基于MEC 的蜂窝网络联合计算与无线资源管理
2020-07-17朱国强
唐 群,朱国强
湖南省气象局 气象服务中心,长沙 410118
1 引言
随着智能手机的快速普及,多种移动应用程序爆发式出现,如人脸识别、自然语言处理、虚拟现实、增强现实应用[1]等。这导致无线蜂窝网络对高数据速率以及高计算能力的需求呈指数级增长[2]。
一方面,近期提出的一些解决数据速率问题的研究方案主要围绕使用小基站[3-5]展开。然而这些方案存在的蜂窝间干扰会显著降低网络性能。如果没有适当的干扰管理,网络的整体频谱效率和能效可能会比没有小基站的网络更差[6-7]。
另一方面,为了有效提升计算性能,移动边缘计算(MEC)正在被标准化以分配无线蜂窝网络中的计算资源[8]。MEC允许移动用户设备(UE)通过无线蜂窝网络将计算任务卸载到MEC服务器上。每个UE与MEC服务器中的一个克隆相关联,该克隆代表该UE执行计算任务。
虽然目前在计算卸载和干扰管理两方面已进行了不少研究,但总结目前的研究成果可以发现这两个影响网络性能的重要因素通常都被分开考虑。同时,研究发现端到端应用(如视频应用)体验表明在整个系统的某一段进行优化后的性能并不能保证端到端用户体验[9]。
此外,如果多个UE同时选择通过小型蜂窝网络卸载计算任务到MEC服务器,就会产生严重的干扰。并且,MEC服务器可能会过载。因此,应该部分UE可选择卸载计算,而其他UE需在本地执行它们的计算。
基于以上研究及总结,本文提出综合考虑计算卸载和干扰管理的集成框架以提高移动边缘计算的无线蜂窝网络性能。
在该框架中,MEC服务器根据估算的系统总开销做出卸载决策。根据卸载决策,MEC服务器使用图着色执行PRB分配。然后使用卸载决策和PRB分配的结果将MEC服务器的计算资源分配给UE。
仿真结果表明了本文方案在不同系统参数下的有效性。
2 系统模型
2.1 网络模型
MEC服务器布置于宏eNodeB(MeNB)中,N个小基站eNodeBs(SeNBs)都连接到MeNB和MEC服务器。小基站集合表示为N={ }1,2,…,N 。
假设每个SeNBn只与一个移动UE关联。且假定UEn与SeNB单元n连接。网络模型如图1。假设每个UE都有一个任务需要完成。每个UE可以通过与之关联的SeNB将计算卸载到MEC服务器,或者在本地执行计算任务。简单起见,不考虑用户移动性和切换[10-12]。
图1 网络模型
2.2 通信模型
将αn∈{ }
0,1作为UEn的计算卸载决策。明显的,如果UEn选择通过无线连接将计算卸载到MEC服务器则αn=1,否则αn=0。因此,可将作为卸载决策配置文件。
在本文中,考虑的传输方向为从一个UE到相关联的SeNB的上行方向,干扰从一个UE到邻近的SeNB。将物理资源块的总数(PRBs)定义为K。同时引入一个关联表C,该表是一个二进制条目为cn,k的N×K表,N代表SeNBs的总数,K表示PRBs的总数。如果SeNBn被分配的PRB为k则关联表中cn,k设定为1,否则设为0。在给定配置文件A={α1,α2,…,αn} 和PRB关联表 C 时,连接SeNBn到UEn的上传速率为:
其中,Pn为UEn的传输功率,σ2为每个PRB的离散噪声,Mn表示分配给小基站n的PRB数,Hn,n表示UEn和SeNBn之间的信道增益,Hm,n表示UEm和SeNBn之间的信道增益。
2.3 计算模型
其中υn表示每个CPU周期消耗的能量系数。根据实际测算[13],可设
(2)MEC服务器计算。根据2.2节中的分析模型,数据大小为Bn的输入数据的传输时间成本和能耗成本大小可根据公式(5)、(6)分别计算出来:
根据文献[14-15]MEC计算方法在执行时间和能耗方面的总开销为:
与文献[14]中研究类似,因为计算结果的数据大小一般远小于包括移动系统数据、程序代码、数据参数在内的计算输入数据,所以在本文方案中,不考虑从MEC服务器传输计算结果至UEn消耗的时间。
3 计算卸载和干扰管理的集成框架
本章提出了一个计算卸载和干扰管理的集成框架。给出了MEC服务器的次优集中式解决方案。如图2所示。
图2 方案流程图
3.1 负载估算
本地计算的总开销可根据公式(4)得到,UEn所需的最小PRBs为ωn,约束于公式(9):
公式中的优化目标为ωn,其表示UEn所需的最小PRB。第一组约束条件C1保证分配给UEn的PRB可以满足最小的速率-rn要求。最小速率-rn由以下步骤决定,UEn计算卸载的时间消耗可设为:
则UEn的最小卸载速率为:
计算所需的最小PRB ωn,发送到MEC服务器。
3.2 初始资源分配
显然ωn之和不一定等于PRB的总数K。因此MEC服务器可将UE负载估算标准化为:
这里假设所有的UE都可卸载计算任务到MEC服务器上,并且PRB以正交频率的方式分配给UE。因此UE n将被分配的PRB为,并且UEn的卸载速率为:
UEn卸载数据的时间和能耗可分别为:
UEn所用的总时间为:
因此初始资源分配后UEn的总开销为:
3.3 初始卸载决策
随后MEC服务器在比较本地与卸载计算开销的基础上,对UEn做出初始卸载决策,即比较
假设卸载决策向量A中的非零元素个数用Ne表示,并设Nl=N-Ne为卸载决策向量A中的零元素个数。在此基础上,UE的卸载集合用Ne表示,在本地计算的UE集合用Nl表示。则PRBs重新分配如下:
然后卸载速率 R͂′n,卸载时间,卸载能耗,执行时间,总时间可按照公式(13)(14)(15)(10)以及(16)分别重新计算得到。
UEn∈Ne时的总时间开销和总开销为:
然后可得系统的总开销为:
3.4 资源再分配
为了找到最优的卸载决策向量A*,修改上一节得到的初始卸载决策向量A,并按照如下方法重新分配PRB和计算资源:
检查卸载向量A,如果A的每个元素都等于1,则A为最终的卸载决策;如果不是,则执行以下步骤:
(1)检查卸载配置A的零元素,在集合Nl中搜索具有最低卸载开销的UEn̂,并设
(2)使用图着色法和优化法对PRBs和计算资源进行重新分配,具体方法在下一节中描述。
(3)如式(38)所示重新计算系统总开销。
(4)如果系统总开销Z小于上一次迭代的开销,则将当前的卸载决策A设置为当前的卸载决策,即保持αn̂=1;否则将先前的卸载配置文件保持为当前的卸载决策,即恢复 αn̂=0 。
(5)返回到(1),直到检查完A的所有零元素。那么当前的卸载决策将是最终的卸载决策。相应的PRBs和计算资源的分配是最终的分配。
3.5 干扰图构建
MEC服务器将利用SeNBs的测量数据构建干扰图,SeNB监控其他SeNB的控制信道,从而接收相邻SeNB传输的参考信号。然后,SeNB获得相邻的SeNBs标识并计算每个SeNB的路径损耗。MEC服务器基于最终的卸载决策和SeNB测量构建干扰图,其中每个节点代表一个SeNB,每个有向边代表两个SeNB之间的干扰状态。当来自干扰SeNB的信道增益与来自服务SeNB的信道增益的比率超过预定阈值时,建立两个SeNB之间的一个边缘[16]。
3.6 归一化
为了将PRB分配给将要卸载计算任务的UE,有必要首先像公式(12)中一样归一化UEn估算的PRB数量 ωn:
但在此引入了PRB复用参数λ来达到频率复用:
其中⎿.⏋表示四舍五入到最近的整数。引入λ的目的是控制频率复用的数量。
3.7 图着色
本文采用基于文献[17]改进的图着色方法对UE进行PRB分配。在图着色中,一个颜色表示一种PRB,一个顶点表示干扰图中的一个SeNB。利用上述干扰图把PRB分配问题转化为图着色问题。为了实现图着色,将构建的干扰图修改为加权干扰图,其中每个有向边的权重被计算为:
其中Hn,m表示从与SeNBn相关联的UE到SeNBm的路径损耗。
图着色PRB分配法的步骤如下:
初始化时将干扰表O设置为0。最后,将一组都未着色的顶点U初始化为等于所有卸载SeNB(UE)的集合Ne。
(2)找到受干扰最严重的SeNB。确定要着色的SeNB顺序,选择受干扰最大的SeNB作为第一个要着色的SeNB,它被定义为具有最大进入边缘权重的SeNB:
如果多个SeNB具有相同的进入边缘权重,则选择具有最小Mn的一个。
(3)寻找干扰最小的颜色。为了减轻对SeNBnˉ的干扰,应将存在最小干扰的PRB分配给SeNBnˉ。因此有必要找到干扰最小的颜色(PRB)。通过寻找可以实现最高传输速率节点(SeNB)n͂来搜索这些颜色。假设将颜色 j分配给SeNBn͂,采用如下方式计算节点的估算速率:
其中Hnˉ是UEnˉ到其服务的SeNB的信道增益。
定义在颜色 j分配给UEnˉ时,UEn∈Ne的估算速率:
其中 j→ nˉ表示颜色 j分配给了SeNBnˉ。 c͂nq的值为:
其中,c͂nq,∀n,q,为前一次迭代中PRB关联表的值,并将当前的估算颜色和顶点的对应条目设置为1。
接下来,计算在将 j分配给n͂时所有卸载SeNB的潜在速率之和,以估计该分配的影响:
随后便可得到带来最大速率总和的颜色Mnˉ,并且记录它。
(4)更新列表。根据前一步骤中对顶点nˉ的PRB分配,表C中指定颜色的相应条目设置为1,并在表O中计算和更新由此新分配引起的干扰。
(5)更新未着色顶点集。在此循环中着色的顶点(SeNB)将从此步骤中设置的未着色顶点中排除。
(6)检查所有的顶点是否已经着色。检查未着色顶点集U,如果U不为空,则重复上述(2)~(5)。如果U为空则进入下一步。
(7)颜色分配。假设颜色集(PRB)由ηn,n∈Ne表示,并根据PRB关联表C分配给对应的顶点(SeNB)。
每一个被分配了最佳PRB的卸载UEn∈Ne的卸载速率为:
基于卸载速率,每一个卸载UEn的卸载时间和能耗分别为:
3.8 计算资源分配
在此步骤中,MEC服务器的计算资源被分配给每个卸载UE。设分配给UEn( )n∈Ne的计算资源为因为在本文方案中不考虑MEC服务器的能耗,这里只计算MEC服务器在执行计算任务消耗的时间,对于每个U
然后,MEC服务器基于以下两种目标函数将计算资源分配给每个卸载UE:
(1)最小化最大时间。最小化n∈Ne中最大的执行任务时耗。用公式表示为:
(2)最小化总时间。最小化所有卸载UE(n∈Ne)的总的任务执行时公式表示为:
式(34)、(35)中的凸优化问题很容易得到解决。
现可得到n∈Ne的总耗时为:
n∈Ne的总开销为:
因此整个系统的总开销为:
3.9 最终决策
如3.4节所述,当最终的决策向量A*被确定时,相应的PRB关联表C和计算资源分配分别被确定为最终的频率和计算资源分配决策。最终的系统总开销也可根据公式(38)计算得到。
4 仿真结果及讨论
本章中的仿真实验通过MATLAB软件进行。本文所提方案基于半静态场景,即移动终端初始状态为随机分布,但在一个优化周期时间内假设其位置固定不变。根据蜂窝无线网络无线信道模型[14],为验证本文方案计算卸载的可靠性,仿真场景设定为9个小基站随机分布在120 m×120 m的区域内,每个小基站对应一个移动终端。信道带宽为20 MHz,计算数据大小设定为420 KB,本地服务器计算性能为100 GHz。详细设置的参数如表1所示。
表1 仿真参数
仿真结果如图3所示,9个SeNB之间的PRB分布。可以看到在仿真场景设置下,相同的PRB被距离较远的SeNB复用,而非相邻的SeNB,说明本文方案有效减轻了相邻SeNB之间干扰,确保了数据传输的可靠性。
图3 SeNB之间的PRB分布
为了验证本文方案的先进性,对本文所提方案的两个不同优化目标与四种基线方案进行系统总开销随小基站数量变化的比较。设定120 m×120 m的区域内,随机分布的小基站数量逐步增加到30个,其他参数如表1。仿真结果如图4,图中,本文两个不同优化目标分别为maxmin(收益最低用户收益最大化)、maxsum(所有用户最大化收益总和);四种基线方案分别为local computation(本地计算)、uniformZFR(频谱零平均复用)、uniformComputation(计算资源平均分配)、uniform-ZFRComputation(频谱零平均复用计算资源平均分配)。可以发现随着小基站数量的增加,几个方案的系统总开销均在增加,但由于本文方案综合考虑计算卸载和干扰管理从而动态分布计算资源和PRB,且频率复用允许存在于正在进行卸载进程的小基站之间,本文方案的两个不同优化目标相对其他方案均获取了最低的总开销,说明本文方案在时间开销和能量开销两方面都具有明显的优势。
图4 系统总开销与小基站总数
5 总结
本文提出了一个基于MEC的,在异构蜂窝网络中进行计算卸载和干扰管理的集成框架。在此框架中,考虑了计算卸载决策、物理资源块分配和MEC计算资源分配问题,并推算这三个问题的解决方案。仿真结果表明,在不同的系统参数下,本文提出的方案可获得比其他基线解决方案更好的性能。