移動邊緣計算中基于信譽值的智能計算卸載模型研究

亓晉，孫海蓉，鞏錕，許斌，張順頤，孫雁飛

（1.南京郵電大學物聯網學院，江蘇 南京 210003；2.南京郵電大學自動化學院、人工智能學院，江蘇 南京 210003；3.南京郵電大學計算機學院，江蘇 南京 210003）

1 引言

近年來，隨著“大智云移物”等新一代信息技術與產業的深度融合與發展，智慧城市、無人駕駛、AR/VR（augmented reality/ virtual reality）和人臉識別等新興物聯網智能應用應運而生[1-2]。但這些爆炸式增長的智能應用受智能移動終端自身的電池、計算及存儲資源等諸多限制，在處理計算密集型和時延敏感型新興智能應用時面臨性能方面的瓶頸問題，這為新興智能應用的實現帶來了前所未有的挑戰。

為了應對這種挑戰，國內外眾多研究團隊和學者致力于通過移動云計算（MCC,mobile cloud computing）方案來解決，旨在利用云計算強大的計算能力，將智能移動終端的計算任務卸載到云端執行。但這種方案存在兩點不足：1)MCC 有限的網絡覆蓋能力難以保證提供無所不在的服務；2)MCC 環境下智能移動終端與云端交互易造成高時延、高能耗，這無法滿足新興智能應用對于低時延、低能耗和高可靠性服務的需求。為了擺脫這一局限，利用網絡邊緣智能終端來處理數據的移動邊緣計算（MEC,mobile edge computing）模式應運而生[3]，該模式考慮將智能移動終端承擔的計算任務卸載到邊緣云中，克服了傳統MCC 在計算能力、存儲性能及能效等方面存在的不足，并與MCC 模式形成互補。MEC 最關鍵的計算卸載技術可以為時延和能耗敏感的計算密集型智能移動終端提供低時延、低能耗、高可靠的服務質量（QoS,quality of service）保障。但是，智能移動終端卸載大量計算任務到MEC 服務器的過程中，如何分配MEC 服務器計算資源來保障智能移動終端的服務性能是亟需解決的問題。針對這個問題，可分兩步解決：首先解決時延和能耗需求下是否卸載、何時卸載等卸載決策問題；其次解決計算資源惡意爭搶產生的可靠卸載分配問題。因此，可以嘗試從最大化智能移動終端效益出發，而不僅僅是從最大化服務提供商經濟利益角度出發，基于智能移動終端信譽值來分配MEC服務器計算資源，阻止惡意行為發生，實現整體資源的最優化配置。

因此，本文旨在綜合考慮MEC 中計算和時延敏感型新興智能應用計算卸載問題，根據不同的卸載任務需求與智能移動終端信譽值分配計算資源，以獲得低時延、低能耗和高可靠的最優計算卸載方案。本文的主要貢獻包括以下幾點：1) 提出一種MEC 環境下面向多個智能移動終端的多任務場景下，綜合考慮時延和能耗的MEC 卸載決策模型，實現低時延、低能耗的最優卸載方案；2) 提出一種基于智能移動終端信譽值的計算卸載任務動態分配博弈方法，通過拉格朗日乘數法實現信譽值可靠卸載任務分配；3)提出一種改進的粒子群優化（PSO,partical swarm optimization）算法求解所提出的模型，結果表明該算法可有效實現計算卸載資源的整體優化配置。

2 相關工作

計算卸載作為MEC 的關鍵技術，已受到學者的廣泛關注并逐漸成為研究熱點。研究內容包括卸載決策和資源分配2 個問題，卸載決策研究移動智能終端是否卸載、卸載多少及卸載什么的問題，資源分配則是研究對申請計算卸載的任務如何分配資源及分配多少的問題[4]。

在卸載決策方面，針對移動智能終端是否卸載、卸載多少及卸載什么已有大量研究成果。文獻[5]提出了一種卸載高能耗計算任務到遠端服務器的方法，滿足智能移動終端執行時間來實現節能的動態卸載，但計算密集型任務遠端交互易帶來高時延問題。文獻[6]通過對智能移動終端進行分類得到能耗優化的任務卸載機制，但并未結合實際考慮卸載時延。文獻[7]利用拓撲排序算法選擇最佳虛擬機卸載計算，雖滿足智能移動終端的最低時延需求，但忽略了能耗、成本等影響因素。文獻[8]提出了一種基于模糊控制的自適應邊緣卸載機制，但未考慮響應時間的影響。以上文獻在卸載決策建模過程中考慮的影響因素不夠全面，影響了計算卸載策略的合理化執行。文獻[9]通過時延約束解決小蜂窩網絡中計算分流問題，旨在降低移動邊緣的能耗。文獻[10]提出了一種新穎的全多項式時間近似方案，將時延作為約束，優化卸載計算成本和能耗。以上文獻雖將計算卸載過程中時延和能耗作為重要的組成因素，然而通過約束時延來降低能耗的方法使卸載策略欠缺通用性。因此，本文在總結前人研究工作中的不足的基礎上，引入時延和能耗權衡因子，較全面地考慮智能移動終端計算卸載的時延和能耗。

目前，已有部分研究工作綜合考慮卸載計算中的時延和能耗。文獻[11-12]考慮時延和能耗均衡實現計算資源的部分卸載，但時延提升效果不顯著。文獻[13-14]基于李雅普諾夫（Lyapunov）優化在線學習策略實現計算資源的全部卸載，能耗與時延提升幅度較部分卸載策略明顯，但效能的提升是以降低時延或能耗某一目標來實現的。因此，本文考慮到部分卸載對全局效能提升不明顯，以最小化系統總消耗為目標，綜合考慮智能移動終端計算卸載時延和能耗，引入時延和能耗權衡因子，實現多個智能移動終端的多任務計算資源的全部卸載。

在資源分配方面，針對計算卸載任務如何分配資源及分配多少的問題，當前的研究工作主要集中在MEC 的資源分配策略設計上[15-16]。文獻[17]采用二分搜索法優化傳輸功率來降低傳輸時延和能耗，利用非合作博弈論解決多個智能移動終端卸載決策問題來降低系統開銷，但忽略了卸載計算中重要資源的分配問題。文獻[18]以最大化智能移動終端能耗為目標對資源進行分配以節省終端能量，但這并不利于整體的資源的優化配置，會導致低能耗需求的智能移動終端爭搶資源的局面。文獻[19]提出了一種基于連續凸逼近算法的計算和通信資源分配策略，最大化服務提供商的經濟利益，但忽略了智能移動終端的實際需求，不利于資源分配的整體優化。文獻[20-22]中，可用的系統帶寬被平均分配給MEC用戶，但平均資源分配方案的效率和可靠性難以滿足用戶的QoS 需求。以上文獻在MEC 資源分配研究中取得了一定成果，但忽略了智能移動終端競爭資源這一問題，難以實現MEC 系統計算資源的合理可靠配置。如果規范智能移動終端的惡意資源競爭行為，實現計算卸載資源的整體優化配置，則可以為時延和能耗敏感型的智能移動終端提供低時延、低能耗、高可靠的QoS 保障。因此，本文創新性地引入智能移動終端信譽值來分配MEC 服務器中的計算資源，有效地實現計算資源的優化配置。

綜上所述，針對MEC 中卸載決策和資源分配方法存在的不足，本文構建了綜合時延和能耗的MEC 卸載決策模型，并同時考慮基于信譽值的計算卸載資源博弈分配模型，采用改進的PSO 算法和拉格朗日乘數法解決所存在的問題，有效實現了計算卸載資源的整體優化、合理可靠的配置。

3 問題描述

3.1 網絡模型

MEC 環境下的移動智能終端計算卸載過程中，MEC 服務器根據不同計算任務需求與智能終端的信譽值分配計算資源來執行不同的計算卸載。基于信譽值的移動邊緣智能計算網絡模型由智能移動終端（VR/AR、智能汽車、電子游戲機、PC 監視器、無人機、智能家居等）、MEC 服務器和可信機構組成，如圖1 所示。

3.1.1 智能移動終端

本文中計算密集型智能移動終端具有計算、GPS（global positioning system）和無線通信等模塊。計算模塊執行計算任務，GPS 模塊實時獲取位置信息，無線通信模塊實現數據傳輸。當智能移動終端需要運行增強現實、圖像處理等新興的應用程序時，計算模塊難以完成相應的計算和存儲任務，則通過無線通信模塊發起計算卸載請求，并將計算任務發送至指定的MEC 服務器。

3.1.2 MEC 服務器

分布式MEC 服務器部署在智能移動終端的鄰近位置，負責分配計算資源以執行不同的計算卸載任務，完成計算任務后把回傳數據反饋給智能移動終端。智能移動終端對計算卸載有不同的信譽值要求，在部分卸載情況下，當卸載的計算任務較多時，設立小基站來存儲排隊等待任務，待宏基站空閑時將其存儲的任務上傳至宏基站。本文使用全部卸載決策，因此不考慮部署小基站情況，只考慮部署MEC 服務器的宏基站，每個智能移動終端根據不同的需求選擇不同的卸載方式。

3.1.3 可信機構

可信機構由權威機構承擔，負責信譽值數據庫的事件記錄與信譽值更新。所有的智能移動終端都必須在可信機構進行合法身份注冊，取得合法身份的智能移動終端具有有效的信譽值，并取得安全通信所需的公私鑰對和證書等。可信機構通過智能移動終端在不同時刻的行為記錄來實時更新其信譽值，并向服務提供商提供全網信譽值數據庫的訪問權限。智能移動終端進行合法訪問時，可信機構可實時獲取其當前的信譽值。

圖1 基于信譽值的移動邊緣智能計算網絡模型

3.2 數學模型

MCC 環境下智能移動終端有著不同的計算卸載需求，除了進行本地計算，還可以將計算任務卸載到部署MEC 服務器的宏基站。在多個智能移動終端參與的場景下，是否卸載及任務卸載之后如何進行資源的有效分配，都是需要解決的問題。為了解決這些問題，本文提出了一種聯合考慮時延和能耗的智能計算任務卸載方法，根據不同的智能移動終端的性能指標和智能移動終端用戶的需求選擇適合的卸載方式，實現低時延、低能耗的計算卸載決策；同時為實現計算資源的整體優化配置，以最大化智能移動終端效益為目標，基于智能移動終端的信譽值，高信譽值的智能移動終端在競爭MEC 服務器計算資源時獲得更高的決策因子，分配更多的計算資源，實現討價還價博弈的可靠計算資源分配。

3.2.1 卸載決策模型

本文構建了一種擁有多個智能移動終端、部署MEC 服務器的宏基站單蜂窩網絡模型。假設N={1,2,…,n}表示n個不同種類的智能移動終端。每個智能移動終端有一個計算密集型或時延敏感型的計算任務。計算任務表示為

其中，Oi表示智能移動終端i所擁有的計算任務，Di表示計算任務的數據大小，Ci表示完成計算任務所需的CPU 周期數，表示智能移動終端i為完成計算任務所能承受的最大時延。

針對智能移動終端用戶需求不同，時延敏感型智能移動終端用戶對時延需求較高，而能耗敏感型智能移動終端用戶由于自身電量不足對節能需求較高，因此引入權衡機制，時間需求系數和能量需求系數分別表示智能移動終端對時延敏感及節能需求的偏重程度。對于每個智能移動終端的計算任務既可以選擇卸載到MEC 服務器，也可選擇在本地執行完成，本文引入決策機制ai,j={0,1}，其中，j={1,2}表示決策方式，j=1表示智能移動終端擇本地計算模型進行計算任務；j=2 表示智能移動終端選擇卸載計算模型到宏基站執行計算任務。本文以多個智能移動終端參與的全局系統消耗為目標，構建卸載決策模型，如式(2)所示。

其中，Z1和Z2分別表示本地計算和卸載到宏基站計算的總時延，E1和E2分別表示本地計算和卸載到宏基站計算的總能耗。卸載決策過程如圖2所示。

圖2 卸載決策過程

1) 本地計算模型

不同智能移動終端的本地計算能力不同，智能移動終端i的計算時延和計算能耗分別為

2) 卸載計算模型

本文構建的MEC 模型是一個正交頻分復用的異構網絡，接入同一基站的智能移動終端之間信道相互正交，只存在接入宏基站之間的干擾。因此，整個卸載計算過程中的時延包括傳輸時延和計算時延，能耗包括傳輸能耗和執行能耗。

①卸載時延

智能移動終端i選擇接入宏基站b的上行數據速率為

其中，W表示i向宏基站b發送上行計算請求的實際帶寬，表示終端i與宏基站b之間的功率，表示終端i與宏基站b之間的增益，表示其他接入宏基站的智能移動終端與智能移動終端i之間存在的干擾，k0表示背景噪聲功率。

智能移動終端i直接卸載計算任務到MEC 服務器的傳輸時延為

由于整個計算卸載過程中再無其他形式的時延，智能移動終端i選擇直接將計算任務卸載到宏基站的總時延為

將決策機制ai,j代入式(6)所示的宏基站的時延中可得到

其中，l表示接入宏基站的智能移動終端，表示宏基站b根據某些功率控制算法確定的l的傳輸功率，表示智能移動終端l與宏基站b之間的信道增益。

② 卸載能耗

智能移動終端i直接卸載計算任務到MEC 服務器的能耗包括傳輸能耗和執行能耗兩部分，如式(10)和式(11)所示。

由于整個計算卸載過程中再無其他形式能耗，智能移動終端i選擇直接將計算任務卸載到宏基站的總能耗為

③卸載計算

聯合考慮時延和能耗的MEC 卸載計算模型為

3.2.2 資源分配模型

考慮到不規范行為惡意競爭帶來的資源的配置不合理問題，本文嘗試引入一種基于信譽值的討價還價博弈模型來解決[23]，以實現計算資源的整體優化配置。

假設MEC 服務器計算資源滿足所有需求，一臺MEC 服務器在一個工作周期內收到N個智能移動終端的計算卸載任務，MEC 服務器的計算能力為每秒執行L個CPU 周期。設Li表示MEC 服務器為相應的智能移動終端i所分配的計算資源，每個智能移動終端通過討價還價的博弈過程競爭MEC 服務器上的計算資源，且賦予信譽值高的更大的優先權，則資源分配模型[24]為

其中，Li(min)表示MEC 服務器分配給智能移動終端i的最小計算資源；Pi表示智能移動終端對MEC 服務器計算資源的決策權威因子，與智能移動終端當前信譽值Mi相關，如式(20)所示。

資源分配模型也可以作為不同信譽值的效益函數模型，信譽值越高，則分配到的計算資源就越大。為了最大化的效益，本文采用拉格朗日乘數法來求解MEC 環境下基于信譽值的計算卸載資源分配博弈模型。對資源分配取對數并引入拉格朗日因子λ，構造拉格朗日函數，如式(21)所示。

4 求解方法

第3 節建立的MEC 卸載決策模型包括卸載決策模型和資源分配模型，分別對應卸載決策問題和資源分配問題。卸載決策問題在數學建模上屬于NP（non-deterministic polynomially）問題，且考慮尋找最優移動邊緣計算卸載方案時，還需適用于多競爭模式，因此考慮采用搜索精度高和收斂速度快的PSO 算法來求解本文提出的聯合考慮時延和能耗的MEC 卸載模型，以實現低時延、低能耗的計算卸載決策。同時，資源分配問題中每個服務器可獲得的資源量是有界的，定義域在MEC 服務器的計算資源內，根據有界定義域的函數的最大值理論，如資源分配函數最大值存在，只能夠在定義域內的極大值點或者在定義域的邊界點上取得，而拉格朗日乘數法是確定函數有無極大值點的有效方法。因此，為了最大化不同信譽值的智能移動終端的效益函數，本文采用拉格朗日乘數法求解卸載資源博弈論分配模型，以實現合理可靠的最優資源配置。

4.1 基于改進的PSO 算法的卸載決策求解

4.1.1 PSO 算法

PSO 算法是根據鳥群協作尋找食物的過程而產生的一種基于群體的智能隨機優化算法。PSO 算法在一個D維的搜索空間，隨機產生V個粒子構成一個種群S，S={X1,X2,…,XV}，每個粒子表示一個潛在解，第k個粒子位置表示為向量Xk={xk1,xk2,…,xkD}，速度表示為向量Vk={vk1,vk2,…,vkD}，尋優過程中第k個粒子搜索到的最優位置表示為，全局搜索過程中粒子群搜索到的最優位置表示為，第k個粒子的位置和速度更新的計算過程為

其中，c1和c2為加速因子，分別表示粒子受個體認知和社會認知的影響程度；rand()表示[0,1]的隨機數；w表示慣性權重；t表示迭代次數。

4.1.2 改進的PSO 算法

本文提出的MEC 卸載決策模型求解是多方參與的NP 問題，n個智能移動終端選擇不同的卸載方式所產生的系統消耗均不相同，但考慮到消耗值沒有太大差別，采用不同的卸載方式組合產生的系統消耗總值變化幅度不大，較穩定。本文采用收斂速度快的PSO 算法求解，容易造成多個智能移動終端參與高維狀態下的系統消耗陷入局部最優，因此分別從經濟性和探索能力方面對該算法進行改進：1)經濟性方面，在尋優過程中自適應動態調整模型中的慣性權重，提高算法的局部和全局尋優能力以獲得更好的求解質量；2)探索能力方面，從變異的角度出發，對粒子群中的加速因子進行優化，提高算法在解空間的探索能力。

1) 慣性權重改進

本文MEC 卸載決策的模型是面向多個智能移動終端的多任務的決策過程，PSO 算法在求解多任務下的系統消耗高維函數時，易陷入局部最優解的早熟收斂，采用慣性權重保持恒定的值或線性遞減的單一調整方法，難以保證粒子每一維都同時趨向最優，使同時搜索出多參與下系統消耗函數中的每一維最優解的概率非常小。因此，本文采用自適應非線性的動態方式來尋優，在前人研究的基礎上引入余弦函數，如式(25)所示。

其中，wmax表示慣性權重極大值，一般取值為0.7；wmin表示權重極小值，一般取值為0.1；Tmax表示最大迭代次數。

慣性權重控制粒子歷史位置對當前尋優狀態的影響，保持全局搜索與局部搜索之間的平衡，能有效實現其數值的自適應非線性調整，提高算法的效率和智能性。在算法初期需加大全局搜索，因此慣性權重需有一個較大值；在算法后期，應保持一個合理的收斂速度，以加大局部搜索能力，故慣性權重應保持較小值。

2) 加速因子改進

由于粒子位置受個體極值和群體極值影響，即認知部分和社會部分會大大影響粒子收斂方向和速度。PSO 算法中的加速因子c1通常取值為0.43，c2通常取值為0.4，但是在本文面向MEC 卸載決策模型中，當迭代次數不同時，認知部分和社會部分的主導地位存在偏差；當迭代次數較小時，c1項的認知部分占主導作用，c2項的社會部分占次要作用；當迭代次數較大時，社會知識積累不斷增加，恰好與之相反。本文MEC 卸載決策中存在動態多本地計算和卸載計算選擇問題，為進一步提高PSO算法在解空間的探索能力，從變異角度對加速因子進行改進，采用如式(26)和式(27)所示的動態加速因子替代靜態加速因子。

其中，h表示迭代次數；ε表示個體認知影響因子，本文場景下取值范圍為149～280；η表示社會認知影響因子，本文場景下取值范圍為0.000 13～0.000 205。

4.1.3 基于改進PSO 算法的卸載決策方法

改進PSO 算法的解空間與卸載決策問題的解空間的映射如表1 所示。

表1 改進PSO 算法的解空間與卸載決策問題的解空間的映射

基于改進的PSO 算法的卸載決策求解過程如算法1 所示。

算法1基于改進的PSO 算法的卸載決策求解過程

步驟1初始化。確定空間維度D=50 和種群規模V=100；慣性權重極值wmax和wmin分別設為0.7和0.1；初始位置和初始速度在搜索空間范圍內隨機產生。

步驟2求適應度值。根據式(13)所示的適應函數計算系統總消耗。

步驟3尋找個體極值和群體極值Gbest。尋找選擇不同的卸載方式產生的系統消耗的極小值，以及所有不同卸載方式組合下系統消耗的最優值Gbest。

步驟4更新粒子位置和速度。根據式(22)～式(27)更新粒子速度和位置，每個粒子都共享其與當前系統最優值的距離。粒子k選擇到達系統最近的消耗目標值；其他粒子將相對于粒子k的位置和自己曾離所求最小系統能耗目標值的最優位置進行矢量疊加。

步驟5更新個體極值和群體極值Gbest。將每個粒子的系統消耗值和相比較，如果目前的消耗值比小，就用目前位置替代，然后把中的系統消耗最小位置和Gbest相比較，如果中的系統消耗值比Gbest更小，則替代Gbest。

步驟6終止條件判斷。終止條件根據最大迭代次數進行判斷。如果滿足算法終止條件，退出循環，返回最優搜索結果Gbest。如果不滿足算法終止條件，則重復執行步驟2～步驟5，直到滿足算法終止條件。

步驟7輸出最優解，即系統消耗的最小值。

4.2 基于拉格朗日乘數法的卸載資源分配求解

資源分配模型針對的是不同信譽值的智能移動終端的效益函數，而每個智能移動終端可獲得的資源量小于或等于MEC 服務器的計算資源，為了最大化MEC 資源的效益，只在計算資源的有界范圍內或邊界點取得效益函數的極大值點，而拉格朗日乘數法是確定效益函數有無計算資源極大值點的有效方法，因此本文采用拉格朗日乘數法，解決上述基于信譽值的卸載資源博弈分配模型。對資源分配模型取對數并引入拉格朗日因子λ，構造拉格朗日函數[24]，如式(21)所示。

利用U對λ的一次偏導為0，一次偏導能判斷局部最優的可行解，得到式(28)。

再對λ進行二次偏導，得到式(29)。

由于λ的二次偏導大于0，因此可確定效益函數存在最值解。

將式(28)代入式(21)，得到式(30)。

最終，MEC 服務器按照式(30)的結果分配計算資源，執行不同的計算卸載任務，并將計算結果反饋至智能移動終端。

基于拉格朗日乘數法的卸載資源分配求解過程如算法2 所示。

算法2基于拉格朗日乘數法的卸載資源分配求解過程

步驟1對目標函數不同信譽值智能移動終端的效益函數取對數并引入拉格朗日因子λ，構造拉格朗日函數U。

步驟2對構造的效益函數U關于每個MEC服務器的計算資源需求Li進行一次偏導，得到計算資源的局部最優的可行解，再進行二次偏導，若二次偏導不等于0 則證明效益函數有最值解。

步驟3令效益函數U關于每個MEC 服務器的計算資源需求Li一次偏導的值等于0，解得駐點Li=Li(min)。

步驟4對效益函數U關于拉格朗日因子λ求一次偏導。

步驟5由式(29)可知效益函數存在最值解，則令效益函數U關于拉格朗日因子λ的一次偏導的值等于0，解得λ的值如式(28)所示。

步驟6將式(20)和式(28)代入計算資源分配式中，最終求得Li，即分配資源的計算式，如式(32)所示。

5 實驗仿真

5.1 參數設置

在MEC 網絡模型場景中，假設網絡有50 個移動智能終端和一個部署MEC 服務器的宏基站，小區蜂窩網絡邊長為1 000 m。本文采用基于數值計算的理論評估來驗證本文所提方法的效能，為該小區提供服務的MEC 的計算能力F=10 GHz，設智能移動終端自身的計算能力Li、信譽值Ri，以及時間權衡因子為均在指定范圍內服從均勻分布，如表2 所示。其他實驗參數設置參見文獻[22-23]。

表2 實驗參數

5.2 結果與分析

本文利用MATLAB 對卸載決策模型和資源分配模型進行仿真實驗。本實驗設置的智能移動終端數量為1～50個，MEC服務器CPU計算能力為5 GHz/s，智能移動終端CPU 計算能力隨機分配為100～900 MHz/s。分別考慮低能耗卸載[25]、隨機分配卸載[26]和本文聯合時延和能耗的高效卸載3 種不同方案對模型整體能耗的影響，并采用改進的PSO算法求解，得到了3 種不同方案整體能耗的影響曲線，如圖3 所示。

從圖3 可以看出，隨著智能移動終端數量的增加，3 種方案整體能耗逐漸增加。本文綜合考慮時延和能耗高效卸載方案的總能耗最低，而隨機分配的卸載模型總能耗最高，低能耗卸載方案的系統總能耗介于兩者之間。當智能移動終端為50 個時，本文高效卸載方案的系統總能耗比隨機分配卸載方案提高了64.05%，比低能耗卸載方案提高了32.89%，可以看出，本文提出的綜合時延和能耗高效卸載方案可有效實現低時延、低能耗的計算卸載。

圖3 3 種卸載方案的總能耗對比

由于同時存在對時延敏感和對能耗敏感的需求，考慮改變式(13)中的時間或能耗需求系數，則本文高效卸載方案對智能移動終端進行卸載決策的影響如圖4 所示。

圖4 需求系數的變化對卸載數量的影響

從圖4 可以看出，當智能移動終端對時延或能耗敏感度的需求越大，則選擇將計算任務卸載到MEC 服務器的數量越多，而此時選擇本地計算的智能移動終端數量越少。由于傳輸時延相對于計算時延幾乎可以忽略不計，而MEC 服務器的計算速度遠大于本地計算的速度，如果智能移動終端對時延或能耗敏感度需求很大，那么MEC 服務器強大的計算能力可以有效滿足終端快速處理計算任務的需求，那么在此需求下，卸載計算模型比本地計算模型效率更高。

考慮終端做出卸載決策在一定程度上與MEC服務器和本地終端的CPU 的計算能力有關，靜態固定MEC 服務器的CPU 工作能力情況下得到的實驗結果不具備說服力。本文嘗試動態改變MEC 服務器的CPU 計算能力，以MEC 服務器CPU 計算能力為自變量，以不同智能移動終端選擇卸載計算任務的數量為因變量，研究卸載計算和本地計算的卸載決策結果，如圖5 所示。

圖5 MEC 服務器CPU 對智能移動終端數量的影響

從圖5 可以看出，由于MEC 服務器進行計算的速度比智能移動終端計算的速度快，當MEC 服務器CPU 的計算能力持續增加，就會使智能移動終端選擇將計算任務卸載到MEC 服務器的數量也持續增加，且隨著CPU 計算能力越來越強，MEC服務器和本地計算之間差距也越來越大。

為了驗證基于改進PSO 算法求解卸載決策模型的有效性，本文將PSO 算法、人工蜂群算法、差分進化算法和本文改進PSO 算法進行對比，以算法迭代次數為自變量，以系統消耗為因變量，得到了圖6 所示的變化曲線。

圖6 不同算法對模型的求解結果

從圖6 可以看出，隨著迭代次數的增加，基于人工蜂群算法、本文改進的PSO 算法和PSO 算法求得的模型總消耗量曲線變化趨于穩定，而差分進化算法的穩健性較差，且得到的總能耗遠高于其他3 種算法。由人工蜂群算法、本文改進的PSO 算法和PSO 算法得到的模型總能耗可知，人工蜂群算法和PSO 算法模型總能耗大于本文改進的PSO 算法，本文改進的PSO 算法得到的系統消耗值比PSO 算法降低了37.33%，比人工蜂群算法降低了73.14%，比差分進化算法降低了82.75%。因此，本文改進的PSO 算法在求解卸載決策模型時有效性較強。

最后，本文在不同的MEC 的CPU 計算能力的情況下，分析智能移動終端所得到的計算資源隨不同信譽值變化的情況，如圖7 所示。

圖7 不同信譽值對智能移動終端資源分配的影響

從圖7 可以看出，隨著MEC 的計算能力F的增加，智能移動終端相應地也可以得到更多的計算資源，當信譽值為6 時，F=140 GHz 比F=120 GHz的智能移動終端分配到的計算資源提高了24%。當智能移動終端擁有更高的信譽值時，其所分配到的計算資源也會相應地增加。當F=140 GHz 時，智能移動終端的信譽值從1 增加到10，則分配到的計算資源增加了129%。

6 結束語

本文提出了一種基于信譽值的移動邊緣計算智能計算卸載模型，該模型通過把MEC 環境下的計算卸載分為卸載決策和資源分配2 個過程，解決了新興移動應用計算卸載面臨的高時延、高能耗和低可靠瓶頸問題。為了實現面向多個智能移動終端的多任務的計算卸載方案，本文提出一個綜合考慮時延和能耗的卸載決策模型，并使用改進的PSO 算法實現了低時延、低能耗的最優計算卸載方案；考慮到不規范行為惡意競爭資源帶來的資源分配不合理問題，引入一種基于信譽值的討價還價博弈模型，采用拉格朗日乘數法求解以實現計算資源的可靠分配。實驗結果表明，本文所提出的計算卸載模型可滿足新興智能應用對于低時延、低能耗和高可靠性的服務需求，可有效實現計算卸載資源的整體優化配置。但考慮到MEC 分布式特點，傳統的基于信譽值的方法有一定局限性，下一步工作的重點是嘗試將區塊鏈與MEC 相結合，實現更加有效可信的計算卸載。