《Results in Control and Optimization》：A priority-driven task offloading and scheduling algorithm for edge-based health monitoring system
编辑推荐：
随着物联网传感器的广泛部署和移动应用的激增，网络边缘产生了大量数据。部署在边缘服务器上的智能健康监测应用接收由医院患者佩戴的可穿戴设备卸载的多样化请求。这些持续不断的请求需要在边缘服务器上获取计算资源，而非卸载至云端，以避免更高的延迟。尽管边缘计算为到达的流量
随着物联网传感器的广泛部署和移动应用的激增，网络边缘产生了大量数据。部署在边缘服务器上的智能健康监测应用接收由医院患者佩戴的可穿戴设备卸载的多样化请求。这些持续不断的请求需要在边缘服务器上获取计算资源，而非卸载至云端，以避免更高的延迟。尽管边缘计算为到达的流量提供了低延迟服务，但其有限的资源可用性构成了挑战。现有方法侧重于任务大小、优先级、截止时间、最快机器优先或其任意组合。然而，这些方法难以同时改进多个性能指标，尤其是对于具有不同优先级的工作负载。本文通过提出一种优先级驱动的任务卸载与调度算法（PDTOS）来解决这一问题。该算法引入了一种截止时间计算机制来对任务执行进行优先级排序。首先，根据任务优先级选择能够提供最早完成时间的合适服务器。随后，采用一种综合考虑任务执行时间、最早完成时间及相应截止时间的评估机制，来分配适当的本地或远程资源。研究利用真实世界的人类生命体征数据集（Human Vital Sign Dataset），对所提算法与最先进的基准技术进行了性能验证。结果表明，与PTSRA、WOA和PS相比，PDTOS在减少完工时间（makespan）和网络延迟方面取得了显著的性能提升。PDTOS实现了16.5%的完工时间缩减和23%的网络延迟降低。此外，该算法在降低能耗的同时提高了资源利用率。研究还进行了Friedman检验和Wilcoxon符号秩检验，以说明所获结果的统计显著性。
论文解读
一、研究背景与问题
在当今物联网时代，传感器部署数量逐年迅速翻倍，产生了大量用于智能决策的宝贵数据。传感器部署的激增对带宽提出了更高要求，海量数据需要传输至云端，导致核心网络拥塞，进而造成网络延迟显著增加。电子健康（e-Health）是物联网的重要应用领域，涉及以最少的人工干预，基于采集的数据对患者进行监测和诊断。第五代（5G）移动通信网络通过提供低延迟服务推动了电子健康领域的变革。新冠疫情的爆发进一步凸显了远程医疗系统的重要性，同时医疗人员短缺和人工智能技术的应用也推动该领域发生重大变革。边缘计算的分布式高吞吐能力促进了电子健康的发展，因为云服务器与终端用户之间较长的物理距离一直是主要瓶颈。
在疫情期间，美国和英国实施了促进远程会诊、诊断和患者监测的政策，西班牙也开发了用于远程患者监测的报警系统。此类系统中，体温、脉搏、血糖等生命体征数据由所有医疗机构存储于中心云中，利用云端强大的计算和存储资源进行分析以支持高效监测和诊断。然而，云计算引入了显著的往返延迟，不适合这些系统产生的关键工作负载。为弥补这一不足，边缘计算通过在网络边缘提供靠近数据源的计算服务来补充云基础设施。然而，边缘资源有限，往往难以同时应对日益增长的工作负载和严格的延迟要求。
边缘服务器的计算能力有限，需要高效的资源利用；而大规模云资源虽然处理能力强、执行速度快，但会产生更大的延迟。对于医疗系统而言，管理稀缺的边缘资源是一项挑战性任务，尤其是对于基于优先级的工作负载——关键任务因高延迟而无法卸载至云端，完成任务需要大量计算能力和带宽。这些系统产生的常规任务也需要在边缘高效处理。然而，当边缘服务器因数据爆炸而不堪重负时，云服务器便成为最后的选择，而高优先级工作负载则在边缘服务器上调度，以实时挽救患者生命。
现有方法普遍将任务优先级、执行时间、截止时间、任务大小和卸载决策视为相对独立的考量因素。部分研究将全部高优先级任务在边缘服务器上执行，但这种方法仅在特定比例的关键任务下可行，可扩展性成为瓶颈。另有研究基于最短任务优先原则调度优先级任务，导致较大任务等待时间过长，同时选择云端最快机器也增加了网络延迟。此外，多数研究仅考虑上行传输而忽略计算结果的下载传输，且大量研究依赖合成工作负载而非真实数据集。因此，在边缘-云模型中，开发一种能够同时降低网络延迟和边缘服务器能耗的高效任务调度策略是一项重大挑战。
二、研究内容与结论
针对上述挑战，本研究提出了一种优先级驱动的任务卸载与调度算法（PDTOS），利用真实世界的人类生命体征数据集（Human Vital Sign Dataset）进行验证。该数据集包含超过二十万名患者的全部生命体征记录。研究的主要贡献包括：提出了一种截止时间计算方法，基于从真实医疗数据集推导的任务优先级来确定任务执行顺序；提出了一种优先级驱动的任务卸载与调度算法，利用最早完成时间、任务执行时间及计算得到的截止时间，高效地调度或卸载任务；将所提算法与PTSRA、PS和WOA等基准方法进行了对比评估。结果表明，PDTOS在减少完工时间（makespan）和网络延迟方面取得了显著性能提升，实现了16.5%的完工时间缩减和23%的网络延迟降低，同时降低了能耗并提高了资源利用率。Friedman检验和Wilcoxon符号秩检验验证了所获结果的统计显著性。
三、关键技术方法
研究人员提出了一种截止时间计算机制，根据任务优先级推导截止时间，以确定任务执行顺序。算法首先根据任务优先级选择能够提供最早完成时间的合适服务器，随后采用综合考虑任务执行时间、最早完成时间及相应截止时间的评估机制，决定将任务分配至本地边缘资源还是远程云资源。研究利用真实世界的人类生命体征数据集（包含超过二十万名患者的生命体征记录）验证算法性能，并与PTSRA（基于优先级的任务调度与资源分配）、WOA（鲸鱼优化算法）和PS（优先级调度）等基准方法进行对比。系统模型包含多个异构边缘服务器，任务具有计算需求（MI）、输入数据大小和延迟容忍度三个参数，优先级范围为0至2，其中0表示非紧急任务，2表示最高紧急程度。
四、研究结果
截止时间计算机制： 研究人员提出了一种基于任务优先级的截止时间计算方法。任务优先级从真实医疗数据集中推导，截止时间根据优先级水平计算，高优先级任务获得更短的截止时间，从而在调度中获得更高执行优先权。
优先级驱动的任务卸载与调度算法（PDTOS）： 算法首先根据任务优先级选择能够提供最早完成时间的合适服务器。随后，通过一个综合考虑任务执行时间、最早完成时间和对应截止时间的评估机制，决定将任务分配至本地边缘资源或远程云资源。高优先级任务仅在边缘服务器上执行，以保证实时响应。
性能对比评估： 利用人类生命体征数据集，将PDTOS与PTSRA、WOA和PS三种基准算法进行了对比。结果表明，PDTOS在减少完工时间方面实现了16.5%的改进，在网络延迟方面实现了23%的降低，同时减少了能耗并提高了资源利用率。
统计显著性检验： 研究人员进行了Friedman检验和Wilcoxon符号秩检验，以说明所获结果的统计显著性，确认PDTOS的性能改进并非偶然。
五、讨论与结论
现有方法难以同时改进多个性能指标，尤其是对于具有不同优先级的工作负载。仅靠任务优先级本身无法决定调度或卸载决策。附近的边缘服务器可能是高优先级任务的最佳资源，但它可能已被占用而无法及时响应；同样，空闲的边缘服务器可以立即服务高优先级任务，但其较低的速度等级可能延长执行时间。因此，开发一种系统化的任务卸载/调度方法，同时考虑任务优先级、执行时间、任务大小和截止时间以最小化完工时间并高效利用边缘资源，是一项重要挑战。
本研究提出了一种优先级驱动的任务卸载与调度算法（PDTOS），用于边缘-云环境下的健康监测系统。该算法引入了一种截止时间计算机制来对任务执行进行优先级排序。首先，根据任务优先级选择能够提供最早完成时间的合适服务器；随后，采用综合考虑任务执行时间、最早完成时间及相应截止时间的评估机制，分配适当的本地或远程资源。利用真实世界的人类生命体征数据集，对所提算法与最先进的基准技术进行了性能验证。结果表明，与PTSRA、WOA和PS相比，PDTOS在减少完工时间和网络延迟方面取得了显著的性能提升，实现了16.5%的完工时间缩减和23%的网络延迟降低，同时降低了能耗并提高了资源利用率。Friedman检验和Wilcoxon符号秩检验验证了所获结果的统计显著性。未来研究方向可包括将该算法扩展到更复杂的多边缘服务器协作场景，以及探索深度学习等智能方法以进一步优化任务调度决策。
