移動邊緣計算中基于云邊端協同的任務卸載策略

張文柱 余靜華

（西安建筑科技大學信息與控制工程學院 西安 710055）

隨著萬物互聯時代的到來，智能終端設備數量和其產生的數據量都急劇增長[1].Cisco 云預測，2021年全球范圍內將有超過500 億個的終端設備，這些設備每年產生的計算型數據總量將超84 ZB，高計算應用需求越來越多[2].移動終端設備因其有限的電量和計算能力不能滿足人們日益增長的應用需求，因此，如何提供高計算能力服務和服務質量成為一個研究重點.移動云計算（mobile cloud computing，MCC）[3]通過將移動終端設備的計算任務轉移到計算能力強大的云中心對任務進行集中處理[4]，成為提供高計算能力的解決方案.但MCC 有其固有的局限性[5]：云中心與遠距離終端之間的傳播時限使其無法高效處理終端設備產生的敏感時延性質的數據.因此，MCC 不適合服務于時延敏感的應用.

歐洲電信標準協會（ETSI）在2014 年提出移動邊緣計算模式[6].移動邊緣計算是將計算和存儲資源部署在移動網絡邊緣側，為用戶提供云計算能力、低時延和高帶寬的網絡服務[7]，結合計算卸載技術很好地平衡了MCC 的局限性.未來的無線系統中，小基站、平板電腦等計算能力與計算機服務器相當的設備都可作為邊緣節點[8].

計算卸載技術 [9]指終端設備將部分或全部計算任務交給邊緣云或中心云處理，為移動終端設備在資源存儲、計算性能以及能效等方面存在的不足提供解決方案，是移動邊緣計算（mobile edge computing，MEC）的關鍵技術之一.其中，卸載決策是計算卸載技術的核心問題[10]，卸載決策決定任務是否卸載、卸載什么以及卸載到哪里的問題[11].在多終端、多任務的復雜場景下，卸載決策的制定需要綜合任務計算量、數據傳輸量、邊緣云計算能力和資源利用率等諸多因素.傳統的卸載方式依靠虛擬機實現，而研究表明[12]，Docker 容器比虛擬機更輕量，節省了時間和能耗，它將任務程序代碼、任務依賴項和環境概要文件打包到鏡像副本中構建容器鏡像，操作方便.在一個完備的執行架構中，根據任務的差異化制定最優的卸載決策能有效提高任務的執行效率，但依靠單一的終端設備計算、邊緣計算和云計算都不能滿足復雜場景的需求，不能同時平衡時延與能耗.因此，本文的目標是綜合端—邊—云的優勢，實現以下目標：在最優化時延與能耗的情況下，將時延敏感的任務卸載至邊緣節點計算，時延容忍的大數據量任務在云中心處理，時延容忍的小數據量任務在終端處理.本文的主要貢獻有3 個方面：

1）提出一個基于Docker 的云—邊—端協同的移動邊緣計算框架，建立了任務依賴關系聯合并行計算的任務執行序列，在并行計算設定上分別建立了本地計算、邊緣計算和云計算的計算時間和能耗模型；

2）在多用戶服務場景中，通過跨端—邊—云的協作方式，制定任務最小計算時間和最低能耗的目標卸載決策，為實現減小系統計算時間的同時降低系統能耗的目標，設計了人工粒子蜂群（artificial particle swarm,APS）算法搜索最佳的卸載策略；

3）通過仿真實驗，對比人工蜂群算法、粒子群算法和隨機卸載算法驗證了APS 算法的性能；對比本地計算、邊緣計算、云計算、本地—邊緣聯合計算和隨機處理等計算模式，驗證本系統的性能.

1 相關工作

近年來，隨著MEC 的應用和卸載決策的研究不斷深入，網絡環境復雜度的提高和終端設備數據量的增大所帶來的挑戰也越來越嚴峻.尤其對于移動邊緣計算模型的建立和卸載策略的制定，要滿足任務的執行條件，當可用節點較少或卸載決策制定因素不完善時，會產生高時延甚至處理失敗.

一些特定應用背景下MEC 系統模型和卸載決策的研究成果已經落地.文獻[13]提出了一種面向多節點的自動駕駛邊緣卸載框架來提供效率和隱私導向的自動駕駛卸載服務,在多邊緣節點中進行卸載調度策略的實時求解.文獻[14]針對智慧城市領域提出了在能耗和響應時間之間進行權衡的任務卸載優化策略，包括2 個子目標的建模和啟發式雙目標優化算法.文獻[15]針對智能家居場景中的MEC,引入邊緣節點的泛在感知能力,在保證數據安全的基礎上實現邊緣節點資源的分配.文獻[16]研究雙無人機輔助MEC 系統的安全問題，通過抗干擾幫助地面終端設備計算卸載的任務，聯合了優化通信資源、計算資源和無人機軌跡進行任務卸載.

從MEC 應用可知，任務卸載模型和計算卸載決策是MEC 中的研究熱點，二者共同決定任務的執行位置與分配資源，主要研究方向有3 個：時延、能耗、權衡時延與能耗.文獻[17]提出一個任務卸載和異構資源調度的聯合優化模型，最小化用戶的設備能耗、任務執行時延和成本來求解最優的任務卸載算法.文獻[18]為了使時延敏感的處理任務在近終端用戶執行，提出支持多個物聯網服務提供商在一個通用MEC 平臺部署的兼容方案，在平臺內引導物聯網數據傳輸.文獻[19]提出緩存輔助邊緣計算的卸載決策制定與資源優化方案，通過建立最小化用戶在任務執行時最高能耗值，得到理想的卸載決策集合與資源分配方案.文獻[20]制定了在遷移能量預算的條件下盡量減少任務的平均完成時間的目標，設計了基于強化學習的分布式任務遷移算法.文獻[21]考慮多用戶的MEC 系統以最小化終端能耗為目標，通過聯合優化任務傳輸功率、局部計算和邊緣計算能力來研究任務卸載問題.

然而，文獻[13?21]研究都依賴單一的計算模式，在通信資源有限的條件下，會因通信鏈路堵塞造成更大的時延.因此提出本文第一個改進點:建立多終端、多任務的云—邊—端協作任務執行模型，并加入任務計算結果傳回終端設備的時延異步性因素；聯合時延與能耗，通過實驗為時延與能耗分配最優權重進行計算卸載，保證此模型具備實際意義.

對于任務卸載策略的研究大多處于粗粒度范疇，隨著任務需求的提升，近年來也出現了考慮任務的差異化并對其進行預處理的研究，表現為將任務進行劃分或建立任務依賴關系.文獻[22]將一個任務劃分為多個子任務卸載給多個MEC 節點，通過預測每個候選MEC 節點上每個任務的總處理時間決定子任務卸載位置.文獻[23?24]研究單用戶MEC 系統、移動設備包含一個由多計算組件或具有依賴關系的任務組成的應用程序，根據依賴執行順序計算出最優的任務卸載策略.文獻[25]研究多用戶任務卸載，為提高資源利用率，提出基于建立任務依賴關系的卸載調度器.文獻[26]先研究2 個設備間的任務依賴與相關性，然后擴展到復雜交互的多用戶場景，實現最優的任務卸載策略和資源分配.文獻[27] 提出一種用于多移動應用的依賴任務卸載框架,將有依賴約束的計算密集型任務自適應地卸載到MEC 和云.任務劃分的研究適用于資源需求大、數據量大和數量偏少的任務集，而在密集復雜環境中劃分任務會導致計算量呈指數增長，于系統服務無益.

文獻[22?27]研究中建立任務依賴關系的方法大多面向單用戶系統，通過傳統的有向無環圖（directed acyclic graph，DAG）進行任務拓撲排序，再擴展到多個設備的DAG 調用.在每個處理器僅執行1 個任務的情況下多個任務面臨等待，且調用多個DAG 進行任務分配無法解決有依賴任務與無依賴任務的區別處理，造成不必要的時延浪費.基于文獻[22?27]分析，提出本文的第2 個改進點：1）將任務依賴關系與任務并行處理相結合，以最優最長鏈路拓撲排序的Kahn 算法為基礎，加入行滿秩矩陣結果要求，使算法輸出的任務依賴矩陣的行元素直接表明任務的優先級.第一優先級任務為無依賴任務與依賴初始任務的集合，優先級則代表任務的執行順序；2）再結合云—邊協同架構的并行處理原則，將表征任務依賴的優先級矩陣抽象成任務執行序列，每個序列將同步執行，大大縮短任務的排序處理時延.

卸載策略求解過程屬于NP 難問題，MEC 研究中大多將其轉化為多因素優化問題，近年來使用較多的求解方式是群體智能算法.文獻[28?29]研究了面向智能物聯網的MEC 應用，采用遺傳（genetic algorithm,GA）算法優化計算成本與能耗進而得到卸載決策.文獻[30?31] 為了減少多接入環境和高需求應用的能耗，利用模擬退火（simulated annealing,SA）算法全局尋優能力求解卸載決策，使復雜優化問題便于處理.文獻[32] 結合灰狼和混合鯨魚優化算法實現卸載決策的3 個目標優化，并對比GA 說明了混合算法在考慮多因素求解卸載決策時的優越性.文獻 [33]為預測多服務器MEC 的自適應服務質量，采用人工蜂群（artificial bee colony，ABC）算法求解策略后再將各服務器結果進行整體對比選擇任務執行節點.在多接入邊緣協同環境中，應用最為廣泛的是粒子群（particle swarm optimization，PSO）算法.文獻[34?35]研 究了 多MEC服務器對多任務的卸載決策制定，采用PSO 得到任務遷移決策和計算資源分配方案.文獻[36]應用PSO作為卸載決策算法處理計算密集型和時延敏感型任務，且對比說明PSO 相比于GA 與SA 的優越性.但PSO 在處理異構邊緣節點和復雜約束優化問題時全局尋優收斂時間太長，因此需融入局部尋優能力強的算法平衡PSO 的缺陷，如ABC 是群體智能中最成功的局部尋優算法之一，ABC 與PSO 的混合更有利于發揮群體智能算法在MEC 中的作用.

基于文獻[28?36]研究提出本文的第3 個改進點為：結合ABC 算法的局部尋優能力與PSO 算法的全局尋優能力，組合成APS 算法用于求解云—邊—端協同框架下聯合時延與能耗的卸載決策；從降低算法復雜度的角度出發，通過引入“全優率”參數進行迭代結果的適應度函數判斷，決定個體蜂的類型與蜜源搜索方式.表1 為現有的適用于復雜約束的PSOABC 混合算法相關研究與本文方法的對比，進一步說明本文算法特點.

Table 1 Comparison of Researches on ABC-PSO Hybrid Algorithm and the Proposed Method表1 ABC-PSO 混合算法相關研究與本文方法對比

2 系統架構

本文提出一個基于Docker 的輕量級、虛擬化的云—邊—端協同卸載架構，它包含K個云中心服務器、M個邊緣服務器和L個移動終端設備.邊緣服務器部署在近移動終端設備側的微型基站上；遠程云中心服務器附加在宏基站上，其與邊緣服務器相比，它的存儲和計算能力更強大.設云中心集合表示為K={1,2,…,k},邊緣節 點集合 表示為M={1,2,…,m},移動終端設備集合表示為L={1,2,…,l}.同時假設每個終端設備與邊緣節點和云中心相關聯，移動設備與基站之間的鏈路集表示為R={1,2,…,r}.

如圖1 所示，系統架構由卸載調度、卸載決策算法和任務執行部分（移動設備側、邊緣節點側和云中心側）組成.首先，移動終端設備生成任務集合并制定執行矩陣；其次，由卸載決策模塊收集任務的執行要求和邊緣節點的資源使用情況，通過卸載決策算法得到任務的執行方案；最終，將隊列中的全部任務分別發送到本地計算任務集合、邊緣節點，計算任務集合和云中心計算任務集合.經過卸載模塊計算，無需卸載的任務在本地進行計算，需要卸載的任務通過卸載調度模塊將任務程序代碼、數據和Dockerfile 文件發送至邊緣節點或云中心，構建任務鏡像并創建容器進行任務計算，計算完成后將結果返回原終端設備.

Fig.1 Cloud-edge-end system architecture圖1 云—邊—端系統架構

3 系統模型和卸載決策制定

基于圖1 所示的多用戶移動邊緣計算場景，卸載決策模塊為基站覆蓋服務區的N個終端用戶提供任務執行方案.每個終端用戶都可以選擇在本地計算任務，或將任務卸載至邊緣節點或云中心執行.任務模型、本地計算模型、邊緣計算模型、云計算模型在本節進行說明.

3.1 任務依賴模型與并行計算說明

3.1.1 任務模型

假設任務是完整的且不可再劃分，移動終端設備產生n個待處理任務Task={T1,T2,…,Tn},每個任務Tj有6 個基本屬性：

其中：wj表示任務j的計算量，通過CPU 周期度量；fmin.j表示任務j需要的最小計算能力；cpuj和memj分別表示任務j執行時需要的CPU 資源和內存資源；dataj表示任務j卸載時需要傳輸的數據量，包括過程代碼和輸入參數等信息；tmax.j表示完成任務j允許的最大時延.

3.1.2 任務依賴模型

同一設備產生的不同任務通常具有一定的依賴關系，本文通過建立任務執行矩陣來提高處理任務效率.當任務生成后，將任務如何執行的初始狀態抽象成DAG；再將DAG 進行拓撲排序生成任務執行矩陣；最后根據卸載策略判斷任務的執行位置.本文設計的任務依賴關系算法以雙維護集Kahn 拓撲算法為基礎，融入行滿秩矩陣要求,在保證最優且唯一的同時避免出現分支多組合路徑.為與任務并行計算設定相結合，此算法的目標是在多種拓撲順序的情況下選出多行少列的依賴關系矩陣結果作為任務調度方案，最大限度確保有依賴任務有序執行，無依賴任務快速執行.任務依賴矩陣結果同時也是任務優先等級的劃分結果，每一行向下遞減一個優先級.執行偽代碼如算法1.

算法 1.任務依賴關系算法/*對輸入的有向無環圖生成拓撲排序后的執行矩陣L（該矩陣中行向量線性無關）.

輸入：有向無環圖G，G=(V，E)，V表示任務集，E表示任務之間依賴關系鏈路集；

輸出：執行矩陣L.

任務之間的初始狀態關系如圖2 所示,根據拓撲算法建立執行矩陣式（2），假設由卸載決策算法得到任務的決策矩陣式（3），其中，“1”表示任務在終端設備執行，“?1”表示任務在邊緣節點執行，“0”表示任務在云中心執行.

Fig.2 Initial state relationship among tasks圖2 任務之間的初始狀態關系

3.1.3 任務并行計算說明

采用Docker 封裝卸載的形式使并行計算成為可能.當邊緣節點i滿足任務j需求的存儲資源但不滿足任務j的CPU 計算資源需求時，結合時延與能耗，判斷是否等待邊緣節點i計算完1 個或若干任務后釋放CPU 資源以達到任務需求，若合適仍將任務卸載到此邊緣節點.任務到達邊緣節點i后先儲存到內存中，等待滿足CPU 資源后參與計算.并行計算過程如圖3 所示：

Fig.3 Parallel computing process of edge node圖3 邊緣節點并行計算過程

圖3 中a1，a2，a3，a4分別為任務1～4 抵達節點i的時間.假設任務1～3 抵達節點i時，節點可用內存資源和計算資源大于任務所需資源，則任務1～3 立即執行；假設任務4 抵達節點時節點可用計算資源小于任務所需計算資源，則任務4 不能立即執行.對比任務1～3 的計算時間，任務2 最先計算完畢，其次任務1完成計算；假設任務1 釋放CPU 計算資源后該節點滿足任務4 的計算需求，則任務4 開始執行，時間a6為任務1 的完成時間.我們將考慮任務之間的并行依賴關系 后制定的 卸載決 策表示為ST={st1,st2,…,stn}，stj表示任務j的執行地點.

任務并行計算的重要基礎是任務依賴矩陣的生成，矩陣行向量傳達了任務的優先級執行順序，行向量之間的無依賴關系任務就可以依據資源情況在相關節點并行計算.當設備數量與任務數量較多時，結合任務依賴于并行計算，實現同一時間計算出不同設備上同一優先級的任務結果，真正將多維分散無序計算變為m× 1 維有序執行.

3.2 本地計算模型

任務在終端設備進行計算的時延如式（4）.其中fl表示終端設備的計算能力，cpul表示終端設備可用CPU 資源，meml表示終端設備可用內存資源.任務在終端設備進行計算的能耗為表示CPU 循環1 個周期所產生的能耗，表示由芯片結構而定的開關電容.

3.3 邊緣節點計算模型

本系統中M個邊緣服務器的集合為Edge={Ed1,Ed2,…,Edm}，每個邊緣服務器的基本屬性如式（6）所示.fi表示邊緣節點i的最大計算能力，cpui表示邊緣節點i的可用CPU 資源，memi表示邊緣節點i的可用內存資源，Ri是邊緣節點與移動設備間的數據傳輸速度，Pi為邊緣節點i的發射功率.

考慮任務卸載至邊緣節點時存在并行計算的情況，假設模型中并行計算等待過程的能耗忽略不計，只討論產生的等待延時，則任務計算完成并將結果返回移動終端設備的總時延TEN計算存在2 種情況，如式（7）所示：

1）任務j抵達邊緣節點i后，若邊緣節點i當前剩余資源滿足任務計算所用資源，即c puj≤cpui，memj≤memi.此時任務j可立即執行，其完成時間如式（8）所示：

2）任務j抵達邊緣節點i后，若邊緣節點i當前剩余資源小于任務計算所用資源，即cpuj>cpui，memj>memi.此時任務j需要等待此節點執行完優先級高的任務并釋放足夠的計算資源后方可參與計算，其完成時間為式（17）.等待時間可根據已建立的任務執行矩陣得式（18）.

3.4 云中心計算模型

本系統中部署K個云服務器，因為云中心的CPU 資源和內存資源遠高于終端設備和邊緣節點，本文僅考慮云中心的3 個屬性.其中，fk表示云中心的最大計算能力，Rk為云中心與移動設備間的數據傳輸速度，Pk表示云中心的發射功率.

3.5 聯合時間與能耗的卸載決策目標函數

綜上，可以得到所有任務的云—邊—端協同卸載執行計算需要的時間Tall描述和能耗Eall描述分別為式（28）和式（29），其 中βED,βEN,βC∈{0,1}.規定任務在1 個位置執行，βED,βEN,βC這3 個參數只取0 或1，根據任務的執行位置決定云、邊、端時間與能耗的參數取值.

由式（30）可知，系統計算時間和能耗的優化問題轉化為有約束條件下目標函數Q的最優化問題，即通過搜索卸載決策方案獲得Q最大值.優化目標及其約束條件如式（31）所示：

4 基于APS 算法求解卸載決策

4.1 APS 算法說明

本文設計的人工粒子蜂群算法包含5 個要素：蜜源、引領蜂、跟隨蜂、粒子蜂和偵察蜂.APS 采用原人工蜂群算法進行初始化，隨機生成初始解xi(i=1,2,…,S N）.在搜索階段，引領蜂依據式（32）尋找新蜜源.

APS 融合ABC 算法和粒子群算法，解決了ABC搜索效率低和提前陷入局部最優的問題.主要體現在引領蜂變異為偵查蜂階段，APS 改變了ABC 算法的位置更新策略，根據全局最優解的位置和個體最優解的位置來搜索蜜源，跳出局部最優.

APS 算法中引入了式（34）“全優率”參數和粒子蜂對ABC 與PSO 進行融合，全優率的含義為：每一個個體在迭代過程中的適應度值相對于全局最優解的概率.假設連續幾代蜜源適應度不變時所有的引領蜂都為粒子蜂，通過衡量全優率，將引領蜂分成2 類：一類是全優率大于1 的蜜蜂變異為偵查蜂，在當前蜜源附近搜索；另一類全優率小于1 的蜜蜂變異為粒子蜂，迭代按照PSO 算法的式（34）進行迭代.

4.2 算法描述及流程

算法2.為基于APS 算法的卸載決策.

步驟1.初始化參數，包括種群規模、引領蜂和跟隨蜂數量、最大迭代次數、限定蜜源更新次數、搜索空間等；

步驟2.隨機生成初始蜜源，要求初始蜜源表示的卸載決策方案均滿足各任務對內存的需求；

步驟3.進行鄰域搜索，通過式（33）分別計算初始蜜源和領域更新后蜜源的適應度，采用貪婪選擇方法保留較好的蜜源；

步驟4.根據引領蜂分享的信息，判斷是否為跟隨蜂分配蜜源，如果分配則記錄下最好的蜜源位置；

步驟5.如果不分配則為跟隨蜂選擇1 個蜜源，然后搜索新的蜜源計算適應度函數進行貪婪選擇，并保留較好的蜜源；

步驟6.判斷是否達到最大蜜源更新次數，“是”則記錄最好的蜜源位置，“否”則回到步驟5；

步驟7.為避免陷入局部最優，進行當前最好蜜源的全優率判斷，全優率大于1 則產生偵查蜂，使用式（4）更新蜜源位置；全優率小于1 則產生粒子蜂，使用式（5）和式（6）更新蜜源位置；

步驟8.判斷是否達到最大迭代次數，“是”則進行步驟9，“否”則回到步驟3；

步驟9.輸出最優卸載決策ST.

算法2 流程圖如圖4 所示.

5 仿真實驗與結果分析

5.1 仿真實驗介紹

Fig.4 Flow chart of APS algorithm圖4 APS 算法流程圖

在本節中，部署了一個云—邊—端協同的網絡結構仿真，提出的任務卸載架構包括1 個服務半徑為1 km 的云中心服務器、4 個服務半徑為500 m 的邊緣服務器和50 個移動終端設備，總覆蓋面積為2 km×2 km.移動終端設備和邊緣服務器隨機分布在覆蓋區域中.本文采用Python 語言進行編程仿真，仿真實驗中使用的相關參數參考文獻[41]設定，如表2 所示，實驗內容如表3 所示.

為驗證以上實驗內容對系統性能的影響，將本文方案與5 種任務處理方式作比較:

1）Local：任務只在終端設備進行處理計算.

2）Edge：任務隨機卸載到邊緣節點上計算.

3）Cloud：任務全部卸載到云中心執行.

4）Local-Edge：任務在本地和邊緣節點執行.

5）Random：任務在端—邊—云隨機執行.

5.2 實驗結果與分析

5.2.1 θ1，θ2的取值實驗

圖5 和圖6 分別表征了系統在處理100 個隨機任務的情況下，θ1取不同的值時系統的計算時間和能耗情況.從圖5 和圖6 可知，當 θ1=0.6 時，系統計算時間最短；θ1=0.5 時，系統能耗最低.同時從2 個結果圖的變化趨勢可以看出，θ1的取值對于系統計算時間的影響較大，能耗的變化相比于計算時間來講比較平緩，尤其是當 θ1=0.4，0.5，0.6 時，能耗的變化微小.因此綜合以上情況分析，取 θ1=0.6 時具有最合適的延時與能耗表現.

Table 2 Experimental Parameters Setting表2 實驗參數設定

Table 3 Experimental Contents Setting表3 實驗內容設定

Fig.5 The relationship of value θ1 and the systematic calculation time圖5 θ1的取值與系統計算時間的關系

Fig.6 The relationship of value θ1 and the systematic energy consumption圖6 θ1的取值與系統能耗的關系

5.2.2 卸載決策算法驗證

在處理不同的任務量并經過100 次迭代計算后，4 種卸載決策算法的計算時間和能耗對比分別如圖7和圖8 所示.由圖7 可知，當任務數量較少時，APS 算法雖然具備一定的優越性，但同比ABC 和PSO 差距較小；隨著任務數量的增多，APS 相比于ABC 算法、PSO 算法和RAN 算法，計算時間分別降低了19.6%，29.6%，51.9%.圖8 展示了系統能耗的變化，對比不同數量的任務，APS 算法的能耗都在不同程度上降低，其中，相比于ABC 算法能耗最大能降低12.8%，相比于PSO 算法能耗最大能降低40.3%，相比于RAN 算法能耗最大能降低50.2%.由此可見，APS 算法具有不可比擬的優越性，極大提升了整個系統性能.

Fig.7 Calculation time of four algorithms for different numbers of tasks圖7 不同任務數量下4 種算法的計算時間

Fig.8 Systematic energy consumption of four algorithms for different numbers of tasks圖8 不同任務數量下4 種算法的系統能耗

5.2.3 用戶數量對系統的影響

圖9 和圖10 分別評估了終端設備的數量對系統總時延和系統能耗的影響.從圖9 中可以看出，所有方案的總時延都隨著終端設備數量的增加而上升，但Joint 的總時延始終是最小的.當終端設備數量增多時，所產生的任務需要的計算資源也迅速增多，結合任務的數據量等特性，系統依據卸載模型將一些任務從終端設備卸載到邊緣節點或云中心處理，以獲得最小的服務時延.此外，發現當用終端數量逐漸增多時，邊緣節點計算方案的總時延大于本地計算方案的總時延，這是由于任務在卸載過程中信道和邊緣節點計算資源的競爭沒有遵循合理的卸載順序，導致任務在傳輸過程和計算過程都存在不必要的等待環節，因此時延越來越高.

Fig.9 Effect of the number of end users on the total systematic delay圖9 終端用戶數量對系統總時延的影響

Fig.10 Effect of the number of end users on the systematic energy consumption圖10 終端用戶數量對系統能耗的影響

從圖10 中可以看出，系統能耗也隨著終端數量的增多而增多，且Joint 的能耗表現具有很強的優越性.Edge 的能耗低于Cloud 的能耗的原因在于：不同于系統時延，任務卸載到邊緣節點的方案存在滯后等待，當任務到達Edge 后，等待過程的能耗可忽略不計.相比于遠距離的Cloud，Edge 的傳輸能耗顯著降低，因此，總體上Edge 的能耗低于Cloud 的能耗.

5.2.4 任務的配置文件對系統性能的影響

這里評估了任務所需計算資源量和任務輸入數據量對系統總體時延和系統能耗的影響（終端設備數量為30）.2 種配置下各方案的時延表現如圖11 和圖13 所示.6 種方案的總體時延都隨任務計算資源量的增加而增加，但Joint 的總時延始終是最小的.由于本地計算不涉及任務的卸載和傳輸，因此時延保持為一個穩定的數值.而 Edge 模式隨著卸載任務和數據量的增加時，出現爭奪通信資源和邊緣節點計算資源的情況，因此其時延要高于云計算和本地計算.從2 種任務配置因素得知，本文系統可快速處理一些要求計算資源量高和輸入數據量高的任務.

Fig.11 Effect of computing resources required by tasks on systematic delay圖11 任務所需計算資源對系統時延的影響

如圖12 所示，當任務所需計算資源量增加時，6 種方案的能耗隨之上升，但Joint 的能耗遠小于其他系統的能耗.通過計算平均任務所需資源量，Joint能耗分別比Random 降低了58.28%，比Local 降低55.60%，比Cloud 降低43.54%，比Edge 降低24.46%，比Local-Edge 降低16%.由圖14 得，隨著任務輸入數據量的增加，本地計算不涉及數據輸入，能耗逐漸穩定增大，Joint 尤其表現優越.因此，當面臨大數據量輸入時，Joint 的能耗表現遠遠優于其他模式，其中相比Random 最高降低了52.72%，比Local 最高降低29.20%，比Cloud 最高降低26.92%，比Edge 最高降低22.45%，比Local-Edge 最高降低19.82%.

Fig.12 Effect of computing resources required by tasks on systematic energy consumption圖12 任務所需計算資源對系統能耗的影響

Fig.13 Effect of the amount of date input by tasks on systematic delay圖13 任務輸入數據量對系統時延的影響

Fig.14 Effect of the amount of date input by tasks on the systematic energy consumption圖14 任務輸入數據量對系統能耗的影響

5.2.5 任務的固定屬性對系統性能的影響

Fig.15 Effect of the maximum delay of tasks on the systematic delay圖15 任務最大延遲對系統延時的影響

這里評估了任務最大時延和任務所需最小計算能力對系統時延和能耗的影響.如圖15 所示，當任務的時延要求逐漸增大時，將有更多任務在本地執行，同時所需計算資源量大的任務卸載到邊緣節點，因此系統總時延隨著時延容忍的增加而減少.Joint 相比其他方案的總時延總是保持最小，圖16 中能耗也呈現出和時延狀態相似的表現，Joint 方案對應總體時延和能耗始終維持低數值，具有一定優越性.

Fig.16 Effect of the maximum delay of tasks on the systematic energy consumption圖16 任務最大延遲對系統能耗的影響

圖17 和圖18 反映了任務所需的最小計算能力對系統的影響.由圖17 得知，當最小所需計算能力不斷增加時，任務的執行位置越來越受限，從而導致本地設備不能參與計算，所有任務為了卸載至邊緣服務器或者云中心，全部都去競爭有限的信道資源與網絡資源，因此系統總體時延性能變差.從圖18 可知，雖然Joint 的能耗在高計算能力需求時在一定程度上與邊緣計算模式和云計算相近，但充分滿足了系統時延的要求.綜上所述，與其他5 種方案相比，Joint 方案在大規模計算情況下具備很強的自適應性.

Fig.17 Effect of the minimum computing power required by tasks on the systematic delay圖17 任務所需最小計算能力對系統延時的影響

Fig.18 Effect of the minimum computing power required by tasks on the systematic energy consumption圖18 任務所需最小計算能力對系統能耗的影響

5.2.6 終端最大發射功率對系統性能的影響

Fig.19 Effect of the maximum transmitting power of end on the systematic delay圖19 終端設備最大發射功率對系統延遲的影響

Fig.20 Effect of the maximum transmitting power of end on the systematic energy consumption圖20 終端設備最大發射功率對系統能耗的影響

圖19 和圖20 分別顯示了終端設備最大發射功率對系統時延與能耗的影響.由圖19 可知隨著終端設備最大發射功率的不斷增加，發射功率的范圍變大，終端設備的可用功率相應增加，因此任務卸載速度變快，系統總時延變小.由圖20 得知，終端最大發射功率增加幅度小，但系統時延下降較快，因此系統能耗總體上呈下降趨勢.Joint 方案相比于其他方案不論是時延還是能耗都顯現出一定的優勢，終端設備最大發射功率在合理范圍內調整時，Joint 系統性能始終最優.

6 總結

在本文中，我們部署了一個云—邊—端協同計算架構，此架構可實現移動終端設備的任務擇優在本地、邊緣節點或云中心處理.本文在以往研究成果的基礎上考慮了任務之間存在的依賴關系、任務并行計算以及任務結果回程問題，基于此分別建立了端、邊、云任務計算模型，設計聯合優化時延與能耗的目標函數；其次，在ABC 算法和PSO 算法基礎上引入全優率指數與粒子蜂，設計了APS 算法求解聯合優化時延與能耗的任務卸載決策；最后，在多接入情況下，構造最小化任務計算時間和能耗的目標問題，在評估各項資源的情況下實現自適應地卸載任務.仿真結果表明，本文方案在多終端、多任務情況下可提供低時延、低能耗的服務.未來本研究計劃通過聯合優化時延和能耗進一步優化任務執行矩陣，并探索5G網絡環境下，結合人工智能技術動態預測和評估計算資源的利用和服務質量.

作者貢獻聲明：張文柱指導論文寫作，并參與實驗設計和實驗數據分析；余靜華完成數據分析和論文的寫作.