基于MEC技術的移動網絡資源安全分配算法研究

趙麗紅

(安徽文達信息工程學院 計算機工程學院，合肥 231201)

無線通信技術的飛速發展和各種智能終端設備的日益普及[1]，移動網絡從2G時代邁向5G時代。新時代的到來有效解決了網絡傳輸時延問題[2-3]，但是有關移動邊緣計算(MEC)的資源分配問題依舊面臨大量的難題。為了獲取高效且穩定的資源分配算法，需要有效解決當前存在的問題。相關專家給出了一些較好的研究成果，王偉等[4]使用分布優化算法分別對功率分配因子和傳輸功率進行優化，得到閉式解；同時利用迭代算法對原始問題進行求解，獲取對應的次優解，進而達到資源分配的目的。文凱等[5]通過線性相關方法獲取用戶可復用的蜂窩用戶集合，結合用戶對應功率調節通話質量，同時將最大吞吐量設定為優化目標，根據匈牙利算法獲取最優匹配結果。上述兩種算法雖然能夠有效降低外界干擾，但是仍然存在一系列問題。為此，提出一種基于MEC技術的移動網絡資源安全分配算法。仿真實驗結果表明，所提算法能夠獲取較為滿意的資源分配結果。

2 算法

2.1 基于MEC技術的移動網絡資源安全分配模型

隨著移動通信技術的飛速發展，用戶對于網絡服務質量的要求日益提升。為了在通信網絡中實現更低的時延和能耗，需要加入MEC技術，MEC技術能夠加強系統的綜合性能[6]。

在圖1所示的系統模型中，需要綜合考慮同一小區多個用戶的場景，由于各個小區分別在不同的位置部署不同的小基站，所以需要在有線的連接范圍內設定宏基站。在宏基站側面放置一個MEC服務器，設定共有n個小區，MEC服務器主要負責用戶集合，由于宏基站的容量具有一定限制，能夠將其連接到宏基站對應的信道集合。

圖1 系統模型

分析邊緣云網絡的特性，用戶的相關任務能夠在本地執行，也可以選擇將任務卸載到MEC服務器執行。在5G網絡中，可以將MEC服務器部署到宏基站附近，在宏基站覆蓋范圍內的各個小區又分別部署不同的小基站，由小基站組成來自不同小區的用戶。當用戶選擇將計算任務卸載到MEC服務端執行后[7-8]，主要有兩種方式進行路徑卸載，分別為：

(1)用戶將計算任務卸載至SeNB，利用SeNB和MeNB之間的回程傳輸將任務卸載到MEC服務器上執行。如果某個小區的負荷過大，任務卸載過程也需要花費大量的時間，無法達到網絡負載均衡。

(2)根據用戶的時延敏感型業務能夠直接利用MeNB將計算任務全部卸載到MEC服務器上執行。

假設每個用戶都具有計算密集型以及延遲敏感型任務，各個用戶均能夠利用和其存在關聯的SeNB或者MeNB直接進行任務卸載，以下主要從MEC角度出發，得到一種高效率高精度的資源分配方式，確保利益最大化[9]。由于不同設備之間的計算能力和通信能力存在十分明顯的差異，選擇不同方式的開銷也存在差異。

在系統模型中，MeNB和一個MEC服務器相連，各個SeNB連接到MeNB中，所以用戶可以將任務直接卸載到MEC服務器上執行，對應的小基站集合為：

N={1,2,…,n}

(1)

和小基站n相連的用戶集合為：

Kn={1,2,…,kn}

(2)

當用戶執行本地計算時，不需要進行數據傳輸，用戶kn可以直接將任務卸載到MEC服務器執行[10]。結合香農定理能夠獲取信道容量對應的計算式：

(3)

式中，pkn代表用戶kn的發送功率密度；Gkn,n代表不同用戶之間的信道增益。

在計算模型中，由于各個用戶均包含一個計算任務，具體的表達形式為：

(4)

為了進一步簡化操作流程，需要分析SeNB和MeNB之間的回程，設定不同任務之間主要利用有線光纖連接，由于傳輸帶寬有限，回程的傳輸時延和數據的長度成正比，利用香農定理獲取用戶接入到MeNB上的數據傳輸速率，即：

(5)

同時，也能夠通過上述原理獲取用戶kn根據信道接入到SeNB時的數據傳輸速率：

(6)

以下給出具體的執行過程：

(1)本地計算：

針對本地計算模式而言，用戶對應的計算任務在本地執行，其中本地執行時間對應的計算式為：

(7)

(2)直接利用MeNB卸載任務：

總時間主要包含用戶設備到MeNB的無線上行傳輸時間[11-12]，即MEC服務器執行全部任務所花費的時間，具體的計算式為：

(8)

為了全面研究不同計算卸載方式對系統總體收益的影響。設定計算任務為一個常數，則用戶kn到MeNB的總上行傳輸速率計算式為：

(9)

總體的能量消耗為：

(10)

(11)

(3)用戶主要利用小基站完成任務卸載：

采用SeNB卸載任務總時間開銷主要是指用戶kn到SeNB之間的上行傳輸時間以及執行等時間總和[13]，即：

(12)

φ代表單位數據的回程傳輸時延系數，其中上行傳輸速率為：

(13)

在上述分析的基礎上，通過MEC服務器中有限的網絡資源，構建多小區場景下移動網絡資源安全分配模型：

pij=ρ·QoS

(14)

2.2 基于多目標蟻群算法的模型求解

蟻群優化算法是一個用于解決組合優化的分布式算法。當采用蟻群算法進行移動網絡資源安全分配模型求解時，具體的操作流程如下：

(1)將信息素和啟發信息等參數進行初始化處理；

(2)將各個任務全部分配給一個螞蟻，當任務Ti成功分配給資源Rj時，同時將其記錄在禁忌表中；

(3)針對后續的任務重復上述操作流程，直至禁忌表中沒有任何任務記錄才算實現資源分配。

設定τ(Ti,Rj)代表任務分配到資源的信息素，在初始化階段信息素對應的計算式為：

τ0=1/[n·(P(S0)+W(S0))]

(15)

式中，S0代表使用解決裝箱問題的降序首次適應算法獲取的解；W(S0)代表資源浪費量；P(S0)代表S0求解結果對應的能耗，對其進行歸一化處理，則能夠獲取以下的計算式：

(16)

為了求解模型的最優解，需要采用如下方式，詳細的操作步驟如下：設定gk(Ti,Rj)代表在第k次迭代過程中任務終止時間和限制資源集。所以，在第k次迭代的過程中[14]，任務Ti選擇資源Rj完成資源分配的概率如下所示：

(17)

當一個螞蟻經過全部的簇后就形成了一條路徑，該條路徑即為問題的可行解。為了有效確保解的質量，同時避免陷入局部最優狀態，采用蟻群優化算法對模型的求解過程如下：

(1)將全部參數進行初始化處理，同時確定不同目標的權重；

(2)螞蟻開始循環；

(3)隨機放置若干只螞蟻，同時組建搜索空間；

(4)計算螞蟻的節點轉移概率；

(5)當螞蟻到達新的節點之后，需要實時更新路徑上的信息素，對禁忌表進行校正[15]；

(6)重復步驟(3)到步驟(5)，直至蟻群中的全部個體都能夠獲取可行的路徑；

(7)對全部路徑進行評價并且獲取當前最優路徑；

(8)更新全局信息素；

(9)迭代次數增加，假設迭代次數達到最大迭代次數，則停止搜索，獲取移動網絡資源安全分配模型的最優解。

3 仿真實驗

為了驗證所提基于MEC技術的移動網絡資源安全分配算法的有效性和可行性，實驗主要通過Cloudsim平臺進行仿真測試。

實驗分別從運營成本、資源浪費以及移動網絡資源安全分配時間3個角度對算法的性能進行測試，具體實驗結果如下所示：

圖2 運營成本比較

表1 資源浪費比較

表2 移動網絡資源安全分配時間比較

分析上述實驗數據可知，相比另外兩種算法，所提方法的運營成本明顯更低，資源浪費情況明顯減輕，整體的時延也得到明顯降低，由此全面驗證了所提算法的有效性和優越性。

4 結語

針對傳統資源分配算法存在的一系列問題，設計并提出一種基于MEC技術的移動網絡資源安全分配算法。仿真實驗結果表明，所提算法不僅能夠有效降低運營成本以及資源浪費情況，同時還能夠減少分配時間。由于時間以及人為等相關因素的限制，導致所提算法仍然存在一定的不足，后續將重點針對以下幾方面的內容進行研究：

(1)進一步優化資源分配配置，使其獲取更加理想的分配結果。

(2)在算法中引入功率控制或者資源定價等相關因素，以此完成更加全面的資源分配。