面向IoT的兩級多接入邊緣計算節能卸載策略

鄧 宇，趙軍輝，2，張青苗

1.華東交通大學 信息工程學院，南昌 330013

2.北京交通大學 電子信息工程學院，北京 100044

隨著5G 無線通信技術[1]的迅猛發展與物聯網（Internet of things，IoT）的規模性部署，通信網絡的傳輸速率[2]、接入密度[3]、頻譜效率[4]等都得到了極大的提升，各種IoT終端設備的數量和數據量呈現出爆炸式的增長，也涌現出許多計算密集型應用，如增強現實、虛擬現實[5]和智慧交通[6-7]等。與此同時，由于IoT 設備的計算、存儲能力以及電池技術的限制，執行高能耗任務并實時處理應用數據成為了一個巨大的挑戰。云計算[8]的出現很好地解決了終端設備計算能力不足和電量有限等問題，用戶設備可通過將計算任務卸載至遠程云服務器進行計算，從而大大提升任務的計算時間和設備的運行效率。然而，由于云服務器位置較遠且部署集中，將任務數據上傳至云服務器的通信過程中需要較高的傳輸時延，無法滿足一些時延敏感性較高的實時任務的要求[9]。

為了解決上述問題，多接入邊緣計算（multi-access edge computing，MEC）技術應運而生。MEC 技術通過將任務從資源受限的IoT 設備轉移到功能強大且部署于網絡邊緣側的邊緣服務器（edge server，ES），可以為資源受限的IoT 設備提供實時、動態的數據處理能力，減少總體執行時延和能耗，增強系統通信的可靠性[10-11]。因此，MEC技術已經成為IoT系統研究中一個活躍的研究領域。目前對于MEC的研究主要集中于多邊緣節點（edge nodes，ENs）部署策略和卸載策略。在ENs 部署策略方面，2018 年，文獻[12]提出了扁平式部署ENs 網絡，即在邊緣系統中所有邊緣云與ENs 同地的網絡架構。2019年，文獻[13]提出面向復雜性較高的多路訪問邊緣網絡的垂直式ENs 部署，即邊緣云與ENs 異地，用戶依據計算資源的利用率和任務分類選擇性地將計算任務通過不同層級的ENs 卸載至ES，降低總體傳輸能耗。在邊緣卸載策略方面，目前研究主要為通過不同的任務派發和調度方式，提高任務計算的時延或能耗特性。文獻[14]考慮了MEC 網絡中的流量分集和無線分集，對多路訪問邊緣節點的不同部署方式進行了時延分析和能耗分析。文獻[15]針對計算資源不足而導致MEC 服務器無法滿足需求的現實問題，提出了移動場景的計算資源分配方案，并設計了一種分布式資源分配算法以提高系統效用和計算時間。在文獻[16-17]中，研究了在保證信道分配公平的情況下最大提升MEC系統吞吐量的問題，考慮了任務之間的相互依賴關系對任務卸載時延的影響，提出了基于協調算法的卸載策略以使得系統時延最低。文獻[18]將用戶服務質量作為邊緣網絡有效性的重要評價指標，通過一種在線學習方法盡可能地提升了邊緣系統能效。文獻[19]提出在移動場景下協同優化邊緣節點之間的服務緩存決策和資源分配，大大節省了重新配置服務的成本，提高了通信資源的利用效率。文獻[20]首次提出了在ENs所占用計算資源不相同的情況下，采用多級ENs卸載策略能夠極大實現傳輸鏈路復用，提高傳輸能效。

上述的研究均取得了一定的成果，但還存在著一些不足之處：一方面，現有的研究對于計算資源及信道資源聯合優化問題還考慮的不夠充分；另一方面，對于異構資源，大多數研究采用平坦式邊緣網絡架構進行處理，對于多層級邊緣網絡的性能表現的研究仍尚少。本文在IoT場景下，綜合考慮IoT設備的時延約束特性、邊緣節點的異構資源、多路訪問邊緣網絡的無線干擾三個方面的因素，研究由多個設備及兩級邊緣節點構成的IoT系統中多計算任務卸載策略。主要創新點如下：

（1）提出了一種具有異構資源的二級ENs網絡；

（2）提出了一種計算資源及信道資源聯合優化的最優能耗卸載策略算法（optimal energy consumption algorithm，OECA）。

1 系統模型

本文設計的兩級節點MEC 網絡系統模型如圖1 所示。考慮IoT 節點下的一組IoT 設備，每個設備產生一個計算任務，記任務集為N={ }1,2,…,i,…,n，每一任務需要在延遲約束tmaxi內完成，且不同設備之間是異構的。對于設備而言，可選擇兩種卸載策略來完成計算任務：在本地執行或卸載到ES。在MEC 網絡中，存在一級邊緣節點EN1和二級邊緣節點EN2，每個邊緣節點具有若干信道，記作K={ }1,2,…,k,…,λ，帶寬均為B。考慮到IoT設備僅配備一個無線電設備，在任務執行過程中，IoT 設備只能選擇一個EN 來將計算任務卸載到ES。為了提高頻譜復用效率，EN1與EN2在相同的頻帶中運行，且其二者之間存在回程鏈路。由于回程鏈路與其他基礎通信架構共享，其功耗可以忽略不計，回程的時延受到時延系數γ控制，系統模型如圖1所示。

圖1 兩級MEC網絡系統模型Fig.1 Two-level MEC network system model

2 問題描述

本文旨在研究面向IoT應用的MEC能耗效率問題，以來自不同設備的計算任務為對象，制定一種優化的計算任務策略，使得系統在滿足時延約束的前提下能耗最小化。為進一步分析系統總體能耗并研究多IoT 設備的卸載決策及ENs的任務調度對系統能耗的影響，將面向物聯網應用的MEC能耗效率分解為以下兩個問題。

（1）任務放置問題：根據時延約束與能耗特性，綜合考慮全局IoT 設備任務總能耗，對i∈N決定是在本地執行該任務還是將任務卸載到ES。

（2）資源調度問題：在系統中，IoT 節點計算任務集總是由一系列由不同設備上傳的任務組成，這些任務通常是異構的，需要對所有任務確定其卸載優先級順序。主要原因一是系統的頻帶資源有限，應當把增益較強的信道分配給優先級更高的任務，以使系統整體任務傳輸過程中的總能耗更小；二是改變任務的執行順序也會影響系統的總能耗。

在任務卸載到EN1的情況下，系統的全局時延，即系統中所有用戶的時延之和，可表示為：

其中約束C1～C3 保證了任務i的通過計算方式的時延要求，tmax表示該用戶自身的時延約束；C4～C6 表示任務i只能選擇一種計算方式；C7 表示必須為每個任務分配一種計算方式；C8 表示信道只能分配給一個設備。

在卸載過程中，將{ai,j,k}視作表示設備卸載方式選擇的指示器，優化問題（15）的解用二進制集合{ai,j,k}表示，{ai,j,k}的影響因素有任務的時延約束、任務傳輸的無線干擾、用戶所選計算方式的能耗屬性和任務所屬信道的無線資源。

定義 問題（15）是NP-hard問題，具有多項式復雜性。

證明 選定特殊情況，將系統模型簡化為只有一個EN且各無線信道具有相同信干噪比（signal to interference plus noise ratio，SINR）設xi={ }0,1 表示任務i是否被卸載到ES，xi=0 表示任務未卸載，xi=1 表示任務卸載，則問題（15）可簡化為：

3 最優能耗邊緣卸載策略

為了有效求解優化問題（12），本章提出了針對多聯合優化最優能耗算法（optimal energy consumption algorithm，OECA），OECA 主要分為3 個階段：設備分類、設備優先級劃分、無線資源分配。

3.1 設備分類算法

按照任務計算的時延約束和能耗特性，將IoT設備分為兩類：第一類設備定義為將任務放置在本地的設備，即任務被放置在本地執行；第二類設備定義為將任務卸載至ES執行的設備，這類設備需要符合兩個條件：

（1）本地CPU 的計算能力不足以在時延約束內完成任務執行；

（2）本地CPU 在執行任務時延的內能耗高于ES的CPU。

3.2 設備優先級劃分

對于{?O}中的設備集，由于無線信道的容量有限、設備之間存在無線干擾以及任務之間的異構特性，在為其分配無線信道資源之前有必要對其優先級進行劃分，即優先級越高的設備，越優先選擇信道資源。設備優先級的主要影響因素有延遲約束、無線資源以及本地計算和邊緣卸載計算之間的計算能耗差。設備優先級分配過程如下所示。

其中β1、β2、β3為權重系數，滿足β1+β2+β3=1。

式（27）為i的多項加權表達式，其中第一項表示設備i的時延約束的嚴格程度，時延約束嚴格的設備應獲得更高的權重；第二項表示設備所處的信道環境，應優先為系統中信道環境較差的設備分配信道資源；第三項表示設備選擇不同的任務計算方式之間的能耗差值，若設備選擇邊緣卸載能夠節約較高的能量，則設備應獲得更高權重。φi的值與設備的優先程度成正比。

3.3 無線資源分配

基于所得權重序列{φi}可得設備的優先級順序集合，由此可執行OECA為設備分配無線信道資源。能耗表現是影響設備信道選擇的決定性因素，但在設備進行無線信道選擇時因優先選擇SINR 較高的信道，其原因是：（1）SINR 直接影響任務運算的時延，且不同信道之間的傳輸功率相等；（2）以SINR為選擇無線信道指標能夠有效縮短算法迭代時間。無線信道分配的具體步驟如下：

4 仿真結果及分析

本章通過仿真結果評估OECA 的性能。設定EN1和EN2覆蓋面積為100 m×100 m的區域，每個基站具有K=50 條信道，同屬一個基站的信道之間兩兩正交。區域內存在n=100 個用戶，每個用戶即為1 個IoT 設備，每個IoT設備根據主流應用程序（例如面部識別應用程序、視頻導航應用程序等）產生一個計算任務需求。IoT 設備產生的計算任務大小在[500 KB，1 500 KB]間均勻分布，其所需本地計算能力在[1.5 GHz，2.0 GHz]間均勻分布，所需的CPU 計算能力在[0.2 GHz，0.3 GHz]間均勻分布，初始時延系數γ=1×10-4s/KB。具體的實驗參數如表1所示。在實驗中，將所提出的二級邊緣節點網絡模型與平坦式邊緣網絡模型[9]相對比，將所提出的OECA 算法分別與無卸載機制計算方案、基于有向無環圖的卸載算法（directed acyclic graph algorithm，DAGA）[16-17]進行對比。

表1 實驗參數Table 1 Experimental parameters

如圖2 為4 種不同的任務計算方式的能耗表現對比。隨著用戶數量的增加，不同方案下的系統能耗都逐漸增加，無卸載機制的系統的能耗要明顯高于其他3種方案，OECA 算法的能耗最低。當系統用戶總數較少時，各計算方案能耗之間差異較小。當系統用戶總數n=60 時，二級邊緣網絡OECA 的能耗為20.9 J，是無卸載機制計算方案的56.3%。當系統用戶總數n=100 時，在平坦式邊緣網絡模型下，OECA的能耗為42.7 J，對比DAGA 減少了8.2 個百分點；在二級邊緣網絡模型下，OECA 的能耗為37.1 J，對比平坦式邊緣網絡OECA 能耗減少了13.1個百分點。

圖2 不同任務執行方式下能耗對比Fig.2 Comparison of energy consumption under different task execution methods

與DAGA算法對比，系統可卸載用戶數量的對比情況如圖3所示。隨著系統用戶總數的變化，兩種算法的可卸載用戶數量都逐漸增加，當系統用戶數量n=100時，二級邊緣網絡OECA 的可卸載用戶數為71，相比DADA 算法高出18.3 個百分點。在系統用戶數量較多的情況下，可卸載用戶數的增長速度逐漸平緩，這說明系統逐漸達到容量上限。

圖3 系統可卸載用戶數量對比Fig.3 Comparison of system offloading user numbers

如圖4 揭示了回程鏈路時延系數對系統能耗及二級邊緣節點下卸載用戶數量的影響。當回程鏈路時延系數γ較大時，兩級ENs 之間的鏈路時延約束更加嚴格，此時二級邊緣節點下的用戶將可能無法滿足自身時延需求，因此轉為連接一級EN 執行卸載。與此同時，對于這些用戶來說，通過一級邊緣節點進行傳輸需要更高的傳輸能耗，因此系統能耗隨著γ的增加逐漸增大。

圖4 不同γ 時系統能耗和卸載用戶數量Fig.4 System energy consumption and unloaded user numbers under different γ

如圖5 揭示了不同用戶數量與不同卸載策略下ES的CPU 占用情況。隨著用戶數量的增加，兩種卸載策略所對應的CPU占用都在不斷增加。當系統中的用戶數量n>90 時，服務器CPU占用幾乎不隨設備數量而增長，這是由于用戶數量逐漸趨近MEC系統的容納上限，系統趨于飽和。當用戶數量n=100 時，二級邊緣網絡DAGA 的CPU 占用為65%，二級邊緣網絡OECA 的CPU占用為57.8%，對比DAGA減少7.2個百分點。

圖5 CPU占用情況Fig.5 CPU usage

如圖6 揭示了時延約束tmax的變化對兩種不同的網絡模型下的MEC系統全局能耗的影響。對比平坦式邊緣網絡，二級邊緣網絡的能效更優，在tmax=50 ms時二者的能效差達到40.14 W。當tmax<80 ms 時，兩種網絡模型的MEC 系統能耗都隨著tmax的減小大幅增加。這是由于此時系統的時延敏感性大幅提高，即系統中的用戶在進行應用任務計算時的時延要求更為嚴格，更多的用戶選擇通過ES進行邊緣卸載以滿足自身應用任務的時延要求。隨著tmax的逐漸增大，用戶自身的計算任務時延要求降低，更多的用戶被移出ES 卸載序列以降低MEC系統能耗。

圖6 不同tmax 時系統能耗對比Fig.6 Comparison of system energy consumption under different tmax

如圖7為不同時延約束tmax下，兩種不同的網絡模型下的MEC 系統中可卸載用戶數量的對比。與平坦式邊緣網絡相比，二級邊緣網絡所能容納的邊緣卸載用戶更多，即網絡吞吐量更大。當tmax=163 ms時二者相差達到最大值25%。隨著tmax逐漸增大，系統中可卸載用戶數量逐漸下降，這是由于此時用戶自身計算任務的時延要求逐漸寬松，更多的用戶傾向于在自身IoT 設備上計算應用任務。當tmax<67 ms 時，隨著tmax的增大，MEC 系統可卸載用戶數的下降趨勢較為平緩，主要原因是在時延約束較為嚴苛的情況下，絕大部分用戶依然需要依賴ES 所提供的計算能力進行任務計算。

圖7 不同tmax 時可卸載用戶數對比Fig.7 Comparison of offloading user numbers under different tmax

5 結語

本文將IoT 場景下用戶應用任務卸載問題建模為二級邊緣節點下的多用戶邊緣卸載策略選擇，為了降低IoT 設備進行邊緣卸載過程中的能耗，在滿足IoT 時延約束的前提下，通過優先級函數平衡卸載時延與能耗，并提出OECA 卸載策略。仿真結果表明，對比基于DAG的算法，所提方案可提升MEC網絡容量18.3個百分點，縮減能耗13.1 個百分點，有效提升了通信過程中的能效。下一步工作將考慮在多任務場景下，針對多級邊緣網絡的并行任務放置問題研究卸載策略，并采用啟發式算法進行無線資源分配，以進一步分析MEC 系統的最優能效卸載方案。