基于边缘计算的无人机协同任务卸载策略研究*

李 立 王司令 周 洋 王 恒

（1.西安工业大学电子信息工程学院 西安 710000）

（2.西安工业大学兵器科学与技术学院 西安 710000）

1 引言

随着科技的发展，出现了各种型号的无人机、无人飞行器、无人航天器，不仅应用在军事场景中，而且在民用和商业服务中发挥重要作用［1］。

Zhou等［2］提出了一个综合网络架构，通过空中平台的支持为地面用户提供多种服务，无人机本身的计算能力和能源资源有限，效率低下。移动边缘计算（Mobile Edge Computing，MEC）［3］缓解了这些问题，Wang［4］等介绍了MEC 的架构，Mazouzi［5~7］考虑了可卸载部分的依赖关系，Han［8］使用一维搜索算法来实现最小化执行延迟的目标，Sheng 等［9］提出了LTE的一般能耗模型，Yang［10］在能耗和执行延迟之间权衡的想法。对于，如何优化无人机边缘计算的任务卸载产生的能耗和时延是一个问题。

针对边缘计算下无人机协同任务卸载的问题，提出了SAPSO 算法，面对服务质量要求不同的情况，以实现最优的卸载策略为目标，从而使系统具有更低的延迟和能耗。

2 系统模型

2.1 场景描述

本节研究边缘计算中无人机协同的任务卸载系统模型，然后分别给出了能量和延迟的评估模型。该系统由无人机和N个终端设备组成，如图1所示。UAV 可以通过LTE 无线链路［4］为边缘服务器提供计算和通讯服务［8］，UAV 可以将部分任务卸载到地面终端设备，并将剩余任务在其他终端设备进行计算。

图1 边缘计算系统模型

UAV 通过无线通讯链路和网络技术［10］与地面终端设备进行连接，信道模型中，总通信功耗由上行链路部分和下行链路部分组成，但我们假设计算结果不返回UAV，可以直接将计算结果传输给用户。因此，本文将忽略下行链路部分。

终端设备通过上行链路传输数据时，上行链路全功率包括射频功率、基带编码功率和基线功率［9，12］。射频功率随信号辐射功率ptx变化；文献［12］Chen测量了LTE-MT传输的实际功耗，结果表明基带编码功率与射频功率相比可以忽略不计，所消耗的基本功率只是维持电路接通。本文采用文献［12］的定义方式，基线功率为常数，上行链路全功率与ptx呈近似线性递增关系。根据以上分析，上行链路的能耗为：

式中，ktx1为基准功率，ktx2为功率放大系数；tUL表示上行链路传输时间，取决于数据大小和数据传输速率。

由于UAV通讯链路的视距信道随UAV移动而变化，因此发射功率也具有时变特性。假设一个时隙系统，记录每个时隙相对应的发射功率，UAV 的移动过程是相对平缓的，UAV 和终端设备通讯时是相对静止的，及UAV 和终端设备进行计算卸载中位置不变。

根据上述分析，选择j作为入口终端设备时，给定计算任务x其产生的能量消耗可以写成本地计算产生的能量和传输能量之和：

其中：Dapp(x)表示整个系统的数据大小，Dserver(x,i)表示分配给i个终端设备的数据量；εUAV表示本地计算能耗效率，t0(x,j)表示计算卸载任务开始时间，tUL(x,j)表示无线通讯链路的结束时间；ptx,UAV(t)表示在时刻t时UAV 到终端设备的信号辐射功率。

2.2 边缘计算系统模型

整个时延由传输时间和计算任务时间组成，定义计算结果的数据量远远小于输入量［11］，因此本文不考虑将结果返回给用户的时间。UAV 可以同时进行数据传输和局部计算，当边缘设备接收到分配给该终端设备的所有数据时，边缘设备开始计算，对于入口终端设备，无线通讯链路不影响回程传输［14］，在接收UAV 数据的同时，还可将数据分发给其他终端设备。此外，在无线通讯链路上，数据不是按终端设备顺序传输的，而是随机分布的。综上，计算卸载产生的传输时延记为tapp可以表示为

式（3）中，总传输时延取UAV 本地执行时间与计算卸载时间的最大值，而计算卸载时间等于N个任务卸载的最大运行时间。对于某一任务卸载计算过程，运行时间由接收数据的时间和边缘设备的计算时间组成。前者等于数据量乘以CPU 处理1bit数据时所需的时间，后者表示UAV到入口终端设备的传输时间、入口终端设备到目标设备的传输时间，边缘设备计算时间的值取后完成计算卸载任务的时间。最后，根据数据量和回程数据速率，可以计算出入口终端设备到目标设备的时间。

2.3 问题模型

在提出的UAV 边缘计算系统中，本文解决的问题是在时延限制不太紧和满足最大时延约束的情况下，得到一个最优的无线数据传输速率和最优能耗的任务分配策略，使UAV 的能耗最小化；对于时延敏感的业务，我们应该找到最节省时间的分配方案，并采用尽可能高的数据速率。具体来说，当一个计算任务到来时，需要确定分配给每个边缘设备的计算工作量和每个链路采用的数据速率，实际上由于设定其始终可以获得通讯信道状态信息，所以最后会将数据速率的结果转换为向UAV 提出指令的传输功率，其过程中使用数据速率，以便于制定和解决计算任务。

式（2）中UAV 的传输功率ptx,UAV(t,j) 和上行链路传输时间tUL(x,j)可以用上行链路数据速率rUL(t,j)和Dserver(i)(x,i)表示，并满足束条件：

由香农定理可以确定ptx,UAV和rUL的值，其中路径损失PLest可以根据文献［13］中提出的信道模型计算，WUL为上行链路带宽，N0为背景噪声功率谱密度。式（5）中，N(0,3.4) 其均值为0，方差为3.4 的正态分布，式（6）、（7）表示当传输数据量达到任务卸载数据量时，tUL由式（7）表示。

上述对约束条件进行分析，以取得最优的变量关系，UAV 边缘计算任务卸载的系统模型进行限制如下：

其边缘计算的任务卸载数据大小永远不会超过整个信道系统的数据大小。

式（9）中ptx,UAV表示UAV的最大发射功率。

式（3）计算出tapp(x)的值是边缘计算的最大时延约束，不断改变Lmax的值，使得该优化问题取得最低能耗和系统计算卸载的时延最低。

对上行链路数据速率约束，根据LTE调制与编码策略（Modulation and Coding Scheme，MCS）［9］；MCSmin和MCSmax分别为频谱效率的最小值和最大值。在LTE策略中，下界决定通信信道范围和最小数据速率，上界限制最大可用数据速率。综上，具体优化问题建模为

其中：rul(t,j)和Dserver(x,i)满足式（3）~（12）的约束，对于每一个计算卸载任务，都存在一个最优卸载策略和最小能耗，包括时变数据速率、数据分配方案和入口终端设备选择。假设UAV 能同时处理多个任务，只能按顺序处理，当收到计算任务时，UAV 处理该任务的信息并将该信息传递给系统；系统服务器进行在线优化和确定。

3 算法设计

3.1 最优数据速率算法

在生成计算任务时，称数据大小为固定值，Eapp相当于1/bit 能耗的最小值。对于1/bit 数据，本地计算能耗是一个固定的值，而通信能耗随着数据速率的变化而变化。令式（1）除以上行链路传输数据量，得到最小的能耗，根据式（4）、（5）用上行链路数据速率rUL替换ptx得：

当信道质量较差时，将数据速率降低到略低于最佳数据速率的值；当信道质量可接受时，可以将数据速率提高到较高的值。该任务卸载算法使每个时隙的-- --EUL不是最优的，但是可以让更少的数据在较差的信道中传输，让更多的数据在可接受的信道中传输，使平均能耗降低。假设UAV 的速度是匀速的，并且信道模型是相同的，在传输过程中信道状态几乎稳定。因此，次最优解与全局最优解之间的差异可以忽略不计。

根据凸函数定理，式（13）相对于rUL是凸的，rUL的约束条件为式（4）、式（9）、式（11），利用拉格朗日乘子法解决凸优化问题。

通过定义拉格朗日函数，不考虑数据量项和时延约束，利用KKT 条件，获得无人机在每个时隙与每个终端设备通信时最节能的上行链路数据速率［15］。当有数据需要通过无线通讯链路传输到某台终端设备时，获得最节能的数据速率，作为搜索最优资源分配的基础。

3.2 最优任务分配算法

根据3.1 节中最优数据速率问题，提出一种启发式算法，SAPSO算法。粒子群优化算法（PSO）［16］，是结构较为简单且收敛快的求解优化算法，适用于多目标优化任务。传统PSO 算法有一个缺点就是容易陷入局部最优，将PSO 算法和模拟退火算法（simulated annealing，SA）［17］结合起来，另其跳出局部最优。模拟退火算法是有一定的可能性得到更差的解，从而避免过早地落入局部最优解。算法1的伪代码阐述了本文方案中SAPSO 算法的详细步骤。

针对边缘计算任务卸载，使用SAPSO 算法来解决资源分配问题，因为资源分配任务是一个粒子位置向量，其维数等于终端设备数量。使用SAPSO算法不仅可以找到给定时延约束下的资源分配，还可以找到计算卸载的时延最低，当服务器数量发生变化时，该算法仍然有效。

4 仿真实验和结果分析

4.1 实验设置

仿真实验使用Matlab 平台，搭建模拟系统环境，设置了1 个UAV 和4 个终端设备，评估所提算法的性能和效率，仿真中的参数数值如表1所示。

表1 仿真参数值

其中：ktx1、ktx2根据［12］中的测量值设置，UAV能耗和时间效率是根据手机的CPU设置的，用于处理图像相关的任务。Llocal表示本地计算所有数据的延迟，最大时延Lmax在1s 的步长内从0.06 ∙Llocal变化到0.12 ∙Llocal，观察性能变化并计算卸载时延最低。αUAV为时延权重因子，δUAV为能耗权重因子，假设终端设备是查询驱动器［1］，这意味着在生成计算任务时，UAV 的位置是随机选择的，任务开始从1~ 7 的数据大小从40MByte 线性增加到160MByte，步长为20MByte。

4.2 仿真结果与分析

为验证SAPSO 算法的有效性和最优性，本文选取其他三种任务卸载算法进行对比。第一种是UAV 本地计算，它计算卸载延迟高、处理时间较长；第二种是基于PSO 的任务卸载算法，该算法收敛速度较快；第三种是基于SA的任务卸载算法，其计算能耗相对较高。

如图2 显示了任务数据量大小从40MB 到160MB 之间能量消耗的变化，可以看出本文所提的SAPSO 算法在不同任务数据量大小下能够实现最低的能耗。通过实验数据分析，本文算法所消耗的能量比另外3 种算法降低了79.6%、29.1%、25.5%。

图2 系统的能耗与数据大小关系仿真图

如图3 显示了任务数据量大小从40MB 到160MB 之间延迟的变化，可以看出本文所提的SAPSO 算法在不同任务数据量大小下能够实现最短的延迟。通过实验数据分析，本文算法系统产生的延迟比另外3种算法降低了75%、34.6%、20.9%。

图3 系统的延迟与数据大小关系仿真图

本文将系统任务卸载的能量消耗和时间延迟的线性加权表示为开销。如图4 显示了任务数据量大小从40MB 到160MB 之间开销的变化，可以看出本文所提的SAPSO 算法在不同任务数据量大小下能够实现最小的开销。通过实验数据分析，本文算法系统产生的开销比另外3 种算法降低了17.1%、6.8%、5.2%。

图4 系统的开销与数据大小关系仿真图

通过上述对比实验，本文所提算法的表现均优于其他三种卸载算法，并具有较好地收敛性和鲁棒性。此外，本文所给出的SAPSO 算法可以在延迟与能耗性能之间，能够实现一个最优的策略。

5 结语

本文考虑了UAV 边缘计算下协同任务卸载问题，提出了一种基于SAPSO 的任务卸载算法。该算法对传输数据速率和资源分配进行优化，以满足不同的服务质量要求，能有效地利用异构边缘服务器进行协同工作。仿真实验结果表明，在优化延迟和能耗问题方面起到了有效的作用。在今后的工作中，将考虑在飞行试验台上进行实验，并考虑其他不同情况的MEC计算卸载问题。