移動邊緣計算中的資源管理

（新加坡國立大學，新加坡 117576）

1 研究背景

隨著5G技術和物聯網（IoT）的發展，無線設備的數目呈指數級增長，物聯網應用場景也越來越多樣化。這其中包括大量計算密集型和時延敏感型的應用，如虛擬現實、在線游戲等，這類應用需要強大的計算能力支持來滿足超低時延的要求。為了滿足這種需求，近年來，傳統的云計算網絡架構正悄然向移動邊緣計算（MEC）網絡發生轉變：原本位于核心網云數據中心的計算服務和功能正在往網絡邊緣下沉，通過離用戶更近的基站和無線接入點向用戶提供無處不在的計算、存儲、通信等服務，從而有效降低用戶的計算時延和能耗，并大大提高整個網絡的資源利用率[1-4]。

如圖1所示，在MEC系統中，用戶可將本地計算密集型的任務卸載（遷移）到MEC服務器中，讓它代為計算并向用戶反饋計算結果。與傳統的基于數據中心的移動云計算（MCC）相比，MEC擁有如下幾方面明顯優勢：

1）更低的時延：由于邊緣云離用戶更近且計算數據遷移到云的過程中不涉及在核心網中的數據傳輸，MEC可以大大降低MCC中的數據傳播和核心網回程鏈路時延。另一方面，通過廣泛部署MEC服務器，每臺MEC服務器僅需向周邊少量用戶提供計算服務，從而達到較低的計算時延。因此，相較于MCC所需要的100 ms量級時延，MEC可滿足1～10 ms量級的超低時延要求。

2）更低的能耗：MEC用戶可選擇將高能耗型的計算任務遷移到邊緣云中，從而避免本地計算帶來的巨大能耗。另一方面，由于離MEC服務器更近，MEC用戶可以大大降低計算數據傳輸中的能量消耗。

3）更優的情境感知：利用近距離優勢，MEC服務器可以通過用戶的定位信息等更加準確地預測和判斷用戶的計算行為和需求，從而提供更及時有效的計算和存儲服務。

4）更強的安全保護：和MCC相比，MEC服務器的用戶數目更少，且用戶數據信息不需要經過復雜的核心網到達數據中心。這樣可以有效緩解數據在多跳網絡傳輸中的信息泄漏問題。

▲圖1 MEC系統架構與應用

2 研究模型

為了研究MEC系統的計算性能，我們首先介紹MEC的基本研究模型。

1）計算任務模型：總的來說，MEC的計算卸載模型包括全部卸載和部分卸載。其中，全部卸載計算模型適用于數據不可分割的高集成計算任務，它要求用戶只能選擇全部本地計算或者全部卸載到MEC服務器。這類計算任務的關鍵參數包括：計算數據量（比特數）、計算強度（每比特數據需要的中央處理器時鐘數），以及計算時延要求。這些參數與具體的計算任務相關，可以通過對計算任務的剖析和建模得出。另一方面，部分卸載模型適用于兩類計算任務：一類是數據可任意分割的計算（如數據壓縮等）；另一類是包含多個子任務的計算，不同任務間往往具有一定的運算順序和聯系，如圖2所示。與全部卸載模型相比，部分卸載模型有更多的設計自由度，可以更有效地卸載部分數據或子任務來減少用戶的計算時延和能耗。

2）計算時延和能耗模型：對于用戶的本地計算，計算時延與計算所需的中央處理器（CPU）時鐘數成正比，與CPU主頻成反比；因此，我們可以通過提高CPU的主頻來降低本地計算時延，但這樣做同時也會增加本地計算的能耗。本地計算的能耗主要來自于CPU的功耗，而CPU的功耗又與CPU主頻的平方成正比；因此，CPU主頻越高，本地計算能耗越高且增長越快。對于MEC服務器（或邊緣云）來說，它的計算時延包括CPU的運算時延和多計算任務下的隊列時延，能耗包括CPU的計算能耗以及服務器的開機運行能耗。

3）無線數據傳輸模型：5G通信的各種技術，如毫米波通信、非正交復用接入多址等都可以被有效用于提高計算卸載時數據傳輸的可達速率（通過香農公式建模），從而降低計算數據的傳輸時延。同時，用戶還可以利用設備到設備（D2D）的通信技術來實現低時延的用戶間數據傳輸和計算卸載[4]。

3 MEC系統中的綜合資源管理

無線和計算資源的綜合管理是MEC系統設計中的重要組成部分。針對不同的MEC系統設置，我們需要解決不同的綜合資源管理問題。

首先考慮單用戶情況下基于全部卸載計算模型的MEC資源管理。其中，最重要的設計問題是如何做卸載決策，即是否進行計算卸載和如何設計卸載策略。為了研究這個問題，文獻[6]提出了一個新型的無線供能下的MEC系統，并設計它最優的計算卸載方案。為了滿足計算時延要求并最小化用戶的計算耗能，我們分別優化了本地計算和計算完全卸載兩種模式下的設計：對于本地計算，通過優化用戶CPU的主頻來降低計算能耗，同時滿足計算耗能不大于獲得的無線能量的條件；對于計算完全卸載，提出最優的時間分割方案，使用戶能夠先獲取充足的能量然后進行數據傳輸和計算遷移，同時最大化用戶的剩余能量。最后，基于本地計算和完全卸載兩種模式的不同能耗，提出最優的本地計算/完全卸載的決策。這個工作后續被拓展到更加復雜的MEC系統，如基于能量收集的MEC系統[7]和基于無線供能的多用戶MEC系統[8]。

▲圖2 移動邊緣計算任務不同的計算順序

對于多用戶下的MEC系統而言，它的綜合資源管理更加復雜。在文獻[9]中，我們考慮部分卸載的計算模型并假設所有用戶需要在相同的時間段內完成不同強度的計算任務。為了最小化所有用戶的總計算能耗（包括每個用戶的本地計算和卸載能耗），利用凸優化工具我們提出了一套最優的綜合資源管理設計方案。具體來說，首先計算得到一個（計算）卸載優先級函數，它與用戶的信道增益和本地計算耗能成正比；因此，對于每個用戶來說，他的無線信道越好或者本地耗能越大，用戶的卸載優先級就越高。基于這個優先級函數，我們證明了最優的綜合資源管理方案是一種基于門限的資源分配：對每個用戶來說，如果他的卸載優先級函數值高于一定門限，他將選擇把計算任務全部卸載到MEC服務器；反之，他將盡量在本地完成所有運算。與文獻[9]中的集中式資源管理不同，文獻[10]研究了分布式的計算資源分配。作者考慮了完全卸載的計算模型，并采用游戲理論來解決不同用戶計算卸載與否的非確定性（NP）難問題。文獻[10]中的研究證明，當用戶受到的信號干擾強度低于一定門限時，他應該將計算任務卸載到云端。因為在這種情況下，無線傳輸可達速率較大，完成計算數據傳輸的能耗比本地計算更小。

文獻[11]提出將基于邊緣基站的MEC系統拓展到用戶間計算卸載的MEC系統，從而有效降低邊緣基站的計算和通信負載壓力，并提高整個MEC系統的計算資源利用率。具體來說，主要利用用戶周邊的移動設備（如電腦等）的計算資源來支持用戶的計算卸載。與基于邊緣基站的MEC系統相比，用戶周邊的移動設備（簡稱幫手）呈現出時有時無的空閑的計算資源。這是因為幫手只有在自己沒有計算任務時，才能給周邊的用戶提供空閑的計算資源。利用這個特性，我們提出了一種基于幫手空閑計算資源的變速率計算卸載算法。該算法的核心在于首先在以橫坐標為時間、縱坐標為累計可卸載數據量的坐標軸上構建一個“計算卸載隧道”，隧道的頂部和底部形狀與幫手的緩存區大小和空閑計算資源的存量有關，具體如圖3所示。為了最小化用戶能耗，用戶的計算卸載速率可以利用這個計算卸載隧道和幾何方法得到。直觀來看，如圖3所示，這個方法就是在隧道的兩端拉一條繃緊的線，不同線段的斜率反應了不同時間段內計算卸載的數據傳輸速率。這個方法可以被進一步拓展到多用戶間的計算卸載場景。

4 MEC未來工作展望

用人工智能算法設計MEC策略。當前的MEC策略設計主要有兩種方法：一種是用凸優化等優化理論來設計最優或次優的計算卸載策略，但是對于大規模MEC系統或優化問題本身是NP難的情況，用優化理論來設計MEC策略的方法可能需要很長的時間，這與MEC致力于縮短計算時延的初衷相違背；另一種方法是用啟發式算法來設計低復雜度的MEC策略，但這類方法往往缺乏一定的理論支撐，可能無法達到較好的MEC計算性能。為了解決這個問題，一個有效的方法是利用人工智能技術來實現快速高效的計算卸載策略設計。例如，我們可以將MEC策略優化問題轉化為相應的深度學習問題：神經網絡輸入是用戶的計算模型信息，神經網絡的輸出是計算卸載的策略。通過大量的計算卸載策略采樣，我們可以訓練出一個智能神經網絡。這樣一來，在實際的計算卸載決策中，我們只需將即時的計算模型信息輸入到神經網絡中，就可以快速得到一個有效的計算卸載策略方案。對于大規模MEC系統來說，基于凸優化理論的策略采樣可能無法實現，但這時候我們可以利用小規模MEC系統進行神經網絡訓練，然后通過遷移學習的方法得到大規模MEC系統的策略采樣。如何設計神經網絡的訓練是未來研究工作中的一個重要方向。

▲圖3 用戶間計算卸載策略

針對人工智能算法的MEC建模和設計。當前的MEC計算模型主要考慮普適性的計算，即計算數據量的大小與計算強度通常是一個固定的線性關系，但這個簡單模型并不一定適用于具體的人工智能算法。例如，深度學習的計算復雜度除了和數據相關外，還與神經網絡的深度、每層網絡的節點數、網絡的類型（如卷積/自回歸網絡）等息息相關。因此，如何對具體人工智能算法進行計算模型建模是一個亟待探索和研究的重要問題。除此之外，當前的MEC策略設計主要關注計算時延和能耗，但這些性能指標并不完全是人工智能應用中最關心的問題。

5 結束語

MEC將無線設備終端上計算密集型的運算任務遷移到邊緣云中,從而有效降低用戶的計算時延和能耗。在本文中，我們闡述了MEC系統的基本原理和模型，并提出如何緊密結合無線通信和計算機技術來設計不同MEC系統下的計算卸載策略。在無線網絡智能化的關鍵時期，如何將MEC和人工智能技術有機結合來提升未來無線網絡的性能需要繼續探索。