5G通信中的智能边缘计算优化

【摘要】5G通信技术的快速发展为智能边缘计算提供了广阔的应用场景和发展机遇。智能边缘计算作为一种新型的计算模式，通过将计算和存储资源近距离部署在网络边缘，实现了低时延、高带宽、高可靠性和个性化定制等特性。本文针对5G通信中智能边缘计算的优化问题进行了探讨，从资源分配、任务调度、能源管理等方面分析了优化策略，并探讨了其在提升网络性能、降低能耗、改善用户体验等方面的潜在作用。

【关键词】5G通信；智能边缘计算；优化资源分配

中图分类号：TN929 文献标识码：A DOI：10.12246/j.issn.1673-0348.2024.12.016

随着互联网的普及和移动通信技术的快速发展，人们对通信网络的需求不断增加，对网络性能和用户体验的要求也日益提高。5G通信作为新一代移动通信技术，具有高速传输、低时延和大容量等特点，为智能边缘计算的发展提供了有利条件。智能边缘计算是一种将计算和存储资源近距离部署在网络边缘，以便于快速响应用户请求的新型计算模式。在5G通信环境下，智能边缘计算可以充分发挥其优势，提升网络性能，改善用户体验，并实现能源效率的提升。本文对于5G通信中智能边缘计算的优化问题展开了深入探讨，细致分析了资源分配、任务调度、能源管理等方面的优化策略，并探讨了这些策略在提升网络性能、降低能耗以及改善用户体验等方面的潜在影响。

1. 资源分配优化

1.1 网络拓扑的概念

网络拓扑是指在一个网络中，各个节点之间的布局结构，包括它们之间的物理或逻辑连接方式以及数据传输的路径。在5G通信系统中，边缘节点和核心节点扮演着至关重要的角色。边缘节点位于网络的边缘，主要负责处理和存储用户数据，提供边缘计算服务；而核心节点则位于网络的核心位置，承载着网络的核心功能和数据处理任务。在进行资源分配时，需要充分考虑网络中各个节点之间的连接关系。例如，如果边缘节点之间的连接比较密集，那么可以采用分布式计算的方式，将任务分配到各个边缘节点进行处理，以实现资源的充分利用；而如果核心节点之间的连接更加稳定和高速，可以将一部分计算任务集中在核心节点进行处理，提高计算效率。如果用户设备集中在某一区域，可以考虑部署更多的边缘节点来提供更好的服务；而如果用户设备分散在不同地区，就需要优化网络拓扑结构，实现资源的均衡分配。技术人员根据网络的特点和需求，可以选择静态分配、动态分配或自适应分配等不同的策略。静态分配适用于网络拓扑结构比较稳定的情况，而动态分配和自适应分配则适用于网络拓扑结构变化频繁的情况，以满足实时性和灵活性的需求[1]。

1.2 考虑边缘节点和核心节点

在5G通信中，边缘节点和核心节点扮演着智能边缘计算资源分配中的关键角色。边缘节点位于网络边缘，其任务包括实时数据处理、存储和边缘计算服务的提供，直接面向用户设备。相比之下，核心节点则位于网络核心位置，承担着网络的核心功能和数据处理任务，是整个系统的中枢。在资源分配过程中，边缘节点和核心节点之间的数据传输和通信需求是重要考虑因素之一，这直接影响到网络性能和用户体验。

考虑到边缘节点和核心节点的特性和功能，资源分配需要综合考虑数据处理能力、通信延迟、负载均衡、容错能力。边缘节点通常具有较强的数据处理能力，能够快速响应用户请求并进行实时处理，适合处理实时性要求较高的任务。而核心节点则通常具有更高的计算能力和存储容量，适合处理大规模数据处理和分析任务。由于边缘节点距离用户设备更近，因此通信延迟较低，能够实现更快的数据传输和响应速度，其解决方案如表1所示。在资源分配时，需要考虑任务的时效性要求，合理利用边缘节点的优势，减少通信延迟，提高用户体验。技术人员可以利用联邦边缘学习系统，如图1所示，通过合理分配任务和数据，避免单个节点负载过重，确保系统的稳定性和性能。技术人员需要合理分配资源，确保系统在节点故障或网络异常情况下能够自动切换和恢复，提高系统的可靠性和稳定性。

1.3 分析节点之间的连接关系

若用户设备分散在不同地区，就需要考虑如何优化网络拓扑结构，实现资源的均衡分配。在这种情况下，可以通过分析用户设备的分布情况和通信需求，合理规划网络拓扑结构，将资源分配到各个地区的边缘节点进行处理。通过优化网络拓扑结构，可以实现资源的均衡利用，避免出现某些节点负载过重或资源闲置的情况，提高系统的整体性能和稳定性。除了考虑用户设备的位置分布外，还需要考虑用户设备的连接方式对资源分配的影响。例如，如果用户设备通过无线连接接入网络，通信延迟可能会相对较高；而如果用户设备通过有线连接接入网络，通信延迟可能会相对较低。

2. 任务调度优化

2.1 任务完成时间缩短

任务完成时间的缩短是智能边缘计算系统中任务调度优化的核心目标之一。为实现这一目标，需要全面考虑任务的计算需求、数据传输时间以及节点负载情况，从而设计出更为智能和高效的调度策略。在处理时延敏感的应用场景，比如实时视频处理，采用静态调度是一种有效的方式。通过提前规划任务的分配方案，将任务分配到距离更近、计算能力更强的边缘节点上。这样做可以有效降低通信延迟，提高任务响应速度。边缘节点的近距离部署使得数据传输时间大幅减少，从而在保障时效性的同时优化任务完成时间。考虑到任务的计算需求，需要根据不同任务的性质和要求，选择适当的节点进行任务调度。对于计算密集型任务，可以将其分配到计算能力更强的边缘节点，以加速处理过程。而对于数据密集型任务，可以优先考虑具有更高带宽的节点，减少数据传输时间，从而提高任务完成效率。动态监测节点负载状态，实时调整任务的分配，避免过载节点的出现，确保系统处于良好运行状态。动态调度策略的引入使得系统更具适应性，能够灵活应对负载波动和任务的实时变化。

2.2 资源利用率提高

通过动态调度策略，系统可以根据节点当前的负载情况和资源可用性，灵活地调整任务的分配，以实现资源的均衡利用，避免节点过载和资源浪费，最大化整体资源利用率。动态调度策略需要实时监测节点的负载情况，包括 CPU 使用率、内存占用率等指标。通过对节点负载状态的实时监测，系统可以及时发现负载过重的节点，并采取相应的措施，避免节点过载，防止服务质量下降。对于负载较重的节点，可以减少其任务分配量，以降低其负载压力，保证系统的稳定性和性能[2]。而对于资源空闲的节点，则可以增加其任务分配量，充分利用其空闲资源，提高整体资源利用率。对于一些优先级较高或时效性要求较高的任务，可以优先分配到负载较轻或性能较好的节点上，以确保其及时完成。而对于一些低优先级或非时效性要求较高的任务，则可以根据节点负载情况进行灵活分配，以实现资源的最优利用。此外，动态调度策略还可以结合预测算法，根据历史数据和趋势预测未来节点负载情况，提前调整任务分配方案，以应对未来可能出现的负载波动，进一步优化资源利用率。

2.3 能耗降低

在智能边缘计算系统中，能耗的降低对于提高设备续航时间至关重要，尤其是考虑到这些系统通常运行在电池供电的设备上。为了有效降低能耗，采用智能调度算法和动态调度策略是至关重要的措施。智能调度算法能够在任务执行时精确选择合适的节点，以降低整体系统的能耗。通过综合考虑任务的性质、节点的能力、通信成本等因素，系统可以在任务分配时选择能耗更低的节点进行执行。例如，对于一些轻量级的任务，系统可以将其分配到性能较低但能耗更低的节点上，从而实现在任务执行时节省能量。通过实时监测节点的能效情况，系统可以选择在能耗较低的节点上执行任务。这种策略不仅需要考虑节点当前的能效指标，还可以结合历史能效数据和趋势进行预测，以更智能地选择执行节点。例如，可以避免在高能耗时段执行任务，而选择在能耗较低的时段进行任务处理，以进一步降低整体系统的能耗。智能边缘计算系统在设计调度策略时还可以考虑能源感知型算法。这类算法可以根据节点的能源状态，调整任务的执行方式，比如降低CPU频率、优化数据传输机制等，以最小化能源消耗。这种能源感知型的调度算法可以更加主动地适应节点的能源状况，实现对能耗的有效控制[3]。

2.4 智能化调度管理

智能化调度管理是智能边缘计算系统中的关键技术之一，通过结合机器学习等技术，利用历史数据分析和模型预测，实现对任务调度的智能化管理。这种方法能够更精准地预测未来系统状态，进一步优化任务调度策略，提高系统的性能和效率。

通过历史数据分析，系统可以收集和分析节点负载、任务执行时间等数据，了解系统的运行状况和性能指标。基于这些数据，可以建立机器学习模型，如回归模型、时间序列模型等，来预测节点负载趋势和任务执行时间。这些模型能够从历史数据中学习到节点负载和任务执行时间的变化规律，为未来的调度决策提供重要参考。利用机器学习模型对节点负载趋势和任务执行时间进行预测，可以帮助系统更准确地预测未来的系统状态。通过预测节点负载趋势，系统可以提前识别可能出现的负载高峰或低谷，从而采取相应的调度策略，避免节点过载或资源浪费。而预测任务执行时间，则可以帮助系统合理安排任务的执行顺序和分配方式，以最小化任务完成时间，提高系统的效率和性能。

3. 能源管理优化

节能技术包括但不限于动态电压频率调整（DVFS）、休眠模式管理、负载感知的节能调度等。通过DVFS技术，系统可以根据当前负载情况动态调整处理器的电压和频率，以降低功耗[4]。而休眠模式管理则可以在设备空闲时将其置于低功耗或休眠状态，以进一步节省能源。此外，负载感知的节能调度策略可以根据任务负载情况调整设备的工作状态，避免不必要的能源浪费，提高能源利用效率。采用数据压缩、分级存储等技术可以减少存储设备的能耗。同时，采用智能的数据访问策略，如预取技术、数据缓存策略等，可以减少数据传输和访问过程中的能源消耗，提高存储系统的能效。针对边缘网络安全挑战，也有提出有关多租户和用户移动性的针对5G网络攻击的一种横向检测系统，不需要考虑多个网络流量封装，并且能够对所有的5G网络段进行分配，这一系统在系统开销不增加的情况下，与IDS提供时间的延迟不明显，且具有可收缩性[5]；也有利用5G MEX和备份云进行互相协作的有效平衡满足对延迟敏感应用程序的位置感知要求，从而保障边缘信息的安全。此外，也有针对列控系统的网络攻击，运用伪造检测算法和设计重播且不中断重要信息通信的方式动态响应网络攻击，为主动列控提供网络态势感知的入侵检测系统以及针对DDoS协同防御架构，基于参加者的公平性和防御资源使用效率，利用防御资源充足的MEC节点协助自身较差防御能力的MEC节点，表2对边缘网络安全的解决方案进行了总结。

优化算法可以根据系统的实时负载情况、能源成本等因素，智能地调整设备的工作状态和资源分配方式，以实现能源的有效利用和节约。例如，可以采用基于机器学习的预测模型，预测未来负载趋势和能源需求，从而优化能源管理策略。

4. 结束语

5G通信中的智能边缘计算优化问题是一个复杂而又具有挑战性的课题。通过合理的资源分配、任务调度和能源管理优化策略，可以有效提升网络性能，降低能耗，改善用户体验。未来，随着5G技术的不断发展和智能边缘计算的深入应用，需强化优化策略的研究和实践，以应对日益增长的通信需求，推动通信网络的进一步发展和升级。

参考文献：

[1]张梦然.未来先行，拥抱智能时代[N].科技日报，2024-03-01（004）.

[2]陈姝.深圳龙头企业出击全球最大通信展[N].深圳商报，2024-02-27（A03）.

[3]邹晓.各地打响5.5G"争夺战"[N].深圳商报，2024-02-27（A03）.

[4]王浩成，宋厚营，于佳.新型电力系统终端通信网优化方案研究[J].山东电力技术，2024，51（02）：56-66.

[5] 陈三龙，谢俊.大数据技术在5G通信网络中的应用探析[J].中国新通信，2023，25（23）：1-3.

作者简介：李啸威（1986—），男，河北邯郸人，硕士研究生，工程师，研究方向：无线通信。