泛在电力物联网中基于网络虚拟化的节能卸载机制

张国江，李勇，陈挺，刘洪

(1.国网江苏省电力有限公司, 南京市 210024；2. 国网江苏省电力有限公司泰州供电公司，江苏省泰州市 225309；3.中国科学院上海微系统与信息技术研究所，上海市 200050)

0 引 言

传统依靠电量增长、引进消化吸收再创新的发展模式难以为继。泛在电力物联网(electric internet of things, EIoT)的建设对于助力国家治理实现现代化，促进电网提质增效具有重要意义[1-3]。然而，由于当前电网呈现规模大、分支多的特点，需要一种广覆盖、大连接的接入方式来满足其泛在通信需求。光无线接入网(integrated fiber-wireless access network, FiWi)主要由无线网状网和无源光网络构成，能实现超大面积覆盖和灵活组网需求，已经成为5G接入网络中受到极大关注的发展目标，并具有较高的普及率[4-6]。FiWi架构可通过增加网络单元等方式满足EIoT场景的特殊需求，使得在EIoT应用场景中，FiWi架构成为一种不可忽视的选择[7-9]。

由于电网的分支众多，导致EIoT应用场景中物联网设备分布零散，为了满足零散且海量的物联网设备通信需求，须增加FiWi架构中的网络单元。然而，网络单元数量的增加不仅使得设备管理难度增加，同时造成系统能耗的上升。通过引入移动边缘计算(mobile edge computing, MEC)技术，能有效管理分布零散的网络设备、物联网设备和降低系统整体能耗[10-11]。但是，当前对于降低MEC能耗的研究大多数未考虑网络设备和物联网设备的实际情况，即从任务响应时延，设备发送信息所需能耗等方面考虑其业务上传至云服务器的必要性，此决策过程一般在集中式网络单元发生，而系统中卸载协作节点的确定则是由光网络单元分析物联网设备与MEC服务器之间的通信情况得出。然而，数据的分析和决策的制定会造成光网络设备工作时间的延长，而且由于物联网设备数据量小的特点，容易造成网络中物理链路负载较低，进而降低资源利用率，增大网络能耗支出。因此，在具有海量物联网设备的EIoT应用场景中研究如何降低因任务卸载至云服务器带来的系统高能耗问题变得十分重要。

针对低能耗卸载问题的探讨，文献[12]深入研究数据传输过程中的信令交互状态，通过分析其与设备电量之间的影响关系，结合资源使用情况等信息，确定低能耗的任务卸载路径。但是此机制未分析因信令交互造成的业务时延增大问题。文献[13]将虚拟化技术引入边缘云联合FiWi的网络架构中，利用集中式的控制单元为MEC业务分配通信与计算资源，从而获得较高的网络收益。此文献以资源分配为主，并未考虑架构中网络设备和终端设备的能量支出情况。文献[14]对候选协作节点之间的频谱资源进行权衡，在速率约束条件下，获得较高的网络能效。然而，该文献假设信道条件处于稳定不变的状态，忽视了信道状态的时变特性对设备传输能耗的影响。文献[15]通过将低负载的虚拟链路嵌入到物理链路中实现资源的重新利用，从而在保障业务资源需求的条件下，减少实际网络中的活跃设备数量。但是文中并未对重用链路的有效性进行分析，无法判断链路是否可用。文献[16]分析了响应时延与卸载能耗之间的关系，利用网络中各链路信息并结合人工鱼群算法确定卸载节点，仿真结果表明，文中所提策略对于降低终端能耗拥有显著效果。

为弥补上述缺点，本文提出一种基于网络虚拟化的节能卸载机制(energy saving offload mechanism based on network virtualization, ESNV)。通过虚拟网络管理(virtual network manager, VM)层的集中控制器采集系统架构中的业务与网络信息，以降低网络能量支出为优化目标，将此优化问题建模为多目标整数规划模型。然后，以最小传输能耗和最低响应时延为筛选条件确定协作卸载节点，其次感知不同信道传输信息时设备电量变化情况，并以此作为资源分配的决策条件。最后，根据不同业务的特点分配重用资源，从而减少网络设备的活跃数量。此外，为保障资源重用的有效性，设计有效性保障策略，确保卸载任务的有效完成。

1 系统场景

在EIoT应用场景中，由于海量物联网设备的信息需要通过MEC卸载至云端，而光节点作为卸载决策控制中心，会造成其活跃时长的增加。其次，单个策略所导致的调度时延改变将影响同一网络中其余业务的完成情况。另一方面，假设为每个卸载任务分配专用链路，则会导致网络能耗支出的增大。所以，基于图1所示的面向电力物联网的虚拟化融合边缘云联合FiWi网络架构，利用VM层中的集中控制器，结合时延与能耗影响因素，建立多目标整数规划模型，动态地进行虚拟资源分配。同时考虑到基础设施层的有限资源，通过设计一种资源重用机制减少MEC专用链路。

1.1 系统模型

本文中设备的电量来源于环境中的能量源[16]，则设备在时隙t内从H个能量源所获得的能量e(t)如下所示：

(1)

(2)

图1 虚拟化融合边缘云联合FiWi网络架构Fig.1 Architecture of virtual fusion edge cloud with FiWi network

(3)

(4)

式中：λi表示任务i的到达率；μi为控制器处理i类任务的平均处理率。

1.2 多目标整数规划模型

本文通过优化无线资源分配策略以及重用虚拟链路，使得网络能耗支出降低，并且以增大设备在本地处理完任务后的剩余电量与减少物理链路使用的数量作为优化目标，其约束条件如下：

(5)

(6)

(7)

‖B1‖:‖B2‖:···:‖BN‖=

(1+ε)(q1:q2:···:qN)

(8)

(9)

∀v,x,e,z

(10)

(11)

(12)

(13)

(14)

2 基于网络虚拟化的节能卸载机制

基于上述多目标整数规划模型，将节能卸载问题划分成3个子问题，并通过对应的启发式算法进行求解。子问题1，路径的选取及优先级的设置，此过程在VM层中由控制器执行以时延和能耗为优化目标的判定机制来完成。子问题2，资源优化，由于EIoT场景的特殊性，导致信息传输的耗电量成为一个关键指标，因此以优化电量为目标进行MEC虚拟资源的分配并由链路重用策略映射到实际的物理链路中。子问题3，针对重用链路可能出现故障等问题导致链路不可用，为保重用链路的可靠，提出一种有效性保障策略。

2.1 路由和优先级决策算法

通过分析光网络单元和设备之间的通信交互状态，寻找协作节点。但是这会导致网络设备的活跃时长增加，造成系统能耗的上升。因此，利用VM层中的控制器分析交互状态，确定协作节点，以此降低网络设备的活跃时长。协作节点的决策过程为控制器采集服务提供商(service provider, SP)层发送的业务请求信息，通过路由和优先级决策算法确定业务传输路径，并为即将发送到云端的MEC业务划分资源分配优先级。路由和优先级决策算法具体如表1所示。

表1 路由和优先级决策算法Table 1 Routing and priority decision algorithms

(15)

此外，若在本地处理时延与能耗都低于由云端处理时所需大小，则加入集合GL，其中最低能量支出之和如式(16)所示：

(16)

(17)

2.2 电量驱动的信道分配策略

因为设备能量支出受信道和计算类型的影响，为降低网络能量的支出，本文提出一种电量驱动的信道分配策略，具体如表2所示。

表2 电量驱动的信道分配策略Table 2 Power-driven channel allocation strategy

(18)

(19)

为增加设备处理任务后的剩余电量，需保证获得新的信道无法使得其收集的电量增加和折损的电量减少，故加入新信道需满足如下条件：

(20)

2.3 链路重用策略

2.4 有效性保障策略

表3 链路重用策略Table 3 Link reuse strategy

表4 有效性保障策略Table 4 Validity guarantee strategy

首先分析MEC任务的重要程度和物理链路的有效性，若Ri

(21)

式中：O为网络处理任务的平均工作时间；A为网络出现故障后的平均恢复时间，表示由多条链路构成的网络拓扑的健壮性。令L为一条物理链路上存在的网络单元数，则其有效性表达式如下：

(22)

为减少因增加额外链路带来的活跃网络单元数量增加，可以利用链路合并的方式，但是需要分析将链路合并的可行性Yu，其可行性表达如式(23)所示：

(23)

为优化传输路径，将链路的选择看作二分图的最大匹配问题[18]。当Ri>Rs时，将链路放入集合L1，反之Ri

3 仿真分析

本文采用的对比算法为文献[12]中提出的H2R(human-to-robot)算法，文献[19]中提出的ECO(energy-effcient computation offloading)算法，文献[20]中提出的ERO(energy-saving algorithm based on radios off)算法以及文献[15]中提出的VNE(virtual network embedding)算法。H2R算法与ECO算法均是通过分析网络设备与终端设备之间的通信状态决策协作节点，而两个算法的差异在于H2R算法分配的无线资源大小为固定值，而ECO算法是权衡时延与能耗之间的关系进行资源分配。然而，两种算法都忽视了光网络单元数量对系统能耗的影响。ERO算法、VNE算法则是分析链路状态，通过选择较好的链路实现能耗的降低，其中前者是通过改变网络拓扑结构使得部分光无线节点处于休眠，而后者设计了链路重用机制，将其余没有业务嵌入的节点切换至休眠状态，但这两个算法都没有分析因链路重用而对网络造成的影响。为了解本文所提算法性能，仿真参数如表5所示[16, 19]。

表5 仿真参数Table 2 Simulation parameters

3.1 网络能耗

图2为网络能耗受到负载变化影响的趋势图。如图所示，网络负载与能耗呈正相关，主要是由于当网络负载增加后网络单元处于工作状态的数量和时间都增加，从而导致整个网络的能耗支出上升。

图2 不同MEC负责下的网络能耗Fig.2 Network energy consumption under different MEC

与此同时，另外两种算法的能耗高于本文所提ESNV算法，这是由于这两种算法在协作节点决策过程中信息交互较频繁，从而导致网络能耗较高。而ESNV算法决策过程在VM层中的控制器里，减少了信息的交互次数。此外，H2R算法中分配资源为固定值，造成设备端的能耗无法得到优化。而ECO算法比H2R算法能耗支出低的原因在于其在信息传输时增加了信道数，获得较多的通信资源。

由于决策过程的信息交互需要MPCP(multi-point control protocol)信令，因此对MPCP信令与网络能耗之间的关系进行仿真分析，结果如图3所示。

图3 不同MPCP信令帧持续时间下的网络能耗Fig.3 Network energy consumption under different signaling frame durations of MPCP

其中H2R算法和ECO算法都呈上升趋势是由于协作节点的决策过程信息交互次数较多，而H2R算法中由于网络设备工作时间较长，导致其比另一个算法能耗高。本文所提算法由于决策过程在VM层中的控制器里，减少MPCP信令的交互次数，因此支出能耗为恒定值。

3.2 时延变化

卸载方案对时延影响如图4所示。由图4可知，相比其他2个算法本文提出的ESNV算法端到端时延最低，主要由于H2R算法以广播形式获取周围设备的信息，然后告知被选取的设备完成任务处理，导致调度时延在端到端时延中所占比重高于其他两种算法。由于ECO算法确定信道数量时忽视了调度时延，当加入调度时延后，由于获得信道数量少于本文所提算法的初始值，故本文所提算法的传输时延较低。

重用方案对时延影响如图5所示，ESNV算法在不同业务负载下的端到端时延最低，因为ERO算法每次状态的改变都需要广播给周围设备，更改网络拓扑，从而造成网络中其余业务的调度时延受到影响。而VNE算法与ESNV算法由于是在控制器中进行决策，减少了实际物理网络中因调度策略带来的时延影响。此外，由于本文所提算法是以最大容忍时延为初始值，根据电量变化情况进行资源获取，因此导致在负载较大时，由于资源获取困难，造成传输时延的增加。

图4 卸载方案对时延影响Fig.4 Effect of unloading scheme on delay

图5 重用方案对时延影响Fig.5 Effect of reuse scenarios on delay

4 结 语

针对EIoT场景的特殊性，即网络单元零散，物联网设备众多，现有卸载策略无法满足在此场景下的低能耗需求，本文提出了基于网络虚拟化的节能卸载策略，以电量变化为资源获取决策条件，并通过链路重用策略减少了实际物理链路的使用，最后由有效性保障策略确保业务的可靠传输。仿真结果表明，ESNV算法在保证端到端时延的前提下，能有效减少网络能耗开销。

致 谢

本文中实验方案的制定和实验数据的测量记录工作是在国网江苏省电力有限公司的大力支持下完成的，在此向他们表示衷心的感谢。