馮亞玲 張 卓 張學武 徐曉龍

（河海大學物聯(lián)網(wǎng)工程學院 常州 213022）

1 引言

水利工程是配置和增強水資源調(diào)控能力、加強綠色能源發(fā)展的重大工程措施，大壩是水利水電工程建設(shè)的核心，其高質(zhì)高效安全建設(shè)與長期高效安全運行關(guān)系國計民生［1］。隨著新一代信息技術(shù)的高速發(fā)展，物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能、云計算等技術(shù)深度融入筑壩領(lǐng)域，為大壩建造智能化提供了新理念、新技術(shù)、新裝備，形成了動態(tài)精細化可感知、可分析、可控制的智能化大壩建設(shè)與運行管理體系，包括信息實時感知模塊、聯(lián)通化實時傳輸模塊、智能化實時分析模塊與智能化實時管理決策系統(tǒng)等［2］。

當前廣泛應(yīng)用的云計算技術(shù)［3］具有較強的可靠性和可擴展性，然而如果將大數(shù)據(jù)全部卸載到云平臺可能會導致網(wǎng)絡(luò)卡頓，從而降低各種應(yīng)用程序總體服務(wù)質(zhì)量（Quality of Service，QoS）。為緩解大數(shù)據(jù)帶來的網(wǎng)絡(luò)擁塞，業(yè)界提出引入另一項技術(shù)，通過在網(wǎng)絡(luò)邊緣部署邊緣節(jié)點來提供計算處理和數(shù)據(jù)存儲的能力，即邊緣計算［4］。云計算和邊緣計算是相輔相成的關(guān)系，云邊協(xié)同技術(shù)［5］將云中心和邊緣節(jié)點協(xié)同處理數(shù)據(jù)的服務(wù)方式能夠充分結(jié)合云中心和邊緣節(jié)點的自身優(yōu)勢，能夠聯(lián)合調(diào)度不同特征的業(yè)務(wù)，因此將云邊協(xié)同技術(shù)引入水庫大壩灌區(qū)視頻監(jiān)控系統(tǒng)具有極高的研究價值和應(yīng)用意義。

計算卸載技術(shù)作為物聯(lián)網(wǎng)應(yīng)用場景中的關(guān)鍵技術(shù)，在降低用戶執(zhí)行時延提升QoS方面起著重要作用。現(xiàn)階段計算卸載技術(shù)還在圍繞單一的云計算與邊緣計算進行研究，本文通過構(gòu)建一個云邊協(xié)同計算環(huán)境來解決它們之間的任務(wù)協(xié)同調(diào)度問題。當前部分水庫大壩灌區(qū)所在的環(huán)境復雜，因此，不能簡單地將云邊協(xié)同的計算卸載技術(shù)應(yīng)用到水庫大壩灌區(qū)中的視頻監(jiān)控系統(tǒng)中。鑒于此，本文的云邊協(xié)同計算卸載技術(shù)研究還會面臨以下科學問題。

1）水壩灌區(qū)地理位置險要［6］，地區(qū)偏遠，危險點眾多，各監(jiān)測站點位置分布不均，調(diào)度困難，系統(tǒng)會面臨癱瘓風險。

2）各監(jiān)測站點計算資源分配不均，且視頻監(jiān)控系統(tǒng)中非結(jié)構(gòu)化數(shù)據(jù)［7］占到了大壩日常業(yè)務(wù)數(shù)據(jù)中的很大比例，處理該類業(yè)務(wù)，對系統(tǒng)時效性要求比較高［8］。

通過參考云邊協(xié)同卸載技術(shù)在水電廠和配電物聯(lián)網(wǎng)中的研究［6］，結(jié)合水壩灌區(qū)視頻監(jiān)控系統(tǒng)中存在的科學問題，本文以滿足低時延的應(yīng)用需求為目標，研究了水壩灌區(qū)視頻監(jiān)控系統(tǒng)中的云邊協(xié)同計算卸載技術(shù)，主要貢獻如下。

1）針對水壩灌區(qū)地理環(huán)境問題，提出了云邊協(xié)同的計算卸載模型。區(qū)域公司作為云中心，監(jiān)測站點作為邊緣節(jié)點，是部署在離生產(chǎn)設(shè)備較近的輕量級開放平臺，并在區(qū)域公司集控側(cè)部署遠程集控平臺來實現(xiàn)基于需求的業(yè)務(wù)編排，如網(wǎng)絡(luò)資源調(diào)配、計算資源編排等。

2）針對計算資源分配不均和系統(tǒng)高時效性的問題，提出了基于SAGTSA（Simulated-annealingbased Adaptive Genetic Taboo Search Algorithm）算法的計算卸載方法，使集控側(cè)的遠程集控平臺能夠選取最佳的卸載決策。

2 相關(guān)工作

近年來，業(yè)界提出很多有效的云邊協(xié)同的計算卸載方法來降低系統(tǒng)時延。如文獻［9］提出一種隨機調(diào)度算法和捎帶式數(shù)據(jù)重部署策略，以實現(xiàn)降低跨域作業(yè)的平均時延為優(yōu)化目標，基于資源異構(gòu)性計算出系統(tǒng)偏好，并以此偏好調(diào)度每個計算任務(wù)，但不足之處在于要求數(shù)據(jù)沒有相關(guān)性。文獻［10］提出一種基于集中控制的資源調(diào)度算法，在已選擇的節(jié)點間采取集中控制的方法來降低端到端的時間延遲，但不足之處是只能選擇少量的節(jié)點作為邊緣節(jié)點。文獻［11］提出了一種改進的粒子群算法，以實現(xiàn)低時延、低能耗的最優(yōu)計算卸載方案為目標，但不足之處是基于信譽值的方法有一定的局限性。文獻［12］提出一種人工魚群算法，使得系統(tǒng)總時延降低，但缺點是只能以一定低概率跳出局部最優(yōu)解。在不同業(yè)務(wù)場景下，針對移動增強現(xiàn)實應(yīng)用場景，文獻［13］中，以優(yōu)化多用戶多任務(wù)的應(yīng)用調(diào)度問題為目標，提出一種有效的調(diào)度算法，但要求每個應(yīng)用程序要被建模為一個相互依賴的任務(wù)鏈。在移動邊緣計算網(wǎng)絡(luò)中，文獻［14］以降低所有終端延遲為目標，研究了協(xié)同計算卸載、計算和通信資源分配方案，并提出了基于管道的卸載方案，但不足之處在于要求終端要具備計算能力。文獻［16］提出一種基于海洋多節(jié)點協(xié)同卸載的遺傳算法，通過優(yōu)化改進染色體編碼方式和適應(yīng)度函數(shù)，使用戶在滿足能耗約束的同時有效地降低時延，但不足之處在于跳出局部最優(yōu)解的能力偏低。文獻［6］針對電力物聯(lián)網(wǎng)應(yīng)用場景，以優(yōu)化系統(tǒng)時延為目標，基于任務(wù)的數(shù)據(jù)量和邊云計算資源分配，選擇優(yōu)化的云邊任務(wù)分割比率，但不足之處在于沒有考慮云中心計算資源不足的情況。

目前，云邊協(xié)同的計算卸載研究主要都以減少終端的時延和能耗為目標，對邊緣節(jié)點到云中心這部分的計算卸載優(yōu)化研究很少。本文構(gòu)建了一種基于云邊協(xié)同的水庫大壩視頻監(jiān)控系統(tǒng)，不同于上述方法，本文主要優(yōu)化邊緣節(jié)點到云計算中心這一部分的系統(tǒng)卸載時延，不需要對數(shù)據(jù)進行預處理，且是以任務(wù)為單位做出分割，對數(shù)據(jù)相關(guān)性沒有要求。與此同時，在文獻［6］的研究基礎(chǔ)上，考慮了邊遠地區(qū)云服務(wù)器計算力不足的情況，并在區(qū)域公司集控側(cè)遠程集控平臺來實現(xiàn)業(yè)務(wù)編排管理，所用算法通過對染色體編碼方式和基于模擬退火算法的更新機制進行改進，并添加了基于TS的存儲機制，來對邊緣節(jié)點收到的任務(wù)選擇最佳的卸載策略和節(jié)點資源分配，以獲得最優(yōu)的系統(tǒng)時延。

3 系統(tǒng)模型

3.1 問題描述與分析

本文構(gòu)建一個云邊協(xié)同架構(gòu)水庫大壩視頻監(jiān)控系統(tǒng)基本模型，如圖1所示，主要由區(qū)域公司大數(shù)據(jù)云平臺、區(qū)域公司集控側(cè)遠程集控平臺與區(qū)域站點視頻監(jiān)控系統(tǒng)三大部分組成。

圖1 基于云邊協(xié)同架構(gòu)的水庫大壩視頻監(jiān)控系統(tǒng)模型

區(qū)域公司大數(shù)據(jù)云平臺部署了高性能服務(wù)器集群和數(shù)據(jù)庫。在本文的云邊協(xié)同架構(gòu)中，云服務(wù)器始終作為整個系統(tǒng)計算和存儲的中心，能夠?qū)崟r處理區(qū)域監(jiān)測站點上傳的任務(wù)。

區(qū)域公司集控側(cè)部署了遠程集控平臺，能夠?qū)崿F(xiàn)基于需求的業(yè)務(wù)編排和網(wǎng)絡(luò)資源調(diào)配。將SAGTSA算法部署在中央控制器上，對于邊緣節(jié)點接收的任務(wù)進行業(yè)務(wù)編排，將一部分任務(wù)留在邊緣節(jié)點，一部分加載至區(qū)域公司云平臺進行處理。

區(qū)域監(jiān)測站點視頻監(jiān)控系統(tǒng)作為整個云邊協(xié)同架構(gòu)中的邊緣層，是部署在距離監(jiān)測設(shè)備較近且是以數(shù)據(jù)中心為核心的輕量級分布式開放平臺，能夠為業(yè)務(wù)間的協(xié)同提供支撐。

3.2 卸載模型

3.2.1 云邊協(xié)同計算卸載場景概述

針對圖1所示的用于水庫大壩視頻監(jiān)控業(yè)務(wù)的云邊協(xié)同架構(gòu)模型，本文采用的云邊協(xié)同機損卸載模型如圖2所示，其中包含一個云中心和J個邊緣節(jié)點的邊緣層。在邊緣層中，每個邊緣節(jié)點都配有服務(wù)器，且針對不同區(qū)域的地形和通信條件都具備不同的計算能力。與此同時，我們假設(shè)感知層的終端設(shè)備將任務(wù)上傳至邊緣節(jié)點，依據(jù)部署在邊緣節(jié)點的卸載決策結(jié)果執(zhí)行任務(wù)，使邊緣節(jié)點中收到的任務(wù)一部分上傳到云管理中心處理，其余部分留在邊緣節(jié)點進行處理。

圖2 云邊協(xié)同計算卸載模型

假設(shè)同一時間內(nèi)系統(tǒng)有J個邊緣云覆蓋范圍下的能夠參與計算調(diào)度的邊緣節(jié)點的集合；Dj，i表示邊緣節(jié)點j收到的第i個任務(wù)的數(shù)據(jù)量大小。設(shè)邊緣節(jié)點j同時收到Ij個任務(wù)，根據(jù)卸載策略，其中一部分留在邊緣節(jié)點完成，其余任務(wù)加載至云中心進行處理，其中?i∈Ij，Ij={1，2，…，Nj}，j∈J。

一般而言，邊緣節(jié)點具備獨立的通信模塊和計算模塊，所以邊緣節(jié)點可以計算任務(wù)，與此同時，通信模塊可以將任務(wù)傳輸至云中心進行處理。為了簡化且不失一般性的求解，本文將Bj設(shè)置為每個邊緣節(jié)點到云中心的帶寬。在視頻監(jiān)控系統(tǒng)中，任務(wù)的計算結(jié)果足夠小，因此下行鏈路的傳輸時延可以忽略。此外，本方案主要面向的是大壩實時監(jiān)控流，實時性要求比較高，其能耗問題忽略不計。

3.2.2 云邊協(xié)同計算卸載時延分析

當任務(wù)采用邊緣節(jié)點計算執(zhí)行（即Xi=1時），那么任務(wù)在邊緣節(jié)點產(chǎn)生的計算時延為

其中，Xj，i表示卸載策略，邊緣節(jié)點j的任務(wù)i的卸載策略，“1”和“0”分別表示任務(wù)留在邊緣節(jié)點和加載至“云管理中心”處理。αj，i邊緣節(jié)點j分配給任務(wù)i的計算能力占比，Dj，i表示邊緣節(jié)點j上任務(wù)i的數(shù)據(jù)量大小，fjedge表示邊緣節(jié)點j服務(wù)器的計算能力（CPU cycles/s）。

當任務(wù)采用云中心計算執(zhí)行（即Xj，i=0時），任務(wù)在云中心產(chǎn)生的計算時延：

其中，βj，i表示云中心分配給邊緣節(jié)點j的任務(wù)i的計算能力占比，fcore云管理中心服務(wù)器的計算能力（CPU cycles/s）。

關(guān)于任務(wù)產(chǎn)生的傳輸時延，若直接卸載到云計算中心，則時延為

其中，Bj邊緣節(jié)點j到云中心的帶寬。

若經(jīng)邊緣節(jié)點處理后再將結(jié)果上傳到云中心，則時延為

其中Zj，i表示邊緣節(jié)點j的第i個任務(wù)處理后，輸出數(shù)據(jù)對輸入數(shù)據(jù)的壓縮率。

那么傳輸時延為

其中，Pj，i=1-Zj，i。

當任務(wù)數(shù)過多，云中心計算力會有些不足，則相應(yīng)產(chǎn)生等候時延：

卸載到云中心的時延應(yīng)為計算時延、傳輸時延與排隊等候時延之和，即為

綜上，完成單個任務(wù)所產(chǎn)生的時延為

則整個視頻監(jiān)控系統(tǒng)的時延優(yōu)化問題可描述為P1：

其中，目標函數(shù)中的λj，i為權(quán)重。C1是對邊緣節(jié)點j分配給任務(wù)i的計算能力占比αj，i的約束，C2是云中心分配給邊緣節(jié)點j的任務(wù)i的計算能力占比βj，i的約束，C3是對任務(wù)時延權(quán)重λj，i的約束，C4是對卸載決策Xj，i的約束。為簡化求解，我們假設(shè)以下分析中所有的任務(wù)的時延權(quán)重都是相同的。

4 基于SAGTSA的云邊協(xié)同計算卸載方法

為解決水庫大壩云邊協(xié)同機制下視頻監(jiān)控系統(tǒng)業(yè)務(wù)時延優(yōu)化問題，本文采用了一種基于SAGTSA（Simulated-annealing-based Adaptive Genetic Taboo Search Algorithm）的云邊協(xié)同計算卸載方法。針對傳統(tǒng)遺傳算法過早收斂的問題，本文的SAGTSA算法通過充分結(jié)合了模擬退火算法的全局收斂性和適應(yīng)性，以及禁忌搜索策略所具備的較強的攀爬能力和較高的效率，具有較強的收斂性和適應(yīng)性。具體地，優(yōu)化與改進了染色體編碼方式、解的更新機制和自適應(yīng)交叉概率以及自適應(yīng)變異概率［15］，使得系統(tǒng)尋找到最優(yōu)計算卸載策略并提升系統(tǒng)時延有效性。

4.1 編碼規(guī)則與適應(yīng)度函數(shù)

在對優(yōu)化變量進行編碼時，由于采用邊緣節(jié)點與云中心計算節(jié)點協(xié)同處理數(shù)據(jù)的計算卸載策略；因此首先需要對每個任務(wù)與其所在的邊緣節(jié)點與云中心的計算能力分配比例進行編號，之后在每條染色體上用二進制編碼的方式表示出來。若J個邊緣節(jié)點共收到N個任務(wù)，其中，任務(wù)上傳到的邊云計算節(jié)點編號用計算卸載決策XN表示，且計算能力分配比例邊云計算資源分配比例αN、βN表示。具體編碼過程如圖3所示，x1～xn，α1～αn，β1～βn分別表示任務(wù)計算卸載決策和對應(yīng)邊緣節(jié)點與云中心計算資源分配比例。在本文中，假設(shè)種群數(shù)量為S，A1，A2，…，Ai表示在當前種群中每個可能存在的解，個體i的適應(yīng)度為，本文的選擇操作采用fitness(Ai)輪盤賭的選擇方式，個體被選中的概率為如式（10）：

圖3 優(yōu)化變量編碼圖

其中適應(yīng)度函數(shù)如式（11）所示：

4.2 自適應(yīng)遺傳算子

傳統(tǒng)遺傳算法的交叉概率和變異概率均為固定值。在演化過程中，很容易陷入局部最優(yōu)狀態(tài)。根據(jù)種群的適應(yīng)度值對交叉概率和突變概率進行自適應(yīng)調(diào)整，有利于算法跳出局部最優(yōu)值。自適應(yīng)的交叉概率PJ和變異概率Pm分別為

4.3 基于SA的更新機制與基于TS的存儲機制

在進行交叉操作和變異操作后，根據(jù)玻爾茲曼機制，接受新染色體的概率如式（14）所示：

tg為第g次迭代中當前溫度。

此外，算法通過設(shè)置禁忌表，避免了對局部最優(yōu)解的重復搜索，并通過設(shè)置“大赦免標準”來確保搜索過程的多樣性。

4.4 SAGTSA算法步驟

下面將具體介紹應(yīng)用SAGTSA算法求解水庫大壩時延優(yōu)化問題的過程。

每條染色體表示一種計算卸載策略Ai包括卸載決策XN邊緣節(jié)點與云中心計算能力分配比例αN、βN。此外，計算卸載策略Ai交叉變異前后的適應(yīng)度可分別用fitness(Ai)與fitnessn(Ai)表示，具體步驟如下：

輸入：邊緣計算節(jié)點計算能力fjedge、計算能力fcore、任務(wù)數(shù)量N、邊緣節(jié)點j到云管理中心的帶寬Bj、經(jīng)邊緣節(jié)點j的第i個任務(wù)處理后輸出數(shù)據(jù)對輸入數(shù)據(jù)的壓縮率Zj，i和任務(wù)數(shù)據(jù)量Dj，i。

輸出：最優(yōu)計算卸載決策XN、邊云計算資源分配比例αN、βN表示、計算卸載策略對應(yīng)時延tj，i(Ai)。

步驟1（參數(shù)設(shè)置）：設(shè)置染色體數(shù)量S、最大迭代次數(shù)G、卸載策初始交叉概率PJ0、變異操作的初始概率Pm0，初始溫度tg=t0，冷卻率ε，禁忌表長度L并設(shè)置禁忌表為空。每次迭代不同的計算卸載策略數(shù)目；

步驟2（種群初始化）：根據(jù)式（10）得出每種計算卸載策略對應(yīng)的染色體的適應(yīng)度。

步驟3（選擇操作）：將本次迭代中所有可能的計算卸載策略按照其概率Pi（可根據(jù)式（9）計算每種計算卸載策略的選擇概率）大小進行累加排序。如果Pi＞Pr（與本次迭代染色體數(shù)目相同0-1之間的隨機數(shù)Pr，在排序時均勻產(chǎn)生），那么就選擇該計算卸載策略進行后續(xù)操作，持續(xù)此選擇操作直到能夠選出足夠數(shù)量的計算卸載策略，并根據(jù)輪盤賭的方法選出最優(yōu)解。

步驟4（終止條件判斷）：判斷是否滿足終止條件，滿足則終止算法，輸出最優(yōu)計算卸載策略Ai及系統(tǒng)對應(yīng)時延，否則進行步驟5。

步驟5（交叉操作）：每次將兩個卸載策略分為一組，根據(jù)概率PJ令這兩種卸載策略進行交叉操作來產(chǎn)生新的計算卸載策略，根據(jù)玻爾茲曼機制判斷是否接受新的染色體。

步驟6（變異操作）：在每種計算卸載策略的三個點位上以概率Pm來進行變異操作，并根據(jù)玻爾茲曼機制判斷是否接受新的染色體。

步驟7（更新禁忌表）：將已經(jīng)選擇的最優(yōu)解放入禁忌表避免被重復選擇。

步驟8（收斂性判斷）：如果滿足收斂條件則執(zhí)行步驟7，否則降低溫度并返回步驟3。并選擇出適應(yīng)度值最小的計算卸載策略Ai并終止循環(huán)。

步驟9（確定候選解）：將當前解作為TS算法的初始解，生成當前解的鄰域，并從該鄰域中確定候選解。

步驟10（判斷是否滿足大赦準則）：判斷候選解是否滿足大赦準則，如果滿足，則以候選解作為當前最優(yōu)解，更新表和當前狀態(tài)，返回步驟3，否則執(zhí)行下一個操作。

步驟11：選擇最優(yōu)解作為當前解，然后返回到步驟3。

5 仿真與分析

根據(jù)水庫大壩云邊協(xié)同計算卸載模型，本文采用Matlab2019軟件模擬了在水庫大壩業(yè)務(wù)應(yīng)用背景下邊緣節(jié)點和云中心協(xié)同處理多個計算任務(wù)的網(wǎng)絡(luò)場景［15］。設(shè)邊緣節(jié)點數(shù)為J=6，每個節(jié)點任務(wù)數(shù)為10。其他仿真參數(shù)由表1所示。我們設(shè)置迭代次數(shù)G=100，這是由于SAGTSA算法經(jīng)過多次實驗驗證發(fā)現(xiàn)其在迭代100次以內(nèi)均可實現(xiàn)穩(wěn)定收斂。SAGTSA算法中種群數(shù)量S=70，染色體的初始交叉概率為PJ0=0.6，初始變異概率為Pm0=0.07，變異點數(shù)目為3。禁忌表長度L=5，冷卻率ε=0.98。

表1 主要仿真參數(shù)

本文對系統(tǒng)時延隨邊緣節(jié)點任務(wù)數(shù)的變化做出了仿真實驗與分析，并為突出本文云邊協(xié)同方案的優(yōu)越性，找到三個對比方案，分別為：1）僅邊方案（Only Edge Computation Scheme，OECS）：邊緣節(jié)點收到的任務(wù)不上傳到云中心均在邊緣節(jié)點執(zhí)行，主要為信息獲取業(yè)務(wù)，簡稱OECS；2）僅云方案（Only Cloud Computation Scheme，OCCS）：邊緣節(jié)點收到的任務(wù)都不經(jīng)邊緣節(jié)點處理都上傳到云中心的服務(wù)器執(zhí)行。主要為決策分析業(yè)務(wù)和大壩壩體變形監(jiān)測業(yè)務(wù)等，簡稱OCCS；3）隨機卸載方案（Random Unloading Scheme，RUS）：邊緣節(jié)點收到的任務(wù)隨機上傳至云中心或留在邊緣節(jié)點進行處理，渠道站點視頻監(jiān)控業(yè)務(wù)為主。

本文對SAGTSA算法在邊緣節(jié)點收到不同任務(wù)數(shù)的情況下的所得到的迭代收斂效果進行了驗證分析，如圖4所示，以證實在有限的迭代次數(shù)內(nèi)SAGTSA算法能夠?qū)崿F(xiàn)穩(wěn)定收斂。圖4中，SAGTSA算法在邊緣節(jié)點收到不同任務(wù)數(shù)的情況下得到的系統(tǒng)執(zhí)行時延隨著迭代次數(shù)的逐漸增大逐漸減小，除了一部分情況在迭代100次以內(nèi)實現(xiàn)穩(wěn)定收斂以外，大部分大約在迭代30次時均可實現(xiàn)其對應(yīng)情況下的實現(xiàn)穩(wěn)定收斂并得到其對應(yīng)計算卸載最優(yōu)解。經(jīng)過仿真分析，可以看出SAGTSA算法的運算量較低，并且其在邊緣節(jié)點收到不同的任務(wù)數(shù)的情況下都能實現(xiàn)在有限迭代次數(shù)內(nèi)的達到速度較快的穩(wěn)定收斂的指標。

圖4 SAGTSA算法迭代收斂

如圖5，方案OECS中，仿真發(fā)現(xiàn)當實驗中每個邊緣節(jié)點收到的任務(wù)數(shù)增加時，系統(tǒng)時延也隨之增加，這是由于OECS僅依賴于邊緣節(jié)點的計算資源，在增加任務(wù)數(shù)而節(jié)點數(shù)量不變的情況下，每個任務(wù)分配到的計算資源相對減少。

圖5 不同卸載策略對系統(tǒng)時延的影響

方案OCCS中，實驗中當回程通信能力固定時，同理，由于方案OCCS依賴于云中心的計算能力，系統(tǒng)時延隨節(jié)點任務(wù)數(shù)增加（此時單個任務(wù)分到的計算資源減少）而增加。但當節(jié)點收到的任務(wù)數(shù)增加時，由于云中心計算能力遠大于單個邊緣節(jié)點，方案OCCS相較方案OECS而言影響較小，云中心計算資源遠大于單個邊緣節(jié)點計算資源。在方案RUS中，相較于前兩種方案其具有更好的系統(tǒng)時效性。但隨著節(jié)點任務(wù)數(shù)的增多邊云各自需要處理的任務(wù)也會較多。此時并行處理的優(yōu)勢降低，其系統(tǒng)時延趨勢逐漸趨向方案OCCS。而本文提出的云邊協(xié)同方案克服了隨機策略的缺陷，其可根據(jù)節(jié)點任務(wù)數(shù)和邊云計算資源等參數(shù)自適應(yīng)做出卸載決策，相較前三種方案有更低的系統(tǒng)時延。

此外，為突出本文SAGTSA算法的收斂效果，本文與三個經(jīng)典傳統(tǒng)算法做出效果對比，分別為：1）GA優(yōu)化［15］（Genetic Algorithm Optimization）：將傳統(tǒng)遺傳算法應(yīng)用到云邊協(xié)同計算卸載策略中，簡稱GA；2）AFSA優(yōu)化（Artificial Fish Swarm Algorithm Optimization）：將文獻［12］傳統(tǒng)人工魚群算法應(yīng)用到云邊協(xié)同計算卸載策略中，簡稱AFSA；3）PSO方案（Particle Swarm Optimization）：將文獻［16～17］中粒子群優(yōu)化算法應(yīng)用到視頻監(jiān)控系統(tǒng)的云邊協(xié)同計算卸載策略中，簡稱PSO。

圖6～圖8是SAGTSA與其他算法之間優(yōu)化效果對比。圖7進一步驗證了當J=6，任務(wù)數(shù)為10，Dj，i=500KB時的迭代收斂情況。隨著迭代次數(shù)的增加，四種算法的平均適應(yīng)度值均不同程度地增加，本文的SAGTSA算法對應(yīng)的適應(yīng)度值最高。這主要是由于SAGTSA算法結(jié)合模擬退火算法和禁忌搜索策略對傳統(tǒng)GA算法進行了改進，使得其能跳出局部最優(yōu)解的能力增強。其他方案由于參數(shù)相對固定，跳出局部最優(yōu)解的能力有限。圖7驗證了不同算法隨任務(wù)數(shù)的變化對時延的影響，可以看出隨任務(wù)數(shù)的增加，各個算法產(chǎn)生的系統(tǒng)時延也隨之增加，而本文的SAGTSA算法明顯優(yōu)于其他算法。圖8中，驗證了在任務(wù)數(shù)為5，J=6時，隨節(jié)點輸入數(shù)據(jù)量的變化任務(wù)平均時延的變化?？梢钥闯?，隨數(shù)據(jù)量的增加，各個算法得出的任務(wù)平均時延均不同程度的增加，本文的SAGTSA算法在尋優(yōu)方面體現(xiàn)了較強的優(yōu)越性。

圖6 不同算法間的迭代性能比較

圖7 不同算法隨任務(wù)數(shù)的變化對時延的影響

圖8 隨節(jié)點輸入數(shù)據(jù)量任務(wù)平均時延的變化

6 結(jié)語

本文提出了一種在云邊協(xié)同架構(gòu)下水庫大壩優(yōu)化系統(tǒng)時延的方法，通過部署在區(qū)域公司集控側(cè)的SAGTSA算法對邊緣節(jié)點收到的任務(wù)進行卸載決策，利用邊云協(xié)同處理來減小任務(wù)的計算時延，將一部分任務(wù)留在邊緣節(jié)點處理，剩余的任務(wù)全部上傳至云中心處理，仿真結(jié)果證明此方案使系統(tǒng)具有較高的系統(tǒng)時效性。