面向物联网网关的边缘云优化部署算法

曾志区

摘要：探讨了针对大型基础设施建设中物联网网关的边缘云优化部署算法及任务调度算法。边缘云优化部署算法旨在智能地将计算和存储任务从云端转移到边缘节点，以降低数据传输量和系统延迟。通过4个步骤管理终端设备与边缘网关系统的通信流程，实现了对物联网系统的全面监控和管理。针对不同任务负载和时间加权系数，实验结果显示基于交叉熵的通讯优化在性能上具有显著优势，这些算法提升了物联网系统效率和性能，在边缘计算中展现了潜在的应用前景。

关键词：物联网；边缘计算；优化部署算法

中图分类号：TN915.07

文献标志码：A文章编号：1001-5922（2023）12-0151-04

Edge cloud optimization deployment algorithm for IoT gateway

ZENG Zhiqu

（Guangzhou Huashang University，Experimental Teaching and Network Technology Management Center，Guangzhou 511300，China）

Abstract：The edge cloud optimization deployment algorithm and task scheduling algorithm for IoT gateways in large-scale infrastructure construction were discussed. Edge cloud optimization deployment algorithms are designed to intelligently trasnfer compute and storage tasks from the cloud to edge nodes to reduce data transfer volumes and system latency. The communication process between the terminal device and the edge gateway system was managed in four steps to achieve comprehensive monitoring and management of the IoT system. According to different task load and time weighting coefficient，the experimental results showed that the communication optimization based on cross entropy had significant advantages in performance. Overall，these algorithms improve the efficiency and performance of IoT systems，showing potential applications in edge computing.

Key words：Internet of Things，edge computing，optimized deployment algorithm

數智校园是一个基于先进技术构建的智慧化教育场景，其基础设施包括信息协作平台、物联网技术、智能化设备等。这种校园结构旨在提高学习和教育环境的效率、安全性和便利性。作为数智校园的核心，信息协作平台整合了多种技术和资源，包括数据管理系统、在线教育资源、沟通工具等，为师生提供了便捷的学习和管理环境。在这一进程中，物联网网关作为物理设备与云端连接的关键桥梁，扮演着至关重要的角色。然而，在校园环境下，网关设备的高效管理和任务调度尤为关键。特殊的校园需求促使我们着手研究，本文旨在应对校园物联网网关的特殊要求，提出一种边缘云优化部署算法。该算法旨在实现对网关设备的智能化部署和任务调度，进一步推动校园物联网技术的智能化和效率化。

1算法设计

1.1边缘云优化部署

边缘云优化部署算法可视为边缘网关系统对终端设备的智能管理策略的一部分。这种策略的有效实施包括2个主要方面：一是终端设备的接入，二是终端系统参数的获取。在校园物联网管理系统中，这个过程是对物理设备和节点进行智能化管理和控制的关键步骤。

（1）边缘网关系统通过感知层扫描校园环境中的设备和节点。在校园环境中，常见的物联网设备包括智能教室设备（如智能投影仪、智能白板）、学生学习设备（笔记本电脑、平板电脑）、环境监测传感器（温度、湿度、空气质量传感器）、安全监控设备（监控摄像头）等。这些设备分布在校园各个角落，构成了校园物联网系统的重要组成部分。一旦新设备加入，系统将自动进行连接。感知层在物理访问上扮演着重要角色，负责对每个节点信息进行组网控制，并将结果传递给解析层进行处理。这种扫描和连接的过程有助于系统实现设备的快速接入和集成。

（2）在边缘网关系统中，各通讯模块负责运行蓝牙、WiFi、LoRa等进程，以检测校园内各节点的活动。当检测到数据时，系统将其收集、打包并转发至解析层进行后续处理。而在未检测到数据时，系统会循环等待，直至接收到数据为止。解析层对接收到的数据进行格式标准化。解析层将这些数据按照标准格式进行统一封装，并发送至网络层。网络层则提供了数据对接入应用平台的接口。这一层包括各种广域接入网络与互联网构成的承载网络。系统可以随机切换选择多种或单一的接入方式，将数据传递给应用层。

（3）应用层对网络层传递上来的数据进行应用分析。通过这一层的处理，系统能够完成对校园物联网系统的全面监控和管理，实现智能化的任务调度和资源管理。

1.2任务调度算法

为了实现边缘云优化部署，设计了一套任务调度算法，主要考虑边缘网关的计算资源消耗、能源消耗和时间消耗。算法综合考虑任务的优先级、计算复杂度和时效性要求，通过智能调度，旨在实现最优的资源分配策略。

在任务调度的问题定义中，系统中存在N个边缘节点，每个节点都具有一定的能量资源ei和计算资源ci。每个边缘节点上都有一个计算密集型和延迟敏感的任务，任务的输入数据大小为Bi，完成任务所需的计算资源量为Di。边缘节点之间可以进行无线通信，可以选择将任务卸载给邻居节点执行，也可以在本地执行。整个任务调度问题旨在找到各个边缘设备的调度策略，使得系统总体开销最小。

在建模部分，引入了一个二进制数xij表示边缘设备i的任务卸载策略，其中xij=1表示设备i将任务卸载给邻居设备j，xij=0表示在本地执行任务。任务调度问题的目标是在计算资源不超过上限的约束下，找到各个边缘设备的调度策略，使得系统的总开销最小。

任务调度算法中，考虑了本地执行和卸载执行2种情况。本地执行任务的时间开销、能量开销以及总开销分别通过以下公式计算：

Tli=DiFli（1）

Eli=vi·Di（2）

Zli=γiT·Tli+γiE·Eli（3）

对于卸载执行，涉及到传输任务到邻居节点的时间开销和能量开销，以及在邻居节点执行任务的时间开销和能量开销。总体卸载执行的开销通过以下公式计算：

Toffi=∑jNixij·BRij+（1-xij）·Toffij（4）

Eoffi=∑jNixij·Pi·Bi（5）

Zoffi=γiT·Toffi+γiE·EiE·（6）

最終，任务调度问题的目标是寻找一个最优的调度策略，使得系统总体开销最小：

min∑Ni=1Zli-Zoffi（7）

通过竞争更新方式，这一调度策略能够逐次优化各个端点的资源利用情况，而控制调度优化算法自身的资源消耗。与此同时，算法需要满足一系列约束条件，包括设备之间的任务卸载关系、计算资源的分配限制、机会开销的控制等。通过优化调度策略，系统能够更加智能地利用边缘节点的资源，实现边缘云优化部署的目标。

1.3算法对比

为了检验本文所使用的调度算法的性能，将之与随机选择的任务调度方式进行对比，并引入另一常见预测调度优化模型进行对比。交叉熵（Cross Entropy）是一种在信息理论和机器学习中常用的概念，用来衡量两个概率分布之间的差异性。在机器学习中，特别是在深度学习中，交叉熵通常被用作损失函数，用来衡量模型输出与实际标签之间的差异。

2仿真与验证

选择了Windows平台下的Matlab2018a作为仿真软件，以及一台配置Intel i5-4210处理器、主频为3.8 GHz、内存容量为4G的计算机。

在仿真过程中，通过设置40个边缘设备，这些设备随机分布在一个1 000 m×1 000 m的范围内，以模拟校园网络环境中的多节点分布情况。每个边缘设备都能够通过WiFi网络与其周围的邻近节点建立连接，距离限制在150 m范围内，这也是网络校园环境中常见的通信范围。

对于边缘网关系统的配置，设定了每个边缘网关设备的本地计算能力为5 MI/s。每个执行单元所需的能量消耗为0.1 J，传输功率为1 J/s。而在初始时刻，也就是0时刻，每个设备的剩余能量和计算资源均服从均匀分布，分别在 （0，10）U（0，10） J 和 （0，250）U（0，250） MI，这反映了校园设备可能存在的能量和资源多样性。

在模拟实验中，任务以10 个/s的速率随机发送到边缘网关上。这些任务的参数涵盖了输入数据大小为1～10 MB，计算负载为（10，100）U（10，100） MI ，时延限制为（5，10）U（5，10） s 。这些参数设置使得我们能够模拟出在校园网络环境中常见的任务类型和负载要求。

2.2不同计算负载对比检测了计算负载为10 MI水平的情况，其结果如图1所示。

由图1可知，随着任务调度的随机选择，时间与能量总消耗呈逐渐上升趋势。基于交叉熵的通讯优化显示出相对较低的总能耗，表现出色。而竞争更新的通讯优化在初始阶段表现良好，但随着计算负载的增加，总能耗略有上升。

调整计算负载为30 MI，其结果如图2所示。

由图2可知，随机选择任务调度所带来的总能耗相对较高。与此相比，基于交叉熵的通讯优化在各种情况下展现出最佳性能，总消耗达到最小水平。在计算负载较小的情况下，竞争更新的通讯优化也呈现出相对较好的表现。

进一步扩大计算负载为100 MI，结果如图3所示。

由图3可知，随机选择任务调度所带来的总能耗在计算负载较大时呈现明显增长的趋势。与此相对比，基于交叉熵的通讯优化在各种情况下都展现出最佳的表现，总消耗一直保持在最小水平。在计算负载较小时，竞争更新的通讯优化也展现出了相对较好的性能。

综上所述，在不同计算负载下，不同的任务调度策略对能量总消耗和任务执行时间产生了显著影响。基于交叉熵的通讯优化在各个计算负载水平下表现最佳，其总能耗始终保持在最小水平。竞争更新的通讯优化在计算负载较小时表现相对良好，但随着负载增加，其总能耗略有上升，可能受到竞争激烈程度的影响。这些结果意味着在数智校园物联网环境中，对于边缘网关系统的任务调度和通讯优化，特别是在面对不同计算负载的情况下，采用基于交叉熵的通讯优化算法可以带来显著的性能提升。这种优化对于降低总能耗、提高系统效率至关重要。在校园网络环境中，随着计算负载的增加，合理且高效的通信策略以及资源调度变得更为迫切。

2.3不同时间-计算资源消耗的权重对比

上述分析中，时间消耗和计算资源消耗分别被配置为50%权重进行总体系统开销计算；而这一指标根据校园环境和物联网的设备联系而有所区别。基于此，分别考虑时间加权系数为0.2和0.8的2种情况的数据特征，并将它们与系数为0.5的数据进行对比，使用30 MI计算负载条件。

由图4可知，随机选择任务调度时，在通讯数据较小的情况下，总消耗相对较低，但在通讯数据较大时，总消耗上升。基于交叉熵的通讯优化时，总体上在各个通讯数据大小下都相对较低，尤其在通讯数据较大时表现优越。竞争更新的通讯优化时，在通讯数据较小的情况下，总体上表现较好，但在通讯数据较大时表现略逊于基于交叉熵的通讯优化。

由图5可知，随机选择任务调度时，在通讯数据较小的情况下总体消耗相对较低，但在通讯数据较大时总体上升。基于交叉熵的通讯优化时，总体上在各个通讯数据大小下都相对较低，且在通讯数据较大时优势更为显著。竞争更新的通讯优化时，在通讯数据较小的情况下总体上表现较好，但在通讯数据较大时略逊于基于交叉熵的通訊优化。

对比而言，时间加权系数为0.5的情况下，随机选择任务调度时，总体上在各个通讯数据大小下都表现中等。基于交叉熵的通讯优化时，在通讯数据较大时表现较好，整体上优于随机选择任务调度。竞争更新的通讯优化时，在通讯数据较大时表现较好，整体上也优于随机选择任务调度。

3结语

这一算法通过感知、解析、网络和应用4个步骤管理终端设备与边缘网关系统的通信流程，实现了对物联网系统的全面监控和管理。在仿真环境中，对算法进行了验证和对比实验，结果表明基于交叉熵的通讯优化在不同计算负载和时间加权系数下表现出显著的优势。总体而言，这项算法为提升物联网系统的效率和性能提供了强有力的支持，并展现了在边缘计算中的潜力。

【参考文献】

[1]常海利，张辉，吴正中，等.基于智能控制一体机的边缘云设计与实现.都市快轨交通，2023，36（5）：16-23.

[2]裴翠，范贵生，虞慧群，等.基于拍卖的边缘云期限感知任务卸载策略.计算机科学，2023，50（4）：241-248.

[3]蔡星娟，郭彦亨，赵天浩，等.基于进化多任务的边缘计算服务部署和任务卸载.计算机工程，2023，49（7）：1-9.

[4]粟圣森.基于物联网技术的病媒生物智能监控实现.粘接，2021，47（9）：87-90.

[5]陈嘉亮，王丰，张潇.移动边缘计算网络下的服务功能链部署优化设计.计算机应用研究，2022，39（10）：3108-3113.

[6]杨铮，贺骁武，吴家行，等.面向实时视频流分析的边缘计算技术.中国科学：信息科学，2022，52（1）：1-53.

[7]乔文欣，卢昱，刘益岑，等.空天地协同的边缘云服务功能链动态编排方法.西安电子科技大学学报，2022，49（2）：79-88.

[8]查满霞，祝永晋，朱霖，等.面向实时流数据处理的边缘计算资源调度算法.计算机应用，2021，41（S1）：142-148.

[9]钱甜甜，张帆.基于分布式边缘计算的情绪识别系统.计算机科学，2021，48（S1）：638-643.

[10]张展，张宪琦，左德承，等.面向边缘计算的目标追踪应用部署策略研究.软件学报，2020，31（9）：2691-2708.

[11]郭煜.移动边缘计算中带有缓存机制的任务卸载策略.计算机应用与软件，2019，36（6）：114-119.

[12]房悦.基于云计算与物联网技术的数据挖掘分析.粘接，2021，45（1）：163-166.