面向 5G 网络边缘卸载的带跨域动作的动态边缘编排
《Computer Communications》:Dynamic edge orchestration with cross-domain actions for edge offloading in 5G networks
【字体:
大
中
小
】
时间:2026年09月28日
来源:Computer Communications 4.2
编辑推荐:
•提出了一种感知移动性和资源的5G之后网络-边缘协同编排框架,面向时延敏感型CCAM应用。
•提取跨域遥测数据(用户设备、无线接入网和边缘),以提供系统环境的全面概览。这使MEC编排器能够做出智能决策并促进服务连续性,避免服务质量下降。
•主动执行服务复制与流量引导,并与gN
•提出了一种感知移动性和资源的5G之后网络-边缘协同编排框架,面向时延敏感型CCAM应用。
•提取跨域遥测数据(用户设备、无线接入网和边缘),以提供系统环境的全面概览。这使MEC编排器能够做出智能决策并促进服务连续性,避免服务质量下降。
•主动执行服务复制与流量引导,并与gNB间切换协调,以在移动场景下保持服务连续性。
•在真实世界的5G之后网络独立组网与MEC测试平台上进行自动驾驶车辆实验,展示了系统在移动和资源短缺条件下的韧性。
**引言**
下一代移动网络正从根本上向可编程、云原生架构转变,特别是5G和5G之后的网络(B5G)。这些网络采用解耦设计,其性能取决于资源的协调。MEC是一种将计算资源分布在网络边缘的网络与计算范式,它与移动网络同步发展,以促进本地分流。这些技术的融合使得最终用户的流量可以在边缘进行处理,从而实现低时延,使得既需要连接性又需要附近计算能力的时延敏感型应用的部署成为可能[1]。
目前,一类新的实时且计算密集型的新型应用已经涌现,包括沉浸式扩展现实(XR)、智能工业自动化和CCAM[2]。在CCAM中,车载传感器和摄像头产生的高吞吐量数据必须近乎实时地处理,以支持安全关键决策。由于车辆可能缺乏本地处理这些数据所需的车载计算资源,工作负载通常被卸载到外部处理环境中[3]。然而,传统的集中式云计算由于车辆与远程数据中心之间的物理距离而引入了额外的延迟和拥塞。MEC通过将计算资源部署在离最终用户更近的地方来解决这一限制,减少时延并支持本地处理[4]。然而,随着车辆在网络中持续移动,维持超低时延和无中断的服务执行变得具有挑战性。例如,摄像头辅助的车联网(V2X)应用可能需要端到端时延低于50毫秒[2]。因此,在动态的CCAM环境中,需要强大的编排来适应移动性并维持服务连续性。
除了计算资源之外,高性能连接对于连接移动最终用户与其卸载数据的边缘服务至关重要。尽管IEEE 802.11p和蜂窝车联网(C-V2X)等技术已经为车辆通信而开发,但5G和5G之后的网络由于支持高数据速率、超低时延、可靠性和移动性管理,特别适合于CCAM场景[5]。然而,仅通过切换程序维持无线连接并不能保证应用层的服务连续性。当车辆在小区之间移动时,RAN和5G核心网(5GC)可能维持网络连接,但相应的MEC服务可能仍然实例化在次优或过载的边缘节点上。因此,维持CCAM应用所需的性能保证需要跨越RAN、5GC和边缘域进行集成监控和编排,以便在移动过程中协调连接性、服务放置和资源可用性。
5G之后网络连接与MEC处理的融合为实时、时延敏感型应用奠定了基础。然而,这种融合也暴露了一个关键的编排挑战:用户是移动的,而边缘资源和服务实例通常与固定位置绑定。尽管RAN和5GC可以通过切换程序维持无线连接,但这并不一定保证应用层的服务连续性。例如,在CCAM场景中,车辆可能将感知数据卸载到运行在附近边缘节点上的服务实例。当车辆移动并连接到另一个gNodeB(gNB)时,无线连接可能成功维持,但MEC服务可能仍然锚定在之前的边缘节点上。这种不匹配可能会增加时延,迫使流量通过次优路径传输,从而减少MEC的优势,并可能损害安全关键操作。这造成了跨域编排的鸿沟:接入网络管理移动性,而边缘平台管理服务放置,但这些决策在本质上并非协调的。
尽管最近的研究探索了集成的5G-边缘架构和主动服务迁移,但大多数提出的编排和迁移策略仍然通过模拟或仿真进行评估,而非在真实世界的5G-边缘测试平台上部署于实际运行的网络中进行验证[6]。只有少数研究工作脱颖而出,在5G-边缘测试平台上使用真实应用验证实时服务迁移[7]。例如,文献[8]的工作提出了一种5G之后网络-边缘系统集成方案,基于最终用户的固定轨迹预留资源和服务,然而其评估仍然依赖于仿真RAN。类似地,诸如[7]等研究虽然对真实组件进行了部分验证,但在系统的关键部分仍保留仿真,缺乏端到端系统及其在真实环境中的结果。因此,仍然存在一个空白,即缺乏一个在无线、核心和边缘域上运行并已在真实移动场景中证明有效的整体性、主动编排解决方案。解决这一空白需要将移动性管理和服务放置视为一个单一的跨域控制问题,而非独立的网络和计算过程。合适的编排层必须持续观察UE、RAN、5GC和边缘域,解读由UE移动性导致的无线性能下降、小区拥塞和边缘节点资源可用性,并将此视角转化为协调的行动。
由于本工作旨在验证在真实5G之后网络-边缘环境中跨域编排的可行性,服务连续性机制围绕主动无状态复制而非有状态服务迁移进行设计。目标不是评估通用的应用状态迁移,而是展示所提出的编排循环可以在车辆移动性、无线条件和边缘资源可用性变化的情况下保持处理端点可用。先前的工作也表明,对于无状态边缘应用,预置副本与被动迁移机制相比可以减少迁移时间[9]。此外,为有状态应用设计架构需要实现状态同步机制或完整应用的实时迁移,这显著增加了整体架构的复杂性[10]。为了避免引入显著的额外复杂性,本次验证优先考虑无状态应用的服务可用性和连续性,而有状态服务迁移和一致性管理的支持不在当前评估范围内。
在识别了所有这些空白之后,本文将探讨由UE、RAN和边缘遥测驱动的跨域5G-边缘编排是否能够在移动和资源压力条件下保持CCAM服务连续性。潜在假设是,与静态服务放置或不联合考虑无线、移动性和边缘资源条件的编排策略相比,主动无状态服务复制、流量引导、资源修剪和gNB间切换协调能够减少服务中断。
为了评估这一假设,本文做出以下贡献。首先,提出了一种跨域遥测架构,收集、标准化和聚合来自UE、RAN和边缘节点的实时信息,形成可供编排使用的指标。其次,引入了一种感知移动性和资源的MEC编排逻辑,协调服务复制、流量引导、冗余副本修剪和gNB间切换操作,以维持服务连续性。第三,将CCAM协同感知卸载管道集成为验证工作负载,使得编排机制能够在时延敏感的车辆用例下进行评估。第四,在真实5G之后网络-边缘测试平台上验证了所提出的架构,该平台包含一辆作为UE的联网自动驾驶车辆、两个gNB和两个边缘节点,展示了系统在真实移动模式和人为诱发的边缘资源压力下的行为。结果表明,该系统有效地将边缘节点之间的随机存取存储器(RAM)不平衡减少了约10个百分点,避免了服务质量下降。它还提高了平均输入和输出每秒帧数(FPS)15%,减少了目标检测管道停顿事件87%,并通过防止接收信号强度指示(RSSI)降至临界阈值以下来维持信号质量,改善了高达30 dBm。
与先前的工作相比,本文更进一步,从基于轨迹的服务复制转变为闭环UE、RAN和边缘遥测,使基于当前基础设施状态和UE移动性的动态服务放置、流量重定向、切换协调和资源释放成为可能,接近真实环境,因为无线条件不像仿真值那样可预测。
本文其余部分组织如下。第2节回顾了MEC、5G以及下一代移动网络中类似的智能服务编排技术的最新进展,强调了当前主动式跨域方法的局限性。第3节介绍了提出的5G之后网络与边缘计算集成的基础设施架构,详细阐述了本工作采用的多域可观测性和编排设计原则及相应的实现细节。第4节介绍了用于验证系统的目标用例和CCAM应用架构,第5节展示并讨论了真实5G之后网络-MEC测试平台上的编排行为和性能结果。最后,第6节对论文进行总结并概述了未来研究方向。
**各章节内容概要**
**背景概念和相关工作**
本节通过首先检查5G和MEC的关键架构组件,重点放在虚拟化和控制面与用户面分离(CUPS)上,来建立技术基础和研究背景。然后分析时延敏感型应用的移动性管理挑战,使用CCAM来突出服务连续性在移动过程中的固有局限性和挑战。最后,对相关文献进行综述,以将本工作定位在……
**5G之后网络-边缘架构与编排设计**
CCAM应用越来越依赖于将计算密集的感知任务卸载到附近具备能力的边缘基础设施,以在严格的时间间隔内处理数据。此外,移动车辆在此环境中体验到的端到端服务质量不仅取决于无线连接性,还取决于其他因素,如边缘基础设施、副本实例化位置相对于车辆当前位置的距离,以及节点负载。虽然5G具备维持……
**CCAM协同感知管道**
为了验证所提出的架构并评估编排机制及其在5G之后边缘环境中跨域协调动作的局限性,考虑了CCAM用例,因其严格的处理和时延要求。在用例设计期间,定义了系统必须:在边缘维持高吞吐量工作负载;在UE跨越RAN覆盖区域移动时保持服务连续性;并根据随时间变化的……调整编排决策。
**实验评估与讨论**
为了在CCAM下验证所提出的5G-边缘架构,在5G之后网络-边缘测试平台上进行了端到端实验场景,其中自动驾驶车辆将实时摄像头视频流卸载到托管在边缘节点上的目标检测服务上(用于协同感知)。该评估旨在测试系统在应对无线变化、边缘资源管理和UE移动性下的服务放置方面的表现,以量化系统的跨域决策如何保持……
**结论与未来工作**
本工作提出并实验验证了一种感知移动性的5G之后网络-边缘架构,旨在为CCAM应用保持服务连续性。认识到地理上固定的边缘基础设施与持续车辆移动之间的固有冲突,所引入的框架通过多域遥测驱动的闭环控制平面弥补了运营编排的鸿沟。通过持续综合来自UE、RAN和边缘的实时指标……
**CRediT作者贡献声明**
Tiago Mostardinha:写作—审阅与编辑,写作—初稿撰写,软件,方法论,研究调查,形式化分析,数据管理,概念化。
Jo?o Gameiro:写作—审阅与编辑,写作—初稿撰写,验证,方法论,形式化分析,数据管理,概念化。
Pedro Valente:写作—审阅与编辑,可视化,验证,方法论,概念化。
Pedro Rito:写作—审阅与编辑,监督指导,资源获取,项目管理,……
**利益冲突声明**
作者声明他们没有已知的竞争性经济利益或个人关系,这些利益或关系可能影响本文所报告的工作。
**致谢**
本工作得到欧洲区域发展基金(FEDER)的支持,通过葡萄牙2030框架下的创新和数字化转型计划(COMPETE 2030)[项目ALBATROZ,编号17775(COMPETE2030-FEDER-01335900)],以及通过欧盟/欧盟下一轮资金计划的复苏与韧性计划(PRR)项目编号15:AM2R(C644866475-00000012)的支持。
Tiago Mostardinha | Jo?o Gameiro | Pedro Valente | Pedro Rito | Duarte Raposo | Susana Sargento
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号