【边缘计算实战】P1：从零搭建边云任务卸载仿真实验台（Python 可复现）

适合人群 ：研0 / 本科毕设 / 想入门 Computation Offloading 的同学

系列说明 ：巡检机器人场景下的边云协同（P1 仿真 → P2 运行时 → P3 在线 → P4 运维诊断）

代码仓库 ：https://gitee.com/ghaweiuptgb/edge-computing

本篇对应目录 ：projects/p01-offloading-lab

一、写在前面

边缘计算里有个非常经典的问题：计算卸载（Computation Offloading）------一个推理/检测任务，到底放在本地边缘算，还是卸载到云端算？

很多文章停留在公式推导，缺少「能跑、能对比、能复现」的小实验台。本篇带你用 纯 Python 搭一个最小但完整的卸载仿真实验台，并产出可写进组会 PPT 的对比图。

本篇你将得到：

清晰的时延代价模型
4 种可插拔策略（含基线）
固定随机种子、≥1000 任务的可复现实验
一张能说明「无脑策略会翻车」的结果图

二、问题场景（巡检机器人）

想象复杂环境下的巡检机器人：摄像头持续产生「缺陷检测」类感知任务。

边缘节点：离机器人近，RTT 小，但算力有限，容易排队
云端：算力强，但弱网时传输代价陡增

目标不是做一个「万能调度器」，而是先证明：

在弱网 / 过载工况下，合理策略显著优于 Always-Local / Always-Cloud。

三、时延代价模型

端到端时延拆成四项（代码与文档一致）：

T = T_{tx} + T_{queue} + T_{compute} + T_{base}

符号	含义	直觉
(T_{tx})	传输	图大、带宽小、上云 RTT 大时变差
(T_{queue})	排队	边侧过载时变差
(T_{compute})	计算	复杂度高、核少时变差
(T_{base})	固有开销	云端通常更大

成功判定：(T \le deadline) 则成功，否则超时。

四、四种策略

策略	行为	典型翻车场景
`always_local`	固定走本地边缘	边侧过载
`always_cloud`	固定上云	弱网
`threshold`	队列/时延超阈值才上云	阈值极端时退化
`greedy_min_latency`	选估计时延最小的节点	估计不准时（研一再改进）

研究里一定要有「傻基线」。没有 AlwaysLocal/AlwaysCloud，你的改进看不出价值。

五、环境与快速跑通

bash 复制代码

git clone https://gitee.com/ghaweiuptgb/edge-computing.git
cd edge-computing/projects/p01-offloading-lab
pip install -r requirements.txt

# 单元测试
python -m pytest tests/ -v

# 跑实验（1000 任务，种子 42）
python scripts/run_experiments.py --seed 42 --n-tasks 1000

# 总验收
python scripts/accept_p1.py

结果输出在：

text 复制代码

experiments/results/
  summary.md
  summary.csv
  timeout_normal.png
  timeout_weak_net.png
  timeout_edge_overload.png
  latency_*.png

六、关键代码结构

text 复制代码

p01-offloading-lab/
├── src/
│   ├── models.py          # 任务/节点/网络/工况
│   ├── cost.py            # 时延分解
│   ├── policies/          # 四种策略
│   ├── simulator/         # 工作负载 + 仿真引擎
│   └── eval/              # 汇总与出图
├── scripts/run_experiments.py
└── docs/教学手册.md

策略统一接口（示意）：

python 复制代码

class OffloadingPolicy(ABC):
    def select(self, task, nodes, network) -> ComputeNode:
        ...

这样实验脚本可以对 同一批任务 切换策略，保证对比公平。

七、一组可复现实验结果（seed=42, n=1000）

工况	现象（摘要）
normal	greedy / threshold 成功率可达 100%；两基线因单点拥塞很差
weak_net	always_cloud 超时率显著高于 greedy
edge_overload	always_local 进一步变差；智能策略仍稳

组会口述三句话：

无脑策略会把单一节点队列打满。
弱网主要惩罚云端传输项。
用代价模型做决策，能明显降低超时。

八、常见问题

Q1：仿真和真实系统差很多怎么办？

A：研0 先保证可讲解、可复现。下一篇 P3 会把策略接到真实 HTTP 推理服务，并对比 online vs sim。

Q2：为什么不上强化学习？

A：中等难度路线优先把建模与评测做扎实；RL 留研一。

Q3：和导师的视觉组怎么衔接？

A：视觉组出模型，你出「何时何地跑模型」的决策与评测。

九、小结与下期预告

P1 解决的是：纸面上把卸载问题跑通并出图。

下一篇 【P2】巡检边缘运行时 ：用 Docker Compose 拉起真正的 edge/cloud 服务，提供 /infer、注册与心跳------把「节点」从对象变成可调用的微服务。

标签建议 ：边缘计算 计算卸载 Python 仿真 研究生 可复现实验

系列导航：P1（本篇） → P2 运行时 → P3 在线卸载 → P4 可观测诊断