基于联合决策模型的物联网边缘计算资源分配

刘 明，龚 伟

(河北工业大学廊坊分校，河北 廊坊，065000)

1 引言

由于应用需求与终端形式的快速发展，物联网也逐渐打破原有形态，被赋予更加多元的功能与存在形式。比如AR、VR和人工智能等技术的引入[1]，提升了物联网的应用功能和服务领域，与此同时，大量密集型计算也对终端资源提出了更高的要求[2]。针对物联网资源受限问题，当前较为可行的办法是引入边缘计算[3]，并结合相应的资源调度策略提供更好的应用体验。例如，文献[4]针对物联网内终端与业务的差异性，采用D2HM来计算任务卸载策略，并通过博弈算法实现资源调度。实验结果验证了该方法在异构任务方面的有效性，但是缺乏对时变环境的适用性。文献[5]针对物联网终端节点计算与存储问题，设计了MEC卸载算法。该方法主要研究了任务卸载策略，没有对资源分配和效率进行深入研究。文献[6]针对车联网应用场景，提出了任务卸载与缓存分配决策模型，并采用actor-critic算法进行求解。实验结果验证了该方法对车联网时变特征具有较好的适应性。文献[7]针对物联网环境中参数的不确定性，引入模糊思想构造任务模型，并采用模因算法进行求解。实验结果验证了该方法能够有效构建虚拟控制器，完成任务与资源的合理调度。文献[8]针对工业应用的物联网节点计算性能的不足，构造了任务处理模型，并分解成计算资源与任务卸载两部分，以任务执行时间作为目标，采用模拟退火计算模型最策略，实验结果验证了该方法具有较好的跨域卸载效果。

由于物联网边缘计算资源分配需要平衡多种因素，各种因素之间往往不是独立的。不同约束条件得出的决策可能相互影响和干扰，因此，本文考虑了任务在本地与边缘处执行时，对时延、能耗和各类资源的影响，并基于此构建联合决策模型，结合时延与资源作为物联网边缘计算的总效用，以及各种相关约束条件，求解出最优的任务卸载策略和资源分配策略，从而提高物联网边缘计算的资源管理有效性和时延敏感性。

2 物联网边缘计算资源模型

2.1 时间模型

(1)

(2)

其中，Ti，s代表边缘计算网络中源服务器上的时延；λi，s代表源服务器上执行的计算任务权重；pi，s代表源服务器对任务i的计算能力；Ti，d代表目标服务器上的时延；pi，d代表目标服务器对任务i的计算能力。

在一些物联网应用中，节点位置并非固定不变的，这里考虑节点的移动特征。设定节点i移动的速率与距离依次是vi、si，那么任务数据传输至处理单元j的过程中，节点所需的移动时间表示如下

(3)

si，d=(d-1)Smax-(si-sSmax)

(4)

(5)

2.2 能耗模型

考虑到物联网中节点能量有限，在节点上执行任务i时，产生的计算能耗表示如下

Ei=wiTi

(6)

其中，wi代表节点计算功率。如果任务i在边缘计算网络上执行，则需要在处理单元之间传输数据，此过程中产生的传输能耗表示如下

Ei，j=wtTi，j

(7)

其中，wt代表传输功率；Ti，j代表任务传输至处理单元j所需的时间。

保护生物免受核设施的辐射影响，近二三十年中才逐渐受到各国重视。欧美在该方面的研究和应用较早，不仅建立了完整的分析方法和体系，还将其编制成软件，供其他国家和组织免费试用。近些年，随着我国经济的不断发展，国家和民众的环保意识也不断增强。学习和借鉴国外生物辐射影响方面的软件和方法，可以在我国建设和使用核设施的过程中，评价其对于生物的影响，进而保护我们赖以生存的生态环境。

2.3 计算资源模型

(8)

2.4 带宽资源模型

在分析带宽资源时，这里基于OFDM技术分析。利用香农定理与信道参数，推导出传输性能如下

vi=biln(1+wsg/wn)

(9)

其中，vi代表任务数据传递速度；bi代表任务i获得的带宽，且所有任务对带宽的占用应符合总带宽限制；ws、wn依次代表服务器与噪声功率；g代表信道增益。根据任务数据量和数据传递速度，便可以计算得到任务卸载至边缘处理的传输时延。

3 联合决策模型

基于对时间和各类资源模型的分析，这里通过联合模型来得到资源分配调度的最佳决策。根据任务是否在节点本地执行，构建变量数组E=[e1，e2，…，eN]。当任务i在本地执行，则令ei=0，否则说明任务将被卸载至边缘处，即ei=1。在保证最小卸载的情况下，可以得到如下模型

(10)

(11)

其中，Rtotal代表边缘网络计算资源上限；Tc代表任务完成时间；B代表网络总带宽。约束关系式①对边缘网络计算资源进行限定；关系式②对卸载变量取值进行限定；关系式③对时间范围内的任务资源量进行限定；关系式④对计算资源进行限定；关系式⑤对卸载时间进行限定；关系式⑥对带宽资源进行限定。由于该模型包含混合非线性规划，在求解过程中，需要大量的时空成本支撑。于是，这里将其转换为求解物联网所有节点总效用最高的情况，可以得到如下模型

(12)

(13)

在式(12)中，节点总效用考虑了时延与资源两个因素，λ1与λ2依次代表两种因素的加权系数；Ti代表系统在任务i上的时延，它由节点本地时延与卸载时间组成；Cu代表资源单位成本。约束关系式①对任务执行的计算资源进行限定；关系式②对任务时延进行限定；关系式③对卸载率进行限定。

针对非凸优化，利用最速下降法对模型进行分解，结果如下

(14)

图1 基于联合决策模型的物联网边缘计算资源分配流程图

4 仿真实验与结果分析

4.1 仿真参数设置

基于Matlab搭建物联网边缘计算资源分配仿真模型，具体仿真参数设置如表1所示，节点的位置随机产生，覆盖范围是100m。这里考虑具有移动节点的物联网应用场景，能够更好的验证方法在物联网动态时变情况下的性能。

表1 仿真参数设置

实验从多个角度评价物联网边缘计算资源分配性能，并采用文献[7]和文献[8]的边缘计算资源分配方法进行比较，从而验证所提方法的有效性和优越性。

4.2 仿真结果分析

首先通过仿真实验得到任务的完成率情况。实验过程中改变网络任务数量，从而使系统调整边缘计算资源。得到各方法的任务完成率，结果如图2所示。由于文献[8]在资源调度与任务卸载模型构造时，是基于任务执行时延的，没有直接考虑资源与时延的关系，所以在任务规模变化的过程中，其对应的任务完成率一直处于波动状态。由于文献[7]在模型中同时考虑了时间与资源，且引入了模糊理论求解，因此在任务规模为60之前，一直保持较高的任务完成率，但是在任务规模超过60之后，部分服务器出现过载，从而引发任务阻塞，完成率开始波动，且出现明显下降。而本文方法在任务规模增加至70时，仍然保持接近100%的完成率，在超过70后出现微小的波动，且波动幅度不超过2%。结果表明本文方法提高了物联网任务与资源调度能力，能够有效避免任务执行失败的几率。

图2 任务完成率结果

然后通过仿真实验得到任务执行时间情况，结果如图3所示。由于文献[8]更注重任务时延，所以在任务数量较少时，确实能够使边缘计算资源得到合理分配，从而保证良好的执行时间。但是当任务规模增加时，确是以完成率为代价来换取时间。文献[7]的执行时间较其它方法都要延长一些，没有任何优势。而在任务规模增加过程中，本文方法的执行时间表现出越来越明显的优势，当任务规模为100时，分别比其它两种方法用时缩短176s和76s。

图3 执行时间结果

再通过仿真实验得到边缘计算节点能耗情况，结果如图4所示。在任务规模增加时，节点需要处理的任务随之增加，能耗便由此增加。文献[7]的能效优于文献[8]方法，这是由于文献[7]方法在任务处理卸载过程中引入了能耗因素。而本文方法的能耗由于其它所有方法，这是由于方法建立了关于能耗模型，分析了物联网节点本地与边缘计算节点两种情况的能耗，同时在资源分配时，能够根据资源状态对任务进行准确卸载，更好的平衡网络能耗。

图4 能耗结果

最后通过仿真实验得到边缘计算节点资源分配情况，结果如图5所示。可以看出，在任务规模增加时，所有方法的资源分配量都会增长，但是本文方法的剩余资源显然较其它方法的更多，尤其在规模达到60以后，资源分配经过了联合决策的重新调整，提升了资源分配的效果。

图5 资源分配结果

5 结束语

本文针对具有移动节点的物联网，提出了基于联合决策模型的边缘计算资源分配方法。将边缘计算与物联网相结合，来增强物联网的计算能力和任务处理能力。结合时延、能耗、计算资源和带宽资源的分析模型，构建了联合决策模型，进而对物联网边缘计算资源进行合理分配。通过仿真实验结果，表明本文方法具有较高的任务完成率，同时降低了执行时间和能耗，有效提高了资源分配性能，且对于任务规模和节点移动具有良好的适应性。