一种最小化时延多边缘节点卸载均衡策略研究

田贤忠，许 婷，朱 娟

(浙江工业大学 计算机科学与技术学院，杭州 310023)

1 引 言

近年来，5G网络已逐步应用于各领域.在5G时代，接入的网络的设备不仅仅是手机终端和电脑终端，还有各种新兴的电子设备，智能机械，传感器，甚至移动车辆.网络时代更替推动的人类现代文明背后是海量的设备接入.而且这些设备将越来越智能，这意味着更繁重的计算任务.但是，终端设备，往往都受到严格的尺寸和生产成本的限制，电池容量、计算能力、存储能力都有限且扩展性不高.设备执行应用程序产生的计算任务难以在本地得到有效处理.如果通过基站传输到中心云加以处理，则会给核心网络带来拥堵.如何承接海量设备的接入，数据卸载已经成为亟待解决的问题.

边缘云，一种更靠近终端的具有通信、计算、存储功能的服务平台，主张在网络的边缘提供云计算服务.是一种介于云计算与本地计算的计算架构.通常通过边缘服务器和基站集成部署的方式实现.对于一些终端设备，计算任务就可以直接卸载到边缘云处理.相比于本地计算与传统的云计算，边缘计算作为一种折中的方案，成为了提高终端设备计算能力的有效手段.MEC作为5G系统设计中的顶层设计，它可以从小基站(Small Cell Station)的密度化和异构网络(HetNet)的部署中获得一些好处.移动终端设备也可以在保持高移动性的同时与最好的BS或AP相关联.

理想的状态当然是每个接入节点(AP)都部署了足够的边缘服务器集群为其辐射范围内的终端设备提供更好的服务.但是这是不切实际的，因为边缘服务器本身的部署成本，以及后期的管理和维护都将成为实际应用中不可忽略的关键点.考虑到边缘云和现有基站集成部署，基站的位置相对固定，边缘云资源也固定.在不同的区域，设备的类型、数量以及作业产生的计算任务的类型是不同的，因此通过基站卸载到边缘云处理的计算量是不同的.在计算密集的业务场景中，边缘云的负载量可能是过载的.而在计算稀疏的业务场景中，边缘云的资源可能被闲置.而且移动终端的流动也会在边缘云之间的造成负载的不平衡.例如在原本平衡的网络里，突然在局部区域举办大型活动，大量终端设备聚集到该区域，并关联到当地基站，卸载任务远远超出边缘云的负荷，诱发网络拥堵.而周边区域因为接入设备相应减少，边缘云利用率降低.因此每个区域的设备数量、卸载量、计算量都是实时变化的，边缘服务器却不能随时拆除重建.如何让边缘云的资源适应当地的计算需求是值得研究的问题.

SDN作为5G系统设计的核心设计之一.其强大的集中管理能力，并发数据收集能力为平衡边缘网路节点的负载提供了有希望的解决.因此本文使用SDN，定期收集设备、基站边缘云等物理资源的情况，包括计算任务、负载以及网络状态等.结合MEC和SDN的优势，调度边缘网络过载节点分割计算任务通过一跳或者多跳的方式分别卸载到其它相对欠载的边缘节点，以平衡边缘网络的节点负载，本文的具体贡献如下：

1)提出了在SDN的边缘网络中节点协作卸载计算的模型.

2)设计多边缘节点的卸载策略，基于量子粒子群算法的边缘节点卸载算法和基于启发式算法的边缘节点负载均衡算法.

3)仿真实验验证了方案的有效性.

2 相关工作

关于向边缘云的计算卸载，现有工作的关注的重点仍然是从终端设备的角度出发的卸载.主要目的是降低终端设备卸载任务产生的通信能耗和任务的计算时延或者是两者的权衡.文献[1]充分考虑了任务从智能手机卸载到中心云的有效性问题.因为卸载产生的通信能耗有可能超过任务在本机处理的能耗.由此提出了一种能耗估算模型用于手机的卸载决策.文献[2]根据设备缓冲区的排队状态、设备和边缘云的可处理能力以及设备和边缘云之间的信道状态提出一种一维搜索算法找到到最佳的卸载策略达到最小化时延的目的.文献[3]结合动态电压缩放和能量捕获技术提出基于低复杂度李雅普诺夫优化的动态计算卸载(LODCO)算法以最小化时延.文献[4]设计并实现了一个基于软件定义的移动边缘计算架构，兼容了ETSI和3GPP的架构.其低时延的特性可以确保大量的设备接入到网络中.文献[5]把在满足执行延迟约束的同时最小化能耗的优化问题转化为带约束的马尔可夫决策过程，并通过在线算法和离线算法求解最佳卸载策略.文献[6]研究了边缘计算系统的D2D的辅助计算，并提出了一种低复杂的线算法，为每个任务选择最佳卸载策略，即本地，直接卸载到边缘云或者通过附近的其它设备为中继间接卸载到边缘云以降低时延.文献[7]研究了具有二进制计算卸载策略的多用户无线边缘计算网络中的加权和计算速率最大化问题.文献[8]针对无线供电MEC，设计了一个受用户的单个计算延迟约束的优化的资源分配方案，将AP的总能耗降至最低.针对多个设备的卸载场景，文献[9]和文献[10]提出了TDMA和OFDMA系统的基于域值结构的资源分配策略，依据时延约束为设备分配优先级，最小化能耗.

在边缘云和中心云共存的系统中的卸载.主要是考虑到了单个边缘节点资源的有限性.文献[11]定义了两个关于通信能力和云计算资源的关键参数，并基于这两个参数设计了一种任务拆分策略，分割设备的计算任务部分到边缘云，部分到中心云以降低任务的处理时延.文献[12]设计了基于阈值的卸载策略，同时应用了优先队列本地云根据任务的时延要求对任务进行排序，当边缘云过载时再将任务卸载到中心云.同时结合了边缘云的低时延特性和中心云的丰富的计算资源提高系统的QoS.文献[13]考虑到计算复杂度高的任务仍然需要交移给中心云处理，提出了一种边缘云和中心云协同的多任务计算卸载模型.提出的算法综合考虑了移动设备，边缘服务器和云服务器的计算资源和通信资源，制定的卸载策略权衡时延和能源成本.文献[14]将3个排队模型分别应用于设备、边缘节点和中心云，并提出了基于时延、能耗、支付成本的多目标优化卸载策略.文献[15]提出将SDN引入移动云的用于任务的调度，并采纳了了设备之间的卸载.设备根据部署在PDN网关上SDN的决策确定是否将任务留在本地计算，或者将任务卸载到其它设备，再或者卸载到云.通过SDN控制器集中控制设备协作执行任务并分享结果，有效降低了设备端的能耗以及额外流量.

从微观的角度来看，中心云的服务器集群比边缘云要大的多.但是从宏观角度来说，有多个边缘节点构成的边缘网络系统计算资源仍然是丰富的.尤其是节点间负载的不均衡现象，给予了过载节点向欠载节点卸载数据的机会.相比于边缘云和中心云的远距离卸载，边缘云和边缘云之间的合作好处是很多的.最近也确实有一些工作研究了边缘云之间的合作.文献[16]考虑了在边缘云协调网络系统中长期的能耗最小化问题，并联合设计了卸载策略和睡眠控制方案.文献[17]为异构网络的负载平衡和干扰管理联合设计了流量卸载和功率控制方案.文献[18]在超密集网络中考虑计算的分流问题，将SDN控制器部署在宏基站，从而获得基站、设别、任务的信息，提出软件定义的任务卸载方案.文献[19]研究了密集小型小区网络中的协作服务放置问题.提出了一种有效的分散算法，优化服务放置决策，以降低边缘系统的运营成本.

但是现有的工作都未充份利用边缘节点的通信功能，边缘节点作为中继节点转发卸载数据可以在扩大边缘节点的协作范围，提高边缘网络的效益.本文考虑了边缘网络系统时延的最小化问题.系统时延受制于各个边缘节点的计算时延或者说取决于最大负载量的节点的计算时延.提出将过载节点作为源节点，欠载节点作为目标节点，其它节点作为中继节点的新卸载策略.并引入SDN控制节点的卸载转发，有效分割计算负载，通过边缘节点之间的协作提高边缘网络的服务质量.

3 系统模型

3.1 基于SDN的边缘网络模型

本文提出的基于软件定义网络的边缘计算模型，结合了经典的SDN架构模型的三层结构模型.从下至上依次为基础设施层、控制层和应用层.

1)基础设施层

基础设施层包括各式各样的终端设备(例如手机、电脑、移动汽车等)、接入节点(例如Small Cell Station)和边缘云.基站和边缘云集成部署，我们称之为边缘节点.因此该边缘节点具有通信和计算的功能.终端设备可以通过无线链路将计算任务卸载到边缘节点处理.

2)控制层

控制层由SDN控制器实现，定期收集基础设施层的相关数据，例如边缘节点的负载、网络状态并向上提供资源的抽象.使基础设施层结果对用户可见.同时向下控制实际的物理设施.例如根据应用需求控制节点A转发部份数据到节点B处理.

3)应用层

使用控制层提供的抽象资源，通过编程的方式对这些抽象进行操作.在本文用于运行边缘节点间的卸载决策算法.

3.2 边缘网络结构模型

考虑基础设施层的边缘网络如图1所示.用G={J，L}表达该网络，J={1，2，…，J}是边缘节点的集合，其中J表示边缘节点的个数，L表示节点之间的通信链路的集合.根据节点的位置分成J=|J|块区域，每块区域由一个边缘节点和若干个终端设备组成.受能量的限制以及瑞利衰弱的约束，每个设备只能关联到本地区域的节点.假设与节点j关联且向该节点卸载任务的终端设备的集合为Ij={1，2，…，I}.在时间域T内，每个设备产生的任务的大小为si，处理每一位数据所需要的CPU周期数为ci，则边缘节点接收到的数据量的大小为：

图1 边缘网络结构模型

∑Ijsi

(1)

计算负载为：

∑Ijsici

(2)

定义边缘的节点的最大计算频率为fmax.则该边缘节点在本地处理完所有任务所需的最小时延为：

(3)

任意一个边缘节点都可以直接关联到其邻近的节点，只要该节点在其辐射半径内.例如节点1可以直接向节点2或者节点3卸载数据.但是要关联到远端的节点，只能通过中继节点转发.例如节点1向节点4卸载数据只能通过节点3转发或者由节点2转发给节点5，再由节点5传输给节点4.下一部分详细描述了关于过载节点的卸载.

3.3 计算卸载模型

(5)

(6)

完成卸载计算任务产生的时延包括传输时延以及目的节点的处理时延.所以处理αjk∑Ijsi的数据量需要的总时延为：

(7)

当k=j时，意味着这部分数据在本地基站处理，且不存在卸载的路径，即∑mnxmn=0，即不会产生传输时延，因此处理时延为：

(8)

本地计算和卸载计算是并行处理的，因此该边缘节点处理完所有任务所需的最小时延为：

(9)

4 问题分析与建模

4.1 边缘节点之间卸载存在的问题

定义时延阈值T.结合图1 分析，如节点1接入了海量设备，本地处理的时延远远大于T(t1≫T)，则认为它是过载的.需要对其进行卸载处理.

如果只是选择的最近的基站进行卸载，很有可能引起二次过载，拥堵问题仍然不能得到有效解决.例如，节点1将部分数据额卸载给节点3处理，假设节点3原始的负载也不低，则节点3的处理计算任务的最小时延：

节点1降低了负载，但是节点3的负载上升了且过载问题仍然没有解决.

如果节点1通过中继节点3转发，将部分数据卸载到最空闲的节点4卸载，也有可能因为较大的传输时延而失去卸载的计算的意义.例如：

即这部分数据卸载产生的时延与留在本地计算相差无几，甚至更大.

与此同时，我们也不能忽略，网络中同时存在多个节点向同一个节点进行卸载，致使目标基站过载的情况.例如节点1和节点5，同时卸载部分数据到节点2处理，

节点1和节5单独向节点2卸载数据都不存在问题，但是一起向节点2卸载卸载就会使节点2过载.

因此如何分割节点的计算任务到合适的节点处理，有效平衡节点间的负载，降低整个网络的平均处理时延成为本文讨论的核心.

4.2 问题的建模

我们的目标是协调基站之间的计算负载，以降低整个区域的计算任务的处理时延，根据上述内容的分析，对于边缘网络中对于过载节点的卸载问题我们建立如下数学模型：

(10)

(11)

xmn(αjk)∈{0，1}

(12)

(13)

(14)

(15)

问题P1描述的是节点j通过多路卸载以及本地计算的方式完成∑Ijsici的负载所需的最小时间.约束(11)表述了节点j上的计算任务的分配原则，卸载到其它节点包括留在本地的任务比例和为1；约束(12)和(13)确保任务能卸载到目标基站；约束(14)说明目标基站分配给其它基站的计算资源限制.约束(15)说明，卸载计算的时延不能超过任务全部留在本地计算的时延，否则卸载没有意义.

5 边缘网络的卸载均衡策略

5.1 基于量子粒子群的边缘节点卸载算法

(16)

于是两个变量就转变成了一个变量，边缘节点之间的资源调度问题转变成为如下的任务的放置问题：

(17)

S.T.

(11)-(13)，(15)

(18)

构造适应度函数：

F=F′+pen

(19)

适应度函数由目标函数和惩罚函数构成，其中：

(20)

罚函数对应于各个约束项：

{[∑nxmn(αjk)-∑nxnm(αjk)]2-[∑nxmn(αjk)+∑nxnm(αjk)]}

{[∑nxmn(αjk)-∑nxnm(αjk)]2+[∑nxmn(αjk)-∑nxnm(αjk)]}+

(21)

定义粒子群的大小为N，第n个粒子的位置向量为：

λn={λj1，λjk，…，λjk，…，λj|J|}

(22)

其中，λjk的具体表达为：λjk=(αj1，x).

P=φPn(m)+(1-φ)G(m)

(23)

(24)

φ和u是(0，1)上均匀分布的数组.取+取-的概率为0.5.α为创新参数，一般不大于1.

(25)

(26)

算法的整体流程概述如下：

基于量子粒子群算法的边缘网络资源调度算法

1.输入：I，J，L，

2.初始化：N，M，λn(1)

3.根据式(16)计算fjk

4.设置Pn(1)=λn(1)，从Pn(1)(n=1，2，…，N) 中找到最佳的粒子位置作为G(1)

5. whilem≤M do

6. whilen≤N do

7. 计算P和M(m)

8. 更新粒子的位置λn(t+1)

9. 比较F(λn(m+1))和F(Pn(m)) 将较小值赋值给Pn(m+1)

10. 比较F(Pn(m+1))和F(G(m)).将较小值赋值G(m+1).

11. end while

12. end while

13. 更新 Φk

14.输出：全局最佳解

SDN控制器定期收集基础设施层的状态信息，当发现有过载节点的时候执行上述算法，然后将包含任务分割比例、路径、目标节点的卸载决策信息发送给该节点.该节点接受到相应信息的时候执行相应的卸载操作.针对网络中出现显著的过载的节点，该方法可以迅速捕获该节点然后依据算法流程给出最佳的卸载策略，起到一个流量削峰的作用.但是该算法是复杂的，因为解空间是多维的，每个粒子的位置也是多维向量，随着粒子群的增大或者边缘节点数量的增加，迭代次数都会呈现爆发式的增长.因此对于网络中存在多个过载节点的情况，该算法的效率相对低下.于是，我们提出了一种基于启发式算法边缘节点负载均衡算法，该算法通过点对点卸载的方式逐步平衡负载，更适用于日常维护节点之间的负载平衡.

5.2 基于启发式算法的边缘节点负载均衡算法

5.2.1 本算法的基本原则

a)均衡卸载原则

定理1.符合均衡卸载原则的系统时延最小.

证明：设过载节点A原有的计算任务为a个单位，每个单位任务计算用时c1个单位时间，而通信用时c2个单位时间，节点B原有的计算任务为b个单位，(a>b)，每个单位任务计算用时也是c1个单位时间.另设设满足均衡卸载原则的卸载量为x，则：

(27)

则最佳均衡卸载时延为：

(28)

如果系统不满足均衡卸载原则，就会产生两种情况：1)过载节点卸载量小于x，2)过载节点卸载量大于x.设实际卸载量为x′.针对情况1)有x′

卸载量少了，节点B的用时就少了，但节点A的用时多了，整个系统用时还大了.针对情况2)有x′>x，卸载部分任务的用时为：

同样，卸载量大了，节点A的用时更少了，但是节点B的用时多了，但整个系统时延还是大了.

所以只有符合均衡卸载原则的系统时延最小.得证.

b)最佳卸载原则

最佳卸载原则是指负载量最大的节点向收益最大的目标节点卸载计算任务.假设，过载节点A原有的计算任务为10个单位，节点B原有的计算任务为1个单位，节点C原有的计算任务为2个单位，每个单位任务计算用时都是1个单位时间，网络中每跳的通信用时都是1个单位时间.节点A通过一跳可以直接关联到节点B或者节点C.根据均衡卸载原则，如果节点A卸载给节点B，根据公式(28)，可得节点A处理完计算任务需要7个单位时间，而如果节点A卸载给节点C，则需要7.33个单位时间，故节点A向节点B卸载对系统时延更有利，节点B是收益最大的目标节点，符合最优卸载原则.对于多跳情况，假设在A和B之间存在一个节点D，节点D的原有的计算任务3个单位，其它条件不变.这样节点A卸载给节点B，需两跳完成，根据公式(28)，可得节点A完成计算任务需要的时延为7.75个单位时间，卸载给节点D则需要的时延为7.63，而如果节点A卸载给节点C，计算和通信时延仍为7.33个单位时间，故节点C是收益最大的目标节点，也符合最佳卸载原则.

定理2.符合最佳卸载原则的卸载策略系统时延最小.

证明：设负载量最大的节点为A，其不卸载情况下的本地计算时延为a.收益最大的目标节点是B，节点A向节点B卸载情况下完成计算任务的用时为b(a>b).节点C和D为其它任意量节点，节点A向节点C和节点D卸载情况下的完成计算任务的时延分别为为c和d.分3种情况：1)节点C(或D)向节点B卸载.由于最大负载节点A没有卸载，故系统的时延没有改进，系统时延还是a.显然比节点A向节点B卸载用时要多;2)节点C向节点D卸载.同样由于最大负载节点A没有卸载，故系统的时延没有改进，系统时延还是a.显然也比节点A向节点B卸载用时要多;3)节点A向节点C(或D)卸载.因为节点B是负载量和通信时延最小的节点，根据卸载均衡原则，b

5.2.2 算法的具体过程

本算法的基本思想是，每次根据最优卸载原则，找出负载量最大的节点和与之对应的收益最大化的节点；然后按均衡卸载原则在这两个节点中卸载.具体算法如下.

基于启发式算法的边缘节点负载均衡算法

1.输入：I，J，L，

2.初始化：J0=Ø

3.根据公式(1)和公式(2)求得每个节点的数据量∑Ijsi以及计算负载∑Ijsici

4.根据负载量对节点进行排序J={j1，j2，…，jJ}

5.for 节点j=j1tojJ

6. for节点j=j1→nexttojJ

7. 根据均衡卸载原则，根据公式(7)计算节点j向其它节点k卸载需要的总时延.找出总时延最小的k；

8. ifk=j

9. 不卸载

10. else.

11.节点j向节点k卸载任务，更新负载∑Ijsici=∑Ijsici-αjk∑Ijsici，∑Iksici=∑Ijsici+αjk∑Ijsici

12. end for

13. 记录相应的αjk，xmn(αjk)，fjk；

14.J0=J0∪j∪k，J=J-J0

15.end for

16.交换J0和J的值

17.重复步骤3-步骤17，直到节点负载稳定

18.输出：αjk，xmn(αjk)，fjk

6 仿真实验和结果分析

在本节中，我们将提供数值结果以确认我们的理论分析并论证了我们所提出算法的性能.在仿真实验中，每个节点的半径是500m.在其覆盖范围内，存在随机数量的设备通过无线信道和BS关联并卸载任务到相应的边缘节点.每个节点是并行处理任务的，因此接入网络的系统时延为各个节点处理任务的最大时延.计算任务的数量、大小、每一位计算数据的工作负载是以及网络拓扑是随机产生的.表1中罗列了详细的仿真参数.

表1 仿真参数

首先命名我们所提出的方案为策略1并和其它两种基准方策略行比较.策略2采用就近卸载的策略，过载节点通过向其辐射半径内的欠载节点卸载数据以寻求平衡，即一跳卸载的方式.策略3保留节点的所有的计算任务在本地处理.

图2描述了系统处理时延与边缘节点的计算能力之间的关系.在本项工作中固定边缘节点的数量为5个，每个解节点的负载是(8.192E8CPU cycle，1.6384E9CPU cycle，4.096E9CPU cycle，6.5536E9CPU，8.192E9CPU cycle)节点的拓扑结构是随机产生的.可以观测到，随着边缘节点的计算功率的增大，系统时延随之减小.策略3的系统时延降低是最为显著的，因为节点的计算能力直接影响到了节点的处理时延.当节点资源较小时，策略2和策略1中负载较大的节点在平衡卸载的过程中，利用了其它节点的计算资源，间接扩大了本地的计算资源.当节点资源较大时，更多的数据留在了本地计算.因此相对平缓.策略1始终保持着最低的系统时延.

图2 系统时延与边缘节点计算能力的关系

图3描述了系统时延与于边缘节点数量的关系.固定系统中边缘节点的数量分别是5个、10个 、15个、20个.对应每个固定数量的网络系统，我们进行了100次试验，每次试验的网络结构和节点负载是随机产生的.每种策略的系统时延是这100次试验的系统时延的平均值.可以观察系统时延与节点的数量不存在明显的依赖关系.策略3的系统时延始终是3种策略里面最高的.策略2可以适当平衡负载，但存在局限性.只能在局部区域进行平衡，因此在降低整个网络系的时延方面的效果不是很理想.而策略1始终能有效的平衡负载且保持稳定的系统时延.

图3 系统时延与边缘节点数量之间的关系

从以上的结果分析中，我们可以看到通过中继节点转发卸载在平衡边缘网络负载中的优越性.然后我们又与中心云与边缘云的协作卸载进行比较，命名为策略4.策略4采用的是基于阈值的卸载策略，当节点的处理时延到达阈值的时候将过载的任务卸载到中心云处理，否则留在本地处理.

从图4中可以观察发现，当边缘节点的计算功率较小的时候，在策略4的系统时延小于策略3，随着边缘节点计算功率的增大，两者的时延趋于一致.当边缘节点负载量较小时，而边缘节点的处理能力有限，基于阈值的边缘云协作算法将部分计算任务卸载到了中心云计算，中心云的计算资源更丰富因此处理速度更快.随着边缘节点的计算频率的增大，卸载量逐步减小，当到达一定值的时候，策略3和策略4的结果就一致了.而无论节点的计算功率如何变换，策略1始终能平衡节点的负载，有效降低系统时延.

图4 系统时延与边缘节点计算能力的关系

图5描述了在这3种策略中系统时延和边缘节点数量的关系，从中也可以观察到，无论节点数量如何变化，策略1始终保持着最低最稳定的系统时延.

图5 系统时延与边缘节点数量之间的关系

从以上的结果分析中，可以看到边缘网络中边缘节点之间的协作卸载的优越性.在接下去的部分，我们通过仿真实验评估所提方案的性能.我们模拟了一个直观的场景.在该场景中，我们只考虑5个节点的系统，边缘节点之间是等距线性部署，在每个节点的辐射范围内只能连接到相邻节点到.例如节点1只能和连接到节点2，节点2只能连接到1和3，如果1要将数据卸载到节点3，则只能选择2作为中继节点转发.每个节点收集到的计算任务是随机产生的.相关数据参见表1.

表2记录了各个节点的初始负载与本地计算的时延，可见，节点的负载很不均匀，节点1和节点5的负载甚至相差了一个量级.节点1处理完所有的计算任务要6秒多，而节点5仅需要不到1秒的时间.

表2 边缘节点的初始负载和本地计算时延

表3详细记录了，基于启发式算法的边缘节点负载均衡算法各个节点每次迭代的卸载情况.第1次迭代，负载量相对较大的节点1和节点3分别向负载量较低的节点节点5和节点2卸载数据，节点4不进行卸载，其中节点1向节点5的卸载经历了4跳.可见相比于节点5充裕的计算资源为节点1所节省的处理时延，传输时延不再成为问题的关键.经过一次卸载，节点1的负载量人仍然是最大的，因此继续向收益最大的节点2卸载.相反，节点5负载增大甚至超过节点2、3、4，因此在第2次迭代中向收益最大的节点4卸载.如此，节点之间的负载差距初步减小，并趋于稳定.图4显示了基于低复杂度的次优策略的各个负载的节点的收敛情况，可以观测到在第5次迭代的时候，各节点的就已经趋于平衡了.

表3 卸载过程

在基于的图6的基础上继续增加节点验证策略的有效性.随着节点数量的增加，网路拓扑的扩大，该策略始终是有效的.只是侧受篇幅限制不再一一呈现详细的细节.上述实验已经分析并证明了该算法在任意的网络模型中平衡负载的能力.

图6 系统时延与边缘节点数量之间的关系

7 总 结

本文研究了异构边缘网络系统中边缘节点负载的不均衡问题，制定了多源多中继的卸载策略.提出的两种算法都可以有效的对热点区域的节点计算任务进行优化分割，通过中继节点以一跳或者多跳的形式转发到有资源空闲的节点，充分利用了边缘的网络资源，降低节点的处理时延，提高整个接入网络的服务质量.同时实验证明了分割热点区域的计算任务并多跳方式卸载到附近节点处理以降低系统时延的方法是可行的.