移动边缘计算在智能电网中的应用

基于移动边缘计算的车载延迟容忍网络在智能电网数据管理中的应用

摘要

随着信息与通信技术（ICT）在全球范围内的广泛普及和应用，未来人们越来越倾向于用智能电网替代传统电网。在智能电网环境中存在许多智能设备，这些设备可以通过基于ICT的基础设施相互共享数据。分析智能电网环境中各类智能设备所产生的数据是其中最具挑战性的任务之一，因为这些数据在大小、数量、速度和多样性等方面各不相同。数据分析的结果需要通过各种网络和智能设备传输给终端用户。但有时在网络向多个智能设备传输数据时可能会出现过载情况，从而产生显著延迟，影响在此环境中所部署解决方案的整体性能。我们研究了利用车载延迟容忍网络（VDTNs）作为在智能电网环境中借助移动边缘计算实现数据传播的解决方案之一。

VDTNs采用存储‐携带‐转发机制向各个智能设备进行消息传播，从而在核心网络发生过载和拥塞时减少延迟。由于车辆具有高移动性，我们提出由云环境辅助的移动边缘网络支持，以管理智能电网环境中各类智能设备所产生的大型数据集的切换和处理。在所提出的架构中，有关充放电决策的大部分计算由位于网络边缘的移动设备（如车辆）完成（也称为移动边缘计算）。本文探讨了计算与通信方面的问题，以分析移动边缘计算对消息传输延迟、响应时间和吞吐量等性能指标对终端用户的影响。我们的实证结果表明，与现有方法相比，吞吐量提高了10%–15%，响应时间减少了20%，产生的延迟减少了10%。

引言

车载延迟容忍网络（VDTNs）近年来因其在大量延迟敏感型应用程序（如视频流、游戏和安全应用）中的广泛应用而受到广泛关注。VDTNs采用存储‐携带‐转发机制，其中一个车辆可作为中继节点，在源和目的地之间进行消息传输。中继车辆会随身携带消息，直到发现范围内的合适车辆为止。然而，由于该环境中车辆的高速移动性和持续的拓扑结构变化，向获得者车辆进行消息传输是一项具有挑战性的任务[1]。

电动汽车与一个称为智能电网（SG）的集中式机构进行能量交易，该智能电网由大量可能部署在不同地理区域用于数据采集的智能设备组成。例如，智能电表和传感器可部署在不同区域，以收集来自各个家庭的用电数据，并监控家庭活动。从各个家庭收集的数据可通过短、中、长距离通信传输至最近的接入点（AP）。从智能家居中各类智能设备收集的用电数据被用于估算供需情况，从而在智能电网（SG）环境中制定统一策略，以实现电力调度与重新分配的平稳运行[2, 3]。

由于各种智能设备产生的数据量巨大且高度异构，我们需要高效的计算基础设施，例如云。在这种情况下，智能设备将数据卸载到云中。通过使用云计算基础设施，数据可以存储在可从任何地点、任何时间访问的集中式/分布式存储库中。随着车辆的移动，需要在智能电网环境中对车辆的移动性管理和数据采集进行分析。当车辆移动时，它们车辆在跨越接入点的边界和覆盖区域时，可以通过接入点和网关提供的无缝切换从云中访问数据。

另一方面，云服务器上的数据处理需要高效执行，以便快速向车辆发送响应，使其能够及时做出路径优化和电网能源交易方面的优化决策。利用云计算基础设施，车辆可以随时随地访问资源，从而提高此环境中数据传输和通信的效率[4, 5]。

移动边缘计算的需求

随着智慧城市和大数据的普及，预计未来几年光伏阵列(PV)、燃料电池、水电和风能资源等unconventional sources of energy的使用将大幅增加。在此背景下，插电式混合动力汽车(PHEVs)可作为分布式能源之一，能够随时从智能电网(SG)取电或将电能回馈至电网。PHEVs是一种同时利用常规和非常规能源的车辆。由于能量传输的决策需要实时做出，因此要求在用户附近进行计算，以最小化延迟；同时，用户也需要能够就近访问计算和存储资源。为了稳定电网功率，大量PHEVs可作为分布式能源资源发挥作用。例如，大量PHEVs可参与关于从电网充放电的决策过程。然而，由于PHEVs处于移动状态，若采用位于远离PHEVs实际部署位置的基于核心的基础设施进行数据处理，则可能产生较长的延迟。例如，亚马逊EC2和Windows Azure的公共基于核心的基础设施可能部署在较远的位置。解决此问题的一种方案是采用基于云微服务器的移动数据卸载[4]。然而，基于云微服务器的解决方案依赖于WiFi网络，而WiFi网络可能存在覆盖范围有限、带宽不足以及频繁断连的问题。因此，有必要在网络边缘进行计算处理，以减少延迟。尽管过去已有一些研究采用移动边缘计算[4, 6, 7]，但这些方案主要关注用户移动设备的能耗问题。设备在访问带宽和通道数量等网络资源时会消耗更多能量。与传统的基于核心的基础设施相比，我们的方案通过降低延迟和响应时间，实现了更优的计算卸载，并整体提升了吞吐量。

本研究工作的贡献

根据上述讨论，本工作的主要研究贡献可总结如下：

• 我们提出了一种用于移动边缘计算与智能电网环境集成的架构。利用该架构，车辆可以做出决策关于从地理区域内部署的各个充电站进行充放电的情况。
• 我们提出了一种虚拟机迁移方法，旨在最小化数据中心的能耗。
• 我们评估了所提出方案的性能，并在多个指标上将其与现有的基于核心的方案进行了比较。

组织

本文的其余部分结构如下。下一节讨论了用于在移动云计算环境中进行智能电网数据管理的所提出架构。然后，我们对边缘和核心云计算中的计算和通信操作进行了分析。接着，我们描述了通过高效利用虚拟机来实现数据中心的能耗与优化。接下来，我们使用多种性能指标对所提出的方案进行评估。最后，我们对本文进行总结。

智能电网与移动云集成的架构

图1展示了利用边缘计算实现智能电网与移动云环境集成的通用架构。在移动云环境中，大多数用于数据传播和与电网通信的设备（例如车辆、计算机、笔记本电脑、个人数字助理）都是移动的。由于需要为移动客户端提供对各类服务的快速访问，移动边缘计算的概念应运而生[7, 8]。

由于请求数量庞大，核心云计算基础设施可能会过载，从而导致各种需要快速响应时间的实时应用在执行和维护方面出现性能下降。因此，部分应用程序可以在网络边缘执行，以实现更短的响应时间。正因如此，近年来移动边缘计算受到了广泛关注[4, 6]。如图所示，在移动云环境和智能电网环境中存在一个四层架构。这四层由最底层的移动设备开始，向上依次是公用事业设施以及由部署在骨干网中的路由器和网关组成的通信基础设施骨干网。当连接到车辆的移动设备从一个网络域移动到另一个网络域时，路由器和网关用于路由和切换操作。插电式混合动力汽车（PHEVs）是指同时使用常规能源和非常规能源的车辆。骨干基础设施的数据由分布在不同地理位置的数据中心（第3层）采集。这些数据中心存储所收集的数据，在网络边缘进行处理，并及时将结果发送给每辆PHEV。数据中心配备了多种类型的服务器，例如数据库服务器（用于存储和数据存储库）、文件服务器（用于维护不同文件，因为虚拟化环境可能包含不同的操作系统）、证书权威服务器（用于证书分发和安全管理）等，这些服务器位于该环境的不同层级中。

最后，在第4层，存在一个核心分布式云环境，其中在我们提出的架构中假设了基础设施即服务（IaaS）。这四个层相互协调，以在此环境中执行各种任务[9–11]。

移动边缘计算

边缘计算与通信：一项分析

设备数量增加对产生的延迟的影响；b) 决策树表示 n.)

图2a展示了使用移动边缘计算和传统核心云计算基础设施时，各种实时应用产生的延迟。我们收集了亚马逊EC2云数据中心和我们自有私有云数据中心在24小时内的实时跟踪数据在24小时内。如图所示，随着互连设备数量的增加，各种实时应用的响应时间得以缩短。这主要是因为移动边缘计算将各种资源提供在更接近用户的位置，使他们能够执行应用程序而不会出现性能下降[8]。

基于移动边缘计算的虚拟机高效资源利用率与负载均衡优化能耗

正如我们之前所述，边缘网络中各种计算密集型应用程序会产生大量异构数据。例如，插电式混合动力汽车（PHEVs）与智能电网（SG）进行充放电决策，导致智能电网与插电式混合动力汽车之间需要交换大量信息。因此，当边缘网络中使用多种资源时，我们需要有效的设计策略来优化能耗。移动网关或接入点（APs）在执行核心网络中的各种指令时可能会过载。移动设备的资源有限（如计算能力、存储等）。通过高效利用虚拟机（VM），可以执行并行应用，但在移动边缘计算网络中，由于设备的高移动性导致频繁切换，这是一项极具挑战性的任务。

在我们提出的方案中，为实现高效的虚拟机迁移和利用执行了多项任务。这些任务描述如下。

首先，来自边缘节点的所有请求被传递到最近的数据收集器，该数据收集器负责收集和分析数据，并与最近的接入点（例如，在车载自组织网络情况下与路侧单元[RSUs]）进行通信。这些路侧单元在第二层连接到骨干网（如图1所示）。如图所示，在所提出的方法中，插电式混合动力汽车（PHEVs）充当移动节点。这些插电式混合动力汽车产生的数据可能是由于其在最近的充电站（CSs）进行充放电而产生的需求。由于充放电请求是实时产生的，因此采用了所提出的移动边缘计算架构。此外，公用事业公司也会不时地向插电式混合动力汽车发送实时电价信息，以便这些车辆能够针对充放电做出决策，从而从服务提供商处获得最大收益；在移动边缘计算的情况下，该服务提供商是位于网络边缘的公用事业公司。

数据中心配置与部署的能源优化

云计算和信息技术的最新进展使用户能够即时访问硬件、软件或平台即服务（PaaS）。然而，数据中心的能源优化仍然是最具挑战性的任务之一，因为它通常需要专门的解决方案。由于大多数应用程序将从资源受限的移动设备执行到云服务器，因此通过有效利用云数据中心的各种资源来最小化能耗是一个重要目标。信息与通信技术（ICT）的发展和使用是导致能耗增加的主要因素之一。全球变暖。这是由于从手持设备向数据中心服务器的应用卸载增加所致。因此，近年来这些数据中心的维护和运营成本呈指数级增长，促使数据中心所有者寻求可行的解决方案，以最大限度地减少这些数据中心的能源消耗。

数据中心可能包含多个集群，这些集群位于智能电网环境中的不同公用事业设施所维护的地理位置。车辆可根据由公用事业设施控制的任何充电站进行充放电决策。这些公用事业设施具有不同的定价策略，并频繁发布价格信息。集群的选择基于不同区域的定价策略以及所采用的负载均衡策略。该策略有助于优化云数据中心的能耗。根据各数据中心/集群的实时价格，每辆车辆进行能量交易以获取最大效益。在非高峰时段，车辆从电网消耗能量并储存额外能量以备将来使用；在高峰时段，车辆则释放其储存的能量，用于负载均衡。因此，车辆/插电式混合动力汽车可作为分布式能源资源，实现能量的双向流动，即车辆到电网和电网到车辆。

智能充电的能源优化

本节描述了我们提出的解决方案如何通过支持移动边缘计算的智能充电来有效优化数据中心的能源消耗。在数据中心，通过使用VMware和Xen创建虚拟环境来执行多个任务[8]。如上所述，采用虚拟机迁移和资源利用率进行智能能源管理。

在所提出的解决方案中，车辆作为分布式能源，参与充放电决策。在我们的方法中，采用了贝叶斯合作联盟博弈方法，其中每辆车辆被视为一个参与者，而位于公用事业设施处的数据中心被视为多个服务提供商。每辆车根据其行为被赋予一个可变的收益函数，计算如下：

$$
\text{Payoff} = (\text{operational cost} + \text{maintenance cost}) - p \tag{1}
$$

其中，定价 $ p $ 的计算方式如下：

$$
p = N \times t_{\text{slot}} \times \text{dur} \times \text{freq} \tag{2}
$$

其中，$ N $ 表示车辆数量，$ t_{\text{slot}} $ 表示车辆充电或放电的时间段，$ \text{dur} $ 表示充电持续时间，$ \text{freq} $ 表示车辆从充电站充电或放电的次数。所有这些因素均用于计算向移动车辆提供的价格，以便其决定是否进行充电或放电。例如，若某车辆在某个充电站点的频率 $ \text{freq} $ 较高，则可能会获得一定的充电折扣。类似地，在高峰时段，车辆所获得的充电费率可能与非高峰时段不同。

充电站的充电费率可根据充放电的供需情况进行调整。例如，在高峰时段，充电费率可能较高，而在非高峰时段，充电费率可能较低。用户希望根据在不同位置提供的费率，获得最佳的充放电方案。通过减轻控制中心的负载，基于参与者收益（如公式2所定义）做出智能决策，从而减少了与多个任务计算相关的能耗。在所提出的解决方案中，参与者及其收益函数被表示为一个有向无环图。在一个单位时间间隔内，只有收益值超过预定义阈值的参与者才被允许执行充放电等操作。游戏中的参与者具有多个阈值。初始时，假设所有参与者以相同的概率参与游戏，但随着游戏的进行，参与者的收益值会根据其行为发生变化。

基于负载预测的虚拟机迁移

在本节中，我们描述了所提出的方案如何在数据中心利用自适应负载预测执行虚拟机的实时迁移。数据中心使用大量物理机（PMs），这些物理机可能位于不同的地理位置，并且会消耗大量能量[13]。每台物理机可承载多个虚拟机（VMs），这些虚拟机可在同一台物理机上共存并运行多种不同的应用程序。为了在虚拟化环境中成功执行各种应用程序，需要将虚拟机分配到物理机上。为实现高效的资源利用率，在物理机上进行虚拟机迁移时需考虑本地负载和全局负载两个方面。本地负载是根据物理机上的中央处理器、内存利用率以及输入/输出资源的使用情况计算得出，而全局负载则是基于所有物理机的当前状态进行计算。通信负载包括网络带宽、通道数量以及来自邻近信道的干扰。以下方程用于在本地和全局层面上将虚拟机分配至物理机：

$$
\text{load} {\text{local}} = N \times n {\text{app}}
$$
$$
\text{load} {\text{global}} = B \times n {\text{ch}} \times I
$$
$$
\text{CPUutil} = \sum_{i=1}^{n} \text{service}_i
$$

其中，$ N $ 表示为应用执行而竞争物理机的虚拟机总数。为此，它们需要中央处理器、内存和输入/输出资源。$ n_{\text{app}} $ 是在虚拟机上运行的应用程序数量。$ B $ 是分配的带宽，$ n_{\text{ch}} $ 是所需的通道数量，$ I $ 是接口。$ \text{CPUutil} $ 表示相对于在中央处理器上运行的有限数量服务 $ i $ 的CPU利用率。

在所提出的方案中，我们采用基于决策树的结构来决定虚拟机从一个位置迁移到另一个位置的全局调度。该调度器称为基于决策树的虚拟机迁移管理器（DTVMM）。DTVMM的输入参数是 $ \text{load}_{\text{local}} $。根据此输入参数，DTVMM生成一个全局调度计划，用于决定将虚拟机迁移到何处，以实现有效资源利用，同时不违反服务水平协议（SLA）的相关要求。

变量吞吐量（兆比特每秒）与请求数量的关系。)

多种服务质量（QoS）参数。如图2b所示，各种资源（Resource1, Resource2,…，Resourcen）在决策树的不同位置表示。本提案中考虑的各类资源包括中央处理器利用率、内存使用率和I/O请求。

决策树的大小根据使用公式3进行虚拟机分配的情况而扩展或收缩。所提出的方案中考虑了两种调度类型：本地调度和全局调度。在本地调度的情况下，一个虚拟机的负载被转移到另一个虚拟机而不造成SLA违规；而全局调度器则用于确定将虚拟机迁移到何处以实现更好的资源利用率[14]。

在所提出的方案中，关于迁移内容、迁移位置以及迁移时间的主要决策由全局调度器做出。同时考虑了多种属性，如可用网络带宽、源和目的端的当前负载、信号电平数量、云数据中心之间的距离以及其他因素。在初步阶段，确定需要迁移虚拟机的主机。根据主机的负载情况，使用决策树方法建立一个初步的欠载和过载机器列表。全局调度器利用该列表，在所提出的方案中决定将虚拟机转移到何处以实现负载均衡。

性能评估

在所有进行的仿真测试中，均采用了图1所示的拓扑结构，其中有限数量的插电式混合动力汽车向充电站提交充电请求。为评估所提出的方案，考虑了100个容量为5000瓦的家庭充电站和50个容量为20,000瓦的小区域网络中的充电站。同时考虑了100个虚拟机，每个具有2GB容量。我们使用以下性能指标在ns‐2[12]上评估所提出的方案：

• 产生的延迟 ：这是车辆将全部数据单元从源传输到目的地所需的时间。
• 响应时间 ：这是处理数据集后收到第一个响应所需的时间。
• 吞吐量 ：这是单位时间间隔内成功传输的数据单元总数。

图3a显示了由有限数量的插电式混合动力汽车产生的请求数量与产生的延迟之间的变化关系。如图所示，随着与数据中心相连的服务提供商产生的服务请求数量增加，所产生的延迟也随之增加。但与基于核心的云计算基础设施相比，所提出的方案中产生的延迟更低，表明了该方案的有效性。这是因为在网络边缘进行所有计算，将来自电网的充放电相关数据集卸载到边缘节点上，从而加快了充电和放电决策的计算速度。当虚拟机数量变化时，我们也获得了类似的结果（如图4a所示）。

随虚拟机数量变化产生的延迟；b) 随虚拟机数量变化的响应时间；c) 随虚拟机数量变化的吞吐量（兆比特每秒）。)

图3b显示了终端用户从电网获取各种服务的响应时间。当服务数量增加时，与使用传统核心云计算基础设施的方法相比，所提出的边缘计算方法产生的响应时间更短。响应时间较低的原因是，当使用核心时，服务需要从远离远程站点的位置访问，从而减少了核心的过载。在所提出的方案中，服务可直接从边缘计算资源获得，从而最小化了响应时间。因此，与核心基础设施相比，所提出的方案产生的延迟更低。当虚拟机数量变化时，在图4b中也观察到了类似的结果。

图3c展示了使用所提出的边缘计算方法和传统的基于核心的云计算基础设施时吞吐量的变化情况。从获得的结果可以看出，与基于核心的云计算基础设施相比，所提出的边缘计算方案实现了更高的吞吐量。如前所述，这种改进主要归因于网络边缘的服务可用性。在网络边缘运行的应用程序能够更快地将充放电数据卸载到云环境，因此由于所有此类应用程序的资源可用性较高，其执行时间更短。如图4c所示，在虚拟机数量变化的情况下也获得了类似的结果。表1和表2总结了所提出的方案在各项性能指标上相对于核心方法所取得的改进。

性能指标	百分比改进范围 边缘计算方法超过不同场景下的核心方法（请求数量：100–1000）
延迟（ms）	15–30%
响应时间（ms）	20–40%
吞吐量（Mb/s）	10–30%

表1. 请求数量的变化下所提出的方案的百分比提升。

性能指标	边缘带来的百分比提升 对于不同数量的虚拟机（10–100）
延迟（ms）	15–40%
响应时间（ms）	20–50%
吞吐量（Mb/s）	15–30%

表2. 所提方案在虚拟机数量变化时的百分比提升。

结论

移动边缘计算已成为最有前景的网络解决方案之一。与传统的基于核心的云计算基础设施相比，移动边缘计算使得许多应用程序具有更低的延迟和响应时间以及更高的吞吐量，因为移动边缘计算中使用的大多数设备都需要在网络边缘获得各种服务。在本研究中，我们提出了一种基于车载延迟容忍网络的智能电网数据管理方案，该方案利用了移动边缘计算范式。在智能电网环境中，插电式混合动力汽车需要使用最近的充电站进行充电。在此过程中，可能会在充电站产生大量充电请求。为了处理所有这些请求，我们建议使用车载延迟容忍网络来传递与充放电决策相关的消息以及从源到目的地的安全消息，以便做出实时决策。所提出的方案探讨了计算和通信问题。性能评估结果明确表明，与传统的基于核心的云计算基础设施相比，移动边缘计算是将移动数据卸载到云上的一种更有效的解决方案。

未来，我们将探索所提出的移动边缘计算在智能电网动态能量交易中的博弈论方面。