面向5G的云邊端協(xié)同計算資源優(yōu)化與任務(wù)調(diào)度研究

摘要：該文針對“云-邊-端”場景下資源分配與任務(wù)調(diào)度效果不佳的問題，提出基于權(quán)重綜合成本模型的模擬退火算法優(yōu)化策略。仿真實驗表明，該策略能顯著提升資源利用率、降低任務(wù)延遲和系統(tǒng)成本，對5G網(wǎng)絡(luò)的資源分配與任務(wù)調(diào)度優(yōu)化具有重要實用價值。

關(guān)鍵詞：多接入邊緣計算；云邊端協(xié)同；資源優(yōu)化；任務(wù)調(diào)度；模擬退火算法

doi：10.3969/J.ISSN.1672-7274.2024.12.025

中圖分類號：TN 929.53；TP 393" " " " " " 文獻(xiàn)標(biāo)志碼：A" " " " " " 文章編碼：1672-7274（2024）12-00-04

Research on Cloud-Edge-End Collaborative Computing Resource Optimization and Task Scheduling for 5G

QU Dingchun

（Gongcheng Management Consulting Co.， Ltd.， Guangzhou 516030， China）

Abstract： This study addresses the issue of inefficient resource allocation and task scheduling in the \"cloud-edge-end\" scenario， proposing an optimization strategy based on a weighted comprehensive cost model and simulated annealing algorithm. Simulation experiments demonstrate that this strategy significantly improves resource utilization， reduces task latency， and lowers system costs， thus holding substantial practical value for resource allocation and task scheduling optimization in 5G networks.

Keywords： multi-access edge computing; cloud-edge-end collaboration; resource optimization; task scheduling; simulated annealing algorithm

0" "引言

隨著互聯(lián)網(wǎng)及5G技術(shù)的迅猛發(fā)展，全球接入互聯(lián)網(wǎng)的終端設(shè)備數(shù)量于2023年激增至300億個，伴隨而來的是對計算需求高、時延敏感的應(yīng)用的激增。然而，終端設(shè)備受限于自身計算和存儲能力，難以應(yīng)對這些挑戰(zhàn)。多接入邊緣計算（Multi-access Edge Computing，MEC）作為5G關(guān)鍵技術(shù)，將云計算功能擴(kuò)展至網(wǎng)絡(luò)邊緣[1]，近距離為終端設(shè)備提供服務(wù)，顯著降低任務(wù)傳輸延遲。但MEC服務(wù)器計算能力有限，且無線信道訪問時頻譜資源需有效管理[2]。因此，如何在資源有限條件下優(yōu)化資源分配和任務(wù)調(diào)度，成為MEC亟待解決的關(guān)鍵問題。

1" "MEC及云邊端協(xié)同技術(shù)分析

1.1 MEC技術(shù)分析

MEC是一種分布式計算架構(gòu)，其核心理念是將計算任務(wù)從中心云下移至網(wǎng)絡(luò)邊緣，以應(yīng)對傳統(tǒng)云計算模型在處理大規(guī)模、高速、低延遲需求時的挑戰(zhàn)。MEC網(wǎng)絡(luò)架構(gòu)通常涵蓋終端層、邊緣層和云層，允許數(shù)據(jù)在各層間流動，實現(xiàn)資源最優(yōu)分配和任務(wù)高效調(diào)度，強(qiáng)化網(wǎng)絡(luò)邊緣計算能力，顯著降低延遲。

1.2 云邊端協(xié)同計算架構(gòu)分析

云邊端協(xié)同計算架構(gòu)是融合云計算、邊緣計算與終端設(shè)備計算能力的新型架構(gòu)，“云”指中心云服務(wù)器，提供大規(guī)模存儲和強(qiáng)大計算能力；“邊”為邊緣計算節(jié)點，位于網(wǎng)絡(luò)邊緣，緊鄰數(shù)據(jù)源，實現(xiàn)數(shù)據(jù)快速響應(yīng)與處理；“端”為終端設(shè)備（TE），如智能手機(jī)、傳感器，負(fù)責(zé)數(shù)據(jù)采集與初步處理。該架構(gòu)通過合理分配計算任務(wù)，實現(xiàn)數(shù)據(jù)從產(chǎn)生到處理、分析的高效協(xié)同。三層之間依托5G網(wǎng)絡(luò)實現(xiàn)高效數(shù)據(jù)傳輸與協(xié)同。

云邊端協(xié)同計算架構(gòu)具有以下優(yōu)勢：一是顯著降低延遲，邊緣計算節(jié)點的加入使數(shù)據(jù)處理更貼近數(shù)據(jù)源，大幅縮短系統(tǒng)響應(yīng)時間；二是有效減輕中心云壓力，通過邊緣節(jié)點處理部分?jǐn)?shù)據(jù)，減少向中心云的數(shù)據(jù)傳輸量，緩解其計算負(fù)荷；三是提高系統(tǒng)可靠性，分布式計算架構(gòu)增強(qiáng)系統(tǒng)容錯能力，部分節(jié)點故障不影響整體運行；四是優(yōu)化資源利用，根據(jù)任務(wù)特性合理分配至云端、邊緣或終端執(zhí)行，實現(xiàn)資源高效利用。

1.3 國內(nèi)外研究現(xiàn)狀及不足

在云邊端協(xié)同計算領(lǐng)域，國內(nèi)外研究旨在提升系統(tǒng)性能和資源利用率。云邊協(xié)同結(jié)合云計算與邊緣計算優(yōu)勢，提升數(shù)據(jù)處理效率和響應(yīng)速度；任務(wù)卸載與資源優(yōu)化策略則將計算任務(wù)從終端卸載至邊緣服務(wù)器，以減輕終端負(fù)擔(dān)并優(yōu)化邊緣資源分配。然而，現(xiàn)有邊緣計算研究存在不足：一方面，僅依賴MEC自身算力，在多終端任務(wù)卸載時，MEC服務(wù)器算力受限，易導(dǎo)致任務(wù)處理時延增加、計算任務(wù)丟失等問題；另一方面，缺乏“云-邊-端”場景下綜合考慮時延和能耗的資源分配與任務(wù)調(diào)度優(yōu)化策略[3]，資源分配不合理，引發(fā)時延上升、能耗增加等弊端。

2" "研究內(nèi)容與目標(biāo)

為解決目前“云-邊-端”場景下綜合成本資源分配策略缺失的現(xiàn)狀，本文針對邊緣任務(wù)調(diào)度策略中時延與能耗指標(biāo)，采用綜合成本評估計算模型，結(jié)合模擬退火算法的任務(wù)調(diào)度策略，使得綜合成本高的問題求得最優(yōu)解，從而合理分配云邊端協(xié)同模式下邊緣計算的資源。

3" "云邊端協(xié)同邊緣計算成本模型

本文采用云邊端協(xié)同邊緣計算的通信模型描述架構(gòu)中的數(shù)據(jù)傳輸。同時，構(gòu)建一個任務(wù)延遲模型，以量化與邊緣任務(wù)執(zhí)行相關(guān)的延遲，此外，構(gòu)建任務(wù)能耗模型，細(xì)致評估其能耗模式。在這些基礎(chǔ)模型的基礎(chǔ)上，最終推導(dǎo)出系統(tǒng)總成本模型，以評估資源分配與任務(wù)調(diào)度的優(yōu)化效果。

3.1 通信模型

3.2 時延模型

3.3 能耗模型

3.4 綜合成本模型

4" "基于模擬退火算法的資源優(yōu)化與任務(wù)調(diào)度研究

4.1 模擬退火算法原理及算法

模擬退火（Simulated Annealing，SA）算法是一種啟發(fā)式搜索算法[4]，用于解決具有大量局部最優(yōu)解的復(fù)雜問題。SA算法具有雙重的環(huán)形結(jié)構(gòu)，模仿了物理上的退火過程：外部是一個降溫的過程；內(nèi)部則是在某一特定環(huán)境中反復(fù)執(zhí)行多次操作以獲得最終結(jié)果。算法的核心思想是接受一定概率的惡化解，從而有助于跳出局部最優(yōu)解，達(dá)到全局最優(yōu)或近似最優(yōu)解。使得它能更高效地解決那些復(fù)雜到無法用傳統(tǒng)方式計算的問題。

SA算法方案包括以下幾個主要步驟：一是初始化，隨機(jī)生成一個初始解并計算其適應(yīng)度；二是溫度設(shè)置，設(shè)定一個初始溫度和一個冷卻速度；三是迭代過程，在當(dāng)前溫度下，通過隨機(jī)擾動產(chǎn)生新的解，并根據(jù)一定的概率接受新解；四是降溫準(zhǔn)則，當(dāng)達(dá)到一定的迭代次數(shù)或滿足特定條件時，降低溫度；五是終止條件，當(dāng)溫度降至某一閾值或達(dá)到預(yù)設(shè)的迭代次數(shù)時，算法終止[5]。

4.2 基于SA的資源優(yōu)化與任務(wù)調(diào)度算法優(yōu)化

相較于傳統(tǒng)的模擬退火方法，本文針對其工作負(fù)荷和資源配置做了改進(jìn)：一是增加記憶功能。通過設(shè)定一個全局最優(yōu)解變量以儲存全局的最優(yōu)方案，當(dāng)新的方案適應(yīng)度低于全局最優(yōu)方案時，就更新全局最優(yōu)方案來解決此問題。二是進(jìn)行溫度升高的步驟。如果在溫度固定的情況下，連續(xù)次迭代均未發(fā)現(xiàn)更優(yōu)解，需將溫度調(diào)整回其峰值水平，并隨機(jī)調(diào)整一次卸載策略，啟動新一輪的降溫循環(huán)。在整個算法的一次完整執(zhí)行周期內(nèi)，升溫操作僅會被執(zhí)行m次。

4.3 基于模擬退火算法的資源優(yōu)化與任務(wù)調(diào)度實現(xiàn)

該優(yōu)化算法的目標(biāo)是利用模擬退火技術(shù)來尋找云邊端協(xié)同工作模式下的最優(yōu)解決方案，從而得出合適的資源分配和任務(wù)調(diào)度的方案，其實施步驟如下。

（1）首先將任務(wù)調(diào)度決定、帶寬分割及計算資源配置分配為，然后評估它們的適應(yīng)性評價指標(biāo)，將其視為最優(yōu)解，同時記下該方案的適應(yīng)性評價指標(biāo)；接下來，設(shè)定初始溫度和最低溫度，并定義每個溫度水平下的最大迭代次數(shù)K。溫度的調(diào)整遵循公式（6）所描述的規(guī)律：

（2）在給定的決策條件下，獲得下一個狀態(tài)的解，并評估其適應(yīng)度值。如果的適應(yīng)度值更優(yōu)，則更新最優(yōu)解為和；否則，最優(yōu)解保持不變。若新解不如舊解，則根據(jù)溫度相關(guān)的概率來決定是否接受這個新解，該概率隨溫度變化而變化，如公式（7）所示：

記錄連續(xù)未能找到新解的次數(shù)。一旦該連續(xù)次數(shù)累積至的閾值，需驗證是否已執(zhí)行了足夠次數(shù)的升溫操作。若未達(dá)要求，則需立即將溫度恢復(fù)至值，并進(jìn)行調(diào)度決策的隨機(jī)調(diào)整。

（3）在單一溫度層級上完成設(shè)定次數(shù)K迭代后，依據(jù)公式（7）執(zhí)行溫度下調(diào)操作，并評估當(dāng)前溫度是否已滑落至預(yù)設(shè)的最低溫度界限之下。若當(dāng)前溫度已低于此界限，則算法終止，由此反饋最終值；反之，則在目前進(jìn)行的溫度條件下再次循環(huán)。

5" "仿真驗證

本文中使用MATLAB仿真工具進(jìn)行測試，將MATLAB9.10R2021a作為實驗平臺，根據(jù)實驗需要設(shè)定模擬參數(shù)分別對全部本地計算、全部MEC服務(wù)器計算、全部云服務(wù)器計算、隨機(jī)卸載以及SA算法五種策略進(jìn)行測試。通過對仿真數(shù)據(jù)的研究發(fā)現(xiàn)，采用SA算法卸載優(yōu)化策略相比于全部本地計算、全部MEC服務(wù)器計算、全部云服務(wù)器計算和隨機(jī)卸載，其總體費用分別降低了56.05%、43.37%、54.11%和29.82%。

仿真實驗通過控制變量的方式，測試不同參數(shù)的變化對系統(tǒng)成本的影響，驗證MEC服務(wù)器計算資源配置不同及TE數(shù)量變化對系統(tǒng)成本的影響。測試的結(jié)果如圖1所示，本SA算法相比隨機(jī)卸載策略，分別使系統(tǒng)成本平均降低20.72%和18.55%。

以上實驗結(jié)果表明：基于模擬退火算法的任務(wù)調(diào)度和資源配置優(yōu)化策略在應(yīng)對計算能力調(diào)整以及終端數(shù)目變遷時能實現(xiàn)系統(tǒng)總開銷最小化。

6" "結(jié)束語

本文探討了面向5G的云邊端協(xié)同任務(wù)調(diào)度與資源分配策略，通過基于模擬退火算法的任務(wù)調(diào)度與資源分配的優(yōu)化方案，以實現(xiàn)降低延遲時間和終端消耗的目標(biāo)。在仿真的環(huán)境里測試了該算法的效果，證明了這種方法對降低系統(tǒng)的總成本有明顯改善作用，可以有效地管理云邊端協(xié)同下的邊緣計算網(wǎng)絡(luò)資源。

參考文獻(xiàn)

[1] 孫毅，陳愷，左強(qiáng)．考慮5G通信負(fù)荷協(xié)同優(yōu)化的云邊計算網(wǎng)絡(luò)能量管理模型[J]．中國電機(jī)工程學(xué)報，2023（23）：9020-9032．

[2] 費靈芝．邊緣計算中計算卸載與資源分配策略研究[D]．成都：電子科技大學(xué)，2022．

[3] 盧紹朋，付艷．網(wǎng)絡(luò)邊緣云的部署方案研究[J]．廣東通信技術(shù)，2022（8）：30-33．

[4] 孫鑒，劉凇佐，武曉曉．基于大規(guī)模鄰域搜索的模擬退火算法求解TSP[J]．計算機(jī)仿真，2023（6）：415-420．

[5] 孫晨輝，趙莎莎，劉志堅，汪杰，何廣明，楊姝．一種基于振蕩退火算法的云任務(wù)放置方法[J]．江蘇通信，2024（1）：65-70．