【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

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：

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

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）：

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：

1. 无脑策略会把单一节点队列打满。
2. 弱网主要惩罚云端传输项。
3. 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