不可靠移动边缘计算中基于动态k副本冗余的故障感知任务卸载

《Journal of Network and Computer Applications》：Fault-aware task offloading with dynamic k-replica redundancy in unreliable MEC

　　

• 我们提出了 FATO，一个面向不可靠 MEC 的故障感知任务卸载框架。
• GNN 编码器实时捕获动态网络拓扑和节点状态。
• 解耦的分层强化学习架构缓解了动作空间爆炸问题。
• FATO 自适应动态 k 副本冗余策略，以平衡可靠性与成本。
• 基于轨迹的测试表明 FATO 以更少的资源实现了高可靠性。

**引言**

物联网 (IoT) 设备的爆发式增长和 5G/6G 网络的快速部署，共同在网络边缘产生了海量的时延敏感型和计算密集型任务（Vaezi et al., 2022）。因此，移动边缘计算（MEC）作为一种有前景的范式应运而生（ETSI, 2016），有效缓解了骨干网流量压力（Mahbub and Shubair, 2023）。此外，随着计算范式向日益去中心化的架构转变，人工智能（AI）被广泛采用以增强边缘和联网系统并管理分布式资源（Tuli et al., 2023, Rikhtegar et al., 2021）。然而，传统的集中式云计算受限于长距离地理距离造成的固有延迟，难以满足此类工作负载所提出的严格实时性和可靠性要求（?ahin et al., 2022）。

尽管具有上述优势，MEC 网络仍面临由其固有结构不可靠性引起的严峻挑战。这种脆弱性源于边缘节点有限的电源容量、不稳定的无线连接，以及暴露于对抗性或恶劣的运行环境中。这些因素共同导致了频繁且不可预测的节点加入和退出事件——通常称为节点流失（Guerraoui and Schiper, 1996）。持续的节点流失不仅导致可用的计算和通信资源大幅波动，还驱动网络拓扑发生快速、实时变化。在极端情况下，甚至可能触发网络分区，使关键节点被孤立并中断任务执行的连续性，从而使边缘计算环境变得根本性不稳定和危险。

为确保服务质量（QoS）并在节点流失情况下提高系统鲁棒性，任务复制已成为 MEC 系统中的基本容错机制（Mohd Noor et al., 2019）。然而，复制引入了尖锐且不可避免的权衡：虽然额外的副本增加了至少一个实例在节点故障后存活的可能性，但也消耗了稀缺的边缘计算和带宽资源。过度或不协调的复制会饱和本就有限的 MEC 基础设施，导致网络拥塞、调度延迟延长，甚至任务超时——这些问题即使在没有实际节点故障的情况下也可能出现（Li et al., 2020）。

因此，调度器必须在微妙的平衡中做出决策：复制不足会使任务暴露于不可控的环境风险（例如意外节点崩溃），而过度激进的复制则引发可控但有害的决策诱导风险（例如资源耗尽和拥塞）。在这种易变且资源受限的环境中实现任务可靠性与资源效率之间的智能平衡，从而成为一个具有挑战性且高度动态的在线优化问题。

为了从实证层面阐述这一挑战并说明性能风险，我们进行了一项初步动机研究，评估了本地放置单副本策略，即每个任务在其源节点执行且无冗余。具体来说，模拟的 MEC 网络由 N=15 个异构边缘节点组成，具有有限的 CPU 和缓冲区容量，处理通过无记忆泊松过程生成的任务。每个任务受严格的截止时间约束（DDL），要求传输、排队和执行时间之和不超过该限制。

为了隔离环境不稳定的影响，我们建立了两个对比设置：理想环境（节点持续在线）和不可靠环境（由真实世界节点流失轨迹驱动（Overnet Bhagwan et al., 2003），以反映现实的不可用模式）。在两种场景下，基线策略均向一个可行节点分发一个任务实例且无冗余。所有模拟参数严格遵循第 5 节中所述的综合评估配置。

如图 1 所示，单副本策略在理想且无故障的环境中实现了高达 96.3% 的成功率。然而，通过轨迹驱动模拟引入真实节点流失后，性能急剧下降，成功率骤降至 73.3%。如图 2 所示的详细根本原因分析揭示，主导故障模式发生了根本性转变。在理想设置下，边缘故障率（3.7%）完全归因于可控的、决策诱导的拥塞风险（例如超时事件）。相比之下，在不可靠条件下，不可控的环境风险占据主导地位。具体而言，节点中断故障——在理想场景中完全不存在——飙升至占所有任务故障的压倒性 94.4%。

综上所述，这些结果有力地证明，环境崩溃风险是任务完成的主要瓶颈，使得冗余成为基本的容错机制。同时，它们也突出了对智能调度器的关键需求，该调度器能够最优地权衡这两种不同的风险维度：不可控的环境风险（节点中断）与可控的决策风险（网络拥塞）。

现有的任务卸载方法难以有效应对这一可靠性–资源权衡。传统静态策略缺乏应对快速变化的边缘环境所需的灵活性。虽然基于强化学习（RL）的方法在动态环境中显示出前景，但它们面临两个基本局限。首先，同时确定副本数量及其确切放置位置会产生指数级大的动作空间，引发严重的维度灾难问题，阻碍策略的有效收敛（Lu et al., 2024）。其次，大多数现有的深度强化学习（DRL）方案依赖扁平化的状态表示，丢弃了关键的拓扑结构信息。这种架构缺陷使代理无法感知由流失引起的网络分区及其他结构性风险，最终导致盲目且无效的副本放置（Tang and Wong, 2020）。

为了克服这些局限，我们提出了 FATO（Fault-Aware Task Offloading），一个旨在在不可靠 MEC 环境中实现具有韧性且资源高效的任务卸载的新型框架。FATO 假设一个集中的 MEC 调度器，以周期性或事件驱动的方式接收来自边缘节点的状态报告。这些报告包括每个节点当前是否在线、其 CPU 和缓冲区负载，以及它可以与之通信的其他在线节点。当任务到达时，FATO 从这些报告中构建一个图：顶点是当前报告的在线边缘节点，边是它们之间报告的通信或可达性关系。FATO 然后利用该图与任务信息一起决定副本数量及其放置节点。这一假设与集中式 MEC 卸载和边缘资源调度设置一致，其中调度决策基于收集到的节点和网络状态做出（ETSI, 2019, Luo et al., 2021）。FATO 集成基于 GNN 的编码器来处理此动态构建的图和局部节点状态，实现了对流失引起的结构性变化的拓扑感知。此外，它采用分层动作架构，将副本数量确定与空间副本放置决策解耦。这种解耦不仅缓解了动作空间爆炸，还提供更细粒度的冗余分配控制。

本文的主要贡献总结如下：
• 我们提出了 FATO，一个针对具有节点流失的不可靠 MEC 环境量身定制的弹性任务卸载框架。FATO 基于最新报告的节点可用性、节点负载和通信可达性做出复制决策，从而将冗余适应于当前观察到的边缘条件。实验结果表明，FATO 与静态或启发式基线相比改善了可靠性–资源权衡。
• 我们设计了一种智能冗余控制机制。具体而言，FATO 使用 GNN 编码器处理由当前可用节点及其报告的可达性关系构建的图。这使得策略能够区分连接良好的候选节点与孤立或弱可达节点。它还利用分层动作空间，将基数选择（"多少"）与空间放置（"哪里"）解耦，有效缓解了维度灾难。
• 我们使用真实的 Overnet 数据集进行了广泛的轨迹驱动实验。结果表明，FATO 实现了与保守高冗余方法相当的可靠性，同时使用的资源显著更少。至关重要的是，敏感性分析揭示了 FATO 在动态调整冗余级别以在各种资源受限状态下最大化整体效用方面的成本效益理性。

本文其余部分组织如下：第 2 节回顾相关工作。第 3 节正式定义系统模型和问题公式化。第 4 节详细介绍所提出的 FATO 方法。第 5 节呈现实验设置和性能评估。第 6 节讨论所提框架的建模假设和局限性。最后，第 7 节总结全文。

**相关工作片段：MEC 中的任务卸载**

边缘计算卸载的主要目标是将移动设备生成的计算任务分配给本地设备、附近的边缘服务器或远程云，以优化系统性能指标，如最小化任务延迟、减少能耗或提高计算吞吐量。该领域的研究主要集中在资源分配和决策优化上，并取得了显著进展。传统优化方法将卸载建模为……

**系统模型和问题公式化**

在本节中，我们首先严格形式化所研究的动态且不可靠的 MEC 环境，包括网络、节点和任务模型。基于此，我们将容错任务卸载问题精确定义为一个多目标优化问题，旨在最大化任务可靠性并最小化资源成本。

整体系统架构如图 3 所示。我们考虑由地理分散的移动用户和边缘计算网络组成的系统。用户……

**方法概述**

我们的方法解决了第 3 节中建模的动态 MEC 环境内的任务卸载问题。环境被表示为针对第 k 个原型任务决策的动态 MEC 网络图 G_k=(V_k, E_k)，其中在线节点集合 V_k 因节点流失而波动。每个节点 e_j∈V_k 由状态向量 X_j(k) 表征，其中包括关键的实时属性，如其 CPU 利用率、缓冲区占用率、拓扑连接度以及到任务的接近程度……

**实验结果**

在本节中，我们对所提出的 FATO 框架进行了全面评估。我们首先概述模拟环境和评估指标，随后进行详细的定量比较、敏感性分析和严格的消融研究。

**讨论与局限性**

本研究依赖于若干定义 FATO 范围的建模假设。首先，如第 3 节所形式化的，主要故障源是由 Overnet 轨迹驱动的节点级流失，而未显式建模独立的短期链路故障（例如无线波动、切换、移动性引起的断连）。在长期节点流失的基础上，结合实测短期链路或无线瞬态故障轨迹扩展 FATO，是未来工作的重要方向。

**结论与未来工作**

现代 IoT 和 5G/6G 生态系统对大量时延敏感和计算密集型工作负载日益增长的需求，对 MEC 环境构成了重大挑战，而频繁的节点流失从根本上削弱了其稳定性。因此，这种固有的不可靠性提出了一个关键困境：通过复制确保任务完成的需求，往往与审慎保存有限边缘资源以免产生过度开销的紧迫性相冲突。

为了应对这些挑战……

**CRediT 作者贡献声明**

Tengfei Ma：原稿撰写、软件、方法学。Zongpu Zhang：可视化、验证、调查。Rui Zhang：稿件审阅与编辑、监督、资金获取。Yuan Liu：资源、项目管理、资金获取。Ruhui Ma：验证、项目管理、数据整理。

**利益冲突声明**

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Rui Zhang 报告获得江苏省基础研究项目的资金支持。Rui Zhang 报告获得中央高校基本科研业务费项目的资金支持。Yuan Liu 报告获得国家自然科学基金的支持。如果有其他作者，他们声明没有已知的……

**致谢**

本研究由江苏省基础研究项目（项目编号 BK20241606）、中央高校基本科研业务费项目（项目编号 JUSRP202501070）和国家自然科学基金（项目编号 62472200）资助。

Tengfei Ma | Zongpu Zhang | Rui Zhang | Yuan Liu | Ruhui Ma