移動邊緣計算系統(tǒng)中的卸載和計算聯(lián)合優(yōu)化

李霆

摘要：該文研究了一個基于無線供能的移動邊緣計算系統(tǒng)。系統(tǒng)由一個集成了移動邊緣計算服務器的接入點和若干個移動設備組成。接入點采用射頻輻射信號的方式對移動設備進行無線供能，每個設備運用收集到的能量執(zhí)行計算任務。每個用戶設備可以將計算任務任意劃分為兩個獨立的部分，部分本地執(zhí)行，另一部分卸載至接入點由服務器執(zhí)行。最終對移動邊緣計算系統(tǒng)運作建立模型，通過聯(lián)合優(yōu)化接入點的能量傳輸功率和傳輸時間、用戶任務卸載時間、計算任務分割，最小化系統(tǒng)總能耗并與基準方案做比較。通過仿真驗證，提出的設計優(yōu)于其他基準方案。

關鍵詞：移動邊緣計算;無線能量傳輸;計算卸載;優(yōu)化

中圖分類號：TP3 ? ? ? ?文獻標識碼：A

文章編號：1009-3044（2020）25-0001-04

得益于信息通信技術的持續(xù)進步，涌現(xiàn)出了大量新興的智能物聯(lián)網(wǎng)應用，例如：遠程醫(yī)療、增強現(xiàn)實和自動駕駛等，這些應用需要眾多無線設備快速執(zhí)行低延時和高復雜度的計算任務。通常，無線設備尺寸較小，并且電池電力供應有限，因此，當前亟待解決的關鍵挑戰(zhàn)是如何增強這些設備的計算能力，并降低計算延遲。目前，云計算可提供豐富的計算資源和強大的計算算力，但是云端服務器與無線終端設備之間的物理距離較遠，并需要由接入網(wǎng)到核心網(wǎng)的多跳路由尋址傳輸，這使得云計算通常無法滿足無線設備運行部分新興應用的低延時需求。為此，移動邊緣計算技術應運而生。在移動邊緣計算中，通過在無線網(wǎng)絡邊緣（如接入點和基站）配置服務器，將計算資源部署在無線接入網(wǎng)側(cè)，降低無線設備與計算服務器的傳輸時間，可有效滿足低延時計算需求。由此可見，移動邊緣計算有效融合了無線通信網(wǎng)絡和移動計算技術，具有本地化、近距離、低時延、安全可靠等特點。

1系統(tǒng)模型

如圖1所示，我們考慮一個無線多用戶移動邊緣計算系統(tǒng)，該系統(tǒng)由一個具有[N]個天線的無線接入點（Access Point）和一組[Κ?{1，2，...K}]單天線用戶組成，其中接入點集成了邊緣計算服務器，可為移動用戶提供服務。在此系統(tǒng)中，接入點使用射頻（Radio Frequency，RF）信號為[K]個用戶進行能量傳輸。為了收集這種能量，每個用戶[i∈K]首先通過整流器將接收到的RF信號轉(zhuǎn)換為直流（DC）信號，然后將DC信號的能量存儲在其可充電電池中，如圖2所示。每個用戶利用所收集的能量，通過本地計算和卸載來執(zhí)行其計算任務。下行鏈路中的無線能量收集和上行鏈路中的信息傳輸（或卸載）可以使用雙工器在一個天線中的正交頻帶上同時執(zhí)行。

假設該模型基于一個獨立的時間塊，把這個獨立時間塊設定為[T]，無線信道在此時間塊期間保持不變。本文采用無干擾的時分多址（Time division multiple access，TDMA）協(xié)議，與接入點建立通信連接，利用接入點集成的移動計算服務器的豐富計算資源幫助本地設備運行計算任務。在[τ ]時隙中，接入點通過無線能量傳輸向所有用戶傳輸能量。在前[K]個時隙中，[K]個用戶將其計算位卸載到接入點。并且所有用戶必須在一個塊內(nèi)完成任務執(zhí)行，執(zhí)行時間不能超過塊長度[T]。為了簡化分析過程并更好地捕獲接入點的傳輸能量以進行計算分流，我們假設接入點完全了解[K]個用戶的信道狀態(tài)信息（Channel State Information，CSI）和[K]個用戶的計算要求。根據(jù)這樣的信息，接入點為[K]個用戶協(xié)調(diào)下行鏈路無線能量傳輸，計算分流和本地計算。當接入點處的信道狀態(tài)信息不完美時（例如，受某些信道狀態(tài)信息估計誤差的影響），無線能量傳輸和移動邊緣計算性能可能會下降。

如圖3所示，所有用戶依照時分多址協(xié)議與接入點建立通信連接，確立本地設備計算任務卸載順序規(guī)則，利用所述任務卸載順序規(guī)則依次將各個用戶的計算任務經(jīng)無線鏈路卸載至接入點。圖中[τ]為無線能量傳輸時間，[t1]為第一時隙，[t2]為第二時隙，依次類推，[tK]為第[K]時隙，[t2K]為第[2K]時隙。對于每個用戶[i]，將計算任務[Ri≥0]（單位：bit）劃分為[li≥0]（單位：bit）和[qi≥0]（單位：bit）兩部分，分別由用戶本地計算，及卸載到接入點處由集成的移動邊緣計算服務器進行計算，這里有[Ri=li+qi]。所有用戶的本地計算在時間塊[T]內(nèi)完成，所有任務的卸載、計算及結果接收都在時間[T-τ]內(nèi)完成。

在具體的實際應用中，由于接入點擁有足夠大的功率上限，其集成的移動計算服務器擁有足夠大的計算容量，并且計算結果的比特數(shù)通常遠小于輸入數(shù)據(jù)的比特數(shù)。因此，假設本地設備下載計算結果過程占用極少的時隙，可近似于零;接入點發(fā)送計算結果和本地設備接收計算結果的能耗可忽略不計。

3數(shù)值仿真實驗

在這一節(jié)中將提供數(shù)值結果，與以下三個基準方案進行比較，評估采用聯(lián)合優(yōu)化無線能量傳輸、卸載和計算的設計方案的性能。

（1）僅本地計算：每個用戶[i∈Κ]僅通過本地計算完成其計算任務。該方案對應于通過設置[li=0]，[?i∈K]來求解問題（8）。

（2）僅計算卸載：每個用戶[i∈Κ]通過將計算位完全卸載到接入點來完成其計算任務。該方案通過設置[fi，n=0]以及[li=Ri]，[?i∈K]來解決問題（8）。

（3）平均任務分配：每個用戶[i∈Κ]通過將一半計算任務卸載至接入點出進行計算，一半任務進行本地計算。該方案對應于通過設置[li=Ri2]，[?i∈K]來求解問題（8）。

此仿真中，天線個數(shù)[N=4]，用戶的數(shù)量設置為[K=3]。用戶[i∈K]的能量收集效率設置為[η=0.6]，電容系數(shù)設置為[κi=10-28]，計算每比特所需的CPU周期為[Ci=103]，接入點接收處的噪聲功率[σ2=10-9]W。所有信道統(tǒng)一設定為符合瑞利分布的衰落信道，平均功率增益為[hi2=θd-3ihi2]，[gi2=θd-3igi2]，[i∈K]。其中[hi]和[gi]為圓對稱復高斯隨機向量，其每個元素的實部和虛部為獨立同分布的高斯隨機變量，元素模值符合瑞利分布。[θ=10-3]是參考距離為1m時的信道增益，[di]表示用戶[i]到接入點處的距離，路徑損耗指數(shù)設定為3。算法參數(shù)設置為[ε=10-2]，[M=50]。信道向量通過200次隨機生成取平均數(shù)值得到數(shù)值結果。

圖4為第一組仿真結果，描述了接入點的能量消耗與時間塊長度的關系。在此次仿真中，用戶與接入點之間的通信頻譜帶寬設置為[B=2 MHz]。用戶[i]到接入點的距離統(tǒng)一設置為[di=6m，?i∈K]。所有用戶的計算任務比特數(shù)統(tǒng)一設置為相同數(shù)目，即[Ri=10k]bits，[?i∈K]。從圖4可以看出，四種方案的系統(tǒng)能耗均隨時間塊長度的增大而降低，在低延遲條件下下降明顯，在[T≥0.05s]時趨于平緩。同時可以看出本文提出的移動邊緣計算優(yōu)化方案的能量效率優(yōu)于另外三組對照組，在低延遲要求下優(yōu)化效果更出色。

圖5為第二組仿真結果，描述了接入點的能量消耗與計算任務量的關系。在此仿真中，用戶與接入點之間的通信頻譜帶寬設置為[B=2 MHz]。用戶[i]到接入點的距離統(tǒng)一設置為[di=6m，?i∈K]。時間塊長度設置為[T=0.5]s。從圖5可以看出，四種方案的系統(tǒng)能耗均隨著用戶計算任務量的增大而增大。同時可以看出本文提出的移動邊緣計算優(yōu)化方案的能量效率優(yōu)于另外三組對照組，在高計算任務量要求下優(yōu)化效果更出色。同時圖3-5表明在高計算量情況下完全計算卸載是比本地計算更好的選擇。

圖6為第三組仿真結果，描述了接入點平均能耗與用戶接入點距離的關系。在此仿真中，用戶與接入點之間的通信頻譜帶寬設置為[B=2 MHz]，所有用戶的計算任務比特數(shù)統(tǒng)一設置為相同數(shù)目[Ri=10k]bits，[?i∈K]，時間塊長度設置為[T=0.5]s。從圖6可以看出，四種方案的系統(tǒng)能耗均隨著用戶與接入點距離的增大而增大。同時可以看出本文提出的移動邊緣計算優(yōu)化方案的能量效率優(yōu)于另外三組對照組，在用戶與接入點距離較遠時設計的方案效果逐漸接近完全卸載的效果，說明在遠距離通信情況下，計算任務卸載的能量效益優(yōu)于完全本地計算。

圖7為第三組仿真結果，描述了接入點平均能耗與頻譜帶寬的關系。在此仿真中，用戶與接入點之間的距離設置為[di=6]m。所有用戶的計算任務比特數(shù)統(tǒng)一設置為相同數(shù)目，即[Ri=10k]bits，[?i∈K]，時間塊長度設置為[T=0.5]s。從圖7可以看出，四種方案的系統(tǒng)能耗均隨著頻譜帶寬的增大而減小。同時可以看出本文提出的移動邊緣計算優(yōu)化方案的能量效率優(yōu)于另外三組對照組，計算卸載的能耗在高帶寬時優(yōu)于本地計算的能耗。這表明較大的頻譜帶寬值不僅意味著較高的卸載速率，而且還有助于節(jié)省計算卸載中的能耗。

4 結束語

本文介紹了一種無線能量驅(qū)動的移動邊緣計算卸載方法，利用無線網(wǎng)絡中存在的集成移動邊緣計算服務器的無線接入點為本地設備提供能量傳輸和計算服務。該集成移動邊緣計算服務器的多天線接入點具有計算資源和通信資源，若干本地設備根據(jù)預定規(guī)則在周圍搜尋一個可用的帶有移動邊緣計算服務器的接入點，從接入點接收能量后，首先將計算任務分為兩部分，一部分由本地計算完成，另一部分卸載至接入點完成。接著建立了一個聯(lián)合優(yōu)化接入點的能量傳輸功率和傳輸時間、用戶任務卸載時間、計算任務分割，最小化系統(tǒng)總能耗的數(shù)學模型，并與運用獨特的交替優(yōu)化算法求解。最后結合實際選取參數(shù)進行數(shù)值仿真實驗，并與三種基礎方案進行比較，驗證方案效果。數(shù)值計算結果表明，所提出的基于無線供能的移動邊緣計算卸載方法比基準方案有顯著的性能增益。希望本設計能為未來整合無線通信、計算及電力的物聯(lián)網(wǎng)系統(tǒng)提供一種新的可行方法，以有效提升無線設備的能量效率。

參考文獻：

[1] Patel M. Mobile-edge computingIntroductory technical white paper.White Paper， Mobile-Edge Computing （MEC） Industry Initiative， 2014.

[2] Mao Y， You C， Zhang J， et al.A Survey on Mobile Edge Computing： The Communication Perspective[J]. IEEE Communications Surveys & Tutorials， 2017，19（4）：2322-2358.

[3] Mao Y， You C， Zhang J，et al.A Survey on Mobile Edge Computing： The Communication Perspective[J]. IEEE Communications Surveys & Tutorials， 2017， 19（4）：2322-2358.

[4] BASTUGE，BENNISM，DEBBAH M.Living on the edge：the role of proactive caching in 5G wireless networks[J]. IEEE Communications Magazine，2014，52（8）：82-89.

[5] Xu J， Zhang R. Energy beamforming with one-bit feedback[J]. IEEE Trans. Signal Process.， 2014，62（20）：5370-5381.

[6] Wang Y， Sheng M，Wang X，et al.Mobile edge computing： Partial computation offloading using dynamic voltage scaling[J]. IEEE Trans. Commun.， 2016，64（10）：4268-4282.

[7] Murray，Jacob. Dynamic Voltage and Frequency Scaling.Sustainable Wireless Network-On-chip Architectures. 2016.

[8] Bezdek， James C， Hathaway R J. Some Notes on Alternating Optimization[C].International Conference on Advances in Soft Computing-afss Springer， Berlin， Heidelberg， 2002.

[9] Mochaourab R， Cao P， Jorswieck E.Alternating Rate Profile Optimization in Single Stream MIMO Interference Channels[J]. IEEE Signal Processing Letters，F(xiàn)eb. 2014，21（2）：221-224.

[10] Michael C Grant， Stephen P. Boyd CVX Research， Inc.The CVX Users Guide Release 2.2[EB/OL].2020. http：//cvxr.com/cvx/doc/CVX.pdf.

[11] Boyd S， Vandenberghe L.Convex Optimization[M].Cambridge， U.K.： Cambridge Univ. Press， Mar. 2004.

【通聯(lián)編輯：代影】