面向绿色物联网的选择性卸载

面向绿色物联网的移动边缘计算中的选择性卸载

摘要

移动边缘计算为无线接入网络提供云计算能力，以满足物联网服务对高可靠性和低延迟的需求。将服务卸载到边缘服务器可以缓解存储和计算限制，并延长物联网设备的寿命。然而，由于海量物联网设备的存在，MEC中的卸载面临可扩展性问题。本文提出了一种云、移动边缘计算和物联网的新型集成架构，并提出一种轻量级请求与准入框架来解决可扩展性问题。该框架无需设备间的协调，可在物联网设备和计算服务器上分别独立运行，通过在卸载请求中封装延迟需求实现。随后设计了一种选择性卸载方案以最小化设备的能耗，通过使设备能够自提名或自拒卸载，进一步降低信令开销。仿真结果表明，所提出的选择性卸载方案能够满足不同服务的延迟要求，并减少物联网设备的能耗。

引言

物联网（IoT）旨在为日常物品配备电子设备、软件、传感器和网络连接，将互联世界愿景变为现实[1, 2]。然而，计算密集型服务（如电子健康、自动驾驶和工业自动化）正在快速发展，超出了物联网设备的计算和存储能力。云计算提供了巨大的存储空间、计算资源和数据共享机会。通过移动网络将计算和存储任务从物联网设备卸载到云，移动云计算能够缓解计算与存储限制，并延长物联网设备寿命[3]。

由于核心网络中的计算单元使用共享回传资源，移动云计算可能无法满足物联网服务的可靠性和延迟要求。例如，紧急物联网服务（如移动车载连接、电子健康和工业自动化）需要超低延迟和极高的可靠性。此外，智能传感器产生的服务会生成大量数据。上传这些感知数据传输到云可能会浪费能源并导致核心网络中的交通拥堵。移动边缘计算（MEC）被引入以向无线接入网络提供云计算能力[4]。例如，宏/微/微微基站（BSs）可以连接到共址边缘服务器，以降低延迟、减轻回传链路的流量负担，并提供可靠服务。MEC的典型特征包括邻近性、高能效、低延迟、高吞吐量、移动性支持和位置感知[4]。这些特性与物联网服务的需求高度契合。

卸载会因设备与服务器之间的通信而产生额外能耗和延迟。早期关于任务卸载的研究主要集中于单设备决策上，即各个设备独立做出卸载决策，以最小化延迟[5]或能耗[6]。由于边缘服务器存在资源瓶颈，可扩展性成为移动边缘计算（MEC）中的一个关键问题[7–10]；也就是说，卸载规模与服务质量（QoS）之间存在权衡。尤其是在物联网时代，来自数百万设备的卸载服务将耗尽边缘服务器的计算资源，导致处理延迟增加，从而无法满足紧急物联网服务的需求。

现有研究通过在边缘服务器之间执行负载均衡以聚合和维持工作负载[7, 8]，或通过移动设备之间的协调来选择用于卸载的服务[9, 10]，从而解决可扩展性问题。另一方面，跨平台物联网服务已通过透明计算实现[11]，并且卸载决策与资源分配已在[12, 13]中被联合优化。然而，庞大的物联网设备规模要求对异构物联网服务实现高效服务发现和轻量级资源管理。

在本文中，我们提出了一种新颖的三层集成架构，包括云、移动边缘计算和物联网，并提出了一种轻量级请求与准入框架以解决可扩展性问题。基于所提出的框架，开发了一种选择性卸载方案，以最小化物联网设备的能耗，并进一步降低移动边缘计算的信令开销。我们的主要贡献总结如下。

云、移动边缘计算和物联网的集成架构

云与地理分布的边缘服务器可以相互补充，以满足物联网服务的各种需求。在集成过程中，通过利用边缘服务器的位置感知能力以及它们之间的低延迟互连，可将大范围内的物联网设备分组为虚拟集群，以实现高效的服务发现；同时，边缘服务器被组织成分层结构，通过跨不同层级的服务器聚合服务来应对峰值负载。

轻量级请求与准入框架

我们将每个设备确定的延迟要求封装在其卸载请求中，以解除不同设备间任务划分的依赖关系。所提出的请求与准入框架解决了移动边缘计算（MEC）的内在可扩展性问题，并可在设备和边缘服务器上分别独立运行，无需设备间的协调。

选择性卸载方案

我们提出了一种在请求与准入框架下的选择性卸载方案，以在满足不同服务的延迟要求的同时，最小化物联网设备的能量消耗。通过允许设备自主申请或自拒绝卸载，可进一步降低移动边缘计算的信令开销。

本文的其余部分组织如下。我们提出了三层集成架构，并设计了请求与准入框架。接着，我们阐述了选择性卸载方案，并通过数值结果评估其效率。最后，对本文进行总结。

云、移动边缘计算和物联网的集成架构

移动边缘计算可以与云相结合，以满足物联网服务的各种需求，如低延迟、高可靠性、位置感知和宽带需求。卸载能够节省本地执行的能量，并扩展物联网设备的存储和计算能力。然而，在服务发现、服务供给和负载聚合方面，云、移动边缘计算和物联网的集成仍然面临挑战。在本节中，我们提出了三层集成架构设计，并阐述了物联网中移动边缘计算的可扩展性问题。

三层集成架构

图1展示了所提出的用于云、移动边缘计算和物联网集成的三层集成架构：

• 用户平面 是底层，包含移动用户（例如智能手机、平板电脑和笔记本电脑）以及物联网设备，如工业执行器、可穿戴设备和智能传感器。这些设备可以根据其所有权、共址和共服务关系被分组为虚拟集群。

• 边缘计算平面 距用户较近。MEC在无线接入网络中提供云计算能力，以满足物联网服务的需求。地理分布的边缘服务器可以组织成分层结构，以高效利用资源，聚合服务，并在高峰时段维持工作负载。

• 云计算平面 位于核心网络中，由多个云服务器和数据中心组成，能够处理和存储海量数据。

在这种三层架构中，云中的数据中心能够执行复杂的计算和数据分析，因此负责处理需要大量存储和计算资源的延迟容忍服务，以增强边缘计算平面的任务处理能力。具体而言，物联网设备感知大量数据，并仅将服务卸载到边缘服务器，而不是直接卸载到云，从而减少决策所需的信令开销和相应的能耗。靠近用户平面的边缘服务器收集卸载的服务，优先处理延迟敏感服务以缓解回传链路的流量压力，并根据其工作负载将延迟容忍服务卸载至云。该集成架构的优势主要包括以下几点。

高效服务发现

在数百万物联网设备中，由于规模庞大，服务发现（即寻找能够提供所需数据或服务的正确设备）具有挑战性。在社交物联网（SIoT）范式[14]中，设备可以根据其所有权、位置和服务建立社会关系，以增强服务发现过程。边缘服务器了解这些物联网设备的位置和服务，并负责将这些设备分组为虚拟集群。虚拟集群中的设备具有相似的服务，可以将感知数据聚合到簇头，以进一步提高能效。此外，在边缘计算平面中，分层结构中的边缘服务器可以利用它们之间的低延迟互连，从广泛的地理位置访问设备，并提高物联网设备的服务可见性。

高性能计算即服务

物联网服务在延迟、数据量和可靠性方面可能具有显著不同的需求。传统的移动云计算无法满足工业自动化、电子健康和自动驾驶对低延迟和高可靠性的需求。通过部署边缘服务器，移动边缘计算有望将高性能计算作为一种服务，解决延迟波动问题并提供可靠服务。

工作负载聚合

为了弥补云在物联网服务的可靠性和延迟需求方面的不足，边缘服务器被部署在靠近用户的位置，并具有高度灵活的地理分布。然而，边缘服务器的部署在资源效率和服务提供之间面临权衡，尤其是在峰值负载期间。具体而言，边缘服务器部署不足会因计算资源缺乏而导致延迟过高，而通过密集部署提供过多资源则可能导致资源利用率低下。边缘服务器的树状分层架构通过在不同层级的服务器之间聚合服务，确保了高效的资源利用率，即使在高峰时段也能应对高负载。

然而，考虑到边缘服务器中的资源瓶颈，可扩展性是所提出的架构中固有的问题。

可扩展性问题

服务可以在本地执行，也可以卸载到云或边缘服务器。大量到达同一边缘服务器的任务将耗尽计算资源，并面临可扩展性问题。图2展示了所提出的集成架构中的可扩展性问题。当任务非同时到达时，卸载的任务可以轮流利用计算资源，从而实现所需的低延迟和高可靠性。然而，当任务同时到达时，将所有任务卸载到同一个边缘服务器可能会导致严重的资源稀缺，并因此遭受更长的服务延迟。

特别是在物联网场景中，成千上万的设备可能同时唤醒并竞争边缘服务器中的有限资源。这不仅显著降低了需要超低延迟和高可靠性的服务的用户体验，还影响了物联网设备的寿命，因为设备在等待计算结果时必须保持活跃状态。因此，边缘服务器的资源瓶颈和工作负载在卸载的任务数量与服务质量之间引入了权衡。此外，数百万设备及其服务之间的异构性会加剧可扩展性问题。

如图2所示，通过使用选择性卸载，设备可以：
- 在本地执行其任务
- 通过双连接等方式将任务卸载到边缘服务器2的低负载下[15]
- 通过边缘计算平面将任务卸载到云，以缓解可扩展性问题并平衡边缘服务器之间的工作负载

提议的请求和绿色物联网准入框架

绿色网络旨在降低能耗并最小化运营成本，在物联网范式中发挥着重要作用。这对于需要长期自主运行的能量受限传感器而言尤为重要。如可扩展性问题中所述，更长的活动时间将影响物联网设备寿命，因此需要通过选择性卸载来节约能源。然而，[9, 10]中的选择性卸载方案需要设备间的协调，这会导致数百万物联网设备的能源浪费。

在本节中，我们讨论移动边缘计算（MEC）中卸载的关键挑战，并提出一种面向绿色物联网的请求与准入框架。

MEC中的卸载挑战

任务划分的卸载策略在移动云计算中已得到广泛研究（例如，[5, 6]）。在[5]中，提出了一种动态规划方法，以在成本约束下最小化执行延迟。在[6]中，提出了一种针对多个设备的自适应滚动时域卸载策略，求解器可根据环境动态（例如，波动延迟）调整其卸载决策。然而，与云相比，MEC中的边缘服务器在存储和计算能力方面具有异构性且相对有限。对计算资源的竞争引入了设备间决策的耦合。因此，移动边缘计算中的卸载比移动云计算更具挑战性。

文献[9, 10]验证了由于资源瓶颈导致的可扩展性问题，并提出了选择性卸载方案。特别地，在[9]中，多个设备之间的卸载竞争被建模为一个顺序卸载博弈，移动设备按顺序做出卸载决策以获得稳定的卸载结果。假设任务具有极高的资源需求，在[10]中同一时间仅选择一个任务进行卸载，并提出了离线和在线算法来优化无线和计算资源的分配。在[12]中，提出了一种基于次模优化方法的启发式方案，用于联合优化卸载决策和资源分配，但仅适用于延迟容忍服务。

在移动边缘计算中为物联网开发高效卸载方案面临以下挑战。

协调成本

设备间的协调会消耗能量，并由于通信开销而产生额外的延迟。此外，协调成本随设备数量呈指数级增长，因此在考虑物联网规模（数百万台设备）时，实现协调可能会带来过高的成本。

任务划分之间的耦合

当前移动边缘计算中的选择性卸载方案[9, 10, 12]仅考虑将服务整体卸载，而未考虑像[5, 6]中那样卸载部分服务以提高效率。这是因为边缘服务器的资源瓶颈在不同设备的任务划分之间引入了强烈的耦合。要最优地解决该问题，需要全面掌握设备和边缘服务器的信息，包括未来任务到达和信道条件。

边缘服务器和设备的异构性

边缘服务器和物联网设备在计算和存储能力以及期望的服务方面都具有异构性。这种异构性使得卸载设备的选择更加具有挑战性。例如，拥有丰富计算资源的云可能更倾向于执行资源密集型和延迟容忍型服务，而将具有大量数据的延迟敏感服务卸载到边缘服务器，则可实现高可靠性和低延迟，并减少回传链路的能耗。

总之，协调成本要求为物联网设备开发一种轻量级方案，而任务划分之间的耦合则需要设备之间频繁通信，甚至需要对未来的任务到达和信道条件进行精确预测，以解决可扩展性问题。此外，由于边缘服务器和设备的异构性，从大量物联网设备中选择卸载设备更具挑战性。

绿色物联网的请求与准入框架

所提出的请求与准入框架在信令开销方面较为轻量，设备可以独立发送卸载请求，而服务器仅接纳选定请求。这是因为通过在发送给计算服务器的卸载请求中封装延迟要求，可以解耦多个设备之间任务划分的依赖性。延迟要求被设定为任务划分方案所确定的每个任务的截止时间，边缘服务器会尽力满足这些要求，以确保任务能够无延迟地执行。此外，[5]中的任务划分方案可以帮助设备在多个边缘服务器中选择可卸载的服务器。所提出的请求与准入框架的工作流程包括三个阶段：

1. 每个移动设备独立地划分其任务，并向选定的计算服务器发送包含延迟要求以及设备及其服务的其他内在特征（例如，服务的内存需求、线程CPU时间以及所需CPU周期）的卸载请求。
2. 每个服务器接收卸载请求，仅允许选定的用户进行卸载，并预先分配计算资源以满足延迟要求。
3. 移动设备根据准入结果卸载其任务。

所提出的轻量级框架使服务器和设备均具备选择功能，以减少信令开销，其中仅需通过通信接口交换卸载请求和准入结果的信息。如后文所示，通过使设备能够自提名和自拒绝卸载，可进一步降低信令开销。

图3展示了所提出的请求与准入框架的主要模块，该框架可在设备和服务器上分别运行。移动设备中的模块主要包括程序分析器、QoS管理器、决策引擎和同步器。具体而言，程序分析器监控程序参数，如执行时间、占用内存、线程CPU时间、指令数和方法调用；QoS管理器确定服务需求（例如延迟、能耗和可靠性），并估算执行服务所需的延迟和能耗；决策引擎负责任务划分，并选择目标服务器以发送卸载请求；同步器则处理设备与服务器之间的通信和同步，以确保卸载数据的完整性。另一方面，计算服务器中的模块包括同步器、准入控制器、资源调度器和虚拟机（VM）管理器。具体而言，同步器接收卸载请求；准入控制器根据当前可用资源选择用于卸载的设备；资源调度器和虚拟机管理器分配计算资源并激活虚拟机，为所选设备的卸载做好准备。

实现选择性卸载方案

在本节中，我们展示了所提出的请求与准入框架在多用户MEC场景中的实现，其中LTE宏基站与一个计算资源有限的边缘服务器共址，其计算资源表示为f0。所提出的选择性卸载方案遵循请求与准入框架的工作流程，如图4所示。

工作流程主要包括：
1. 在设备上生成卸载请求；
2. 资源调度器根据延迟要求分配资源；
3. 利用设备间的异构性，在准入控制器处选择节能服务进行卸载。

在所提出的方案中，延迟敏感型任务被赋予高优先级以进行处理，因此在高负载情况下，延迟容忍型任务将在边缘服务器处排队。结果，在低负载时边缘服务器才处理延迟容忍型任务，而在高负载时将排队任务卸载到云，以避免过长的排队延迟。接下来，我们将详细分析这些步骤，以说明选择性卸载方案。

卸载请求形成

卸载请求在每个移动设备上独立形成。任务可以通过以下方面来描述：
1. 输入 Di，包括系统设置、程序代码和输入参数
2. 完成该任务所需的CPU周期数，用Ci表示

有关Di和Ci的信息可以通过程序分析器获得。本地执行的延迟和能耗，分别用Ti_l和Ei_l表示，可在QoS管理器[9, 10]处获取。此外，QoS管理器可根据任务划分方案[5, 6]确定的截止时间来确定延迟要求Ti_req。

任务也可以卸载到服务器进行远程执行。一种典型的远程计算方法包括三个阶段：
1. 上传输入
2. 在边缘服务器上远程执行
3. 接收计算结果

计算结果的大小远小于输入，因此开销可以忽略不计[9]。因此，设备i的总远程计算时间可表示为T_i_r = T_i_t + T_i_e，它由两部分组成：上行传输时间T_i_t = D_i / R_i和远程执行时间T_i_e = C_i / f_i。R_i是设备i在上行传输中的实际数据速率，f_i是边缘服务器分配的计算资源。设备i在远程计算中的能耗可表示为E_i_r = (p_i / z_i) * T_i_t，其中z_i是设备i的功率放大器效率。

然后，决策引擎可以应用[5, 6]中现有的卸载策略来确定发送卸载请求的目标服务器。设备i的卸载请求包含该设备的时延要求和内在特征。

计算资源分配

在服务器端，同步器接收卸载请求。然后，关注的问题变为选择卸载的任务，并分配有限资源，以在满足所有卸载请求的延迟要求的同时，最小化系统能耗。

请注意，任务必须在由任务划分确定的截止时间（即延迟要求）之前完成。因此，分配的计算资源应满足f_i ≤ f_i_min = C_i / (T_i_req – T_i_t)，其中f_i_min表示在延迟要求下分配给设备i的最小资源。

为了提高可扩展性并节约能源，资源调度器根据被接纳的任务分配最少的计算资源：

$$ f_i = s_i \cdot f_i^{min} = s_i \cdot \frac{C_i}{T_i^{req} - D_i/R_i} $$ (1)

其中s_i ∈ {0,1}表示任务是否被允许卸载（即当s_i = 1时，任务被卸载）。

卸载决策

设备的异构性及其物联网服务使得卸载对某些设备更有利，而对其他设备而言本地执行更有利。例如，资源受限设备上的延迟敏感型服务将从卸载中受益。因此，我们引入以下条件，以优先将紧急任务进行卸载。

条件1 。 如果 $ T_i^l > T_i^{req} $，准入控制器选择设备i进行卸载。

满足条件1且具有延迟敏感型任务的资源受限设备将被优先卸载，因为它们的本地计算能力无法满足时延要求（即 $ T_i^l > T_i^{req} $）。然后边缘服务器为其预分配 $ f_i^{min} $ 资源，确定其剩余资源
$ \tilde{f} 0 = f_0 - \sum {i: T_i^l > T_i^{req}} f_i^{min} $，并检查以下条件以排除部分设备不进行卸载。

条件2 。 如果 $ (T_i^r = T_i^t + C_i/\tilde{f}_0 > T_i^{req}) $ 或 $ E_i^r \geq E_i^l $，设备i将本地执行其任务。

如果满足此条件，即使将所有剩余资源分配给设备i，也无法满足其延迟要求，或者卸载不会节省能量。因此，该设备被排除在卸载之外，并选择在本地执行任务。

在图4的S2中，所请求用户的分类可以分发给物联网设备，以进一步降低MEC的信令开销。特别是，满足条件1的设备可自提名向边缘服务器发送指示，以优先进行卸载。随后，边缘服务器将其剩余资源 $ \tilde{f}_0 $ 广播给设备。设备接收到 $ \tilde{f}_0 $ 后，满足条件2的设备可自拒绝卸载，而无需发送卸载请求。因此，只有既未自提名也未自拒绝的未定设备才会向边缘服务器发送卸载请求，从而在实际应用中降低了信令开销。

在接收到未定设备的卸载请求后，资源调度器通过公式(1)分配最小计算资源。随后，选择性卸载问题可归约为一个二元线性规划问题，该问题可通过分支定界算法高效求解。

数值结果

在本节中，通过数值结果展示了我们提出的选择性卸载方案带来的性能提升。我们考虑一个单宏蜂窝网络，其半径为250米，并与一个边缘服务器共址，该边缘服务器的频率为 $ f_0 = 10 $ GHz。无线通信参数遵循第三代3GPP规范。以人脸识别应用为例，其中 $ D = 420 $ kB 且 $ C = 1000 $ MCycles。设备的计算能力在[0.5, 1.5] GHz范围内均匀分布。我们将时延要求 $ T_{req} $ 分别设置为1秒（针对延迟敏感型应用）和1.5秒（针对延迟容忍型应用）。接下来，我们评估当卸载请求数量n从5变化到20时，选择性卸载、本地执行和完全卸载的平均延迟和能耗。

图5展示了延迟敏感型应用和延迟容忍型应用中的每用户平均延迟。我们的方案能够利用设备和边缘服务器中的计算资源，并进行有效的任务准入，以满足严格的和宽松的延迟要求。特别是，我们的方案在延迟敏感型应用中的平均延迟接近 $ T_{req} = 1 $ s，在延迟容忍型应用中约为1.4 s。无论n如何变化，本地执行的平均延迟均为1.1 s，违反了延迟敏感型应用的时延要求（$ T_{req} = 1 $ s）。完全卸载的平均延迟随n线性增长，当n = 20时最高可达1.6秒。这是由于随着n的增加，资源稀缺导致的可扩展性问题加剧所致。

图6展示了每用户平均能耗。完全卸载和本地执行的能耗相对稳定，当n增大且 $ T_{req} = 1 $ s时，其能耗可能低于选择性卸载。但这是以违反延迟要求为代价的，如图5所示。我们还发现，在延迟容忍型应用中，选择性卸载的能耗保持在较低水平（0.085 J），比本地执行低22%。然而，对于延迟敏感型应用，仅当n < 12时，选择性卸载的能耗才能保持低且稳定；当n从12增加到20时，能耗逐渐上升（最高比本地执行高11%），因为将部分资源受限设备的任务进行卸载可能无法节省能耗。这揭示了设备及其物联网服务的异构性使得卸载对某些设备更有利，而对其他设备来说本地执行更有利。例如，资源受限设备上的延迟敏感型服务将从卸载中受益。

移动边缘计算中延迟与能耗之间的权衡是固有的，即延迟和能耗无法同时最小化。

结论

在本文中，我们提出了一种云、MEC和物联网的三层集成架构，并开发了一种轻量级请求与准入框架，通过仅卸载选定服务来解决可扩展性问题。该框架将延迟要求封装在卸载请求中，可在设备和边缘服务器上分别独立运行，无需设备间的协调。所提出的选择性卸载方案能够在满足时延要求的前提下最小化设备的能耗，并通过使设备自主提名或自拒绝卸载，进一步降低信令开销。数值结果表明，通过优先处理紧急卸载请求，选择性卸载能够满足不同服务的延迟要求，并为物联网设备节省能量。