移动边缘计算中的资源管理

（新加坡国立大学，新加坡 117576）

1 研究背景

随着5G技术和物联网（IoT）的发展，无线设备的数目呈指数级增长，物联网应用场景也越来越多样化。这其中包括大量计算密集型和时延敏感型的应用，如虚拟现实、在线游戏等，这类应用需要强大的计算能力支持来满足超低时延的要求。为了满足这种需求，近年来，传统的云计算网络架构正悄然向移动边缘计算（MEC）网络发生转变：原本位于核心网云数据中心的计算服务和功能正在往网络边缘下沉，通过离用户更近的基站和无线接入点向用户提供无处不在的计算、存储、通信等服务，从而有效降低用户的计算时延和能耗，并大大提高整个网络的资源利用率[1-4]。

如图1所示，在MEC系统中，用户可将本地计算密集型的任务卸载（迁移）到MEC服务器中，让它代为计算并向用户反馈计算结果。与传统的基于数据中心的移动云计算（MCC）相比，MEC拥有如下几方面明显优势：

1）更低的时延：由于边缘云离用户更近且计算数据迁移到云的过程中不涉及在核心网中的数据传输，MEC可以大大降低MCC中的数据传播和核心网回程链路时延。另一方面，通过广泛部署MEC服务器，每台MEC服务器仅需向周边少量用户提供计算服务，从而达到较低的计算时延。因此，相较于MCC所需要的100 ms量级时延，MEC可满足1～10 ms量级的超低时延要求。

2）更低的能耗：MEC用户可选择将高能耗型的计算任务迁移到边缘云中，从而避免本地计算带来的巨大能耗。另一方面，由于离MEC服务器更近，MEC用户可以大大降低计算数据传输中的能量消耗。

3）更优的情境感知：利用近距离优势，MEC服务器可以通过用户的定位信息等更加准确地预测和判断用户的计算行为和需求，从而提供更及时有效的计算和存储服务。

4）更强的安全保护：和MCC相比，MEC服务器的用户数目更少，且用户数据信息不需要经过复杂的核心网到达数据中心。这样可以有效缓解数据在多跳网络传输中的信息泄漏问题。

▲图1 MEC系统架构与应用

2 研究模型

为了研究MEC系统的计算性能，我们首先介绍MEC的基本研究模型。

1）计算任务模型：总的来说，MEC的计算卸载模型包括全部卸载和部分卸载。其中，全部卸载计算模型适用于数据不可分割的高集成计算任务，它要求用户只能选择全部本地计算或者全部卸载到MEC服务器。这类计算任务的关键参数包括：计算数据量（比特数）、计算强度（每比特数据需要的中央处理器时钟数），以及计算时延要求。这些参数与具体的计算任务相关，可以通过对计算任务的剖析和建模得出。另一方面，部分卸载模型适用于两类计算任务：一类是数据可任意分割的计算（如数据压缩等）；另一类是包含多个子任务的计算，不同任务间往往具有一定的运算顺序和联系，如图2所示。与全部卸载模型相比，部分卸载模型有更多的设计自由度，可以更有效地卸载部分数据或子任务来减少用户的计算时延和能耗。

2）计算时延和能耗模型：对于用户的本地计算，计算时延与计算所需的中央处理器（CPU）时钟数成正比，与CPU主频成反比；因此，我们可以通过提高CPU的主频来降低本地计算时延，但这样做同时也会增加本地计算的能耗。本地计算的能耗主要来自于CPU的功耗，而CPU的功耗又与CPU主频的平方成正比；因此，CPU主频越高，本地计算能耗越高且增长越快。对于MEC服务器（或边缘云）来说，它的计算时延包括CPU的运算时延和多计算任务下的队列时延，能耗包括CPU的计算能耗以及服务器的开机运行能耗。

3）无线数据传输模型：5G通信的各种技术，如毫米波通信、非正交复用接入多址等都可以被有效用于提高计算卸载时数据传输的可达速率（通过香农公式建模），从而降低计算数据的传输时延。同时，用户还可以利用设备到设备（D2D）的通信技术来实现低时延的用户间数据传输和计算卸载[4]。

3 MEC系统中的综合资源管理

无线和计算资源的综合管理是MEC系统设计中的重要组成部分。针对不同的MEC系统设置，我们需要解决不同的综合资源管理问题。

首先考虑单用户情况下基于全部卸载计算模型的MEC资源管理。其中，最重要的设计问题是如何做卸载决策，即是否进行计算卸载和如何设计卸载策略。为了研究这个问题，文献[6]提出了一个新型的无线供能下的MEC系统，并设计它最优的计算卸载方案。为了满足计算时延要求并最小化用户的计算耗能，我们分别优化了本地计算和计算完全卸载两种模式下的设计：对于本地计算，通过优化用户CPU的主频来降低计算能耗，同时满足计算耗能不大于获得的无线能量的条件；对于计算完全卸载，提出最优的时间分割方案，使用户能够先获取充足的能量然后进行数据传输和计算迁移，同时最大化用户的剩余能量。最后，基于本地计算和完全卸载两种模式的不同能耗，提出最优的本地计算/完全卸载的决策。这个工作后续被拓展到更加复杂的MEC系统，如基于能量收集的MEC系统[7]和基于无线供能的多用户MEC系统[8]。

▲图2 移动边缘计算任务不同的计算顺序

对于多用户下的MEC系统而言，它的综合资源管理更加复杂。在文献[9]中，我们考虑部分卸载的计算模型并假设所有用户需要在相同的时间段内完成不同强度的计算任务。为了最小化所有用户的总计算能耗（包括每个用户的本地计算和卸载能耗），利用凸优化工具我们提出了一套最优的综合资源管理设计方案。具体来说，首先计算得到一个（计算）卸载优先级函数，它与用户的信道增益和本地计算耗能成正比；因此，对于每个用户来说，他的无线信道越好或者本地耗能越大，用户的卸载优先级就越高。基于这个优先级函数，我们证明了最优的综合资源管理方案是一种基于门限的资源分配：对每个用户来说，如果他的卸载优先级函数值高于一定门限，他将选择把计算任务全部卸载到MEC服务器；反之，他将尽量在本地完成所有运算。与文献[9]中的集中式资源管理不同，文献[10]研究了分布式的计算资源分配。作者考虑了完全卸载的计算模型，并采用游戏理论来解决不同用户计算卸载与否的非确定性（NP）难问题。文献[10]中的研究证明，当用户受到的信号干扰强度低于一定门限时，他应该将计算任务卸载到云端。因为在这种情况下，无线传输可达速率较大，完成计算数据传输的能耗比本地计算更小。

文献[11]提出将基于边缘基站的MEC系统拓展到用户间计算卸载的MEC系统，从而有效降低边缘基站的计算和通信负载压力，并提高整个MEC系统的计算资源利用率。具体来说，主要利用用户周边的移动设备（如电脑等）的计算资源来支持用户的计算卸载。与基于边缘基站的MEC系统相比，用户周边的移动设备（简称帮手）呈现出时有时无的空闲的计算资源。这是因为帮手只有在自己没有计算任务时，才能给周边的用户提供空闲的计算资源。利用这个特性，我们提出了一种基于帮手空闲计算资源的变速率计算卸载算法。该算法的核心在于首先在以横坐标为时间、纵坐标为累计可卸载数据量的坐标轴上构建一个“计算卸载隧道”，隧道的顶部和底部形状与帮手的缓存区大小和空闲计算资源的存量有关，具体如图3所示。为了最小化用户能耗，用户的计算卸载速率可以利用这个计算卸载隧道和几何方法得到。直观来看，如图3所示，这个方法就是在隧道的两端拉一条绷紧的线，不同线段的斜率反应了不同时间段内计算卸载的数据传输速率。这个方法可以被进一步拓展到多用户间的计算卸载场景。

4 MEC未来工作展望

用人工智能算法设计MEC策略。当前的MEC策略设计主要有两种方法：一种是用凸优化等优化理论来设计最优或次优的计算卸载策略，但是对于大规模MEC系统或优化问题本身是NP难的情况，用优化理论来设计MEC策略的方法可能需要很长的时间，这与MEC致力于缩短计算时延的初衷相违背；另一种方法是用启发式算法来设计低复杂度的MEC策略，但这类方法往往缺乏一定的理论支撑，可能无法达到较好的MEC计算性能。为了解决这个问题，一个有效的方法是利用人工智能技术来实现快速高效的计算卸载策略设计。例如，我们可以将MEC策略优化问题转化为相应的深度学习问题：神经网络输入是用户的计算模型信息，神经网络的输出是计算卸载的策略。通过大量的计算卸载策略采样，我们可以训练出一个智能神经网络。这样一来，在实际的计算卸载决策中，我们只需将即时的计算模型信息输入到神经网络中，就可以快速得到一个有效的计算卸载策略方案。对于大规模MEC系统来说，基于凸优化理论的策略采样可能无法实现，但这时候我们可以利用小规模MEC系统进行神经网络训练，然后通过迁移学习的方法得到大规模MEC系统的策略采样。如何设计神经网络的训练是未来研究工作中的一个重要方向。

▲图3 用户间计算卸载策略

针对人工智能算法的MEC建模和设计。当前的MEC计算模型主要考虑普适性的计算，即计算数据量的大小与计算强度通常是一个固定的线性关系，但这个简单模型并不一定适用于具体的人工智能算法。例如，深度学习的计算复杂度除了和数据相关外，还与神经网络的深度、每层网络的节点数、网络的类型（如卷积/自回归网络）等息息相关。因此，如何对具体人工智能算法进行计算模型建模是一个亟待探索和研究的重要问题。除此之外，当前的MEC策略设计主要关注计算时延和能耗，但这些性能指标并不完全是人工智能应用中最关心的问题。

5 结束语

MEC将无线设备终端上计算密集型的运算任务迁移到边缘云中,从而有效降低用户的计算时延和能耗。在本文中，我们阐述了MEC系统的基本原理和模型，并提出如何紧密结合无线通信和计算机技术来设计不同MEC系统下的计算卸载策略。在无线网络智能化的关键时期，如何将MEC和人工智能技术有机结合来提升未来无线网络的性能需要继续探索。