Wi-Fi网络移动边缘计算资源分配策略研究

沈 冬，方旭明

（西南交通大学，四川 成都 611756）

0 引言

随着无线通信技术的飞速发展，移动设备的应用种类变得日益丰富，衍生出虚拟现实（Virtual Reality，VR）、增强现实（Augmented Reality，AR）等时延敏感型、计算密集型应用。然而由于受限于体积，移动设备的计算能力、电池能量有限，可能无法及时处理这类应用。此外，该类应用的计算可能会消耗大量能量[1]，从而缩短移动端续航时间或电池寿命。由欧洲电信标准化协会（European Telecommunications Standards Institute，ETSI）提出的移动边缘计算[2,3]（Mobile Edge Computing，MEC），可以较好地解决上述问题。通过该技术，移动设备可将计算任务卸载到靠近用户侧和位于接入网络边缘的MEC服务器，从而减轻移动端的计算负担，降低任务处理时延与移动端能耗。

如今，由IEEE 802.11系列标准所定义的Wi-Fi已经成为最受欢迎的无线数据传输技术之一，有超过一半的用户数据通过Wi-Fi网络进行传输[4]。最新一代Wi-Fi标准802.11ax已经正式封标，并已投入使用，该标准具有高吞吐量、低时延等特点。Wi-Fi网络具有大带宽、低时延、分布广、无移动运营商资费等特点，且用户数据仅在局域网内进行传输，安全性高，因此相比蜂窝网络更能满足移动边缘计算的需求。

关于移动边缘计算的相关研究主要集中在MEC网络架构[5]、计算任务卸载策略[6]、计算任务卸载策略与资源分配联合优化算法[7]。由于MEC服务器通常需要在资源有限的情况下同时为多个移动设备提供计算服务，因此，计算任务卸载策略与资源分配算法对移动边缘计算的性能有显著影响。计算任务卸载与资源分配的联合优化问题已成为移动边缘计算的研究热点之一。

绝大部分文献基于蜂窝网与车联网，研究移动边缘计算下的计算任务卸载与资源分配联合优化问题。在文献[8]中，作者将数据压缩技术引入多用户单服务器MEC系统，在满足时延限制的条件下，通过联合优化卸载策略、资源分配和数据压缩比例以降低移动端能耗。文献[9]针对提供内容缓存服务的MEC系统，提出了内容缓存决策、卸载决策、资源分配联合优化问题，并通过将用户请求的内容缓存到MEC服务器的方式，避免相同内容的重复传输，降低回传链路的带宽占用与任务处理时延。针对车联网中由于车辆移动导致的任务卸载失败的问题，文献[10]考虑车速等限制条件，提出了动态卸载策略，即通过将任务分成多个子任务并卸载到不同基站的服务器进行并行计算的方式，实现在任务卸载不中断的前提下，最小化每个基站的任务处理时延。文献[11]提出了一种启发式算法，以优化所有移动端的最大任务处理时延，从而提高了用户公平性。文献[12]针对多用户多服务器的MEC系统，提出了基于强化学习的分布式任务卸载策略，以实现服务器的计算负载均衡。

针对Wi-Fi网络移动边缘计算下的计算任务卸载与资源分配的研究数量较少，且相关文献的研究场景主要是基于蜂窝与Wi-Fi的异构网络，并通常对资源分配模型进行了简化，或不满足Wi-Fi网络资源分配的限制条件，因此所提资源分配算法不适用于802.11ax Wi-Fi网络。文献[13]在基于蜂窝与Wi-Fi的异构网络下研究单用户任务卸载问题，通过基于深度强化学习的算法以优化任务卸载长期开销，实现任务处理时延、排队时延、成本的折中。文献[14]以最小化移动端时延开销为优化目标，研究了基于Wi-Fi网络MEC架构下的联合任务卸载与资源分配问题；然而该文献仅简单地考虑传输速率与服务器负载强度和服务用户数量成反比，并没有给出具体的资源分配模型。文献[15]的作者将能量捕获技术引入MEC系统，研究由基于非正交多址（Non-Orthogonal Multiple Access，NOMA）技术的蜂窝与基于正交频分多址（Orthogonal Frequency Division Multiple Access，OFDMA）技术的Wi-Fi组成的异构网络下的任务卸载与资源分配问题；然而该文献在Wi-Fi网络下采用的频谱资源粒度为子载波，因此该文献所提资源分配算法并不适用于频谱资源粒度为资源单元（Resource Unit，RU）的802.11ax Wi-Fi网络。文献[16]提出了一种基于802.11ac Wi-Fi网络的多接入点（Access Point，AP）多用户MEC架构，并基于此架构研究任务卸载与资源分配联合优化问题，通过分支限界法求解以最小化移动端能耗；然而作者在仿真时采用了固定调制与编码方式（Modulation and Coding Scheme，MCS），且忽略了通信资源分配对传输速率的影响。文献[17]研究了基于Wi-Fi与蜂窝异构网络下的任务卸载问题，并提出了基于交替优化与线性规划的优化算法，以降低时延与能耗的加权；然而该文献没有对通信与计算资源分配进行优化，且采用的Wi-Fi网络为802.11ax之前版本的传统Wi-Fi网络，因此并不涉及802.11ax Wi-Fi网络下的OFDMA资源分配问题。

综上所述，目前鲜有基于Wi-Fi网络的移动边缘计算解决方案，且现有文献在研究资源分配问题时，采用的频谱资源粒度通常为按任意比例分配的带宽、按任意数量分配的子载波或者是大小固定、规格单一的子信道，并且将香农容量等效为实际的传输速率。而最新一代802.11ax Wi-Fi网络的频谱资源可被分为多种不同固定规格的RU，并且实际的传输速率取决于RU规格和MCS，因此现有文献所提资源分配算法并不适用于Wi-Fi网络。

针对上述问题，本文基于802.11ax Wi-Fi网络，对移动边缘计算下的计算任务卸载与资源分配问题进行了研究，主要贡献如下：

（1）给出了基于802.11ax Wi-Fi网络的计算任务整体卸载与资源分配系统模型；

（2）考虑任务时延限制，建立了卸载决策与资源分配联合优化问题，最小化移动设备的任务处理总能耗；

（3）提出了基于坐标下降法与任务优先级的卸载与资源分配方案，所提方案具有较低算法复杂度，且满足802.11ax Wi-Fi网络的资源分配限制条件；

（4）通过仿真验证了所提方案能够在显著降低移动设备任务处理总能耗的同时，提高QoS满意率，有效提高了基于Wi-Fi网络的MEC性能。

1 系统模型与问题建模

假设在一个由单AP、多站点（Station，STA）组成的802.11ax Wi-Fi网络中，AP含MEC服务器，具有通信、存储和一定的计算能力，如图1所示。AP和STA均是802.11ax设备，且工作在5 GHz频段。

记STA集合为M={1,2,…,M}，STAm的计算任务为Tm=(dm,cm,τm)，其中，dm为任务数据量大小，单位为比特；cm为任务所需的CPU计算量大小，单位为时钟周期（cycle）；τm为任务的时延限制，单位为秒。假设STA的计算任务无法进一步分割，STA只能对任务进行本地计算或者整体卸载。假设AP与STA的CPU在每个时钟周期所能处理的指令数相同，即具有相同的每周期完成的指令数（Instructions Per Cycle，IPC），则AP与STA的计算能力仅与CPU频率有关。假设同一个任务在本地进行计算以及在服务器进行计算所需要的CPU计算量相同。由于本文设计的方案仅针对计算任务，故假设系统内此时没有通信业务，因此仅考虑计算任务的传输，不考虑计算任务与通信业务的混合传输。

1.1 本地计算模型

当STAm进行本地计算时，记STAm的本地计算资源为，则本地计算时延和能耗可以分别表示为：

式中：ε为能耗系数[18]。

1.2 卸载计算模型

当STAm进行卸载计算时，STA首先需要将任务数据上传给AP，其次由AP的MEC服务器对任务进行计算，最后AP将任务计算结果回传给STA。

在802.11ax Wi-Fi网络中，频谱资源的最小粒度为RU，且每个STA只能使用1个RU。RU规格是离散的，且种类有限，以80 MHz带宽为例，按照包含子载波个数由少到多，可将RU分为26-tone、52-tone、106-tone、242-tone、484-tone、996-tone RU。为了方便，将RU表示为其占用子载波的数量，则26-tone、52-tone、106-tone、242-tone、484-tone、996-tone RU可以分别表示为26，52，106，242，484，996。

STAm的上行传输速率可以表示为：

式中：pm为STAm的传输功率；gm为STAm到AP的信道增益；RUm为STAm所用RU的规格，记为其所包含的子载波数量；SINRm为AP在STAm所用RU上的信干噪比；V(RUm,MCS(SINRm))为在规格为RUm的RU上，接收端的信干噪比为SINRm时，所能达到的最大MCS所对应的传输速率；N0为噪声功率谱密度；bc为单个子载波占用的带宽。

RU规格越大，则带宽越大，而采用更高阶的MCS可以提高单个符号所携带的比特数，并且降低前向纠错的编码开销，因此传输速率与RU规格和MCS成正相关。MCS的种类有限，且与SINR有关，SINR越大，则可以采用更高级别的MCS。本文将802.11ax协议所定义的接收机最小输入灵敏度减去噪声功率，以获取SINR与MCS的映射关系。此外，通过查询802.11ax协议的方式以获取给定RU规格和MCS所对应的传输速率。

一般而言，任务计算结果比任务数据小很多[19]，因此忽略下行传输过程带来的时延和能耗，则STAm的传输时延和传输能耗可以分别表示为：

记AP为STAm分配的服务器计算资源为fms，则STAm的任务在服务器计算的时延可以表示为：

STAm的卸载计算时延和能耗可以分别表示为：

1.3 问题建模

记卸载决策向量为X={x1,x2,…,xM}，RU分配向量为RU={RU1,RU2,…,RUM}，传输功率分配向量为P={p1,p2,…,pM}，本地计算资源分配向量为，服务器计算资源分配向量为。本文在满足任务时延限制的条件下最小化STA的任务处理总能耗，则优化问题可以表示为：

式中：xm=0为本地计算；xm=1为卸载计算；RUmax为AP所能提供的最大RU规格；F s为服务器的最大计算资源；为STAm的最大本地计算资源；为STAm的最大传输功率。

2 任务卸载与资源分配方案

在优化问题P中，整形变量的存在导致该问题是一个混合整数非线性规划问题，且待优化变量较多，难以通过优化理论直接求得最优解。因此，本文将原始优化问题拆分为卸载决策子问题与资源分配子问题进行求解，通过在给定卸载策略的情况下求解资源分配子问题，并对卸载策略进行迭代优化以求得次优解。

2.1 资源分配子问题

在给定卸载策略的情况下，原始优化问题可转化为本地计算资源分配问题P1与卸载计算资源分配问题P2的次优化问题，分别如式（11）、式（12）所示。

式中：Ml为进行本地计算的STA集合。优化问题P1为在满足任务时延限制的条件下，最小化每个进行本地计算的STA的能耗。

式中：Moff为进行卸载计算的STA集合。优化问题P2为在满足任务时延限制的条件下，最小化所有进行任务卸载的STA的能耗之和。

由于每个STA的信道质量、任务数据量、任务计算量、任务时延限制不同，因此当卸载策略确定后，均分带宽资源、服务器计算资源的方式无法保证较好的性能，需要通过合理的通信资源与计算资源分配，以在尽量满足任务时延限制的条件下，降低STA的任务处理总能耗。为此，本文综合考虑Wi-Fi网络的资源分配特点与限制条件，提出了一种基于任务优先级的资源分配算法（Task Priority Based Resource Allocation，TPBRA），流程如图2所示。

图2 基于任务优先级的资源分配算法流程

基于任务优先级的资源分配算法流程具体如下文所述。

（1）本地计算资源分配。若STA进行本地计算，则AP无须为STA分配通信资源和服务器计算资源。由于移动设备可通过动态电压调整（Dynamic Voltage Scaling，DVS）技术对本地计算资源进行调整，从而降低能耗[20]。因此在任务时延限制的条件下，STA的最佳本地计算资源可以表示为：

（2）计算任务优先级。对于进行任务卸载的STAm而言，根据STA所需最小服务器计算资源、所需最小传输速率、传输能力capacitym计算STA任务优先级wm，表达式分别为：

式中：αj(j∈{1,2,3})为优先级系数，且。对于任务数据量越大、任务计算量越大、任务时延限制越苛刻、信道质量越差、最大传输功率越小的STA而言，其任务的时延限制条件越不容易被满足，因此为其设置更大的任务优先级，并在后续进行通信与计算资源分配时，为任务优先级更大的STA分配更多资源。

（3）RU分配。在802.11ax Wi-Fi网络中，RU规格是离散的，其种类有限，且一个STA最多只能使用一个RU，因此本文将RU分配问题建模为RU规格与STA任务优先级的匹配问题。假设进行卸载的STA数为Moff，且将整个带宽拆分为Moff个RU的RU规格组合共有K种，则RU分配问题可以看作从K种RU规格组合中选取一种最合适的RU规格组合，并且为这Moff个RU与STA确定一一对应的关系。

记第k种（k∈{1,2,…,K}）组合下各个RU的规格之比（由大到小排序）为s1,k:s2,k:…:sMoff,k。对STA按任务优先级由大到小的顺序进行排序，得到排序后的STA编号n1,n2,…,nMoff∈Moff。将排序后的STA任务优先级之比归一化为其中，然后将K种RU规格组合的RU规格之比归一化为，其中，

本文将RU规格匹配问题建模为最小化多维空间中两点距离问题进行求解。设最合适的RU规格组合为第k*种RU规格组合，则k*为：

由于在尽量用完带宽的前提下可用的RU规格组合数较少，因此本文使用穷举法找到最合适的RU规格组合，最后通过式（19）得到每个参与卸载计算的STA所用的RU规格。

（4）服务器计算资源分配。由于服务器计算资源分配向量F s不会对移动端能耗的大小产生影响，因此本文将服务器计算资源按照任务优先级之比进行分配，如式（20）所示。任务优先级越大，说明该STA的任务时延限制越不容易被满足，因此需要分给该STA更多的服务器计算资源。

（5）STA功率调整。在完成上述步骤后，资源分配子问题可转化为Moff个独立的STA功率优化问题，其表达式为：

由于传输速率V与MCS呈一一对应的离散映射关系，因此难以给出目标函数φm与自变量pm的函数表达式。为了便于分析传输功率pm对能耗φm的影响，将传输速率V替换为香农容量，则可以得到式（22）所示的优化问题。

通过进一步求导分析不难得出(pm)>0，故ψm(pm)单调递增。由于实际的传输速率与香农容量成正相关，因此可近似认为能耗随着功率的增加而增大，故为了最小化STA能耗，需要在满足任务时延限制C2和STA功率限制C1的条件下尽可能降低传输功率。根据上述结论，本文提出了如算法1所示的STA功率调整算法。

2.2 卸载决策子问题

坐标下降法（Coordinate Descent，CD）是一种简单、高效的迭代优化算法，通过将一个高维的优化问题分解为若干个一维的优化问题，从而极大降低了问题的复杂度。与梯度下降法按照梯度方向搜索目标函数最优值不同，坐标下降法在每次迭代过程中按给定顺序依次在每个坐标维度上搜索目标函数的最优值[21]。考虑到卸载策略为0-1变量，因此，对卸载策略向量的每个坐标维度进行搜索时，具有较低的复杂度，故本文基于坐标下降法对卸载策略进行迭代优化。卸载决策流程如图3所示。

图3 基于坐标下降法的整体卸载决策流程

基于坐标下降法的整体卸载决策流程具体如下文所述。

（1）确定初始卸载策略。首先预估STA按照最大本地计算资源对任务进行计算是否能满足时延限制，若否，则STA需要将其任务卸载到MEC服务器。根据式（23）、式（24）确定初始卸载策略。

（2）通信与计算资源分配。按照如图2所示的TPBRA算法进行资源分配。

（3）卸载策略迭代优化。记STA集合为M={1,2,…,M}，卸载策略优化顺序向量为O={o1,o2,…,ok,…,oM}，∀ok∈M，第k个被优化卸载策略的STA编号为ok。为了尽量满足STA的时延限制，本文在计算改变STA卸载策略所带来的系统增益时，同时考虑STA能耗降低收益和任务如果超时而导致的惩罚。在给定卸载决策向量X时，记RU(X)，P(X)，F l(X)，F s(X)分别为通过基于任务优先级的资源分配算法所得到的RU、传输功率、本地计算资源、服务器计算资源分配向量，则在给定卸载策略向量X与资源分配向量RU(X)，P(X)，F l(X)，F s(X)时，考虑超时惩罚后的能耗总开销Call(X)，它可以表示为：

式中：βm为惩罚因子，当STAm的任务处理时延不满足时延限制时，βm>1，STAm的能耗开销会进一步增大。通过引入惩罚因子，使得算法在迭代过程中尽量避开不满足时延限制的卸载策略，从而尽可能保证STA任务时延限制。

式中：⊕表示模2加运算符。

对于每次迭代过程而言，按照给定顺序O依次对每个STA的卸载策略进行优化，每个已被优化的STA卸载策略都将作为已知量，用于后续的优化过程。对于单个STA的卸载策略优化而言，首先尝试改变该STA的卸载策略，并重新进行资源分配，判断改变该STA卸载策略是否能降低能耗总开销。若可以，则需要改变该STA的卸载策略，否则该STA的卸载策略保持不变。因此可以表示为：

记第i次迭代所带来的系统增益为Gi，则Gi可以表示为：

对于第i次迭代，若Gi>0，则本次迭代能够带来系统增益，因此本次迭代对卸载策略与资源分配结果的调整有效；若Gi≤0，则本次迭代无法带来增益，因此本次迭代对卸载策略与资源分配结果的调整无效。则经过第i次迭代后得到的卸载策略向量可以表示为：

由于坐标下降法依次沿着单个变量方向对目标函数进行优化，因此在有限迭代次数内目标函数能够收敛到一个局部最优解，故本文将算法收敛停止条件设置为Gi≤0。

基于坐标下降法的卸载策略（Coordinate Descent Based Offloading，CDBO）如算法2所示。

3 仿真结果与分析

3.1 仿真场景与参数设置

仿真场景为单AP多STA场景，STA随机分布在AP周围。假设需要卸载的任务数据量小于或等于AP所能提供的最大RU剩余承载能力，任务时延限制设置为任务在本地计算最小时延的50%～120%。除非特别声明，其他仿真参数如表1所示。

表1 仿真参数

为了验证本文所提方案的有效性，本文通过MATLAB对所提方案和以下3种基线方案的性能进行仿真。

（1）基线1（local-only）：所有任务进行本地计算，并在保证任务时延限制的前提下尽可能降低本地计算资源。

（2）基线2（offload-only+RRA）：所有任务进行卸载计算，并采用随机资源分配算法，即AP在保证带宽尽量用完的前提下，为STA随机分配RU、均分服务器计算资源，且STA采用最大传输功率。

（3）基线3（offload-only+TPBRA）：所有任务进行卸载计算，并采用基于任务优先级的资源分配算法。

（4）本文所提方案（CDBO+TPBRA）：采用基于坐标下降法与任务优先级的卸载与资源分配方案。

通过多次实验并对性能指标取平均值的方式得到仿真结果，性能指标包括了STA的任务处理总能耗、QoS满意率。其中，QoS满意率定义为任务处理时延小于或等于任务时延限制的任务数占总任务数的比例。

3.2 性能分析

3.2.1 改变STA数量

图4和图5分别为STA任务处理总能耗、QoS满意率与STA数量的关系。其中，服务器最大计算资源为12 GHz。

图4 STA的任务处理总能耗与STA数量的关系

图5 QoS满意率与STA数量的关系

从图4可以看出，本文所提方案的STA任务处理总能耗显著低于其他方案，且本文所提基于任务优先级的资源分配算法能够有效降低STA的任务处理总能耗。当STA数量较少时，本文方案的性能曲线与基线3重合，这是因为当STA数量较少时，通信与服务器计算资源是充足的，AP能够较好地满足所有STA的任务计算需求，此时本文所提方案会让所有STA将任务卸载到AP进行计算。

从图5可以看出，本文所提方案的QoS满意率显著高于其他方案，且本文所提基于任务优先级的资源分配算法能够在通信、服务器计算资源较为充足的情况下适量提高QoS满意率。当STA数量较少时，由于通信资源与服务器计算资源是充足的，此时全部卸载计算，本文所提方案均能较好地满足STA的任务时延限制。随着STA数量逐渐增多，全部卸载计算的QoS满意率急剧下降，且当STA数增加到一定程度时，全部卸载计算已经无法满足任何STA的任务时延限制。

综合图4与图5可以看出，当STA数量较少时，由于STA能够获取足够的通信与服务器计算资源，因此全部卸载计算与随机资源分配也能够获得与本文方案较为接近的MEC性能；而当STA数量较多时，由于STA难以获取足够的通信与服务器计算资源，因此全部卸载计算与随机资源分配的MEC性能急剧下降。本文所提方案的MEC性能随STA数的增加下降较为缓慢，且即使在STA数较大时依然能够保持不错的MEC性能。可见本文提出的方案能够适应不同STA数量，即能够同时在资源受限与不受限时进行合理的卸载决策与资源分配，实现在尽可能满足STA任务时延限制的条件下，降低STA任务处理总能耗的功能。

3.2.2 改变任务数据量大小

图6和图7分别为STA任务处理总能耗、QoS满意率与STA任务数据量的关系。其中，STA数量为6，服务器最大计算资源为12 GHz。

图6 STA的任务处理总能耗与STA任务数据量的关系

图7 QoS满意率与STA任务数据量的关系

从图6可以看出，本文所提方案的STA任务处理总能耗显著低于其他方案，且能耗上升速率也远低于全部卸载计算与随机资源分配。

从图7可以看出，除全部本地计算外，其他方案的QoS满意率均随着任务数据量的增加而降低。此外，本文所提方案具有最高的QoS满意率，且QoS满意率的下降速率也远低于全部卸载计算与随机资源分配。

综合图6与图7可以看出，当任务数据量较小时，将所有任务卸载到服务器进行计算以及进行随机资源分配，也能够获得较好的MEC性能；当任务数据量较大时，全部卸载计算与随机资源分配的MEC性能显著下降，而本文所提方案的性能下降不明显，即使在任务数据量较大时仍然能保持较好的MEC性能。这是因为本文所提方案综合考虑STA计算能力、AP计算能力、任务属性等参数进行合理的卸载决策，通过将时延限制较为苛刻、数据量较小、计算量较大的任务卸载到AP进行计算，而对时延限制较为宽松、数据量较大、计算量较小的任务在本地进行计算，以充分利用参数的多样性，使得STA的计算任务与任务计算方式相匹配。此外，本文所提方案在进行资源分配时，为任务时延限制更苛刻、任务数据量更大、任务计算量更大、传输能力更差的STA分配更大的RU和服务器计算资源，因此能够更好地满足STA的任务时延 限制。

3.2.3 算法复杂度与算法收敛性

图8为本文所提方案达到收敛所需算法平均迭代次数与STA数量的关系，其中，服务器最大计算资源为12 GHz。可以看出，当STA数量较多时，本文所提方案达到收敛所需算法平均迭代次数依然较小，且迭代次数随STA数的增加近似呈现线性增长趋势。

图8 本文所提方案的算法平均迭代次数与STA数量的关系

图9为本文所提方案在不同带宽设置下的收敛性，其中，服务器最大计算资源为24 GHz，STA数量为8，STA任务数据量大小为6 Mbit。可以看出，随着带宽的增大，STA的平均传输时延降低，因此STA的任务处理总能耗也跟着降低。此外，本文所提方案的STA任务处理总能耗在不同带宽下均随着迭代次数的增加而呈现下降趋势，且均能在一定迭代次数之后收敛到一个固定值，因此本文所提方案具有较好的收敛性。

图9 本文所提方案的收敛性

综上所述，本文所提方案能够在不同场景参数下，降低STA任务处理总能耗，提高QoS满意率，同时具有较低的算法复杂度和较好的收敛性。

4 结语

本文基于802.11ax Wi-Fi网络，对MEC计算任务卸载与资源分配问题进行了研究。首先给出了任务整体卸载与资源分配系统模型，其次建立了在时延限制条件下最小化移动终端任务处理总能耗的优化问题，再次设计了基于坐标下降法与任务优先级的任务卸载与资源分配方案，最后通过MATLAB对所提方案的性能进行了仿真。仿真结果表明，本文所提出的方案能够在显著降低移动端任务处理总能耗的同时，提高QoS满意率，有效提高了基于Wi-Fi网络的MEC性能。此外，本文所提方案即使在STA数较多时也能很快收敛，且算法迭代次数随STA数的增加近似呈线性增长趋势，因此方案本身的执行开销不会对MEC性能造成太大负面影响，可见本文方案在实际的Wi-Fi网络中具有较低的算法复杂度与较高的可行性。