改進GA的邊緣計算任務卸載與資源分配策略

賈 覲，暴占彪

(1.河南財經政法大學 網絡信息服務中心，河南 鄭州 450000；2.河南財經政法大學 現代教育技術中心，河南 鄭州 450000)

0 引 言

隨著智能應用的日益普及，增強型超可靠移動寬帶、大規模數據通信以及超低通信延遲3大類業務對運營商的傳輸網絡和核心網都提出了巨大的挑戰[1,2]。雖然5G網絡可以給用戶帶來更高的帶寬速率、更多的網絡連接和更低的延遲，但是這也將導致單位時間內核心網需要處理的數據量和業務請求數呈爆炸式增長[3,4]。

另一方面，由所有應用產生的數據都需要通過核心網進行交互，所以在業務接入高峰期會給通信網絡負載造成很大壓力。與云計算在網絡方面的局限性相比，移動邊緣計算集成網絡通信、數據計算和處理等業務，形成一個開放平臺，提供給用戶更接近于實體或數據源的服務，使其應用能夠在邊緣端進行任務處理，從而實現更高效的網絡服務響應，滿足更多業務場景在實時處理、智能應用、安全和隱私保護等方面的需求[5,6]。換言之，移動邊緣計算的核心思想是將計算資源和緩存資源邊緣化和本地化，從而減少網絡延遲，緩解帶寬的壓力。移動邊緣計算不僅滿足了移動設備擴展計算能力的需要，而且彌補了云計算中傳輸延遲長的缺點[7]。

由于不同應用場景下對任務處理具有不同的計算量和數據傳輸量要求，因此為了確保移動設備能夠發揮其最佳性能，可以通過使用任務卸載策略來進行資源的優化分配，制定任務是在本地處理或是在遠程服務器上執行的處理方案[8]。同時，由于移動邊緣計算服務器在計算、存儲、帶寬等方面的資源均十分有限，而為了實現較低的網絡延，且更好地利用邊緣服務器集群有限的資源，任務卸載策略首先需要明確其目標服務器再進行任務卸載[9]。目前，任務卸載策略主要分為粗粒度任務卸載和細粒度任務卸載兩種類型。粗粒度任務卸載通常以移動應用程序為卸載對象，且不會根據其功能劃分為多個不同的子任務。該類方法往往沒有充分考慮到整個應用的傳輸延遲和傳輸消耗。細粒度任務卸載一般首先會將一個移動應用劃分為多個具有數據依賴關系的子任務[10,11]。由于劃分后的子任務只需要較少的計算復雜度和數據傳輸量，因此細粒度任務卸載可以將部分或全部的子任務都卸載到多個遠程服務器上進行處理，從而節省了計算時間和傳輸時間，實現了對邊緣服務器集群資源更高效的利用。

因此，針對大規模異構移動邊緣計算中具有多服務節點和多依賴移動子任務的場景，提出了一種移動邊緣計算環境下基于改進遺傳算法的計算任務卸載與資源分配算法，利用改進遺傳算法來解決細粒度的任務決策問題，包括明確卸載內容、卸載數量以及卸載目標等問題,從而達到移動邊緣計算平臺在時延、成本、能耗和網絡使用率多方面降低的目的。

1 相關工作

為了降低移動設備的能量消耗，提高現有設備計算能力，并有效地利用邊緣服務器和云數據中心的計算資源，近年對移動邊緣計算中的卸載問題已有了較深入的研究。一般來說，調度可以定義為在特定時間內將任務分配給有能力的資源[12]。并且，一個調度問題常常需要服從許多必須滿足的約束條件和目標。調度問題可以映射成為一個最優化的問題，比如移動邊緣計算中的計算卸載與資源分配決策的目標可以設定為延遲的最小化以及資源利用率的最大化。大多數的調度問題往往包含資源、任務、約束以及目標4個基本要素，其中資源是能夠執行或處理任務的物理或邏輯設備；任務是需要由資源執行的物理或邏輯操作；約束是將任務調度到資源中時必須考慮的條件；而目標則是為了評估調度的表現而進行衡量的評估標準。

分析相關研究可以發現，對于任務卸載和資源分配的調度類技術通常包含兩大類方法：精確方法和啟發式方法[13]。精確方法可以找到調度問題的絕對最優解。文獻[14]采用了混合整數非線性規劃方法來解決任務卸載問題，并最終實現了用戶成本的降低。但該方案在傳輸延遲性方面還有進一步提升的空間[15]。文獻[16]提出了一種面向邊緣計算的用戶請求數量預測模型，并在此基礎上設計了一種任務卸載方案。通過比較該算法與貪婪算法、線性規劃算法和遺傳算法在任務卸載方面的性能，驗證了該算法的有效性。文獻[17]建立了一種基于移動邊緣計算體系結構的數學模型。該數學模型通過測量用戶設備與處于網絡邊緣的移動邊緣計算服務器之間的往返時間實現了移動邊緣計算卸載策略的最優化，并確定了何時將用戶的計算任務卸載到移動邊緣計算服務器進行處理。文獻[18]研究了移動邊緣計算卸載場景下的多用戶服務延遲問題，并提出了一種部分計算卸載模型。采用最優化策略來優化通信和計算資源的分配。與任務在只本地執行或邊緣執行的方案相比，該文所提出的部分卸載策略可以實現所有用戶設備的延遲的最小化，從而提高了用戶的服務質量。

而啟發式方法雖然并不能保證找到最優解，但是與采用精確方法所需的時間相比，啟發式方法能夠在合理的計算時間內找到具有某種程度的最優解。文獻[19]在提出的啟發式算法的基礎上，引入了多拓撲路由，來確保所分配的出口路由器具有近似最優解的性能。實驗結果表明，與其它方法相比，該算法具有更低的執行時間和更好的服務質量，滿足了云計算和邊緣計算中網絡流量問題的靈活性和效率要求。考慮到環境的性質，安全性是移動邊緣計算中所面臨的一個主要挑戰，文獻[20]提出了一個網絡安全框架，可識別出在移動邊緣計算環境中的惡意邊緣設備。該框架采用兩階段馬爾可夫模型對惡意或合法邊緣設備進行早期預測。并且實驗結果表明了提出的框架的有效性。

但是啟發式算法容易陷入只能獲取到局部最小值的困境，從而難以得到整體的最優解，并且不適用于移動邊緣計算環境中海量的數據處理，為此，提出了一種移動邊緣計算中基于改進遺傳算法的計算卸載與資源分配算法。其創新點總結如下：

(1)為了高效處理網絡中海量的數據，構建了移動邊緣計算網絡模型，其中包括能耗、平均服務延遲、執行時間以及負載均衡模型，以合理卸載設備服務請求且優化計算資源的分配。

(2)由于現有算法存在延遲較大且負載不均衡的問題，所提算法以能耗、延遲、負載均衡最小化為優化目標，利用改進的遺傳算法進行求解，并且從染色體一維表現形式、交叉和變異算子等方面進行改進以提高算法的性能。

2 系統建模

移動邊緣計算網絡通常包括3個部分，分別為云數據中心層、邊緣計算層和移動請求設備層，其架構如圖1所示。移動請求設備層包含了傳感器、筆記本電腦、手機等處理性能較低的設備；邊緣計算層將所有的邊緣服務器按其相對距離劃分成為多個區域，且每個區域均中包含了一些性能中等的異構邊緣計算服務器；云數據中心層包含了可形成一個群集的大量高性能物理服務器。

圖1 移動邊緣計算的架構

當移動請求設備需要通過計算卸載和資源分配來提高性能時，那么整個移動請求任務會通過分割算法被劃分為若干個子任務。其中一些子任務必須在本地執行，例如用戶交互任務、設備輸入/輸出任務和外圍接口任務，而另一些任務可以卸載到服務器上執行，通常是計算量比較大的數據處理任務。

2.1 能耗模型

對于包括了智能手機、傳感器和遠程服務器在內的所有請求設備，在一定執行時間內的總能耗主要由兩個部分組成，即所有設備的計算能耗Ecom和移動設備的卸載能耗Eoff。 其中第m個計算資源的能耗模型為

(1)

(2)

式中：taskm表示第m個計算資源中所有任務的數量，Mn表示部署第n個子任務所需的CPU資源，CMm表示第m個計算資源內的CPU總資源。同時將第n個請求設備在某一信道中的數據傳輸速率rn定義為

(3)

(4)

(5)

系統中，計算資源的總數量為 (1+M+N)， 以及請求設備的總數量是N， 則在單位時間t內產生的計算能耗與卸載能耗為

(6)

2.2 平均服務延遲

(7)

(8)

則在單位時間t內，第m個子任務的數據傳輸延遲Dtr為

(9)

另外，在單位時間t內，第m個子任務由于處理數據而產生的計算延遲Dcom為

(10)

式中：vserver(t) 表示遠程服務器部署第m個子任務的處理速率，vlocal(t) 表示本地設備部署第個子任務的處理速率，xoff用來表示當前子任務是否卸載到遠程服務器執行。

根據以上分析，單位時間t內所有請求設備的平均時延為

2.2兩組患者治療前后PANSS評分比較 治療前,觀察組PANSS評分為(90.11±5.82)分,對照組PANSS評分為(89.82±5.79)分,兩組比較差異無統計學意義(t=0.215,P=0.830>0.05)。治療后,觀察組PANSS評分為(42.08±3.11)分,對照組PANSS評分為(50.82±3.28)分,兩組比較差異有統計學意義(t=11.762,P=0.000<0.05)。

(11)

式中：Dtotal(t0) 表示所有請求設備的總延遲，表示請求設備的數量， Ωn表示在第n個請求設備被劃分后的子任務數。

2.3 平均執行時間

執行時間指的是子任務處理數據所需的時間。當子任務可以使用的資源越多時，那么子任務所需的處理時間越短，同時在單位時間內子任務可以處理的請求越多。因此，卸載決策需要盡可能減少所有請求設備的平均執行時間。平均執行時間的計算如下

(12)

式中：T(t0) 表示在單位時間內所有請求設備的平均執行時間。

2.4 負載平衡目標

負載平衡是一種可在網絡中實現各種資源有效利用的重要方法，其主要目的是資源最優化利用、最大化吞吐量、最小化響應時間，避免過載，增強網絡數據處理能力，以及提高網絡的靈活性和可用性[22]。網絡中所有設備的負載平衡優化目標為

(13)

(14)

(15)

3 提出的遺傳算法

由于移動邊緣計算中計算卸載和資源分配問題在本質上存在著復雜性，精確的最優解不充分，因此，采用改進的遺傳算法對問題進行求解[23]。遺傳算法是一種由自然選擇過程產生的元啟發式算法，其屬于一類進化算法。在此進化算法中，優化問題的候選解(染色體)群體可進化為更好或更適合的解。

在計算卸載和資源分配問題中，種群染色體可以用來表示問題的候選解，如果一個解滿足問題的約束條件，那么其就是可行的；否則是不可行的[24]。提出的遺傳算法中根據問題需要采用染色體表現形式、交叉和變異算子，用于懲罰不可行的解決方案，使這些不可行的解決方案具有較小的選擇(或生存)概率。所提算法的流程如圖2所示。

圖2 所提改進遺傳算法的處理流程

首先定義問題的規模，即請求設備的數量和可用的計算資源，并且生成種群數量的候選解(染色體或個體)，以初始化群體。然后評估每個染色體的適應度F，F為總潛伏期的倒數，并且選擇即將進行交叉和突變的配偶或親本個體(染色體)，從當前種群中創建新的后代種群。在完成交叉和變異后，該算法根據適應度函數F來評價每個產生的子代染色體的適應度值。最后，使用一個程序確定不可行的染色體，以及使用另一個程序懲罰其中的一些染色體。此外，該算法保留了所有產生的種群中的最好染色體，即適應值最小的染色體。遺傳算法會不斷重復上述步驟，直到滿足一些終止的條件。當迭代終止時，遺傳算法會返回代表優化問題解決方案的最佳染色體。

在改進的遺傳算法中，算子的實現如下：

(1)染色體表示：在提出的遺傳算法中，問題的候選解決方案(染色體)是一個0或1個整數值Xmn元素(或基因)的二維數組，其表示考慮到在m個計算資源分配給n個請求設備的情況下向資源分配請求的可能。如果請求rn被分配給資源sm， 則基因Xmn的值為1；否則為0。為了獲得表示染色體的一維解數組，二維數組被垂直拉伸，如圖3所示。

圖3 染色體的二維排列

(2)適應度評價：對于群體的每個染色體，可以通過F=1/LA計算給定染色體的適應度，其中LA由式(15)中的目標函數給出。

(3)交叉和變異：改進的遺傳算法使用傳統的輪盤賭方法，從當前種群中將兩個分為一組進行選擇，將其交配(交叉)以繁殖新后代種群的雙親。然后，對于每兩個被選擇的染色體，會選擇一個交叉點?， ?是介于2和請求總數n之間的整數值，因此，可以在不混淆請求分配的位置上直接選取交叉點?， 如圖4所示。最后，與請求?到n對應的所有基因被交換，從而產生兩個新的染色體。這個過程將一直重復，直到新一代產生的子代染色體數目等于當前一代的染色體數目。其中對于每個隨機選擇的基因Xmn進行突變，即將數值翻轉到相反的值(如從1翻轉到0)。

圖4 染色體內交叉點的選取

(4)可行性檢測和不可行性懲罰：提出的遺傳算法會檢測雜交和突變后的新后代染色體的可行性。準確地說，明確哪些新染色體是可行的，即它們是否滿足約束條件。換言之，對于每個染色體，如果染色體滿足約束條件，將確定其每個請求設備都會被分配到一個計算資源。而50%不滿足約束條件的不可行染色體通過增加其適應值而受到懲罰，從而降低它們下一代存活的概率。

(5)精英主義和終止準則：提出的遺傳算法保存了到目前為止所有生成種群中的最優染色體(可行且適應值最小的染色體)。當滿足終止條件時，算法會停止。根據實驗結果，當4次連續迭代后，最佳適應度沒有改變，或者最大迭代次數達到30時，算法滿足終止條件。

4 仿真實驗

4.1 仿真環境

利用iFogSim對所提算法進行模擬仿真實驗，通過在移動邊緣計算環境對比各個算法在能耗、負載均衡、服務延遲、平均執行時間和網絡使用情況等方面的性能表現。在模擬實驗中，移動邊緣計算網絡主要由1個云數據中心、80個邊緣計算服務器和許多個請求設備組成。其中，所有的邊緣計算服務器都被平均分為10個不同的區域，且每個請求設備在單位時間內只能發送一個卸載請求。

為了模擬移動應用被劃分為不同子任務后進行卸載的過程，構造了一個虛擬現實游戲，以體現子任務的相互依賴關系，如圖5所示。

圖5 虛擬現實游戲中子任務的依賴性

該應用程序主要由5個子任務組成，分別為腦電圖、客戶端、集中計算器、協調器和顯示。腦電圖和顯示必須在本地設備上執行，剩余的子任務可以根據策略進行卸載和分配。對延遲敏感的應用程序對卸載決策有著非常高的要求。一方面，將需要高計算量的模塊卸載到云服務器上執行是十分必要的，這樣可以最大限度地降低移動設備的能耗；另一方面，邊緣計算模塊需要盡可能靠近數據源，從而減少模塊間數據傳輸造成的延遲。

4.2 實驗結果分析

實驗中從Google數據集中選取1000個應用程序對改進的遺傳算法進行訓練，然后選取部分剩余數據對訓練后的網絡模型進行測試，從而論證所提算法的通用性和有效性。執行時間作為評價算法性能的關鍵指標，分析其與改進遺傳算法的種群規模與最大迭代次數的關系，有助于所提算法中參數的合理設置。其中考慮了不同規模的計算卸載與資源分配問題N， 且N中的每個值是包含j請求和i資源的一個元組 (j/i)， 實驗中將多個元組的值分別設為(30/10)，(60/20)，(100/40)和(140/70)。針對N中的每個值，進行5次不同的實驗。算法執行時間與種群規模與最大迭代次數的關系如圖6、圖7所示。

圖6 執行時間與種群規模的關系

圖7 執行時間與最大迭代次數的關系

從圖6中可以看出，執行時間隨著種群規模和問題規模N的增加而繼續急劇增加。由于種群規模增加，算法需要更長的時間完成算法的運算，并且問題規模增加，意味著有更多的請求設備需要分配計算資源，算法更加復雜，因此執行時間增長。綜合各方面因素考慮，將種群規模設為60最為合理，只需花費中等運行時間而能獲得高質量的解決方案。

從圖7中可以看出，最大迭代次數的增加會急劇增加算法的運行時間。通常來說，迭代次數越多，獲得的最優解越理想，算法的性能更佳，但是付出的執行時間成本過高，為此，綜合考慮，將最大迭代次數設置為25，此時，算法可以只花費中等運行時間而得到高質量的解。

4.3 不同算法的對比分析

為了論證所提算法在能耗、負載平衡、延遲、網絡使用率等方面的性能，將其與文獻[14]、文獻[16]、文獻[18]、文獻[21]進行對比分析，結果如圖8所示。其中文獻[14]采用了混合整數非線性規劃方法解決任務卸載問題；文獻[16]設計了一種面向邊緣計算的用戶請求數量預測模型，并基于此提出任務卸載方案；文獻[18]提出一種分布計算卸載模型；文獻[21]基于計算卸載和任務分配的聯合凸優化目標，采用拉格朗日乘子法進行迭代更新得到最優解。

圖8 任務卸載中每種算法產生的資源消耗

從圖8中可以看出，隨著請求設備數量的增加，各種算法生成的計算卸載和資源分配策略在能耗、負載平衡、延遲、網絡使用率等方面基本上都是遞增的。所提算法在延遲、網絡利用率和負載均衡方面都能取得較好的效果，但在能耗方面表現一般。主要是因為移動邊緣計算更傾向于將子任務卸載到本地設備上執行，當本地設備處的資源不足時，子任務被逐層地卸載到上層設備當中。由于一些子任務可以在本地執行而無需網絡傳輸，所以所提算法的延遲較低。并且所提算法更傾向于將子任務卸載到邊緣計算服務器中，這使得所有邊緣計算服務器的資源利用效率都保持在平均水平，并實現了負載均衡值的最小化。與此同時，邊緣計算服務器的性能可以滿足更多子任務的處理請求，從而減少了子任務之間的網絡傳輸，進一步降低了整個系統的網絡利用率。但由于移動邊緣計算設備的處理能力和計算能力遠遠小于云服務器，因此，在本地設備上處理子任務將導致更高的能耗。

此外，從圖8中可以看出，隨著應請求設備數量的增加，由文獻[18]算法生成的計算卸載和資源分配策略在負載平衡方面表現得很差，且在其它方面也表現得一般。文獻[21]算法在除了延遲之外的所有方面的表現都比文獻[18]算法要好一些。文獻[21]算法綜合考慮了兩種方法在各個方面的優勢，在能耗、負載均衡等方面的性能較為理想。當設備數量較多時，由文獻[14]算法生成的策略在延遲方面都有很好的效果，但在能耗方面的效果是最差的。同時，因為文獻[21]算法和文獻[18]算法更傾向于將子任務卸載到本地設備，而當任務被卸載到具有更高計算能力的邊緣計算服務器時，文獻[21]算法的性能優于文獻[18]算法。當應用數量較多時，文獻[16]算法和文獻[14]算法的時延呈下降趨勢，其性能優于其它兩種對比算法。另外，文獻[21]算法和文獻[14]算法在網絡利用率方面具有相似的性能，其結果僅次于所提算法。

5 結束語

由于智能終端設備和物理環境之間會通過傳感和驅動的方式進行交互，有著嚴苛的延遲要求，而設備本身的計算能力有限，因此需要根據需求進行計算卸載，將任務卸載至云和邊緣計算服務器中，以合理分配計算資源。所提出的移動邊緣計算中基于改進遺傳算法的計算卸載與資源分配算法在完成移動邊緣計算網絡架構設計的基礎上，構建包括能耗、平均服務延遲、執行時間以及負載均衡的系統模型，并以能耗、延遲、負載均衡最小化為優化目標，利用改進的遺傳算法進行求解，以實現計算的高效卸載與資源的最優分配。此外，利用iFogSim和Google集群對所提算法進行仿真測試，結果表明，算法種群數量和最大迭代次數的合理值分別是60和25，且所提算法得到的計算卸載和資源分配策略在能耗、負載均衡、延遲和網絡使用率方面的表現均優于其它算法。

接下來的研究工作是將所提算法應用于更大規模的網絡，其中考慮關鍵請求調度和允許搶占、優先處理等方面。并且還可將多個目標函數擴展至該算法，從而進一步提高計算資源的利用率以及減少延遲和能耗等。