5G移动边缘计算环境下的任务卸载方法研究

2024-01-10 06:54邱丹青许宇辉
企业科技与发展 2023年12期
关键词:时隙边缘能耗

邱丹青,许宇辉

(广东曼拓信息科技有限公司,广东广州 510635)

0 引言

当今,移动通信技术的快速发展和边缘计算的兴起使得5G 移动边缘计算中任务卸载方法备受关注,任务卸载能够有效优化移动设备的能耗,延长电池寿命,并提高计算任务的响应速度和性能。通过将部分或全部计算任务转移到边缘服务器上进行处理,可以减轻移动设备的计算负担,降低能源消耗,并实现更快的响应时间,该研究能够为用户提供更智能、高效和便利的移动体验,对于推动移动边缘计算的应用和发展具有重要意义。

刘可欣等[1]提出了基于移动边缘计算的车联网任务卸载方法,建立了以关键值为基础的工件调度策略。在时分多址系统中,每一个时隙的使用者都会把一部分的资料传送给MEC伺服器,使其能够根据使用者对信道的品质、本地功耗以及使用者间的公平程度决定其工作内容,结合调度策略实现任务卸载。张海波等[2]提出了一种基于软件定义网络与移动边缘计算的任务卸载方法,通过引入软件定义车载网络实现了资源控制管理、设备信息采集以及任务信息分析。然后通过任务卸载优先级机制算法,实现任务优先级划分,根据任务划分结果采用乘子法进行模型求,得到任务卸载结果。上述方法虽然能够实现任务卸载,但是在卸载效率方面仍然存在不足。因此,本文选择5G移动边缘计算技术进行任务卸载研究。

1 5G移动边缘计算环境下的任务卸载方法

1.1 计算任务建模

在5G 移动边缘计算环境下,以降低能耗和满足移动计算所需的执行时限为目的,展开任务卸载方法研究。

为了保证任务计算效率,在一个时隙中,一个信道与运算资源最多只能被一个终端占用。此外,由于计算任务是不可分的,因此在一个时隙中,每个终端最多只能选择一个通道或一个资源模块。本文选用一个经典计算任务模型描述5G 移动边缘计算任务,其表达式如下:

其中:t表示时隙;o表示终端;p表示信道;xo,k表示信道选择约束;xo,p表示计算资源选择约束。

为了降低任务卸载时延,需要考虑不同终端所承载业务的优先级,使整体卸载时延最小化,其表达公式如下:

其中:w表示网络延迟;D表示移动设备与边缘服务器之间的距离;n表示移动设备数量;εo表示边缘服务器负载[3]。

5G 移动边缘计算中,数据收集终端所携带的电量通常都是有限的,为了避免频繁更换电池,需要在任务迁移的过程中加入长时间的能量约束,从而解决因频繁更换电池而引起的服务中断问题,则任务卸载能耗约束的表达公式如下:

其中:qo,max代表终端o任务卸载的最大能耗。

通过上述分析可知,任务建模、目标函数和约束条件在任务卸载方法的研究中起着关键的作用。通过这些研究工作,可为移动边缘计算中任务卸载的应用和实现提供重要的理论基础和方法支持[4]。

1.2 计算任务分配

在建立任务卸载目标函数和约束条件的基础上,引入区块链技术作为公平性保证机制,确保任务卸载决策的公正性和可信度。区块链的去中心化特点能够确保所有参与节点共同维护一个可信的账本,防止单个实体控制资源分配,并确保获得公开透明的任务分配结果。同时,区块链的分布式共识机制保证了数据的一致性和完整性,提升了系统的可信度。所有交易和操作都被记录在区块链上,具有高度的透明性和可追溯性,同时增强了任务分配过程的审计能力。在加密算法的保障下,区块链技术能够确保数据不被篡改,实现公平的任务卸载和资源分配[5-7]。以下是区块链技术应用在5G移动边缘计算分配中的具体步骤。

(1)任务卸载验证:区块链可以记录任务卸载的过程和结果,确保任务的可靠性和安全性。通过区块链的不可篡改性,验证任务在卸载过程中是否遵循了约定的规则和协议。

(2)资源分配和交易:区块链可以实现移动设备与边缘服务器之间的资源分配和交易。移动设备可以向区块链网络提交资源需求,而边缘服务器则可以提供相应的计算、存储和带宽资源。借助区块链的透明性和去中心化的特点,确保了资源分配的公平性和可追溯性。

(3)去中心化管理:区块链可以实现边缘计算资源的去中心化管理,让每个节点都参与资源分配和任务协作。这样可以提高计算资源的利用率,降低单个节点的负载,同时增加系统的可伸缩性和鲁棒性。

(4)安全保障:区块链的安全特性可以提升5G移动边缘计算的安全性。通过区块链的身份验证和数据加密功能,可以有效防止恶意攻击和数据泄漏,并能保护用户的隐私和数据安全。

基于区块链的5G 移动边缘计算分配有望提供一种安全、公平和高效的资源管理机制,为移动边缘计算的发展提供有力支持。

1.3 计算任务卸载

基于计算任务分配结果,展开计算任务卸载研究。首先根据任务的计算复杂度、数据依赖关系或实时性要求等将计算任务分解为多个子任务,其次根据计算任务的属性选择卸载类型,计算任务卸载示意图如图1所示。

图1 计算任务卸载示意图

由图1 可知,在任务卸载中,部分卸载和完全卸载是使用两种不同的方式将计算任务从移动设备转移到边缘服务器进行处理。其中,部分卸载(Partial Offloading)是指将任务的一部分计算任务卸载到边缘服务器上进行处理,而另一部分任务仍然在移动设备上执行。通常情况下,部分卸载是基于任务的特性和需求策略进行的。例如,对实时性要求较高的任务(如输入感知或用户交互等),可以选择将这些组件卸载到边缘服务器上,以降低延迟和提高响应速度。部分卸载的优势在于能够平衡移动设备和边缘服务器之间的负载,同时满足任务的时效性需求。完全卸载(Complete Offloading)是指将整个计算任务完全卸载到边缘服务器上进行处理,移动设备仅负责发送数据和接收结果。完全卸载适用于需要大量计算资源或存储容量的任务,通过将任务在移动设备上运行的计算负荷完全转移给边缘服务器,可以减轻移动设备的计算负担,提高设备响应速度,同时延长设备电池的寿命。

总体来看,部分卸载和完全卸载是在任务卸载过程中针对任务性质的不同选择,用于优化计算资源、提高能效和响应速度。根据具体任务的特性和需求,可以选择适当的卸载策略实现最佳的性能和效果[8-9]。

2 实验测试与分析

为了验证本文所提方法的有效性,将其运用到实验测试场景中,对其卸载效果进行检验。将传统基于移动边缘计算的车联网任务卸载方法(方法1)和基于软件定义网络与移动边缘计算的任务卸载方法(方法2)作为对比方法,与本文所提方法进行对比分析。

2.1 实验准备

在开始实验测试之前,需要做一些准备工作,保证本次实验的可信度。本文实验场景主要面向某大型商场,具体的实验准备环节如下。

(1)边缘服务器:在商场内部设置5 台边缘服务器作为MEC 设备,设置多台边缘服务器为系统提供了良好的扩展性,随着移动设备和任务数量的增加,可以通过增设边缘服务器扩展系统的处理能力,满足不断增长的计算需求。实验参数设置见表1。该服务器应具备足够的计算资源和存储空间,能够支持边缘计算任务的执行。

表1 实验参数设置

(2)移动设备:选择多个智能手机、平板电脑等移动设备作为任务源,模拟商场顾客使用移动应用的场景,这些设备具有不同的操作系统和处理能力。移动设备参数设置见表2。

表2 移动设备参数设置

在实验中,移动设备通过用户交互、传感器数据等方式生成任务,并将任务发送给边缘服务器进行处理。

(3)网络连接:建立5G 网络覆盖商场,并确保MEC 服务器和移动设备之间有稳定、可靠的高速网络连接,保证任务卸载和数据传输。图2 为服务器网络连接关系示意图。

图2 服务器网络连接关系示意图

(4)任务卸载实验:在实验中采用不同的任务卸载方法,通过对比实验结果,分析各个方法在商场环境下的应用性能和效果。

为了保证实验的可重复性和验证性,进行多次实验并记录结果,以得出准确的结论。

2.2 实验结果与分析

以卸载时间为实验指标,对比3种方法的应用效果,卸载时间实验结果见表3。

表3 卸载时间实验结果

由3 表中的实验结果可以清楚地看出,使用3 种方法进行任务卸载时,卸载任务量与卸载时间之间呈现出线性关系,具体表现在随着卸载任务的增加,卸载时间也呈现出增加的趋势。通过对比可知,本文所提方法的卸载时间远远少于其余两种方法,说明本文方法的卸载效率更高,能够在更短的时间内满足任务卸载需求。

以任务卸载能耗作为实验指标,继续对比3种方法的应用效果,结果见表4。

表4 卸载能耗实验结果

由表4 中的数据可知,随着卸载任务的增加,3种方法的能耗均呈现出线性增长的趋势,但是相比较之下,本文所提方法的能耗更低,说明其能够有效降低任务卸载能耗,具有更高的应用价值。

进一步验证在5G移动边缘计算环境下不同的时隙对累计功耗和累计平均时延的影响,其结果见表5。

根据实验结果可知,随着时隙设置的增加,累计功耗也相应增大,表明在任务卸载中较长的时隙会引起更高的累计功耗。随着时隙设置的增加,累计平均时延也会增加,这表明较长的时隙会引起较高的累计平均时延。

3 结语

为了降低移动设备的计算负担、提高能效和响应速度,同时满足任务的时效性需求,提出一种5G移动边缘计算环境下的任务卸载方法。实验结果表明,本文所提方法有效降低了任务卸载时间和能耗,能够为用户带来更优质的移动体验。但是,本文所提方法没有充分考虑用户需求的变化和网络状态的波动,因此未来将重点研究基于机器学习和人工智能技术的任务卸载决策优化方法,以实现更智能、自适应的任务卸载。

猜你喜欢
时隙边缘能耗
120t转炉降低工序能耗生产实践
能耗双控下,涨价潮再度来袭!
探讨如何设计零能耗住宅
复用段单节点失效造成业务时隙错连处理
日本先进的“零能耗住宅”
一张图看懂边缘计算
一种高速通信系统动态时隙分配设计
时隙宽度约束下网络零售配送时隙定价研究
基于TDMA的无冲突动态时隙分配算法
在边缘寻找自我