0 引　言

水面无人艇（Unmanned Surface Vessel，USV）具有成本低、鲁棒性强和智能化程度高等特点，已经被广泛应用在海洋资源勘探、海洋空间探测、海岸监测^[1]、海洋灾害搜救、海上巡逻和现代海上作战等领域^[2]。随着物联网技术在舰船领域的应用^[3]，USV比以往搭载了更多的传感器（如声呐、各种成像系统、海洋数据采集传感器和武器载荷等）和通讯设备（如多模态卫星通讯设备、航迹动态监测设备等）。大量的舰载传感器产生海量传感数据，特别是船舶航行异常检测应用的实时数据，对USV通信网络的实时数据分发能力提出了新的挑战。

近年来，USV逐渐成为国内外舰船领域的一个研究热点。USV通信网络作为海洋通信网络的一个子分支，采用全球海上遇险与安全系统（Global Maritime Distress and Safety System，GMDS）^[1]可以为USV提供数据传输速率为9.6 kB/s的通信链路。GMDS是唯一一种当前大规模商用的USV通信网络。为了提高进一步提高USV通信的数据传输速率，文献[2]结合蜂窝技术和短波无线电技术，提出一种海事宽带系统（Fleet Broadband System，FBS），将数据传输速率提高到432 kB/s。随着物联网的引入和船联网的搭建，单纯提高数据传输速率已经无法保证海量传感器条件下的USV通信数据分发性能，更无法保证网络实时性。为了应对高采样率和高数据编码率的海量传感器数据，Rabab等人于2017年提出一种舰船Ad-hoc网络，提供高速海洋传感数据采集和实时制图能力^[3]。对于USV通信网络实时性的优化，现有的方法主要采用提升单条数据链路传输速率^{[1 – 2]}或者通过自组织网络降低主干链路网络通塞^[3]等方式。

当前，对于现有大部分USV上层应用来说，仍采用USV分布式传感数据上传和云端集中式数据计算的模式。这种数据分发模式容易受到USV增加造成的基站通信瓶颈。因此，本文提出一种基于边缘计算的USV通信网络数据分发机制（Communication Data Delivery Mechanism，CDDM）。该方法使用边缘计算技术，减少海量传感数据对接入蜂窝网络或者卫星通信网络的通信瓶颈，传感数据本地计算，不再上传云端。

1 无人艇边缘计算框架

USV边缘计算架构可以为USV通信网络提供实时计算和高数据速率传输能力。本文设计了一种USV边缘计算架构，如图1所示。该架构USV、移动边缘计算阵列、回程网络和云服务器组成。在USV边缘计算架构中，支撑USV各种应用的复杂计算模型运行在边缘服务器中，而不是运行在远端云服务器中。

2 基于边缘计算的通信数据分发机制

本章节主要包括3个部分。首先，对本文提出的CDDM进行概述，具体阐述了CDDM的数据交互方式，计算模型部署和CDDM计算流程等。其次，采用数据压缩率建立面向边缘计算的最优数据分发模型，实现数据分发最优化。再次，建立数据压缩率与数据压缩步长阈值映射。最后，提出一种USV动态平均数据压缩方法。

2.1 USV通信数据分发机制概述

CCDM由主要3个部分构成（见图2），分别为数据分发（序号1）、数据压缩率匹配（序号2）和数据压缩（序号3）。USV运行3项功能，传感器数据采集、数据编码匹配和数据压缩；边缘服务器运行数据分发和具体的模型计算；云端服务只进行模型计算结果的分析和同步，以便其他客户端和用户调用。

2.2 基于边缘计算的数据分发方法

根据文献[4]，数据压缩率的高低可以直接决定模型准确率性能，并且呈现正相关特性。因此，本文通过最大化USV通信网络整体数据压缩率，来建立最优数据分发公式。这样既可以最优化数据分发，也可以保证模型计算精度。数据分发方法包含基站匹配、服务器分组和优化分发等3个子程序。

1）基站匹配。该部分功能实现USV数量与基站接入USV数量的关系匹配，对每个基站连接USV数量和规则进行定义和设计。

设 ${\sigma ^{USV}}\left(\forall {\sigma ^{USV}} \in N*\right)$ 表示网络范围内的USV数量， $\varepsilon _n^{EDGE}\left(\forall \varepsilon _n^{EDGE} \in N*\right)$ 表示每个基站可以连接的边缘计算服务器数量。在本文的边缘计算架构中，USV与边缘服务器数量需要满足如下限定条件：

${\sigma ^{USV}} \leqslant \varepsilon _n^{EDGE} \leqslant \varepsilon _{MAX}^{EDGE},n = 0,1,2,\cdots,N\text{，}$

(1)

其中， $\varepsilon _{MAX}^{EDGE}$ 表示基站连接边缘服务器数量上限。 $\varepsilon _n^{EDGE}$ 表示第 $n$ 个基站的连接边缘服务器数量，如 $\varepsilon _1^{EDGE}$ 表示基站B₁的服务器数量。注意， $\varepsilon _0^{EDGE}$ 表示卫星基站连接服务器数量。

USV与基站匹配规则：首先，USV的网络通信范围内所有基站构建一个通信集合。在通信集合中，USV随机选择一个基站，发送建立链路请求消息。这个消息包括USV编号和数据传输速率等标识信息。然后，基站按照收到USV消息先后建立USV通信队列。在通信队列中，满足式（1）的USV，基站反馈应答消息，包含确认连接和基站编号等；不满足式（1）的USV，基站反馈不建立连接和基站编号的应答消息。再次，未建立连接的USV，将拒绝的基站编号剔除出通信集合，随机选择下一个基站发送请求连接。重复上述步骤，直到所有USV和基站关系都满足式（1），并且每个USV均与一个基站构建通信链路。

2）服务器分组。为了提高每个基站的边缘服务器利用率，本文将每个基站连接的边缘服务器划分不同计算能力分组，用来提供差异有化硬件计算基础。这种分组可以让不同数据传数据率和数据压缩率的USV数据得到当前网络条件下的最优数据分发。

设 $G = \{ G(1),G(2),\cdots,G(m)\} $ 为每个基站边缘服务器分组集合，共分为 $m$ 组。 $v \in \left( {1,2,\cdots,{\sigma ^{USV}}} \right)$ 为每个基站实际接入USV数量， $g(m)$ 为每个分组的边缘服务器数量， $g(m)$ 按照式（2）计算每组边缘服务器数量，式（2）如下：

$g(m) = \left\{ {\begin{array}{*{20}{c}} {\forall \Gamma } \\ {\varepsilon _n^{EDGE} - \displaystyle\sum\limits_{m = 1}^{v - 1} {g(m)} } \end{array}\begin{array}{*{20}{c}} {,{{m < }}v}\text{，} \\ {,{{m = }}v} \text{。} \end{array}} \right.$

(2)

其中， $\Gamma = \left\{ {1,2,\cdots,\left[\dfrac{{\varepsilon _n^{EDGE}}}{v}\right]} \right\}$ 为备选数据集； $\left[\dfrac{{\varepsilon _n^{EDGE}}}{v}\right]$ 备选数据集上限，表示 $\dfrac{{\varepsilon _n^{EDGE}}}{v}$ 取整。

下面我们给出一个例子，用于说明边缘服务器分组。设 $v = 3$ ， $\varepsilon _1^{EDGE} = 8$ ， $\varepsilon _{MAX}^{EDGE} = 8$ 则 $\left[\dfrac{{\varepsilon _1^{EDGE}}}{v}\right] = 2$ ，那么备选数据集为 $\Gamma = \left\{ {1,2} \right\}$ 。当 $G(1)$ 组的边缘服务器数量取值 $g(1) = 1$ ， $G(2)$ 组的边缘服务器数量取值为 $g(2) = 2$ ，则 $G(2)$ 组的边缘服务器数量为 $g(3) = 8 - $ $ (g(1) + g(2)) = 8 - 3 = 5$ 。其他取值方法类似。

3）优化分发。

在本文中，边缘计算的数据分发问题，可以转化为一个整型非线性规划问题，也是一个NP难点问题。该子程序通过最大化数据压缩率来确定优化分发，数据压缩率构建USV通信数据分发最优化问题可以表示为：

$ \Upsilon {\rm{ }}\max f(\tau ) = \frac{1}{v}\sum\limits_{i = 1}^1 {{\tau _i}} \text{。} $

(3)

其中： ${\tau _i}$ 为第 $i$ 个USV的数据压缩率； $v$ 为接入当前基站的USV数量。

当最优化 $\Upsilon $ 时，USV通信网络数据分发效率实时性最好。为了求解式（3），本文给出了求解的几个限制条件，限制条件给最优压缩率求解、数据分发最优化提供了求解条件，分别如下：

${t_i} = t_i^q + t_i^p = \sum\limits_{a = 1}^i {\sum\limits_{m = 1}^v {\frac{{{{H}_{a,m}} \bullet {\tau _a} \bullet Z}}{{C_{tr}^m}}} } + \sum\limits_{m = 1}^v {\frac{{{{H}_{a,m}} \bullet {\tau _i} \bullet Z}}{{C_{ct}^m}}} \text{，}$

(4)

$C_{tr}^m = \max \left\{ C_{tr}^{m1},C_{tr}^{m2},C_{tr}^{m3},\cdots,C_{tr}^{mb}\right\}\text{。} $

(5)

$C_{ct}^m = \max \left\{ C_{ct}^{m1},C_{ct}^{m2},C_{ct}^{m3},\cdots,C_{ct}^{mb}\right\} \text{，}$

(6)

$v \leqslant {\sigma ^{USV}},{\sigma ^{USV}} = 1,2,\cdots,N\text{，}$

(7)

$T = \max \{ {t_i}\left| {i \in v} \right.\} \leqslant K\text{，}$

(8)

${H_{a,b}} = \left\{ {\begin{array}{*{20}{c}} 1\text{，} \\ 0 \text{，} \end{array}\begin{array}{*{20}{c}} {a = b} \text{，}\\ {a \ne b\text{。}} \end{array}} \right.$

(9)

其中，式（4）中， ${t_i}$ 表示第 $i$ 个USV数据的完成时间，由前一个数据的传输时间 $t_i^q$ 和当前数据的计算时间 $t_i^p$ 组成； $Z$ 为数据大小，每个USV每次发送的数据大小相同，单位MB；式（5）和式（6）中， $C_{tr}^m$ 和 $C_{ct}^m$ 分别每个分组的数据传输速率（MB/s）和数据处理速率（MB/s）。 $C_{tr}^{mb}$ 和 $C_{ct}^{mb}$ 为每组中第 $b$ 个边缘服务器的传输速率和计算速率。

式（8）中K为每个数据的截止时间。对于式（9）来说， ${H_{a,m}}$ 为匹配矩阵，当第 $a$ 个USV的数据被分配到第 $m$ 组边缘服务器组上时， ${H_{a,m}} = 1$ ；否则， ${H_{a,m}}$ 被赋值为0。

为了求解 $\varUpsilon $ ，设每个USV的初始数据压缩率均相等，即 ${\tau _1} = {\tau _2} = {\tau _3} = \cdots = {\tau _i} = \beta $ 。采用同一计算模型完成计算任务，则对于每个边缘服务器来说， $C_{ct}^{mb}$ 是一个确定的值。但是，由于计算能力的不同，每个 $C_{ct}^{mb}$ 不一定相等。

本文采用贪婪算法对 $\Upsilon $ 进行求解。贪婪算法具体求解步骤如下：

步骤1　根据式（4），计算每个USV数据的完成时间 ${t_i}$ 。

步骤2　如所有的 ${t_i}$ ，均满足式（8）的条件，则根据当前数据分发方案，计算当前所有USV的数据压缩率之和。随后，重新调整分配方案，重新计算 $f(\tau )$ 的结果。直到计算完所有数据分发方案，比较所有分发方案下的 $f(\tau )$ ，则最大的 $f(\tau )$ 那组分发方案对应的数据压缩率为最优编码率，同时，这组分发方案为最优分发。

步骤3　如果有USV的完成时间不满足式（8），则降低该USV的数据压缩率，即 $\beta - 0.5$ 。然后重新计算步骤2，直到所有 ${t_i}$ 满足式（8）。

步骤4　根据步骤1-步骤3，得到每个USV的最优数据压缩率 ${\tau _i}^*$ 和最优数据分发矩阵 ${{ H}_{a,m}}^*$ 。

2.3 USV数据压缩率匹配

通常，数据压缩率是由压缩算法和压缩标准设定，无法进行自定义更改。但是，文献[5]指出，采用算术编码作为核心压缩方法时，通过改变被压缩数据步长，可以更改算术编码的间隔分布概率，从而更改压缩率。基于这个原因，本文设计了最优数据压缩率和压缩步长的阈值映射关系，通过改变步长适应不同的数据压缩率。

经过多次仿真实验，我们得到如下阈值映射规则。当 ${\tau _i}^* \in \left( {0 - 0.2} \right]$ 时， ${W_i} = 2$ ；当 ${\tau _i}^* \in \left[ {0.3 - 0.5} \right]$ 时， ${W_i} = 4$ ；当 ${\tau _i}^* \in \left[ {0.6 - 0.8} \right]$ 时， ${W_i} = 6$ ；当 ${\tau _i}^* \in [0.9 - 1.0)$ 时， ${W_i} = 10$ 。USV数据压缩匹配是为了实现2.3节的最优数据压缩率与数据压缩步长的阈值映射关系。通过这个映射关系，最优数据分发条件下的数据压缩率可以动态调整实际数据压缩率。

2.4 USV动态平均数据压缩

本文提出一种基于海洋数据压缩算法（Marine Data Compression Algorithm，MDCA）的USV动态平均数据压缩方法（Dynamic Average Data Compression，DADC）。在该算法中，每 $\eta $ 个数据为一个数据分割，每个分割数据的第1个数据作为该分割的先验参考数据。USV动态平均数据压缩方法如下：

步骤1　剩余平均数（Rest Average，RA）计算。设 $R{A_{i,\kappa }}$ 表示第 $i$ 个USV数据的第 $\kappa $ 个分割中除了第1个参考数据之外所有数据的平均值，公式如下：

$R{A_{i,\kappa }} = \sum\limits_{j = 1}^\eta {\frac{{{X_{\kappa ,t + j}}}}{{{W_i}}}} ,t = 1,2,\cdots,\eta ,j = 1,2,\cdots,\eta - 1\text{，}$

(10)

其中， ${X_{\kappa ,t + j}}$ 为第 $\kappa $ 个分割中的第 $t + j$ 个数据。 ${W_i}$ 第 $i$ 个USV的数据压缩步长。

步骤2　偏差（Deviation，D）计算。设 ${D_{i,\kappa }}$ 表示每个分割中先验参考数据的偏差，用式（11）表示，如下：

${D_{i,\kappa }} = {X_{\kappa ,1}} - R{A_{i,\kappa }}\text{。}$

(11)

其中， ${X_{\kappa ,1}}$ 为每个分割中的第1个数据，也是先验参考数据。至此，每 $\eta $ 个数据被压缩为 $R{A_{i,\kappa }}$ 和 ${D_{i,\kappa }}$ 两个数据。

步骤3　将 $R{A_{i,\kappa }}$ 和 ${D_{i,\kappa }}$ 采用算术编码方式进行编码，并传输到边缘节点。

3 实验结果与分析 3.1 实验参数设置

仿真场景：本文实现场景1和场景2两个仿真环境。场景1为本文第1节中设计的USV边缘计算架构。场景2作为对比的USV云计算架构。

仿真内容：为了对本文提出的数据分发机制进行有效和公正的评估，本文参考文献[7]实现一种基于多尺度卷积的USV异常航行检测模型。该模型采用USV中传感器计算的经度、纬度、对地速度和对地航向等4个数据作为特征向量，实现USV的异常行驶和正常行驶2种检测分类。

仿真实验参数设置如下：设置USV数量分别为200，400，600和800，基站数250（其中，包含350个移动基站和150个卫星基站）。每个基站可以同时接入2个USV。每个USV发送的数据大小 $Z = 15{\rm{MB}}$ ，每个USV的压缩速率初始值 ${\tau _1} = {\tau _2} = {\tau _3} = \cdots = {\tau _i} = 0.5$ 。在已知USV异常行驶检测模型和硬件资源的条件下，每个边缘服务器或者云服务器的计算率均可视为常数。边缘端和云端服务器硬件配置如表1所示。

3.2 评估参数与对比方法

本文采用平均分发延迟（Average Delivery Delay，ADD）和平均信息交付率（Average Information Delivery Rate，AIDR）作为评估参数。平均是指当前USV数量下每个USV发送2次数据包的对应评估参数的平均值。

本文提出的方法与当前2个先进的数据分发方法进行对比分析。在USV边缘架构下，本文实现了2种最新的USV数据分发方法，分别为基于数据重排的数据分发方法（Data Rearrangement-based Data Delivery，ARDD）^[8]和自适应实时数据分发机（Adaptive Real-time Data Distribution Mechanism，ARDDM）^[9]。ARDD按照当前网络性能高低进行数据重新排序，从而决定数据分发次序。ARDDM采用传感器预测模型实现语义感知通信降低原始数据量，提高数据分发实时性。

3.3 实验结果 3.3.1 USV边缘架构与云架构实时性对比

本文采用分发延迟对架构实时性进行量化。数据分发延迟是指USV向边缘端或者云端发送数据与USV从边缘端或者云端接收数据的时间差值。

如图3可以看出，本文提出的CCDM在边缘计算架构下的数据分发延迟（图3中用实心点表示的线条）远远小于云计算下的数据分发延迟（图3中用叉表示的线条）。当网络中USV接入数量小于500时，边缘计算和云计算数据分发延迟趋势基本一致。但是，当接入网络的USV数量超过500时，边缘计算的数据分发延迟逐渐提升，USV数量超500之后，数据分发延迟维持在一个区间波动，保持网络性能稳定。但是整体延迟较500之前有明显提升。因此，造成网络性能降低，延迟增加。

综上，本文提出的边缘架构下的CCDM可以显著降低USV通信数据分发延迟，相比云计算架构下的CCDM实时性更好，网络性能更稳定。

3.3.2 边缘架构下不同算法实时性对比分析

ADD是所有USV发送和接收两次数据包的数据分发延迟平均值。比如，当USV数量为200时，ADD为200个USV发送2个数据包，并获得计算结果的延迟平均值。

图4为本文提出的CDDM、ARDD^[15]和ARDDM^[16]等3种算法在不同USV接入数量条件下的ADD对比结果。从图4中可以直观地看出，在不同USV数量下，CDDM算法的ADD均低于30 ms，CDDM采用最优分配方式，会兼顾网络整体性能提升个体数据分发效率；在ARDD中，USV数量为200时，CDDM与ARDD的ADD相近，而USV数量为400-800时，ARDD的ADD逐渐增加。这是因为ARDD是以数据重排为基础，随着接入USV数量增加，待排序数据量增加，从而导致ADD随之增加。很明显，CDDM的ADD性能明显优于ARDD。对于ARDDM来说，ARDDM在200个USV接入的情况下，ADD超过了400个USV接入的情况。

综上，本文提出的CDDM的实时性，分别比ARDD和ARDDM提升了57.24%和70.49%。

3.3.3 USV边缘架构下不同数据分发算法信息交付率

为了更全面的评估算法的数据分发性能，本文采用AIDR来进一步衡量算法数据分发性能。AIDR被定义为，在传输周期内，当前网络中所有USV发送数据经过数据分发算法分配是否成功交付所分配的边缘服务器的成功交付的比例。

如表2所示，USV数量从200增加到800，CDDM的AIDR均保持在81.32%到83.26%之间，浮动误差为1.94%。而ARDD和ARDDM的浮动范围分别为68.21%到86.47%，54.27%到79.54%，对应浮动误差分别为18.26%和25.27%。由于CDDM采用全局优化策略，因此USV接入数量的改变不会对AIDR产生计算负担影响。对于ARDD和ARDDM来说，USV数量的增加对它们的计算负担增加，同时，局部最优无法有效抑制USV数量动态增加导致的无法收敛到最佳分配策略。因此，CDDM相比ARDD和ARDDM来说，具有更好的AIDR性能，并且分别提高了9.81%和27.75%。

4 结　语

1）本文设计了一种USV边缘计算架构，解决了海量USV与基站接入的问题。2）提出了基于边缘计算的USV通信数据分发机制，该机制构建USV最大编码率方程，采用贪婪算法，以数据传输速率、计算速率和截止时间等为限制条件，得到USV数据在边缘计算架构下的最优数据分发方案。3）在本文设计的边缘架构下，仿真实验结果表明，与ARDD和ARDDM算法相比，本文提出的CDDM的实时性分别提高了57.24%和70.49%，信息交付交付率提高了9.81%和27.75%。因此，本文提出的CDDM可以提高USV通信网络数据分发性能。相比于传统云计算方式相比，本文提出的USV通信数据分发机制具有实时性高的特点。