大規(guī)模無線通信網(wǎng)絡(luò)移動邊緣計(jì)算和緩存研究

黃永明，鄭沖，張征明，尤肖虎

（1.東南大學(xué)信息科學(xué)與工程學(xué)院，江蘇 南京 210096；2.紫金山實(shí)驗(yàn)室，江蘇 南京 211111）

1 引言

隨著5G 無線通信技術(shù)的規(guī)模性部署與廣泛商用，通信網(wǎng)絡(luò)的傳輸速率、接入密度、頻譜效率等都得到了極大的提升，促進(jìn)了各類產(chǎn)業(yè)與服務(wù)的技術(shù)變革。但是，面對未來Tbit/s 級的數(shù)據(jù)傳輸速率、亞毫米級的時間同步、100%的全球覆蓋率、超大規(guī)模接入等更高要求，5G 將不能滿足未來網(wǎng)絡(luò)需求，研究人員著眼于6G 無線通信網(wǎng)絡(luò)的研發(fā)[1]。與此同時，隨著移動網(wǎng)絡(luò)設(shè)備及技術(shù)的快速升級，移動接入終端的數(shù)量呈爆炸式增長趨勢。根據(jù)思科公司的白皮書[2]統(tǒng)計(jì)，全球移動通信設(shè)備數(shù)量到2022 年將會超過250 億。因此，萬物互聯(lián)將是未來網(wǎng)絡(luò)的必然發(fā)展趨勢，也是未來6G 通信網(wǎng)絡(luò)的一大重要目標(biāo)。針對未來萬物互聯(lián)所帶來的超密集大規(guī)模設(shè)備接入技術(shù)挑戰(zhàn)，面向未來移動網(wǎng)絡(luò)的大規(guī)模組網(wǎng)技術(shù)將是一個研究重點(diǎn)。

此外，在超高清視頻流分析、智能駕駛，虛擬現(xiàn)實(shí)（VR,virtual reality）、增強(qiáng)現(xiàn)實(shí)（AR,augmented reality）等新興業(yè)務(wù)的驅(qū)動下，未來大規(guī)模設(shè)備在接入網(wǎng)絡(luò)的同時將會產(chǎn)生大量的計(jì)算密集型業(yè)務(wù)需求[3]。這類計(jì)算密集型業(yè)務(wù)通常需要依賴高可靠、低時延的數(shù)據(jù)實(shí)時處理能力來保障服務(wù)的正常運(yùn)行。然而在智能移動設(shè)備（SMD,smart mobile device）的計(jì)算能力和電池容量受限制的現(xiàn)實(shí)情況下，任務(wù)的本地執(zhí)行往往無法滿足這些嚴(yán)格的要求。因此，急劇增長的計(jì)算密集型業(yè)務(wù)將會對未來無線網(wǎng)絡(luò)的實(shí)時計(jì)算能力提出重大挑戰(zhàn)。隨著未來大規(guī)模組網(wǎng)的逐漸成形，用戶無處不在的業(yè)務(wù)請求與接入將會推動網(wǎng)絡(luò)中的計(jì)算密集型業(yè)務(wù)需求量達(dá)到新的高峰。因此大規(guī)模組網(wǎng)在提供大容量、大連接密度技術(shù)支持的同時，也將在計(jì)算與處理能力方面面臨著比傳統(tǒng)無線網(wǎng)絡(luò)更嚴(yán)峻的挑戰(zhàn)。

移動邊緣計(jì)算（MEC,mobile edge computing）技術(shù)通過將具有較強(qiáng)計(jì)算處理能力的服務(wù)器部署在靠近本地設(shè)備的小蜂窩基站（SCBS,small cell base station）上來卸載本地SMD 的計(jì)算壓力。作為一個很有前景的接入網(wǎng)范式，MEC 被認(rèn)為是解決未來大規(guī)模網(wǎng)絡(luò)所面臨的上述挑戰(zhàn)的關(guān)鍵技術(shù)之一[4-8]。此外，MEC 服務(wù)器在配置強(qiáng)大算力的同時，也會配備有較強(qiáng)的緩存能力，用來直接滿足網(wǎng)絡(luò)中視頻流服務(wù)之類的內(nèi)容服務(wù)需求。針對MEC 系統(tǒng)中同樣強(qiáng)大的緩存能力，移動邊緣緩存技術(shù)也成為MEC系統(tǒng)中一個重要的研究方向。

MEC 服務(wù)器在大規(guī)模無線網(wǎng)絡(luò)中的密集部署，可以極大提升網(wǎng)絡(luò)的計(jì)算與緩存能力，但是同樣也會引入一系列包括計(jì)算卸載問題、多維資源分配問題、用戶關(guān)聯(lián)問題、隱私保護(hù)問題、邊緣緩存問題等在內(nèi)的亟待解決的新型關(guān)鍵問題。

本文從大規(guī)模無線網(wǎng)絡(luò)中移動邊緣計(jì)算和緩存技術(shù)的基本概念出發(fā)，綜述了近年來MEC 賦能大規(guī)模無線網(wǎng)絡(luò)在計(jì)算卸載、多維資源分配、用戶關(guān)聯(lián)、邊緣緩存、隱私保護(hù)這些關(guān)鍵問題上的重點(diǎn)研究工作，并指出了未來的研究方向。同時，針對MEC 賦能大規(guī)模無線網(wǎng)絡(luò)中的隱私保護(hù)問題，本文提出了一種基于聯(lián)邦學(xué)習(xí)（FL,federated learning）的隱私保護(hù)方案，實(shí)現(xiàn)了在保護(hù)用戶數(shù)據(jù)隱私的同時，提升了系統(tǒng)服務(wù)質(zhì)量。

2 背景知識

在未來大規(guī)模組網(wǎng)時，通過密集部署的SCBS為用戶提供服務(wù)，可以縮短終端與業(yè)務(wù)提供端之間的距離，同時也加強(qiáng)了無線通信網(wǎng)絡(luò)在小區(qū)邊緣的覆蓋能力[9-10]。SCBS 可以通過無線通信鏈路接入其他SCBS，同樣SCBS 也可以通過回程鏈路與MBS進(jìn)行連接，各個SCBS 之間也可以通過MBS 進(jìn)行間接信息交互。此外，在未來大規(guī)模網(wǎng)絡(luò)接入技術(shù)中，設(shè)備與設(shè)備（D2D,device to device）、車輛與車輛（V2V,vehicle to vehicle）之間的直接通信也將是一種常態(tài)。

面向未來移動網(wǎng)絡(luò)的大規(guī)模組網(wǎng)為大連接密度、大流量通信需求提供了保障，但是網(wǎng)絡(luò)對業(yè)務(wù)數(shù)據(jù)的分析和處理能力，以及對內(nèi)容的提前緩存能力并沒有得到明顯提升，還是必須依靠遠(yuǎn)端的云服務(wù)器來為用戶業(yè)務(wù)提供計(jì)算和存儲支持。因此，大規(guī)模網(wǎng)絡(luò)本身在數(shù)據(jù)處理能力和緩存能力上的缺乏，將在很大程度上限制新型計(jì)算密集型、內(nèi)容服務(wù)型業(yè)務(wù)的應(yīng)用。鑒于此，移動邊緣計(jì)算與緩存作為一種很有前景的技術(shù)，可被用于打破大規(guī)模無線網(wǎng)絡(luò)計(jì)算存儲能力不足的瓶頸。

2.1 移動邊緣計(jì)算

歐洲電信標(biāo)準(zhǔn)化協(xié)會（ETSI,European Telecommunications Standards Institute）在2014 年12月首次提出了MEC 技術(shù)，該技術(shù)的目標(biāo)是將云計(jì)算的功能高效、無縫地集成到無線接入網(wǎng)中，促使在邊緣網(wǎng)絡(luò)端就能夠直接實(shí)現(xiàn)用戶業(yè)務(wù)的交付[4]。之后ETSI 于2016 年將MEC 技術(shù)進(jìn)一步擴(kuò)展為多接入的邊緣計(jì)算，從而將邊緣計(jì)算能力由原本的典型蜂窩網(wǎng)絡(luò)延伸至包括Wi-Fi 接入網(wǎng)、車載網(wǎng)等在內(nèi)的各類無線接入網(wǎng)絡(luò)，使MEC 技術(shù)標(biāo)準(zhǔn)得到進(jìn)化與完善[11]。

在MEC 系統(tǒng)中，通過將密集的計(jì)算任務(wù)下沉到靠近用戶端的MEC 服務(wù)器上，不僅可以極大程度地緩解核心網(wǎng)的數(shù)據(jù)傳輸壓力，還能夠降低服務(wù)的響應(yīng)時延，提升用戶體驗(yàn)。如圖1 所示，一個移動邊緣計(jì)算系統(tǒng)的垂直分層架構(gòu)可以分為終端層、邊緣層和中心云層[12]。終端層由各類終端通信設(shè)備組成，包含智能手機(jī)、智能車輛、筆記本電腦、傳感器等。終端設(shè)備可以借助異構(gòu)蜂窩通信、車聯(lián)網(wǎng)通信、物聯(lián)網(wǎng)通信、大規(guī)模組網(wǎng)等多種無線通信技術(shù)接入邊緣層，調(diào)用邊緣網(wǎng)絡(luò)中的豐富資源。本文接下來將從未來大規(guī)模組網(wǎng)接入的角度來探討未來無線網(wǎng)絡(luò)下的移動邊緣計(jì)算與緩存技術(shù)。邊緣層在各類MEC 服務(wù)器的部署下，擁有了包括通信資源、計(jì)算資源、緩存資源和能量資源在內(nèi)的豐富資源，可以為用戶提供強(qiáng)大高效的服務(wù)支撐。中心云層位于核心網(wǎng)的云計(jì)算中心，通過回程鏈路與邊緣網(wǎng)絡(luò)連接，以應(yīng)對邊緣層無法滿足用戶服務(wù)的情況。

圖1 移動邊緣計(jì)算系統(tǒng)的垂直分層架構(gòu)

2.2 移動邊緣緩存

無線終端的普及極大地豐富了用戶體驗(yàn)，大量的新型無線業(yè)務(wù)也應(yīng)運(yùn)而生，包括多媒體、Web 瀏覽、應(yīng)用程序和社交網(wǎng)絡(luò)等，這促使傳統(tǒng)無線通信轉(zhuǎn)變?yōu)榇笠?guī)模無線通信。無線用戶對數(shù)據(jù)服務(wù)的渴求進(jìn)一步加劇了這一現(xiàn)象，這促使無線運(yùn)營商重新設(shè)計(jì)當(dāng)前的網(wǎng)絡(luò)以適應(yīng)大規(guī)模無線通信，并尋求更先進(jìn)的技術(shù)來提高覆蓋率和網(wǎng)絡(luò)容量，有效地優(yōu)化用戶體驗(yàn)。邊緣網(wǎng)絡(luò)的部署為滿足這些前所未有的網(wǎng)絡(luò)流量需求提供了可能性。邊緣網(wǎng)絡(luò)代表了一種新的基于短程部署、低功耗和低成本的網(wǎng)絡(luò)范式。利用邊緣網(wǎng)絡(luò)的感知和存儲能力，也稱為無線邊緣緩存[13-14]能力，可以實(shí)現(xiàn)數(shù)據(jù)高速傳輸。將數(shù)據(jù)內(nèi)容存儲到終端用戶附近是實(shí)現(xiàn)邊緣緩存技術(shù)的有效方式。邊緣緩存以一種隨需應(yīng)變的方式在網(wǎng)絡(luò)非高峰時段提前緩存內(nèi)容，緩解網(wǎng)絡(luò)擁擠時的網(wǎng)絡(luò)擁塞。一方面用戶需求是可以預(yù)測的，另一方面內(nèi)存硬件比帶寬廉價，而且在無線設(shè)備或小型基站上都可以使用。這為邊緣緩存技術(shù)提供了原理支持和實(shí)際部署的可能。邊緣緩存系統(tǒng)根據(jù)用戶請求自適應(yīng)地調(diào)整緩存和多播策略，以滿足多個用戶的需求，這樣既能節(jié)約成本又能降低時延?；镜倪吘壘彺婵蚣苋鐖D2 所示，主要由遠(yuǎn)端服務(wù)器、靠近用戶的邊緣基站和緩存設(shè)備組成?；緩倪h(yuǎn)端服務(wù)器預(yù)先下載用戶可能請求的文件，這些文件被存儲在緩存設(shè)備中。當(dāng)用戶發(fā)出文件請求時，基站根據(jù)緩存的文件列表查找請求的文件是否已經(jīng)緩存在本地。若緩存中已有用戶需求的文件，基站直接將該文件多播給提出該文件需求的用戶；否則，基站從遠(yuǎn)端服務(wù)器下載未預(yù)先緩存的文件，然后再多播給相應(yīng)的用戶。

圖2 基本的邊緣緩存框架

3 大規(guī)模網(wǎng)絡(luò)的移動邊緣計(jì)算與緩存

圖3 是一個典型的MEC 賦能的大規(guī)模移動網(wǎng)絡(luò)架構(gòu)。在該系統(tǒng)架構(gòu)下，網(wǎng)絡(luò)邊緣依靠其大量靠近用戶的MEC 服務(wù)器直接在網(wǎng)絡(luò)邊緣上提供各類業(yè)務(wù)服務(wù)來滿足業(yè)務(wù)的高可靠、低時延等需求。然而，雖然MEC 技術(shù)能夠有效緩解大規(guī)模無線網(wǎng)絡(luò)中的計(jì)算和傳輸壓力，但是也會引入一些新的挑戰(zhàn)，需要被進(jìn)一步研究和解決。

3.1 計(jì)算卸載問題

很明顯，在MEC 賦能的大規(guī)模無線網(wǎng)絡(luò)中，MEC 服務(wù)器和本地的SMD 都具有計(jì)算的能力，每個計(jì)算任務(wù)都既能在本地的SMD 上執(zhí)行也能上載給MEC 服務(wù)器進(jìn)行計(jì)算，還可以兩者協(xié)同。區(qū)別在于SMD 受限于自身的體積以及電池容量等硬件配置，其計(jì)算能力往往遠(yuǎn)小于MEC 服務(wù)器的計(jì)算能力。計(jì)算卸載則是將本地設(shè)備產(chǎn)生的計(jì)算任務(wù)的全部或部分卸載給其所連接的一個或多個MEC 服務(wù)器上進(jìn)行計(jì)算，服務(wù)器則通過其強(qiáng)大的計(jì)算能力來滿足用戶的計(jì)算需求，同時降低計(jì)算時延和本地的電池能量損耗。具體地，計(jì)算任務(wù)在本地設(shè)備上執(zhí)行時，有限的計(jì)算能力將會導(dǎo)致計(jì)算時延較長，且本地因計(jì)算所帶來的能耗也會較高，使SMD 的待機(jī)時間受到影響。不過由于計(jì)算直接在本地設(shè)備上進(jìn)行，因此傳輸時延將會很小，網(wǎng)絡(luò)的傳輸壓力將會減輕。當(dāng)計(jì)算任務(wù)卸載到MEC 服務(wù)器上執(zhí)行時，服務(wù)器強(qiáng)大的計(jì)算能力將能極大地降低任務(wù)的計(jì)算時延，同時也能減少本地設(shè)備的計(jì)算能耗。但是計(jì)算任務(wù)的上傳及計(jì)算結(jié)果的下發(fā)都會帶來額外的傳輸時延和傳輸能耗，這對網(wǎng)絡(luò)的傳輸能力提出了挑戰(zhàn)。因此在權(quán)衡用戶體驗(yàn)、本地設(shè)備能耗、網(wǎng)絡(luò)傳輸能力和計(jì)算能力等多方面因素時，任務(wù)的計(jì)算卸載策略設(shè)計(jì)，包括是否卸載、卸載多少等，就直接影響著MEC 賦能的大規(guī)模無線網(wǎng)絡(luò)的系統(tǒng)性能，是一個亟待解決的挑戰(zhàn)。

圖3 MEC 賦能的大規(guī)模移動網(wǎng)絡(luò)架構(gòu)

1) 能耗敏感型計(jì)算卸載

在MEC 賦能的大規(guī)模無線網(wǎng)絡(luò)中，能耗主要來源于SMD 的計(jì)算能耗，以及任務(wù)卸載與回收時的無線傳輸能耗。其中，降低SMD 能耗可以有效提升設(shè)備的待機(jī)時間，而降低網(wǎng)絡(luò)的傳輸能耗可以有效提升網(wǎng)絡(luò)的能量利用效率、降低服務(wù)提供商的運(yùn)營成本。

文獻(xiàn)[15]以能效為目標(biāo)，提出了一種在滿足用戶最大容忍時延的前提下最小化SMD 能耗的卸載策略。在該文獻(xiàn)中，用戶i的計(jì)算卸載策略被定義為一個二進(jìn)制的決策變量yi，yi=0表示用戶i的計(jì)算任務(wù)將在本地設(shè)備上被執(zhí)行，yi=1表示計(jì)算任務(wù)將被卸載到用戶i所連接的MEC 服務(wù)器上被執(zhí)行?；诖?，文獻(xiàn)[15]在時延約束的條件下，通過對各用戶的卸載策略的聯(lián)合優(yōu)化來最小化本地設(shè)備的能耗之和，從而得到在單MEC 節(jié)點(diǎn)下基于能效的計(jì)算卸載解決方案。然后作者將上述問題抽象為一個非凸混合整數(shù)規(guī)劃問題，并考慮其復(fù)雜性，提出了一種基于連續(xù)凸逼近（SCA,successive convex approximation）的迭代算法來提供原問題的近似解。實(shí)驗(yàn)數(shù)據(jù)表明，該計(jì)算卸載方案能在時延約束下有效地降低網(wǎng)絡(luò)中的設(shè)備總能耗。文獻(xiàn)[16]針對任務(wù)可分割的應(yīng)用程序，研究了時延約束下能耗最小化的部分卸載方案，并分別提出了一種高復(fù)雜度的基于閾值優(yōu)先級的最優(yōu)計(jì)算卸載算法，以及一種以犧牲部分能耗為代價的低復(fù)雜度次優(yōu)計(jì)算卸載算法。仿真結(jié)果表明，次優(yōu)計(jì)算卸載算法相對于最優(yōu)計(jì)算卸載算法增加了20%左右的能耗來獲取更低的算法復(fù)雜度。此時，卸載決策變量yi不再是一個二進(jìn)制的0、1 變量，而是一個0～1 的連續(xù)變量。此時yi可視為決策出的卸載給MEC 服務(wù)器進(jìn)行計(jì)算的任務(wù)卸載比例系數(shù)。

2) 時延敏感型計(jì)算卸載

除了能耗指標(biāo)，服務(wù)時延同樣也是衡量用戶體驗(yàn)（QoE,quality of experience）的一個至關(guān)重要的指標(biāo)。在計(jì)算任務(wù)本地執(zhí)行的情況下，服務(wù)時延即為本地設(shè)備進(jìn)行計(jì)算所花費(fèi)的時間。在將計(jì)算任務(wù)卸載到MEC 服務(wù)器上執(zhí)行時，服務(wù)時延則包含任務(wù)上傳的傳輸時延、MEC 服務(wù)器進(jìn)行任務(wù)計(jì)算的計(jì)算時延和計(jì)算結(jié)果傳回用戶本地的傳輸時延。

為了降低時延、保障用戶的QoE，文獻(xiàn)[17]在同時以服務(wù)時延和任務(wù)失敗的執(zhí)行成本作為性能指標(biāo)的情況下，研究了一種帶有能量收集裝置的綠色單節(jié)點(diǎn)MEC 系統(tǒng)，并提出了一種有效的計(jì)算卸載策略。通過對這2 個方面指標(biāo)的聯(lián)合優(yōu)化實(shí)現(xiàn)了在降低服務(wù)時延的同時，提高系統(tǒng)的可靠性，減小任務(wù)卸載失敗的風(fēng)險(xiǎn)。作者通過分析，將上述聯(lián)合指標(biāo)最小化問題建模成一個高維的Markov 決策問題，并提出了一種基于Lyapunov 的低復(fù)雜度在線動態(tài)計(jì)算卸載（LODCO,low-complexity Lyapunov optimization based dynamic computation offloading）算法來對每個時隙內(nèi)的計(jì)算任務(wù)進(jìn)行卸載決策。同時，在每個時隙內(nèi)，當(dāng)卸載決策決定計(jì)算任務(wù)在本地設(shè)備上執(zhí)行時，所提LODCO 算法還要聯(lián)合優(yōu)化出本地設(shè)備中央處理器（CPU,central processing unit）計(jì)算頻率的分配策略。當(dāng)卸載決策決定將計(jì)算任務(wù)卸載到MEC 服務(wù)器上執(zhí)行時，LODCO 算法則需要聯(lián)合優(yōu)化出傳輸功率的分配策略。文中實(shí)驗(yàn)結(jié)果表明，LODCO 算法能夠有效地降低64%的服務(wù)時延。

3) 時延?能耗敏感型計(jì)算卸載

能耗和時延這兩大性能指標(biāo)共同影響著系統(tǒng)的性能和用戶的QoE。因此，也有文獻(xiàn)研究了能耗和時延權(quán)衡優(yōu)化的計(jì)算卸載方案。文獻(xiàn)[18]提出了一種能量感知的計(jì)算卸載方案，在能量和時延的限制下，通過最優(yōu)化SMD 能耗和服務(wù)時延的加權(quán)和，實(shí)現(xiàn)SMD 的能量消耗和任務(wù)延時之間的權(quán)衡。此外，作者還將SMD 的剩余電量引入能耗?時延權(quán)衡的權(quán)重因子當(dāng)中，來提高SMD 的待機(jī)時間，并在此基礎(chǔ)上提出了一種結(jié)合內(nèi)部懲罰函數(shù)和D.C.（IPDC）規(guī)劃的迭代搜索算法，以獲得最優(yōu)計(jì)算卸載決策和資源分配方案。仿真結(jié)果表明，所提算法能獲得更低的時延能耗權(quán)重和，并能明顯提高SMD的待機(jī)時長。文獻(xiàn)[19]同樣考慮了計(jì)算卸載的時延和能耗的權(quán)衡問題。作者針對時延敏感型計(jì)算任務(wù)，在滿足容忍時延以及SMD 電池剩余電量的約束條件下，通過最小化時延能耗加權(quán)和的方式來聯(lián)合優(yōu)化計(jì)算卸載比例、本地設(shè)備計(jì)算頻率以及卸載的數(shù)據(jù)傳輸功率。通過對建模出的時延?能耗權(quán)衡問題的分析，作者將該高復(fù)雜度的非凸且非光滑的權(quán)衡問題轉(zhuǎn)化成一個光滑的雙凸問題，在此基礎(chǔ)上提出了一種基于交替凸搜索（ACS,alternate convex search）的求解算法，大大降低了計(jì)算量，并在不同性能參數(shù)的數(shù)值仿真下展現(xiàn)了先進(jìn)的性能。

3.2 邊緣緩存問題

基本的緩存策略有2 種，一種是在基站端部署的主動緩存，另一種是部署在用戶端的編碼緩存。為區(qū)別于編碼緩存，主動緩存也通常被稱為非編碼緩存。主動緩存是指以主動方式將數(shù)據(jù)內(nèi)容提取并存儲在基站的緩存空間中。該技術(shù)可以將流行度較高的內(nèi)容放置在離終端用戶更近的位置，并在用戶發(fā)送數(shù)據(jù)請求的時候直接發(fā)送給用戶，這可以有效地減少時延。Maddah-Ali 等[20]提出了一種編碼緩存方案，該方案根據(jù)所有用戶可用的累積存儲容量來提高緩存和多播增益。

1) 非編碼緩存

部署在基站端的非編碼緩存通常是基于用戶請求的歷史數(shù)據(jù)進(jìn)行的，該類緩存方案首先分析用戶請求的歷史信息，提取出和文件內(nèi)容流行度相關(guān)的信息，利用這些信息預(yù)測未來一段時間較流行的文件，并采用合理的策略有選擇性地將它們預(yù)先存儲到本地。文獻(xiàn)[21]提出一種有效的緩存機(jī)制，通過將最流行的內(nèi)容復(fù)制到網(wǎng)絡(luò)邊緣，而不是將其存儲在中央站點(diǎn)，從而減輕這些海量帶寬需求。文獻(xiàn)[22]提出了一種基于網(wǎng)絡(luò)主動性的緩存方案，利用用戶的統(tǒng)計(jì)信息發(fā)現(xiàn)用戶的行為模式，以此預(yù)測用戶需求，并在用戶提出相應(yīng)請求前預(yù)存儲一定量的數(shù)據(jù)。這種主動緩存模式進(jìn)一步提升了存儲能力，給無線傳輸帶來增益。文獻(xiàn)[23]將緩存看成數(shù)據(jù)流量卸載的一種方式，將重點(diǎn)放在存儲與帶寬的權(quán)衡方面，根據(jù)存儲限制條件，在給定的內(nèi)容流行度分布條件下緩存內(nèi)容，并提供了緩存未命中概率的閉合表達(dá)式。

上述對于無線緩存的研究往往需要建立精確的緩存優(yōu)化問題，該優(yōu)化問題往往需要對無線環(huán)境進(jìn)行精確的建模，或者對用戶需求進(jìn)行準(zhǔn)確的估計(jì)，然后才能使用相應(yīng)的優(yōu)化算法求解緩存問題。然而，在實(shí)際系統(tǒng)反映實(shí)際環(huán)境的數(shù)學(xué)模型往往是難以建立的，尤其在用戶需求動態(tài)變化的緩存網(wǎng)絡(luò)中，傳統(tǒng)基于數(shù)學(xué)建模的緩存方案往往具有較強(qiáng)的先驗(yàn)假設(shè)，而隨著環(huán)境的快速變化，這些先驗(yàn)假設(shè)可能不再成立。近些年來，在海量數(shù)據(jù)和高速計(jì)算能力的支持下，深度強(qiáng)化學(xué)習(xí)算法通過對數(shù)據(jù)進(jìn)行分析、特征抽取，使算法獲得了很強(qiáng)的推斷、判斷、數(shù)據(jù)擬合、決策、識別、優(yōu)化等能力。當(dāng)前基于強(qiáng)化學(xué)習(xí)的緩存方案得到了廣泛的關(guān)注。

現(xiàn)有的基于強(qiáng)化學(xué)習(xí)的緩存方案的重點(diǎn)是使基站能夠?qū)W習(xí)未知的系統(tǒng)狀態(tài)轉(zhuǎn)移函數(shù)，并相應(yīng)地緩存最合適的文件內(nèi)容。文獻(xiàn)[24]考慮全雙工密集網(wǎng)絡(luò)的緩存系統(tǒng)，提出一種新的緩存感知和用戶?基站多重關(guān)聯(lián)機(jī)制，該機(jī)制允許用戶與多個基站關(guān)聯(lián)。為了獲得最佳緩存和關(guān)聯(lián)策略，該文提出一種基于信干噪比的置信界算法，并仿真驗(yàn)證了該算法的可行性和優(yōu)越性。文獻(xiàn)[25]考慮緩存輔助下大規(guī)模密集網(wǎng)絡(luò)中的能耗問題，并提出一種新穎的緩存策略來改善系統(tǒng)能量利用效率。該研究考慮緩存內(nèi)容的流行度是動態(tài)變化并且未知的，所提緩存策略是基于深度強(qiáng)化學(xué)習(xí)算法獲取到的。文獻(xiàn)[26]研究了5G 網(wǎng)絡(luò)中的新型3D 視頻主動緩存的問題。首先，將多視角3D 視頻的主動緩存問題建模為聯(lián)合視角選擇和本地內(nèi)存分配的馬爾可夫決策過程。然后，提出一種基于深度確定性策略梯度的緩存方案?？紤]到動作空間受系統(tǒng)狀態(tài)的影響，文獻(xiàn)[26]將動態(tài)k 近鄰算法嵌入行深度強(qiáng)化學(xué)習(xí)算法中，以實(shí)現(xiàn)在可變大小的動作空間中依舊能正常工作的深度強(qiáng)化學(xué)習(xí)算法。

2) 編碼緩存

編碼緩存利用用戶的本地存儲空間來提升多播增益。假設(shè)基站緩存了N個文件W={W1,…,WN}，每一個文件都具有單位大小。與該基站相連的K個用戶組成集合K={1,…,K}，假設(shè)每一個用戶擁有大小為M的緩存空間?；诖?，編碼緩存方案主要分為以下2 個階段。

①配置階段。每一個文件都被獨(dú)立地等分為F個切片，Wi={Wi,j:j∈[1,F]}。每一個切片的大小為1/F。這些切片被放置在用戶的緩存實(shí)體中，并且放置方式與用戶的需求無關(guān)。該配置階段在非高峰時段執(zhí)行。

②分發(fā)階段。每一個用戶隨機(jī)并且獨(dú)立地發(fā)出文件請求，構(gòu)成向量d=(d1,…,dK)，其中dk∈[1,N]代表用戶k∈K請求文件。一旦基站接收到d，就向用戶廣播一個大小最多為RF（R為發(fā)送速率）包的編碼文件，這樣每個用戶都可以通過配置階段接收到的內(nèi)容和分發(fā)階段接收到的數(shù)據(jù)來恢復(fù)出自己所請求的文件。

圖4 為編碼緩存系統(tǒng)框架。該場景包括一個邊緣基站、2 個用戶和2 個文件（A和B）。在配置階段，用戶尚未發(fā)出任何文件需求，網(wǎng)絡(luò)處于非高峰時段，基站向用戶1 傳輸文件切片1A和1B，向用戶2傳輸2A和2B。在分發(fā)階段，首先2 個用戶分別向基站提出文件請求，假設(shè)用戶1 和用戶2 的需求分別為文件A和文件B。當(dāng)基站收到該請求后，基站將向用戶廣播A2⊕B1，其中⊕為異或（XOR）操作。用戶接收到廣播的編碼數(shù)據(jù)后，利用異或運(yùn)算的性質(zhì)即可解碼出各自需要的文件。

上述編碼緩存方案得到了研究人員的廣泛關(guān)注。文獻(xiàn)[27]提出了一種新的分層編碼緩存（HCC,hierarchical coded caching）方案。使用HCC，可以在恒定的間隙內(nèi)實(shí)現(xiàn)最佳通信速率。在文獻(xiàn)[28]中，針對通信限制為單跳的無線D2D 網(wǎng)絡(luò)，作者提出了一種基于確定性配置策略的緩存方案，以及一種編碼分發(fā)策略。在這種編碼緩存方案中，用戶相互發(fā)送線性編碼消息以共同滿足其需求。結(jié)果表明，D2D 網(wǎng)絡(luò)的空間復(fù)用增益與單個基站傳輸?shù)木幋a多播增益在數(shù)量級上相等。隨著對編碼緩存研究的深入，研究人員注意到為了實(shí)現(xiàn)上述編碼緩存方案，必須將每個文件分成F個切片。切片的數(shù)量通常隨用戶數(shù)量呈指數(shù)增長，減少F可使編碼緩存更適合實(shí)際系統(tǒng)。為了降低F，文獻(xiàn)[29]提出了一個配置分發(fā)陣列（PDA,placement delivery array）來描述配置和分發(fā)這2 個階段。

圖4 編碼緩存系統(tǒng)框架

定義1配置分發(fā)陣列[29]。對于正整數(shù)K、F和非負(fù)整數(shù)Z、S，F(xiàn)≥Z，如果滿足下列條件，則由符號*和S個整數(shù)1,2,…,S組成的大小為F×K的陣列P=(pi,j),i∈[1,F],j∈[1,K]是一個(K,F,Z,S)配置分發(fā)陣列。

條件1符號*在每一列中出現(xiàn)Z次。

條件2對于任意2個不同的元素，當(dāng)且僅當(dāng)它們排列在不同的行和列中，且，有=s為一個整數(shù)。

根據(jù)一個確定的配置分發(fā)陣列P，滿足M/N=Z/F的編碼緩存方案可以描述如下。

①配置階段。每一個文件都被獨(dú)立地等分為F個切片，Wi={Wi,j:j∈[1,F]}，并且用戶k∈K接收并存儲切片Ck={Wi,j:pj,k=*,?i∈[1,N]}。

②分發(fā)階段?；窘邮盏秸埱笮蛄衐，在時隙s基站廣播編碼數(shù)據(jù)。

上述編碼緩存方案可以擴(kuò)展到多基站或者大規(guī)模網(wǎng)絡(luò)中去。文獻(xiàn)[30]考慮了超密集網(wǎng)絡(luò)場景下的編碼緩存問題，假設(shè)每個基站都具備有限的緩存空間，可以預(yù)先存儲部分文件的數(shù)據(jù)。該文提出了一種雙次編碼緩存方案，可以有效保證無線編碼緩存場景下較高的傳輸成功概率。進(jìn)一步地，考慮動態(tài)緩存和多播調(diào)度問題，以實(shí)現(xiàn)在內(nèi)容為中心的無線網(wǎng)絡(luò)中平均時延和能耗的最小化。將上述隨機(jī)優(yōu)化問題表述為具有未知轉(zhuǎn)移概率和狀態(tài)空間巨大的馬爾可夫決策過程。然后，提出了一種深度強(qiáng)化學(xué)習(xí)算法來解決上述問題。所提算法使用變分自動編碼器來充分表征環(huán)境狀態(tài)信息，并使用加權(quán)雙Q學(xué)習(xí)方案來減少Q(mào)函數(shù)的方差和過估計(jì)。數(shù)值結(jié)果表明，所提方案增加了成功傳輸?shù)母怕?，并且緩存和調(diào)度策略可以有效地減少時延和能耗。

本節(jié)介紹了非編碼緩存和編碼緩存在無線邊緣網(wǎng)絡(luò)中的應(yīng)用，指出了傳統(tǒng)非編碼緩存可以結(jié)合深度強(qiáng)化學(xué)習(xí)，在系統(tǒng)狀態(tài)轉(zhuǎn)移概率不可知和環(huán)境動態(tài)變化等場景中，獲取一個近似的最優(yōu)緩存策略來減少時延和能耗。編碼緩存可以充分利用用戶的緩存能力，進(jìn)一步提升邊緣網(wǎng)絡(luò)的多播增益。同時，結(jié)合深度強(qiáng)化學(xué)習(xí)，在邊緣網(wǎng)絡(luò)中設(shè)計(jì)智能的編碼緩存策略和多播調(diào)度策略也能進(jìn)一步提高系統(tǒng)的自適應(yīng)能力。

3.3 多維資源分配問題

不同于傳統(tǒng)的無線通信網(wǎng)絡(luò)，在MEC 賦能的大規(guī)模無線網(wǎng)絡(luò)中，大量的MEC 服務(wù)器、海量的SMD、密集的蜂窩網(wǎng)絡(luò)等特征使整個系統(tǒng)中存在更豐富的計(jì)算、存儲、能量和通信資源。具體地，計(jì)算資源是指每個MEC 服務(wù)器以及每臺本地智能設(shè)備都配備有較強(qiáng)大的CPU 處理器，能夠?yàn)槊芗挠?jì)算任務(wù)提供算力支持。存儲資源則代表著系統(tǒng)中各個設(shè)備都具有一定的緩存能力，能夠緩存一定的數(shù)據(jù)用于支持應(yīng)用程序。能量資源是指SMD 的電池供能以及MEC 服務(wù)器的電源能量，這些能量可以用于任務(wù)的計(jì)算以及數(shù)據(jù)的無線傳輸。通信資源是指SCBS 與SMD 之間、SMD 彼此之間的通信鏈路容量，以及各個SCBS 彼此之間的回程鏈路容量。這些豐富的多維度的系統(tǒng)資源是MEC 賦能大規(guī)模無線網(wǎng)絡(luò)的一大優(yōu)勢，能夠用于滿足海量業(yè)務(wù)的各類需求。而合理地利用這些資源，提高資源的利用效率，將會極大地促進(jìn)網(wǎng)絡(luò)的性能，提升用戶的QoE。

1) 計(jì)算資源分配

前文提到的計(jì)算卸載技術(shù)，實(shí)際上也是一種計(jì)算資源的分配。通過卸載策略合理分配SMD 與MEC 服務(wù)器上的計(jì)算資源進(jìn)行任務(wù)計(jì)算，以提升計(jì)算資源的利用效率，促進(jìn)系統(tǒng)性能的提升。此外，由于MEC服務(wù)器的計(jì)算能力相對于SMD來說通常都更強(qiáng)大，因此，對MEC 服務(wù)器上的豐富計(jì)算資源進(jìn)行更細(xì)致的分配與利用，對于系統(tǒng)的性能也會產(chǎn)生至關(guān)重要的影響。文獻(xiàn)[31]從時間維度考慮了有連續(xù)到來的計(jì)算任務(wù)時，如何對MEC 服務(wù)器的計(jì)算資源進(jìn)行合理分配，以實(shí)現(xiàn)時延約束下的網(wǎng)絡(luò)平均數(shù)據(jù)傳輸量最小化。在每個時隙，作者考慮了當(dāng)前MEC 服務(wù)器的CPU 占用狀態(tài)，然后針對不同的占用狀態(tài)，分別提出了5 種相應(yīng)的連續(xù)任務(wù)安排策略，以提高計(jì)算效率。在此基礎(chǔ)上，作者提出了一種通信受限的MEC架構(gòu)來降低通信資源的消耗，并進(jìn)一步提出了一種基于Lyapunov 理論的最優(yōu)任務(wù)安排算法來最小化每個計(jì)算任務(wù)的平均傳輸數(shù)據(jù)量。

另外，文獻(xiàn)[32]從空間維度對MEC 服務(wù)器的計(jì)算資源進(jìn)行精細(xì)分配，以提高計(jì)算資源的利用效率。具體地，文獻(xiàn)[32]考慮了在MEC 賦能大規(guī)模無線網(wǎng)絡(luò)場景下，每個用戶以及每個SCBS 的計(jì)算需求往往都是高并發(fā)的。因此作者針對這種空間維度并發(fā)的計(jì)算需求，對MEC 服務(wù)器上的計(jì)算資源進(jìn)行空間維度的分配，以同時滿足所有用戶以及所有SCBS 的計(jì)算需求。接著，作者提出了一種基于勢博弈論（PGT,potential game theory）的計(jì)算資源分配方案，該方案在降低能耗的同時可以提高計(jì)算資源利用效率。所提方案包括基于PGT 的功率控制方案和基于線下規(guī)劃的資源分配方案。功率控制方案旨在尋找一組能使MEC 網(wǎng)絡(luò)的勢函數(shù)最大化的基站傳輸功率，資源分配方案則是根據(jù)功率控制方案的結(jié)果來使MEC 網(wǎng)絡(luò)的平均計(jì)算資源分配系數(shù)最大，也即使計(jì)算資源利用效率最大。數(shù)值仿真結(jié)果表明，所提方案能顯著提升網(wǎng)絡(luò)中的計(jì)算效率和能效。

2) 緩存資源分配

緩存資源作為MEC 賦能的大規(guī)模無線網(wǎng)絡(luò)中的又一大資源，存在于網(wǎng)絡(luò)中所有具有緩存能力的設(shè)備當(dāng)中。針對密集的計(jì)算任務(wù)，提前緩存好所需的計(jì)算輸入文件，或是緩存下某些被頻繁請求的計(jì)算任務(wù)的計(jì)算結(jié)果，能夠有效地降低服務(wù)時延，提高用戶的QoE。針對大規(guī)模網(wǎng)絡(luò)中海量的業(yè)務(wù)需求，網(wǎng)絡(luò)中緩存資源的合理利用與分配則具有重要意義。

文獻(xiàn)[33]通過研究網(wǎng)絡(luò)中用戶之間的社交關(guān)系以及負(fù)載的統(tǒng)計(jì)數(shù)據(jù)，提出了2 種緩存配置方案來合理利用系統(tǒng)的緩存資源。這2 種方案都能基于客戶之間的社交關(guān)系來主動地在客戶端上創(chuàng)建訪問頻率高的內(nèi)容副本，以提高緩存的命中率，提升緩存資源的使用效率。但是由于文獻(xiàn)[33]所提緩存策略是一種靜態(tài)的緩存配置方案，當(dāng)網(wǎng)絡(luò)環(huán)境以及用戶興趣發(fā)生變化時，這種靜態(tài)的緩存配置方案將很難繼續(xù)保持高緩存資源利用效率。文獻(xiàn)[34]則考慮到大規(guī)模移動網(wǎng)絡(luò)下的動態(tài)場景，提出了MEC 服務(wù)器緩存隨著時變的任務(wù)請求進(jìn)行在線更新的動態(tài)緩存方案。在文獻(xiàn)[34]中，作者為了最小化長期累計(jì)服務(wù)時延，針對串行前端傳輸模式和流水線前端傳輸模式，分別提出了在線緩存交付模式，以及響應(yīng)式和主動式在線緩存模式。文中通過理論分析，找到了2 種緩存模式下的最優(yōu)累計(jì)服務(wù)時延上界，并通過數(shù)值仿真展示了2 種動態(tài)緩存方案的優(yōu)越性，同時也進(jìn)一步證實(shí)了理論分析的正確性。

3) 能量資源分配

在MEC 賦能的大規(guī)模無線網(wǎng)絡(luò)中提供新型業(yè)務(wù)服務(wù)時，任務(wù)的計(jì)算與分析、數(shù)據(jù)的傳輸、設(shè)備之間的通信等都需要消耗能量。對網(wǎng)絡(luò)中能量資源的合理分配，能夠大大提升能效，降低系統(tǒng)能耗。文獻(xiàn)[35-36]都對MEC 網(wǎng)絡(luò)中的無線傳輸能耗進(jìn)行了研究與優(yōu)化。文獻(xiàn)[35]研究了單用戶單MEC 服務(wù)器場景下的下行傳輸功率分配方案設(shè)計(jì)。首先為了表征基本性能極限，作者假設(shè)信道狀態(tài)信息（CSI,channel state information）和任務(wù)狀態(tài)信息（TSI,task state information）的完備知識（即任務(wù)到達(dá)時間和數(shù)量）是已知的，從而考慮傳輸功率的離線優(yōu)化。在這種情況下，作者利用凸優(yōu)化技術(shù)得到了能耗最小化問題的最優(yōu)解。之后，作者受上述結(jié)構(gòu)化離線能量資源分配方案的啟發(fā)，考慮了在CSI/TSI 知識僅為因果已知的情況下，針對能量資源分配和任務(wù)卸載的聯(lián)合優(yōu)化，開發(fā)了啟發(fā)式在線能耗優(yōu)化算法。文獻(xiàn)[36]則將文獻(xiàn)[35]的單用戶場景擴(kuò)展到了多天線多用戶的MEC 系統(tǒng)。在該系統(tǒng)中，作者同樣從離線優(yōu)化和在線優(yōu)化2 個方面，對下行傳輸功率分配方案進(jìn)行了研究，并分別得到了基于拉格朗日對偶法的離線優(yōu)化問題的半封閉式最優(yōu)解和基于滑動窗口以及序列優(yōu)化的在線能量資源分配方案。仿真結(jié)果表明，所提方案相對于一些傳統(tǒng)能耗優(yōu)化方法能夠降低45%～90%的系統(tǒng)能耗。

4) 通信資源分配

受無線網(wǎng)絡(luò)中的通信帶寬、通信子載波個數(shù)的限制，無線網(wǎng)絡(luò)中通信資源塊分配方案的優(yōu)劣直接影響著系統(tǒng)的通信效率以及服務(wù)時延。而在MEC賦能的大規(guī)模無線網(wǎng)絡(luò)中，高并發(fā)的任務(wù)請求、連續(xù)不斷的計(jì)算任務(wù)卸載、低時延的數(shù)據(jù)處理需求等都依賴于一個高效的通信資源分配方案來提供保障。因此，對MEC 賦能大規(guī)模無線通信網(wǎng)絡(luò)中的通信資源分配方案進(jìn)行優(yōu)化是一個提高系統(tǒng)性能的有效手段，同時也是一個極具挑戰(zhàn)的難題。

文獻(xiàn)[37]針對MEC 系統(tǒng)中無線虛擬現(xiàn)實(shí)業(yè)務(wù)的通信資源分配問題進(jìn)行了研究與分析。作者考慮了無線虛擬現(xiàn)實(shí)視頻業(yè)務(wù)，充分利用該業(yè)務(wù)中傳輸數(shù)據(jù)的空間相關(guān)性來更好地進(jìn)行上下行傳輸資源塊的管理與分配，進(jìn)而減少上下行鏈路的通信負(fù)荷。在下行鏈路中，MEC 服務(wù)器可以根據(jù)用戶的數(shù)據(jù)相關(guān)性，從原始的VR 視頻內(nèi)容中提取特定的用戶感興趣的視野內(nèi)容傳輸給用戶，從而減少內(nèi)容重復(fù)傳輸所帶來的傳輸冗余。在上行鏈路中，每個SCBS 可以與具有相似追蹤信息的用戶關(guān)聯(lián)，從而減少用戶視野追蹤數(shù)據(jù)的數(shù)據(jù)量。具體地，在文獻(xiàn)[37]中，該數(shù)據(jù)相關(guān)性感知的傳輸資源分配問題被建模成一個最小化用戶成功傳輸概率（定義為傳輸時延小于最大服務(wù)容忍時延的概率）的優(yōu)化問題，并提出了一種基于聯(lián)合回聲狀態(tài)網(wǎng)絡(luò)和遷移學(xué)習(xí)的機(jī)器學(xué)習(xí)求解算法。通過智能地在SCBS 之間遷移信息，所提算法能快速應(yīng)對由于用戶內(nèi)容請求和內(nèi)容請求分發(fā)變化而導(dǎo)致的無線網(wǎng)絡(luò)環(huán)境的更改。實(shí)驗(yàn)表明，該基于機(jī)器學(xué)習(xí)的智能算法相對于傳統(tǒng)算法以及不考慮數(shù)據(jù)相關(guān)性的傳輸資源分配算法，能夠提升15.8%～29.4%的用戶成功傳輸概率。

5) 混合資源分配

通過對上述研究工作的分析可以發(fā)現(xiàn)，多維度資源之間往往存在復(fù)雜的耦合關(guān)系。例如，在進(jìn)行計(jì)算任務(wù)卸載時，為了節(jié)省小基站與用戶之間的通信鏈路資源而選擇在本地設(shè)備上進(jìn)行任務(wù)計(jì)算，那么本地設(shè)備的能耗將會增大。為了節(jié)省本地設(shè)備的電池電量，選擇將計(jì)算任務(wù)卸載到MEC 服務(wù)器端進(jìn)行計(jì)算，任務(wù)的上傳以及計(jì)算結(jié)果的下載都需要消耗傳輸能量，同時SCBS 與SMD 之間通信鏈路資源的消耗也相應(yīng)增加。另外，當(dāng)SCBS 與SMD的緩存資源減少時，通信鏈路所需的內(nèi)容傳輸次數(shù)將會增加以保證業(yè)務(wù)的正常進(jìn)行，因此通信資源的消耗得到相應(yīng)增加，同時用于文件傳輸?shù)拇螖?shù)增多也將導(dǎo)致系統(tǒng)能耗的增加。由此可見，MEC 賦能的大規(guī)模無線網(wǎng)絡(luò)中各類資源之間是相互耦合，彼此關(guān)聯(lián)的。因此，如何對這些混合資源進(jìn)行高效而又快速的聯(lián)合調(diào)配來提升整個無線網(wǎng)絡(luò)的性能，是另一個需要被廣泛研究的課題。

文獻(xiàn)[38-39]分別從機(jī)器學(xué)習(xí)和傳統(tǒng)優(yōu)化的角度，研究了MEC 系統(tǒng)中多維資源的聯(lián)合優(yōu)化問題。文獻(xiàn)[38]將MEC 系統(tǒng)中的通信與計(jì)算資源聯(lián)合分配問題建模為一個復(fù)雜的決策過程，然后通過數(shù)學(xué)分析，設(shè)計(jì)了一種基于深度強(qiáng)化學(xué)習(xí)（DRL,deep reinforcement learning）的求解算法來解決該多參數(shù)優(yōu)化難題，以實(shí)現(xiàn)最小化資源消耗和計(jì)算時延的目標(biāo)。實(shí)驗(yàn)結(jié)果表明，該深度強(qiáng)化學(xué)習(xí)算法能在通信資源與計(jì)算資源的利用效率上實(shí)現(xiàn)明顯提升。文獻(xiàn)[39]則利用設(shè)備到設(shè)備（D2D,device-to-device）通信來實(shí)現(xiàn)用戶協(xié)作以及減少M(fèi)EC 服務(wù)器負(fù)載。作者通過聯(lián)合優(yōu)化計(jì)算資源、能量資源和通信資源的分配來最小化系統(tǒng)中所有用戶的能量消耗和時延的加權(quán)總和。對于計(jì)算資源分配，作者提出了一種自適應(yīng)優(yōu)化算法來尋找最優(yōu)解；對于能量資源分配，作者提出了一種基于粒子群算法的功率分配算法；對于通信資源分配，作者提出了一種基于Pareto 改進(jìn)和交換操作的一對一匹配算法，并將這種一對一匹配算法擴(kuò)展到多對一匹配場景。最后，基于上述單獨(dú)優(yōu)化方案，作者從傳統(tǒng)優(yōu)化的角度出發(fā)，提出了一種基于調(diào)度的聯(lián)合計(jì)算、功率和通信資源分配算法來實(shí)現(xiàn)系統(tǒng)能耗與服務(wù)時延的聯(lián)合優(yōu)化。

3.4 用戶關(guān)聯(lián)問題

如圖3 所示，在大規(guī)模無線網(wǎng)絡(luò)中，由于大量SCBS 的密集部署，使有些SMD 會同時存在于2 個甚至多個SCBS 的覆蓋區(qū)域內(nèi)，這就導(dǎo)致這類用戶在接入無線網(wǎng)絡(luò)時，擁有多個可供選擇的接入節(jié)點(diǎn)。在MEC 賦能的大規(guī)模無線網(wǎng)絡(luò)中，對于這種用戶多MEC 節(jié)點(diǎn)關(guān)聯(lián)問題，關(guān)聯(lián)準(zhǔn)則可以基于不同SCBS 與用戶之間的信道鏈路狀態(tài)好壞，也可以基于不同SCBS 所配備的MEC 服務(wù)器的計(jì)算能力強(qiáng)弱，還可以基于不同MEC 服務(wù)器中緩存內(nèi)容的匹配度等?？紤]到不同的目標(biāo)時，例如時延最小化、能耗最小化和接入數(shù)量最大化等，上述各角度的關(guān)聯(lián)準(zhǔn)則會相互制約，需要進(jìn)行權(quán)衡和綜合考慮。此外，考慮到SCBS 之間還可以存在D2D 通信，使大規(guī)模無線網(wǎng)絡(luò)中的那些處于單SCBS 覆蓋區(qū)域內(nèi)的用戶仍存在著關(guān)聯(lián)SCBS還是接入D2D通信設(shè)備的接入選擇問題。

1) 基于時延最小化用戶關(guān)聯(lián)

文獻(xiàn)[40]針對大規(guī)模無線網(wǎng)絡(luò)中多MEC 接入節(jié)點(diǎn)場景研究設(shè)計(jì)了基于時延最小化的用戶關(guān)聯(lián)方案。具體地，文獻(xiàn)[40]考慮一個多用戶、多MEC節(jié)點(diǎn)密集部署的大規(guī)模無線網(wǎng)絡(luò)。在這個網(wǎng)絡(luò)中，多個SMD 可以通過無線信道卸載計(jì)算任務(wù)到其所關(guān)聯(lián)的MEC 服務(wù)器上。作者考慮了大規(guī)模無線網(wǎng)絡(luò)中網(wǎng)絡(luò)環(huán)境動態(tài)變化的特性，例如時變信道條件、移動設(shè)備的可用能量以及不同MEC 服務(wù)器的計(jì)算能力等，針對MEC 服務(wù)器的聯(lián)合選擇、協(xié)同卸載和切換問題，提出了一種MEC 服務(wù)器與集中式云相聯(lián)合的協(xié)同計(jì)算卸載機(jī)制。在此基礎(chǔ)上，文獻(xiàn)[40]提出了一種基于DRL 的自適應(yīng)用戶關(guān)聯(lián)、協(xié)作卸載和切換算法，來實(shí)現(xiàn)最小化任務(wù)總計(jì)算時延。

基于時延最小化的用戶關(guān)聯(lián)算法雖然能夠在很大程度上減少服務(wù)時延、提升用戶QoE，但是這類關(guān)聯(lián)策略通常沒有考慮到本地設(shè)備能耗以及關(guān)聯(lián)之后的傳輸能耗，因此這類關(guān)聯(lián)策略往往需要犧牲大量的系統(tǒng)能源來實(shí)現(xiàn)低時延目標(biāo)。與之相反，基于能耗最小化的用戶關(guān)聯(lián)策略則從能耗角度研究了多MEC 節(jié)點(diǎn)系統(tǒng)下的用戶接入選擇問題。

2) 基于能耗最小化用戶關(guān)聯(lián)

同樣在MEC 賦能的大規(guī)模無線網(wǎng)絡(luò)中，考慮MEC 服務(wù)器的多接入情況，文獻(xiàn)[41]從MEC 服務(wù)提供商的運(yùn)營成本角度，著重考慮了以降低計(jì)算卸載能耗為目標(biāo)的聯(lián)合用戶接入選擇以及用戶應(yīng)用遷移問題。作者針對用戶關(guān)聯(lián)問題，考慮了大規(guī)模無線網(wǎng)絡(luò)中的用戶移動性，提出了一種計(jì)算強(qiáng)度（CI,computational intensity）指標(biāo)作為用戶接入選擇的準(zhǔn)則。該指標(biāo)根據(jù)應(yīng)用的計(jì)算和數(shù)據(jù)卸載的需求來描述用戶應(yīng)用程序的類型，然后根據(jù)應(yīng)用類型來選擇合適的MEC 服務(wù)器進(jìn)行關(guān)聯(lián)，同時選擇在合適的MEC 服務(wù)器上部署合適的應(yīng)用服務(wù)內(nèi)容。作者在上述關(guān)聯(lián)準(zhǔn)則的基礎(chǔ)上，將MEC 服務(wù)器選擇和用戶應(yīng)用遷移聯(lián)合考慮，將時延約束下的能量效率最大化問題建模為一個最短路徑問題。實(shí)驗(yàn)結(jié)果表明，隨著CI 的增加，MEC 服務(wù)器的選擇由于能源效率而趨向于中心部署的關(guān)聯(lián)方式，然后又因?yàn)橛脩舻娜萑谭?wù)時延限制而返回到多MEC 服務(wù)器關(guān)聯(lián)部署的模式。同時，文獻(xiàn)[41]還發(fā)現(xiàn)，在聯(lián)合高精度的用戶移動性預(yù)測以及可用資源預(yù)測下，可以實(shí)現(xiàn)預(yù)先計(jì)算移動用戶的關(guān)聯(lián)選擇策略以及預(yù)先在MEC 服務(wù)器上進(jìn)行應(yīng)用部署，以提高系統(tǒng)的能量利用效率。

通過對上述用戶關(guān)聯(lián)問題現(xiàn)有研究工作的分析可以發(fā)現(xiàn)，基于時延最小化的用戶關(guān)聯(lián)是一種以用戶為中心的關(guān)聯(lián)方式，是為了提升用戶的服務(wù)體驗(yàn)；而基于能耗最小化的用戶關(guān)聯(lián)則是一種以網(wǎng)絡(luò)為中心的關(guān)聯(lián)方式，是為了提高系統(tǒng)的能效，減少運(yùn)營成本。在實(shí)際系統(tǒng)中，時延與能效通常需要聯(lián)合考慮，以實(shí)現(xiàn)最小能耗下的最優(yōu)服務(wù)質(zhì)量。

3) 基于能耗?時延權(quán)衡用戶關(guān)聯(lián)

文獻(xiàn)[42-44]都從能耗和時延共同定義的用戶QoE 角度出發(fā)，研究了能耗與時延權(quán)衡下的用戶關(guān)聯(lián)策略問題。

文獻(xiàn)[42]研究了在MEC 賦能的大規(guī)模無線網(wǎng)絡(luò)中，多MEC 服務(wù)器的多任務(wù)卸載模型，并對用戶的關(guān)聯(lián)問題和接入節(jié)點(diǎn)的業(yè)務(wù)部署問題進(jìn)行了聯(lián)合優(yōu)化?？紤]到任務(wù)卸載和執(zhí)行所導(dǎo)致的時延增加和能量消耗，文獻(xiàn)[42]設(shè)計(jì)了一個基于時延和能量消耗的效用函數(shù)，并以最小化該效用函數(shù)為目標(biāo)來解決該多MEC 服務(wù)器模型中的用戶關(guān)聯(lián)和業(yè)務(wù)部署問題?？紤]到建模問題的復(fù)雜性，作者設(shè)計(jì)了一種新的基于粒子群算法的優(yōu)化算法來解決這一問題。文獻(xiàn)[43]同樣也從能耗和服務(wù)時延的角度出發(fā)，定義了QoE 感知的代價函數(shù)來作為網(wǎng)絡(luò)中的性能指標(biāo)，通過對用戶關(guān)聯(lián)策略的優(yōu)化來提升網(wǎng)絡(luò)的系統(tǒng)性能。其中考慮的能耗產(chǎn)生于用戶設(shè)備上行傳輸時的傳輸耗能，服務(wù)時延定義為SMD 到MEC 服務(wù)器的傳輸時延和用戶業(yè)務(wù)在MEC 服務(wù)器上進(jìn)行計(jì)算的計(jì)算時延之和。作者通過將上述用戶接入選擇問題建模成一個0-1 整數(shù)規(guī)劃問題，提出了一種迭代優(yōu)化求解算法，來最小化其定義的QoE 函數(shù)。文獻(xiàn)[44]也是針對MEC 賦能大規(guī)模無線網(wǎng)絡(luò)中的用戶接入選擇問題，提出了一種考慮用戶QoE 的用戶關(guān)聯(lián)選擇算法來最大化用戶的QoE。在該研究工作中，作者創(chuàng)建了統(tǒng)一的基于平均意見評分（MOS,mean opinion score）的QoE 函數(shù)作為性能指標(biāo)。MOS 的評分標(biāo)準(zhǔn)采用基于時延和能耗的偽主觀評價方法，在關(guān)注用戶體驗(yàn)的同時，定義滿足接入節(jié)點(diǎn)選擇實(shí)時性要求的QoE 函數(shù)。最后，文獻(xiàn)[44]采用基于模擬退火算法的優(yōu)化算法來求解該問題，達(dá)到了比最大信噪比關(guān)聯(lián)算法更優(yōu)異的性能。

通過文獻(xiàn)[42-44]的研究工作可以發(fā)現(xiàn)，它們在進(jìn)行能耗與時延聯(lián)合優(yōu)化下的用戶關(guān)聯(lián)問題研究時，都是采用的加權(quán)和的方式來定義一個聯(lián)合優(yōu)化目標(biāo)，這也是聯(lián)合優(yōu)化問題中的一種常見手段。然而通過本文前面的分析可以發(fā)現(xiàn)，在MEC 賦能的大規(guī)模無線網(wǎng)絡(luò)中，時延與能耗之間往往是具有復(fù)雜的耦合關(guān)系的，而不是簡單的線性加權(quán)關(guān)系。針對MEC 賦能大規(guī)模無線網(wǎng)絡(luò)基于更有效的能耗與時延聯(lián)合優(yōu)化用戶關(guān)聯(lián)問題，博弈論[45]、機(jī)器學(xué)習(xí)[46]和多屬性效用函數(shù)[47]等方法作為可供切入的方法，需要被進(jìn)一步研究。

3.5 隱私保護(hù)問題

在大規(guī)模無線網(wǎng)絡(luò)中，由于大量的SCBS 的部署，邊緣網(wǎng)絡(luò)中海量的接入用戶以及繁多的應(yīng)用業(yè)務(wù)，使整個網(wǎng)絡(luò)中的網(wǎng)絡(luò)環(huán)境極其復(fù)雜。復(fù)雜的網(wǎng)絡(luò)環(huán)境使黑客以及惡意用戶、惡意無線節(jié)點(diǎn)的混入更容易，邊緣網(wǎng)絡(luò)環(huán)境的安全性和隱私性受到極大威脅。此外，在大規(guī)模無線網(wǎng)絡(luò)中采用MEC 技術(shù)之后，由于邊緣計(jì)算的任務(wù)卸載、內(nèi)容感知、并行處理等開放特性，使在密集接入的大規(guī)模無線網(wǎng)絡(luò)環(huán)境下就已經(jīng)存在的隱私保護(hù)問題得到進(jìn)一步凸顯[48]。具體地，MEC 賦能的大規(guī)模無線網(wǎng)絡(luò)作為一個開放式的通信生態(tài)系統(tǒng)，用戶通常會授權(quán)關(guān)聯(lián)的MEC 節(jié)點(diǎn)對自己的數(shù)據(jù)進(jìn)行處理與分析。在這一過程中，若是某些MEC 服務(wù)器被惡意篡改或操縱，那么用戶的隱私數(shù)據(jù)，包括位置信息、身份信息、業(yè)務(wù)瀏覽記錄等，將會存在被竊取和泄露的風(fēng)險(xiǎn)。此外，當(dāng)用戶中混入竊聽者或者其他惡意用戶時，它們同樣可以利用開放式的MEC 系統(tǒng)，通過D2D 通信方式直接竊取其他用戶的隱私數(shù)據(jù)，或者通過訪問MEC 服務(wù)器節(jié)點(diǎn)來間接竊取服務(wù)器上存儲的用戶數(shù)據(jù)，以實(shí)現(xiàn)非法盈利等目的。

MEC 賦能的大規(guī)模無線網(wǎng)絡(luò)中的隱私數(shù)據(jù)泄露，例如自動駕駛業(yè)務(wù)的用戶數(shù)據(jù)泄露、醫(yī)療服務(wù)的用戶數(shù)據(jù)泄露等，將會對用戶的人生財(cái)產(chǎn)安全造成極大的威脅，同時也可能對服務(wù)提供商造成巨大的經(jīng)濟(jì)損失。因此，MEC 賦能的大規(guī)模無線網(wǎng)絡(luò)中，隱私保護(hù)問題具有重要的研究意義。目前，該方面的研究工作主要可以從隱私類型進(jìn)行分類，分為用戶位置隱私保護(hù)和用戶數(shù)據(jù)隱私保護(hù)。本節(jié)將從這2 個方面來對最近幾年的隱私保護(hù)重點(diǎn)研究成果進(jìn)行綜述。

1) 用戶位置隱私保護(hù)

低時延與位置感知作為MEC系統(tǒng)的兩大特點(diǎn)，極大地推動了基于位置服務(wù)（LBS,location-based service）的應(yīng)用，擴(kuò)展了MEC 技術(shù)的應(yīng)用范圍[49]。隨著LBS 的大量興起，例如地圖導(dǎo)航服務(wù)、位置共享服務(wù)等，在方便用戶生活的同時也引起了人們對位置隱私保護(hù)的關(guān)注。相應(yīng)地，MEC 系統(tǒng)下位置隱私保護(hù)機(jī)制（LPPM,location privacy preservation mechanism）是一個重要的研究課題，也有大量的工作進(jìn)行這一方面的研究。

文獻(xiàn)[50]研究了MEC 系統(tǒng)中基于用戶位置的服務(wù)遷移問題，其中服務(wù)遷移是指隨著用戶位置的不斷變化，系統(tǒng)控制中心盡量把與用戶相對應(yīng)的服務(wù)內(nèi)容布置到與用戶靠近的MEC 節(jié)點(diǎn)上，以進(jìn)一步減少服務(wù)時延。作者將系統(tǒng)的總代價定義為服務(wù)遷移代價、服務(wù)時延和位置隱私泄露風(fēng)險(xiǎn)的組合。針對隱私風(fēng)險(xiǎn)的數(shù)學(xué)定義，文中考慮到業(yè)務(wù)需要遷移部署到用戶周圍的MEC 節(jié)點(diǎn)上，因此，用戶的位置離服務(wù)部署的距離越遠(yuǎn)，用戶位置隱私泄露的風(fēng)險(xiǎn)越低，但是所帶來的代價就是服務(wù)的時延越高。作者將系統(tǒng)總代價最小化問題建模成一個Markov 決策過程，并提出了一種改進(jìn)的策略迭代算法來求解最優(yōu)業(yè)務(wù)遷移決策問題。與文獻(xiàn)[50]考慮用戶位置隱私保護(hù)與系統(tǒng)性能之間的權(quán)衡不同，文獻(xiàn)[51]則專注于MEC 系統(tǒng)中的位置隱私保護(hù)問題，致力于提升用戶位置信息的抗竊取能力。具體地，文獻(xiàn)[51]中假設(shè)系統(tǒng)中有竊聽者的存在，考慮竊聽者通過觀察MEC 系統(tǒng)中服務(wù)的遷移情況，來估計(jì)相應(yīng)用戶的位置軌跡信息。針對這種竊聽者，為了保護(hù)用戶的位置隱私，作者提出了一套基于chaff的保護(hù)策略來對抗竊聽者的竊聽：模仿策略，模仿用戶的移動性；最大似然策略，最大化運(yùn)動軌跡的似然概率；最優(yōu)離線策略，根據(jù)用戶的整個軌跡，最大限度地降低竊聽者的跟蹤精度；最優(yōu)在線策略，基于用戶歷史軌跡，最小化期望跟蹤精度。文中的研究與分析表明，在假設(shè)竊聽者執(zhí)行最大似然檢測來估計(jì)用戶的位置軌跡時，執(zhí)行模范策略和最大似然策略作為對抗策略，可以將竊聽者對用戶的軌跡估計(jì)準(zhǔn)確度降低到10%～20%。同時，作者還在文中證明，當(dāng)用戶的移動是充分隨機(jī)時，基于最優(yōu)策略（離線或在線）的對抗策略可以將竊聽者的跟蹤精度衰減為0。另外，文獻(xiàn)[52]還從用戶社交信息的角度，通過圖學(xué)習(xí)的方法來學(xué)習(xí)用戶的社交數(shù)據(jù)以滿足基于位置的業(yè)務(wù)服務(wù)，避免了對用戶位置信息的直接獲取，降低了用戶位置隱私泄露的風(fēng)險(xiǎn)。文獻(xiàn)[52]所提思路雖然能夠起到保護(hù)用戶位置隱私的作用，但是用戶的社交數(shù)據(jù)作為用戶的一種敏感數(shù)據(jù)，同樣也需要得到保護(hù)。

2) 用戶數(shù)據(jù)隱私保護(hù)

用戶的隱私數(shù)據(jù)包括用戶服務(wù)請求數(shù)據(jù)（如瀏覽記錄）、本地存儲的隱私信息（如銀行卡數(shù)據(jù)）、用戶社交數(shù)據(jù)（如家庭信息）等涉及用戶隱私的各方面，是用戶不愿公開的數(shù)據(jù)。用戶隱私數(shù)據(jù)的泄露可能會嚴(yán)重威脅用戶的人身財(cái)產(chǎn)安全。然而，很多以用戶為中心的服務(wù)，例如基于用戶興趣的內(nèi)容緩存、基于社交信息的推薦系統(tǒng)等，往往需要基于對用戶數(shù)據(jù)的分析來保障業(yè)務(wù)的正常進(jìn)行。因此，在保證用戶隱私不被泄露的同時，允許對用戶的隱私數(shù)據(jù)進(jìn)行各類分析和操作是當(dāng)前用戶數(shù)據(jù)隱私保護(hù)的研究重點(diǎn)。

文獻(xiàn)[53]研究了在具有動態(tài)網(wǎng)絡(luò)環(huán)境的MEC系統(tǒng)中，如何在提供內(nèi)容緩存業(yè)務(wù)的同時保護(hù)用戶的隱私緩存數(shù)據(jù)。作者首先提出了一個基于區(qū)塊鏈?zhǔn)跈?quán)的分布式內(nèi)容安全緩存框架，其中SMD 執(zhí)行內(nèi)容緩存，MEC 服務(wù)器維護(hù)用于進(jìn)行許可授權(quán)的區(qū)塊鏈密鑰，這樣當(dāng)有外界用戶想要訪問用戶本地設(shè)備上的緩存內(nèi)容時，必須要得到相應(yīng)MEC 服務(wù)器的訪問授權(quán)才允許訪問，這樣就達(dá)到了保護(hù)用戶本地隱私數(shù)據(jù)安全的目的。然后利用一種改進(jìn)的DRL方法設(shè)計(jì)了一種考慮用戶移動性的最佳內(nèi)容緩存方案，以實(shí)現(xiàn)對動態(tài)網(wǎng)絡(luò)環(huán)境的自適應(yīng)。最后考慮到傳統(tǒng)區(qū)塊鏈?zhǔn)跈?quán)認(rèn)證方法的復(fù)雜性，提出了一種新的區(qū)塊鏈驗(yàn)證器選擇方法來簡化授權(quán)認(rèn)證過程。通過將區(qū)塊鏈技術(shù)和DRL 技術(shù)相結(jié)合，實(shí)現(xiàn)了在保護(hù)用戶緩存數(shù)據(jù)隱私的同時提供安全的內(nèi)容緩存服務(wù)。文獻(xiàn)[53]中用戶相當(dāng)于緩存內(nèi)容的提供者，而其中用來保護(hù)用戶隱私的區(qū)塊鏈技術(shù)實(shí)際上相當(dāng)于一種加密技術(shù)，通過密鑰的認(rèn)證授權(quán)來保證用戶緩存數(shù)據(jù)的安全訪問。

類似地，文獻(xiàn)[54]考慮了MEC 服務(wù)器作為緩存內(nèi)容的提供者來提供緩存服務(wù)的場景，實(shí)際中的云盤服務(wù)就是這類場景的一個典型應(yīng)用。用戶通過將自己的一些數(shù)據(jù)上傳保存到MEC 服務(wù)中，以節(jié)省本地SMD 的緩存資源。但是，如何保證用戶數(shù)據(jù)在MEC 服務(wù)器中的安全不泄露，關(guān)系到這類業(yè)務(wù)的用戶數(shù)據(jù)隱私保護(hù)，是文獻(xiàn)[54]的研究重點(diǎn)。在該文中，作者提出了一種基于博弈論的安全緩存方案，來保護(hù)用戶的數(shù)據(jù)隱私。首先，為了保證提供安全的內(nèi)容緩存業(yè)務(wù)，作者設(shè)計(jì)了一種基于直接信任度和間接信任度來推斷SCBS 信任度的信任評估機(jī)制。根據(jù)信任度，移動用戶可以初步評估SCBS的安全性。接著，為了在保護(hù)用戶隱私的同時保證緩存內(nèi)容的完整性，提出了一種基于中國余數(shù)定理（CRT,Chinese remainder theorem）的內(nèi)容加密協(xié)議。該協(xié)議包括片段加密和片段認(rèn)證兩部分。每個片段都用CRT 加密成一個數(shù)字，并且使用循環(huán)哈希鏈進(jìn)行身份驗(yàn)證。最后通過Stackelberg 博弈來研究SMD與SCBS 之間的交互，其中可信任的SCBS 將會被選取用來為用戶提供多歸屬訪問的緩存業(yè)務(wù)，并通過求解SMD 與SCBS 之間的聯(lián)合平均利潤共同最大化問題來實(shí)現(xiàn)Stackelberg 均衡。

通過文獻(xiàn)[53-54]可以發(fā)現(xiàn)，它們都是從加密的角度來為用戶的數(shù)據(jù)隱私提供保護(hù)。事實(shí)上，在MEC 賦能的大規(guī)模無線網(wǎng)絡(luò)中的用戶數(shù)據(jù)隱私保護(hù)的研究中，除了文獻(xiàn)[53]中基于區(qū)塊鏈的加密機(jī)制以及文獻(xiàn)[54]中基于博弈論的加密機(jī)制之外，還有眾多加密機(jī)制被用于用戶數(shù)據(jù)隱私保護(hù)。例如文獻(xiàn)[55]提出了基于概率公鑰加密技術(shù)的來實(shí)現(xiàn)數(shù)據(jù)隱私保護(hù)的用戶排名查詢業(yè)務(wù)，文獻(xiàn)[56]提出了基于混沌系統(tǒng)偽隨機(jī)置換的加密技術(shù)來保護(hù)用戶數(shù)據(jù)隱私。值得注意的是，雖然這些基于加密機(jī)制的隱私保護(hù)方案能夠在提供應(yīng)用服務(wù)的同時在一定程度上保護(hù)用戶的隱私數(shù)據(jù)，但是這類方法都必須引入額外的加密、認(rèn)證、解密操作，這無疑會增加系統(tǒng)額外的資源消耗，降低系統(tǒng)的資源利用效率。因此，研究解決用戶數(shù)據(jù)隱私保護(hù)與服務(wù)質(zhì)量之間的矛盾是未來的一個重要研究方向。

3.6 總結(jié)與展望

前文從計(jì)算卸載問題、邊緣緩存問題、多維資源分配問題、用戶關(guān)聯(lián)問題和隱私保護(hù)問題這5 個角度出發(fā)，綜述了移動邊緣計(jì)算與緩存技術(shù)賦能的大規(guī)模無線網(wǎng)絡(luò)中仍亟待解決的關(guān)鍵問題以及現(xiàn)有的一些解決方案。表1 從關(guān)鍵問題、關(guān)鍵研究點(diǎn)、方法論3 個方面對上述解決方案進(jìn)行了綜合分析與總結(jié)。

當(dāng)前研究工作中，對于邊緣網(wǎng)絡(luò)中通信、計(jì)算、緩存資源的考慮相對獨(dú)立，而新型應(yīng)用的實(shí)時性需求一般較高，需要深度融合這三者以降低時延和網(wǎng)絡(luò)負(fù)載；需要深入研究編碼緩存與邊緣計(jì)算之間的交互機(jī)理和邊緣網(wǎng)絡(luò)編碼緩存方案的自動化設(shè)計(jì)與自適應(yīng)調(diào)整；探索建立能定量表征計(jì)算、緩存資源轉(zhuǎn)化為通信增益的多維混合資源調(diào)配優(yōu)化模型，打破傳統(tǒng)模型中通信、計(jì)算、緩存資源相對獨(dú)立的架構(gòu)，實(shí)現(xiàn)資源有機(jī)整合。

未來的研究方向還包括以下幾個方面。

1) 考慮卸載、緩存、資源分配和用戶關(guān)聯(lián)相混合的多維度聯(lián)合優(yōu)化，系統(tǒng)性地研究各個維度的策略對系統(tǒng)性能的影響，揭示MEC 賦能的大規(guī)模無線網(wǎng)絡(luò)中這些關(guān)鍵問題之間的內(nèi)在關(guān)系。

2) 關(guān)注用戶隱私保護(hù)，研究隱私保護(hù)與系統(tǒng)性能之間的矛盾，探索MEC 賦能大規(guī)模無線網(wǎng)絡(luò)架構(gòu)下新型的隱私保護(hù)方案。

3) 探索人工智能驅(qū)動的邊緣密集網(wǎng)絡(luò)，研究如深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)、聯(lián)邦學(xué)習(xí)等在內(nèi)的機(jī)器學(xué)習(xí)方法對解決上述關(guān)鍵各類問題所能提供的幫助。

4) 在緩存使能的大規(guī)模網(wǎng)絡(luò)中使用數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)與無線傳輸物理層理論，設(shè)計(jì)自洽式的傳輸方案。

5) 構(gòu)建去中心化的云邊協(xié)同以及各邊緣節(jié)點(diǎn)間協(xié)同傳輸機(jī)制，挖掘邊緣網(wǎng)絡(luò)中邊緣緩存的容量性能極限。

6) 研究大規(guī)模網(wǎng)絡(luò)中無線緩存網(wǎng)絡(luò)的物理層傳輸機(jī)制，實(shí)現(xiàn)低時延、高吞吐率的邊緣網(wǎng)絡(luò)通信。為無線緩存網(wǎng)絡(luò)邊緣節(jié)點(diǎn)自洽式智能干擾管理建立數(shù)學(xué)模型，以解決由于大量信息交互引起的時延開銷增大以及通信質(zhì)量下降等問題。

7) 為支持新型邊緣計(jì)算任務(wù)，設(shè)計(jì)新型無線緩存方案。例如，為邊緣計(jì)算場景下的聯(lián)邦學(xué)習(xí)任務(wù)提供無線緩存服務(wù)，揭示聯(lián)邦學(xué)習(xí)任務(wù)的收斂速度和性能。

4 隱私保護(hù)的邊緣計(jì)算與緩存

如圖3 所示，在典型MEC 賦能的大規(guī)模無線網(wǎng)絡(luò)中，可以通過深度卷積神經(jīng)網(wǎng)絡(luò)來提供一種圖像分類業(yè)務(wù)。用戶可以通過MEC 節(jié)點(diǎn)獲取分類器來對自己所需要分類的圖片進(jìn)行分類，從而實(shí)現(xiàn)MEC 節(jié)點(diǎn)對該分類業(yè)務(wù)的交付。具體地，主要有2種實(shí)現(xiàn)方式。第一，假設(shè)網(wǎng)絡(luò)中某些用戶作為服務(wù)的請求者，向附近的MEC 接入節(jié)點(diǎn)請求對自己本地設(shè)備上的某一張或某幾張圖片進(jìn)行分類。此時，收到分類業(yè)務(wù)請求的MEC 節(jié)點(diǎn)，就會利用存儲在其MEC 服務(wù)器中的圖片分類器對用戶的待分類圖片進(jìn)行分類，再返回用戶相應(yīng)的分類結(jié)果。第二，收到分類業(yè)務(wù)請求的MEC 節(jié)點(diǎn)，直接將存儲在其MEC 服務(wù)器中的圖片分類器下發(fā)給對應(yīng)用戶，讓其自行執(zhí)行分類操作?？梢姡诸惼魇窃擃悩I(yè)務(wù)的核心。鑒于基于深度卷積神經(jīng)網(wǎng)絡(luò)的分類器是處理當(dāng)前業(yè)務(wù)最常見和高效的手段，故本文以此來實(shí)現(xiàn)該類圖像分類業(yè)務(wù)。需要指出的是，這類分類器往往需要經(jīng)過大量的數(shù)據(jù)訓(xùn)練過程之后，才能達(dá)到足夠高的分類準(zhǔn)確率。

表1 MEC 賦能大規(guī)模網(wǎng)絡(luò)中關(guān)鍵問題和解決方案的分析與總結(jié)

在該通信網(wǎng)絡(luò)架構(gòu)下，集中式的訓(xùn)練是一種常用的訓(xùn)練方法。具體地，假設(shè)每個用戶在本地設(shè)備上都擁有一定數(shù)量的標(biāo)簽圖像數(shù)據(jù)，但是受限于存儲能力以及用戶習(xí)慣，每個用戶設(shè)備上的標(biāo)簽圖像數(shù)據(jù)數(shù)量有限，無法單獨(dú)支撐起一個分類器的訓(xùn)練。為此，MEC 服務(wù)器可以通過收集所有用戶的數(shù)據(jù)，在MEC 服務(wù)器端得到一個總的數(shù)據(jù)集。接著，利用其強(qiáng)大的計(jì)算能力，在服務(wù)器端對分類器進(jìn)行集中式訓(xùn)練。文獻(xiàn)[57]表明，這種集中式的訓(xùn)練方法可以使分類器達(dá)到非常高的準(zhǔn)確率。但是，由于該集中式的訓(xùn)練過程涉及用戶本地的圖像數(shù)據(jù)的收集，可能對用戶的數(shù)據(jù)隱私安全造成極大的威脅。而在隱私保護(hù)日益受到重視的當(dāng)今社會，上述威脅用戶隱私的集中式訓(xùn)練方式是無法被容忍的。鑒于此，本文充分利用MEC 賦能大規(guī)模無線網(wǎng)絡(luò)中的豐富計(jì)算資源與緩存資源，提出了一種基于聯(lián)邦學(xué)習(xí)[58]的分布式訓(xùn)練架構(gòu)，在對分類器進(jìn)行有效訓(xùn)練的同時，還實(shí)現(xiàn)對用戶數(shù)據(jù)隱私的保護(hù)。此外，本文還利用MEC 服務(wù)器中豐富的緩存資源對傳統(tǒng)的聯(lián)邦學(xué)習(xí)方案進(jìn)行了改進(jìn)，提出了一種帶緩存的聯(lián)邦學(xué)習(xí)算法。該算法能夠在保護(hù)用戶數(shù)據(jù)隱私的同時，提高分類器的分類準(zhǔn)確率，從而有效改善用戶的服務(wù)質(zhì)量。

4.1 隱私保護(hù)方案

在存在I個SMD、S個SCBS 和一個MBS 的MEC 賦能大規(guī)模無線網(wǎng)絡(luò)場景中，本文利用SMD與MEC 服務(wù)器都具有計(jì)算能力的特點(diǎn)，提出了一種基于聯(lián)邦學(xué)習(xí)的訓(xùn)練框架。具體地，假設(shè)每個SMD 上都能部署一個分類器網(wǎng)絡(luò)，第i個SMD 上部署的分類器網(wǎng)絡(luò)參數(shù)可以表示為iΘ，每個用戶都可以在本地利用自身的圖片數(shù)據(jù)集單獨(dú)訓(xùn)練自己的分類器網(wǎng)絡(luò)。不過，如果用戶僅依靠本地的少量數(shù)據(jù)集來對分類器進(jìn)行訓(xùn)練，分類器將難以達(dá)到一個較高分類準(zhǔn)確率。因此，基于聯(lián)邦學(xué)習(xí)的框架使每個SCBS 每隔一定的時間并行且同步地從各自服務(wù)范圍內(nèi)隨機(jī)挑選一個用戶，表示為=1，?is∈Is。其中，is為第s個SCBS 所挑選到的用戶編號，Is為第s個SCBS 服務(wù)范圍內(nèi)的用戶集合。當(dāng)用戶is∈Is未被挑選時，。在s號SCBS 服務(wù)區(qū)內(nèi)，當(dāng)時，該SCBS 將發(fā)送自己當(dāng)前所擁有的全局模型ΘG(t)給用戶is進(jìn)行E次本地訓(xùn)練。本地訓(xùn)練結(jié)束后，用戶is上傳訓(xùn)練后的本地分類器的網(wǎng)絡(luò)參數(shù)給其所連接的SCBS。每個SCBS 接收到上傳的網(wǎng)絡(luò)參數(shù)后，通過回程鏈路上傳給 MBS 進(jìn)行參數(shù)聚合，即。聚合之后，MBS 將ΘG(t+1)發(fā)送給每個SCBS。接著，每個SCBS 將再次并行且同步地從各自服務(wù)范圍內(nèi)隨機(jī)挑選一個用戶，然后重復(fù)上述通信交互過程。

一般地，上述通信交互過程可被稱為一個通信回合，其中t代表著第t次通信回合。每個通信回合中得到的聚合參數(shù)體現(xiàn)了本輪所有參與聚合的用戶的本地?cái)?shù)據(jù)特征，可見其間接地?cái)U(kuò)充了分類器的訓(xùn)練數(shù)據(jù)。同時，在每個通信回合中，SMD 與SCBS 之間僅進(jìn)行了分類器網(wǎng)絡(luò)參數(shù)的交互，而不涉及任何與用戶本地圖片數(shù)據(jù)有關(guān)的交互，因此有效地保護(hù)了用戶的隱私。

此外，針對上述基于聯(lián)邦學(xué)習(xí)的分布式訓(xùn)練方案，利用MEC 服務(wù)器上的緩存資源，本文對上述方案進(jìn)行了改進(jìn)，提出了一種帶緩存的聯(lián)邦學(xué)習(xí)訓(xùn)練方案。具體而言，在第t個通信回合，每個SCBS收到ΘG(t)之后，將其存儲到自己的MEC服務(wù)器中。在下一次通信回合到來后，每個SCBS 將再從MBS 收到該回合的聚合參數(shù)ΘG(t+1)。此時，每個SCBS 將對第t次和第t+1次的聚合參數(shù)進(jìn)行一個加權(quán)和以得到新的聚合參數(shù)，即ΘG(t+1)←λΘG(t)+(1?λ)ΘG(t+1)，其中λ為加權(quán)因子。接著，每個SCBS 再將新參數(shù)ΘG(t+1)廣播給各自服務(wù)范圍內(nèi)的用戶，并同時存儲到自己的MEC 服務(wù)器中，以用于進(jìn)行下一個回合的加權(quán)求和操作。

上述訓(xùn)練期間的參數(shù)傳遞流程可用圖5 表示。在整個訓(xùn)練期間，通信系統(tǒng)中不涉及任何與用戶隱私有關(guān)的數(shù)據(jù)傳遞。在該聯(lián)邦學(xué)習(xí)框架中，僅有模型參數(shù)在進(jìn)行交互與傳遞，因此該過程不會涉及。該考慮隱私保護(hù)的帶緩存的聯(lián)邦學(xué)習(xí)訓(xùn)練算法如算法1 所示。

圖5 隱私保護(hù)的帶緩存的聯(lián)邦學(xué)習(xí)訓(xùn)練算法參數(shù)傳遞流程

算法1隱私保護(hù)的帶緩存聯(lián)邦學(xué)習(xí)訓(xùn)練算法

MBS 端隨機(jī)初始化ΘG(0)；

對每個SCBS，?s∈{1,2,…,S}并行初始化指令參數(shù)；初始化回合數(shù)t=0；

4.2 實(shí)驗(yàn)與仿真

典型的圖像分類任務(wù)如下。假設(shè)每個用戶都擁有一定數(shù)量的標(biāo)簽圖像數(shù)據(jù)，這些數(shù)據(jù)來源于Cifar-10[57]數(shù)據(jù)集，并且每個用戶訓(xùn)練數(shù)據(jù)的類別分布q服從參數(shù)為α的迪利克雷分布Dir()α。為了保證用戶之間數(shù)據(jù)分布呈現(xiàn)非獨(dú)立同分布特性，本文取α=0.5。假設(shè)每個用戶都可以在本地使用相同的神經(jīng)網(wǎng)絡(luò)進(jìn)行模型的訓(xùn)練，且分類器模型都為ResNet18[59]。

圖6 和圖7 分別給出了總用戶數(shù)為400 和500時的算法性能對比仿真結(jié)果，其中SCBS 數(shù)目為10，λ=0.990。從圖6 中可以看出，無論是否使用緩存策略，F(xiàn)L 算法都可以收斂，但是采用緩存策略的FL 算法取得了更高的測試準(zhǔn)確率。結(jié)合圖7 和表2可以發(fā)現(xiàn)，當(dāng)λ=0.990、用戶數(shù)為500 時，采用緩存策略后僅提升了0.34%的性能。該結(jié)果表明具有緩存策略的FL 可以在一定程度上抵制用戶數(shù)目增大帶來的泛化性能損失。然而，緩存所帶來的增益同時受到多個參數(shù)影響，如每次通信處于激活狀態(tài)的接入點(diǎn)數(shù)量和本地訓(xùn)練所使用模型的容量等，這導(dǎo)致了隨著用戶數(shù)目的增大，緩存的增益趨于遞減的趨勢。不過，需要指出的是，進(jìn)一步調(diào)整緩存權(quán)重因子λ，所提算法的性能能夠獲得進(jìn)一步提升。例如，通過表2 可以發(fā)現(xiàn)，當(dāng)總用戶數(shù)為500 時，設(shè)置λ=0.991，所提算法將能夠達(dá)到1.48%的識別準(zhǔn)確率提升。同樣地，當(dāng)用戶數(shù)為400 時，設(shè)置λ=0.997，所提算法可以獲得2.33%的準(zhǔn)確率提升。

圖6 總用戶數(shù)為400 時2 種方案訓(xùn)練過程對比（λ=0.990）

圖7 總用戶數(shù)為500 時2 種方案訓(xùn)練過程對比（λ=0.990）

此外，從表2 中還可以看出，隨著用戶數(shù)目增大，2 種方案的準(zhǔn)確率都有所下降，這主要是因?yàn)橛脩魯?shù)目增大導(dǎo)致每個用戶分得的本地?cái)?shù)據(jù)減小，本地訓(xùn)練過擬合的風(fēng)險(xiǎn)增加。

圖8 給出了在不同SCBS 數(shù)量下，2 種方案在分類準(zhǔn)確率上的對比。從圖8 中可以看出，在固定用戶數(shù)為500 的場景中，隨著通信接入點(diǎn)數(shù)量的增大，F(xiàn)L 的性能有不同程度的提升。如通信接入點(diǎn)為5、10 和15 時，所提算法可以一直獲得比傳統(tǒng)無緩存的FL 方法更高的準(zhǔn)確率。

表2 2 種方案在不同用戶數(shù)上的性能對比

圖8 2 種方案在不同SCBS 數(shù)量上的性能對比（λ=0.990）

綜上所述，在邊緣計(jì)算任務(wù)中，所提算法可以在保證不侵犯用戶數(shù)據(jù)隱私的條件下使用FL框架，充分利用分散在用戶本地設(shè)備的數(shù)據(jù)和算力，以獲得整個計(jì)算任務(wù)的性能提升。同時，為聯(lián)邦學(xué)習(xí)框架增加緩存策略，通過合理利用聯(lián)邦學(xué)習(xí)優(yōu)化過程中產(chǎn)生的歷史信息，可以進(jìn)一步提升邊緣計(jì)算任務(wù)的收斂速度和性能。

5 結(jié)束語

隨著信息化時代的到來，各類新型無線業(yè)務(wù)呈現(xiàn)出爆發(fā)式增長，對無線通信網(wǎng)絡(luò)提出了嚴(yán)峻挑戰(zhàn)。移動邊緣計(jì)算與緩存技術(shù)賦能大規(guī)模無線網(wǎng)絡(luò)能夠同時滿足大規(guī)模接入、密集計(jì)算與密集緩存等業(yè)務(wù)需求，被作為一項(xiàng)非常具有前景的技術(shù)用于解決上述挑戰(zhàn)。本文分別從大規(guī)模無線網(wǎng)絡(luò)中的移動邊緣計(jì)算與移動邊緣緩存的基本概念出發(fā)，介紹了三者的相關(guān)背景知識。接著，針對未來大規(guī)模無線網(wǎng)絡(luò)的移動邊緣計(jì)算與緩存技術(shù)，綜述了最近研究工作在計(jì)算卸載問題、邊緣緩存問題、多維資源分配問題、用戶關(guān)聯(lián)問題和隱私保護(hù)問題這些關(guān)鍵問題上的相關(guān)研究，并指出了未來的一些研究重點(diǎn)和研究方向。最后，本文針對關(guān)鍵問題中的隱私保護(hù)問題，提出了一種MEC 賦能大規(guī)模無線網(wǎng)絡(luò)中基于聯(lián)邦學(xué)習(xí)的隱私保護(hù)的業(yè)務(wù)服務(wù)架構(gòu)，并進(jìn)一步利用MEC 服務(wù)器上的豐富緩存資源提出了一種帶緩存的改進(jìn)型聯(lián)邦學(xué)習(xí)算法，實(shí)現(xiàn)了保護(hù)用戶隱私的同時，提升服務(wù)的質(zhì)量。