基于免疫优化的移动边缘计算任务卸载方法*

陈 刚 王志坚

（广州华商学院数据科学学院 广州 511300）

1 引言

移动边缘计算是一种新型网络信息处理方式，把原本处于在云计算平台的功能与服务安置在移动网络边缘［1～3］，在移动边缘网络处理此类服务需要的通信与计算资源，减少网络服务时延。但移动边缘计算拥有较多设备与边缘服务器，怎样在全局范围挑选恰当边缘服务器进行任务卸载［4～5］，合理分配节点资源，给用户提供最优质的数据服务，是亟待研究的重要问题。

文献［6］构建移动边缘计算网络系统，将计算任务分配至相邻节点和移动边缘计算服务器中，使用马尔科夫优化获取计算任务决策，对比任务执行时长以得到卸载最优模式。文献［7］创立一个涵盖云服务器的边缘计算卸载模型，构建以能耗为惩罚项的代价函数，将计算任务卸载策略拟作人工蜂群算法代价函数寻优，最终得到对应卸载方案。上述方法均是在系统参数已知情况下进行任务卸载，但在真实场景中用户很难得到系统信息，因此上述两种方法应用范围具有一定局限性。

由此，本文以免疫优化为基础，设计一种移动边缘计算任务卸载方法，剖析移动边缘计算网络特征，通过任务卸载时间与能耗两方面构建任务卸载时间与能耗模型，以最优任务卸载时间和最优能耗为目标采用免疫优化算法得到最佳任务卸载策略，并在实验分析中从不同层面表明了本文方法的实用性。

2 移动边缘计算网络

考虑一个如图1 所示的移动边缘计算网络场景，网络中包含数据采集终端、基站与服务器等元素［8］。设定该网络具有a个天线的边缘计算节点，通过协作模式给若干手持单天线移动设施的用户提供数据服务。每个用户i均拥有一个计算请求，记作：

图1 移动边缘计算网络模型

其中，ei表示待计算信息，φi是卸载服务器数量，ci为信息所属类型。

一般情况下，任务卸载对储存的需求较高，资源受限并使用电池供能的移动设施，不能直接在本地处理用户请求。为处理此类问题，移动设施只简单处理输入信息，再把信息传递至基站，基站执行计算任务后把结果回馈给用户。

为减少网络能耗，基站之间要通过协调合作的模式处理用户请求［9］。设定下行链路通过广播传递信息［10］，则用户i接收到的基站信号为

其中，K代表全部计算任务的下标集合，l表示基站信号发射距离，vml是波束成形矢量，oim是信道系数矢量，Cl为参与执行任务的基站下标集合，表明一个计算任务很可能被多个基站执行，zi是高斯白噪声。

将信号干扰噪声比记作：

其中，表示方差。

假设Pmax为基站b的最高运行功率，则基站b的最高功率约束条件为

其中，I(b∈Ci)为指示函数，v'bi表示波束发射时间。

3 任务卸载指标建模

通过上述明确的移动边缘计算网络运行规律，本文从任务卸载时间与能耗两方面创建任务卸载指标模型［11］，明确移动终端计算任务属性，以便达到任务卸载资源快速分配。

3.1 任务卸载时间模型

任务卸载时间模型涵盖计算任务qi的推导时间与边缘计算环境下各层资源数据的传输时间。将计算资源集合记作T=(T1，T2，…，Tk)，任意计算资源Tk均能利用广域网完成通信。依照移动边缘计算网络不同的任务卸载措施，把计算资源划分为终端设施Uend、边缘服务器Uedge与云服务器Ucloud。各计算资源Tk均拥有相对的计算任务处理速率，uend、uedgek与ucloudk依次为终端设施、边缘服务器与云服务器相对应的计算任务处理速率。

设定任务qi的负载值为wi、输入信息为ini和输出信息为outi。若任务qi被分配至资源Tk，则任务计算时间的表达式为

任务qi是有向边前置移动边缘网络层的计算任务，而移动终端设施、边缘服务器与云服务器之间的通信带宽各不相等，也就是边缘服务器采用速率快的局域网实现通信［12］，云服务器采用速率较慢的广域网实现通信。两个卸载任务的通信时间会依照前置任务卸载位置产生变化，则任务通信时间为

其中，DL、DW依次为局域网和广域网的带宽，Outi是前置移动边缘网络计算任务的输出值，Ui、Uj表示有向边集合的两条边。

3.2 任务卸载能耗模型

移动终端设施的能耗Gend凭借任务在不同卸载策略下执行能耗和信息传输能耗组成［13］，涵盖任务在终端设施执行能耗、任务信息传输至云服务器的能耗与任务执行完毕后回传信息的接收能耗，将此过程记作：

其中，δend、δup、δdown依次代表终端执行功率、上传功率与接收功率，tend、tup、tdown依次为终端执行时间、上传时间与接收时间，将其进一步拓展为

其中，Mi表示待卸载任务总和。从式（8）～（10）中可知：Ui执行资源Ui∈Uend时，终端设施是信息发送方；Uj执行资源Uj∈Uend时，终端设施是信息接收方。

时延与能耗的最小化是待优化目标，全方位考虑网络响应时间与终端能耗，利用权重系数推算时延与能耗之间的比例，融合两个目标创建最小化综合代价约束模型，记作：

其中，z(X)为综合代价因子，τ是计算任务的响应时延，EC是移动终端能耗，η为权重指数，是子任务分配计算资源约束条件，xi表示任务总数，ri表示任务分配时间。

4 移动边缘计算任务卸载实现

为合理完成移动边缘计算任务卸载，以最小化延时与能耗作为优化目标，提出基于免疫优化的移动边缘计算任务卸载方法。免疫优化算法拥有结构简单和并行处理的巨大优势，将其引入式（11）可得到较优的任务卸载方案。以下为运算详细过程。

把移动终端的一个计算任务划分成若干子任务［14］，移动终端在同一时段仅能处理一个子任务。初始化移动边缘计算网络参数与免疫算法参数，譬如种群规模、变异概率等。

亲和度代表抗体与抗原的融合水平，亲和度算子一般以函数形式出现，将其记作：

式中，xd代表抗体。

二进制编码抗体xd，利用变异算子对抗体实施变异操作。抗体浓度值可展现抗体种群多样性的优劣，若某种抗体浓度较高，极易产生局部最优。将抗体浓度表示为

式中，den(Xi)是种群抗体浓度，e'是种群抗体数量，S(Xi，Xj)是两个抗体间的相似度，γ是相似度临界值，aff(Xi，Xj)为两个抗体间的亲和度函数，l'表示子任务数量，φk是抗体第k个决策变量。

通常意义下，亲和度大而浓度低的抗体应当具备较高的激励度，激励度函数解析式为

式中，sim(Xi)代表任务卸载策略的激励度，ς、ξ依次为抗体亲和度与浓度的权重指数。

将抗体激励度值进行升序排列［15］，挑选前二分之一的抗体实施变异与抑制等操作，产生全新种群，计算新种群激励度，评判是否满足循环终止条件，若满足条件则求解最佳抗体，即得到最满足当前计算条件的任务卸载方案。

5 实验与性能分析

5.1 实验准备

利用实验分析评价本文方法性能，以本地执行策略（无任务卸载机制）为衡量标准，将文献［6］马尔科夫优化法和文献［7］改进人工蜂群算法作为对比方法，从任务卸载能耗、延时、用户移动设备系统吞吐量、任务丢弃率四个方面进行实验分析。

实验平台为Matlab，搭建如下实验环境：无线访问点覆盖半径为1.5km，具备5 条无线信道，网络信道带宽是2MHz，信噪噪声功率为-110dBm，路径衰减因子为2.5。多个移动设施任意分布无线访问点覆盖范围内，边缘云服务器处于无线访问点周边。实验使用不同类型移动设施，CPU处理能力也各不相等。

5.2 实验结果与性能分析

图2 是几种方法不同移动设施下的平均能耗结果。

图2 任务卸载平均能耗结果对比

从图2 中看出，本地执行策略的平均能耗处于25.3J 左右，其他三种方法得到的能耗均值均低于本地执行策略，表明任务卸载能优化设备能耗。

在50 个移动设备状态下，三种卸载方法的能耗值基本相同，但伴随移动设施个数的增长，能耗均值也随之上升。原因在于：较多设施同时访问一个无线信道进行任务卸载会产生信道冲突。此种情况下，本文方法优势逐渐凸显，平均能耗值要明显低于两个文献方法，拥有更好的节能效果。

用户使用移动设施执行任务卸载的平均延时实验结果如图3所示。

图3 任务卸载平均延时结果对比

观察图3 看到，本地执行策略下平均延时约为22.6s，三种方法下任务卸载延时均有大幅度减少。伴随移动设施个数的增长，三种方法延时均呈上升趋势，但本文方法任务卸载延时最少。出现此种现象的原因在于：本文使用免疫优化算法分析待分配任务的时序依赖关系，优化了任务卸载的计算时间与通信时间，从而降低任务卸载延时。

图4 是各种任务卸载方法在移动设施上吞吐量的变化趋势对比，本地执行策略不需要传输信息，吞吐量始终等于0。

图4 移动设施吞吐量变化趋势对比

从图4 中看出，即便本文方法在初始状态下吞吐量小于马尔科夫优化法和改进人工蜂群算法，但伴随移动设备数量增多，对应的信道通信干扰也持续变大，数据传输速率变缓。此种状态下，与两个文献方法相比，本文方法吞吐量下降态势更为缓慢，展现出更强的信息传输能力，可满足大规模移动终端设施高效率任务卸载需求。

图5 是本文方法与两个文献方法的任务丢弃率伴随任务到达率的变化情况，设定移动设施个数为8。

图5 任务丢弃率随任务到达率的变化趋势对比

从图5 可知，任务到达率为50%时，本文方法、马尔科夫优化法与改进人工蜂群算法的任务丢弃率分别为3%、4.8%和5.9%，伴随任务到达率的提高，马尔科夫优化法、改进人工蜂群算法的任务丢弃率增长幅度较大，任务抵达率为100%时，两个文献方法的任务丢弃率分别为21.8%与14.7%，在大规模任务卸载背景下，无法胜任高强度卸载工作，数据完整性较差。而本文方法始终维持较小的任务丢弃率，即便任务到达率为100%，也就是每个时隙均有任务到达，任务丢弃率也始终保持在5%左右，可靠性更强。

综合实验结果来看，在无线访问点及信道个数固定状态下，本文方法在真实移动边缘计算任务卸载环境中具备更好的资源分配优势，符合用户日常数据处理需求。

6 结语

现阶段，针对移动边缘计算的研究受到业内人士的瞩目，任务卸载是移动边缘计算中的核心技术，在提升资源存储空间与服务性能方面作出巨大贡献。为实现预期的高效率数据处理目标，利用免疫优化算法完成移动边缘计算任务卸载。通过构建任务卸载待优化指标模型，运用免疫算法求解最佳卸载策略。在实验分析中，证明了本文方法在能耗、时效性及卸载稳定性方面的优势，鲁棒性强。