基于边缘计算的5G云网络架构计算卸载策略研究

郑忠斌 熊增薪

摘 要：针对传统云计算架构无法满足工业物联网对低业务时延的要求，本研究引入MEC技术，提出一种基于工业物联网的分布式云边缘计算（CE-IIoT）网络架构，以实现分布式处理工业物联网业务。然后，建立了CE-IIoT中业务响应时延模型，提出基于RCGA-CO算法的计算任务卸载策略，以实现降低工业物联网业务响应时延。最后，通过仿真实验证明了，相较于GreedyLB算法，本研究提出的基于RCGA-CO算法计算任务卸载策略的业务平均响应时延最低，且在故障情况下，该策略可有效保证业务处理的可靠性。

关键词：边缘计算;MEC设备;RCGA-CO;工业机器人

中图分类号：TN929.5 文献标识码：A 文章编号：1001-5922（2021）08-0097-05

Research on Computing Offloading Strategy of 5G Cloud Network Architecture Based on Edge Computing

Zheng Zhongbin， Xiong Zengxin

（Industrial Internet Innovation Center （Shanghai） Co.， Ltd.， Shanghai 201306， China）

Abstract：Traditional cloud computing architecture can not meet the requirements of industrial Internet of things for low service delay， this paper introduces MEC technology， and proposes a distributed cloud edge computing （CE iiot） network architecture based on industrial Internet of things to process industrial Internet of things business distributed. Then， the service response delay model in CE-IIoT is established， and the computing task unloading strategy based on RCGA-CO algorithm is proposed to further reduce the service response delay of industrial Internet of things. Finally， the simulation results show that the average response delay of the task unloading strategy based on RCGA-CO algorithm is the lowest， and in case of failure， the strategy can effectively guarantee the reliability of service processing.

Key words：edge computing; MEC equipment; RCGA-CO; industrial robot

早期工業物联网中，常采用云计算技术处理大量的IIoT数据，但由于工业物联网的特殊网络架构，云计算平台往往部署在距离工业终端较远的地方，因此容易导致业务处理时延较长，影响用户体验。加之现代工业终端随着设备的增多，会产生巨大的生产数据量。过量的数据量容易导致设备或连接设备之间的链路发生故障，进而导致业务无法完成。因此，从整体上来看，基于云计算技术的工业物联网可靠性较差，故本研究在云计算技术基础上，提出基于工业物联网的分布式云边缘计算（CE-IIoT）网络结构，并提出一种任务重传再分配的计算任务卸载策略，以降低业务响应时延。

1 基于工业物联网的CE-IIoT 网络架构

考虑云计算在工业物联网中的低服务时延，本研究应用 MEC 技术构建了基于工业物联网的CE-IIoT 网络架构，以降低应用的时延，提高业务的可靠性。具体 CE-IIoT 网络架构如图1所示。

由图1可知，CE-IIoT 的网络结构主要包括基础设施层、边缘计算层、云服务层。其中，基础设施层是整个CE-IIoT网络结构的基础，由生产设备、无线传感器节点、传送系统、用户及智能终端等组成，基本功能是采集数据并执行相关的生产任务;边缘计算层是CE-IIoT网络的核心部分，主要功能是实现基础设施层与云服务层的信息交互，处理来自基础设施层的信息并上传重要和有价值的生产信息至云服务层进行存储;云服务层主要负责整合和存储边缘计算层上传的数据信息，实现信息共享。

2 CE-IIoT 架构业务平均响应时延模型

2.1 CE-IIoT 架构网络拓扑结构

为更好地分析 CE-IIoT 架构业务平均响应时延，本研究根据CE-IIoT网络架构，将其网络拓扑结构进行了一定程度的简化，得到如图2所示的CE-IIoT网络的抽象带权无向图。

图2中，C表示云服务器，同时也是一个计算节点，其计算能力表示为Cc;v1、v2、v3、vk表示MEC设备;vi，vj表示MEC设备之间的通信链路;Wvi;vj表示vi，vj之间的通信时延Cvi表示vi的计算能力。

2.2 故障情况下架构的平均响应时延模型

实际CE-IIoT网络应用中，考虑MEC设备本身可能出现故障，以及MEC设备之间可能出现链路中断的情况，因此分析当MEC设备出现故障时的业务可靠性。

定义 CE-IIoT 网络结构中，MEC设备在发生故障时仍然能够进行业务处理，且故障对业务的响应时延较小。设MEC设备上任务失败的概率为Pi，当MEC设备出现故障时，若没有容错机制，则任务失败的概率为100%，系统的可靠性为0。为使MEC设备在出现故障时仍然能够继续处理任务，本研究提出一种在设备故障状态下可重新分配的计算任务卸载策略。

设其中一个MEC设备损坏，应用计算任务卸载策略可将故障MEC设备的待任务分配给正常工作的MEC设备，并重新传送至云服务器进行处理。应用该策略，保证了某一MEC设备在出现故障时，任务仍可以及时准确地完成，进而确保了系统的可靠性，同时降低了故障下业务的响应时延。在该策略下，CE-IIoT的业务响应平均时延ta可表示为：

式（1）中，表示所有MEC设备的集合，V'表示正常MEC设备的集合，V—V'为故障MEC设备的集合。Pn、pi表示任务在故障MEC设备上没有被成功处理的概率。满足约束条件：

设MEC设备完成一项任务的时间为tout，在tout时间内，若主MEC设备没有收到设备的任务处理结果，则判定该MEC设备发生了故障，即。此时，主MEC设备vj将会把故障MEC设备的任务重新分配给其他MEC设备，标记重新分配后的任务表示为D'i，D'c并将其上传至云服务器执行分布式运算。最后，将任务处理结果发送到工业终端。

3 模型求解

故障状态下，MEC设备最优计算任务卸载策略即对式（2）进行最优求解，本研究采用实数编码遗传算法（RCGA-CO）求解该式。RCGA-CO 算法是对传统遗传算法的改进，通过利用浮点数替代染色体，实现对求解最优解。本研究中，MEC设备及云服务器上的任务均为浮点数，因此实数编码遗传算法十分适用。

由于本研究中的优化问题均为带约束的问题，故设计RCGA-CO算法的适应度函数为：

式（3）中，h表示惩罚因子，S表示搜索空间，F表示S中的可行域，S?F即为不可行域。T（X）表示可行个体的约束违背值，tj（ X ）为非可行个体对第j约束的约束违背值，x（ X;g ）表示在算法执行到第g代对于非可行个体的附加启发值，tj（ X ）和x（ X;g ）的表达式分别为：

式（4）中， Worst（g） 表示算法迭代次数为g是拥有最大适应度值的可行个体，其表达式为：

RCGA-CO算法中，首先确定每个个体Xi的長度为k+1，并进行初始化，得到新个体Xi={xi1;xi2;···;xi（k+1）};然后根据式（3）计算得到每个个体的适应度值;最后应用遗传算子更新种群，其具体步骤如下：

步骤1：利用锦标赛选择机制，随机选择两个个体并计算出它们的适应度函数值。然后选择保存适应度值较高的个体，淘汰适应度值较低的个体，得到新的种群。

步骤2：根据交叉概率从新种群中选择个体X1， X2，通过组合X1， X2得到新个体X1′， X2′。

步骤3：根据变异概率选择个体中的其中一个基因进行变异，得到变异个体X′i = {xi′1 xi′2 ; ··· ;xi′（k+1）}，令变异后基因xil′的取值范围为 [0，D]，则可计算：

式（6）中， g表示迭代次数;G表示最大迭代次数;b表示系统参数，取值范围为[2，5];q 表示 [0，1] 范围内均匀分布的随机数;random（0，1） 表示以等概率取值 0 和 1。

应用RCGA-CO 算法求解式 （2）中的优化问题具体方法如下：

步骤1：设定种群规模为 m，每个个体 X 的长度为k + 1，最大迭代次数为G，交叉概率pc，变异概率pm。

步骤2：初始化种群中每个染色体，得到其中，全局最优个体Gbest，局部最优个体为Lbest，它们分别的适应度值为Gf和Lf。

步骤3：应用公式（3）（4）计算得到xi的适应度值f （Xi）。

步骤4：比较f （xi）与Lf值大小，若f （xi）>Lf，则选取当前值为局部最优个体;反之，则仍以Lbest作为局部最个体。同理，比较据局部最优解适应度值与Gf 的大小，选择适应度值高的个体作为全局最优解。

步骤5：应用锦标赛选择策略选择适应度较高的个体，形成新种群。然后根据种群中的交叉概率进行交叉操作，产生新个体。最后，进行变异操作，更新种群。

步骤6：重复步骤3、4、5直至达到最大迭代次数，得到全局最优个体即最优分配方式{D1;D2;…Di;…Dk}。

4 仿真验证

4.1 参数设置

为检验RCGA-CO卸载策略可在MEC设备故障下降低业务的响应时延，提高业务的可靠性，本研究将提出的RCGA-CO算法与单个MEC设备和MEC网络实验性能进行了比较实验，验证了该算法的平均响应时延性能和故障概率对时延性能的影响。

本研究在MATLAB平台上进行仿真，并参考文献[9]，并设计边缘计算层的设备数量为4，模拟了真实网络环境中的各个MEC设备的计算能力。CE-IIoT 网络的相关参数如表1所示。

设置 RCGA-CO 算法种群大小 n 为100，最大迭代次数为200，交叉概率 pc 为0.9，变异概率pm为0.05，控制参数 worst（0） 为106。此外，将所有的工业物联网数据依照仿真设置。同时参考文献[8]，设工业机器人的实时路径所需的传输量为125kb。最后，以多次实验结果的平均值作为最终结果。

4.2 IIoT 场景中不同架构的时延性能

IIoT场景中一共有4种网络结构，分别是传统云计算结构、单个MEC设备、MEC网络架构以及文章提出的 CE-IIoT 架构。为检验基于RCGA-CO算法的CE-IIoT结构在工业物联网中的低时延性能，本研究分别以上4种结构进行了对比实验，仿真结果如图3所示。

由图3可知，随着用户数增加，云计算网络和单个MEC设备的业务响应时延明显高于MEC网络和CE-IIoT 架构的业务响应时延;随着用户数持续增大，CE-IIOT 架构的业务响应时延更明显，相较于 MEC网络能获得了更低的时延。其原因在于云计算架构和单个MEC 设备到工业终端的距离较远，传输链路较长，故其计算时延较大，导致业务响应时延较长。此外，CE-IIoT 架构的计算能力较强，因此该结构相较与MEC网络的业务时延更低。综上可得，CE-IIoT可提高工业物联网业务时延性能，提升用户体验。

4.3 IIoT 场景中RCGA-CO 算法与其他算法的时延性

能对比

为验证RCGA-CO算法在IIoT场景中的实用性，本研究对比了该算法与 FWA 以及贪婪算法（GreedyLB） 的时延优化性能。仿真实验结果如图4所示。

由图4可知，整体上FWA算法与RCGA-CO算法的时延性能高于GreedyLB算法;随着用户请求数量的增加，RCGACO 算法逐渐发挥出优势，具有最低的业务响应时延。其原因在于，RCGA-CO算法与FWA算法相比，具有选择、交叉、变异等操作，故其搜索寻优能力更强;而与GreedyLB算法相比，由于GreedyLB算法没有考虑到传输时延，因此RCGA-CO算法的时延更低。由此可得，RCGA-CO 算法在CE-IIoT架构中的业务响应时延最低。

4.3 故障状态下的平均业务响应时延

为验证CE-IIoT在不同故障下的平均业务时延，本研究对仿真实验作了如下假设：设每个 MEC设备上正常状态下不能完成任务的概率为 0.001， 0.1;故障状态下不能完成任务的概率为0.01，0.16。通过对这两种状态采用不同策略处理业务，得到图5所示的业务平均响应时延性能。

由图5可知，MEC设备发生故障或链路发生故障时，其平均响应时延均高于正常状态下的故障时延;两种故障状态下，采用不同策略对业务进行重传和再分配，可以在一定时间完成业务处理;采用重传的业务平均响应时间高于采用重传再分配策略的业务平均响应时间。其原因在于，故障状态下故障设备需要将任務重新上传分配，故业务的平均响应时延较高，但仍然能以较低的时延完成任务。由此说明，采用重传和再分配两种策略的CE-IIoT，均可向IIoT业务提供可靠的服务。

5 结语

随着通信技术的快速发展，传统的云计算结构已不能满足人们对业务处理速度的高要求。针对传统云计算结构业务相应实验长、可靠性低的问题，本研究提出基于边缘计算的5G云网络架构计算卸载策略，并进行了仿真实验，分析比较了该策略在设备正常情况和设备故障情况下网络业务时延性能。实验结果表明，该策略无论是在设备正常运行的情况下，还是在设备故障情况下，均可提供可靠的业务服务。

参考文献

[1]肖凡，陈建国. 基于RCGA的PPC模型在化探异常识别与提取中的应用[J]. 吉林大学学报（地球科学版），2017，47（04）：1319-1330.

[2]刘文庆，古天龙，徐周波. 一种求解加权约束满足问题的RCGA算法[J]. 桂林电子科技大学学报，2015，35（01）：54-58.

[3]韩万水，刘修平，邓露，等. 基于实数编码遗传算法的桥梁有限元模型修正方法[J]. 交通运输工程学报，2019，19（02）：14-24.

[4]黄煜栋. 基于RCGA优化GRNN的实时动态目标追踪模型[J]. 计算机工程与应用，2014，50（10）：238-243+248.

[5]张东民，廖文和. 基于实值编码遗传算法的起重机伸缩臂结构优化[J]. 南京航空航天大学学报，2004（02）：185-189.

[6]丁雪乾. 面向5G边缘计算的任务卸载与资源优化研究[D].兰州：兰州理工大学，2020.

[7]罗斌，于波. 移动边缘计算中基于粒子群优化的计算卸载策略[J]. 计算机应用，2020，40（08）：2293-2298.

[8]吕洁娜，张家波，张祖凡，等. 移动边缘计算卸载策略综述[J]. 小型微型计算机系统，2020，41（09）：1866-1877.

[9] MIETTINEN A P， NURMINEN J K. Energy efficiency of mobile clients in cloud computing[C].[S.l.] ： Usenix Conference on Hot Topics in Cloud Computing USENIX Association， 2010.

[10] M Xiao M. A. HASSAN Q W， CHEN S. Help Your Mobile Applications with fog computing[C]Seattle， WA， USA ： 2015 12th Annual IEEE International Conference on Sensing， Communication，and Networking - Workshops （SECON Workshops）， 2015.