陳慧敏，胡玉佩

（廣東郵電職業(yè)技術(shù)學(xué)院，廣東 廣州 510630）

0 引言

5G場(chǎng)景下大規(guī)模邊云協(xié)同分布式網(wǎng)絡(luò)架構(gòu)需要應(yīng)對(duì)系統(tǒng)資源負(fù)載均衡的問(wèn)題，云計(jì)算系統(tǒng)通常采用網(wǎng)絡(luò)資源和計(jì)算資源聯(lián)合優(yōu)化的方式來(lái)實(shí)現(xiàn)系統(tǒng)的負(fù)載均衡。但5G邊云協(xié)同分布式網(wǎng)絡(luò)架構(gòu)相比傳統(tǒng)的云計(jì)算系統(tǒng)具有獨(dú)特的特征：隨機(jī)變化的無(wú)線網(wǎng)絡(luò)參數(shù)、網(wǎng)絡(luò)資源和計(jì)算資源容易出現(xiàn)時(shí)空耦合現(xiàn)象。這些特征為網(wǎng)絡(luò)資源和計(jì)算資源聯(lián)合優(yōu)化帶來(lái)新的挑戰(zhàn)。

為了解決上述問(wèn)題，相關(guān)學(xué)者結(jié)合網(wǎng)絡(luò)資源和計(jì)算資源的動(dòng)態(tài)變化狀態(tài)，采用任務(wù)卸載的方式實(shí)現(xiàn)系統(tǒng)資源負(fù)載均衡，比如：任晨珊[1]提出李雅普諾夫方法分散數(shù)據(jù)處理壓力，該方法結(jié)合網(wǎng)絡(luò)拓?fù)?、鏈路鏈條與服務(wù)器處理能力來(lái)設(shè)計(jì)虛擬隊(duì)列偏置和計(jì)算負(fù)載均衡，并通過(guò)邊緣服務(wù)器和云端中心的卸載來(lái)應(yīng)對(duì)突發(fā)性、密集型的數(shù)據(jù)量；郭俊[2]針對(duì)超密集網(wǎng)絡(luò)架構(gòu)中移動(dòng)邊緣計(jì)算存在的問(wèn)題，提出聯(lián)合前后向鏈路計(jì)算策略及分布式任務(wù)調(diào)度方案為用戶接入和計(jì)算卸載提供更多選擇性；郝哲[3]以最小化MEC延遲和能量消耗為優(yōu)化目標(biāo)，提出一種以用戶選擇并行優(yōu)化迭代計(jì)算卸載、無(wú)線頻譜資源調(diào)度和計(jì)算資源調(diào)度的聯(lián)合優(yōu)化策略；Fajardo等人[4]采用調(diào)度基站邊緣側(cè)服務(wù)器的服務(wù)級(jí)別來(lái)調(diào)整LTE下行業(yè)務(wù)流的延遲；Liu等人[5]結(jié)合應(yīng)用程序緩沖區(qū)狀態(tài)、移動(dòng)終端用戶、MEC服務(wù)器計(jì)算能力以及終端與MEC服務(wù)器信道特征來(lái)決定是否將應(yīng)用卸載到MEC服務(wù)器上，以實(shí)現(xiàn)最小化執(zhí)行延遲的目標(biāo)；Barbarossa等人[6]提出移動(dòng)終端的計(jì)算卸載策略，該策略在滿足最大執(zhí)行約束限制下最小化移動(dòng)用戶終端的能量消耗，最終降低用戶等待隊(duì)列長(zhǎng)度。

部分學(xué)者對(duì)移動(dòng)終端的計(jì)算卸載策略產(chǎn)生一定的質(zhì)疑，原因在于：在計(jì)算卸載過(guò)程中，將數(shù)據(jù)傳送到基站邊緣服務(wù)器所消耗的能量明顯低于移動(dòng)終端處理數(shù)據(jù)所消耗的能量。上述的學(xué)者認(rèn)為，計(jì)算卸載應(yīng)該圍繞用戶移動(dòng)場(chǎng)景下對(duì)延遲和消耗進(jìn)行權(quán)衡取舍。隨著5G應(yīng)用的激增，系統(tǒng)中卸載應(yīng)用程序所需要的時(shí)間就會(huì)越來(lái)越多，基站側(cè)邊緣服務(wù)器處理業(yè)務(wù)所需要的時(shí)間將會(huì)越來(lái)越久，因此，當(dāng)用戶將終端應(yīng)用卸載到基站側(cè)邊緣服務(wù)器后，由于邊緣服務(wù)器處理能力的限制，將會(huì)引發(fā)一系列新的問(wèn)題：如何從邊緣服務(wù)器資源現(xiàn)狀和負(fù)載均衡目標(biāo)出發(fā)，提出邊緣和云端服務(wù)器間的資源調(diào)度與任務(wù)卸載方案；如何根據(jù)業(yè)務(wù)QoS特性、節(jié)點(diǎn)負(fù)載狀態(tài)自適應(yīng)優(yōu)化任務(wù)卸載決策等。

為了解決上述的問(wèn)題，本文提出一種大規(guī)模邊云協(xié)同分布式網(wǎng)絡(luò)架構(gòu)下的任務(wù)卸載模型，該模型以最低能耗目標(biāo)，在保證移動(dòng)任務(wù)的服務(wù)質(zhì)量下，以高效能的方式實(shí)現(xiàn)網(wǎng)絡(luò)資源、計(jì)算資源和存儲(chǔ)資源的合理調(diào)度和任務(wù)執(zhí)行，快速響應(yīng)計(jì)算請(qǐng)求，提高整個(gè)系統(tǒng)的負(fù)載均衡。

1 大規(guī)模邊云協(xié)同分布式網(wǎng)絡(luò)架構(gòu)

大規(guī)模邊云協(xié)同分布式網(wǎng)絡(luò)架構(gòu)包括三個(gè)部分，主要有邊緣云、核心網(wǎng)云以及控制云。整個(gè)架構(gòu)將不同計(jì)算和存儲(chǔ)能力的服務(wù)器分散到整個(gè)網(wǎng)絡(luò)中，利用網(wǎng)絡(luò)功能虛擬化技術(shù)和軟件定義網(wǎng)絡(luò)技術(shù)實(shí)現(xiàn)計(jì)算和虛擬資源的動(dòng)態(tài)調(diào)度，實(shí)現(xiàn)全網(wǎng)資源的彈性化管理。大規(guī)模邊云協(xié)同分布式網(wǎng)絡(luò)架構(gòu)如圖1所示。

圖1 大規(guī)模邊云協(xié)同分布式網(wǎng)絡(luò)架構(gòu)

邊緣云是部署到基站側(cè)的網(wǎng)絡(luò)服務(wù)實(shí)施層，手機(jī)和電腦設(shè)備通過(guò)無(wú)線鏈路接入基站側(cè)的邊緣云，邊緣云借助有限的計(jì)算能力將數(shù)據(jù)進(jìn)行預(yù)處理并將結(jié)果傳至核心網(wǎng)，進(jìn)行業(yè)務(wù)集中處理。邊緣節(jié)點(diǎn)計(jì)算能力和帶寬資源差異性較大，而且邊緣資源會(huì)隨著業(yè)務(wù)請(qǐng)求的變化而動(dòng)態(tài)變化，邊緣云控制器一旦發(fā)現(xiàn)邊緣云處理能力不足，為減少等待隊(duì)列長(zhǎng)度，邊緣服務(wù)器將會(huì)將數(shù)據(jù)卸載到核心網(wǎng)云。

核心網(wǎng)云由多個(gè)云計(jì)算中心網(wǎng)絡(luò)構(gòu)成，擁有豐富的存儲(chǔ)資源和強(qiáng)大的數(shù)據(jù)處理能力，可以保存邊緣云卸載的數(shù)據(jù)以及執(zhí)行復(fù)雜任務(wù)的能力。核心網(wǎng)云利用網(wǎng)絡(luò)功能虛擬化技術(shù)和軟件定義網(wǎng)絡(luò)技術(shù)對(duì)網(wǎng)絡(luò)的各種資源進(jìn)行管理、調(diào)度和優(yōu)化，以應(yīng)對(duì)海量業(yè)務(wù)請(qǐng)求。除此之外，核心網(wǎng)云借助動(dòng)態(tài)負(fù)載均衡技術(shù)實(shí)現(xiàn)資源池的動(dòng)態(tài)擴(kuò)展和縮減，在保證業(yè)務(wù)性能前提下降低網(wǎng)絡(luò)傳輸和計(jì)算開銷。因此，核心網(wǎng)云處理數(shù)據(jù)的性能在速度、成本以及可擴(kuò)展性方面優(yōu)于邊緣云。

控制云是基于局部和全局開銷進(jìn)行資源調(diào)度和管理，其通過(guò)軟件定義技術(shù)實(shí)現(xiàn)網(wǎng)絡(luò)資源使用效率的監(jiān)測(cè)?？刂圃茣?huì)根據(jù)邊緣云和核心網(wǎng)云各自負(fù)載情況和網(wǎng)絡(luò)狀態(tài)決定資源是否卸載，以高能效的方式快速響應(yīng)業(yè)務(wù)請(qǐng)求，滿足5G業(yè)務(wù)差異性的需求。

大規(guī)模邊云協(xié)同分布式網(wǎng)絡(luò)架構(gòu)利用了邊緣云架構(gòu)和核心網(wǎng)云架構(gòu)的各自優(yōu)勢(shì)來(lái)應(yīng)對(duì)密集任務(wù)請(qǐng)求，分散網(wǎng)絡(luò)處理數(shù)據(jù)的壓力，保證整個(gè)網(wǎng)絡(luò)的正常運(yùn)行。

2 邊云協(xié)同分布式網(wǎng)絡(luò)架構(gòu)的任務(wù)卸載策略

2.1 邊云協(xié)同分布式網(wǎng)絡(luò)架構(gòu)的任務(wù)卸載模型

任務(wù)卸載可以有效解決邊云協(xié)同分布式網(wǎng)絡(luò)架構(gòu)在資源存儲(chǔ)、計(jì)算性能以及任務(wù)等待隊(duì)列不均衡存在的問(wèn)題，它通過(guò)卸載決策決定哪些計(jì)算需要放在邊緣服務(wù)器處理，哪些計(jì)算需要卸載到核心網(wǎng)服務(wù)器處理，最后結(jié)合服務(wù)器現(xiàn)有開銷情況和任務(wù)時(shí)延確定任務(wù)卸載位置。本文方案主要考慮用戶請(qǐng)求的QoS需求以及邊緣計(jì)算資源等要素，尋找能耗最小化，實(shí)現(xiàn)全網(wǎng)性能最大化。

（1）邊緣節(jié)點(diǎn)執(zhí)行的能耗時(shí)延卸載模型

如果任務(wù)i在邊緣節(jié)點(diǎn)執(zhí)行時(shí)，此時(shí)終端能耗主要由數(shù)據(jù)從終端發(fā)送能耗和終端空空閑能耗兩部分組成。那么終端能耗計(jì)算公式為：

其中，Pt為終端數(shù)據(jù)發(fā)送的功率，li為任務(wù)i數(shù)據(jù)量大小，RMEC為終端發(fā)送給邊緣節(jié)點(diǎn)據(jù)速率，Pw為終端空閑的功率。Tc為任務(wù)的處理時(shí)間，由邊緣服務(wù)器的計(jì)算能力決定。由于數(shù)據(jù)傳輸?shù)臅r(shí)延（微秒級(jí)別）通常小于數(shù)據(jù)處理（毫秒級(jí)別）的時(shí)延，因此本文的時(shí)延僅僅考慮數(shù)據(jù)處理的時(shí)延Tc。TMEC如式(2)所示：

其中，di為任務(wù)i計(jì)算量大小，fm表示邊緣計(jì)算節(jié)點(diǎn)的計(jì)算能力。

邊緣計(jì)算節(jié)點(diǎn)的能耗是指執(zhí)行任務(wù)i所引起的能耗，而影響節(jié)點(diǎn)能耗有CPU的利用率、內(nèi)存利用率以及硬盤利用率，其中硬盤利用率采用I/O利用率來(lái)表征。

邊緣計(jì)算節(jié)點(diǎn)的功率估算公式參考文獻(xiàn)[7]，可以表示為：

其中，wcpu、wmem、wio是CPU、內(nèi)存以及硬盤的非線性相關(guān)系數(shù)，由邊緣節(jié)點(diǎn)的具體配置和節(jié)點(diǎn)使用情況決定，而Ucpu(t) 、Umem(t)Uio(t)是邊緣計(jì)算節(jié)點(diǎn)CPU、內(nèi)存以及硬盤在t時(shí)刻的利用率，不同時(shí)刻的利用率差異性很大。∈是一個(gè)誤差補(bǔ)償系數(shù)。

邊緣計(jì)算節(jié)點(diǎn)的功率估算公式可以表示為：

那么，邊緣節(jié)點(diǎn)執(zhí)行的能耗時(shí)延卸載計(jì)算公式為：

（2）云端執(zhí)行的能耗時(shí)延卸載模型

任務(wù)i在云端執(zhí)行時(shí)，能耗主要是終端發(fā)送能耗、終端空空閑能耗以及云端服務(wù)器處理的能耗。那么終端能耗計(jì)算公式為：

其中，Pt為終端數(shù)據(jù)發(fā)送的功率，li為任務(wù)i數(shù)據(jù)量大小，Rcloud為終端發(fā)送給云端節(jié)點(diǎn)據(jù)速率，Pw為終端空閑的功率。Tcloud為任務(wù)的處理時(shí)間，由云端服務(wù)器的計(jì)算能力決定。由于數(shù)據(jù)傳輸?shù)臅r(shí)延遠(yuǎn)遠(yuǎn)小于數(shù)據(jù)處理的時(shí)延相比，因此本文的時(shí)延僅僅考慮數(shù)據(jù)處理的時(shí)延Tcloud。

其中，di為任務(wù)i計(jì)算量大小，fm’表示云端計(jì)算節(jié)點(diǎn)的計(jì)算能力。

云端計(jì)算節(jié)點(diǎn)的能耗是指執(zhí)行任務(wù)i所引起的能耗，而影響節(jié)點(diǎn)能耗有CPU的利用率、內(nèi)存利用率以及硬盤利用率，其中硬盤利用率采用I/O利用率來(lái)表征。

云端計(jì)算節(jié)點(diǎn)的功率估算公式可以表示為：

云端計(jì)算節(jié)點(diǎn)的功率估算公式可以表示為：

那么，邊緣節(jié)點(diǎn)執(zhí)行的能耗時(shí)延卸載計(jì)算公式為：

2.2 任務(wù)卸載策略

以最低能耗為目標(biāo)，綜合業(yè)務(wù)時(shí)延、業(yè)務(wù)CPU性能、存儲(chǔ)性能、帶寬性能和用戶QoS等指標(biāo)，判定業(yè)務(wù)是否從邊緣節(jié)點(diǎn)卸載到云端節(jié)點(diǎn)，選擇合適的節(jié)點(diǎn)進(jìn)行數(shù)據(jù)處理。卸載策略的公式表達(dá)為：

其中，限制項(xiàng)的第一部分Vi表示任務(wù)i傳輸速率，V表示該類任務(wù)的最小傳輸速率。限制項(xiàng)的第二部分Ti表示任務(wù)i時(shí)延，V表示該類任務(wù)的最小時(shí)延。限制項(xiàng)的第三部分表示將某一個(gè)任務(wù)i部署到物理節(jié)點(diǎn)i中，那么已經(jīng)占用的計(jì)算資源和該任務(wù)i所需要的計(jì)算資源之和要小于物理節(jié)點(diǎn)i最大的計(jì)算資源。限制項(xiàng)的第四部分表示將某一個(gè)任務(wù)i部署到物理節(jié)點(diǎn)i中，那么已經(jīng)占用的存儲(chǔ)資源和該任務(wù)i所需要的存儲(chǔ)資源之和要小于物理節(jié)點(diǎn)i最大的存儲(chǔ)資源。限制項(xiàng)的第五部分表示將某一個(gè)任務(wù)i部署到物理節(jié)點(diǎn)i中，那么已經(jīng)占用的帶寬資源和該任務(wù)i所需要的帶寬之和要小于物理節(jié)點(diǎn)i最大帶寬資源。

3 實(shí)驗(yàn)分析

本文采用仿真方式對(duì)能耗最優(yōu)的任務(wù)卸載策略進(jìn)行驗(yàn)證。整個(gè)實(shí)驗(yàn)平臺(tái)由16臺(tái)云服務(wù)器組成，其中邊緣計(jì)算云由12臺(tái)服務(wù)器組成，核心網(wǎng)云由4臺(tái)服務(wù)器組成。每臺(tái)服務(wù)器的配置如下：四核2.8 GHz的CPU處理器，每核有2個(gè)線程；內(nèi)存為8 G；硬盤為1 T以及配有千兆的以太網(wǎng)接口。為了驗(yàn)證本文的算法，本文在隨機(jī)時(shí)間段設(shè)置海量視頻識(shí)別密集處理任務(wù)，觀察當(dāng)計(jì)算量和帶寬量都很大的時(shí)候，基于隨機(jī)卸載的算法和基于本文的卸載策略的算法在節(jié)能方面的影響。所謂節(jié)能表示不采用任務(wù)卸載策略相比能量節(jié)省比例。

隨機(jī)任務(wù)卸載是指邊緣節(jié)點(diǎn)一旦發(fā)現(xiàn)自身處理能力不足時(shí)，將任務(wù)隨機(jī)卸載到滿足性能需求的核心網(wǎng)云的服務(wù)器中，這種卸載方式?jīng)]有從全局考慮核心網(wǎng)云計(jì)算系統(tǒng)中資源的占用情況，僅僅考慮服務(wù)器性能和業(yè)務(wù)的QoS性能需求。

本文任務(wù)卸載算法是指邊緣節(jié)點(diǎn)一旦發(fā)現(xiàn)自身處理能力不足時(shí)，對(duì)核心網(wǎng)云計(jì)算系統(tǒng)中資源的占用情況、服務(wù)器性能以及業(yè)務(wù)的QoS性能需求將任務(wù)卸載到能耗使用最低的服務(wù)器中。

實(shí)驗(yàn)的第一部分是不考慮時(shí)延要求的任務(wù)量對(duì)邊云協(xié)同處理節(jié)能的影響，如圖2所示：

圖2 密集任務(wù)數(shù)量對(duì)不同卸載算法的節(jié)能影響（不考慮時(shí)延）

如圖2所示，當(dāng)密集任務(wù)量較少的時(shí)候，兩種卸載算法的節(jié)能效果都較為趨同，一旦任務(wù)量迅速提升，而且相關(guān)節(jié)點(diǎn)已經(jīng)被占用的情況下，系統(tǒng)的節(jié)能效果開始下降。隨機(jī)卸載算法節(jié)能效果迅速下降，而采用本文算法的節(jié)能可達(dá)到40%左右。

實(shí)驗(yàn)的第二部分是不考慮時(shí)延要求的任務(wù)量對(duì)邊云協(xié)同處理節(jié)能的影響。當(dāng)單位任務(wù)處理的時(shí)延要求很高時(shí)，不同的卸載算法在系統(tǒng)節(jié)能方面的影響如圖3所示：

圖3 密集任務(wù)數(shù)量對(duì)不同卸載算法的節(jié)能影響（考慮時(shí)延）

由圖3可知，當(dāng)單任務(wù)處理時(shí)間的時(shí)延要求較高，采用本文卸載方法在節(jié)能方面的效果更好，這是因?yàn)楸疚膹南到y(tǒng)計(jì)算節(jié)點(diǎn)實(shí)際使用情況和任務(wù)QoS需求出發(fā)，采用云邊協(xié)同的方式對(duì)資源進(jìn)行合理分配，將一些計(jì)算量較大的任務(wù)卸載到云端，不僅利用了云端的超強(qiáng)處理能力降低數(shù)據(jù)處理的時(shí)延，還采用資源協(xié)同優(yōu)化方式保證系統(tǒng)的負(fù)載均衡，從而使得系統(tǒng)整體的能耗降低。

4 結(jié)束語(yǔ)

本文研究邊云協(xié)同分布式網(wǎng)絡(luò)架構(gòu)下采用不同的任務(wù)卸載策略在節(jié)能方面的不同表現(xiàn)。實(shí)驗(yàn)證明，本文以最低能耗為目標(biāo)，綜合服務(wù)器CPU性能、存儲(chǔ)性能、帶寬性能和用戶QoS等指標(biāo)，判定業(yè)務(wù)采用哪種卸載策略以達(dá)到最優(yōu)的節(jié)能效果，該策略能夠在缺少未來(lái)業(yè)務(wù)負(fù)載預(yù)測(cè)的情況下優(yōu)化節(jié)點(diǎn)資源管理和調(diào)度，動(dòng)態(tài)適應(yīng)實(shí)時(shí)動(dòng)態(tài)變換的工作負(fù)載和業(yè)務(wù)多變的性能要求，最終以高效低能耗的方式完成5G網(wǎng)絡(luò)海量數(shù)據(jù)的處理。