资源受限的移动边缘计算系统中计算卸载问题研究

摘要：本文针对边缘计算卸载问题，提出了两个创新点，并进行建模，在模拟实验中都得到了最好的结果。一是在用户-MEC-云端架构中，设计了对计算结果缓存，流行的计算结果进行缓存，再次请求则直接回复，不必计算，减少了时延和能耗；二是针对多用户、网络密集的热点区域，设计了主从MEC服务器的计算卸载方式，以减缓主服务器的压力。本文对两个模型的数学表达、模型求解，没有做出详尽的分析。

• 问题场景

        主要是为了解决暴增的计算问题，以虚拟现实／增强现实、人脸识别、在线游戏、社交网络、自然语言处理等为代表的新兴应用不断涌现，产生了海量的移动数据流量。现有的计算方式，计算能力不足，产生较大的延时，较大的能耗；新采用的移动云计算计算资源充足，但是距离远，经过核心网，时间长；故聚焦于靠近用户的边缘计算方式，它将计算任务卸载到地理位置邻近且有较强计算、存储能力的MEC服务器上，速度快，低能耗。它在在５Ｇ中的众多场景，如ＡＲ／ＶＲ、物联网、车联网等都有着广阔的应用前景。

        常见的抽象的场景有：单小区多任务，多用户但MEC，多用户多MEC，用户移动与边缘计算；海量连接密集网络场景、热点区域的边缘计算、异构云场景等

• 研究背景

        移动边缘计算

        架构：打破了传统的无线接入网——核心骨干网络——应用网络相互连接的三层架构，MEC服务器通过数据下沉，与无线接入网近距离直连，无需经过核心网络，实现了无线侧与应用侧的融合。

        特点：将云数据中心下沉到无线网络边缘，离用户近；提供计算、通信、存储等能力，提供计算卸载，无线缓存等功能。

        MEC：计算、通信、存储的节点，具有能实现计算／存储业务的本地化、以低时延处理任务请求、无线信息／内容感知等技术特征，是移动边缘计算的核心节点。将用户任务卸载到MEC服务器，极大的解决了终端计算能力不足导致的时延及能耗增加问题。MEC服务器一般内嵌于基站或网关。

        MEC主机设施：硬件资源+虚拟化组件（基于openstack的虚拟化操作系统）

        MEC应用平台：虚拟化管理器（IaaS环境上的虚拟设备应用程序）+应用平台服务（通信服务、服务注册，无线网络信息服务和流量卸载功能）

        移动边缘计算部署方案：与场景有关，不同场景不同部署方案。

（1）MEC部署在无线节点（校园，大型商场，体育场等业务量和覆盖范围较大的热点区域）

（2）MEC部署在一个聚合点（室内场景、企业专网和物联网场景）

（3）MEC部署在核心网网关（室内场景、企业专网和物联网场景）

         用户移动与MEC：一是通过合理的用户轨迹预测，完成卸载节点的正确选择。二是通过预先放置卸载所需要的服务，减少用户移卸载产生的时延及能耗代价

        MEC中考虑多种资源联合调度：MEC作为计算、通信、存储的节点，计算资源、存储资源和无线带宽资源常常联合考虑以最大化整个MEC系统的效益。

        计算卸载技术

        计算卸载：将用户终端上计算密集的任务迁移到具有较强计算能力的服务器上执行。

        场景特点：资源有限，任务数量巨大。

        计算卸载研究现状：（１）采用合理的资源分配以充分利用有限资源。
                                        （２）引入辅助节点以扩展MEC系统计算能力。

        计算卸载流程：可卸载节点感知，计算任务划分，卸载决策制定，任务上传，服务器执行计算，计算结果回传。
 

        二态卸载模型：每个计算任务都视为不可分割的独立单元，只能选择全部本地处理或者卸载两种方式。

        部分卸载模型：计算任务可以进一步细分为一个个子任务模块，对于各个子任务，可以一部分选择本地执行，一部分选择卸载执行。卸载粒度的细化，并行执行，考虑各子模块之间的依赖关系、执行顺序。

        卸载决策制定方式：分为集中式控制和分布式控制。

        （1）集中控制：通过一个全局控制单元统一控制卸载决策，拥有全局的视角，单小区的计算卸载问题一般集中控制单元的角色由基站或MEC服务器来担任；多小区协作场景下，集中控制单元可以是宏基站、一个统一的聚合点、有着全局视角的SDN控制器等。【集中式控制可以在全局的视角下取得最优的任务调度结果，但是复杂度较大，适合期望取得最优结果的场景】

        （2）分布式控制：通过多个用户之间博弈控制卸载决策，关注的是每个用户／计算任务的具体偏好，每个用户出于自己最大化效益的均衡结果，不是最优结果。一般采用博弈论或者拍卖模型等对其建模。【分布式控制在物联网场景下使用较多，由于设备海量连接，采用分布式控制方式能以较低的复杂度快速得到决策结果，适用海量连接，期望低复杂度的场景】

   

        计算卸载策略：MEC服务器资源受限；需要合理的计算卸载策略以满足用户的需求。

        时延=数据转发时延+数据传输时延

        一些热点区域，其服务器硬件性能更新可能无法及时与用户爆炸性增长的计算需求相匹配，有些小区的MEC服务器仍有剩余的资源未被利用，因此提出合理的均衡网络中的计算资源以缓解高计算载荷小区的压力。有任务卸载到微小区进行处理、多个小区的MEC服务器协作计算卸载的策略、多小区SDN控制器全局视角任务决策，它们分别在资源划分、全局网络架构掌控、任务决策和资源分配之间互相影响的考虑上有缺点；为解决热点区域计算需求与MEC服务器计算能力不匹配的问题，需要考虑以一个更大范围的全局视角，设计多个小区MEC服务器之间协作计算卸载策略。综合考虑用户的能耗和时延需求，将卸载决策问题和计算资源分配联合考虑。

        基于SDN的主从MEC服务器协作计算卸载策略，每个用户的任务有三种执行方式可选：本地执行、卸载到主MEC服务器执行、卸载到从MEC服务器执行。

        SDN的集中式控制架构:所有用户和MEC都和SDN进行信令传递。SDN控制器处有一个全局视角的虚拟化计算资源池。汇总计算任务需求，决策执行任务方式、服务器计算资源分配，

 

• 科学问题建模与创新点

创新点：

         针对单小区，提出一种基于任务缓存的计算卸载与资源分配联合优化策略。创新点在于云端和MEC联合对任务缓存这个思路。设计了一种MEC和远端云联合的任务主动缓存算法，来确定每一时隙下任务的缓存状态，MEC服务器和远端云服务器可以联合主动地对小区内流行度高的计算任务结果进行缓存，当用户再次请求该任务时，便可从缓存空间直接发送给用户而无须计算。设计了一个基于贪心策略的启发式算法，求解剩下的资源分配及任务执行模式选择问题。

        计算任务执行的四种方案：

     （１）本地方案：任务在终端本地执行计算；
     （２）MEC卸载方案：任务卸载到MEC服务器上执行；
     （３）MEC服务器缓存方案：前提是MEC服务器己经缓存了该任务的计算结果，则直接从MEC缓存空间将任务结果回传给用户，无需经过计算；
     （４）远端云缓存方案：前提是远端云服务器缓存了该任务的计算结果，则从云端的缓存空间将任务结果通过核心网传给基站，再由基站传输给用户，无需计算。

        针对多小区的热点地区，提出一种基于SDN的主从MEC服务器协作计算卸载策略。创新点在于SDN能够集中控制多小区，解决了热点区域MEC服务器计算能力与用户计算需求不匹配的问题。     

        计算任务执行有3种方案：   

        （１）卸载到主MEC服务器执行：用户通过无线上行信道将任务卸载到主MEC服务器进行处理。
        （２）卸载到从MEC服务器执行：当主MEC服务器计算载荷过大，无法满足任务的需求时，每个任务将从可提供计算资源的从MEC服务器中选择一个进行卸载，此时任务需要经过主小区的基站转发至对应的从小区。
        （３）终端本地执行：当主从ＭＥＣ服务器都无法满足任务的计算需求时，此时需考虑任务在终端本地执行。

        

任务缓存模型

        MEC缓存模型：定义01缓存向量。1为缓存了某请求的计算结果，可以直接在MEC缓存空间中，通过下行链路，返回计算结果给用户。MEC基站功率大，返回时延可以忽略

        云端缓存模型：同样采用01决策向量确定计算任务是否缓存在云端，计算结果直接由回程链路传回MEC，MEC通过无线下行信道传回用户。时延不可忽略

计算及通信模型

        本地执行模型：同样用01决策向量决定是否在本地执行，计算本地时延代价。

        计算卸载模型：01决策向量决定是否卸载到MEC。任务选择计算卸载到MEC方案时，执行任务所需的总时延代价为上传的代价+MEC执行计算代价之和。

        故每一次决策后的时延为：（1-MEC是否缓存）[是否本地执行x本地执行时延+是否卸载到MECxMEC时延代价+是否卸载到云端x云端时延代价]

        这里每一个“是否”都是相互影响的，有一个为是，那么其他皆为否。根据以上公式，将其符号化，就能建立任务的最小时延问题数学模型。

  模型求解

        （1）主动缓存算法

        为了解这个模型，设计了MEC与云端联合的任务主动缓存算法.简单来说，算法的思想是，首先MEC尽量缓存计算任务，计算每个任务的请求次数；当MEC填满时，将亲求次数少的，也就是不流行的缓存任务，传输到远端云服务器。

        （2）模式选择与资源分配

        最关键的问题，如何决定任务是否要卸载？设计了贪心策略的启发式算法，包括任务模式预选择、时延增益排序、基于贪婪策略的资源分配。

        【任务模式预选择】首先计算算每个任务的本地执行时延Tl和云端缓存方案执行时延Tc；定义将资源全部分给MEC时，每个任务在MEC上计算的时延Tm。若一个任务的Tm比Tl和Tc还要大，显然就失去了在MEC上执行的意义，该任务定会选择本地执行Tl或者云端执行Tc（两者中时延最小的）;当Tm小于Tl和Tc时，才考虑这些剩下的任务的决策。

        【时延增益排序】在剩下任务的Tm中，每个任务的时延增益D=Tm-min(Tl,Tc)，显然，D越大，在MEC中执行的节省的时延就越多。给D降序排序，显然全部剩下任务都在MEC中执行最好，然而MEC的资源有限，不得不只能趋向于选择D大的进行MEC卸载，以尽可能减少时延。

        【基于贪婪策略的资源分配】采用一个贪婪算法，从剩下的任务中选取卸载的任务，并给下载任务分配计算和无线资源。

---

  多小区热点地区模型

        多小区热点地区SDN集中控制MEC主从分配的时延模型和上面的计算缓存模型的计算方法区别不大，选择卸载到主服务器执行任务的时延代价为无线传输时延加上主服务器计；选择卸载到从服务器执行任务的时延代价为无线传输时延、基站间有线传输时延和从服务器计算时延三部分之和。

        这里引入了能耗代价与时间代价一起作为系统的代价模型，考虑的系统代价为任务执行的时延和能耗的加权，资源的分配采用0-1之间的分配率来决定，任务是否卸载的决策用0或1来进行决策；这是一个整数非线性规划问题，一个考虑了任务执行模式选择和多个计算资源分配方式，求取最小时延和能耗的联合优化问题。

  模型求解

        采用了改进的退火模拟算法，契合这个整数非线性规划问，得到答案。

• 研究方法

        本文的研究方法为，通过查阅文献，了解移动边缘卸载相关背景知识，学习计算卸载细节，从中找出了计算结果存储和集中式控制主从MEC服务器的两个创新点，根据问题建立数学模型，并进行仿真实验，得到和印证自己的结论。属于文献研究法。

• 实验

实验1        

        场景：单小区多用户场景，多个用户随机分布在半径为500米的正六边小区内，基站和MEC服务器相连且位于小区的中心，远端云和MEC服务器之间通过有线网进行通信。

        三个基准方案：

       Baselineｌ：不考虑任务缓存执行本方案；

       Baseline2：所有的任务（除了被MEC缓存命中的任务）都选择本地执行；

       Baseline3：所有的任务（除了被MEC缓存命中的任务）都选择通过云端缓存方案执行。

        实验结果：

        在不同用户个数的情况下，本方案与穷举法得到的最优结果一致，说明本方案能得到全局最优解。

        在不同用户数下，本方案相较于其他基准方案，总能得到最低的时延；随着用户数的增多，所提方案相对于不考虑缓存方案的时延增益越大，这是因为本方案可以通过ＭＥＣ和云端联合对流行的任务计算结果进行缓存，缓存命中的任务无需计算，直接返回给用户，从而节省了很大时延，并且用户数越多，命中缓存的任务越多；

        比较  Baselineｌ与Baseline2（本地方案）和 Baseline3（云端方案），可以看出， Baselineｌ的时延最小，可见，即使不考虑ＭＥＣ的缓存能力，通过所提的基于贪心策略的启发式算法进行的任务执行模式选择和资源分配，也能提升时延性能。

        当MEC计算能力逐渐提升时，本方案的时延仍然时最少。并且随着MEC计算能力的增大，本方案逐渐和  Baseline2、  Baseline3的时延拉开差距，到最后三者趋于平稳。

        当Backhaul速率的逐渐增大时，本方案时延仍是最低，但 与Baseline1的差距逐渐减少，这是因为Backhaul速率越大，云端执行方案产生的时延就越小，因此，会有越来越多的用户选择云端执行的方案，而当Backhaul速率足够大的时候，所有的用户都会选择云端缓存方案来执行任务。

 实验2：

        场景：多小区的仿真场景，小区半径为500m，其中１个主小区，５个从小区，基站和MEC服务器位于各个小区正中心且彼此连接，多个用户随机分布在主小区内。主小区的MEC服务器与各个从小区辅助计算的从MEC服务器通过有线链路相连接，以便传递数据，各个小区的MEC服务器都与一个统一的SDN控制器相连，以传递控制信令。各从MEC服务器可提供的计算能力巧服从均匀分布，相应的各从MEC服务器与主MEC服务器之间传输数据速率也服从均匀分布。

        收敛性：退火模拟算法的特性，看得出局部最优的平坦之处，也看得到算法尽量跳出局部最优解，往全局最优解移动，系统代价会产生一个阶跃的下降的趋势。验证了本文所提算法的收敛性，又体现了其能合理跳出局部最优解的优良特性。

        五个基准方案：

        基准方案１：随机选择且采用最优资源分配的方案。
        基准方案２：随机选择且采用平均资源分配方案。
        基准方案３：只考虑主MEC服务器且采用最优资源分配的方案。
        基准方案４：只考虑主MEC服务器且采用平均资源分配的方案。
        基准方案５：本地执行方案。所有的用户都将任务在终端本地执行，不考虑卸载。

        实验结果：

        当用户数量不同时，本方案都能取得最小的系统代价，这是因为本文所提出的算法能够合理的选择任务的执行模式，同时能最优化分配每个MEC服务器上的计算资源，使得任务执行的总时延和能耗都较小。

        当用户数量不同时，只考虑卸载到主MEC且平均资源分配的方案在用户数量较少时（小于１５），取得的系统代价仅次于本文所提出的方案。随着用户数量增多，主MEC逐渐不能满足。

        当主MEC服务器计算能力逐渐提升时，除了本地执行方案外呈现一条直线外，其余几种方案产生的系统代价基本都逐渐减少。本方案都能产生最小的系统代价。