面向5G 边缘计算网络的联合需求响应与任务卸载策略

陆旭，陈影，许中平，张海全，慕春芳，陈恺，孙毅

(1. 国网内蒙古东部电力有限公司 调度控制调控中心，内蒙古 呼和浩特 010010；2. 北京国网信通埃森哲信息技术有限公司，北京 100080；3. 华北电力大学 电气与电子工程学院，北京 102206)

0 引言

物联网与大数据促进了虚拟现实和人工智能等新兴业务发展，对通信与计算技术提出更高要求，具有超低时延特点的5G 通信与边缘计算被视为满足新兴业务发展需求的核心技术[1-2]。

5G 与边缘计算发展迅速，为能源互联网提供发展动能[3]的同时逐渐成为新兴高能耗负荷。截至2020 年年底，中国已建成5G 基站超130 万个，占整体通信网络功耗的70%，并将在2025 年时达到近2 000 亿kW·h 的用电量，占全社会总用电量的2%[4]；同时，2025 年物联网设备预计产生的实时业务数据量将占全球数据总量的30%，为满足低时延计算需求，边缘服务器的部署数量也持续增加。随着5G 基站与边缘计算服务器部署密度持续上升，通信计算网络为保持供能稳定，对外部传统电网的依赖性也进一步增强，不利于网络碳减排的开展并给网络运营商产生巨额运营成本[5]。设计面向5G 边缘计算网络的高效用电管理方案成为绿色5G 边缘计算网络建设面临的核心挑战。

为削减5G 网络用电成本，5G 基站的能量管理研究得到国内外学者重点关注。其中文献[6-7]分析了5G 基站参与电网需求响应的可行性，并指出5G 基站群可以形成可观的聚合效应为电网提供响应能力。文献[8]提出基于用户接入的5G基站需求响应方法实现基站负荷的空间转移。南方电网公司基于“通信基站闲散储能”示范项目初步验证了基站参与需求响应的实际可行性[9]。文献[10]提出一种考虑需求响应的5G 蜂窝小小区规划方法，通过调整各时段路由规划实现基站用电负荷在时间维度的转移。然而，上述工作仅研究了基于通信资源调度的5G 网络用电管理方法，未考虑5G 边缘计算网络场景下基于边缘计算资源调度产生的用电负荷调度潜力。

为应对边缘服务器的计算功耗持续上升问题，边缘计算用能管理研究得到广泛关注。文献[11-12]分别提出一种基于李雅普诺夫优化的联合任务卸载与资源分配方案削减服务器长期能耗；文献[13]提出一种基于深度学习的最优能耗预测与计算资源分配方案；文献[14]提出梯度式任务卸载算法优化无线供能的边缘计算系统功耗。文献[15] 提出基于深度学习的能量分配方法，优化微网供电场景下边缘计算网络的外部购电成本。文献[16]研究了基于在线用电预测的边缘计算网络负载调度方法，同时提升了可再生能源消纳与用能效率。文献[17]研究了基于边缘服务器负载转移的需求响应策略；文献[18]提出基于边缘虚拟服务器部署与休眠的需求响应方案。然而上述研究只关注基于计算资源调度的网络用电管理方法，未考虑基站通信资源参与电网调度对计算资源调度计划的影响。

目前，边缘计算与5G 无线网络联合参与电网调度成为研究焦点，其中文献[19]提出基于随机对偶梯度的在线算法实现边缘服务器与5G 基站长期用电成本优化，然而仅研究了单基站场景；文献[20]分别提出了基于电网间接与直接能量共享的边缘缓存优化策略以削减外部购电成本，文献[21]提出基于交替方向乘子法（alternating direction method of multipliers，ADMM）算法的绿色任务卸载方案，但上述工作仅研究单时隙优化。5G 边缘计算网络的需求响应潜力仍未得到充分挖掘。5G 基站与边缘服务器可通过联合分配计算、通信与储能资源，在空间上转移用电负荷并提供响应能力。然而通信资源调度将改变用户体验，间接影响计算资源分配策略，在保证用户服务质量前提下设计5G 边缘计算网络需求响应的研究仍存在巨大空白，基于上述分析，文章主要工作总结如下：针对5G 网络用电成本高，5G 网络参与需求响应研究存在空白的问题，文章考虑边缘计算、5G 基站通信、储能单元与电网的协同，基于计算、通信资源耦合关系，提出联合任务卸载，通信与储能资源分配策略实现网络负荷的空间转移与削减；针对目标函数为混合整数非线性规划问题，进一步提出一种联合任务卸载与需求响应算法，通过广义bender 分解法将原问题解耦为2 个子问题以降低问题求解复杂度。

1 5G 边缘计算网络需求响应潜力分析

5G 边缘计算网络由5G 基站与边缘计算服务器组成，其中5G 基站包括宏基站与微基站，前者覆盖范围在城区达300～400 m，闲时功耗为2.2～2.3 kW，满载通信功耗可达3.7～3.9 kW；后者用于室内补盲，功耗低于宏基站[8]。边缘服务器(edge computing server, ECS)功耗与到达基站的用户流量密切相关，在大型商业楼宇场景，一台机架式ECS 满载功耗约达10 kW[22]。本节主要针对功耗较高的5G 宏基站以及附属ECS，分析上述通信与计算设备的功耗构成以及参与需求响应的潜力。

5G 基站设备主要包括供电设备、空调设备与通信设备，其中通信设备主要由1 个基带单元（base band unit, BBU）以及3 个有源天线单元（active antenna unit, AAU）组成。BBU 主要处理基带数字信号，受用户影响小，功耗稳定；AAU负责数模转换以及放大传输信号，占5G 基站用电量的80%～90%，AAU 的功率放大模块受用户通信流量影响大，空载时仅占用AAU 总功耗的15%，满载时高达AAU 总功耗的58%[6]。5G 基站覆盖范围只有4G 通信的1/4，需要更高部署密度才能实现大范围超低时延通信，同时AAU 功耗与用户通信规模直接相关，单个5G 基站中与用户流量有关的可调节功耗为1.5～1.6 kW，占基站满载功耗的40%左右，5G 基站部署密度大以及可调节功耗多的特点使得5G 基站群具备了参与需求响应的潜力，以大学校园场景中10 个5G 宏基站部署密度为例，短期内校园5G 网络可为电网提供近15 kW 的响应能力；随着5G 基站电池迭代更新，锂离子电池作为基站主流电池也使5G 基站具有一定调节灵活性。可通过管理AAU 工作功率，接入用户数量以及基站储能设备充放电行为，实现5G 基站群负荷的空间转移。

在5G 边缘计算网络场景下，部署在5G 基站上的ECS 功耗分别由中央处理器（CPU）、存储、硬盘以及散热风扇工作功耗组成，其中存储、硬盘以及散热风扇的功耗十分稳定，受用户计算负载影响小；CPU 工作功耗变化大，闲时功耗仅为ECS 总功耗的30%或以下，满载时功耗可占ECS总功耗的70%[23]。CPU 功耗主要为处理用户计算任务产生的计算功耗，动态电压和频率缩放技术使ECS 的CPU 可灵活调整工作频率并使CPU 利用率在0～100%之间变化，一个机架ECS 关于用户流量的可调节负荷可高达4 kW，占ECS 总功耗的40%～60%。由于5G 基站部署密度上升以及新兴业务的超低时延服务要求，附属ECS 的部署密度也随之上升，使ECS 也具备充足的响应潜力，可通过动态调整CPU 工作频率或任务负载分配实现ECS 用电负荷的空间转移。图1 为ECS 与5G宏基站AAU 分别在空载与满载时的功耗分布。

图1 不同负载率下的网络节点功耗分布Fig. 1 Network node energy consumption distribution under different loading rates

价格型需求响应通过电价反应电力在各时段的供应紧缺程度，对用户用电行为起指导作用。本文基于工业互联网以及能源互联网发展背景，提出面向5G 边缘计算网络的联合需求响应与任务卸载策略，5G 基站与附属ECS 根据实时电价进行能量管理；具体地，各网络节点结合当前时段地区电价差异以及用户通信与计算业务的服务质量要求分配网络中的用户通信与计算流量，调整边缘通信节点的AAU 与CPU 功耗，并根据时间上的电价差异优化储能单元充放电动作，分别在空间与时间上产生需求响应能力并尽可能避免用户通信质量恶化。

2 边缘计算网络与需求响应模型

2.1 网络模型

如图2 所示，考虑一个面向能源互联网用户侧的5G 边缘计算场景，由K个基站与I个电力用户终端(下文统一简称终端)组成。每个基站装载1 个ECS，ECS 的集合记为K={1,2,···,k}，终端集合记为I= {1,2,···,i}。设时间划分为T个时段，T= {1,2,···,t}，其中k，i和t分别为ECS 与终端以及当前时间段的编号索引。各ECS 的服务覆盖范围部分重叠，共同为终端提供计算服务。第k个ECS 的计算资源由其CPU 工作频率fk表示，ECS 计算能力的集合记为f={fk}k∈K。

图2 网络模型Fig. 2 Network model

（1）用户卸载子模型。

在能源互联网用户侧场景下，5G 边缘计算网络需保证终端的计算任务及时得到处理，记每个时段的任务处理时延限制为

（4）5G 基站储能子模型。

5G 基站均配备有储能单元设备，为基站通信设备与ECS 提供储备用电。储能充放电功率受到最大容量和剩余容量的限制，满足

2.2 问题建立

现有工作尚未研究联合调度5G 基站通信、ECS 计算资源以及5G 基站储能资源参与需求响应，考虑到5G 边缘计算网络的通信与计算负载具有可调节性，在提供通信服务的同时，可通过任务卸载与资源分配策略调整网络负载的空间分布以实现空间维度上的用电负荷转移，为电网产生需求响应能力；同时随着5G 基站电池质量优化，5G 基站将在未来具有充足的储能资源为需求响应以及通信与计算服务提供充足电能。进而，本文以网络用电成本最优为目标，设计联合任务卸载与需求响应策略，令5G 边缘计算网络参与基于电价的需求响应并保障通信用户体验。记ct表示时段t的分时电价，考虑用户服务体验约束下的5G 边缘计算网络需求响应目标函数为

其中：[a]+表 示取值 max{a,0}；式（1）表示每个时段内的终端均只能选择一个ECS 进行任务卸载；式（4）和式（8）分别为带宽分配以及计算资源分配约束；式（9）为电力通信业务指定的处理时延限制；式（12）表示充放电上下界；式（13）要求5G 网络的储能设备在整个响应周期结束后的状态保持不变；由于变量Dti,k= {0,1}以及式（3）～（5）的存在，式（14）为MINLP 问题，卸载决策变量以及资源分配变量相互耦合，并且将随着边缘计算网络的ECS、终端数目增加而增加求解复杂度。

3 基于GBD 的联合任务卸载与需求响应优化问题求解

3.1 5G 边缘计算网络响应规模分析

式（14）的变量包含了任务卸载决策变量D，通信功率p与计算资源分配变量f以及蓄能单元充放电变量B。区别于现有边缘计算任务卸载研究仅考虑单时隙优化，由于多时段通信功率分配决策与充放电变量引入，本文的任务卸载模型需考虑需求响应跨时段优化，致使任务卸载与通信功率变量数目由响应时间长度、5G 基站/ECS数量以及服务用户数目I×K×T决定，相比于现有工作具有更庞大的变量数目，无法直接采用类似任务卸载算法直接求解。例如关于100 个ECS、每个ECS 平均服务1 000 个用户的超大型通信场景将产生近 106数量级的变量，将产生高计算复杂度。若考虑5G 微基站这类覆盖范围较小，平均仅需服务20～50 个用户的小型通信场景，涉及变量与求解复杂度骤减。同时，文献[8]指出当5G大型无线蜂窝通信网络按10～20 个小区划分，平均每个小区仅含5～10 个基站的场景下，依旧能够接近问题最优解。因此，本文限定研究场景为多个微基站（small base station, SBS）密集部署的情况。本文模型在能源互联网用户侧场景中具有普适性，主要涉及电动汽车充电、居民用户用电行为画像等电力业务，涉及范围不超出1 km，通常采用SBS 密集部署，多个SBS 可有效覆盖。

另外，0-1 决策变量的稀疏化可有效避免问题求解时过多0-1 变量影响算法求解速度。当终端仅与一个ECS 连接时，式（1）存在，该类电力用户必然选择本地ECS 进行卸载，因此可限定该类用户的卸载变量为已知值，并记只与一个ECS 连接的用户集合为I′，该类用户无须考虑任务卸载决策子问题，仅需完成对应的资源分配与需求响应联合优化子问题求解。

3.2 基于GBD 的任务卸载与需求响应联合优化算法

GBD 方法具有结构简单，收敛性好以及无须构建初始可行解的优势，通过分解原问题成由一个混合整数非线性规划（MINLP）主问题以及多个只含连续变量的子问题组成的优化问题，可分开处理连续变量与整数变量，降低求解复杂度[26]。本文将基于GBD 方法完成任务卸载与需求响应优化问题的联合求解。首先，为避免计算资源分配变量f取值为0 引起式（7）产生“除以零”的数学错误，引入一个正实数 σ扩 展f的取值范围，记扩 展 后 的 变 量fˆik=σ+fik，其 中fˆik∈[σ,σ+1]。同时引入一个辅助变量Pk作为式（14）的上界，得到式（15）。值得注意的是，辅助变量Pk的引入用于避免式（14）用电成本取负值，不影响最终问题的求解。

通过求解式（15），可获取原问题即式（14）最优解的上界。式（15）求解分为两部分进行，基于GBD 方法将式（15）分解为固定资源分配与储能电池充放电决策下的终端电力业务卸载主问题，基于固定任务卸载决策的储能充放电决策子问题，AAU 发射功率子问题以及ECS 计算资源分配子问题。基于GBD 方法变形后的总问题为

固定资源分配与储能充放电决策下的主问题为

式中：z为引入的辅助连续变量；F表示子问题的最优解集合；V为子问题的次优解集合； φα、 Θβ分别为用于求解子问题获取最优解以及次优解集合的辅助函数，基于拉格朗日乘子法构建，流程参考文献[25]。主问题的任务卸载决策变量可通过分支定界法实现求解。进而，定义Uq为在第q次迭代中子问题的最优值，该值对应式（15）的上界，式（20）在第q次迭代得到的解z¯q记为式（15）的下界Qq。通过多次交替迭代，当满足Uq-Qq≤τ时算法终止迭代，视为获取近似最优解， τ是一个非负实数。具体的联合任务卸载与需求响应优化算法流程如图3 所示。

图3 算法流程Fig. 3 Algorithm flow chart

4 仿真分析

本文基于Matlab R2019a 仿真平台进行仿真验证，服务器环境为Intel(R) Core(TM) i7-10700F CPU @2.90 GHz，32 G 内存。子问题采用CVX 工具箱完成求解。考虑一个如图2 所示的2×2 km2面积的仿真网络场景，其中6 台ECS 均匀分布在上述场景中，各台ECS 间隔200 m。各ECS 的覆盖范围相互部分重叠，各ECS 通过光纤链路相连。每个ECS 覆盖范围内的服务用户数目服从为λIk=100的泊松分布，并且用户位置随机分布在上述场景中。设各电力计算业务数据规模服从s=0.5 Mb的指数分布。本文的分时电价采用文献[25]的数据，即在08:00—12:00，17:00—21:00 时段，电价标准为0.932 9 元/（kW·h），在12:00—17:00，21:00—24:00，电价标准为0.588 1 元/(kW·h)，00:00—08:00 时段为0.243 3 元/(kW·h)。在本文仿真中，为简化计算，假设所有ECS 具有相同的计算资源，需要注意的是，本文算法在ECS 具有不同计算资源的仿真场景一样适用。另外，ECS 附属基站的静态功耗参数以及信道增益 Γik的计算请参考文献[13]。最后，其他仿真参数如表1 所示。

表1 仿真参数设定Table 1 Simulation parameters

在下述仿真实例中，本文算法将与仅考虑5G基站用户接入与带宽资源分配的需求响应策略[8]以及仅考虑ECS 任务卸载的需求响应策略[20]在时延性能、用电成本上进行对比。其中图4 为一天内按小时分为24 个时段的边缘计算网络计算负载分布，设每个时段下的到达6 台ECS 的总计算任务流量与图4 预测结果一致。

图4 一天内的边缘网络计算负载分布Fig. 4 Network traffic in one day

表2 展示了在某地区6 台ECS 在不同策略场景下参与分时电价需求响应产生的用电成本总和以及通信与计算时延总和。其中，仅基于用户接入与通信资源调度的需求响应策略无法调整计算任务在网络中的分布，致使部分5G 基站与ECS具有更高的通信与计算能耗，进而导致场景2 具有最高的用电成本；尽管场景3 无法调整通信资源，然而任务卸载技术调整用户的卸载决策与计算负载在空间的分布，使5G 边缘计算网络以较低的计算能耗完成任务计算并参与响应。本文所提策略联合调整用户卸载决策、附属基站通信功率以及ECS 的CPU 工作频率，相比于仅调节通信资源以及仅调节计算资源的后两个场景均具有更优的用电成本以及较低的网络时延性能，证明了联合任务卸载与需求响应策略的可行性。

表2 3 种场景响应结果对比Table 2 Comparison of response results under three scenarios

图5 为3 种响应策略在24 个时段下的用电成本变化。除了时段4、8、9、11 和18 出现一定波动，24 个时段下用电成本最高的5G 边缘计算网络需求响应策略为仅考虑通信资源分配的响应策略，该策略无法调整任务卸载决策，导致部分5G 基站尽管可通过调整AAU 工作功率以牺牲用户体验换取低用电成本，但大量计算任务接入产生的通信与计算用能无法靠牺牲性能而弥补，导致该策略用电成本上升；第2 个对比策略尽管考虑任务卸载，但无法调节AAU 功率，导致5G 基站通信用能占比较高引起用电成本上升。相比于上述策略，本文所提策略有效调用了通信与电力资源，通过联合充放电弥补外部购电量减少或牺牲通信性能换取整体时段用电成本削减，如时段15～18的计算高峰时段依旧具有整体最优的用电开销，令5G 边缘计算网络为电网提供可观的响应能力。

图5 各时段的用电成本Fig. 5 Electric bill in each period

各时段内3 种响应策略的通信与计算时延性能如图6 所示。尽管任务通信与计算时延仅作为目标函数的约束存在，而非直接优化的目标函数，但在部分情况下到达较多计算负载时无法通过牺牲时延性能换取低用电成本，2 种对比响应策略仅具有一种调度手段，无法进一步转移负载或者调用储能单元放电提升性能，致使了用电成本与时延性能同时上升；本文策略可通过联合任务卸载与通信资源分配调度计算负载在网络中的空间分布，或优化5G 基站储能单元放电动作实现5G 边缘网络用电负荷在空间中的转移，并保证不超出处理时延限制的情况下换取更优的用电成本优化，如图4 中时段11、15 和17 计算负载较大，并且属于高电价期，所提策略通过放电动作满足通信性能，令时延依旧优于对比策略，证明了本文所提策略能够在考虑通信指标情况下依旧能够有效削减用电成本。

图6 各时段的通信与计算时延性能Fig. 6 Delay performance of communication and computing in each period

网络中参与响应的ECS 规模变化对用电成本性能的影响如图7 所示。网络规模逐渐增大时，尽管ECS 数目的增加将造成用电成本上升，但计算任务负载可转移地点也具有更多选择，因此用电成本的增长速率也随着ECS 数目增加而逐渐变缓。如ECS 数目为7 台时，随着ECS 数目继续增加，处理时延指标随着边缘计算网络整体算力的增加开始逐渐下降，边缘网络通过任务卸载调整用户计算任务分布使得业务能够更快得到处理，同时本文所提策略还可同时调整CPU 频率、无线通信天线功率，令5G 边缘计算网络用电成本有效下降。进而，参与需求响应的5G 边缘计算网络规模一定程度的扩张有利于本文所提策略对时延与用电成本性能的均衡调整。

图7 网络规模变化对算法优化的影响Fig. 7 The impact of network scale on algorithm performance

图8 展示了处理时延限制变化对响应策略用电成本优化的影响。在业务处理时延限制要求较高，如计算业务需要在1 s 内完成计算的情况下，ECS 将优先考虑保证用户服务体验，并减少为电网提供的需求响应能力；但随着业务时延限制放宽，储能容量不参与响应的前提下，ECS 可以通过降低CPU 工作频率以及AAU 工作功率，进而牺牲少量时延性能，以换取更低的用电成本。图7 的结果进一步证明了5G 边缘计算网络的需求响应能力主要由处理时延限制以及储能单元容量决定。

图8 时延约束对响应策略性能的影响Fig. 8 The impact of delay constraint on algorithm performance

5 结论

为推进通信与电力领域融合，优化5G 通信用能结构，文章研究了5G 边缘计算与需求响应的联合优化，提出了联合任务卸载与需求响应概念，针对5G 边缘网络用电成本优化问题为混合整数非线性规划且实际场景过大引起变量膨胀的问题设计了一种结合场景划分法的广义benders 分解算法。最后，通过算例证明了本文策略的有效性，得出结论：（1）通过联合优化任务卸载、通信与计算资源分配以及5G 基站需求响应动作，相比仅考虑5G 基站通信资源调度的需求响应策略，所提策略的用电成本平均降低到对比策略的96.15%；（2）相比于仅考虑5G 基站通信资源调度的需求响应策略，所提策略在优化用电成本同时避免通信时延过度牺牲，任务处理时延性能为对比策略的98.15%。

尽管本文所提模型首次研究并验证了联合边缘计算任务卸载与5G 基站需求响应的可行性，但是由于移动网络的用户移动性强，同时可再生能源引入对5G 基站用能具有较大影响，如何考虑多种不确定性的前提下实现5G 边缘计算网络参与电网经济调度仍是未来工作需要继续探讨的问题。