面向区块链电力接入网的边缘计算资源分配策略

虞思城, 李凌雁, 沈爱敏, 杨佳彬, 周凯, 孙毅

(1.国网浙江电力有限公司湖州供电有限公司,浙江 湖州 313000; 2. 华北电力大学 电气与电子工程学院,北京 102206)

0 引 言

为满足新型电力系统对电网全环节深度感知需求,电力公司急迫建设一张可靠、高效的电力无线通信网络,实现电网“双高”状态下的控制业务向末端有效延伸[1］。然而现有电力通信网存量资源存在静态化部署和难以实时分配的缺点,在碳交易和源网荷储互动等新业务不断涌现的情况下无法通过资源动态分配满足电力通信业务的数据传输与计算需求[2］。为提高电力通信网性能,5G、边缘计算与区块链等新兴通信信息技术为新型电力系统发展提供了新契机。

近年来,5G通信与边缘计算已受到电力系统研究人员的广泛关注。文献[3]提出一种面向智能电网的5G切片资源分配方案,实现电网通信资源动态调配。文献[4]针对海量新兴业务对电力通信网传输造成挑战问题,提出一种WiFi接入网虚拟资源可靠映射算法优化网络资源的分配。另一方面,边缘计算通过将云计算资源部署在网络边缘,实现电力系统数据就地处理与分析。文献[5]提出一种基于匹配理论的电力边缘计算资源分配方法提高差异化业务资源利用效率。文献[6]提出一种基于边缘计算的配电网故障检测方法提高故障报警效率。然而上述工作未考虑电力通信网安全问题,虚拟化网络易引入虚假资源等安全风险,并威胁电力通信网鲁棒性,浪费网络算力资源。

区块链技术通过将带宽和信道分配方案等信息包含在虚拟化切片中,保证问题可溯源。文献[7]分析了区块链在电力通信网的适用性。文献[8]提出了基于区块链共识机制的任务卸载与资源分配方案,在应用区块链保护卸载数据安全。文献[9]提出一种基于边缘存储容量差异性的存储弹性区块链,满足差异化的车联网信息安全存储需要。然而智能合约将占用网络部分算力,恶化电力边缘节点的数据处理能力。为解决该问题,文献[10]提出基于区块链奖惩机制的雾计算资源分配方案以提升数据处理效率。类似地,文献[11]提出了基于博弈论的区块链通信网资源管理优化方法,以解决区块信息传输造成带宽占用高问题。但上述工作未考虑不同类型计算任务的处理时延忍耐差异以及虚拟资源调度时延问题。由于各边缘计算节点基于虚拟机进行业务数据计算,边缘节点之间的虚拟机迁移与激活所需时间也将影响电力通信业务的处理效率。

针对上述问题,本文工作内容与创新点概括如下。

(1) 针对应用5G的电力无线接入网通信与边缘计算资源安全管理问题,提出一种基于区块链的资源调度框架,并针对区块链技术应用引起的网络性能恶化问题,进一步提出一种基于虚拟机迁移与通信功率分配的网络资源优化配置算法。

(2) 针对问题为混合整数规划问题,提出一种基于广义Benders分解的问题求解方法,通过将问题解耦为虚拟机内部、外部迁移子问题以及通信功率分配子问题,降低问题求解复杂度。

1 系统模型

考虑一个应用区块链的异构电力通信网场景,包含一个部署在宏基站的中心云、部署在W个微基站的边缘节点(edge computing node, ECN)、N个电力终端设备(electric device, ED)和一组智能合约,ECN集合记为S={S1,S2,…,SW},ED集合D={d1,d2,…,dN}。在本文场景中,中心云与ECN均通过部署虚拟机(virtual machine, VM)进行任务计算,其中:ECNj自行计算资源可生成的VM总量为Vj;区别于ECN,中心云具有丰富的计算资源,可通过迁移计算资源至各ECN,以减少任务传输时延。

为避免恶意VM接入ECN破坏电力通信网通信安全,同时保证各ECN能够获取适合的计算资源,VM基于智能合约分配至各ECN,分配流程如图1所示:①ED在区块链上创建计算请求;②智能合约在收到计算请求以后,分配一个边缘节点ECNw接收请求;③边缘节点ECNw发送接收请求的信号至智能合约,由智能合约控制ED卸载数据至ECNw;④ECNw获取任务后向区块链发送信号,同时将请求记录在智能合约上;⑤智能合约根据各ECN的任务计算需求对中心云下达VM迁移信号;⑥中心云向ECNw迁移VM调整计算资源;⑦完成计算后ECN向中心云释放VM。

图1 基于区块链的电力通信网模型

假设各ED有r类计算任务,其中EDi第r类任务ri属性可以描述为ri=(sri,Qri)。其中:sri为任务ri的数据规模;Qri为完成任务ri所需计算资源。在本文场景中,各ED缺乏计算资源,需将计算任务卸载至ECN完成计算,中心云基于区块链智能合约准确调整各ECN的计算资源分配情况,提高ECN的任务计算效率。

1.1 任务卸载模型

EDi经无线信道传输任务到ECNj,传输速率Rij表示为:

(1)

(2)

类似现有工作,本文默认任务完成计算后输出的结果远小于原本任务规模,其传输时延忽略不计。

1.2 ECN计算模型

ECN可以针对不同类型任务部署对应的VM进行并行处理,EDi到达ECNj的任务所需处理时延可基于排队论表示为:

(3)

式中:Qij为EDi卸载到ECNj的工作负载;Vr,j为ECNj为类型r的计算任务分配的VM的数量;uj为单个VM的平均服务速率。

1.3 VM迁移模型

在ECN在执行任务的过程中,若ECN现有部署VM数量无法满足任务处理需要,一方面将通过智能合约向中心云发送VM迁移请求,由中心云向各ECN迁移VM补充计算资源;另一方面,ECN内部也可通过VM的功能迁移实现算力转移。ECN可将计算需求较少的某任务类型VM进行功能迁移,激活为另一类型功能的VM为计算任务提供处理,在ECN内部功能迁移中,VM从当前类型r转换为另一类型r′将产生迁移时延,主要来自于VM的激活时间,记ECNj内部VM迁移时延表示为:

(4)

式中:φr,r′,j为ECNj类型r激活为类型r′的VM数量;TA为VM加载另一类型数据库所需激活时间。除了ECN内部的VM功能迁移,云中心向ECN迁移VM也会产生迁移时延,包括VM的复制和激活时间。总体的云中心迁移时间表示为:

(5)

(6)

1.4 问题建立

为分析基于ECN在基于区块链的电力通信网场景中的任务处理效率,引入对数效用函数描述ECN完成任务后从智能合约中实际获取的虚拟收益,ECNj完成任务从智能合约得到的虚拟收益Uj表示为:

(7)

式中:α>0;q为购买VM资源的单价。由式(7)可知,边缘计算延迟和VM数量的分配问题转化为由约束条件下的虚拟收益最优化问题,优化目标式(8),其约束条件如式(9)、式(10)所示。

(8)

约束条件:

(9)

(10)

2 基于广义Benders分解的计算资源优化算法

(11)

Y(V,φ,p)≤0

(12)

(13)

式中:Y(V,φ,p)为式(9)、式(10)的约束矩阵。由于VM迁移决策向量固定,明显地,式(11)只包含连续变量p,通信资源分配的二阶导数非负,必然属于凸函数。因此第t轮迭代下的子问题可通过内点法等凸优化方法获取最优传输功率分配p(t),构建关于子问题的拉格朗日对偶方程,得到:

(14)

基于式(11)获取传输功率决策后,给定传输功率决策下的VM迁移决策主问题表示为:

(15)

(16)

式中:φ为关于约束矩阵式(12)的拉格朗日因子矩阵集合。进一步地,引入辅助变量z将式(15)变形为:

(17)

z≥φα(V,φ,p),∀α∈F

(18)

0≥Θβ(V,φ,p),∀β∈IF

(19)

通过迭代求解式(11)与式(15),并基于割集排除不可行解,最终可获取问题近似最优解。具体算法流程如图2所示。

图2 算法流程图

3 仿真分析

本文基于MATLAB R2019a仿真平台进行仿真验证,服务器环境为Intel(R) Core(TM) i7-10700F CPU @2.90 GHz,32G内存。子问题采用CVX工具箱完成求解。考虑一个如图1所示的2 km×2 km面积的仿真网络场景,其中存在S=6个ECN均匀分布在上述场景中,两个ECN之间间隔200 m。各ECN的覆盖范围相互部分重叠,各ECN与上层中心云均通过光纤链路相连。每个ECN覆盖范围内的服务用户数目服从为λDs=100的泊松分布,并且用户位置随机分布在上述场景中。在本文仿真中,为简化计算,假设所有ECN具有相同的计算资源,要注意的是,本文算法在ECN具有不同计算资源的仿真场景一样适用。信道增益、噪声功率与信道串扰参考文献[8]。最后,其他仿真参数如表1所示。

表1 仿真参数设定

在下述仿真实例中,本文算法将与静态通信资源分配算法、不计及VM内部迁移的资源分配算法进行对比。

如图3所示,不计及VM内部迁移的资源分配算法在任务处理延迟上要明显高于其他两种算法。静态通信资源分配算法尽管在处理时延上相对上者大幅度减少,然而需占用其在整个运行过程所需的全部资源。相比上述算法,本文所提出的算法能有效提高计算资源分配效率,通过VM之间的动态迁移,减少分担了每个VM的计算压力,进而提高了任务处理时延。证明了随着用户流量的增多,本文算法能够满足计算任务的需求。

图3 不同用户流量下的任务处理时延

如图4所示,从不同的服务器速率的角度分析三种算法下的任务处理时延。三种算法都随着服务器速率的增多,任务处理延迟线性下降。相比于对比算法,本文算法在计算资源较少时,能充分使用计算资源,从而降低处理时延;在计算资源较多时,本文算法通过联合调度外部VM资源以及服务不同种类任务的VM资源,其任务处理时延性能也要略优于其他算法。

图4 不同计算能力下的任务处理延迟

不同可用VM数量下的任务处理延迟如图5所示。随着ECNj分配给计算任务的可用VM数量的减少,三种算法的时延都大幅提高,最终趋于相同。不计及VM内部迁移的资源分配算法和静态通信资源分配算法在可用VM数量降低一个临界点时,任务处理延迟会大幅下降。本文提出的算法在可用VM数量较多时,由于可供资源共享的VM数量较多,计算任务能力显著提高。证明了本文所提出的算法在可用VM 数量增多时,VM内部的任务迁移能够优化处理时间。

图5 不同可用VM数量下的任务处理延迟

4 结束语

针对区块链技术应用在电力通信网中面临的性能恶化问题,本文提出了一种联合VM迁移与通信功率分配的网络资源优化配置模型,提高了边缘计算网络资源的使用效率,相比静态通信资源分配算法,所提算法降低了4.34%的任务处理时延。尽管本文算法提升了区块链应用下的电力接入网络数据传输性能,如何将区块链技术与边缘计算深入融于电力接入网,仍是未来工作需要继续探讨的问题。