面向電力物聯網的5G移動邊緣計算任務卸載方法

毛水強，洪健，任華，馬驍，徐勇軍

(國網金華供電公司，浙江 金華 321001)

0 引 言

電力物聯網是先進信息通信技術在電力行業的深度推廣應用，一經提出便得到廣泛的理論研究與應用推廣，電力物聯網可以有效整合通信與電力基礎設施資源，提升電力系統的信息化與智能化水平，為電力的發、輸、配、變、用、調度等環節提供強有力的技術支撐[1]。隨著電力物聯網建設的持續推進，海量數據采集終端被部署在電力生產與傳輸的各場景中，為各類電力業務的正常開展提供數據基礎。結合電力物聯網實際的業務場景及業務需求，這些數據需要經過進一步地分析處理，例如故障檢測、故障點定位等。這些計算密集型任務往往對時延和可靠性等服務質量(Quality of Service, QoS)有著嚴格的要求，僅依靠計算資源受限的本地終端或數據機房進行處理幾乎不可能實現[2]。云計算范式在電力行業的應用由來已久，然而，傳統云計算中心主要位于距離電力現場較遠的中心機房，對跨區域網絡部署的完善性要求較高，且極易發生傳輸中斷或鏈路擁塞的情況，已難以完全滿足電力物聯網計算任務的實時性和可靠性處理需求[3-4]。

作為5G關鍵技術之一的移動邊緣計算(Mobile Edge Computing, MEC)為上述問題提供了一種可行的解決方案。MEC的概念最早由歐洲電信標準化協會(European Telecommunications Standards Institute, ETSI)在2014年提出，與云計算的不同之處在于，MEC將計算能力進一步下沉至網絡邊緣，能夠在靠近無線接入網(Radio Access Network, RAN)側提供快捷、可靠地計算服務[5]。而計算密集型任務的卸載問題一直以來便是MEC相關技術中的研究熱點，如何將任務的時延和可靠性等需求與網絡邊緣側相對受限的通信和計算資源進行統籌考慮，制定合理的卸載方法仍然是一個開放性的問題[6]。在目前的研究工作中，來自新澤西理工學院的研究團隊針對邊緣/霧計算中的工作負載均衡問題，提出一種與設備相關聯的分布式算法以最小化通信與計算的等待時延[7]，并在后續研究中進一步將之擴展到無人機輔助通信的系統中[8]。文獻[9]從服務器資源高效利用的角度出發，在不降低業務應用質量的基礎上通過對前端數據進行壓縮和多服務器的協同來減小數據冗余、節省網絡成本。文獻[10]將機器學習算法應用在車輛邊緣計算系統中，通過智能體對網絡環境的實時感知和學習不斷優化卸載決策，以最小化長期平均時延。文獻[11]將最優卸載決策制定為一個馬爾科夫決策過程，并采用值迭代算法進行求解，以降低任務卸載的總時延。

然而，現有研究大多針對5G公網或車聯網場景，與電力物聯網的業務場景和業務需求并不完全適配，面向電力物聯網的5G移動邊緣計算任務卸載方法仍面臨如下挑戰：

(1)復雜多變的網絡拓撲及網絡環境：電力物聯網中數據采集終端分布廣泛，且具有一定的移動性。另一方面，無線信道的信道狀態信息(Channel State Information, CSI)及網絡中數據采集量都具有高度的時變性，且各類電氣設備在工作時會向環境中輻射電磁噪聲，導致傳統公網的干擾模型不再適用。因此，如何結合網絡實時信息對不同終端卸載決策進行動態優化和調整是一個需要直面的挑戰；

(2)差異化的電力業務需求：電力物聯網所承載的電力業務可分為保護控制類、信息采集類、移動應用類等，不同類型的業務往往具有不同的優先級，例如保護控制類業務包含電網安全穩定運行的關鍵信息，優先級往往最高。在實際的任務卸載決策時，應當優先保證此類高優先級業務的性能，以避免對電網運行造成危害；

(3)通信、能耗與計算資源的聯合優化：包括電力物聯網在內的任務卸載問題往往面臨多維度資源的聯合優化問題，通信、能耗及計算資源的相互耦合為優化問題的求解帶來巨大挑戰。因此，如何通過合理的優化機制設計，即降低優化問題求解的復雜度，同時實現多維資源的聯合優化是面臨的另一個挑戰；

(4)資源受限場景的多終端競爭模式：實際的電力物聯網接入場景中，信道資源往往受限，邊緣服務器與云服務器相比，計算資源也相對緊張，各終端為實現自身性能的優化往往會傾向于占用更好的信道和計算資源，如何從網絡整體性能提升的角度協調各終端的卸載決策仍亟待解決。

針對上述問題和挑戰，文章主要工作總結如下：

(1)建立電力物聯網整體網絡模型，對其中的數據傳輸處理時延、能耗進行量化分析，設立與時延和業務優先級相關的優化目標及長期能耗約束；

(2)借助Lyapunov優化的在線執行特性，將長期時延優化問題和長期能耗約束轉化為一系列短期的確定性優化問題，并給出優化問題有界性相關的理論分析；

(3)改進基于梯度價格的拍賣算法對計算任務卸載策略進行優化，同時解決多終端的卸載策略沖突問題，在提升網絡整體效用的同時實現納什均衡；

(4)通過與傳統任務卸載方法的仿真對比，驗證文中所提算法在時延、能耗等方面的優越性能。

1 系統模型

該節主要介紹融合5G移動邊緣計算的電力物聯網系統模型，并對其中的通信、能耗、計算模型展開分析。文章采用的系統模型如圖1所示，主要由電力物聯網數據采集終端、基站、服務器等要素組成。基站可為覆蓋范圍內的終端提供無線覆蓋，并搭載有服務器，為卸載到基站的計算任務提供計算服務。該場景包含M個數據采集終端，被定義為集合M={1,…,m…,M}。文章采用時隙模型[12]，整個時間周期被劃分為T個時隙，被定義為集合T={1,…,t…,T}。每個時隙開始時，每個數據采集終端會產生一個數據量大小為Am(t)的待處理任務，且服從[Am,min,Am,max]之間的隨機分布，當網絡中所有任務完成傳輸和計算后，下一個時隙開始。可供選擇的無線信道共有N個，被定義為集合N={1,…,n…,N}，不同的信道間采用正交頻分復用(Orthogonal Frequency Division Multiplexing, OFDM)方式進行調制，即彼此間無干擾[13]。MEC服務器的計算資源被劃分為K個，單個資源塊每個時隙可提供的CPU頻率為fk(t)，且服從[fk，min,fk,max]之間的隨機分布[14]。

圖1 系統模型Fig.1 System model

設置計算任務卸載中的信道選擇決策指示變量和計算資源塊選擇決策指示變量分別為xm,n(t)和xm,k(t)。當xm,n(t)=1時表示終端m在第t個時隙時選擇信道n進行任務卸載，否則xm,n(t)=0。同理，當xm,k(t)=1時表示終端m在第t個時隙時將計算任務卸載至第k個計算資源塊，否則xm,k(t)=0。為保障任務傳輸和計算性能，單個信道和計算資源塊在單個時隙內至多可以分配給一個終端使用。此外，考慮到計算任務的不可分割性，單個終端在單個時隙內至多可以選擇一個信道和一個計算資源塊進行任務傳輸和處理，即滿足：

(1)

(2)

1.1 通信模型

假設在單個時隙內數據采集終端到基站的距離δm,n(t)保持不變，則第t個時隙時，終端m選擇信道n進行任務卸載的傳輸速率可以被表示為：

(3)

(4)

需要注意的是，任務處理完成后的回傳時延并未被考慮在內，原因在于回傳結果相對于原始數據相對較小，可以被忽略[16]。

1.2 能耗模型

第t個時隙時，終端m選擇信道n進行任務卸載時的傳輸能耗被表示為：

(5)

電力物聯網場景中一個不可忽視的問題是數據采集終端攜帶的電池容量往往有限，為避免頻繁的電池更換，在進行任務卸載優化策略制定時必須將長期能耗約束考慮在內，以避免因頻繁的電池更換而導致的業務傳輸中斷問題[17]。長期能耗約束被表示為：

(6)

式中Em,max表示終端m用于數據傳輸的最大能量預算。

1.3 計算模型

文章采用一個經典的計算模型去描述所要進行處理的計算任務，除上文中提到的任務數據量大小Am(t)之外，還包含任務的計算復雜度γm，表示計算1 bit任務數據所需要的CPU頻率[18]。則第t個時隙時，終端m選擇計算資源塊k進行任務卸載的計算時延，可以被表示為：

(7)

2 問題建模與轉化

該節主要介紹優化問題的建模與轉化過程，并通過理論分析證明優化問題的有界性。

2.1 問題建模

通過上述分析，第t個時隙時，終端m選擇信道n和計算資源塊k進行任務卸載的總時延可以表示為：

(8)

文章的優化目標為在長期能耗約束條件下，考慮不同終端所承載業務的優先級ηm，最小化整個網絡的長期平均卸載時延，可被建模為如下的一個二值變量優化問題：

(9)

式中C1和C2分別表示信道選擇和計算資源塊選擇約束；C3表示長期能耗約束；決策變量為{xm,n(t)}和{xm,k(t)}。

2.2 問題轉化

由于長期優化目標和長期能耗約束C3的存在，導致優化問題P1很難被直接求解，因為有關未來時隙的任務量大小、CSI、計算能力等信息對于終端都是難以獲得的。為解決該問題，文章借助Lyapunov優化的方法將上述問題轉化為一系列短期優化問題。Lyapunov優化方法由美國斯坦福大學Michael J. Neely提出，是一種不需要先驗證統計信息和未來信息的在線優化算法[19]。

基于Lyapunov優化中虛擬隊列的概念，可以將長期能耗約束轉化為一個虛擬隊列Hm(t)，該隊列被命名為能量赤字隊列，即截止當前時隙借用預留給未來進行數據傳輸的能量大小，且滿足Hm(1)=0。其隨時隙的變化情況被表示為：

(10)

綜上所述，原始的長期優化問題P1最終被轉化為如下的一系列短期卸載決策問題：

(11)

式中V表示時延與能耗之間的折中系數，V越大，表示越傾向于優化時延。從上述優化問題中還可以看出，當能量赤字隊列增大時，優化目標中能耗的比重會對應增加，則會更傾向于優化能耗。

2.3 性能分析

需要注意的是，優化問題P1和P2并不是完全對等的，P2求解后的卸載決策與P1求解后的最優卸載決策之間會存在一定的偏差，但通過設置虛擬能量隊列，可以盡可能保證長期能耗約束的滿足[20]。通過數學推導，可以證明單個終端的平均時延應當滿足：

(12)

(13)

單個設備的總能耗應當滿足：

(14)

由于篇幅限制，文章并未給出詳細證明，但是相類似的證明過程可以在文獻[19-20]中被找到。上述結果從理論上證明時延與能耗之間存在著[O(1/V),O(V)]的折中關系，通過調整V，可以實現時延與能耗之間的折中。

3 算法設計

該節主要介紹如何利用基于梯度價格的拍賣算法來求解優化問題P2。

3.1 拍賣算法簡述

如上所述的卸載決策問題可以被視作一個經典的分配問題，每個終端都可以被視作一個“自私”的買家，他們都傾向于去占用更優的信道和更多的計算資源來處理自己的計算任務，那么必然出現多個終端選擇同一信道或者同一計算資源塊的現象，即發生卸載沖突。而拍賣算法最早由Dimitri P. Bertsekas教授提出，常被用于解決這樣的資源分配問題[21]。選用基于梯度價格的拍賣算法進行問題的求解，并在初始報價和梯度價格設定上結合電力物聯網實際場景加以改進，可體現不同優先級設備的競爭力差別。類似于現實中的拍賣過程，該算法基本思想為各個買家在底價基礎上通過不斷地加價來排除競爭對手，直至獲得該物品的所有權。

3.2 ABDE-TO算法

文章所提基于拍賣理論(Auction Theory-Based)、并可以有效實現時延(Delay)與能耗(Energy)之間折中關系的任務卸載(Task Offloading)算法被命名為ABDE-TO算法。詳細的求解過程可以分為初始化階段、競拍階段和卸載階段。

ABDE-TO算法流程介紹如下:

(1)循環：fort=1:T;

(2)階段一：初始化階段;

(3)每個終端對不同資源塊的初始報價被設置如下：

Qm,n,k(t)=Vηmdm(t)+Hm(t)Em,n(t)

(15)

(4)各終端根據對不同資源塊的初始報價確定自己的拍賣次序表，初始報價越小，資源塊的排序位置越靠前;

(5)每個終端向自身拍賣次序表中排序最靠前的資源塊發起卸載請求;

(6)階段二：競拍階段;

(7)循環：while 存在卸載沖突時(如前所述，資源塊中任一元素被多個終端同時選擇);

(8)發生卸載沖突的所有終端同時在初始報價的基礎上按照一個虛擬的梯度價格提高報價，即：

Qm,n,k(t)=Qm,n,k(t)+ΔIm

(16)

(9)若此時有終端的報價超過其拍賣次序表中第二次序資源塊的報價，則該終端退出此次拍賣，并將該資源塊從自身拍賣次序表中刪除;

(10)依據式(16)重復報價過程，直至僅剩一個終端時，該資源塊完成分配;

(11)所有終端繼續向其當前拍賣次序表中最靠前的資源便發起卸載請求;

(12)重復上述過程，直至不再有卸載沖突現象的發生;

(13)end while;

(14)階段三：卸載階段;

(15)所有數據采集終端使用其拍賣次序表中最靠前的資源塊進行任務的傳輸與處理，卸載完成后依據式(10)更新能量赤字隊列;

(16)end for。

上述基于梯度價格的拍賣算法可以被劃入非合作博弈的范疇，并可以達到納什均衡，即如果任意一個終端在其他所有終端的卸載策略確定的情況下，其選擇的策略是最優的[22]。

4 仿真結果及分析

該節主要介紹仿真參數的設置，并通過合理設置對比算法來說明文章所提算法的優越性能。

4.1 仿真參數設置

文章采用MATLAB進行實驗場景的仿真模擬，以單小區作為基本的仿真場景，基站的覆蓋半徑為1 km，每個時隙內數據采集終端的位置隨機生成，每個設備的優先級被隨機給定。每個時隙開始時，網絡控制器會收集網絡中的設備側、信道側、服務器側信息，并依據ABDE-TO算法獲得任務卸載決策，設備根據下發的卸載指令選擇對應的資源塊進行任務卸載，卸載完成后，反饋時延、能耗等相關性能數據。具體仿真參數設置如表1所示[5, 7, 15, 20]。

表1 仿真參數Tab.1 Simulation parameters

文章通過與啟發式的原始算法進行對比來說明所提方法在時延、能耗性能方面的優越表現，具體對比算法設置如下：

(1)EO-TO(Energy-optimal Task Offloading)：該算法框架下，僅將任務卸載的傳輸能耗(與傳輸時延的最小化一致)作為優化目標[23]，而計算資源塊的分配被隨機給定，優化方法仍選用基于梯度價格的拍賣算法；

(2)DO-TO(Delay-optimal Task Offloading)：該算法框架下，僅將任務卸載的總時延作為優化目標，而長期能耗約束未被考慮在內[24]，優化方法仍選用基于梯度價格的拍賣算法；

(3)R-TO(Random Task Offloading)：該算法框架下，不同終端信道和計算資源塊的分配均被隨機給定。

4.2 仿真結果

不同算法下單個終端累計平均時延和累計能耗的對比情況如圖2和圖3所示。對于DO-TO算法，其時延表現最優，但是在大約第440個時隙會發生傳輸中斷的現象，結合圖2發現此時終端累計能耗已達能量預算的上限，說明該算法僅以時延優化為目標，會不加以節制的使用能量，因而從短期來看盡管時延性能略優，但會造成終端能量過早耗盡，無法繼續進行數據傳輸。對于EO-TO算法，盡管其能耗消耗更低，但是時延性能也要更差，因為該算法僅以能耗優化為目標，導致使用能量過于保守，無法有效提升時延性能。對于R-TO算法，因為是完全隨機的情況，因此其時延和能耗性能都表現很差，且能量預算耗盡的更快。而對于文中算法，前期能量充足時該算法會傾向于優化時延，而隨著能量的減少，該算法可以通過計算時延與傳輸時延的聯動，以適當犧牲時延的方式保障能耗性能，因此可以實現時延與能耗之間的權衡。

圖2 不同算法下累計平均時延對比情況Fig.2 Contrast of cumulative average delay among different algorithms

圖3 不同算法下累計能耗對比情況Fig.3 Contrast of cumulative energy consumption among different algorithms

ABDE-TO算法下時延與能耗的折中關系如圖4所示，即權重參數V對平均時延和總能耗的影響(僅改變權重V，其余仿真參數保持不變)。通過將V從0.01增加到10，采用ABDE-TO算法的平均時延減少，而累計能耗增加，因為V越大，時延在優化目標中所占的比重更高，時延與能耗的折中大約在lg(V)=-0.15時實現，此時V≈0.7。從圖4中還可以看出，時延和能耗性能隨權重的變化基本遵循[O(1/V),O(V)]的折中關系，這也驗證上文的性能分析部分。該結果也可以為實際優化問題的求解提供理論指導：在不同情況的能量預算下，應當如何合理選擇V以確保在滿足長期能耗約束的情況下盡可能降低時延。

圖4 ABDE-TO算法下時延與能耗的折中關系Fig.4 Compromise relationship between delay and energy consumption based on ABDE-TO algorithm

5 結束語

文章面向電力物聯網場景，引入5G移動邊緣計算實現計算任務的就近處理，提出一種基于拍賣理論的計算任務卸載方法，該方法可以實現通信、能耗及計算資源的聯合分配與優化，并解決多終端的卸載沖突問題，在滿足長期能耗約束的基礎上最小化任務的平均傳輸和處理時延。仿真結果表明，相對于傳統任務卸載方法，文中方法有效地實現多維度資源聯合分配，并可以實現時延性能與能耗性能之間的折中。在今后研究中，將繼續結合先進的人工智能算法，探索在信息不確定情況下的任務卸載機制。