HILANDER：基于高性能智能学习的任务卸载技术，用于实现网络感知的动态边缘资源分配 作者：Garrik Brel Jagho Mdemaya、Armel Nkonjoh Ngomade 和 Mthulisi Velempini

《IoT》：HILANDER: High-Performance Intelligent Learning-Based Task Offloading for Network-Aware Dynamic Edge Resource Allocation Garrik Brel Jagho Mdemaya, Armel Nkonjoh Ngomade and Mthulisi Velempini

　　摘要：边缘计算作为一种有前景的范式，的出现旨在最小化延迟和能耗，同时提高移动设备的计算效率。对于自动驾驶、增强现实和工业自动化等对延迟敏感的应用来说，超低响应时间至关重要，因此在边缘计算中高效的任务卸载成为必要。然而，如何在边缘服务器之间最优地分配计算任务仍然是一个挑战，尤其是在同时考虑延迟、能耗和工作负载平衡时。尽管现有的方法专注于其中一个或两个目标，但它们并没有提供一个整合所有三个因素的全面解决方案。此外，一些现有解决方案没有利用边缘层的并行性，导致瓶颈和资源使用效率低下。在本文中，我们提出了一种基于学习的任务卸载模型，该模型整合了边缘层的并行处理、自适应工作负载平衡以及联合延迟-能耗优化。通过动态调整选定的边缘服务器数量以实现并行执行，我们的方法在性能和资源效率之间实现了最佳平衡。我们的实验设置包括多个边缘服务器和多个随机部署的设备，并使用Apache HTTP基准测试（AB）来生成真实的移动边缘计算工作负载。实验结果表明，我们的方法在减少延迟、降低能耗以及保持边缘节点间工作负载平衡方面优于现有方法。

1. 引言
物联网和下一代网络引入了大量新的高能耗和延迟敏感的应用程序[1,2]。例如，在智能城市这样的物联网网络中，物联网设备的电池容量、存储内存和处理器频率通常都相当有限，这意味着一些繁重任务可能因为消耗大量资源而无法处理[3,4]。移动边缘计算（MEC）是一种范式，其中具有与云层计算机相似能力的边缘服务器被放置在靠近物联网对象的位置。其主要目标是更快地处理来自这些对象的请求，从而减少与将请求发送到云层相比的延迟[5,6,7]。在这种环境中，物联网对象可以将某些繁重任务发送到边缘层进行更快执行：这被称为任务卸载[8,9]，如图1所示。图1清晰地展示了MEC环境中可以使用不同的策略来执行任务卸载，包括完全卸载、部分卸载和设备到设备（D2D）卸载。每种技术都有其优缺点，这些优缺点取决于应用场景。

首先，完全卸载[10]涉及将整个任务从物联网设备委托给边缘服务器。这种方法最大化了边缘服务器的计算资源利用率，同时最小化了通常资源受限的物联网设备的能耗。然而，完全卸载的一个潜在缺点是数据传输引起的延迟以及对网络质量的依赖；其次，部分卸载[11]涉及将任务分解为多个子任务，其中一些在物联网设备上本地执行，而其他则传输到边缘服务器。这种方法旨在平衡能耗和延迟，但它带来了几个挑战。首先，它增加了决策过程的复杂性，因为需要确定要卸载的任务的最佳部分。其次，同步本地子任务与在边缘执行的子任务可能会引入额外的延迟和计算开销，从而可能降低预期的好处；最后，D2D卸载[12]基于这样的想法：物联网对象可以将任务传输给另一个相邻的物联网对象，而不是直接发送到边缘服务器。这种技术可以减少MEC服务器的拥堵，但它受到其他物联网对象可用性和容量的限制，而这些对象本身也可能资源受限。此外，物联网对象之间的不稳定连接可能导致传输延迟增加和卸载过程可靠性降低。

在我们的方法中，我们采用了完全卸载，原因有几点。首先，它通过避免任务分割和同步的复杂性来简化决策过程。其次，它确保了边缘服务器资源的最优使用，因为边缘服务器比物联网设备更高效。第三，它通过避免任何本地计算负载来更好地管理物联网设备的能耗，这对于延长它们的自主性至关重要。最后，得益于我们的机器学习模型，边缘服务器的选择是智能进行的，从而减少了与完全卸载通常相关的延迟和网络拥堵。

然而，在卸载任务时，需要考虑许多参数，例如：
- 仅当在边缘层执行任务所产生的延迟小于在物联网设备上本地处理任务所需的时间时，才执行任务卸载；
- 用于将任务卸载到边缘层的能耗小于在物联网设备上本地执行任务所消耗的能耗。

因此，主要挑战是智能地确定任务是在物联网设备上本地执行还是卸载到边缘服务器。一个优化不当的决策可能导致边缘服务器过载或本地设备能耗过高，从而降低系统的整体性能。当前的MEC卸载方法存在几个限制。启发式方法不够灵活，无法动态适应网络条件的变化[13,14]。另一方面，许多基于机器学习的解决方案只考虑了一个优化标准，即延迟或能耗，而没有提供一个整合这两个方面的全面方法[15,16]。一些研究，如Mengyu等人[17]和Dinesh等人[18]的工作，虽然在其卸载解决方案中考虑了延迟和能耗，但没有在边缘服务器之间优化用户请求以实现高效的工作负载分配。此外，边缘层的并行性使用受到了有限的关注，尽管它可以显著提高执行性能。在本文中，我们提出了一个创新的决策模型，考虑了所有这些挑战，以改进MEC环境中的卸载和分布式计算管理。我们的贡献基于三个主要前提：（1）全面优化：之前的工作往往忽略了延迟、能耗和工作负载平衡的联合优化。我们的模型独特地设计了一个整合所有这三个因素的全面解决方案；（2）自适应并行性：在边缘层引入了自适应并行处理，系统动态选择最佳数量的边缘服务器来执行，以实现性能和资源效率之间的最佳平衡，这是与现有方法的关键区别；（3）上下文决策：最佳卸载决策必须具有上下文意识，不仅要整合延迟和能耗模型，还要结合动态阈值来反映基于应用需求的这些指标的相对优先级。通过模拟，我们证明了我们的方法在降低物联网设备能耗的同时改善了任务分配和整体系统延迟。这些结果为下一代MEC基础设施中更智能和更高效的资源管理铺平了道路。本文的其余部分组织如下：第2节介绍了一些相关工作。第3节介绍了我们提出的解决方案并进行了讨论。第4节展示了我们的模拟结果，第5节讨论了我们的结果，最后第6节对本文进行了总结。

2. 现状
移动边缘计算中的任务卸载对于增强三个关键概念至关重要，即计算效率、最小化延迟和提高移动设备的能源效率。尽管引入了各种策略和技术，但资源分配、可扩展性和移动性等关键挑战仍然未得到解决。以下是对最近相关工作的回顾。这些关键范式策略包括完全卸载、部分卸载和协作卸载模型，而决策方法使用启发式和机器学习方法来优化卸载决策。在解决这一问题时，一些工作侧重于资源管理[19,20]，其他工作则基于延迟和能源效率[20,21]。最近，一些工作包含了并行技术[15,16]和/或人工智能技术，如机器学习模型，用于智能决策。

基于资源分配，Minwoo Kim等人[20]解决了优化MEC网络中提升用户体验的三个关键因素（电池使用、计算和通信延迟）的挑战。在他们的工作中，他们提出了一个NP难组合问题来优化这三个关键方面，并推导出了资源分配的封闭形式解决方案。然后，他们提出了一种基于定价的用户关联方法，以最小化通信开销。通过在模拟过程中结合基于语言的AI，结果表明所提出的方法显著优于基线模型，实现了最多1.62倍的延迟减少和每任务41.2%的能耗降低。这些结果还表明，随着边缘服务器数量的增加，所提出的方法保持了其鲁棒性，并在各种网络条件下有效减少了延迟。这项研究没有考虑边缘服务器的物理限制（如计算能力或高峰使用期间的能源可用性）可能带来的约束，而且该工作关注的是静态网络场景；快速变化的环境可能需要能够响应用户需求和网络负载波动的适应策略。

为了最小化能耗和执行延迟，Abbas等人[8]提出了一种基于启发式的方法，使用了蚁群优化、鲸鱼优化算法和灰狼优化等知名算法的变体。这些算法被调整用于确定在移动设备和MEC服务器之间平衡计算负载的最佳卸载策略。所提出的方法评估了本地执行和卸载之间的权衡，确保了更好的响应时间和能源效率。模拟结果表明，灰狼优化在能源效率和延迟减少方面优于其他方法。然而，所提出的元启发式算法本质上是顺序的，这限制了它们在大规模MEC环境中的效率。并行化这些算法（例如，并行群体智能技术）可以显著加速卸载决策过程，使其更适合实时应用。此外，元启发式算法的进化性质增加了计算开销，使得实时卸载决策对于对延迟敏感的应用来说具有挑战性。Wang等人[22]提出了一种节能的边缘计算卸载方案，该方案根据距离和CPU容量等特征将任务分配给多个服务器。使用匈牙利算法，多任务到多服务器（MTMS）方案优化了子任务分配，以最小化延迟和能耗。模拟表明，MTMS与非分配、贪婪和随机方法相比显著减少了延迟和能耗，使其适合大规模物联网环境。然而，该方案的复杂性和对准确服务器信息的依赖性可能限制其可扩展性。同样，Gu等人[23]提出了一种旨在在尊重预定义执行时间约束的同时最小化能耗的全面优化方法。作者们提出了一个优化问题，综合考虑了通信和计算资源，获得了最佳传输功率、卸载比率和速率的解析解。该策略根据信道条件区分了完全卸载和部分卸载，引入了信道增益阈值来确定最佳卸载决策。所提出的方法适应了变化的系统参数，如延迟约束、任务复杂性和本地计算能力，确保了能源效率和任务的及时完成。模拟结果验证了该策略的有效性，显示出显著的能源节省和延迟减少。涉及单个边缘服务器的所提方法在移动设备众多或需求波动的场景中可能不太适合扩展。随着更多设备连接和卸载任务，边缘服务器可能会不堪重负，导致延迟增加和能源节省减少。

使用类似的过程，许多工作已经开展。Beck等人[24]引入了一种坐标下降算法，通过一次修改一个用户的二进制卸载决策来迭代优化局部最优解。该方法采用凸松弛技术来管理二进制变量，但在实现性能和计算复杂性之间的平衡方面面临挑战。Michael P等人[25]提出了一个优化框架，将计算卸载与资源调度相结合，使用多目标方法来平衡延迟和能耗之间的权衡。该解决方案利用凸优化技术动态分配计算资源并确定用户设备的最佳卸载决策。在[26]中，作者研究了三种场景：完全卸载、部分卸载和启用D2D的部分卸载。对于完全卸载，引入了一种启发式算法来降低计算复杂性，尽管实现了次优解。基于此，我们提出了一种部分卸载的算法，并将支持D2D的场景分解为两个子问题，这两个子问题分别独立解决，然后结合在一起形成对原始问题的改进解决方案。数值结果证明了所提出算法在减少系统延迟方面的有效性，特别是在高密度计算任务环境中。胡等人[27]研究了异构蜂窝网络中的混合边缘和中央云计算架构，重点关注无线回程优化。作者提出了考虑QoS的资源分配算法，通过仿真分析了该方案的性能，证明集成边缘-中央方案优于孤立方法，尤其是在低复杂度的大规模MIMO回程解决方案中。为了处理二进制变量，采用了各种优化技术，如线性松弛[28]和二次近似[29]。然而，这些方法在平衡性能和计算复杂性方面经常面临挑战，特别是在管理整数变量时。因此，它们在动态环境中不能始终提供高质量的解决方案，这使得它们不太适合实时决策。最近，Eang等人[30]引入了一种拉格朗日对偶资源优化算法（LDROA），用于移动边缘计算环境中的高效任务卸载和资源分配。所提出的方法在任务数量增加时，相比贪婪延迟、负载均衡和随机卸载等传统方法表现出显著的改进。具体来说，LDROA实现了更好的成本效率和更低的延迟。该算法智能地为每个任务调整资源，同时最小化计算成本和延迟，并遵守物联网应用的时间约束。实验结果表明，LDROA在MEC服务器数量、用户设备容量和拥塞条件不同的情况下都优于现有方案。例如，与贪婪延迟相比，它减少了总延迟，并且与随机卸载相比，降低了成本。该方法还考虑了能源消耗，延长了用户设备的电池寿命。算法的性能依赖于准确的拉格朗日乘数调整，这可能在大规模部署时需要大量的计算开销和专业知识。基于并行或分布式技术和机器学习算法，已经进行了许多研究[31,32,33,34,35]。在[31]中，作者提出了一个框架，将无线能量传输与二进制卸载集成起来，实现高效的资源分配和任务执行。该方法的一个关键特点是它能够根据实时需求动态调整资源分配，利用深度神经网络（DNN）来优化卸载决策。尽管他们获得了显著的结果，但对DNN的依赖可能会引入计算开销，特别是在任务量大的情况下，限制了其在大规模MEC环境中的可扩展性。此外，Perin等人[36]提出了一个分散式预测优化框架，用于具有能量收集边缘服务器的MEC网络，结合了模型预测控制（MPC）和定制的分布式规则分割（DRS）算法。该方法通过动态优化负载并在不同网络条件下整合服务器来提高能源效率和 workload 管理。该方法减少了能源消耗、对云资源的依赖以及整体碳足迹。该框架在高负载下显示出快速收敛，并在不同预测范围内保持公平性和效率。然而，由于其预测和分散的特性，它引入了额外的复杂性和计算开销。其有效性还取决于模型和预测的准确性，这些可能会受到不可预测的能源或网络波动的影响。在[32]中的工作提出了一个绿色和可持续的移动边缘计算框架，以解决受延迟限制的物联网系统中的能源可持续性和及时性问题。该框架集成了能量收集技术，使物联网设备能够利用环境能量自我供电，从而降低电池维护成本。设计了一种动态并行计算卸载和能源管理算法，以最小化任务响应时间和数据包丢失，同时确保能源队列的稳定性。该算法利用李雅普诺夫优化动态分配资源，包括能量收集、传输功率、CPU频率和卸载决策。该模型假设了一个准静态环境，这在能源可用性和信道条件波动的动态现实世界场景中可能不成立。DongYu Lua等人[35]提出了一个深度强化学习框架，以提高网络功能的并行性。作者利用网络功能虚拟化来优化服务功能链的部署，这些服务功能链在实时网络服务（如防火墙、加密和入侵检测）中起着关键作用。该方法采用双重深度Q网络算法来解决公平感知的吞吐量最大化问题。通过重用初始化的虚拟网络功能和优化资源分配，这提高了吞吐量，减少了服务延迟，并保持了服务质量标准。与其他方法一样，大规模部署中的高计算开销是这种方法的主要缺点。从分析的各种研究中可以看出，移动边缘计算中的任务卸载仍然是一个关键挑战，主要是由于延迟、能源消耗和计算效率之间的权衡。虽然一些方法仅关注能源优化，其他方法强调延迟减少，而少数方法如表1所示同时整合了这两个方面。此外，最近的进展探索了使用机器学习进行并行处理和智能决策以提高卸载效率。然而，许多现有解决方案未能在性能、资源利用和动态网络条件之间实现全面的平衡。这篇综述指出了当前方法中的不足之处，例如边缘工作负载平衡效率低下、缺乏适应不同网络负载的自适应机制，以及缺乏能够动态优化能源和延迟的集成模型。这些限制表明需要一种更智能和自适应的任务卸载策略，能够高效地分配工作负载同时保持系统性能。我们提出的方法通过使用机器进行决策，并引入一种基于计算能力和网络条件选择边缘服务器的自适应机制来解决这些挑战。表1. 文献综述工作的比较。3. 提出的方案在本文中，我们提出了一种新方法，使物联网对象能够在移动边缘计算环境中做出智能的卸载决策。首先，我们建立了一个分析公式，用于评估在本地执行任务与卸载任务之间的延迟。该公式考虑了在多个智能选择的边缘服务器之间并行执行任务的可能性，以确保良好的负载平衡并优化整体执行时间。这种建模至关重要，因为任务放置的不当不仅可能导致某些服务器的拥塞，还可能限制预期的性能提升。接下来，我们提出了第二个分析公式，用于评估本地执行与卸载任务执行之间的能源消耗。这里的目的是在保证任务高效执行的同时，最小化物联网对象的能源消耗，这些对象通常具有有限的能源资源。然而，仅优化延迟或能源可能会导致次优决策。因此，我们引入了一个机器学习模型，将这两个标准结合起来，以便根据执行上下文优化决策。该模型使得采用更精细和自适应的策略成为可能，保证了执行速度和能源效率之间的良好折中。图2描述了我们的解决方案。在图2中，如果一个需要由物联网对象执行的任务需要该对象拥有的资源（IOT 1和IOT 3），那么该对象将本地执行任务。如果一个物联网对象没有足够的资源来执行任务（IOT 2和IOT 4），那么任务将被卸载到边缘层。在边缘层，如果接收任务的边缘服务器能够在不超负荷的情况下本地执行任务并减少整体延迟和能源（ES5），它将本地执行任务并将结果返回给物联网对象。然而，如果在其他边缘服务器之间并行执行任务更为有利，那么接收任务的边缘服务器将选择最佳的边缘服务器并在它们之间分配任务（ES3）。在第3.2节中，我们详细介绍了延迟的分析建模以及用于在边缘层集成并行性的方法。接下来，在第3.3节中，我们介绍了能源消耗的分析建模，然后在第3.4节中描述了我们的机器学习模型及其训练过程。图2. 全局解决方案描述。3.1. 符号说明用于描述所提出解决方案的符号和符号在表2中呈现。表2. 符号表。3.2. 基于延迟的卸载决策将任务从物联网设备卸载到MEC服务器是一种有效的策略，可以减少资源密集型应用程序的执行时间。然而，这种方法仅在某些特定条件下对延迟有益。卸载的好处主要取决于本地计算时间与总远程处理时间之间的关系，其中包括数据传输时间（发送和接收数据）和MEC服务器的计算时间。当物联网设备的计算能力不足以在合理的时间内处理任务时，将任务发送到具有更高容量的边缘服务器可以显著改善用户感知的延迟。然而，如果网络负载很高或MEC服务器已经饱和，通信和处理的额外成本可能会抵消预期的收益，使得本地执行更有优势。此外，对于低复杂度的任务或需要与用户实时交互的任务，通过网络发送数据的额外成本可能是禁止性的。因此，卸载决策必须基于对延迟的动态评估，考虑网络负载、MEC服务器的状态以及要执行的任务的性质等参数。在我们的分析框架中，我们故意抽象出了一些次要的延迟组件，以保持可行性，同时捕捉主要的性能因素。对于本地执行，我们排除了闪存或磁盘访问开销，即查找、读取和写入时间，因为物联网终端通常利用内存或闪存缓存计算，使得这些延迟与处理器周期成本相比可以忽略不计。同样，在卸载时，我们没有对缓冲延迟、序列化/反序列化开销、TLS握手和连接设置时间或网络和服务器堆栈中的排队进行建模。这些后期效应变化很大，通常通过持久连接和批量处理来抵消，只会使模型复杂化，而不会显著提高其在考虑的广泛MEC场景中的准确性。设为物联网对象上任务的本地处理时间，为任务卸载到边缘层时的处理时间。方程（1）说明了卸载是否有益的条件。 （1）物联网对象本地处理任务所需的时间（）取决于该对象的处理器频率（以GHz为单位）和要执行的任务的总工作负载（以周期数为单位）。因此，可以使用方程（2）计算。 （2）任务卸载后的处理延迟（）取决于三个参数：发送数据到边缘层的时间（）、在边缘层处理数据的时间（）以及将结果返回给物联网对象的时间（）。因此，我们可以使用方程（3）估计任务卸载后的处理时间。 （3）设Z为要卸载的数据大小，为结果的大小，为卸载过程中的可用网络吞吐量，为结果发送回物联网对象时的有效网络吞吐量，G为拥塞系数。使用香农容量模型[37]，我们可以使用方程（4）评估网络的最大可实现吞吐量。因此，和可以使用方程（5）计算。 （4） （5）因此，和可以使用方程（6）和（7）分别计算。 （6） （7）当任务卸载到MEC服务器时，后者必须决定最佳的执行策略以优化计算时间（）。有两种选择：在接收请求的服务器上本地执行任务，或者与其他可用的边缘节点并行执行。这个决策主要基于对可用资源和节点之间通信成本的动态评估。如果本地MEC服务器具有足够的计算能力和低工作负载，本地执行可以通过避免与分发和同步子任务相关的延迟来最小化处理延迟。另一方面，对于需要长时间处理的复杂任务，并行执行成为一个可行的选择，可以实现智能的负载分配和总执行时间的减少。然而，这种方法引入了与边缘服务器之间数据交换相关的额外成本，因此根据它们的计算能力、可用性和估计的通信时间选择最佳的参与节点是至关重要的。因此，决策必须基于一个适应性模型，该模型在并行性带来的性能提升和任务分配的成本之间取得平衡。设 \( t_{local} \) 为在接收任务的边缘服务器上本地处理任务所需的时间，\( t_{parallel} \) 为并行处理任务所需的时间。方程（8）阐述了在边缘服务器之间并行执行任务是否有益的条件。参数 和 是权重，它们代表了在用于标记机器学习模型训练数据的综合成本函数中，最小化延迟与最小化能量之间的相对优先级。因此，方程（18）定义了每个标准的改进因子。在我们的数据集中，目标变量可以通过算法1来定义，具体如下：如果 和 ，则优先选择卸载（算法1的第8行到第9行）；或者，但如果 和 ，则延迟的改进是显著的（算法1的第10行到第11行）；或者，但如果 和 ，则能耗的减少是显著的（算法1的第12行到第13行）。否则，在物联网（IoT）对象上执行本地操作（算法1的第14行到第15行）。引理1. 算法1的复杂度为。证明：算法1负责决定给定任务应该是卸载还是本地执行，它在设计时非常注重计算效率。其执行包括两个主要阶段：（1）计算延迟和能量增益比率（ 和 ）；（2）基于这些指标和预定义的容忍度阈值进行决策。步骤1：比率计算：此步骤涉及固定数量的算术运算：两个减法和两个除法来标准化差异。这些运算是在标量值上进行的，因此无论输入如何都需要固定数量的步骤。因此，这个阶段的时间复杂度为；步骤2：决策逻辑：决策阶段最多评估三个互斥的条件分支，每个分支都涉及简单的比较（例如，<, >）和逻辑连接。比较和条件语句的数量是固定的，不依赖于任务T的性质或复杂性。因此，这个阶段也在常数时间内完成；总体时间和空间复杂度：由于算法的两个阶段都仅由常数时间运算组成，没有循环或递归，因此算法1的总体时间复杂度为。同样，该算法只使用固定量的内存来存储中间值（例如， ，），从而导致空间复杂度为。□算法1：卸载预测让我们考虑以下应用示例，以更好地解释如何获得目标变量：对于实时视频监控应用，延迟至关重要（高）。能量是较低优先级（低）。如果延迟减少了20%，但能量增加了10%，则卸载是合理的；对于电池有限的IoT温度传感器，优先级是能量自主性（高）。延迟是次要的（低）。如果节省的能量显著（>15%），即使延迟略有增加（+5%），也建议卸载。3.4.3. 机器学习模型架构决策模型是一个二元分类器，其目标是确定对于每个任务来说，在IoT对象上本地执行还是卸载到边缘层是最佳策略。在资源受限环境中的初始比较测试中，我们进行了初步评估，将我们的二元分类器模型与更复杂的算法进行了比较，包括逻辑回归、支持向量机、随机森林、梯度提升（XGBoost）、多层感知器（MLP）、k-最近邻（k-NN）、朴素贝叶斯和浅层决策树。选择比较模型时采用了严格的方法，旨在涵盖最近关于卸载决策和MEC优化的所有主要算法家族[22,25,30,31,36]。这种选择确保了全面的评估，包括：（i）适用于受限环境的可解释和轻量级模型，（ii）具有高逼近能力的非线性模型，以及（iii）在最近文献中被认为是性能标准的集成方法。比较使用了诸如训练时间、推理延迟、准确性、每次推理的能耗和模拟边缘设备上的内存占用等标准。使用了10,000个样本的数据集，并为了确保鲁棒性，我们对训练集进行了5折交叉验证。对于每个模型，都使用网格搜索优化了超参数。这些超参数如下：对于逻辑回归：正则化强度C ∈ {0.01; 0.1; 1; 10}；对于随机森林：树的数量T ∈ {50; 100; 200}；对于XGBoost：学习率 ∈ {0.01; 0.05; 0.1}，最大深度 ∈ {3; 5; 7}；对于MLP：隐藏单元 ∈ {32; 64; 128}；对于k-NN：K ∈ {3; 5; 7}；表6显示了比较结果。结果表明，集成模型，特别是XGBoost和随机森林，在准确性和F1分数方面取得了最佳性能。XGBoost获得了最佳的平均准确性（95.2 ± 0.7%）和最高的F1分数（0.94 ± 0.01），证实了它捕捉网络变量（带宽、传输功率、信道条件、噪声、CPU负载）与卸载决策之间复杂非线性关系的能力。在需要实时决策的IoT和边缘计算环境中，计算资源受限，能量效率至关重要，复杂集成模型所实现的边际准确性改进（大约2-3%）并不证明其显著更高的计算开销是合理的。我们提出的模型实现了有竞争力的预测性能、最低的推理延迟、最小的内存占用和每次预测最低的能耗。表6. 机器学习模型用于卸载决策的定量比较。推理延迟：在实时IoT场景中，推理延迟是一个关键因素，必须在一毫秒内做出是在本地执行还是卸载的决策，以避免服务质量下降。结果显示出显著差异：我们的模型：0.05毫秒；XGBoost：3.12毫秒；随机森林：2.34毫秒；k-NN：8.9毫秒。在MEC系统中，每秒可以做出数千个决策，这种差异变得具有结构性决定性。内存占用和可部署性：模型的大小直接影响其在内存有限的IoT设备上的部署可行性。结果显示：我们的模型：12 KB；XGBoost：920 KB；随机森林：680 KB；MLP：410 KB。我们提出的模型的内存占用比集成模型少50到75倍。对于内存资源有限的微控制器或嵌入式设备来说，这种差异变得至关重要。在大规模分布式MEC环境中，将大型模型复制到多个边缘节点也会引入显著的网络和存储成本。能耗：每次推理的能耗与计算时间和算法复杂性成正比。结果表明：我们的模型：0.9毫焦耳；XGBoost：7.4毫焦耳；随机森林：6.1毫焦耳；k-NN：12.3毫焦耳。在电池供电的IoT场景中，每次决策的能耗增加6到10倍可能会显著减少设备的电池寿命。因此，尽管XGBoost在准确性上的提升是可测量的，但其能源成本使其不太适合资源受限的环境。这些结果也通过第4节中的评估指标得到了验证。因此，从系统级的角度来看，我们提出的轻量级模型在现实世界的MEC环境中提供了预测准确性和可部署性之间的最佳平衡。我们提出的模型实现为一个监督分类器，可以解释为一个两层神经网络：一个包含十个神经元（对应于我们数据集的输入特征）的输入层，以及一个带有Sigmoid激活函数的输出层，用于二元分类（0或1，表示本地或卸载）。形式上，模型计算输出，如方程（19）所示：选择轻量级监督模型的动机是对可解释性、低延迟推理及其在IoT环境中实际部署的可行性的需求。与复杂的深度学习架构不同，提出的模型在决策准确性和计算效率之间取得了有效的平衡，同时利用分析得出的延迟和能量模型来指导学习过程。3.4.4. 成本函数定义我们的机器学习模型的目标是学习如何基于训练数据做出最佳卸载决策。为此，我们使用了一个分类器，该分类器应在学习过程中最小化错误。成本函数允许我们衡量模型做出准确或不准确预测的程度。在我们的二元分类模型中（0 = 本地执行，1 = 卸载），我们使用交叉熵损失作为成本函数，原因有几点[38]：它对分类错误的惩罚比简单的二次误差更严厉；它非常适合二元分类问题，我们希望模型给出校准良好的概率；它倾向于自信且准确的预测（接近0或1）。因此，成本函数使用方程（20）定义。如果我们的模型预测正确（ 接近 ），则成本函数的值较低。如果我们的模型出错（ 远离 ），则成本函数较高。成本函数告诉我们模型有多错误，以及如何在训练过程中最小化它。为了降低成本函数，学习算法通过从过去的例子中学习来调整其参数。它越能最小化这个函数，就越擅长决定何时卸载IoT任务。3.4.5. 训练阶段训练数据是通过使用OMNET++仿真工具基于第3.2节和第3.3节中描述的分析延迟和能量模型生成的。目标是创建一个标记的数据集，其中每个记录代表一个潜在的执行场景。因此，数据集中的每个实例对应于由IoT对象生成的任务，并由描述其执行环境的特征向量表示。这些特征包括：估计的本地执行时间；卸载情况下的执行时间（包括传输、边缘处理和结果返回）；本地能耗；与卸载相关的能耗；延迟和能量的相对增益；容忍参数 和 ；与数据相关联的标签是根据第3.2节和第3.3节中提出的分析模型构建的，结合了延迟和能量之间的现实权衡。这种策略允许做出与系统目标一致的抗卸载决策，同时避免严格的规则。然后，使用Python 3.12.12实现了一个Python脚本，使用通过仿真生成的合成数据集来训练第3.4.3节中定义的机器学习模型。通过调整其内部参数来训练模型，以最小化分类错误，即它选择次优决策的频率（最佳决策，通过分析计算得出）。3.4.6. 预测阶段一旦模型训练完成，就将其部署在节点上进行实时决策。1. 实时上下文数据捕获：当IoT设备有新任务要执行时，它会收集必要的上下文信息：本地：任务特性（大小、所需周期）和IoT设备的能力（CPU频率、电池状态）。通过边缘服务器：设备与边缘通信以获取网络和边缘资源的当前状态（吞吐量、相邻边缘服务器的负载、频率）。2. 预测执行：将这些上下文数据作为输入注入训练好的机器学习模型。分类模型立即预测在学到的选项中哪个是最优的卸载决策（本地、边缘本地、边缘并行）。3. 决策的实现：如果预测是“本地”，IoT设备在其自己的处理器上执行任务。这通常适用于轻量级任务或当网络质量较差时，因为传输在延迟和能量方面的成本比本地执行更高；如果预测是“卸载到本地边缘”，IoT设备将整个任务传输到最近的边缘服务器。该服务器在本地执行它；如果预测是“并行到边缘卸载”，IoT设备将任务发送到主边缘服务器。然后，该服务器使用其预测信息选择最佳的服务器集合进行并行化，避免服务器过载（Li≈Lmax），并根据计算出的权重（）将工作分配给选定的服务器，确保工作负载的适应性分布。4. 仿真和分析仿真是在基于Jupyter Notebook 3的开发环境中进行的，使用Anaconda Navigator运行。选择这个环境是因为它的灵活性和易用性，允许交互式执行Python脚本，并以图表和表格的形式高效地可视化结果[39]。机器学习模型是使用Scikit-learn实现的，用于训练和评估模型。训练数据使用Pandas和NumPy处理，而Matplotlib v3.10.6和Seaborn v0.13.2用于生成可视化，以说明卸载决策对延迟和能耗的影响。此外，还使用了Apache HTTP Benchmark（AB）工具来测量卸载决策对MEC服务器的延迟和性能的影响，如[40]所示。Apache AB配置被定义为模拟真实的网络负载，参数如下：发送的总请求数量：10,000；并发请求数量：100；请求类型：对MEC服务器的HTTP请求，以模拟卸载任务的发送和处理。这些参数可用于分析MEC服务器高效处理卸载任务的能力，并评估所提出方法在平均延迟和能耗方面的改进效果。Omnet++被用来模拟一个真实的MEC环境，包括多个边缘服务器和随机部署的物联网设备。表7列出了模拟过程中使用的十五个边缘服务器的 characteristics。在我们的研究中，我们选择高保真的合成数据而不是开放的基准数据集，主要有两个原因：具体情境性：现有的公共数据集通常缺乏对我们模型至关重要的细粒度、动态参数，如边缘间通信时间、并行处理开销以及动态变化的网络拥塞情况。我们模型的核心创新在于整合了这些因素，需要一个能够在不同负载和网络配置下捕捉这些特征的数据集。对权衡的控制：为了训练一个能够智能优化延迟和能耗的强大分类器，我们需要能够根据动态阈值来控制目标变量的生成。合成环境使我们能够生成一个平衡的数据集，涵盖延迟和能耗占主导地位的情景，或者需要某种权衡的情景，确保模型学习到算法1中定义的细致决策逻辑。我们在表8中详细描述了使用INET框架和Apache HTTP Benchmark（AB）生成的模拟环境，以确保完全的可复现性。

4.1. 我们模型的评估
图3、图4和图5中实验结果的分析突显了我们的基于机器学习的方法在MEC环境中进行卸载决策的相关性。我们还在图3、图4和图5中实现了一个标记为“没有我们的模型”的决策算法，该算法基于简单的启发式策略和延迟阈值进行比较。具体来说，每个物联网对象只有在估计的本地执行延迟超过预定义阈值（例如250毫秒）时才决定卸载任务。低于此阈值时，任务在本地执行；高于阈值时，任务被转移到边缘层。选择这种方法是因为它是一种简单但现实的策略，在没有部署自适应智能的嵌入式系统中经常遇到。它为评估我们机器学习模型的贡献提供了一个相关的基准，因为它模拟了没有动态优化的确定性行为。然而，这种固定阈值的方法没有考虑其他重要因素，如能耗、当前边缘服务器的负载或网络条件的变化。这突显了我们基于智能的方法的价值，该方法能够同时整合延迟和能耗，以实现更细致、基于上下文的最佳决策。

4.1.1. 有和没有我们模型的能耗曲线
图3a显示了根据是否使用我们的模型来做出卸载决策时任务的平均能耗。如果使用我们的模型能耗较低，这意味着模型倾向于选择能效更高的执行方式。如果能耗相同或略高，这可能是为了减少延迟而做出的妥协。平均能耗的分析表明，当卸载有利时，我们的机器学习方法可以减少能耗；或者在控制能耗的同时促进延迟的提升。

4.1.2. 有和没有我们模型的平均延迟曲线
图3b比较了使用和不使用我们基于机器学习的方法进行卸载决策时任务的平均执行延迟。没有我们的模型时，卸载是静态执行的，这可能导致次优决策。然而，我们的模型学会了预测最佳的卸载情况，在必要时减少延迟。使用我们的模型后延迟的显著降低证实了算法能够通过选择正确的环境（本地或MEC）来优化任务执行。我们基于机器学习的方法在平均延迟上的显著改进证明了智能卸载对于优化执行性能的重要性。

4.1.3. 混淆矩阵的解释
图4a中的混淆矩阵用于通过展示正确和错误预测的分布来评估我们机器学习模型的性能。它包含四个值：真正例：模型正确预测任务应在本地运行的次数（图4a中为1118次）；假正例：模型建议本地执行而实际上卸载更优的次数（图4a中为247次）；假负例：模型建议卸载任务而实际上本地执行会更优的次数（图4a中为361次）；真正例：模型正确预测任务应被卸载的次数（图4a中为774次）。由于主对角线上的值（真正例和假负例）占主导（分别为1118和774），我们的模型保证了高效和优化的决策。

4.1.4. 精确度-召回率曲线
精确度-召回率曲线（图4b）提供了对模型性能的精细评估，特别是在类别不平衡的情境中，这在MEC环境中很常见。在我们的研究中，精确度衡量了模型预测需要卸载的任务中相关任务的比例，而召回率表示模型正确识别出的需要卸载的任务的比例。获得的结果反映了这两个指标之间的现实折中，因为随着召回率的增加，精确度略有下降，这在真实环境中是预期的。这表明我们的模型在保持识别需要卸载的正确任务的能力的同时，也谨慎地限制了可能导致不必要的卸载的预测错误，从而在传输和能耗方面有所代价。简而言之，这些结果证实了我们的机器学习模型做出了平衡且稳健的决策，符合智能边缘计算环境中的延迟和能耗性能目标。

4.1.5. 学习率曲线
图5a表示了我们模型迭代过程中学习率的演变。它展示了模型如何逐渐调整其权重以收敛到最优解。通常希望学习率降低，因为它允许模型通过稳定学习来改进其决策。学习率下降得太快可能导致过早收敛到次优解，而下降得太慢则会延长学习时间。在我们的案例中，学习率的演变显示了模型逐渐向更好的决策能力收敛。学习率的受控降低确保了算法的有效稳定，并避免了过度调整。

4.1.6. 边缘服务器上的工作负载
在图5b中，我们展示了当有200个任务、500个任务和1000个任务由物联网对象执行时，每个边缘服务器的工作负载评估结果。图5b显示，当有10,000个任务需要执行并且其中一些任务被卸载到边缘层时，边缘服务器1使用了38.20%的资源，边缘服务器2使用了42.03%的资源，边缘服务器3使用了37.36%，边缘服务器4使用了35.96%，边缘服务器5使用了40.12%，边缘服务器6使用了36.85%，边缘服务器7使用了39.76%，边缘服务器8使用了41.64%，边缘服务器9使用了43.04%，边缘服务器10使用了35.97%，边缘服务器11使用了39.61%，边缘服务器12使用了42.23%，边缘服务器13使用了37.61%，边缘服务器14使用了44.69%，边缘服务器15使用了36.37%的资源。这表明工作负载在节点之间分配得很好。表9也支持图5b中呈现的结果。表9显示了当网络中有200个、500个和1000个任务需要执行时，每个边缘服务器上的工作负载标准差。该表不仅显示了标准差的减少，反映了边缘服务器之间工作负载的有效平衡，还表明我们的协议能够适应最复杂的环境，因为即使任务数量增加，标准差的值几乎保持不变。

4.2. 我们方法与其他几种方法的比较
为了验证我们的解决方案，我们将其与Abednego等人[31]、Eang等人[30]、Michael等人[25]、Perin等人[36]和Jin Wang等人[22]提出的方法在能耗和延迟方面进行了比较。首先，我们通过改变物联网对象要执行的任务数量来评估延迟和能耗，然后改变了物联网对象的数量。对于每次评估，我们考虑了两种情况：在延迟优先于能耗的应用领域，以及在能耗优先于延迟的应用领域。每个物联网对象都有1000焦耳的电池。

4.2.1. 随任务数量变化的延迟和能耗比较
图6和图7显示了随着物联网对象要执行的任务数量变化时的结果。考虑到延迟评估（图6），当延迟比能耗更重要时（图6b），我们的解决方案的平均延迟与其他解决方案相比太小；而当能耗比延迟更重要时，我们的解决方案具有最佳延迟，但与Abednego等人[31]的解决方案非常接近。我们的机器学习模型以及我们的解决方案能够适应任何类型的环境，帮助我们在任务数量变化时获得最佳结果。考虑到能耗（图7），我们评估了所有任务执行后物联网对象的平均剩余能耗。在延迟比能耗更重要的环境中，图7b显示我们的解决方案仍然优于Abednego等人[31]、Eang等人[30]和Michael等人[25]提出的解决方案，但与Abednego等人[31]的解决方案非常接近。但是当能耗比延迟更重要时（图7a），我们的解决方案优于其他解决方案。

4.2.2. 随物联网对象数量变化的延迟和能耗比较
图8显示了将我们的解决方案与Abednego等人[31]、Eang等人[30]和Michael等人[25]的解决方案在延迟方面的比较，而图9则展示了当我们改变网络中物联网对象的数量时能耗方面的结果。随着物联网对象数量的增加，延迟增加，因为网络中的物联网对象越多，消息就越多，带宽就越饱和，从而导致拥塞。同时，随着物联网对象数量的增加，能耗也减少，因为网络中的物联网对象越多，消息就越多，碰撞和消息重发的概率也越高。由于我们的机器学习模型在其决策过程中考虑了时间t的网络特性，我们的解决方案是最好的。

5. 讨论
本节解释了为什么HILANDER在图3、图4、图5、图6、图7、图8和图9中的“没有我们的模型”基线表现更好，重点在于以下几点：整体优化与...静态启发式方法：基线方法依赖于固定的延迟阈值来做出卸载决策，忽略了能耗、边缘服务器负载和网络动态变化。相比之下，HILANDER 使用了一种机器学习模型，在动态条件下联合优化延迟和能耗，并由用户定义的权重进行指导。

量化性能提升：仿真结果（图3、图6、图8和图9）显示，HILANDER 显著降低了平均延迟（例如图3b），同时保持了较低的能耗（例如图3a），证明了有效的多目标权衡优化。

自适应工作负载管理：HILANDER 动态选择多中心计算（MEC）服务器进行并行执行，避免了静态方法中常见的瓶颈和资源使用效率低下问题。混淆矩阵（图4a）中的高准确率证实了决策的可靠性和边缘资源的优化利用。

6. 结论
在本文中，我们提出了一种结合分析模型和机器学习的混合方法，用于优化移动边缘计算（Mobile Edge Computing, MEC）网络中的卸载策略。我们的方法基于延迟的数学表达式定义，考虑了本地执行以及边缘层的分布式处理，并实现了服务器间的并行化和工作负载平衡。此外，我们还开发了一个估算能耗的公式，区分了本地执行成本和传输到边缘层的成本。这两个模型被整合到一个机器学习算法中，该算法能够根据网络约束和物联网（IoT）对象的资源状况做出最优决策。实验结果表明，在资源受限的高约束环境中，我们的方法显著降低了延迟并优化了能耗。混淆矩阵和各种评估指标证实，我们的方法能够实现更精细的决策，避免了可能导致边缘服务器过载或物联网设备电池不必要的耗尽的卸载错误。该解决方案特别适用于需要快速高效处理的嵌入式系统，如智能无人机、实时监控应用以及关键基础设施中的能源管理传感器网络。将其集成到商业MEC系统中，可以改善资源管理并提升最终用户的服务质量。