邓 宇,赵军辉,2,张青苗
1.华东交通大学 信息工程学院,南昌 330013
2.北京交通大学 电子信息工程学院,北京 100044
随着5G 无线通信技术[1]的迅猛发展与物联网(Internet of things,IoT)的规模性部署,通信网络的传输速率[2]、接入密度[3]、频谱效率[4]等都得到了极大的提升,各种IoT终端设备的数量和数据量呈现出爆炸式的增长,也涌现出许多计算密集型应用,如增强现实、虚拟现实[5]和智慧交通[6-7]等。与此同时,由于IoT 设备的计算、存储能力以及电池技术的限制,执行高能耗任务并实时处理应用数据成为了一个巨大的挑战。云计算[8]的出现很好地解决了终端设备计算能力不足和电量有限等问题,用户设备可通过将计算任务卸载至远程云服务器进行计算,从而大大提升任务的计算时间和设备的运行效率。然而,由于云服务器位置较远且部署集中,将任务数据上传至云服务器的通信过程中需要较高的传输时延,无法满足一些时延敏感性较高的实时任务的要求[9]。
为了解决上述问题,多接入边缘计算(multi-access edge computing,MEC)技术应运而生。MEC 技术通过将任务从资源受限的IoT 设备转移到功能强大且部署于网络边缘侧的边缘服务器(edge server,ES),可以为资源受限的IoT 设备提供实时、动态的数据处理能力,减少总体执行时延和能耗,增强系统通信的可靠性[10-11]。因此,MEC技术已经成为IoT系统研究中一个活跃的研究领域。目前对于MEC的研究主要集中于多边缘节点(edge nodes,ENs)部署策略和卸载策略。在ENs 部署策略方面,2018 年,文献[12]提出了扁平式部署ENs 网络,即在边缘系统中所有边缘云与ENs 同地的网络架构。2019年,文献[13]提出面向复杂性较高的多路访问边缘网络的垂直式ENs 部署,即边缘云与ENs 异地,用户依据计算资源的利用率和任务分类选择性地将计算任务通过不同层级的ENs 卸载至ES,降低总体传输能耗。在边缘卸载策略方面,目前研究主要为通过不同的任务派发和调度方式,提高任务计算的时延或能耗特性。文献[14]考虑了MEC 网络中的流量分集和无线分集,对多路访问边缘节点的不同部署方式进行了时延分析和能耗分析。文献[15]针对计算资源不足而导致MEC 服务器无法满足需求的现实问题,提出了移动场景的计算资源分配方案,并设计了一种分布式资源分配算法以提高系统效用和计算时间。在文献[16-17]中,研究了在保证信道分配公平的情况下最大提升MEC系统吞吐量的问题,考虑了任务之间的相互依赖关系对任务卸载时延的影响,提出了基于协调算法的卸载策略以使得系统时延最低。文献[18]将用户服务质量作为边缘网络有效性的重要评价指标,通过一种在线学习方法尽可能地提升了边缘系统能效。文献[19]提出在移动场景下协同优化边缘节点之间的服务缓存决策和资源分配,大大节省了重新配置服务的成本,提高了通信资源的利用效率。文献[20]首次提出了在ENs所占用计算资源不相同的情况下,采用多级ENs卸载策略能够极大实现传输链路复用,提高传输能效。
上述的研究均取得了一定的成果,但还存在着一些不足之处:一方面,现有的研究对于计算资源及信道资源联合优化问题还考虑的不够充分;另一方面,对于异构资源,大多数研究采用平坦式边缘网络架构进行处理,对于多层级边缘网络的性能表现的研究仍尚少。本文在IoT场景下,综合考虑IoT设备的时延约束特性、边缘节点的异构资源、多路访问边缘网络的无线干扰三个方面的因素,研究由多个设备及两级边缘节点构成的IoT系统中多计算任务卸载策略。主要创新点如下:
(1)提出了一种具有异构资源的二级ENs网络;
(2)提出了一种计算资源及信道资源联合优化的最优能耗卸载策略算法(optimal energy consumption algorithm,OECA)。
本文设计的两级节点MEC 网络系统模型如图1 所示。考虑IoT 节点下的一组IoT 设备,每个设备产生一个计算任务,记任务集为N={ }1,2,…,i,…,n,每一任务需要在延迟约束tmaxi内完成,且不同设备之间是异构的。对于设备而言,可选择两种卸载策略来完成计算任务:在本地执行或卸载到ES。在MEC 网络中,存在一级边缘节点EN1和二级边缘节点EN2,每个边缘节点具有若干信道,记作K={ }1,2,…,k,…,λ,带宽均为B。考虑到IoT设备仅配备一个无线电设备,在任务执行过程中,IoT 设备只能选择一个EN 来将计算任务卸载到ES。为了提高频谱复用效率,EN1与EN2在相同的频带中运行,且其二者之间存在回程链路。由于回程链路与其他基础通信架构共享,其功耗可以忽略不计,回程的时延受到时延系数γ控制,系统模型如图1所示。
图1 两级MEC网络系统模型Fig.1 Two-level MEC network system model
本文旨在研究面向IoT应用的MEC能耗效率问题,以来自不同设备的计算任务为对象,制定一种优化的计算任务策略,使得系统在满足时延约束的前提下能耗最小化。为进一步分析系统总体能耗并研究多IoT 设备的卸载决策及ENs的任务调度对系统能耗的影响,将面向物联网应用的MEC能耗效率分解为以下两个问题。
(1)任务放置问题:根据时延约束与能耗特性,综合考虑全局IoT 设备任务总能耗,对i∈N决定是在本地执行该任务还是将任务卸载到ES。
(2)资源调度问题:在系统中,IoT 节点计算任务集总是由一系列由不同设备上传的任务组成,这些任务通常是异构的,需要对所有任务确定其卸载优先级顺序。主要原因一是系统的频带资源有限,应当把增益较强的信道分配给优先级更高的任务,以使系统整体任务传输过程中的总能耗更小;二是改变任务的执行顺序也会影响系统的总能耗。
在任务卸载到EN1的情况下,系统的全局时延,即系统中所有用户的时延之和,可表示为:
其中约束C1~C3 保证了任务i的通过计算方式的时延要求,tmax表示该用户自身的时延约束;C4~C6 表示任务i只能选择一种计算方式;C7 表示必须为每个任务分配一种计算方式;C8 表示信道只能分配给一个设备。
在卸载过程中,将{ai,j,k}视作表示设备卸载方式选择的指示器,优化问题(15)的解用二进制集合{ai,j,k}表示,{ai,j,k}的影响因素有任务的时延约束、任务传输的无线干扰、用户所选计算方式的能耗属性和任务所属信道的无线资源。
定义 问题(15)是NP-hard问题,具有多项式复杂性。
证明 选定特殊情况,将系统模型简化为只有一个EN且各无线信道具有相同信干噪比(signal to interference plus noise ratio,SINR)设xi={ }0,1 表示任务i是否被卸载到ES,xi=0 表示任务未卸载,xi=1 表示任务卸载,则问题(15)可简化为:
为了有效求解优化问题(12),本章提出了针对多联合优化最优能耗算法(optimal energy consumption algorithm,OECA),OECA 主要分为3 个阶段:设备分类、设备优先级划分、无线资源分配。
按照任务计算的时延约束和能耗特性,将IoT设备分为两类:第一类设备定义为将任务放置在本地的设备,即任务被放置在本地执行;第二类设备定义为将任务卸载至ES执行的设备,这类设备需要符合两个条件:
(1)本地CPU 的计算能力不足以在时延约束内完成任务执行;
(2)本地CPU 在执行任务时延的内能耗高于ES的CPU。
对于{ℂO}中的设备集,由于无线信道的容量有限、设备之间存在无线干扰以及任务之间的异构特性,在为其分配无线信道资源之前有必要对其优先级进行划分,即优先级越高的设备,越优先选择信道资源。设备优先级的主要影响因素有延迟约束、无线资源以及本地计算和边缘卸载计算之间的计算能耗差。设备优先级分配过程如下所示。
其中β1、β2、β3为权重系数,满足β1+β2+β3=1。
式(27)为i的多项加权表达式,其中第一项表示设备i的时延约束的严格程度,时延约束严格的设备应获得更高的权重;第二项表示设备所处的信道环境,应优先为系统中信道环境较差的设备分配信道资源;第三项表示设备选择不同的任务计算方式之间的能耗差值,若设备选择边缘卸载能够节约较高的能量,则设备应获得更高权重。φi的值与设备的优先程度成正比。
基于所得权重序列{φi}可得设备的优先级顺序集合,由此可执行OECA为设备分配无线信道资源。能耗表现是影响设备信道选择的决定性因素,但在设备进行无线信道选择时因优先选择SINR 较高的信道,其原因是:(1)SINR 直接影响任务运算的时延,且不同信道之间的传输功率相等;(2)以SINR为选择无线信道指标能够有效缩短算法迭代时间。无线信道分配的具体步骤如下:
本章通过仿真结果评估OECA 的性能。设定EN1和EN2覆盖面积为100 m×100 m的区域,每个基站具有K=50 条信道,同属一个基站的信道之间两两正交。区域内存在n=100 个用户,每个用户即为1 个IoT 设备,每个IoT设备根据主流应用程序(例如面部识别应用程序、视频导航应用程序等)产生一个计算任务需求。IoT 设备产生的计算任务大小在[500 KB,1 500 KB]间均匀分布,其所需本地计算能力在[1.5 GHz,2.0 GHz]间均匀分布,所需的CPU 计算能力在[0.2 GHz,0.3 GHz]间均匀分布,初始时延系数γ=1×10-4s/KB。具体的实验参数如表1所示。在实验中,将所提出的二级边缘节点网络模型与平坦式边缘网络模型[9]相对比,将所提出的OECA 算法分别与无卸载机制计算方案、基于有向无环图的卸载算法(directed acyclic graph algorithm,DAGA)[16-17]进行对比。
表1 实验参数Table 1 Experimental parameters
如图2 为4 种不同的任务计算方式的能耗表现对比。随着用户数量的增加,不同方案下的系统能耗都逐渐增加,无卸载机制的系统的能耗要明显高于其他3种方案,OECA 算法的能耗最低。当系统用户总数较少时,各计算方案能耗之间差异较小。当系统用户总数n=60 时,二级边缘网络OECA 的能耗为20.9 J,是无卸载机制计算方案的56.3%。当系统用户总数n=100 时,在平坦式边缘网络模型下,OECA的能耗为42.7 J,对比DAGA 减少了8.2 个百分点;在二级边缘网络模型下,OECA 的能耗为37.1 J,对比平坦式边缘网络OECA 能耗减少了13.1个百分点。
图2 不同任务执行方式下能耗对比Fig.2 Comparison of energy consumption under different task execution methods
与DAGA算法对比,系统可卸载用户数量的对比情况如图3所示。随着系统用户总数的变化,两种算法的可卸载用户数量都逐渐增加,当系统用户数量n=100时,二级边缘网络OECA 的可卸载用户数为71,相比DADA 算法高出18.3 个百分点。在系统用户数量较多的情况下,可卸载用户数的增长速度逐渐平缓,这说明系统逐渐达到容量上限。
图3 系统可卸载用户数量对比Fig.3 Comparison of system offloading user numbers
如图4 揭示了回程链路时延系数对系统能耗及二级边缘节点下卸载用户数量的影响。当回程链路时延系数γ较大时,两级ENs 之间的链路时延约束更加严格,此时二级边缘节点下的用户将可能无法满足自身时延需求,因此转为连接一级EN 执行卸载。与此同时,对于这些用户来说,通过一级边缘节点进行传输需要更高的传输能耗,因此系统能耗随着γ的增加逐渐增大。
图4 不同γ 时系统能耗和卸载用户数量Fig.4 System energy consumption and unloaded user numbers under different γ
如图5 揭示了不同用户数量与不同卸载策略下ES的CPU 占用情况。随着用户数量的增加,两种卸载策略所对应的CPU占用都在不断增加。当系统中的用户数量n>90 时,服务器CPU占用几乎不随设备数量而增长,这是由于用户数量逐渐趋近MEC系统的容纳上限,系统趋于饱和。当用户数量n=100 时,二级边缘网络DAGA 的CPU 占用为65%,二级边缘网络OECA 的CPU占用为57.8%,对比DAGA减少7.2个百分点。
图5 CPU占用情况Fig.5 CPU usage
如图6 揭示了时延约束tmax的变化对两种不同的网络模型下的MEC系统全局能耗的影响。对比平坦式边缘网络,二级边缘网络的能效更优,在tmax=50 ms时二者的能效差达到40.14 W。当tmax<80 ms 时,两种网络模型的MEC 系统能耗都随着tmax的减小大幅增加。这是由于此时系统的时延敏感性大幅提高,即系统中的用户在进行应用任务计算时的时延要求更为严格,更多的用户选择通过ES进行边缘卸载以满足自身应用任务的时延要求。随着tmax的逐渐增大,用户自身的计算任务时延要求降低,更多的用户被移出ES 卸载序列以降低MEC系统能耗。
图6 不同tmax 时系统能耗对比Fig.6 Comparison of system energy consumption under different tmax
如图7为不同时延约束tmax下,两种不同的网络模型下的MEC 系统中可卸载用户数量的对比。与平坦式边缘网络相比,二级边缘网络所能容纳的边缘卸载用户更多,即网络吞吐量更大。当tmax=163 ms时二者相差达到最大值25%。随着tmax逐渐增大,系统中可卸载用户数量逐渐下降,这是由于此时用户自身计算任务的时延要求逐渐宽松,更多的用户倾向于在自身IoT 设备上计算应用任务。当tmax<67 ms 时,随着tmax的增大,MEC 系统可卸载用户数的下降趋势较为平缓,主要原因是在时延约束较为严苛的情况下,绝大部分用户依然需要依赖ES 所提供的计算能力进行任务计算。
图7 不同tmax 时可卸载用户数对比Fig.7 Comparison of offloading user numbers under different tmax
本文将IoT 场景下用户应用任务卸载问题建模为二级边缘节点下的多用户边缘卸载策略选择,为了降低IoT 设备进行边缘卸载过程中的能耗,在满足IoT 时延约束的前提下,通过优先级函数平衡卸载时延与能耗,并提出OECA 卸载策略。仿真结果表明,对比基于DAG的算法,所提方案可提升MEC网络容量18.3个百分点,缩减能耗13.1 个百分点,有效提升了通信过程中的能效。下一步工作将考虑在多任务场景下,针对多级边缘网络的并行任务放置问题研究卸载策略,并采用启发式算法进行无线资源分配,以进一步分析MEC 系统的最优能效卸载方案。