辅助驾驶场景下网络资源规划配置联合优化技术研究

李春艳

摘要：5G特色的应用场景对于网络的服务质量有极高的要求，需要网络提供确定性的服务，包括确定性低延迟、确定性网络抖动等。边缘计算技术对于提供超低时延和抖动的网络服务具有优势，但在确定性网络服务上还存在不足。针对以上问题，本文拟以基于边缘计算的确定性网络为主要研究对象，结合新兴应用的确定性网络服务需求，运用软件定义和网络功能虚拟化技术，研究计算、存储和网络资源的联合优化机制，提供确定性的延迟、抖动等网络传输能力，充分发挥边缘计算的优势，提供确定性的网络服务，增强用户体验。

关键词：V2X;MEC;任务卸载;资源分配

中图分类号：TP393文献标识码：A

文章编号：1009-3044（2021）18-0012-02

开放科学（资源服务）标识码（OSID）：

1 引言

5G网络是指第五代移动通信网络，他相对于4G网络的信号传输，有更加稳定、高速和安全性能高的优点，大大增强了这个系统容量和各种大规模设备间的连接效果，为各种用户的智能化设备提供优秀的信息服务，进一步挖掘网络的潜在应用价值。通过结合整个5G网络用户服务需求和网络本身的功能特点，使得数据资源使用更加高效和低能，在提高用户服务满意度的基础上，减少整个網络的延迟。随着5G技术的不断成熟完善和运营推广，5G创新应用生态的发展已成为决定未来5G产业成功的关键因素。

2 网络资源联合优化的意义

国际电信联盟ITU召开的ITU-RWP5D第22次会议上确定了未来的5G创新应用场景：3D超高清晰度视频、云办公和游戏、增强现实、工业自动化、移动医疗、紧急任务应用、自动驾驶汽车等。这些应用场景对于网络的服务质量（QoS， Quality of Service）提出了极高的要求，即确定性网络（Deterministic Networking）服务，包括确定性低延迟、确定性网络抖动等。而移动蜂窝网数据回传网络（Backhaul）采用多重汇聚架构，基站到核心网需要途径多重汇聚转发网络，距离往往相隔几百公里，难以保障传输的低延迟。边缘计算（MEC， Multi-access Edge Computing）作为一种基于云计算的无线接入网络（RAN， Radio Access Networks）架构，被认为是提升移动网络整体性能的重要手段。MEC不仅可以通过在靠近接入网的边缘处进行流量卸载和计算卸载（Offloading），减少移动蜂窝网汇聚路由（AR， Aggregation Routing）和核心网（EPC， Evolved Packet Core）的流量，缓解移动节点的计算压力，还可以通过在网络边缘的应用部署来降低应用响应延迟，可以有效弥补网络汇聚带来的问题。但是面向工业自动化、移动医疗、自动驾驶等创新应用场景对于网络传输确定性的严苛要求，边缘计算依然存在一些亟待解决的问题：

（1）移动用户密度大、移动性强，容易造成移动网络负载的不均衡、短时间内负载的剧烈变化。MEC要求在网络边缘配置网络、计算、存储资源，而移动网络边缘节点的资源容量较小，部署分散，这给资源的优化配置和管理带来了极大的困难。

（2）边缘计算节点的计算、存储、传输能力有限，不同应用的需求也存在差异，如计算密集型、存储密集型、网络密集型任务等。如何在满足应用差异化的网络需求的同时，优化边缘的计算、存储和网络资源，这是一个NP难题。

（3）确定性的网络传输需求要求网络提供细粒度的QoS保障能力，采用软件定义网络（SDN， Software Defined Network）技术和网络功能虚拟化技术（NFV， Network Functions Virtualization）[6]实现确定性的网络路由转发，以及细粒度的流量管控能力。同时避免细粒度的流量控制带来的OpenFlow流表规模的激增的问题。

本文围绕“服务配置、服务调度、服务质量”三个重点内容展开，研究确定性网络资源联合优化策略等关键技术，为确定性网络服务的边缘计算性能优化提供重要的依据和技术储备，对新兴应用的发展具有积极推动作用。

3 基于Markov决策过程的资源联合优化

网络资源联合优化需要综合新兴应用的需求和网络资源均衡的目标。可以假设应用的资源请求服从泊松过程，服务执行时间服从指数分布，将资源分成固定大小的分块（block），则资源的使用过程可以用Markov状态转移过程来描述，其中资源使用的状态向量包含各类资源的使用状态，可以得到Markov状态转移过程的平衡方程，利用平衡方程的求解可以得到多维资源使用和服务性能指标之间的关系，再根据用户的应用需求映射的服务性能指标，选择相应的资源以满足应用的需求。

结合资源效用最大化的目标，本项目拟采用合作博弈策略来实现资源的效用整体最优和公平性。基于合作博弈论，对各类资源之间的互相合作决策行为进行建模，使资源以相互竞争且相互妥协的方式达成一致，实现效用最大化。依据合作博弈理论的原理，给定资源效用函数，以资源效用最大化为目标，设定合作资源提供者的收益函数，建立多维资源协作联盟。利用Shapley准则对协作联盟进行公平资源分配，资源提供者从联盟中获取收益最大化的同时，也达到了整体资源效用的最大化。要实现资源联合优化，基本条件是具备对各类资源的管控能力，通过OpenFlow协议的扩展，来实现各类资源的统一调度和监控，SDN控制器可以根据当前系统状态和用户资源请求分布，进行全局的资源优化配置。

（1）网络模型

首先给定最大计算资源得到完成任务所需的最低信噪比;然后，利用凸优化理论进行最佳功率分配，并计算对应的吞吐量增益，比较增益得到卸载决策;最后，利用二分图最大匹配算法解决信道分配问题，并计算最终的计算资源分配。假设场景中一个RSU覆盖范围内有T个目标数据，用集合表示为[T={TUEt|t=1，2，…，T}]，移动用户[TUEt]有K个协助移动用户提供辅助数据运输相关数据，用集合表示为[K={AUEk|k=1，2，…，K}]。考虑上行链路是OFDMA的，其可用频带B被平分为L个子带，则每个子信道带宽大小为[W=]B/L。假设做出卸载决策后，所有协助移动用户中分别有M个CUE和N个DUE，分别用集合表示为[?={CUEm|m=1，2，…，M}]和[N={DUEn|n=1，2，…N}]。

令[?m，B]表示为[CUEm]与RSU之间的信道功率增益，[?n]为[DUEn]复用[CUEm]信道时[DUEn]的信道功率增益。[?n，B]为[DUEn]发射端与[CUEm]上行链路中为接收端的RSU之间的干扰信道功率增益。[?m，n]为[CUEm]与[DUEn]接收端之间的干擾信道功率增益。

[CUEm]的信噪比（SINR）可表示为：

[γcm=Pcm?m，Bσ2+n∈Nρm，nPdn?n，B]                       （1）

类似可得[DUEn]的SINR为：

[γdn=Pdn?nσ2+m∈?ρm，nPcm?m，n]                  （2）

其中[Pcm]和[Pdn]分别表示[CUEm]和[DUEn]的发射功率。[σ2]为系统噪声功率。[ρm，n]表示[CUEm]和[DUEn]之间的频谱分配指标，当[CUEm]和[DUEn]复用[CUEm]的信道时，[ρm，n=1]，反之为0。

（2）计算模型

定义协助移动用户[AUEk]的计算任务为[Rk=Dk，Ck，Tk]，其中[Dk]表示协助移动用户[AUEk]从本地设备上传任务时的输入数据量，单位为bit。[Ck]表示完成任务所需的计算量，单位为cysles，[Tk]表示任务可容忍的最大完成时延，单位为s。

假设移动用户本身具有一定的计算能力，[AUEk]可选择将任务[Rk]卸载到邻近移动用户或MEC服务器，也可以由移动用户本身的处理单元进行计算，定义所有集合[K]内的移动用户任务卸载决策为[A={a1，a2，…，aK}]，并且有[ak={alk，avk，aok}]，其中[k∈K]，参数[alk，avk，aok∈0，1]，[alk+avk+aok=1]。

①本地执行：移动用户本身的计算能力为[flk]，单位为cycles/s，定义[Tlk]为本地执行总延迟，根据文献[9]，下载速率通常远高于上传速率，并且输出数据量大小一般远小于输入数据量，则[Tlk]为：

[Tlk=Ckflk]                                         （3）

②V2V卸载：与本地相比，新增了将输入数据[Dk]上传到邻近移动用户的时间，任务卸载到邻近移动用户的总延迟[Tvk]为：

[Tvk=Dkrk+Ckfvk]                                    （4）

其中为[rk]移动用户的传输速率，[fvk]为移动用户分配给任务[Rk]的计算资源。

③V2I卸载：令[fok]为MEC服务器分配给任务[Rk]的计算资源任务卸载到MEC服务器的总延迟[Ton]为：

[Tok=Dkrk+Ckfok]                                    （5）

综上，任务[Rk]执行完成的总时延可表示为：

[Ttotalk=alkTlk+avkTvk+aokTok]                                    （6）

其中[k∈K]，参数[alk，avk，aok∈0，1]，[alk+avk+aok=1]。

（3）算法

CUE和DUE的数量变化取决于协助移动用户的卸载决策，而求解最大化网络系统吞吐量的前提是需要知道CUE与DUE的用户集合，因此卸载决策直接影响了系统吞吐量的大小。需要综合考虑卸载决策、计算资源分配、功率分配以及网络信道分配等因素，分别求解功率分配与任务卸载决策问题和信道匹配与计算资源分配问题。

（4）仿真

本文仿真主要在NS3平台上完成，主要分析了任务数以及网络速度对系统吞吐量的影响，并评估了本文所提算法与其它算法的计算资源使用情况，以验证所提算法的有效性。此外，本文选择V2V first和V2I first两种方案作为对照组，并进行了仿真比较。

4 结束语

本文研究了互联网局部融合边缘计算技术在移动用户通过场景中的任务卸载与资源分配问题，并提出了一种吞吐量最大化的任务卸载与资源分配算法，将优化问题分成两步进行处理，首先根据凸优化理论求解最优功率分配，并计算最优功率值下的吞吐量增益，比较两种卸载方式下吞吐量增益的大小作出卸载决策。然后利用KM算法解决信道划分问题，根据最终的信道匹配可以得出在任务可容忍时延下对应的计算资源分配。

参考文献：

[1] Li Z H，Wan H，Pang Z Y，et al.An enhanced reconfiguration for deterministic transmission in time-triggered networks[J].ACM Transactions on Networking，2019，27（3）：1124-1137.

[2] Costa-Requena J.SDN integration in LTE mobile backhaul networks[C]//The International Conference on Information Networking 2014 （ICOIN2014）.February 10-12，2014，Phuket，Thailand.IEEE，2014：264-269.

[3] Liu J，Mao Y Y，Zhang J，et al.Delay-optimal computation task scheduling for mobile-edge computing systems[C]//2016 IEEE International Symposium on Information Theory（ISIT）.July 10-15，2016.Barcelona，Spain.IEEE，2016.

[4] Chen X.Decentralized computation offloading game for mobile cloud computing[J].IEEE Transactions on Parallel and Distributed Systems，2015，26（4）：974-983.

[5] Qu K G，Zhuang W H，Ye Q，et al.Dynamic flow migration for embedded services in SDN/NFV-enabled 5G core networks[J].IEEE Transactions on Communications，2020，68（4）：2394-2408.

【通联编辑：王力】