工业物联网中基于边缘计算的跨域计算资源分配与任务卸载

doi:10.11959/j.issn.2096-3750.2020.00143

物联网学报 ›› 2020, Vol. 4 ›› Issue (2): 96-104.doi: 10.11959/j.issn.2096-3750.2020.00143

所属专题：边缘计算

工业物联网中基于边缘计算的跨域计算资源分配与任务卸载

周鹏^1,²,徐金城^1,²,杨博^1,²

¹ 上海交通大学自动化系，上海 200240
² 系统控制与信息处理教育部重点实验室，上海 200240

修回日期:2020-02-07 出版日期:2020-06-30 发布日期:2020-06-12
作者简介:周鹏（1995- ），男，安徽合肥人，上海交通大学硕士生，主要研究方向为工业物联网中的网络与计算优化|徐金城（1996- ），男，江苏盐城人，上海交通大学硕士生，主要研究方向为工业物联网中的边缘计算、任务卸载和软件定义网络技术|杨博（1980- ），男，上海人，上海交通大学教授、博士生导师，主要研究方向为物联网和能源互联网
基金资助:
国家重点研发计划重点专项(2018YFB1702300)

Cross-domain task offloading and computing resource allocation for edge computation in industrial Internet of things

Peng ZHOU^1,²,Jincheng XU^1,²,Bo YANG^1,²

¹ Department of Automation,Shanghai Jiao Tong University,Shanghai 200240,China
² Key Laboratory of System Control and Information Processing,Ministry of Education,Shanghai 200240,China

Revised:2020-02-07 Online:2020-06-30 Published:2020-06-12
Supported by:
The National Key R＆D Program of China Key Special Projects(2018YFB1702300)

摘要/Abstract

摘要：

在工业物联网中，现场设备的计算能力有限，基于边缘计算的任务卸载可以有效缓解现场设备的计算压力，提供低时延计算服务。此外，由于网络中不同区域的边缘服务器负载不同，需要合理安排任务卸载以及分配边缘服务器计算资源，从而降低任务完成时延，实现负载均衡。因此，研究了工业物联网中基于边缘计算的任务卸载和资源分配，提出了一种工业物联网中计算任务跨域卸载模型，并构建了一个最小化任务完成时间的混合整数非线性优化问题。将该问题分解为资源分配与任务卸载两个子问题，基于两个子问题特征，通过迭代交替求解，得到资源分配最优解与任务卸载策略。实验结果表明，与不跨域方法相比，所提方法有效地减轻了边缘服务器的负载不均衡，减少了任务完成时延。

关键词: 工业物联网, 资源分配, 任务卸载, 跨域

Abstract:

In the industrial Internet of things,limited by the computing capacity of field devices,the task offloading based on edge computing can effectively alleviate the computing burden of field devices and provide low-latency computing services.Moreover,because the load of edge servers are different in different areas of the network,it is necessary to reasonably arrange task offloading and allocate computing resources of edge servers,thereby reducing task completion delay and achieving load balance.Thus,the task offloading and resource allocation for edge computing in the industrial Internet of things was studied,a cross-domain offloading model for computing tasks in the industrial Internet of things was proposed,and a mixed integer nonlinear optimization problem that minimizes task completion time was formulated.The problem was decomposed it into two sub-problems of resource allocation and task offloading,based on the characteristics of the two sub-problems,the optimal solution of resource allocation and task offloading strategy were obtained through iterative and alternating solution.The experimental results show that compared with the non-cross-domain strategy,the load imbalance of the edge server and the task completion delay are reduced effectively by the proposed strategy.

Key words: industrial Internet of things, resource allocation, task offloading, cross-domain

中图分类号:

TP301.6

周鹏,徐金城,杨博. 工业物联网中基于边缘计算的跨域计算资源分配与任务卸载[J]. 物联网学报, 2020, 4(2): 96-104.

Peng ZHOU,Jincheng XU,Bo YANG. Cross-domain task offloading and computing resource allocation for edge computation in industrial Internet of things[J]. Chinese Journal on Internet of Things, 2020, 4(2): 96-104.

图/表 7

图1

表1

变量标识"

参数	含义
D_i	第i个设备
ES_j	第j个边缘服务器
M	设备的数量
N	边缘服务器的数量
m_i	第i个设备上产生的任务
w_i	任务m_i需要的计算量/M cycles
d_i	任务m_i的数据量大小/MB
$C_{i}^{D}$	设备D_i 的计算能力/G cycles
$C_{j}^{E}$	边缘服务器ES_j的计算能力/G cycles
γ_i	整数变量，任务m_i 在边缘服务器计算的位置， $γ_{i} \in {1, 2, \dots, N}$
B_j	ES_j与其连接设备之间的通信宽带/MHz
$C_{j}^{E}$	边缘服务器 j 与卸载域边缘服务器之间通信的带宽/MHz
x_i	0-1变量，若任务m_i在设备计算，则x_i =0；否则， x_i =1
β_i	0-1 变量，若任务m_i在服务器之间进行卸载，则β_i=1；否则，β_i =0
$C_{j}^{E}$	任务m_i占用服务器γ_i计算能力的比例

表1

表2

系统的仿真参数设置"

参数	仿真值
N	50,100]
M	5
w_i	20,100]
d_i	20,100]
$C_{i}^{D}$	0.5,1]
$C_{j}^{E}$	10,100]
B_j	200,1 000]
$B_{j}^{γ_{i}}$	1 000 MHz

表2

图2

图3

图4

表3

参考文献 15

[1]	邬贺铨 . 物联网技术与应用的新进展[J]. 物联网学报, 2017,1(1): 1-6.
	WU H Q . Technology and application progress on Internet of things[J]. Chinese Journal on Internet of Things, 2017,1(1): 1-6.
[2]	EMILIANO S , ABUSAYEED S , SONG H ,et al. Industrial Internet of things:challenges,opportunities,and directions[J]. IEEE Transactions on Industrial Informatics, 2018,14(11): 4724-4734.
[3]	YANG C W , HUANG Q Y , LI Z L ,et al. Big data and cloud computing:innovation opportunities and challenges[J]. International Journal of Digital Earth, 2017,10(1): 13-53.
[4]	李林哲, 周佩雷, 程鹏 ,等. 边缘计算的架构、挑战与应用[J]. 大数据, 2019,5(2): 3-16.
	LI L Z , ZHOU P L , CHENG P ,et al. Architecture,challenges and applications of edge computing[J]. Big Data Research, 2019,5(2): 3-16.
[5]	YU W , LIANG F , HE X ,et al. A survey on the edge computing for the Internet of things[J]. IEEE Access, 2017,6: 6900-6919.
[6]	KAUR K , GARG S , AUJLA G S ,et al. Edge computing in the industrial Internet of things environment:software-defined-networks-based edge-cloud interplay[J]. IEEE Communications Magazine, 2018,56(2): 44-51.
[7]	HONG Z C , CHEN W H , HUANG H W ,et al. Multi-hop cooperative computation offloading for industrial IoT-edge-cloud computing environments[J]. IEEE Transactions on Parallel and Distributed Systems, 2019,30(12): 2759-2774.
[8]	YU Y , BU X Y , YANG K ,et al. Green large-scale fog computing resource allocation using joint benders decomposition,dinkelbach algorithm,ADMM,and branch-and-bound[J]. IEEE Internet of Things Journal, 2019,6(3): 4106-4117.
[9]	LI X M , WAN J F , DAI H N ,et al. A hybrid computing solution and resource scheduling strategy for edge computing in smart manufacturing[J]. IEEE Transactions on Industrial Informatics, 2019,15(7): 4225-4234.
[10]	MASOUDI R , GHAFFARI A . Software defined networks:a survey[J]. Journal of Network and Computer Applications, 2016,67: 1-25.
[11]	ZHANG J , FENG X , LIU Z . A grid-based clustering algorithm via load analysis for industrial Internet of things[J]. IEEE Access, 2018,6: 13117-13128.
[12]	SONG L M , CHAI K K , CHEN Y ,et al. QoS-aware energy-efficient cooperative scheme for cluster-based IoT systems[J]. IEEE Systems Journal, 2017,11(3): 1447-1455.
[13]	PARDALOS P M . Convex optimization theory[M]. Massachusetts: Athena ScientificPress, 2011.
[14]	BREMER K . Branch support and tree stability[J]. Cladistics, 1994,10(3): 295-304.
[15]	YAN W , XIE K G . Simulated annealing algorithm[J]. Journal of Mengzi Teathers College, 1999,3(1): 95-98.

设备规模/台	模拟退火算法	分支定界法
100	2.484 s	0.822 s
150	3.513 s	2.125 s
200	4.614 s	4.353 s
250	5.462 7 s	7.958 s
300	6.690 s	13.066 s

工业物联网中基于边缘计算的跨域计算资源分配与任务卸载

Cross-domain task offloading and computing resource allocation for edge computation in industrial Internet of things

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 15

相关文章 15

Metrics

推荐阅读 0

[1]	曾钰婷, 毕宿志, 郑莉莉, 林晓辉, 王晖. 基于CSI小样本学习的场景鲁棒性跌倒检测系统[J]. 物联网学报, 2023, 7(2): 118-132.
[2]	王志宏, 冷甦鹏, 熊凯. 面向无人机集群协同感知的多智能体资源分配策略[J]. 物联网学报, 2023, 7(1): 18-26.
[3]	卫浓钰, 江子龙, 陈芳炯. 基于位置信息和能量均衡的声电协同网络AODV[J]. 物联网学报, 2023, 7(1): 27-36.
[4]	汤蓓, 王倩, 陈思光. 融合射频能量采集的协同节能计算迁移研究[J]. 物联网学报, 2023, 7(1): 83-92.
[5]	刘耀, 何岳园, 周红静, 李超良, 李闯. 移动边缘计算中基于资源联合分配的部分计算卸载方法[J]. 物联网学报, 2023, 7(1): 140-148.
[6]	孙君, 赵尚维康. 工业物联网中基于Sarsa算法的节能计算卸载方案[J]. 物联网学报, 2022, 6(3): 82-90.
[7]	陈九九, 郭彩丽, 冯春燕, 刘传宏. 智能网联环境下面向语义通信的资源分配[J]. 物联网学报, 2022, 6(3): 47-57.
[8]	黄诺, 刘伟杰, 龚晨. 面向工业物联网的拍赫兹通信[J]. 物联网学报, 2022, 6(3): 37-46.
[9]	罗梓珲, 江呈羚, 刘亮, 郑霄龙, 马华东. 基于深度强化学习的智能车间调度方法研究[J]. 物联网学报, 2022, 6(1): 53-64.
[10]	方娟, 叶志远, 张梦媛, 史佳眉, 滕自怡. 边云协同场景下基于强化学习的精英分层任务卸载策略研究[J]. 物联网学报, 2022, 6(1): 91-100.
[11]	苏新, 江苏, 周一青. 面向海洋观监测传感网的移动终端位置隐私保护研究[J]. 物联网学报, 2021, 5(4): 26-36.
[12]	徐勇军, 杨浩克, 叶迎晖, 陈前斌, 卢光跃. 反向散射通信网络资源分配综述[J]. 物联网学报, 2021, 5(3): 56-69.
[13]	张琪, 蒋宇娜, 葛晓虎, 李永会. 基于最优运输理论的物联网边缘计算资源优化机制[J]. 物联网学报, 2021, 5(2): 60-70.
[14]	路静, 李晗琳, 高林. 移动边缘计算任务切分与最优卸载算法设计[J]. 物联网学报, 2021, 5(2): 78-86.
[15]	代玥玥,张科,张彦. 区块链赋能6G[J]. 物联网学报, 2020, 4(1): 111-120.