大規模無線通信網絡移動邊緣計算和緩存研究

黃永明，鄭沖，張征明，尤肖虎

（1.東南大學信息科學與工程學院，江蘇 南京 210096；2.紫金山實驗室，江蘇 南京 211111）

1 引言

隨著5G 無線通信技術的規模性部署與廣泛商用，通信網絡的傳輸速率、接入密度、頻譜效率等都得到了極大的提升，促進了各類產業與服務的技術變革。但是，面對未來Tbit/s 級的數據傳輸速率、亞毫米級的時間同步、100%的全球覆蓋率、超大規模接入等更高要求，5G 將不能滿足未來網絡需求，研究人員著眼于6G 無線通信網絡的研發[1]。與此同時，隨著移動網絡設備及技術的快速升級，移動接入終端的數量呈爆炸式增長趨勢。根據思科公司的白皮書[2]統計，全球移動通信設備數量到2022 年將會超過250 億。因此，萬物互聯將是未來網絡的必然發展趨勢，也是未來6G 通信網絡的一大重要目標。針對未來萬物互聯所帶來的超密集大規模設備接入技術挑戰，面向未來移動網絡的大規模組網技術將是一個研究重點。

此外，在超高清視頻流分析、智能駕駛，虛擬現實（VR,virtual reality）、增強現實（AR,augmented reality）等新興業務的驅動下，未來大規模設備在接入網絡的同時將會產生大量的計算密集型業務需求[3]。這類計算密集型業務通常需要依賴高可靠、低時延的數據實時處理能力來保障服務的正常運行。然而在智能移動設備（SMD,smart mobile device）的計算能力和電池容量受限制的現實情況下，任務的本地執行往往無法滿足這些嚴格的要求。因此，急劇增長的計算密集型業務將會對未來無線網絡的實時計算能力提出重大挑戰。隨著未來大規模組網的逐漸成形，用戶無處不在的業務請求與接入將會推動網絡中的計算密集型業務需求量達到新的高峰。因此大規模組網在提供大容量、大連接密度技術支持的同時，也將在計算與處理能力方面面臨著比傳統無線網絡更嚴峻的挑戰。

移動邊緣計算（MEC,mobile edge computing）技術通過將具有較強計算處理能力的服務器部署在靠近本地設備的小蜂窩基站（SCBS,small cell base station）上來卸載本地SMD 的計算壓力。作為一個很有前景的接入網范式，MEC 被認為是解決未來大規模網絡所面臨的上述挑戰的關鍵技術之一[4-8]。此外，MEC 服務器在配置強大算力的同時，也會配備有較強的緩存能力，用來直接滿足網絡中視頻流服務之類的內容服務需求。針對MEC 系統中同樣強大的緩存能力，移動邊緣緩存技術也成為MEC系統中一個重要的研究方向。

MEC 服務器在大規模無線網絡中的密集部署，可以極大提升網絡的計算與緩存能力，但是同樣也會引入一系列包括計算卸載問題、多維資源分配問題、用戶關聯問題、隱私保護問題、邊緣緩存問題等在內的亟待解決的新型關鍵問題。

本文從大規模無線網絡中移動邊緣計算和緩存技術的基本概念出發，綜述了近年來MEC 賦能大規模無線網絡在計算卸載、多維資源分配、用戶關聯、邊緣緩存、隱私保護這些關鍵問題上的重點研究工作，并指出了未來的研究方向。同時，針對MEC 賦能大規模無線網絡中的隱私保護問題，本文提出了一種基于聯邦學習（FL,federated learning）的隱私保護方案，實現了在保護用戶數據隱私的同時，提升了系統服務質量。

2 背景知識

在未來大規模組網時，通過密集部署的SCBS為用戶提供服務，可以縮短終端與業務提供端之間的距離，同時也加強了無線通信網絡在小區邊緣的覆蓋能力[9-10]。SCBS 可以通過無線通信鏈路接入其他SCBS，同樣SCBS 也可以通過回程鏈路與MBS進行連接，各個SCBS 之間也可以通過MBS 進行間接信息交互。此外，在未來大規模網絡接入技術中，設備與設備（D2D,device to device）、車輛與車輛（V2V,vehicle to vehicle）之間的直接通信也將是一種常態。

面向未來移動網絡的大規模組網為大連接密度、大流量通信需求提供了保障，但是網絡對業務數據的分析和處理能力，以及對內容的提前緩存能力并沒有得到明顯提升，還是必須依靠遠端的云服務器來為用戶業務提供計算和存儲支持。因此，大規模網絡本身在數據處理能力和緩存能力上的缺乏，將在很大程度上限制新型計算密集型、內容服務型業務的應用。鑒于此，移動邊緣計算與緩存作為一種很有前景的技術，可被用于打破大規模無線網絡計算存儲能力不足的瓶頸。

2.1 移動邊緣計算

歐洲電信標準化協會（ETSI,European Telecommunications Standards Institute）在2014 年12月首次提出了MEC 技術，該技術的目標是將云計算的功能高效、無縫地集成到無線接入網中，促使在邊緣網絡端就能夠直接實現用戶業務的交付[4]。之后ETSI 于2016 年將MEC 技術進一步擴展為多接入的邊緣計算，從而將邊緣計算能力由原本的典型蜂窩網絡延伸至包括Wi-Fi 接入網、車載網等在內的各類無線接入網絡，使MEC 技術標準得到進化與完善[11]。

在MEC 系統中，通過將密集的計算任務下沉到靠近用戶端的MEC 服務器上，不僅可以極大程度地緩解核心網的數據傳輸壓力，還能夠降低服務的響應時延，提升用戶體驗。如圖1 所示，一個移動邊緣計算系統的垂直分層架構可以分為終端層、邊緣層和中心云層[12]。終端層由各類終端通信設備組成，包含智能手機、智能車輛、筆記本電腦、傳感器等。終端設備可以借助異構蜂窩通信、車聯網通信、物聯網通信、大規模組網等多種無線通信技術接入邊緣層，調用邊緣網絡中的豐富資源。本文接下來將從未來大規模組網接入的角度來探討未來無線網絡下的移動邊緣計算與緩存技術。邊緣層在各類MEC 服務器的部署下，擁有了包括通信資源、計算資源、緩存資源和能量資源在內的豐富資源，可以為用戶提供強大高效的服務支撐。中心云層位于核心網的云計算中心，通過回程鏈路與邊緣網絡連接，以應對邊緣層無法滿足用戶服務的情況。

圖1 移動邊緣計算系統的垂直分層架構

2.2 移動邊緣緩存

無線終端的普及極大地豐富了用戶體驗，大量的新型無線業務也應運而生，包括多媒體、Web 瀏覽、應用程序和社交網絡等，這促使傳統無線通信轉變為大規模無線通信。無線用戶對數據服務的渴求進一步加劇了這一現象，這促使無線運營商重新設計當前的網絡以適應大規模無線通信，并尋求更先進的技術來提高覆蓋率和網絡容量，有效地優化用戶體驗。邊緣網絡的部署為滿足這些前所未有的網絡流量需求提供了可能性。邊緣網絡代表了一種新的基于短程部署、低功耗和低成本的網絡范式。利用邊緣網絡的感知和存儲能力，也稱為無線邊緣緩存[13-14]能力，可以實現數據高速傳輸。將數據內容存儲到終端用戶附近是實現邊緣緩存技術的有效方式。邊緣緩存以一種隨需應變的方式在網絡非高峰時段提前緩存內容，緩解網絡擁擠時的網絡擁塞。一方面用戶需求是可以預測的，另一方面內存硬件比帶寬廉價，而且在無線設備或小型基站上都可以使用。這為邊緣緩存技術提供了原理支持和實際部署的可能。邊緣緩存系統根據用戶請求自適應地調整緩存和多播策略，以滿足多個用戶的需求，這樣既能節約成本又能降低時延。基本的邊緣緩存框架如圖2 所示，主要由遠端服務器、靠近用戶的邊緣基站和緩存設備組成。基站從遠端服務器預先下載用戶可能請求的文件，這些文件被存儲在緩存設備中。當用戶發出文件請求時，基站根據緩存的文件列表查找請求的文件是否已經緩存在本地。若緩存中已有用戶需求的文件，基站直接將該文件多播給提出該文件需求的用戶；否則，基站從遠端服務器下載未預先緩存的文件，然后再多播給相應的用戶。

圖2 基本的邊緣緩存框架

3 大規模網絡的移動邊緣計算與緩存

圖3 是一個典型的MEC 賦能的大規模移動網絡架構。在該系統架構下，網絡邊緣依靠其大量靠近用戶的MEC 服務器直接在網絡邊緣上提供各類業務服務來滿足業務的高可靠、低時延等需求。然而，雖然MEC 技術能夠有效緩解大規模無線網絡中的計算和傳輸壓力，但是也會引入一些新的挑戰，需要被進一步研究和解決。

3.1 計算卸載問題

很明顯，在MEC 賦能的大規模無線網絡中，MEC 服務器和本地的SMD 都具有計算的能力，每個計算任務都既能在本地的SMD 上執行也能上載給MEC 服務器進行計算，還可以兩者協同。區別在于SMD 受限于自身的體積以及電池容量等硬件配置，其計算能力往往遠小于MEC 服務器的計算能力。計算卸載則是將本地設備產生的計算任務的全部或部分卸載給其所連接的一個或多個MEC 服務器上進行計算，服務器則通過其強大的計算能力來滿足用戶的計算需求，同時降低計算時延和本地的電池能量損耗。具體地，計算任務在本地設備上執行時，有限的計算能力將會導致計算時延較長，且本地因計算所帶來的能耗也會較高，使SMD 的待機時間受到影響。不過由于計算直接在本地設備上進行，因此傳輸時延將會很小，網絡的傳輸壓力將會減輕。當計算任務卸載到MEC 服務器上執行時，服務器強大的計算能力將能極大地降低任務的計算時延，同時也能減少本地設備的計算能耗。但是計算任務的上傳及計算結果的下發都會帶來額外的傳輸時延和傳輸能耗，這對網絡的傳輸能力提出了挑戰。因此在權衡用戶體驗、本地設備能耗、網絡傳輸能力和計算能力等多方面因素時，任務的計算卸載策略設計，包括是否卸載、卸載多少等，就直接影響著MEC 賦能的大規模無線網絡的系統性能，是一個亟待解決的挑戰。

圖3 MEC 賦能的大規模移動網絡架構

1) 能耗敏感型計算卸載

在MEC 賦能的大規模無線網絡中，能耗主要來源于SMD 的計算能耗，以及任務卸載與回收時的無線傳輸能耗。其中，降低SMD 能耗可以有效提升設備的待機時間，而降低網絡的傳輸能耗可以有效提升網絡的能量利用效率、降低服務提供商的運營成本。

文獻[15]以能效為目標，提出了一種在滿足用戶最大容忍時延的前提下最小化SMD 能耗的卸載策略。在該文獻中，用戶i的計算卸載策略被定義為一個二進制的決策變量yi，yi=0表示用戶i的計算任務將在本地設備上被執行，yi=1表示計算任務將被卸載到用戶i所連接的MEC 服務器上被執行。基于此，文獻[15]在時延約束的條件下，通過對各用戶的卸載策略的聯合優化來最小化本地設備的能耗之和，從而得到在單MEC 節點下基于能效的計算卸載解決方案。然后作者將上述問題抽象為一個非凸混合整數規劃問題，并考慮其復雜性，提出了一種基于連續凸逼近（SCA,successive convex approximation）的迭代算法來提供原問題的近似解。實驗數據表明，該計算卸載方案能在時延約束下有效地降低網絡中的設備總能耗。文獻[16]針對任務可分割的應用程序，研究了時延約束下能耗最小化的部分卸載方案，并分別提出了一種高復雜度的基于閾值優先級的最優計算卸載算法，以及一種以犧牲部分能耗為代價的低復雜度次優計算卸載算法。仿真結果表明，次優計算卸載算法相對于最優計算卸載算法增加了20%左右的能耗來獲取更低的算法復雜度。此時，卸載決策變量yi不再是一個二進制的0、1 變量，而是一個0～1 的連續變量。此時yi可視為決策出的卸載給MEC 服務器進行計算的任務卸載比例系數。

2) 時延敏感型計算卸載

除了能耗指標，服務時延同樣也是衡量用戶體驗（QoE,quality of experience）的一個至關重要的指標。在計算任務本地執行的情況下，服務時延即為本地設備進行計算所花費的時間。在將計算任務卸載到MEC 服務器上執行時，服務時延則包含任務上傳的傳輸時延、MEC 服務器進行任務計算的計算時延和計算結果傳回用戶本地的傳輸時延。

為了降低時延、保障用戶的QoE，文獻[17]在同時以服務時延和任務失敗的執行成本作為性能指標的情況下，研究了一種帶有能量收集裝置的綠色單節點MEC 系統，并提出了一種有效的計算卸載策略。通過對這2 個方面指標的聯合優化實現了在降低服務時延的同時，提高系統的可靠性，減小任務卸載失敗的風險。作者通過分析，將上述聯合指標最小化問題建模成一個高維的Markov 決策問題，并提出了一種基于Lyapunov 的低復雜度在線動態計算卸載（LODCO,low-complexity Lyapunov optimization based dynamic computation offloading）算法來對每個時隙內的計算任務進行卸載決策。同時，在每個時隙內，當卸載決策決定計算任務在本地設備上執行時，所提LODCO 算法還要聯合優化出本地設備中央處理器（CPU,central processing unit）計算頻率的分配策略。當卸載決策決定將計算任務卸載到MEC 服務器上執行時，LODCO 算法則需要聯合優化出傳輸功率的分配策略。文中實驗結果表明，LODCO 算法能夠有效地降低64%的服務時延。

3) 時延?能耗敏感型計算卸載

能耗和時延這兩大性能指標共同影響著系統的性能和用戶的QoE。因此，也有文獻研究了能耗和時延權衡優化的計算卸載方案。文獻[18]提出了一種能量感知的計算卸載方案，在能量和時延的限制下，通過最優化SMD 能耗和服務時延的加權和，實現SMD 的能量消耗和任務延時之間的權衡。此外，作者還將SMD 的剩余電量引入能耗?時延權衡的權重因子當中，來提高SMD 的待機時間，并在此基礎上提出了一種結合內部懲罰函數和D.C.（IPDC）規劃的迭代搜索算法，以獲得最優計算卸載決策和資源分配方案。仿真結果表明，所提算法能獲得更低的時延能耗權重和，并能明顯提高SMD的待機時長。文獻[19]同樣考慮了計算卸載的時延和能耗的權衡問題。作者針對時延敏感型計算任務，在滿足容忍時延以及SMD 電池剩余電量的約束條件下，通過最小化時延能耗加權和的方式來聯合優化計算卸載比例、本地設備計算頻率以及卸載的數據傳輸功率。通過對建模出的時延?能耗權衡問題的分析，作者將該高復雜度的非凸且非光滑的權衡問題轉化成一個光滑的雙凸問題，在此基礎上提出了一種基于交替凸搜索（ACS,alternate convex search）的求解算法，大大降低了計算量，并在不同性能參數的數值仿真下展現了先進的性能。

3.2 邊緣緩存問題

基本的緩存策略有2 種，一種是在基站端部署的主動緩存，另一種是部署在用戶端的編碼緩存。為區別于編碼緩存，主動緩存也通常被稱為非編碼緩存。主動緩存是指以主動方式將數據內容提取并存儲在基站的緩存空間中。該技術可以將流行度較高的內容放置在離終端用戶更近的位置，并在用戶發送數據請求的時候直接發送給用戶，這可以有效地減少時延。Maddah-Ali 等[20]提出了一種編碼緩存方案，該方案根據所有用戶可用的累積存儲容量來提高緩存和多播增益。

1) 非編碼緩存

部署在基站端的非編碼緩存通常是基于用戶請求的歷史數據進行的，該類緩存方案首先分析用戶請求的歷史信息，提取出和文件內容流行度相關的信息，利用這些信息預測未來一段時間較流行的文件，并采用合理的策略有選擇性地將它們預先存儲到本地。文獻[21]提出一種有效的緩存機制，通過將最流行的內容復制到網絡邊緣，而不是將其存儲在中央站點，從而減輕這些海量帶寬需求。文獻[22]提出了一種基于網絡主動性的緩存方案，利用用戶的統計信息發現用戶的行為模式，以此預測用戶需求，并在用戶提出相應請求前預存儲一定量的數據。這種主動緩存模式進一步提升了存儲能力，給無線傳輸帶來增益。文獻[23]將緩存看成數據流量卸載的一種方式，將重點放在存儲與帶寬的權衡方面，根據存儲限制條件，在給定的內容流行度分布條件下緩存內容，并提供了緩存未命中概率的閉合表達式。

上述對于無線緩存的研究往往需要建立精確的緩存優化問題，該優化問題往往需要對無線環境進行精確的建模，或者對用戶需求進行準確的估計，然后才能使用相應的優化算法求解緩存問題。然而，在實際系統反映實際環境的數學模型往往是難以建立的，尤其在用戶需求動態變化的緩存網絡中，傳統基于數學建模的緩存方案往往具有較強的先驗假設，而隨著環境的快速變化，這些先驗假設可能不再成立。近些年來，在海量數據和高速計算能力的支持下，深度強化學習算法通過對數據進行分析、特征抽取，使算法獲得了很強的推斷、判斷、數據擬合、決策、識別、優化等能力。當前基于強化學習的緩存方案得到了廣泛的關注。

現有的基于強化學習的緩存方案的重點是使基站能夠學習未知的系統狀態轉移函數，并相應地緩存最合適的文件內容。文獻[24]考慮全雙工密集網絡的緩存系統，提出一種新的緩存感知和用戶?基站多重關聯機制，該機制允許用戶與多個基站關聯。為了獲得最佳緩存和關聯策略，該文提出一種基于信干噪比的置信界算法，并仿真驗證了該算法的可行性和優越性。文獻[25]考慮緩存輔助下大規模密集網絡中的能耗問題，并提出一種新穎的緩存策略來改善系統能量利用效率。該研究考慮緩存內容的流行度是動態變化并且未知的，所提緩存策略是基于深度強化學習算法獲取到的。文獻[26]研究了5G 網絡中的新型3D 視頻主動緩存的問題。首先，將多視角3D 視頻的主動緩存問題建模為聯合視角選擇和本地內存分配的馬爾可夫決策過程。然后，提出一種基于深度確定性策略梯度的緩存方案。考慮到動作空間受系統狀態的影響，文獻[26]將動態k 近鄰算法嵌入行深度強化學習算法中，以實現在可變大小的動作空間中依舊能正常工作的深度強化學習算法。

2) 編碼緩存

編碼緩存利用用戶的本地存儲空間來提升多播增益。假設基站緩存了N個文件W={W1,…,WN}，每一個文件都具有單位大小。與該基站相連的K個用戶組成集合K={1,…,K}，假設每一個用戶擁有大小為M的緩存空間。基于此，編碼緩存方案主要分為以下2 個階段。

①配置階段。每一個文件都被獨立地等分為F個切片，Wi={Wi,j:j∈[1,F]}。每一個切片的大小為1/F。這些切片被放置在用戶的緩存實體中，并且放置方式與用戶的需求無關。該配置階段在非高峰時段執行。

②分發階段。每一個用戶隨機并且獨立地發出文件請求，構成向量d=(d1,…,dK)，其中dk∈[1,N]代表用戶k∈K請求文件。一旦基站接收到d，就向用戶廣播一個大小最多為RF（R為發送速率）包的編碼文件，這樣每個用戶都可以通過配置階段接收到的內容和分發階段接收到的數據來恢復出自己所請求的文件。

圖4 為編碼緩存系統框架。該場景包括一個邊緣基站、2 個用戶和2 個文件（A和B）。在配置階段，用戶尚未發出任何文件需求，網絡處于非高峰時段，基站向用戶1 傳輸文件切片1A和1B，向用戶2傳輸2A和2B。在分發階段，首先2 個用戶分別向基站提出文件請求，假設用戶1 和用戶2 的需求分別為文件A和文件B。當基站收到該請求后，基站將向用戶廣播A2⊕B1，其中⊕為異或（XOR）操作。用戶接收到廣播的編碼數據后，利用異或運算的性質即可解碼出各自需要的文件。

上述編碼緩存方案得到了研究人員的廣泛關注。文獻[27]提出了一種新的分層編碼緩存（HCC,hierarchical coded caching）方案。使用HCC，可以在恒定的間隙內實現最佳通信速率。在文獻[28]中，針對通信限制為單跳的無線D2D 網絡，作者提出了一種基于確定性配置策略的緩存方案，以及一種編碼分發策略。在這種編碼緩存方案中，用戶相互發送線性編碼消息以共同滿足其需求。結果表明，D2D 網絡的空間復用增益與單個基站傳輸的編碼多播增益在數量級上相等。隨著對編碼緩存研究的深入，研究人員注意到為了實現上述編碼緩存方案，必須將每個文件分成F個切片。切片的數量通常隨用戶數量呈指數增長，減少F可使編碼緩存更適合實際系統。為了降低F，文獻[29]提出了一個配置分發陣列（PDA,placement delivery array）來描述配置和分發這2 個階段。

圖4 編碼緩存系統框架

定義1配置分發陣列[29]。對于正整數K、F和非負整數Z、S，F≥Z，如果滿足下列條件，則由符號*和S個整數1,2,…,S組成的大小為F×K的陣列P=(pi,j),i∈[1,F],j∈[1,K]是一個(K,F,Z,S)配置分發陣列。

條件1符號*在每一列中出現Z次。

條件2對于任意2個不同的元素，當且僅當它們排列在不同的行和列中，且，有=s為一個整數。

根據一個確定的配置分發陣列P，滿足M/N=Z/F的編碼緩存方案可以描述如下。

①配置階段。每一個文件都被獨立地等分為F個切片，Wi={Wi,j:j∈[1,F]}，并且用戶k∈K接收并存儲切片Ck={Wi,j:pj,k=*,?i∈[1,N]}。

②分發階段。基站接收到請求序列d，在時隙s基站廣播編碼數據。

上述編碼緩存方案可以擴展到多基站或者大規模網絡中去。文獻[30]考慮了超密集網絡場景下的編碼緩存問題，假設每個基站都具備有限的緩存空間，可以預先存儲部分文件的數據。該文提出了一種雙次編碼緩存方案，可以有效保證無線編碼緩存場景下較高的傳輸成功概率。進一步地，考慮動態緩存和多播調度問題，以實現在內容為中心的無線網絡中平均時延和能耗的最小化。將上述隨機優化問題表述為具有未知轉移概率和狀態空間巨大的馬爾可夫決策過程。然后，提出了一種深度強化學習算法來解決上述問題。所提算法使用變分自動編碼器來充分表征環境狀態信息，并使用加權雙Q學習方案來減少Q函數的方差和過估計。數值結果表明，所提方案增加了成功傳輸的概率，并且緩存和調度策略可以有效地減少時延和能耗。

本節介紹了非編碼緩存和編碼緩存在無線邊緣網絡中的應用，指出了傳統非編碼緩存可以結合深度強化學習，在系統狀態轉移概率不可知和環境動態變化等場景中，獲取一個近似的最優緩存策略來減少時延和能耗。編碼緩存可以充分利用用戶的緩存能力，進一步提升邊緣網絡的多播增益。同時，結合深度強化學習，在邊緣網絡中設計智能的編碼緩存策略和多播調度策略也能進一步提高系統的自適應能力。

3.3 多維資源分配問題

不同于傳統的無線通信網絡，在MEC 賦能的大規模無線網絡中，大量的MEC 服務器、海量的SMD、密集的蜂窩網絡等特征使整個系統中存在更豐富的計算、存儲、能量和通信資源。具體地，計算資源是指每個MEC 服務器以及每臺本地智能設備都配備有較強大的CPU 處理器，能夠為密集的計算任務提供算力支持。存儲資源則代表著系統中各個設備都具有一定的緩存能力，能夠緩存一定的數據用于支持應用程序。能量資源是指SMD 的電池供能以及MEC 服務器的電源能量，這些能量可以用于任務的計算以及數據的無線傳輸。通信資源是指SCBS 與SMD 之間、SMD 彼此之間的通信鏈路容量，以及各個SCBS 彼此之間的回程鏈路容量。這些豐富的多維度的系統資源是MEC 賦能大規模無線網絡的一大優勢，能夠用于滿足海量業務的各類需求。而合理地利用這些資源，提高資源的利用效率，將會極大地促進網絡的性能，提升用戶的QoE。

1) 計算資源分配

前文提到的計算卸載技術，實際上也是一種計算資源的分配。通過卸載策略合理分配SMD 與MEC 服務器上的計算資源進行任務計算，以提升計算資源的利用效率，促進系統性能的提升。此外，由于MEC服務器的計算能力相對于SMD來說通常都更強大，因此，對MEC 服務器上的豐富計算資源進行更細致的分配與利用，對于系統的性能也會產生至關重要的影響。文獻[31]從時間維度考慮了有連續到來的計算任務時，如何對MEC 服務器的計算資源進行合理分配，以實現時延約束下的網絡平均數據傳輸量最小化。在每個時隙，作者考慮了當前MEC 服務器的CPU 占用狀態，然后針對不同的占用狀態，分別提出了5 種相應的連續任務安排策略，以提高計算效率。在此基礎上，作者提出了一種通信受限的MEC架構來降低通信資源的消耗，并進一步提出了一種基于Lyapunov 理論的最優任務安排算法來最小化每個計算任務的平均傳輸數據量。

另外，文獻[32]從空間維度對MEC 服務器的計算資源進行精細分配，以提高計算資源的利用效率。具體地，文獻[32]考慮了在MEC 賦能大規模無線網絡場景下，每個用戶以及每個SCBS 的計算需求往往都是高并發的。因此作者針對這種空間維度并發的計算需求，對MEC 服務器上的計算資源進行空間維度的分配，以同時滿足所有用戶以及所有SCBS 的計算需求。接著，作者提出了一種基于勢博弈論（PGT,potential game theory）的計算資源分配方案，該方案在降低能耗的同時可以提高計算資源利用效率。所提方案包括基于PGT 的功率控制方案和基于線下規劃的資源分配方案。功率控制方案旨在尋找一組能使MEC 網絡的勢函數最大化的基站傳輸功率，資源分配方案則是根據功率控制方案的結果來使MEC 網絡的平均計算資源分配系數最大，也即使計算資源利用效率最大。數值仿真結果表明，所提方案能顯著提升網絡中的計算效率和能效。

2) 緩存資源分配

緩存資源作為MEC 賦能的大規模無線網絡中的又一大資源，存在于網絡中所有具有緩存能力的設備當中。針對密集的計算任務，提前緩存好所需的計算輸入文件，或是緩存下某些被頻繁請求的計算任務的計算結果，能夠有效地降低服務時延，提高用戶的QoE。針對大規模網絡中海量的業務需求，網絡中緩存資源的合理利用與分配則具有重要意義。

文獻[33]通過研究網絡中用戶之間的社交關系以及負載的統計數據，提出了2 種緩存配置方案來合理利用系統的緩存資源。這2 種方案都能基于客戶之間的社交關系來主動地在客戶端上創建訪問頻率高的內容副本，以提高緩存的命中率，提升緩存資源的使用效率。但是由于文獻[33]所提緩存策略是一種靜態的緩存配置方案，當網絡環境以及用戶興趣發生變化時，這種靜態的緩存配置方案將很難繼續保持高緩存資源利用效率。文獻[34]則考慮到大規模移動網絡下的動態場景，提出了MEC 服務器緩存隨著時變的任務請求進行在線更新的動態緩存方案。在文獻[34]中，作者為了最小化長期累計服務時延，針對串行前端傳輸模式和流水線前端傳輸模式，分別提出了在線緩存交付模式，以及響應式和主動式在線緩存模式。文中通過理論分析，找到了2 種緩存模式下的最優累計服務時延上界，并通過數值仿真展示了2 種動態緩存方案的優越性，同時也進一步證實了理論分析的正確性。

3) 能量資源分配

在MEC 賦能的大規模無線網絡中提供新型業務服務時，任務的計算與分析、數據的傳輸、設備之間的通信等都需要消耗能量。對網絡中能量資源的合理分配，能夠大大提升能效，降低系統能耗。文獻[35-36]都對MEC 網絡中的無線傳輸能耗進行了研究與優化。文獻[35]研究了單用戶單MEC 服務器場景下的下行傳輸功率分配方案設計。首先為了表征基本性能極限，作者假設信道狀態信息（CSI,channel state information）和任務狀態信息（TSI,task state information）的完備知識（即任務到達時間和數量）是已知的，從而考慮傳輸功率的離線優化。在這種情況下，作者利用凸優化技術得到了能耗最小化問題的最優解。之后，作者受上述結構化離線能量資源分配方案的啟發，考慮了在CSI/TSI 知識僅為因果已知的情況下，針對能量資源分配和任務卸載的聯合優化，開發了啟發式在線能耗優化算法。文獻[36]則將文獻[35]的單用戶場景擴展到了多天線多用戶的MEC 系統。在該系統中，作者同樣從離線優化和在線優化2 個方面，對下行傳輸功率分配方案進行了研究，并分別得到了基于拉格朗日對偶法的離線優化問題的半封閉式最優解和基于滑動窗口以及序列優化的在線能量資源分配方案。仿真結果表明，所提方案相對于一些傳統能耗優化方法能夠降低45%～90%的系統能耗。

4) 通信資源分配

受無線網絡中的通信帶寬、通信子載波個數的限制，無線網絡中通信資源塊分配方案的優劣直接影響著系統的通信效率以及服務時延。而在MEC賦能的大規模無線網絡中，高并發的任務請求、連續不斷的計算任務卸載、低時延的數據處理需求等都依賴于一個高效的通信資源分配方案來提供保障。因此，對MEC 賦能大規模無線通信網絡中的通信資源分配方案進行優化是一個提高系統性能的有效手段，同時也是一個極具挑戰的難題。

文獻[37]針對MEC 系統中無線虛擬現實業務的通信資源分配問題進行了研究與分析。作者考慮了無線虛擬現實視頻業務，充分利用該業務中傳輸數據的空間相關性來更好地進行上下行傳輸資源塊的管理與分配，進而減少上下行鏈路的通信負荷。在下行鏈路中，MEC 服務器可以根據用戶的數據相關性，從原始的VR 視頻內容中提取特定的用戶感興趣的視野內容傳輸給用戶，從而減少內容重復傳輸所帶來的傳輸冗余。在上行鏈路中，每個SCBS 可以與具有相似追蹤信息的用戶關聯，從而減少用戶視野追蹤數據的數據量。具體地，在文獻[37]中，該數據相關性感知的傳輸資源分配問題被建模成一個最小化用戶成功傳輸概率（定義為傳輸時延小于最大服務容忍時延的概率）的優化問題，并提出了一種基于聯合回聲狀態網絡和遷移學習的機器學習求解算法。通過智能地在SCBS 之間遷移信息，所提算法能快速應對由于用戶內容請求和內容請求分發變化而導致的無線網絡環境的更改。實驗表明，該基于機器學習的智能算法相對于傳統算法以及不考慮數據相關性的傳輸資源分配算法，能夠提升15.8%～29.4%的用戶成功傳輸概率。

5) 混合資源分配

通過對上述研究工作的分析可以發現，多維度資源之間往往存在復雜的耦合關系。例如，在進行計算任務卸載時，為了節省小基站與用戶之間的通信鏈路資源而選擇在本地設備上進行任務計算，那么本地設備的能耗將會增大。為了節省本地設備的電池電量，選擇將計算任務卸載到MEC 服務器端進行計算，任務的上傳以及計算結果的下載都需要消耗傳輸能量，同時SCBS 與SMD 之間通信鏈路資源的消耗也相應增加。另外，當SCBS 與SMD的緩存資源減少時，通信鏈路所需的內容傳輸次數將會增加以保證業務的正常進行，因此通信資源的消耗得到相應增加，同時用于文件傳輸的次數增多也將導致系統能耗的增加。由此可見，MEC 賦能的大規模無線網絡中各類資源之間是相互耦合，彼此關聯的。因此，如何對這些混合資源進行高效而又快速的聯合調配來提升整個無線網絡的性能，是另一個需要被廣泛研究的課題。

文獻[38-39]分別從機器學習和傳統優化的角度，研究了MEC 系統中多維資源的聯合優化問題。文獻[38]將MEC 系統中的通信與計算資源聯合分配問題建模為一個復雜的決策過程，然后通過數學分析，設計了一種基于深度強化學習（DRL,deep reinforcement learning）的求解算法來解決該多參數優化難題，以實現最小化資源消耗和計算時延的目標。實驗結果表明，該深度強化學習算法能在通信資源與計算資源的利用效率上實現明顯提升。文獻[39]則利用設備到設備（D2D,device-to-device）通信來實現用戶協作以及減少MEC 服務器負載。作者通過聯合優化計算資源、能量資源和通信資源的分配來最小化系統中所有用戶的能量消耗和時延的加權總和。對于計算資源分配，作者提出了一種自適應優化算法來尋找最優解；對于能量資源分配，作者提出了一種基于粒子群算法的功率分配算法；對于通信資源分配，作者提出了一種基于Pareto 改進和交換操作的一對一匹配算法，并將這種一對一匹配算法擴展到多對一匹配場景。最后，基于上述單獨優化方案，作者從傳統優化的角度出發，提出了一種基于調度的聯合計算、功率和通信資源分配算法來實現系統能耗與服務時延的聯合優化。

3.4 用戶關聯問題

如圖3 所示，在大規模無線網絡中，由于大量SCBS 的密集部署，使有些SMD 會同時存在于2 個甚至多個SCBS 的覆蓋區域內，這就導致這類用戶在接入無線網絡時，擁有多個可供選擇的接入節點。在MEC 賦能的大規模無線網絡中，對于這種用戶多MEC 節點關聯問題，關聯準則可以基于不同SCBS 與用戶之間的信道鏈路狀態好壞，也可以基于不同SCBS 所配備的MEC 服務器的計算能力強弱，還可以基于不同MEC 服務器中緩存內容的匹配度等。考慮到不同的目標時，例如時延最小化、能耗最小化和接入數量最大化等，上述各角度的關聯準則會相互制約，需要進行權衡和綜合考慮。此外，考慮到SCBS 之間還可以存在D2D 通信，使大規模無線網絡中的那些處于單SCBS 覆蓋區域內的用戶仍存在著關聯SCBS還是接入D2D通信設備的接入選擇問題。

1) 基于時延最小化用戶關聯

文獻[40]針對大規模無線網絡中多MEC 接入節點場景研究設計了基于時延最小化的用戶關聯方案。具體地，文獻[40]考慮一個多用戶、多MEC節點密集部署的大規模無線網絡。在這個網絡中，多個SMD 可以通過無線信道卸載計算任務到其所關聯的MEC 服務器上。作者考慮了大規模無線網絡中網絡環境動態變化的特性，例如時變信道條件、移動設備的可用能量以及不同MEC 服務器的計算能力等，針對MEC 服務器的聯合選擇、協同卸載和切換問題，提出了一種MEC 服務器與集中式云相聯合的協同計算卸載機制。在此基礎上，文獻[40]提出了一種基于DRL 的自適應用戶關聯、協作卸載和切換算法，來實現最小化任務總計算時延。

基于時延最小化的用戶關聯算法雖然能夠在很大程度上減少服務時延、提升用戶QoE，但是這類關聯策略通常沒有考慮到本地設備能耗以及關聯之后的傳輸能耗，因此這類關聯策略往往需要犧牲大量的系統能源來實現低時延目標。與之相反，基于能耗最小化的用戶關聯策略則從能耗角度研究了多MEC 節點系統下的用戶接入選擇問題。

2) 基于能耗最小化用戶關聯

同樣在MEC 賦能的大規模無線網絡中，考慮MEC 服務器的多接入情況，文獻[41]從MEC 服務提供商的運營成本角度，著重考慮了以降低計算卸載能耗為目標的聯合用戶接入選擇以及用戶應用遷移問題。作者針對用戶關聯問題，考慮了大規模無線網絡中的用戶移動性，提出了一種計算強度（CI,computational intensity）指標作為用戶接入選擇的準則。該指標根據應用的計算和數據卸載的需求來描述用戶應用程序的類型，然后根據應用類型來選擇合適的MEC 服務器進行關聯，同時選擇在合適的MEC 服務器上部署合適的應用服務內容。作者在上述關聯準則的基礎上，將MEC 服務器選擇和用戶應用遷移聯合考慮，將時延約束下的能量效率最大化問題建模為一個最短路徑問題。實驗結果表明，隨著CI 的增加，MEC 服務器的選擇由于能源效率而趨向于中心部署的關聯方式，然后又因為用戶的容忍服務時延限制而返回到多MEC 服務器關聯部署的模式。同時，文獻[41]還發現，在聯合高精度的用戶移動性預測以及可用資源預測下，可以實現預先計算移動用戶的關聯選擇策略以及預先在MEC 服務器上進行應用部署，以提高系統的能量利用效率。

通過對上述用戶關聯問題現有研究工作的分析可以發現，基于時延最小化的用戶關聯是一種以用戶為中心的關聯方式，是為了提升用戶的服務體驗；而基于能耗最小化的用戶關聯則是一種以網絡為中心的關聯方式，是為了提高系統的能效，減少運營成本。在實際系統中，時延與能效通常需要聯合考慮，以實現最小能耗下的最優服務質量。

3) 基于能耗?時延權衡用戶關聯

文獻[42-44]都從能耗和時延共同定義的用戶QoE 角度出發，研究了能耗與時延權衡下的用戶關聯策略問題。

文獻[42]研究了在MEC 賦能的大規模無線網絡中，多MEC 服務器的多任務卸載模型，并對用戶的關聯問題和接入節點的業務部署問題進行了聯合優化。考慮到任務卸載和執行所導致的時延增加和能量消耗，文獻[42]設計了一個基于時延和能量消耗的效用函數，并以最小化該效用函數為目標來解決該多MEC 服務器模型中的用戶關聯和業務部署問題。考慮到建模問題的復雜性，作者設計了一種新的基于粒子群算法的優化算法來解決這一問題。文獻[43]同樣也從能耗和服務時延的角度出發，定義了QoE 感知的代價函數來作為網絡中的性能指標，通過對用戶關聯策略的優化來提升網絡的系統性能。其中考慮的能耗產生于用戶設備上行傳輸時的傳輸耗能，服務時延定義為SMD 到MEC 服務器的傳輸時延和用戶業務在MEC 服務器上進行計算的計算時延之和。作者通過將上述用戶接入選擇問題建模成一個0-1 整數規劃問題，提出了一種迭代優化求解算法，來最小化其定義的QoE 函數。文獻[44]也是針對MEC 賦能大規模無線網絡中的用戶接入選擇問題，提出了一種考慮用戶QoE 的用戶關聯選擇算法來最大化用戶的QoE。在該研究工作中，作者創建了統一的基于平均意見評分（MOS,mean opinion score）的QoE 函數作為性能指標。MOS 的評分標準采用基于時延和能耗的偽主觀評價方法，在關注用戶體驗的同時，定義滿足接入節點選擇實時性要求的QoE 函數。最后，文獻[44]采用基于模擬退火算法的優化算法來求解該問題，達到了比最大信噪比關聯算法更優異的性能。

通過文獻[42-44]的研究工作可以發現，它們在進行能耗與時延聯合優化下的用戶關聯問題研究時，都是采用的加權和的方式來定義一個聯合優化目標，這也是聯合優化問題中的一種常見手段。然而通過本文前面的分析可以發現，在MEC 賦能的大規模無線網絡中，時延與能耗之間往往是具有復雜的耦合關系的，而不是簡單的線性加權關系。針對MEC 賦能大規模無線網絡基于更有效的能耗與時延聯合優化用戶關聯問題，博弈論[45]、機器學習[46]和多屬性效用函數[47]等方法作為可供切入的方法，需要被進一步研究。

3.5 隱私保護問題

在大規模無線網絡中，由于大量的SCBS 的部署，邊緣網絡中海量的接入用戶以及繁多的應用業務，使整個網絡中的網絡環境極其復雜。復雜的網絡環境使黑客以及惡意用戶、惡意無線節點的混入更容易，邊緣網絡環境的安全性和隱私性受到極大威脅。此外，在大規模無線網絡中采用MEC 技術之后，由于邊緣計算的任務卸載、內容感知、并行處理等開放特性，使在密集接入的大規模無線網絡環境下就已經存在的隱私保護問題得到進一步凸顯[48]。具體地，MEC 賦能的大規模無線網絡作為一個開放式的通信生態系統，用戶通常會授權關聯的MEC 節點對自己的數據進行處理與分析。在這一過程中，若是某些MEC 服務器被惡意篡改或操縱，那么用戶的隱私數據，包括位置信息、身份信息、業務瀏覽記錄等，將會存在被竊取和泄露的風險。此外，當用戶中混入竊聽者或者其他惡意用戶時，它們同樣可以利用開放式的MEC 系統，通過D2D 通信方式直接竊取其他用戶的隱私數據，或者通過訪問MEC 服務器節點來間接竊取服務器上存儲的用戶數據，以實現非法盈利等目的。

MEC 賦能的大規模無線網絡中的隱私數據泄露，例如自動駕駛業務的用戶數據泄露、醫療服務的用戶數據泄露等，將會對用戶的人生財產安全造成極大的威脅，同時也可能對服務提供商造成巨大的經濟損失。因此，MEC 賦能的大規模無線網絡中，隱私保護問題具有重要的研究意義。目前，該方面的研究工作主要可以從隱私類型進行分類，分為用戶位置隱私保護和用戶數據隱私保護。本節將從這2 個方面來對最近幾年的隱私保護重點研究成果進行綜述。

1) 用戶位置隱私保護

低時延與位置感知作為MEC系統的兩大特點，極大地推動了基于位置服務（LBS,location-based service）的應用，擴展了MEC 技術的應用范圍[49]。隨著LBS 的大量興起，例如地圖導航服務、位置共享服務等，在方便用戶生活的同時也引起了人們對位置隱私保護的關注。相應地，MEC 系統下位置隱私保護機制（LPPM,location privacy preservation mechanism）是一個重要的研究課題，也有大量的工作進行這一方面的研究。

文獻[50]研究了MEC 系統中基于用戶位置的服務遷移問題，其中服務遷移是指隨著用戶位置的不斷變化，系統控制中心盡量把與用戶相對應的服務內容布置到與用戶靠近的MEC 節點上，以進一步減少服務時延。作者將系統的總代價定義為服務遷移代價、服務時延和位置隱私泄露風險的組合。針對隱私風險的數學定義，文中考慮到業務需要遷移部署到用戶周圍的MEC 節點上，因此，用戶的位置離服務部署的距離越遠，用戶位置隱私泄露的風險越低，但是所帶來的代價就是服務的時延越高。作者將系統總代價最小化問題建模成一個Markov 決策過程，并提出了一種改進的策略迭代算法來求解最優業務遷移決策問題。與文獻[50]考慮用戶位置隱私保護與系統性能之間的權衡不同，文獻[51]則專注于MEC 系統中的位置隱私保護問題，致力于提升用戶位置信息的抗竊取能力。具體地，文獻[51]中假設系統中有竊聽者的存在，考慮竊聽者通過觀察MEC 系統中服務的遷移情況，來估計相應用戶的位置軌跡信息。針對這種竊聽者，為了保護用戶的位置隱私，作者提出了一套基于chaff的保護策略來對抗竊聽者的竊聽：模仿策略，模仿用戶的移動性；最大似然策略，最大化運動軌跡的似然概率；最優離線策略，根據用戶的整個軌跡，最大限度地降低竊聽者的跟蹤精度；最優在線策略，基于用戶歷史軌跡，最小化期望跟蹤精度。文中的研究與分析表明，在假設竊聽者執行最大似然檢測來估計用戶的位置軌跡時，執行模范策略和最大似然策略作為對抗策略，可以將竊聽者對用戶的軌跡估計準確度降低到10%～20%。同時，作者還在文中證明，當用戶的移動是充分隨機時，基于最優策略（離線或在線）的對抗策略可以將竊聽者的跟蹤精度衰減為0。另外，文獻[52]還從用戶社交信息的角度，通過圖學習的方法來學習用戶的社交數據以滿足基于位置的業務服務，避免了對用戶位置信息的直接獲取，降低了用戶位置隱私泄露的風險。文獻[52]所提思路雖然能夠起到保護用戶位置隱私的作用，但是用戶的社交數據作為用戶的一種敏感數據，同樣也需要得到保護。

2) 用戶數據隱私保護

用戶的隱私數據包括用戶服務請求數據（如瀏覽記錄）、本地存儲的隱私信息（如銀行卡數據）、用戶社交數據（如家庭信息）等涉及用戶隱私的各方面，是用戶不愿公開的數據。用戶隱私數據的泄露可能會嚴重威脅用戶的人身財產安全。然而，很多以用戶為中心的服務，例如基于用戶興趣的內容緩存、基于社交信息的推薦系統等，往往需要基于對用戶數據的分析來保障業務的正常進行。因此，在保證用戶隱私不被泄露的同時，允許對用戶的隱私數據進行各類分析和操作是當前用戶數據隱私保護的研究重點。

文獻[53]研究了在具有動態網絡環境的MEC系統中，如何在提供內容緩存業務的同時保護用戶的隱私緩存數據。作者首先提出了一個基于區塊鏈授權的分布式內容安全緩存框架，其中SMD 執行內容緩存，MEC 服務器維護用于進行許可授權的區塊鏈密鑰，這樣當有外界用戶想要訪問用戶本地設備上的緩存內容時，必須要得到相應MEC 服務器的訪問授權才允許訪問，這樣就達到了保護用戶本地隱私數據安全的目的。然后利用一種改進的DRL方法設計了一種考慮用戶移動性的最佳內容緩存方案，以實現對動態網絡環境的自適應。最后考慮到傳統區塊鏈授權認證方法的復雜性，提出了一種新的區塊鏈驗證器選擇方法來簡化授權認證過程。通過將區塊鏈技術和DRL 技術相結合，實現了在保護用戶緩存數據隱私的同時提供安全的內容緩存服務。文獻[53]中用戶相當于緩存內容的提供者，而其中用來保護用戶隱私的區塊鏈技術實際上相當于一種加密技術，通過密鑰的認證授權來保證用戶緩存數據的安全訪問。

類似地，文獻[54]考慮了MEC 服務器作為緩存內容的提供者來提供緩存服務的場景，實際中的云盤服務就是這類場景的一個典型應用。用戶通過將自己的一些數據上傳保存到MEC 服務中，以節省本地SMD 的緩存資源。但是，如何保證用戶數據在MEC 服務器中的安全不泄露，關系到這類業務的用戶數據隱私保護，是文獻[54]的研究重點。在該文中，作者提出了一種基于博弈論的安全緩存方案，來保護用戶的數據隱私。首先，為了保證提供安全的內容緩存業務，作者設計了一種基于直接信任度和間接信任度來推斷SCBS 信任度的信任評估機制。根據信任度，移動用戶可以初步評估SCBS的安全性。接著，為了在保護用戶隱私的同時保證緩存內容的完整性，提出了一種基于中國余數定理（CRT,Chinese remainder theorem）的內容加密協議。該協議包括片段加密和片段認證兩部分。每個片段都用CRT 加密成一個數字，并且使用循環哈希鏈進行身份驗證。最后通過Stackelberg 博弈來研究SMD與SCBS 之間的交互，其中可信任的SCBS 將會被選取用來為用戶提供多歸屬訪問的緩存業務，并通過求解SMD 與SCBS 之間的聯合平均利潤共同最大化問題來實現Stackelberg 均衡。

通過文獻[53-54]可以發現，它們都是從加密的角度來為用戶的數據隱私提供保護。事實上，在MEC 賦能的大規模無線網絡中的用戶數據隱私保護的研究中，除了文獻[53]中基于區塊鏈的加密機制以及文獻[54]中基于博弈論的加密機制之外，還有眾多加密機制被用于用戶數據隱私保護。例如文獻[55]提出了基于概率公鑰加密技術的來實現數據隱私保護的用戶排名查詢業務，文獻[56]提出了基于混沌系統偽隨機置換的加密技術來保護用戶數據隱私。值得注意的是，雖然這些基于加密機制的隱私保護方案能夠在提供應用服務的同時在一定程度上保護用戶的隱私數據，但是這類方法都必須引入額外的加密、認證、解密操作，這無疑會增加系統額外的資源消耗，降低系統的資源利用效率。因此，研究解決用戶數據隱私保護與服務質量之間的矛盾是未來的一個重要研究方向。

3.6 總結與展望

前文從計算卸載問題、邊緣緩存問題、多維資源分配問題、用戶關聯問題和隱私保護問題這5 個角度出發，綜述了移動邊緣計算與緩存技術賦能的大規模無線網絡中仍亟待解決的關鍵問題以及現有的一些解決方案。表1 從關鍵問題、關鍵研究點、方法論3 個方面對上述解決方案進行了綜合分析與總結。

當前研究工作中，對于邊緣網絡中通信、計算、緩存資源的考慮相對獨立，而新型應用的實時性需求一般較高，需要深度融合這三者以降低時延和網絡負載；需要深入研究編碼緩存與邊緣計算之間的交互機理和邊緣網絡編碼緩存方案的自動化設計與自適應調整；探索建立能定量表征計算、緩存資源轉化為通信增益的多維混合資源調配優化模型，打破傳統模型中通信、計算、緩存資源相對獨立的架構，實現資源有機整合。

未來的研究方向還包括以下幾個方面。

1) 考慮卸載、緩存、資源分配和用戶關聯相混合的多維度聯合優化，系統性地研究各個維度的策略對系統性能的影響，揭示MEC 賦能的大規模無線網絡中這些關鍵問題之間的內在關系。

2) 關注用戶隱私保護，研究隱私保護與系統性能之間的矛盾，探索MEC 賦能大規模無線網絡架構下新型的隱私保護方案。

3) 探索人工智能驅動的邊緣密集網絡，研究如深度學習、強化學習、聯邦學習等在內的機器學習方法對解決上述關鍵各類問題所能提供的幫助。

4) 在緩存使能的大規模網絡中使用數據驅動的深度學習與無線傳輸物理層理論，設計自洽式的傳輸方案。

5) 構建去中心化的云邊協同以及各邊緣節點間協同傳輸機制，挖掘邊緣網絡中邊緣緩存的容量性能極限。

6) 研究大規模網絡中無線緩存網絡的物理層傳輸機制，實現低時延、高吞吐率的邊緣網絡通信。為無線緩存網絡邊緣節點自洽式智能干擾管理建立數學模型，以解決由于大量信息交互引起的時延開銷增大以及通信質量下降等問題。

7) 為支持新型邊緣計算任務，設計新型無線緩存方案。例如，為邊緣計算場景下的聯邦學習任務提供無線緩存服務，揭示聯邦學習任務的收斂速度和性能。

4 隱私保護的邊緣計算與緩存

如圖3 所示，在典型MEC 賦能的大規模無線網絡中，可以通過深度卷積神經網絡來提供一種圖像分類業務。用戶可以通過MEC 節點獲取分類器來對自己所需要分類的圖片進行分類，從而實現MEC 節點對該分類業務的交付。具體地，主要有2種實現方式。第一，假設網絡中某些用戶作為服務的請求者，向附近的MEC 接入節點請求對自己本地設備上的某一張或某幾張圖片進行分類。此時，收到分類業務請求的MEC 節點，就會利用存儲在其MEC 服務器中的圖片分類器對用戶的待分類圖片進行分類，再返回用戶相應的分類結果。第二，收到分類業務請求的MEC 節點，直接將存儲在其MEC 服務器中的圖片分類器下發給對應用戶，讓其自行執行分類操作。可見，分類器是該類業務的核心。鑒于基于深度卷積神經網絡的分類器是處理當前業務最常見和高效的手段，故本文以此來實現該類圖像分類業務。需要指出的是，這類分類器往往需要經過大量的數據訓練過程之后，才能達到足夠高的分類準確率。

表1 MEC 賦能大規模網絡中關鍵問題和解決方案的分析與總結

在該通信網絡架構下，集中式的訓練是一種常用的訓練方法。具體地，假設每個用戶在本地設備上都擁有一定數量的標簽圖像數據，但是受限于存儲能力以及用戶習慣，每個用戶設備上的標簽圖像數據數量有限，無法單獨支撐起一個分類器的訓練。為此，MEC 服務器可以通過收集所有用戶的數據，在MEC 服務器端得到一個總的數據集。接著，利用其強大的計算能力，在服務器端對分類器進行集中式訓練。文獻[57]表明，這種集中式的訓練方法可以使分類器達到非常高的準確率。但是，由于該集中式的訓練過程涉及用戶本地的圖像數據的收集，可能對用戶的數據隱私安全造成極大的威脅。而在隱私保護日益受到重視的當今社會，上述威脅用戶隱私的集中式訓練方式是無法被容忍的。鑒于此，本文充分利用MEC 賦能大規模無線網絡中的豐富計算資源與緩存資源，提出了一種基于聯邦學習[58]的分布式訓練架構，在對分類器進行有效訓練的同時，還實現對用戶數據隱私的保護。此外，本文還利用MEC 服務器中豐富的緩存資源對傳統的聯邦學習方案進行了改進，提出了一種帶緩存的聯邦學習算法。該算法能夠在保護用戶數據隱私的同時，提高分類器的分類準確率，從而有效改善用戶的服務質量。

4.1 隱私保護方案

在存在I個SMD、S個SCBS 和一個MBS 的MEC 賦能大規模無線網絡場景中，本文利用SMD與MEC 服務器都具有計算能力的特點，提出了一種基于聯邦學習的訓練框架。具體地，假設每個SMD 上都能部署一個分類器網絡，第i個SMD 上部署的分類器網絡參數可以表示為iΘ，每個用戶都可以在本地利用自身的圖片數據集單獨訓練自己的分類器網絡。不過，如果用戶僅依靠本地的少量數據集來對分類器進行訓練，分類器將難以達到一個較高分類準確率。因此，基于聯邦學習的框架使每個SCBS 每隔一定的時間并行且同步地從各自服務范圍內隨機挑選一個用戶，表示為=1，?is∈Is。其中，is為第s個SCBS 所挑選到的用戶編號，Is為第s個SCBS 服務范圍內的用戶集合。當用戶is∈Is未被挑選時，。在s號SCBS 服務區內，當時，該SCBS 將發送自己當前所擁有的全局模型ΘG(t)給用戶is進行E次本地訓練。本地訓練結束后，用戶is上傳訓練后的本地分類器的網絡參數給其所連接的SCBS。每個SCBS 接收到上傳的網絡參數后，通過回程鏈路上傳給 MBS 進行參數聚合，即。聚合之后，MBS 將ΘG(t+1)發送給每個SCBS。接著，每個SCBS 將再次并行且同步地從各自服務范圍內隨機挑選一個用戶，然后重復上述通信交互過程。

一般地，上述通信交互過程可被稱為一個通信回合，其中t代表著第t次通信回合。每個通信回合中得到的聚合參數體現了本輪所有參與聚合的用戶的本地數據特征，可見其間接地擴充了分類器的訓練數據。同時，在每個通信回合中，SMD 與SCBS 之間僅進行了分類器網絡參數的交互，而不涉及任何與用戶本地圖片數據有關的交互，因此有效地保護了用戶的隱私。

此外，針對上述基于聯邦學習的分布式訓練方案，利用MEC 服務器上的緩存資源，本文對上述方案進行了改進，提出了一種帶緩存的聯邦學習訓練方案。具體而言，在第t個通信回合，每個SCBS收到ΘG(t)之后，將其存儲到自己的MEC服務器中。在下一次通信回合到來后，每個SCBS 將再從MBS 收到該回合的聚合參數ΘG(t+1)。此時，每個SCBS 將對第t次和第t+1次的聚合參數進行一個加權和以得到新的聚合參數，即ΘG(t+1)←λΘG(t)+(1?λ)ΘG(t+1)，其中λ為加權因子。接著，每個SCBS 再將新參數ΘG(t+1)廣播給各自服務范圍內的用戶，并同時存儲到自己的MEC 服務器中，以用于進行下一個回合的加權求和操作。

上述訓練期間的參數傳遞流程可用圖5 表示。在整個訓練期間，通信系統中不涉及任何與用戶隱私有關的數據傳遞。在該聯邦學習框架中，僅有模型參數在進行交互與傳遞，因此該過程不會涉及。該考慮隱私保護的帶緩存的聯邦學習訓練算法如算法1 所示。

圖5 隱私保護的帶緩存的聯邦學習訓練算法參數傳遞流程

算法1隱私保護的帶緩存聯邦學習訓練算法

MBS 端隨機初始化ΘG(0)；

對每個SCBS，?s∈{1,2,…,S}并行初始化指令參數；初始化回合數t=0；

4.2 實驗與仿真

典型的圖像分類任務如下。假設每個用戶都擁有一定數量的標簽圖像數據，這些數據來源于Cifar-10[57]數據集，并且每個用戶訓練數據的類別分布q服從參數為α的迪利克雷分布Dir()α。為了保證用戶之間數據分布呈現非獨立同分布特性，本文取α=0.5。假設每個用戶都可以在本地使用相同的神經網絡進行模型的訓練，且分類器模型都為ResNet18[59]。

圖6 和圖7 分別給出了總用戶數為400 和500時的算法性能對比仿真結果，其中SCBS 數目為10，λ=0.990。從圖6 中可以看出，無論是否使用緩存策略，FL 算法都可以收斂，但是采用緩存策略的FL 算法取得了更高的測試準確率。結合圖7 和表2可以發現，當λ=0.990、用戶數為500 時，采用緩存策略后僅提升了0.34%的性能。該結果表明具有緩存策略的FL 可以在一定程度上抵制用戶數目增大帶來的泛化性能損失。然而，緩存所帶來的增益同時受到多個參數影響，如每次通信處于激活狀態的接入點數量和本地訓練所使用模型的容量等，這導致了隨著用戶數目的增大，緩存的增益趨于遞減的趨勢。不過，需要指出的是，進一步調整緩存權重因子λ，所提算法的性能能夠獲得進一步提升。例如，通過表2 可以發現，當總用戶數為500 時，設置λ=0.991，所提算法將能夠達到1.48%的識別準確率提升。同樣地，當用戶數為400 時，設置λ=0.997，所提算法可以獲得2.33%的準確率提升。

圖6 總用戶數為400 時2 種方案訓練過程對比（λ=0.990）

圖7 總用戶數為500 時2 種方案訓練過程對比（λ=0.990）

此外，從表2 中還可以看出，隨著用戶數目增大，2 種方案的準確率都有所下降，這主要是因為用戶數目增大導致每個用戶分得的本地數據減小，本地訓練過擬合的風險增加。

圖8 給出了在不同SCBS 數量下，2 種方案在分類準確率上的對比。從圖8 中可以看出，在固定用戶數為500 的場景中，隨著通信接入點數量的增大，FL 的性能有不同程度的提升。如通信接入點為5、10 和15 時，所提算法可以一直獲得比傳統無緩存的FL 方法更高的準確率。

表2 2 種方案在不同用戶數上的性能對比

圖8 2 種方案在不同SCBS 數量上的性能對比（λ=0.990）

綜上所述，在邊緣計算任務中，所提算法可以在保證不侵犯用戶數據隱私的條件下使用FL框架，充分利用分散在用戶本地設備的數據和算力，以獲得整個計算任務的性能提升。同時，為聯邦學習框架增加緩存策略，通過合理利用聯邦學習優化過程中產生的歷史信息，可以進一步提升邊緣計算任務的收斂速度和性能。

5 結束語

隨著信息化時代的到來，各類新型無線業務呈現出爆發式增長，對無線通信網絡提出了嚴峻挑戰。移動邊緣計算與緩存技術賦能大規模無線網絡能夠同時滿足大規模接入、密集計算與密集緩存等業務需求，被作為一項非常具有前景的技術用于解決上述挑戰。本文分別從大規模無線網絡中的移動邊緣計算與移動邊緣緩存的基本概念出發，介紹了三者的相關背景知識。接著，針對未來大規模無線網絡的移動邊緣計算與緩存技術，綜述了最近研究工作在計算卸載問題、邊緣緩存問題、多維資源分配問題、用戶關聯問題和隱私保護問題這些關鍵問題上的相關研究，并指出了未來的一些研究重點和研究方向。最后，本文針對關鍵問題中的隱私保護問題，提出了一種MEC 賦能大規模無線網絡中基于聯邦學習的隱私保護的業務服務架構，并進一步利用MEC 服務器上的豐富緩存資源提出了一種帶緩存的改進型聯邦學習算法，實現了保護用戶隱私的同時，提升服務的質量。