5G邊云協同分布式網絡架構下任務卸載模型

陳慧敏，胡玉佩

（廣東郵電職業技術學院，廣東 廣州 510630）

0 引言

5G場景下大規模邊云協同分布式網絡架構需要應對系統資源負載均衡的問題，云計算系統通常采用網絡資源和計算資源聯合優化的方式來實現系統的負載均衡。但5G邊云協同分布式網絡架構相比傳統的云計算系統具有獨特的特征：隨機變化的無線網絡參數、網絡資源和計算資源容易出現時空耦合現象。這些特征為網絡資源和計算資源聯合優化帶來新的挑戰。

為了解決上述問題，相關學者結合網絡資源和計算資源的動態變化狀態，采用任務卸載的方式實現系統資源負載均衡，比如：任晨珊[1]提出李雅普諾夫方法分散數據處理壓力，該方法結合網絡拓撲、鏈路鏈條與服務器處理能力來設計虛擬隊列偏置和計算負載均衡，并通過邊緣服務器和云端中心的卸載來應對突發性、密集型的數據量；郭俊[2]針對超密集網絡架構中移動邊緣計算存在的問題，提出聯合前后向鏈路計算策略及分布式任務調度方案為用戶接入和計算卸載提供更多選擇性；郝哲[3]以最小化MEC延遲和能量消耗為優化目標，提出一種以用戶選擇并行優化迭代計算卸載、無線頻譜資源調度和計算資源調度的聯合優化策略；Fajardo等人[4]采用調度基站邊緣側服務器的服務級別來調整LTE下行業務流的延遲；Liu等人[5]結合應用程序緩沖區狀態、移動終端用戶、MEC服務器計算能力以及終端與MEC服務器信道特征來決定是否將應用卸載到MEC服務器上，以實現最小化執行延遲的目標；Barbarossa等人[6]提出移動終端的計算卸載策略，該策略在滿足最大執行約束限制下最小化移動用戶終端的能量消耗，最終降低用戶等待隊列長度。

部分學者對移動終端的計算卸載策略產生一定的質疑，原因在于：在計算卸載過程中，將數據傳送到基站邊緣服務器所消耗的能量明顯低于移動終端處理數據所消耗的能量。上述的學者認為，計算卸載應該圍繞用戶移動場景下對延遲和消耗進行權衡取舍。隨著5G應用的激增，系統中卸載應用程序所需要的時間就會越來越多，基站側邊緣服務器處理業務所需要的時間將會越來越久，因此，當用戶將終端應用卸載到基站側邊緣服務器后，由于邊緣服務器處理能力的限制，將會引發一系列新的問題：如何從邊緣服務器資源現狀和負載均衡目標出發，提出邊緣和云端服務器間的資源調度與任務卸載方案；如何根據業務QoS特性、節點負載狀態自適應優化任務卸載決策等。

為了解決上述的問題，本文提出一種大規模邊云協同分布式網絡架構下的任務卸載模型，該模型以最低能耗目標，在保證移動任務的服務質量下，以高效能的方式實現網絡資源、計算資源和存儲資源的合理調度和任務執行，快速響應計算請求，提高整個系統的負載均衡。

1 大規模邊云協同分布式網絡架構

大規模邊云協同分布式網絡架構包括三個部分，主要有邊緣云、核心網云以及控制云。整個架構將不同計算和存儲能力的服務器分散到整個網絡中，利用網絡功能虛擬化技術和軟件定義網絡技術實現計算和虛擬資源的動態調度，實現全網資源的彈性化管理。大規模邊云協同分布式網絡架構如圖1所示。

圖1 大規模邊云協同分布式網絡架構

邊緣云是部署到基站側的網絡服務實施層，手機和電腦設備通過無線鏈路接入基站側的邊緣云，邊緣云借助有限的計算能力將數據進行預處理并將結果傳至核心網，進行業務集中處理。邊緣節點計算能力和帶寬資源差異性較大，而且邊緣資源會隨著業務請求的變化而動態變化，邊緣云控制器一旦發現邊緣云處理能力不足，為減少等待隊列長度，邊緣服務器將會將數據卸載到核心網云。

核心網云由多個云計算中心網絡構成，擁有豐富的存儲資源和強大的數據處理能力，可以保存邊緣云卸載的數據以及執行復雜任務的能力。核心網云利用網絡功能虛擬化技術和軟件定義網絡技術對網絡的各種資源進行管理、調度和優化，以應對海量業務請求。除此之外，核心網云借助動態負載均衡技術實現資源池的動態擴展和縮減，在保證業務性能前提下降低網絡傳輸和計算開銷。因此，核心網云處理數據的性能在速度、成本以及可擴展性方面優于邊緣云。

控制云是基于局部和全局開銷進行資源調度和管理，其通過軟件定義技術實現網絡資源使用效率的監測。控制云會根據邊緣云和核心網云各自負載情況和網絡狀態決定資源是否卸載，以高能效的方式快速響應業務請求，滿足5G業務差異性的需求。

大規模邊云協同分布式網絡架構利用了邊緣云架構和核心網云架構的各自優勢來應對密集任務請求，分散網絡處理數據的壓力，保證整個網絡的正常運行。

2 邊云協同分布式網絡架構的任務卸載策略

2.1 邊云協同分布式網絡架構的任務卸載模型

任務卸載可以有效解決邊云協同分布式網絡架構在資源存儲、計算性能以及任務等待隊列不均衡存在的問題，它通過卸載決策決定哪些計算需要放在邊緣服務器處理，哪些計算需要卸載到核心網服務器處理，最后結合服務器現有開銷情況和任務時延確定任務卸載位置。本文方案主要考慮用戶請求的QoS需求以及邊緣計算資源等要素，尋找能耗最小化，實現全網性能最大化。

（1）邊緣節點執行的能耗時延卸載模型

如果任務i在邊緣節點執行時，此時終端能耗主要由數據從終端發送能耗和終端空空閑能耗兩部分組成。那么終端能耗計算公式為：

其中，Pt為終端數據發送的功率，li為任務i數據量大小，RMEC為終端發送給邊緣節點據速率，Pw為終端空閑的功率。Tc為任務的處理時間，由邊緣服務器的計算能力決定。由于數據傳輸的時延（微秒級別）通常小于數據處理（毫秒級別）的時延，因此本文的時延僅僅考慮數據處理的時延Tc。TMEC如式(2)所示：

其中，di為任務i計算量大小，fm表示邊緣計算節點的計算能力。

邊緣計算節點的能耗是指執行任務i所引起的能耗，而影響節點能耗有CPU的利用率、內存利用率以及硬盤利用率，其中硬盤利用率采用I/O利用率來表征。

邊緣計算節點的功率估算公式參考文獻[7]，可以表示為：

其中，wcpu、wmem、wio是CPU、內存以及硬盤的非線性相關系數，由邊緣節點的具體配置和節點使用情況決定，而Ucpu(t) 、Umem(t)Uio(t)是邊緣計算節點CPU、內存以及硬盤在t時刻的利用率，不同時刻的利用率差異性很大。∈是一個誤差補償系數。

邊緣計算節點的功率估算公式可以表示為：

那么，邊緣節點執行的能耗時延卸載計算公式為：

（2）云端執行的能耗時延卸載模型

任務i在云端執行時，能耗主要是終端發送能耗、終端空空閑能耗以及云端服務器處理的能耗。那么終端能耗計算公式為：

其中，Pt為終端數據發送的功率，li為任務i數據量大小，Rcloud為終端發送給云端節點據速率，Pw為終端空閑的功率。Tcloud為任務的處理時間，由云端服務器的計算能力決定。由于數據傳輸的時延遠遠小于數據處理的時延相比，因此本文的時延僅僅考慮數據處理的時延Tcloud。

其中，di為任務i計算量大小，fm’表示云端計算節點的計算能力。

云端計算節點的能耗是指執行任務i所引起的能耗，而影響節點能耗有CPU的利用率、內存利用率以及硬盤利用率，其中硬盤利用率采用I/O利用率來表征。

云端計算節點的功率估算公式可以表示為：

云端計算節點的功率估算公式可以表示為：

那么，邊緣節點執行的能耗時延卸載計算公式為：

2.2 任務卸載策略

以最低能耗為目標，綜合業務時延、業務CPU性能、存儲性能、帶寬性能和用戶QoS等指標，判定業務是否從邊緣節點卸載到云端節點，選擇合適的節點進行數據處理。卸載策略的公式表達為：

其中，限制項的第一部分Vi表示任務i傳輸速率，V表示該類任務的最小傳輸速率。限制項的第二部分Ti表示任務i時延，V表示該類任務的最小時延。限制項的第三部分表示將某一個任務i部署到物理節點i中，那么已經占用的計算資源和該任務i所需要的計算資源之和要小于物理節點i最大的計算資源。限制項的第四部分表示將某一個任務i部署到物理節點i中，那么已經占用的存儲資源和該任務i所需要的存儲資源之和要小于物理節點i最大的存儲資源。限制項的第五部分表示將某一個任務i部署到物理節點i中，那么已經占用的帶寬資源和該任務i所需要的帶寬之和要小于物理節點i最大帶寬資源。

3 實驗分析

本文采用仿真方式對能耗最優的任務卸載策略進行驗證。整個實驗平臺由16臺云服務器組成，其中邊緣計算云由12臺服務器組成，核心網云由4臺服務器組成。每臺服務器的配置如下：四核2.8 GHz的CPU處理器，每核有2個線程；內存為8 G；硬盤為1 T以及配有千兆的以太網接口。為了驗證本文的算法，本文在隨機時間段設置海量視頻識別密集處理任務，觀察當計算量和帶寬量都很大的時候，基于隨機卸載的算法和基于本文的卸載策略的算法在節能方面的影響。所謂節能表示不采用任務卸載策略相比能量節省比例。

隨機任務卸載是指邊緣節點一旦發現自身處理能力不足時，將任務隨機卸載到滿足性能需求的核心網云的服務器中，這種卸載方式沒有從全局考慮核心網云計算系統中資源的占用情況，僅僅考慮服務器性能和業務的QoS性能需求。

本文任務卸載算法是指邊緣節點一旦發現自身處理能力不足時，對核心網云計算系統中資源的占用情況、服務器性能以及業務的QoS性能需求將任務卸載到能耗使用最低的服務器中。

實驗的第一部分是不考慮時延要求的任務量對邊云協同處理節能的影響，如圖2所示：

圖2 密集任務數量對不同卸載算法的節能影響（不考慮時延）

如圖2所示，當密集任務量較少的時候，兩種卸載算法的節能效果都較為趨同，一旦任務量迅速提升，而且相關節點已經被占用的情況下，系統的節能效果開始下降。隨機卸載算法節能效果迅速下降，而采用本文算法的節能可達到40%左右。

實驗的第二部分是不考慮時延要求的任務量對邊云協同處理節能的影響。當單位任務處理的時延要求很高時，不同的卸載算法在系統節能方面的影響如圖3所示：

圖3 密集任務數量對不同卸載算法的節能影響（考慮時延）

由圖3可知，當單任務處理時間的時延要求較高，采用本文卸載方法在節能方面的效果更好，這是因為本文從系統計算節點實際使用情況和任務QoS需求出發，采用云邊協同的方式對資源進行合理分配，將一些計算量較大的任務卸載到云端，不僅利用了云端的超強處理能力降低數據處理的時延，還采用資源協同優化方式保證系統的負載均衡，從而使得系統整體的能耗降低。

4 結束語

本文研究邊云協同分布式網絡架構下采用不同的任務卸載策略在節能方面的不同表現。實驗證明，本文以最低能耗為目標，綜合服務器CPU性能、存儲性能、帶寬性能和用戶QoS等指標，判定業務采用哪種卸載策略以達到最優的節能效果，該策略能夠在缺少未來業務負載預測的情況下優化節點資源管理和調度，動態適應實時動態變換的工作負載和業務多變的性能要求，最終以高效低能耗的方式完成5G網絡海量數據的處理。