下载掌阅APP，畅读海量书库
立即打开
用户驱动型应用，如云游戏、增强现实（Augmented Reality, AR）、虚拟现实（Virtual Reality, VR）等，往往需要强大算力来支持其密集计算。然而，移动设备自身的计算资源十分有限，很难满足用户对应用实时处理的需求。边缘计算通过将计算资源下沉到边缘节点，使得用户能够将计算卸载至距离其最近的节点进行处理，从而提升效能。通常来说，一个典型的应用卸载方案包含两个核心问题：①确定卸载的具体对象；②确定卸载的执行策略。
1.不可分任务卸载
任务的输入或者任务本身不支持细粒度划分，因而为了保持其完整性，只能将整个任务或整个输入作为卸载对象。
2.可并行代码或数据卸载
数据或代码间不存在依赖关系，可独立进行处理。如在边缘视频分析应用中，移动端负责采集视频，并将其卸载至边缘节点进行计算密集型的深度学习推断处理。推断的输入单元往往是独立的帧，因而可将视频帧作为一个卸载单元（考虑到视频编码器，如H.264，根据一组帧来进行时空相关编码，因而可将这组帧作为卸载单元）。又如在数据驱动型联邦学习中，数据来源于移动端且每个移动端产生的数据独立同分布，因而用户只需要决定卸载量，而无须对数据进行依赖性分析。如图4-2a所示，任务或数据可分为相互独立的1～8块，1～4在终端处理，5～8在边缘服务器端处理。
图4-2 子任务可并行处理的任务和存在依赖关系的DAG任务
3.存在依赖关系的计算任务卸载
由于执行顺序有先后关系，随机卸载可能导致当前任务无法得到有效的输入，从而拉长整个应用的处理时延。如在处理基于云-边协同的DNN切割任务中，将DNN中存在依赖的层分别部署在边缘节点和终端设备，使得云-边通信次数和数据量增加，加大网络负载。通常，可将任务建模成有向无环图（Directed Acyclic Graph, DAG）结构，并基于此设计合理的卸载计划。调度如图4-2b所示的任务，子任务4是所有其他任务的最前驱节点，因而不可卸载至边缘服务器。
计算卸载旨在克服移动端硬件的瓶颈，即计算和存储资源匮乏、耗电量大，因此卸载至边缘服务器的处理性能必然要优于本地处理，否则不执行计算卸载。不同于云端海量算力，边缘服务器的资源也是有限的，在处理类似于视频超分辨率的计算密集型应用时，往往需要云服务器的参与。图4-3展示了云-边-端计算卸载框架，以及其中产生的传输开销和计算开销，包括本地处理时延 D l 和能耗 E l 、边缘服务器处理时延 D e 和能耗 E e 、云端处理时延 D r ，以及接入网络的传输时延 T 1 和回程网络传输时延 T 2 。根据性能表现，可将卸载策略大致分为以下三类。
图4-3 云-边-端计算卸载框架
1.完全卸载
完全卸载是二值决策，只需要决定要不要卸载，通常用一个指示变量表示。只考虑处理时延，若 D e + T 1 ＜ D l 或 D r + T 1 + T 2 ＜ D l ，则将计算卸载至边缘或云服务器；否则，任务在本地进行处理。同时考虑能耗和时延，若满足 D e + T 1 ＜ D l 且 E e ＜ E l ，则执行计算卸载；否则，任务在本地处理。Liu等人 [1] 基于客户端队列状态、本地和服务器计算资源以及信道反馈信息做决策，设计一种贪心算法，选择预测时延最低的卸载方案，这种方法的缺点是边缘设备需要边缘服务器的反馈信息，这引入了额外的信道通信开销。Kamoun等人 [2] 考虑同时优化时延和能耗，将计算卸载建模成马尔可夫序列化决策过程，并设计了两种算法来优化资源分配，即基于应用运行信息和网络状况的在线学习和基于确定信息（如数据包到来速率、无线信道状况）的预训练。Barbarossa等人 [3] 考虑在多边缘设备场景下，最小化能源消耗并满足最大处理时延。在每个时隙中，将边缘设备动态划分成两组，其中一组将任务卸载至边缘服务器处理，另一组在本地处理，同时优化对网络带宽和计算资源的分配。
2.部分卸载
从云-边-端协同的思路出发，对计算卸载决策量化分析。通常来说，根据应用特征分为以下两类：
（1）任务可分为 N 个独立子任务（包含依赖关系的子任务可耦合成一个新的子任务），每个子任务需要决定在本地、边缘服务器或云端处理。
（2）任务可均匀划分，此时需要决策计算卸载的百分比。
这两类决策都需要考虑并权衡总时延和能耗，以此实现最优决策。You等人 [4] 考虑多边缘设备场景，并根据信道质量、本地可用计算资源和能量消耗状况对每个设备赋予一个优先级，并根据优先级来确定卸载的比例，级别越高，卸载比例越大；Mao等人 [5] 对能耗和时延进行平衡，提出了一个满足任务时延队列稳定性约束的能耗最小化问题，并提出一种基于李雅普诺夫（Lyapunov）优化的在线算法来分配服务器计算和带宽资源。
不管是完全卸载还是部分卸载，合理高效的卸载方案很大程度上依赖于本地和服务器信息，如图4-4所示，这些信息包括：
（1）本地可用计算资源，影响执行时间。
（2）任务队列状态，占用本地缓存且存在竞争关系；边缘网络状况，影响边缘设备和边缘服务器之间的通信（数据上传、结果反馈）；边缘服务器可用计算资源，影响执行时间。
图4-4 完全卸载决策执行流程图
1.边缘应用往往由多个存在依赖关系的子任务构成
这类应用可用有向无环图表示，而DAG图的调度早已被证明是NP难问题。深度学习中的神经网络推断任务可按层划分成多个子任务，很多网络如YOLO中，层与层之间都存在复杂的依赖关系，因而高效的计算卸载需要以高效的DAG划分为前提。
2.边缘环境的不确定性
这主要体现在①任务的特征，如数据规模、到来模式、位置分布等都是未知的；②网络的拥塞状况是动态变化的，难以预测的。因而在一个序列化的连续决策过程中，很难建立一个统一且精准的模型去预测下一个时隙的信息，做出高效的决策。在面对一些极端情况，如任务突发到来、网络剧烈抖动，计算卸载决策更是充满挑战性。
3.边缘设备的异构性
通常计算卸载方案是针对一个具体的边缘设备，而边缘广泛分布着各类异构的设备，这些设备在计算、存储、架构上各不相同，因而很难将一个表现良好的方案从一个设备迁移到另一个设备。