梅雨林

（1.安徽工業(yè)大學(xué) 電氣與信息工程學(xué)院，安徽 馬鞍山 243002；2.合肥職業(yè)技術(shù)學(xué)院 信息工程與傳媒學(xué)院，安徽 合肥 230012）

0 引言

工業(yè)互聯(lián)網(wǎng)的目標是將靈活的網(wǎng)絡(luò)技術(shù)和思想應(yīng)用到工業(yè)環(huán)境中，整合工業(yè)生產(chǎn)中的各類要素，從而提升效率、降低成本。當(dāng)前工業(yè)互聯(lián)網(wǎng)還處于發(fā)展初期階段，以工業(yè)制造業(yè)為例，其主要特征是生產(chǎn)終端的類型多、工藝流程復(fù)雜，各個生產(chǎn)環(huán)節(jié)會產(chǎn)生大量的數(shù)據(jù)(包括材料、加工設(shè)備、加工過程、質(zhì)量等），導(dǎo)致車間管理過程復(fù)雜，接入終端數(shù)量繁多。企業(yè)通過實施信息化系統(tǒng)對制造流程進行精細化管理，實現(xiàn)企業(yè)的數(shù)字化、智能化轉(zhuǎn)型，既需要相關(guān)生產(chǎn)設(shè)備產(chǎn)生的海量數(shù)據(jù)信息作為重要的數(shù)據(jù)源，也需要具備處理海量數(shù)據(jù)的能力，還要有高可靠網(wǎng)絡(luò)提供的實時、精準傳輸能力。當(dāng)前工業(yè)互聯(lián)網(wǎng)中網(wǎng)絡(luò)延遲已成為關(guān)鍵性技術(shù)，很多應(yīng)用及架構(gòu)都建立在低延時基礎(chǔ)上，如何有效降低網(wǎng)絡(luò)中的傳輸時延以及提升系統(tǒng)的性能已成為當(dāng)代工控現(xiàn)場的研究的重點。本文從工業(yè)互聯(lián)網(wǎng)時延模型出發(fā)，對時延產(chǎn)生的各種因素進行分析，研究了移動邊緣計算和霧計算技術(shù)在減低傳輸時延方面的應(yīng)用，重點聚焦計算卸載、多維資源分配以及邊緣緩存等產(chǎn)生的延時問題，利用技術(shù)手段對延時進行優(yōu)化，通過對比方法證明了引入邊緣計算能夠有效降低網(wǎng)絡(luò)中的延時，提高系統(tǒng)的整體性能。

1 整體延時性分析

以典型時延的模型進行分析，如圖1所示，在工業(yè)互聯(lián)網(wǎng)中被控對象通?？蓜澐譃閳?zhí)行器和傳感器，T(ca）為控制數(shù)據(jù)從控制節(jié)點開始發(fā)送到達I/O設(shè)備后在網(wǎng)絡(luò)中的傳輸時延。反過來T(sc）為反饋數(shù)據(jù)從I/O口開始傳輸?shù)竭_控制節(jié)點后在網(wǎng)絡(luò)中的傳輸時延。

圖1 典型時延的模型

從此處的典型傳輸系統(tǒng)模型上看，可以將工控互聯(lián)網(wǎng)傳輸時延分成兩部分，一部分是節(jié)點因自身計算而產(chǎn)生的處理時延，例如控制器、執(zhí)行器等完成自身功能都需要花費一定的時間；第二部分是信息在網(wǎng)絡(luò)中傳輸過程中所引起的時延。前者與控制設(shè)備自身的設(shè)計和實現(xiàn)有關(guān)，通常數(shù)值較小，相對于整體時延可以忽略不計；而后者是由于引入傳輸環(huán)節(jié)產(chǎn)生的，稱作網(wǎng)絡(luò)誘導(dǎo)時延，根據(jù)計算機網(wǎng)絡(luò)中通信信道時分復(fù)用的特點，網(wǎng)絡(luò)誘導(dǎo)時延屬于系統(tǒng)噪聲，是無法被消除的，因此網(wǎng)絡(luò)誘導(dǎo)時延成為影響系統(tǒng)的主要指標，也成為研究者眼中實時性和確定性的主要內(nèi)容。

2 邊緣計算延時改善

如圖2所示，移動邊緣計算互聯(lián)網(wǎng)架構(gòu)通常涉及3大重要部分：公有云，邊緣云和邊緣設(shè)備。

圖2 邊緣計算工業(yè)互聯(lián)網(wǎng)框架

(1）公有云：提供計算服務(wù)的設(shè)備，一般包括云服務(wù)提供商和后臺運營商。負責(zé)整個系統(tǒng)的維護和管理，其中計算功能最強大的云服務(wù)計算中心就在這一層。

(2）邊緣云：為整個系統(tǒng)提供端到端之間的云服務(wù)，進一步將云計算的能力拓展到離終端用戶更近的邊緣設(shè)備，最終完成云計算服務(wù)向終端用戶的下沉。邊緣云具備在物理上距離用戶距離更近的優(yōu)勢，減少了由于傳輸距離遠而造成的額外數(shù)據(jù)傳輸時間，可以提供更低的網(wǎng)絡(luò)延時，提高用戶體驗，但邊緣云也有自己的缺點：由于邊緣云AP的計算和存儲能力有限，只能適合小規(guī)模用戶群。

(3）邊緣設(shè)備：通常將連入網(wǎng)絡(luò)的智能設(shè)備統(tǒng)稱為邊緣設(shè)備，最常見的如筆記本電腦、智能手機、傳感器節(jié)點等都屬于邊緣設(shè)備。

邊緣緩存涉及到資源分配，凡是網(wǎng)絡(luò)中具備緩存能力的設(shè)備都可以享受資源分配，在系統(tǒng)任務(wù)中，提前緩存好所需的輸入文件或是計算結(jié)果，可以有效地降低服務(wù)延時，提高用戶的服務(wù)質(zhì)量。資源分配除了計算資源和卸載資源外，還涉及到能量資源，因為在移動邊緣計算的無線網(wǎng)絡(luò)中，所有任務(wù)的計算分析，數(shù)據(jù)傳輸以及通信都需要消耗能量，對這部分能量進行合理分配，能夠大大提高效率，降低系統(tǒng)能耗，減少傳輸時延。在工業(yè)互聯(lián)網(wǎng)中，由于設(shè)備工作過程中的產(chǎn)熱以及能耗的增加，導(dǎo)致延時的驟增，也是亟待需要解決的問題。如何降低設(shè)備間的能耗，可以考慮通過拓展無線電網(wǎng)絡(luò)中的頻譜資源利用率，進一步降低設(shè)備本身造成的數(shù)據(jù)傳輸延時性。針對數(shù)據(jù)傳輸?shù)娜蝿?wù)數(shù)量，可以通過劃分時隙，傳統(tǒng)的方法是時分多路復(fù)用或頻分多路復(fù)用技術(shù)，但由于多任務(wù)的到達順序，需要進行排隊，即使是基于時隙劃分的任務(wù)調(diào)度算法依然存在排隊等待，嚴重增加了數(shù)據(jù)傳輸?shù)臅r延，可以考慮通過改進多任務(wù)決策算法，引進納什平衡算法，實現(xiàn)更加科學(xué)的多任務(wù)調(diào)度。最后國內(nèi)還有部分研究者針對單用戶單MEC服務(wù)場景中的下行傳輸功率的分配方案，設(shè)計出多用戶多天線的邊緣計算系統(tǒng)，利用離線優(yōu)化和在線優(yōu)化，對下行傳輸功率分配方案繼續(xù)研究，得到基于拉格朗日對偶法的離線優(yōu)化問題的半封閉式最優(yōu)解以及基于滑動窗口協(xié)議和系列優(yōu)化的在線能量資源分配方案，最終可以將系統(tǒng)總能耗降低45%~90%［2］。

在基于MEC卸載的時延指標中，可以利用云邊緣協(xié)作系統(tǒng)聯(lián)合通信和計算資源分配法使用迪杰斯特拉算法來最小化所有設(shè)備的能耗加權(quán)值與延時，設(shè)計一種啟發(fā)式算法來優(yōu)化系統(tǒng)資源機制，計算出最小化的加權(quán)總和，使得最終執(zhí)行的延遲低于系統(tǒng)延遲要求。還有部分研究者以服務(wù)時延長短和任務(wù)失敗產(chǎn)生的成本作為性能指標，提出了另外一種計算卸載策略，實質(zhì)上對這兩種指標進行優(yōu)化，在降低時延的同時提高系統(tǒng)的穩(wěn)定性，更能減少任務(wù)卸載失敗的風(fēng)險。通過分析和建模，將這兩種聯(lián)合指標最小化問題建立成高維馬爾可夫決策問題，提出基于李雅普諾夫函數(shù)的低復(fù)雜度在線動態(tài)計算卸載算法來對每個時隙內(nèi)的計算卸載量進行評估和分析，最終聯(lián)合優(yōu)化出本地中央處理器計算頻率的分配策略，根據(jù)實驗分析，這種算法最終能有效降低64%的服務(wù)延時［3］。

針對邊緣計算中，傳統(tǒng)卸載能耗較大，邊緣和云的任務(wù)調(diào)度較慢的情況，可以采用時延懲罰機制，在給定的時延范圍內(nèi)，運行最優(yōu)發(fā)射功率的二分搜索算法，實現(xiàn)邊緣－云快速匹配，得到邊緣到云任務(wù)的最優(yōu)任務(wù)卸載發(fā)射功率，進一步提高系統(tǒng)的響應(yīng)率。國內(nèi)研究者還提出了一種異構(gòu)移動邊緣計算系統(tǒng)，包含一個中心云和多個邊緣服務(wù)器，中心云可根據(jù)系統(tǒng)的負載情況升級成多層中心。還有研究針對用戶任務(wù)成功卸載最大化，提出新式啟發(fā)式調(diào)度算法，既結(jié)合了邊緣服務(wù)器由于距離較近使得傳輸時延較小的優(yōu)勢外，同時考慮到中心云服務(wù)器上資源豐富使得計算速度快時延較小，優(yōu)勢明顯。MEC服務(wù)器計算負載有一個額定閾值，一旦超過這個閾值后，系統(tǒng)立刻把對延時不敏感的任務(wù)卸載至中央云，剩下來的計算資源全部用作處理延時敏感的任務(wù)；為了進一步降低時延，也可以利用擁塞博弈的方式來進一步降低邊緣服務(wù)器的能耗，引用馬爾可夫決策過程，結(jié)合本地執(zhí)行的時鐘頻率和邊緣云執(zhí)行的傳輸功率聯(lián)合優(yōu)化方案，為了優(yōu)化隊列時延，建立不同容量的排隊模型，提升邊緣計算的卸載性能［4］。

最后在工業(yè)4.0時代，由于現(xiàn)代工業(yè)互聯(lián)網(wǎng)對于無線通信的要求越來越高，大部分工業(yè)園區(qū)現(xiàn)場使用的無線接入方式都是WiFi，但WiFi在穩(wěn)定性和信道利用率問題上，都難以滿足工控現(xiàn)場的要求，同時工控現(xiàn)場網(wǎng)絡(luò)為了鏈接工廠內(nèi)的各個要素，以現(xiàn)場總線和工業(yè)以太網(wǎng)等專業(yè)網(wǎng)絡(luò)為主，兩者之間其實很難協(xié)調(diào)，經(jīng)常會造成工業(yè)控制網(wǎng)絡(luò)中的大量數(shù)據(jù)無法上傳至企業(yè)信息網(wǎng)絡(luò)中，造成數(shù)據(jù)沉淀。為了解決這種難題，可以將蜂窩網(wǎng)絡(luò)與移動邊緣計算本地云平臺相結(jié)合，實現(xiàn)機器和設(shè)備的相關(guān)數(shù)據(jù)實時分析或本地分流，最終完成生產(chǎn)自動化，提升整個工控現(xiàn)場的效率。由于其無須通過傳統(tǒng)核心網(wǎng)，移動邊緣平臺可以直接對數(shù)據(jù)進行分析、處理及反饋，可以大大降低網(wǎng)絡(luò)延時，提升穩(wěn)定性和安全性。所以對于工業(yè)互聯(lián)網(wǎng)而言，確定性網(wǎng)絡(luò)可以為工業(yè)控制提供毫秒級時延的遠程控制通道，保證鏈路微秒級抖動以及滿足工業(yè)互聯(lián)網(wǎng)高精度時延抖動要求，具有更好的優(yōu)勢。

3 霧計算延時改善

邊緣計算可以進一步配合霧計算來改善邊緣設(shè)備處理數(shù)據(jù)的能力，將云計算服務(wù)推給網(wǎng)絡(luò)邊緣，霧計算確保數(shù)據(jù)傳輸依靠本地設(shè)備而不是云服務(wù)器，同時不需要和遠程云服務(wù)器建立連接就可以滿足本地絕大部分用戶的需求，在工業(yè)互聯(lián)網(wǎng)中可以發(fā)揮重要作用。雖然通常霧計算使用的設(shè)備性能較弱，沒有云計算設(shè)備的能力強大，一旦超過單個霧節(jié)點的處理能力，就需要其他霧節(jié)點的幫助。但云計算在提供服務(wù)的時候避免不了的會消耗大量的資源(能量，時間和帶寬），提供服務(wù)過程中最大的問題會產(chǎn)生較大的時延，服務(wù)效率大打折扣。霧計算在性能上繼承了云計算的絕大部分的優(yōu)點，和邊緣計算相類似，能夠為用戶提供本地服務(wù)，及時響應(yīng)本地用戶的所有服務(wù)請求，具有很低的網(wǎng)絡(luò)延時，故霧計算在解決網(wǎng)絡(luò)傳輸延時性問題上也具有廣闊的前景。

相對于云計算，霧計算具有極低的延時，非常低的延時抖動，較少的能量消耗，較好的實時互動性和極低的在線數(shù)據(jù)攻擊率，在工業(yè)互聯(lián)網(wǎng)中具有更強的優(yōu)勢。霧計算在一個中心位置收集和處理來自其他終端的數(shù)據(jù)，但數(shù)據(jù)處理的位置不是云服務(wù)提供商提供的大型數(shù)據(jù)中心，霧計算提供了一個“迷你數(shù)據(jù)中心”，位置與數(shù)據(jù)中心一致。但迷你數(shù)據(jù)中心所進行的數(shù)據(jù)處理都是時間要求較高的計算，且計算結(jié)果會對本地設(shè)備產(chǎn)生影響，同時所有的計算都局限于本地。但邊緣計算的計算優(yōu)勢在于：數(shù)據(jù)處理和預(yù)處理都可以本地本設(shè)備中完成，所以霧計算對本地設(shè)備的計算能力，安全性和開放性要求要遠低于邊緣計算。

霧無線接入網(wǎng)絡(luò)可以通過內(nèi)容緩存，資源分配和計算卸載3個方面來降低系統(tǒng)的延時性。

(1）內(nèi)容緩存：可以利用霧計算節(jié)點(F-AP）和用戶設(shè)備處的邊緣緩存，也可以使用云計算中心的集中式緩存。類似于邊緣計算原理，一般計算可以推送給距離目標用戶較近的網(wǎng)絡(luò)邊緣，但邊緣緩存的容量又是有限的，故要對邊緣緩存的內(nèi)容進行篩選以及緩存位置的優(yōu)化部署都可以有效的降低時延。通常都將尺寸小的內(nèi)容緩存在用戶設(shè)備，其余流行度較高的內(nèi)容緩存在霧計算節(jié)點，流行度低的數(shù)據(jù)存放在云計算中心。

(2）資源分配：在霧無線接入網(wǎng)絡(luò)中，涉及到的資源除了計算資源外還有無線通信資源；計算資源通常指的是網(wǎng)絡(luò)中各個節(jié)點們的CPU運轉(zhuǎn)頻率，計算能力的大小會影響到任務(wù)的處理時延。無線通信資源主要是傳輸帶寬，載波信道和傳輸功率等，這些資源都會直接影響到數(shù)據(jù)的傳輸時延。資源是有限的，尤其是在網(wǎng)絡(luò)邊緣處，更要合理分配才能獲得最佳時延。這些時延可以通過一定的資源分配方案和算法來減輕鏈路的負擔(dān)，降低時延。

(3）計算卸載：當(dāng)用戶的設(shè)備或網(wǎng)絡(luò)節(jié)點由于負載較大，計算存儲能力有限導(dǎo)致無法獨立完成計算任務(wù)時，便會想方設(shè)法將計算任務(wù)進行進一步卸載，通常都是卸載到空閑的網(wǎng)絡(luò)節(jié)點或計算能力更強的遠端服務(wù)器設(shè)備上，雖然這種方法一定程度上降低了等待延時和處理延時，但由于調(diào)用了遠端服務(wù)器，增加了數(shù)據(jù)收發(fā)的距離，會產(chǎn)生額外的傳輸時延。因此需要聯(lián)合優(yōu)化才能有效降低時延。

計算卸載作為工業(yè)互聯(lián)網(wǎng)中解決延時的重要途徑之一，最需要解決的是任務(wù)是否可以卸載，按照什么策略進行卸載，是部分卸載還是全部卸載。計算卸載主要還是圍繞兩方面內(nèi)容展開：卸載決策和資源分配。卸載決策主要考慮用戶任務(wù)是否能夠卸載以及使用何種策略卸載哪些任務(wù)；資源分配則考慮將任務(wù)卸載到哪去。為了使任務(wù)卸載更加高效，需要估計通信設(shè)備之間的能量消耗，利用無線感知聯(lián)合調(diào)度，利用深度學(xué)習(xí)來對需要卸載的組件進行排序，使用聯(lián)合調(diào)度從編譯器中篩選出組件的預(yù)定調(diào)度順序，使得其向無線感知的方向轉(zhuǎn)移，在決策權(quán)選擇中提供更大的自由度。

在霧無線接入網(wǎng)中，一般基站和用戶的位置為相互獨立的空間點，通常都是泊松分布點和泊松簇過程，可以推導(dǎo)出系統(tǒng)的傳輸延時和遍歷速率。霧計算在云端和移動設(shè)備之間引入了一個中間層—霧服務(wù)器，利用霧服務(wù)器實現(xiàn)云端到移動設(shè)備間的低延時通信，中間層—霧層的霧服務(wù)器都是部署在網(wǎng)絡(luò)邊緣處，每一個霧服務(wù)器都是一個高度虛擬化的計算系統(tǒng)，都具備一定的計算，存儲和通信能力。這些霧服務(wù)器工作原理類似于傳統(tǒng)以太網(wǎng)中的存儲轉(zhuǎn)發(fā)技術(shù)，霧節(jié)點會預(yù)先緩存好用戶訪問頻率高的文件，一旦用戶訪問該文件時，節(jié)點就直接向霧服務(wù)器發(fā)出請求，用戶與霧服務(wù)器之間通常都是一跳距離，如果用戶所需的文件剛好在霧節(jié)點上命中，則會極大的降低用戶訪問延時。利用好這個特點，對減少用戶訪問時延具有非常重要的意義。

4 結(jié)語

隨著工業(yè)互聯(lián)網(wǎng)的興起，工控現(xiàn)場各種實時性要求較高的應(yīng)用也在日益增加，這也對通信網(wǎng)絡(luò)的實時性提出了嚴峻挑戰(zhàn)。低時延網(wǎng)絡(luò)對各種新興業(yè)務(wù)的性能提升有重要意義，低時延技術(shù)也成為了當(dāng)前的研究熱點。此外，低時延網(wǎng)絡(luò)可以促進新型協(xié)議的設(shè)計，數(shù)據(jù)驅(qū)動新方法的更新以及推動各種基于MEC的平臺產(chǎn)生與發(fā)展。MEC中的緩存技術(shù)在大規(guī)模無線網(wǎng)絡(luò)中可以發(fā)揮巨大作用，可以同時滿足大規(guī)模接入、密集計算與密集緩存等業(yè)務(wù)需求。但需要注意的是，工業(yè)互聯(lián)網(wǎng)本身是兼有離散事件和連續(xù)變量機制的復(fù)雜系統(tǒng)，網(wǎng)絡(luò)的波動、噪聲的產(chǎn)生和變化都會引發(fā)系統(tǒng)的不確定性，而且很多終端都是移動的，位置的變更和功率的變化都會直接影響到網(wǎng)絡(luò)的傳輸時延，如果在同一時隙內(nèi)同時出現(xiàn)多個事件，計算結(jié)果和低延時性也就難以保證了。因此在實際的研究中，基于MEC和霧計算的資源分配方案雖可以一定程度上改善網(wǎng)絡(luò)中的延時，但這種僅將實時性要求高的分析和決策下沉到網(wǎng)絡(luò)邊緣，實際上仍缺乏高效的邊緣測資源管理和任務(wù)調(diào)度法，如何有效形成生產(chǎn)場景驅(qū)動的自適應(yīng)學(xué)習(xí)方法以支持系統(tǒng)個性化決策依然任重而道遠。

（編輯 傅金睿）