种基于改进遗传算法的模因算法的优化算法，以求解多目标函数最优解，以此得到物联网边缘计算资源分配的最优分配方案.

2 ECIoT架构

低成本感知器件的普及使得物联网由传统集中式向边缘计算范式发展，即物联网与边缘计算结合，将云计算的功能和优点向边缘推移，使得云计算的部分功能接近于数据生成的边缘设备，从而使得ECIoT引起了多个行业的极大兴趣和成为研究热点，并导致传统物联网架构的演绎和优化.

由此，物联网由集中式向边缘计算范式发展，基于边缘计算的物联网架构演化为如图1所示的结构，称为ECIoT系统架构(Architecture of Edge-Computing-based Internet of Things Systems，AECIoTs).AECIoTs分为4层，分别为物理事物层、物联网边缘设备层、边缘网关层和边缘服务层，其中边缘服务层通过网络与远端云计算平台链接，以实现云计算功能.边缘服务层由边缘服务器(Edge Server，ES)和边缘应用服务器(Edge Application Server，EAS)等构成，ES具有边缘网关控制单元(Edge Gateway Control Unit，EGCU)，EGCU发送控制命令给EGs；同时，边缘服务层还通过网络与后端/远端的云计算平台链接.边缘网关层由若干边缘网关(Edge Gateways，EGs)组成，EGs具有负载平衡与卸载功能，以实现边缘设备的自动卸载与挂起；EGs具有流量监控报告(Report Monitoring Traffic，RMT)、数据预处理单元(Data Preprocessing Unit，DPU)、数据暂存单元(Data Temporary Storage Unit，DTSU)和边缘控制单元等，可实现对边缘设备通信流量的监测、数据的预处理、数据暂存和接受边缘服务器的边缘控制信息(Edge Control messages，ECMs)的控制等功能.而物理事物层通过移动通信、宽带、近距离通信和现场总线等通信技术，实现与边缘设备层的连接，即现实物理世界通过各种感知技术进行信息感知.

图1 ECIoT架构图Fig.1 Architecture figure of edge-computing-based internet of things systems

如图1所示的架构中，物联网边缘设备层的边缘设备(Edge Devices，EDs)执行对物理世界数据源端的感知和简单数据处理任务.在AECIoTs中，设X个私有EDs组成EDs集合SEDs，即SEDs={Eds1，Eds2，…，EdsX}在数据源端附近完成数据感知与采集和计算，并通过EGs的预处理和计算与暂存，将数据传输到边缘服务层.边缘服务层中，EAS承担后端/远端云计算链接，并为Eds提供全局服务接口，通过命令控制EG来管理和调度所有的EDs.设Y个本地ES构成本地边缘服务集合SESs，即SESs={Ess1，Ess2，…，EssY}，SESs可能为微数据中心、微云计算、智能路由器或具有计算能力的EGs等，为靠近EDs侧提供数据存储和计算.设M个本地EGs构成本地边缘网关层，即SEGs={Egs1，Egs2，…，EgsM}，Egs为边缘网关.

图2 边缘网关置入的虚拟化控制器结构图Fig.2 Structure of virtualization controller of edge gateways

如图2所示，在边缘网关层的边缘网关中，置入虚拟化控制器，以实现对上层边缘服务层提供服务和对下层的边缘设备层进行能耗与时延、应用程序与任务分解和其他应用处理等.虚拟化控制器中间部分为上层资源分配与调度、流量监考报告和应用处理核提供服务，且处理下层的能耗与时延分析、任务分解和应用处理，协调实现延迟、能耗、任务分解等来完成资源有效分配.通过边缘网关层的边缘网关置入该虚拟化控制器，可处理大部分边缘任务，减少边缘设备层的应用请求的整体服务延迟和能耗，以提高整个ECIoT系统的服务满意度.

3 系统模型

本部分描述如何依据ECIoT系统的延迟和能耗等来研究其资源分配，主要描述ECIoT系统的任务模型，并对系统的时延、能耗和满意度等进行描述，拟在能耗和延迟之间做出权衡.

3.1 任务模型

对ECIoT系统的任务，需按一定策略进行分解.故定义系统任务模型和任务划分策略.

定义1.设物联网边缘计算的任务TD具有可分解特性，则任务TD定义为五元组表，即：

TD={Ic，Ks，Stfd，Tds，Ecfs}，

(1)

其中：Ic表示任务TD的初始条件集合，包括TD产生时拥有的知识，如TD产生时间、环境和执行估计时间等等；Ks表示任务TD分解的知识集，包含任务TD执行所需所有子任务执行先后顺序和任务TD的功能特征描述等任务TD完成分解的关键因子；Stfd表示任务TD分解中的子任务，依据子任务的复杂度来判断其是否继续进行分解；Tds表示任务TD分解过程完成后，得到的能够由相应设备直接完成的子任务，该子任务可通过资源分配可直接对应到相应的设备资源；Ecfs表示子任务Tds对应的设备角色，且与Tds成映射关系，为可执行对应终结子任务的边缘设备，与边缘设备的具体性能和能力相关.

依据定义1，ECIoT的任务，无论其复杂程度如何，都需要进行按照定义1的描述进行分解.

ECIoT系统一旦建成，其执行的所有任务，均为周期性初始化且具有一定的周期和时间间隔[14].假定AECIoTs中应用持续具有Z个任务，即TAZ={Td1，Td2，…，TdZ}，在每个周期开始时由应用程序初始化，则Tdi与四元组Di={Ai，Tsi，DOi，Maxi，x}具有强相关性，其中Di表示与任务Tdi相关联的量的集合；Ai表示任务Tdi将要处理的数据量；Tsi表示任务或子任务开始时间的先后的时间因子；DOi表示任务Tdi执行完成后的数据输出量的大小；Maxi，x表示Tdi分配给边缘设备Ecfsx时的最坏情况下的执行时间.

由此，得到AECIoTs中任务分解树如图3所示.图3所示，顶层为ECIoT系统应用程序任务集合TAZ，接下来是任务Tdi的中间分解的子任务集Stfd={Stfd1，…，Stfdn}，然后是不可再分的最终子任务集Tds，每个最终子任务都对应相应的边缘设备Ecfsx.任务间或子任务间的相关性，由四元组Di描述，并在图3中表示为最终子任务间的Ai和Tsi.

图3 ECIoT中应用程序任务分解树Fig.3 Application task decomposition tree in ECIoT

3.2 系统时延、能耗与满意度

从ECIoT系统内的信息传输需要消耗时间和能量，故本节对系统的时延、能耗和服务满意度进行描述[15].

设ECIoT系统中，从边缘设备层的Edsi传输数据到边缘网关层Egsj，或通过边缘网关层Egsj传输到边缘服务层Essk的数据传输为上传服务，其上传服务速率为Ri，j或Ri，k，否则为下载服务，且下载服务的时间和能耗在此忽略不计，其中i∈X，j∈Y，k∈M；又设ECIoT系统可用通信通道为Comm={1，2，…，C}，则Commn，m∈{0}∪Comm表示请求n的任务m选择了通道Commn，m>0上传，Commn，m=0为任务m在本地设备上执行；若假设所有请求任务的信道分配候选方案为Cancc={c1，1，c1，2，…，c1，m，…，cn，1，…，cn，m}，则Commn，m的上传速率为：

(2)

其中：CBn，m是信道的带宽，Transpn，m是请求n的任务m的发送功率，CGn，m是信道增益，Cinp是干扰噪声功率，αi，j是为计算卸载因子，有卸载时αi，j=1，否则αi，j=0.

若ECIoT系统中请求n的任务m的输入数据大小为An，m，执行该任务所需的处理器周期数用Tccn，m表示，则该任务将在EDsi，Egsj，Egsk(i∈X，j∈Y，k∈M)中选一个设备进行执行，这将涉及到计算时延、能耗和满意度等.

定义2.假设ECIoT系统中最终子任务Tdsi卸载到Egsj执行，则卸载成本Timeij(tij)为传输时间timeij(tij)和子任务执行时间timei(ti)构成，即：

(3)

其中：Ai，j为传输数据量、Ri，j为式(2)所描述、Tcci，j为执行子任务Tdsi的Egsj的CPU周期数；di，j表示最终子任务Tdsi提交设备到Egsj的距离；pri，j表示Egsj的CPU处理速率.

由定义2可知，若请求n的任务Tdm，分解为若干最终子任务，即Tdm={Tds1，Tds2，…，Tdsh}，则任务Tdm的卸载成本为：

(4)

其中：Tdm表示任务分解为h个最终子任务.因此，ECIoT系统中，有Z个任务的计算卸载时间成本按照式(4)累加[16].

(5)

针对电池供电的设备，需要对其提供经综合考虑计算负载均衡与通信相关的高效计算卸载算法[17].仅有EDs需要关注能耗，其能耗主要开销于本地计算、任务卸载和数据传输.

若边缘设备Edsi空闲能耗忽略不计，且设其初始能量为Edei，则在经历时间t所消耗能量为：

(6)

其中：Ei，lc(tlc)、Ei，dt(tdt)、Ei，oe(toe)分别表示Edsi在时间tlc、tdt、toe完成本地计算、数据传输、任务卸载所消耗的能量.

定义3.假设ECIoT系统中，用户n获得资源m的体验函数为fe(xn，m)，则体验函数fe(xn，m)定义为：

fe(xn，m)=1-e-μxn，m

(7)

其中：μ为用户体验函数fe(xn，m)的权值因子，且μ>0；xn，m表示用户获得的资源.

由定义3可知，fe(xn，m)∈[0，1]，但并不是与资源拥有量成线性关系；当用户n获得资源多时，的值会逐步向1方向增加，但增速会慢慢放缓.因此，用户n得到资源m服务满意度效用函数fn，m(CBn，m)为：

(8)

3.3 问题描述

边缘设备的本地计算到达具有随机性，远端/后端云计算平台下达的计算命令是随机的，而ECIoT系统的资源总量是固定的，每个应用程序任务从本地资源库分配相应的资源以满足任务执行的要求，但由图1可知，应用程序任务分解为最终子任务可用资源数是不确定的和模糊的.另一方面，每个任务的约束条件为能耗、执行时间、可靠性、可用性、可卸载度、通信带宽和邻居节点相似度等，也具有不确定性和模糊特性.

假定卸载策略和返回策略的计算产生的时延在此不予考虑，则由式(4)、式(5)、式(6)和式(8)可得到系统的时延、能耗和满意度效用函数，即：

(9)

依据定义1，任务分解为最终子任务时，存在约束为子任务的处理能力、状态和所处环境，而边缘层的设备亦具有能力特征、状态属性和部署位置等约束[18].因此，ECIoT系统的资源分配问题，就转化为在子任务约束和边缘层设备约束下，使得Ttotal和Ern最小，且Utotal最大的资源分配的策略、算法或方法问题.

4 模糊优化

利用模糊优化方法，建立ECIoT系统的资源分配的模糊模型，并设计算法对模型进行最优化求解.

4.1 模糊多目标模型

在ECIoT系统里，任务的产生在周期性里具有随机特性.为了使随机任务与模糊资源之间的优化，假设任务间相互独立且到达时间服从相同的概率分布，每个任务都按照前面描述进行随机和模糊分解，多个子任务通过计算卸载可在系统多个资源并行运行，而系统总的资源是恒定的.

目标函数为：

其中的各种变量定义服从前面的描述.

系统所有任务经分解为最终子任务后，均需要配置资源，以确保子任务得以执行，因此，系统资源分配应满足子任务执行的最小资源需求.另外，系统可用的资源总量不超过Star=SEDs∪SESs∪SEGs，Star为系统总的可用资源集合，故有：

(13)

因此，系统总的延时必须满足：

(14)

(15)

其中：λm表示请求n的任务m的卸载决策因子.

系统中，若请求n的任务m得以执行，其能耗不能多于请求n的初始能量，即得到系统剩余能量约束为：

(16)

同时，满意度必须满足以下约束条件，即：

(17)

(18)

即得到目标函数为式(10)、(11)、(12)，该目标函数必须在约束式(13)、式(14)、式(15)、式(16)、式(17)和式(18)下，求得最优解，即为ECIoT系统的最优资源分配.

4.2 模型求解

约束条件具有不确定性，在完全满足条件的可用资源分配到不完全满足条件间，存在过渡区间.这要求得最优解，必须在所有模糊约束条件下，用模糊优化探索其最优解[19].

1.数据库：利用2016年以前的国家专利局中国专利文献数据库和七国两组织数据库及欧洲专利局数据库有关关键词检索，获取潜水医学相关的国内专利申请文献，运用智慧牙专利分析软件对这些专利进行分析。

模糊多目标优化能针对多个互斥与冲突的目标提供多种灵活的决策而被广泛应用.在ECIoT系统中，系统延时、能耗和满意度间的关系是模糊的，可使用隶属函数对模型的多个子优化目标分别进行模糊化处理，以得到模型的最优解.选择合适隶属函数是求解模糊优化的前提，故利用文献[20]的六角模糊数来构造隶属函数.

(19)

则将0<ζ<1的(ξ1，ξ2，ξ3，ξ4，ξ5，ξ6；ζ)γ称为非线性六角模糊数(Nonlinear Hexagonal Fuzzy Number，NHFN)，函数式(19)称为NHFN隶属函数，式(19)的示意图如图4所示.

(20)

(21)

图4 六角模糊数示意图Fig.4 Schematic diagram of hexagon fuzzy number

对得到的目标函数利用算法1进行转换，再利用最优化算法搜索最优解.其模糊多目标函数转换算法，如算法1所示.

算法1.模糊目标函数转换算法

输入：设置系统最大容许时延tMad、最大能耗EMec、满意度μ、初始能量E0

②目标函数和约束条件

③模糊决策水平参数(σ，τ，δ)

output：多目标转换为单目标的模型

if(σ，τ，δ)//符合要求目标函数有最佳、最有可能和最坏，σ为决策者决策因子；τ，v为决策者偏好级别；权重系数δi

{

if(σi==σ0i) //给定决策因子，每个目标函数具有给定的决策因子初始值，σ0i，i= 1，2，3

{

//flmgv(x)是给定解向量的第v个目标函数的梯形隶属函数

//多目标转化为双目标函数.τv为v个目标函数的最低初值，取决于决策者，且∑τv=1，τv∈[0，1]

//双目标转单目标；且θ≤flmgv(x)，v=1，2，…，V；δ1，δ2∈[0，1]，δ1+δ2=1.

}

return(fsogv(x))；

}

else //输出的单目标不符合要求，重新设置(σ，τ，δ)，重新开始

{重新设置(σ，τ，δ)→从该算法开始处重新执行，直到符合要求}

算法1先将多目标模糊问题转化为单目标问题.对算法1中的fsogv(x)}的最优解，即为多目标模糊函数式(10)、式(11)和式(12)的最优解.因此，利用基于改进遗传算法的模因算法(Memetic Algorithm Based on Improved Genetic Algorithm，MABIGA)来求解fsogv(x)}的最优解，具体步骤为[21]：

第1步.初始化种群.依据ECIoT系统特点，设计其资源分配优化编码.任务数为Z，总的资源数为Rnum=X+Y+M；先为fsogv(x)设置初始化种群，并对每个种群进行编码，并初始化所有约束.

第2步.种群交叉.在fsogv(x)的所有初始化种群中，随机选择交叉点，使交叉点后的种群按照反序重新排列，并建立新的子种群.

第3步.种群突变.随机选择新产生的子种群进行比赛，将突变的种群转移到下一代的每个种群；得到的子种群修改为具有一定概率δi的突变算子进行进化，与随机块内种群交换突变，每个块内包括满足δi∈[0，1]的多个种群，突变算子仅交换种群的相关属性字符串；在父种群和子种群中，经过突变算子优化得到ksur个幸存者.

第4步.本地搜索.要对fsogv(x)求得最优解，需要对种群交叉和突变进行局部最优化搜索.由此，使用可变领域局部搜索(Variable Neighborhood Local Search，VNLS)算法来提高MABIGA的效率、收敛速度和准确度[22].首先所有幸存者种群随机生成kmax≤ksur个具有邻域结构的Rk(k=1，2，…，kmax)，并在邻域Rk中随机选择初始解ψ1，对ψ1进行抖动得到解ψ2；然后使用ψ2进行可变邻域搜索来改进抖动得到的解而得到解ψ3；最后进行边界判定，达到边界条件Rkmax，结束搜索，输出最优解ψ3，否则重新产生初始随机解重新开始算法；VNLS具体算法如算法2所示.

第5步.新种群产生.经过进化和局部搜索存在后，种群数量大于初始种群数，使用改进关键路径启发式算法选出优异个体形成新的种群.

第6步.终止算法.检查得到fsogv(x)的最优解是否符合决策者对该最优解设置的(σ，τ，δ)的要求，若符合则最优解符合要求而停止算法；否则返回第2步，重新执行算法.

算法2.VNLS本地搜索最优解算法

输入：邻域结构Rt(t=1,2,…,tmax)

终止条件：迭代最大值tmax≤kmax≤ksur

输出：局部最优解Ψ3

Ψ1=Randomly_generated_initial_solution();

While (k

{t=1;

Ψ2=shking(Ψ1)；//对随机初始解Ψ1进行抖动，得到解Ψ2在邻域进行搜索，若找到最优解，

next1：if(t

在Rt里搜索，找到Ψ3

if (fsogv(Ψ2)≥fsogv(Ψ3))

{t=t+1;

goto next1；}

else

{goto next2；}

}

else

{goto next3；}

next2：Ψ2=Ψ3；

next3：k=k+1；

}

return Ψ3

由此，通过对模糊目标函数的转换算法和MABIGA算法求得最优解.

5 实验与仿真

本部分用建立的ECIoT系统资源分配的模糊模型，对系统随机任务模糊资源分配的方案进行优化与分析.

5.1 实验与分析

按照前面ECIoT系统架构的要求，利用台式电脑、ARM Cortex A8的网关和各种具有无线收发的物联网边缘感知设备，构成如图5所示的实验环境.实验时，使用PC机作为边缘服务器，4个ARM Cortex A8处理器的多协议网关作为边缘网关，而13个各种具有无线收发的电池供电的物联网边缘感知设备作为系统的边缘设备，直接感知物理世界.

如图5(a)所示，为用我校物联网实验室设备而搭建的实验环境.传感器模块有光照、温湿度、霍尔、噪声、火焰、超声波、震动、气压和烟雾等，共用13个感知模块，其中霍尔传感器检测直接变速电机的转速.所有传感器模块均通过带有CC2530的ZigBee模块的创新节点与网关的信息交互，创新节点主控芯片为STM32F103VET6处理器.网关采用具有ARM Cortex A8内核的三星电子有限公司的S5PV210芯片，扩展ZigBee、以太、移动4G和蓝牙等通信方式，添加虚拟化控制器模块.边缘服务端采用三台实验室PC机充当.

在创新节点和网关上，分别串入一个采样电阻，用示波器和万用表测量程序运行时间和采样电阻压降，测量原理如图5(b)所示.采样电阻阻值为12.2欧姆，将万用表的开关调节到mV档，测量采用电阻端压降.若节点被分配并执行子任务前，将创新节点的电路板进行LED灯飞线到对应可测试点的引脚，而使其电平拉高，执行完毕之后再将电平拉低，通过示波器测量LED灯引脚高电平的持续时间，即得到该节点运行时间.实物测量如图5(c)所示.

图5 实验环境及测量图Fig.5 Experimental environment and measurement diagram

依据本文建立的模型、模型求解算法和求解模型时的偏好因子σ(σ={0.45，0.56，0.82})，利用随机产生NHFN数和ζ，γ值，对模糊目标函数偏好因子σ分解，并进行约束条件的权重δj(j=1，2，…，6，∑δj=1)的随机产生；再设置最大容忍时延tMad、最大能耗容许值EMec和最低满意度μs，各感知节点初始能量值E0均为9v380mAh电池.由此得到表1所示的各种参数设定值.实验的资源总量为边缘服务器数、边缘网关数和边缘设备数之和，即Rnum=Y+M+X=20.

表1 初始化参数设置值Table 1 Value of initialization parameter settings

()b实验时资源分配数据采集实例图6 实验操作参数设计与资源分配的数据采集实例Fig.6 Data collection example of experimental operation parameter design and resource allocation

实验时先将模糊多目标模型用算法1进行单目标化处理，且用MABIGA算法及算法2求解最优解.在Windows7操作系统下，用微软公司的Visual C++6.0编写边缘服务端程序，边缘网关在Keil中加载ARM开发环境，用C语言编写代码，并通过JTAG下载；创新节点在IAR7.10中用C语言开发，通过JLINK下载烧写.如图6(a)所示，在服务器端设置网络参数，即可与边缘网关和创新节点进行通信；不同任务对现场不同边缘网关、不同创新节点传感器的数据采集，如图6(b)所示.

实验测试得到任务1、2、3分解后的子任务数发表为6、10、12，依据表1参数进行参数设置，得到模糊多目标模型的延时tMad、能耗EMec(为完成某任务所有边缘设备的平均能耗)和计算得到满意度μs；且资源分配的模糊多目标模型、算法1和MABIGA算法实验得到的分配的资源序列，如表2的资源分配行所示.

表2 不同任务资源分配实验数据表Table 2 Experimental data of resource allocation for different tasks

5.2 仿真比较

用Matlab对禁忌搜索元启发式算法(Tabu Search Element Heuristic Algorithm，TSEHA)[23]、捕食搜索算法(Predatory Search Algorithm，PSA)[24]和多目标遗传算法(Multi-Objective Genetic Algorithm，MoGA)[18]进行仿真资源分配，在时延、能耗和满意度等方面与本文算法进行同资源下的仿真实验.

仿真时，任务数为0-40个，且每个任务复杂度相当.分别对不同任务数下，TSEHA、PSA、MoGA和This(本文算法)算法进行延时、能耗、满意度和边缘设备资源分配的仿真，得到如图7所示的仿真图；其中图7(a)为延时对比图，图7(b)为边缘设备平均能耗对比图，图7(c)为满意度对比图，图7(d)为边缘设备资源分配对比图.

由仿真实验和图7(a)可知，当任务数小于20时，参比算法和本文算法在延时上的差异较小；当任务数由20增加至25时，各算法的时延增加值为MoGA最大、本文算法最小.从图7(b)可知，在边缘设备能耗方面，PSA算法当任务数增加到25以后，其后序随着任务数的增加，能耗增加较其他算法快，而本文算法能耗增加程度较为平缓.从满意度来看，TSEHA、PSA和MoGA算法在任务数达到一定量时，若继续增加任务数，则满意度呈现明显的下降，而本文算法随着任务数的增加而略有增加.图7(d)对边缘设备资源分配进行了仿真，TSEHA、PSA、MoGA随着任务数的增加，边缘设备资源分配数也随着增加，本文算法边缘设备资源分配数在任务达到40而继续增加任务时，还有剩余资源可分配.

图7 对比仿真实验图Fig.7 Comparison of simulation experiment

6 总 结

本文对物联网边缘计算架构进行设计，提出一种含有虚拟化控制器的边缘网关型物联网边缘计算系统架构，并对系统任务分解进行定义和描述.然后，利用模糊优化理论，建立了ECIoT系统资源分配模糊多目标函数模型，利用非线性六角模糊数对目标函数进行求解，提出了多目标向单目标转换算法和一种基于改进遗传算法的模因算法的模糊目标函数优化算法.最后，对所提出的ECIoT系统资源分配的模糊优化方法进行实验和对比仿真，有实验和仿真可知，本文算法在系统时延、边缘设备平均能耗、满意度等方面，都得到比较优异的资源分配结果.