邊緣網絡中QoS感知的應急多設備協同機制

邢婷　魏小敏　李夢宇

摘 要：隨著物聯網的快速發展，越來越多的設備連接到互聯網中。云計算可以有效滿足非實時和高計算量業務的需求，但在低延遲業務方面存在很大的問題。因此，研究人員引入邊緣計算來彌補云計算的不足，并將這一理念應用于許多場景之中。文章將邊緣計算應用于對延遲要求較高的應急救援場景。首先，提出了一種基于邊緣的應急救援架構，該架構包括3層：云層，邊緣層和設備接入層，救援任務的完成需要各層次之間的合作。設備接入層對應物理環境中的各項資源設備，包括救援人員、無線設備和救援車輛等，文章研究基于服務質量（Quality of Service， QoS）的復合業務多設備選擇問題，提出了一種基于QoS的多設備協同選擇機制（MDSA），并將其與傳統的分配算法進行比較。仿真結果表明，MDSA在丟包和能耗等方面具有良好的性能。

關鍵詞：邊緣計算；QoS；應急救災；多設備協同

近年來，頻發的災害給人們的生命財產造成了嚴重的損失，災害已經成為影響經濟發展和社會安定的不可忽視因素。人們越來越重視災害應急管理領域的研究，尤其是應急資源調度方面。應急資源調度是應急管理的核心環節，主要研究如何在災害發生時迅速有效地利用智能決策理論和計算機輔助工具，選擇一套最佳的應急資源分配方案。該分配方案能夠使得分散的所需資源盡快到達應急地點，使應急活動得以盡快進行，從而最大限度地減少突發性災害帶來的經濟損失和人員傷亡[1]。

在信息技術高速發展的今天，應急資源調度也逐漸與先進的通信技術結合起來，實現更好的資源調度方案。災難現場擁有很多實時信息，例如道路阻塞、坍塌狀況、溫度、濕度等，這些信息對于救災具有指導性的意義，如果缺乏對于信息的采集，盲目進行資源分配將會浪費救援時間，缺乏救援效果。此外，災難救援時間非常寶貴，高效資源調度需要完成快速信息獲取和分析，從而得出資源調度方案。因此，建設一個實時高速的信息傳輸與分析系統是高效應急資源調度的保障。

盡管當下網絡傳輸速率已經有了很大的改進，但在災害場景中，缺乏有效站點對于通信的支持，實現災難現場與救援中心的高帶寬實時通信還是比較困難。邊緣計算作為一種新興的通信模式，通過在網絡邊緣搭建服務平臺，將原本中心節點提供的應用程序、數據資源或計算服務分解為若干部分，并各自分散到邊緣節點進行處理，這種就近提供計算服務的方式能夠滿足快速連接、實時分析、快速響應等方面的技術和應用需求。邊緣計算的出現實現了云計算的去中心化，能夠有效避免長距離傳輸造成的時間及帶寬浪費，同時也降低了云中心的計算負荷[2]。

在本文中，我們將邊緣計算應用于緊急救援。這個場景需要較短的響應時間和大量的數據來制定決策。通過這種方式可以提高緊急救援的效率。本文具體研究如下：

（1）本文提出一種協作分層體系結構。在該架構中，計算任務可由云邊緣協調進行處理。低級服務決策過程可以從云中心移動到網絡邊緣，一些基本的數據可以在本地處理，減少通信帶寬的需求。

（2）基于該分層體系結構，我們討論了網絡邊緣的服務決策過程。在移動應急決策方面，我們從QoS的角度引入了一種選擇機制來將服務分配給適當的物理設備來執行。在丟包率和網絡能耗方面，實驗數據顯示該策略具有較好的性能。

1 基于QoS的多設備協同機制

1.1 體系結構

在緊急場景下，急救中心需要大量的實時信息才能做出快速準確的決策和協調操作。然而，道路視頻監控和交通信息的傳輸需要高帶寬，遠距離傳輸會減慢決策速度。因此，我們提出了一種基于邊緣計算的體系結構來提高系統性能。該架構包括3層：云層、邊緣層和設備訪問層。云層是緊急命令和數據中心。指揮官在此做出高層次的決定，如救援計劃，為現場救援人員提供遠程培訓等。邊緣層是網絡的邊緣，通過在基礎站點上部署邊緣計算服務器，可以在邊緣層中處理一些工作，例如視頻管理和分析。通過這種方式，我們可以更好地利用通信帶寬。此外，邊緣層可以通過利用具有邊緣計算功能的網關來支持一些低級決策。設備訪問層主要指災難現場，如道路視頻監控，交通信息和移動緊急情況。災難救援是一個復雜的過程，并不局限于這些部分。收集數據和執行服務是設備訪問層的主要責任。移動突發事件是應急指揮的重要執行者。實際上，它可以看作是一個移動應急平臺，包括救援人員，無線通信設備，傳感器等。如何分配資源來執行服務也會影響救援工作的進度。在下面的部分中，我們描述了這個問題并提出了方法。

1.2 基于QoS的多設備選擇算法

1.2.1 問題模型

本文提出的移動應急模型可以看作是移動Ad-hoc網絡（MANET）的典型應用場景。具有智能設備的傳感器、無線通信設備，和救援人員可以相互通信，不依賴于先前存在的基礎設施，例如有線網絡中的路由器或受管（基礎設施）無線網絡中的接入點[3]。雙層服務映射模型如圖1所示。

圖1 雙層服務映射模型

在救援過程中，當救援點請求一個服務，該服務可能由多個子服務組成并且需要多個物理設備來執行[4]。例如，用戶請求監視環境的服務，它可以包括：監視位置表示為S1，監視溫度表示為S2，煙霧監視表示為S3，環境質量監測表示為S4。

我們的目標是找到一套最佳的物理設備，這些設備可以協同支持服務并保持用戶體驗的質量。圖1給出了一個雙層模型來描述將服務分配給物理設備的場景。圖示的子服務需要按順序執行。例如，子服務S1需要S3和S2的結果。因此我們可以看到子服務之間的交互。設備層包括一些可調度資源，例如智能終端和傳感器。它們之間存在網絡鏈接，其中一些可以在服務層中執行子服務。此外，不止一個設備可以執行子服務，該圖給出將子服務分配給設備的一種可能方式[5-6]。在接下來的部分中，我們將詳細介紹兩層模型，并嘗試解決如何將服務層中的GSM（S，Q，L，B）映射到設備層中的GDM（D，R，E）的問題。

（1）SM服務層模型。服務層模型將網絡中的服務定義為GSM（S，Q，L，B），由一組子服務，S={sv|v=1，…，V}，子服務所需的一組資源Q={qv|v=0，1…，V}和子服務間的一組交互L={lu|u=0，1…，U}組成。sv是服務中的第v個子服務。V是服務總數。qv={qv，w|w=1，…，W}給出子服務需要多少資源，并由相應的權重值表示。qv，w在[0，1]范圍內。W是資源類型的總數。lu是服務中的交互。U是子服務間的交互總數。B={bu|u=0，1…，U}是L={lu|u=0，1…，U}所需的帶寬。

（2）DM設備層模型。DM（設備層模型）給出了設備層的結構，它被定義為無向圖GDM（D，R，E），其中：

D={dk|k=0，1…，K}表示一組設備，R={rk|k=0，1…，K}表示每個設備的一組能力，E={ej|j=1，…，J}表示設備之間的一組通信鏈路。

在本文中，我們從QoS的角度選擇最佳設備集。我們在（1）中定義了一個效益函數。Pi是可以執行第i個服務的一組設備。ρi，m是第i個服務的第m個質量指標。αi，m是第i個服務的第m個質量指標的權重。

F（i，Pi）=∑i∑mαi，m*ρi，m （1）

至于質量指標，不同的服務有不同的要求。本文主要針對兩個方面，即距離和響應時間。它們是衡量服務質量的一般指標，我們在第4節中描述了細節。

同時，在公式（1）的基礎上，建立了如（2）所示的數學模型。事實上，為了正確地分配服務，需要從GDM（D，R，E）中找到滿足GSM（S，Q，L，B）和最佳質量需求的同構子圖。

其中：δi，m是第i個服務的第m個質量指標的最低要求。xp，v，k是一個0-1變量。 選擇dk執行服務時設置為1，否則設置為0。yp，j也是一個0-1變量。當選擇鏈接ej來執行服務時，它被設置為1，否則它被設置為0。

根據該模型，它是一個復雜的子圖同態問題，我們在下面的部分介紹解決方案。

1.2.2 基于QoS的多設備選擇方案MDSA

針對上一部分提出的問題，我們給出了一個具有廣度優先搜索（Breadth First Search，BFS）和修剪機制知識的解決方案。該過程如圖2所示。

該過程由兩部分組成。第一部分是服務初始化。首先根據場景得到邏輯圖GSM（S，Q，L，B）。以圖1為例，邏輯圖表示在（3）中。

根據邏輯圖GSM（S，Q，L，B），我們得到以圖GSM的鄰接矩陣導出的以Su為根的BFS樹。并且還生成執行服務的設備集NetTop={CDS，Gbit}的初始網絡拓撲。CDS是定義為CDS=（dk1，dk2，…dki）。dki是執行第i個子服務的設備，相應的Gbit表示找到執行子服務的設備。例如，考慮式（3），我們得到一個執行序列（S1，S2，S3，S4），其中BFS樹由S1生根。如果CDS=（dk1，dk2，dk3，NULL）

和Gbit=1 110，則表示有3個設備dk1，dk2，dk3可以執行服務S1，S2，S3，尚未找到執行服務S4的設備。因此，在開始時，NetTop=被設置為初始值，如CDS=（NULL，…，NULL）和Gbit=0…0。

設備選擇過程如下。由生存時間控制的REQ_SEL數據包將在設備之間廣播。作為第一接收器并且可以在執行序列中執行第一服務的設備被表示為服務開始節點，并且對REQ_SEL分組進行廣播[7-10]。在k-hop內，接收REQ_SEL數據包的設備將檢查是否有可用于執行特定服務的資源，如果它可以執行服務而不是終節點（執行最后一個服務的設備），將該設備的上下文放入REQ_SEL并廣播REQ_SEL，直到找到服務端節點。如果設備是終節點，則形成ACK_SEL包并發送給用戶構建初始UCS為（4），ρt，m表示為第t個解決方案中的第m個服務質量指標CDSt。最后，選擇具有收益函數的最優集合，并使用REQ_ROU數據包，ACK_ROU數據包完成設備分配。

此外，在接收到ACK_SEL消息后，用戶將構造UCS并根據（2）選擇最佳的CDSi。由于多設備選擇過程的問題模型是多目標函數，我們將計算過程分解為兩個步驟，以簡化計算的復雜度。首先，我們從UCS中選擇ZCDS作為根據（2）的初步設備集。計算Z的公式如（5）所示。

這里，M是UCS的總數。λ設定為0.5。

之后，根據（2）中的第二個目標函數，我們從上述Z CDS中選擇最佳協同Z作為實現服務的初始設備集。這里以圖3為例。

步驟1：救援點請求組合服務，并且d1被表示為服務開始節點S1并廣播REQ_SEL。

步驟2：收到REQ_SEL后，d2，d3，d10檢查是否滿足S2的要求。d3和d10只轉發REQ_SEL。d2可以將其信息添加到REQ_SEL中，然后廣播REQ_SEL，生成UCS=（（d1，d2，NULL，NULL，1 100），ρ1，1，ρ1，1，…，ρ1，m）。

步驟3：d7從d5接收REQ_SEL，d8從d6接收REQ_SEL，它們是服務終節點，因此發送REQ_ACK。最后，我們選擇一個最優集合CDS并建立路由。

2 實驗評估

2.1 實驗環境

在模擬中，我們將從兩個評估指標驗證所提出機制的性能：服務距離，服務響應時間。我們給出這些質量指標的定義，定義服務距離是設備和用戶間的平均距離。

2.1.1 服務距離

2.1.2 服務響應時間

其中Ti是服務i的響應時間，Tmax是用戶可以接受的最長等待時間。

用OPNET建立一個帶無線通信設備和MANET的仿真環境，然后通過Matlab等統計分析工具分析實驗結果。基于OPNET，構建了一個面積為100×150（Ti）的網絡，包括60個異構設備。模擬過程中參數的詳細信息如表1所示。為了觀察MDSA與多用戶的性能，模擬了具有1、4和8個用戶的場景。此外，模擬各種最大速度（1、5、10、15和20 m/s）以顯示MDSA適用于具有高移動性設備的環境。

2.2 結果分析

考慮到應急救援場景中救援點的網絡體驗和質量，MDSA的性能已經與基于成本的簡單分配算法CDA進行了比較[5]。我們通過兩個測量分析實驗結果，包括能耗和丟包率。

（1）能耗：由于網絡中終端設備的能量有限，高性能的多終端選擇算法將有助于節省能源。如圖4所示，與CDA相比，MDSA可以在情況4下節省0～22%的能耗。并且能量消耗得到顯著改善，特別是當終端的移動速度增加或多個用戶同時請求服務時。

（2）丟包率：圖5給出了1個用戶，4個用戶和8個用戶在不同場景下各種移動速度下的平均丟包率。在4個用戶的情況下，結果表明隨著終端移動速度的增加，MDSA的丟包率明顯低于其他方法。在1個用戶和8個用戶的情況下，結果表明MDSA的性能比CDA好2%～16%。

3 結語

高效的應急救援在災難中起著至關重要的作用。當前的應急通信系統面臨多種挑戰，例如帶寬不足導致應急響應緩慢。我們引入了一種基于邊緣計算的應急系統架構，可以將一些過程從云中心移動到網絡邊緣。作為事故現場的重要部分，移動應急決定了救援的效率。如何構建服務并為設備分配服務是值得我們關注的問題。在多設備協同過程中，服務質量將受到物理設備能力或網絡拓撲動態的影響。為了向用戶提供高質量的服務，保持服務的連續性和穩定性，本文提出了一種基于QoS的多設備協同選擇機制，仿真結果表明，與CDA相比，我們的機制在能耗和丟包率方面具有較好的性能。

[參考文獻]

[1]柴秀榮.災害應急救助物資調度系統研究[D].合肥：中國科學技術大學，2009.

[2]張婷.災害應急管理中的應急資源調度問題研究[D].合肥：合肥工業大學，2015.

[3]SUN Q，KONG F，ZHANG L，et al.Study on emergency distribution route decision making[C].Changchun：2011 International Conference on Mechatronic Science，Electric Engineering and Computer（MEC）2011.

[4]ZHAO T C，ZHOU S，GUO X Y.A cooperative scheduling scheme of Icloud and Internet cloud for delay-aware mobile cloud computing[C].San Diego：Proceeding IEEE Globecom Workshops，2015.

[5]HAUBENWALLER A，VANDIKAS K.Computations on the edge in the Internet of Things[J].Procedia Computer Science，2015（52）：29-34.

[6]FLORES H，HUI P，TARKOMA S，et al.Mobile code offloading： from concept to practice and beyond[J].IEEE Communications Magazine，2015（3）：80-88.

[7]CHEN X，JIAO L，LI W，et al.Efficient multi-user computation offloading for mobile-edge cloud computing[J].IEEE/ACM Transactions on Networking，2015（5）：2795-2808.

[8]YOU C，HUANG K，CHAE H，et al.Energy-efficient resource allocation for mobile-edge computation offloading[J].IEEE Transactions on Wireless Communications，2017（16）：1397-1411.

[9]SARDELLITTI S，SCUTARI G，BARBAROSSA S.Joint optimization of radio and computational resources for multicell mobile-edge computing[J].IEEE Transactions on Signal and Information Processing over Networks，2015（2）：89-103.

[10]TALEB T，DUTTA S，KSENTINI A，et al.Mobile edge computing potential in making cities smarter[J].IEEE Communications Magazine，2017（3）：38-43.