工业互联网传输延时性分析与研究

梅雨林

（1.安徽工业大学 电气与信息工程学院，安徽 马鞍山 243002；2.合肥职业技术学院 信息工程与传媒学院，安徽 合肥 230012）

0 引言

工业互联网的目标是将灵活的网络技术和思想应用到工业环境中，整合工业生产中的各类要素，从而提升效率、降低成本。当前工业互联网还处于发展初期阶段，以工业制造业为例，其主要特征是生产终端的类型多、工艺流程复杂，各个生产环节会产生大量的数据(包括材料、加工设备、加工过程、质量等），导致车间管理过程复杂，接入终端数量繁多。企业通过实施信息化系统对制造流程进行精细化管理，实现企业的数字化、智能化转型，既需要相关生产设备产生的海量数据信息作为重要的数据源，也需要具备处理海量数据的能力，还要有高可靠网络提供的实时、精准传输能力。当前工业互联网中网络延迟已成为关键性技术，很多应用及架构都建立在低延时基础上，如何有效降低网络中的传输时延以及提升系统的性能已成为当代工控现场的研究的重点。本文从工业互联网时延模型出发，对时延产生的各种因素进行分析，研究了移动边缘计算和雾计算技术在减低传输时延方面的应用，重点聚焦计算卸载、多维资源分配以及边缘缓存等产生的延时问题，利用技术手段对延时进行优化，通过对比方法证明了引入边缘计算能够有效降低网络中的延时，提高系统的整体性能。

1 整体延时性分析

以典型时延的模型进行分析，如图1所示，在工业互联网中被控对象通常可划分为执行器和传感器，T(ca）为控制数据从控制节点开始发送到达I/O设备后在网络中的传输时延。反过来T(sc）为反馈数据从I/O口开始传输到达控制节点后在网络中的传输时延。

图1 典型时延的模型

从此处的典型传输系统模型上看，可以将工控互联网传输时延分成两部分，一部分是节点因自身计算而产生的处理时延，例如控制器、执行器等完成自身功能都需要花费一定的时间；第二部分是信息在网络中传输过程中所引起的时延。前者与控制设备自身的设计和实现有关，通常数值较小，相对于整体时延可以忽略不计；而后者是由于引入传输环节产生的，称作网络诱导时延，根据计算机网络中通信信道时分复用的特点，网络诱导时延属于系统噪声，是无法被消除的，因此网络诱导时延成为影响系统的主要指标，也成为研究者眼中实时性和确定性的主要内容。

2 边缘计算延时改善

如图2所示，移动边缘计算互联网架构通常涉及3大重要部分：公有云，边缘云和边缘设备。

图2 边缘计算工业互联网框架

(1）公有云：提供计算服务的设备，一般包括云服务提供商和后台运营商。负责整个系统的维护和管理，其中计算功能最强大的云服务计算中心就在这一层。

(2）边缘云：为整个系统提供端到端之间的云服务，进一步将云计算的能力拓展到离终端用户更近的边缘设备，最终完成云计算服务向终端用户的下沉。边缘云具备在物理上距离用户距离更近的优势，减少了由于传输距离远而造成的额外数据传输时间，可以提供更低的网络延时，提高用户体验，但边缘云也有自己的缺点：由于边缘云AP的计算和存储能力有限，只能适合小规模用户群。

(3）边缘设备：通常将连入网络的智能设备统称为边缘设备，最常见的如笔记本电脑、智能手机、传感器节点等都属于边缘设备。

边缘缓存涉及到资源分配，凡是网络中具备缓存能力的设备都可以享受资源分配，在系统任务中，提前缓存好所需的输入文件或是计算结果，可以有效地降低服务延时，提高用户的服务质量。资源分配除了计算资源和卸载资源外，还涉及到能量资源，因为在移动边缘计算的无线网络中，所有任务的计算分析，数据传输以及通信都需要消耗能量，对这部分能量进行合理分配，能够大大提高效率，降低系统能耗，减少传输时延。在工业互联网中，由于设备工作过程中的产热以及能耗的增加，导致延时的骤增，也是亟待需要解决的问题。如何降低设备间的能耗，可以考虑通过拓展无线电网络中的频谱资源利用率，进一步降低设备本身造成的数据传输延时性。针对数据传输的任务数量，可以通过划分时隙，传统的方法是时分多路复用或频分多路复用技术，但由于多任务的到达顺序，需要进行排队，即使是基于时隙划分的任务调度算法依然存在排队等待，严重增加了数据传输的时延，可以考虑通过改进多任务决策算法，引进纳什平衡算法，实现更加科学的多任务调度。最后国内还有部分研究者针对单用户单MEC服务场景中的下行传输功率的分配方案，设计出多用户多天线的边缘计算系统，利用离线优化和在线优化，对下行传输功率分配方案继续研究，得到基于拉格朗日对偶法的离线优化问题的半封闭式最优解以及基于滑动窗口协议和系列优化的在线能量资源分配方案，最终可以将系统总能耗降低45%~90%［2］。

在基于MEC卸载的时延指标中，可以利用云边缘协作系统联合通信和计算资源分配法使用迪杰斯特拉算法来最小化所有设备的能耗加权值与延时，设计一种启发式算法来优化系统资源机制，计算出最小化的加权总和，使得最终执行的延迟低于系统延迟要求。还有部分研究者以服务时延长短和任务失败产生的成本作为性能指标，提出了另外一种计算卸载策略，实质上对这两种指标进行优化，在降低时延的同时提高系统的稳定性，更能减少任务卸载失败的风险。通过分析和建模，将这两种联合指标最小化问题建立成高维马尔可夫决策问题，提出基于李雅普诺夫函数的低复杂度在线动态计算卸载算法来对每个时隙内的计算卸载量进行评估和分析，最终联合优化出本地中央处理器计算频率的分配策略，根据实验分析，这种算法最终能有效降低64%的服务延时［3］。

针对边缘计算中，传统卸载能耗较大，边缘和云的任务调度较慢的情况，可以采用时延惩罚机制，在给定的时延范围内，运行最优发射功率的二分搜索算法，实现边缘－云快速匹配，得到边缘到云任务的最优任务卸载发射功率，进一步提高系统的响应率。国内研究者还提出了一种异构移动边缘计算系统，包含一个中心云和多个边缘服务器，中心云可根据系统的负载情况升级成多层中心。还有研究针对用户任务成功卸载最大化，提出新式启发式调度算法，既结合了边缘服务器由于距离较近使得传输时延较小的优势外，同时考虑到中心云服务器上资源丰富使得计算速度快时延较小，优势明显。MEC服务器计算负载有一个额定阈值，一旦超过这个阈值后，系统立刻把对延时不敏感的任务卸载至中央云，剩下来的计算资源全部用作处理延时敏感的任务；为了进一步降低时延，也可以利用拥塞博弈的方式来进一步降低边缘服务器的能耗，引用马尔可夫决策过程，结合本地执行的时钟频率和边缘云执行的传输功率联合优化方案，为了优化队列时延，建立不同容量的排队模型，提升边缘计算的卸载性能［4］。

最后在工业4.0时代，由于现代工业互联网对于无线通信的要求越来越高，大部分工业园区现场使用的无线接入方式都是WiFi，但WiFi在稳定性和信道利用率问题上，都难以满足工控现场的要求，同时工控现场网络为了链接工厂内的各个要素，以现场总线和工业以太网等专业网络为主，两者之间其实很难协调，经常会造成工业控制网络中的大量数据无法上传至企业信息网络中，造成数据沉淀。为了解决这种难题，可以将蜂窝网络与移动边缘计算本地云平台相结合，实现机器和设备的相关数据实时分析或本地分流，最终完成生产自动化，提升整个工控现场的效率。由于其无须通过传统核心网，移动边缘平台可以直接对数据进行分析、处理及反馈，可以大大降低网络延时，提升稳定性和安全性。所以对于工业互联网而言，确定性网络可以为工业控制提供毫秒级时延的远程控制通道，保证链路微秒级抖动以及满足工业互联网高精度时延抖动要求，具有更好的优势。

3 雾计算延时改善

边缘计算可以进一步配合雾计算来改善边缘设备处理数据的能力，将云计算服务推给网络边缘，雾计算确保数据传输依靠本地设备而不是云服务器，同时不需要和远程云服务器建立连接就可以满足本地绝大部分用户的需求，在工业互联网中可以发挥重要作用。虽然通常雾计算使用的设备性能较弱，没有云计算设备的能力强大，一旦超过单个雾节点的处理能力，就需要其他雾节点的帮助。但云计算在提供服务的时候避免不了的会消耗大量的资源(能量，时间和带宽），提供服务过程中最大的问题会产生较大的时延，服务效率大打折扣。雾计算在性能上继承了云计算的绝大部分的优点，和边缘计算相类似，能够为用户提供本地服务，及时响应本地用户的所有服务请求，具有很低的网络延时，故雾计算在解决网络传输延时性问题上也具有广阔的前景。

相对于云计算，雾计算具有极低的延时，非常低的延时抖动，较少的能量消耗，较好的实时互动性和极低的在线数据攻击率，在工业互联网中具有更强的优势。雾计算在一个中心位置收集和处理来自其他终端的数据，但数据处理的位置不是云服务提供商提供的大型数据中心，雾计算提供了一个“迷你数据中心”，位置与数据中心一致。但迷你数据中心所进行的数据处理都是时间要求较高的计算，且计算结果会对本地设备产生影响，同时所有的计算都局限于本地。但边缘计算的计算优势在于：数据处理和预处理都可以本地本设备中完成，所以雾计算对本地设备的计算能力，安全性和开放性要求要远低于边缘计算。

雾无线接入网络可以通过内容缓存，资源分配和计算卸载3个方面来降低系统的延时性。

(1）内容缓存：可以利用雾计算节点(F-AP）和用户设备处的边缘缓存，也可以使用云计算中心的集中式缓存。类似于边缘计算原理，一般计算可以推送给距离目标用户较近的网络边缘，但边缘缓存的容量又是有限的，故要对边缘缓存的内容进行筛选以及缓存位置的优化部署都可以有效的降低时延。通常都将尺寸小的内容缓存在用户设备，其余流行度较高的内容缓存在雾计算节点，流行度低的数据存放在云计算中心。

(2）资源分配：在雾无线接入网络中，涉及到的资源除了计算资源外还有无线通信资源；计算资源通常指的是网络中各个节点们的CPU运转频率，计算能力的大小会影响到任务的处理时延。无线通信资源主要是传输带宽，载波信道和传输功率等，这些资源都会直接影响到数据的传输时延。资源是有限的，尤其是在网络边缘处，更要合理分配才能获得最佳时延。这些时延可以通过一定的资源分配方案和算法来减轻链路的负担，降低时延。

(3）计算卸载：当用户的设备或网络节点由于负载较大，计算存储能力有限导致无法独立完成计算任务时，便会想方设法将计算任务进行进一步卸载，通常都是卸载到空闲的网络节点或计算能力更强的远端服务器设备上，虽然这种方法一定程度上降低了等待延时和处理延时，但由于调用了远端服务器，增加了数据收发的距离，会产生额外的传输时延。因此需要联合优化才能有效降低时延。

计算卸载作为工业互联网中解决延时的重要途径之一，最需要解决的是任务是否可以卸载，按照什么策略进行卸载，是部分卸载还是全部卸载。计算卸载主要还是围绕两方面内容展开：卸载决策和资源分配。卸载决策主要考虑用户任务是否能够卸载以及使用何种策略卸载哪些任务；资源分配则考虑将任务卸载到哪去。为了使任务卸载更加高效，需要估计通信设备之间的能量消耗，利用无线感知联合调度，利用深度学习来对需要卸载的组件进行排序，使用联合调度从编译器中筛选出组件的预定调度顺序，使得其向无线感知的方向转移，在决策权选择中提供更大的自由度。

在雾无线接入网中，一般基站和用户的位置为相互独立的空间点，通常都是泊松分布点和泊松簇过程，可以推导出系统的传输延时和遍历速率。雾计算在云端和移动设备之间引入了一个中间层—雾服务器，利用雾服务器实现云端到移动设备间的低延时通信，中间层—雾层的雾服务器都是部署在网络边缘处，每一个雾服务器都是一个高度虚拟化的计算系统，都具备一定的计算，存储和通信能力。这些雾服务器工作原理类似于传统以太网中的存储转发技术，雾节点会预先缓存好用户访问频率高的文件，一旦用户访问该文件时，节点就直接向雾服务器发出请求，用户与雾服务器之间通常都是一跳距离，如果用户所需的文件刚好在雾节点上命中，则会极大的降低用户访问延时。利用好这个特点，对减少用户访问时延具有非常重要的意义。

4 结语

随着工业互联网的兴起，工控现场各种实时性要求较高的应用也在日益增加，这也对通信网络的实时性提出了严峻挑战。低时延网络对各种新兴业务的性能提升有重要意义，低时延技术也成为了当前的研究热点。此外，低时延网络可以促进新型协议的设计，数据驱动新方法的更新以及推动各种基于MEC的平台产生与发展。MEC中的缓存技术在大规模无线网络中可以发挥巨大作用，可以同时满足大规模接入、密集计算与密集缓存等业务需求。但需要注意的是，工业互联网本身是兼有离散事件和连续变量机制的复杂系统，网络的波动、噪声的产生和变化都会引发系统的不确定性，而且很多终端都是移动的，位置的变更和功率的变化都会直接影响到网络的传输时延，如果在同一时隙内同时出现多个事件，计算结果和低延时性也就难以保证了。因此在实际的研究中，基于MEC和雾计算的资源分配方案虽可以一定程度上改善网络中的延时，但这种仅将实时性要求高的分析和决策下沉到网络边缘，实际上仍缺乏高效的边缘测资源管理和任务调度法，如何有效形成生产场景驱动的自适应学习方法以支持系统个性化决策依然任重而道远。

（编辑 傅金睿）