面向无人集群的边缘计算技术综述

2023-10-07薛建强史彦军李波

兵工学报 2023年9期

薛建强, 史彦军, 李波

(1.中兵智能创新研究院有限公司, 北京 100072; 2.群体协同与自主实验室, 北京 100072;3.大连理工大学机械工程学院, 辽宁大连 116024)

0 引言

无人集群作战是指通过多无人平台的传感设备获取战场实时数据,并通过可靠通信网络实现信息交换,充分发挥自身作战能力,以最大化作战效益的一种作战模式。该模式具有分布式决策、体系鲁棒性高、效费交换比高等优势,目前已成为未来无人作战发展的主要趋势之一。

现代作战中高效信息流通是保障作战效率的关键因素。由于作战环境充满电磁辐射干扰,向云服务中心的请求通常会受限于较高的传输成本和时延。另外,对于传统的中心式作战决策模式,由于由局部态势信息向中心的共享存在滞后和不一致问题,无法将决策中心、战地指挥所与信息流末端的作战平台形成统一的调度和管理。通常高层决策中心决策时所依赖的信息已经过逐级处理,这势必会把部分对态势评估有价值的信息忽略掉。同时随着越来越多的智能化作战平台投入战场,终端会产生大量的数据而得不到及时的利用,庞大的信息整合与处理对指挥决策而言是一大挑战。

根据《解放军报》2021年11月30日的作战专论“智能化战争:强者胜的三个维度”,未来智能化战争中,连接力、计算力、认知力等新的战斗力因子成为左右战争胜负的新变量,其中计算力强者胜理念推动了算力的云边端供给模式。特别是近年来,美军大力发展类似F-22战机充当“战斗云”(云+边+端计算模式),提高无人系统的人工智能技术含量,以推动自主作战平台的自协同能力提升等。

基于当前无人集群作战的背景下,战场决策与控制权逐渐从云上向战术边缘下沉,从平台的角度来看,旨在充分开发边缘平台数据获取、自主决策的能力。从作战任务环境来看,决策与控制的下沉弥补了单平台资源紧缺、信息受限、能力不足等缺点,能够针对日益复杂的任务和动态变化的作战边界做出及时响应。

云边端模式下的边缘计算具备低延迟、高安全性、低流量等优势,能够提供作战平台高可靠和隐私保护的本地计算服务,在军事领域具有广泛的应用需求和前景[1]。为此本文拟面向未来智能化战争的无人集群作战技术,研究“云+边+端”计算模式下边缘计算的发展现状和未来趋势。

本文对无人集群、边缘计算的发展简史以及整体过程进行纵向简述,提出面向战术边缘的云-边-端分布式系统框架,引出目前无人集群作战背景下边缘计算的关键技术;综述了该框架涉及的边缘计算框架、边云协同、计算卸载、边缘指挥控制等关键技术;阐明了无人集群边缘计算发展趋势并对全文进行了总结。

1 无人集群与边缘计算

无人集群作战一般是指由大量具有一定自主能力的单功能或多功能的无人作战单元,通过依托去中心化自组织网络和分布式智能决策,形成一种高效打击、跨平台协同、信息流贯通的先进作战模式[2]。目前该领域已经成为研究热点,有着较多的研究成果。在无人集群作战架构方面,王勇等[3]提出一种以岸基/舰载指挥中心为中心云,以无人平台为边缘云的“云边一体”海上有人/无人集群协同控制架构,以实现集群协同控制,提升任务规划速度和执行效果。在无人集群信息共享方面,臧义华等[4]提出了一种基于区块链和内容寻址的集群信息共享构架,以解决多类型信息存储与高效安全共识机制问题。

此外,针对无人集群作战面临战场环境复杂多变、算力资源稀缺、超低延迟回路、海量数据处理等挑战,陆晓安[5]构建了设计基于仿生学狼群行为下的集群运动模型,基于任务改进狼群算法的寻优机制匹配集群运动策略。

边缘计算作为中心式云计算的延伸,是一种将远端云计算能力拓展至数据源产生的边缘侧,实现大规模应用数据从原来要上传至云端计算转变为通过一定的调度规划实现数据直接在边缘侧完成计算的计算范式或计算技术,以达到业务的快速处理和及时响应。美军根据计算设备部署的位置给出了云计算分类,如图1所示。从分类上看,边缘计算更靠近战术云和边缘云一侧。依托该技术可以把云计算服务下沉到战术边缘,从而实现向边缘作战单元提供低时延、高可靠的计算、存储、数据共享服务。

图1 美军云计算分类[5]

智能化战场的无人集群作战需要强大的连接力、计算力、认知力,出现了算力的云边端供给模式、马赛克战和边缘作战模式[6],其边缘指挥与控制需要新的计算模式。边缘计算作为一种先进计算范式,可应对上述挑战,有着较多的研究成果。此外,美军正从以云计算为核心的技术体系向战术级能力方向演进,开展了战术薄云、战术微云、联合信息环境等研究(见图1),核心是把云计算能力下沉到边缘侧的战术级服务[7]。对于战术边缘云,严红等[7]通过分析边缘云部署环境需求,给出了边缘云使用模式、战术边缘服务网格系统架构,提出了边缘服务相关关键技术,以服务于多样化军事任务需求。为匹配机动作战过程中任务处理的实时性和信息互通流转的需求,陈霄等[8]以美军的机动边缘信息服务发展现状为切入点,归纳总结了其信息服务能力。张洪瑞等[9]基于边缘计算的装备感知同步系统构想,对装备感知同步系统进行需求分析,提出设计方案并对相关技术进行了研究。可见,边缘计算已经成为战术边缘指控的重要技术,值得深入研究。

无人集群背景下的边缘计算,目前有如下相关工作。针对边缘侧资源分配问题,Huang等[10]根据无人机集群处理能耗以及多跳传输时延问题,研究并提出了一种无人机群体边缘计算的分组和角色划分算法,最大限度地利用了通信和计算资源。Chen等[11]针对无人机集群存在通信和计算限制的情况,提出一种服务驱动的协同移动边缘计算模型,用来降低无人机集群的计算密集型和延迟关键型服务延迟。Yu等[12]面向战场环境,提出了一种基于移动边缘计算的飞行自组织网络(FAN-MEC),如图2 所示。代兴宇等[13]为实现边缘计算支撑我国军事应用时的端到端安全保障,融合区块链和人工智能技术强化边缘防护的应变能力和可信能力。针对无人集群的边缘计算中总体任务处理时延问题,Wang等[14]提出一种最优协同计算卸载方法,该方法将任务卸载看作一个整数线性规划问题,并采用一种低复杂度的最优协同计算卸载算法来求解。

图2 FAN-MEC的整体架构[10]

在以上工作基础上,结合边缘计算在无人集群作战中的优势,本文重点针对无人集群作战中高可靠、高实时、高可用等服务需求,给出了一种面向无人集群的云-边-端分布式协同系统框架,如图3所示。

图3 面向战术边缘的云-边-端分布式系统框架

以下对系统中的边端协同、云边协同和云边端协同模块进行介绍。

1)边端协同。端节点为具有一定自主能力的无人作战单元,如感知、导航能力等。不同负载的节点通过自组织网络,形成具有不同打击能力的作战集群。边缘节点通过容器技术部署了边缘服务。端侧节点通过MQTT订阅/发布机制与边侧节点进行信息交互。边侧节点对上传后的数据进行数据持久化操作,形成具有分布式边缘自治能力的战术数据库,通过设备管理组件对无人作战集群进行协同控制。

2)云边协同。边缘侧有限的交互信息无法支持全局态势感知、目标的推理与预测,因此需要云边协同技术。边侧的EdgeHub和云侧的CloudHub通过WebSocket协议实现信息交互。云侧的设备管理组件实现边缘节点的管理和云侧计算、存储、网络资源的调度控制。考虑到通常的作战都为拒止环境,同时恶劣的战场环境带宽资源有限,因此以上信息交互无需时刻保持,每当一次小规模战斗结束后,进行云到边的指令下发,边数据到云的上传,完成云边协同控制。

3)云边端协同。每当一次战役结束后,云端汇聚来自端侧和边侧的海量的真实战场数据,基于集成了AI算法库的智能底座对模型进行学习和训练,对全局态势进行融合。同时,在作战间隙或通信良好的状态下,云把训练好的模型推送到分布式边侧节点上,完成新模型的快速部署,实现云边平行学习的智能闭环。

本文框架通过对边缘侧海量数据的在线学习构建真实战场情境的经验库,每当需要临机决策时能快速根据即时的战场状态信息,利用部署在边缘侧的模型生成下一步的细粒度作战指令,做到对局部战场的边缘自治管理。同时,基于已打通的云-边-端通信链路网,指挥云节点能直接跨级对端节点的直接控制,利用全域的状态信息在战术上实现精准微调,实现云边端一体化作战的思想。

为实现上述框架中的核心目标,即快速决策,需要在边缘侧为作战业务提供算力、存储、应用等能力,同时在云侧需要满足任务协调、云边管理的能力。需求牵引技术发展方向,因此分布式系统框架的关键技术包括边缘计算框架技术、边云协同技术、计算卸载技术、边缘指挥控制技术等,下面展开综述。

2 边缘计算框架与关键技术

自从边缘计算概念被定义以来,许多组织已经研究了标准规则和技术。早在2016年,由IEEE和ACM正式成立了IEEE/ACM Symposium on Edge Computing学术论坛,对边缘计算的应用价值和研究方向展开讨论。ISO/IEC JTC1 SC41成立了边缘计算研究小组,以推动边缘计算的标准化工作。

2.1 边缘计算框架技术

边缘计算的核心是快速决策,需赋予该范式基于业务的算力、网络、存储、安全等能力。为此,需考虑各分布式能力在云边端中的配比,以及如何让这些能力有效联结以实现快速、高效决策。当前通用的计算架构已趋于稳定,但针对垂直应用的架构仍处于演进阶段,以下对相关工作进行阐述。

边缘计算产业联盟(ECC)在2018年提出了边缘计算参考架构[15](见图4),该架构实现了物理域和数字域的协作,将物理世界的全生命周期数据与过程数据建立同步。该架构将整个系统分为云、边缘和现场三层,边缘计算位于云和现场层中间,边缘层向下支持各种现场设备的接入,向上可以与云端对接。

图4 边缘架构参考框架[15]

边缘层包括边缘节点和边缘管理器两个主要部分。边缘节点是硬件实体,承载边缘计算的核心业务。边缘计算节点根据业务侧重点和硬件特点不同,包括以网络协议处理和转换为重点边缘网关、以支持实施闭环控制业务为重点的边缘控制器、以大规模数据处理为重点的边缘云、以低功耗信息采集和处理为重点的边缘传感器。边缘管理器呈现的核心是软件,主要功能是对边缘节点进行统一的管理。

边缘计算节点一般具有计算、网络和存储资源的功能,边缘计算系统对资源的使用有两种方式:1)直接将计算、网络和存储资源进行封装、提供调用接口;2)通过模型驱动实现业务的编排组合调用等功能,实现业务的开发和敏捷部署。

边缘计算的参考架构从计算实现的角度为后续具体场景的应用提供了参考。如Rahbari等[16]为了实现无人机在集群层面进行有效合作,提出了一种新的边缘到雾协作计算框架。赵航等[17]详细研究了KubeEdge边缘计算系统,并在双臂协作机器人零部件装配的场景下实现应用,为面向无人集群的边缘计算技术提供了思路。Yang等[18]设计了一种基于电力物联网的可信边缘计算框架——Edge Keeper,并给出安全可信、实时性QoS保障、应用管理以及云边协同实现的关键技术方法。Asim等[19]提出了一种支持多无人机的自主移动边缘计算系统,通过设计多架无人机的最佳轨迹来减少自主系统的整体能耗。

2.2 边云协同技术

边云协同是指在边缘计算中更好地发挥云计算与边缘计算的优势,进而使得作战资源集成增效。面向无人集群作战的云边协同,本质上是各自承载的核心业务协同和跨域异构数据的协同,相关工作如下。

王睿等[20]针对边缘协同推理、边缘协同推理核心智能化方法与架构、边缘协同推理在动态场景下的挑战与展望进行了详细的文献调研,对不同关键技术进行了横向比较以及适用场景分析,并给出了值得研究的若干发展方向。Yu等[21]提出了一种基于无人机支持的边缘云协作物联网系统架构。刘子杰等[22]通过计算差分文件,提出了一种边云协同数据同步方案。张凯歌等[23]针对无人装备边缘智能终端平台,提出了一种边缘云计算处理框架,利用知识蒸馏对训练模型轻量化,加速了模型推理时间。韩鑫鑫[24]针对边缘云协同系统中的数据缓存问题,提出一种基于半定松弛的求解计算卸载问题的算法。肖迁等[25]以区域能源互联网(REI)为分布式边缘控制单元,建立了含云服务层、边缘服务层、设备层的REI边云协同架构。可见边云协同对于边缘计算性能具有重要作用。

2.3 计算卸载技术

计算任务卸载是边缘计算的核心业务,核心是对计算任务进行合理高效分配,解决数据“在哪算,如何算”的问题,对于解决边缘节点资源受限的问题具有重要作用。该技术以分布式计算为基本思想,进行算力在云边的规划与调度,整合云边端众多算力资源,实现算力的高效调度、分配和迁移。该技术目前是研究热点,针对卸载模型和算法的相关工作如下。

在计算卸载系统与模型方面,Chen等[26]为提高边缘计算中计算卸载的计算性能,提出一种无人机辅助移动边缘计算系统。该系统利用无人机为地面移动边缘计算系统提供补充计算资源,将用户之间的非合作交互进行随机博弈建模,并提出一种基于深度强化学习技术的算法来求近似纳什均衡解,显著提高了计算性能。Li等[27]为针对边缘计算中的计算卸载过程终端设备能耗问题,建立了非线性工作流模型,并基于图的划分技术,提出了Graph4 Edge-Nonlinear策略,较好地降低了终端设备能耗。Wang等[28]根据灾后救援和战场监测等实际场景下使用终端设备本身作为边缘服务器时移动性和功率的限制,提出了一种能够容忍多个服务器故障的鲁棒任务卸载的动态边缘计算模型和一种在线的即时卸载的原对偶算法,并对比验证了其动态性。王万斌[29]通过对战术智能终端(TST)及其任务的显著特点进行研究,对面向TST任务的移动边缘计算卸载决策研究不足进行补充,通过制定合适的卸载策略来最大化满足军事用户需求。

在计算卸载策略与算法方面,NG Wei等[30]提出了一种编码分布式计算方法,以减少边缘服务器的分散、能量和计算的限制以及天气的不确定性等原因引起的无人机计算任务卸载失败问题。同时为最大限度地降低网络成本和无人机的能量消耗,设计了一种两阶段随机编码卸载方案。采用多阶段随机整数规划优化计算子任务,具有较好的降低能耗作用。Kobari等[31]提出一种基于Q-learning算法的负载平衡方法,该方法结合了边缘计算的低通信延迟和云计算的高处理能力,使用Q-learning来平衡边缘服务器和云服务器之间的网络负载,在减少平均服务时间的同时降低了任务失败率。Chuang等[32]面向物联网环境数据卸载到边缘节点或云服务器的场景,提出了一种动态多资源管理,应用多资源二元粒子群优化(MR-BPSO)算法来分配动态物联网环境下的多个资源,最终实验结果表明提出的MR-BPSO算法具有更好的性能。Wang等[33]针对当前系统面临的包括终端丢失、消息处理延迟和高开销成本等问题,提出了基于马尔可夫决策的边缘计算卸载机制,并使用了人工鱼群方法,对原算法进行了优化。

2.4 边缘指挥控制技术

边缘指挥控制技术的核心在于快速决策,发挥云边协同、边边协同、边端协同的能效优势,为指挥控制提供了一种“自上而下任务式”与“自下而上事件式”有机结合的新范式。这样的范式不仅能加快信息流在指挥系统内的传播,打破局部观测的信息壁垒,同时利用边侧信息形成局部边缘自治。

当前指挥控制技术一般分为中心化和无中心两种指控模式[34]。中心化指控模式[35]设计的科学原理通常基于过去的经验和对未来的假设设计组织的使命任务,对使命任务进行分解、建立最佳程序或过程,设置程序或过程处理需要的决策单元,并建立决策单元间的层级关联,形成决策中心。中心化指控模式[36]基本程序示意如图5所示。联合作战指挥中心下达行动指令,指令分发到各类作战平台,各平台将指令分解为具有依赖关系的任务链(T1～T7),最后分布式执行细粒度任务。但随着战争形态的改变、不确定环境的显现和去中心化趋势的加强,中心化的指控在应对突发、大量事件型驱动的任务时,难以做到“发现即打击”的作战需求。与传统指控相比,去中心化的边缘指控强调任务自发现、资源自寻找、行动自决定、效果自评估的作战理念。美军提出的马赛克战也正是小单元和边缘地位提升的反映,是网络信息时代典型的边缘作战。

图5 中心化指控模式基本程序示意图[36]

边缘指挥控制技术是目前作战模式的研究热点,有着较多研究成果。张维明等[36]指出边缘作战将更加适用于未来小范围作战,具有自主搜寻任务、寻找资源、指挥行为、调整评估效果等多种特征的新范式,是自上而下任务式指挥与自下而上事件式指挥的结合,提升边缘指挥控制能力可从多方面实施。许莺等[37]对基于边缘计算的指挥控制系统中的侦察监视功能进行了优化与设计,通过改进K-Medoids算法快速给出聚合方案,降低了系统网络的带宽消耗。孙立健等[6]认为边缘指挥与控制(C2)是有效利用马赛克战兵力设计原则和实现边缘作战概念的必然选择。马赛克战通过利用先进网络的能力无缝地跨作战域共享信息,基于设计的兵力生成高度弹性的冗余节点网络和多条杀伤链。通过分析C2信息传递流程,提出决策融合的新理念。Chen等[38]提出智能化战争的特点是联合作战,需要分散的C2获得决策优势,前线指挥员可以根据上级的意图独立行动,并探讨了信息化边缘C2在信息获取、传输、处理和应用方面的决策指挥优势及其运行机制,预测了智能化作战的发展趋势。

2.5 其他技术

除了2.1～2.4节中提到的关键技术,边缘计算还包括安全、边缘自治等技术。安全和数据隐私防护通过加密或脱敏等措施,防止我方战争信息受泄露威胁,是战场上必须考虑的问题;边缘自治能力保障了无人作战集群单节点处于离线时的自我控制与决策的能力。以下简要阐述。

在安全方面,郭凯阳等[39]针对广泛存在的军事场景下智能设备使用时存在的数据安全泄露问题,提出一种基于边缘计算的访问控制方案,减少了解密开销,访问控制结构图如图6所示。Xu等[40]面向无人驾驶飞行器的边缘计算问题,提出了一种基于Stackelberg动态博弈的资源定价和交易方案,该方案将区块链融入资源交易过程,确保安全和隐私。此外,Li等[41]提出了一种基于区块链的安全成本感知数据缓存方案,以优化缓存数据的放置,防止缓存数据被篡改。Ibrahim[42]也提出了一种允许任何用户设备使用雾区中的任何雾节点进行身份验证的双向认证方案分层雾框架。Gawas等[43]面向车辆边缘计算和网络问题,提出了一种双层认证的联盟区块链协议,用于车辆边缘计算和网络中的安全信息共享。Ni等[44]研究了移动边缘计算数据处理中的安全、隐私和效率挑战,并讨论了借助边缘计算增强数据安全性和提高计算效率的场景,包括安全的数据聚合、安全的数据重复删除和安全的计算卸载。

图6 访问控制方案结构图[36]

在边缘自治方面,Gao等[45]针对军用异构网络经常受到攻击而出现节点或边缘故障,导致整个网络拓扑分段甚至瘫痪问题,提出了一种基于网络结构熵的军用异构网络生存能力评估新方法。陈霄等[46]研究了目前应用最为广泛的三种边缘自治策略的原理和研究现状,基于网络不可逆性,提出了一种既考虑节点又考虑边的自治模型。Wang等[47]针对完全去中心化的环境提出了一种基于对抗模仿学习的分散式计算卸载算法,解决了不同边缘设备之间的自治性问题。Callearo等[48]针对城市无人机的应用场景进行研究,引入了“信息自治”的概念,提出了一个用于边缘辅助无人机应用程序的自适应框架。Li等[49]提出一种基于边扩展图和二元决策图的方法,来评估指挥控制和控制网络的基础指挥所内的连通性和可靠性,解决了传统方法无法对节点链路失效概率进行建模、计算效率低下的问题。Larsson等[50]基于无冲突复制数据类型(CRDT)的共享数据库,提出了一种保持集群自治、允许集群协同处理错误条件,并扩展以支持边缘云用例的边缘计算系统。

3 无人集群下边缘计算发展趋势

1)作战模式向数据驱动虚实一体化方向演进

未来无人集群会把海量数据汇聚到云端形成战场知识样本数据。在云端会建立虚拟对抗博弈训练模型,模型通过大量的学习样本进行训练,得到样本积累的途径有:建立对抗博弈平台进行兵棋推演、人机对抗、红蓝对抗,积累数据进行建模[34]。目前,美军已将元宇宙作为一种虚实一体化作战的潜在方式。未来,利用虚拟现实、增加现实等数字化技术来提升作战能力,可能将成为一种验证作战理念和作战方式的新举措。

2)作战边缘服务趋向于轻量化容器部署

基于轻量级容器技术能克服传统虚机部署繁重的流程,构建松耦合的服务交互关系,实现战场应用从开发、测试、部署的全生命周期的快速迭代。基于容器化的服务部署可将开发好的应用连同所依赖的环境打包成镜像推送到云端,边缘节点通过拉取镜像就能实现快速部署。同时,容器调度编排模块分布在不同宿主机上,通过容器网络接口构建一个通信网络,从而实现服务的分布式计算和管理[51]。将来,轻量化容器部署这种能够快速试错、调整重构、开发新功能并发布的技术,能为复杂多变的战场需求带来新的机遇。

3)无人集群协同趋向于分布式边缘自治

去中心化分布式作战融合了无人机器高度的自主性、网络化通信、协同任务规划等特点,作战优势明显,成本低,效能高,数量多,人员伤亡小,补充快,战场生存能力强[52]。未来网络化、智能化战争必然对集群在边缘侧的计算资源调度、分布式存储和即时信息共享提出了更高的要求,尤其是如何在能量受限、资源受限、通信受限以及战场环境受限的条件下,针对模型未知的多无人集群系统,研究具有自主学习和自主优化能力的边缘自治集群,实现多集群的快速决策和最优协同控制显得更加重要。随着大数据和深度强化学习技术在无人集群作战场景下的应用,越来越精确的模型和算法将主导无人集群的决策与控制,边缘侧的管理也将更会趋向于分布式的无人集群自治。

4)无人集群边缘智能向人机共融方向演进

虽然无人集群作战强调其自身的观察、判断、认知、决策的OODA闭环,但现阶段针对无人集群的态势感知、协同控制、智能化决策的应用还处于弱智能阶段[53]。美军2016年发布的《小型无人机系统飞行规划2016—2036》就提出了新式集群作战概念,强调有人无人集群编队作战的理念[54]。多样化的侦察与反侦察,还有敌我部署、火力布置、威胁来源等态势信息的融合,对于现阶段集群智能来说依然存在很大考验[55],依托边缘计算中信息共享与泛在智能的能力,未来不仅考虑机器的自发性智能,同时也需充分利用人的先验知识与决策能力,在面对临机任务、时敏任务时才能更好地发挥无人集群作战的能效。