樂光學(xué) 戴亞盛 楊曉慧 劉建華 游真旭 朱友康

(嘉興學(xué)院數(shù)理與信息工程學(xué)院 浙江嘉興 314001)

隨著云計算、大數(shù)據(jù)、物聯(lián)網(wǎng)等技術(shù)的迅速發(fā)展和智能移動設(shè)備的普及應(yīng)用，開啟了以邊緣計算為基礎(chǔ)的萬物互聯(lián)時代，網(wǎng)絡(luò)邊緣設(shè)備量及其產(chǎn)生的數(shù)據(jù)均在快速增長.高清視頻、直播、物聯(lián)網(wǎng)、虛擬現(xiàn)實和增強(qiáng)現(xiàn)實等大流量、大連接等應(yīng)用已成為通信網(wǎng)絡(luò)流量的主要業(yè)務(wù)[1].文獻(xiàn)[2-4]指出到2020年全球數(shù)據(jù)總量將超過40 ZB，邊緣計算將處理其中45%的物聯(lián)網(wǎng)數(shù)據(jù).據(jù)思科視覺網(wǎng)絡(luò)指數(shù)(Cisco visual networking index, VNI)，從2016年開始更多的流量從蜂窩網(wǎng)絡(luò)卸載到WiFi，到2021年時全球移動數(shù)據(jù)流量中僅視頻流量將達(dá)到78%以上，全網(wǎng)流量中IP視頻流量將達(dá)到82%，85%的流量為視頻、游戲和多媒體數(shù)據(jù)流，其中內(nèi)容分發(fā)網(wǎng)絡(luò)(content delivery network, CDN)流量將占據(jù)全網(wǎng)流量的71%[5].據(jù)中國互聯(lián)網(wǎng)絡(luò)信息中心(China Internet Network Infor-mation Center, CNNIC)第42次《中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計報告》，我國網(wǎng)絡(luò)用戶數(shù)已達(dá)到8.02億，其中手機(jī)網(wǎng)民規(guī)模達(dá)7.88億，74.1%的網(wǎng)民使用短視頻，僅網(wǎng)絡(luò)直播用戶規(guī)模達(dá)到4.25億[6].由于受數(shù)據(jù)處理的實時性、帶寬、能耗、安全等約束，以集中式處理為核心的云計算模式將不能滿足高效處理邊緣設(shè)備產(chǎn)生的數(shù)據(jù)需求[2-4].研究表明以云計算為核心的邊緣計算是解決該問題的有效方法之一[7-8].文獻(xiàn)[2]指出由于邊緣計算是移動設(shè)備位于無線接入網(wǎng)內(nèi)，通過邊緣服務(wù)器或移動設(shè)備提供信息和云計算服務(wù)的一種新的網(wǎng)絡(luò)結(jié)構(gòu)，具有高帶寬、低延遲和安全性強(qiáng)的特點.由于邊緣計算將計算任務(wù)下推至靠近數(shù)據(jù)源的位置，甚至遷移至數(shù)據(jù)源到云計算中心的鏈路節(jié)點上，邊緣計算面臨三大挑戰(zhàn)：

1) 服務(wù)發(fā)現(xiàn).由于計算服務(wù)請求者具有動態(tài)性，相對靜態(tài)的域名服務(wù)協(xié)議(domain name system, DNS)服務(wù)發(fā)現(xiàn)機(jī)制不能滿足大規(guī)模動態(tài)邊緣計算需求[9].如何準(zhǔn)確發(fā)現(xiàn)周邊服務(wù)是邊緣計算面臨的關(guān)鍵問題之一.

2) 快速配置.用戶和計算設(shè)備的動態(tài)無約束性，計算設(shè)備的隨意上下線導(dǎo)致大量服務(wù)遷移，引起浪涌式網(wǎng)絡(luò)流量[10].如何快速自適應(yīng)服務(wù)快速配置是邊緣計算面臨的關(guān)鍵問題之二.

3) 負(fù)載均衡.邊緣服務(wù)器提供服務(wù)時，其邊緣設(shè)備同時產(chǎn)生大量數(shù)據(jù)[2].如何動態(tài)有效地調(diào)度這些數(shù)據(jù)實現(xiàn)高效邊緣計算服務(wù)是邊緣計算面臨的關(guān)鍵問題之三.

1 相關(guān)研究

萬物互聯(lián)與云計算和大數(shù)據(jù)技術(shù)相融合產(chǎn)生了邊緣計算新技術(shù).其核心思想是賦予邊緣設(shè)備執(zhí)行計算任務(wù)和數(shù)據(jù)分析處理使命，為實現(xiàn)負(fù)載均衡、低延遲和低開銷的目的，構(gòu)建以云計算為中心、邊緣計算為輔的輕耦合混合計算模式，將云計算中心的計算任務(wù)適當(dāng)遷移至邊緣設(shè)備，以解決云計算集中式服務(wù)日漸形成的瓶頸問題，提高計算任務(wù)數(shù)據(jù)處理效率，有效保護(hù)用戶數(shù)據(jù)安全及隱私.文獻(xiàn)[11]指出當(dāng)邊緣計算特別是移動邊緣計算在處理大吞吐量數(shù)據(jù)和數(shù)據(jù)頻繁交互、位置和延遲敏感的實時業(yè)務(wù)服務(wù)請求時明顯力不從心，如何進(jìn)行邊緣計算服務(wù)資源動態(tài)調(diào)度，實現(xiàn)協(xié)同服務(wù)、負(fù)載均衡和低延遲開銷是邊緣計算的關(guān)鍵問題；文獻(xiàn)[12]提出一種無線通信資源與邊緣計算資源協(xié)同調(diào)度算法，在移動邊緣計算場景下通過優(yōu)化頻譜分配，提高頻譜利用率，同時節(jié)能效果顯著；文獻(xiàn)[13]采用博弈論的方法以分布式方式實現(xiàn)高效的卸載計算，并應(yīng)用于多徑無線競爭信道的多用戶計算遷移場景；文獻(xiàn)[14]提出融合移動邊緣計算的5G移動通信網(wǎng)絡(luò)架構(gòu)，自適應(yīng)支持多通信模式，基于虛擬化技術(shù)實現(xiàn)資源高效共享；文獻(xiàn)[15]以服務(wù)重要性指標(biāo)分級，基于時空約束和虛擬機(jī)調(diào)度策略，研究邊緣計算任務(wù)調(diào)度方法，保證服務(wù)提供的公平性，并利用Lyapunov框架求解最大時間約束的優(yōu)化問題，均衡多運營商和設(shè)備所有者的收益.

文獻(xiàn)[16]綜述了移動邊緣計算的演化和發(fā)展，對比分析了基于能耗優(yōu)化管理的移動邊緣計算模型;文獻(xiàn)[17]以計算時間和能耗為目標(biāo)，將計算遷移建模為凸優(yōu)問題，提出了一種基于拉格朗日的計算遷移能耗優(yōu)化策略;文獻(xiàn)[18]將任務(wù)遷移權(quán)重引入?yún)f(xié)同盟員調(diào)度和構(gòu)建負(fù)載均衡適應(yīng)函數(shù)，提出一種在多約束條件下邊緣計算可信協(xié)同任務(wù)遷移策略.

文獻(xiàn)[19]針對關(guān)聯(lián)性任務(wù)數(shù)據(jù)引起大量遷移的問題，從日志信息入手，挖掘任務(wù)數(shù)據(jù)的依賴關(guān)系，通過優(yōu)化數(shù)據(jù)存儲、遷移調(diào)度盡可能減少了系統(tǒng)開銷；文獻(xiàn)[20]針對邊緣設(shè)備與基站關(guān)聯(lián)及基站睡眠優(yōu)化問題，提出一種基于超密集網(wǎng)絡(luò)的移動邊緣計算框架(computing offloading framework based on mobile edge computing and ultra dense network, COMED)，基于聯(lián)合計算卸載、基站睡眠和用戶-基站關(guān)聯(lián)(joint computing offloading base station sleeping and user-base-station association, JOSA)的任務(wù)調(diào)度方法實現(xiàn)能耗優(yōu)化；文獻(xiàn)[21]研究移動邊緣編排優(yōu)化協(xié)同緩存處理，在多場景下應(yīng)用證明了該方法能夠有效地將移動邊緣計算應(yīng)用于5G網(wǎng)絡(luò)；文獻(xiàn)[22]針對移動邊緣計算中高頻內(nèi)容刷新導(dǎo)致能耗高、計算服務(wù)效率低的問題，提出基于Markov的能耗優(yōu)化模型，提高內(nèi)容刷新效率以降低計算能耗；文獻(xiàn)[23]根據(jù)用戶請求的地理分布，用整數(shù)線性規(guī)劃對時變的業(yè)務(wù)需求進(jìn)行建模，優(yōu)化分布式緩存部署策略；文獻(xiàn)[24]設(shè)計實現(xiàn)了一種移動云計算模型的卸載和委托框架，進(jìn)行計算卸載和數(shù)據(jù)綁定，在資源一定的條件下提高了系統(tǒng)性能；文獻(xiàn)[25]提出了一種移動邊緣計算最優(yōu)資源分配策略，將資源分配轉(zhuǎn)化為一個凸優(yōu)化問題求解，以計算延遲為約束實現(xiàn)能耗最小化，通過設(shè)置任務(wù)遷移閾值實現(xiàn)多用戶任務(wù)遷移資源優(yōu)化分配，有效降低系統(tǒng)整體能耗；文獻(xiàn)[26]提出一種基于近鄰傳播的遷移聚類(transfer affinity propagation, TAP)算法，基于源域與目標(biāo)域的相似性，通過近鄰特征學(xué)習(xí)改進(jìn)消息傳遞機(jī)制，實現(xiàn)在特征數(shù)據(jù)稀疏時具有較好的遷移性能；文獻(xiàn)[27-29]分別研究了Web服務(wù)CDN網(wǎng)絡(luò)、蜂窩移動網(wǎng)絡(luò)、流視頻網(wǎng)絡(luò)下，通過云端卸載至邊緣，優(yōu)化用戶體驗的問題.

文獻(xiàn)[30]針對集群服務(wù)器中負(fù)載均衡問題，提出基于集群架構(gòu)的邊緣流媒體服務(wù)器，構(gòu)建了緩存替換算法(multilevel cache and load balance supported, MCLBS)，有效提高緩存命中率和降低服務(wù)帶寬消耗；文獻(xiàn)[31]提出了最小化終端的傳輸延遲和最大化其滿意度的分布式算法，優(yōu)化緩存文件分配，提高分發(fā)性能；文獻(xiàn)[32]針對分布式并行處理架構(gòu)中數(shù)據(jù)分布不均、數(shù)據(jù)流實時動態(tài)變化且不可預(yù)知等導(dǎo)致負(fù)載不均衡的問題，提出通過Key粒度遷移和元組粒度拆分進(jìn)行輕量級均衡調(diào)整以保證系統(tǒng)負(fù)載均衡.

文獻(xiàn)[33]指出惡意用戶、誤操作、漏洞、不安全資源等是彈性移動云計算面臨的主要安全威脅，針對該問題提出了相應(yīng)的防御措施；文獻(xiàn)[11]從邊緣計算隱私與安全保障角度出發(fā)，聚焦信任度構(gòu)建、資源調(diào)度和協(xié)同問題，構(gòu)建綜合信任評估體系，保障邊緣計算資源管理與協(xié)同優(yōu)化，構(gòu)建多層自適應(yīng)統(tǒng)一計算模型，實現(xiàn)對應(yīng)用場景動態(tài)匹配；文獻(xiàn)[34]基于用戶群體感知機(jī)制，利用布隆過濾和二元內(nèi)積運算估計用戶間相似度，形成匹配用戶聯(lián)盟保護(hù)個人隱私；文獻(xiàn)[35-38]分別研究了在Web服務(wù)網(wǎng)絡(luò)、P2P網(wǎng)絡(luò)、機(jī)會網(wǎng)絡(luò)和無線Mesh網(wǎng)絡(luò)場景下的節(jié)點信譽(yù)度的建模方法，構(gòu)建基于信譽(yù)評價的節(jié)點協(xié)同機(jī)制，通過信譽(yù)獎懲監(jiān)測和管理節(jié)點行為，有效保障了協(xié)同服務(wù)的安全性.

本文基于“負(fù)載平衡”理論，融入節(jié)點特征屬性構(gòu)建邊緣計算協(xié)同服務(wù)池，為邊緣計算中服務(wù)快速發(fā)現(xiàn)和計算遷移提供一個解決方案.當(dāng)邊緣服務(wù)器(本文稱為盟主)負(fù)載達(dá)到設(shè)定閾值時，啟動網(wǎng)絡(luò)資源聚合機(jī)制，將鄰近節(jié)點擴(kuò)展為協(xié)同服務(wù)節(jié)點，構(gòu)建一個動態(tài)虛擬邊緣計算協(xié)同服務(wù)池，實現(xiàn)計算遷移，服務(wù)完成后系統(tǒng)釋放資源，自行解散.這樣不僅可解決擁塞、延遲和抖動的問題，而且可大幅提高邊緣計算服務(wù)效率和服務(wù)質(zhì)量，其中協(xié)同服務(wù)盟員節(jié)點的選取策略是關(guān)鍵.

2 邊緣計算協(xié)同服務(wù)盟員節(jié)點組織策略

2.1 協(xié)同服務(wù)盟員節(jié)點選擇策略

為保障邊緣計算服務(wù)效用，構(gòu)建自適應(yīng)協(xié)同服務(wù)系統(tǒng)是一種有效方法.其核心是當(dāng)邊緣計算服務(wù)負(fù)載達(dá)到設(shè)定的閾值時，根據(jù)自愿、公平的原則和激勵策略，啟動資源聚合機(jī)制，將邊緣資源有機(jī)整合，動態(tài)自適應(yīng)構(gòu)建可信協(xié)同服務(wù)系統(tǒng)[39-40].為用戶提供安全可信、靈活魯棒的邊緣計算服務(wù).協(xié)同盟員節(jié)點具有2個主要特點[41-45]：

1) 自主性.盟員節(jié)點對其提供的共享資源和協(xié)同服務(wù)具有完全控制決定權(quán).

2) 任務(wù)驅(qū)動性.基于任務(wù)遷移需求，盟主根據(jù)策略選取滿足需求的節(jié)點為盟員，確定邊界和約束條件，自主融合構(gòu)建邊緣計算協(xié)同服務(wù)系統(tǒng).協(xié)同任務(wù)完成，釋放資源，解除協(xié)同關(guān)系.

分析發(fā)現(xiàn)任務(wù)驅(qū)動性與自主性實際上是互斥的.完全自主性，有可能導(dǎo)致協(xié)同服務(wù)質(zhì)量和效率不高的問題，甚至無法實現(xiàn)協(xié)同融合.

在實際構(gòu)建邊緣協(xié)同服務(wù)時，一般通過折中策略兼顧其目標(biāo)驅(qū)動性和自主性特征，使構(gòu)建的協(xié)同服務(wù)系統(tǒng)達(dá)到預(yù)期的效率.啟動協(xié)同服務(wù)時，盟主節(jié)點在保持盟員節(jié)點自主性的基礎(chǔ)上，根據(jù)任務(wù)需求啟動網(wǎng)絡(luò)資源聚合機(jī)制動態(tài)選取協(xié)同盟員節(jié)點，定義約束條件、控制策略，確定邊界、盟主與協(xié)同服務(wù)盟員間的主從關(guān)系，盟主節(jié)點對協(xié)同服務(wù)系統(tǒng)實施管理、監(jiān)控和動態(tài)調(diào)整，保障協(xié)同服務(wù)系統(tǒng)的正常運行[46].

設(shè)邊緣計算協(xié)同服務(wù)系統(tǒng)有n個節(jié)點和m條連接邊，其連接矩陣E=(eij)，eij=1表示節(jié)點i和節(jié)點j相連，連接關(guān)系強(qiáng)度矩陣A=(ρij)，ρij表示節(jié)點i和節(jié)點j的連接關(guān)系強(qiáng)度:

(1)

其中，Rtt(i，j)為節(jié)點i到節(jié)點j的網(wǎng)絡(luò)延遲.

設(shè)觀察周期為T，在第k個觀察期節(jié)點i向節(jié)點j提供協(xié)同服務(wù)成功和失敗的次數(shù)分別為Sij，F(xiàn)ij；構(gòu)造節(jié)點j對節(jié)點i在第k個觀察期的局部信任度函數(shù)Trust(i)：

Trust(i)=(1-μ)Sij(Sij+εFij),

(2)

ε=ε+Fij(Sij+εFij),
s.t.ε|t=0=0, 0<μ<1,Trust(i)|Sij+εFij=0=0,

其中，ε為節(jié)點不誠信任務(wù)遷移處罰因子；μ為局部信任度控制因子.

根據(jù)節(jié)點的協(xié)同交互操作，構(gòu)建節(jié)點i對節(jié)點j的吸引力函數(shù)F(i)：

F(i)=ρijf(i)Q(i)Trust(i)edmin,ij+1,

(3)

構(gòu)建盟主節(jié)點影響力G(i)模型：

(4)

其中，αi為離散化因子.

算法1.協(xié)同服務(wù)集構(gòu)建算法.

Step1. 設(shè)初始邊緣計算網(wǎng)絡(luò)節(jié)點均為協(xié)同服務(wù)盟員，盟主對候選盟員分辨閾值系數(shù)λ，λmin≤λ≤λmax，令λ=λmax，0<λ≤1.

Step2.

① 如果Gi≥λ(i≠j，i，j≤n)，標(biāo)記節(jié)點i和節(jié)點j彼此為盟友，將節(jié)點j劃入節(jié)點i的備選盟員集中.

② 否則，轉(zhuǎn)Step3.

Step3.λ=λ-，為系數(shù).

① 轉(zhuǎn)Step2，將邊緣計算節(jié)點劃分為m個不相交的協(xié)同服務(wù)盟員集.

② 如果某個節(jié)點j不屬于任何協(xié)同服務(wù)盟員集，則加入相鄰節(jié)點中影響力Gi最大的節(jié)點i所在的協(xié)同服務(wù)盟員集中.

③ 調(diào)整.在劃分的協(xié)同服務(wù)盟員集中，將影響力小的節(jié)點加入到相鄰節(jié)點對其影響力Gi最大的節(jié)點i協(xié)同服務(wù)盟員集中.

Step4.

① 邊緣計算網(wǎng)絡(luò)節(jié)點集無劃分操作，轉(zhuǎn)Step3.

② 邊緣計算網(wǎng)絡(luò)節(jié)點集被劃分為2個以上協(xié)同盟員服務(wù)子集，則停止分解，令λ=λmin.

③ 將劃分的協(xié)同盟員服務(wù)子集視為1個新邊緣計算網(wǎng)絡(luò)，令λ=λmax，轉(zhuǎn)Step2.

④ 直到所有的協(xié)同盟員服務(wù)子集不能被再劃分為止.

Step5. 構(gòu)建協(xié)同盟員服務(wù)子集間的關(guān)系映射圖，標(biāo)識各協(xié)同盟員服務(wù)子集分辨系數(shù)閾值λ的界.

2.2 協(xié)同服務(wù)機(jī)制分析與建模研究

邊緣計算協(xié)同服務(wù)的工作原理為：當(dāng)盟主節(jié)點發(fā)起協(xié)同任務(wù)時，依據(jù)任務(wù)需求定義協(xié)同服務(wù)內(nèi)容、協(xié)同服務(wù)目標(biāo)、控制策略、協(xié)同邊界和約束條件等參量，遴選適宜、有效的協(xié)同服務(wù)盟員節(jié)點，定義協(xié)同服務(wù)模式和協(xié)議，建立其特征、順序、從屬等相互間的映射關(guān)系，啟動網(wǎng)絡(luò)資源聚合機(jī)制，快速完成盟員節(jié)點間的聚合，構(gòu)建邊緣計算協(xié)同服務(wù)系統(tǒng).

利用狀態(tài)機(jī)描述邊緣計算協(xié)同服務(wù)模型TCSEC為DTCSEC：

DTCSEC=(Q，Γ，δ，q0，F(xiàn)).

(5)

其中：

1)Q是有窮狀態(tài)集，Q={邊緣計算協(xié)同服務(wù)的狀態(tài)集合}；

2)Γ是狀態(tài)轉(zhuǎn)移條件產(chǎn)生式；

3)δ是狀態(tài)轉(zhuǎn)移函數(shù)，Q×Γ→Q；

4)q0∈Q，是起始狀態(tài)，由盟主產(chǎn)生；

5)F?Q，是結(jié)束狀態(tài)集，F(xiàn)={結(jié)束}.

DTCSEC狀態(tài)轉(zhuǎn)換如圖1所示：

Fig. 1 Trust cooperative service model for edge computing圖1 邊緣計算可信協(xié)同服務(wù)模型

Fig. 2 State transition model for cooperative service event圖2 一次協(xié)同服務(wù)狀態(tài)轉(zhuǎn)移模型

協(xié)同服務(wù)的業(yè)務(wù)事件狀態(tài)以Ti表示，利用狀態(tài)機(jī)描述其業(yè)務(wù)事件處理機(jī)制CSE(cooperation service event)為DCSE：

DCSE=(Q，Γ，δ，q0，F(xiàn)).

(6)

其中：

1)Q是有窮狀態(tài)集，Q={T0，T1，T2，T3，T4，T5，T6，T7}；

2)Γ是狀態(tài)轉(zhuǎn)移條件產(chǎn)生式；

3)δ是狀態(tài)轉(zhuǎn)移函數(shù)，Q×?！鶴；

4)q0∈Q，是起始狀態(tài)，由盟主產(chǎn)生；

5)F?Q，是結(jié)束狀態(tài)集，F(xiàn)={T7}.

一次協(xié)同操作過程：

Step1. 發(fā)布協(xié)同服務(wù)需求，選取滿足需求的候選協(xié)同服務(wù)節(jié)點.

Step2. 確定協(xié)同服務(wù)目標(biāo)、邊界、約束條件和策略.

Step3. 定義協(xié)同服務(wù)協(xié)議和建立角色映射關(guān)系.

Step4. 啟動聚合機(jī)制構(gòu)建協(xié)同服務(wù)系統(tǒng).

Step5. 返回協(xié)同服務(wù)結(jié)果，更新特征屬性數(shù)據(jù)庫.

協(xié)同服務(wù)的業(yè)務(wù)事件處理機(jī)制[36]如圖2所示.

由于目標(biāo)計算任務(wù)分布不均，引起邊緣計算協(xié)同服務(wù)請求分布不均，邊緣計算協(xié)同服務(wù)節(jié)點可能會出現(xiàn)服務(wù)瓶頸，導(dǎo)致協(xié)同服務(wù)質(zhì)量下降，若計算任務(wù)遷移和邊緣節(jié)點調(diào)度策略不完善、節(jié)點抖動等引起邊緣計算服務(wù)不穩(wěn)定甚至終止服務(wù)，則進(jìn)一步加劇計算任務(wù)分布的不合理，導(dǎo)致網(wǎng)絡(luò)的抖動，造成協(xié)同服務(wù)性能下降.

當(dāng)節(jié)點狀態(tài)和性質(zhì)發(fā)生改變，無法滿足協(xié)同服務(wù)需求時，通過服務(wù)遷移動態(tài)調(diào)整節(jié)點承載的計算任務(wù)，可有效加強(qiáng)系統(tǒng)服務(wù)性能.在構(gòu)建的邊緣計算協(xié)同服務(wù)中，當(dāng)邊緣計算協(xié)同服務(wù)需要執(zhí)行任務(wù)遷移時，根據(jù)相關(guān)需求及約束策略啟動任務(wù)遷移機(jī)制，將計算任務(wù)遷移至目標(biāo)盟員，協(xié)同完成計算任務(wù)，這一過程對用戶而言是透明無隙的.

協(xié)同服務(wù)遷移的業(yè)務(wù)事件狀態(tài)以Ti表示，利用狀態(tài)機(jī)描述其協(xié)同服務(wù)任務(wù)遷移狀態(tài)為

Dtask-offloading=(Q，Γ，δ，q0，F(xiàn)).

(7)

其中：

1)Q是有窮狀態(tài)集，Q={邊緣計算任務(wù)遷移狀態(tài)集合}；

2)Γ是狀態(tài)轉(zhuǎn)移條件產(chǎn)生式；

3)δ是狀態(tài)轉(zhuǎn)移函數(shù)，Q×Γ→Q；

4)q0∈Q，是起始狀態(tài)，由盟主產(chǎn)生；

5)F?Q，是結(jié)束狀態(tài)集，F(xiàn)={T5}.

邊緣計算協(xié)同服務(wù)任務(wù)遷移過程如圖3所示：

Fig. 3 State transition model for offloading task圖3 任務(wù)遷移狀態(tài)轉(zhuǎn)移模型

3 邊緣計算協(xié)同服務(wù)系統(tǒng)建模與性能分析

構(gòu)建邊緣計算協(xié)同服務(wù)需遵循6條規(guī)則[47-51]：

規(guī)則1.構(gòu)建的邊緣計算協(xié)同服務(wù)系統(tǒng)是完備的，當(dāng)且僅當(dāng)協(xié)同服務(wù)盟員節(jié)點集不為空.

規(guī)則2.以協(xié)同盟員節(jié)點間特征屬性為約束條件，按影響力擇優(yōu)原則在候選協(xié)同服務(wù)盟員節(jié)點集中選擇協(xié)同服務(wù)盟員節(jié)點.

規(guī)則3.定義盟主節(jié)點、協(xié)同盟員節(jié)點間的邏輯約束、主從關(guān)系和職責(zé).

規(guī)則4.盟主節(jié)點負(fù)責(zé)對邊緣計算協(xié)同服務(wù)中的協(xié)同資源、狀態(tài)進(jìn)行監(jiān)管和調(diào)度，定義協(xié)同服務(wù)盟員節(jié)點間的協(xié)同服務(wù)協(xié)議和約束條件，依據(jù)策略動態(tài)調(diào)整協(xié)同盟員角色，過濾性能差的協(xié)同盟員節(jié)點.

規(guī)則5.協(xié)同服務(wù)任務(wù)完成后，盟主節(jié)點對該盟員節(jié)點的協(xié)同服務(wù)質(zhì)量和信任度做出公正的評價，更新特征屬性數(shù)據(jù)庫；釋放資源，解除盟主節(jié)點和協(xié)同盟員節(jié)點間的協(xié)同服務(wù)關(guān)系.

Fig. 4 System model of TCSEC圖4 邊緣計算協(xié)同服務(wù)執(zhí)行模型

根據(jù)策略規(guī)則，構(gòu)建基于邊緣計算可信協(xié)同服務(wù)系統(tǒng)模型TCSEC如圖4所示.其中，為聚合、判斷、狀態(tài)轉(zhuǎn)移機(jī)等，為策略、映射機(jī)制.

TCSEC共享流服務(wù)系統(tǒng)狀態(tài)表征：

MTCSEC-streaming-service=(Q,Γ,δ,qstart,qaccept).

(8)

其中：

1)Q是有窮狀態(tài)集，Q={加入，就緒，在線，協(xié)同，離線}，其中，在線狀態(tài)∈{邊緣計算協(xié)同服務(wù)，計算任務(wù)遷移}；

2)Γ是狀態(tài)轉(zhuǎn)移條件產(chǎn)生式；

3)δ是轉(zhuǎn)移函數(shù)，δ=(Q×Γ)→；

4)qstart是起始狀態(tài)，qstart={加入狀態(tài)}，qstart∈Q；

5)qaccept是接受狀態(tài)，qaccept?Q.

在線邊緣計算協(xié)同服務(wù)系統(tǒng)為服務(wù)請求節(jié)點提供服務(wù)策略：

1) 當(dāng)節(jié)點獲得服務(wù)后，節(jié)點以概率P選擇離開邊緣計算協(xié)同服務(wù)系統(tǒng)，進(jìn)入離線階段，或以1-P的概率選擇留在TCSEC，進(jìn)入就緒階段.

2) 因異常原因，節(jié)點直接進(jìn)入離線階段.如果節(jié)點在系統(tǒng)允許的會話時間段τ內(nèi)恢復(fù)正常則節(jié)點直接進(jìn)入到異常斷點，繼續(xù)相應(yīng)服務(wù)操作.

3) 當(dāng)服務(wù)請求端異?；蛑袛喾?wù)請求時，TCSEC提供端撤銷提供的任務(wù)遷移服務(wù)隊列，節(jié)點進(jìn)入就緒狀態(tài).

協(xié)同服務(wù)質(zhì)量評價策略.在時間窗τ系統(tǒng)接收用戶對服務(wù)質(zhì)量的評價：

1) 接收用戶對服務(wù)質(zhì)量的正常評價.

2) 拒絕同一用戶在時間周期τ內(nèi)對同一服務(wù)質(zhì)量進(jìn)行多次評價，并標(biāo)記該用戶，系統(tǒng)以1-Trust(i)的概率對用戶信任做負(fù)面評價.

3) 以Trust(i)的概率接收同一用戶對協(xié)同服務(wù)質(zhì)量評價，并標(biāo)記該用戶.

由上可知，系統(tǒng)具有很強(qiáng)的抗攻擊和抑制協(xié)同作弊的能力.

以近海港口為例構(gòu)建一個邊緣計算服務(wù)系統(tǒng)，如圖5所示.

用戶節(jié)點以輕量級泛洪在網(wǎng)絡(luò)中搜索目標(biāo)流數(shù)據(jù)，按就近服務(wù)的策略返回搜索結(jié)果，用戶節(jié)點依據(jù)搜索結(jié)果與合適的鄰居節(jié)點建立連接，鄰居節(jié)點將自己緩存的計算任務(wù)轉(zhuǎn)發(fā)給用戶節(jié)點，用戶端對獲得的流數(shù)據(jù)進(jìn)行可用性檢測，TCSEC系統(tǒng)通過聯(lián)合協(xié)同方式為用戶節(jié)點提供流數(shù)據(jù)實現(xiàn)流式服務(wù)，用戶節(jié)點同時接受來自網(wǎng)絡(luò)其他節(jié)點的流服務(wù)請求，并將自己緩存的流數(shù)據(jù)共享給相應(yīng)的鄰居節(jié)點.其中，為聚合、判斷、狀態(tài)轉(zhuǎn)移機(jī)等.

Fig. 5 State transition model of TCSEC offloading task stream圖5 邊緣計算協(xié)同任務(wù)遷移流數(shù)據(jù)狀態(tài)轉(zhuǎn)移模型

TCSEC服務(wù)系統(tǒng)中節(jié)點獲取服務(wù)狀態(tài)表征：

MTCSEC-request=(Q,Γ,δ,qstart,qaccept).

(9)

其中：

1)Q是有窮狀態(tài)集，Q={服務(wù)請求，數(shù)據(jù)包有效性檢測，數(shù)據(jù)包聚集與分配，進(jìn)入緩存區(qū)，編碼與調(diào)度，播放超時重傳請求，內(nèi)容轉(zhuǎn)發(fā)，服務(wù)質(zhì)量評價等}；

2)Γ是狀態(tài)轉(zhuǎn)移條件產(chǎn)生式；

3)δ是轉(zhuǎn)移函數(shù)，δ=(Q×Γ)→；

4)qstart是起始狀態(tài)，qstart={服務(wù)請求}，qstart∈Q；

5)qaccept是接受狀態(tài)，qaccept={計算任務(wù)}，qaccept?Q.

由式(9)可得，節(jié)點進(jìn)入TCSEC系統(tǒng)獲得服務(wù)的過程描述為：

Step1. 以輕量級泛洪方式搜索目標(biāo)計算任務(wù)數(shù)據(jù).

Step2. 系統(tǒng)返回搜索結(jié)果列表，通過服務(wù)協(xié)商，用戶節(jié)點選擇合適鄰居節(jié)點建立連接關(guān)系，構(gòu)成協(xié)同服務(wù)聯(lián)盟.

Step3. 系統(tǒng)聯(lián)合協(xié)同節(jié)點為用戶節(jié)點提供自己緩存的任務(wù)數(shù)據(jù).

Step4. 用戶節(jié)點實施數(shù)據(jù)包匯聚、可用性檢測和分配到相應(yīng)的緩沖區(qū)隊列.重新請求不可用的流數(shù)據(jù)，發(fā)表緩沖區(qū)狀態(tài).

Step5. 數(shù)據(jù)編碼和調(diào)度，實施計算服務(wù).如果出現(xiàn)任務(wù)缺失、計算異常等，則發(fā)起緊急調(diào)度請求，等待任務(wù)流數(shù)據(jù).

Step6. 服務(wù)質(zhì)量評價，請求流數(shù)據(jù)；接受鄰居節(jié)點服務(wù)請求，轉(zhuǎn)發(fā)本地緩沖的流數(shù)據(jù).

4 實驗與分析

由分析可知：邊緣計算協(xié)同服務(wù)盟主以節(jié)點的信任度、影響力、可用帶寬、鏈路質(zhì)量等特征指標(biāo)作為選擇盟員的約束條件，以最小開銷構(gòu)建邊緣計算協(xié)同服務(wù)池.對于小規(guī)模邊緣計算協(xié)同服務(wù)，其構(gòu)建開銷可以忽略；一旦邊緣計算協(xié)同服務(wù)節(jié)點達(dá)到一定規(guī)模，其開銷必增，占用網(wǎng)絡(luò)資源，降低服務(wù)質(zhì)量.因此，在構(gòu)建協(xié)同服務(wù)池生成規(guī)則中設(shè)定規(guī)模上下界，當(dāng)其規(guī)模不滿足設(shè)定域時，啟動邊緣計算協(xié)同服務(wù)簇分裂或合并機(jī)制，形成新的協(xié)同服務(wù)池.

近海港口構(gòu)建的通信網(wǎng)絡(luò)是一個典型的邊緣計算服務(wù)應(yīng)用場景，本文仿真實驗場景如圖5所示.

實驗中假設(shè)3個條件成立：

1) 每個服務(wù)節(jié)點周圍可能存在一個小規(guī)模的亞可信邊緣計算協(xié)同服務(wù)節(jié)點集，其信任初始值均設(shè)為0.5，這些亞信任節(jié)點曾經(jīng)與盟主服務(wù)節(jié)點構(gòu)成協(xié)同服務(wù)，以形成一定的信任協(xié)同關(guān)系，這種原始的亞可信邊緣計算協(xié)同節(jié)點其信譽(yù)度隨服務(wù)節(jié)點在網(wǎng)絡(luò)中存活的時間、協(xié)同服務(wù)質(zhì)量等而動態(tài)變化.

2) 盟主節(jié)點按相關(guān)策略從其候選協(xié)同服務(wù)盟員集中選取，以構(gòu)建邊緣計算協(xié)同服務(wù).

3) 通信網(wǎng)絡(luò)以岸基數(shù)據(jù)中心、岸基站為中心，由島礁中繼站、智能浮臺中繼站、船艦節(jié)點、智能移動節(jié)點等構(gòu)成.

網(wǎng)絡(luò)仿真環(huán)境：

1) 基于Router View公開數(shù)據(jù)集，構(gòu)建邊緣計算系統(tǒng)服務(wù)簇；Router View公開數(shù)據(jù)集節(jié)點數(shù)為6 474，連接邊數(shù)為13 895，平均度為4.292 6，基尼系數(shù)為0.608，相對邊緣分布熵為0.854，聚類系數(shù)為0.959%；

2) 岸基站為根節(jié)點，與7個中繼基站組建骨干網(wǎng)絡(luò)，1個岸基網(wǎng)絡(luò)數(shù)據(jù)中心服務(wù)器為源服務(wù)發(fā)起節(jié)點，節(jié)點間自由交互；

3) 以每個基站為初始簇頭，構(gòu)建可信協(xié)同服務(wù)集.當(dāng)邊緣計算協(xié)同服務(wù)簇節(jié)點規(guī)模小于設(shè)定的下界時進(jìn)行合并操作，原盟主節(jié)點降為盟員節(jié)點；當(dāng)簇節(jié)點規(guī)模大于上界時，按策略選擇盟員成為新的盟主節(jié)點，進(jìn)行分裂操作；

4) 邊緣計算可信協(xié)同服務(wù)系統(tǒng)由岸基數(shù)據(jù)中心服務(wù)器集群(edge server， ES)、岸基站(router center， RC)、中繼基站(router node， RN)、盟主節(jié)點(leader node， LN)、盟員節(jié)點(edge node， EN)等組成；

5) 節(jié)點通信制式符合IEEE 802.11協(xié)議簇標(biāo)準(zhǔn).

系統(tǒng)仿真環(huán)境：

服務(wù)器為Intel Xeon E5，4核16線程、2.5 GHz，RAM為4 GB，WinServer2010，虛擬機(jī)帶寬1 MBps；

客戶機(jī)為Intel Core i5，2核4線程、2.7 GHz，RAM為8 GB，Win7系統(tǒng)；

服務(wù)端為JDK1.8+Apache Tomcat 8.0，Mysql 5.7；

客戶端為Chrome瀏覽器；

編程語言為Java，JavaScript；

開發(fā)工具為Eclipse Oxygen 3a；

后端框架為JSP，JavaBean，JDBC；

前端可視為SVG繪圖庫，Ajax異步前后端交互.

4.1 TCSEC骨干網(wǎng)絡(luò)系統(tǒng)性能測試分析

Fig. 7 Topology of static edge computing cooperative service圖7 靜態(tài)邊緣計算協(xié)同服務(wù)拓?fù)浣Y(jié)構(gòu)

為保證骨干網(wǎng)絡(luò)的魯棒性，對骨干網(wǎng)絡(luò)實施負(fù)載壓力測試.測試時間為120 min，觀察周期為30 min.設(shè)定岸基數(shù)據(jù)中心服務(wù)器集群的負(fù)載率達(dá)到60%啟動邊緣協(xié)同服務(wù)負(fù)載均衡機(jī)制；在30 min時對岸基數(shù)據(jù)中心服務(wù)器集群實施突發(fā)浪涌式服務(wù)請求，60 min時服務(wù)請求達(dá)到其負(fù)載率60%，系統(tǒng)啟動邊緣協(xié)同服務(wù)負(fù)載均衡機(jī)制，按策略將相應(yīng)計算任務(wù)卸載至其協(xié)同盟員邊緣服務(wù)盟主節(jié)點執(zhí)行，系統(tǒng)基本穩(wěn)定在其負(fù)載率的63%.如圖6所示.實驗表明，TCSEC模型的骨干網(wǎng)絡(luò)具有很好地魯棒性和負(fù)載均衡能力.

Fig. 6 Load rate of edge server圖6 數(shù)據(jù)源服務(wù)器負(fù)載率

4.2 TCSEC模型系統(tǒng)聚類性能測試分析

為分析邊緣計算協(xié)同服務(wù)性能，以聚類效率、服務(wù)流量、響應(yīng)延遲、服務(wù)效率等為評價指標(biāo).從靜態(tài)和動態(tài)2種網(wǎng)絡(luò)拓?fù)錉顟B(tài)將本文提出的協(xié)同服務(wù)池算法TCSEC與K-means[52]，KNN[53]對比分析.

4.2.1 靜態(tài)協(xié)同服務(wù)

協(xié)同服務(wù)池一旦構(gòu)建完成并穩(wěn)定后，不再進(jìn)行合并和分裂操作.其中節(jié)點顏色表示節(jié)點參與構(gòu)建邊緣計算協(xié)同服務(wù)系統(tǒng)的意向，節(jié)點大小表示節(jié)點的服務(wù)能力，其邊緣計算協(xié)同服務(wù)拓?fù)淙鐖D7所示，聚類算法評價參數(shù)如表1所示，邊緣計算協(xié)同服務(wù)池性能評價參數(shù)如表2所示，協(xié)同服務(wù)簇、中繼基站、盟主節(jié)點平均流量如圖8～10所示，協(xié)同服務(wù)帶寬如圖11所示，任務(wù)接受率如圖12所示，協(xié)同服務(wù)成功率如圖13所示，協(xié)同服務(wù)響應(yīng)延遲如圖14所示.

Table 1 Performance Parameters of Static Edge Computing Cooperative Service Clustering Algorithm表1 靜態(tài)邊緣計算協(xié)同服務(wù)聚類算法性能參數(shù)

Note: Std means standard deviation.

Table 2 Performance Parameters of Static Edge Computing Cooperative Service Pool表2 靜態(tài)邊緣計算協(xié)同服務(wù)池性能參數(shù)

Fig. 8 Cooperative service cluster traffic for static edge computing圖8 靜態(tài)邊緣計算協(xié)同服務(wù)簇平均流量

Fig. 9 Relay node traffic for static edge computing圖9 靜態(tài)邊緣計算協(xié)同服務(wù)中繼基站流量

Fig. 10 Leader node traffic for static edge computing圖10 靜態(tài)邊緣計算協(xié)同服務(wù)盟主節(jié)點流量

Fig. 11 Bandwidth of static edge computing service 圖11 靜態(tài)邊緣計算協(xié)同服務(wù)帶寬

Fig. 12 Task receiving rate of static edge computing service圖12 靜態(tài)邊緣計算協(xié)同服務(wù)任務(wù)接收率

Fig. 13 Task success rate of static edge computing service圖13 靜態(tài)邊緣計算協(xié)同服務(wù)成功率

Fig. 14 Response delay of static edge computing service圖14 靜態(tài)邊緣計算協(xié)同服務(wù)響應(yīng)延遲

靜態(tài)邊緣計算協(xié)同服務(wù)具有5個特征：

1) 超級節(jié)點聚類具有相似趨同性和馬太效應(yīng)，能力和性能相當(dāng)?shù)墓?jié)點會聚在一起；為了保證系統(tǒng)服務(wù)提供的服務(wù)能力基本一致，能力相對弱的熱心節(jié)點所構(gòu)建的協(xié)同服務(wù)簇的簇內(nèi)節(jié)點數(shù)相對較多.

2)KNN，K-means算法形成13個超級節(jié)點，構(gòu)成20個邊緣計算服務(wù)池，分別耗時3.29 s和7.84 s；TCSEC算法形成15個超級節(jié)點，構(gòu)成22個邊緣計算服務(wù)池，耗時10.37 s；所構(gòu)建邊緣計算服務(wù)池平均規(guī)模在46.00～56.69之間，網(wǎng)絡(luò)平均延遲分別為43 ms，30 ms，19 ms，池內(nèi)交互平均延遲41 ms，39 ms，7 ms.

3)KNN，K-means算法構(gòu)建邊緣計算服務(wù)池時分裂13次，沒有合并.聚合度分別為0.44和0.57，協(xié)同效率分別0.45和0.58.

4) TCSEC算法構(gòu)建邊緣計算服務(wù)池時執(zhí)行20次分裂，合并5次，聚合度0.83，協(xié)同效率0.80.

5) 執(zhí)行協(xié)同服務(wù)，60 min邊緣計算協(xié)同服務(wù)池趨于穩(wěn)態(tài)，TCSEC，KNN，K-means算法平均并發(fā)數(shù)分別達(dá)53，41，39，平均服務(wù)流量分別為20 973.83 MB/min，10 254.34 MB/min，9 770.61 MB/min.

實驗結(jié)果表明：

1) 盟主節(jié)點均由熱心邊緣服務(wù)器節(jié)點形成，協(xié)同服務(wù)池構(gòu)建具有馬太效應(yīng).

2) TCSEC算法構(gòu)建的邊緣計算協(xié)同服務(wù)池能有效均衡基站和盟主節(jié)點的負(fù)載，能有效平滑浪涌效應(yīng).

3) TCSEC算法構(gòu)建的邊緣計算協(xié)同服務(wù)池網(wǎng)絡(luò)平均延遲分別比KNN，K-means算法減少55.81%和36.67%；邊緣計算協(xié)同服務(wù)池內(nèi)平均延遲TCSEC算法分別比KNN，K-means算法減少82.93%和82.05%.

4) TCSEC算法的協(xié)同效率分別比KNN，K-means算法的提高77.78%和37.93%.

5) TCSEC算法基站、盟主節(jié)點服務(wù)帶寬分別比KNN，K-means算法提高3%，21.30%和32.25%,45.50%，系統(tǒng)平均并發(fā)數(shù)提高35.90%和29.27%，平均服務(wù)流量提高1.15倍和1.05倍.

4.2.2 動態(tài)構(gòu)建協(xié)同服務(wù)

協(xié)同服務(wù)池構(gòu)建完成后，系統(tǒng)根據(jù)虛擬服務(wù)池的協(xié)同工作狀態(tài)進(jìn)行動態(tài)合并和分裂操作.其邊緣計算協(xié)同服務(wù)拓?fù)淙鐖D15所示，聚類算法評價參數(shù)如表3所示，邊緣計算協(xié)同服務(wù)池性能評價參數(shù)如表4所示，協(xié)同服務(wù)簇平均流量如圖16所示，盟主節(jié)點數(shù)如圖17所示，協(xié)同服務(wù)池分裂、聚合次數(shù)如圖18～19所示，任務(wù)接受率如圖20所示，協(xié)同服務(wù)成功率如圖21所示，協(xié)同服務(wù)響應(yīng)延遲如圖22所示.

Fig. 15 Topology of dynamic edge computing cooperative service圖15 動態(tài)邊緣計算協(xié)同服務(wù)拓?fù)浣Y(jié)構(gòu)

Table 3 Performance Parameters of Dynamic Edge Computing Cooperative Service Clustering Algorithm表3 動態(tài)邊緣計算協(xié)同服務(wù)算法性能參數(shù)表

Note: Std means standard deviation.

Fig. 16 Cooperative service cluster traffic for dynamic edge computing圖16 動態(tài)邊緣計算協(xié)同服務(wù)簇平均流量

Fig. 17 Number of leader nodes in dynamic edge computing圖17 動態(tài)邊緣計算協(xié)同服務(wù)盟主節(jié)點數(shù)

Fig. 18 Total divided times of dynamic edge computing圖18 動態(tài)邊緣計算協(xié)同服務(wù)總分裂次數(shù)

Fig. 19 Total aggregation times of dynamic edge computing圖19 動態(tài)邊緣計算協(xié)同服務(wù)總聚合次數(shù)

Fig. 20 Task receiving rate of dynamic edge computing圖20 動態(tài)邊緣計算協(xié)同服務(wù)任務(wù)接收率

Fig. 21 Task success rate of dynamic edge computing圖21 動態(tài)邊緣計算協(xié)同服務(wù)成功率

Fig. 22 Response delay of dynamic edge computing圖22 動態(tài)邊緣計算協(xié)同服務(wù)響應(yīng)延遲

動態(tài)邊緣計算協(xié)同服務(wù)具有3個特征：

1)KNN，K-means算法在70 min達(dá)到穩(wěn)定狀態(tài)，分別形成20和15個盟主節(jié)點，構(gòu)成27和23個虛擬服務(wù)池，平均規(guī)模分別為44.53和48.27.TCSEC算法在60 min達(dá)到穩(wěn)定狀態(tài)，形成23個超級節(jié)點，構(gòu)成30個虛擬服務(wù)池，平均規(guī)模為36.25.

2)KNN，K-means，TCSEC算法聚合度和協(xié)同效率基本一致，但其分裂數(shù)分別為110，103，77次，合并數(shù)分別為103，99，69次；中繼基站平均服務(wù)帶寬為3 549.61 MB/min，3 587.86 MB/min，4 016.54 MB/min，盟主節(jié)點平均服務(wù)帶寬為2 593.29 MB/min，2 610.50 MB/min，2 909.53 MB/min，網(wǎng)絡(luò)平均延遲分別為63 ms，61 ms，20 ms，協(xié)同服務(wù)池內(nèi)交互平均延遲為19 ms，21 ms，20 ms.

3) 邊緣計算協(xié)同服務(wù)池進(jìn)入穩(wěn)態(tài)工作后，TCSEC，KNN，K-means算法平均服務(wù)流量分別為38 900.53 MB/min，21 196.40 MB/min，20 900.53 MB/min.

實驗結(jié)果表明：

1) TCSEC，KNN，K-means算法在達(dá)到相同聚合度和協(xié)同效率狀態(tài)下，TCSEC算法收斂時間比KNN，K-means快14.29%，TCSEC算法分裂合并總次數(shù)比KNN，K-means算法分別減少31.46%和27.72%；

2) TCSEC算法超級節(jié)點服務(wù)帶寬分別比KNN，K-means算法提高12.19%和11.46%，協(xié)同服務(wù)池平均服務(wù)流量提高83.52%和86.12%；

3) TCSEC算法構(gòu)建邊緣計算協(xié)同服務(wù)的網(wǎng)絡(luò)平均響應(yīng)速度分別比KNN，K-means算法快68.25%和67.21%.

小結(jié)：

1) 動態(tài)與靜態(tài)構(gòu)建邊緣計算協(xié)同服務(wù)系統(tǒng)相比，TCSEC算法聚合度達(dá)到0.97，協(xié)同服務(wù)系統(tǒng)總平均服務(wù)流量提高41.53%，協(xié)同效率提高18.98%，協(xié)同服務(wù)成功率提高28.17%；

2) TCSEC算法綜合性能明顯優(yōu)于KNN，K-means算法.

4.3 TCSEC模型系統(tǒng)仿真分析

為分析邊緣計算協(xié)同服務(wù)系統(tǒng)交互特征，以訪問量、流量、負(fù)載、信譽(yù)度、任務(wù)接收率、協(xié)同成功率等為評價指標(biāo)，基于TCSEC動態(tài)聚類對邊緣計算協(xié)同服務(wù)系統(tǒng)進(jìn)行仿真.

設(shè)數(shù)據(jù)源邊緣服務(wù)器(edge service, ES)集群存在100個待遷移計算任務(wù)，每個遷移計算任務(wù)量500≤M≤1 024，對目標(biāo)計算任務(wù)所在邊緣服務(wù)器ES進(jìn)行浪涌式服務(wù)請求測試.用戶請求頻率f≤4次/s，每次請求5個連續(xù)的計算任務(wù)，實驗測試時間6 h，訪問量、流量采樣周期為30 s，信譽(yù)度、任務(wù)接收率、協(xié)同成功率采樣周期為5 s.

4.3.1 TCSEC模型系統(tǒng)訪問量分析

為分析浪涌訪問下，邊緣計算協(xié)同服務(wù)訪問量變化特征，數(shù)據(jù)源邊緣服務(wù)器ES，中繼基站RN和盟主節(jié)點LN的訪問量變化如圖23所示：

Fig. 23 Visits of cooperation service for edge computing圖23 邊緣計算協(xié)同服務(wù)訪問量

由圖23可知，邊緣計算協(xié)同服務(wù)訪問量具有2個特征：

1) 34 min系統(tǒng)出現(xiàn)第1次浪涌請求，ES與RN，LN的訪問量峰值分別達(dá)到9 919和9 920，平均訪問量為7 745和7 673；71 min系統(tǒng)出現(xiàn)第2次浪涌請求，ES與RN，LN的訪問量峰值分別達(dá)到14 567和15 353，平均訪問量為9 498和11 433；106.6 min系統(tǒng)出現(xiàn)第3次浪涌請求，ES與RN，LN的訪問量峰值分別達(dá)到12 994和22 671，平均訪問量為9 441和15 791；124 min達(dá)到系統(tǒng)設(shè)定的訪問量上限，觸發(fā)協(xié)同服務(wù)池分裂和聚合，135 min結(jié)束第1階段浪涌訪問測試.

2) 180 min時開始實施與第1階段相同的浪涌訪問.在185.0 min時，出現(xiàn)第1次浪涌請求，ES與RN，LN的訪問量快速上升，系統(tǒng)啟動邊緣計算協(xié)同服務(wù)機(jī)制，實施浪涌訪問均衡，ES與RN，LN的訪問量峰值分別為6 982和7 734，平均訪問量為3 111和3 814；230 min時，出現(xiàn)第2次浪涌請求，ES與RN，LN的訪問量峰值分別為6 982和11 765，平均訪問量為4 265和7262；280 min時，出現(xiàn)第3次浪涌請求，ES與RN，LN的訪問量峰值分別為6 477和16 475，平均訪問量為3 704和10 913；340 min結(jié)束浪涌訪問測試.

TCSEC模型系統(tǒng)訪問量實驗結(jié)果表明：

1) 第1階段測試時，第1次浪涌請求，ES與RN，LN的訪問量在可承受范圍內(nèi)，訪問量差異不大.第2次浪涌請求，數(shù)據(jù)源邊緣服務(wù)器訪問量超過了閾值12 000次，任務(wù)遷移觸發(fā)，ES與RN，LN構(gòu)建邊緣計算協(xié)同服務(wù)系統(tǒng)，并將大量任務(wù)遷移分發(fā)至中繼基站和盟主節(jié)點，訪問量逐漸表現(xiàn)出差異.第3次浪涌請求，RN，LN的訪問量超過了閾值18 000次，ES的訪問量超過了閾值12 000次，系統(tǒng)觸發(fā)分裂聚合協(xié)同操作，進(jìn)行協(xié)同服務(wù)資源再度融合和邊緣計算協(xié)同服務(wù)系統(tǒng)重構(gòu)，18 min后達(dá)到穩(wěn)定.

2) 第2階段測試時，實施浪涌訪問均衡，再次面臨相同的浪涌請求時，ES的訪問量將維持穩(wěn)定，RN，LN的峰值訪問量比第1階段平均下降21.31%,平均訪問量下降30.89%.

3) 計算任務(wù)服務(wù)節(jié)點提供的計算任務(wù)因“新鮮”被訪問節(jié)點傳播吸引更多的節(jié)點訪問，使計算任務(wù)服務(wù)節(jié)點的訪問量隨著訪問節(jié)點的增加而增加，當(dāng)訪問量達(dá)一個極大值時，由于目標(biāo)計算任務(wù)的“新鮮”度開始下降，訪問節(jié)點隨之減少，訪問量下降.

4) ES與RN，LN構(gòu)建協(xié)同服務(wù)后，其訪問量變化具有聯(lián)動放大效應(yīng).通過訪問請求遷移分發(fā)和構(gòu)建邊緣計算協(xié)同服務(wù)，能夠有效抑制訪問擁塞.

4.3.2 TCSEC模型系統(tǒng)性能分析

為分析浪涌訪問下，邊緣計算協(xié)同服務(wù)系統(tǒng)的服務(wù)能力及均衡性，ES，RN，LN節(jié)點的負(fù)載率如圖24所示，實時流量如圖25所示.

Fig. 25 Traffic of node in TCSEC圖25 TCSEC模型系統(tǒng)節(jié)點實時流量

由圖24、圖25可知TCSEC模型系統(tǒng)節(jié)點流量具有3個特征：

1) 第1次浪涌請求，ES峰值帶寬峰值流量達(dá)到15 554.17 MB/min，平均流量為7 642.50 MB/min；RN節(jié)點和LN節(jié)點的峰值流量分別為1 373.71 MB/min和797.81 MB/min，平均流量為525.04 MB/min和521.01 MB/min.第2次浪涌請求，ES帶寬峰值流量達(dá)到20 919.72 MB/min，平均流量為11 746.31 MB/min；RN節(jié)點和LN節(jié)點的峰值流量分別為1 970.95 MB/min和1 368.94 MB/min，平均流量為660.36 MB/min和651.31 MB/min.第3次浪涌請求，ES峰值流量達(dá)到26 926.74 MB/min，平均流量為14 416.21 MB/min；RN節(jié)點和LN節(jié)點的峰值流量分別為1 670.90 MB/min和1 307.68 MB/min，平均流量為810.70 MB/min和699.44 MB/min.

2) 構(gòu)建邊緣計算協(xié)同服務(wù)系統(tǒng)，啟動邊緣計算協(xié)同服務(wù)后，ES峰值流量為3 070 MB/min，平均流量為1 758.08 MB/min；RN節(jié)點和LN節(jié)點峰值流量為1 045.81 MB/min和924.62 MB/min，平均流量為307.66 MB/min和302.78 MB/min.

3) ES，RN，LN流量分別于41 min，52 min，62 min達(dá)到任務(wù)遷移閾值，啟用請求服務(wù)轉(zhuǎn)發(fā)遷移.65 min時，ES流量超過額定閾值，ES與RN，LN構(gòu)建骨干網(wǎng)絡(luò)邊緣計算協(xié)同服務(wù)系統(tǒng).124 min，RN，LN在自治域內(nèi)構(gòu)建網(wǎng)絡(luò)邊緣計算協(xié)同服務(wù)系統(tǒng).

TCSEC模型系統(tǒng)節(jié)點負(fù)載和流量實驗結(jié)果表明：

1) 第1階段浪涌訪問測試，ES，RN，LN是系統(tǒng)服務(wù)的主要提供者，第2階段浪涌訪問測試，以RN和LN為盟主構(gòu)建的邊緣計算協(xié)同服務(wù)是系統(tǒng)服務(wù)的主要提供者.

2) ES負(fù)載達(dá)到設(shè)定閾值時，啟用構(gòu)建邊緣計算協(xié)同服務(wù)，將任務(wù)遷移至盟員RN和LN，其流量增速降低69%，當(dāng)RN和LN觸發(fā)構(gòu)建邊緣計算協(xié)同服務(wù)后，ES負(fù)載率降低51%并趨于穩(wěn)定.

3) 邊緣計算協(xié)同服務(wù)盟主節(jié)點的流量波動，將直接帶動其從屬節(jié)點產(chǎn)生相同的流量波動，所構(gòu)建的邊緣計算協(xié)同服務(wù)具有馬氏效應(yīng).

4) 所有節(jié)點均具有優(yōu)先與綜合性能優(yōu)的節(jié)點連接趨勢，盟員節(jié)點因綜合性能差異而聚集到不同的邊緣計算協(xié)同服務(wù)中，形成邊緣計算協(xié)同服務(wù)的綜合性能參數(shù)和服務(wù)質(zhì)量也不盡相同.

5) 普通盟主節(jié)點聚類構(gòu)建的邊緣計算協(xié)同服務(wù)，由于其節(jié)點綜合性能較弱，因此其邊緣計算協(xié)同服務(wù)的服務(wù)能力也相對較弱.這類邊緣計算協(xié)同服務(wù)在系統(tǒng)中主要承擔(dān)保障網(wǎng)絡(luò)連通性和為局域提供服務(wù)的作用.

4.3.3 TCSEC模型系統(tǒng)信譽(yù)度驗證

為驗證邊緣計算協(xié)同服務(wù)系統(tǒng)信譽(yù)度的有效性，RN節(jié)點、LN節(jié)點、EN節(jié)點信譽(yù)度如圖26所示.協(xié)同服務(wù)系統(tǒng)節(jié)點信譽(yù)度具有3個特征：

1) RN節(jié)點和LN節(jié)點信譽(yù)度分別在8.6 min和8.7 min達(dá)到0.8，此時RN節(jié)點和LN節(jié)點間信任關(guān)系初步建立，在22.0 min和20.8 min時達(dá)到0.9，此時RN節(jié)點和LN節(jié)點間的主從關(guān)系得到確立.

2) 在60～120 min和180～240 min，浪涌請求訪問量達(dá)到極大值時，RN節(jié)點和LN節(jié)點信任關(guān)系穩(wěn)定于0.92～0.94.

3) 第1階段浪涌訪問測試，邊緣服務(wù)器協(xié)同節(jié)點于50 min信譽(yù)度開始逐步上升，在130 min時達(dá)到穩(wěn)定.第2階段浪涌訪問測試，邊緣服務(wù)器節(jié)點于190 min信譽(yù)度開始逐步上升，于300 min穩(wěn)定于0.94.

Fig. 26 Trust of node in TCSEC圖26 TCSEC模型系統(tǒng)節(jié)點信譽(yù)度

TCSEC模型系統(tǒng)節(jié)點信譽(yù)度實驗結(jié)果表明：

1) 節(jié)點的平均在線時長、服務(wù)能力、可用帶寬、信譽(yù)度和鏈路延遲對邊緣計算協(xié)同服務(wù)的綜合性能產(chǎn)生重要影響.

2) RN節(jié)點和LN節(jié)點平均信譽(yù)度相對穩(wěn)定，有效激勵了協(xié)同服務(wù)盟員參與協(xié)同的熱情，高效完成協(xié)同任務(wù).

4.3.4 TCSEC模型系統(tǒng)用戶服務(wù)質(zhì)量評價

為分析浪涌訪問下，用戶服務(wù)質(zhì)量服務(wù)參數(shù)，通過任務(wù)接收率、協(xié)同服務(wù)成功率、鏈路重尋次數(shù)、用戶服務(wù)帶寬、協(xié)同服務(wù)響應(yīng)延遲和協(xié)同傳輸丟包率進(jìn)行評價，如圖27～31所示.

由圖27～31可知，邊緣計算協(xié)同服務(wù)參數(shù)具有2個特征：

Fig. 27 Task receiving rate圖27 任務(wù)接收率

Fig. 28 Task success rate圖28 交付成功率

Fig. 29 Frequency of link retrievals of EN圖29 盟員鏈路平均重尋次數(shù)

Fig. 30 Average service bandwidth of EN圖30 盟員平均服務(wù)帶寬

Fig. 31 Average packet loss rate圖31 平均丟包率

1) 邊緣計算協(xié)同服務(wù)任務(wù)接收率在第8 min穩(wěn)定于0.99，協(xié)同成功率在第10 min穩(wěn)定于0.97，丟包率在第4 min穩(wěn)定于0.3.

Fig. 32 Load rate of ES in edge computing cooperative service圖32 邊緣計算協(xié)同服務(wù)數(shù)據(jù)源服務(wù)器負(fù)載率

2) 第1階段浪涌訪問測試，節(jié)點獲得服務(wù)速率由0.29 MBps提高至0.58 MBps，鏈路平均重尋次數(shù)為0.啟動協(xié)同服務(wù)機(jī)制，RN節(jié)點和LN節(jié)點構(gòu)建邊緣計算協(xié)同服務(wù)系統(tǒng)，節(jié)點獲得服務(wù)速率由0.56 MBps提高至0.68 MBps，鏈路平均重尋次數(shù)0.02.

節(jié)點信譽(yù)度實驗結(jié)果表明：

1) 當(dāng)信譽(yù)體系建立完成后，在浪涌訪問下，邊緣計算協(xié)同服務(wù)系統(tǒng)任務(wù)接收率穩(wěn)定于0.99，協(xié)同成功率穩(wěn)定于0.97.

2) 隨著邊緣計算協(xié)同服務(wù)系統(tǒng)協(xié)同規(guī)模擴(kuò)大，鏈路重尋率上升2%，系統(tǒng)的服務(wù)效率提升1.95倍.

通過服務(wù)遷移和構(gòu)建邊緣計算協(xié)同服務(wù)系統(tǒng)，能夠有效解決無線網(wǎng)絡(luò)中存在高擁塞、單點失效、低數(shù)據(jù)分發(fā)效率問題，提高服務(wù)質(zhì)量，實現(xiàn)負(fù)載均衡，為大規(guī)?？尚胚吘売嬎惴?wù)提供保障.

4.4 TCSEC模型系統(tǒng)性能對比

為對比邊緣計算協(xié)同服務(wù)系統(tǒng)性能，以流量、負(fù)載、信譽(yù)度、任務(wù)接收率、協(xié)同成功率等為評價指標(biāo)，基于TCSEC動態(tài)聚類，將本文提出的TCSEC與隨機(jī)游牧(stochastic routing, SR)[54]、按需協(xié)同路由(ad hoc on-demand distance vector routing, AODV)[55]進(jìn)行對比分析.

設(shè)ES集群存在100個待遷移計算任務(wù)，每個遷移計算任務(wù)量500≤M≤1 024，對目標(biāo)計算任務(wù)所在ES進(jìn)行浪涌式服務(wù)請求測試.用戶請求頻率f≤6次/s，鏈路重尋次數(shù)≤3，每次請求5個連續(xù)的流數(shù)據(jù)文件，實驗測試時間10 h，采樣時間設(shè)定與4.3節(jié)實驗一致.

TCSEC與隨機(jī)游牧、AODV協(xié)作的ES的負(fù)載和流量如圖32,33所示，中繼基站RN、盟主節(jié)點LN平均流量如圖34所示，信譽(yù)度實驗結(jié)果如圖35所示，訪問高峰段系統(tǒng)服務(wù)參數(shù)如表5～表6，協(xié)同服務(wù)響應(yīng)延遲如圖36所示，協(xié)同服務(wù)任務(wù)遷移丟包率如圖37所示.

邊緣計算協(xié)同服務(wù)系統(tǒng)具有5個特征：

1) 第1階段浪涌訪問測試訪問高峰時段60～120 min，TCSEC，SR，AODV算法ES峰值流量分別為28 201 MB/min，13 182 MB/min，15 754 MB/min，峰值負(fù)載分別為0.65，0.97，0.97，平均流量16 891 MB/min，6 491 MB/min，7 746 MB/min，平均負(fù)載分別為0.66，0.96，0.95，基站、盟主節(jié)點峰值流量分別為15 286 MB/min，19 454 MB/min，19 438 MB/min，峰值負(fù)載分別為0.74，0.97，0.97，平均流量分別為6 589 MB/min，6 579 MB/min，7 824 MB/min，平均負(fù)載分別為0.68，0.93，0.92.TCSEC，SR，AODV算法鏈路平均重尋次數(shù)分別為2.18，2.25，0.01，協(xié)同服務(wù)接收率和成功率均分別為0.83，0.50，0.47，丟包率分別為0.21，0.39，0.30.

2) 第2階段浪涌訪問測試訪問高峰段210～270 min，TCSEC，SR，AODV算法ES峰值流量分別為10 230 MB/min，6 574 MB/min，9 633 MB/min，峰值負(fù)載分別為0.70，0.97，0.97，平均流量分別為5 179 MB/min，4 586 MB/min，5 171 MB/min，平均負(fù)載分別為0.49，0.95，0.94，基站、盟主節(jié)點峰值流量分別為7 854 MB/min，10 604 MB/min，16 890 MB/min，峰值負(fù)載分別為0.67，0.97，0.97，平均流量分別為2 020 MB/min，4 607 MB/min，5 108 MB/min，平均負(fù)載分別為0.58，0.93，0.92.TCSEC，SR，AODV算法平均鏈路重尋次數(shù)分別為2.23，2.20，0.01，協(xié)同服務(wù)接收率和成功率均分別為0.74，0.70，0.45，丟包率分別為0.21，0.39，0.31.

3) 第3階段浪涌訪問測試訪問高峰段360～420 min，TCSEC，SR，AODV算法ES峰值流量分別為12 700 MB/min，4 258 MB/min，2 961 MB/min，峰值負(fù)載分別為0.70，0.97，0.97，平均流量分別為6 714 MB/min，795 MB/min，870 MB/min，平均負(fù)載分別為0.48，0.94，0.94，基站、盟主節(jié)點峰值流量分別為9 752 MB/min，10 546 MB/min，15 459 MB/min，峰值負(fù)載分別為0.65，0.97，0.97，平均流量分別為1 610 MB/min，3 962 MB/min，3 899 MB/min，平均負(fù)載分別為0.61，0.93，0.92；TCSEC，SR，AODV算法平均鏈路重尋次數(shù)分別為2.18，2.25，0.01，協(xié)同服務(wù)接收率和成功率均分別為0.89，0.39，0.45，丟包率分別為0.21,0.40，0.30.

4) 實驗測試20 min，TCSEC，SR，AODV算法信譽(yù)度均為0.92.訪問高峰時段，TCSEC 算法RN，LN的信譽(yù)度穩(wěn)定于0.97～0.98，而SR，AODV算法RN，LN的信譽(yù)度趨于0.

5) 系統(tǒng)邊緣計算協(xié)同服務(wù)達(dá)到穩(wěn)定后，TCSEC，SR，AODV算法已獲得服務(wù)的盟員平均帶寬分別為2.5 MBps，2.5 MBps，2.41 MBps，平均訪問延遲分別為24 ms，37 ms，29 ms.

Fig. 33 Traffic of ES in edge computing cooperative service圖33 邊緣計算協(xié)同服務(wù)數(shù)據(jù)源服務(wù)器流量

Fig. 34 Average traffic of RN and LN in TCSEC，AODV and SR algorithms圖34 TCSEC，AODV，SR算法中繼基站和盟主節(jié)點平均流量

Fig. 35 Average trust of RN and LN in TCSEC，AODV and SR algorithms圖35 TCSEC，AODV，SR算法中繼基站和盟主節(jié)點平均信任度

Table 5 Performance Parameters of Cooperation Service for Edge Computing During Peak Access Time

Table 6 Performance Parameters of Cooperation Service for Edge Computing During Peak Access Time

Fig. 36 Access delay in edge computing cooperative service圖36 邊緣計算協(xié)同服務(wù)訪問延遲

Fig. 37 Packet loss rate in edge computing cooperative service圖37 邊緣計算協(xié)同服務(wù)平均丟包率

實驗結(jié)果表明：

1) 信譽(yù)評價與節(jié)點的負(fù)載、協(xié)同成功率相一致，能夠有效反映協(xié)同節(jié)點實時狀態(tài).信譽(yù)度迅速下降直接反映了系統(tǒng)出現(xiàn)高擁塞、訪問過載等現(xiàn)象.

2) TCSEC能夠在浪涌式訪問請求測試實現(xiàn)負(fù)載均衡，有效地完成協(xié)同任務(wù)，SR，AODV算法則因負(fù)載過大發(fā)生雪崩效應(yīng).

3) 在訪問高峰時段，TCSEC與SR，AODV算法相比，ES峰值負(fù)載平均降低31.0%，平均負(fù)載平均降低40.6%，基站、盟主節(jié)點峰值負(fù)載降低27.7%，平均負(fù)載平均降低27.3%.

4) TCSEC與SR，AODV算法相比，協(xié)同任務(wù)接收率分別提高29.1%，36.4%，協(xié)同成功率分別提高29.0%，36.3%，協(xié)同傳輸丟包率分別降低18.3%，9.3%.

5) TCSEC與SR，AODV算法相比，平均服務(wù)帶寬基本一致，請求接收率分別提高29.1%，36.4%，任務(wù)成功率分別提高29.1%，36.4%，接收延遲分別降低35.1%，17.2%.

小結(jié)：TCSEC與SR，AODV算法相比，在負(fù)載均衡能力上提高29%，系統(tǒng)服務(wù)能力分別提高29%和36%，服務(wù)質(zhì)量分別提高35%，17%.TCSEC算法能夠在浪涌式訪問請求下有效地完成協(xié)同任務(wù).

5 總 結(jié)

以數(shù)據(jù)源邊緣服務(wù)器、岸基中心基站、島礁/智能浮臺中繼基站、盟主節(jié)點、船艦、智能移動節(jié)點等構(gòu)建的近海港口邊緣計算協(xié)同服務(wù)面臨網(wǎng)絡(luò)拓?fù)鋭討B(tài)、資源受限、抖動、搭便車、盲區(qū)效應(yīng)、策略和惡意節(jié)點等諸多挑戰(zhàn)，導(dǎo)致網(wǎng)絡(luò)服務(wù)質(zhì)量、容量和帶寬的不穩(wěn)定性，使網(wǎng)絡(luò)效用下降.為保障網(wǎng)絡(luò)服務(wù)效用，構(gòu)建自適應(yīng)協(xié)同服務(wù)系統(tǒng)是一種有效方法.從負(fù)載平衡的角度出發(fā)，根據(jù)邊緣計算協(xié)同服務(wù)的負(fù)載情況，動態(tài)構(gòu)造由協(xié)同服務(wù)盟員組成的邊緣計算協(xié)同服務(wù)來解決目前近海港口邊緣計算協(xié)同服務(wù)中存在擁塞、單點失效、盲區(qū)、效率和服務(wù)質(zhì)量不高的問題.提出了一種基于盟主的邊緣計算協(xié)同服務(wù)組織模型TCSEC，模型運用節(jié)點的信任度、貢獻(xiàn)度、容量和帶寬、鏈路質(zhì)量等作為表征節(jié)點的特征屬性，以任務(wù)驅(qū)動方式，由盟主節(jié)點基于節(jié)點的服務(wù)能力和相似性來選擇協(xié)同服務(wù)的節(jié)點，構(gòu)建邊緣計算協(xié)同服務(wù).給出了構(gòu)建邊緣計算協(xié)同服務(wù)的數(shù)學(xué)模型、約束條件和構(gòu)造規(guī)則，并進(jìn)行了較為詳細(xì)的分析.仿真實驗表明，通過構(gòu)建邊緣計算協(xié)同服務(wù)，能有效解決邊緣計算服務(wù)提供節(jié)點過載的問題，實現(xiàn)了協(xié)同服務(wù)、資源共享、負(fù)載均衡的目的，提高了近海港口環(huán)境下邊緣計算協(xié)同服務(wù)的服務(wù)質(zhì)量.