輔助駕駛場景下網(wǎng)絡資源規(guī)劃配置聯(lián)合優(yōu)化技術研究

李春艷

摘要：5G特色的應用場景對于網(wǎng)絡的服務質量有極高的要求，需要網(wǎng)絡提供確定性的服務，包括確定性低延遲、確定性網(wǎng)絡抖動等。邊緣計算技術對于提供超低時延和抖動的網(wǎng)絡服務具有優(yōu)勢，但在確定性網(wǎng)絡服務上還存在不足。針對以上問題，本文擬以基于邊緣計算的確定性網(wǎng)絡為主要研究對象，結合新興應用的確定性網(wǎng)絡服務需求，運用軟件定義和網(wǎng)絡功能虛擬化技術，研究計算、存儲和網(wǎng)絡資源的聯(lián)合優(yōu)化機制，提供確定性的延遲、抖動等網(wǎng)絡傳輸能力，充分發(fā)揮邊緣計算的優(yōu)勢，提供確定性的網(wǎng)絡服務，增強用戶體驗。

關鍵詞：V2X;MEC;任務卸載;資源分配

中圖分類號：TP393文獻標識碼：A

文章編號：1009-3044（2021）18-0012-02

開放科學（資源服務）標識碼（OSID）：

1 引言

5G網(wǎng)絡是指第五代移動通信網(wǎng)絡，他相對于4G網(wǎng)絡的信號傳輸，有更加穩(wěn)定、高速和安全性能高的優(yōu)點，大大增強了這個系統(tǒng)容量和各種大規(guī)模設備間的連接效果，為各種用戶的智能化設備提供優(yōu)秀的信息服務，進一步挖掘網(wǎng)絡的潛在應用價值。通過結合整個5G網(wǎng)絡用戶服務需求和網(wǎng)絡本身的功能特點，使得數(shù)據(jù)資源使用更加高效和低能，在提高用戶服務滿意度的基礎上，減少整個網(wǎng)絡的延遲。隨著5G技術的不斷成熟完善和運營推廣，5G創(chuàng)新應用生態(tài)的發(fā)展已成為決定未來5G產(chǎn)業(yè)成功的關鍵因素。

2 網(wǎng)絡資源聯(lián)合優(yōu)化的意義

國際電信聯(lián)盟ITU召開的ITU-RWP5D第22次會議上確定了未來的5G創(chuàng)新應用場景：3D超高清晰度視頻、云辦公和游戲、增強現(xiàn)實、工業(yè)自動化、移動醫(yī)療、緊急任務應用、自動駕駛汽車等。這些應用場景對于網(wǎng)絡的服務質量（QoS， Quality of Service）提出了極高的要求，即確定性網(wǎng)絡（Deterministic Networking）服務，包括確定性低延遲、確定性網(wǎng)絡抖動等。而移動蜂窩網(wǎng)數(shù)據(jù)回傳網(wǎng)絡（Backhaul）采用多重匯聚架構，基站到核心網(wǎng)需要途徑多重匯聚轉發(fā)網(wǎng)絡，距離往往相隔幾百公里，難以保障傳輸?shù)牡脱舆t。邊緣計算（MEC， Multi-access Edge Computing）作為一種基于云計算的無線接入網(wǎng)絡（RAN， Radio Access Networks）架構，被認為是提升移動網(wǎng)絡整體性能的重要手段。MEC不僅可以通過在靠近接入網(wǎng)的邊緣處進行流量卸載和計算卸載（Offloading），減少移動蜂窩網(wǎng)匯聚路由（AR， Aggregation Routing）和核心網(wǎng)（EPC， Evolved Packet Core）的流量，緩解移動節(jié)點的計算壓力，還可以通過在網(wǎng)絡邊緣的應用部署來降低應用響應延遲，可以有效彌補網(wǎng)絡匯聚帶來的問題。但是面向工業(yè)自動化、移動醫(yī)療、自動駕駛等創(chuàng)新應用場景對于網(wǎng)絡傳輸確定性的嚴苛要求，邊緣計算依然存在一些亟待解決的問題：

（1）移動用戶密度大、移動性強，容易造成移動網(wǎng)絡負載的不均衡、短時間內負載的劇烈變化。MEC要求在網(wǎng)絡邊緣配置網(wǎng)絡、計算、存儲資源，而移動網(wǎng)絡邊緣節(jié)點的資源容量較小，部署分散，這給資源的優(yōu)化配置和管理帶來了極大的困難。

（2）邊緣計算節(jié)點的計算、存儲、傳輸能力有限，不同應用的需求也存在差異，如計算密集型、存儲密集型、網(wǎng)絡密集型任務等。如何在滿足應用差異化的網(wǎng)絡需求的同時，優(yōu)化邊緣的計算、存儲和網(wǎng)絡資源，這是一個NP難題。

（3）確定性的網(wǎng)絡傳輸需求要求網(wǎng)絡提供細粒度的QoS保障能力，采用軟件定義網(wǎng)絡（SDN， Software Defined Network）技術和網(wǎng)絡功能虛擬化技術（NFV， Network Functions Virtualization）[6]實現(xiàn)確定性的網(wǎng)絡路由轉發(fā)，以及細粒度的流量管控能力。同時避免細粒度的流量控制帶來的OpenFlow流表規(guī)模的激增的問題。

本文圍繞“服務配置、服務調度、服務質量”三個重點內容展開，研究確定性網(wǎng)絡資源聯(lián)合優(yōu)化策略等關鍵技術，為確定性網(wǎng)絡服務的邊緣計算性能優(yōu)化提供重要的依據(jù)和技術儲備，對新興應用的發(fā)展具有積極推動作用。

3 基于Markov決策過程的資源聯(lián)合優(yōu)化

網(wǎng)絡資源聯(lián)合優(yōu)化需要綜合新興應用的需求和網(wǎng)絡資源均衡的目標。可以假設應用的資源請求服從泊松過程，服務執(zhí)行時間服從指數(shù)分布，將資源分成固定大小的分塊（block），則資源的使用過程可以用Markov狀態(tài)轉移過程來描述，其中資源使用的狀態(tài)向量包含各類資源的使用狀態(tài)，可以得到Markov狀態(tài)轉移過程的平衡方程，利用平衡方程的求解可以得到多維資源使用和服務性能指標之間的關系，再根據(jù)用戶的應用需求映射的服務性能指標，選擇相應的資源以滿足應用的需求。

結合資源效用最大化的目標，本項目擬采用合作博弈策略來實現(xiàn)資源的效用整體最優(yōu)和公平性。基于合作博弈論，對各類資源之間的互相合作決策行為進行建模，使資源以相互競爭且相互妥協(xié)的方式達成一致，實現(xiàn)效用最大化。依據(jù)合作博弈理論的原理，給定資源效用函數(shù)，以資源效用最大化為目標，設定合作資源提供者的收益函數(shù)，建立多維資源協(xié)作聯(lián)盟。利用Shapley準則對協(xié)作聯(lián)盟進行公平資源分配，資源提供者從聯(lián)盟中獲取收益最大化的同時，也達到了整體資源效用的最大化。要實現(xiàn)資源聯(lián)合優(yōu)化，基本條件是具備對各類資源的管控能力，通過OpenFlow協(xié)議的擴展，來實現(xiàn)各類資源的統(tǒng)一調度和監(jiān)控，SDN控制器可以根據(jù)當前系統(tǒng)狀態(tài)和用戶資源請求分布，進行全局的資源優(yōu)化配置。

（1）網(wǎng)絡模型

首先給定最大計算資源得到完成任務所需的最低信噪比;然后，利用凸優(yōu)化理論進行最佳功率分配，并計算對應的吞吐量增益，比較增益得到卸載決策;最后，利用二分圖最大匹配算法解決信道分配問題，并計算最終的計算資源分配。假設場景中一個RSU覆蓋范圍內有T個目標數(shù)據(jù)，用集合表示為[T={TUEt|t=1，2，…，T}]，移動用戶[TUEt]有K個協(xié)助移動用戶提供輔助數(shù)據(jù)運輸相關數(shù)據(jù)，用集合表示為[K={AUEk|k=1，2，…，K}]。考慮上行鏈路是OFDMA的，其可用頻帶B被平分為L個子帶，則每個子信道帶寬大小為[W=]B/L。假設做出卸載決策后，所有協(xié)助移動用戶中分別有M個CUE和N個DUE，分別用集合表示為[?={CUEm|m=1，2，…，M}]和[N={DUEn|n=1，2，…N}]。

令[?m，B]表示為[CUEm]與RSU之間的信道功率增益，[?n]為[DUEn]復用[CUEm]信道時[DUEn]的信道功率增益。[?n，B]為[DUEn]發(fā)射端與[CUEm]上行鏈路中為接收端的RSU之間的干擾信道功率增益。[?m，n]為[CUEm]與[DUEn]接收端之間的干擾信道功率增益。

[CUEm]的信噪比（SINR）可表示為：

[γcm=Pcm?m，Bσ2+n∈Nρm，nPdn?n，B]? ? ? ? ? ? ? ? ? ? ? ?（1）

類似可得[DUEn]的SINR為：

[γdn=Pdn?nσ2+m∈?ρm，nPcm?m，n]? ? ? ? ? ? ? ? ? （2）

其中[Pcm]和[Pdn]分別表示[CUEm]和[DUEn]的發(fā)射功率。[σ2]為系統(tǒng)噪聲功率。[ρm，n]表示[CUEm]和[DUEn]之間的頻譜分配指標，當[CUEm]和[DUEn]復用[CUEm]的信道時，[ρm，n=1]，反之為0。

（2）計算模型

定義協(xié)助移動用戶[AUEk]的計算任務為[Rk=Dk，Ck，Tk]，其中[Dk]表示協(xié)助移動用戶[AUEk]從本地設備上傳任務時的輸入數(shù)據(jù)量，單位為bit。[Ck]表示完成任務所需的計算量，單位為cysles，[Tk]表示任務可容忍的最大完成時延，單位為s。

假設移動用戶本身具有一定的計算能力，[AUEk]可選擇將任務[Rk]卸載到鄰近移動用戶或MEC服務器，也可以由移動用戶本身的處理單元進行計算，定義所有集合[K]內的移動用戶任務卸載決策為[A={a1，a2，…，aK}]，并且有[ak={alk，avk，aok}]，其中[k∈K]，參數(shù)[alk，avk，aok∈0，1]，[alk+avk+aok=1]。

①本地執(zhí)行：移動用戶本身的計算能力為[flk]，單位為cycles/s，定義[Tlk]為本地執(zhí)行總延遲，根據(jù)文獻[9]，下載速率通常遠高于上傳速率，并且輸出數(shù)據(jù)量大小一般遠小于輸入數(shù)據(jù)量，則[Tlk]為：

[Tlk=Ckflk]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（3）

②V2V卸載：與本地相比，新增了將輸入數(shù)據(jù)[Dk]上傳到鄰近移動用戶的時間，任務卸載到鄰近移動用戶的總延遲[Tvk]為：

[Tvk=Dkrk+Ckfvk]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （4）

其中為[rk]移動用戶的傳輸速率，[fvk]為移動用戶分配給任務[Rk]的計算資源。

③V2I卸載：令[fok]為MEC服務器分配給任務[Rk]的計算資源任務卸載到MEC服務器的總延遲[Ton]為：

[Tok=Dkrk+Ckfok]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （5）

綜上，任務[Rk]執(zhí)行完成的總時延可表示為：

[Ttotalk=alkTlk+avkTvk+aokTok]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （6）

其中[k∈K]，參數(shù)[alk，avk，aok∈0，1]，[alk+avk+aok=1]。

（3）算法

CUE和DUE的數(shù)量變化取決于協(xié)助移動用戶的卸載決策，而求解最大化網(wǎng)絡系統(tǒng)吞吐量的前提是需要知道CUE與DUE的用戶集合，因此卸載決策直接影響了系統(tǒng)吞吐量的大小。需要綜合考慮卸載決策、計算資源分配、功率分配以及網(wǎng)絡信道分配等因素，分別求解功率分配與任務卸載決策問題和信道匹配與計算資源分配問題。

（4）仿真

本文仿真主要在NS3平臺上完成，主要分析了任務數(shù)以及網(wǎng)絡速度對系統(tǒng)吞吐量的影響，并評估了本文所提算法與其它算法的計算資源使用情況，以驗證所提算法的有效性。此外，本文選擇V2V first和V2I first兩種方案作為對照組，并進行了仿真比較。

4 結束語

本文研究了互聯(lián)網(wǎng)局部融合邊緣計算技術在移動用戶通過場景中的任務卸載與資源分配問題，并提出了一種吞吐量最大化的任務卸載與資源分配算法，將優(yōu)化問題分成兩步進行處理，首先根據(jù)凸優(yōu)化理論求解最優(yōu)功率分配，并計算最優(yōu)功率值下的吞吐量增益，比較兩種卸載方式下吞吐量增益的大小作出卸載決策。然后利用KM算法解決信道劃分問題，根據(jù)最終的信道匹配可以得出在任務可容忍時延下對應的計算資源分配。

參考文獻：

[1] Li Z H，Wan H，Pang Z Y，et al.An enhanced reconfiguration for deterministic transmission in time-triggered networks[J].ACM Transactions on Networking，2019，27（3）：1124-1137.

[2] Costa-Requena J.SDN integration in LTE mobile backhaul networks[C]//The International Conference on Information Networking 2014 （ICOIN2014）.February 10-12，2014，Phuket，Thailand.IEEE，2014：264-269.

[3] Liu J，Mao Y Y，Zhang J，et al.Delay-optimal computation task scheduling for mobile-edge computing systems[C]//2016 IEEE International Symposium on Information Theory（ISIT）.July 10-15，2016.Barcelona，Spain.IEEE，2016.

[4] Chen X.Decentralized computation offloading game for mobile cloud computing[J].IEEE Transactions on Parallel and Distributed Systems，2015，26（4）：974-983.

[5] Qu K G，Zhuang W H，Ye Q，et al.Dynamic flow migration for embedded services in SDN/NFV-enabled 5G core networks[J].IEEE Transactions on Communications，2020，68（4）：2394-2408.

【通聯(lián)編輯：王力】