余雪勇, 朱 燁, 邱禮翔, 朱洪波

(1. 南京郵電大學(xué)江蘇省無線通信重點(diǎn)實(shí)驗(yàn)室, 江蘇 南京 210003;2. 南京郵電大學(xué)教育部泛在網(wǎng)絡(luò)健康服務(wù)系統(tǒng)工程研究中心, 江蘇 南京 210003)

0 引 言

隨著物聯(lián)網(wǎng)(internet of things, IoT)技術(shù)的發(fā)展,萌生了許多移動(dòng)端的應(yīng)用服務(wù),例如增強(qiáng)現(xiàn)實(shí)(augmented reality, AR)、音視頻業(yè)務(wù)、人臉識(shí)別、輕量級(jí)的深度學(xué)習(xí)應(yīng)用等。這些應(yīng)用服務(wù)往往時(shí)延敏感且需要用戶終端具備較強(qiáng)的計(jì)算能力。而對(duì)于移動(dòng)用戶的終端設(shè)備,其有限的能量和計(jì)算能力無法很好的滿足用戶的應(yīng)用需求。

移動(dòng)邊緣計(jì)算(mobile edge computing, MEC)通過將服務(wù)器部署在靠近用戶的邊緣側(cè),使資源受限的用戶終端可以將計(jì)算密集型任務(wù)卸載到邊緣服務(wù)器去執(zhí)行,大大減緩用戶終端的計(jì)算壓力。但是,復(fù)雜的環(huán)境會(huì)帶來高昂的基礎(chǔ)設(shè)施部署成本,尤其對(duì)于偏遠(yuǎn)地區(qū)以及搶險(xiǎn)救災(zāi)類的環(huán)境。

近來,無人機(jī)以其在移動(dòng)性和成本上的優(yōu)勢被應(yīng)用到無線通信網(wǎng)絡(luò)中。但是續(xù)航受限的無人機(jī)上執(zhí)行計(jì)算密集型任務(wù)可能會(huì)導(dǎo)致響應(yīng)時(shí)間變慢和大量的能耗,并且還可能對(duì)電池壽命造成損害,最終可能影響任務(wù)的成功,特別是對(duì)于一些實(shí)時(shí)應(yīng)用的任務(wù),如森林火災(zāi)探測或探索無人區(qū)任務(wù)。此外,地面用戶與無人機(jī)之間的信道條件會(huì)直接影響用戶終端與無人機(jī)的通信能耗,這就需要根據(jù)用戶終端的位置合理規(guī)劃無人機(jī)的飛行軌跡。

基于此,近年來許多學(xué)者對(duì)無人機(jī)輔助邊緣計(jì)算問題進(jìn)行了研究。文獻(xiàn)[9]提出了無人機(jī)作為移動(dòng)cloudlet輔助地面終端執(zhí)行計(jì)算密集型任務(wù),通過聯(lián)合優(yōu)化比特分配方案和無人機(jī)飛行軌跡,研究了不同的接入條件下終端能耗最小化問題。文獻(xiàn)[10]通過引入二進(jìn)制變量以確定用戶是否進(jìn)行卸載(本地計(jì)算或卸載計(jì)算),充分考慮了服務(wù)質(zhì)量(quality of service, QoS),差異化了不同用戶的任務(wù)復(fù)雜度,以QoS指標(biāo)和無人機(jī)續(xù)航為約束,最大化用戶終端計(jì)算卸載的數(shù)據(jù)量。文獻(xiàn)[11]研究了一種具有異構(gòu)云下多用戶MEC系統(tǒng)中的任務(wù)卸載。用戶的任務(wù)通過無線信道卸載到邊緣云后,可以通過因特網(wǎng)進(jìn)一步轉(zhuǎn)發(fā)到遠(yuǎn)程云。基于動(dòng)態(tài)編程提出了一種聯(lián)合優(yōu)化用戶的帶寬資源和計(jì)算資源分配的節(jié)能算法,在滿足不同任務(wù)的延時(shí)標(biāo)準(zhǔn)下最小化用戶設(shè)備的總能耗。文獻(xiàn)[12]劃分了無人機(jī)通信和計(jì)算任務(wù)的運(yùn)動(dòng)狀態(tài),通信時(shí)沿軌跡飛行而計(jì)算任務(wù)時(shí)保持懸停。以時(shí)延、無人機(jī)能耗以及用戶終端的任務(wù)數(shù)據(jù)量為約束,聯(lián)合優(yōu)化比特分配方案和無人機(jī)軌跡,最小化用戶終端的能耗。

在上述研究中,存在以下幾點(diǎn)問題。

(1) 無論是全卸載策略,還是二進(jìn)制卸載策略,用戶終端的任務(wù)在同一時(shí)刻只能在本地或邊緣側(cè)執(zhí)行,由于終端用戶的本地計(jì)算資源不足,任務(wù)只在本地進(jìn)行計(jì)算并不合理。同時(shí)由于完全卸載產(chǎn)生的延遲問題、帶寬浪費(fèi)問題以及無人機(jī)自身電力有限,數(shù)據(jù)只在無人機(jī)邊緣側(cè)進(jìn)行處理存在較大局限。

(2) 忽略了任務(wù)過程中用戶終端本地計(jì)算的時(shí)延。這可能會(huì)導(dǎo)致用戶計(jì)算卸載和本地計(jì)算不同步完成的后果。

(3) 缺乏對(duì)用戶終端與無人機(jī)之間信道條件優(yōu)劣的討論。在信道信噪比較差的情況下,不能保證提出的模型與方案仍具備有效性和可靠性。

為了解決上述問題,本文研究了一種以最小化用戶終端計(jì)算和卸載能耗為目標(biāo)無人機(jī)輔助的邊緣計(jì)算系統(tǒng),對(duì)地面終端計(jì)算資源進(jìn)行合理分配,從而實(shí)現(xiàn)終端能耗的最小化,對(duì)用戶持續(xù)在線有著一定的意義。因此本文為了實(shí)現(xiàn)這一優(yōu)化策略,主要作出的貢獻(xiàn)如下。

(1) 在MEC系統(tǒng)中建立了無人機(jī)的軌跡設(shè)計(jì)和終端用戶任務(wù)卸載策略模型。為了解決完全本地計(jì)算或全卸載的弊端,對(duì)于用戶終端任務(wù)可分割的場景,針對(duì)計(jì)算卸載策略,本文采用部分卸載策略,即用戶終端在計(jì)算卸載的同時(shí),保留一部分任務(wù)在本地進(jìn)行計(jì)算。同時(shí)考慮了系統(tǒng)中的時(shí)延需求,解決了用戶計(jì)算卸載和本地計(jì)算不同步問題。

(2) 將逐次凸優(yōu)化技術(shù)和塊坐標(biāo)下降算法進(jìn)行結(jié)合,提出了一種基于塊坐標(biāo)下降的兩步迭代算法。同時(shí)對(duì)算法的復(fù)雜度進(jìn)行分析,并通過仿真結(jié)果進(jìn)一步進(jìn)行驗(yàn)證。

(3) 對(duì)不同的信道條件下的用戶終端能耗進(jìn)行討論。分析了不同的信道條件下本文的所提出的卸載策略對(duì)終端用戶能耗的優(yōu)化效果。

1 系統(tǒng)模型

無人機(jī)輔助多用戶邊緣計(jì)算系統(tǒng)如圖1所示,由安裝MEC服務(wù)器的無人機(jī)和地面(=1,2,…,)個(gè)用戶終端組成。其中,每個(gè)用戶終端都具備一定的計(jì)算能力,滿足本地執(zhí)行簡單任務(wù)的需求。相對(duì)地,無人機(jī)搭載服務(wù)器具備更強(qiáng)的計(jì)算能力,能夠快速完成計(jì)算密集型任務(wù),為用戶終端提供邊緣計(jì)算服務(wù)。在飛行過程中同步執(zhí)行卸載任務(wù)。

圖1 無人機(jī)輔助多用戶邊緣計(jì)算系統(tǒng)Fig.1 Unmanned aerial vehicle aided with multi-user edge computing system

假設(shè)所有用戶終端的任務(wù)均在時(shí)長內(nèi)完成。利用三維歐幾里德坐標(biāo)表示的方法,可以分別表示出用戶終端和無人機(jī)的具體位置。用戶終端分布在平面上,第個(gè)用戶終端的位置可表示為如下形式:

=(,,0),∈{1,2,…,}

(1)

式中:和分別表示第個(gè)用戶終端在平面上的橫坐標(biāo)和縱坐標(biāo)。

假設(shè)無人機(jī)中存儲(chǔ)了所有用戶終端的位置信息,并以固定高度在空中飛行,其瞬時(shí)位置可以表示為如下形式:

()=((),(),),0≤≤

(2)

無人機(jī)從起點(diǎn)出發(fā)沿飛行軌跡向終點(diǎn)飛去,為沿途的用戶終端提供邊緣計(jì)算服務(wù),由此無人機(jī)起始和結(jié)束的位置需要滿足如下約束:

(3)

將時(shí)長等分為個(gè)時(shí)長為的時(shí)間幀:

(4)

由于每幀的時(shí)長都足夠小,每一幀中無人機(jī)的位置可以近似看作不變。藉此,連續(xù)的無人機(jī)軌跡可以離散為幀的無人機(jī)位置的集合。于是,式(2)和式(3)可以進(jìn)一步表示為如下形式:

[]=([],[],),∈{1,2,…,}

(5)

(6)

已知第幀的無人機(jī)位置,可以表示出第幀無人機(jī)的速度[],并規(guī)定飛行速度的上限值:

(7)

假設(shè)通信中多普勒頻移可以被接收端補(bǔ)償,信道質(zhì)量取決于無人機(jī)和用戶的之間的鏈路,由于無人機(jī)鏈路都為視距鏈路,即信道增益服從自由空間損耗模型。則在第幀的用戶終端與無人機(jī)之間的平均信道增益[]可以表示為如下形式:

(8)

式中:[]指第幀的用戶終端與無人機(jī)之間的歐氏距離;指在參考距離為1 m時(shí),傳輸功率為1 W時(shí)的接收功率。

1.1 計(jì)算卸載模型

為了避免用戶終端在卸載過程中相互干擾,采用時(shí)分多址(time division multiple access, TDMA)協(xié)議,將每幀的時(shí)長Δ等分成份,并預(yù)分配給各個(gè)用戶終端進(jìn)行上行的計(jì)算卸載和下行的下載計(jì)算結(jié)果,以保證各用戶的卸載時(shí)隙獨(dú)立。由于MEC服務(wù)器計(jì)算得到的結(jié)果數(shù)據(jù)量很小,一般可以忽略用戶終端下載結(jié)果所花費(fèi)的通信時(shí)延,用Δ表示第幀用戶終端計(jì)算卸載的時(shí)長。

(9)

式中:是具有零均值的加性高斯白噪聲的功率譜密度,單位為dBm/Hz。

1.2 本地計(jì)算模型

(10)

式中:指的是任務(wù)每比特?cái)?shù)據(jù)需要CPU運(yùn)行的周期頻率數(shù),用于表示用戶終端任務(wù)的復(fù)雜度;表示用戶終端本地處理器的有效開關(guān)電容;表示用戶終端本地CPU的主頻(即CPU的時(shí)鐘頻率),用于描述本地計(jì)算能力。

由上述條件,可以表示出在TDMA方式下用戶終端在個(gè)時(shí)隙內(nèi)完成本地計(jì)算所需要的時(shí)間。由于所有任務(wù)必須在時(shí)長內(nèi)完成,用戶終端本地計(jì)算也需要在時(shí)長內(nèi)結(jié)束,應(yīng)滿足如下約束:

(11)

1.3 無人機(jī)能耗模型

(12)

無人機(jī)在邊緣計(jì)算的同時(shí)保持飛行狀態(tài),考慮文獻(xiàn)[12]中的飛行能耗模型,假設(shè)無人機(jī)每一幀的飛行能量僅依賴于速度,故在第幀飛行產(chǎn)生的推進(jìn)能耗[]為

(13)

式中:=05Δ,表示無人機(jī)的質(zhì)量(包括其載重)。

1.4 目標(biāo)問題

假設(shè)用戶終端的任務(wù)可以被分割,計(jì)算任務(wù)可以分配到用戶本地和無人機(jī)MEC服務(wù)器上執(zhí)行。本文采用部分卸載策略,聯(lián)合優(yōu)化用戶終端本地計(jì)算的任務(wù)量、計(jì)算卸載的任務(wù)量以及無人機(jī)的軌跡以最小化用戶終端的能耗。

基于上述的模型,用戶終端的能耗問題可以描述為問題P1:

s.t.

(14)

在問題P1中,C1規(guī)定了無人機(jī)的能量上限,表示無人機(jī)的總能量;C2保證了所有用戶終端的任務(wù)都能在時(shí)長內(nèi)被完成,表示各個(gè)用戶終端的任務(wù)數(shù)據(jù)量;C3保證了用戶終端本地計(jì)算能夠在時(shí)長內(nèi)結(jié)束;C4保證了在任意一幀內(nèi)用戶終端的任務(wù)量都是非負(fù)的;C5規(guī)定了無人機(jī)飛行軌跡的起點(diǎn)和終點(diǎn);C6限制了無人機(jī)飛行的速度。

2 優(yōu)化過程

由于問題P1的目標(biāo)函數(shù)存在兩個(gè)優(yōu)化變量的耦合且約束條件C1非凸,問題P1具有非凸性。對(duì)于非凸問題,因?yàn)槠鋸?fù)雜程度過高,往往難以利用傳統(tǒng)凸優(yōu)化技術(shù)直接求解。文獻(xiàn)[15]提出了一種塊坐標(biāo)下降法。其在解決優(yōu)化問題時(shí),一次只更新一個(gè)或幾個(gè)變量塊,相對(duì)于一次更新所有的變量塊的復(fù)雜度要低的多?；谶@種思想,本文采用了一種基于塊坐標(biāo)下降的兩步迭代優(yōu)化算法對(duì)問題P1進(jìn)行求解。

首先,需要將目標(biāo)問題P1分解成兩個(gè)凸的子問題。其次,依次通過凸優(yōu)化算法對(duì)子問題進(jìn)行求解。最后,基于塊坐標(biāo)下降法進(jìn)行全局優(yōu)化,求解用戶終端能耗的最小值。

(15)

式中：

(16)

依此,問題P1與如下形式等價(jià):

s.t.C1,C2,C3,C4,C5,C6

(17)

問題P1實(shí)質(zhì)上由兩個(gè)子問題組成,分別是用戶終端任務(wù)量的分配問題和無人機(jī)的軌跡優(yōu)化問題。

2.1 用戶終端任務(wù)量的分配問題

固定無人機(jī)的初始軌跡[],則問題P1轉(zhuǎn)變成一個(gè)以用戶終端本地計(jì)算的任務(wù)量和計(jì)算卸載的任務(wù)量為優(yōu)化變量,最小化用戶終端能耗的問題。由于目標(biāo)函數(shù)中初始軌跡[]在該子問題中為一常數(shù),可以將問題P1最小值問題等價(jià)改寫成求解如下的問題:

s.t.C1,C2,C3,C4

(18)

2.2 無人機(jī)的軌跡優(yōu)化問題

(19)

問題P1.2的目標(biāo)函數(shù)是關(guān)于[]的凸函數(shù),且限制條件也是凸的,因此問題P1.2是一個(gè)凸問題。對(duì)于問題P1.2,同樣可以利用CVX工具,通過標(biāo)準(zhǔn)凸優(yōu)化算法進(jìn)行求解,得到第幀無人機(jī)最優(yōu)的位置[]。

2.3 全局優(yōu)化和復(fù)雜度分析

基于子問題P1.1和P1.2得到的最優(yōu)解,利用塊坐標(biāo)下降法進(jìn)行全局優(yōu)化。具體過程如算法1所示。

算法 1 基于塊坐標(biāo)下降的兩步迭代優(yōu)化算法輸入:初始賦值,定義精度閾值ε輸出:目標(biāo)問題的次優(yōu)解步驟 1 初始化無人機(jī)的軌跡qn[0],初始迭代變?yōu)閕=0;步驟 2 開始循環(huán)迭代;步驟 3 固定qn[i],求解問題P1.1,得到llock,n[i+1]和lulk,n[i+1];步驟 4 固定llock,n[i+1]和lulk,n[i+1],求解問題P1.2,得到qn[i+1];步驟 5 將llock,n[i+1]、lulk,n[i+1]和qn[i+1]代入目標(biāo)函數(shù),得到F[i+1];步驟 6 更新i=i+1,返回步驟2;步驟 7 直至用戶終端能耗值F[i]收斂,收斂條件F[i]-F[i-1]<ε。

3 性能分析

在這一部分中,通過大量的數(shù)值實(shí)驗(yàn)驗(yàn)證了本文所采用的基于兩步迭代的塊坐標(biāo)下降法的有效性。利用Matlab R2019a進(jìn)行仿真實(shí)驗(yàn),實(shí)驗(yàn)設(shè)備為Dell OptiPlex 7070 MFF,CPU為Intel Core i5-9500T,內(nèi)存為16.0 GB。所采用的算法收斂閾值設(shè)置為10。

3.1 環(huán)境設(shè)置

除了上述預(yù)設(shè)參數(shù)外,其他的相關(guān)參數(shù)如表1所示。

表1 仿真參數(shù)

本文參考文獻(xiàn)[9,21-22]中的仿真場景,將所提的節(jié)能卸載策略與其他基準(zhǔn)方案進(jìn)行了性能比較?；鶞?zhǔn)方案主要包括以下3種。

(1) 不進(jìn)行優(yōu)化。由于在時(shí)長T內(nèi)用戶終端只靠本地計(jì)算完成不了任務(wù),此方案中用戶終端默認(rèn)采用全卸載的策略,且在每個(gè)時(shí)間幀內(nèi),用戶終端計(jì)算卸載的任務(wù)數(shù)據(jù)量都相同。另外,無人機(jī)的初始軌跡為起點(diǎn)到終點(diǎn)的一條直線,保持勻速飛行。

(2) 只對(duì)任務(wù)量的分配進(jìn)行優(yōu)化。保持無人機(jī)的勻速飛行的軌跡不變,優(yōu)化每個(gè)時(shí)隙用戶終端本地計(jì)算的任務(wù)量和計(jì)算卸載的任務(wù)量。

(3) 只對(duì)無人機(jī)的軌跡優(yōu)化。保持計(jì)算卸載任務(wù)量的分配方案不變,優(yōu)化無人機(jī)的飛行軌跡。

3.2 結(jié)果分析

3.2.1 算法的迭代分析

圖2為=0.5 s時(shí),用戶終端能耗的優(yōu)化過程,動(dòng)態(tài)的展示了迭代優(yōu)化過程中用戶終端能耗的變化情況。由算法1可知,基于塊坐標(biāo)下降的兩步迭代優(yōu)化算法的終止條件為前后兩次迭代的用戶終端能耗差值小于閾值。如圖2所示,橫坐標(biāo)表示迭代次數(shù),縱坐標(biāo)表示用戶終端的能耗?？梢园l(fā)現(xiàn),在第1次迭代的過程中,用戶終端能耗急劇降低。在第2～4次迭代的過程中,用戶終端能耗緩慢下降,并趨于平穩(wěn)。在第4次迭代之后,用戶終端能耗的數(shù)值不再發(fā)生改變,進(jìn)入收斂狀態(tài)。從整個(gè)收斂過程中可以發(fā)現(xiàn),基于塊坐標(biāo)下降的兩步迭代優(yōu)化算法特點(diǎn)在于能夠?qū)崿F(xiàn)用戶終端能耗的快速下降,并在幾次迭代內(nèi)就達(dá)到數(shù)值收斂,證明所提算法的收斂速度極快,具備實(shí)用意義。

圖2 用戶終端能耗的優(yōu)化過程Fig.2 Optimization process for energy consumption of user terminal

3.2.2 無人機(jī)的軌跡分析

圖3為無人機(jī)的飛行軌跡圖。無人機(jī)的初始軌跡為一條起點(diǎn)到終點(diǎn)間隔均勻的直線,對(duì)應(yīng)了初始設(shè)定中無人機(jī)以勻速沿直線飛行。

圖3 無人機(jī)的飛行軌跡Fig.3 Trajectory of unmanned aerial vehicle

而優(yōu)化后的飛行軌跡則是一條向用戶終端2傾斜的外凸曲線,表明進(jìn)行優(yōu)化后無人機(jī)傾向于靠近用戶終端2,提供計(jì)算卸載服務(wù)。從各用戶終端計(jì)算任務(wù)的初始設(shè)定不難發(fā)現(xiàn),任務(wù)量>>,復(fù)雜度>>,用戶終端2的任務(wù)相較其他兩者難度處理更大,卸載需求更明顯,因此無人機(jī)傾向于在若干個(gè)時(shí)隙內(nèi)靠近用戶終端2,進(jìn)行小范圍的盤旋飛行。

323 用戶終端的計(jì)算卸載分析

圖4為=0.5 s時(shí),優(yōu)化后用戶終端在不同時(shí)隙計(jì)算卸載數(shù)據(jù)量和本地計(jì)算數(shù)據(jù)量的變化曲線。由于在本實(shí)驗(yàn)中,用戶終端設(shè)置的特點(diǎn)為低功耗和性能受限,因此本地計(jì)算的能耗開銷很低。如圖4(a)所示,用戶終端傾向于利用本地算力,以較低的計(jì)算能耗處理一部分計(jì)算任務(wù),因此,用戶終端本地計(jì)算的數(shù)據(jù)量是一條直線,在每個(gè)時(shí)隙都根據(jù)自身性能處理盡可能多的本地處理任務(wù)。

圖4 用戶終端的計(jì)算卸載過程Fig.4 Calculation uninstall process of user terminal

圖4(b)展示了用戶終端如何分配剩余的任務(wù)數(shù)據(jù)量進(jìn)行計(jì)算卸載。結(jié)合圖3可以發(fā)現(xiàn),在無人機(jī)靠近某個(gè)用戶終端時(shí),其計(jì)算卸載的數(shù)據(jù)量會(huì)處于一個(gè)高點(diǎn)。特別的,用戶終端2在第33個(gè)時(shí)隙到第40個(gè)時(shí)隙之間持續(xù)以較大的數(shù)據(jù)量進(jìn)行計(jì)算卸載,這正好對(duì)應(yīng)了圖3中無人機(jī)的優(yōu)化軌跡靠近用戶終端2,且在其附近懸停了這段時(shí)間。

3.2.4 用戶終端的能耗分析

圖5給出了信噪比SNR=-5 dB的信道條件較差環(huán)境下,用戶終端在不同優(yōu)化方案下的整體能耗表現(xiàn)。如圖5所示,隨著任務(wù)時(shí)間的增加,用戶終端的能耗呈下降的趨勢。這是因?yàn)樵赥DMA的方案下,越大,用戶終端上行的卸載時(shí)隙的時(shí)長就越長,相鄰時(shí)隙間無人機(jī)的位置變化就越小,這意味著通信距離的改變也就越小,這節(jié)省了用戶終端計(jì)算卸載的通信能耗。

圖5 用戶終端的能耗(SNR=-5 dB)Fig.5 Energy consumption of user terminal (SNR=-5 dB)

其次,可以發(fā)現(xiàn)用戶終端的能耗下降的速度逐漸變緩,近乎收斂于某一個(gè)值。這是因?yàn)楫?dāng)任務(wù)時(shí)間足夠長的情況下,本地和無人機(jī)的處理器有足夠的時(shí)間進(jìn)行性能的釋放。而在信道惡劣的環(huán)境中,通信的能耗開銷高于本地計(jì)算的能耗開銷,這使得用戶終端會(huì)任務(wù)時(shí)間內(nèi)優(yōu)先選擇本地計(jì)算,對(duì)于在時(shí)長內(nèi)完成不了的任務(wù),再選擇計(jì)算卸載。因此用戶終端的能耗會(huì)隨著時(shí)長的增大逐漸收斂至統(tǒng)一。

此外,對(duì)比各方案的優(yōu)化效果可以發(fā)現(xiàn),優(yōu)化任務(wù)量的分配對(duì)用戶終端的能耗有顯著的節(jié)能效果,且隨著時(shí)長的增大,優(yōu)化效果進(jìn)一步提升。特別的,當(dāng)=5 s時(shí),優(yōu)化任務(wù)量分配(73.16 J)的方案相較于不優(yōu)化(184.09 J)的方案,能耗降低了60.26%。原因與用戶終端的能耗下降速度變緩相似。受到信道條件的影響,計(jì)算卸載帶來的通信能耗劇增,超過了本地計(jì)算的能耗開銷,任務(wù)量的分配在此時(shí)的作用尤為明顯。隨著時(shí)長的增加,會(huì)進(jìn)一步將任務(wù)量分配到本地,以節(jié)省能源。

而信道條件較好的情況下,如圖6所示,在信噪比SNR=20 dB時(shí),優(yōu)化無人機(jī)的飛行軌跡則會(huì)有顯著的效果。特別的,當(dāng)=5 s時(shí),優(yōu)化無人機(jī)飛行軌跡的方案實(shí)現(xiàn)了能耗降低53.21%。這是因?yàn)闊o人機(jī)與用戶終端之間的距離會(huì)直接影響到用戶終端計(jì)算卸載的通信能耗。而信道條件良好的情況下,計(jì)算卸載的通信能耗得到了極大的改善,此時(shí)保證距離合適的視距信道就顯得格外重要。

圖6 用戶終端的能耗(SNR=20 dB)Fig.6 Energy consumption of user terminal (SNR=20 dB)

最后,無論信道條件的優(yōu)劣,本文提出的基于聯(lián)合優(yōu)化的節(jié)能卸載策略都取得了良好的性能表現(xiàn)。相較于其他3種基準(zhǔn)方案,進(jìn)一步降低了用戶終端的能耗,且隨著時(shí)長的增大,優(yōu)化效果越發(fā)明顯。

如圖5所示,在信噪比SNR=-5 dB,=5 s時(shí),聯(lián)合優(yōu)化(21.80 J)較不優(yōu)化(184.09 J)、優(yōu)化任務(wù)量分配(73.16 J)和優(yōu)化無人機(jī)軌跡(86.14 J)這3種基準(zhǔn)方案,用戶終端的能耗分別降低了88.16%、70.20%和74.69%,相較于文獻(xiàn)[9]中同場景下優(yōu)化方案移動(dòng)終端總能耗降低了20.1%。

如圖6所示,在信噪比SNR=20 dB,=5 s時(shí),聯(lián)合優(yōu)化(0.1330 J)較不優(yōu)化(0.5822 J)、優(yōu)化任務(wù)量分配(0.4394 J)和優(yōu)化無人機(jī)軌跡(0.2724 J)這3種基準(zhǔn)方案,用戶終端的能耗分別降低了77.16%、69.73%和51.17%,相較于文獻(xiàn)[9]中同場景下優(yōu)化方案移動(dòng)終端能耗降低了10.3%。

3.2.5 任務(wù)執(zhí)行過程的分析

圖7為聯(lián)合優(yōu)化方案下用戶終端在不同時(shí)隙累計(jì)執(zhí)行的任務(wù)數(shù)據(jù)量示意圖,展示了用戶終端在不同時(shí)隙累計(jì)執(zhí)行的任務(wù)數(shù)據(jù)量。3個(gè)用戶終端的任務(wù)數(shù)據(jù)量分別為8 Mbits,12 Mbits,4 Mbits。從圖中可以明顯看出,在時(shí)隙=20時(shí),用戶累計(jì)執(zhí)行的任務(wù)數(shù)據(jù)量變化率明顯變快,這是由于隨著優(yōu)化算法的迭代,逐漸趨于收斂,這時(shí)無人機(jī)會(huì)更快的更新位置實(shí)現(xiàn)用戶數(shù)據(jù)的高效卸載。

圖7 用戶終端累計(jì)執(zhí)行的任務(wù)數(shù)據(jù)量Fig.7 Cumulative amount of task data performed by user terminal

在當(dāng)時(shí)隙=50時(shí),所有用戶終端均完成了所有計(jì)算任務(wù)。因此,聯(lián)合優(yōu)化的方案不會(huì)對(duì)用戶終端在時(shí)長內(nèi)完成任務(wù)產(chǎn)生影響,同時(shí)也可證明所采用的算法具有較快的收斂性。

綜上,聯(lián)合優(yōu)化用戶終端本地計(jì)算的任務(wù)量、計(jì)算卸載的任務(wù)量以及無人機(jī)的軌跡的節(jié)能卸載策略能夠有效的、可靠的降低用戶終端的能耗。

4 結(jié)束語

本文構(gòu)建了一種無人機(jī)輔助邊緣計(jì)算系統(tǒng),利用無人機(jī)搭載邊緣服務(wù)器以增強(qiáng)地面移動(dòng)用戶終端設(shè)備的計(jì)算能力。針對(duì)用戶終端能耗受限的問題,提出了基于塊坐標(biāo)下降的兩步迭代優(yōu)化算法,聯(lián)合優(yōu)化用戶終端本地計(jì)算的任務(wù)量、計(jì)算卸載的任務(wù)量以及無人機(jī)的軌跡,實(shí)現(xiàn)了用戶終端能耗最小化的目標(biāo)。實(shí)驗(yàn)結(jié)果表明,無論信道條件優(yōu)劣,基于塊坐標(biāo)下降的兩步迭代優(yōu)化算法都能在保證用戶終端完成任務(wù)的同時(shí),有效的降低用戶終端的能耗,達(dá)到節(jié)能的效果。下一步將考慮計(jì)算密集型任務(wù)下移動(dòng)用戶對(duì)于低時(shí)延的要求,改進(jìn)計(jì)算卸載的策略,以達(dá)到用戶終端能耗與系統(tǒng)時(shí)延之間的均衡。