一種基于混合NOMA的IRS-MEC系統能量效率優化方案

摘 要：在移動邊緣計算系統（MEC）中結合智能反射面（IRS）和資源分配策略以提高系統能量效率是當前國內外研究的熱點?；诨旌戏钦欢嘀罚∟OMA）傳輸模式，通過對用戶的本地運算頻率、傳輸功率、傳輸時間和智能反射面離散相移的聯合優化，實現智能反射面輔助的移動邊緣計算系統能量效率最大化。由于優化過程涉及難以求解的非凸分式規劃問題，提出了Dinkelbach-SCA的兩步迭代算法：首先利用Dinkelbach方法將初始問題轉換成易于求解的形式，通過分離變量對智能反射面離散相移進行優化；其次為了解耦傳輸功率與時間之間的耦合關系，引入輔助變量，并結合逐次凸逼近（SCA）方法將非凸問題轉換成凸問題，求出優化解。仿真結果表明采用的系統方案的能量效率優于其他對比方案，并發現系統的能量效率隨用戶2的最小計算數據量減少而提升。

關鍵詞：智能反射面；能量效率；混合NOMA；移動邊緣運算；資源分配

中圖分類號：TP393.04 文獻標志碼：A

文章編號：1001-3695（2023）02-038-0544-05

doi：10.19734/j.issn.1001-3695.2022.06.0312

Energy efficiency optimization scheme of IRS-MEC system based on hybrid NOMA

Zhao Yu，Tang Dong，Zhou Fasheng，Zhao Sai，Huang Gaofei

（School of Electronics amp; Communication Engineering，Guangzhou University，Guangzhou 510006，China）

Abstract：In MEC combining IRS and resource allocation strategies to improve system energy efficiency is a current hot topic of research at home and abroad.This paper aimed to maximize energy efficiency in IRS-assisted MEC system through joint optimization of the computing frequency at users，transmit power and time，and the IRS discrete phase-shift based on the transmission mode of hybrid non-orthogonal multiple access.Since the optimization process involved non-convex fractional programming problems that are difficult to solve，this paper proposed a Dinkelbach-SCA algorithm with two iterative-steps.Firstly，this paper converted the initial problem into a tractable form via Dinkelbach’s method，optimization of IRS discrete phase shift by separating variables.Then，by introducing auxiliary variables，and leveraging successive convex approximation，the paper decoupled the relationship between transmit power and time while converted the non-convex problem to a convex one.Hence，the paper could obtain optimal solution.The simulation results show that the energy efficiency of the proposed system scheme is better than other comparison ones，and the energy efficiency of the system increases with the decrease of the minimum computational data amount of user 2.

Key words：intelligent reflecting surface（IRS）；energy efficiency；hybrid noma；mobile edge computing（MEC）；resource allocation

0 引言

隨著物聯網（Internet of Things，IoT）技術在無人駕駛、工業互聯網、智能家居/城市等領域的廣泛應用，物聯網設備本身資源有限而無法滿足網絡中低能耗和高能效的需求［1］。將移動邊緣計算（MEC）引入IoT，可緩解IoT設備運算負擔的同時提升系統的性能［2］。然而，當無線IoT信道阻塞或者信道條件差時，則需要一種符合物聯網低功耗要求的輔助通信手段。近來出現的智能反射面（IRS），因其可通過人為調節入射信號的振幅或者相移來改善收發信端的通信條件，同時兼具低成本、低功耗和易于部署等優點，成為研究熱點［3，4］。

近期已有學者基于MEC開展了IRS的研究。文獻［5］考慮多用戶場景，采用NOMA的傳輸方式，對系統總的能量消耗最小化進行優化分析，并以TDMA作為基本比較方案，得出以NOMA協議的方案性能要優于TDMA的方案。文獻［6］考慮了IRS輔助的MEC系統，提出一種時間共享的NOMA傳輸方式，即NOMA和TDMA在不同場景下進行轉換傳輸，以實現系統延遲最小化。文獻［7］研究優化IRS輔助的MEC系統的能量效率，通過對接收機波束、卸載功率、相移矩陣和本地計算頻率的聯合設計，實現在低功耗的情況下運算更多的數據量。

考慮到非正交多址（non-orthogonal multiple access，NOMA）技術的高頻譜利用率和高能量效率等優勢［8］，文獻［9］采用混合NOMA（hybrid NOMA）的傳輸方式以保證MEC系統中用戶卸載數據無法同時達到基站的困難。文獻［10］研究兩用戶利用混合NOMA傳輸的場景，通過優化時間、功率和用戶間分組實現延遲和能耗的權重和最小化。

另一方面，能量效率（energy efficiency）在工業領域中作為一種關鍵的衡量指標，定義為總數據量與消耗能量之比，能夠揭示MEC運行狀態［11，12］。文獻［13］提出了在MEC系統中，采用梯度下降算法，優化最大化用戶能量效率的權重和。文獻［14］考慮了下行無線供電及上行數據卸載的MEC系統，將運算能量效率最大化作為優化目標，并得出部分計算卸載模式的性能優于二進制計算卸載模式，NOMA的運算效率優于TDMA。文獻［15］考慮基于用戶協作的無線供電MEC系統，采用NOMA的傳輸方式，聯合設計能量波束、時間和功率分配以實現最大化能量效率。

如上所述，在IRS輔助的MEC系統中，文獻［7］揭示了采用NOMA的能量效率，而當用戶的信道條件和數據量不同時，采用NOMA并不能保證數據同時到達接收端［9］。雖然文獻［6］考慮了混合NOMA以解決NOMA的弊端，但僅僅研究了延遲最小化，對于能量效率的研究仍未可知。因此，不同于以上研究，本文考慮在混合NOMA的傳輸模式下，通過對用戶本地的運算頻率、傳輸功率、傳輸時間和智能反射面離散相移的聯合優化，實現智能反射面輔助的移動邊緣計算系統的能量效率最大化。由于描述的問題為分式規劃的非凸問題，為此，提出Dinkelbach-SCA兩步迭代優化算法求得優化解。

1 系統模型

系統模型如圖1所示。本文考慮了IRS輔助的MEC系統，其由K個單天線用戶、一個智能反射面、一個單天線基站（base station，BS）以及BS端的一臺MEC服務器組成。服務器無功率約束并連接電網，因此可忽略掉在運算過程的能量以及時間消耗；假設IRS的振幅為1，相移為離散的，并由N個反射超表面組成，每個超表面由V個相同反射系數的相鄰單元組成［16］。性能有限的K個用戶被分入不同的子信道，且兩個用戶共用一個子信道［6］，同一子信道中的兩用戶采用混合NOMA的傳輸方式，即混合NOMA表示兩個用戶開始采用NOMA傳輸方式，而由于其中一用戶無法在NOMA期間將數據傳輸完成，之后采用單獨的時間塊傳輸剩余數據［9］。在IRS的輔助下，所有用戶在Tmax內同時將部分數據卸載到MEC服務器上運算。在接下來的描述中，將集中在一個子信道中的設計，這樣的設計同樣適用于其他子信道。

如圖3所示，考慮IRS與用戶為對稱部署，兩用戶有相同的最小計算數據量，為5×105 bit。圖中展示了在不同最大完成時間下，各方案的能量效率的變化情況。其中不難發現，隨著最大完成時間的增大，各方案的能量效率在增大；這是因為，當最大完成時間增加，計算相同的數據量時，消耗的能量相對較少。在圖中有IRS輔助方案要明顯好于無IRS輔助方案的能量效率，進一步驗證IRS能夠明顯地提高系統的性能。

此外，還可觀察到，相比于其他對比方案，所提方案能夠實現較大的能量效率，但對于TDMA優化相移方案的優勢較小。這是因為在IRS輔助下，能夠極大改善系統的信道條件，使得數據計算的能量效率明顯提高；然而在這種情況下，卸載數據更加偏向在信道條件相對較好的IRS相關鏈路進行傳輸，直接鏈路的數據傳輸相對較小，雖然所提方案的混合NOMA模式能夠自適應調節NOMA與TDMA的時間分配比例，但是此時在IRS相關鏈路更有利于TDMA方案的傳輸，在直接鏈路中混合NOMA的傳輸仍有較大優勢，這也就導致所提方案在對稱位置部署時優于TDMA優化相移方案的性能，但優勢較小。

不同于圖3的位置設定，圖4設定IRS與用戶為非對稱部署，用戶1最小計算數據量不變，為5×105 bit。圖中顯示了在不同的用戶2最小計算數據量下，各方案能量效率的變化情況?？梢钥闯鲭S著用戶2最小計算數據量增加，各方案能量效率不斷降低； 因為，為了滿足更大的用戶計算數據量需求，在其他條件不變的情況下，能量消耗的增長速度要快于數據量的增長速度。此外不難發現，所提方案明顯好于其他對比方案，且在非對稱部署的情況下，所提方案明顯優于TDMA優化相移方案，而這種情況不同于圖3；主要原因為IRS相關鏈路更有利于NOMA方案的傳輸，在這種情況下，所提方案將更多的時間比例分配給NOMA的傳輸方式，使得系統的能量效率達到最優。而相對于所提方案最優相移，所提方案的性能占其95%，可以看出，優化離散相移的情況下，依然能夠獲得較好的性能。

圖5與圖4有相同的位置設定，兩用戶有相同的最小計算數據量為5×105 bit。圖5描述了對于不同IRS元素的數目，各方案能量效率的變化情況。具體地，隨著IRS元素數目的增加，以能量效率為優化目標的方案增大速度較為明顯，所提方案相比于其他對比方案，能夠實現較好的性能。而以吞吐量為優化目標的方案增長較為緩慢，采用TDMA方案要優于混合NOMA方案。主要在于隨著IRS元素數目增大，IRS相關鏈路的信道條件變得更有利于數據的傳輸，更多的數據會在該鏈路，使得系統能量效率更優；且采用混合NOMA模式能夠自適應地調節NOMA和TDMA的時間分配比例，在非對稱部署下，利于NOMA傳輸，使得所提方案具有較好的性能；然而在以吞吐量最大化為優化目標的混合NOMA方案犧牲了其對應的能量效率，導致混合NOMA方案下的能量效率相對較小。

圖6與圖5有相同的位置設定，兩用戶有相同的最小計算數據量，為5×105 bit。圖6描述了對于不同IRS元素數目，各方案吞吐量的變化情況。其中，以吞吐量最大化NOMA相比于其他方案能夠實現較好的性能，遠好于吞吐量最大化TDMA的方案，但是由圖5可知，其對應的能量效率要略低于吞吐量最大化TDMA。圖中所提方案的吞吐量要優于TDMA優化相移，而由圖5中不難發現，所提方案的能量效率也高于TDMA優化相移；主要在于非對稱部署下，導致兩用戶的信道差異較大，更利于自適應調節的混合NOMA傳輸，TDMA最優相移對應的吞吐量要低于混合NOMA的方案，在這種情況下，TDMA模式消耗的能量相對較多，導致能量效率較小。同時可以發現，在IRS輔助的MEC系統中，吞吐量最大化和能量效率最大化的資源分配策略的不同。

4 結束語

本文基于IRS輔助混合NOMA的MEC系統的研究，通過對本地運算頻率，用戶傳輸數據的時間塊，傳輸功率以及IRS的離散相移優化，并提出了基于Dinkelbach-SCA的兩步迭代優化算法，實現用戶端運算能量效率最大化。仿真結果驗證了所提算法在混合NOMA方案下具有較好的性能。下一步將研究在混合NOMA傳輸的IRS-MEC系統場景下，假設物聯網用戶為單核，MEC運算過程不可忽略的情況，系統的能量效率問題。

參考文獻：

［1］Guo Fengxian，Yu F R，Zhang Heli，et al.Enabling massive IoT toward 6G：a comprehensive survey［J］.IEEE Internet of Things Journal，2021，8（15）：11891-11915.

［2］Mao Yuyi，You Changsheng，Zhang Jun，et al.A survey on mobile edge computing：the communication perspective［J］.IEEE Communications Surveys amp; Tutorials，2017，19（4）：2322-2358.

［3］Wu Qingqing，Zhang Shuowen，Zheng Beixiong，et al.Intelligent reflecting surface-aided wireless communications：a tutorial［J］.IEEE Trans on Communications，2021，69（5）：3313-3351.

［4］孫巍，宋清洋，郭磊.智能反射表面輔助的無線攜能通信網絡資源分配算法［J］.通信學報，2022，43（2）：34-43.（Sun Wei，Song Qingyang，Guo Lei.Resource allocation algorithm for intelligent reflecting surface-aided SWIPT networks［J］.Journal on Communications，2022，43（2）：34-43.）

［5］Li Zhiyang，Chen Ming，Yang Zhaohui，et al.Energy efficient reconfi-gurable intelligent surface enabled mobile edge computing networks with NOMA［J］.IEEE Trans on Cognitive Communications and Networking，2021，7（2）：427-440.

［6］Zhou Fasheng，You Changsheng，Zhang Rui.Delay-optimal scheduling for IRS-aided mobile edge computing［J］.IEEE Wireless Communications Letters，2021，10（4）：740-744.

［7］Wang Qun，Zhou Fuhui，Hu Han，et al.Energy-efficient design for IRS-assisted MEC networks with NOMA［C］//Proc of the 13th International Conference on Wireless Communications and Signal Proces-sing.2021：1-6.

［8］Dai Linglong，Wang Bichai，Ding Zhiguo，et al.A survey of non-orthogonal multiple access for 5G［J］.IEEE Communications Surveys amp; Tutorials，2018，20（3）：2294-2323.

［9］Sheng Min，Dai Yanpeng，Liu Junyu，et al.Delay-aware computation offloading in NOMA MEC under differentiated uploading delay［J］.IEEE Trans on Wireless Communications，2020，19（4）：2813-2826.

［10］Zhu Jianyue，Wang Jiaheng，Huang Yongming，et al.Resource allocation for hybrid NOMA MEC offloading［J］.IEEE Trans on Wireless Communications，2020，19（7）：4964-4977.

［11］Zappone A，Jorswieck E.Energy efficiency in wireless networks via fractional programming theory［J］.Foundations and Trends in Communications and Information Theory，2015，11（3-4）：185-396.

［12］吳啟暉，吳偉.無人機輔助邊緣計算的能量效率最大化算法設計［J］.通信學報，2020，41（10）：15-24.（Wu Qihui，Wu Wei.Algorithm design on energy efficiency maximization for UAV-assisted edge computing［J］.Journal on Communications，2020，41（10）：15-24.）

［13］Sun Haijian，Zhou Fuhui，Hu R Q.Joint offloading and computation energy efficiency maximization in a mobile edge computing system［J］.IEEE Trans on Vehicular Technology，2019，68（3）：3052-3056.

［14］Zhou Fuhui，Hu R Q.Computation efficiency maximization in wireless-powered mobile edge computing networks［J］.IEEE Trans on Wireless Communications，2020，19（5）：3170-3184.

［15］Su Binbin，Ni Qiang，Yu Wenjuan，et al.Optimizing computation efficiency for NOMA-assisted mobile edge computing with user cooperation［J］.IEEE Trans on Green Communications and Networking，2021，5（2）：858-867.

［16］You Changsheng，Zheng Beixiong，Zhang Rui.Channel estimation and passive beamforming for intelligent reflecting surface：discrete phase shift and progressive refinement［J］.IEEE Journal on Selected Areas in Communications，2020，38（11）：2604-2620.

［17］Zheng Beixiong，Wu Qingqing，Zhang Rui.Intelligent reflecting surface-assisted multiple access with user pairing：NOMA or OMA？［J］.IEEE Communications Letters，2020，24（4）：753-757.

［18］Wu Qingqing，Tao Meixia，Ng D W，et al.Energy-efficient resource allocation for wireless powered communication networks［J］.IEEE Trans on Wireless Communications，2016，15（3）：2312-2327.

［19］Boyd S P，Vandenberghe L.Convex optimization［M］.Cambridge：Cambridge University Press，2004.

［20］Ren Qiqi，Chen Jian，Abbasi O，et al.An application-driven nonorthogonal-multiple-access-enabled computation offloading scheme［J］.IEEE Internet of Things Journal，2021，8（3）：1453-1466.

［21］Liu An，Lau V K N，Zhao Minjian.Online successive convex approximation for two-stage stochastic nonconvex optimization［J］.IEEE Trans on Signal Processing，2018，66（22）：5941-5955.

［22］Chu Zheng，Xiao Pei，Shojafar M，et al.Intelligent reflecting surface assisted mobile edge computing for internet of things［J］.IEEE Wireless Communications Letters，2021，10（3）：619-623.

收稿日期：2022-06-14；修回日期：2022-08-03 基金項目：國家自然科學基金資助項目（61902084，61872098）；國家重點研發計劃資助項目（2021YFB2012403）；廣東省自然科學基金資助項目（2021A1515011812）；廣州市重點創新創業平臺項目（2020PT104）

作者簡介：趙宇（1995-），男，河南信陽人，碩士研究生，主要研究方向為移動邊緣計算；唐冬（1967-），男（通信作者），教授，博士，主要研究方向為新一代移動與無線通信理論等（tangdong@gzhu.edu.cn）；周發升（1974-），男，講師，博士，主要研究方向為新一代移動通信網絡、智能通信與計算融合、移動定位；趙賽（1981-），女，副教授，博士，主要研究方向為新一代無線通信關鍵技術、數據驅動無線通信等；黃高飛（1978-），男，副教授，博士，主要研究方向為無線信息與能量同傳、移動邊緣計算、無人機通信等．