邊緣增強H-CRAN中能耗感知的資源分配機制

呂 翊，王焰斌，張 鴻，王汝言，張普寧

(1.重慶郵電大學 通信與信息工程學院，重慶 400065；2.重慶高校市級光通信與網絡重點實驗室，重慶 400065；3.泛在感知與互聯重慶市重點實驗室，重慶 400065)

隨著第五代移動通信系統(Fifth Generation Mobile Communication System，5G)正式投入商用，類似于智能手機、平板電腦和手持設備等用戶終端(User Terminals，UTs)的數量呈現指數增長趨勢[1-2]。在日常生活中，高清視頻播放、自然語言處理和交互式游戲等計算資源密集型任務大量涌現，移動邊緣計算系統[3-5]被提出用以擴展用戶終端的存儲和計算能力。雖然移動邊緣計算系統能提高智能用戶體驗質量，但構建支持移動邊緣計算(Mobile Edge Computing，MEC)功能的網絡基礎架構仍具挑戰性[6]。云無線接入網(Cloud Radio Access Network，C-RAN)是一種由集中式基帶單元(Base Band Units，BBUs)池、遠程射頻頭端(Remote Radio Heads，RRHs)和光纖前傳鏈路構成的綠色接入網[7]，通過將用戶終端及云中心計算任務卸載到結合MEC的C-RAN中，能有效解決移動邊緣計算網絡架構難題[8]。這種方式不僅有助于減少端到端時延和節省用戶終端的設備能源，還能增強用戶終端的隱私和安全性[9]。但是，不相匹配的傳統資源分配方式使服務提供商(Service Provider，SP)的能耗成本支出壓力與日俱增，而高效的節能效率能為SP帶來豐厚的可持續性收益，為此，美國明確提出在2030年前將網絡能耗降低25%，英國設定了在2050年前將網絡能耗降低50%的目標[10]。

為了解決移動邊緣計算系統資源分配失衡和網絡能效(Energy Efficiency，EE)低的問題，在文獻[11]中，研究者提出了多個帶有移動邊緣計算的基站協作策略，通過進一步將額外任務卸載到與其連接的移動邊緣計算服務器來增強計算卸載服務，能提高用戶終端的計算能力并延長電池使用壽命，然而文中并未涉及降低網絡能耗成本問題。在文獻[12]中，研究者提出了在MEC與C-RNA聯合架構下，頻譜效率感知的計算卸載和資源分配機制，在卸載時延、有限帶寬光前傳鏈路容量和計算資源的約束下，聯合優化卸載策略、無線電資源和計算資源，以實現SP利潤最大化，但移動邊緣計算服務器僅部署于BBU池中，用戶終端任務卸載形式單一。在文獻[13]中，研究者提出了一種遠近計算增強C-RAN架構，優化無線大數據處理的任務分配，部署于BBU池中的移動邊緣計算服務器，為用戶終端提供大量的計算資源，而部署于RRHs上的移動邊緣計算服務器可以快速響應對延遲敏感的應用，但是這種移動邊緣計算部署方式沒有體現出不同小區的差異性服務需求，增加了移動邊緣計算服務器的部署成本。在文獻[14]中，研究者提出了一種結合時分復用無源光網絡(Time Division Multiplexing-Passive Optical Networks，TDM-PONs)的資源分配策略，其最終目標是在物理條件、資源管理和光前傳延時延約束的情況下，實現聯合總傳輸延遲和移動邊緣計算部署的成本最小化。在文獻[15]中，研究者提出了一種混合云霧無線接入網(Cloud Fog RAN，CF-RAN)架構，該架構借助霧計算在更接近RRHs的本地霧節點中復制C-RAN的基帶處理能力，并應用網絡功能虛擬化(Network Function Virtualization，NFV)技術形成虛擬化無源光網絡(Virtual PONs，VPONs)，能有效地按照實際需求處理多余的前傳流量負載，但在降低網絡阻塞概率方面還有待進一步深入探討。

綜合以上文獻可知，雖然由MEC系統與C-RAN組合的網絡架構能有效地提高用戶終端的帶寬體驗，但仍存在待解決的問題：① 大規模密集部署的RRHs之間產生的干擾信號占用大量無線資源，并造成額外的干擾信號傳輸能耗浪費；② 容量有限的光纖前傳鏈路難以適應熱點數據和高流量負載，并導致網絡阻塞概率增加[16]，從而降低用戶終端的服務質量(Quality of Service，QoS)；③ 移動邊緣計算服務器靜態部署方式削弱了網絡基帶處理能力，增加了網絡設備部署成本。為了提高網絡容量，將H-CRAN架構作為研究對象[17-19]，在C-RAN架構的基礎上添加了宏基站(Macro Base Station，MBS)，通過帶有X2/S1接口的回傳鏈路連接MBS與BBU池，能保障與現有蜂窩系統的向后兼容性并提供更廣泛的用戶終端連接，MBS負責傳遞控制信號并支持低數據速率服務[20]。此架構能提高移動邊緣計算服務器部署的靈活性，增強網絡的可擴展性。

為了充分結合MEC系統與H-CRAN架構的優勢，筆者提出了一種H-CRAN架構中基于移動邊緣計算動態部署的能耗感知資源分配機制(Power consumption aware Resource Allocation Mechanism based on MEC Dynamic Deployment，MDD-PRAM)。根據用戶關聯吞吐量收益、干擾信道占用能耗成本以及用戶終端任務處理能耗成本，制定了服務提供商利潤模型。進而，利用稀疏矩陣算法為用戶終端篩選優質通信資源，實現網絡吞吐量與關聯能耗間差值的最大化，再針對用戶終端的不同服務請求，在MBS或BBU池中動態部署移動邊緣計算服務器，優先選擇將時延敏感型的任務卸載到距離RRHs較近且已動態部署移動邊緣計算系統的宏基站(MEC-enable MBS，MEC-MBS)上，當用戶終端的任務處理量較大時，在BBU池中按需部署移動邊緣計算服務器，將任務卸載到已動態部署移動邊緣計算系統的集中式基帶單元(MEC-enable BBU，MEC-BBU)中，并基于協同計算卸載的啟發式算法分配計算資源，以降低網絡設備能耗開銷。

1 結合MEC的H-CRAN模型

移動邊緣計算系統能為附近的用戶終端提供分布式計算資源和低時延服務，結合MEC與H-CRAN架構能極大提高用戶終端體驗質量。由于光前傳鏈路的傳輸時延和有限的帶寬制約，導致延遲敏感性任務和重流量負載應用的服務質量降低。因此，通過在距離RRHs較近的MBS或較遠的BBU池中動態部署移動邊緣計算服務器，利用移動邊緣計算的計算及存儲能力處理靠近網絡邊緣的用戶終端任務。首先介紹了結合移動邊緣計算系統的H-CRAN網絡架構，然后根據用戶終端接入網絡后產生的用戶關聯收益和計算資源分配成本，制定收入模型，最后闡明原始問題分解模型。

1.1 網絡架構

圖1是支持移動邊緣計算的H-CRAN架構模型。

在支持移動邊緣計算的H-CRAN架構模型中，采用時波分復用無源光網絡(Time and Wavelength Division Multiplexing Passive Optical Networks，TWDM-PONs)[21]作為RRHs與集中云的物理連接網絡，BBU由集中單元(Central Unit，CU)和分布單元(Distributed Unit，DU)兩部分[22]構成。所提模型中的移動邊緣計算結構由虛擬化基帶單元(Virtualized Based Band Unit，VBBU)和虛擬化移動克隆(Virtualized Mobile Clone，VMC)兩部分組成，VBBU和VMC均可以在虛擬機中利用NFV技術實現相應功能[23]。不同于已有文獻[24]集成C-RAN與MEC系統，并在移動邊緣計算服務器中聯合分配通信資源和計算資源，考慮在網絡資源有限的情況下，該異構網絡模型依據用戶終端的實際需求，在MBS或BBU池內部形成移動邊緣計算服務器，以此方式擴展網絡為用戶終端提供彈性化邊緣計算服務能力。

RRHs與用戶終端之間采用多輸入多輸出(Multiple Input Multiple Output，MIMO)天線系統。具體地，RRHs與用戶終端配備多根收發天線，二者以頻分復用的方式傳遞無線信號，用戶終端將特定的編碼信號傳送至接收端，RRHs端的多組天線解碼接收信號。傳統的協作多點傳輸(Coordinated Multipoint Transmission，CoMP)[25-26]技術本質上也是一種MIMO系統，二者的區別在于CoMP系統依靠協作RRHs集對用戶終端進行協作信號傳輸，相同點在于均能有效降低來自其他用戶終端的同頻干擾。MBS具有全局資源控制功能，用于均衡密集RRHs中的網絡流量負載。在RRHs分配頻譜資源時，用戶終端根據RRHs的可接入范圍和自身的信道質量要求確定任務卸載決策。由于傳統移動邊緣計算服務器固定獨自占用用戶終端需求最大化時的網絡資源，這造成任務處理量少的移動邊緣計算的計算資源和設備能耗浪費，而數據流量過載的移動邊緣計算服務器得不到滿足，因此，根據MEC-MBS上的流量負載和TWDM-PON波長資源的動態變化狀態，適時地將用戶終端的任務進一步卸載到MEC-BBUs中，從而實現所提架構的計算處理能力升級。

圖1 支持移動邊緣計算的H-CRAN架構模型

1.2 SP收益模型

通常情況下，計算密集型任務卸載會促使服務提供商成本增加，甚至會造成干擾信號較多的無線信道產生長傳輸時延，從而導致用戶終端的服務質量嚴重惡化。在網絡資源充足時，只要能保障用戶終端的服務質量，且服務提供商的總吞吐量收益不小于能耗成本，則允許用戶終端將自身任務卸載到移動邊緣計算服務器中。因此，考慮在帶有移動邊緣計算的H-CRAN網絡資源有限的情況下，多個用戶終端競爭任務卸載，服務提供商利用有限的資源使其利潤得以增長。定義由RRHk所構成的集合為K={1，2，…，K}，由UTn所構成的集合為N={1，2，…，N}，因為MBS具備BBU池基帶處理功能，故合并MEC-MBS1和MEC-BBUb的集合，其合并集合為B={1，2，…，B}，MEC-MBS1是集合B中的第一個元素，即BMBS={1}，而由MEC-BBUb所構成的集合為BBBU={2，…，B}。hn，k表示UTn與RRHk間的關聯信道增益，則用戶關聯吞吐量為

(1)

其中，Bn，k為信道帶寬，σ2為噪聲功率值，pn，k為UTn與RRHk間的關聯傳輸功率。UTn發送到RRHk的計算資源請求量為

Lk=θlog(1+rn)+Lφ，

(2)

其中，θ為信道帶寬參數，rn表示UTn的信號與干擾加噪聲之比，由于在計算資源分配過程中，快速傅里葉變換函數具有恒定的計算需求，故引入快速傅里葉變換函數的恒定計算需求量Lφ[27]。

在網絡資源能滿足用戶終端的資源需求時，假設網絡中的剩余VPON波長資源量Cvpon等于BBU池中移動邊緣計算服務器總的任務數據處理量，即

(3)

在移動邊緣計算增強的H-CRAN中，大量的用戶終端接入到密集部署的RRHs上，將直接導致服務提供商能耗成本的急劇增加。該部分成本主要有兩個方面，其中一部分來自MBS對密集用戶關聯矩陣進行繁重取逆運算時所產生的能耗成本，另一部分來自處理用戶終端任務數據時的設備功率成本。因此，定義服務提供商利潤函數為

(4)

maxΨsp。

RRHk將計算任務卸載到MBS上構成的RRHs集合為RMBS={1，2，…，R}，而卸載到BBU池中的RRHs集合為RBBU={R+1，R+2，…，K}。假設每對關聯UTn與RRHk均有J根天線，其收發天線集合J={1，2，…，J}，為確保有限的通信和計算資源滿足UTs的QoS要求，能耗感知的資源分配約束表達式如下：

(5)

(6)

(7)

(8)

λn，k∈{0，1}， ?n∈N， ?k∈K，

(9)

(10)

(11)

(12)

(13)

1.3 問題分解模型

(14)

(15)

網絡吞吐量和用戶關聯能耗聯合優化子問題的目標函數為

maxψ1。

(16)

約束條件如下：

(17)

(18)

(19)

(20)

(21)

λn，k∈{0，1}， ?n∈N， ?k∈K，

(22)

計算資源優化子問題的目標函數為

minψ2。

(23)

約束條件如下：

(24)

(25)

(26)

μk，b∈{0，1}， ?k∈K， ?b∈B，

(27)

(28)

2 能耗感知的通信和計算資源分配機制

在支持移動邊緣計算的H-CRAN架構中，既要滿足用戶終端的服務質量條件，又要合理地優化網絡資源分配情況，以維持服務提供商的正常運營狀態。筆者提出通信資源優化和移動邊緣計算資源優化機制，其包含兩個算法：通信資源分配算法和計算資源分配算法，使更多的用戶終端接入到網絡，以促進服務提供商獲得吞吐量收益，并通過降低基帶處理和網絡設備能耗方式節省服務提供商成本支出。

2.1 通信資源分配算法

現實情境中，城市環境里的信號傳輸具有大規模衰落特性，對于一些UTs與RRHs之間產生不影響用戶服務質量的小干擾信號，忽略不計。筆者所提網絡系統，基帶處理能力的提升將直接影響系統的整體功耗，這使提高EE成為刻不容緩的問題。RRHs與UTs之間采用MIMO技術連接，信道矩陣的非零元素數量取決于活躍RRHs和用戶終端的數量，集中式BBU池在波束成形時需進行大量的矩陣逆運算，這導致能耗成本增加。與此同時，大量的用戶終端接入到密集部署的RRHs上，這使計算復雜度較高。因此，筆者提出基于優質無線資源保留的用戶關聯算法，它將原始信道矩陣從MBS和RRHs的地理分布特征轉換為稀疏矩陣，降低了矩陣求逆運算的復雜度，進而降低關聯能耗成本。

(29)

(30)

信道矩陣H取逆后，由得到的波束成形矩陣G，可知實際的用戶傳輸矩陣為

X=GU，

(31)

其中，U為用戶矩陣。在滿足基本約束條件下，最大化目標函數式(16)，筆者所提稀疏矩陣用戶關聯算法的偽代碼如算法1所示。

算法1稀疏矩陣用戶關聯算法。

輸入：用戶終端的任務及其速率等要求，RRHs的服務半徑dk。

① 首先初始化無線資源最低SINR閾值ω，信道矩陣H

② forn∈Ndo

③ fork∈Kdo

④ if約束式(17)、(18)、(19)和(20)成立then

⑥ end if

⑨ end if

在上述過程中，盡管關閉干擾信號較大的傳輸信道會導致小區域RRHs吞吐量降低，但從整個網絡來看，保留了優質的無線傳輸信道，RRHs密集部署會產生接入能力增強的效果[10]，所以網絡的總吞吐量是增加的，又因減少了干擾信號所產生的能耗，故所提機制在節省能耗方面是可觀的，且能為用戶終端提供高質量的網絡服務。

2.2 計算資源分配算法

在MEC-MBS1或MEC-BBUb處理任務時，需要UTn的配置文件，主要用于計算和緩存UTn的任務數據。假設位于同一MEC服務范圍內的若干用戶終端均具有類似的任務卸載能力，這些用戶終端在執行完全相同的應用程序或類似的計算任務時，能有效地提高緩存效率，并節省存儲空間。一般而言，UTn從互聯網中獲取任務，這些數據經回傳鏈路從核心網絡傳輸到BBU池或MBS中，然后通過RRHk發送給UTn。為了最小化子問題二的目標函數，提出了一種協同計算卸載的啟發式算法，以降低網絡設備能耗。

(32)

同理，每個MEC-BBUb計算資源處理量為

(33)

又由于b∈B-{1}={2，…，B}，故有MEC-BBUs全部計算資源處理量為

(34)

因此，所提架構中MEC總基帶處理量為

(35)

根據用戶終端的實際計算任務請求量，動態地在MBS或BBU池中生成移動邊緣計算。采用充分利用移動邊緣計算服務器計算能力的方式，降低網絡設備能耗。因此，設計了如下計算資源分配算法。

算法2基于協同計算卸載的啟發式算法。

② fork∈Kdo

③ for MEC-MBS1do

⑤ 將RRHk任務卸載至MEC-MBS1，RRHk添加到集合RMBS={1，2，…，R}中

⑥ end if

⑦ end for

⑧ if約束式(24)成立 then

⑨β1=1； elseβ1=0

3 仿真分析

使用Matlab R2016a仿真平臺對所提MDD-PRAM算法進行性能評估，并與文獻[11]提出的協同計算卸載(Cooperations Computing Offloading，CCO)算法、文獻[15]提出的云優先霧最少波長維數啟發式(Cloud First Fog Least Wavelength Dimensioning Heuristic，CF-FL WDH)算法以及文獻[21]提出的聯合計算資源分配(Joint Computing Resource Allocation，JCRA)算法作對比。CCO算法將用戶任務調度到多個靜態部署的移動邊緣計算服務器中，以減輕原始移動邊緣計算服務器的重任務負荷。CF-FL WDH算法優先考慮將用戶任務卸載到集中云中處理，再分配霧節點支持流量傳輸所需的波長資源，進而降低網絡流量負載壓力。JCRA算法將用戶計算敏感型任務卸載至移動云無線接入網絡中，以保障服務質量并降低網絡能耗。主要仿真參數設置如表1所示。

表1 仿真參數設置

3.1 不同用戶數量下的性能分析

圖2為不同UTs數量下4種算法的網絡能耗變化趨勢圖。隨著用戶終端數量逐漸從20個遞增到110個的過程中，網絡能耗逐漸升高。JCRA算法能滿足用戶終端的服務質量，但網絡設備利用率不足，CF-FL WDH算法的用戶任務協作處理能力弱，致使設備能耗較高，此兩種算法的網絡能耗相近。CCO算法在分配頻譜資源時損失較多能耗，但移動邊緣計算協同計算卸載策略使網絡能耗在一定程度上降低。與上述3種算法相比，筆者所提MDD-PRAM算法在用戶關聯階段和任務卸載階段均采取節能措施，所以MDD-PRAM算法具有最節省能耗的特點，并且接入UTs數量越多時，MDD-PRAM算法的節能效果越顯著。

圖3為不同UTs數量下4種算法的網絡吞吐量變化趨勢圖。顯然，網絡吞吐量隨著用戶終端任務卸載量增加而呈現出單調遞減趨勢，當移動邊緣計算服務器接近飽和時，吞吐量變化趨勢逐漸平穩。在網絡設備利用率達到80%以上時，MDD-PRAM算法與CCO算法相比，吞吐量提升了大約13.5%，而與CF-FL WDH算法和JCRA算法相比，網絡吞吐量分別提高了24.96%和32.32%左右，可知MDD-PRAM算法具有最高的網絡吞吐量性能，其主要原因為：該算法在分配頻譜資源時，剔除了信道干擾噪聲較大的信號傳輸信道，僅保留符合UTs的服務質量要求的優質信號傳輸信道。

圖2 不同UTs數量下的網絡能耗

3.2 不同時刻下的性能分析

為了清晰地觀察4種算法在小規模網絡場景中的對比情況，給出了12個時刻下的變化趨勢圖。從圖4可知，從9時到15時，隨著業務流量逐漸增多，網絡能耗逐漸增加；從15時到21時，隨著業務流量逐漸減少，網絡能耗逐漸減小，業務流量與網絡能耗呈正相關關系。CF-FL WDH算法僅考慮當云中資源耗盡時，在距離用戶終端近的霧節點中處理任務數據，造成了設備資源浪費，故4種算法中，CF-FL WDH算法的節能效果最劣，其次是JCRA算法。在不同時刻，隨機任務從用戶終端端傳遞到網絡端，由于MDD-PRAM算法節省了處理干擾信號時產生的能耗浪費，并提高MEC服務器的設備資源利用率，與CCO算法相比平均節省了大約35%的能耗，具有最優的節能效果。

圖4 不同時刻下的網絡能耗圖

圖5反映了網絡吞吐量在12個時刻下的變化情況。不同時刻，100個用戶終端的業務流量隨機到達，但顯然可知，從9時到21時，所提MDD-PRAM算法具有最優的網絡吞吐量性能，主要原因是，當用戶終端的服務質量要求較高時，MDD-PRAM算法能有效節省傳輸干擾信號時的頻譜資源浪費，保證更多的頻譜資源用于傳輸用戶終端的業務流量。CCO算法具有次優的網絡吞吐量傳輸性能，而CF-FL WDH算法和JCRA算法的吞吐量性能相近且較劣。

3.3 不同算法的阻塞概率比較

不同業務流量對前傳鏈路阻塞概率的影響如圖6所示。

圖6 不同業務流量對阻塞概率的影響

隨著用戶終端上傳至網絡的業務流量增多，光網絡阻塞概率逐漸遞增。由于CCO算法和JCRA算法并無有效的前傳鏈路流量控制機制，所以這兩種算法沒有體現出良好的降低光網絡阻塞概率的效果。而CF-FL算法，考慮了在離用戶終端近的RRH上形成MEC功能，能在一定程度上減輕前傳負載，然而該算法是優先考慮將任務卸載至云中處理，故降低阻塞概率效果不是最佳的。

筆者所提MDD-PRAM算法優先考慮將任務卸載至MEC-MBS中處理，再進一步考慮將任務卸載至MEC-BBU中處理，這種策略能有效減輕光前傳鏈路的流量負載。對于大流量任務而言，網絡阻塞概率一定程度地影響著用戶終端請求網絡資源的意愿，MDD-PRAM算法能使光網絡的阻塞概率處于合理范圍，當網絡阻塞概率不影響用戶服務質量時，服務提供商能夠獲得相對恒定的用戶終端接入量，使服務提供商收益穩定性更佳。

4 結束語

筆者提出了一種帶有移動邊緣計算的能耗感知H-CRAN架構，通過建立服務提供商收益模型，在滿足各約束條件下，以犧牲局部用戶終端收益為代價，從整體上獲得最大化運營商利潤。為了降低收益函數的計算復雜度，將原始問題分解為兩個子問題。一方面，提出了一種基于稀疏矩陣波束成形算法，以節省用戶關聯能耗，并通過通信資源分配提高網絡吞吐量；另一方面，基于協同計算卸載的計算資源分配算法確定卸載決策，減少計算設備能耗。仿真結果表明，所提方案不僅能增加運營商利潤，還能降低光纖前傳鏈路的阻塞概率，以提高用戶服務質量。