邊緣計算與分布式處理在uRLLC傳感網的應用

摘 要：隨著物聯網技術快速發展，超可靠低時延通信（uRLLC）無線傳感器網絡在智能制造、智能交通和遠程醫療等領域展現出巨大的應用潛力。然而，這些領域對網絡的實時性、可靠性和擴展性提出了極高要求。邊緣計算與分布式處理技術的結合，為uRLLC無線傳感器網絡提供了有效解決方案。本文概述了邊緣計算技術，探討了計算遷移策略、邊緣設備部署與資源管理、分布式處理框架設計、分布式任務調度算法以及數據分布式存儲與處理策略，并分析了這些技術對uRLLC性能的提升作用。

關鍵詞：邊緣計算；uRLLC；設備部署；數據分布式存儲" " " 中圖分類號：TN 929" " 文獻標志碼：A

uRLLC無線傳感器網絡是一種新興的網絡架構，旨在滿足對時延和可靠性要求極高的應用場景。然而，傳統的云計算模式存在數據傳輸延遲和帶寬限制問題，不能滿足uRLLC的嚴苛要求。而邊緣計算技術可以將計算能力下沉到網絡邊緣，能夠實現數據的本地化處理，有效降低時延，提高系統的實時性和可靠性。同時，分布式處理技術能夠進一步提升系統的處理效率和擴展性。

1 邊緣計算技術

邊緣計算是一種將計算資源和數據存儲置于數據產生地附近的分布式架構，主要包括霧計算、海計算、智能邊緣計算和移動邊緣計算4種類型。這些技術能夠在網絡邊緣處理數據，降低了延遲和帶寬消耗，提高了響應速度和用戶體驗，并且能夠適用于不同場景，例如自動駕駛、智慧城市和智能家居等。邊緣計算的優勢包括低時延、高可靠性和良好的擴展性，能夠減少數據傳輸延遲，提高計算效率，并能根據需求靈活擴展計算資源[1]。

2 計算遷移策略

在uRLLC無線傳感器網絡中，計算遷移策略對優化資源利用和降低時延至關重要。在計算遷移策略中，成本是一個重要的考慮因素。成本包括遷移成本和通信成本。成本是負向型指標，值越小，說明方案效果越好[2]。遷移成本與遷移的距離、單位遷移成本成正比，具體計算如公式（1）所示。

式中：Cm為遷移成本；si為源位置；sj為目標位置；Wm為單位遷移成本；dsi，sj為遷移的距離。

公式（1）說明Cm隨著dsi，sj的增加而增加，并且增加比例由Wm決定。

在將計算任務從一個環境遷移到另一個環境，例如從本地服務器遷移到云端服務器過程中，時延是一個非常重要的評估指標。時延指的是從任務開始到任務完成所需的總時間，包括傳輸時延（TP）和計算時延（Tc），其中傳輸時延（TP）與數據傳輸量、帶寬、網絡延遲和網絡拓撲結構等相關；Tc與MEC數據中心的虛擬機處理能力和任務計算量有關。

根據應用需求和網絡負載情況動態調整計算任務的遷移策略，可以保證計算資源的合理利用和任務的低時延處理。例如，可以優先在邊緣設備處理時延敏感的任務，也可以考慮將計算資源需求較大的任務遷移到云端進行處理。

3 邊緣設備部署與資源管理

邊緣設備的合理部署和資源管理對提升uRLLC無線傳感器網絡的性能至關重要。規劃邊緣設備的部署位置可以保證數據在網絡邊緣得到及時處理，減少數據傳輸延遲。同時，優化資源管理策略，例如動態調整計算資源和存儲資源的分配可以提高邊緣計算的性能和效率。

邊緣設備部署的關鍵是找到一個平衡點，既能控制部署成本，又能快速處理用戶請求，即實現低延遲。為了綜合考慮邊緣計算資源的部署成本與用戶訪問的總延遲成本，本文構建了一個優化模型，如公式（2）所示。

式中：Γ為總成本或總目標函數值；I為邊緣設備的集合；fi為邊緣設備i的固定部署成本；gi為邊緣設備i的單位資源使用成本；χi為邊緣設備i的資源使用率，取值為0～1，表示設備i當前已使用的資源比例；yi為二進制變量（0或1），表示邊緣設備i是否被部署或激活，如果yi=1，那么設備i被部署，如果yi=0，那么設備i未被部署；?為調節常量，用于在訪問總延遲代價和邊緣服務器部署代價間取得平衡，它可以根據具體的應用場景和需求進行調整；ωj為用戶請求j的權重；xij為另一個二進制變量（0或1），表示用戶請求j是否由邊緣設備i處理，如果xij=1，那么請求j由設備i處理，如果xij=0，那么請求j不由設備i處理；dij為用戶請求j從產生到被邊緣設備i處理的延遲。

本文運用貪婪算法來優化邊緣設備的部署和用戶請求的分配。1） 進行初始化。假定所有邊緣設備yi=0，所有用戶請求xij=0，初始化總成本Γ=0。2） 進行邊緣設備部署。對于每個邊緣設備i∈I，假設部署該設備（即設置yi=1），計算部署該設備后的額外成本，包括固定成本fi和資源使用成本gi。選擇額外成本最小的設備進行部署，并更新總成本Γ。如果部署該設備后總成本增加，那么撤銷部署（即設置yi=0），并繼續考慮下一個設備。3） 對用戶請求進行分配。對于每個用戶請求j∈J，在已部署的邊緣設備中找到使ωj、xij和dij最小的設備i（即找到延遲最小的設備i來處理請求j，并將請求j分配給該設備（即設置xij=1））。進而更新總成本Γ，加上此次分配的延遲成本。4） 迭代優化。重復步驟二和步驟三，直到無法進一步降低總成本Γ或達到預設的停止條件（例如迭代次數、時間限制等）。5） 輸出最終的邊緣設備部署方案（即被部署的設備），輸出用戶請求分配方案（即每個請求被分配給哪個設備），并輸出總成本Γ。

4 分布式處理框架設計

為了進一步提升uRLLC無線傳感器網絡的處理效率和擴展性，需要設計分布式處理框架。該框架可以將計算任務分解為多個子任務，并在網絡中的多個節點上并行處理。進行分布式處理，可以充分利用網絡中的計算資源，提高處理速度和效率。同時，分布式處理框架還支持任務的動態調度和負載均衡，保證系統的穩定性和可靠性。

5 分布式任務調度算法

分布式任務調度算法是分布式處理框架的核心組成部分。該算法根據任務的需求和節點的能力，動態分配和調度計算任務，對大規模數據的處理十分重要。

本文以MapReduce算法為基礎，進行大規模數據處理，數據的分布對MapReduce的性能具有重大影響。如果數據分布均勻，每個Map任務處理的數據量大致相同，那么處理效率會更高。反之，如果數據傾斜嚴重（即某些關鍵詞在少數幾個Map任務中出現頻率極高），那么可能會導致這些任務成為瓶頸，影響整體性能。針對分布式環境下的大規模數據處理，本文利用MapReduce算法中的Reduce步驟，將Map步驟生成的多個key-value對進行聚合處理，其求解過程如公式（3）所示。

式中：F（k）為關鍵詞k的總數；f（ki）為第i個Map任務中關鍵詞k的數量；n為Map任務的數量。

為了提高MapReduce作業的性能，本文引入聚合函數R，并定義一個集合{f（ki）}ni=1來表示所有Map任務的輸出結果，進而對公式（3）進行改進，以提高了MapReduce作業的性能，如公式（4）所示。

式中：R為聚合函數，它能夠將多個Map任務產生的中間結果（即f（ki）的值）進行匯總或合并，得到最終結果F（k）；{f（ki）}ni=1為一個集合或序列，其中包括所有Map任務對關鍵詞k產生的中間結果。

在uRLLC無線傳感器網絡中，還可以采用基于優先級和負載均衡的調度算法，優先處理時延敏感任務，并保證各節點負載均衡，避免資源過載或閑置（受篇幅所限，不再贅述）。

6 數據分布式存儲與處理策略

數據分布式存儲與處理策略對提升uRLLC無線傳感器網絡的數據可靠性和訪問速度具有重要意義。

首先，無線接入網絡（Radio Access Network，NR）能夠高效、安全地傳輸數據（如圖1所示）。NR是用戶接入網絡的首要環節，利用基站或無線電塔與用戶設備相連，能夠保證數據的初步傳輸和用戶的穩定接入。

其次，數據進入增強型移動寬帶虛擬專用網絡（eMBB VPN），該環節專為高帶寬、低延遲的應用而設計。eMBB VPN不僅提供了高速的網絡連接，而且采用加密技術，保障了數據在傳輸過程中的安全性和隱私性。eMBB用戶面功能（UPF）用于數據包的路由和轉發，能夠保證數據準確無誤地到達下一處理節點。

再次，數據通過超可靠低延遲通信靈活以太網（uRLLC FlexE）進行傳輸。uRLLC FlexE具有高可靠性和極低延遲的特點，能夠為自動駕駛、遠程醫療等對實時性要求極高的應用提供支持。同時，FlexE的靈活帶寬配置也優化了資源使用，降低了延遲。

從次，在uRLLC用戶面功能（UPF）的進一步處理下，數據繼續向中央云（Central-C）匯聚。中央云是整個網絡架構的核心，能夠處理來自各個網絡節點的數據，利用強大的計算能力和存儲資源，進行數據的高效處理、智能決策和靈活資源分配。

最后，為了更好地存儲數據，本文基于哈希函數和取模運算的特性，運用哈希分片實現數據在分布式存儲系統中的有效映射和分布。本文將數據集劃分為多個較小的數據子集，并將這些子集存儲在不同的存儲設備上[3]，以保證數據在分布式存儲系統中的一致性、均勻性和可擴展性。哈希分片過程如公式（5）所示。

式中：H（x）為哈希函數h（x）對輸入x進行哈希運算，再對N取模后的值，通常是一個整數，用于確定數據在分布式存儲系統中的位置或索引；h（x）為哈希函數；mod為取模運算，即求余數；N為存儲設備的數量。

采用分布式存儲技術，可以將數據分散存儲在網絡中的多個節點上，能夠提高數據的可靠性和容錯性。同時，設計分布式處理策略，對存儲數據進行并行處理和分析，可以進一步提高數據的處理效率和實時性。

7 邊緣計算與分布式處理對uRLLC性能的提升

應用邊緣計算和分布式處理技術后，uRLLC無線傳感器網絡的性能具有顯著提升[4]。首先，邊緣計算降低了數據傳輸時延，提高了系統的實時性。其次，分布式處理提高了系統的處理效率和擴展性，支持更多并發任務的處理。最后，數據分布式存儲與處理策略提高了數據的可靠性和訪問速度，為應用提供了更好的數據支持。

在邊緣計算中，降低數據傳輸時延是一個關鍵目標。數據傳輸總時延（Ttotal）=網絡傳輸時延（Tnetwork）+數據處理時延（Tprocess）+數據排除時延（Tqueue）。降低這3個部分的時延，可以顯著提升系統的實時性和處理效率。

在分布式處理系統中，數據聚合是一種常見操作。即先將一組數據（共有N個數據點）的所有值相加求和，再將該總和除以數據的總數，得到這組數據的平均值，該值能夠反映這組數據的整體水平和中心趨勢，并將多個節點上的數據合并成統一結果，如公式（6）所示。

式中：avg為平均值；N為數據的總數，是一個正整數；xi為第i個數據點的值，其中i是從1到N的整數，這組數據共有N個數據點，因此x1，x2，…，xN分別表示第一個數據點、第二個數據點……第N個數據點的值；∑N i=1xi為從第一個數據點到第N個數據點的所有值之和。

數據聚合有以下3個優點。1） 提供全局數據。幫助用戶了解數據的整體水平和中心趨勢。2） 簡化數據分析。將大量復雜的數據簡化為一個或若干個關鍵指標，從而簡化數據分析過程。3） 支持決策制定。可以為決策提供有力支持，幫助用戶基于數據做出更明智的決策。

數據聚合有以下3個缺點。1） 延遲和帶寬消耗。在分布式系統中，數據聚合需要將多個節點上的數據傳輸到中心節點，可能會引入額外的延遲和帶寬消耗。2） 單點故障風險。如果中心節點出現故障，數據聚合操作可能會受到影響，甚至導致整個系統癱瘓。3） 數據隱私和安全。在數據傳輸和聚合過程中，可能會涉及數據隱私和安全問題，需要采取相應保護措施。為了避免上述缺點，本文采取了以下4個措施。

7.1 分布式聚合

為了減少中心節點的負載和單點故障風險，本文考慮采用分布式聚合方法。在分布式聚合中，每個節點都對本地數據進行聚合計算，再將聚合結果發送到中心節點，進行最終匯總。

7.2 增量聚合

在實時數據流處理場景下，本文采用增量聚合方法。在增量聚合中，每個節點只計算自上次聚合以來新增數據的聚合結果，并將這些結果發送到中心節點進行更新。

7.3 數據壓縮和編碼

為了減少數據傳輸量，本文對數據進行壓縮和編碼。常用的數據壓縮算法包括哈夫曼編碼、算術編碼等，它們能夠有效縮小數據的體積，并加快傳輸速度。

7.4 安全傳輸協議

為了保護數據傳輸過程中的隱私和安全，本文采用安全傳輸協議，例如SSL/TLS等。這些協議能夠對數據進行加密傳輸，防止數據被竊取或篡改。

8 結語

邊緣計算與分布式處理技術的結合為uRLLC無線傳感器網絡提供了強有力的支持。采用優化計算遷移策略、邊緣設備部署與資源管理、分布式處理框架設計、分布式任務調度算法以及數據分布式存儲與處理策略，可以顯著提升uRLLC無線傳感器網絡的性能，滿足對時延和可靠性要求極高的應用場景。未來，隨著技術不斷發展，邊緣計算與分布式處理在uRLLC無線傳感器網絡中的應用將更廣泛、深入。

參考文獻

[1]廖勇，田肖懿，蔡志镕，等.面向c-v2i的基于邊緣計算的智能信道估計[J].電子學報，2021，49（5）：833-842.

[2]朱同先，魏芹，凌威，等.基于5g的移動多接入邊緣計算（mec）研究與應用[J].江蘇通信，2020，36（4）：8-11.

[3]朱虹宇，李挺，閆健恩，等.基于動態負載均衡的分布式任務調度算法研究[J].高技術通訊，2014（12）：1261-1269.

[4]李紹俊，楊海軍，黃耀歡，等.基于NoSQL數據庫的空間大數據分布式存儲策略[J].武漢大學學報（信息科學版），2017（2）：163-169.