基于5G MEC技术的智慧校园网络低时延优化方法

赵丽红，丁晓梅

(安徽文达信息工程学院，安徽 合肥 231201)

近几年，伴随移动网络与智能化移动设备的逐渐增多，移动互联网用户数目增长趋势十分显著.Cisco最新整理的预测报告指出，2020年全球移动数量流量和2015年相比，增长趋势以“倍”式升级，联网设备数目也逐渐增多，Mobileye是未来移动通信发展的核心应用网络.由于数据业务对传输网/核心网的带宽要求越来越高，传统网络在这种环境下的应用缺陷日益突出，业务响应延迟越来越大.WiFi网络仅能传输无线数据而无业务支持，随着视频技术、虚拟现实、增强现实等移动业务的不断发展[1-2]，无线网络也面临大容量传输、低时延的应用挑战.

第五代移动通信(简称5G)的出现，也面临着大数据流量增长和大量设备连接的问题.5G网络的应用场景，比如智能电网、智慧校园网络等场景对传输时延、应用能效、设备连接数量有严格的要求[3].

目前5G网络将以人为核心的通信模式变换为以人与物为核心的通信模式，这对5G网络传输速率、移动性、时延、可靠性均存在一定挑战.极限移动宽带属于5G的核心通信服务，智慧校园网络中，大量用户对超大宽带数据业务具有很大程度的应用需求，为此，必须使用5G网络移动边缘技术减少时延，满足用户需求，优化用户应用体验[4,5].本文提出基于5G MEC技术的智慧校园网络低时延优化方法，以减少智慧校园网络传输时延，优化用户体验为核心，对智慧校园网络传输问题进行深入研究.

1 基于5G MEC技术的智慧校园网络低时延优化方法

1.1 基于智慧校园网络的5G MEC系统模型

具有5G网络 MEC功能的智慧校园网络架构示意图见图1.

图1 具有5G MEC功能的智慧校园网络架构示意图

图1中，用户可以在校园内通过5 G无线连接到智能校园基站.学校智能基站和微蜂窝基站之间采用有线光纤进行通信连接.在微蜂窝基站中设置 MEC服务器，简称 MEC微蜂窝基站.将由用户设备处理的计算任务传送到智慧校园基站，该基站将计算任务传送到具有 MEC功能的指定微蜂窝基站[6].多个智慧校园基站的计算任务传输至MEC服务器之后，先在缓存队伍中等待.MEC服务器遵循先到先得的规律执行任务.任务处理结束后，MEC服务器把任务完成结果反馈至智慧校园基站，智慧校园基站将其反馈至用户设备[7,8].

(1)

1.2 基于移动边缘计算的任务卸载和资源优化方法

掌握MEC-微蜂窝基站负载情况后，使用基于移动边缘计算的任务卸载和资源优化方法，实现5G MEC的任务卸载和资源优化，减少智慧校园网络的传输时延，优化智慧校园网络传输性能.

在MEC中，提升移动设备应用性能时，很大程度上依赖于高效的任务卸载决策，通过计算、卸载操作，移动用户设备能够大大降低应用程序的任务处理延迟.

卸载任务时，各个用户设备会对本地计算耗时进行评价，然后传输至MEC-微蜂窝基站，MEC-微蜂窝基站自身也会评价各个用户设备卸载时的耗时情况[9].之后MEC-微蜂窝基站会对比本地处理耗时，下达合理的卸载决策.卸载决策bn是：

(2)

(3)

因为式(3)具有整数约束，将式(3)变换为一个混合整数的非线性规划问题，简称NP-hard问题.所以，为了提升求解速度，把上述问题变换成卸载决定、信道分配2种子问题，问题最优解使用一个迭代求解方法获取[10-12].

1.2.1 基于坐标下降法的卸载决策优化

(4)

其中，用户设备n变化目前决定后的卸载决定是U(Bo-1(n)).更新规则设置为：

(5)

坐标下降法顺着卸载决策bn的方向持续优化，以此获取目标函数的局部最小值，因此，在多次迭代中可实现收敛，获取最优卸载决策.

1.2.2 卸载用户设备的信道分配

(6)

其中，kφ,φ是信道增益.φ、φ代表不同类型的用户设备.

(7)

子信道分配时，把信道质量最佳的子信道分配至用户设备，实现用户设备的传输速率最大化[13].且在符合用户设备时延最小化的前提下，为各个用户设备分配子信道，以此防止出现用户设备过多而频率复用的问题.所以，D1、D3的约束条件下，各个用户的子信道分配问题能够规划成：

(8)

在此基础上，采用改进的匈牙利算法对信道进行匹配，利用贪婪算法在满足最小速率的情况下，为用户设备分配合适的子信道.具体流程是：

(1)建立首次迭代所需效益矩阵，如果用户设备数量Mc不小于子信道数量K，便加入Mc-K个虚拟子信道，效益矩阵是Mc×Mc.如果用户设备数量不大于子信道数量，便加入K-Mc个虚拟子信道，效益矩阵是K×K.

(2)通过匈牙利算法匹配最大权重，实现1次信道分配.

(3)参照分配的子信道结果，更新子信道分配矩阵与干扰矩阵.

(4)分析各个用户设备是否为最低速率，如果是，便停止.反之，更新需要继续分配子信道的用户设备.

(5)检查信道分配矩阵，使用贪婪算法在剩余子信道里选取干扰最不显著的子信道，将其分配至用户设备[14,15].

(6)多次执行第(3)步骤～第(5)步骤，当全部用户设备的传输时延为最小值方可停止.

2 应用效果测试

在MATLAB仿真平台中，模拟一个集中式的智慧校园网络，此网络为5G MEC网络.将MEC服务器部署在智慧校园基站周围，建立MEC-微蜂窝基站.每个MEC-微蜂窝基站的覆盖范围是35 m.具体的实验参数设置如表1所示.

表1 实验参数设置

图2 不同时延约束条件下应用效果

2.1 不同时延约束条件下本文方法应用效果

由于仿真参数取值范围对本文方法性能存在干扰，设置3类时延约束取值范围：

第一类：时延约束取值范围是1.5～3.5 s；

第二类：时延约束取值范围是1.5～4.5 s；

第三类：时延约束取值范围是1.5～5.5 s.

在3类时延约束取值范围下，测试本文方法的应用效果.测试结果如图2所示.

由图2可知，当延迟限制范围较小时，更多的用户设备将任务转移给 MEC小区基站进行计算.当延迟限制范围增大时，用户设备上的任务所占的比例变小，这说明任务倾向于局部处理.

简单来讲，当时延约束范围较小时，用户设备为了降低任务处理耗时，将选择MEC-微蜂窝基站计算模式，5G MEC技术能够降低用户设备的运行耗时.

设置三种时延约束条件下，智慧校园的用户设备均采用5G MEC网络模式，测试本文方法应用后，用户设备应用过程中，MEC-微蜂窝基站的负载均衡度，负载均衡度主要通过负载标准差体现.

(9)

本文方法应用后，MEC-微蜂窝基站的负载标准差测试结果如图3所示.

图3 负载标准差测试结果

图4 用户设备数据接收时延测试结果

图5 负载均衡度测试结果

由图3可知，不同时延约束条件下，本文方法应用后，智慧校园网络中MEC-

微蜂窝基站的负载标准差都较小，最大值为0.20.

2.2 不同传输数据量条件下本文方法应用效果

将用户设备所需计算的数据资源块数量依次设成50个、100个、150个.在不同传输数据量条件下，测试本文方法应用后，用户设备数据接收时延、MEC-微蜂窝基站的负载标准差，结果如图4、图5所示.

由图4、图5可知，在用户设备所需计算的数据资源块数量依次是50个、100个、150个的条件中，本文方法应用后，用户设备数据接收时延最大值都小于0.55 s；MEC-微蜂窝基站的负载标准差低于0.20.由此可见，不同传输数据量条件下，本文方法应用效果较好，不受数据量所影响，保证用户设备与MEC-微蜂窝基站的应用性能不存在显著的负面变化.

2.3 不同数据类型传输中本文方法应用效果

用户设备的数据传输类型存在多样化，将用户设备的数据传输类型依次设成视频、图片、文字.测试本文方法使用前后，用户设备中视频、图片、文字的传输时延，结果如图6所示.

(a)视频

(b)图片

(c)文字

由图6可知，不同数据类型传输中，本文方法应用后，用户设备中视频、图片、文字的传输时延均小于1 s，和使用前相比，传输时延极低，未使用本文方法前，伴随设备数量增多，用户设备传输时延也逐渐变大.对比之下，本文方法可优化用户设备的传输时延，应用效果较好.

3 结 论

本文提出基于5G MEC技术的智慧校园网络低时延优化方法，对校园网络的传输性能进行深入优化.经过测试，本文方法在不同时延约束条件下、不同传输数据量条件下、不同数据类型传输中均具有显著的应用价值，对5G网络、智慧校园网络建设具有参考价值.但是本文方法的性能验证仅以仿真测试为主，实际应用效果还需进一步考证，在未来的研究工作中，将会从实际应用效果进行全面测试，针对不足进行深入优化.