移动边缘计算在车联网中的应用

焦 嘉，刘金花（通讯作者）

（湖南信息职业技术学院 湖南 长沙 410203）

0 引言

移动边缘计算（mobile edge computing，MEC）最近已经成为一种新的计算范例。MEC是一种新型的网络架构概念，它集成了IT服务环境和云计算功能，MEC主要实现计算密集型和延迟关键型应用，大幅缩短延迟和移动能源消耗。

蜂窝基站（BS），被认为是MEC的关键推动因素，具有类似于云计算的存储功能，为最终用户的计算请求服务，换句话说，MEC-BS可以帮助移动终端来处理服务[1-2]，加速进程并减少服务耗能，同时增强用户体验。在本文中我们研究了基于ARIMA模型和LSTM模型的计算卸载方法，在用户的移动过程中，得到一系列移动终端任务的接受概率和驻留时间，从而来预测下一个时刻的可用性，得到的目标函数通过博弈理论为车辆制定了最优卸载策略[3]。

1 系统架构

图1是我们提出的基于MEC-BS的移动预测系统框架。本架构利用MEC-BS提供的计算资源实现了MEC-BS的接收控制、移动终端的位置、移动终端的速度等信息提取，通过算法预测功能，将数据通过计算流的方式从一个模块传输到下一个模块，从而更加便捷地实现了移动性预测。

2 可用性数据描述

2.1 预测基于距离优先级的MEC-BS准入控制

MEC-BS可能会拒绝接受来自用户的卸载请求，因此，MEC-BS的准入控制是影响MEC-BS可用性的一个重要因素，我们设计了一个类似于基于距离优先级的准入控制策略[4-5]。也就是说，同一云小区覆盖范围内的用户根据他们同时卸载时与云端的距离而具有不同的优先级。准入控制政策可能有所不同，其他的准入控制策略也同样适用。

在计算MEC-BS可用性的准入控制（下文又称接收概率）时，可以理解为一个MEC端的在线请求接纳问题。因为用户的移动性和有限的MEC资源，使得对MEC的准入控制算法的设计尤其具有挑战性。因此我们只考虑在覆盖区域中并且卸载给MEC-BS的活动终端设备的外部服务比率（ESR）。对于同一终端v和同一覆盖范围内的其他终端Vi（i∈{1,2…}），ESR的定义如下：

通过公式（1），我们可以得出位于MEC-BS较近的车辆拥有相对较大的ESR。

2.2 移动性问题：预测驻留时间

图2中显示了移动终端在MEC-BS覆盖范围内驻留时间的计算模型，其中R是MEC-BS的覆盖半径，d是MECBS的覆盖范围内的穿越距离(0＜d＜2R)，变量α表示移动设备轨迹方向与MEC-BS之间的角度，α∈(0,π)，r代表移动设备与MEC-BS之间的距离，h代表几何高度。

假设该模型移动终端的移动速度和方向在一段时间内没有变化，我们可以得出以下结论：

移动终端v在 MEC-BS 覆盖范围内的驻留时间T由下式给出：

所以相对时间是：

其中T表示在通信范围内的预计驻留时间，τ表示完成任务所需的时间。

2.3 基于ARIMA模型预测下一个位置的可用性

ARIMA预测模型算法的过程如下：首先对数据进行差分处理，以将不平稳的时间序列中的数据转换为稳定时间序列中的数据，然后使用ARMA模型以进行数据分析。差分运算原理是提取时间序列数据的特征（如季节性和趋势），这些特征会影响数据的稳定性，从而实现序列数据从非平稳转向平稳。

2.4 基于EMD和LSTM的可用性分析

2.4.1 EMD分解

经验模式分解（EMD）主要是对数据进行信号分解，它依据数据自身的时间尺度特征而不需要预先设定基函数。

使用EMD，原始时间序列可以被分解成有限数量的固有模态功能(IMFs)，逐渐具有不同的时间尺度。因为其分解是局部进行的，所以具有自适应性。

2.4.2 LSTM预测方法

深度学习的出现为预测方法提供了新的思路。卷积神经网络(CNN)、循环神经网络（RNN)、深度置信网络(DBN)和长短时记忆(LSTM)都是比较经典常用的深度学习预测方法。

常规的神经网络模型选择提取附近信息的特征，当距离目标信息有一定的距离时不能很好地进行信息交互，我们称这种情况为长时依赖问题（或者梯度消失问题）。因为长期短期记忆（LSTM）方法[6]具有处理长期和短期依赖性的能力，所以本文选择LSTM作为预测短期 MEC 资源的可用性，每次积累来自输入数据的信息时，都可以储存数据的特征以补偿传统神经网络模型的缺点。

3 仿真实验与结果分析

3.1 评估LSTM模型

在本节中我们利用LSTM模型来预测移动设备终端的移动性，如图3（a）为IMF1，图3（b）为IMF4所示，我们分别基于IMF1和IMF4来评估LSTM模型。在这两个图中，我们使用了500个数据集（本文使用的数据集为谷歌集群数据data-2011-2），描述了在一定时间约束下进行的任务卸载[7-8]，这与我们研究的情况非常类似，其中前495个数据为训练集，后5个数据为测试集。从图3中我们可以很明显地看到这两条曲线是非常接近的。

3.2 评估MEC-BS的可用性

在2.2节的计算模型中，需要使用到MEC-BS的可用性，为了验证所提出的移动性模型，我们模拟具有不同终端设备移动性模式的3种情况，见图4（a），在选择移动路径时具有不同的选项：离心、向心和随机方向。在移动设备离开MEC-BS覆盖区域之前的任何时间，终端可以开始卸载任务[9-10]并接收结果。我们记录任务卸载成功执行的概率[11]。对于每种移动模式，独立测试4 000个样本，MEC-BS覆盖半径范围为5～70 m。图4（b）显示的是我们根据实验的分析结果，当移动终端设备选择离心移动（即最坏情况）时，任务卸载成功的概率远远比向心移动（最佳情况）的时候更小，这是因为移动终端在做离心移动时停留的时间相对较短，所以此时的MEC-BS可用性相对更低。

4 结语

目前车联网架构下的计算卸载问题和移动性问题的分析应用已经是现阶段通信技术研究的热点和难点，因此，为了提高用户体验，进一步优化性能，本文研究了车联网中基于移动性预测的边缘计算任务卸载优化问题，达到了比较好的效果。分别构建基于ARIMA和LSTM的预测模型，同时对上述两种算法进行了比较，ARIMA模型通过分析历史数据得到当前预测值，并没有保存历史数据的特征，而LSTM模型的数据是三维变量，输入的数据不仅有时序性变化趋势，也与变化趋势特征有关，所以在本文实验部分选取基于EMD分解和LSTM的预测算法进行深入研究。最后仿真结果表明，本方案相对于其他不考虑MEC可用性及本地执行等方案都能在大多数情况下取得最好的性能。