輔助駕駛場景下網(wǎng)絡(luò)資源規(guī)劃配置聯(lián)合優(yōu)化技術(shù)研究

李春艷

摘要：5G特色的應(yīng)用場景對于網(wǎng)絡(luò)的服務(wù)質(zhì)量有極高的要求，需要網(wǎng)絡(luò)提供確定性的服務(wù)，包括確定性低延遲、確定性網(wǎng)絡(luò)抖動等。邊緣計算技術(shù)對于提供超低時延和抖動的網(wǎng)絡(luò)服務(wù)具有優(yōu)勢，但在確定性網(wǎng)絡(luò)服務(wù)上還存在不足。針對以上問題，本文擬以基于邊緣計算的確定性網(wǎng)絡(luò)為主要研究對象，結(jié)合新興應(yīng)用的確定性網(wǎng)絡(luò)服務(wù)需求，運(yùn)用軟件定義和網(wǎng)絡(luò)功能虛擬化技術(shù)，研究計算、存儲和網(wǎng)絡(luò)資源的聯(lián)合優(yōu)化機(jī)制，提供確定性的延遲、抖動等網(wǎng)絡(luò)傳輸能力，充分發(fā)揮邊緣計算的優(yōu)勢，提供確定性的網(wǎng)絡(luò)服務(wù)，增強(qiáng)用戶體驗。

關(guān)鍵詞：V2X;MEC;任務(wù)卸載;資源分配

中圖分類號：TP393文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2021）18-0012-02

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

1 引言

5G網(wǎng)絡(luò)是指第五代移動通信網(wǎng)絡(luò)，他相對于4G網(wǎng)絡(luò)的信號傳輸，有更加穩(wěn)定、高速和安全性能高的優(yōu)點，大大增強(qiáng)了這個系統(tǒng)容量和各種大規(guī)模設(shè)備間的連接效果，為各種用戶的智能化設(shè)備提供優(yōu)秀的信息服務(wù)，進(jìn)一步挖掘網(wǎng)絡(luò)的潛在應(yīng)用價值。通過結(jié)合整個5G網(wǎng)絡(luò)用戶服務(wù)需求和網(wǎng)絡(luò)本身的功能特點，使得數(shù)據(jù)資源使用更加高效和低能，在提高用戶服務(wù)滿意度的基礎(chǔ)上，減少整個網(wǎng)絡(luò)的延遲。隨著5G技術(shù)的不斷成熟完善和運(yùn)營推廣，5G創(chuàng)新應(yīng)用生態(tài)的發(fā)展已成為決定未來5G產(chǎn)業(yè)成功的關(guān)鍵因素。

2 網(wǎng)絡(luò)資源聯(lián)合優(yōu)化的意義

國際電信聯(lián)盟ITU召開的ITU-RWP5D第22次會議上確定了未來的5G創(chuàng)新應(yīng)用場景：3D超高清晰度視頻、云辦公和游戲、增強(qiáng)現(xiàn)實、工業(yè)自動化、移動醫(yī)療、緊急任務(wù)應(yīng)用、自動駕駛汽車等。這些應(yīng)用場景對于網(wǎng)絡(luò)的服務(wù)質(zhì)量（QoS， Quality of Service）提出了極高的要求，即確定性網(wǎng)絡(luò)（Deterministic Networking）服務(wù)，包括確定性低延遲、確定性網(wǎng)絡(luò)抖動等。而移動蜂窩網(wǎng)數(shù)據(jù)回傳網(wǎng)絡(luò)（Backhaul）采用多重匯聚架構(gòu)，基站到核心網(wǎng)需要途徑多重匯聚轉(zhuǎn)發(fā)網(wǎng)絡(luò)，距離往往相隔幾百公里，難以保障傳輸?shù)牡脱舆t。邊緣計算（MEC， Multi-access Edge Computing）作為一種基于云計算的無線接入網(wǎng)絡(luò)（RAN， Radio Access Networks）架構(gòu)，被認(rèn)為是提升移動網(wǎng)絡(luò)整體性能的重要手段。MEC不僅可以通過在靠近接入網(wǎng)的邊緣處進(jìn)行流量卸載和計算卸載（Offloading），減少移動蜂窩網(wǎng)匯聚路由（AR， Aggregation Routing）和核心網(wǎng)（EPC， Evolved Packet Core）的流量，緩解移動節(jié)點的計算壓力，還可以通過在網(wǎng)絡(luò)邊緣的應(yīng)用部署來降低應(yīng)用響應(yīng)延遲，可以有效彌補(bǔ)網(wǎng)絡(luò)匯聚帶來的問題。但是面向工業(yè)自動化、移動醫(yī)療、自動駕駛等創(chuàng)新應(yīng)用場景對于網(wǎng)絡(luò)傳輸確定性的嚴(yán)苛要求，邊緣計算依然存在一些亟待解決的問題：

（1）移動用戶密度大、移動性強(qiáng)，容易造成移動網(wǎng)絡(luò)負(fù)載的不均衡、短時間內(nèi)負(fù)載的劇烈變化。MEC要求在網(wǎng)絡(luò)邊緣配置網(wǎng)絡(luò)、計算、存儲資源，而移動網(wǎng)絡(luò)邊緣節(jié)點的資源容量較小，部署分散，這給資源的優(yōu)化配置和管理帶來了極大的困難。

（2）邊緣計算節(jié)點的計算、存儲、傳輸能力有限，不同應(yīng)用的需求也存在差異，如計算密集型、存儲密集型、網(wǎng)絡(luò)密集型任務(wù)等。如何在滿足應(yīng)用差異化的網(wǎng)絡(luò)需求的同時，優(yōu)化邊緣的計算、存儲和網(wǎng)絡(luò)資源，這是一個NP難題。

（3）確定性的網(wǎng)絡(luò)傳輸需求要求網(wǎng)絡(luò)提供細(xì)粒度的QoS保障能力，采用軟件定義網(wǎng)絡(luò)（SDN， Software Defined Network）技術(shù)和網(wǎng)絡(luò)功能虛擬化技術(shù)（NFV， Network Functions Virtualization）[6]實現(xiàn)確定性的網(wǎng)絡(luò)路由轉(zhuǎn)發(fā)，以及細(xì)粒度的流量管控能力。同時避免細(xì)粒度的流量控制帶來的OpenFlow流表規(guī)模的激增的問題。

本文圍繞“服務(wù)配置、服務(wù)調(diào)度、服務(wù)質(zhì)量”三個重點內(nèi)容展開，研究確定性網(wǎng)絡(luò)資源聯(lián)合優(yōu)化策略等關(guān)鍵技術(shù)，為確定性網(wǎng)絡(luò)服務(wù)的邊緣計算性能優(yōu)化提供重要的依據(jù)和技術(shù)儲備，對新興應(yīng)用的發(fā)展具有積極推動作用。

3 基于Markov決策過程的資源聯(lián)合優(yōu)化

網(wǎng)絡(luò)資源聯(lián)合優(yōu)化需要綜合新興應(yīng)用的需求和網(wǎng)絡(luò)資源均衡的目標(biāo)?？梢约僭O(shè)應(yīng)用的資源請求服從泊松過程，服務(wù)執(zhí)行時間服從指數(shù)分布，將資源分成固定大小的分塊（block），則資源的使用過程可以用Markov狀態(tài)轉(zhuǎn)移過程來描述，其中資源使用的狀態(tài)向量包含各類資源的使用狀態(tài)，可以得到Markov狀態(tài)轉(zhuǎn)移過程的平衡方程，利用平衡方程的求解可以得到多維資源使用和服務(wù)性能指標(biāo)之間的關(guān)系，再根據(jù)用戶的應(yīng)用需求映射的服務(wù)性能指標(biāo)，選擇相應(yīng)的資源以滿足應(yīng)用的需求。

結(jié)合資源效用最大化的目標(biāo)，本項目擬采用合作博弈策略來實現(xiàn)資源的效用整體最優(yōu)和公平性?；诤献鞑┺恼摚瑢Ω黝愘Y源之間的互相合作決策行為進(jìn)行建模，使資源以相互競爭且相互妥協(xié)的方式達(dá)成一致，實現(xiàn)效用最大化。依據(jù)合作博弈理論的原理，給定資源效用函數(shù)，以資源效用最大化為目標(biāo)，設(shè)定合作資源提供者的收益函數(shù)，建立多維資源協(xié)作聯(lián)盟。利用Shapley準(zhǔn)則對協(xié)作聯(lián)盟進(jìn)行公平資源分配，資源提供者從聯(lián)盟中獲取收益最大化的同時，也達(dá)到了整體資源效用的最大化。要實現(xiàn)資源聯(lián)合優(yōu)化，基本條件是具備對各類資源的管控能力，通過OpenFlow協(xié)議的擴(kuò)展，來實現(xiàn)各類資源的統(tǒng)一調(diào)度和監(jiān)控，SDN控制器可以根據(jù)當(dāng)前系統(tǒng)狀態(tài)和用戶資源請求分布，進(jìn)行全局的資源優(yōu)化配置。

（1）網(wǎng)絡(luò)模型

首先給定最大計算資源得到完成任務(wù)所需的最低信噪比;然后，利用凸優(yōu)化理論進(jìn)行最佳功率分配，并計算對應(yīng)的吞吐量增益，比較增益得到卸載決策;最后，利用二分圖最大匹配算法解決信道分配問題，并計算最終的計算資源分配。假設(shè)場景中一個RSU覆蓋范圍內(nèi)有T個目標(biāo)數(shù)據(jù)，用集合表示為[T={TUEt|t=1，2，…，T}]，移動用戶[TUEt]有K個協(xié)助移動用戶提供輔助數(shù)據(jù)運(yùn)輸相關(guān)數(shù)據(jù)，用集合表示為[K={AUEk|k=1，2，…，K}]?？紤]上行鏈路是OFDMA的，其可用頻帶B被平分為L個子帶，則每個子信道帶寬大小為[W=]B/L。假設(shè)做出卸載決策后，所有協(xié)助移動用戶中分別有M個CUE和N個DUE，分別用集合表示為[?={CUEm|m=1，2，…，M}]和[N={DUEn|n=1，2，…N}]。

令[?m，B]表示為[CUEm]與RSU之間的信道功率增益，[?n]為[DUEn]復(fù)用[CUEm]信道時[DUEn]的信道功率增益。[?n，B]為[DUEn]發(fā)射端與[CUEm]上行鏈路中為接收端的RSU之間的干擾信道功率增益。[?m，n]為[CUEm]與[DUEn]接收端之間的干擾信道功率增益。

[CUEm]的信噪比（SINR）可表示為：

[γcm=Pcm?m，Bσ2+n∈Nρm，nPdn?n，B]? ? ? ? ? ? ? ? ? ? ? ?（1）

類似可得[DUEn]的SINR為：

[γdn=Pdn?nσ2+m∈?ρm，nPcm?m，n]? ? ? ? ? ? ? ? ? （2）

其中[Pcm]和[Pdn]分別表示[CUEm]和[DUEn]的發(fā)射功率。[σ2]為系統(tǒng)噪聲功率。[ρm，n]表示[CUEm]和[DUEn]之間的頻譜分配指標(biāo)，當(dāng)[CUEm]和[DUEn]復(fù)用[CUEm]的信道時，[ρm，n=1]，反之為0。

（2）計算模型

定義協(xié)助移動用戶[AUEk]的計算任務(wù)為[Rk=Dk，Ck，Tk]，其中[Dk]表示協(xié)助移動用戶[AUEk]從本地設(shè)備上傳任務(wù)時的輸入數(shù)據(jù)量，單位為bit。[Ck]表示完成任務(wù)所需的計算量，單位為cysles，[Tk]表示任務(wù)可容忍的最大完成時延，單位為s。

假設(shè)移動用戶本身具有一定的計算能力，[AUEk]可選擇將任務(wù)[Rk]卸載到鄰近移動用戶或MEC服務(wù)器，也可以由移動用戶本身的處理單元進(jìn)行計算，定義所有集合[K]內(nèi)的移動用戶任務(wù)卸載決策為[A={a1，a2，…，aK}]，并且有[ak={alk，avk，aok}]，其中[k∈K]，參數(shù)[alk，avk，aok∈0，1]，[alk+avk+aok=1]。

①本地執(zhí)行：移動用戶本身的計算能力為[flk]，單位為cycles/s，定義[Tlk]為本地執(zhí)行總延遲，根據(jù)文獻(xiàn)[9]，下載速率通常遠(yuǎn)高于上傳速率，并且輸出數(shù)據(jù)量大小一般遠(yuǎn)小于輸入數(shù)據(jù)量，則[Tlk]為：

[Tlk=Ckflk]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（3）

②V2V卸載：與本地相比，新增了將輸入數(shù)據(jù)[Dk]上傳到鄰近移動用戶的時間，任務(wù)卸載到鄰近移動用戶的總延遲[Tvk]為：

[Tvk=Dkrk+Ckfvk]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （4）

其中為[rk]移動用戶的傳輸速率，[fvk]為移動用戶分配給任務(wù)[Rk]的計算資源。

③V2I卸載：令[fok]為MEC服務(wù)器分配給任務(wù)[Rk]的計算資源任務(wù)卸載到MEC服務(wù)器的總延遲[Ton]為：

[Tok=Dkrk+Ckfok]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （5）

綜上，任務(wù)[Rk]執(zhí)行完成的總時延可表示為：

[Ttotalk=alkTlk+avkTvk+aokTok]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （6）

其中[k∈K]，參數(shù)[alk，avk，aok∈0，1]，[alk+avk+aok=1]。

（3）算法

CUE和DUE的數(shù)量變化取決于協(xié)助移動用戶的卸載決策，而求解最大化網(wǎng)絡(luò)系統(tǒng)吞吐量的前提是需要知道CUE與DUE的用戶集合，因此卸載決策直接影響了系統(tǒng)吞吐量的大小。需要綜合考慮卸載決策、計算資源分配、功率分配以及網(wǎng)絡(luò)信道分配等因素，分別求解功率分配與任務(wù)卸載決策問題和信道匹配與計算資源分配問題。

（4）仿真

本文仿真主要在NS3平臺上完成，主要分析了任務(wù)數(shù)以及網(wǎng)絡(luò)速度對系統(tǒng)吞吐量的影響，并評估了本文所提算法與其它算法的計算資源使用情況，以驗證所提算法的有效性。此外，本文選擇V2V first和V2I first兩種方案作為對照組，并進(jìn)行了仿真比較。

4 結(jié)束語

本文研究了互聯(lián)網(wǎng)局部融合邊緣計算技術(shù)在移動用戶通過場景中的任務(wù)卸載與資源分配問題，并提出了一種吞吐量最大化的任務(wù)卸載與資源分配算法，將優(yōu)化問題分成兩步進(jìn)行處理，首先根據(jù)凸優(yōu)化理論求解最優(yōu)功率分配，并計算最優(yōu)功率值下的吞吐量增益，比較兩種卸載方式下吞吐量增益的大小作出卸載決策。然后利用KM算法解決信道劃分問題，根據(jù)最終的信道匹配可以得出在任務(wù)可容忍時延下對應(yīng)的計算資源分配。

參考文獻(xiàn)：

[1] Li Z H，Wan H，Pang Z Y，et al.An enhanced reconfiguration for deterministic transmission in time-triggered networks[J].ACM Transactions on Networking，2019，27（3）：1124-1137.

[2] Costa-Requena J.SDN integration in LTE mobile backhaul networks[C]//The International Conference on Information Networking 2014 （ICOIN2014）.February 10-12，2014，Phuket，Thailand.IEEE，2014：264-269.

[3] Liu J，Mao Y Y，Zhang J，et al.Delay-optimal computation task scheduling for mobile-edge computing systems[C]//2016 IEEE International Symposium on Information Theory（ISIT）.July 10-15，2016.Barcelona，Spain.IEEE，2016.

[4] Chen X.Decentralized computation offloading game for mobile cloud computing[J].IEEE Transactions on Parallel and Distributed Systems，2015，26（4）：974-983.

[5] Qu K G，Zhuang W H，Ye Q，et al.Dynamic flow migration for embedded services in SDN/NFV-enabled 5G core networks[J].IEEE Transactions on Communications，2020，68（4）：2394-2408.

【通聯(lián)編輯：王力】