本文首發(fā)于《中興通訊技術(shù)》。邊緣計(jì)算社區(qū)經(jīng)過溝通發(fā)布。
摘要：通過對移動邊緣計(jì)算（MEC）網(wǎng)絡(luò)的基本原理、應(yīng)用場景，以及通信和計(jì)算的研究模型的闡述，提出了針對單用戶和多用戶 MEC 系統(tǒng)的綠色節(jié)能頻譜和計(jì)算資源綜合管理方案。通過分析當(dāng)前 MEC 技術(shù)的局限和挑戰(zhàn)，認(rèn)為 MEC 和人工智能技術(shù)的有機(jī)結(jié)合，能夠有效提高未來網(wǎng)絡(luò)的計(jì)算性能。
關(guān)鍵詞：移動邊緣計(jì)算；無線通信；資源管理
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)爆炸式增長，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(jì)算密集型和時(shí)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(jì)算能力支持來滿足超低時(shí)延的要求。為了滿足這種需求，近年來，傳統(tǒng)的云計(jì)算網(wǎng)絡(luò)架構(gòu)正悄然向移動邊緣計(jì)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(jì)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(jì)算、存儲、通信等服務(wù)，從而有效降低用戶的計(jì)算時(shí)延和能耗，并大大提高整個(gè)網(wǎng)絡(luò)的資源利用率[1-4]。
MEC：移動邊緣計(jì)算
圖 1 MEC 系統(tǒng)架構(gòu)與應(yīng)用
如圖 1 所示，在 MEC 系統(tǒng)中，用戶可將本地計(jì)算密集型的任務(wù)卸載（遷移）到 MEC 服務(wù)器中，讓它代為計(jì)算并向用戶回饋計(jì)算結(jié)果。與傳統(tǒng)的基于數(shù)據(jù)中心的移動云計(jì)算（MCC）相比，MEC 擁有如下幾方面明顯優(yōu)勢。
(1）更低時(shí)延：由于邊緣云離用戶更近且計(jì)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(shí)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(jì)算服務(wù)，從而達(dá)到較短的計(jì)算時(shí)延。因此，相較于 MCC 所需要的 100 毫秒量級時(shí)延，MEC 可滿足 1~10 毫秒量級的超低時(shí)延要求。
（2）更低能耗：MEC 用戶可選擇將高能耗型的計(jì)算任務(wù)遷移到邊緣云中，從而避免本地計(jì)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(jì)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(jì)算行為和需求，從而提供更及時(shí)有效的計(jì)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。
2.研究模型
為了研究 MEC 系統(tǒng)的計(jì)算性能，我們首先介紹 MEC 的基本研究模型。
1）計(jì)算任務(wù)模型：總的來說，MEC 的計(jì)算卸載模型包括全部卸載和部分卸載。其中，全部卸載計(jì)算模型適用于數(shù)據(jù)不可分割的高集成計(jì)算任務(wù)，它要求用戶只能選擇全部本地計(jì)算或者全部卸載到 MEC 服務(wù)器。這類計(jì)算任務(wù)的關(guān)鍵參數(shù)包括：計(jì)算數(shù)據(jù)量（比特?cái)?shù)）、計(jì)算強(qiáng)度（每比特?cái)?shù)據(jù)需要的中央處理器時(shí)鐘數(shù)），以及計(jì)算時(shí)延要求。這些參數(shù)與具體的計(jì)算任務(wù)相關(guān)，可以通過對計(jì)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(jì)算任務(wù)：一類是數(shù)據(jù)可任意分割的計(jì)算（如數(shù)據(jù)壓縮等）；另一類是包含多個(gè)子任務(wù)的計(jì)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(jì)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(jì)算時(shí)延和能耗。
2）計(jì)算時(shí)延和能耗模型：對于用戶的本地計(jì)算，計(jì)算時(shí)延與計(jì)算所需的中央處理器（CPU）時(shí)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(jì)算時(shí)延，但這樣做同時(shí)也會增加本地計(jì)算的能耗。本地計(jì)算的能耗主要來自于 CPU 的功耗，而CPU 的功耗又與 CPU 主頻的平方成反比；因此，CPU 主頻越高，本地計(jì)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(jì)算時(shí)延包括 CPU 的運(yùn)算時(shí)延和多計(jì)算任務(wù)下的隊(duì)列時(shí)延，能耗包括 CPU 的計(jì)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利用于提高計(jì)算卸載時(shí)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(jì)算數(shù)據(jù)的傳輸時(shí)延。同時(shí)，用戶還可以利用設(shè)備到設(shè)備的通信技術(shù)（D2D）來實(shí)現(xiàn)低時(shí)延的用戶間數(shù)據(jù)傳輸和計(jì)算卸載[4]。
圖 2 移動邊緣計(jì)算任務(wù)不同的計(jì)算順序
3.MEC系統(tǒng)中的資源管理
無線和計(jì)算資源的綜合管理是MEC系統(tǒng)設(shè)計(jì)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。
我們首先考慮單用戶情況下基于全部卸載計(jì)算模型的 MEC 資源管理。其中，最重要的設(shè)計(jì)問題是如何做卸載決策，即是否進(jìn)行計(jì)算卸載和如何設(shè)計(jì)卸載策略。為了研究這個(gè)問題，我們在文獻(xiàn)[6]提出了一個(gè)新型的無線供能下的 MEC 系統(tǒng)，并設(shè)計(jì)它最優(yōu)的計(jì)算卸載方案。
為了滿足計(jì)算時(shí)延要求并最小化用戶的計(jì)算耗能，我們分別優(yōu)化了本地計(jì)算和計(jì)算完全卸載兩種模式下的設(shè)計(jì)：對于本地計(jì)算，我們通過優(yōu)化用戶 CPU 的主頻來降低計(jì)算能耗，同時(shí)滿足計(jì)算耗能不大于獲得的無線能量的條件；對于計(jì)算完全卸載，我們提出最優(yōu)的時(shí)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(jì)算遷移，同時(shí)最大化用戶的剩余能量。最后，基于本地計(jì)算和完全卸載兩種模式的不同能耗，我們提出最優(yōu)的本地計(jì)算/完全卸載的決策。這個(gè)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]。
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(jì)算模型并假設(shè)所有用戶需要在相同的時(shí)間段內(nèi)完成不同強(qiáng)度的計(jì)算任務(wù)。為了最小化所有用戶的總計(jì)算能耗（包括每個(gè)用戶的本地計(jì)算和卸載能耗），我們利用凸優(yōu)化工具提出了一套最優(yōu)的綜合資源管理設(shè)計(jì)方案。具體來說，我們首先計(jì)算得到一個(gè)（計(jì)算）卸載優(yōu)先級函數(shù)，它與用戶的信道增益和本地計(jì)算耗能成正比；因此，對于每個(gè)用戶來說，如果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。
基于這個(gè)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(gè)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(jì)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]中研究了分布式的計(jì)算資源分配。作者考慮了完全卸載的計(jì)算模型，并采用游戲理論來解決不同用戶計(jì)算卸載與否的非確定性（NP）難問題。文獻(xiàn)[10]中的研究證明了，當(dāng)用戶受到的信號干擾強(qiáng)度低于一定門限時(shí)，他應(yīng)該將計(jì)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(jì)算數(shù)據(jù)傳輸?shù)哪芎谋缺镜赜?jì)算更小。
我們在文獻(xiàn)[11]中提出，將基于邊緣基站的 MEC 系統(tǒng)拓展到用戶間計(jì)算卸載的 MEC 系統(tǒng)，從而有效降低邊緣基站的計(jì)算和通信負(fù)載壓力，并提高整個(gè) MEC 系統(tǒng)的計(jì)算資源利用率。具體來說，我們主要利用用戶周邊的移動設(shè)備（如電腦等）的計(jì)算資源來支持用戶的計(jì)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(shí)有時(shí)無的空閑的計(jì)算資源。這是因?yàn)閹褪种挥性谧约簺]有計(jì)算任務(wù)時(shí)，才能給周邊的用戶提供空閑的計(jì)算資源。利用這個(gè)特性，我們提出了一種基于幫手空閑計(jì)算資源的變速率計(jì)算卸載算法。該算法的核心在于首先在以橫坐標(biāo)為時(shí)間、縱坐標(biāo)為累計(jì)可卸載數(shù)據(jù)量的坐標(biāo)軸上構(gòu)建一個(gè)“計(jì)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(jì)算資源的存量有關(guān)，具體如圖 3 所示。
我們證明了為了最小化用戶能耗，用戶的計(jì)算卸載速率可以利用這個(gè)計(jì)算卸載隧道和幾何方法得到。直觀來看，如圖 3 所示，這個(gè)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(shí)間段內(nèi)計(jì)算卸載的數(shù)據(jù)傳輸速率。這個(gè)方法可以被進(jìn)一步拓展到多用戶間的計(jì)算卸載場景。
圖 3 用戶間計(jì)算卸載策略
4.MEC未來工作展望
1）用人工智能算法設(shè)計(jì) MEC策略。
當(dāng)前的 MEC 策略設(shè)計(jì)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(jì)最優(yōu)或次優(yōu)的計(jì)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(jì)MEC策略的方法可能需要很長的時(shí)間，這與 MEC 致力于縮短計(jì)算時(shí)延的初衷相違背；另一種方法是用啟發(fā)式算法來設(shè)計(jì)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(jì)算性能。
為了解決這個(gè)問題，一個(gè)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(jì)算卸載策略設(shè)計(jì)。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(jì)算模型信息，神經(jīng)網(wǎng)絡(luò)的輸出是計(jì)算卸載的策略。通過大量的計(jì)算卸載策略采樣，我們可以訓(xùn)練出一個(gè)智能神經(jīng)網(wǎng)絡(luò)。這樣一來，在實(shí)際的計(jì)算卸載決策中，我們只需將即時(shí)的計(jì)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(gè)有效的計(jì)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(shí)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(jì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是未來研究工作中的一個(gè)重要方向。
2）針對人工智能算法的 MEC 建模和設(shè)計(jì)。
當(dāng)前的 MEC 計(jì)算模型主要考慮普適性的計(jì)算，即計(jì)算數(shù)據(jù)量的大小與計(jì)算強(qiáng)度通常是一個(gè)固定的線性關(guān)系，但這個(gè)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(jì)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(jì)算模型建模是一個(gè)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(jì)主要關(guān)注計(jì)算時(shí)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。例如，對于聯(lián)邦學(xué)習(xí)來說，分布式算法的收斂速率是一個(gè)重要的性能指標(biāo)[12]。如何設(shè)計(jì) MEC 的策略來加速聯(lián)邦學(xué)習(xí)算法的收斂速率值得進(jìn)一步探索。
5.結(jié)束語
MEC 通過將無線設(shè)備終端上計(jì)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(jì)算時(shí)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(jì)算機(jī)技術(shù)來設(shè)計(jì)不同 MEC 系統(tǒng)下的計(jì)算卸載策略。在無線網(wǎng)絡(luò)智能化的關(guān)鍵時(shí)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)的性能需要我們繼續(xù)探索。
參考文獻(xiàn)
[1] MAO Y Y, YOU C S, ZHANG J, et al. Asurvey on mobile edge computing: the communication perspective [J]. IEEECommunications Surveys & Tutorials, 2017, 19(4): 2322-2358.DOI:10.1109/comst.2017.2745201
[2] YU W, LIANG F, HE X F, et al. A surveyon the edge computing for the Internet of things[J]. IEEE Access, 2018, 6:6900-6919. DOI:10.1109/access.2017.2778504
[3] 馬洪源.面向 5G 的邊緣計(jì)算及部署思考[J].中興通訊技術(shù),2019,25(3):77-81.DOI:10.12142/ZTETJ.20190311
[4] QIN M, CHEN L, ZHAO N, et al.Power-constrained edge computing with maximum processing capacity for IoTnetworks[J]. IEEE Internet of Things Journal, 2019, 6(3): 4330-4343.DOI:10.1109/jiot.2018.2875218
[5] PU L J, CHEN X, XU J D, et al. D2Dfogging: an energy-efficient and incentive-aware task offloading framework vianetwork-assisted D2D collaboration [J]. IEEE Journal on Selected Areas inCommunications, 2016, 34(12): 3887-3901. DOI:10.1109/jsac.2016.2624118
[6] YOU C S, HUANG K B, CHAE H. Energyefficient mobile cloud computing powered by wireless energy transfer[J]. IEEEJournal on Selected Areas in Communications, 2016, 34(5): 1757-1771.DOI:10.1109/jsac.2016.2545382
[7] MAO Y Y, ZHANG J, LETAIEF K B. Dynamiccomputation offloading for mobile-edge computing with en-ergy harvestingdevices[J]. IEEE Journal on Selected Areas in Communications, 2016, 34(12):3590-3605. DOI:10.1109/jsac.2016.2611964
[8] BI S Z, ZHANG Y J. Computation ratemaximization for wireless powered mobile-edge computing with bina-rycomputation offloading [J]. IEEE Transactions on Wireless Communications, 2018,17(6): 4177-4190. DOI:10.1109/twc.2018.2821664 6
[9] YOU C S, HUANG K B, CHAE H, et al.Energy-efficient resource allocation for mobile-edge computation offloading[J].IEEE Transactions on Wireless Communications, 2017, 16(3): 1397-1411.DOI:10.1109/twc.2016.2633522
[10] CHEN X, JIAO L, LI W Z, et al.Efficient multi-user computation offloading for mobile-edge cloud compu-ting[J].ACM Transactions on Networking, 2016, 24(5): 2795-2808.DOI:10.1109/tnet.2015.2487344
[11] YOU C S, HUANG K B. Exploitingnon-causal CPU-state information for energy-efficient mobile coopera-tivecomputing[J]. IEEE Transactions on Wireless Communications,2018,17(6):4104-4117.DOI:10.1109/twc.2018.2820077
[12] ZHU G X, LIU D Z, DU Y Q, et al.Toward an intelligent edge: wireless communication meets machine learning[J].IEEE Communications Magazine, 2020, 58(1): 19-25. DOI:10.1109/mcom.001.1900103
關(guān)于作者
游昌盛，新加坡國立大學(xué)博士后；主要研究方向?yàn)橐苿舆吘売?jì)算、邊緣學(xué)習(xí)、無人機(jī)通信、智能反射面通信等；2019 年獲 IEEE 通信學(xué)會亞太地區(qū)優(yōu)秀論文獎(jiǎng)；已發(fā)表論文 SCI/EI 20余篇。
關(guān)于《中興通訊技術(shù)》
《中興通訊技術(shù)》是一本學(xué)術(shù)和技術(shù)相結(jié)合的公開刊物，現(xiàn)為中國科技核心期刊、中國百種重點(diǎn)期刊。本刊聚焦通信前沿技術(shù)，探討通信市場熱點(diǎn)，面向高端人群。
