基于边缘计算的泵闸站数据处理任务分发机制研究_李旭杰.pdf

DOI:1020079/jissn1001893x220523004引用格式:李旭杰，臧振楠，孙颖，等基于边缘计算的泵闸站数据处理任务分发机制研究J电讯技术，2023，63(2):233241LI X J，ZANG Z N，SUN Ying，et alesearch on data processing task distribution mechanism of pump gate station based on edge computingJ Telecommunication Engineering，2023，63(2):233241基于边缘计算的泵闸站数据处理任务分发机制研究*李旭杰李旭杰1 1，2 2，臧振楠，臧振楠2 2，孙颖，孙颖2 2，刘春燕，刘春燕2 2，黄凤辰，黄凤辰2 2(1南通河海大学海洋与近海工程研究院，江苏 南通 226300;2河海大学 计算机与信息学院，南京 211100)摘要:传统泵闸站系统采用的“端主站”信息传输及处理体系容易导致网络堵塞以及时延的增加，而边缘计算可将泵闸站中大量实时的数据处理任务在终端或边缘端进行处理。分析了基于边缘计算的泵闸站数据处理任务分发机制，将其建模为混合整数非线性规划问题。为求解该问题，首先使用拉格朗日乘子法得到给定任务分发决策下的最佳计算资源分配，然后利用樽海鞘群算法(SalpSwarm Algorithm，SSA)得到优化计算资源下的任务分发决策，通过不断迭代寻找最优解。仿真结果表明，与其他算法相比，所提算法能有效减少任务处理总时延，提高泵闸站整体的性能。关键词:泵闸站数据处理;边缘计算;任务分发;樽海鞘群算法(SSA)开放科学(资源服务)标识码(OSID):微信扫描二维码听独家语音释文与作者在线交流享本刊专属服务中图分类号:TN915文献标志码:A文章编号:1001893X(2023)02023309esearch on Data Processing Task Distribution Mechanism ofPump Gate Station Based on Edge ComputingLI Xujie1，2，ZANG Zhennan2，SUN Ying2，LIU Chunyan2，HUANG Fengchen2(1Institute of Ocean and Offshore Engineering，Hohai University(Nantong)，Nantong 226300，China;2College of Computer and Information Technology Engineering，Hohai University，Nanjing 210098，China)Abstract:The end-master station information transmission and processing system applied in traditionalpump gate system is easy to cause network congestion and delay increase，while edge computing can processa large amount of real-time data in pump gate station at terminal or edge end In this paper，the taskdistribution scheme of pump gate data processing based on edge computing is analyzed and modeled asmixed integer nonlinear optimization problemTo solve this problem，the Lagrange multiplier method is usedto obtain the optimal allocation of computing resources under the given task allocation decision at firstAndthen the Slap Swarm Algorithm(SSA)is used to obtain the task allocation decision under the optimizedcomputing resources，and the optimal solution is found through continuous iterationSimulation results showthat compared with other algorithms，the proposed algorithm can effectively reduce the total delay of taskprocessing and improve the overall performance of pump gate stationKey words:pump gate station data processing;edge computing;task distributing;slap swarm algorithm(SSA)332第 63 卷 第 2 期2023 年 2 月电讯技术Telecommunication EngineeringVol63，No2February，2023*收稿日期:20220523;修回日期:20220828基金项目:江苏省水利科技项目(2020028);广东省水利科技创新项目(202004);江苏省教育厅未来网络科研基金资助(FNSFP2021YB7);南通市社会民生科技项目(MS22021042)通信作者:李旭杰0引言泵闸站工程是防洪排涝及配水的基础性工程，通过将物联网技术、计算机技术、通信技术与自动控制技术有机结合形成泵站智能监控系统1，实现泵站实时智能监测、控制及调度，可实现无人值守或少人值守，确保泵闸站安全、可靠、高效地运行，有力提升水资源的高效利用。但是，目前泵闸站型号多种多样，测量设备的测量方式差异等，从而造成泵站(群)运行监控数据的取值频率、尺度和时间上存在较大差异。泵站自动化监控系统收集了大量泵站运行时的工况、测控信息，各泵站平均采集指标多达上千种。除少量数据以非实时方式被同步至管理调度系统外，大量数据只能保留在泵站现场，无法得到有效利用。随着大量传感器在泵闸站的部署及应用，大量实时及非实时数据呈爆发性增长，若采用传统的端云(服务器)信息传输及处理体系则易造成网络堵塞及时延激增，甚至信息系统崩溃的危情。因此，如何设计优化的信息传输体系及任务分发机制，及时处理泵闸站的实时、非实时等大量异构数据则尤显重要。边缘计算可将数据在终端或边缘端进行计算处理，相比传统的服务器端处理模式，可有效降低时延，提升系统效率。目前，已有不少学者对边缘架构的处理模式进行了研究。文献 2 将雾计算网络架构作为云计算网络架构的扩展，将云计算的计算、存储等各项功能从云数据中心转移到更加贴近终端用户的网络边缘，从而有效降低了数据的传输时延。文献 3在更贴近终端用户的网络边缘部署了大量的雾节点，其具有通信、计算、缓存、控制等能力;通过任务调度技术将任务分配给不同的边缘服务器或雾节点进行处理，可以有效缩短任务的响应时延。文献 4 中，作者首先介绍了一种支持多无人机的移动边缘计算系统，其中部署的无人机作为地面大规模终端所产生的任务卸载的计算服务器，然后提出了一种两层优化的策略来优化无人机的数量和任务调度方案从而最小化系统的能耗。文献 5 面向移动边缘计算系统，针对无人机电池容量有限的问题提出了一种以最小化系统能耗的任务调度方法。文献 6中，作者针对多无人机辅助的移动边缘计算系统，对计算资源分配、无人机的轨迹进行了优化，从而最小化系统中任务的完成时间。综上所述，目前较少对泵闸站数据处理任务的分发进行分析及优化。因此，本文针对泵闸站系统，研究设计一种基于边缘计算架构的泵闸站数据处理分发机制，对需要及时处理的任务在终端上即时处理，或将任务迁移至边缘节点进行处理，从而整体提升系统性能。1系统架构模型随着泵站群的智能化发展，布置的大量传感器产生大量实时数据，需要及时准确地处理，如果传输到总控服务器则有较大的时延，对一些时延敏感数据任务处理的滞后会严重影响设备运行的效能及安全性。目前，很多终端节点都具有一定的运算与处理能力，利用边缘计算的分布式运算架构，将泵站的实时数据进行运算，由传统的网络服务器向网络的边缘节点或终端来处理，即将传感器产生的数据处理任务分发给泵闸边缘节点计算，可有效降低信息时延，提高泵站的效能及运行安全性。在基于边缘计算的泵闸站系统中，假设有 M 个泵闸站传感器，N个泵闸边缘节点。泵闸站传感器的集合表示为M=1，2，3，M，泵闸边缘节点的集合表示为 N=1，2，3，N。每个泵闸站传感器在某一时刻均产生一个计算任务 Taski，iM。任务 Taski的数据量大小为 Di，其计算需要的计算资源，即中央处理器(Central Processing Unit，CPU)总的周期数为Ci。第 i 个泵闸站传感器 Si的坐标可以表示为(xSi，ySi)，第 j 个泵闸边缘节点 Ej的坐标可以表示为(xEj，yEj)。在该系统模型中，泵闸站传感器的任务可以在本地计算或者利用泵闸边缘节点的计算能力将任务完全分发给泵闸边缘节点。通过泵闸站传感器与泵闸边缘节点之间的协作进一步提升泵闸站通信及控制系统的任务分发的性能。针对本文所考虑的场景，泵闸站传感器与泵闸边缘节点的通信链路占据独立的且信道资源相互正交的子信道，因此不考虑链路间的同频干扰。11通信模型上述系统架构模型中，泵闸站传感器与泵闸边缘节点的信道可建模为自由空间传播信道模型。泵闸站传感器与泵闸边缘节点之间的信道增益可以表示为432wwwteleonlinecn电讯技术2023 年(d)=0(dSEi，j)。(1)式中:0为参考距离1 m时的信道功率增益;为路径衰减因子;dSEi，j表示泵闸站传感器 Si与泵闸边缘节点 Ej之间的距离，dSEi，j=(xSixEj)2+(ySiyEj)2。(2)假设泵闸站传感器只有在泵闸边缘节点的通信范围之内，才可以与泵闸边缘节点建立可靠的通信链路，则泵闸站传感器 Si与泵闸边缘节点 Ej之间的距离 dSEi，j需满足dSEi，j。(3)式中:为泵闸边缘节点的通信范围。假设泵闸站传感器节点 Si与泵闸边缘节点 Ej之间的距离 dSEi，j满足式(3)，则泵闸站传感器节点 Si与泵闸边缘节点Ej之间的通信链路的传输速率可以表示为ri，j=B lb 1+Pi0n0B(dSEi，j)2()。(4)式中:B 为信道带宽;Pi为泵闸站传感器节点的发射功率;n0为噪声功率谱密度。12计算模型在该系统架构模型中，泵闸站传感器的任务处理方式有两种:本地计算和完全分发给泵闸边缘节点计算。具体计算模型如下:(1)本地计算当泵闸站传感器 Si在本地计算其任务 Taski时，将 Si的 CPU 的计算能力表示为 fi，则本地计算任务的处理时延表示为7 TLi，0=Cifi。(5)(2)泵闸边缘节点当泵闸站传感器 Si与泵闸边缘节点 Ej之间的距离满足式(3)并根据任务分发决策将其任务 Taski分发到泵闸边缘节点上计算时，Taski的传输时延可以表示为TCMi，j=Diri，j。(6)Taski的计算时延可以表示为TCPi，j=Cifi，j。(7)式中:fi，j表示泵闸边缘节点 Ej的计算服务器分配给任务 Taski的计算资源。在大多数实际场景中，任务计算结果的数据包比特数较小，与很多研究类似，本文忽略计算结果的返回时延。任务 Taski的处理时延记作传输时延和计算时延之和8:TEi，j=Diri，j+Cifi，j。(8)通过优化本地的 fi以及边缘端的 fi，j可取得