移动边缘计算系统中的卸载和计算联合优化

李霆

摘要：该文研究了一个基于无线供能的移动边缘计算系统。系统由一个集成了移动边缘计算服务器的接入点和若干个移动设备组成。接入点采用射频辐射信号的方式对移动设备进行无线供能，每个设备运用收集到的能量执行计算任务。每个用户设备可以将计算任务任意划分为两个独立的部分，部分本地执行，另一部分卸载至接入点由服务器执行。最终对移动边缘计算系统运作建立模型，通过联合优化接入点的能量传输功率和传输时间、用户任务卸载时间、计算任务分割，最小化系统总能耗并与基准方案做比较。通过仿真验证，提出的设计优于其他基准方案。

关键词：移动边缘计算;无线能量传输;计算卸载;优化

中图分类号：TP3        文献标识码：A

文章编号：1009-3044（2020）25-0001-04

得益于信息通信技术的持续进步，涌现出了大量新兴的智能物联网应用，例如：远程医疗、增强现实和自动驾驶等，这些应用需要众多无线设备快速执行低延时和高复杂度的计算任务。通常，无线设备尺寸较小，并且电池电力供应有限，因此，当前亟待解决的关键挑战是如何增强这些设备的计算能力，并降低计算延迟。目前，云计算可提供丰富的计算资源和强大的计算算力，但是云端服务器与无线终端设备之间的物理距离较远，并需要由接入网到核心网的多跳路由寻址传输，这使得云计算通常无法满足无线设备运行部分新兴应用的低延时需求。为此，移动边缘计算技术应运而生。在移动边缘计算中，通过在无线网络边缘（如接入点和基站）配置服务器，将计算资源部署在无线接入网侧，降低无线设备与计算服务器的传输时间，可有效满足低延时计算需求。由此可见，移动边缘计算有效融合了无线通信网络和移动计算技术，具有本地化、近距离、低时延、安全可靠等特点。

1系统模型

如图1所示，我们考虑一个无线多用户移动边缘计算系统，该系统由一个具有[N]个天线的无线接入点（Access Point）和一组[Κ?{1，2，...K}]单天线用户组成，其中接入点集成了边缘计算服务器，可为移动用户提供服务。在此系统中，接入点使用射频（Radio Frequency，RF）信号为[K]个用户进行能量传输。为了收集这种能量，每个用户[i∈K]首先通过整流器将接收到的RF信号转换为直流（DC）信号，然后将DC信号的能量存储在其可充电电池中，如图2所示。每个用户利用所收集的能量，通过本地计算和卸载来执行其计算任务。下行链路中的无线能量收集和上行链路中的信息传输（或卸载）可以使用双工器在一个天线中的正交频带上同时执行。

假设该模型基于一个独立的时间块，把这个独立时间块设定为[T]，无线信道在此时间块期间保持不变。本文采用无干扰的时分多址（Time division multiple access，TDMA）协议，与接入点建立通信连接，利用接入点集成的移动计算服务器的丰富计算资源帮助本地设备运行计算任务。在[τ ]时隙中，接入点通过无线能量传输向所有用户传输能量。在前[K]个时隙中，[K]个用户将其计算位卸载到接入点。并且所有用户必须在一个块内完成任务执行，执行时间不能超过块长度[T]。为了简化分析过程并更好地捕获接入点的传输能量以进行计算分流，我们假设接入点完全了解[K]个用户的信道状态信息（Channel State Information，CSI）和[K]个用户的计算要求。根据这样的信息，接入点为[K]个用戶协调下行链路无线能量传输，计算分流和本地计算。当接入点处的信道状态信息不完美时（例如，受某些信道状态信息估计误差的影响），无线能量传输和移动边缘计算性能可能会下降。

如图3所示，所有用户依照时分多址协议与接入点建立通信连接，确立本地设备计算任务卸载顺序规则，利用所述任务卸载顺序规则依次将各个用户的计算任务经无线链路卸载至接入点。图中[τ]为无线能量传输时间，[t1]为第一时隙，[t2]为第二时隙，依次类推，[tK]为第[K]时隙，[t2K]为第[2K]时隙。对于每个用户[i]，将计算任务[Ri≥0]（单位：bit）划分为[li≥0]（单位：bit）和[qi≥0]（单位：bit）两部分，分别由用户本地计算，及卸载到接入点处由集成的移动边缘计算服务器进行计算，这里有[Ri=li+qi]。所有用户的本地计算在时间块[T]内完成，所有任务的卸载、计算及结果接收都在时间[T-τ]内完成。

在具体的实际应用中，由于接入点拥有足够大的功率上限，其集成的移动计算服务器拥有足够大的计算容量，并且计算结果的比特数通常远小于输入数据的比特数。因此，假设本地设备下载计算结果过程占用极少的时隙，可近似于零;接入点发送计算结果和本地设备接收计算结果的能耗可忽略不计。

3数值仿真实验

在这一节中将提供数值结果，与以下三个基准方案进行比较，评估采用联合优化无线能量传输、卸载和计算的设计方案的性能。

（1）仅本地计算：每个用户[i∈Κ]仅通过本地计算完成其计算任务。该方案对应于通过设置[li=0]，[?i∈K]来求解问题（8）。

（2）仅计算卸载：每个用户[i∈Κ]通过将计算位完全卸载到接入点来完成其计算任务。该方案通过设置[fi，n=0]以及[li=Ri]，[?i∈K]来解决问题（8）。

（3）平均任务分配：每个用户[i∈Κ]通过将一半计算任务卸载至接入点出进行计算，一半任务进行本地计算。该方案对应于通过设置[li=Ri2]，[?i∈K]来求解问题（8）。

此仿真中，天线个数[N=4]，用户的数量设置为[K=3]。用户[i∈K]的能量收集效率设置为[η=0.6]，电容系数设置为[κi=10-28]，计算每比特所需的CPU周期为[Ci=103]，接入点接收处的噪声功率[σ2=10-9]W。所有信道统一设定为符合瑞利分布的衰落信道，平均功率增益为[hi2=θd-3ihi2]，[gi2=θd-3igi2]，[i∈K]。其中[hi]和[gi]为圆对称复高斯随机向量，其每个元素的实部和虚部为独立同分布的高斯随机变量，元素模值符合瑞利分布。[θ=10-3]是参考距离为1m时的信道增益，[di]表示用户[i]到接入点处的距离，路径损耗指数设定为3。算法参数设置为[ε=10-2]，[M=50]。信道向量通过200次随机生成取平均数值得到数值结果。

图4为第一组仿真结果，描述了接入点的能量消耗与时间块长度的关系。在此次仿真中，用户与接入点之间的通信频谱带宽设置为[B=2 MHz]。用户[i]到接入点的距离统一设置为[di=6m，?i∈K]。所有用户的计算任务比特数统一设置为相同数目，即[Ri=10k]bits，[?i∈K]。从图4可以看出，四种方案的系统能耗均随时间块长度的增大而降低，在低延迟条件下下降明显，在[T≥0.05s]时趋于平缓。同时可以看出本文提出的移动边缘计算优化方案的能量效率优于另外三组对照组，在低延迟要求下优化效果更出色。

图5为第二组仿真结果，描述了接入点的能量消耗与计算任务量的关系。在此仿真中，用户与接入点之间的通信频谱带宽设置为[B=2 MHz]。用户[i]到接入点的距离统一设置为[di=6m，?i∈K]。时间块长度设置为[T=0.5]s。从图5可以看出，四种方案的系统能耗均随着用户计算任务量的增大而增大。同时可以看出本文提出的移动边缘计算优化方案的能量效率优于另外三组对照组，在高计算任务量要求下优化效果更出色。同时图3-5表明在高计算量情况下完全计算卸载是比本地计算更好的选择。

图6为第三组仿真结果，描述了接入点平均能耗与用户接入点距离的关系。在此仿真中，用户与接入点之间的通信频谱带宽设置为[B=2 MHz]，所有用户的计算任务比特数统一設置为相同数目[Ri=10k]bits，[?i∈K]，时间块长度设置为[T=0.5]s。从图6可以看出，四种方案的系统能耗均随着用户与接入点距离的增大而增大。同时可以看出本文提出的移动边缘计算优化方案的能量效率优于另外三组对照组，在用户与接入点距离较远时设计的方案效果逐渐接近完全卸载的效果，说明在远距离通信情况下，计算任务卸载的能量效益优于完全本地计算。

图7为第三组仿真结果，描述了接入点平均能耗与频谱带宽的关系。在此仿真中，用户与接入点之间的距离设置为[di=6]m。所有用户的计算任务比特数统一设置为相同数目，即[Ri=10k]bits，[?i∈K]，时间块长度设置为[T=0.5]s。从图7可以看出，四种方案的系统能耗均随着频谱带宽的增大而减小。同时可以看出本文提出的移动边缘计算优化方案的能量效率优于另外三组对照组，计算卸载的能耗在高带宽时优于本地计算的能耗。这表明较大的频谱带宽值不仅意味着较高的卸载速率，而且还有助于节省计算卸载中的能耗。

4 结束语

本文介绍了一种无线能量驱动的移动边缘计算卸载方法，利用无线网络中存在的集成移动边缘计算服务器的无线接入点为本地设备提供能量传输和计算服务。该集成移动边缘计算服务器的多天线接入点具有计算资源和通信资源，若干本地设备根据预定规则在周围搜寻一个可用的带有移动边缘计算服务器的接入点，从接入点接收能量后，首先将计算任务分为两部分，一部分由本地计算完成，另一部分卸载至接入点完成。接着建立了一个联合优化接入点的能量传输功率和传输时间、用户任务卸载时间、计算任务分割，最小化系统总能耗的数学模型，并与运用独特的交替优化算法求解。最后结合实际选取参数进行数值仿真实验，并与三种基础方案进行比较，验证方案效果。数值计算结果表明，所提出的基于无线供能的移动边缘计算卸载方法比基准方案有显著的性能增益。希望本设计能为未来整合无线通信、计算及电力的物联网系统提供一种新的可行方法，以有效提升无线设备的能量效率。

参考文献：

[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，Feb. 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.

【通联编辑：代影】