基于自适应任务卸载的蜂窝网络计算资源分配算法

智 慧，房小彤

(安徽大学 计算智能与信号处理教育部重点实验室，安徽 合肥 230601)

随着无线通信技术的发展，蜂窝网络中移动终端的数量呈爆炸式增长，各种计算密集型应用(如VR、互动游戏、视频电话等)也随之增加，这些应用对传输时延和能量消耗有较高要求[1].移动边缘计算(mobile edge computing, 简称MEC)是移动通信网络的关键技术之一[2]，作为移动云计算的补充，可将计算资源、缓存等下沉到网络边缘，减轻蜂窝网络的传输压力，降低计算任务的传输时延、终端设备的能耗[3].

科研人员对MEC中任务卸载决策及计算资源分配进行了研究.文献[4]以系统能量消耗最小为目标，在时延约束下优化了卸载决策和计算资源的分配.文献[5]为了任务卸载时移动设备能耗最小，分别对卸载决策、计算资源分配进行了优化.文献[6]提出了一种时延改进机制，以降低卸载的时延.文献[7]使用坐标下降法制定卸载决策优化方案，采用改进的匈牙利算法和贪婪算法对子信道进行分配，满足了用户时延的要求，但每个边缘服务器周围只考虑了一个用户.文献[8]构建了一种适应度函数，根据函数值制定任务卸载方案，但仅考虑了单用户多任务情况.文献[9]以低时延低能耗为目标，对卸载决策和资源分配进行了联合优化.

目前，已有的卸载决策均仅考虑系统中的基站卸载.安装了MEC服务器的基站，可近距离为终端用户提供计算.但是，当覆盖区域的用户数较大时，资源有限的MEC服务器就难以支持所有用户完成卸载；而且，蜂窝网络有很多空闲用户，这些空闲用户的计算资源却没有被充分利用.将部分计算任务通过D2D(device-to-device)卸载至邻近的终端设备，利用邻近的终端设备的空闲资源，可减轻蜂窝网络中基站的计算压力[10-12].无论上行链路还是下行链路，D2D均可有效支持计算任务的传递，不会对基站卸载造成影响，还可提高任务卸载的速度和服务质量[13].已有的计算资源分配算法均是为了获得卸载决策及资源分配联合优化问题的最优解，该最优解是一种静态解.基站的子信道数(计算资源)是动态变化的，当分配算法不能随着基站计算资源变化而动态调整时，会出现计算资源分配不均衡的问题.因此，有必要提出一种根据基站计算资源使用情况自适应任务卸载的蜂窝网络计算资源分配算法.

与D2D任务卸载有关的研究中，文献[14]以系统容量最大化为目标，研究了D2D用户数大于蜂窝用户数情况下的资源分配问题.文献[15]根据用户的距离进行路径选择，当距离小于D2D的最大距离时，则将其视为D2D用户.文献[16]针对含有多个用户和雾计算节点(fog computing nodes, 简称FCNs)的网络，提出了基于基尼系数的FCNs选择算法 (Gini coefficient-based FCNs selection algorithm, 简称GCFSA).分析文献[14-16]可看出，这些研究均没有考虑D2D卸载与基站卸载的结合，没有充分利用网络中的空闲资源，且资源分配的灵活性不高.因此，该文拟将D2D卸载与基站卸载相结合，根据基站计算资源使用情况自适应为用户选择最优卸载决策，增加计算资源分配的灵活性.

1 系统模型

图1为多用户多基站的系统示意图.由于边缘服务器的计算资源是有限的，为降低密集计算任务对基站的压力，该文在基站卸载的基础上添加了D2D卸载.

图1 多用户多基站的系统示意图

假设如下：每个用户均有一个不可分解的时延敏感型任务Zu；基站集合NB={1,2,…,B}，用户集合NU={1,2,…,U}；S={suu′,u′∈NU,u∈NU}为用户u，u′间使用D2D进行卸载决策的矢量，其中suu′∈{0,1}，suu′=1表示用户u将计算任务卸载至提供计算资源的邻近用户u′；A={aub,u∈NU,b∈NB}表示用户u与基站b间采用基站进行卸载决策的矢量，其中aub∈{0,1}，aub=1表示用户u将计算任务卸载至基站b.基站及用户服从随机分布，所有链路均为瑞利信道，小尺度衰落服从均差为0、方差为β的圆对称复高斯分布[17].

2 任务卸载和计算资源分配的联合优化问题

任务卸载的权重和与时延及能耗有关，时延及能耗越小，权重和越小.将任务卸载时实际计算的权重和与本地计算的权重和的差定义为效用增益.D2D卸载、基站卸载和本地计算的效用增益表达式分别为

(1)

(2)

(3)

(4)

使得

C1:Tub

C2:suu′={0,1},u∈NU,u′∈NU;

C3:aub={0,1},u∈NU,b∈NB;

C4:suu′+aub≤1;

C9:K=min{K,|Ub|};

C10:P2>P1;

(5)

其中：gb表示基站b可分配的计算资源；Tth为任务卸载允许的最大时延；Tub,Tuu′分别为基站、D2D卸载的传输时延；K为基站可同时连接的最大用户数；P1,P2分别为D2D、基站用户的最大发射功率；Ub为基站b可连接的用户集合.约束条件C1保证任务卸载能在规定时间内完成.C2，C3分别限制suu′，aub的取值范围.C4限制每个用户只能选择一种卸载模式.C5限制基站的计算资源容量.C6限制每个基站可连接的用户数.C7限制每个基站用户只能将当前任务卸载至某一基站.C8限制每个D2D用户只能将当前任务卸载至某一邻近用户.C9限制基站连接的用户数.C10限制基站用户的最大发射功率大于D2D用户的最大发射功率.

3 基于自适应任务卸载的蜂窝网络计算资源分配算法

针对蜂窝网络中密集型任务的卸载模式选择、卸载决策、计算资源分配，该文提出基于自适应任务卸载的蜂窝网络计算资源分配算法(adaptive cellular network computing resource allocation algorithm based on task offloading, 简称ACNCRAA)，以求解优化问题(5).

3.1 卸载模式选择

卸载模式有如下3种：D2D卸载、基站卸载和本地计算.选择最优任务卸载模式的步骤如下：

(1) 用户u向周围所有邻近用户优先发送计算资源请求.设εu为回复用户u的有计算资源的邻近用户集合.根据集合εu中用户的信干噪比SINRuu′，筛选出有计算资源且连接稳定的邻近用户集合ψu.在集合ψu中选取权重和最低的邻近用户u″进行D2D卸载.若|ψu|=0，说明没有支持D2D卸载的邻近用户，则执行步骤(2).

3.2 自适应计算资源分配

用户选择本地计算或D2D卸载后，直接将计算结果反馈至用户，因此只需对基站卸载进行计算资源分配.基站卸载时的计算资源分配步骤如下：

步骤1 用户及基站的排序.

步骤2 根据排序结果，为每个用户自适应选择最优卸载决策.

(1) 初始化，且令τu=1.

步骤3 根据卸载决策结果分配计算资源.

4 仿真结果及分析

整个边缘计算网络由多用户多基站组成，每个基站的覆盖半径r=50 m.具体仿真参数设置如表1所示.

表1 仿真参数设置

将该文提出的ACNCRAA与SA(selection algorithm),AOA (all offloading algorithm)，ROA (randomly offloading algorithm)，GCFSA进行比较.

图2(a)为5种算法的系统效用增益随基站数变化的情况.由图2(a)可知，随着基站数的增加，5种算法的系统效用增益均有所提高，但ACNCRAA的系统效用增益高于其他4种算法.图2(b)为5种算法的时延随基站数变化的情况.由图2(b)可知：随着基站数的增加，ACNCRAA的时延快速下降后变缓，ROA的时延一直保持很低，但是当基站数量超过7时，ACNCRAA的时延低于ROA.可见，该文算法在保持低时延的同时，系统效用增益也最高.

图2 5种算法的系统效用增益和时延随基站数变化的情况(用户数为40)

图3为5种算法的系统效用增益随用户数变化的情况.由图3可知：随着用户数的增加，5种算法的系统效用增益均增加，但ACNCRAA的系统效用增益最大；ACNCRAA的系统效用增益增长变缓，这是因为基站数固定的情况下，用户数的增加使基站的计算资源不足以支持部分用户完成卸载；ROA的系统效用增益最小.

图3 5种算法的系统效用增益随用户数变化的情况(基站数为4)

图4为ACNCRAA的系统效用增益随权重系数λT和λE变化的3维图.由图4可知：当λT一定时，系统效用增益随λE增大而增大；当λE一定时，系统效用增益随λT的增大而减小；当λT/λE大于等于2时，系统效用增益为零.可见，相对于时延，任务卸载时的能耗对系统效用增益的影响更大.

图4 ACNCRAA的系统效用增益随权重系数λT和λE变化的3维图(用户数为40，基站数为4)

综上可知：在多基站多用户的网络系统中，相对于另外4种算法，该文提出的ACNCRAA无论自变量是基站数还是用户数，其系统效用增益均为最高.

5 结束语

该文提出了基于自适应任务卸载的蜂窝网络计算资源分配算法.该算法根据用户周围资源的分布和干扰情况，为用户选择最优的卸载模式，根据基站计算资源的使用情况自适应调整任务卸载决策及分配计算资源，增加了计算资源分配的灵活性，提高了网络资源的利用率.仿真结果表明：在多基站多用户的网络系统中，与其他4种算法相比，该文算法的系统效用增益最大.