基于D2D通信技术的边缘计算框架研究

吕立新

(安徽商贸职业技术学院 信息与人工智能学院，安徽 芜湖 241000)

物联网的快速发展促进了智慧城市、智能家居和车联网等不同领域的发展[1-2]。大规模的物联网设备和用户所产生的大量数据流量为移动网络带来巨大的压力，边缘计算技术能将数据从传感设备卸载到网络边缘，有助于减少网络流量和响应时间，提高用户的QoE[3]。网络边缘节点负责执行计算任务，无需将任务调度至远程的云计算中心，从而有效缓解核心网络的拥塞，降低端到端延迟。现有的研究分别从提高能效[4-6]、降低端到端时延[7-8]以及实现能效-时延均衡[9]的角度研究边缘计算任务卸载问题。尽管上述的研究验证了边缘计算卸载在提高无线网络计算性能方面的有效性，但有限的基站计算资源并不足以支持其覆盖范围内的所有移动设备。而且，如果边缘计算仍然使用蜂窝网络进行通信，那么稀缺的频谱资源无法保证通信所需的带宽，从而影响网络系统的性能。对此，结合设备到设备(Device-to-Device，D2D)通信技术，将部分计算任务卸载到相邻的移动设备，能有效提高移动计算系统的能效和延迟性能。D2D通信技术允许设备之间可以通过复用资源直接通信，从而避免了由于频谱资源稀缺带来的网络性能下降问题[10]。有研究者通过D2D链接将任务卸载到附近的移动设备，有效地提高了移动计算系统的能效和时延性能[11-12]。还有研究开发了名为D2D雾化的移动任务卸载框架，其中移动设备可以共享通信和计算资源以提高能源效率[13]。但是，目前的研究并没有考虑如何联合D2D卸载和边缘卸载来最大化网络系统的计算能力。对此，本文提出了融合蜂窝通信和D2D通信技术的边缘计算框架(D2D based Edge Computing Framework，D2DEC)，以提高网络系统的计算能力。D2DEC采用部分卸载模型，任务可以分为三个部分：一个用于本地计算，其余部分分别用于边缘卸载和D2D卸载。通过利用边缘计算和D2D通信的优势，充分利用边缘节点和D2D设备的计算资源，有效提升系统计算能力。

1 系统架构设计

系统架构如图1所示，包括两层：用户层和边缘层。用户层包含各种终端设备，用户层设备之间使用D2D技术进行连接和通信。边缘层包含基站和无线接入点等实体，主要提供计算、网络接入和资源管理功能。用户层和边缘层之间可以采用D2D通信进行交互，也可以采用蜂窝网络进行通信。

图1 系统架构

用户层用于设备之间的通信和计算卸载，包含具有内置Wi-Fi功能的各种移动终端设备。终端设备需要开启Wi-Fi功能，并且在彼此的通信范围内才可以进行通信。在基于Wi-Fi的D2D通信架构中，设备之间通过绑定器相互连接，绑定器构建一个组以创建连接，而连接方式可以是一对一或一对多。当距离超过阈值时，D2DEC结合蜂窝通信方法，以提高系统的鲁棒性。如果Wi-Fi信号稳定，系统将首先使用Wi-Fi进行网络传输；否则将自动切换到使用蜂窝网络通信。边缘层是提供边缘计算资源的计算平台，边缘层的服务器主要对边缘设备进行网络访问和资源管理，同时也部署不同的应用。边缘服务器中部署了计算模块、显示模块和数据库模块。计算模块用于处理计算相关的任务，图形模块用于显示结果，数据库用于存储各种数据。

为了易于阐述，假设该系统中有N个终端设备。用(Vn，Cn)表示终端设备n的任务，其中Vn是计算任务的数据大小，Cn是计算任务所需的单位处理器(CPU)周期。令T表示所有任务的最大延迟容限。令fn表示终端设备n的计算资源，Fe表示边缘节点的计算资源，该资源可以被分配给终端设备以进行并行边缘计算。任务的计算过程分为本地计算、D2D卸载和边缘卸载三种。本框架使用如图2所示的卸载模型，每个设备将其任务分成三部分，其中一部分用于本地计算，而另外两部分分别卸载到边缘节点和邻居的设备。

图2 卸载模型

2 计算卸载优化模型

根据设备的工作量和计算资源，将所有终端设备分为两组：κ={1，2，…，K}是指由无法通过本地计算完成计算任务的节点组成的集合；L={K+1，…，N}指由能够通过本地计算按时完成任务的节点组成的集合。

(1)

(2)

(3)

(4)

设备k的D2D卸载的总延迟可以表示为：

(5)

为了最大化D2DEC系统的计算能力，提出了如下所示的优化模型：

(6)

其中，第一个约束条件确保了边缘卸载和D2D卸载的时间限制，第二个约束条件限制了每个设备的最大发射功率，第三个约束条件保证了卸载到边缘节点的任务大小不小于零，第四个约束条件是边缘节点的总计算资源限制。该优化问题是一个混合整数非线性问题，难以求解。

3 模型求解

(7)

(8)

(9)

(10)

(11)

4 实验评估

实验部分采用仿真实验验证所提出的D2DEC系统的性能。仿真实验使用Matlab实现，实验环境为工作站，其配置为：英特尔i7-12700K 3.6 GHz处理器，32 GB内存，1 T容量的固态硬盘。基站的半径为300米，覆盖范围内随机分布有80个终端设备，每个设备可以与BS建立一个蜂窝链接，并与位于通信范围内的设备建立一个D2D链路。每个设备的通信范围为50米。所有链路的信道增益是根据独立同分布的瑞利随机变量生成，所有设备的最大发射功率设置为24 dBm。所有任务的延迟容忍为1秒。每个设备的计算资源服从[0.5×109，2×109]的均匀分布。对于计算任务，数据大小和CPU计算周期数分别服从[0.1，4]和[500，1500]的均匀分布。所有随机变量对于不同的设备都是独立的。边缘节点的总计算资源设置为每秒40×109个CPU周期。

实验将所提出的D2DEC系统的性能与以下两个基准系统进行比较：MEC系统,每个任务可以通过本地计算和边缘计算协同处理；D2D系统,每个任务可以通过本地计算和D2D卸载进行协作处理[14]。

图3描绘了三个不同系统中支持的设备数量与边缘节点计算资源的关系。如图3所示，D2DEC系统取得最佳性能。MEC系统和D2DEC系统中支持的设备数量随着边缘计算资源的增加而增加，而由于D2D系统并不利用边缘计算资源，因此D2D系统所支持的设备数量不变。当边缘计算资源不足时，D2DEC系统明显优于MEC系统，D2DEC系统可以充分利用终端设备和边缘节点的计算资源，能提供远大于MEC系统的计算能力。此外，由结果可知，在支持相同数量设备的情况下，D2DEC系统所需的计算资源要小于MEC系统，这表明借助D2D通信可以节省系统的边缘计算资源。

图3 支持的设备数量与边缘计算资源的关系

图4 接入比例与设备总数的关系

图4展示了接入比例与设备总数的关系，其中接入比例是指可以支持的设备与设备总数的比例。由于边缘计算资源有限，MEC系统和D2DEC系统的访问率都随着设备数量的增加而降低，而D2D系统的接入比例会相应提高。这是因为在MEC系统和D2DEC系统中，为每个设备分配的边缘计算资源会随着设备总数的增加而减少，导致可以支持的接入比例更小。随着D2D系统中设备总数的增加，D2D系统可以充分利用设备的计算资源，提高接入比例。由于D2DEC系统可以利用设备计算资源来增强计算容量，因此其接入比例比MEC系统下降得慢。

图5展示了所需的平均边缘计算资源与设备总数的关系。D2DEC系统平均所需的边缘计算资源随着设备总数的增加而减少，原因是随着设备的增多，每个设备有更多机会将计算任务卸载到附近的设备，从而减少边缘节点计算资源的使用。由于没有利用D2D卸载，MEC系统的平均所需边缘计算资源几乎保持不变。

图5 平均边缘计算资源与设备总数的关系

图6展示了平均边缘计算资源与最大D2D通信范围的关系。当链路的最大范围变大时， 每个设备都有更多的邻居设备来卸载数据，因此D2DEC系统所需的计算资源比MEC系统要小。

图6 平均边缘计算资源与最大通信范围的关系

5 结论

本研究利用D2D通信技术对边缘计算框架进行优化，提出了面向多用户的D2DEC系统。该系统通过本地计算、D2D卸载和边缘计算的协作，提高了整个系统的计算能力。D2DEC建立了计算能力最大化的数学模型，利用KKT条件推导出最优发射功率分配和卸载策略。实验结果表明，与基准系统相比，D2DEC能够有效提高系统的计算能力。未来的工作将考虑子信道复用，联合计算卸载、资源分配和干扰管理，以进一步提高系统性能。