多接入边缘计算中协同计算卸载策略研究
作者单位：北京邮电大学
学位级别：硕士
导师姓名：张兴
授予年度：2023年
学科分类：08[工学] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器]
摘 要：物联网技术的快速发展催生了大量具备时延敏感和计算密集特征的高级应用。为了实现更低的能耗、更快的响应、更强大的安全性、更高的可靠性和更少的带宽要求,多接入边缘计算(MEC)技术应运而生。然而,在传统的边缘计算范式下,各边缘服务器间缺乏统一的调度管理,形成算力孤岛效应,分布式的计算资源不能得到充分利用。因此,如何构建统一的节点管理与能力感知体系,设计面向多样化计算业务请求的协同卸载策略,实现极致灵活的计算任务卸载与极致弹性的计算资源调配,成为了学界的研究热点。基于此,本课题从多个多接入边缘计算的典型应用场景出发,分别从集中式与分布式的角度提出多样化的协同计算卸载策略。此外,基于所提出的卸载策略,本文设计并实现了基于微服务架构的协同计算卸载系统,以验证所设计策略在真实边缘推理环境下的综合性能。具体地,本文的主要贡献包含以下三个方面:第一,本文考虑多用户设备多边缘计算服务器的场景,以计算任务处理能耗最低为优化目标,研究计算任务卸载与计算资源分配的联合优化问题。本文设计了基于优先级的资源受限时的分配策略,给出了将计算任务卸载问题转换为加权二部图匹配与最小费用最大流问题的方式,提出了使用KM(Kuhn-Munkres)算法以及改进的GS(Gale-Sherply)算法求解匹配问题。仿真结果表明,相比于传统的随机调度(RAO)策略与理论最优的KM调度策略,本文提出的MADF-GS(Maximum Alternative Differences First GS)算法性能优异,它在算法超参数变化时性能稳定,在节点密度上升时网络能耗接近最优,相比传统的RAO策略提升61.21%,而算法运行时间大幅下降,相比最优的KM策略最多节省80%。第二,本文考虑具有高度动态性的网络环境,选择车联网作为研究场景,综合衡量任务队列积压与任务卸载数据量,研究了车辆与车辆、车辆与路侧单元(RSU)之间的动态协同计算卸载问题。本文为解决车辆将计算任务卸载给非直连的路测单元的数据传输问题,设计了适合于分布式场景的快速贪心选路策略;此外,本文将车辆向车辆与路测单元卸载计算任务的问题建模为动态资源定价的博弈问题,考虑卸载数据量与动态资源定价之间的博弈,并基于缜密的数学推导求出Stackelberg均衡解。仿真结果表明,本文所提出的快速贪心选路策略与经典A*算法相比,在性能差距不超过1%的情况下大幅缩短了算法执行时间;相比于多种传统的基于优先级的贪心卸载策略,本文设计的基于Stackelberg博弈的动态协同卸载可以在保证任务队列稳定的同时均衡卸载数据量与资源定价,与性能最优异的贪心算法相比,能获得40.94%的系统效用提升。第三,本文基于微服务架构,设计并实现了完整的协同计算卸载系统。本文建模了实际网络环境的请求调度问题,并在研究点一提出的协同计算卸载策略的基础上,设计了适配于实际网络环境的调度策略;本文引入容器集群管理平台对边缘计算节点统一纳管,设计算力感知、算力通告、算力建模、请求调度等微服务实现请求的灵活动态调度。实际测试表明,所设计的计算协同卸载系统在执行多样化的边缘智能推理业务中,在保证均衡节点负载的同时,与本地处理、随机策略、贪心策略等传统边缘计算范式相比降低了 69.51%、17.91%、20.14%的响应延迟,且在动态的网络拓扑下实现快速响应,始终保持最优的吞吐量。
同方学位论文库