面向5G 邊緣計算網絡的聯合需求響應與任務卸載策略

陸旭，陳影，許中平，張海全，慕春芳，陳愷，孫毅

(1. 國網內蒙古東部電力有限公司 調度控制調控中心，內蒙古 呼和浩特 010010；2. 北京國網信通埃森哲信息技術有限公司，北京 100080；3. 華北電力大學 電氣與電子工程學院，北京 102206)

0 引言

物聯網與大數據促進了虛擬現實和人工智能等新興業務發展，對通信與計算技術提出更高要求，具有超低時延特點的5G 通信與邊緣計算被視為滿足新興業務發展需求的核心技術[1-2]。

5G 與邊緣計算發展迅速，為能源互聯網提供發展動能[3]的同時逐漸成為新興高能耗負荷。截至2020 年年底，中國已建成5G 基站超130 萬個，占整體通信網絡功耗的70%，并將在2025 年時達到近2 000 億kW·h 的用電量，占全社會總用電量的2%[4]；同時，2025 年物聯網設備預計產生的實時業務數據量將占全球數據總量的30%，為滿足低時延計算需求，邊緣服務器的部署數量也持續增加。隨著5G 基站與邊緣計算服務器部署密度持續上升，通信計算網絡為保持供能穩定，對外部傳統電網的依賴性也進一步增強，不利于網絡碳減排的開展并給網絡運營商產生巨額運營成本[5]。設計面向5G 邊緣計算網絡的高效用電管理方案成為綠色5G 邊緣計算網絡建設面臨的核心挑戰。

為削減5G 網絡用電成本，5G 基站的能量管理研究得到國內外學者重點關注。其中文獻[6-7]分析了5G 基站參與電網需求響應的可行性，并指出5G 基站群可以形成可觀的聚合效應為電網提供響應能力。文獻[8]提出基于用戶接入的5G基站需求響應方法實現基站負荷的空間轉移。南方電網公司基于“通信基站閑散儲能”示范項目初步驗證了基站參與需求響應的實際可行性[9]。文獻[10]提出一種考慮需求響應的5G 蜂窩小小區規劃方法，通過調整各時段路由規劃實現基站用電負荷在時間維度的轉移。然而，上述工作僅研究了基于通信資源調度的5G 網絡用電管理方法，未考慮5G 邊緣計算網絡場景下基于邊緣計算資源調度產生的用電負荷調度潛力。

為應對邊緣服務器的計算功耗持續上升問題，邊緣計算用能管理研究得到廣泛關注。文獻[11-12]分別提出一種基于李雅普諾夫優化的聯合任務卸載與資源分配方案削減服務器長期能耗；文獻[13]提出一種基于深度學習的最優能耗預測與計算資源分配方案；文獻[14]提出梯度式任務卸載算法優化無線供能的邊緣計算系統功耗。文獻[15] 提出基于深度學習的能量分配方法，優化微網供電場景下邊緣計算網絡的外部購電成本。文獻[16]研究了基于在線用電預測的邊緣計算網絡負載調度方法，同時提升了可再生能源消納與用能效率。文獻[17]研究了基于邊緣服務器負載轉移的需求響應策略；文獻[18]提出基于邊緣虛擬服務器部署與休眠的需求響應方案。然而上述研究只關注基于計算資源調度的網絡用電管理方法，未考慮基站通信資源參與電網調度對計算資源調度計劃的影響。

目前，邊緣計算與5G 無線網絡聯合參與電網調度成為研究焦點，其中文獻[19]提出基于隨機對偶梯度的在線算法實現邊緣服務器與5G 基站長期用電成本優化，然而僅研究了單基站場景；文獻[20]分別提出了基于電網間接與直接能量共享的邊緣緩存優化策略以削減外部購電成本，文獻[21]提出基于交替方向乘子法（alternating direction method of multipliers，ADMM）算法的綠色任務卸載方案，但上述工作僅研究單時隙優化。5G 邊緣計算網絡的需求響應潛力仍未得到充分挖掘。5G 基站與邊緣服務器可通過聯合分配計算、通信與儲能資源，在空間上轉移用電負荷并提供響應能力。然而通信資源調度將改變用戶體驗，間接影響計算資源分配策略，在保證用戶服務質量前提下設計5G 邊緣計算網絡需求響應的研究仍存在巨大空白，基于上述分析，文章主要工作總結如下：針對5G 網絡用電成本高，5G 網絡參與需求響應研究存在空白的問題，文章考慮邊緣計算、5G 基站通信、儲能單元與電網的協同，基于計算、通信資源耦合關系，提出聯合任務卸載，通信與儲能資源分配策略實現網絡負荷的空間轉移與削減；針對目標函數為混合整數非線性規劃問題，進一步提出一種聯合任務卸載與需求響應算法，通過廣義bender 分解法將原問題解耦為2 個子問題以降低問題求解復雜度。

1 5G 邊緣計算網絡需求響應潛力分析

5G 邊緣計算網絡由5G 基站與邊緣計算服務器組成，其中5G 基站包括宏基站與微基站，前者覆蓋范圍在城區達300～400 m，閑時功耗為2.2～2.3 kW，滿載通信功耗可達3.7～3.9 kW；后者用于室內補盲，功耗低于宏基站[8]。邊緣服務器(edge computing server, ECS)功耗與到達基站的用戶流量密切相關，在大型商業樓宇場景，一臺機架式ECS 滿載功耗約達10 kW[22]。本節主要針對功耗較高的5G 宏基站以及附屬ECS，分析上述通信與計算設備的功耗構成以及參與需求響應的潛力。

5G 基站設備主要包括供電設備、空調設備與通信設備，其中通信設備主要由1 個基帶單元（base band unit, BBU）以及3 個有源天線單元（active antenna unit, AAU）組成。BBU 主要處理基帶數字信號，受用戶影響小，功耗穩定；AAU負責數模轉換以及放大傳輸信號，占5G 基站用電量的80%～90%，AAU 的功率放大模塊受用戶通信流量影響大，空載時僅占用AAU 總功耗的15%，滿載時高達AAU 總功耗的58%[6]。5G 基站覆蓋范圍只有4G 通信的1/4，需要更高部署密度才能實現大范圍超低時延通信，同時AAU 功耗與用戶通信規模直接相關，單個5G 基站中與用戶流量有關的可調節功耗為1.5～1.6 kW，占基站滿載功耗的40%左右，5G 基站部署密度大以及可調節功耗多的特點使得5G 基站群具備了參與需求響應的潛力，以大學校園場景中10 個5G 宏基站部署密度為例，短期內校園5G 網絡可為電網提供近15 kW 的響應能力；隨著5G 基站電池迭代更新，鋰離子電池作為基站主流電池也使5G 基站具有一定調節靈活性?？赏ㄟ^管理AAU 工作功率，接入用戶數量以及基站儲能設備充放電行為，實現5G 基站群負荷的空間轉移。

在5G 邊緣計算網絡場景下，部署在5G 基站上的ECS 功耗分別由中央處理器（CPU）、存儲、硬盤以及散熱風扇工作功耗組成，其中存儲、硬盤以及散熱風扇的功耗十分穩定，受用戶計算負載影響??；CPU 工作功耗變化大，閑時功耗僅為ECS 總功耗的30%或以下，滿載時功耗可占ECS總功耗的70%[23]。CPU 功耗主要為處理用戶計算任務產生的計算功耗，動態電壓和頻率縮放技術使ECS 的CPU 可靈活調整工作頻率并使CPU 利用率在0～100%之間變化，一個機架ECS 關于用戶流量的可調節負荷可高達4 kW，占ECS 總功耗的40%～60%。由于5G 基站部署密度上升以及新興業務的超低時延服務要求，附屬ECS 的部署密度也隨之上升，使ECS 也具備充足的響應潛力，可通過動態調整CPU 工作頻率或任務負載分配實現ECS 用電負荷的空間轉移。圖1 為ECS 與5G宏基站AAU 分別在空載與滿載時的功耗分布。

圖1 不同負載率下的網絡節點功耗分布Fig. 1 Network node energy consumption distribution under different loading rates

價格型需求響應通過電價反應電力在各時段的供應緊缺程度，對用戶用電行為起指導作用。本文基于工業互聯網以及能源互聯網發展背景，提出面向5G 邊緣計算網絡的聯合需求響應與任務卸載策略，5G 基站與附屬ECS 根據實時電價進行能量管理；具體地，各網絡節點結合當前時段地區電價差異以及用戶通信與計算業務的服務質量要求分配網絡中的用戶通信與計算流量，調整邊緣通信節點的AAU 與CPU 功耗，并根據時間上的電價差異優化儲能單元充放電動作，分別在空間與時間上產生需求響應能力并盡可能避免用戶通信質量惡化。

2 邊緣計算網絡與需求響應模型

2.1 網絡模型

如圖2 所示，考慮一個面向能源互聯網用戶側的5G 邊緣計算場景，由K個基站與I個電力用戶終端(下文統一簡稱終端)組成。每個基站裝載1 個ECS，ECS 的集合記為K={1,2,···,k}，終端集合記為I= {1,2,···,i}。設時間劃分為T個時段，T= {1,2,···,t}，其中k，i和t分別為ECS 與終端以及當前時間段的編號索引。各ECS 的服務覆蓋范圍部分重疊，共同為終端提供計算服務。第k個ECS 的計算資源由其CPU 工作頻率fk表示，ECS 計算能力的集合記為f={fk}k∈K。

圖2 網絡模型Fig. 2 Network model

（1）用戶卸載子模型。

在能源互聯網用戶側場景下，5G 邊緣計算網絡需保證終端的計算任務及時得到處理，記每個時段的任務處理時延限制為

（4）5G 基站儲能子模型。

5G 基站均配備有儲能單元設備，為基站通信設備與ECS 提供儲備用電。儲能充放電功率受到最大容量和剩余容量的限制，滿足

2.2 問題建立

現有工作尚未研究聯合調度5G 基站通信、ECS 計算資源以及5G 基站儲能資源參與需求響應，考慮到5G 邊緣計算網絡的通信與計算負載具有可調節性，在提供通信服務的同時，可通過任務卸載與資源分配策略調整網絡負載的空間分布以實現空間維度上的用電負荷轉移，為電網產生需求響應能力；同時隨著5G 基站電池質量優化，5G 基站將在未來具有充足的儲能資源為需求響應以及通信與計算服務提供充足電能。進而，本文以網絡用電成本最優為目標，設計聯合任務卸載與需求響應策略，令5G 邊緣計算網絡參與基于電價的需求響應并保障通信用戶體驗。記ct表示時段t的分時電價，考慮用戶服務體驗約束下的5G 邊緣計算網絡需求響應目標函數為

其中：[a]+表 示取值 max{a,0}；式（1）表示每個時段內的終端均只能選擇一個ECS 進行任務卸載；式（4）和式（8）分別為帶寬分配以及計算資源分配約束；式（9）為電力通信業務指定的處理時延限制；式（12）表示充放電上下界；式（13）要求5G 網絡的儲能設備在整個響應周期結束后的狀態保持不變；由于變量Dti,k= {0,1}以及式（3）～（5）的存在，式（14）為MINLP 問題，卸載決策變量以及資源分配變量相互耦合，并且將隨著邊緣計算網絡的ECS、終端數目增加而增加求解復雜度。

3 基于GBD 的聯合任務卸載與需求響應優化問題求解

3.1 5G 邊緣計算網絡響應規模分析

式（14）的變量包含了任務卸載決策變量D，通信功率p與計算資源分配變量f以及蓄能單元充放電變量B。區別于現有邊緣計算任務卸載研究僅考慮單時隙優化，由于多時段通信功率分配決策與充放電變量引入，本文的任務卸載模型需考慮需求響應跨時段優化，致使任務卸載與通信功率變量數目由響應時間長度、5G 基站/ECS數量以及服務用戶數目I×K×T決定，相比于現有工作具有更龐大的變量數目，無法直接采用類似任務卸載算法直接求解。例如關于100 個ECS、每個ECS 平均服務1 000 個用戶的超大型通信場景將產生近 106數量級的變量，將產生高計算復雜度。若考慮5G 微基站這類覆蓋范圍較小，平均僅需服務20～50 個用戶的小型通信場景，涉及變量與求解復雜度驟減。同時，文獻[8]指出當5G大型無線蜂窩通信網絡按10～20 個小區劃分，平均每個小區僅含5～10 個基站的場景下，依舊能夠接近問題最優解。因此，本文限定研究場景為多個微基站（small base station, SBS）密集部署的情況。本文模型在能源互聯網用戶側場景中具有普適性，主要涉及電動汽車充電、居民用戶用電行為畫像等電力業務，涉及范圍不超出1 km，通常采用SBS 密集部署，多個SBS 可有效覆蓋。

另外，0-1 決策變量的稀疏化可有效避免問題求解時過多0-1 變量影響算法求解速度。當終端僅與一個ECS 連接時，式（1）存在，該類電力用戶必然選擇本地ECS 進行卸載，因此可限定該類用戶的卸載變量為已知值，并記只與一個ECS 連接的用戶集合為I′，該類用戶無須考慮任務卸載決策子問題，僅需完成對應的資源分配與需求響應聯合優化子問題求解。

3.2 基于GBD 的任務卸載與需求響應聯合優化算法

GBD 方法具有結構簡單，收斂性好以及無須構建初始可行解的優勢，通過分解原問題成由一個混合整數非線性規劃（MINLP）主問題以及多個只含連續變量的子問題組成的優化問題，可分開處理連續變量與整數變量，降低求解復雜度[26]。本文將基于GBD 方法完成任務卸載與需求響應優化問題的聯合求解。首先，為避免計算資源分配變量f取值為0 引起式（7）產生“除以零”的數學錯誤，引入一個正實數 σ擴 展f的取值范圍，記擴 展 后 的 變 量f?ik=σ+fik，其 中f?ik∈[σ,σ+1]。同時引入一個輔助變量Pk作為式（14）的上界，得到式（15）。值得注意的是，輔助變量Pk的引入用于避免式（14）用電成本取負值，不影響最終問題的求解。

通過求解式（15），可獲取原問題即式（14）最優解的上界。式（15）求解分為兩部分進行，基于GBD 方法將式（15）分解為固定資源分配與儲能電池充放電決策下的終端電力業務卸載主問題，基于固定任務卸載決策的儲能充放電決策子問題，AAU 發射功率子問題以及ECS 計算資源分配子問題?；贕BD 方法變形后的總問題為

固定資源分配與儲能充放電決策下的主問題為

式中：z為引入的輔助連續變量；F表示子問題的最優解集合；V為子問題的次優解集合； φα、 Θβ分別為用于求解子問題獲取最優解以及次優解集合的輔助函數，基于拉格朗日乘子法構建，流程參考文獻[25]。主問題的任務卸載決策變量可通過分支定界法實現求解。進而，定義Uq為在第q次迭代中子問題的最優值，該值對應式（15）的上界，式（20）在第q次迭代得到的解zˉq記為式（15）的下界Qq。通過多次交替迭代，當滿足Uq-Qq≤τ時算法終止迭代，視為獲取近似最優解， τ是一個非負實數。具體的聯合任務卸載與需求響應優化算法流程如圖3 所示。

圖3 算法流程Fig. 3 Algorithm flow chart

4 仿真分析

本文基于Matlab R2019a 仿真平臺進行仿真驗證，服務器環境為Intel(R) Core(TM) i7-10700F CPU @2.90 GHz，32 G 內存。子問題采用CVX 工具箱完成求解?？紤]一個如圖2 所示的2×2 km2面積的仿真網絡場景，其中6 臺ECS 均勻分布在上述場景中，各臺ECS 間隔200 m。各ECS 的覆蓋范圍相互部分重疊，各ECS 通過光纖鏈路相連。每個ECS 覆蓋范圍內的服務用戶數目服從為λIk=100的泊松分布，并且用戶位置隨機分布在上述場景中。設各電力計算業務數據規模服從s=0.5 Mb的指數分布。本文的分時電價采用文獻[25]的數據，即在08:00—12:00，17:00—21:00 時段，電價標準為0.932 9 元/（kW·h），在12:00—17:00，21:00—24:00，電價標準為0.588 1 元/(kW·h)，00:00—08:00 時段為0.243 3 元/(kW·h)。在本文仿真中，為簡化計算，假設所有ECS 具有相同的計算資源，需要注意的是，本文算法在ECS 具有不同計算資源的仿真場景一樣適用。另外，ECS 附屬基站的靜態功耗參數以及信道增益 Γik的計算請參考文獻[13]。最后，其他仿真參數如表1 所示。

表1 仿真參數設定Table 1 Simulation parameters

在下述仿真實例中，本文算法將與僅考慮5G基站用戶接入與帶寬資源分配的需求響應策略[8]以及僅考慮ECS 任務卸載的需求響應策略[20]在時延性能、用電成本上進行對比。其中圖4 為一天內按小時分為24 個時段的邊緣計算網絡計算負載分布，設每個時段下的到達6 臺ECS 的總計算任務流量與圖4 預測結果一致。

圖4 一天內的邊緣網絡計算負載分布Fig. 4 Network traffic in one day

表2 展示了在某地區6 臺ECS 在不同策略場景下參與分時電價需求響應產生的用電成本總和以及通信與計算時延總和。其中，僅基于用戶接入與通信資源調度的需求響應策略無法調整計算任務在網絡中的分布，致使部分5G 基站與ECS具有更高的通信與計算能耗，進而導致場景2 具有最高的用電成本；盡管場景3 無法調整通信資源，然而任務卸載技術調整用戶的卸載決策與計算負載在空間的分布，使5G 邊緣計算網絡以較低的計算能耗完成任務計算并參與響應。本文所提策略聯合調整用戶卸載決策、附屬基站通信功率以及ECS 的CPU 工作頻率，相比于僅調節通信資源以及僅調節計算資源的后兩個場景均具有更優的用電成本以及較低的網絡時延性能，證明了聯合任務卸載與需求響應策略的可行性。

表2 3 種場景響應結果對比Table 2 Comparison of response results under three scenarios

圖5 為3 種響應策略在24 個時段下的用電成本變化。除了時段4、8、9、11 和18 出現一定波動，24 個時段下用電成本最高的5G 邊緣計算網絡需求響應策略為僅考慮通信資源分配的響應策略，該策略無法調整任務卸載決策，導致部分5G 基站盡管可通過調整AAU 工作功率以犧牲用戶體驗換取低用電成本，但大量計算任務接入產生的通信與計算用能無法靠犧牲性能而彌補，導致該策略用電成本上升；第2 個對比策略盡管考慮任務卸載，但無法調節AAU 功率，導致5G 基站通信用能占比較高引起用電成本上升。相比于上述策略，本文所提策略有效調用了通信與電力資源，通過聯合充放電彌補外部購電量減少或犧牲通信性能換取整體時段用電成本削減，如時段15～18的計算高峰時段依舊具有整體最優的用電開銷，令5G 邊緣計算網絡為電網提供可觀的響應能力。

圖5 各時段的用電成本Fig. 5 Electric bill in each period

各時段內3 種響應策略的通信與計算時延性能如圖6 所示。盡管任務通信與計算時延僅作為目標函數的約束存在，而非直接優化的目標函數，但在部分情況下到達較多計算負載時無法通過犧牲時延性能換取低用電成本，2 種對比響應策略僅具有一種調度手段，無法進一步轉移負載或者調用儲能單元放電提升性能，致使了用電成本與時延性能同時上升；本文策略可通過聯合任務卸載與通信資源分配調度計算負載在網絡中的空間分布，或優化5G 基站儲能單元放電動作實現5G 邊緣網絡用電負荷在空間中的轉移，并保證不超出處理時延限制的情況下換取更優的用電成本優化，如圖4 中時段11、15 和17 計算負載較大，并且屬于高電價期，所提策略通過放電動作滿足通信性能，令時延依舊優于對比策略，證明了本文所提策略能夠在考慮通信指標情況下依舊能夠有效削減用電成本。

圖6 各時段的通信與計算時延性能Fig. 6 Delay performance of communication and computing in each period

網絡中參與響應的ECS 規模變化對用電成本性能的影響如圖7 所示。網絡規模逐漸增大時，盡管ECS 數目的增加將造成用電成本上升，但計算任務負載可轉移地點也具有更多選擇，因此用電成本的增長速率也隨著ECS 數目增加而逐漸變緩。如ECS 數目為7 臺時，隨著ECS 數目繼續增加，處理時延指標隨著邊緣計算網絡整體算力的增加開始逐漸下降，邊緣網絡通過任務卸載調整用戶計算任務分布使得業務能夠更快得到處理，同時本文所提策略還可同時調整CPU 頻率、無線通信天線功率，令5G 邊緣計算網絡用電成本有效下降。進而，參與需求響應的5G 邊緣計算網絡規模一定程度的擴張有利于本文所提策略對時延與用電成本性能的均衡調整。

圖7 網絡規模變化對算法優化的影響Fig. 7 The impact of network scale on algorithm performance

圖8 展示了處理時延限制變化對響應策略用電成本優化的影響。在業務處理時延限制要求較高，如計算業務需要在1 s 內完成計算的情況下，ECS 將優先考慮保證用戶服務體驗，并減少為電網提供的需求響應能力；但隨著業務時延限制放寬，儲能容量不參與響應的前提下，ECS 可以通過降低CPU 工作頻率以及AAU 工作功率，進而犧牲少量時延性能，以換取更低的用電成本。圖7 的結果進一步證明了5G 邊緣計算網絡的需求響應能力主要由處理時延限制以及儲能單元容量決定。

圖8 時延約束對響應策略性能的影響Fig. 8 The impact of delay constraint on algorithm performance

5 結論

為推進通信與電力領域融合，優化5G 通信用能結構，文章研究了5G 邊緣計算與需求響應的聯合優化，提出了聯合任務卸載與需求響應概念，針對5G 邊緣網絡用電成本優化問題為混合整數非線性規劃且實際場景過大引起變量膨脹的問題設計了一種結合場景劃分法的廣義benders 分解算法。最后，通過算例證明了本文策略的有效性，得出結論：（1）通過聯合優化任務卸載、通信與計算資源分配以及5G 基站需求響應動作，相比僅考慮5G 基站通信資源調度的需求響應策略，所提策略的用電成本平均降低到對比策略的96.15%；（2）相比于僅考慮5G 基站通信資源調度的需求響應策略，所提策略在優化用電成本同時避免通信時延過度犧牲，任務處理時延性能為對比策略的98.15%。

盡管本文所提模型首次研究并驗證了聯合邊緣計算任務卸載與5G 基站需求響應的可行性，但是由于移動網絡的用戶移動性強，同時可再生能源引入對5G 基站用能具有較大影響，如何考慮多種不確定性的前提下實現5G 邊緣計算網絡參與電網經濟調度仍是未來工作需要繼續探討的問題。