基于移动边缘计算的分布式光纤传感电缆隧道数据传输优化方法

孙宏彬 杨松

摘 要：移动边缘计算（MEC）和无线传输的结合已经成为研究热点。现结合物联网（IoT）技术和MEC技术，构建了分布式光纤传感电缆隧道数据传输系统框架。依据此模型提出了一种基于MEC的数据传输技术，根据系统传输线传感器和系统环境中不断变化的任务，可以最大程度地减少系统消耗的能量。实验结果表明，该算法具有良好的效果。

关键词：移动边缘计算;电缆隧道;物联网

0 引言

随着物联网技术的发展，现有的通信网络可以收集、传输和处理大量的传感器数据。面向分布式光纤传感电缆隧道安装相应的传感物联网设备[1]，传输监控系统可以实时监测响应设备危害[2]。现有的分组无线业务（GPRS）、4G通信方法仍存在很多问题，对于特定的现场环境，受到通信限制，无法实时检测设备运行状态[3-4]。移动边缘计算（MEC）是一种新兴技术，它将云计算服务扩展到利用移动基站的网络边缘[5]，通过使用位于用户附近网络边缘的软件和硬件平台，MEC技术可以应用于移动、无线甚至有线场景，从而减少数据的回程延迟时间，特别适用于传输大量数据[6-7]。

将IoT节点的计算任务卸载到MEC服务器，高度依赖无线数据传输的速度和效率。一些对延迟敏感的节点在数据传输中有严格的时间延迟要求[8]，这就要求MEC服务器能有效管理计算任务所需的无线通信资源和计算资源。大多数物联网节点能源供应不稳定，同时处理的计算任务随机多样。

电缆隧道线有几十公里或更长，跨越不同的气候区域，工作环境极为恶劣。监视对象之间的物理空间很大，电源和通信问题突出[9]。目前具有小数据海量监控功能的传输线物联网应用十分广泛。随着电力IoT节点或传感器节点的连接数量增加，MEC服务器的计算能力和基站的无线通道也在不断变化。因此，对于泛在电力IoT节点，边缘计算多任务的随机适应无线信道模型有着重要意义。

1 系统模型

传输线的IoT架构通过三层架构实现，包括传输线层、移动边缘计算层和云计算层。基于MEC的物联网传感器数据卸载传输线体系结构如图1所示。传输线层包括传输线、塔架和各种传感器。边缘计算层包括MEC服务器和基站，其中基站负责与传输线层的传感器通信。云计算层包括一个大型服务器集群和一个宏基站，该宏基站接受并处理来自移动边缘计算服务器的数据，可以收集通过无线通信的传感器数据并将其卸载到MEC服务器，然后MEC通过卫星通信或有线通信网络将海量数据返回，以解决山区成为信号盲区的问题。

2 基于移动边缘计算的数据传输优化方法

定义gn，k（t）为将计算任务转移给MEC服务器k的传输线传感器n的信道增益。根据香农定理，传感器n将计算任务卸载到MEC服务器k的上行速率为：

rn（t）=Bklog21+（1）

式中，Pn，k（t）是MEC服务器k到传感器n的发射功率;σk 2是复数高斯白噪声;Bk是上行链路信道传输带宽。

类似地，MEC服务器k将计算任务卸载到云服务器m的速率rk（t）可以写为：

rk（t）=Bmlog21+（2）

考虑到部分卸载，可以将任务分为任意大小的两个部分，以在传感器设备和移动边缘服务器上并行执行。因此，任务的计算模型包括本地执行模型和卸载执行模型。以下描述以在移动设备n（传感器n）上执行任务k（MEC k）为例。假设移动设备n在时隙t处要执行的任务的大小为Sn（t），卸載任务的比率为τn。

对于本地执行，移动设备n的CPU时钟频率用fn表示。因此，可以通过以下方式获得本地执行的时间消耗：

Tn=（3）

其中，计算周期的能耗取决于芯片结构的有效开关电容，因此本地执行的总功耗可写为：

En（t）=kfn 2Sn（t）（4）

式中，k是芯片结构的有效开关电容。

由于MEC服务器的计算能力比较强，因此将计算任务卸载到MEC服务器的执行时间可以忽略不计。根据任务模型的定义，不考虑将结果从MEC传输到传感器设备的回程时间。

根据以上假设，执行期间MEC服务器的能耗来自无线传输，即传感器设备将数据卸载到MEC服务器过程中的能耗。计算卸载的比例取决于传输功率和信道状态。假设传输功率和信道状态在时隙t内是稳定的，忽略MEC服务器的计算时间和输出结果的回程时间。MEC服务器的执行时间等于卸载数据的传输时间，可以写成：

Tk=（5）

移动设备n在MEC服务器中执行时的能耗也是计算卸载时的能耗，可以写成：

Ek（t）=Pn，k（t）Tk （6）

为了使MEC系统控制区域中的所有传感器设备和MEC服务器消耗的能量最小化。当在每个时隙t内将计算任务卸载到MEC服务器时，需要共同调整计算任务卸载的比例和发射功率的大小。

P1：E（τ，p）=Ek（t）+En（t）（7）

s.t. 0≤τn≤1（8）

0≤Pk，n≤Pmax，0≤Pk，m≤Pmax（9）

Tn≤Tmax，Tk≤Tmax（10）

其中，式（8）表示传感器任务节点被卸载到MEC服务器的概率在0～1。式（9）表示传感器任务节点n分配的功率不能超过限制要求。式（10）表示对MEC的本地执行和卸载不能超过最大延迟限制。

通过结合乘数交替方向法（ADMM）和非线性分数编程，给出了能耗最小化算法。首先，将非凸联合优化问题转换为凸全局共识问题，可以将其与每个传感器节点分离。然后，通过顺序求解n个并行子问题，通过交替变化方向来执行迭代优化。具体算法描述如下：

Step 1：初始参数：τn，pn，Pmax，Tmax，set k=1，t=1，n=1。

Step 2：重置所有传感器的卸载速率和功率。

Step 3：set t=1，使用ADMM更新参数。

Step 4：Update t←t+1，while t≤Tmax to Step 3;

Step 5：Update {t，t}←{n，n};

Step 6：Update n←n+1， while n≤N to Step 3;

Step 7：OUTPUT n，n;

Step 8：Update k←k+1，while k≤K to Step 2。

3 实验分析

仿真结果用于验证所提出的方案在功耗最小化目标下共同优化卸载速率和传输功率的优势，并评估所提出算法的性能。仿真模拟是使用PyOpt的Python编写的，PyOpt是用于解决非线性约束优化问题的Python工具包。

传输线和MEC服务器共有3个，即k=3。每条传输线上的传感器数量为7，即n=7。传感器总数为21。最大CPU频率在1～2 GHz范围内均匀分布。对于移动边缘执行模型，将噪声功率设置为σ2=10-9 W，系统带宽为=1 MHz。将传输线上每个传感器节点的最大传输功率设置为Pmax=2 W。

为了验证所提算法的性能，分别将所提算法与算法1和算法2进行了比较。Algorithm1仅由本地处理命名的本地处理器处理。仅将算法2卸载到MEC服务器进行处理，仅由MEC处理命名。表1显示了能耗与任务输入大小之间的关系。

从表1结果可以看出，无论采用哪种优化方法，能耗都随着任务规模的增加而增加，但本文提出的联合优化方案优于其他两种优化方案。特别是所提出的算法不仅具有最小的能量消耗，而且在任务更大时具有最低的能量减少速率，这表明所提出的算法具有适应更大计算任务的能力。

4 结语

基于移动边缘计算的分布式光纤传感电缆隧道数据传输优化是依据IoT技术设计模型，并充分利用MEC来实现传输线的智能在线监控，提出一种基于MEC的传输线能量最小化方法。仿真结果表明，本文所提算法可以有效改善电缆隧道数据传输系统的能耗，并将能耗降到最低，为电缆隧道的安全运行提供了重要保障。

[参考文献]

[1] 房梁，殷丽华，郭云川，等.基于属性的访问控制关键技术研究综述[J].计算机学报，2017，40（7）：1680-1698.

[2] 邬贺铨.物联网的应用与挑战综述[J].重庆邮电大学学报（自然科学版），2010（5）：526-531.

[3] 刘建明，赵子岩，季翔.物联网技术在电力输配电系统中的研究与应用[J].物联网学报，2018，2（1）：88-102.

[4] 胡致远，杨炳炉，朱咏梅，等.输变电设备物联网在线监测系统通信网络设计[J].高电压技术，2015，41（7）：2252-2258.

[5] MAO Y Y，YOU C S，ZHANG J，et al.A survey on mobile edge computing：The communication perspective[J].IEEE Comm-

unications Surveys & Tutorials，2017，19（4）：2322-2358.

[6] KUMAR K，LIU J，LU Y H，et al.A survey of computation of floading for mobile systems[J].Mobile Netw. Appl. 2013，18（1）：129-140.

[7] LIU J，MAO Y Y，ZHANG J，et al.Delay-optimal computation task scheduling for mobile-edge computing systems[C]//2016 IEEE International Symposium on Information Theory （ISIT），2016：1451-1455.

[8] LU J，LUAN W P，LIU R L，et al.Architecture of distrib-

ution internet of things based on widespread sensing & software defined technology[J].Power System Technology，2018，42（10）：3108-3115.

[9] 沈鑫，曹敏，薛武，等.基于物聯网技术的输变电设备智能在线监测研究及应用[J].南方电网技术，2016，10（1）：32-41.

收稿日期：2019-12-25

作者简介：孙宏彬（1969—），男，吉林四平人，博士，研究方向：电气自动化、计算机应用。