面向软件定义网络的配电边缘计算终端优化部署方法

秦强，刘文泽，谭炜豪，蔡泽祥，岑伯维，匡佩

(华南理工大学电力学院，广州市 510641)

0 引 言

随着物联网技术与“双碳”目标的不断驱动[1-3]，传统配电网向能源互联网逐步发展[4-5]，配用电物联网应运而生[6-7]。新型负荷、智能终端、分布式电源等设备的泛在接入[8]使配用电物联网的设备成本和运行成本显著提高。同时，随着海量新型业务的产生[9]，业务数据量急剧增加，向业务处理设备的资源配置和业务延时提出新需求[10-12]，系统的业务支撑能力面临严峻挑战[13-14]。

基于边缘计算(edge computing, EC)和软件定义网络(software defined network, SDN)的配用电物联网[15-16]，依托分散部署的边缘计算终端实现海量异构多源数据信息的深度感知和高效处理[17]。分布式边缘计算终端的协同运行是配用电物联网的重要应用场景，其部署方案则是配用电物联网的关键问题。一方面，优化部署边缘计算终端能更好地满足业务实时性、可靠性的要求，有效减轻通信网络压力，整体上提升配用电物联网的运行效率。另一方面，进行边缘计算终端等边缘层设备的部署，可有效节省成本，提高配用电物联网的经济效益。考虑到现有智能终端被无线基站广泛覆盖，且无线基站拥有丰富的数据流与业务流。因此，利用无线基站站址进行配电边缘计算终端的优化部署方法研究具有十分重要的意义。

目前，学者们对设备部署问题展开了一定的研究。文献[18]提出了一种适用于电力通信网的SDN控制器部署方法。在建模过程中引入节点重要度概念，再基于非支配排序分类的和声搜索算法求解可靠性和时延问题，但没有考虑计算延时的影响。文献[19]提出了一种基于云边协同的电力终端部署方法。结合密度和距离2个因素，基于聚类的思想部署电力终端，但未充分考虑电力终端间的交互对部署的影响。文献[20]利用基于潮流和线路阻抗的社区理论来划分网络边缘计算自治域以优化边缘计算设备部署和自治区域的数量，但忽略了边缘计算设备型号差异对部署的影响。上述研究虽不以配用电物联网为场景，但对设备部署问题研究提供了参考。文献[21]建立了考虑事故-经济重构共同影响下的智能终端双层规划模型，但在规划过程中未充分考虑延时造成的实时性问题。文献[22]以时延为优化目标，建立了考虑终端部署与业务分配的双层模型，但其是以边缘计算终端数量一定来优化部署位置。然而，现有研究并没有从硬件选型配置的角度来优化配电物联网边缘计算设备的部署位置和数量。

本文提出一种面向SDN的配电边缘计算终端优化部署方法。首先介绍面向SDN的配用电物联网边缘计算架构。接着将问题分为设备部署优化和通信网络优化问题，建立边缘计算要素模型。然后考虑业务延时、硬件配置、通信方式约束，以部署的经济成本为优化目标，利用无线基站站址建立计及硬件选型的配电边缘计算终端优化部署模型。最后，基于多场景的算例仿真结果，验证所提方法的有效性。

1 面向SDN的配用电物联网边缘计算架构与要素建模

1.1 面向SDN的配用电物联网边缘计算架构

SDN控制器作为软件定义网络架构的大脑，可管控多个边缘计算终端。在文献[16]介绍的软件定义网络模型中，SDN控制器可基于全局视图制定业务卸载策略并进行资源分配，在满足各边缘计算终端业务需求的同时，有效提高网络的资源利用率。面向SDN的配用电物联网边缘计算架构如图1所示，由数据层和控制层两部分构成。其中，SDN控制器构成控制层，可实时监控网络的运行状态，并进行整体功能布局调控方案的制定。边缘计算终端和智能终端构成数据层，通过南向接口与SDN控制器连接并接受其管控，并通过SDN控制器下发的具体流表项执行具体资源分配等操作。

图1 面向SDN的配用电物联网边缘计算架构Fig.1 Edge computing architecture of power distribution internet of things for SDN

由图1可知，优化部署问题分为设备部署优化和通信网络优化两部分。本文在研究边缘计算终端优化部署方法时设定以下原则：

1)设备部署优化。本文不考虑智能终端的优化部署，只考虑边缘计算终端、SDN控制器的部署优化。边缘计算终端复用已有电力无线专网基站站址进行部署，为节省场地资源而选择在已部署有边缘计算终端的位置部署SDN控制器。

2)通信网络优化。智能终端与边缘计算终端之间通过已有无线基站进行无线通信，故不考虑它们间的通信网络优化；为保证通信可靠性和实时性，SDN控制器与边缘计算终端、SDN控制器之间通过建设光纤专网进行通信连接。

1.2 配用电物联网边缘计算要素

1.2.1业务模型

区域配用电物联网的业务集合为A={a1,a2,…,aq}，q为业务类型序号。其中业务aq的具体模型如下所示：

aq={aq,lo,aq,da,aq,sa,aq,ge}

(1)

式中：aq,lo为计算负载量；aq,da为数据传输量；aq,sa为数据存储量；aq,ge为业务到达率。

1.2.2智能终端模型

配用电物联网内智能终端的模型为Z=[N,R,L100%,D100%,Gav,Sav]。其中，N为智能终端集合，如下所示：

N={n1,n2,…,ni}

(2)

式中：ni表示第i个智能终端。

R为智能终端与业务的关联矩阵：

(3)

式中：riq为0-1变量，若智能终端ni与业务aq关联，riq取1，否则取0。

L100%为智能终端在业务并发率为100%时的计算负载量；D100%为智能终端在业务并发率为100%时的数据传输量；Gav为智能终端的总业务平均到达率；Sav为智能终端的平均数据存储量。

智能终端ni的各项参数为：

(4)

(5)

(6)

(7)

1.2.3边缘计算终端模型

边缘计算终端模型包括候选部署位置、不同规格计算硬件和存储硬件，其模型可表示为E=[M,Fca,Fsa,Bca,Bsa]。其中，M为候选部署位置集合，即无线基站站址集合；Fca为不同性能的计算硬件类型集合；Fsa为不同规格的存储硬件类型集合；Bca为各型号计算硬件参数集合；Bsa为各型号存储硬件参数集合。各集合具体为：

(8)

2 优化部署方法

2.1 决策变量

配电边缘计算终端的优化部署方案通过决策变量体现，具体包括以下变量：

1)xij：为0-1变量形式，表示智能终端与边缘计算终端的逻辑连接关系。若智能终端ni由部署于mj处的边缘计算终端服务，则该变量取1，否则取0。

2)yj：为0-1变量形式，表示边缘计算终端的部署位置。若将边缘计算终端部署于mj处，则该变量取1，否则取0。

3)zjk：为0-1变量形式，表示边缘计算终端与SDN控制器的通信连接关系。若mj处的边缘计算终端由mk处的SDN控制器控制，则该变量取1，否则取0。

4)wk：为0-1变量形式，表示SDN控制器的部署位置。若在mk处的边缘计算终端部署SDN控制器，则该变量取1，否则取0。

8)vk1k2:为0-1变量形式，表示SDN控制器间的通信连接关系。若在mk1和mk2处均部署SDN控制器，则该变量取1，否则取0。

2.2 目标函数

本文以部署的经济成本为优化目标，目标函数为年均设备成本CI和年均运行成本CW之和最小：

min(CI+CW)

(9)

1)年均设备成本。

年均设备成本包括设备的投入成本和通信网络的建设成本。设备的投入成本包括边缘计算终端、SDN控制器的固定成本及其在运行年限内的维护成本，如下所示：

(10)

边缘计算终端的固定成本与其部署的数量和配置的硬件类型相关，固定成本为：

(11)

所有SDN控制器的固定成本由SDN控制器部署的数量决定：

(12)

式中：CSDN为单个SDN控制器的固定成本。

通信网络的建设成本包括边缘计算终端与SDN控制器之间的通信网络建设成本，以及SDN控制器之间的通信网络建设成本。为保证上述各设备之间通信的可靠性和实时性，网络选择光纤作为通信介质。上述设备之间的通信网络建设成本为：

(13)

(14)

因此，年均设备成本为：

(15)

2)年均运行成本。

年均运行成本体现为网络运行所消耗的电能，且边缘计算终端和SDN控制器是主要耗能设备。因此，结合二者的设备运行成本表示年均运行成本，具体如下：

(16)

边缘计算终端的设备运行成本与计算硬件、存储硬件耗能成本相关，采用计及负载率的加性模型进行刻画[23]，如下所示：

(17)

(18)

SDN控制器的设备运行成本以平均功率与设备年运行小时数表示，具体为：

(19)

式中：PSDN为单个SDN控制器的平均功率。

2.3 约束条件

2.3.1通信方式约束

1)边缘计算终端只能管控有限数量的智能终端，且只选择同处的无线基站覆盖范围内的智能终端接入。为保障智能终端数据无线传输的安全性和可靠性，每个智能终端只会接入一个边缘计算终端，约束为：

(20)

(21)

xij≤yj,ni∈N,mj∈M

(22)

xjj≥yj,mj∈M

(23)

(24)

(25)

式(20)限制一个智能终端只与一个边缘计算终端连接；式(21)保证边缘计算终端有智能终端接入；式(22)保证智能终端只会与边缘计算终端所在位置的无线基站建立通信连接；式(23)限制边缘计算终端所在位置的智能终端只能在本地接入；式(24)限制边缘计算终端只能选择本地的无线基站最大覆盖范围内的智能终端接入；式(25)限制边缘计算终端管控的智能终端数量。

2)SDN控制器只能管控有限数量的边缘计算终端，且每个边缘计算终端只能选择一个SDN控制器接入，约束为：

(26)

(27)

zjk≤wk,mj∈M,mk∈M

(28)

wk≤yk,mk∈M

(29)

zkk≥wk,mk∈M

(30)

(31)

3)为获取全局视图，SDN控制器之间需建立通信从而进行信息交互，约束为：

(32)

式(32)满足mk1∈M，mk2∈M。

2.3.2边缘计算终端的硬件配置约束

1)每个边缘计算终端需要选择合适的存储硬件，建立存储资源配置约束如下：

(33)

式中：Tsave为数据的存储时间；ρ为存储硬件的冗余系数。式(33)满足mj∈M。

2)保证只有部署了边缘计算终端的位置才可进行计算硬件的配置，约束如下：

(34)

边缘计算终端的运行成本、延时阈值与接入智能终端和配置的计算硬件类型相关。因此引入中间变量gijq1，以完成智能终端和计算硬件类型的映射，具体约束如下：

(35)

2.3.3边缘计算终端的延时约束

边缘计算终端需要在一定的业务并发率下，将平均总延时限制在一定的阈值内，该延时包括边缘计算终端的平均计算延时和平均通信延时。则部署于mj处的边缘计算终端的平均总延时为：

(36)

本文利用已有的基于TD-LTE的电力无线专网进行无线通信。在计算平均通信延时的时候，忽略光纤通信延时，只考虑无线通信延时。因此在业务并发率为100%时，部署于mj处的边缘计算终端的平均计算延时和平均通信延时为：

(37)

式中：pi为智能终端ni的发射功率；Iij为mj处的无线基站与智能终端ni之间的信道衰落因子；ε为无线基站可用带宽大小；dij为mj处的无线基站与智能终端ni之间的距离；χ为路径损耗因子；N0为高斯白噪声功率。

当业务并发率为η时，将部署于mj处的边缘计算终端的平均总延时限制在延时阈值下，建立约束如下：

ηtj≤tmax,mj∈M

(38)

式中：η为智能终端的业务并发率；tmax为业务的延时阈值。

2.4 优化部署问题求解

针对本文所提出的配电边缘计算终端优化部署问题，在本节中已被表示为一个整数线性规划模型。可以在MATLAB软件中，先使用YALMIP工具箱进行问题建模与编程，再调用Gurobi优化求解器完成求解。

3 仿真算例

3.1 参数设置

为验证所建问题模型的有效性，及为配用边缘计算终端优化部署问题提供可行参考方法，本节建立了具体给定参数的仿真算例。仿真场景设定为一个区域配用电物联网，包含52个普通节点和8个建设有无线基站的边缘计算终端候选部署节点。每个节点部署有一个智能终端，智能终端与边缘计算终端之间通过已有的无线专网进行通信，边缘计算终端与SDN控制器之间、SDN控制器之间通过建设的光纤专网通信。

区域配用电物联网包括居民用户、工业用户、充电站和分布式电源4种节点，有能量管理、设备控制、运行分析和数据监测4种业务。节点与业务的关联关系如表1所示，业务参数如表2所示。其中，alo为计算单个业务需要完成的指令数；ada为单个业务传输的数据量；asa为单个业务存储的数据量；age为业务的到达速率。此外，所建立模型包含的运行年限、折算系数、硬件参数和通信参数分别如附录中表A1—A4所示。

表1 节点与业务关联关系Table 1 Association between node and business

表2 业务参数Table 2 Service parameters

3.2 仿真结果分析

本文算例设置3种条件进行仿真分析：

1)标准条件：参数与3.1节一致。

2)固定计算硬件参数：并发率为1.5，所有边缘计算终端配置相同计算硬件参数。

3)改变并发率：业务并发率分别为0.5、1.0、1.5、2.0、2.5、3.0。

表3为标准条件的优化部署结果，标准条件的总成本与延时如图2所示。由图2可知边缘计算终端数量为5、SDN控制器数量为1时的年均设备成本、运行成本和总成本都最低，为该条件下的最优部署方案，如表4所示。随着边缘计算终端数量的增加，平均服务延时有略微下降，但部署成本也随之增加。根据表3的边缘计算终端部署数量为8的结果,其延时比最优部署方案下降了23.0%，但年均总成本上升了33.8%。其中，在边缘计算终端数量为4时，在延时方面与最优部署方案相当，但年均设备成本、运行成本和总成本均增加。这是因为在边缘计算终端部署数量减小时，为满足延时要求需要配置较大的硬件参数，从而增加了设备成本。同时，在该情况下的每台设备需要处理的业务量更多而功耗更大，增加了运行成本。这体现了本文优化部署方法的有效性。

表3 标准条件的优化部署结果Table 3 Optimal deployment results under standard condition

图2 标准条件的总成本与延时Fig.2 Total cost and delay under standard condition

表4 最优部署方案Table 4 The best deployment scheme

表5为固定计算硬件参数的优化部署结果与最优部署方案的对比，固定计算硬件参数的总成本与延时如图3所示。可知最优部署方案的年均设备成本、运行成本和总成本均最低，但延时略高。这是因为当统一配置较大计算硬件参数时，可加快业务处理速度从而降低延时，但随之也使成本增加。由图3可知，在分别配置1 000、2 500 MIPS的计算硬件参数时的延时都较低。根据表5，前者是由于计算速率低而通过增加边缘计算终端的数量或SDN控制器数量来降低延时，从而造成成本的增加。后者是由于计算能力的增强而加快处理速度，从而减小了延时、边缘计算终端数量和SDN控制器数量。虽然其延时比最优部署方案下降了12.8%，但是年均总成本上升了18.3%。这种配置较小计算硬件参数的方式可能会造成过量部署，从而造成资源冗余浪费和成本的增加。而配置较大计算硬件参数的方式更适用于延时苛刻、候选部署位置缺乏的场景。

表5 固定计算硬件参数的优化部署结果Table 5 Optimal deployment results of fixed calculate hardware parameter

图3 固定计算硬件参数的总成本与延时Fig.3 Total cost and delay of fixed calculate hardware parameter

表6为改变并发率的优化部署结果，改变并发率的总成本与延时如图4所示。

由图4可知，随着并发率的增加，年均设备成本、运行成本和总成本也随之增加。其中，并发率为1.5对应表4的最优部署方案。根据结果可知，在相同设备数量情况下，随着并发率的增加，通过改变部署位置或增加计算硬件参数来满足延时需求。当并发率进一步增加时，还需通过增加边缘计算终端数量或者SDN控制器数量来满足延时需求，从而造成设备成本增加。其中，在并发率分别为0.5、3.0时的延时较小。根据表6可知，前者是因为并发率较小，每台设备因处理业务量较少从而服务延时较小。后者是由于边缘计算终端数量、SDN控制器数量和计算硬件参数的增加而减小了服务延时。此外，业务并发率的增加会使每台设备处理业务量增多，从而造成功耗和运行成本的增加。综合对比各条件分析，可知标准条件下的最优部署方案效果最好，将本文优化部署方法应用于多区域配用电物联网可有效节省经济成本。

表6 改变并发率的优化部署结果Table 6 Optimal deployment results of changed concurrency rate

图4 改变并发率的总成本与延时Fig.4 Total cost and delay of changed concurrency rate

4 结 论

本文在面向SDN的配用电物联网边缘计算架构下，综合考虑部署成本、业务延时、硬件选型、通信方式等因素，提出了一种配电边缘计算终端优化部署方法。根据优化部署模型进行算例仿真分析，得到以下结论：

1)本文考虑复用无线基站站址部署边缘计算终端，选择在边缘计算终端的位置部署SDN控制器，考虑通信网络优化，保证了通信的实时性和可靠性。

2)基于多场景的算例仿真，验证了本文所提方法能够适应面向SDN的配用电物联网边缘计算架构，可实现对部署成本的优化，能有效增强配用电物联网的业务支撑能力。

3)本文优化部署方法可推广至多区域的配用电物联网场景，为分布式配电边缘计算终端的分区自治提供了参考方法。