物联网低时延云雾混合网络负载均衡策略

吴海超，王新民

(1.长春财经学院 信息工程学院，吉林 长春 130122；2.长春工业大学 数学与统计学院，吉林 长春 130122)

0 引 言

随着互联网接入设备的高速增长和物联网(Internet of things，IoT)的出现，未来雾计算被越来越多行业不断引入。相较于其它算法，雾计算的最大优势在于它能够不受中心化的困扰，可以充分利用本地位置感知分发的技术，并且该算法还可以应用于不同类别的终端设备中[1-4]。正是因为这些优点，在可以预见的车联网、物联网、智能电网等等各种场景中都将会发挥重要的作用，甚至可以超过云计算的应用。雾计算与云计算区别的主要因素是它与终端用户的密切关系[5]。随着计算机技术迭代更新速度加快以及人们对移动终端的依赖程度越来越高，去中心化成为了必然趋势，所以雾计算的重要性将会越来越突出，尽管在短时间内它还无法取代云计算，但是在一些重要场景中雾计算以及发挥了一定的作用[6-8]。

为了减少IoT中负载均衡时所带来的服务时延，提出了一种面向低时延的云雾混合网络及其负载均衡策略，对边缘设备产生的物联网请求进行调度，将其分配给雾和云上的足够资源。所提策略的创新点总结如下：

(1)为了弥补云计算高时延的不足，所提策略构建了云雾混合网络，将物联网设备的服务请求合理分配到云和雾计算中，以充分利用雾计算低时延与云计算处理能力强的优势，满足系统低时延、数据处理速度快的需求。

(2)针对现有IoT负载均衡方案时延较大的问题，所提方案将物联网服务请求的均衡建模成一个优化问题，并利用改进的蝙蝠算法求解此问题，合理分配云雾计算资源，实现服务总时延最小化。

1 相关研究

雾计算的概念最早出现在2012年，提出该概念的机构是思科。该技术的出现将云计算扩展到网络边缘[9]。在云计算技术的实施过程中，可以利用已经搭建的网络架构，通过相关的软件和硬件技术，将数据中心和最终的用户相互连接起来，形成雾计算层。该层面上的相关设备可以完成相关的计算功能，从而有效节省了大量的计算时间，降低了网络时延，可以满足更多用户的需求。除此以外，通过使用雾计算还可以实现对于位置的感知功能[10,11]。雾网络中所用到的各类设备大部分都是与用户终端比较接近的设备，包括交换机、路由器等。文献[12]提出了一个医疗保健参考模型，该模型由4个层级组成，分别为集成了用于收集数据的不同物理传感器的传感层、提供网络支持和在有线或无线网络中数据传输的网络层、创建和管理各种类型的服务来满足用户需求的服务层、同时还包括可以实现将用户与应用该软件相互连接功能的接口层。

雾计算拓宽了云计算技术的功能，两种不同的计算方法在使用过程中可以相互影响，通过两者的配合确保了用户服务质量的提升[13]。通过利用当前快速发展的现代化网络技术，加强对雾计算的研究，将会有效提升物联网技术的发展质量。雾层负责处理对物联网设备的本地缓冲和不同连接要求，而云层负责处理与雾层的连接、用户或设备数据的管理以及例如仪表板、规则引擎，大数据分析和集成框架的应用服务[14]。文献[15]中提出了一个工作流服务请求和动态最小响应时间，该响应时间分析了在边缘计算中映射请求的同一层级的算法。实验结果表明，该算法在响应时间和阻塞率上都有很好的性能。

雾计算在实施过程中所用到的各种不同的组成设备相互之间比较分散，同时计算速度有限，仅仅依靠单一的设备在较短的时间内是无法完成繁重的数据处理工作的，应该使用分布式的计算方法，对计算量进行划分，然后由不同的设备进行计算，完成计算后统一反馈结果，从而计算速度[16]。所以，重点针对雾计算过程中每个设备的计算效率、花费的成本等，从而以此为依据分配工作任务，实现提升计算速度，降低时延的目的，应该加强对雾网络分布式负载均衡算法的研究。文献[17]阐明了一个关于云计算和边缘计算中的网络流量问题的核心挑战，并提出了两个优化模型，使得每个节点的平均分组时间与平均到达时间的最大百分比达到了最小化，而第二个模型处理了最大化本地网络链路利用率的问题。

考虑到环境的性质，安全性是雾计算中的一个主要挑战。文献[18]提出了一个网络安全框架，可识别出在分布式雾计算环境中的恶意边缘设备。该框架采用两阶段马尔可夫模型对恶意或合法边缘设备进行早期预测。实验结果表明了所提框架的有效性。文献[19]深入探讨了在制造集群场景中如何能够利用雾计算科学确定能耗值。首先，该文献构建了相应的数学模型，同时提出了相应的优化函数，然后，使用改进的粒子群优化算法获得最优解，并将完成任务的优先级构建到制造集群。最后，引入了多智能体系统来实现制造集群的分布式调度。通过糖果包装生产线的实验对所提出的ELBS方法进行了验证，实验结果表明所提出的方法为混合作业机器人提供了最佳的调度和负载平衡。

2 系统模型及问题建模

2.1 云雾混合网络

提出的云雾混合网络集成了雾计算与云计算，其为一个3层体系的架构，如图1所示。其中：边缘层由终端节点、嵌入式系统、传感器和执行器组成，计算、能量和带宽都非常有限；雾层包括路由器、网关、交换机等中间网络设备，均具备计算和存储功能，且接入点采用4G、5G、LTE、Wi-Fi等不同的协议；云层由在存储和处理能力方面具有非常丰富的虚拟化能力的云数据中心组成。

图1 云雾混合网络的架构

这些请求来源异构资源的集合ζ={si|i=1,…,m}的处理能力，一个资源代表着一个已完成请求处理的物理设备。其中资源si可能位于靠近雾边缘的位置，也可能位于远离云边缘的位置。每个请求φj均会存在的时延为：传输时延，即将请求数据包的比特数据推送到连接链路上所需的时间；排队时延，即请求数据包通过网络路由器和交换机所花费的时间；传播时延，即信号在到达目的地之前通过传输媒体进行传播的时间。由于传播时延与其它时延相比是微不足道的，所以传播时延忽略不计。

传输时延是一个关于数据包长度和链路传输速率的函数，由于其对于固定的包大小和传输速率具有确定的值，因此可以预先评估。相反，排队时间本质上是随机的，因此总时延可以看成一个随机变量，其平均值为

(1)

物联网数据处理包括数据存储、数据聚合以及分析、特征提取、图像、视频处理等，数据处理的时间由请求的数据大小和处理请求的资源的处理能力所决定，资源si处理每个请求φj所需的时间Tij，其中资源能力是根据处理速度Vi确定的。此外，如果资源正忙于为其它请求提供服务，则请求可能会遇到额外的时延。

负载均衡策略的目标在于特定时间将Ψ中的请求分配给ζ中的有能力的资源，以达到时延最小化的目的。请求φj的时延为从请求在雾边缘启动到完全处理并将结果返回给请求者的往返时间(round-trip time，RTT)。负载均衡模型中假设：①作为计算处理器的资源在雾端和云端时一次只能处理一个请求；②请求可以随时启动；③每个请求数据量大小由请求拥有的数据包数量决定，每个请求可以具有多个分组，且其中每个数据分组的大小是相同的；④如果请求开始处理，则必须在不中断的情况下完成。

2.2 目标函数与约束条件

一个集合中有n个请求，Ψ={φj|j=1,…,n}由边缘层物联网设备生成，并且需要由一组m资源ζ={si|i=1,…,m}进行处理，资源分布在雾和云之间[20]。负载均衡模型的目标是，在考虑各种约束条件下，完成总时延的最小化，即使用m个可用资源为n个请求提供服务时的往返时间总和。目标函数表示如下

(2)

式中：Xij为决策变量，用于指示请求φj是否被分配给资源si。给定请求的单个时延为

(3)

从数学的角度来看，时延是启动时间和服务结束时间之间的差，其中，服务时间包括了开始时间、处理时间、传输和排队时间，计算如下

Tij=TSij+tij+QTij-T0j

(4)

式中：TSij是资源si处理请求φj的开始时间，tij是请求的处理时间，QTij是请求φj到达资源si之前的传输和排队时间，T0j是请求rj的启动时间。

每个请求的处理时间等于请求数据大小除以资源处理能力，假设Qi表示请求的数据量大小，fi表示资源的处理能力，则处理时间通过tij=Qi/fi得到。请求φj从边缘层到位于雾或云中的资源si的传输和排队时间为

(5)

一个请求的时延是其各个数据包时延的总和，该数据包的时延是在特定平均值周围分布的单个时延。

设定目标函数是为了在满足约束集合的条件下实现其最小化。约束条件包括：

(1)每个请求φj只能由一个资源来完成服务

(6)

(2)请求φj在被传输到资源之前不能开始处理。这个时间量包括启动时间加上到雾或云计算所在位置的传输和排队时间。即为了处理请求，需要先创建该请求并将其传输到资源，表示如下

TSij≥T0j+QTij,∀rj∈Ψ,∀si∈ζ

(7)

(3)每个资源si一次只能处理一个请求。如果有两个请求同时到达资源进行处理，则其中一个请求必须在另一个请求完成后才能开始进行处理。这两个请求的执行顺序由参数βijk定义，如果βijk=1，则资源si执行请求φj，然后执行请求φk，反之亦然。对于∀si∈ζ, ∀φj,φk∈Ψ,φj≠φk，决策变量βijk的定义如下

ifXij+Xik=2 thenβijk+βikj=1TSik≥βijk(TSij+tij)

(8)

(4)请求之间的优先依赖性。即使请求被分配了到不同的处理器中，如果它的前例没有完成处理，那么此请求不能开始进行处理。即

(9)

(5)请求必须在特定截止期限之前送达，即

Tij≤Dj

(10)

式中：Dj为请求φj的截止期限。

3 基于改进蝙蝠算法的时延优化负载均衡策略

3.1 蝙蝠算法

由于蝙蝠算法(bat algorithm，BA)在全局搜索场景中效果十分显著，并且收敛效率也相对较高，程序编译并不复杂。所以在云雾混合网络情况下的负载均衡一般通过BA算法对其进行优化。这种算法是近年来刚刚兴起的一种算法，其计算出的任何一个优化解都将会被视作一个蝙蝠[21]。对于任何一个蝙蝠而言都会相对应有一个适应度，BA算法在运用过程中将会通过调整频率、脉冲发射率以及不同的响度对最优蝙蝠开展全域内的搜索。

对于优化问题而言，BA算法虽然具有明显的优势，然而其缺点也十分明显，一是经常得到局部最优的结果，二是收敛速度相对较慢[22]。为尽可能克服这些缺点，本文中将会通过负载均衡的方法对蝙蝠种群数据前期做初始化处理，这样能够有效提升最终解的质量，然后还要充分利用Powell搜索，进而能够有效提升其收敛效率。

具体来讲，基本蝙蝠算法主要分成6步进行：

步骤1首先对模型中的参数开展初始化操作：一般要设定一个最大迭代次数值，这里将其记作Gmax，然后要确定合适的搜索精度这里记作ε，还要确定脉冲频率的最大值以及其最小值这里用hmax,hmin表示，蝙蝠的初始化位置通过向量Xi(i=1,2,3,…N)表示，那么针对当前蝙蝠群中进行搜索后就能够得到的一个最优蝙蝠位置，用X*表示。

步骤2在种群迭代中根据以下公式更新蝙蝠的速度和位置

(11)

步骤3生成随机数1，如果1>ri(ri为第i只蝙蝠的脉冲频度)，则更新当前最优蝙蝠位置

Xnew=Xold+εAt

(12)

步骤4生成随机数2，如果2

(13)

步骤5通过以上几步能够得出蝙蝠群体的适应度值，然后利用该值就能够做出科学的评估，以此为基础就能够进一步确定其最优位置以及具体的适应度值。完成此过程后，需要再次做迭代操作，重新回到步骤2开始，直至能够符合开始所设置的精度要求或者能够符合迭代次数超过设定的最大值的条件。

步骤6结束算法，最终能够得到最优函数值以及蝙蝠的最优位置。

3.2 基于Powell局部搜索的改进BA算法

Powell算法无须对目标函数做求导处理，所以这就决定了当其导数不连续情况下同样能够引用该方法，另外该算法也无须求出相应的梯度，其搜索精度相对较高，基于以上这些优点该算法得到了广泛应用。然而任何一种算法都有其固有缺陷，Powell算法的应用对初始点有着严格的要求，所以一般在引用该方法时要通过负载均衡对其做初始化处理。其具体的计算过程如图2所示。

图2 Powell算法的流程

通过负载均衡进一步求出的蝙蝠种群的初始化结果，假设n个初始蝙蝠种群的无关搜索方向记作d(i)(i=0,1,2,…,n-1)，令c(0)=c(j)，从c(0)开始依次沿搜索方向进行一维搜索，获得c(i)(i=1,2,…,n)。设d(n)=c(n)-c(0)，如果|d(n)|≤δ，在得出c(n)后计算也就会相应终止；不然，从c(n)开始将会沿d(n)方向开展线性搜索直至最终求出c(n+1)。

搜索方向的确定一般利用如下公式进行计算：f(c(0))-2f(c(0))+f(2c(n)-c(0))<2[f(c(m))-f(c(m+1))]，如果成立，则说明d(0),d(1),…,d(n-1)线性相关，需要调整搜索方向；否则，说明d(0),d(1),…,d(n-1)线性无关，不调整搜索方向。

3.3 基于改进BA算法的云雾网络负载均衡策略

云雾网络数据中心有m个雾计算设备，需要处理α个边缘终端所产生的调度响应。每个雾设备中具有的资源向量可以被划分为两个类别，包括空闲资源向量、被使用的资源向量。负载均衡代表了让全部的边缘终端都可以与相邻的雾设备相连，经过不断演化计算，每个终端最终都可以与雾设备保持最小的距离[24]。两者之间的距离可以通过资源相关系数进行表示，如果该系数较小，则代表将要用到的资源和雾设备两者可以产生非常多的互补，如果空间不受限制，那么这个时候将会被分配至其它相关性并不显著的一些设备之中。假如利用皮尔逊相关系数ϑvp对于虚拟资源以及物理节点两者之间的相关性进行计算，相关性的大小保持在[-1,1]。则边缘终端与雾设备的距离为

(14)

边缘终端与雾设备的距离取值范围为[0,1]。如果将边缘终端与不活跃雾设备之间间隔设置为最大值，该值的大小为1，那么这一状态代表了仅在边缘终端不能放置的情况下，才可以分配至新雾设备中[25]。基于改进BA算法的云雾网络负载均衡策略的算法伪代码如算法1所示。

算法1：基于改进BA的云雾网络负载均衡策略

初始化：首先要确定合理的基本参数；假设在实际运行时受到了n个服务请求，这些请求的数据集用Ψ表示，这里再假设雾设备数是m，那么通过负载均衡再做出初始化操作，并且要把聚类中心设定成蝙蝠的位置编码，这样将会最终得到N个数量的初始蝙蝠。

Begin

(1)将蝙蝠种群的速度、脉冲频率、脉冲响度以及脉冲发射速率做出初始化处理。

(2)利用公式计算出所有的蝙蝠所对应的适应度值，然后获取一个最优解，再通过速度以及位置公式进一步对剩余蝙蝠所对应的信息做出具体的调整。

If1>ri，then

对目前群体中的最佳蝙蝠位置通过随机扰动的方式获取替换当前蝙蝠的位置，具体公式如下:Xnew=Xold+εAt。

If2

得到一个新解，通过Ai以及ri公式对音强进行降低处理，在此过程中还要进一步增大脉冲发生率；

Otherwise, 不调整Ai以及ri，再次回到步骤(5)。

(5)对蝙蝠群体做出科学的评估，同时对最优位置通过Powell算法开展局部搜索。

(6)判断算法是否能够完全符合起初设定的终止条件：如果符合(|d(n)|≤δ)或超过了设定的最大迭代次数，就进行步骤(7)；否则，设i=i+1，再次回到步骤(2)。

(7)输出：最优的蝙蝠位置以及其所对应的负载均衡方案。

End

4 改进BA算法实验

在改进BA算法应用于实时仿真环境之前，需要针对算法中的不同参数在方案实现中的作用进行探究。改进BA算法实现时最重要的两个参数分别是种群规模N和最大迭代次数Gmax，直接影响着负载均衡方案的质量和运行时间。

4.1 种群规模

考虑到改进BA算法的整体时延Tij和传输时间QTij会决定所得最优解的质量，通过实验确定种群规模。实验中考虑了不同规模的调度问题κ，其中每个值是包含n请求和m资源的一个元组(n/m)。针对κ中的每个值，仿真进行5次不同的实验。实验中计算得到整体时延和传输时间的平均值，并且最大迭代次数为50。整体时延以及运行时间与种群规模的关系如图3所示。

从图3(a)中可知，随着种群规模的增加，改进BA算法的整体时延逐渐减小，但在种群数量达到40之后，整体时延减小量变得微不足道。而从图3(b)可知，传输时间随着种群规模的增加而继续急剧增加。因此，综合两者，改进BA算法将种群数量设为60，如此系统仅需花费中等运行时间而能获得高质量的负载均衡方案。

4.2 迭代最大次数

为了确定最大迭代次数的最佳值，在进行实验时同时考虑了获得解的质量(如确定的整体时延)和改进BA算法的运行时间。实验中相应的平均整体时延和运行时间的平均值与最大迭代次数的关系如图4所示。

图3 整体时延、运行时间与种群规模的关系

图4 平均整体时延、运行时间与最大迭代次数的关系

从图4中可知，最大迭代次数的增加会将解的质量(时延)提高到某一点。但是，最大迭代次数的增加通常会急剧增加算法的运行时间。因此，所提算法中最大迭代次数设为20，如此系统仅需花费中等运行时间而能获得高质量的负载均衡方案。

5 仿真实验与结果分析

基于离散事件仿真器构建所提策略的仿真模型。在边缘层请求遵循一种特定的分布，并根据到达时间的生成，每个生成的请求都与其在模型中的定义属性相关联。请求从边缘传输到所提改进BA算法的调度器，该调度器会决定在雾资源或云资源上分配请求的时间和位置。所提策略集成改进BA算法与离散事件模拟器，改进BA算法的调度器会在特定的定义时间范围内接收请求。最初，模拟器中的所有资源都是可利用的，但随着时间的推移，请求被启动，也将会被分配给资源。因此改进BA算法会生成一个负载均衡方案，并且当新的请求到达时，其会为了将来的决策而将已生成的方案内容保留。实验中假设所有的请求数据包的实际时延可以与平均值相同，也可以基于所使用的分布而有不同的值，且传输和排队时延分布设为具有特定均值和方差的高斯分布。

为了论证所提策略的性能，将其与文献[12]、文献[17]、文献[19]中的策略进行对比分析，其中选取总体平均服务时延和错过截止期限的请求数作为评价策略性能的指标。并且实验基于两种调度模式展开，即静态调度模式和动态调度模式。在静态模式下，请求之间的到达间隔时间被消除，并且假设所有请求都在时间0时批量一次生成。在动态调度中，请求是服从泊松分布，并根据到达率生成。

5.1 静态调度

实验中使用了16台服务器，平均处理速度为每秒处理500个数据包，且处理速度广泛分布在每秒处理50到1000包之间。服务器的平均时延设置为每个数据包平均5 ms，且服务器时延一般分布在从1 ms～9.7 ms。实验总共处理了100个请求，优先级设为在1到16上均匀分布。截止期限要求的平均值设为400 s，波动范围是50 s。不同负载的平均整体时延、错过截止期限请求数与平均请求数据量关系的对比如图5所示。

图5 静态调度下平均整体时延、错过截止 期限的请求数与平均请求数据量的关系

从图5中可以看出，与其它策略相比，所提策略在总体时延方面具有更好的表现。文献[17]和文献[19]这两种策略的结果非常接近，因为它们都是基于优先级来实现资源内的请求分配，但调度是不同的。文献[12]需要最长的时延时间，因此以循环调度的方式进行请求分配时是不会考虑请求优先级的。

此外，与其它策略相比，所提策略可以在更长的时间内保持无请求错过其截止期限的记录。但在平均6500个数据包的情况下，所提策略无法保证满足所有请求满足它们的截止期限，因为请求的服务时延增加了，截止期限也变得十分关键。即使所提策略是可行的，但也不能保证满足所有的要求。如图5(b)所示，这一结论可以通过平均请求数据量大小位于6000到8000的之间时呈现的结果中得到验证。当数据量达到8000个包时，问题变得不可行，因此所提策略也无法找到可行的调度方案。

5.2 动态调度

实验的环境配置包括了16个服务器和500个请求，以评估请求随时间到达的时延。请求是服从泊松分布，平均的到达时间为1 s，优先级设为在1到16上均匀分布。截止期限要求的平均值设为200 s，波动范围是50 s，资源调度的时间范围是10 s，平均请求数据大小通常分布在1000到10 000个数据包之间。负载的平均整体时延、错过截止期限请求数与平均请求数据量之间的对比关系如图6所示。

图6 动态调度下平均整体时延、错过截止 期限的请求数与平均请求数据量的关系

从图6中可以看出，与其它策略相比，所提策略遗传算法在总体时延方面具有更好的表现。文献[12]和文献[17]这两种策略的结果非常接近，但随着平均请求数据量的增加，这两种策略之间差异会增大。

此外，如图6(b)所示，如果平均请求数据量小于5000个数据包，所提策略可以实现了0个请求错过其截止期限，在平均6000个数据包的情况下，其依然可以实现了0个请求丢失，而文献[12]和文献[17]中策略丢失了近20%的请求，文献[19]中策略丢失了35%的请求。在平均请求数据量为6000个数据包这一节点之后，大多数请求的截止期限要求变得非常关键，其中一些请求甚至一件不可完成。因此，当数据大小增加到6000个数据包以上时，所提策略也开始丢失请求，但其在请求错过其截止期限方面的表现仍是最优的。

5.3 云计算网络与云雾混合网络的对比分析

一般来说，云资源具有强大的处理能力，但同时也具有较大的平均传输和网络时延。相反，雾资源的处理能力有限，但由于其离边缘较近，所以造成的平均时延较小。为了能够针对拥有最小的时延一组请求进行服务，考虑了3个参数：平均时延率τf/τc；处理速度比Vf/Vc；资源数量比率Mf/Mc。

实验中通过固定另外两个参数，且只改变一个参数的方式研究了每个参数对服务时延的影响。其中，云端配置了4个超级云服务器，具非常高的处理能力，可以每秒处理5000个数据包。然而这些服务器的平均时延设置得相对比较高，每个数据包为10 ms。为了评估时延，在这组实验中总共处理了500个请求，这些请求的到达时间遵循泊松分布，平均到达时间为1 s，并且平均请求数据量的大小从1000包变为10 000包。

(1)平均时延率的影响

实验中雾服务器的数量设为云服务器数量的4倍，即Mf/Mc=4，并且雾服务器的处理能力只有10%，即Vf/Vc=10%。平均时延率τf/τc将改变为10%、20%、50%和70%。平均时延率对总体平均服务时延的影响如图7所示。

图7 不同平均时延率对平均时延的影响对比

从图7中可以看出，当平均时延率从10%增加到70%时，会增加雾的时延，并且雾的时延会不断增加直到平均时延率处于与云时延相同时的节点。这是因为雾服务器远离边缘设备，更靠近云服务器。在这种情况下，雾服务器与云服务器两者产生的时延一样低。

(2)处理速度比的影响

实验中雾服务器的数量设为云服务器数量的4倍，即Mf/Mc=4，雾服务器的平均时延τf/τc为10%。处理速度比Vf/Vc分别被设置为4%、7%、15%和20%。处理速度比对总体平均服务时延的影响如图8所示。

从图8中可以看出，当处理速度比从20%降低到4%时，雾的时延会增加，并且雾的时延会不断增加直到其超越云的时延。这是因为雾服务器具有缓慢的处理速度。在这种情况下，即使这些资源比云资源更接近边缘，但由于处理速度慢，雾也会产生较高的时延。

(3)计算资源数量比率的影响

实验中服务器的平均时延率设为云平均时延的10%，并且雾服务器的处理能力设为云服务器能力的10%。雾资源的数量相对于云资源数量比的变化为100%、150%、200%、400%和800%。资源数量比率对总体平均服务时延的影响如图9所示。

从图9中可以看出，当资源的数量比率从800%降低到 100%时，雾的时延会增加，并且雾的时延会不断增加直到其超越云的时延，因为雾服务器具有很少的资源。因此即使这些资源更接近边缘并且具有良好的处理能力，但由于雾服务器的资源很少，这也会以负面的方式影响雾服务器中产生的时延。

图8 处理速度比对平均时延的影响

图9 计算资源数量比率对平均时延的影响对比

6 结束语

当前，我国现代化信息技术发展迅速，已经广泛深入到各个不同的领域，以具有较低延时为代表的信息服务质量变得越发重要。雾计算的出现对云计算技术起到了发展提升作用，提出了一种面向低时延的云雾混合网络及其负载均衡策略。基于构建了云雾混合网络，将物联网设备的有限功能要求应用程序合理分配到云和雾计算中，并且将物联网服务请求的均衡建模成一个优化问题，利用改进的BA算法进行求解，合理分配云和雾计算资源，降低用户请求的处理时延，满足低时延需求。基于离散事件仿真器构建实验模型对所提策略进行测试，通过种群规模和最大迭代次数等参数对改进BA影响的分析，得到将两参数分别设为60、20，能够在较合适的时延时间内实现高质量的负载均衡。并且与其它策略相比，在静态调度和动态调度两种场景下，所提策略的总时延也有了显著改善。最后，论证了将雾计算与云计算相结合的重要性，在如资源平均时延、处理能力、资源数量等参数方面，雾计算相较于云计算具有更好的性能。

所提策略中仅考虑时延最小化这一目标函数，接下来的研究将考虑多个目标函数，并且全面考虑关键请求调度、允许抢占、优先处理等方面，从而实现资源利用率的最大化以及时延的最小化。