5G边云协同分布式网络架构下任务卸载模型

陈慧敏，胡玉佩

（广东邮电职业技术学院，广东 广州 510630）

0 引言

5G场景下大规模边云协同分布式网络架构需要应对系统资源负载均衡的问题，云计算系统通常采用网络资源和计算资源联合优化的方式来实现系统的负载均衡。但5G边云协同分布式网络架构相比传统的云计算系统具有独特的特征：随机变化的无线网络参数、网络资源和计算资源容易出现时空耦合现象。这些特征为网络资源和计算资源联合优化带来新的挑战。

为了解决上述问题，相关学者结合网络资源和计算资源的动态变化状态，采用任务卸载的方式实现系统资源负载均衡，比如：任晨珊[1]提出李雅普诺夫方法分散数据处理压力，该方法结合网络拓扑、链路链条与服务器处理能力来设计虚拟队列偏置和计算负载均衡，并通过边缘服务器和云端中心的卸载来应对突发性、密集型的数据量；郭俊[2]针对超密集网络架构中移动边缘计算存在的问题，提出联合前后向链路计算策略及分布式任务调度方案为用户接入和计算卸载提供更多选择性；郝哲[3]以最小化MEC延迟和能量消耗为优化目标，提出一种以用户选择并行优化迭代计算卸载、无线频谱资源调度和计算资源调度的联合优化策略；Fajardo等人[4]采用调度基站边缘侧服务器的服务级别来调整LTE下行业务流的延迟；Liu等人[5]结合应用程序缓冲区状态、移动终端用户、MEC服务器计算能力以及终端与MEC服务器信道特征来决定是否将应用卸载到MEC服务器上，以实现最小化执行延迟的目标；Barbarossa等人[6]提出移动终端的计算卸载策略，该策略在满足最大执行约束限制下最小化移动用户终端的能量消耗，最终降低用户等待队列长度。

部分学者对移动终端的计算卸载策略产生一定的质疑，原因在于：在计算卸载过程中，将数据传送到基站边缘服务器所消耗的能量明显低于移动终端处理数据所消耗的能量。上述的学者认为，计算卸载应该围绕用户移动场景下对延迟和消耗进行权衡取舍。随着5G应用的激增，系统中卸载应用程序所需要的时间就会越来越多，基站侧边缘服务器处理业务所需要的时间将会越来越久，因此，当用户将终端应用卸载到基站侧边缘服务器后，由于边缘服务器处理能力的限制，将会引发一系列新的问题：如何从边缘服务器资源现状和负载均衡目标出发，提出边缘和云端服务器间的资源调度与任务卸载方案；如何根据业务QoS特性、节点负载状态自适应优化任务卸载决策等。

为了解决上述的问题，本文提出一种大规模边云协同分布式网络架构下的任务卸载模型，该模型以最低能耗目标，在保证移动任务的服务质量下，以高效能的方式实现网络资源、计算资源和存储资源的合理调度和任务执行，快速响应计算请求，提高整个系统的负载均衡。

1 大规模边云协同分布式网络架构

大规模边云协同分布式网络架构包括三个部分，主要有边缘云、核心网云以及控制云。整个架构将不同计算和存储能力的服务器分散到整个网络中，利用网络功能虚拟化技术和软件定义网络技术实现计算和虚拟资源的动态调度，实现全网资源的弹性化管理。大规模边云协同分布式网络架构如图1所示。

图1 大规模边云协同分布式网络架构

边缘云是部署到基站侧的网络服务实施层，手机和电脑设备通过无线链路接入基站侧的边缘云，边缘云借助有限的计算能力将数据进行预处理并将结果传至核心网，进行业务集中处理。边缘节点计算能力和带宽资源差异性较大，而且边缘资源会随着业务请求的变化而动态变化，边缘云控制器一旦发现边缘云处理能力不足，为减少等待队列长度，边缘服务器将会将数据卸载到核心网云。

核心网云由多个云计算中心网络构成，拥有丰富的存储资源和强大的数据处理能力，可以保存边缘云卸载的数据以及执行复杂任务的能力。核心网云利用网络功能虚拟化技术和软件定义网络技术对网络的各种资源进行管理、调度和优化，以应对海量业务请求。除此之外，核心网云借助动态负载均衡技术实现资源池的动态扩展和缩减，在保证业务性能前提下降低网络传输和计算开销。因此，核心网云处理数据的性能在速度、成本以及可扩展性方面优于边缘云。

控制云是基于局部和全局开销进行资源调度和管理，其通过软件定义技术实现网络资源使用效率的监测。控制云会根据边缘云和核心网云各自负载情况和网络状态决定资源是否卸载，以高能效的方式快速响应业务请求，满足5G业务差异性的需求。

大规模边云协同分布式网络架构利用了边缘云架构和核心网云架构的各自优势来应对密集任务请求，分散网络处理数据的压力，保证整个网络的正常运行。

2 边云协同分布式网络架构的任务卸载策略

2.1 边云协同分布式网络架构的任务卸载模型

任务卸载可以有效解决边云协同分布式网络架构在资源存储、计算性能以及任务等待队列不均衡存在的问题，它通过卸载决策决定哪些计算需要放在边缘服务器处理，哪些计算需要卸载到核心网服务器处理，最后结合服务器现有开销情况和任务时延确定任务卸载位置。本文方案主要考虑用户请求的QoS需求以及边缘计算资源等要素，寻找能耗最小化，实现全网性能最大化。

（1）边缘节点执行的能耗时延卸载模型

如果任务i在边缘节点执行时，此时终端能耗主要由数据从终端发送能耗和终端空空闲能耗两部分组成。那么终端能耗计算公式为：

其中，Pt为终端数据发送的功率，li为任务i数据量大小，RMEC为终端发送给边缘节点据速率，Pw为终端空闲的功率。Tc为任务的处理时间，由边缘服务器的计算能力决定。由于数据传输的时延（微秒级别）通常小于数据处理（毫秒级别）的时延，因此本文的时延仅仅考虑数据处理的时延Tc。TMEC如式(2)所示：

其中，di为任务i计算量大小，fm表示边缘计算节点的计算能力。

边缘计算节点的能耗是指执行任务i所引起的能耗，而影响节点能耗有CPU的利用率、内存利用率以及硬盘利用率，其中硬盘利用率采用I/O利用率来表征。

边缘计算节点的功率估算公式参考文献[7]，可以表示为：

其中，wcpu、wmem、wio是CPU、内存以及硬盘的非线性相关系数，由边缘节点的具体配置和节点使用情况决定，而Ucpu(t) 、Umem(t)Uio(t)是边缘计算节点CPU、内存以及硬盘在t时刻的利用率，不同时刻的利用率差异性很大。∈是一个误差补偿系数。

边缘计算节点的功率估算公式可以表示为：

那么，边缘节点执行的能耗时延卸载计算公式为：

（2）云端执行的能耗时延卸载模型

任务i在云端执行时，能耗主要是终端发送能耗、终端空空闲能耗以及云端服务器处理的能耗。那么终端能耗计算公式为：

其中，Pt为终端数据发送的功率，li为任务i数据量大小，Rcloud为终端发送给云端节点据速率，Pw为终端空闲的功率。Tcloud为任务的处理时间，由云端服务器的计算能力决定。由于数据传输的时延远远小于数据处理的时延相比，因此本文的时延仅仅考虑数据处理的时延Tcloud。

其中，di为任务i计算量大小，fm’表示云端计算节点的计算能力。

云端计算节点的能耗是指执行任务i所引起的能耗，而影响节点能耗有CPU的利用率、内存利用率以及硬盘利用率，其中硬盘利用率采用I/O利用率来表征。

云端计算节点的功率估算公式可以表示为：

云端计算节点的功率估算公式可以表示为：

那么，边缘节点执行的能耗时延卸载计算公式为：

2.2 任务卸载策略

以最低能耗为目标，综合业务时延、业务CPU性能、存储性能、带宽性能和用户QoS等指标，判定业务是否从边缘节点卸载到云端节点，选择合适的节点进行数据处理。卸载策略的公式表达为：

其中，限制项的第一部分Vi表示任务i传输速率，V表示该类任务的最小传输速率。限制项的第二部分Ti表示任务i时延，V表示该类任务的最小时延。限制项的第三部分表示将某一个任务i部署到物理节点i中，那么已经占用的计算资源和该任务i所需要的计算资源之和要小于物理节点i最大的计算资源。限制项的第四部分表示将某一个任务i部署到物理节点i中，那么已经占用的存储资源和该任务i所需要的存储资源之和要小于物理节点i最大的存储资源。限制项的第五部分表示将某一个任务i部署到物理节点i中，那么已经占用的带宽资源和该任务i所需要的带宽之和要小于物理节点i最大带宽资源。

3 实验分析

本文采用仿真方式对能耗最优的任务卸载策略进行验证。整个实验平台由16台云服务器组成，其中边缘计算云由12台服务器组成，核心网云由4台服务器组成。每台服务器的配置如下：四核2.8 GHz的CPU处理器，每核有2个线程；内存为8 G；硬盘为1 T以及配有千兆的以太网接口。为了验证本文的算法，本文在随机时间段设置海量视频识别密集处理任务，观察当计算量和带宽量都很大的时候，基于随机卸载的算法和基于本文的卸载策略的算法在节能方面的影响。所谓节能表示不采用任务卸载策略相比能量节省比例。

随机任务卸载是指边缘节点一旦发现自身处理能力不足时，将任务随机卸载到满足性能需求的核心网云的服务器中，这种卸载方式没有从全局考虑核心网云计算系统中资源的占用情况，仅仅考虑服务器性能和业务的QoS性能需求。

本文任务卸载算法是指边缘节点一旦发现自身处理能力不足时，对核心网云计算系统中资源的占用情况、服务器性能以及业务的QoS性能需求将任务卸载到能耗使用最低的服务器中。

实验的第一部分是不考虑时延要求的任务量对边云协同处理节能的影响，如图2所示：

图2 密集任务数量对不同卸载算法的节能影响（不考虑时延）

如图2所示，当密集任务量较少的时候，两种卸载算法的节能效果都较为趋同，一旦任务量迅速提升，而且相关节点已经被占用的情况下，系统的节能效果开始下降。随机卸载算法节能效果迅速下降，而采用本文算法的节能可达到40%左右。

实验的第二部分是不考虑时延要求的任务量对边云协同处理节能的影响。当单位任务处理的时延要求很高时，不同的卸载算法在系统节能方面的影响如图3所示：

图3 密集任务数量对不同卸载算法的节能影响（考虑时延）

由图3可知，当单任务处理时间的时延要求较高，采用本文卸载方法在节能方面的效果更好，这是因为本文从系统计算节点实际使用情况和任务QoS需求出发，采用云边协同的方式对资源进行合理分配，将一些计算量较大的任务卸载到云端，不仅利用了云端的超强处理能力降低数据处理的时延，还采用资源协同优化方式保证系统的负载均衡，从而使得系统整体的能耗降低。

4 结束语

本文研究边云协同分布式网络架构下采用不同的任务卸载策略在节能方面的不同表现。实验证明，本文以最低能耗为目标，综合服务器CPU性能、存储性能、带宽性能和用户QoS等指标，判定业务采用哪种卸载策略以达到最优的节能效果，该策略能够在缺少未来业务负载预测的情况下优化节点资源管理和调度，动态适应实时动态变换的工作负载和业务多变的性能要求，最终以高效低能耗的方式完成5G网络海量数据的处理。