摘要：本文基于C/S(Client-Server)网络架构、网络路由、OpenFlow交换机、SDN(Software De■ned Network)控制器、SQL Server数据库、边缘云服务器等软硬件,构建了涵盖基础层、网络通信层、任务调度层、云服务层的内生边缘计算系统,使用MQTT协议、TCP/IP通信协议进行通信双方数据消息队列的订阅/发布传输,使用NSGA-II非支配排序遗传算法技术完成边缘计算场景的节点多目标数据传输,实现动态化任务调度与卸载管理,进而提升网络带宽及算力资源调配质量、降低网络通信时延及能耗。

　　关键词：AI(Arti■cial Intelligence)深度智能算法；物联网设备；边缘计算；任务优化

　　0引言

　　城市物联网场景下区域自组织网络内接入的实时数据增多、业务处理需求增大,以云平台核心服务器为主的工业互联网、车联网、社区网联通信模式难以满足大规模的、跨域的用户数据通信服务需求。本研究以5G(the 5th generation)MIMO-NOMA天线阵列的上下行链路数据通信为中心,基于宏基站/微基站、无线通信协议、SDN控制器、边缘云服务器,建构起“边缘计算-NSGA-II遗传算法”的混合式服务架构,利用NSGA-II遗传算法开展“云端—边缘网络—客户端”的资源协同调度、任务配置与处理,以充分满足边缘网络节点响应、网络带宽通信与任务处理的需求,实现5G边缘云网络的智能化数据管理。

　　1 5G核心云网络任务资源调度的不足问题

　　基于SBA(Service-based architecture)服务架构的5G核心网,通常采用SMF(Session Management Function)、AMF(Access and Mobility Management Function)、NFV(Network Functions Virtualization)的通信服务模式。在外网用户设备接入核心云网络后,SMF模块负责创建、更新和删除PDU协议层会话,以及为网络传输数据分配IP地址和建立QoS任务调度管理规则；AMF模块负责接入数据的位置管理和身份鉴权验证；NFV为网络功能虚拟化模块,通过软件定义网络将Web防火墙、WAN优化等功能串联为“服务链”,基于SDN控制器、OpenFlow协议动态引导数据流选择最优的通信路径[1]。然而在物联网数据消息队列的跨域通信中,核心云网络服务器的任务资源调度仍存在以下问题。

　　1.1网络链路通信与回传高延迟

　　当大量访问用户进入核心云网络、发出并发请求时,后台控制面层需经过“AMF→SMF→UPF”等的多环节信令转发,且现有调度机制根据任务优先级进行数据消息队列处理,5G网络切片的URLLC业务会抢占eMBB业务资源,导致端到端延迟常超过50ms(物联网控制要求小于10ms)。

　　1.2网络带宽资源浪费

　　5G网络切片的静态资源分配策略一般为URLLC业务预留20%的带宽,但其实际占用带宽流量仅为5%左右,且现有核心云网络未充分利用MIMO天线的波束赋形技术灵活调整频谱资源,使得网络数据通信传输高峰时段的下行频谱效率低下,同时出现URLLC业务、eMBB业务切片网络带宽的分配不均问题[2]。

　　1.3中心节点过载

　　单核心云服务器的UPF用户功能模块作为转发枢纽,在网络数据通信高峰时段需处理数以万计的数据流,采用DNS轮询分配流量不能合理配置网络负载,使得UPF单中心节点流量达80Gbps以上,严重过载,而其他节点UPF资源闲置。

　　2基于5G“核心云-边缘计算网络”即时数据通信与任务调度模式

　　面向5G物联网设备域内、跨域数据通信传输的场景,基于C/S网络架构、网络路由、SDN控制器、OpenFlow协议、SQL Server数据库、宏基站/微基站、边缘云服务器、核心云服务器等软硬件,建构起“核心云—边缘网络”的任务计算资源调度系统,设置涵盖基础层、网络通信层、任务调度层、云服务层的多层服务架构,为本地设备数据流表的下发、转发、存储与更新提供支持。

　　从“核心云—边缘计算网络”服务管理系统结构可得,当物联网设备数据请求到达边缘计算网络后,部署于网络路由或交换机内的SDN控制器,负责5G网络切片eMBB、uRLLC、mMTC等业务的专用切片划分,以及设置网络路由动态的IP地址、子网掩码建构open■ow路由表,为边缘网络节点的跨区设备接入、链路带宽负载监测提供支持[3]。

　　而后在任务调度层经由统一的RESTful API标准化接口、SRv6路由协议,实现物联网客户接入、数据传输与转发控制。使用Snap2HTML工具创建文件索引,基于边缘云服务器内的Kubernetes Cluster容器编排引擎、自动化部署Kafka消息组件,分布式响应物联网设备端的数据任务处理请求,通过Apache Spark数据分析工具组件,针对数据流量大小、属性特征等信息作出特定任务的合理调度。基于NSGA-II算法动态调整变化场景下的边缘网络带宽、算力资源,使任务调度与卸载的配置管理更合理。云服务层的O2O云服务技术实时聚合设备状态数据,SSL(Secure Sockets Layer)协议为物联网数据传输提供端到端加密与身份认证,可确保网络数据通信的高效性及合规性。

　　3基于NSGA-II算法的边缘网络数据动态化任务调度与卸载管理

　　在物联网络边缘计算系统的高效任务数据处理中,基于NSGA-II算法的非支配排序方式,将{x1,x2,…,xn}的输入物联网数据解集按Pareto支配关系分层,解A支配解B→A在所有目标上不劣于B,也即在种群计算中直接保留父代的优秀个体,按照非支配排序、拥挤度(前沿层内解的分布密度)选择最优个体进入下一代,该问题近似于蚁群(Ant Colony Optimization,ACO)算法的多目标优化问题(MOOP)[4]。

　　首先,随机初始化种群P(t)={x1,x2,…,xn},按照B→A的任务映射关系进行支配分层,也即若任务{x1,x2,x3,x4}与网络节点[2,1,3,2]存在映射关系,则将任务1→节点2、任务2→节点1、任务3→节点3、任务4→节点2的分配矩阵生成子代Q(t),合并R(t)=P(t)∪Q(t)。

　　其次,进行解的快速非支配排序,若解xj在N维下的目标函数上均优于xk,则表示∀xj优于xk,标记xk为非支配个体。在支配层忽略已标记的非支配个体,并对解xj进行拥挤度比较计算,拥挤度是指解xj附近的解的数量。初始化每个点的拥挤度id=0,对去除非支配个体的其他解作出拥挤度计算,计算公式如式（1）所示[5]：

　　4仿真实验及结果分析

　　4.1实验环境设置

　　在物联网设备接入场景下,选用3台边缘服务器、1台核心云服务器、SQL Server数据库、网络计算机等建构实验硬件环境,引入包含1000个数据样本的Mechanical Turk(AMT)数据集作为实验测试数据,基于Python3.6仿真软件创建NSGA-II算法参数训练的实验环境,同时在边缘云服务器内部署Spring Cloud程序框架、Kafka组件等工具响应设备接入的数据任务请求。

　　4.2实验结果分析

　　设置任务队列的单个数据大小为1~10MB、节点的初始化拥挤度id=0、任务资源容量r、任务处理的时限Dj=1,MEC边缘服务器的模型训练最大轮次ct=100次,具体如表1所示。根据不同任务优先级进行数据消息队列处理,将eMBB、uRLLC、mMTC等业务划分至专用切片,作出NSGA-II算法的非支配排序、拥挤度计算分析,选择最优个体进入下一代,引入蚁群算法作为对比实验,仿真实验结果如表1、表2所示。

　　由实验结果可得,基于NSGA-II算法的数据消息任务调度、资源分配训练,本地模型参数训练方案,通过种群非支配排序、拥挤度的任务优先级训练计算,得到的任务平均时延为43(28~75)ms,在100次模型迭代范围内的资源匹配精度为96.5%,均显著优于蚁群寻优算法,且参与边缘计算的MEC服务器荷载率较低,为0.25,表明该NSGA-II算法有着优良的任务数据调度和处理效能,可被应用到5G物联网通信的跨域数据任务传输与处理之中,显示出良好的鲁棒性。

　　5结语

　　随着大数据及云计算、AI智能算法技术的迅猛发展,基于5G移动网络的大规模设备接入、云数据任务通信数据量日益增多,基于核心云服务器的物联网通信存在高网络时延、高成本的问题。因此,在物联网设备接入的跨域数据传输场景,由边缘云服务器作为边缘网络的后台控制中心,引入应用MQTT协议、NSGA-II算法等大数据技术,更为灵活地作出vmware虚拟机的任务列表、网络节点任务响应配置,将OpenFlow数据流表转发至不同边缘节点,按照不同任务优先级进行网络带宽、CPU性能和内存的合理配置,可大大提升5G无线网络通信的分布式任务处理效能。

参考文献

　　[1]张淼,张英威,席珺琳,等.智能物联网中的边缘计算与数据处理[J].通讯世界,2024(3):132-135.

　　[2]郑响萍,蔡海军.云原生在物联网边缘计算中的应用[J].软件工程,2022(10):45-49.

　　[3]郑子木,胡时京.云原生边缘智能引领产业革命:核心变化、最佳实践与应用案例[J].自动化博览,2024(2):53-58.

　　[4]苏江文,黄晓光,张垚,等.基于云计算的人工智能运行平台和边缘终端交互机制研究与应用[J].机械设计与制造工程,2023(8):130-134.

　　[5]李亚国,李冠良,张凯,等.基于人工智能与边缘代理的物联网框架设计[J].计算机工程,2023(10):313-320.