面向物联网-移动边缘计算任务卸载的智能低延迟优化方法

《Big Data Mining and Analytics》：An Intelligent and Latency Efficient Method for IoT-MEC Task Offloading

　　

移动边缘计算（Mobile Edge Computing，MEC）通过将计算资源部署在靠近物联网（Internet of Things，IoT）设备的位置，有效缩短数据传输距离，从而降低延迟并减少能耗。尽管MEC在提升任务分发效率方面具有潜力，但在任务卸载、高计算延迟以及异构IoT设备带来的集中式资源分配难题上仍存在挑战。本研究提出了一种改进的任务卸载范式，重点优化IoT-MEC场景下的延迟与执行效率。研究人员将输入任务按复杂度划分为四类：类型1任务由IoT设备本地执行，类型4任务完全卸载至云端，类型2与类型3任务采用并行执行策略，部分在本地处理、部分由MEC服务器完成。该模型融合匹配理论（Matching Theory，MT）与排队论（Queuing Theory，QT）优化设备到服务器的任务分配，同时引入基于分支的启发式方法进一步降低任务处理延迟。算法通过Python库在仿真与真实场景中实现，与基线任务卸载方法的对比实验表明，该方法可将任务计算延迟降低40%–70%，验证了其在优化MEC使能的IoT网络整体任务执行方面的有效性与高效性。

研究背景方面，当前物联网设备产生的数据量呈爆发式增长，传统云计算（Cloud Computing，CC）因传输距离远、信道干扰、丢包与衰落等问题难以满足低延迟需求。移动边缘计算（MEC）通过在靠近IoT区域部署服务器，可有效缓解流量拥塞、降低延迟与能耗，但任务卸载仍面临卸载决策复杂、传输与计算开销大、异构设备资源分配难等核心问题。现有研究多采用单一策略，如仅用排队论或匹配理论，缺乏对延迟、资源利用率、能耗的综合优化，且在大规模实时IoT场景验证不足。为此，研究人员开展面向IoT-MEC的高效任务卸载机制研究，旨在构建兼顾低延迟、高资源利用率的卸载框架。该研究发表于《Big Data Mining and Analytics》。

关键技术方法方面，研究人员构建了包含专用MEC服务器（D_M）、共享MEC服务器（S_M）与远端云服务器（C）的三层计算拓扑，采用M/M/1与M/M/c队列模型分别刻画本地与远程计算等待特性；将任务按复杂度分为四类：T1（传感器级实时小任务）、T2（文本处理任务）、T3（多媒体大任务）、T4（历史分析任务），并设计任务拆分与并行执行机制；融合匹配理论实现设备与服务器的最优关联，结合启发式算法求解多约束非线性优化问题，以最小化总计算延迟为目标，同时满足最大允许延迟、设备算力上限、传输功率限制等约束。仿真基于1000×1000单位区域部署20–30个用户设备、10–12个专用MEC服务器、1个共享MEC服务器与1个云端中心，参数参照表3设置。

研究结果部分，首先任务类型分析显示，队列中任务类型随时间动态变化，从初期以T1为主逐渐过渡到后期以T4为主；平均计算速率与队列中任务类型成反比，本地执行占比越高则计算速率越低，远程执行占比越高则计算速率越高，异构任务混合场景下所提模型通过混合与共享计算模式实现了更低的处理成本。其次卸载策略分析表明，全卸载策略（Full Offloading Policy，FOP）因传输数据集大导致延迟最高，本地执行延迟最低但受限于任务复杂度无法覆盖所有场景；所提方法通过任务拆分与并行计算，在相同时间窗口内完成多区域协同处理，显著降低了平均计算延迟。再者延迟优化有效性验证中，研究人员将所提启发式算法与四种现有方法对比：稳定匹配更新算法（Stable Matching Update Algorithm，SMUA）、可拆分任务并行卸载算法（Parallel Offloading of Splitable Tasks，POST）、匹配理论高效任务卸载算法（Matching Theory-based Efficient Task-Offloading，METO）、基于排队论的雾云计算卸载算法，结果显示所提方法分别实现70%、55%、30%、40%的延迟降低，优势显著。最后性能分析显示，在10个时间实例的动态队列变化中，所提方法总任务计算延迟（含处理与传输延迟）均低于现有算法，任务拆分与并行卸载策略使其在异构任务场景下始终保持最优执行效率。

讨论与结论部分，研究人员指出，所提方法通过匹配理论实现设备与服务器的最优关联，保障连接稳定性并降低传输延迟；通过排队论优化任务在本地与远程的分布，避免资源饥饿与负载失衡；任务拆分与并行执行策略突破了单区域算力的限制，尤其适配实时性要求高的IoT应用。结论明确，该混合卸载框架相比传统全卸载或部分卸载方法，在延迟优化与资源利用率上均有显著提升，验证了部分卸载在多区域协同执行中的优势。未来研究将引入Q-learning深度强化学习，构建自主任务队列管理机制，进一步优化卸载决策的智能化水平，同时应对训练复杂度、计算成本与环境动态性等挑战，持续提升远程任务计算的性能。