物聯網邊緣計算資源分層部署建模仿真

馮 沖，施 展

(大連民族大學信息與通信工程學院，遼寧 大連 116600)

1 引言

現階段，邊緣計算在物聯網領域得到廣泛發展，把邊緣服務器部署在物聯網邊緣，將計算能力下沉到分布式基站，令數據存儲和處理更加靠近終端，不斷升級無線基站的智能化水平，通過基站的處理、存儲、計算等功能，彌補物聯網在時延和帶寬等方面的不足。計算資源部署是邊緣網絡的關鍵技術，根據不同的服務分布、服務需求、運營商的實際網路情況，為每個接入點合理分配計算資源。但由于網絡終端的任務請求數量隨時變化，硬件計算資源卻不隨時間變化，容易導致接入點資源過剩或不足，使得網絡部署成本或時延增加，因此，研究邊緣計算資源部署問題，確定計算資源的部署位置和部署數量，同時滿足運營商經濟效益和用戶體驗需求，具有重要意義。

當前，邊緣計算資源部署相關研究已取得較大進展，先確定物聯網的邊緣部署節點，根據無線信道質量、用戶地理位置等，部署邊緣數據中心，將最大化邊緣資源利用率、最小化訪問時延和部署成本等，作為計算資源部署目標，為邊緣計算提供高效的資源部署方案。文獻[6]提出基于自適應遺傳算法的邊緣計算資源部署方法，采用自適應的遺傳算法，衡量網絡負載均衡度，利用拉格朗日乘子法，分析服務器負載分布情況，求得計算資源部署最優解，但該方法選擇的單小區-多用戶場景與實際場景差異較大，終端能耗和任務時延較高。文獻[7]提出基于社會屬性感知的邊緣計算資源部署方法，通過凸優化及準凸優化理論，構造資源部署的物理域限制條件，結合網絡終端的用戶社會屬性，為計算資源匹配合適的接入點，但該方法忽略了終端調度對資源部署的影響，服務器吞吐量較低。針對以上問題，結合現有的研究理論，將部署位置的不同網絡層考慮在內，提出物聯網邊緣計算資源分層部署建模與優化方法。

2 物聯網邊緣計算資源分層部署建模與優化

2.1 計算物聯網邊緣計算資源分層部署目標函數

定義時延和部署成本，計算物聯網邊緣計算資源分層部署目標函數。分析邊緣計算資源分層部署對用戶需求響應時延的影響，物聯網運營商部署邊緣計算資源中心后，選擇合適的邊緣計算資源中心，為用戶提供服務，中心部署位置與用戶越遠，判定網絡傳播時延越大，否則判定網絡傳播時延越小，為用戶分配的中心處理能力越小，判定處理和排隊時延越大，否則判定處理和排隊時延越小。將網絡傳播時延定義為用戶請求發送至邊緣計算資源中心的時延，設用戶請求為，請求服從泊松分布，邊緣計算資源中心的候選位置為，根據物聯網無線收發前端與邊緣計算資源中心之間的路徑距離，計算網絡傳播時延，公式為

(1)

其中，為單位距離的網絡傳播時延，、分別為物聯網無線收發前端節點數量、基帶處理單元節點數量，、為用戶請求針對無線收發前端節點、基帶處理單元節點所需的處理能力，當請求位于中心內，值取1，否則值取0。將邊緣計算資源中心視為一個實體，考慮用戶請求必須到達邊緣數據中心，才能分配到一定計算資源，為此將用戶請求轉換為排隊問題，計算排隊和處理時延，公式為

(2)

其中，為邊緣計算資源中心可分層部署的候選位置集合，為邊緣數據中心的服務時間，為請求的到達率。分析邊緣數據中心分層部署成本，包括場地租用費用和基礎設備費用，通過用戶的工作負載部署成本，表示每個候選位置服務用戶請求的經濟效益，計算分層部署成本，公式為

(3)

其中，為邊緣數據中心的租賃成本，為中心候選位置可放置的物理機數量，為物理機成本，為物理機處理能力。根據鏈路損耗和鏈路長度造成的時延代價，計算用戶請求的傳輸成本，公式為

(4)

其中，、分別為無線收發前端節點、基帶處理單元節點處理用戶請求的任務流，為鏈路傳輸單位請求的時延代價。計算物聯網終端執行任務的能耗，公式為

(5)

其中，為候選位置單位時間的物理器運行周數，為執行任務所需的物理器運行周數，為邊緣計算資源中心執行任務計算的能耗功率。計算物聯網終端的數據傳輸能耗，公式為

=

(6)

其中，為用戶通過無線網絡，將數據傳輸到分層部署候選位置的信號傳輸功率。邊緣數據分層部署的目標函數為：

=min(+++++)

(7)

通過式(7)，實現中心處理請求時的時延、成本、能耗最小化，至此完成物聯網邊緣計算資源分層部署目標函數的計算。

2.2 建立物聯網邊緣計算資源分層部署模型

設置邊緣計算資源中心候選位置處理用戶請求的約束條件，結合目標函數，構成物聯網邊緣計算資源分層部署模型。對于每個前端節點、終端節點、基帶處理單元節點的數據輸入量和輸出量，都會占用鏈路容量，將鏈路劃分為前傳鏈路和回傳鏈路，設置鏈路容量限制條件，確保用戶請求的任務流不超過鏈路容量。前傳鏈路負載應滿足的條件為

(8)

其中，為物聯網終端節點數量，為終端節點處理用戶請求的任務流，為節點輸出量，為鏈路容量。回傳鏈路負載應滿足的條件為

(9)

其中，、、分別為節點、、傳輸至中心的任務量，為節點輸入量。設置節點處理能力限制條件，前端節點、終端節點、基帶處理單元節點處理能力應滿足的條件為

(10)

其中，、、分別為節點、、處理能力上限。基帶處理單元接收用戶請求后，設置基帶調度限制條件，基站調度應滿足的條件為

(11)

其中，為用戶請求任務量。令每個用戶請求僅分配到一個邊緣計算資源中心，且位置處一定部署了邊緣數據中心，為保證物聯網穩定性，設置邊緣數據中心服務率限制條件，確保服務率一定超過用戶請求到達率。邊緣計算資源中心服務率應滿足的條件為

(12)

限制邊緣計算資源中心負載總量，確保工作負載不超過中心容量，邊緣數據中心負載應滿足的條件為

(13)

其中，為用戶請求針對終端節點所需的處理能力。分析邊緣數據分層部署時延和成本的關系，限制時延成本系數和部署成本系數之和為1，限制條件表達式為

(14)

其中，為請求端到端的最大時延，為邊緣數據分層部署成本系數，、分別為時延成本系數、部署成本系數。將式(8)～式(14)，作為邊緣數據中心處理任務的約束條件，結合式(7)，得到邊緣計算資源分層部署模型，至此完成物聯網邊緣計算資源分層部署模型的建立。

2.3 優化物聯網邊緣計算資源分層部署方案

求取模型最優解，確定邊緣計算資源中心的部署位置和部署數量，優化分層部署方案。采用模擬退火遺傳算法，求解物聯網邊緣計算資源分層部署模型，排列邊緣計算資源候選位置{1，2，…，}，∈，每個邊緣數據中心部署的計算資源數量為，隨機生成初始種群[，]，將[，]作為一個染色體，[，]應滿足式(8)～式(14)的約束條件，表示計算資源分層部署問題的可行解，各個染色體的每個元素互不相同。將作為適應度函數，計算每個染色體的適應值，確定下一代種群的生存期望數目，采用比例選擇法，得到下一代種群直接遺傳的生存數目，把值較小的染色體遺傳到下一代種群，針對值較大的染色體，采用匹配交配法，交換染色體的匹配元素，再對染色體元素進行隨機突變，把交叉突變的染色體遺傳到下一代種群。重復以上流程，得到值最小的全局最優解，輸出最優染色體[，]。至此完成分層部署方案的優化，實現物聯網邊緣計算資源分層部署建模與優化方法設計。

3 實驗與性能分析

將此次設計方法，與基于自適應遺傳算法的計算資源部署方法、基于社會屬性感知的計算資源部署方法，進行對比實驗，比較終端能耗、任務時延、服務器吞吐量。

3.1 仿真場景

使用Matlab R2020a平臺進行仿真，分層型網絡結構如圖1所示。

圖1 分層型物聯網拓撲結構

將圖1中匯聚節點和核心節點，作為無線收發前端節點，基站作為基帶處理單元節點，終端作為終端節點，所有基站構成物聯網第1層，所有匯聚節點構成第2層，所有核心節點構成第3層，核心節點通過回傳鏈路連接多個匯聚節點，匯聚節點通過前傳鏈路連接多個基站，用戶請求的任務流可以自下向上、自上向下雙向傳輸。設定每個邊緣數據中心包含10個物理器，隨機分布在30m×30m范圍內，用戶請求的任務量服從正態分布，設置的仿真參數如表1所示。

表1 仿真參數設置

三種方法分別根據以上參數，制定物聯網邊緣計算資源分層部署方案，在3個網絡層的相應節點上，選擇邊緣數據中心部署位置，確定每個部署位置的計算資源部署數量。

3.2 實驗結果分析

設定任務數據大小為2500kB，生成不同數量的用戶請求，利用邊緣數據中心處理用戶請求，比較不同用戶數量下的終端總能耗，實驗結果如圖2所示。

圖2 不同用戶數量下的終端總能耗實驗對比結果

由圖2可知，設計方法平均能耗為32.4J，基于自適應遺傳算法的計算資源部署方法平均能耗為59.1J，基于社會屬性感知的計算資源部署方法平均能耗為69.8J，設計方法提出的分層部署方案，終端總能耗分別減少了26.7J、37.4J。

比較不同用戶數量下的任務時延，包括網絡傳播時延和任務排隊處理時延，實驗結果如圖3所示：

圖3 不同用戶數量下的任務時延實驗對比結果

由圖3可知，設計方法平均任務時延為9.8s，另外兩種方法平均任務時延為26.4s、38.9s，設計方法相比另外兩種方法，分層部署方案的任務時延分別減少了16.6s、29.1s。

比較不同用戶數量下的邊緣服務器吞吐量，實驗結果如圖4所示：

圖4 不同用戶數量下的服務器吞吐量實驗對比結果

由圖4可知，設計方法邊緣服務器平均吞吐量為241kb/s，另外兩種方法平均吞吐量分別為202 kb/s、158 kb/s，設計方法邊緣服務器吞吐量分別提高了39kb/s、83kb/s。

在第一組實驗的基礎上，設定用戶數量為80，在1000kB和5000kB之間隨機生成任務數據，當任務數據大小改變時，比較三種方法的能耗、時延、吞吐量，實驗結果如表2所示。

表2 任務數據大小不同時的實驗對比結果

由表2可知，面對不同大小的任務數量，設計方法的能耗、時延、吞吐量，仍優于另外兩種方法。綜上所述，設計方法降低了終端能耗，減少了任務時延，提高了服務器吞吐量，有效縮短了用戶請求執行時間，邊緣計算資源得到充分利用。

4 結束語

此次研究針對物聯網邊緣服務器的資源部署問題，設計了一種計算資源分層部署模型，終端能耗、任務時延、服務器吞吐量均得到明顯改善。但此次設計方法仍存在一定不足，在今后的研究中，會分析真實邊緣計算網絡環境中的問題，將用戶任務可分割的場景考慮在內，開發一個移動邊緣計算平臺，進一步提高資源部署效率。