移動邊緣計算中的資源管理

（新加坡國立大學(xué)，新加坡 117576）

1 研究背景

隨著5G技術(shù)和物聯(lián)網(wǎng)（IoT）的發(fā)展，無線設(shè)備的數(shù)目呈指數(shù)級增長，物聯(lián)網(wǎng)應(yīng)用場景也越來越多樣化。這其中包括大量計算密集型和時延敏感型的應(yīng)用，如虛擬現(xiàn)實(shí)、在線游戲等，這類應(yīng)用需要強(qiáng)大的計算能力支持來滿足超低時延的要求。為了滿足這種需求，近年來，傳統(tǒng)的云計算網(wǎng)絡(luò)架構(gòu)正悄然向移動邊緣計算（MEC）網(wǎng)絡(luò)發(fā)生轉(zhuǎn)變：原本位于核心網(wǎng)云數(shù)據(jù)中心的計算服務(wù)和功能正在往網(wǎng)絡(luò)邊緣下沉，通過離用戶更近的基站和無線接入點(diǎn)向用戶提供無處不在的計算、存儲、通信等服務(wù)，從而有效降低用戶的計算時延和能耗，并大大提高整個網(wǎng)絡(luò)的資源利用率[1-4]。

如圖1所示，在MEC系統(tǒng)中，用戶可將本地計算密集型的任務(wù)卸載（遷移）到MEC服務(wù)器中，讓它代為計算并向用戶反饋計算結(jié)果。與傳統(tǒng)的基于數(shù)據(jù)中心的移動云計算（MCC）相比，MEC擁有如下幾方面明顯優(yōu)勢：

1）更低的時延：由于邊緣云離用戶更近且計算數(shù)據(jù)遷移到云的過程中不涉及在核心網(wǎng)中的數(shù)據(jù)傳輸，MEC可以大大降低MCC中的數(shù)據(jù)傳播和核心網(wǎng)回程鏈路時延。另一方面，通過廣泛部署MEC服務(wù)器，每臺MEC服務(wù)器僅需向周邊少量用戶提供計算服務(wù)，從而達(dá)到較低的計算時延。因此，相較于MCC所需要的100 ms量級時延，MEC可滿足1～10 ms量級的超低時延要求。

2）更低的能耗：MEC用戶可選擇將高能耗型的計算任務(wù)遷移到邊緣云中，從而避免本地計算帶來的巨大能耗。另一方面，由于離MEC服務(wù)器更近，MEC用戶可以大大降低計算數(shù)據(jù)傳輸中的能量消耗。

3）更優(yōu)的情境感知：利用近距離優(yōu)勢，MEC服務(wù)器可以通過用戶的定位信息等更加準(zhǔn)確地預(yù)測和判斷用戶的計算行為和需求，從而提供更及時有效的計算和存儲服務(wù)。

4）更強(qiáng)的安全保護(hù)：和MCC相比，MEC服務(wù)器的用戶數(shù)目更少，且用戶數(shù)據(jù)信息不需要經(jīng)過復(fù)雜的核心網(wǎng)到達(dá)數(shù)據(jù)中心。這樣可以有效緩解數(shù)據(jù)在多跳網(wǎng)絡(luò)傳輸中的信息泄漏問題。

▲圖1 MEC系統(tǒng)架構(gòu)與應(yīng)用

2 研究模型

為了研究MEC系統(tǒng)的計算性能，我們首先介紹MEC的基本研究模型。

1）計算任務(wù)模型：總的來說，MEC的計算卸載模型包括全部卸載和部分卸載。其中，全部卸載計算模型適用于數(shù)據(jù)不可分割的高集成計算任務(wù)，它要求用戶只能選擇全部本地計算或者全部卸載到MEC服務(wù)器。這類計算任務(wù)的關(guān)鍵參數(shù)包括：計算數(shù)據(jù)量（比特數(shù)）、計算強(qiáng)度（每比特數(shù)據(jù)需要的中央處理器時鐘數(shù)），以及計算時延要求。這些參數(shù)與具體的計算任務(wù)相關(guān)，可以通過對計算任務(wù)的剖析和建模得出。另一方面，部分卸載模型適用于兩類計算任務(wù)：一類是數(shù)據(jù)可任意分割的計算（如數(shù)據(jù)壓縮等）；另一類是包含多個子任務(wù)的計算，不同任務(wù)間往往具有一定的運(yùn)算順序和聯(lián)系，如圖2所示。與全部卸載模型相比，部分卸載模型有更多的設(shè)計自由度，可以更有效地卸載部分?jǐn)?shù)據(jù)或子任務(wù)來減少用戶的計算時延和能耗。

2）計算時延和能耗模型：對于用戶的本地計算，計算時延與計算所需的中央處理器（CPU）時鐘數(shù)成正比，與CPU主頻成反比；因此，我們可以通過提高CPU的主頻來降低本地計算時延，但這樣做同時也會增加本地計算的能耗。本地計算的能耗主要來自于CPU的功耗，而CPU的功耗又與CPU主頻的平方成正比；因此，CPU主頻越高，本地計算能耗越高且增長越快。對于MEC服務(wù)器（或邊緣云）來說，它的計算時延包括CPU的運(yùn)算時延和多計算任務(wù)下的隊(duì)列時延，能耗包括CPU的計算能耗以及服務(wù)器的開機(jī)運(yùn)行能耗。

3）無線數(shù)據(jù)傳輸模型：5G通信的各種技術(shù)，如毫米波通信、非正交復(fù)用接入多址等都可以被有效用于提高計算卸載時數(shù)據(jù)傳輸?shù)目蛇_(dá)速率（通過香農(nóng)公式建模），從而降低計算數(shù)據(jù)的傳輸時延。同時，用戶還可以利用設(shè)備到設(shè)備（D2D）的通信技術(shù)來實(shí)現(xiàn)低時延的用戶間數(shù)據(jù)傳輸和計算卸載[4]。

3 MEC系統(tǒng)中的綜合資源管理

無線和計算資源的綜合管理是MEC系統(tǒng)設(shè)計中的重要組成部分。針對不同的MEC系統(tǒng)設(shè)置，我們需要解決不同的綜合資源管理問題。

首先考慮單用戶情況下基于全部卸載計算模型的MEC資源管理。其中，最重要的設(shè)計問題是如何做卸載決策，即是否進(jìn)行計算卸載和如何設(shè)計卸載策略。為了研究這個問題，文獻(xiàn)[6]提出了一個新型的無線供能下的MEC系統(tǒng)，并設(shè)計它最優(yōu)的計算卸載方案。為了滿足計算時延要求并最小化用戶的計算耗能，我們分別優(yōu)化了本地計算和計算完全卸載兩種模式下的設(shè)計：對于本地計算，通過優(yōu)化用戶CPU的主頻來降低計算能耗，同時滿足計算耗能不大于獲得的無線能量的條件；對于計算完全卸載，提出最優(yōu)的時間分割方案，使用戶能夠先獲取充足的能量然后進(jìn)行數(shù)據(jù)傳輸和計算遷移，同時最大化用戶的剩余能量。最后，基于本地計算和完全卸載兩種模式的不同能耗，提出最優(yōu)的本地計算/完全卸載的決策。這個工作后續(xù)被拓展到更加復(fù)雜的MEC系統(tǒng)，如基于能量收集的MEC系統(tǒng)[7]和基于無線供能的多用戶MEC系統(tǒng)[8]。

▲圖2 移動邊緣計算任務(wù)不同的計算順序

對于多用戶下的MEC系統(tǒng)而言，它的綜合資源管理更加復(fù)雜。在文獻(xiàn)[9]中，我們考慮部分卸載的計算模型并假設(shè)所有用戶需要在相同的時間段內(nèi)完成不同強(qiáng)度的計算任務(wù)。為了最小化所有用戶的總計算能耗（包括每個用戶的本地計算和卸載能耗），利用凸優(yōu)化工具我們提出了一套最優(yōu)的綜合資源管理設(shè)計方案。具體來說，首先計算得到一個（計算）卸載優(yōu)先級函數(shù)，它與用戶的信道增益和本地計算耗能成正比；因此，對于每個用戶來說，他的無線信道越好或者本地耗能越大，用戶的卸載優(yōu)先級就越高?；谶@個優(yōu)先級函數(shù)，我們證明了最優(yōu)的綜合資源管理方案是一種基于門限的資源分配：對每個用戶來說，如果他的卸載優(yōu)先級函數(shù)值高于一定門限，他將選擇把計算任務(wù)全部卸載到MEC服務(wù)器；反之，他將盡量在本地完成所有運(yùn)算。與文獻(xiàn)[9]中的集中式資源管理不同，文獻(xiàn)[10]研究了分布式的計算資源分配。作者考慮了完全卸載的計算模型，并采用游戲理論來解決不同用戶計算卸載與否的非確定性（NP）難問題。文獻(xiàn)[10]中的研究證明，當(dāng)用戶受到的信號干擾強(qiáng)度低于一定門限時，他應(yīng)該將計算任務(wù)卸載到云端。因?yàn)樵谶@種情況下，無線傳輸可達(dá)速率較大，完成計算數(shù)據(jù)傳輸?shù)哪芎谋缺镜赜嬎愀　?/p>

文獻(xiàn)[11]提出將基于邊緣基站的MEC系統(tǒng)拓展到用戶間計算卸載的MEC系統(tǒng)，從而有效降低邊緣基站的計算和通信負(fù)載壓力，并提高整個MEC系統(tǒng)的計算資源利用率。具體來說，主要利用用戶周邊的移動設(shè)備（如電腦等）的計算資源來支持用戶的計算卸載。與基于邊緣基站的MEC系統(tǒng)相比，用戶周邊的移動設(shè)備（簡稱幫手）呈現(xiàn)出時有時無的空閑的計算資源。這是因?yàn)閹褪种挥性谧约簺]有計算任務(wù)時，才能給周邊的用戶提供空閑的計算資源。利用這個特性，我們提出了一種基于幫手空閑計算資源的變速率計算卸載算法。該算法的核心在于首先在以橫坐標(biāo)為時間、縱坐標(biāo)為累計可卸載數(shù)據(jù)量的坐標(biāo)軸上構(gòu)建一個“計算卸載隧道”，隧道的頂部和底部形狀與幫手的緩存區(qū)大小和空閑計算資源的存量有關(guān)，具體如圖3所示。為了最小化用戶能耗，用戶的計算卸載速率可以利用這個計算卸載隧道和幾何方法得到。直觀來看，如圖3所示，這個方法就是在隧道的兩端拉一條繃緊的線，不同線段的斜率反應(yīng)了不同時間段內(nèi)計算卸載的數(shù)據(jù)傳輸速率。這個方法可以被進(jìn)一步拓展到多用戶間的計算卸載場景。

4 MEC未來工作展望

用人工智能算法設(shè)計MEC策略。當(dāng)前的MEC策略設(shè)計主要有兩種方法：一種是用凸優(yōu)化等優(yōu)化理論來設(shè)計最優(yōu)或次優(yōu)的計算卸載策略，但是對于大規(guī)模MEC系統(tǒng)或優(yōu)化問題本身是NP難的情況，用優(yōu)化理論來設(shè)計MEC策略的方法可能需要很長的時間，這與MEC致力于縮短計算時延的初衷相違背；另一種方法是用啟發(fā)式算法來設(shè)計低復(fù)雜度的MEC策略，但這類方法往往缺乏一定的理論支撐，可能無法達(dá)到較好的MEC計算性能。為了解決這個問題，一個有效的方法是利用人工智能技術(shù)來實(shí)現(xiàn)快速高效的計算卸載策略設(shè)計。例如，我們可以將MEC策略優(yōu)化問題轉(zhuǎn)化為相應(yīng)的深度學(xué)習(xí)問題：神經(jīng)網(wǎng)絡(luò)輸入是用戶的計算模型信息，神經(jīng)網(wǎng)絡(luò)的輸出是計算卸載的策略。通過大量的計算卸載策略采樣，我們可以訓(xùn)練出一個智能神經(jīng)網(wǎng)絡(luò)。這樣一來，在實(shí)際的計算卸載決策中，我們只需將即時的計算模型信息輸入到神經(jīng)網(wǎng)絡(luò)中，就可以快速得到一個有效的計算卸載策略方案。對于大規(guī)模MEC系統(tǒng)來說，基于凸優(yōu)化理論的策略采樣可能無法實(shí)現(xiàn)，但這時候我們可以利用小規(guī)模MEC系統(tǒng)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，然后通過遷移學(xué)習(xí)的方法得到大規(guī)模MEC系統(tǒng)的策略采樣。如何設(shè)計神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是未來研究工作中的一個重要方向。

▲圖3 用戶間計算卸載策略

針對人工智能算法的MEC建模和設(shè)計。當(dāng)前的MEC計算模型主要考慮普適性的計算，即計算數(shù)據(jù)量的大小與計算強(qiáng)度通常是一個固定的線性關(guān)系，但這個簡單模型并不一定適用于具體的人工智能算法。例如，深度學(xué)習(xí)的計算復(fù)雜度除了和數(shù)據(jù)相關(guān)外，還與神經(jīng)網(wǎng)絡(luò)的深度、每層網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)、網(wǎng)絡(luò)的類型（如卷積/自回歸網(wǎng)絡(luò)）等息息相關(guān)。因此，如何對具體人工智能算法進(jìn)行計算模型建模是一個亟待探索和研究的重要問題。除此之外，當(dāng)前的MEC策略設(shè)計主要關(guān)注計算時延和能耗，但這些性能指標(biāo)并不完全是人工智能應(yīng)用中最關(guān)心的問題。

5 結(jié)束語

MEC將無線設(shè)備終端上計算密集型的運(yùn)算任務(wù)遷移到邊緣云中,從而有效降低用戶的計算時延和能耗。在本文中，我們闡述了MEC系統(tǒng)的基本原理和模型，并提出如何緊密結(jié)合無線通信和計算機(jī)技術(shù)來設(shè)計不同MEC系統(tǒng)下的計算卸載策略。在無線網(wǎng)絡(luò)智能化的關(guān)鍵時期，如何將MEC和人工智能技術(shù)有機(jī)結(jié)合來提升未來無線網(wǎng)絡(luò)的性能需要繼續(xù)探索。