物联云的绿色与可持续性：实现协作边缘计算

摘要

物联网的兴起以及各种云服务的出现拓展了边缘计算的发展前景。通过在更靠近移动设备的网络边缘提供云计算能力，边缘计算成为解决物联网中若干关键挑战（如带宽饱和、能量限制、低延迟传输以及数据安全与隐私）的一种有前景的范式。为了全面理解由物联网与云计算融合所支持的物联网系统（CoTs）中的边缘计算，本文首先探讨了物联网系统中与边缘计算相关的一些重要研究方向。鉴于边缘部署在物联网系统中的能效性和可持续性的重要性，我们提出了一种面向无线‐光宽带接入网络中协同边缘计算的绿色可持续虚拟网络嵌入框架。具体而言，我们利用可靠性函数确定备份边缘设备的数量，并将虚拟网络嵌入到物联网系统中合适的边缘设备上。最后，讨论了若干研究挑战和开放性问题。

引言

由于巨大的演进投资，如何实现智慧城市的可持续发展具有挑战性。得益于高计算能力、强大的系统可扩展性和低服务成本等优势，云计算已成为智慧城市各个领域的高效替代方案，如社交网络、商业、交通、教育和医疗服务[1]。然而，集中式云架构通常面临诸多挑战，如网络过载、端到端延迟、单点故障和高功耗。

根据思科发布的一份报告，从现在到 2020[2]，移动数据流量将每年增长53%。由云服务提供的网络用户数量在2018年将达到约36亿（http://www.statista.com）。随着物联网（IoTs）的迅猛发展，后云计算时代，即物联云（CoTs）正在兴起。得益于智能设备日益增强的感知、计算和通信能力，到2019年，将近500亿台设备可能通过互联网连接，其中45%由物联网系统生成的数据将由边缘设备处理[3]。然而，对于智慧城市而言，由于基于物联网的应用具有高度异构性[4]，要管理或编程如此庞大且包含海量移动设备的系统极具挑战性。

目前，无线‐光宽带接入网络（WOBAN）已成为智慧城市的关键组成部分。如图1所示，无线网状网络（WMNs）和物联网（IOTs）可作为WOBAN的前端。所产生的数据通过无线信道由路由器转发，并被邻近的光网络单元（ONU）接收。随后，光线路终端（OLT）可通过无源光网络（PON）接收感知到的数据。根据获取的信息流，连接至OLT的中心局可针对工业或商业场景做出决策。随着智能设备产生的数据量持续增长以及PON带宽趋于饱和，中心局已无法持续承载连续不断的信息流。为了缓解PON的资源过度配置问题，建议在ONU和无线路由器上部署边缘设备（EDs），以实现协同边缘计算，从而使边缘设备能够从单纯的数据消费者转变为兼具数据生产者和数据消费者双重角色。

网络虚拟化技术，如网络功能虚拟化（NFV）和软件定义网络（SDN），通过在标准硬件上虚拟化设备功能，有助于在物联网系统中实现高效的边缘部署[5]。例如，在WOBAN的无线网状网络或物联网基础设施上，用户的计算能力可以被抽象为虚拟网络嵌入（VNE）。由于边缘设备引起的信道间干扰，基于VNE的协作边缘计算通常无法保证网络生存性。然而，网络生存性对于物联网系统中的可持续边缘计算至关重要。

尽管边缘部署引起了迅速增长的关注，但在物联网系统中关于可持续边缘计算的相关研究仍处于起步阶段。据我们所知，本文提出的绿色可持续虚拟网络嵌入（GSVNE）框架是首次研究可用备份边缘设备数量，并将虚拟网络（VNs）嵌入到合适的边缘设备上以实现物联网系统中的协同边缘计算。本文的主要贡献可总结如下：我们综述了物联网系统中协同边缘计算的当前研究进展，并将相关研究分为四类。作者们讨论了物联网系统中与边缘计算相关的一些独特研究方向。鉴于能源效率和物联网系统中边缘部署的可持续性的重要性，他们提出了一种面向无线‐光宽带接入网络中协同边缘计算的绿色可持续虚拟网络嵌入框架。

物联网系统中边缘计算的研究方向

边缘计算包含多种技术，例如云点、本地雾计算、传感网络、以云为中心的物联网以及分布式对等网络。在本节中，我们将讨论物联网系统中边缘计算的以下四个有前景的研究方向。

无线光宽带接入网络上的边缘计算

光纤与无线接入网络的融合可以结合光缆网络的可靠性和无线网络的普遍性优势。无线光宽带接入网络能够为固定用户和移动客户端提供宽带服务。因此，它已成为为智慧城市中的服务和应用提供广泛连接的强大框架。未来的智慧城市不仅需要兼容的无线电接口，还需要异构网络的融合以应对快速的数据增长。因此，提倡在无线光宽带接入网络上实现分布式边缘计算。此外，边缘计算也被用来满足未来网络中触觉级延迟的要求。这是因为移动云计算的总延迟通常在30毫秒到100毫秒之间，这对于延迟敏感的应用而言是不可接受的。cy‐关键应用，如自动驾驶和在线游戏[6]。通过向位于WOBAN前端的ONU或接入点直接提供云计算能力，可在WOBAN上实现边缘计算。值得注意的是，为了降低延迟，靠近用户的位置是边缘部署的首选。由于边缘计算与WOBAN的融合从技术角度能够实现高效的资源管理，因此在WOBAN中共享网络基础设施具有经济性，并可通过边缘计算降低运营支出[7]。

缓存使能的边缘计算

由于设备的异质性和密集部署，边缘缓存在提升物联网系统频谱效率和降低能耗方面具有显著优势。内容放置与内容分发是边缘缓存中的两个核心问题。前者关注网络缓存的位置、缓存大小以及下载的内容，后者则侧重于将内容传输至请求终端。在此背景下，服务缓存的资源分配与数据缓存是两个重要的挑战。尽管内容可以在无线光宽带接入网络中的无线网状网络或物联网上进行缓存，但回传链路仍然受限。通过在基站、中继以及用户设备上部署缓存，可以减少有线互联网、回程链路和移动核心网络中的流量[8]。一些关于边缘缓存的权衡值得深入研究，例如回传容量与缓存大小之间的权衡、支持缓存的设备到设备（D2D）网络中吞吐量与中断之间的权衡，以及能耗与卸载比率之间的权衡。

协作边缘计算

由于本地瓶颈，单个边缘设备无法应对所有计算任务。因此，在PON回传中基于边缘设备协作的协作边缘计算有望处理关键任务应用。此外，协作边缘计算与基础设施即服务（IaaS）模型，使设备的计算能力可定制化。针对5G网络，已研究一种上下文感知的协作边缘计算系统，包含三种应用场景：移动边缘编排、协同视频缓存以及层间干扰消除[9]。然而，由于隐私问题限制了协作的可能性，因此数据共享需要有效的激励机制和隐私保护方案。

协作边缘计算的一个有前景的应用是将健康信息与位置信息相结合，融合地理上分布的多域数据用于医疗保健[10]。由于计算仅在参与方的数据设施中进行，数据完整性和隐私可以得到良好保障。其他一些有前景的研究方向包括：角色定义、资源映射、计算卸载、数据存储以及云和边缘实体之间的合作激励。

虚拟化边缘计算

为了实现智慧城市中物联网系统（CoTs）的协同边缘计算，需要协调对计算资源的灵活管理。网络虚拟化被广泛倡导，它是一种经济型解决方案，可为移动设备用户定制计算任务。当前的网络结构在很大程度上受益于网络功能虚拟化（NFV）、软件定义网络（SDN）和边缘计算的融合。通过NFV技术，一个边缘设备（ED）可以生成虚拟机，为多个设备提供计算服务，从而同时执行各种任务和网络功能。一方面，边缘计算有助于减轻SDN控制器和传输骨干网的计算负担；另一方面，NFV和SDN可以降低边缘计算带来的配置和管理成本[11]。基于SDN的边缘计算架构通常包含三层：边缘层、SDN基础设施和北向应用。SDN支持的边缘计算中一些有益特性可归纳为：高效解析与控制、灵活性与无约束创新、面向服务的实现、虚拟机部署、互操作性、适应性、经济型解决方案以及范围多样性[12]。此外，SDN与边缘计算的融合可被视为一种分布式SDN，其中的协还应满足边缘计算的网络需求（如能耗、延迟和存储）。

设计的框架

部署的边缘设备由于信道间干扰可能失去效率。此外，由于边缘设备故障，信息流过程可能会导致大延迟。为了保证网络可持续性，我们提出了一种用于物联网系统中协同边缘计算的绿色可持续的VNE框架。表1总结了本文的主要符号。

GSVNE框架概述

我们的两阶段框架如图2所示。在第一阶段，我们将无线网状网络（WMNs）和物联网（IoTs）划分为工作部分和备份子部分。为了减少备份子图上消耗的资源，我们选择k个边缘设备（EDs）进行备份资源供应。在通过网络可靠性函数获得k的值后，我们推导出用于网络资源划分的备份边缘设备数量。此外，在确认备份边缘设备的地理位置之前，先构建备份图。通过划分无线网状网络和物联网的资源，第二阶段在功率控制下将虚拟网络（VNs）嵌入到最合适的工作图中，然后选择合适的备份边缘设备。接下来，我们在最合适的无线网状网络或物联网上对虚拟网络执行绿色可持续嵌入操作，以保证备份网络资源的最大共享度（SD），即在同一备份边缘设备上嵌入的虚拟节点的最大数量。由于瓶颈与另一个带有备份边缘设备的无线网状网络或物联网之间存在固定路径，因此无需进行链路映射。因此，第二阶段的目标变为最小化沿固定路径消耗的备份载体数量。

问题建模

我们框架中的WOBAN包含n个WMN和IoT。i个（i ∈[1, n]）WMN或IoT包含Mi边缘设备和Pi无线路由器，其中M和P分别为连接到同一ONU的边缘设备集合和部署在无线路由器上的边缘设备集合。对于一个WMN或IoT，当前虚拟网络可用四元组模型 vn(s, f, wb, c)表示。映射到连接ONU的工作边缘设备和位于无线路由器上的工作边缘设备的虚拟节点集合分别由s和f表示。工作ED所消耗的无线带宽和计算资源集合分别用wb和c表示。以下步骤描述了如何将虚拟节点嵌入到工作图中。

我们首先选择一个工作中的ONU级ED来寻找映射方案。之后，我们从无线路由器上选取一组工作边缘设备来承载其余的虚拟节点，使得所有已映射ED的计算资源均大于虚拟网络服务所需资源。此外，链路映射所需的无线信道带宽应大于网络虚拟化映射所消耗的带宽。随后，虚拟网络模型转化为一个二元组模型，表示为vn(E w(s, f), c)，分别包含被虚拟节点映射的工作边缘设备集合以及边缘设备消耗的计算资源。一旦该位置

定义	描述
n	无线网状网络和物联网总数
N	虚拟网络总数
N1	已嵌入的虚拟网络数量处理由前端无线网状网络和物联网
N2	PON处理的虚拟网络数量回程链路
Gw(Gb)	合格无线网状网络的工作（备份）图和物联网
hi工作图 Gw(Gb)	用于标识第i个虚拟节点是否为嵌入到Gw(Gb)上
在确认了k个备份边缘设备（EDs）的位置后，通过从剩余候选设备中选择具有最高SD且计算资源不低于c的备份边缘设备，将虚拟节点（VN）模型嵌入到备份图Gb上。当当前网络映射到Gb后，最大的SD等于映射到该边缘设备上的虚拟节点数量。

我们用N1表示由WMN或IoT处理的已嵌入的虚拟网络数量。二进制变量hGiw和hGib分别用于标识第i个虚拟网络是否被嵌入到符合条件的WMN或IoT的工作图或备份图（Gw或Gb）上。对于i ∈[1, N1]且 Gb ∈[1, n], ，分配给边缘设备的总功耗（TP）等于工作图上所需功耗TPGw与对应 i Gw乘积之和。类似地，备份资源的最大可持续性度量（SD）可通过备份图Gb上各备份边缘设备的 i Gb与其对应的 值的乘积之和计算得到。

如果不存在本地瓶颈，我们框架的目标函数是针对每个备份资源的可持续性度量 SD 最小化分配给边缘设备的总功耗 TP。否则，我们将从无线网状网络或物联网中分配另一个备份 ONU级ED，使得 (1+ |f| ) 个虚拟节点位于虚拟节点 VN 内。

我们用N2表示由PON回传成功处理的虚拟网络数量。消耗的光纤电缆数量可通过将由光纤电缆服务的虚拟网络数量与N2之间的分数进行四舍五入得到。消耗的备用载波数量是将由光纤电缆服务的虚拟网络数量乘以wb后，再除以光纤电缆上载波的初始带宽配置（ba）所得分数进行四舍五入得到。因此，为服务虚拟网络所消耗的总备用载波数量是将N2乘以wb后，再除以ba所得分数进行四舍五入得到。整体优化目标是最小化两个部分的综合成本，即本地无线网状网络或物联网嵌入成本和无源光网络回传嵌入成本。

启发式算法

由于整数线性规划问题具有较高的计算复杂度，我们设计了一种启发式算法来迭代求解所构建的优化问题。协作边缘计算中GSVNE的过程可以通过以下步骤进行阐述。

步骤1： 根据网络状态和信息初始化 WOBANs和VNs的相关信息。

步骤2： 根据可靠性函数确认每个无线网状网络（WMN）或物联网（IoT）上备份边缘设备（EDs）的数量：
Pr(k)=(1 – Pr) k × Pr (|M∪ P|–k) (1)
其中Pr 表示边缘设备故障概率，(|M∪P|–k)表示可用于工作资源单元的剩余边缘设备。部署更多备份边缘设备（EDs）可以增加k的值，从而提高网络可靠性。如果Pr< 0.5，则应增加k的值，直到边缘设备故障概率降低到阈值以下。

步骤3： 对于 ∀u ∈ M, ∀v ∈ P，我们部署剩余的（k – |M|）个备份边缘设备（EDs），且满足 u 和 v 之间的最小跳数不超过最大跳数ONU级ED与其他无线路由器位置之间的计数。

步骤4： 根据缩放因子f，将初始和残余备份 ED的资源分为两部分。如果边缘设备（ED）未部署在无线路由器上，则其初始备份资源供应为0。

步骤5： 选择一个合适的WMN或物联网用于虚拟网络服务。对于每个WMN或物联网，将 c在Gw和Gb上计算能力较低的顶点及其对应的无线信道一并移除。然后，通过迭代减少顶点u所有出站信道中所需的权重因子，更新无线信道（u, v）的权重因子。随后，我们将权重因子为0的无线信道移除，以进一步降低分配的总功耗。如果可用备份图的备份资源的可持续性度量达到最大值，则在相应路径也可用的情况下，可确定最合适的网络。

步骤6： 如果当前虚拟网络中存在最合适的无线网状网络或物联网，则 N1的数值加1。否则，我们通过迭代减少备份边缘设备（EDs）的消耗计算资源，从不同的无线网状网络或物联网中选择备份边缘设备（EDs），并且 N2的数值加1。如果备份边缘设备（EDs）不可用，则虚拟网络嵌入过程失败，未嵌入的虚拟网络数量增加1。虚拟网络嵌入过程持续进行，直到最后一个虚拟网络被成功处理为止。否则，返回步骤5。

性能评估

我们选择加州大学戴维斯分校校园[13] 的地图用于智慧校园社区评估。在本次仿真中，为简化起见，每个无线网状网络或物联网具有相同数量的边缘设备。如图4所示，本地边缘设备与三个边缘设备和六个无线路由器一起部署在测试的无线光宽带接入网络中。对于虚拟网络，我们设置|f| = 2、c= 1、wb= 1和ba= 6。

GSVNE 与无图分割基准之间的消耗功率在图5a中展示。如图5a的横轴所示，不同的 f 值对应不同数量的 N1。我们可以观察到，随着已嵌入的虚拟网络数量增加，总功耗也随之增加，而 GSVNE的总消耗功率降低了约10%。主要原因是，在GSVNE中通过保留权重较低的无线信道，可以简化每个无线网状网络或物联网的工作图。

接下来，我们将f固定为0.5，并评估已嵌入的虚拟网络总数的性能。当情况N > N1= 60发生时，虚拟网络无法被无线网状网络或物联网嵌入。如图5b所示，很明显，没有PON回传的基准方法所服务的虚拟网络数量始终受限于局部瓶颈，处于边界线上。然而，由于可以通过PON回程链路选择备份边缘设备（EDs），我们的方法在更多虚拟网络的情况下仍能很好地保证可持续性。在N = 110之后，增长趋势仍然保持非线性，因为ONU级备份边缘设备（EDs）的网络资源也受到限制。

总TP；b) 成功嵌入的虚拟网络总数；c) 最大SD；d) 消耗的备用载波数量。)

图5c比较了理论上限、GSVNE以及无PON回传的基准方法在备份资源的可持续性度量（SD）上的最大值。由于在没有PON回传的情况下，边缘设备提供的部分备份资源被浪费，因此该基准方法的 SD保持恒定，等于30，这与图5b中服务的虚拟网络数量完全对应。在我们的方法中，当虚拟网络数量较少时，PON回传并非必不可少，因此最大SD起初并未迅速接近边界线。GSVNE的最大SD在N = 80 之后保持稳定，很好地解释了为何GSVNE的性能在图5b中N = 110之后保持稳定。最后，图5d展示了我们的方法（W_GSVNE）与最优边界（W_ bound）之间所消耗的备份载波数量。GSVNE使用的备份载波数量随着虚拟网络总数的增加而增加。我们注意到，当N=[60, 100]时，GSVNE与最优边界之间的性能增益出现重叠。证明了我们的方法在保证网络可持续性方面的有效性。此后，由于PON回传的网络_资源受限， W_ GSVNE 低于 W bound。

研究挑战

在物联网系统中实现协同边缘计算仍面临许多挑战和开放性问题。在本节中，我们将讨论其中一些重要方面。

安全与隐私

尽管边缘计算推动了新兴服务的发展，但其新特性对当前的安全与隐私框架提出了挑战。主要原因包括：
• WOBAN中异构的网络结构以及边缘计算的部署导致传统的认证和信任机制效率降低。
• 尽管设计了新的通信和软件技术以支持边缘计算，但判断边缘服务器的角色（即其是攻击者还是窃听者）仍然具有挑战性。
• 边缘处的虚拟化基础设施容易受到由虚拟机操控引起的隐私侵犯或拒绝服务攻击。

此外，为具有不同处理能力的物联网系统中的海量设备提供安全连接也至关重要。一方面，无线网状网络或物联网中边缘设备的去中心化特性存在脆弱性；另一方面，基于设备到设备的通信被提倡以降低延迟并平衡网络负载。仍存在其他一些研究挑战，例如在大规模物联网系统中更新软件和安全凭证、保护资源受限设备、获取物联网系统中设备的安全状态，以及通过安全持续操作应对安全威胁[6]。

可扩展性 和 能源效率

云服务与设备之间大量的连接和通信产生了巨大的进出网络流量，严重影响了物联网系统的可扩展性和能源效率。传统的资源管理有望实现节能高效的边缘计算。与按需弹性的云资源不同，无线网状网络（WMNs）或物联网（Iots）中的许多设备由电池供电。在没有网络优化的情况下，物联网系统（CoTs）中的大量交互会迅速耗尽设备能量。将无线网状网络（WMNs）或物联网（Iots）中设备的计算任务卸载到边缘设备具有广阔前景，而基于设备到设备（D2D）通信的感知移动性卸载已成为热门研究课题。

一种可能的卸载方案是联合考虑用户的移动性信息、计算能力和信道状态。例如，计算密集型数据可以卸载到边缘服务器以降低延迟，而大规模数据则可通过设备到设备（D2D）通信处理以提高能源效率[14]。然而，设备到设备（D2D）通信会产生严重干扰，影响网络可扩展性。因此，在边缘计算中还应引入干扰消除和自适应功率控制技术。

数据抽象

尽管数据抽象在云计算中已被广泛讨论，但在边缘计算中仍然具有挑战性。一方面，大量设备与网络边缘的边缘设备进行通信；另一方面，部署的边缘设备会定期向网关上报数据，例如图1中智能家居1中的智能水控、灯光控制和门锁。随后，处理后的数据可被发送到上层以提供服务。然而，仍存在一些挑战：
• 来自设备的交付数据格式多种多样。
• 必须在数据抽象程度和数据存储之间进行权衡。
• 如何从各种不可靠的边缘设备报告的信息中提取有用数据。
• 不同的适用操作共存于边缘设备上[10]。

边缘设备上的缓存

缓存放置和内容分发是缓存的两个主要过程。尽管已有大量研究关注放置过程中的缓存更新，在线缓存对边缘设备（EDs）而言仍然极具挑战性。最近，移动核心网络中的缓存部署已得到研究，但如何缓解回传链路的受限带宽仍是一个难题。

在内容分发过程中，若能预测用户偏好，则可提前缓存用户感兴趣的内容，从而带来显著收益。尽管数据挖掘和机器学习技术发展迅速，但如何以可扩展的方式准确预测内容流行度仍是一个开放问题。此外，通过融合社交网络和设备到设备（D2D）通信来研究缓存间的协作也十分重要。同时，如何为边缘设备（EDs）之间的协作式缓存设计高效的激励机制也面临挑战[15]。

结论

在本文中，我们首先强调了物联网系统中可持续边缘计算的重要性，并讨论了边缘计算的研究方向。接着，提出了一种新颖的GSVNE框架。针对WOBAN中的协作边缘计算，该框架能够确定备份边缘设备（EDs）的数量，并将虚拟网络（VNs）嵌入到合适的边缘设备上。性能分析表明，与现有方案相比，我们的框架能够嵌入更多的虚拟网络（VNs），并有效接近备份资源的最大SD。尽管我们的方法是实现物联网系统中高能效和可持续边缘部署的一种可行选择，但相应的路径并非坦途。最后，我们列出了未来的研究挑战和开放性问题。