基于NOMA-MEC 系统的信息年龄最小化研究

李保罡，武文静，段晓，戚银城

（1.华北电力大学电子与通信工程系，河北 保定 071003；2.河北省电力物联网技术重点实验室，河北 保定 071003）

1 引言

近年来，随着人们对网络高速性及信息实时性要求的不断提高以及物联网的发展，各种实时应用及场景层出不穷，如自动驾驶、虚拟现实游戏、在线人脸识别等。这些实时应用对于运行节点上的状态信息的新鲜度有着很高的要求，且监视器需要通过这些最新的实时信息进行精准的判断与控制[1]。为了描述实时状态更新的信息新鲜度，研究人员提出信息年龄（AoI,age of information）的概念，它被定义为最新收到的状态自生成到接收所经历的时间[2-7]。具体来说，一个时间戳为u的更新包，它在t≥u时刻的信息年龄为t-u，当时间戳为当前时间t并且它的信息年龄为0 时，认为该更新包是新鲜的。如果监视器在t时刻接收状态更新并且时间戳为u(t)，则其信息年龄为随机过程Δ (t)=t-u(t)。最近，学者们又提出了峰值信息年龄（PAoI,peak age of information）的概念，其被定义为信息的平均最大信息年龄[8-9]。峰值信息年龄提供了关于每次更新的AoI 最大值的信息，捕获了更新信息过时的程度，其与AoI 都是从目标的角度衡量信息新鲜度，但峰值年龄更易处理与优化。目前已有多篇文献利用PAoI 进行信息新鲜度的研究。文献[10]推导了多类更新数据M/G/1 排队系统的峰值信息年龄，并对更新到达率进行优化以使系统峰值信息年龄最小；文献[11]研究了无人机辅助单源系统下的峰值信息年龄，并联合优化了无人机的飞行轨迹、数据包的服务时间以及传输功率使峰值信息年龄最小。

目前，学者们已对多种类型的状态更新系统进行了研究。然而，对于存在多种状态更新数据的系统，现有文献研究的大多是多个源用户更新数据独立的场景[12-14]。但很多实时应用需要多个传感器来观测不同的物理环境，如自动驾驶系统中车辆需要对路况信息及其他车辆的动静态信息等进行实时检测，这些状态信息对于设备的精准控制来说同等重要，尤其是实时信息还需要预处理时保证接收端的各类状态信息年龄的公平性。

当实时设备用户所监测的状态更新有图片、视频等形式时，需将其预处理为接收控制器能读取的信息内容才可使用。但用户本身的计算资源和能量是有限的，若采取本地计算将会消耗较多的能量和时间。移动边缘计算（MEC,mobile edge computing）是5G 通信系统的关键支撑技术之一，其将云端的部分计算资源迁移到网络边缘，使用户在更短的时间将自身的计算任务卸载至MEC 服务器进行计算[15]。将状态更新卸载至MEC 服务器进行处理可提升监控网络的实时更新效率，但相对于普通更新增加了卸载计算的时间。

对于卸载计算过程对信息新鲜度的影响目前已有少量研究。对于单用户单MEC 服务器场景，文献[16]在给定期限下联合优化调度和传输计算以使平均AoI最小；文献[17]提出了处理年龄的概念，并通过联合优化状态采集频率和处理卸载策略使平均处理年龄最小。对于多用户单MEC 服务器场景，文献[18]在每台设备平均能量受限的条件下联合优化了任务产生、计算卸载以及通信计算资源分配以使系统信息年龄最小；文献[19]考虑到不同视频流之间会对边缘云资源竞争导致更新过时而提出一个贪婪流量调度算法。

以上文献均考虑的是对于单个MEC 服务器的状态更新问题，然而，正如文献[19]所提出的，当有多种数据任务卸载至同一个MEC 服务器时，将会导致计算资源不足而引发更新过时的现象。随着MEC 系统部署的不断密集，在同一区域内会存在多个MEC 服务器。由于数据到达的随机性，各个服务器上的计算与通信资源总会出现分布不均的现象。因此，当有多种状态更新数据需要处理时，将这些数据卸载到多个服务器处理更有助于提升用户的信息新鲜度。对于拥有多类更新信息的实时设备用户来说，将各类更新信息卸载至多个服务器避免了卸载给单服务器使个别更新信息只能一直等待，最终导致接收控制端无法精准决策的结果。

目前，对于存在多种源更新信息的传输方式，大多数研究关注于正交多址接入（OMA,orthogonal multiple access），即一个资源块（如时间、频谱等）上只能传输一个数据包。当只为一个用户服务时，其他用户的信息年龄都会增加，不仅不利于系统信息年龄，而且导致了用户年龄不公平的现象。同理，对于需采集多类状态信息的用户来说，利用OMA的传输方式也不能保证其各类状态信息的新鲜度及公平性。相较于OMA，非正交多址接入（NOMA,non-orthogonal multiple access）可允许多个用户同时共享频谱资源[20]，即可以实现多个数据同时在同一频率传输，具有强信道增益的用户用串行干扰消除（SIC,successive interference cancellation）来解码自己的信号。目前，已有学者进行了NOMA 有关信息年龄的研究。文献[21]研究了NOMA 与OMA在一个上行两用户的系统中的光谱效率及信息年龄等方面的对比；文献[22]研究了混合NOMA/OMA体制下的平均信息年龄最小化，并优化了NOMA 体制下的功率分配。但有关NOMA 应用到MEC 状态更新系统的研究还鲜有存在。

基于上述问题，为了提升拥有多类状态更新信息的设备用户信息新鲜度，维持各类状态信息的年龄公平以保证接收控制端的精准决策，本文提出了一种基于NOMA 卸载的两远近MEC 服务器计算的系统模型，并利用峰值信息年龄作为该模型的信息新鲜度度量，建立最小化系统峰值年龄优化模型，提出一种基于公平的年龄最小化调度策略，通过仿真实验证明了所提模型及策略的有效性。本文的具体研究工作如下。

1) 构建了一个基于NOMA 技术的由2 个MEC服务器所组成的状态更新系统，其中所考虑的设备用户实时监测的两类状态信息均包含图片或视频等需要计算处理的内容。用户调度器可控制卸载间隔并采取NOMA方式将两类状态信息分别卸载至2个MEC 服务器进行处理。

2) 模型还考虑了2 个MEC 服务器距离用户的不同且计算资源不均的情况，近服务器可能会被占用较多的计算资源，而远服务器有更多的空闲计算资源，若对两类状态数据固定分配将会导致两类更新的年龄不公平。因此本文提出了公平均衡函数的概念，基于前一次卸载的公平均衡函数值重新为两类数据分配MEC 服务器。

3) 基于公平约束，本文通过联合优化设计MEC 分配策略、卸载间隔以及功率分配，建立使系统峰值年龄最小化的优化模型，所提优化模型是一个非凸优化问题且具有连续随机性。本文提出了基于离散思想的公平更新卸载策略，即首先在给定的MEC 分配策略下优化每一次传输的系统峰值年龄并提出联合功率分配卸载优化算法，在每次传输前根据前一次传输的公平均衡函数值决定当前传输所需的MEC 分配策略。通过仿真实验证明了所提模型和更新卸载策略的有效性和公平性。

2 系统模型和优化问题

2.1 建立系统模型

考虑一个基于NOMA的远近MEC服务器的状态更新系统，其中包含一个装备有调度器的设备用户、2 个MEC 服务器以及用户的接收控制端，系统模型如图1 所示。假设用户安装有2 个传感器，每个传感器可监测不同的环境参量形成不同类别的实时状态更新信息，记传感器i所采集的状态信息为i类更新信息，i∈{1,2}。然而，这些更新信息（如图像或视频）中所嵌入的更新内容需要进一步处理才可被接收控制端识别。考虑到用户本身的计算能力有限，用户将所采集到的两类更新信息利用NOMA 同时卸载至MEC 服务器进行计算处理，MEC 服务器处理完成后以更新数据包的形式传输给接收控制端。

图1 基于NOMA 的远近MEC 服务器状态更新系统模型

所研究的状态更新系统为可调度系统，即由用户调度器决定两类更新信息的卸载调度及卸载间隔。假设2 个传感器持续进行状态信息的采集，在调度器进行下一次卸载调度前用户的缓冲区总是只存放最新到达的两类更新信息以保持用户的信息新鲜度，且每类传感器每次采集的信息大小随机。结合实际考虑，设2 个MEC 服务器距离用户的远近不同且可利用的计算资源也不同，记近MEC为S-A，远MEC 服务器为S-B。令K表示有效传输的数据包总数，则k∈{1,2,…,K}表示为第k次传输，并观察K次传输中系统的年龄演化过程。假设信道每次只能上传一组更新信息任务，由于用户选择NOMA卸载两类更新任务，因此2 个服务器可同时接收到任务并发送反馈信息给用户调度器[22]，收到反馈信息后用户再发送新的一组更新信息任务，其中反馈信息的发送时间不计。为维持两类更新信息的年龄公平以保证接收端的精准控制，用户调度器每次都会为两类更新信息重新分配MEC 服务器进行卸载。

对于第k次传输，首先用户将2 个传感器所采集的更新信息以NOMA 方式同时卸载给2 个服务器S-A 和S-B。设，j∈{A,B}为该次传输时用户到S-A 及S-B 的信道增益，且满足。用户最大发射功率为Pu,max，信道带宽为B。假设第k次传输时向近服务器S-A 卸载传感器i的更新信息类，向远服务器S-B 卸载另一个传感器i的更新信息类，此时用户分配给两类更新信息的功率分别为

作为近服务器S-A，根据SIC 规则，它将先解码远服务器S-B 的任务信号，再解码自己的任务信号，由此可得

其中，式(1)为S-B 的信号在S-A处的解码信干噪比，式(2)为 S-A 解码自己的信号时的信噪比。zi,i∈{1,2}为2 个服务器处的加性白高斯噪声，均服从均值为零、方差为1 的高斯分布。

因此，S-A 的可达传输速率为

在S-B 处，远MEC 服务器将S-A 的信号看作噪声来解码，其信干噪比为

相应地，S-B 的可达传输速率为

为保证所传输的数据在第k次卸载的时间段内完成，两条通信链路的最大信道容量应不小于两类更新信息的实际大小，即应满足约束

其中，di、分别为2 个服务器所处理的更新任务的大小。

当2 个MEC 服务器收到更新信息之后，若当前服务器仍有任务在处理，则将新来的任务放入各自的缓冲区等待；若服务器处于空闲状态，则立即对任务进行处理。考虑到MEC 网络的资源不均的问题，假设远服务器拥有更多的计算资源，即fA≤fB，并假设2 个MEC 服务器的计算资源固定。则两类更新信息在MEC 服务器处计算的时间分别为

其中，βA、βB分别为两服务器处理一个任务比特所用的周期数。

当至少有一个MEC 服务器将更新信息任务处理完成后，该MEC 服务器会将其计算结果先送入结果传输信道队列。一般情况下，经处理后的计算结果的大小相对于输入的任务数据小很多，且MEC有充足的能量资源，因此结果传输时延可忽略，继而传输队列的等待时延也可以忽略。

2.2 优化问题模型

定义接收控制端对两类任务信息年龄为其t时刻收到的相应数据的更新任务从生成到被接收所经历的时间，即

式(10)表示在任意时刻t接收端对i类更新信息获取的状态信息年龄，ui(t)是i类更新信息最近到达接收控制端的更新信息的时间戳。当接收控制端成功接收到某类更新时，这类更新数据的瞬时年龄便会减小，否则其将随着时间而线性增加。

令ti,k为i类数据第k组更新信息开始传输的时刻，由于用户端总是保留最新的更新数据，因此能影响信息年龄的只有被成功卸载计算的更新信息，这里只关注成功卸载计算的更新数据，并假设传感器产生状态的时间以及将该状态传输给用户的时间忽略不计。为接收控制端收到第k个i类更新数据的时刻。i类数据的状态更新年龄如图2 所示，图2 中下降的点表示状态更新包被成功接收的时刻，即该类数据的信息年龄被重置为一个较小的年龄值。

图2 i 类状态更新信息年龄演化示例

本文模型将峰值信息年龄PAoI 用作描述系统年龄损失的度量值，从图2 中可以看到i类数据的瞬时年龄在第k个更新数据包到达之前达到峰值。将成功接收到i类更新的第k个更新数据包的峰值年龄记作，即

其中，Xi,k表示第k个更新信息和第k-1个更新信息开始卸载的间隔时间，即Xi,k=ti,k-ti,k-1，注意两类更新信息的卸载间隔时间总是相同的；而Yi,k为第k个更新信息从开始卸载到接收控制端收到所经历的时间，即

由此，系统平均峰值年龄可被计算为

将式(11)代入式(12)，并结合遍历性理论，最终系统平均峰值年龄可表示为

由式(13)可知，系统平均峰值年龄即每类更新信息传输K个更新信息在系统中花费的期望总时间，其中包括卸载间隔时间、服务时间和等待时间。为使系统的峰值年龄最小，应尽可能消除等待时间，缩短服务时间。因此，系统调度应满足如下约束

该约束表明第k组更新信息任务到达两MEC服务器时，两MEC 服务器应均已计算完成上一组更新信息任务。

又由于信道每次仅能传输一组更新信息，因此消除了卸载排队等待的时间。故卸载间隔还应满足

此外，虽采用NOMA 同时传输两类数据相对于OMA 传输同时降低了两类数据的年龄，但由于所分配给两类更新信息的服务器的计算能力及信息尺寸大小的不同导致两类更新信息所经历的计算服务时间也不同。因此，保证两类数据的年龄公平性来满足接收控制端的精准控制依旧非常重要，为衡量两类更新信息的年龄公平，本文提出公平均衡函数的概念，定义

令θ表示为公平约束阈值，σ为容忍波动值，用来描述公平均衡函数的波动程度。当μk<θ-σ或μk>θ+σ时，表示两类更新信息的年龄满意度处于非公平状态，在下次卸载时调度器需重新分配MEC 配对组。因此，当两类更新信息的年龄满意度达到公平时，公平均衡函数应满足以下公平约束

令∏s={φk}表示更新类-MEC 配对策略，则φk={1→S-A,2→S-B},{1→S-B,2→S-A},{1→S-A,2→S-A},{1→S-B,2→S-B}}，前2 种配对策略分别表示1 类更新信息卸载给S-A，2 类更新信息卸载给S-B 以及2 类更新信息卸载给S-A，1 类更新信息卸载给S-B。后2 种配对策略分别表示两类信息都卸载给S-A 或者S-B，也就是两类信息都卸载给单服务器，显然这2 种信息状态的新鲜度和公平性不能保证，因此本文只研究前2 种配对策略，而将后2 种配对策略作为仿真部分的对比方案体现出来。

由上述分析，为提升系统的信息新鲜度并保证两类更新信息的信息年龄公平提升接收控制端处的精准决策，本文通过优化卸载管理，其中包括卸载间隔Xi,k及卸载时长，MEC 服务器选择策略以及功率分配来最小化系统平均峰值年龄，具体优化问题为

可以注意到，该优化模型中由于约束式(7)的非凸性导致优化问题非凸，且约束式(17)具有随机性。综上，该问题是一个非凸且具有连续随机性的优化问题，不可用一般的方法解决，接下来将提出基于离散思想的公平更新卸载策略算法进行求解。

3 优化问题求解

针对优化问题P1 的非凸性，本文提出基于公平的年龄最小化更新卸载策略算法，该算法将连续性的峰值年龄最小化问题在保证两类更新信息的年龄公平性的基础上离散优化。其主要思想为，在给定的配对策略φk下，通过优化卸载管理、功率分配以使每次的系统峰值年龄最小，然后基于前一次两类数据的年龄公平比的结果来选择下一次的MEC 分配策略。

3.1 给定配对策略φk下的优化问题求解

在每次开始新的卸载时，调度器将根据上次更新后的公平均衡函数值决定更新数据类与MEC 服务器的配对选择，即决定将两类数据分别卸载至哪个MEC 服务器进行计算处理。此外，还应决定开始卸载的时刻及功率分配策略。基于此，可得知接收控制端需接收到两类更新数据包并更新对应的AoI 值后，调度器才可获取上一次更新的公平均衡函数值。为满足该条件，优化问题P1 中的约束式(14)和式(15)可合并为以下约束

通过上述分析也可得出，调度器在每次卸载前应先决定更新信息类与MEC 的配对策略，故原优化问题可转化成在给定配对策略下的功率分配及卸载间隔优化。因此，在给定的配对策略φk下，原优化问题P1 可转化为

其中，第2 个等号表示NOMA 方式传输下，两类数据开始卸载的时刻和卸载时长总是一致的。

由此，优化目标得到简化。然而，该优化问题由于优化变量的耦合及约束式(7)的非凸性仍然是一个非凸问题。为使问题得到有效解决，本文提出联合功率分配卸载优化算法，主要步骤为：1) 在给定的功率分配下，对卸载间隔及卸载时长进行优化；2) 在给定的卸载间隔下，利用泰勒展开近似对功率分配进行优化。

3.1.1基于给定功率分配的卸载管理优化

对于P3，由于给定功率分配和配对策略，两服务器的计算时间可看作常数，且卸载间隔Xi,k和卸载时长这2 个优化变量并不耦合，故而该优化问题可将2 个优化变量独立求解。

容易看出，目标函数随着卸载间隔Xi,k的增大而增大，故应令卸载间隔最小才可让目标函数达到最小。由约束式(19)可求得卸载间隔的下界值，这也是令目标函数最小的值。因此，可以得出卸载间隔的最优解为

3.1.2基于给定卸载管理的功率分配优化

当给定卸载间隔Xi,k和卸载时长时，优化问题P2 可转化为

对于P4，首先可以看出此时优化目标是常数。这是因为当卸载时长给定时，每次卸载时的功率分配对最终年龄的值影响并不大，但需根据信道质量及卸载的任务量大小使卸载过程及时完成。其次，约束式(7)的非凸性仍然是解决P4 的难点，接下来将借助一阶泰勒展开近似及拉格朗日对偶对问题进行优化。为解决约束式(7)的非凸性，首先将对式(6)、式(7)两约束进行移项变形，分别转化为以下结构

经变形之后，式(26)仍为一个凸约束。易知，不等式(27)左边的前两项已构成一个凸的复合仿射函数。然而，其最后一项的存在仍不能使式(27)成为一项凸约束。为此，对其最后一项在展开点处进行一阶泰勒级数展开并迭代优化展开点直至接近原函数。经泰勒展开近似后，约束式(27)将转化为

其中，

为泰勒展开后的常数冗余项。经此推导，式(28)为凸约束。

进而，优化问题P4 转换为一个凸优化问题，满足KKT（Karush-Kuhn-Tacker）条件，可使用拉格朗日对偶法解决。令λ1、λ2、λ3、ω1、ω2分别为约束式(18c)、式(26)、式(28)、式(18d)中≥0 和≥0 对应的拉格朗日乘子，则P4 的拉格朗日函数可表示为

将式(42)代入式(40)中可得

3.1.3联合功率分配卸载优化算法设计

前文求出了给定功率分配下的卸载管理策略及给定卸载管理下的功率分配策略，本节提出联合功率分配卸载优化算法。此算法的具体步骤如算法1 所示。

算法1联合功率分配卸载优化算法

输入第k次服务器S-A 与S-B 所需计算的数据大小，第k-1次的卸载与计算总时长

输出第k次的系统峰值年龄及两类数据的峰值年龄，卸载及计算总时长

3.2 基于公平的年龄最小化更新策略算法设计

通过联合功率分配卸载优化算法，可得到第k次传输时令系统峰值年龄最小的功率分配和卸载管理策略，这样可以尽可能保证系统平均峰值年龄最小。为保证两类数据的年龄公平性，在第k次传输前应根据第k-1次传输所得到的公平均衡函数重新分配MEC 服务器。注意由于NOMA 传输，两类更新信息每次卸载的时长是一致的，所以当满足公平约束时，第k次传输仍应尽可能维持公平，即将小尺寸的更新数据交给计算资源少的服务器处理，而大尺寸的更新数据交给计算资源多的服务器处理；当不满足公平约束时，说明有一类更新信息的年龄在前一次接收到时过大，那么下一次的传输应将其交予计算资源多的服务器处理，以维护其平均峰值年龄。

通过上述分析，本节给出保证两类更新信息年龄公平时令系统平均峰值年龄最小的公平更新卸载算法以解决问题P1，算法步骤如下所示。

算法2基于公平的年龄最小化更新策略算法

输入数据包传输次数K，为两类更新数据的大小分配随机数组

输出系统平均峰值年龄

4 性能测试与分析

本节将利用所提算法对本文系统模型进行数值仿真分析。为了更好地评估所提系统模型和策略的有效性，将与以下模型方案进行比对分析。

1) OMA-双服务器模型。该模型中，仍存在2 个远近MEC 服务器，但用户卸载方式为OMA 技术，即用户不可同时卸载两类数据。

2) NOMA-单服务器模型。该模型中，用户卸载方式仍为NOMA 技术，但仅存在一个可用的MEC 服务器。

3) OMA-单服务器模型。该模型中，用户卸载方式为OMA 技术，且仅存在一个可用的MEC 服务器。

基于以上对比模型，针对NOMA 与OMA 卸载方式的比较，本文仿真对比了在双服务器场景下所提基于公平的年龄最小化更新卸载策略方案（本文模型方案）与普通NOMA 方案、考虑公平的OMA卸载优化方案（优化OMA）以及普通OMA 方案的性能。

图3 给出了不同卸载方式下系统平均峰值年龄与传输次数的关系。可以看出，在4 种方案下，随着传输次数的增加系统峰值年龄逐渐增大。但所提NOMA 卸载方案相比其他3 种上升幅度最平缓，与初值峰值年龄的相差并不大，这是因为所提优化算法对其每次的传输都进行了最小化系统峰值年龄的优化。当传输次数较少时，如K=100，优化OMA方案与普通NOMA 方案较为接近，这是因为当对卸载管理进行优化时OMA 卸载也可以尽快完成更新计算过程，但随着传输次数的逐渐增多，NOMA能同时卸载的特点对于降低系统峰值年龄的优势逐渐明显。而普通OMA 模型下，由于没有卸载管理优化，系统峰值年龄受信道变化影响及服务器计算能力的影响而上升最快。此外，无论是NOMA 卸载还是OMA 卸载，优化方案都比普通方案有更小的系统峰值年龄，这说明考虑公平性可以很好地降低系统的峰值年龄。综上所述，本文所提NOMA 卸载优化方案更能维持信息的新鲜度。

图3 不同卸载方式下系统平均峰值年龄与传输次数的关系

图4 给出了不同卸载方式下对两类更新信息年龄的公平度对比情况。在本次仿真实验中，为将两类更新信息每次卸载时的年龄公平对比展示清晰，仅在100 次传输内随机观察任意连续7 次传输的情况。本次仿真参数设满意度函数为公平约束阈值设为1，容忍波动值为10-5。所对比的2 种方案分别为所提出的NOMA 公平更新卸载方案和同样考虑公平性的OMA 方案。从图4 中可以看出，所提NOMA 方案中两类更新信息的年龄满意度比基本与公平约束阈值所在的基准线相吻合或靠近基准线，而另一种OMA 方案的年龄公平比值波动较大。这是因为所提NOMA 方案不仅满足了两类数据总能同时卸载，并根据上一次的公平约束及自身数据大小进一步实现公平更新。而优化的OMA 方案即使进行了MEC 配对优化，但两类更新信息交替更新的不稳定性仍导致了两类更新信息年龄的不公平性。这说明了本文方案在维护用户两类更新信息的年龄公平性上更有优势。

图4 不同卸载方式下两类更新信息的年龄公平度对比

图5 给出了不同服务器数不同卸载方式下系统平均峰值年龄和传输次数的关系。仿真实验涉及4 种方案的对比，分别是所提NOMA 双服务器更新模型、OMA 双服务器更新模型、NOMA 单服务器更新模型以及OMA 单服务器更新模型。所设置的单服务器的计算资源为f=1.5 MHz。从图5 中可以看出，4 种模型的系统峰值年龄均随着传输次数的增加而增加，且所提模型仍是变化最平缓、性能表现最好的。而可以观察到，当传输次数较少时，基于NOMA 卸载的单服务器更新模型的信息年龄性能与所提模型接近，这是因为在单服务器NOMA更新模型中，用户同时将两类数据卸载至同一个服务器，然后该服务器计算两类数据的总和，其更新速度更依赖于服务器的处理速度，当服务器的计算资源较好时其系统峰值年龄的变化也较为可观。但基于OMA 卸载的单/双服务器模型的系统峰值年龄变化较快，尤其是单服务器场景下，系统每次只能更新一个，这极大地拖延了系统的更新速度。由此可见，所提基于NOMA 卸载的双服务器模型在充分利用了MEC 系统的计算资源的同时，也为用户的信息新鲜度提供了更好的保障。

图5 不同服务器数下系统平均峰值年龄与传输次数的关系

图6 给出了不同服务器数不同卸载方式下两类更新信息的公平度对比。本次仿真实验同样在100 次传输内随机观察任意连续7 次传输的情况，且所用的年龄满意度函数及基准值与图4 所设置的相同，方案对比涉及所提基于NOMA 卸载的双服务器模型、基于NOMA/OMA 卸载的单服务器模型。可以看出，所提更新模型较好地维持了两类数据的年龄公平，几乎与公平阈值所在的基准线值相同。基于NOMA 的单服务器模型的公平度也围绕着基准线，基本保持了两类数据的公平，这是因为两类数据的卸载与计算总保持一致，但不同数据的大小在同一服务器上所消耗的计算时间不同产生了新鲜度不公平的现象。在基于OMA 卸载的单服务器模型中，由于卸载调度和计算调度的低效率导致两类数据的峰值年龄受到的不稳定因素过多，因此会出现两类更新的信息年龄差距很大的情况。所提双服务器模型比单服务器模型更能维持两类数据的新鲜度平衡，使用户的监测器采集到更多更实时的信息，这种性能的优越性在单服务器计算资源较差时将更明显。

图6 两类更新信息的公平度对比

5 结束语

本文考虑到物联网设备用户装备有多个状态监控传感器，所产生的更新信息又需预先进行处理计算的场景，为保证其所产生的多类更新信息的年龄公平，提升MEC 服务器的计算处理效率，均衡MEC 网络的计算资源，提出了基于NOMA 卸载的远近服务器的MEC 状态更新系统模型。该模型允许用户将其多类更新信息同时卸载至不同的MEC服务器，并每次都进行MEC 配对策略调整。以最小化该系统的系统峰值年龄为目标，建立了以卸载管理、功率分配为优化量，年龄公平为约束的优化问题模型。该优化问题模型是非凸长期性的随机优化问题，提出了基于离散化的公平更新策略算法。最后，通过仿真实验证明了该模型及公平更新策略的有效性。