基于模糊逻辑的协同任务卸载

基于模糊的协作任务卸载方案在密集部署的小小区网络中的多接入边缘计算

摘要

随着5G网络和物联网（IoT）应用的快速发展，小小区网络（SCN）中的多接入边缘计算（ MEC）被设计用于通过任务卸载支持计算密集型和延迟敏感的应用。然而，若缺乏协作，单个MEC服务器的资源在面对不同的服务请求和应用时可能被浪费或过载，从而导致用户任务失败率升高以及任务持续时间延长。同时，各个MEC服务器在确定卸载任务的处理位置方面也面临挑战，因为系统难以提前预测终端用户的需求。因此，由于服务中断、执行时间长以及等待时间长，服务质量（QoS）将下降。
为了提升QoS，我们提出了一种新颖的基于模糊逻辑的协同任务卸载（FCTO）方案，适用于支持 MEC的密集部署的小小区网络。在FCTO中，将QoS的延迟敏感性作为模糊输入参数，以决策将任务卸载到何处更有利。其关键在于利用模糊逻辑方法，在MEC服务器之间相互共享计算资源，并选择合适的目标MEC服务器进行任务卸载。由此，该方案能够在MEC系统中承载更多的计算工作负载，并减少对远程云的依赖。仿真结果表明，与现有基线算法相比，所提出的方案在平均任务失败率、任务完成时间和服务器利用率等方面，在不同场景下均表现出最优的性能。

关键词

多接入边缘计算；模糊逻辑；协同任务卸载；小小区网络

1. 引言

如今，用户设备终端（如智能手机、智能传感器、智能手环、虚拟现实（VR）眼镜、可穿戴设备、智能手表和智能摄像头）正变得越来越普及[1–4]。移动增强现实、手势和人脸识别、智能交通、智慧医疗、交互式游戏、人体心率监测、语音识别、自然语言处理以及可穿戴虚拟现实流媒体等高要求应用和服务正在经历巨大发展[5–9]。随着智能用户设备的显著提升以及新兴创新应用和高要求服务的涌现，数据流量正呈指数级增长[10,11]。因此，存储和处理大数据，并支持实时及计算密集型任务的需求也随之增加
应用是一个巨大的挑战。此外，由于用户设备的处理能力有限和电池寿命受限，执行延迟敏感和计算密集型应用无疑会影响服务质量（QoS）和性能。为了克服这些限制，应用程序被卸载到传统远程云进行执行。
尽管传统远程云具有无限存储和计算能力，但由于终端用户与中心云之间的距离以及不可预测的网络延迟，其在执行延迟敏感和实时应用方面存在困难[11]。为应对这些挑战，可采用移动云计算 (MCC)[12],云朵 [13],雾计算 [14],和多接入边缘计算 (MEC) [15],等多种方法作为云计算的补充解决方案，通过在边缘网络附近提供服务来解决上述问题。基于技术角度对MCC、雾计算和MEC的比较如表1所示。

表1. 不同移动计算架构的比较[11,16,17]

技术方面	MCC	雾计算	MEC
提出	不具体	思科 ISG, 欧洲电信标准协会	-
部署	集中式	分布式	密集且分布式
计算能力	更高	更低	更低
延迟	High	Low	Low
存储容量	充足	有限	有限
位置	大型数据中心用户设备与数据中心之间	无线接入网络	-
层次结构	两层	三层或更多层	三层
上下文感知	No	Yes	Yes

多接入边缘计算（MEC）已成为应对5G网络中不断增长的计算需求的一种有前景的方法，其中传统基站被升级为支持多接入边缘计算的小型基站（SBS‐MEC）[18]。SBS‐MEC提供更高带宽、低延迟、位置感知、显著降低能耗以及实时无线网络信息[17]。SBS‐MEC服务器的一个主要限制是，由于其计算资源有限，无法为所有从终端用户卸载的任务提供持续的卸载服务。然而，如果移动用户数量增加，将因服务中断、执行时间变长和等待时间变大而导致服务质量（QoS）下降。因此，有必要有效管理SBS‐ MEC的资源以提升系统性能。此外，由于缺乏关于任务到达时间和任务大小的准确信息，MEC在动态快速变化的环境中难以确定卸载任务的处理位置。由于信息不完整，提前预测终端用户的需求变得困难，从而导致用户体验质量（QoE）明显下降，并削弱MEC的优势。鉴于这一需求，一些研究者正尝试使用优化技术来解决该问题，但当约束数量较多时，多约束优化成为一个难题。在MEC系统中，存在来自基础设施、终端用户设备以及不同应用特性的多种约束。同时，由于缺乏关于任务卸载请求的充分先验信息，传统的离线优化方法并不适用于协同任务卸载问题。
为了解决上述问题，我们提出了一种在多个SBS‐MEC服务器之间进行的新型协同任务卸载方案，以提升计算卸载服务。通过使用所提出的系统，可以轻松减轻本地SBS‐MEC服务器的负载并缩短执行时间，因为任务被分发到邻近的SBS‐MEC服务器上。同时，随着5G技术的快速发展以及新兴应用的不断涌现，可以认为密集部署的小小区网络（DDSCNs）将成为未来5G通信网络的模式，具备应对海量数据流量需求的能力[19]。通常情况下，在稀疏边缘部署中，用户只能连接到本地SBS‐MEC服务器，而这并不总是最佳决策
连接此服务器；然而，在密集部署环境下[20,21],用户住宅、机场和工作场所等附近区域将存在多个 SBS‐MEC服务器。因此，用户可能有多个选项可连接到邻近的SBS‐MEC服务器以获取服务。在密集分布式的小型蜂窝网络中，接入节点被部署在终端用户附近，且单位面积内的接入节点密度较高，具有极高的视距传输概率[22]。
在一种新颖的协作式任务卸载方案中，采用了模糊逻辑，因为模糊逻辑已广泛应用于拥塞缓解、切换控制、网络和工作负载管理相关问题[23–28]。本研究提出了一种基于模糊逻辑的技术，用于解决支持多接入边缘计算的小小区网络中的协同任务卸载问题。当在动态且不确定的快速变化系统中难以建立精确的数学模型时，模糊逻辑是最常用的方法，因为其相对于不同的决策算法具有更低的计算复杂度[29–31]。
在[32],中，我们考虑了移动设备与SBS‐MEC服务器之间的协作方法以及SBS‐MEC服务器与云之间的协作；然而，在我们提出的方案中，协作方法采用模糊规则来确定任务在小基站‐多接入边缘计算服务器之间的卸载位置。
具体而言，本研究的主要贡献总结如下：
- 我们研究了一种创新的协同任务卸载框架，用于支持移动边缘计算的密集分布式小型蜂窝网络，该框架可根据用户需求轻松处理各种服务请求。
- 我们开发了一种基于模糊逻辑的算法，称为基于模糊逻辑的协作式任务卸载（FCTO），用于分析利用不足和过度使用的小基站‐多接入边缘计算服务器。根据选择能够高效处理动态服务请求流量的目标 SBS‐MEC服务器的模糊规则，每个任务可在小基站‐多接入边缘计算服务器之间进行分配。
- 通过采用我们提出的基于模糊的模型，可以应对快速变化环境中的不确定性。我们提出的模型还有助于解决动态资源管理问题以及单个SBS‐MEC服务器的过载问题。
- 为了分析我们提出的协作式任务卸载方案的性能，我们进行了一些实验。实验结果验证了我们提出的模型在降低平均任务时长和任务失败方面表现出色，并且相较于另外两个参考方案，提供了更高的服务器利用率。
本研究的其余部分组织如下。在第2节中，我们回顾了一些相关研究工作。动机场景、不同的协同执行模型以及我们提出的协同架构在第3节中进行了阐述。第4节介绍了模糊逻辑和提出的FCTO算法。第5节解释了性能评估，并对所提出的方案进行了必要的讨论。最后，我们在第6节中总结了本研究。

2. 相关工作

MEC是满足终端用户服务需求的领先技术[33,34]。在MEC中，主要研究重点是任务卸载策略和资源分配。近年来，一些研究人员聚焦于这些方面，并考虑了不同的场景，例如单用户或多用户、单个基站中的单个或多个MEC服务器、任务计算的部分或完全卸载，以及动态和静态环境下的计算卸载。毕和张[35]针对单小区基站的多用户场景优化了计算模式。另一方面，邓等人[36]在多用户多小区移动边缘计算场景中采用了自适应顺序卸载博弈方法，以避免不可预测的排队延迟。为了提高效率，一些研究人员致力于通过采用完全卸载方法来减少处理时间和能耗[37,38]。Labidi等人[37]提出了一种联合优化的卸载与调度策略
为了提升用户体验质量和有效降低能耗。此外，在无线网状网络中[38],通过使用协作式边缘计算，可减少饱和的回传带宽。然而，在分析了完全卸载和部分卸载技术后，Wang 等人[39]得出结论：部分卸载更优，且更具实用性，因为它采用了并行处理方法。同时，Mao 等人[40]提出了基于在线算法的李雅普诺夫优化，用于降低能耗。此外，在资源利用率方面，动态资源分配方法[41,42]比静态方法[43]更高效。
在[43],博弈论方法被提出以分布式方式提高计算卸载性能，但未考虑计算资源不足的问题。Chen 和 Hao[41]提出了一种基于软件定义网络（SDN）概念的迭代算法，以解决任务卸载和动态资源分配问题。
同时，Xiao 和 Krunz[42]通过采用边缘云方法的协作，降低了能耗和处理延迟。
然而，大多数先前的研究集中在单个MEC服务器上，Tran和Pompili [44]考虑了多服务器MEC方案，但未考虑小基站网络环境的密集部署。MEC与小基站的密集部署是5G移动通信网络的关键技术，由于附近的SBS‐MEC服务器可以协作创建计算资源池，从而为用户提供巨大的接入容量[10,45]。目前已有研究将MEC与小型蜂窝网络集成，这已引起研究人员的关注。为了平衡计算工作负载，文献[46,47]利用服务器间的协作来实现负载均衡。Zhang等[48]在密集部署的小小区网络环境中使用设备到设备（D2D）协作进行负载均衡。Sun等[49]提出了一种针对超密集网络中MEC的新型移动性管理方法；然而，为了降低延迟和能耗，Guo等[50]在超密集物联网网络中引入了一种双层博弈论贪婪方法。
支持MEC的DDSCN环境正面临一些挑战。在密集部署的环境中，存在大量计算资源有限的小基站‐ 多接入边缘计算服务器。同时，现有研究大多集中在用户到本地SBS‐MEC的卸载，而忽略了本地 SBS‐MEC服务器的计算能力。因此，如何高效地管理分布式SBS‐MEC服务器的资源成为一个具有挑战性的问题。此外，当终端用户将任务卸载到网络时，他们并不掌握有关网络流量、SBS‐MEC服务器容量等信息。为了应对上述挑战，我们为支持MEC的DDSCN环境开发了一种FCTO方案。多年来，模糊逻辑因其在快速变化且不可预测环境中的出色表现而被广泛采用。Hosseini等人[51]由于模糊逻辑的简洁性，将其用于移动数据卸载，取得了比其他方法更高效的成果。Soleymani等人[52]在车载自组织网络环境中使用模糊逻辑来评估发送车辆的信任水平，该模型基于经验和可信度判断。为确保从授权车辆接收到的信息的真实性，该模型执行了一系列安全检查。此外，在安全服务选择方面，采用软犹豫模糊粗糙集（ SHFRS）方法从多准则决策问题中[53]选择合适的决策。此外，Sonmez等人[54]提出了一种基于工作负载编排的决策引擎，利用模糊逻辑确定任务卸载位置，以决定任务是在边缘还是远程云执行；而我们则将模糊逻辑应用于协作式任务卸载方案，用以决定传入任务应在哪个SBS‐MEC服务器上进行卸载。我们提出的基于模糊逻辑的系统用于确定卸载任务的位置，该位置可能是本地或邻近的SBS‐MEC服务器。本工作的创新之处在于利用具有空闲计算资源的邻近SBS‐MEC服务器，以减少任务失败数量和应用响应时间。据我们所知，针对DDSCNs的FCTO方案在此领域尚未被研究过。

3. 动机场景与系统模型

3.1. 问题陈述

所考虑的系统由三层层次结构组成：终端用户、小小区基站和远程云。小小区基站通常部署在人口非常密集的城市区域，例如购物中心、体育场馆、机场和火车站，这些地方有许多人使用移动设备。此外，移动设备运行着各种应用程序和数据包信息，如图片、电子邮件、网页浏览、视频、游戏和直播。当移动设备用户的密度较高时，由于计算资源有限，单个SBS‐MEC服务器在处理大量服务请求时将面临诸多挑战。因此，单个SBS‐MEC服务器会过载，从而降低用户体验质量。
为了探索邻近小小区基站，我们观察到以下情况： 1. 可以利用附近具有空闲计算资源或负载较轻的SBS‐MEC服务器，以解决单个SBS‐MEC服务器过载的问题。 2. 存在一个权衡所有SBS‐MEC服务器资源容量的函数。然后我们需要决定是否应将其卸载到远程云。
3. 通过在 SBS‐MEC服务器之间共享资源容量，可以减少总处理时间。

3.2. 协同执行模型

为了解决有限容量和过载问题，移动设备用户可以将其任务卸载到目标服务器进行处理。我们假设移动设备用户总是将其计算任务卸载到对应的本地SBS‐MEC服务器，但如果一组SBS‐MEC服务器协同工作，用户设备将能够获得更好的边缘服务。否则，计算任务将进一步卸载到远程云。根据移动设备用户、 SBS‐MEC服务器和远程云之间的连接关系，存在三种协作模型：移动设备用户到SBS‐MEC服务器、 SBS‐MEC服务器到远程云以及SBS‐MEC服务器到SBS‐MEC服务器。本文所使用的符号总结见表2。

表2. 符号及其含义

符号	含义
M	移动设备用户数量
N	小基站‐多接入边缘计算服务器数量
T	任务数量
ψsbs	SBS‐MEC服务器的计算能力
ωi	从移动用户 i 接收到的移动工作负载量
υt i	每个移动设备用户生成计算任务 i
=i(t)	本地执行的计算任务
d	计算输入数据的大小
λ	处理任务所需的CPU周期数
ζmax i	完成任务的最高允许延迟
ψmax i	SBS‐MEC服务器可处理的最大任务到达率 i
Υt	在时隙 t 到达SBS‐MEC服务器的总计算任务
α	任务大小
β	任务的延迟敏感性
γ	本地SBS‐MEC虚拟机利用率
δ	网络延迟
θ	邻近SBS‐MEC虚拟机利用率
χ∗	重心的X坐标

设 ψsbs 1 、 ψsbs 2 、⋯⋯、 ψsbs n分别表示小小区基站1、2、⋯⋯、n的SBS‐MEC服务器的计算能力。设 ω1、 ω2、⋯⋯、ωm分别为来自移动设备用户1、2、⋯⋯、m的接收移动工作负载量。注意，协作模型仅在移动设备用户无法在本地执行任务时发生。对于用户#1，我们考虑其自身无法在本地处理的工作负载ω1。
通过比较 ψsbs 1和ω1，存在以下三种可能的处理方式：
1. 情况1： ω1小于 ψsbs 1 。该计算任务将在SBS‐MEC 1中执行，如图2a所示，其中部分任务将由本地自行计算，剩余任务将卸载至SBS‐MEC 1服务器进行执行。2. 情况2：图2b显示ω1大于 ψsbs 1 ，并且邻近 SBS‐MEC服务器之间无协作，或在邻近SBS‐MEC服务器之间存在协作时总处理时间最小化。在此情况下，该卸载任务ω1将根据 ψsbs 1分为两部分：一部分在小基站多接入边缘计算服务器1中处理；剩余任务 τ1=ω1 −ψsbs 1将发送至远程云进行处理。

移动设备与SBS‐MEC服务器协同；(b) SBS‐MEC服务器与远程云协同)

3. 情况3： ω1大于 ψsbs 1 ，且邻近SBS‐MEC服务器之间存在协作。若将该任务在邻近SBS‐MEC服务器上处理，则可实现最小化总处理时间，如图3所示。与情况2类似，此卸载任务ω1将根据ψsbs 1被划分为两部分：一部分在小基站多接入边缘计算服务器1上处理；剩余任务 τ1=ω1 −ψsbs 1需要协助。 τ1将被卸载至目标相邻小基站多接入边缘计算服务器，以最小化总处理时间。

3.3. 系统模型

关键是收集所有SBS‐MEC服务器的信息，并根据模糊规则决定任务处理位置。因此，我们设计了支持多接入边缘计算的小小区网络中基于模糊的协作任务卸载方案的架构。图4展示了我们设计的架构：移动设备用户、带MEC服务器的小基站和远程云。第一层由不同的终端用户组成，他们希望在本地计算他们的任务或将任务卸载到本地小基站。第二层由多个小基站组成，每个基站部署一个MEC服务器。
MEC服务器使用虚拟化技术（如虚拟机（VM））来创建执行环境。分布式SBS‐MEC服务器连接到基于模糊的边缘编排器。模糊边缘协调模块作为系统的协调点，从所有SBS‐MEC服务器收集信息，并根据模糊规则决定任务处理位置。最后，核心网络连接到远程云，以提供式云计算服务。

根据上述考虑，我们定义N={1, 2, 3,. . . ，N}，表示部署在小小区网络中的小基站‐多接入边缘计算服务器数量。设M={1, 2, 3,. . . ，M}为被N个小基站覆盖的移动设备用户数量。假设计算任务 υ t i 由
每个移动设备用户 i，i ∈M 在每个时隙 t 按照泊松处理到达。在一个时隙 t 内一个小基站中的总到达计算任务 υt 给出如下：
υt={υmt}m∈M (1)
此外，每个移动设备用户可以在时间 t 执行一个任务。本地执行的计算任务定义为：
=i(t)={di, λi, ζmax } (2)
其中，di表示计算输入数据的大小， λi表示处理任务=i(t)所需的CPU周期数， ζmax i描述完成该计算任务的最大允许延迟。
对于每个SBS，设Mi为SBS‐MEC服务器i中的移动设备用户数量。总到达的计算任务 Υt i将被卸载到 SBS‐MEC服务器i，其可按如下方式计算：
Υt i= ∑
m∈Mi
(υt m −=m(t)) (3)
无法在SBS‐MEC服务器 i 上执行的计算任务数量如下所示：
δi= ψmax i −Υt (4)
其中 ψmax i是SBS‐MEC服务器能够处理的最大任务到达率，i。如果 δi< 0，则SCN需要协作执行所有剩余的计算任务，以最小化总处理时间。否则，系统可按照基准方案运行。
在时隙 t，到达小型蜂窝网络中所有小基站‐多接入边缘计算服务器的总计算任务 Υt 计算如下：
Υt={Υt i}i∈N (5)
所考虑的问题是：如何为在本地SBS‐MEC服务器上执行或卸载到邻近SBS‐MEC服务器的所有任务 Υt设计决策。得益于基于模糊的边缘编排器，每个任务将基于模糊逻辑方法进行决策，这将在下一节中进行描述。

4. 基于模糊逻辑的协同任务卸载

在本研究中，我们提出了一种基于模糊的协作方案，用于SBS‐MEC服务器之间的协作，以提高资源利用率并减少任务执行延迟。若无此类协作，当用户设备向连接的SBS‐MEC服务器发送少量服务请求时，这些服务器将无法被充分利用，导致资源浪费；相反，当处理大量服务请求和应用时，服务器则可能过载。
根据图4，模糊边缘协调模块掌握SBS‐MEC服务器的完整资源容量信息，包括任务大小、任务的延迟敏感性、邻近SBS‐MEC、本地SBS‐MEC虚拟机利用率以及网络延迟。我们假设每个移动设备由一个虚拟机表示，其计算能力为每秒20亿条指令（GIPS），而每个MEC服务器由八个虚拟机组成，每个虚拟机的容量为10 GIPS。所提出的模糊逻辑系统（FLS）包含三个主要组成部分：模糊化、模糊推理引擎和去模糊化。

4.1. 模糊化

在我们的系统中，模糊边缘协调模块会跟踪SCN中的小基站‐多接入边缘计算服务器。基于信息观测，我们利用并将其精确值转换为模糊值，如表3所示。根据模糊规则做出卸载决策，然后将其转换为精确值，并作为输出。最终决策将决定在本地SBS‐MEC或邻近SBS‐MEC上执行。模糊化过程见表3和 4[24,25,54,55]。

表3. 输入变量的模糊化

模糊化	变量模糊集隶属函数	范围
任务大小（GI） α	小 左右开肩 0–8	-
任务大小（GI） α	中等 三角形 6–18	-
任务大小（GI） α	大 左右开肩 16–50	-
任务延迟敏感度（%） β	Low左右开肩 0–0.4	-
任务延迟敏感度（%） β	中等 三角形 0.3–0.7	-
任务延迟敏感度（%） β	High左右开肩 0.6–1.0	-
本地SBS‐MEC虚拟机利用率（%） γ	轻 左右开肩 0–40	-
本地SBS‐MEC虚拟机利用率（%） γ	正常 三角形 30–70	-
本地SBS‐MEC虚拟机利用率（%） γ	重 左右开肩 60–100	-
网络延迟（毫秒） δ	短 左右开肩 0–4	-
网络延迟（毫秒） δ	中等 三角形 2–12	-
网络延迟（毫秒） δ	大 左右开肩 10–100	-
邻近SBS‐MEC虚拟机利用率（%） θ	轻 左右开肩 0–40	-
邻近SBS‐MEC虚拟机利用率（%） θ	正常 三角形 30–70	-
邻近SBS‐MEC虚拟机利用率（%） θ	重 左右开肩 60–100	-

表4. 输出的模糊化

卸载决策	隶属函数	范围
本地边缘	三角形	0–60
邻近边缘	三角形	40–100

4.1.1. 隶属函数

为了实现SBS‐MEC服务器之间的有效协作，我们必须选择重要的输入变量。在本研究中，我们定义了五个变量：任务大小、任务的延迟敏感性、本地SBS‐MEC虚拟机利用率、网络延迟和邻近SBS‐MEC虚拟机利用率，如下所示：
Ω=[α, β, γ, δ, θ],Ω ∈ Υt (6)
其中 α是输入任务大小的体积，直接影响任务执行时间； β表示相关任务的延迟敏感性，用于判断卸载任务是延迟敏感型还是延迟容忍型任务。 γ表示本地SBS‐MEC服务器的虚拟机利用率，反映本地 SBS‐MEC服务器的资源计算能力。如果SBS‐MEC服务器负载较低，则将任务卸载到本地SBS‐MEC服务器更为有利。 δ表示网络延迟，是系统的重要瓶颈。当网络延迟较高或由于用户请求数量过多导致网络拥塞时，将任务卸载到本地SBS‐MEC服务器比卸载到邻近SBS‐MEC服务器更为合适。在本研究中，通过采用泊松方式马尔可夫调制过程（MMPP）的单个SBS‐MEC服务器队列来观测网络延迟[56]。 θ是邻近的 SBS‐MEC
服务器利用率。在密集部署的SBS‐MEC服务器环境中，始终将任务卸载到本地SBS‐MEC服务器并不是一个良好的决策。如果网络延迟未发生拥塞且本地SBS‐MEC服务器负载较重，则将任务卸载到邻近的SBS‐MEC服务器更具优势。
在表3中，根据隶属度及其范围，我们可以将其建模为隶属函数。隶属函数(MF)可通过公式(7)进行数学描述，其中 χ的每个元素均在0到1的范围内。A是使用公式(8)描述的模糊集：
ξA(χ): χ→[0, 1], ∀χ ∈ X (7)
A={(χ, ξA(χ)): χ ∈ X} (8)
此外，隶属函数允许我们以图形方式描绘模糊集。隶属函数ξA(χ)可用不同的函数表示，例如三角形、 高斯、左右开口肩形、分段线性或单点[57]。根据表3中的信息，我们的模型可以使用三角形和左右开口肩形隶属函数。这些函数如下所示：
ξtriangular A (χ)=
{
0 ; if χ6 p
(χ−p)/(m−p) ; if p< χ6 m
(q−χ)/(q−m) ; if m< χ6 q
0 ; if χ ≥ q
}
(9)
ξlef t A(χ)=
{
1 ; if χ6 p
(q−χ)/(q−p) ; if p< χ6 q
0 ; if χ ≥ q
}
(10)
ξright A(χ)=
{
; if χ6 p
(χ−p)/(q−p) ; if p< χ6 q
1 ; if χ ≥ q
}
(11)
为了清楚地理解这些函数，它们的形状如图 5 所示。

三角形；(b) 左肩开口；(c) 右肩开口)

根据 Ω（公式(6)），我们将构建五个隶属函数集，每个集合包含三个语言变量，通过结合三角形和左右(L‐R)开口肩形隶属函数实现。 x轴描述输入的量化感知值，y轴表示隶属度(d.o.m.)。由于模糊逻辑系统性能的显著影响，选择隶属函数的值较为困难。在本研究中，各模糊变量的隶属度值通过经验确定，类似于其他现有
在不同应用中使用模糊决策机制的系统[24,55]。此外，我们采用了[54],中的隶属函数值，因为这在利用模糊逻辑的边缘计算环境中对任务卸载具有重要意义。为了描述模糊化过程，我们考虑了一个示例，其中五个输入变量的值分别为：任务大小为9 GI，延迟敏感性为0.3%，本地SBS‐MEC虚拟机利用率为55%， 网络延迟为7 ms，邻近SBS‐MEC虚拟机利用率为20%。从图6a中可以看出，当任务大小为9 GI时，它属于中等模糊集，其隶属度为0.5。从图6b中可以看到，当延迟敏感性为0.3%时，它属于低模糊集，其隶属度为0.3。类似地，我们可以从图6c–e中获得其他输入变量的隶属度。

任务大小；(b) 延迟敏感性；(c) 本地 SBS‐MEC虚拟机利用率；(d) 网络延迟；(e) 邻近SBS‐MEC虚拟机利用率)

4.2. 模糊推理引擎

为了根据上述模糊输入变量确定模糊输出，使用了模糊规则。我们模型中使用的一个重要指标是模糊集或语言变量：小、中等和大（表3）。不同的语言变量用于表示FLS的输入和输出变量。语言变量通过三个参数或三元组（V, X,ΩV）来定义，其中V是诸如任务大小、任务的延迟敏感性、网络延迟等变量； X是变量的取值范围，而ΩV是有限或无限的模糊集合[55]。根据图6a，任务大小的语言变量可定义如下：
Linguistic variable f or task size=
{
α= Task Size
X=<+
Ωα=(Small, Medium, Large)
}
(12)
上述输入变量Ω及其相应的语言变量的数学描述如下：
Ωα(χ)=[ξSml α(χ), ξMd α(χ), ξLrg α(χ)] (13)
Ωβ(χ)=[ξLow β(χ), ξMd β(χ), ξHigh (χ)] (14)
Ωγ(χ)=[ξLt γ(χ), ξNor γ(χ), ξHvy γ(χ)] (15)
Ωδ(χ)=[ξSrt δ(χ), ξMd δ(χ), ξLrg δ(χ)] (16)
Ωθ(χ)=[ξLt θ(χ), ξNor θ(χ), ξHvy (χ)] (17)
为了组合和评估模糊规则，采用模糊推理。模糊变量是推理系统的输出，用于去模糊化步骤的过程。
模糊规则由一系列简单的如果‐那么规则组成，每个规则包含条件和结论。例如，如果任务大小为中等并且延迟敏感性为低并且本地SBS‐MEC虚拟机利用率为正常并且网络延迟为中等并且邻近SBS‐MEC虚拟机利用率为重，则卸载到本地边缘服务器。在本次仿真中，使用的模糊规则总数为243条，因为有五个输入变量，每个包含3个语言术语。模糊规则的示例如表5所示。

表5. 模糊推理系统规则示例

Rule 索引	Task Size	延迟 灵敏度	本地SBS‐MEC 虚拟机利用率	网络 延迟	邻近 SBS‐MEC VM 利用率	卸载决策
R1	小	中等	轻	大	轻	本地边缘
R2	中等	Low	正常	中等	重	本地边缘
R3	中等	Low	重	短	轻	邻近边缘
R4	大	High	正常	大	重	本地边缘
R5	大	Low	重	短	轻	邻近边缘
R6	小	中等	正常	中等	正常	本地边缘
R7	中等	Low	重	短	轻	邻近边缘

4.3. 去模糊化

去模糊化将模糊逻辑系统的推理引擎得出的输出变量映射为一个精确值，该值应易于被人类用户理解。
对于去模糊化，不同的
使用的方法包括高度法和修正高度法、最大值法、最大值平均法以及重心法。其中，重心去模糊化方法应用最为广泛，它返回聚合模糊集的重心（COG）[55]。在本研究中，我们采用COG方法进行去模糊化步骤。为了计算COG，使用以下公式来计算重心，其中 χ∗是重心的X坐标， ξ表示由输出隶属度形成的边界，而 χ是边缘节点适应性。找到 χ∗点是COG方法的基本原理，该方法使用一条垂直线将聚合体分割为两个相等的部分：
COG(Execution), χ∗= ∫ χξ(χ)dχ / ∫ ξ(χ)dχ
(18)
算法 1展示了FCTO算法，该算法主要在SBS‐MEC服务器中确定目标计算节点。在此目标节点上，用户将根据任务特征、延迟敏感性、本地和邻近SBS‐MEC服务器利用率以及网络延迟等多种因素，将其到达的任务请求进行卸载。该算法返回卸载决策，用于选择本地或邻近的SBS‐MEC。我们假设任务已从用户设备卸载到本地SBS‐MEC服务器。该算法运行于边缘编排器上。边缘编排器接收来自本地SBS‐MEC服务器的三个参数，即任务大小、延迟敏感性和本地SBS‐MEC虚拟机利用率。第1行中初始化了COG值。第
2至第4行获取另外两个参数的值，即网络延迟和邻近SBS‐MEC虚拟机利用率，其中NeighboringEdgenodes
表示邻近边缘节点。第5行中，所有输入参数根据其隶属函数映射到模糊集，隶属函数在第4节中描述，并应用表5中的推理规则。经过质心去模糊化处理后，COG的输出演化为一个介于0到100之间的精确值。如果COG的值低于50，则任务将卸载到本地SBS‐MEC服务器；否则，将卸载到邻近的SBS‐MEC服务器。
例如，如果ξlocaledge和 ξneighboringedge的隶属度分别为0.2和0.5，则精确值为58，如图7b所示。因此，根据该精确值，到达的任务将被卸载到邻近的SBS‐MEC服务器。

输出隶属函数；(b) COG计算)

算法1 基于模糊逻辑的协同任务卸载（FCTO）算法

定义：
任务大小: α 延迟敏感性： β 本地SBS‐MEC虚拟机利用率： γ 网络延迟: δ
邻近SBS‐MEC虚拟机利用率： θ。
输入：
α, β, γ= LocalEdgenodes.α, β, γ
输出： 目标是选择SBS‐MEC服务器以卸载传入的任务。
1: COG ← 0
2: 对于 i = 1到 |邻近边缘nodes| 执行
3: 如果有邻近资源容量那么
4: δ, θ=邻近边缘nodes[i]. δ, θ
5: COG=模糊逻辑 (α, β, γ, δ, θ)
6: 如果 COG< 50 那么
7: 卸载决策 ←本地SBS‐MEC服务器
8: else
9: 卸载决策 ←邻近的SBS‐MEC服务器
10: end if
11: else
12: 卸载到远程云
13: end if
14: 结束循环
15: return卸载决策

5. 性能评估

为了评估我们为支持移动边缘计算的密集分布式小型蜂窝网络提出的FCTO机制的效率，我们使用了 EdgeCloudSim仿真器[58]来模拟不同场景。该仿真器通过扩展CloudSim工具包[59]，增加了对虚拟化资源、移动性模型、网络建模以及边缘编排器模块的建模功能，从而能够准确地模拟物理边缘基础设施环境。我们利用此环境评估了不同的卸载技术对任务失败率、平均服务时间以及服务器利用率的影响，针对不同数量的设备和任务大小进行了分析。在仿真中，我们采用了一个增强现实（AR）应用，以代表真实的现实生活场景。此处，移动设备的卸载任务被视为一组增强现实应用。例如，用户可以通过佩戴智能眼镜将一些图片卸载到服务器上，以进行人脸识别服务。表6列出了仿真过程中使用的增强现实应用及其相应参数值。在本仿真中，我们设定移动设备数量在100至1000之间，SBS数量为16。在任务生成过程中，系统处于活动模式，此时移动设备生成任务；随后进入一段时间的空闲模式。我们将活动模式设置为40 秒，空闲模式设置为20秒。在向服务器发送数据或从服务器接收数据时，我们选择上传的数据大小为 1500 KB，下载的数据大小为25 KB。由于上传的数据量相比下载的数据量较大，因此
增强现实应用需要将图像上传到服务器，服务器则响应一个文本元数据，该元数据在下载期间所需的数据大小较小。卸载任务可以是实时的，也可以不是实时的，这可以通过延迟敏感性来确定。此外，为了确定向边缘发送任务的频率，在仿真中使用了任务的到达间隔时间。

表6. 仿真参数

参数	值
移动设备数量	100∼1000
小型基站(SBS)数量	16
每移动设备/MEC服务器/云的虚拟机数量	1/4∼8/4
每移动设备/MEC服务器/云的虚拟机处理器速度(千兆指令每秒) 移动设备/MEC服务器/云	2/10/100
活动/空闲周期（秒）	40/20
平均上传/下载数据量（KB）	1500/25
任务平均大小（GI）	2∼20
延迟敏感度（%）	0.1∼0.9
任务到达间隔时间（秒）	2
传播延迟（毫秒）	3
应用类型	增强现实

为了验证FCTO性能的有效性，我们基于三种任务卸载方案比较了平均任务完成时间以及对应于平均任务大小的平均服务器利用率：本地SBS‐MEC卸载、在SBS‐MEC服务器与云之间基于工作负载编排的任务卸载（WOTO），以及我们在SBS‐MEC服务器之间的提出的FCTO。图8a,b表示性能比较的结果，其中x轴表示从2到20 GI（十亿条指令）变化的任务大小的可扩展性，而y轴分别表示平均任务完成时间和平 均服务器利用率。从图8a可以看出，当平均任务大小较小时，即2 GI时，本地SBS‐MEC卸载和提出的 FCTO场景下的平均任务完成时间几乎相似。同时，当任务大小在2到14 GI之间时，与WOTO和本地 SBS‐MEC卸载方案相比，所提出的FCTO方案将需要更短的完成时间。这是因为对于小和中等任务大小，任务在SBS‐MEC服务器之间处理较为容易；但当任务大小变大，例如达到16 GI时，WOTO方案相比其他方案将需要更短的完成时间。这是因为该方案将任务转发至具有无限计算能力的云进行处理。在此仿真中，我们考虑的移动设备数量为100。

不同任务大小的平均任务完成时间；(b) 任务大小对服务器利用率的影响)

从图8b的分析中可以观察到，当平均任务大小在2到10 GI之间时，本地SBS‐MEC卸载和所提出的 FCTO方案提供的结果几乎相似，而WOTO方案相比其他方案提供更低的服务器利用率。同时，如果任务大小为16 GI，则本地SBS‐MEC卸载、WOTO和所提出的FCTO方案的平均服务器利用率分别为8.43%、 1.23%和10.52%。因此，所提出的FCTO方案的服务器利用率比本地SBS‐MEC卸载高出2.09%，比 WOTO方案高出9.29%。因此，从分析中可以得出结论：我们引入的卸载方案将提供比其他方案更高的服务器利用率。这是因为我们提出的系统能够做出动态决策，它会分析SBS‐MEC服务器上所有虚拟机的 CPU使用率，并选择CPU使用率最低的虚拟机来执行任务。相反，WOTO方案需要将部分任务卸载到远程云进行处理。
此外，为了验证所提出的FCTO方案的有效性，我们进行了另一项实验，分别在图9a和图9b中展示了平均任务失败率和任务完成时间随移动设备数量的变化情况，其中横轴表示移动设备的可扩展性，纵轴分别表示平均任务失败率和任务完成时间。在这些实验中，我们在每个MEC服务器中分配了八个虚拟机。
在轻负载系统情况下，例如当移动设备数量不超过200时，上述三种方法的性能表现相似，平均任务失败率约为0，如图9a所示。随着移动设备数量的增加，在所有三种场景下，平均任务失败率均呈上升趋势；然而，当移动设备数量超过200时，所提出的FCTO方案相比其他两种方案具有更低的任务失败率，因为这些任务可以更轻松地分布并卸载到邻近的SBS‐MEC服务器。与此同时，本地SBS‐MEC卸载方案在移动设备数量增多时无法处理更多任务，而由于本地SBS‐MEC服务器中虚拟机的拥塞，WOTO方案将传入的任务发送至远程云。由于广域网带宽的限制，WOTO方案中的平均任务失败率会增加。从图9b可以看出，当移动设备数量不断增加导致系统负载加重时，所有场景下的任务完成时间以及网络延迟都会因拥塞而增加。例如，当移动用户数量为600时，本地SBS‐MEC卸载、WOTO和所提出的FCTO方案的平均任务完成时间分别为1.54秒、2.72秒和0.68秒。因此，与本地SBS‐MEC卸载相比，所提出的FCTO方案减少了 0.86秒的任务完成时间，与WOTO方案相比则减少了2.04秒。因此，与其他两种方法相比，
我们可以确认，所提出的方案将提供更低的任务完成时间。这是因为我们提出的协作方法可以将到达的用户请求分发到SBS‐MEC服务器之间，从而提升系统性能，以处理大量的移动设备。

最后，最后一次仿真结果展示了虚拟机数量对SBS‐MEC服务器的影响。在本次仿真中，我们为性能极强的MEC服务器分配了八个虚拟机，为性能最弱的服务器分配了四个虚拟机，其余服务器分配了六个虚拟机。从图10a,b可以看出，随着虚拟机数量的增加，平均任务完成时间呈下降趋势。与WOTO方案相比，提出的FCTO方案在所有场景中均表现更优。例如，当移动设备数量为700、每个SBS‐MEC服务器的虚拟机数量为四个时，WOTO方案中的平均任务完成时间为3.07秒。在相同场景下，我们提出的FCTO方案中的平均任务完成时间为1.17秒。因此，与WOTO方案相比，提出的FCTO方案将任务完成时间减少了 1.9秒。从整个分析可以看出，如图10a,b所示，具有四个虚拟机的提出的FCTO方案比WOTO方案减少平均任务时长近60.52%。
此外，在图10c、d中，我们进行了另一组实验，通过改变移动设备数量来研究SBS‐MEC服务器容量对任务失败率和服务器利用率的影响。从图10c可以看出，随着移动设备数量的增加，平均任务失败率呈上升趋势。当SBS‐MEC服务器配置四个虚拟机时，在超过200个移动设备后任务失败率开始上升；而配置六个虚拟机时，在超过500个移动设备后任务失败率才开始上升；配置八个虚拟机的SBS‐MEC服务器则可支持超过700个移动设备而不发生任务失败。从图10d可以看出，随着移动设备数量的增加，服务器利用率也随之上升；然而，当虚拟机数量增加时，服务器利用率反而下降。当移动设备数量在100到500之间时，配置四个虚拟机的SBS‐MEC服务器比其他配置利用了更多的服务器资源。但当移动设备数量超过 500时，由于任务失败率上升，其服务器利用率略低于配置六个虚拟机的情况。因此可以总结出，虚拟机数量越多，平均任务完成时间越短，并能支持更多的移动设备。该结果符合预期，本次仿真的主要目的正是为了说明协作式任务卸载方案的必要性。

FCTO方案；(b) WOTO方案；(c) FCTO方案 （虚拟机对任务失败率的影响）；(d) FCTO方案（虚拟机对服务器利用率的影响))

6. 结论

本文提出了一种基于模糊的协同任务卸载方案，用于支持多接入边缘计算的小小区网络（ MEC‐enabled SCN）。在我们的方案中，提出的FCTO算法分析了利用不足和过度使用的SBS‐MEC服务器，并在负载较轻的SBS‐MEC服务器中确定目标计算节点，以实现计算资源的共享。该方法减轻了本地 SBS‐MEC服务器的负载，能够根据用户需求轻松处理不同的服务请求。此外，模糊边缘协调模块作为系统的协调点，从所有SBS‐MEC服务器收集信息，并基于模糊规则决定任务处理位置，即本地SBS‐MEC服务器或邻近的SBS‐MEC服务器。我们进行了大量仿真以评估所提出任务卸载方案的性能。与两种参考方案——本地SBS‐MEC方案和基于工作负载编排的任务卸载（WOTO）方案相比，本方案在降低任务失败率和执行延迟方面表现更优，同时提供了更高的服务器利用率。在未来的研究中，我们计划采用机器学习方法实现SBS‐MEC服务器之间的协作。此外，为了更高效地减少任务失败和时间消耗，我们将把用户移动性因素引入小蜂窝网络中的FCTO算法。