移動邊緣計算在車聯(lián)網(wǎng)中的應(yīng)用

焦 嘉，劉金花（通訊作者）

（湖南信息職業(yè)技術(shù)學(xué)院 湖南 長沙 410203）

0 引言

移動邊緣計算（mobile edge computing，MEC）最近已經(jīng)成為一種新的計算范例。MEC是一種新型的網(wǎng)絡(luò)架構(gòu)概念，它集成了IT服務(wù)環(huán)境和云計算功能，MEC主要實現(xiàn)計算密集型和延遲關(guān)鍵型應(yīng)用，大幅縮短延遲和移動能源消耗。

蜂窩基站（BS），被認為是MEC的關(guān)鍵推動因素，具有類似于云計算的存儲功能，為最終用戶的計算請求服務(wù)，換句話說，MEC-BS可以幫助移動終端來處理服務(wù)[1-2]，加速進程并減少服務(wù)耗能，同時增強用戶體驗。在本文中我們研究了基于ARIMA模型和LSTM模型的計算卸載方法，在用戶的移動過程中，得到一系列移動終端任務(wù)的接受概率和駐留時間，從而來預(yù)測下一個時刻的可用性，得到的目標函數(shù)通過博弈理論為車輛制定了最優(yōu)卸載策略[3]。

1 系統(tǒng)架構(gòu)

圖1是我們提出的基于MEC-BS的移動預(yù)測系統(tǒng)框架。本架構(gòu)利用MEC-BS提供的計算資源實現(xiàn)了MEC-BS的接收控制、移動終端的位置、移動終端的速度等信息提取，通過算法預(yù)測功能，將數(shù)據(jù)通過計算流的方式從一個模塊傳輸?shù)较乱粋€模塊，從而更加便捷地實現(xiàn)了移動性預(yù)測。

2 可用性數(shù)據(jù)描述

2.1 預(yù)測基于距離優(yōu)先級的MEC-BS準入控制

MEC-BS可能會拒絕接受來自用戶的卸載請求，因此，MEC-BS的準入控制是影響MEC-BS可用性的一個重要因素，我們設(shè)計了一個類似于基于距離優(yōu)先級的準入控制策略[4-5]。也就是說，同一云小區(qū)覆蓋范圍內(nèi)的用戶根據(jù)他們同時卸載時與云端的距離而具有不同的優(yōu)先級。準入控制政策可能有所不同，其他的準入控制策略也同樣適用。

在計算MEC-BS可用性的準入控制（下文又稱接收概率）時，可以理解為一個MEC端的在線請求接納問題。因為用戶的移動性和有限的MEC資源，使得對MEC的準入控制算法的設(shè)計尤其具有挑戰(zhàn)性。因此我們只考慮在覆蓋區(qū)域中并且卸載給MEC-BS的活動終端設(shè)備的外部服務(wù)比率（ESR）。對于同一終端v和同一覆蓋范圍內(nèi)的其他終端Vi（i∈{1,2…}），ESR的定義如下：

通過公式（1），我們可以得出位于MEC-BS較近的車輛擁有相對較大的ESR。

2.2 移動性問題：預(yù)測駐留時間

圖2中顯示了移動終端在MEC-BS覆蓋范圍內(nèi)駐留時間的計算模型，其中R是MEC-BS的覆蓋半徑，d是MECBS的覆蓋范圍內(nèi)的穿越距離(0＜d＜2R)，變量α表示移動設(shè)備軌跡方向與MEC-BS之間的角度，α∈(0,π)，r代表移動設(shè)備與MEC-BS之間的距離，h代表幾何高度。

假設(shè)該模型移動終端的移動速度和方向在一段時間內(nèi)沒有變化，我們可以得出以下結(jié)論：

移動終端v在 MEC-BS 覆蓋范圍內(nèi)的駐留時間T由下式給出：

所以相對時間是：

其中T表示在通信范圍內(nèi)的預(yù)計駐留時間，τ表示完成任務(wù)所需的時間。

2.3 基于ARIMA模型預(yù)測下一個位置的可用性

ARIMA預(yù)測模型算法的過程如下：首先對數(shù)據(jù)進行差分處理，以將不平穩(wěn)的時間序列中的數(shù)據(jù)轉(zhuǎn)換為穩(wěn)定時間序列中的數(shù)據(jù)，然后使用ARMA模型以進行數(shù)據(jù)分析。差分運算原理是提取時間序列數(shù)據(jù)的特征（如季節(jié)性和趨勢），這些特征會影響數(shù)據(jù)的穩(wěn)定性，從而實現(xiàn)序列數(shù)據(jù)從非平穩(wěn)轉(zhuǎn)向平穩(wěn)。

2.4 基于EMD和LSTM的可用性分析

2.4.1 EMD分解

經(jīng)驗?zāi)Ｊ椒纸猓‥MD）主要是對數(shù)據(jù)進行信號分解，它依據(jù)數(shù)據(jù)自身的時間尺度特征而不需要預(yù)先設(shè)定基函數(shù)。

使用EMD，原始時間序列可以被分解成有限數(shù)量的固有模態(tài)功能(IMFs)，逐漸具有不同的時間尺度。因為其分解是局部進行的，所以具有自適應(yīng)性。

2.4.2 LSTM預(yù)測方法

深度學(xué)習(xí)的出現(xiàn)為預(yù)測方法提供了新的思路。卷積神經(jīng)網(wǎng)絡(luò)(CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN)、深度置信網(wǎng)絡(luò)(DBN)和長短時記憶(LSTM)都是比較經(jīng)典常用的深度學(xué)習(xí)預(yù)測方法。

常規(guī)的神經(jīng)網(wǎng)絡(luò)模型選擇提取附近信息的特征，當距離目標信息有一定的距離時不能很好地進行信息交互，我們稱這種情況為長時依賴問題（或者梯度消失問題）。因為長期短期記憶（LSTM）方法[6]具有處理長期和短期依賴性的能力，所以本文選擇LSTM作為預(yù)測短期 MEC 資源的可用性，每次積累來自輸入數(shù)據(jù)的信息時，都可以儲存數(shù)據(jù)的特征以補償傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型的缺點。

3 仿真實驗與結(jié)果分析

3.1 評估LSTM模型

在本節(jié)中我們利用LSTM模型來預(yù)測移動設(shè)備終端的移動性，如圖3（a）為IMF1，圖3（b）為IMF4所示，我們分別基于IMF1和IMF4來評估LSTM模型。在這兩個圖中，我們使用了500個數(shù)據(jù)集（本文使用的數(shù)據(jù)集為谷歌集群數(shù)據(jù)data-2011-2），描述了在一定時間約束下進行的任務(wù)卸載[7-8]，這與我們研究的情況非常類似，其中前495個數(shù)據(jù)為訓(xùn)練集，后5個數(shù)據(jù)為測試集。從圖3中我們可以很明顯地看到這兩條曲線是非常接近的。

3.2 評估MEC-BS的可用性

在2.2節(jié)的計算模型中，需要使用到MEC-BS的可用性，為了驗證所提出的移動性模型，我們模擬具有不同終端設(shè)備移動性模式的3種情況，見圖4（a），在選擇移動路徑時具有不同的選項：離心、向心和隨機方向。在移動設(shè)備離開MEC-BS覆蓋區(qū)域之前的任何時間，終端可以開始卸載任務(wù)[9-10]并接收結(jié)果。我們記錄任務(wù)卸載成功執(zhí)行的概率[11]。對于每種移動模式，獨立測試4 000個樣本，MEC-BS覆蓋半徑范圍為5～70 m。圖4（b）顯示的是我們根據(jù)實驗的分析結(jié)果，當移動終端設(shè)備選擇離心移動（即最壞情況）時，任務(wù)卸載成功的概率遠遠比向心移動（最佳情況）的時候更小，這是因為移動終端在做離心移動時停留的時間相對較短，所以此時的MEC-BS可用性相對更低。

4 結(jié)語

目前車聯(lián)網(wǎng)架構(gòu)下的計算卸載問題和移動性問題的分析應(yīng)用已經(jīng)是現(xiàn)階段通信技術(shù)研究的熱點和難點，因此，為了提高用戶體驗，進一步優(yōu)化性能，本文研究了車聯(lián)網(wǎng)中基于移動性預(yù)測的邊緣計算任務(wù)卸載優(yōu)化問題，達到了比較好的效果。分別構(gòu)建基于ARIMA和LSTM的預(yù)測模型，同時對上述兩種算法進行了比較，ARIMA模型通過分析歷史數(shù)據(jù)得到當前預(yù)測值，并沒有保存歷史數(shù)據(jù)的特征，而LSTM模型的數(shù)據(jù)是三維變量，輸入的數(shù)據(jù)不僅有時序性變化趨勢，也與變化趨勢特征有關(guān)，所以在本文實驗部分選取基于EMD分解和LSTM的預(yù)測算法進行深入研究。最后仿真結(jié)果表明，本方案相對于其他不考慮MEC可用性及本地執(zhí)行等方案都能在大多數(shù)情況下取得最好的性能。