无人机边缘计算网络：架构，关键技术与挑战

［莫鸿彬 李猛］

1 引言

随着第五代移动通信技术（5G）和物联网（Internet of things，IoT）的发展，无线通信设备和无线数据流量已呈几何式增长。据思科预测，到2023年全球联网设备将达到293亿台，到2025年全球数据流量将达到163ZB。尤其是近几年，随着各种计算密集型和时延敏感型应用的出现，如多媒体视频流服务、增强现实（augmented reality，AR）、虚拟现实（virtual reality，VR）、智能交通等，提供低时延、超可靠、高鲁棒性的网络至关重要。

传统核心网络中的云计算由于较长的服务时延和严重的网络拥塞，难以满足终端设备的服务质量（QoS）和服务体验（QoE）需求。为了应对上述挑战，移动边缘计算（MEC）的概念已经被提出以解决上述问题[1-2]。移动边缘计算，旨在将具有计算能力的服务器下沉到距离终端设备较近的网络边缘，如基站侧、接入机房、汇聚机房等，以达到降低时延、提升效率、节省功耗等目标，从而改善用户的服务体验。但是，MEC的部署也对当前网络的发展提出了新的挑战。一方面，对于城市租金较高的热点区域，如商业区或人口稠密的地区，MEC的部署成本昂贵。另一方面，对于农村、山区、海上等边远地区以及易受自然灾害影响的地区，网络覆盖范围有限，难以提供无处不在的边缘卸载服务。最近，在无人机（UAV）机群网络上搭载MEC服务器，即无人机边缘计算网络，已经被提出并有望解决上述问题。

2 无人机边缘计算网络

无人机是一种无人驾驶的飞机，它的飞行通常由操作员远程控制或者由机载计算机系统自主控制。由于低成本、高移动性、按需部署等优势，无人机在无线通信系统中具有较大的应用潜力。一方面，无人机可以作为蜂窝网络中的飞行移动终端。另一方面，无人机可以作为空中基站来提高无线网络的覆盖范围和网络容量。在无人机空中基站上搭载MEC服务器，能够作为地面边缘计算网络的补充，提供无处不在的边缘计算服务。相比传统地面边缘计算网络，无人机边缘计算网络具有以下优势。

（1）无人机能够被灵活部署，即使是在山区、海洋和复杂的地形，也可以提供无时无刻的移动便于计算服务。

（2）无人机能够以较大概率与地面用户建立空地视距链路，改善通信链路质量，提高计算性能。

（3）相比地面通信，无人机提供了额外的空间自由度，即轨迹优化。通过联合通信资源和轨迹优化，有望进一步提高无人机的用户计算性能。

无人机边缘计算网络作为一种新型网络架构，已逐渐受到学术界和产业界的关注。文献[3]首次提出了一种空地融合的MEC网络架构，其中无人机被灵活的部署以协助地面网络通信、计算和存储。文献[4]总结了基于3GPP-LTE的6种公共安全（PS）服务，并提出了一种无人机支持的灾后恢复边缘计算结构。文献[5]提出了一种基于无人机移动边缘计算的软件定义网络架构。以上工作只关注无人机网络和移动边缘计算的基本结合，或只对特定的技术进行了研究，但缺少对总体架构的详细设计，也没有详细阐述任务卸载的基本过程。

因此，本文拟对无人机边缘计算网络的架构与关键技术展开研究分析，针对典型的应用，如具有较高计算需求的城市热点区域，研究了任务协作卸载的基本过程。最后，总结了无人机边缘计算网络面临的挑战和一些开放性问题。

3 融合MEC的无人机网络架构

无人机边缘计算网络基本架构如图1所示，主要由地面网络和无人机集群2个部分组成。每个无人机上搭载MEC服务器，能够为地面终端提供多层次、异构的计算资源，特别针对地面网络负载较大或地面通信设施遭到破坏的场景，无人机凭借其低成本、灵活部署的优势能够快速响应地面终端的计算响应，提升用户体验，缓解地面网络压力。此外，将软件定义网络（SDN）部署到无人机网络，实现控制平面和数据平面的分离。通过一个SDN控制器实现对无人机集群的同一控制，可以有效实现无人机集群轨迹的全局优化、计算资源的动态分配等，提高无人机网络的可靠性和伸缩性。

图1 无人机辅助的移动边缘计算网络基本架构

3.1 主要功能

3.1.1 计算卸载

地面终端的计算能力往往较弱，难以满足自身计算的需求。针对城市密集地区，地面网络难以承载用户海量的计算需求，搭载MEC服务器的无人机能够为地面用户提供计算能力。地面用户为获得较好的用户体验，如高速率、低时延，可以选择付费模式向无人机请求计算服务。搭载MEC的服务器积极响应地面用户的计算请求，并在自身的MEC平台进行计算或者转发到相邻的搭载MEC的无人机进行计算，最后将计算结果下发到地面用户。此外，相比卸载到地面基站的边缘服务器，搭载MEC服务器的无人机可以提供更加灵活的部署，计算资源更接近地面用户，为计算密集型的业务提供更加高效的服务保障。

3.1.2 内容缓存

为解决多媒体数据的增长给无人机网络的回程链路带来的压力，利用边缘缓存技术可以在无人机的MEC服务器上缓存一些相关内容，如视频流媒体文件，地面用户的请求内容可以从无人机本地缓存中提供，从而避免在带宽有限的无人机网络回程链路上转发用户请求。当地面用户请求内容时，无人机首先比较自身的缓存内容是否命中用户的内容请求，如果内容请求命中，无人机直接将请求内容下发给地面用户。

然而，由于无人机体积、能耗，本地缓存大小、回程容量等资源的限制，将所有的内容缓存到无人机上的边缘服务器是不现实的。因此，需要以某种方式对内容进行排序，以确定在资源有限条件下的缓存优先级。当前，最大内容流行度（MPC）策略和最大内容多样性（LCD）策略是边缘缓存中两种常用的文件放置策略，以实现内容和网络多样性的增益。

3.1.3 网络服务

移动边缘计算可以为无人机网络提供更加复杂的网络服务。无人机网络的拓扑结构是高度动态变化的，空地信道状态信息、用户调度和通信资源等受无人机位置和轨迹的影响，给网络的资源管理带来了挑战。无人机边缘计算网络可以利用软件定义网络技术，及时接收无人机网络的整体信息并及时反馈，提供多样化的网络管理业务，从而有效提高无人机网络的整体利用效率。

3.2 关键技术

为支持动态、异构及多样性的无人机边缘计算网络服务，亟需一种新的网络范式，为在时间和空间上高度动态变化的用户需求提供定制化服务。网络功能虚拟化（NFV）和软件定义网络（SDN）已被证明是管理未来异构网络的两种有前途的技术，能够实现网络元素灵活地、动态地配置，为网络优化和降低成本提供了可能。在此基础上，高效的用户接入方式和最优的资源分配方案有望进一步释放网络性能，降低无人机服务成本，同时提高用户服务体验。

3.2.1 网络功能虚拟化（NFV）

网络功能虚拟化（NFV）通过软件技术将网络功能从专用硬件迁移到运行在商用硬件上的虚拟机（VM），促进虚拟功能网元（VNF）与硬件完全解耦，完成资源的统一管理和调度，进而提高网络灵活性和可扩展性，降低网络运营成本，提升资源利用效率[5]。传统的地面边缘计算网络使用静态NFV技术，允许单个边缘服务器通过创建多个虚拟机为多个移动设备提供计算服务，以同时执行不同的任务或操作不同的网络功能[6]。然而，在无人机支持的边缘计算网络中，所有的无人机都处于高速运动状态。在这种情况下，无人机搭载的MEC服务器是不断变化的，利用静态NFV来统一无人机上的MEC服务器是具有挑战性的。

借鉴文献[7]中的动态卫星边缘计算虚拟化思想，我们提出使用动态NFV技术来整合无人机边缘计算资源，如图2所示。动态虚拟化系统主要包含以下3层：虚拟化基础设施层、虚拟化网络功能层和协调器层。考虑到无人机的机动性，在无人机编排器中添加了一个动态资源监视器。通过动态监视器，能够时刻捕捉VNF的连接状态。另一方面，当监视到没有可用资源满足用户请求服务时，监视器能够将此信息发送给MEC服务器以调整其资源分配策略。

图2 无人机支持的边缘计算网络中动态NFV架构

3.2.2 软件定义网络（SDN）

为增强多层异构网络的可靠性、可扩展性和信息交付能力，软件定义网络（SDN）已经被提出并成功应用到地面骨干网络，它通过将控制平面与数据平面分离，实现了完全的网络可自主编程性。SDN网络通常采用集中式的架构，SDN控制器部署在控制中心，通过动态配置数据平面路由，感知全局网络状况，优化网络运行。然而，对于在基础结构拓扑固定的地面网络，SDN架构通常采用地面基站作为控制器单元，可能带来可伸缩性和覆盖范围的限制。

无人机自主飞行通常遵循预先编程的飞行轨迹或通过更复杂的自动化系统进行动态调整。为改善用户服务体验，无人机节点通常相互协作形成一个无人机集群，为地面终端设备提供联合计算服务[8]。因此，必须定义一种智能无人机间协调协议来控制多架无人机的行为，避免无人机之间的碰撞，同时使无人机网络的效益最大化。

鉴于此，本文提出将控制器实体移到空中无人机机群，有助于形成更加灵活的网络拓扑结构。SDN在无人机边缘计算网络的部署逻辑如图3所示。基础设施层的通信、存储和计算资源能够通过网络功能虚拟化形成无人机网络资源池，为无人机SDN集中控制器提供全局资源视图。在控制层，SDN控制器位于无人机集群中的一架中心无人机上，负责全局控制功能。SDN使用南向接口与物理资源进行通信，使用北向接口实现应用层的网络服务和网络管理功能，如无人机轨迹优化、避免冲突和其他服务。

图3 无人机支持的边缘计算网络中SDN架构

3.2.3 多接入技术

无人机同时服务多个地面用户，需要考虑多用户接入技术，避免用户间干扰冲突。典型的多址接入技术分为正交多址接入技术（OMA）和非正交多址接入技术（NOMA）。文献[9]和[10]分别研究了在正交频率多址接入（OFDMA）和TDMA（时分多址接入）下，无人机支持的移动边缘计算网络中的卸载策略和飞行轨迹优化。在非正交多址接入中，多个用户可以使用相同的时频资源与无人机上的MEC服务器进行上行计算任务卸载，同时无人机在下行发送计算结果。特别的，文献[10]表明，NOMA能够提供比OMA更高的计算性能增益。

3.2.4 资源分配技术

相比地面网络，无人机的高度移动性带来了飞行轨迹这一额外自由度。同时，无人机受限于机身尺寸和电池容量，其飞行功轨迹需要被灵活的设计以降低自身的功率消耗。因此，无人机的飞行轨迹、通信资源和计算资源需要进行联合优化以寻求计算性能提升和运营成本的折衷。其中，飞行资源包括飞行轨迹、飞行速度和飞行加速度，通信资源包括通信带宽、卸载功率、卸载时间等，计算资源包括CPU频率和计算时间。在无人机边缘计算网络中，资源分配的目标主要包括以下。

（1）计算比特最大化

此目标旨在最大化地面用户卸载到无人机的数据比特，它可以直接反映UAV支持的MEC网络的计算性能。当地面终端设备需要执行巨大的计算任务时，可以考虑最大化计算比特。计算比特又可以分为卸载比特和计算处理比特，其中卸载比特为地面终端向无人机卸载的计算量，计算处理比特根据其卸载方式又可以分为本地处理任务量和无人机卸载处理任务量。

（2）能量消耗最小化

此目标旨在最小化无人机支持的MEC网络的总体能量消耗，主要包括以下三部分。一是来自地面终端自身计算产生的能量，该能量与地面设备自身CPU频率和计算时间相关；二是来自地面终端卸载到无人机产生的传输能量消耗，该能量与终端设备的发送功率和发送时间相关；三是无人机消耗的能量，包括卸载任务计算消耗的能量和无人机自身飞行消耗的推动能量。

（3）计算效率最大化

此目标旨在寻求以上两个目标的平衡，具体来说，计算效率最大化的目标是使每焦耳能量的计算比特数最大化。不同于地面基站处安装边缘服务器，无人机机载电池有限，需要考虑无人机的自身功耗问题，在满足地面用户服务质量和自身功率限制的约束下，最大化计算效率。

（4）完成时间最小化

此目标旨在满足用户较低时延的需求，从而提高用户服务体验。在部分卸载模式下，完成时间定义为本地计算时间和卸载时间两者中较大的值;在二进制计算模式下，完成时间定义为局部计算时间和卸载时间之和。

3.3 典型应用场景

3.3.1 侦察/监测

配备传感设备和通信设备的无人机可以作为空中传感器网络，在用户密度低、缺乏通信基础设施区域收集数据。位于这些区域的地面感知节点可以选择连接到附近的UAV，以获得更好的数据传输。无线传感网络通常需要快速发送和处理收集到的数据，以便生成准确的实时信息。在未部署MEC的无人机网络中，无人机需要将收集到的图像、视频等信息返回到地面的数据中心进行处理，这将导致侦察、监测等服务的传输时延大、传输能耗高。因此，考虑到移动边缘计算范式，使用多个搭载MEC服务器的无人机作为转发节点和处理单元，收集的图像、视频等数据可以直接在无人机上的MEC平台上处理，而无需传输到地面远端数据中心。

3.3.2 城市热点地区流量卸载

第五代移动通信有望带来AR、VR等沉浸式体验，这些应用往往需要高带宽通信来承载语音、视频等数据的传输，给城市热点区域的网络带来了巨大的挑战。无人机支持的边缘计算有望解决城市热点区域的网络拥塞问题，提升网络的灵活性和可伸缩性。例如，在城市音乐演唱会上，大量的观众需要实时上传、解码、共享视频数据或从云中心下载视频数据，无人机边缘计算网络可以灵活地部署在城市上空，提供付费计算服务和内容缓存服务，有效缓解地面网络回程链路拥塞问题。

3.3.3 应急保障通信

无人机网络具有低成本、灵活部署等特性，且不受地理环境和自然灾害等影响，十分适合作为应急保障通信网络。特别是在地震等自然灾害导致地面网络中断情况下，通过快速部署无人机网络，可以较短时间内打通通信链路，为抢险救灾构建高效可靠的指挥调度及信息传输通道。此外，在灾后救援场景中，人脸识别等应用在搜索和救援行动中起到了关键的作用，但这些应用有着较高的时延要求。搭载MEC服务器的无人机能够降低这些应用的响应时间。凭借MEC平台强大的计算能力，无人机网络能够对地面上传的人脸数据进行快速处理，并及时响应。

4 典型的协作任务处理流程

在基于无人机边缘计算网络架构的基础上，我们进一步提出了一个三层协作计算卸载方案。如图4所示，地面终端的计算任务有以下3种计算方式：在终端本地计算、卸载到无人机上计算、卸载到地面云中心计算，具体流程如图5所示。

图4 三层协作计算卸载架构

（1）当地面终端产生计算任务时，终端首先判断自身计算能力能否满足计算要求，如果满足则在本地执行；如果终端计算能力不足，则选择将计算任务卸载到距离其位置最近的无人机网络中的MEC平台；

（2）被选择卸载的无人机首先判断自身MEC平台的计算能力能否满足卸载的计算需求，如果满足则在该无人机MEC平台上执行，并将计算结果返回地面终端；

图5 计算任务协作卸载流程

（3）如果被卸载的无人机MEC平台的计算资源不能满足地面终端卸载任务需求，该无人机选择通知网络控制中心，SDN控制器根据无人机的位置分布和计算能力分布，选择多个当前空闲的无人机合作执行计算任务，并将计算结果返回地面终端；

（4）如果当前多个空闲无人机的协作计算能力不能满足计算任务的需求，或者当前没有空闲可用的无人机，SDN控制器选择将剩余的计算任务转发给地面数据中心计算处理，并将地面数据中心的计算结果转发给地面终端。

5 挑战及开放性问题

无人机边缘计算网络是作为一种新兴的网络范式，在增强连接和提高用户服务体验质量方面的具有巨大潜力。现阶段，该网络架构仍处于理论研究阶段，该网络架构的商业化仍面临一些技术挑战以及一些开放性的问题。

5.1 资源分配问题

不同于地面边缘计算网络，飞行的边缘计算网络需要联合考虑计算资源分配技术、多架无人机之间的协作、无人机的轨迹优化。无人机的飞行虽然带来了轨迹这一额外的自由度，但也给资源分配带来了挑战。现有研究在设计无人机边缘计算网络的资源分配时，将无人机的轨迹作为优化变量考虑进去，但也增加了问题的求解难度，同时增加了设计算法的复杂度。因此，有必要寻找一种新的算法，在不损害网络性能的同时，降低算法的复杂度。

5.2 移动性管理问题

移动性管理是无人机边缘计算的另一个挑战。当地面终端设备从一个无人机MEC平台移动到另一个无人机MEC平台时，如何保证业务的连续性是一个关键问题。服务迁移是一种有效的解决方案。但是地面用户设备移动是不规律的，其运动轨迹很难预测。因此，在服务迁移期间，原始MEC平台如何确定一个最优的时间将应用程序和数据发送到新平台是一个需要解决的问题。

5.3 多用户接入问题

在越来越多的新型应用的驱动下，未来的无人机边缘计算网络面临着大量用户访问带来的巨大挑战。大量的用户接入会带来连接质量和有限的计算资源分配问题，因此如何设计一个智能的调度算法以满足多用户的随时接入计算服务是一个需要关注的问题。机器学习是一个有效的工具，有望解决多用户接入带来的干扰碰撞问题。

5.4 信令开销问题

无人机集群的庞大信令开销给无人机边缘计算网络的实施带来了挑战。一方面，SDN控制器位于无人机集群的中心无人机上，各无人机的轨迹动态变化，SDN需及时更新网络全局状态，从而带来庞大的信令开销。另一方面，无人机网络的接入、数据转发、计算和缓存等带来的信令，进一步给脆弱的无线链路增加了负担。因此，有必要研究新型协议以适应性地管理通信信令过大问题。

5.5 无人机能量消耗问题

由于无人机机身尺寸和电池容量的限制，现有无人机的飞行时间约30多分钟到2个小时，这给地面用户的持续性服务带来了巨大的挑战。因此，有必要研究新兴电池和充电技术以满足服务供应的需求。同时，需持续提高无人机的有效载荷，以满足搭载通信设备质量的要求。此外，一个高效的无人机飞行轨迹有望节省无人机的飞行功耗，进而达到延长服务时间的目的。

6 结束语

在无人机网络中引入边缘计算技术能够降低网络时延，提高用户服务体验，因此引起了学术界和产业界的广泛关注。本文从系统架构、关键技术、典型应用场景等方面，深入研究分析了无人机辅助的移动边缘计算网络。基于提出的无人机边缘计算网络架构，我们给出了典型的协作任务处理流程，并总结了现阶段无人机支持的移动边缘计算面临的挑战以及开放性问题，期望对未来无人机边缘计算网络的理论性研究和商业化部署提供可借鉴的参考。