增強現實場景下移動邊緣計算資源分配優化方法

余韻 連曉燦 朱宇航 譚國平

摘 要：針對高速數據量及計算量高速數據傳輸及計算此句不通順，是否應該為“高速數據傳輸和計算”？請作相應調整。英文處應如何翻譯，請在現在英文摘要的基礎上進行修改所帶來時延和終端設備能耗問題，提出了一種在上行鏈路采用等功率分配的傳輸方案。首先，依據增強現實（AR）業務的協作屬性建立了針對AR特性的系統模型;其次，詳細分析了系統幀結構，建立以最小化系統消耗總能量為優化目標的約束條件;最后，在保障延遲和功耗滿足約束的條件下，建立了基于凸優化的移動邊緣計算（MEC）資源優化求解數學模型，從而獲得最優的通信和計算資源分配方案。與獨立傳輸相比，該方案在最大延遲時間分別為0.1s和0.15s時的總能耗降幅均為14.6%。仿真結果表明，在相同條件下，與基于用戶獨立傳輸的優化方案相比，考慮用戶間協作傳輸的等功率MEC優化方案能顯著減少系統消耗的總能量。

Abstract： Considering the time delay and the energy consumption of terminal equipment caused by high-speed data transmission and calculation， a transmission scheme with equal power allocation in uplink was proposed. Firstly， based on collaborative properties of Augment Reality （AR） services， a system model for AR characteristics was established. Secondly， system frame structure was analyzed in detail， and the constraints to minimize total energy consumption of system were established. Finally， with the time delay and energy consumption constraints satisfied， a mathematical model of Mobile Edge Computing （MEC） resource optimization based on convex optimization was established to obtain an optimal communication and computing resource allocation scheme. Compared with user independent transmission scheme， the total energy consumption of the proposed scheme with a maximum time delay of 0.1s and 0.15s was both 14.6%. The simulation results show that under the same conditions， compared with the optimization scheme based on user independent transmission， the equal power MEC optimization scheme considering cooperative transmission between users can significantly reduce the total energy consumption of system.

Key words： Augment Reality （AR）; Mobile Edge Computing （MEC）; resource allocation; collaborative computing migration; convex optimization

0 引言

增強現實（Augment Reality， AR）應用程序正在日漸發展，且受到越來越多的關注，因為它能將計算機生成的數據和現實世界通過硬件設備結合在一起。AR應用對延遲是極其敏感的，而且對計算和通信的要求都很高，并且，在移動設備上執行AR應用時，在對移動設備電池的消耗方面[1-3]，一直無法滿足用戶的期望。為了解決這個問題，文獻[3-6]已經提出了采用移動邊緣計算的方法來解決目前遇到的問題，用戶將運行AR應用涉及到的大量數據的計算遷移到就近與基站相連的云服務器上執行，同本地計算相比可節省本地能量的消耗，與中央云計算相比，可減少傳輸延遲時間。

文獻[7-8]的工作表明，通過對通信資源和計算資源的分配進行聯合優化，可能在時延約束下顯著降低移動能量消耗，他們的工作能在多個用戶獨立運行通用應用程序上應用，但是，AR應用程序有其獨特的性質，所有的用戶都可能上傳和下載一部分相同的數據，且其計算任務也在一個或多個服務器上共享，因此，可以通過聯合優化通信和計算資源來減少通信和計算開銷[9]。

AR應用程序通過移動設備的屏幕和攝像頭將一些計算機圖像疊加到現實世界的影像中，圖1所示的框圖說明了這一過程。完成這一過程需要五個組成部分[3-4]：1）視頻源，它可以先從移動攝像機中獲得原始的視頻幀;2）跟蹤器，在當前環境下識別并跟蹤用戶的相對位置;3）映射器，對當前所處環境建立一個模型;4）對象識別器，識別當前環境中的已知物體;5）渲染器，顯示處理過的幀。視頻源和渲染器組件必須在移動設備中執行，而計算量最大的跟蹤器、映射器和對象識別器組建所進行的計算可以卸載到云端進行。此外，如果對任務進行卸載，映射器和對象識別器可以從處在相同地理位置的所有用戶設備中收集輸入，限制用戶上行鏈路中傳輸的冗余信息。此外，映射器和對象識別器計算的結果可以從云端組播到下行鏈路中所有同位置的用戶。

在文中，與以前的文獻[7]和[8]不同，文中本文這兩處語句不通順，指代哪個文獻或算法，需明確明確地說明了AR應用程序的協作性，以此來解決在延遲約束條件下，通過通信和計算資源分配最大限度地減少移動能耗的問題[10-11]。文獻[9]中采用連續凸近似方法求解移動能耗最小化問題，求解方式復雜。

1 系統模型

本章給出了AR場景下的移動邊緣計算模型，如圖2[7-8]所示。其中，考慮一個基站下，共有K這個大寫K與集合K的名字重復，請作相應調整，因為一個變量名稱僅能表示一個含義。個用戶運行AR應用，用戶集合為K={1，2，…，K}，基站配有一個高計算能力的云服務器用于處理用戶上傳的數據。云端服務器連接到單天線基站，通過頻率平坦的衰落信道，使用時分雙工（Time Division Duplexing， TDD）為小區中的所有用戶提供服務。在第一部分上一章所介紹內容的基礎上，本文假設遷移的應用程序共享輸入、輸出和計算任務，它們與跟蹤器、映射器和對象識別器組件有關。本章具體介紹了傳輸過程中的協作性[12]。

1.1 上行鏈路傳輸

當一個區域內用戶k∈K運行AR應用時要將待處理數據如對象識別的輸入比特Duk發送至云服務器進行處理[12]，假設其中有一部分輸入比特Dus在各個用戶的輸入比特中是相同的，這就意味著這部分數據可以由該區域中的所有用戶協同傳輸，而不需要多個用戶重復上傳。本文將這部分相同的輸入比特稱為共享輸入比特Dus，且Dus≤mink {Duk}，每個用戶k協同傳輸部分共享輸入比特Dus，k，且∑Kk=1Dus，k=Dus，則每個用戶k獨立上傳的輸入比特為ΔDuk=Duk-Dus。

1.2 云服務器處理過程

云服務器對用戶上傳的數據進行處理產生用戶所需要的輸出比特[13]。云服務器處理用戶k的輸入比特Duk需要的CPU周期數為Ck，假設其中有一部分CPU周期數用于計算產生所有用戶需要的輸出比特上，例如對用戶重合的環境模型進行更新處理。本文將這部分CPU周期數稱為共享CPU周期數Cs，且Cs≤mink{Ck}，則有ΔCk=Ck-Cs個CPU周期數是用于計算用戶k單獨需要的輸出比特。

1.3 下行鏈路傳輸

部分輸出比特需要傳遞給所有用戶[14]。例如，處于同一地理位置的用戶需要映射器組件的輸出比特來進行地圖更新。為用模型來描述這一場景，本文假設Dds≤mink {Ddk}輸出比特可以以多播方式發送給小區內的所有用戶，同時ΔDdk=Ddk-Dds個比特需要以單播方式發送給每個用戶k。

2 系統傳輸處理過程

圖3詳細描述了系統的幀結構，在數據幀中，首先執行共享的通信和計算任務，然后執行傳統的獨立遷移任務，如下所述。

2.1 傳輸速率

2.2 傳輸和處理時間

2.3 傳輸能量消耗

3 上行等功率分配

考慮每個用戶上行傳輸功率為一個固定值，用戶k的上下行帶寬與其信道增益成比例變化[15]，設優化變量包括用戶k上傳的部分共享輸入比特數Dsk，云服務器分配用于執行共享CPU周期數的比例因子fs，云服務器分配用于執行不同用戶k的獨立CPU周期數的比例因子fk，基站對應于用戶k的下行傳輸功率Pdk和用于多播的下行功率Pdm。

4 仿真與性能分析

本章給出了基于移動邊緣計算，在采用上行傳輸等功率分配方法的情況下，利用AR應用的協作特性得到用戶終端總能耗最小化的結果。考慮一個小區內，有8個用戶正在運行AR應用，用戶隨機分布在小區內，無線信道滿足瑞利衰落[17]。仿真參數設置由表1給出。

本文提出以共享因子n作為用戶進行計算遷移程度的指標，n是共享比特與總比特的比值：n=0時用戶進行獨立計算遷移;n=1時，所有比特均為共享比特，用戶進行完全共享的計算遷移。

4.1 以最小化延遲時間為目標函數

本文首先以最小化延遲時間為目標函數，對共享因子n=0即用戶獨立進行計算遷移的情況進行仿真，采用等功率分配方法，得到使用不同上行傳輸功率時系統能夠達到的最小延遲時間。仿真結果如圖4所示。

由圖4可知，采用等功率分配方法，要使延遲時間約束在0.1s內，上行傳輸功率至少需要滿足1.1W;當延遲時間約束在0.15s內時，以較小的上行傳輸功率就可以滿足傳輸要求。本文中考慮用戶上行傳輸功率最大為0.25W，由圖4可知，延遲時間約束至少為0.104s。

若考慮文獻[9]中的模型，以最小化延遲時間為目標函數，可以得到采用不同共享因子時系統能夠達到的最小延遲時間的仿真結果，如圖5所示。

由圖5可知，在相同仿真條件下，文獻[9]中將上行傳輸功率作為優化參數，帶寬平均分配，在共享因子n=0時，可使延遲時間約束在0.1s內。

4.2 以最小化用戶總能耗為目標函數

以最小化用戶總能耗為目標函數，在3.1節的基礎上，分別對延遲時間約束為T=0.1s和T=0.15s的情況下進行仿真。仿真時，采用了連續凸近似方法和上行等功率傳輸方法進行對比，圖6和圖7分別是延遲時間約束為T=0.1s和T=0.15s下的仿真對比。

由圖6可知，當最大延遲時間限制為0.1s時，考慮用戶上行傳輸功率最大為0.25W的情況下，當上行傳輸功率控制在0.25W內時，共享因子n=0的情況下采用上行等功率分配方法是無法滿足傳輸要求的。當傳輸功率遞減時，總能耗也遞減，但在延時時間約束下，共享因子較小時，總數據量較大的情況無法滿足傳輸要求。

由圖7可知，當最大延遲時間限制為0.15s時，采用上行等功率分配方法，用戶傳輸功率均為0.05W時，與文獻[9]中的連續凸近似方法的總能耗較為接近，但當上行傳輸功率取較小的值時，例如上行傳輸功率為0.005W時，采用上行等功率方法得到的用戶總能耗是小于文獻[9]中連續凸近似方法的用戶總能耗，并且是能夠滿足傳輸需求的。

由圖6和圖7的對比可以發現，隨著n的增大，采用不同的上行等功率傳輸得到的用戶總能耗差距在不斷減小，這是由于用戶總能耗與上行傳輸功率和傳輸比特數成正比。在上行數據傳輸考慮共享因子的情況下，用戶需要傳輸的比特數隨n的增大而減小，因此，當n不變時，用戶傳輸的比特數不變，隨著上行傳輸功率的增大，總能耗增大;當上行傳輸功率不變時，隨著n的增大，用戶傳輸的比特數減小，總能耗減少;綜合兩個因素，隨著n增大時，用戶傳輸比特數減少，增大功率帶來總能耗的增大效果越來越不明顯。

同時，采用上行等功率分配方法的情況下，只需要求解器進行一次求解就可以得到最優化結果，而采用連續凸近似的方法，需要通過多次迭代求解來逼近最優結果，通過仿真發現，在精度ε=10-4的情況下，通常迭代次數在1至30次之間，即采用連續凸近似方法的求解時間是采用上行等功率分配方法的倍數關系。

5 結語

本文針對AR場景中存在的協作傳輸特性，在基于移動邊緣計算情況下，將帶寬與信道增益相結合，對用戶帶寬進行分配，并采用上行鏈路等功率傳輸方法建立最小化用戶總能耗優化函數，通過對該凸優化問題進行求解，得到最優的資源分配方案。與用戶獨立進行移動邊緣計算相比，用戶協作傳輸方案可明顯減少用戶設備總能耗，同時，在采用上行鏈路等功率傳輸方法的情況下，與連續凸近似相比可減少系統運算時間，且在一定的延遲要求下，以較小的功率滿足傳輸要求。

參考文獻 （References）

[1] SHOAIB H， JAFFRY S W. A survey of augmented reality [C]// Proceedings of the 2015 International Conference on Virtual and Augmented Reality. New York： ACM， 2015： 73-82.

[2] FAN P， WANG J， ZHENG Z， et al. Toward optimal deployment of communication-intensive cloud applications [C]// Proceedings of the 2011 International Conference on Cloud Computing. Washington， DC： IEEE Computer Society， 2011： 460-467.

[3] MAHMUD M R， AFRIN M， RAZZAQUE M A， et al. Maximizing quality of experience through context-aware mobile application scheduling in cloudlet infrastructure [J]. Software — Practice & Experience， 2016， 46（11）： 1525-1545.

[4] JAIN P， MANWEILER J， CHOUDHURY R R. OverLay： practical mobile augmented reality [C]// Proceedings of the 2015 International Conference on Mobile Systems， Applications， and Services. New York： ACM， 2015： 331-344.

[5] LUKOSCH S， ALEM L， ALEM L， et al. Collaboration in augmented reality [J]. Computer Supported Cooperative Work， 2015， 24（6）： 515-525.

[6] GAI K， QIU M， ZHAO H， et al. Dynamic energy-aware cloudlet-based mobile cloud computing model for green computing [J]. Journal of Network & Computer Applications， 2016， 59（C）： 46-54.

[7] MARSCH P， ROST P， FETTWEIS G. Application driven joint uplink-downlink optimization in wireless communications [C]// Proceedings of the 2010 International ITG Workshop on Smart Antennas. Berlin： [s.n.]， 2009： 361-368.

[8] SARDELLITTI S， SCUTARI G， BARBAROSSA S. Joint optimization of radio and computational resources for multicell mobile cloud computing [C]// Proceedings of the 2014 International Workshop on Signal Processing Advances in Wireless Communications. Piscataway， NJ： IEEE， 2014： 89-103.

[9] AL-SHUWAILI A， SIMEONE O. Energy-efficient resource allocation for mobile edge computing-based augmented reality applications [J]. IEEE Wireless Communications Letters， 2017， 6（3）： 398-401.

[10] GESUALDO S， FRANCISCO F， LORENZO L. Parallel and distributed methods for constrained nonconvex optimization—Part I： theory [J]. IEEE Transactions on Signal Processing， 2017， 65（8）： 1929-1944.

[11] CANNELLI L， FACCHINEI F， KUNGURTSEV V， et al. Asynchronous parallel algorithms for nonconvex big-data optimization—Part II： complexity and numerical results [EB/OL]. [2017-01-19]. https：//arxiv.org/pdf/1701.04900.pdf.

[12] 孟鳳嬌，鐘志軍，蔡玉俊，等.基于路由算法均衡物聯網傳感器節點能耗的分析研究[J].物聯網技術，2016，6（6）：38-40.（MENG F J， ZHONG Z J， CAI Y J， et al. Analysis and research on equilibrium energy consumption of IoT sensor nodes based on routing algorithm [J]. Internet of Things Technology， 2016， 6（6）： 38-40.）

[13] 郭丹.基于移動云計算技術的移動設備能耗優化研究[D].武漢：華中科技大學，2014.（GUO D. Research on energy consumption optimization of mobile devices based on mobile cloud computing technology [D]. Wuhan： Huazhong University of Science and Technology， 2014.）

[14] 黎二榮.移動云計算環境下即時通訊框架的研究與實現[D].北京：中國地質大學，2014.（LI E R. Research and implementation of instant messaging framework in mobile cloud computing environment [D]. Beijing： China University of Geosciences， 2014.）

[15] GAO D Y， NING R， SHERALI H D. Solutions and optimality criteria for nonconvex constrained global optimization problems with connections between canonical and Lagrangian duality [J]. Journal of Global Optimization， 2009， 45（3）： 473-497.

[16] BOYD S， VANDENBERGHE L. Convex optimization [J]. IEEE Transactions on Automatic Control， 2006， 51（11）： 1859-1859.

[17] DEMESTICHAS P， GEORGAKOPOULOS A， KARVOUNAS D， et al. 5G on the horizon： key challenges for the radio-access network [J]. IEEE Vehicular Technology Magazine， 2013， 8（3）： 47-53.