CN112787920B - 面向海洋物联网的水声通信边缘计算时延和能耗优化方法 - Google Patents

Abstract

面向海洋物联网的水声通信边缘计算时延和能耗优化方法，涉及海洋物联网、边缘计算及水声通信。通过引入边缘计算概念，设计海洋物联网边缘层构架，将水下节点分簇，设簇头CH节点为雾计算节点、自主水下航行器为移动边缘计算节点、水面浮标Sink节点为微云计算节点，共同构成边缘层；根据任务复杂度和计算任务时延敏感性情况，对计算任务进行分级；以计算任务分级情况和节点计算资源为约束条件，以最小化决策时延和系统能耗为目标函数进行优化，将计算任务分别卸载至CH节点、AUV和Sink节点，优化计算任务卸载方案，对水声通信网络计算资源的分配进行更加合理的规划，实现海洋物联网中基于边缘计算的水声通信时延和能耗优化。

Description

面向海洋物联网的水声通信边缘计算时延和能耗优化方法

技术领域

本发明涉及海洋物联网与边缘计算，尤其是涉及一种面向海洋物联网的水声通信边缘计算时延和能耗优化方法。

背景技术

由于物联网的快速发展及其与云计算的良好互补性，边缘计算已经成为一个重要的研究领域。目前，边缘计算多应用于陆地物联网的无线电磁波通信领域，而在海洋物联网中的应用研究甚少。因此，在海洋物联网中引入边缘计算进行研究，是一项极具前瞻性的研究工作。

水声通信是在海洋中实现数据传输最为稳健的技术手段。在以水声通信为主要技术特征的海洋物联网中，声在海水中的传播速度约为1500m/s，比无线电磁波在空中的传播速度要低五个数量级，这造成海洋物联网的严重端到端时延和决策时延，而边缘计算是解决海洋物联网中时延问题极具潜力的技术手段。T.Qiu等人(T.Qiu,Z.Zhao,T.Zhang,etal.,“Underwater Internet of Things in smart ocean:system architecture andopen issuesemarchiTransactionson Industrial Informatics,Vol.16,No.7,July2020.)提出了海洋物联网的一种五层系统架构，较为完整地涵盖了海洋物联网的总体结构，包括感知层、通信层、网络层、融合层和应用层，但是文中只是粗略提了边缘服务器概念，并没有细化到海洋物联网边缘层的边缘节点如何设置问题。K.Dolui等人(K.Dolui,S.K.Datta,“Comparison of edge computing implementations:fog computing,cloudlet and mobile edge computing,”in Proc.2017IEEE Global Internet ofThings Summit(GIoTS),2017,Geneva.)雾计算节点是在物联网设备和云之间的任意具有计算能力的节点，如路由、接入点、网关等；移动边缘计算主要针对无线接入网络，如基站；微云与云的功能类似，但规模较小，且与物联网设备更近。但该文是针对陆地无线电磁波通信网络，并未考虑到海洋物联网的特殊场景。S.Cai等人(S.Cai,Y.Zhu,T.Wang,et al.,“Data collection in underwater sensor networks based on mobile edgecomputing,”IEEE Access,vol.7,no.1,pp.65357-65367,2019.)中提出将自主水下航行器(AUV)作为边缘层提供计算和搜集海洋数据的服务，并且结合水声通信和水下磁通信共同构成通信网络，但是该文并没有构建一个完整的边缘技术网络结构。A.Bozorgchenani等人(A.Bozorgchenani,D.Tarchi,G.E.Corazza,“ashBolized and distributedarchitectures for energy and delay efficient fog network-based edge computingservicesized and distributed architectures for energy and delay efficient fognetworpp.250-263,Mar.2019.)则详细地提出基于雾节点的时延及能量优化方案，将一个计算任务分块并传输至不同节点进行计算是边缘计算的一个重要研究方向，可充分利用计算任务小、计算资源有剩余的节点，为计算任务繁重的节点减轻负担，从而减少任务的等待时间，进一步减小时延。但是，该工作也是基于陆地无线电磁波通信网络的，并未考虑到海洋物联网中水声通信实现方式的特点和难点。

综上，在海洋物联网的相关问题中，目前针对边缘计算方面的研究尚在起步阶段，且尚未见结合水声信道大时延特性进行边缘计算时延优化策略的相关研究。

发明内容

本发明的目的在于针对海洋物联网水声通信高时延、节点能量受限和计算资源匮乏的难题，提供一种面向海洋物联网的水声通信边缘计算时延和能耗优化方法，该方法通过引入边缘计算概念，合理设计海洋物联网边缘层构架，对水声通信网络计算资源的分配进行更加合理的规划，优化边缘计算的计算任务卸载方案，对边缘层参数的设置进行优化，从而充分利用边缘层的计算资源与能力，从而实现减小决策时延和系统能耗的效果。

本发明包括以下步骤：

1)设海洋物联网的构架为云层、边缘层和设备层：云层即为陆地云端；设备层由海洋中下可搜集水下信息的传感器节点构成；水下传感器节点组网分簇后的超级节点担任簇头CH节点，则边缘层由簇头CH节点、AUV和水面浮标Sink节点共同构成；

其中，簇头CH节点的计算资源有限且较为分散，设为雾计算节点；AUV计算能力较强且具有良好的机动性，设为移动边缘计算(MEC)节点；水面浮标Sink节点的计算资源更强，且可以通过太阳能补充能量，设为微云计算节点；

2)对于边缘层，簇头CH节点负责收集簇内的信息和计算任务，对于计算任务Task_i,i＝1,2,…,n，根据计算任务复杂度ρ_i和计算任务时延敏感性ω_i情况，进行分级；若分级结果可通过函数f_rank(·)计算得出，则分级结果Rank_i可表达为：

其中，Rank_i＝0表示该计算任务级别最高，需要卸载给簇头CH节点处理；Rank_i＝1表示该计算任务级别中等，可卸载给AUV处理；Rank_i＝2表示该计算任务级别较低，可卸载给Sink节点处理；Rank_i＝3表示该计算任务级别最低，可通过Sink节点卸载给陆地云端处理；

就边缘计算而言，簇头CH节点的任务卸载方式有三种：直接卸载到簇头CH节点、AUV进入簇时卸载至AUV，或通过AUV最终卸载至水面浮标Sink节点。

3)以计算任务分级情况Rank_i和节点计算资源Φ为约束条件，以最小化决策时延τ_i和系统能耗ε_i为目标函数进行优化，待AUV沿设定路线完成一圈绕行进入簇内时，将计算任务分别卸载至CH节点、AUV和水面浮标Sink节点，优化计算任务卸载方案，即：

其中，Ψ_CH，Ψ_AUV和Ψ_Sink分别表示将计算任务卸载给簇头CH节点、AUV和Sink节点这一事件；φ_i表示计算任务Task_i所需的计算资源；Φ_CH，Φ_CH和Φ_CH分别表示簇头CH节点、AUV和Sink节点的剩余计算资源；α表示决策时延τ_i所占的权重，1-α表示系统能耗ε_i所占的权重，且0<α<1；

4)对AUV设定固定路线和运行速度，路线经过m个簇，在进入和离开簇时分别与簇头CH节点交换信息，且AUV每沿固定路线运行一周，都会与水面浮标Sink节点交换数据；卸载至三种边缘节点的任务在计算完成后，计算结果通过原路径返回簇头CH节点，簇头CH节点再将其返还给簇内的其余节点，从而根据计算结果在簇内节点执行决策；

5)假设有n个计算任务，因计算任务复杂度不同会被卸载到边缘层的不同节点，每个计算任务相对应的时延和能耗也不同，将所有的时延和能耗累计并求取平均值，通过式(3)将式(2)具体化，并求得时延-能耗优化目标函数C的最小值，以达到优化海洋物联网中水声通信时延和能耗的目的；

6)计算任务卸载至边缘层各节点后，假设簇头卸载得到n_c个计算任务，AUV得到n_AUV个计算任务，Sink节点得到n_Sink个计算任务，其中n＝n_Sink+n_AUV+n_c；此时，目标函数C的值与簇的半径γ，AUV进出簇所对应的圆心角θ，计算任务的比特数x_i和簇的个数n_clust有关；

针对三种卸载方案，式(3)中的决策时延和系统能耗计算，分别如下：

6.1)卸载至簇头CH节点

若计算任务Task_i卸载至簇头CH节点，则决策时延τ_c仅为计算时延τ_compC本身，系统能耗ε_c仅为该计算时延所对应的计算能耗，即：

其中，x_i是计算任务Task_i的比特数，单位为bit；I_task是每处理1bit所需CPU周期数，单位为CPU cycles/bit；v_compC是簇头CH节点的计算速度，单位为CPU cycles/s；P_comp是计算功率，单位为w；

6.2)卸载至AUV

若计算任务Task_i卸载到AUV进行计算，则存在以下两种情况：

若AUV能在该簇内完成计算任务，则可在离开该簇时返回计算结果，即，当τ_compAUV＝x_iI_task/v_compAUV<2γ·sin(θ/2)/v_AUV时，其时延计算为：

否则，AUV将绕行一周，并在下次进入该簇时再返回计算结果，则其时延计算为：

其中，τ_γ是计算任务从簇头CH节点卸载至AUV或计算结果从AUV返回至簇头CH节点所需的水声传播时延，τ_i,transC是计算任务从簇头CH节点卸载至AUV所需的传输时延，τ_i,transC是计算结果从AUV返回簇头CH节点所需的传输时延，τ_trave是AUV在簇内的运行时间，τ_detAUV是AUV沿指定路线运行一周所需的时间(其与簇的个数n_clust有关)，单位为s；x_i是计算任务Task_i的比特数，x’_i是对应的计算结果比特数，单位为bit；v_compAUV是AUV的计算速度，单位为CPU cycles/s；I_task是每处理1bit所需CPU周期数，单位为CPU cycles/bit；γ为簇的半径，单位为m；θ为AUV进出簇所对应的圆心角；v_trans为数据的传输速率，单位为bits/s；v_cou为水声信号在水中的传播速度，v_AUV为AUV的运行速度，单位为m/s；

该卸载方案的决策时延和系统能耗为：

其中，P_comp是计算功率，P_trans和P_rec分别表示传输和接收功率；

6.3)卸载至Sink节点

若卸载到Sink节点进行计算，由于AUV和Sink节点之间间可用电磁信号传输，与水声信号传输时延相比，时间极短，可忽略不计，故该卸载方案的决策时延和系统能耗为：

其中，v_comSink是Sink节点的计算速度，单位为CPU cycles/s；

6.4)总体时延-能耗优化目标函数

将式(4)、(5)、(8)、(9)、(10)和(11)，代入式(3)中，可得：

7)改变簇的半径γ，AUV进出簇所对应的圆心角θ，计算任务Task_i的比特数x_i和簇的个数n_clust都会影响C的值，可以通过式(12)，找到使C最小的对应最佳参数。

本发明可以有效降低海洋物联网中水声通信的时延和能耗，并在一定程度上解决水下计算资源不足的问题。

本发明考虑到海洋物联网水声通信的高时延、高能耗、计算资源匮乏难题，引入边缘计算概念，通过合理划分海洋物联网架构，充分利用边缘层的计算资源和潜力，优化计算任务卸载方案，从而使得海洋物联网中水下通信网络的计算资源得到更好的利用，进而使决策时延和系统能耗得到优化，并且减小各水下节点负担。

本发明具有以下突出优点：

1)针对以水声通信为技术特征的海洋物联网，考虑水声信道特性和计算任务的特点，提出优化的边缘计算设计架构，包括雾计算、移动边缘计算和微云计算的功能区分和卸载对策，以减少决策延迟、节约系统能耗，延长水下节点寿命；

2)根据任务特征(即任务的计算复杂度、对时延的敏感性)和水声通信网络的运行状态(即节点的剩余能量、动态网络拓扑引起的时延)，提出了计算任务分级机制，不同分级任务采用不同的卸载策略，以最优化边缘层簇头CH节点、AUV和水面浮标Sink节点的边缘计算功能；

3)通过分析簇的半径、计算任务的比特数和簇个数等参数变化，对平均决策时延和系统平均能耗的性能影响，可到时延-能耗联合优化的参数设置。

附图说明

图1为海洋物联网构架场景图。

图2为计算任务卸载流程图。

图3为计算任务卸载结果示意图。

图4为计算任务平均时延随计算任务比特数变化示意图。

图5为计算任务平均能耗随计算任务比特数变化示意图。

图6为时延-能耗优化目标函数随计算任务比特数变化示意图。

图7为计算任务平均时延随簇个数变化示意图。

图8为计算任务平均能耗随簇个数变化示意图。

图9为时延-能耗优化目标函随簇个数变化示意图。

具体实施方式

下面结合附图和具体实施例对本发明做详细描述。

如图1所示，本发明实施例包括以下步骤：

1)设海洋物联网的构架为云层、边缘层和设备层：云层即为陆地云端；设备层由海洋中下可搜集水下信息的传感器节点构成；水下传感器节点组网分簇后的超级节点担任簇头CH节点，则边缘层由簇头CH节点、AUV和水面浮标Sink节点共同构成。

其中，簇头CH节点的计算资源有限且较为分散，设为雾计算节点；AUV计算能力较强且具有良好的机动性，设为移动边缘计算(MEC)节点；水面浮标Sink节点的计算资源更强，且可以通过太阳能补充能量，设为微云计算节点；

2)如图2所示流程，对于边缘层，簇头CH节点负责收集簇内的信息和计算任务，对于计算任务Task_i,i＝1,2,…,n，根据计算任务复杂度ρ_i和计算任务时延敏感性ω_i情况，进行分级。若分级结果可通过函数f_rank(·)计算得出，则分级结果Rank_i可表达为：

其中，Rank_i＝0表示该计算任务级别最高，需要卸载给簇头CH节点处理；Rank_i＝1表示该计算任务级别中等，可卸载给AUV处理；Rank_i＝2表示该计算任务级别较低，可卸载给Sink节点处理；Rank_i＝3表示该计算任务级别最低，可通过Sink节点卸载给陆地云端处理。

因此，就边缘计算而言，簇头CH节点的任务卸载方式有三种：直接卸载到簇头CH节点、AUV进入簇时卸载至AUV，或通过AUV最终卸载至水面浮标Sink节点。

3)以计算任务分级情况Rank_i和节点计算资源Φ为约束条件，以最小化决策时延τ_i和系统能耗ε_i为目标函数进行优化，待AUV沿设定路线完成一圈绕行进入簇内时，将计算任务分别卸载至CH节点、AUV和水面浮标Sink节点，优化计算任务卸载方案，即：

其中，Ψ_CH，Ψ_AUV和Ψ_Sink分别表示将计算任务卸载给簇头CH节点、AUV和Sink节点这一事件；φ_i表示计算任务Task_i所需的计算资源；Φ_CH，Φ_CH和Φ_CH分别表示簇头CH节点、AUV和Sink节点的剩余计算资源；α表示决策时延τ_i所占的权重，1-α表示系统能耗ε_i所占的权重，且0<α<1；

4)对AUV设定固定路线和运行速度，路线经过m个簇，在进入和离开簇时分别与簇头CH节点交换信息，且AUV每沿固定路线运行一周，都会与水面浮标Sink节点交换数据；卸载至三种边缘节点的任务在计算完成后，计算结果通过原路径返回簇头CH节点，簇头CH节点再将其返还给簇内的其余节点，从而根据计算结果在簇内节点执行决策；

5)假设有n个计算任务，因为计算任务复杂度不同会被卸载到边缘层的不同节点，每个计算任务相对应的时延和能耗也不同，将所有的时延和能耗累计并求取平均值，通过式(3)

可以将式(2)具体化，并求得时延-能耗优化目标函数C的最小值，以达到优化海洋物联网中水声通信时延和能耗的目的；

6)计算任务卸载至边缘层各节点后，假设簇头卸载得到n_c＝26个计算任务，AUV得到n_AUV＝150个计算任务，Sink节点得到n_Sink＝75个计算任务，其中n＝n_Sink+n_AUV+n_c＝251；

如图3所示，因为计算资源Sink节点>AUV>簇头CH节点，因此可假设Sink节点所分配的计算任务比特数服从平均数为100％λ的泊松分布，则AUV为60％λ，簇头CH节点为10％λ；此时，时延-能耗优化目标函数C的值与簇的半径γ，AUV进出簇所对应的圆心角θ，计算任务的比特数x_i和簇的个数n_clust有关。

针对三种卸载方案，式(3)中的决策时延和系统能耗计算，分别如下：

6.1)卸载至簇头CH节点

若计算任务Task_i卸载至簇头CH节点，则决策时延τ_c仅为计算时延τ_compC本身，系统能耗ε_c仅为该计算时延所对应的计算能耗，即：

其中，x_i是卸载到簇头CH节点的计算任务Task_i,i＝1,2,…,26的比特数，单位为bit，均值为10％λ；I_task是每处理1bit所需CPU周期数，单位为CPU cycles/bit；v_compC是簇头CH节点的计算速度，单位为CPU cycles/s；P_comp是计算功率，单位为w。

6.2)卸载至AUV

若计算任务Task_i卸载到AUV进行计算，则存在以下两种情况：

若AUV能在该簇内完成计算任务，则可在离开该簇时返回计算结果，即，当τ_compAUV＝x_iI_task/v_compAUV<2γ·sin(θ/2)/v_AUV时，其时延计算为：

否则，AUV将绕行一周，并在下次进入该簇时再返回计算结果，则其时延计算为

其中，τ_γ是计算任务从簇头CH节点卸载至AUV或计算结果从AUV返回至簇头CH节点所需的水声传播时延，τ_i,transC是计算任务从簇头CH节点卸载至AUV所需的传输时延，τ_i,transC是计算结果从AUV返回簇头CH节点所需的传输时延，τ_trave是AUV在簇内的运行时间，τ_detAUV是AUV沿指定路线运行一周所需的时间(其与簇的个数n_clust有关)，单位为s；x_i是计算任务Task_i的比特数，x’_i是对应的计算结果比特数，单位为bit；v_compAUV是AUV的计算速度，单位为CPU cycles/s；I_task是每处理1bit所需CPU周期数，单位为CPU cycles/bit；γ为簇的半径，单位为m；θ为AUV进出簇所对应的圆心角；v_trans为数据的传输速率，单位为bits/s；v_cou为水声信号在水中的传播速度，v_AUV为AUV的运行速度，单位为m/s。

因此，该卸载方案的决策时延和系统能耗为：

其中，P_comp是计算功率，P_trans和P_rec分别表示传输和接收功率。

6.3)卸载至Sink节点

若卸载到Sink节点进行计算，由于AUV和Sink节点之间间可用电磁信号传输，与水声信号传输时延相比，时间极短，可忽略不计，故该卸载方案的决策时延和系统能耗为：

其中，x_i是卸载到AUV的计算任务Task_i,i＝1,2,…,75的比特数，均值为λ,其余同AUV，v_comSink是Sink节点的计算速度，单位为CPU cycles/s。

6.4)总体时延-能耗优化目标函数

将式(4)、(5)、(8)、(9)、(10)和(11)，代入式(3)中，可得：

7)改变簇的半径γ，AUV进出簇所对应的圆心角θ，计算任务Task_i的比特数x_i和簇的个数n_clust都会影响C的值，可以通过式(12)，找到使C最小的对应最佳参数。

8)在设置水声通信网络发射功率时，需满足声呐方程，即：

SNR＝SL-TL-NL+DI>DT (13)

其中，SNR为接收信噪比，SL为发射声源级，TL为传播损失，NL为噪声级，DI为指向性，DT为检测域。

针对发射声源级SL，相关计算如下：

其中，SNR为接收信噪比，SL为发射声源级，TL为传播损失，NL为噪声级，DI为指向性，DT为检测域，I₀为参考声强，P_acoustic为声功率，P_rans为发送电功率，

为能量转换系数，取值0.25。

针对传播损失TL，相关计算如下：

TL＝m·10lg(1000·d)+ξ·d (16)

其中，d为传输距离，单位为km，d＝γ/1000；f为传输频率，单位为kHz，且由于簇半径γ是变化的，在仿真中选择γ最大时的簇半径为传输距离d来计算f；ζ(f)为吸收系数；m为扩散系数，不同的传播条件，m的值不同，m＝2用于球形展开，m＝1用于圆柱形展开。在实际的水声通信系统中，通常取m＝1.5的值。

其余参数可设置为定值，按照需要在以下数值附近调整：DT＝25dB，DI＝0，NL＝70dB。

下面对本发明所述方法的可行性进行计算机仿真验证。

相关参数取值如下：v_AUV＝5m/s，P_comp＝0.8w，P_rec＝0.8w，v_compAUV＝1200CPUcycles/s，v_compC＝300CPU cycles/s，v_comSink＝3000CPU cycles/s，I_task＝40CPU cycles/bit，v_trans＝5000bits/s，x’_i/x_i＝1/5,τ_detAUV＝n_clust·400+400。

簇最大半径设置为2000m，根据式(15)可求出簇半径γ＝2000m即d＝2km时的载波工作频率f；假设水声通信在浅海区域进行，声波以柱面波形式传播，能耗模型中m＝1.5，通过式(16)、(17)和(18)可求出TL(d为未知数)；通过式(14)可求出SL(P_trans为未知数)；设DT＝25dB，DI＝0，NL＝70dB，且设置SNR＝46>DT。因此，式(13)存在d和P_trans两个未知参数，使得P_trans与d相关，又因为d＝γ/1000，所以可写出以γ为自变量、P_trans为因变量的关系式。

仿真步骤如下所示：

仿真平台为MATLAB R2018b，将式(4)至式(11)和式(13)至式(18)带入式(12)。

(1)θ＝π/3，n_clust＝5，τ_detAUV＝2400s，改变簇半径γ和计算任务的平均比特数参数λ；

设置γ由100m到2000m，步长10m进行仿真，γ为自变量。

通过图4～6可知，不同λ的曲线有着相同的趋势，挑选其中λ＝10000bits的曲线观察时延和能耗与γ的关系：从决策时延角度看，在γ＝970m之前，时延几乎无变化，但在γ＝970m～1030m的区间有一个剧烈的下降，这是因为在这个区间，AUV从趋向于选择多绕一圈再返回计算结果给簇头CH节点，转变为在离开簇时返回计算结果；到γ＝1030m时，平均时延达到最小值0.2495h，在γ＝1030m之后，因为簇半径γ的增加，传输时延增大；从能耗角度看，P_trans只和γ有关，且成正相关，因此当γ增大，P_trans增大，从而导致能耗增大。

由于时延和能耗数量级不统一，因此将它们使用MATLAB自带的mapminmax函数归一化后，带入计算时延-能耗优化目标函数C值，可以看到C的最低点几乎和时延相同，但C的变化幅度比时延更大，这是因为受到了能耗与γ正相关的影响。

同时，为了探究λ变化时，时延、能耗和C的变化情况，观察不同λ的曲线，取λ＝8000bits、9000bits、10000bits、11000bits、12000bits，可以发现：从决策时延角度看，随着λ增大，时延总体增大，因为需要计算的任务比特数增加了，同时，时延最小的点不断向γ变大的方向移动，同样也是因为需要计算的任务比特数增加导致γ要更长，才能使AUV在离开簇时返回计算结果而不是再绕一圈；从能耗角度看，随着λ增大，能耗总体增大，因为计算、发送和接收时间都增加了导致能耗有所增加。总体上，随着λ增大，时延-能耗目标优化函数C最小值所对应的γ值增大。

(2)θ＝π/3，λ＝10000bits，改变簇半径γ和簇个数n_clust，从而改变AUV绕行一周所需时间τ_detAUV

设置γ由100m到2000m，步长10m进行仿真。

为了探究n_clust变化时，时延、能耗和时延-能耗优化目标函数C的变化情况，在γ变化的基础上，改变n_clust，使n_clust＝5、7、9，观察时延、能耗和C有何异同。

从决策时延角度看，通过图7可知，随着n_clust增大，τ_detAUV增大，时延总体增大，但转折点不变，因为τ_detAUV增大对AUV的任务计算时间不影响，因此对AUV在簇内的时间不影响，只是因为多绕行了几个簇才导致时延增加；从能耗角度看，由图8可见，随着n_clust增大，能耗不变，因为簇变多对单个簇内计算、发送和接收能耗都不影响。

因为时延和能耗数量级不统一，因此将他们使用MATLAB自带的mapminmax函数归一化后，得到图9，可以看到C是基本重合的，这是因为时延的变化趋势是一致的，所以在归一化后，C的曲线趋势并不改变。

本发明提出面向海洋物联网的边缘计算构架，细化边缘层设置以及边缘计算节点的功能和计算任务卸载方案，将簇头CH节点、AUV和水面浮标Sink节点作为边缘节点，共同承担边缘计算任务，即以簇头CH节点为雾节点，AUV为边缘计算服务器，水面浮标Sink节点为微云节点。设计的计算任务卸载途径有三种：1)簇头；2)簇头-AUV；3)簇头-AUV-Sink节点。依据平均决策时延以及平均系统能耗作为卸载任务的指标，以减小总体时延和能耗，充分利用边缘层计算资源为目的进行计算任务卸载方案的优化。本发明在计算任务卸载完成后，针对AUV是在离开簇时返回计算结果还是在下一圈进入该簇时再返回及时结果，进行了讨论：认为若AUV在簇内运行的时间内可以完成，则在离开时返回，否则，就在下一圈返回。因此，对簇半径γ、计算任务的比特平均数λ和簇的个数n_clust的变化对系统性能的影响，进行仿真实验。对仿真结果进行讨论，找到使时延-能耗最小的边缘层设置参数。本发明能充分利用海洋物联网边缘层的计算资源与能力，对水声通信网络计算资源的分配进行更加合理的规划，并找到最佳的边缘层参数的设置，从而达到减小平均决策时延和系统能耗的目的。

Claims (1)

1.面向海洋物联网的水声通信边缘计算时延和能耗优化方法，其特征在于包括以下步骤：

1)设海洋物联网的构架为云层、边缘层和设备层：云层即为陆地云端；设备层由海洋中下可搜集水下信息的传感器节点构成；水下传感器节点组网分簇后的超级节点担任簇头CH节点，则边缘层由簇头CH节点、AUV和水面浮标Sink节点共同构成；

其中，簇头CH节点的计算资源有限且较为分散，设为雾计算节点；AUV计算能力较强且具有良好的机动性，设为移动边缘计算MEC节点；水面浮标Sink节点的计算资源更强，且通过太阳能补充能量，设为微云计算节点；

2)对于边缘层，簇头CH节点负责收集簇内的信息和计算任务，对于计算任务Task_i,i＝1,2,…,n，根据计算任务复杂度ρ_i和计算任务时延敏感性ω_i情况，进行分级；若分级结果通过函数f_rank(·)计算得出，则分级结果Rank_i表达为：

其中，Rank_i＝0表示该计算任务级别最高，需要卸载给簇头CH节点处理；Rank_i＝1表示该计算任务级别中等，可卸载给AUV处理；Rank_i＝2表示该计算任务级别较低，可卸载给Sink节点处理；Rank_i＝3表示该计算任务级别最低，可通过Sink节点卸载给陆地云端处理；

就边缘计算而言，簇头CH节点的任务卸载方式有三种：直接卸载到簇头CH节点、AUV进入簇时卸载至AUV，或通过AUV最终卸载至水面浮标Sink节点；

3)以计算任务分级情况Rank_i和节点计算资源Φ为约束条件，以最小化决策时延τ_i和系统能耗ε_i为目标函数进行优化，待AUV沿设定路线完成一圈绕行进入簇内时，将计算任务分别卸载至CH节点、AUV和水面浮标Sink节点，优化计算任务卸载方案，即：

其中，Ψ_CH，Ψ_AUV和Ψ_Sink分别表示将计算任务卸载给簇头CH节点、AUV和Sink节点这一事件；φ_i表示计算任务Task_i所需的计算资源；Φ_CH，Φ_CH和Φ_CH分别表示簇头CH节点、AUV 和Sink节点的剩余计算资源；α表示决策时延τ_i所占的权重，1-α表示系统能耗ε_i所占的权重，且0<α<1；

4)对AUV设定固定路线和运行速度，路线经过m个簇，在进入和离开簇时分别与簇头CH节点交换信息，且AUV每沿固定路线运行一周，都会与水面浮标Sink节点交换数据；卸载至三种边缘节点的任务在计算完成后，计算结果通过原路径返回簇头CH节点，簇头CH节点再将其返还给簇内的其余节点，从而根据计算结果在簇内节点执行决策；

5)假设有n个计算任务，根据计算任务复杂度不同会被卸载到边缘层的不同节点，每个计算任务相对应的时延和能耗也不同，将所有的时延和能耗累计并求取平均值，通过式(3)将式(2)具体化；

求得时延-能耗优化目标函数C的最小值，以优化海洋物联网中水声通信时延和能耗；

所述时延-能耗优化目标函数C的值受以下因素影响：

(1)计算任务卸载至边缘层各节点后，假设簇头卸载得到n_c个计算任务，AUV得到n_AUV个计算任务，Sink节点得到n_Sink个计算任务，其中n＝n_Sink+n_AUV+n_c；此时，目标函数C的值与簇的半径γ，AUV进出簇所对应的圆心角θ，计算任务的比特数x_i和簇的个数n_clust有关；

针对所述步骤2)中的三种卸载方案，步骤5)中所述决策时延和系统能耗计算，分别如下：

(1.1)卸载至簇头CH节点

若计算任务Task_i卸载至簇头CH节点，则决策时延τ_c仅为计算时延τ_compC本身，系统能耗ε_c仅为该计算时延所对应的计算能耗，即：

其中，x_i是计算任务Task_i的比特数，单位为bit；I_task是每处理1bit所需CPU周期数，单位为CPU cycles/bit；v_compC是簇头CH节点的计算速度，单位为CPU cycles/s；P_comp是计算功率，单位为w；

(1.2)卸载至AUV

若计算任务Task_i卸载到AUV进行计算，则存在以下两种情况：

若AUV能在该簇内完成计算任务，则可在离开该簇时返回计算结果，即，当τ_compAUV＝x_iI_task/v_compAUV<2γ·sin(θ/2)/v_AUV时，其时延计算为：

否则，AUV将绕行一周，并在下次进入该簇时再返回计算结果，则其时延计算为：

其中，τ_γ是计算任务从簇头CH节点卸载至AUV或计算结果从AUV返回至簇头CH节点所需的水声传播时延，τ_i,transC是计算任务从簇头CH节点卸载至AUV所需的传输时延，τ_i,transC是计算结果从AUV返回簇头CH节点所需的传输时延，τ_trave是AUV在簇内的运行时间，τ_detAUV是AUV沿指定路线运行一周所需的时间其与簇的个数n_clust有关，单位为s；x_i是计算任务Task_i的比特数，x’_i是对应的计算结果比特数，单位为bit；v_compAUV是AUV的计算速度，单位为CPUcycles/s；I_task是每处理1bit所需CPU周期数，单位为CPU cycles/bit；γ为簇的半径，单位为m；θ为AUV进出簇所对应的圆心角；v_trans为数据的传输速率，单位为bits/s；v_cou为水声信号在水中的传播速度，v_AUV为AUV的运行速度，单位为m/s；

因此，该卸载方案的决策时延和系统能耗为：

其中，P_comp是计算功率，P_trans和P_rec分别表示传输和接收功率；

(1.3)卸载至Sink节点

若卸载到Sink节点进行计算，由于AUV和Sink节点之间间可用电磁信号传输，与水声信号传输时延相比，时间极短，可忽略不计，故该卸载方案的决策时延和系统能耗为：

其中，v_comSink是Sink节点的计算速度，单位为CPU cycles/s；

(1.4)总体时延-能耗优化目标函数

将式(4)、(5)、(8)、(9)、(10)和(11)，代入式(3)中，可得：

(2)改变簇的半径γ，AUV进出簇所对应的圆心角θ，计算任务Task_i的比特数x_i和簇的个数n_clust都会影响时延-能耗优化目标函数C的值，通过式(12)，找到使时延-能耗优化目标函数C最小的对应最佳参数。

Images