鮮永菊，宋青蕓，郭陳榕，劉 闖

(重慶郵電大學(xué) 通信與信息工程學(xué)院，重慶 400065)

0 引 言

移動(dòng)設(shè)備受限于小巧的體積，在計(jì)算能力與能耗方面有較大的局限。移動(dòng)邊緣計(jì)算(Mobile Edge Computing,MEC)通過(guò)將云計(jì)算能力下沉至移動(dòng)終端側(cè)，可以近距離為移動(dòng)用戶(hù)提供計(jì)算服務(wù)，有助于用戶(hù)高效地執(zhí)行任務(wù)，減少能耗，提高執(zhí)行任務(wù)能力[1]。

盡管MEC具有許多優(yōu)勢(shì)，但MEC服務(wù)器自身有限的計(jì)算能力仍會(huì)帶來(lái)許多挑戰(zhàn)，主要體現(xiàn)在計(jì)算資源供需不平衡，特別是部署在熱點(diǎn)小區(qū)(商圈、密集住宅區(qū))中的MEC服務(wù)器，將面臨大量任務(wù)卸載請(qǐng)求，若無(wú)法及時(shí)處理眾多請(qǐng)求，會(huì)導(dǎo)致用戶(hù)體驗(yàn)降低[2]。針對(duì)此類(lèi)問(wèn)題，文獻(xiàn)[3-6]通過(guò)拒絕、推遲或任務(wù)排隊(duì)的方式來(lái)緩解MEC服務(wù)器過(guò)多的工作量，雖然改善了資源有限的問(wèn)題，但可利用的資源沒(méi)有得到擴(kuò)展。因此，越來(lái)越多的學(xué)者將目光投向宏觀場(chǎng)景下的多MEC服務(wù)器協(xié)作。

協(xié)作通信被廣泛應(yīng)用在移動(dòng)通信網(wǎng)絡(luò)中。多MEC服務(wù)器協(xié)作需要對(duì)MEC服務(wù)器的實(shí)時(shí)信息進(jìn)行控制，當(dāng)前主流的方案主要是軟件定義網(wǎng)絡(luò)(Software Defined Network,SDN)集中控制與分布式控制[7-9]，現(xiàn)有的研究通常忽略?xún)煞N方案由于信息交互帶來(lái)的能耗與時(shí)延，而專(zhuān)注于制定卸載策略。

關(guān)于MEC服務(wù)器協(xié)作卸載的研究，文獻(xiàn)[10]針對(duì)協(xié)作小區(qū)之間的組合問(wèn)題，提出了一種基于博弈論的任務(wù)分組方案，將多個(gè)熱點(diǎn)小區(qū)與非熱點(diǎn)小區(qū)生成多個(gè)協(xié)作集，但未具體研究協(xié)作集內(nèi)的卸載與資源分配；文獻(xiàn)[11]研究了兩個(gè)邊緣節(jié)點(diǎn)之間的協(xié)作，以最大化降低時(shí)延，該問(wèn)題通過(guò)遺傳粒子群算法求解，但文獻(xiàn)中涉及到的MEC服務(wù)器數(shù)量較少，并且無(wú)法保證啟發(fā)式算法解的穩(wěn)定性；文獻(xiàn)[12]在能耗約束下提出了最小化時(shí)延的優(yōu)化問(wèn)題，并設(shè)計(jì)算法將多個(gè)任務(wù)協(xié)作到多個(gè)MEC服務(wù)器組成的集群中，但未優(yōu)先將任務(wù)卸載至本小區(qū)的MEC服務(wù)器上，這可能會(huì)影響其他小區(qū)執(zhí)行自身的任務(wù)；文獻(xiàn)[13]通過(guò)一種迭代更新方法將主MEC服務(wù)器過(guò)量的任務(wù)卸載至其他MEC服務(wù)器，但未對(duì)計(jì)算資源進(jìn)行分配；文獻(xiàn)[14]提出了一種MC-GBA算法，可以依據(jù)代價(jià)將主MEC服務(wù)器中過(guò)量的任務(wù)卸載至從MEC服務(wù)器，實(shí)現(xiàn)計(jì)算資源的擴(kuò)充；文獻(xiàn)[15-17]通過(guò)遠(yuǎn)端云中心與本地MEC實(shí)現(xiàn)多級(jí)卸載，并分別通過(guò)任務(wù)屬性、任務(wù)需求以及資源剩余劃分出不同的卸載用戶(hù)。

基于以上研究，本文采用主從MEC服務(wù)器協(xié)作卸載的方式，以改善熱點(diǎn)小區(qū)內(nèi)計(jì)算資源有限的問(wèn)題。在主從MEC系統(tǒng)中，通過(guò)SDN的集中控制，主MEC服務(wù)器將自身無(wú)法完成的任務(wù)二次卸載至附近仍有可利用計(jì)算資源的從MEC服務(wù)器進(jìn)行計(jì)算，實(shí)現(xiàn)了計(jì)算資源的拓展。為了最小化熱點(diǎn)小區(qū)內(nèi)請(qǐng)求用戶(hù)執(zhí)行任務(wù)的總代價(jià)，本文提出一種基于主從MEC系統(tǒng)的任務(wù)聯(lián)合卸載方案，依次分析了不同屬性任務(wù)以及從MEC服務(wù)器數(shù)量對(duì)方案的影響，并與其他卸載方案對(duì)比驗(yàn)證了所提方案的有效性。

1 系統(tǒng)模型

1.1 網(wǎng)絡(luò)場(chǎng)景

在一個(gè)多小區(qū)計(jì)算場(chǎng)景，每個(gè)小區(qū)內(nèi)有一個(gè)MEC服務(wù)器部署在基站側(cè)，負(fù)責(zé)處理本小區(qū)內(nèi)產(chǎn)生的計(jì)算任務(wù)，多小區(qū)之間通過(guò)SDN控制器集中控制，結(jié)構(gòu)如圖1所示。MEC服務(wù)器和用戶(hù)均可通過(guò)基站與SDN控制器進(jìn)行信令傳遞，SDN控制器收集各個(gè)服務(wù)器可提供的計(jì)算資源并對(duì)資源池進(jìn)行更新，這樣，SDN可以集中控制多個(gè)小區(qū)內(nèi)的計(jì)算任務(wù)卸載以及資源分配。

圖1 基于SDN集中控制的主從MEC系統(tǒng)結(jié)構(gòu)

本文研究熱點(diǎn)小區(qū)(主小區(qū))內(nèi)的高負(fù)載任務(wù)卸載優(yōu)化，將熱點(diǎn)小區(qū)MEC服務(wù)器無(wú)法完成的計(jì)算任務(wù)二次卸載到周?chē)杏杏?jì)算資源的小區(qū)(從小區(qū))進(jìn)行計(jì)算。這個(gè)過(guò)程中，暫不考慮從小區(qū)內(nèi)的任務(wù)，只讓從小區(qū)充當(dāng)輔助計(jì)算節(jié)點(diǎn)，同時(shí)忽略集中控制信令傳遞所需的時(shí)延與能耗。此外，主小區(qū)內(nèi)任務(wù)不可拆分，即任務(wù)執(zhí)行只有本地執(zhí)行、主MEC服務(wù)器執(zhí)行以及從MEC服務(wù)器執(zhí)行三種狀態(tài)，同時(shí)假設(shè)每個(gè)用戶(hù)攜帶一個(gè)計(jì)算任務(wù)。

1.2 通信模型

用戶(hù)通過(guò)無(wú)線網(wǎng)絡(luò)與MEC服務(wù)器進(jìn)行交互。為了簡(jiǎn)化問(wèn)題，假設(shè)在同一小區(qū)內(nèi)多用戶(hù)占用相等且不相交頻譜資源，并且不考慮小區(qū)內(nèi)部通信干擾。任務(wù)上行速率為

(1)

式中：Ptra,i表示用戶(hù)i的發(fā)送功率，gi表示用戶(hù)i與MEC服務(wù)器之間的信道增益，N0表示信道單位噪聲與干擾的功率譜密度。用戶(hù)通過(guò)無(wú)線信道上傳任務(wù)花費(fèi)時(shí)延與能耗分別為

(2)

(3)

由于MEC服務(wù)器返回任務(wù)結(jié)果數(shù)據(jù)量很小，任務(wù)結(jié)果傳回用戶(hù)的時(shí)延將忽略。

考慮MEC服務(wù)器間通信，主MEC服務(wù)器與從MEC服務(wù)器通過(guò)有線鏈路相連，主MEC服務(wù)器到從MEC服務(wù)器方向的傳輸速率為rM，此部分不涉及到用戶(hù)能耗代價(jià)，MEC服務(wù)器之間任務(wù)傳輸?shù)臅r(shí)延為

(4)

1.3 計(jì)算模型

1.3.1 本地計(jì)算

設(shè)用戶(hù)終端的計(jì)算能力為floc,i，任務(wù)在終端本地執(zhí)行的時(shí)延與能耗分別為

(5)

Ei,0=κibidi(floc,i)2。

(6)

式中：κi是與硬件架構(gòu)相關(guān)的常數(shù)。記αi和βi為用戶(hù)對(duì)于時(shí)延與能耗的權(quán)重系數(shù)，用戶(hù)本地執(zhí)行總代價(jià)為

Ui,0=αiTi,0+βiEi,0。

(7)

1.3.2 MEC服務(wù)器計(jì)算

任務(wù)如果卸載到MEC服務(wù)器執(zhí)行，需要占用MEC服務(wù)器的計(jì)算資源。記Fj表示第j個(gè)MEC服務(wù)器可提供的總計(jì)算資源，F(xiàn)i,j表示MEC服務(wù)器j為用戶(hù)i分配的計(jì)算資源。

當(dāng)任務(wù)在主MEC服務(wù)器執(zhí)行，此時(shí)j=1，任務(wù)計(jì)算的時(shí)延與能耗可以分別表示為

(8)

(9)

這里用戶(hù)產(chǎn)生的能耗為用戶(hù)上傳任務(wù)產(chǎn)生的能耗。那么，用戶(hù)的總計(jì)算代價(jià)可表示為

Ui,1=αiTi,1+βiEi,1。

(10)

若任務(wù)在從MEC服務(wù)器執(zhí)行，那么此時(shí)1

(11)

這里任務(wù)執(zhí)行產(chǎn)生的能耗同樣為用戶(hù)卸載任務(wù)產(chǎn)生的能耗，表示為

(12)

用戶(hù)的總計(jì)算代價(jià)為

Ui,j=αiTi,j+βiEi,j，1

(13)

綜合考慮任務(wù)在MEC服務(wù)器端執(zhí)行，可以將任務(wù)執(zhí)行代價(jià)函數(shù)寫(xiě)為

(14)

1.4 卸載模型與資源分配模型

記本地執(zhí)行任務(wù)的決策向量集(卸載集)為A={a1,a2,…,an}，其中ai∈{0,1}，并且

(15)

卸載集A記錄了每個(gè)任務(wù)是否卸載執(zhí)行，其中卸載執(zhí)行的任務(wù)還需選擇目標(biāo)MEC服務(wù)器。任務(wù)的多MEC服務(wù)器選擇矩陣表示為

(16)

式中：bi,j∈{0,1}，取值表示含義為

(17)

A、B兩個(gè)決策變量可以表示多任務(wù)卸載決策。對(duì)于計(jì)算資源分配，本文引入計(jì)算資源分配矩陣F，表示為

(18)

1.5 最小化代價(jià)優(yōu)化問(wèn)題

任務(wù)執(zhí)行過(guò)程中，時(shí)延與能耗是用戶(hù)感知明顯的，也是任務(wù)在MEC服務(wù)器計(jì)算相對(duì)于本地計(jì)算最具有優(yōu)勢(shì)的性能指標(biāo)。本文的優(yōu)化目標(biāo)是在主MEC服務(wù)器計(jì)算資源有限的情況下，最小化主小區(qū)內(nèi)所有任務(wù)的執(zhí)行代價(jià)之和?；谥皩?duì)系統(tǒng)模型的分析，優(yōu)化問(wèn)題P1可表示為

(19a)

s.t.C1:ai∈{0,1}

(19b)

C2:bi,j∈{0,1}

(19c)

(19d)

(19e)

對(duì)于優(yōu)化問(wèn)題P1，目標(biāo)函數(shù)W中第一項(xiàng)表示本地執(zhí)行的總代價(jià)，第二項(xiàng)表示所有卸載到MEC服務(wù)器中任務(wù)執(zhí)行的總代價(jià)。約束條件C1、C2表示卸載決策變量ai與bi,j為0～1整數(shù)變量，約束條件C3保證任務(wù)只能在本地計(jì)算或在某一個(gè)MEC服務(wù)器上進(jìn)行計(jì)算，約束條件C4保證在每個(gè)MEC服務(wù)器上計(jì)算資源在有限的范圍內(nèi)進(jìn)行分配。

1.6 優(yōu)化問(wèn)題分析與方案制定

為最小化代價(jià)，需要得到優(yōu)化變量A、B、F的最優(yōu)解。但由于問(wèn)題P1是一個(gè)混合整數(shù)非線性規(guī)劃問(wèn)題，并且優(yōu)化函數(shù)中存在二元變量，導(dǎo)致該優(yōu)化問(wèn)題非凸，不能通過(guò)常規(guī)凸優(yōu)化解法求解。

為求解優(yōu)化問(wèn)題，首先考慮原問(wèn)題的三個(gè)優(yōu)化變量。若已知需要卸載執(zhí)行的任務(wù)(卸載集A的解)，便可以通過(guò)一種方法得到MEC服務(wù)器選擇矩陣B與計(jì)算資源分配矩陣F的解；同時(shí)，卸載集A的求解又受到矩陣B與矩陣F值的影響。綜合以上分析，求解方案可設(shè)定初始卸載集A0，接著求得原問(wèn)題松弛后的MEC服務(wù)器選擇矩陣B與資源分配矩陣F，最后再對(duì)卸載集A進(jìn)行優(yōu)化。這樣，可將原問(wèn)題分解為部分任務(wù)卸載、多MEC服務(wù)器選擇和計(jì)算資源分配三步求解。綜上，基于主從MEC系統(tǒng)的聯(lián)合卸載方案實(shí)現(xiàn)流程如圖2所示。

圖2 聯(lián)合卸載方案流程圖

2 聯(lián)合卸載方案

2.1 計(jì)算資源分配

當(dāng)卸載集A與MEC選擇向量集B確定之后，記本地執(zhí)行的任務(wù)集合為N0，選擇卸載到MEC服務(wù)器j執(zhí)行的任務(wù)集合為Nj。此時(shí)，原問(wèn)題P1可轉(zhuǎn)化為

(20a)

(20b)

由于不同MEC服務(wù)器的計(jì)算資源分配是相互獨(dú)立的，所以不同MEC服務(wù)器的計(jì)算資源分配不相互干擾。為了使該問(wèn)題更加清晰，進(jìn)行未知變量替換。令ωi,1=1/Fi,1，ωi,j=1/Fi,j其中Fi,1≠0，F(xiàn)i,j≠0，問(wèn)題P2變?yōu)?/p>

(21a)

(21b)

容易看出，優(yōu)化問(wèn)題P2′的優(yōu)化目標(biāo)函數(shù)以及約束條件均為凸函數(shù)，同時(shí)，ωi,j的可行域是連續(xù)的凸集，因此P2′是一個(gè)凸優(yōu)化問(wèn)題。通過(guò)構(gòu)造拉格朗日函數(shù)并結(jié)合KKT(Karush-Kuhn-Tucker)條件，可得到優(yōu)化問(wèn)題P2′的最優(yōu)解為

(22)

2.2 多MEC服務(wù)器選擇

在主從MEC系統(tǒng)中，從MEC服務(wù)器負(fù)責(zé)執(zhí)行主MEC服務(wù)器上過(guò)量的任務(wù)，因此，為了求解多MEC服務(wù)器選擇，首先需確定可以在主MEC服務(wù)器上完成的任務(wù)集合N1，再將過(guò)量的任務(wù)分配給從MEC服務(wù)器。

規(guī)定所有可在主MEC服務(wù)器執(zhí)行的任務(wù)需滿足式(23)約束：

Ui,1≤Ui,0,?Ti∈N1，

(23)

即對(duì)于集合N1中的所有任務(wù)，執(zhí)行代價(jià)應(yīng)小于本地執(zhí)行代價(jià)。

為了在完成多MEC服務(wù)器選擇的同時(shí)最小化任務(wù)執(zhí)行代價(jià)，本文提出一種基于貪婪的多MEC選擇算法(Greedy Based Multi-MEC Selection Algorithm，GBMS)。GBMS算法通過(guò)貪婪思想分階段進(jìn)行求解，對(duì)于多MEC服務(wù)器選擇問(wèn)題，該算法將較為容易地得到一個(gè)次最優(yōu)解。

輸入：多任務(wù)信息，主、從MEC服務(wù)器信息、集合Na。

for

l=l+1;

N1,l=N1,l-1∪{Tl};

else

Nc,l=Nc,l-1∪{Tl};

N1,l=N1,l-1;

end if

end if

if(l==L)

break;

end if

end for

根據(jù)集合N1,l與集合Nc,l生成多MEC服務(wù)器選擇矩陣B。

輸出：最終代價(jià)U(N1,L)+U(Nc,L)，多MEC服務(wù)器選擇矩陣B。

算法保證了二次卸載的任務(wù)是主MEC服務(wù)器過(guò)量的任務(wù)。在算法中，主MEC服務(wù)器上任務(wù)代價(jià)U(N1,l)容易求解，但從MEC服務(wù)器上任務(wù)執(zhí)行代價(jià)U(Nc,l)需要將過(guò)量任務(wù)匹配到M-1個(gè)從MEC服務(wù)器上后才可求解。

為了更清晰地表述集合Nc中最小化任務(wù)代價(jià)的問(wèn)題，假設(shè)此時(shí)集合Nc中共有N′個(gè)任務(wù)。另外，在這個(gè)問(wèn)題中只需要考慮M-1個(gè)從MEC服務(wù)器。因此，本文引入任務(wù)分配矩陣Z=(zi,j)N′×M-1,zi,j∈{0,1}表示要求解的矩陣。此時(shí)，最小化集合Nc中任務(wù)代價(jià)的問(wèn)題為

(24a)

s.t.C1:zi,j∈{0,1},

(24b)

問(wèn)題P3中目標(biāo)函數(shù)W′是原問(wèn)題P1目標(biāo)函數(shù)W去除已確定在主MEC服務(wù)器與本地執(zhí)行的任務(wù)后的目標(biāo)函數(shù)，約束條件保證每個(gè)任務(wù)都只能在一個(gè)從MEC服務(wù)器上執(zhí)行。對(duì)于該問(wèn)題，將會(huì)有2N′+1種選擇，是NP-hard問(wèn)題。

為有效解決這個(gè)問(wèn)題，本文通過(guò)一種連續(xù)變量替換結(jié)合迭代近似的方法進(jìn)行求解[18]。首先對(duì)原優(yōu)化問(wèn)題進(jìn)行變量近似替換，引入連續(xù)變量vi,j。vi,j有以下性質(zhì)：

(25)

另外設(shè)定線性函數(shù)V(vi,j)，其表達(dá)式為

(26)

式中：ε是一個(gè)小值，t是迭代次數(shù)。接著，用vi,k替換P3約束條件中的zi,j，用V(vi,j)替換P3表達(dá)式中的zi,j，替換變量后的問(wèn)題是凸優(yōu)化問(wèn)題[18]，容易求解。

(27)

輸入：從MEC服務(wù)器執(zhí)行任務(wù)集合Nc，從MEC服務(wù)器信息。

初始化：t=0;

對(duì)集合Nc中的計(jì)算任務(wù):

for

t=t+1;

將式(22)代入問(wèn)題P3，并替換變量;

break;

end if

end for

輸出：任務(wù)分配矩陣Z、二次卸載任務(wù)代價(jià)U(Nc)。

2.3 卸載集更新

完成多MEC服務(wù)器選擇以及計(jì)算資源分配之后，通過(guò)卸載集更新策略對(duì)上一次卸載集A進(jìn)行更新。為減少不必要的卸載，制定卸載更新策略為

(28)

當(dāng)本地執(zhí)行代價(jià)不大于卸載執(zhí)行代價(jià)時(shí)，用戶(hù)不進(jìn)行任務(wù)卸載，這樣確保單個(gè)用戶(hù)執(zhí)行代價(jià)不會(huì)過(guò)大，同時(shí)也不占用MEC服務(wù)器的計(jì)算資源。另外，結(jié)合圖2所示流程圖與卸載更新策略，當(dāng)聯(lián)合方案沒(méi)有產(chǎn)生最終決策時(shí)，將嘗試卸載本地執(zhí)行且執(zhí)行代價(jià)最大的任務(wù)。這是由于該任務(wù)最可能通過(guò)卸載減少代價(jià)，若該任務(wù)卸載無(wú)法帶來(lái)代價(jià)的減少，則可認(rèn)為方案已經(jīng)得到最優(yōu)解。

2.4 聯(lián)合卸載方案時(shí)間復(fù)雜度

假設(shè)聯(lián)合卸載方案一共進(jìn)行S次迭代，每次迭代中需要執(zhí)行GBMS算法、計(jì)算資源分配以及卸載集更新。其中，計(jì)算資源分配只需相應(yīng)的值計(jì)算；GBMS算法通過(guò)一輪迭代遍歷Na中所有用戶(hù)，迭代次數(shù)為L(zhǎng)，在每次迭代中，U(N1)的求解可直接計(jì)算得到，U(Nc)的求解需要通過(guò)二次卸載算法求得，二次卸載算法也是一輪迭代，迭代次數(shù)為T(mén)，故GBMS算法的時(shí)間復(fù)雜度為O(LT)；卸載集更新中尋找到本地執(zhí)行且代價(jià)最大的用戶(hù)的時(shí)間復(fù)雜度為常數(shù)復(fù)雜度O(N)。因此，本文聯(lián)合卸載方案的時(shí)間復(fù)雜度為O(NS+LTS)。

3 仿真與分析

3.1 仿真參數(shù)設(shè)置

本文仿真基于Matlab平臺(tái)，仿真參數(shù)設(shè)置為[3,13]：網(wǎng)絡(luò)總帶寬B為5 MHz，信道噪聲與干擾的功率譜密度為-174 dBm/Hz,信道增益在[-50,-30]內(nèi)呈均勻分布，用戶(hù)i本地的CPU頻率floc,i在[0.5,1]GHz中隨機(jī)分布，并且其任務(wù)的數(shù)據(jù)大小bi在[600,1 000]kB中隨機(jī)分布，單位任務(wù)計(jì)算量di在[200,600]cycle/b中隨機(jī)取值，用戶(hù)i的發(fā)射功率P=0.1 W，系數(shù)κ=10-27，默認(rèn)狀態(tài)下有40個(gè)用戶(hù)請(qǐng)求卸載。主MEC服務(wù)器提供的CPU頻率F1=20 GHz，從MEC服務(wù)器提供的CPU頻率在[2,8]GHz內(nèi)隨機(jī)分布，MEC服務(wù)器之間有線鏈路傳輸速率為20 MB/s，默認(rèn)狀態(tài)下有5個(gè)從MEC服務(wù)器參與輔助計(jì)算。

3.2 仿真結(jié)果分析

在任務(wù)總計(jì)算量不變的情況下，本文方案中任務(wù)數(shù)據(jù)量與代價(jià)的關(guān)系仿真結(jié)果如圖3所示?？梢钥吹剑偞鷥r(jià)隨數(shù)據(jù)量增加而增加。當(dāng)數(shù)據(jù)量較小時(shí)，由于傳輸帶來(lái)的卸載代價(jià)較少，方案將大量任務(wù)卸載，因此本地代價(jià)較低。隨著任務(wù)數(shù)據(jù)量的增加，傳輸帶來(lái)的卸載代價(jià)增多，方案決策任務(wù)在本地執(zhí)行，因此本地代價(jià)增加。

圖3 數(shù)據(jù)量與代價(jià)關(guān)系圖

圖4是當(dāng)任務(wù)數(shù)據(jù)量不變時(shí)，任務(wù)執(zhí)行代價(jià)隨單位計(jì)算量增加的變化情況?？梢钥吹剑S單位計(jì)算量增加，總的代價(jià)也隨之增加，本地代價(jià)先增加后減少，先增加是因?yàn)橛?jì)算量增加導(dǎo)致的代價(jià)增加；當(dāng)本地代價(jià)超過(guò)卸載執(zhí)行代價(jià)時(shí)，本文方案會(huì)將任務(wù)卸載執(zhí)行，因此在圖中本地代價(jià)曲線下降，并可預(yù)期本地代價(jià)將逐步減少為零。

圖4 單位計(jì)算量與代價(jià)關(guān)系圖

圖5為本文方案中從MEC服務(wù)器數(shù)量與用戶(hù)卸載數(shù)量的關(guān)系，可以看到，隨著從MEC服務(wù)器數(shù)量的增加，卸載到主MEC服務(wù)器用戶(hù)的數(shù)量大體相同，這是因?yàn)楸疚姆桨笇⑷蝿?wù)優(yōu)先卸載到主MEC服務(wù)器執(zhí)行。在這個(gè)過(guò)程中，觀察到從MEC服務(wù)器執(zhí)行的任務(wù)數(shù)量并不是以線性增長(zhǎng)的。這是因?yàn)楫?dāng)大量用戶(hù)卸載時(shí)，卸載代價(jià)也隨之增加，受卸載更新策略的影響，方案會(huì)使一些任務(wù)在本地執(zhí)行。

圖5 從MEC服務(wù)器數(shù)量與用戶(hù)卸載數(shù)量關(guān)系

從圖6中可以看出本文方案隨著從MEC服務(wù)器數(shù)量增加，系統(tǒng)總代價(jià)將減少。并且，觀察到當(dāng)從MEC服務(wù)器足夠多時(shí)，卸載代價(jià)與本地代價(jià)將趨于穩(wěn)定。這是因?yàn)楫?dāng)從MEC服務(wù)器數(shù)量增多，可以使更多任務(wù)卸載執(zhí)行，但這也增加了任務(wù)傳輸?shù)拇鷥r(jià)。因此，卸載代價(jià)與本地代價(jià)將逐漸趨于穩(wěn)定。

圖6 從MEC服務(wù)器數(shù)量與代價(jià)關(guān)系

從圖7中可以看出隨著請(qǐng)求卸載任務(wù)數(shù)量的增加，本文方案優(yōu)先將任務(wù)卸載到主MEC服務(wù)器執(zhí)行。當(dāng)主MEC服務(wù)器執(zhí)行的任務(wù)增多時(shí)，由于受到式(23)的限制，部分任務(wù)被卸載到從MEC服務(wù)器執(zhí)行。最終當(dāng)主MEC服務(wù)器與從MEC服務(wù)器無(wú)法再降低任務(wù)執(zhí)行代價(jià)時(shí)，過(guò)量的任務(wù)將在本地執(zhí)行。

圖7 請(qǐng)求任務(wù)個(gè)數(shù)與實(shí)際卸載任務(wù)關(guān)系

圖8為用戶(hù)數(shù)量與任務(wù)執(zhí)行總代價(jià)的關(guān)系，可以看到當(dāng)用戶(hù)數(shù)量較少時(shí)隨機(jī)方案的代價(jià)最少。這是因?yàn)殡S機(jī)方案將任務(wù)隨機(jī)分配給不同的MEC服務(wù)器，可利用的資源更多，而本文方案與MC-GBA方案將任務(wù)優(yōu)先卸載至主MEC服務(wù)器，并沒(méi)有利用從MEC服務(wù)器的資源。隨著用戶(hù)數(shù)量增加，本文方案可以獲得最少的代價(jià)，這是因?yàn)楸疚姆桨覆粩嗟貙⒆钣锌赡軠p少代價(jià)的任務(wù)卸載，直到?jīng)]有代價(jià)的更新，因此代價(jià)低于其他方案。

圖8 用戶(hù)數(shù)量與總代價(jià)關(guān)系對(duì)比

圖9為從MEC服務(wù)器數(shù)量對(duì)系統(tǒng)總代價(jià)的影響。如圖所示，在沒(méi)有從MEC服務(wù)器時(shí)，本文方案的代價(jià)大于統(tǒng)一方案的代價(jià)。這是由于本文方案基于貪婪策略為主MEC服務(wù)器分配任務(wù)，得到的不是全局最優(yōu)解，但貪婪思想可以減少計(jì)算復(fù)雜度。隨著從MEC服務(wù)器數(shù)量增多，除統(tǒng)一方案與本地執(zhí)行方案，其他方案可利用的資源增加，代價(jià)進(jìn)一步降低。本文方案相比于MC-GBA方案對(duì)多MEC服務(wù)器中的任務(wù)分配更加合理，同時(shí)每次更新盡可能減少代價(jià)，因此，本文方案有最低的總代價(jià)。

圖9 從MEC服務(wù)器數(shù)量與總代價(jià)關(guān)系對(duì)比

4 結(jié)束語(yǔ)

本文研究了主從MEC服務(wù)器的協(xié)作卸載問(wèn)題，提出了一種聯(lián)合卸載方案。方案每次迭代，首先根據(jù)設(shè)計(jì)的GBMS算法完成多MEC服務(wù)器選擇，接著求解凸優(yōu)化問(wèn)題得到計(jì)算資源分配，最后更新卸載集，嘗試卸載本地執(zhí)行且代價(jià)最大的任務(wù)。仿真結(jié)果表明，所提方案能夠緩解熱點(diǎn)小區(qū)MEC服務(wù)器計(jì)算資源有限的問(wèn)題，并有效降低請(qǐng)求卸載用戶(hù)的總代價(jià)。

未來(lái)的研究目標(biāo)是整合熱區(qū)分集技術(shù)與任務(wù)卸載技術(shù)，設(shè)計(jì)有效的任務(wù)卸載方案，在更廣泛的實(shí)際場(chǎng)景中提高M(jìn)EC服務(wù)的可靠性與有效性。