姜靜/JIANG Jing，喬東偉/QIAO Dongwei，Worakrin SUTTHIPHAN

（1.西安郵電大學(xué)陜西省信息通信網(wǎng)絡(luò)與安全重點實驗室，中國 西安 710121；2.泰國國家電信有限公司，泰國 曼谷 10700）

隨著5G網(wǎng)絡(luò)的規(guī)?；渴鸺靶乱淮畔⑼ㄐ偶夹g(shù)的高速發(fā)展，信息通信行業(yè)面臨著日益增長的能耗和碳排放壓力。預(yù)計到2025年，通信行業(yè)將消耗全球20%的電力。為了實施國家的“雙碳”戰(zhàn)略，工業(yè)和信息化部等7個部門聯(lián)合發(fā)布了《信息通信行業(yè)綠色低碳發(fā)展行動計劃（2022-2025年）》，強調(diào)未來網(wǎng)絡(luò)應(yīng)實現(xiàn)綠色、低碳和高質(zhì)量發(fā)展。運營商希望充分利用各種場景下的業(yè)務(wù)特征，實現(xiàn)無線服務(wù)的按需精準投放，減少網(wǎng)絡(luò)建設(shè)和運營成本，提高資源利用效率和成本效益[1-2]。為了實現(xiàn)該目標，IMT-2030（6G）推進組發(fā)布了《6G典型場景和關(guān)鍵能力》白皮書，提出了6G網(wǎng)絡(luò)應(yīng)具備按需服務(wù)能力。即通過已有業(yè)務(wù)數(shù)據(jù)的分析和挖掘，實現(xiàn)個性化和精準的服務(wù)供給[3]。因此，綠色低碳發(fā)展和按需服務(wù)將成為6G網(wǎng)絡(luò)設(shè)計和部署的關(guān)鍵要素，打造更環(huán)保、高效和可持續(xù)發(fā)展的移動通信網(wǎng)絡(luò)。

無蜂窩大規(guī)模多輸入多輸出（MIMO）于2017年由瑞典林雪平大學(xué)的E.G.LARSSON教授和美國紐約大學(xué)的T.L.MARZETTA教授在分布式天線系統(tǒng)（DAS）的基礎(chǔ)上共同提出，旨在解決5G部署中傳統(tǒng)蜂窩通信網(wǎng)絡(luò)小區(qū)間干擾嚴重、越區(qū)切換頻繁等問題[4]。無蜂窩大規(guī)模MIMO系統(tǒng)在覆蓋范圍內(nèi)分布部署大量的無線接入點（AP），通過回程鏈路與中央處理器（CPU）鏈接，多個AP形成協(xié)作集合為用戶提供服務(wù)。6G網(wǎng)絡(luò)在架構(gòu)層面將通信網(wǎng)絡(luò)與算力、算法和數(shù)據(jù)深度融合，構(gòu)建網(wǎng)絡(luò)內(nèi)完整的智能體系。如圖1所示，無蜂窩大規(guī)模MIMO邊緣智能網(wǎng)絡(luò)在CPU或AP部署移動邊緣計算（MEC）服務(wù)器，通過MEC的緩存功能顯著降低前/后向鏈路的流量負載和系統(tǒng)能耗，從而解決無蜂窩網(wǎng)絡(luò)部署時前/后向鏈路容量受限的瓶頸問題；MEC借助無蜂窩均勻、一致的覆蓋性能，提高計算和緩存下載的成功概率[5]。無蜂窩大規(guī)模MIMO邊緣智能網(wǎng)絡(luò)結(jié)合了MEC和無蜂窩大規(guī)模MIMO系統(tǒng)的性能優(yōu)勢，融合通信、計算、存儲等功能，具有高效、可靠、低延遲與低成本的優(yōu)勢，成為6G的重要研究方向之一[6-7]。

圖1 基于服務(wù)覆蓋的無蜂窩大規(guī)模多輸入多輸出智能網(wǎng)絡(luò)

傳統(tǒng)的無蜂窩大規(guī)模MIMO系統(tǒng)假定AP隨機、均勻分布在覆蓋區(qū)域。該假設(shè)較為理想化，未充分挖掘無蜂窩網(wǎng)絡(luò)部署靈活的性能優(yōu)勢。文獻[8]首次研究無蜂窩大規(guī)模MIMO中的AP位置優(yōu)化問題，證明了基于最大吞吐量的AP位置優(yōu)化方法與AP隨機部署的傳統(tǒng)方案相比，系統(tǒng)總吞吐量提高了3倍；與Lloyd算法（和距離最?。┎渴鸱椒ㄏ啾?，系統(tǒng)總吞吐量提高了1.25倍。文獻[9]將遺傳算法（GA）與射線追蹤（RT）信道模擬方法相結(jié)合，以最大化系統(tǒng)能效為目標生成最佳AP部署方案。上述工作證明了AP部署的優(yōu)化將顯著提高無蜂窩大規(guī)模MIMO系統(tǒng)性能。但是，現(xiàn)有研究中無蜂窩大規(guī)模MIMO技術(shù)的研究通常以系統(tǒng)整體的吞吐量最大、能效最優(yōu)等作為優(yōu)化目標[10-12]，未考慮用戶和移動業(yè)務(wù)在不同區(qū)域的非均勻分布特性，如何通過無蜂窩網(wǎng)絡(luò)AP和CPU部署等實現(xiàn)6G精準、個性的服務(wù)供給尚未有研究。

為了匹配非均勻的移動業(yè)務(wù)分布特征，實現(xiàn)按需精準投放，提高資源投入的性價比，服務(wù)覆蓋作為一種新的網(wǎng)絡(luò)性能度量被提出[13]。服務(wù)覆蓋的定義為每覆蓋單元的傳輸容量與業(yè)務(wù)流量需求的比率，表征了6G網(wǎng)絡(luò)的服務(wù)能力與業(yè)務(wù)需求之間的匹配程度。文獻[14]以最佳服務(wù)覆蓋為目標，實現(xiàn)覆蓋單元的總吞吐量與平均速率需求的比率之和的最大化，以此來優(yōu)化接入點的部署。構(gòu)建基于服務(wù)覆蓋的目標模型可以使無蜂窩大規(guī)模MIMO網(wǎng)絡(luò)達到按需服務(wù)的能力。同時，基于多元線性回歸模型的梯度下降算法可以求解接入點的位置問題，實現(xiàn)無蜂窩網(wǎng)絡(luò)業(yè)務(wù)需求的精準匹配，顯著提升系統(tǒng)的能量效率與頻譜效率。

針對傳統(tǒng)蜂窩網(wǎng)絡(luò)中MEC服務(wù)器的部署問題，文獻[15]提出在通信和計算時延受限的條件下，推導(dǎo)MEC系統(tǒng)模型下通信延遲和計算延遲與網(wǎng)絡(luò)負載和網(wǎng)絡(luò)資源參數(shù)的比例關(guān)系，為AP、MEC服務(wù)器和中心服務(wù)器（CS）的部署提供了理論依據(jù)。文獻[16]以最大化服務(wù)范圍內(nèi)的資源利用率為目標，求解了基于隨機部署的MEC服務(wù)器最優(yōu)部署密度。文獻[17]利用非均勻泊松點過程模擬MEC服務(wù)器的部署過程，求解滿足預(yù)期業(yè)務(wù)需求的基站和MEC服務(wù)器位置和數(shù)量。文獻[18]針對由不同傳輸功率和計算能力的多層異構(gòu)無線網(wǎng)絡(luò)，根據(jù)MEC服務(wù)器的用戶類型和AP分層設(shè)計求解最優(yōu)成功邊緣計算概率，為MEC的優(yōu)化配置提供指導(dǎo)。針對無蜂窩大規(guī)模MIMO邊緣智能網(wǎng)絡(luò)的MEC服務(wù)器部署，文獻[6]證明在無蜂窩大規(guī)模MIMO邊緣智能網(wǎng)絡(luò)的MEC部署中，CS成功接收到用戶的卸載任務(wù)的概率隨著AP覆蓋范圍的增大而降低。因此，在給定的成功卸載概率情況下，配置更多的AP將會更節(jié)能。但是上述MEC服務(wù)器的部署研究尚未解決在考慮通信和計算深度耦合條件下，無蜂窩邊緣智能網(wǎng)絡(luò)如何提供滿足多樣化業(yè)務(wù)需求的通信傳輸能力和算力。

本文將研究基于服務(wù)覆蓋的無蜂窩網(wǎng)絡(luò)AP和MEC的聯(lián)合部署，首先建立多樣化業(yè)務(wù)需求的服務(wù)覆蓋理論模型，并利用元學(xué)習(xí)的學(xué)習(xí)能力，實現(xiàn)多種應(yīng)用場景和多樣化業(yè)務(wù)需求的服務(wù)覆蓋建模；然后根據(jù)非均勻分布的業(yè)務(wù)需求，以每個覆蓋單元的最佳服務(wù)覆蓋為目標，研究大規(guī)模MIMO無蜂窩網(wǎng)絡(luò)AP和MEC在多資源約束條件下的聯(lián)合部署和構(gòu)型，通過松弛引入輔助變量將非凸離散問題轉(zhuǎn)化為凸連續(xù)問題，求解接入點和MEC的聯(lián)合部署位置，從而實現(xiàn)無蜂窩大規(guī)模MIMO網(wǎng)絡(luò)中與實際業(yè)務(wù)相匹配的傳輸能力與協(xié)同算力。

1 基于服務(wù)覆蓋的無蜂窩邊緣網(wǎng)絡(luò)設(shè)計

針對多樣化的業(yè)務(wù)需求和應(yīng)用場景，根據(jù)服務(wù)覆蓋定義結(jié)合6G典型應(yīng)用場景建立多樣化的服務(wù)覆蓋理論模型，進而以最大服務(wù)覆蓋為目標，設(shè)計和優(yōu)化AP、CPU以及MEC服務(wù)器的部署、網(wǎng)絡(luò)構(gòu)型、算力資源和頻譜資源，實現(xiàn)精準按需服務(wù)的無蜂窩大規(guī)模MIMO邊緣智能網(wǎng)絡(luò)的傳輸能力、計算緩存能力和存儲能力。

1.1 基于服務(wù)覆蓋需求統(tǒng)計預(yù)測和設(shè)計

6G業(yè)務(wù)豐富多樣，每種業(yè)務(wù)對傳輸速率、流量密度、空口時延、同步和抖動、移動性、計算時延、計算能力等性能指標的需求有所不同。為精確統(tǒng)計不同業(yè)務(wù)需求，本文將覆蓋區(qū)域劃分為N個覆蓋單元，如圖1所示。與文獻[13]中服務(wù)覆蓋定義為傳輸速率和業(yè)務(wù)需求速率之比不同，針對多樣化的業(yè)務(wù)需求，本文中我們假設(shè)場景的關(guān)鍵服務(wù)能力由多個元素組成，例如：傳輸速率、時延和可靠性要求等，則服務(wù)覆蓋定義如下：

其中，ant為每種關(guān)鍵能力的加權(quán)系數(shù)，其取值與該區(qū)域的特定業(yè)務(wù)占比、用戶模型等有關(guān)，所有關(guān)鍵能力的加權(quán)系數(shù)之和為1。Ci,i=1,2,3為覆蓋單元內(nèi)可實現(xiàn)的通信和計算能力，Ti,i=1,2,3該區(qū)域內(nèi)不同類型的業(yè)務(wù)需求。

根據(jù)上述定義，我們利用元學(xué)習(xí)的學(xué)習(xí)能力不斷學(xué)習(xí)或獲取典型場景中的業(yè)務(wù)特征和關(guān)鍵能力表達，實現(xiàn)多種應(yīng)用場景和多樣化業(yè)務(wù)需求的服務(wù)覆蓋建模分析。具體流程如圖2所示：首先，定義關(guān)鍵業(yè)務(wù)需求和服務(wù)能力的數(shù)據(jù)標簽和訓(xùn)練樣本，嵌入6G典型場景的訓(xùn)練樣本；其次，通過實際場景的少量樣本，訓(xùn)練和獲取不同移動業(yè)務(wù)的關(guān)鍵技術(shù)需求；再次，借助線性分類器產(chǎn)生不同業(yè)務(wù)的權(quán)重系數(shù)，平衡多樣化業(yè)務(wù)需求對網(wǎng)絡(luò)關(guān)鍵服務(wù)能力的要求，確定網(wǎng)絡(luò)的關(guān)鍵服務(wù)能力；最后，依據(jù)不同覆蓋區(qū)域的業(yè)務(wù)需求和關(guān)鍵服務(wù)能力，建立服務(wù)覆蓋模型。利用測試樣本完成模型的驗證和優(yōu)化，可以提高服務(wù)覆蓋的準確性、系統(tǒng)性和科學(xué)性。

圖2 基于元學(xué)習(xí)的服務(wù)覆蓋建模分析

1.2 基于服務(wù)覆蓋的無蜂窩大規(guī)模MIMO部署設(shè)計

在無蜂窩網(wǎng)絡(luò)中，AP部署的密度、位置、服務(wù)范圍決定了AP與用戶間的路徑損耗，直接影響容量、能耗和通信時延等系統(tǒng)性能?；诜?wù)覆蓋的無蜂窩大規(guī)模MIMO部署設(shè)計將以每個覆蓋單元的最佳服務(wù)覆蓋為目標，通過構(gòu)建基于AP數(shù)量和位置的無蜂窩網(wǎng)絡(luò)可達速率的閉合表達式，設(shè)計大規(guī)模MIMO無蜂窩系統(tǒng)的拓撲結(jié)構(gòu)，優(yōu)化無蜂窩網(wǎng)絡(luò)的系統(tǒng)性能。在優(yōu)化的過程中，讓每一個覆蓋單元的業(yè)務(wù)需求和傳輸能力相匹配，可以最小化總覆蓋范圍內(nèi)的匹配能力差之和，從而優(yōu)化每個覆蓋單元的精細化服務(wù)能力迭代，最終實現(xiàn)無蜂窩網(wǎng)絡(luò)的按需、精準服務(wù)能力。

1.3 基于服務(wù)覆蓋的無蜂窩邊緣智能網(wǎng)絡(luò)設(shè)計

在無蜂窩邊緣智能網(wǎng)絡(luò)中，AP或CPU配置了MEC服務(wù)器，網(wǎng)絡(luò)邊緣能夠?qū)崟r存儲、下載、處理和分析數(shù)據(jù)。面對不同應(yīng)用場景下豐富多樣的業(yè)務(wù)需求，基于服務(wù)覆蓋的無蜂窩邊緣智能網(wǎng)絡(luò)不僅需要考慮通信需求，還需要考慮算力、計算時延等業(yè)務(wù)需求的匹配程度。為實現(xiàn)無蜂窩邊緣智能網(wǎng)絡(luò)通信、計算、存儲的聯(lián)合部署，不僅需要優(yōu)化AP個數(shù)和密度、AP部署位置，還需要優(yōu)化CPU和MEC的算力、MEC部署個數(shù)和容量、MEC和AP的連接關(guān)系，從而實現(xiàn)與業(yè)務(wù)需求相匹配的計算、存儲和通信能力。進一步地，CPU根據(jù)流量負載、緩存和計算需求對通信資源進行動態(tài)分配和調(diào)度，匹配用戶的需求，實現(xiàn)通信和計算能力的協(xié)同優(yōu)化，提升資源利用率和通信計算質(zhì)量。

2 系統(tǒng)架構(gòu)與目標函數(shù)

針對無蜂窩邊緣智能網(wǎng)絡(luò)中非均勻的通信與計算需求，本文將通過AP和MEC的部署優(yōu)化，實現(xiàn)與每個覆蓋單元業(yè)務(wù)需求相匹配的計算與通信能力。首先，構(gòu)建無蜂窩邊緣智能網(wǎng)絡(luò)通信與計算系統(tǒng)模型。其中，通信模型建模了覆蓋單元內(nèi)用戶的可達傳輸速率；計算模型用于表征該覆蓋區(qū)域內(nèi)MEC的計算處理能力，用于匹配覆蓋單元內(nèi)用戶非均勻的計算任務(wù)。其次，分析了無蜂窩邊緣智能網(wǎng)絡(luò)中的通信與計算能力之間的關(guān)系。最后，以最大化每個覆蓋單元內(nèi)的服務(wù)覆蓋為目標，每個覆蓋單元獲得相匹配的通信計算能力。

2.1 系統(tǒng)模型

在無蜂窩邊緣智能網(wǎng)絡(luò)系統(tǒng)中，我們假設(shè)所有AP均配備獨立的MEC服務(wù)器并通過回程鏈路連接到CPU，并分布在N個覆蓋單元內(nèi)，如圖1所示。假設(shè)第m個AP和第k個用戶之間的信道表示為：gmk=，其中βmk和hmk分別為大尺度衰落和小尺度衰落，hmk～CN(0,1)。相干周期τc劃分為τp個導(dǎo)頻傳輸間隔和τc-τp個上行鏈路數(shù)據(jù)傳輸間隔。第k個用戶在相干時間開始同時發(fā)送導(dǎo)頻序列ψk∈Cτc×1，τp=K。因此，第m個AP處接收到的信號為：

其中，pk=ηk為發(fā)射功率，ηk和分別表示第k個用戶的功率控制系數(shù)和最大上行鏈路功率。xk表示第k個用戶的上行鏈路數(shù)據(jù)，ωpm是一個τp維的加性噪聲，且滿足ωpm～CN(0,1)。

第k個用戶的信號通過AP經(jīng)由CPU被組合成如下解碼形式：

其中，z∈RL×1為0和1組成的決策向量，表示為z={z1,z2,…,zL}T,zl=1表示在第l個位置聯(lián)合部署AP和MEC。γk為第k個用戶的信干噪比，k∈Un表示第k個用戶位于第n個單元。

假設(shè)第k個用戶有大小為Tkbits的計算密集型任務(wù)，由于移動設(shè)備的計算能力和電池容量有限，用戶端無法承受高強度的計算任務(wù)，因此假設(shè)第k個用戶將Tkbits任務(wù)全部卸載至邊緣服務(wù)器而不考慮在本地并行計算。當計算任務(wù)卸載到邊緣服務(wù)器時，經(jīng)歷的延遲可以分解為卸載數(shù)據(jù)的傳輸延遲和邊緣服務(wù)器處理的計算延遲。

因此，第n個單元的時延表示為第n個覆蓋單元內(nèi)用戶的總時延，具體為：

其中，表示第n個覆蓋單元內(nèi)用戶卸載數(shù)據(jù)到邊緣服務(wù)器所需的傳輸延遲；表示第n個單元內(nèi)邊緣服務(wù)器處理用戶任務(wù)的總計算延遲；fmk為連接第m個AP的MEC用于執(zhí)行第k個用戶的處理速度，單位為cycles/s，且fmk≤fmax，fmax為每個邊緣服務(wù)器處理能力上限；Ncpb為處理1 bit信息所需的周期數(shù)，單位為cycles/bit。

2.2 目標函數(shù)

本文以實現(xiàn)最大服務(wù)覆蓋為目標，根據(jù)差異化的業(yè)務(wù)需求設(shè)計了無蜂窩邊緣智能網(wǎng)絡(luò)的AP和算力部署，包括MEC的計算能力fmk、MEC服務(wù)器個數(shù)M、AP和MEC服務(wù)器聯(lián)合部署位置z。假定服務(wù)覆蓋的關(guān)鍵能力要素包括網(wǎng)絡(luò)算力、系統(tǒng)時延和通信可達速率，則服務(wù)覆蓋區(qū)域定義如下：

其中，ant∈[0,1]為每種關(guān)鍵能力的加權(quán)系數(shù)且其取值與該區(qū)域的特定業(yè)務(wù)占比、用戶模型等有關(guān)。Tn(z)為第n個覆蓋區(qū)域系統(tǒng)可提供的計算能力，為該區(qū)域的算力需求；tn(z)為第n個覆蓋區(qū)域內(nèi)用戶處理密集型任務(wù)可達到的最小時延，為第n個覆蓋區(qū)域內(nèi)應(yīng)滿足的最小時延；Cn(z)為第n個覆蓋區(qū)域系統(tǒng)可提供的傳輸容量，為第n個位置區(qū)域業(yè)務(wù)傳輸所需的平均容量。

在無蜂窩邊緣智能網(wǎng)絡(luò)中，針對不同覆蓋單元非均勻的通信與計算需求，通過合理的算力資源和AP部署，可以為用戶提供低時延、高可靠的通信和計算需求，并滿足系統(tǒng)最小計算和通信時延的約束條件。該問題建模為P1：

第1個限制條件中，z表示AP和MEC的部署方案，zl為0或1組成的AP和MEC部署位置元素，通過聯(lián)合部署實現(xiàn)每個覆蓋區(qū)域算力和通信需求的精準匹配；第2個限制條件為第n個覆蓋單元內(nèi)，傳輸和計算時延應(yīng)小于該單元內(nèi)移動業(yè)務(wù)允許的最小時延。σ為冗余因子，為網(wǎng)絡(luò)業(yè)務(wù)突發(fā)留有合理的傳輸能力冗余。

3 基于服務(wù)覆蓋的無蜂窩邊緣智能網(wǎng)絡(luò)部署

P1是一個多目標多約束的混合整數(shù)非線性規(guī)劃問題，首先將覆蓋區(qū)域內(nèi)通信和計算能力轉(zhuǎn)化為約束條件，然后利用拉格朗日松弛法和罰函數(shù)法對問題中的整數(shù)約束進行松弛得到連續(xù)非凸問題，最后通過引入輔助變量將非凸目標函數(shù)和約束條件進行近似，再利用連續(xù)凸逼近算法迭代求解。

首先，問題P1轉(zhuǎn)化為P2：

其中，離散變量zl被松弛為取值范圍從0～1的連續(xù)變量，然后利用罰函數(shù)法使約束條件（16）成為目標函數(shù)的一部分，優(yōu)化問題P2則轉(zhuǎn)換為P3：

其中，μ是懲罰因子，在zl不等于0或1時懲罰目標函數(shù)，迫使松弛后的連續(xù)變量zl逼近0或1。通過松弛，約束條件（12）-（15）和目標函數(shù)中離散變量乘連續(xù)變量的結(jié)構(gòu)變成了連續(xù)變量乘連續(xù)變量的結(jié)構(gòu)，但仍是非凸的，通過引入輔助變量r和新的非凸約束條件，可得：

這時可將P3等價轉(zhuǎn)換為minr。我們設(shè)minr可行域為Ω={z,,γk,r}，根據(jù)文獻[19]先求得（12）-（15）、（17）和（19）這些非負約束條件在可行解Ω(k)處的近似函數(shù)，從而得到連續(xù)的凸優(yōu)化問題P4：

s.t.（15），（17），（21），（22），（23），（24）。

其中，（21）-（24）為非凸相乘轉(zhuǎn)化為在可行解Ω(k)處的DC函數(shù)近似形式：

凸優(yōu)化問題P4可以通過內(nèi)點法或MATLAB的凸優(yōu)化工具箱（CVX）等方法求解，從而得到最優(yōu)解對應(yīng)minr在約束（19）和可行解Ω(k)處近似函數(shù)的最小值。根據(jù)連續(xù)凸逼近，我們令Ω(k+1)=，并將Ω(k+1)作為新的可行解代入問題P4，對新的近似函數(shù)進行下一輪凸優(yōu)化求解，直到結(jié)果收斂到局部最優(yōu)解或不可行解?；谶B續(xù)凸逼近的迭代算法如算法1。

算法1：基于連續(xù)凸逼近的迭代求解算法初始化：定義精度ε，最大迭代次數(shù)Imax，迭代序號n=0，懲罰因子η，懲罰因子倍增系數(shù)c=2，初始最優(yōu)值r(0)=inf，設(shè)置

4 仿真結(jié)果與分析

在仿真過程中，我們首先生成非均勻的用戶業(yè)務(wù)流量場景，并得到該區(qū)域的平均流量需求。然后，利用文獻[21]中的熱點模型生成非均勻分布的用戶位置，使用戶在熱點區(qū)域分布得更加密集，在低業(yè)務(wù)區(qū)域分布得更加稀疏，并在該模型下，通過調(diào)整熱點區(qū)域的數(shù)量來使用戶分布更符合真實場景。我們設(shè)置了3個熱點區(qū)域，利用偏移因子μδ∈[0,1]來表示用戶在熱點區(qū)域中的聚類程度。當μδ=0時，用戶均勻分布在覆蓋區(qū)域內(nèi)；隨著μδ的增加，用戶更緊密地分布在熱點區(qū)域。對于業(yè)務(wù)流量的產(chǎn)生，假設(shè)流量到達遵循泊松過程，那么可以通過設(shè)置平均到達率υ來模擬各種不均勻的流量分布。

本文中，我們考慮了一個由M個配備了MEC的AP和K個用戶組成的1 km×1 km的無蜂窩大規(guī)模MIMO邊緣智能網(wǎng)絡(luò)系統(tǒng)。我們將覆蓋區(qū)域劃分為N個覆蓋單元，然后根據(jù)服務(wù)覆蓋對區(qū)域內(nèi)的L個部署點進行M個位置的部署選擇。第k個用戶和第m個AP之間的小尺度衰落服從hmk～CN(0,1)，大尺度衰落系數(shù)建模為：

其中，PLmk表示自由空間路徑損耗，表示具有標準差為σsh以及zmk～CN(0,1)的陰影衰落。PLmk采用三斜率模型[20]表示：

其中，

系統(tǒng)的部分仿真參數(shù)如表1所示。

▼表1 仿真參數(shù)

本文中，我們以不同的方式部署AP，以此來評估和比較基于服務(wù)覆蓋的AP-MEC部署方法和隨機部署方法的系統(tǒng)性能。圖3為在非均勻業(yè)務(wù)需求分布情況下，不同部署AP方法下系統(tǒng)可達容量對比圖。圖3中的橫坐標x、y表示小區(qū)覆蓋區(qū)域的地理位置，縱坐標z表示可實現(xiàn)的吞吐量，用戶的業(yè)務(wù)需求呈非均勻分布，如圖3（a）所示。然而，傳統(tǒng)的隨機部署AP方法實現(xiàn)了均勻一致的覆蓋，如圖3（b）所示，這造成傳輸能力在低流量需求區(qū)域過剩，高流量需求區(qū)域明顯不足。圖3（c）可以實現(xiàn)與圖3（a）流量需求相一致的吞吐量，這證明基于服務(wù)覆蓋的AP部署方法能夠滿足熱點模型區(qū)域所需的業(yè)務(wù)需求。

圖3 非均勻業(yè)務(wù)需求和不同部署AP方法下系統(tǒng)的可達容量

圖4比較了隨機AP部署和基于服務(wù)覆蓋的AP-MEC部署的平均時延分布圖。在隨機部署方法下，各覆蓋單元可實現(xiàn)的時延均值約為2.5 ms。這是因為隨機部署算法由于部署AP位置的隨機性，導(dǎo)致某些區(qū)域無線網(wǎng)絡(luò)服務(wù)能力不足，產(chǎn)生了業(yè)務(wù)擁塞，而另一些區(qū)域覆蓋能力過剩。這種不均衡網(wǎng)絡(luò)資源分布更容易導(dǎo)致用戶的時延超出業(yè)務(wù)允許的最小時延。而在基于服務(wù)覆蓋部署AP-MEC方法下，各覆蓋單元內(nèi)可實現(xiàn)的處理時延均值約為0.7 ms，低于各覆蓋單元所需的時延均值1.8 ms。這是因為在基于服務(wù)覆蓋部署方法中，我們在業(yè)務(wù)需求高的覆蓋區(qū)域部署了更多的AP，縮短了用戶的接入和傳輸時延，從而提高系統(tǒng)性能和用戶體驗。

圖4 隨機部署移動邊緣計算和基于服務(wù)覆蓋部署移動邊緣計算的可達最小時延分布

圖5為不同AP-MEC部署方法下，每個覆蓋單元的通信成功率，即覆蓋單元內(nèi)滿足最低通信需求和最低時延的概率。AP-MEC隨機部署方法的成功概率均值約為0.754 3，曲線抖動明顯，在數(shù)據(jù)傳輸過程中會導(dǎo)致數(shù)據(jù)丟失或重傳增加通信的延遲和不穩(wěn)定性；而基于服務(wù)覆蓋的通信成功率的均值約為0.945 2，曲線平穩(wěn)，在高通信成功率區(qū)域常伴隨著較低的丟包率，有助于提高實時通信應(yīng)用的質(zhì)量，證明了基于服務(wù)覆蓋部署方法能夠提供高效穩(wěn)定的通信。

圖5 隨機部署和服務(wù)覆蓋的通信成功率

5 結(jié)束語

為解決現(xiàn)有網(wǎng)絡(luò)以系統(tǒng)整體性能優(yōu)化為目標，出現(xiàn)的部分服務(wù)區(qū)域資源浪費和能量損失問題，本文首先引入服務(wù)覆蓋這一新型網(wǎng)絡(luò)性能度量，然后針對無蜂窩邊緣智能網(wǎng)絡(luò)提出了一種基于服務(wù)覆蓋的AP-MEC聯(lián)合部署方法。通過構(gòu)建基于元學(xué)習(xí)的多樣化業(yè)務(wù)需求服務(wù)覆蓋模型，我們將以每個覆蓋單元的最佳服務(wù)覆蓋為目標來實現(xiàn)系統(tǒng)性能的差異化優(yōu)化，按需部署網(wǎng)絡(luò)資源，實現(xiàn)精準的按需服務(wù)供給。仿真結(jié)果表明，基于服務(wù)覆蓋的AP-MEC聯(lián)合部署方法，能夠?qū)崿F(xiàn)系統(tǒng)整體性能的顯著提升，同時在不同覆蓋單元中實現(xiàn)了精準的按需服務(wù)供給，實現(xiàn)高能效、低時延、低能耗的無蜂窩邊緣智能網(wǎng)絡(luò)系統(tǒng)。

在未來的研究過程中，我們將進一步以最佳服務(wù)覆蓋為目標，提供多場景、多維資源的精準服務(wù)，以滿足多樣化的通信需求，構(gòu)建高質(zhì)量、智能化的無蜂窩邊緣智能網(wǎng)絡(luò)系統(tǒng)。