0 引言

    近年來，隨著移動互聯(lián)網(wǎng)和智能終端的快速發(fā)展，越來越多的新型應(yīng)用出現(xiàn)在人們的日常生活當(dāng)中，例如，人臉識別、虛擬現(xiàn)實(shí)和增強(qiáng)現(xiàn)實(shí)等^[1-2]。然而，由于移動設(shè)備的計算能力和電池續(xù)航能力有限，難以有效地處理這些應(yīng)用。若將計算任務(wù)卸載到距離用戶較遠(yuǎn)的云服務(wù)器可能會產(chǎn)生更高的時延從而影響任務(wù)的執(zhí)行效率。針對以上問題，業(yè)界提出了移動邊緣計算的概念。移動邊緣計算(Mobile Edge Computing，MEC)是將具有存儲和計算能力的網(wǎng)絡(luò)設(shè)備實(shí)體部署在移動網(wǎng)絡(luò)邊緣，從而為移動網(wǎng)絡(luò)提供IT服務(wù)環(huán)境和計算能力^[3]。MEC的關(guān)鍵技術(shù)主要包括任務(wù)卸載和資源分配兩個方面，任務(wù)卸載是指將計算密集型或延遲敏感型任務(wù)卸載到資源相對豐富的計算機(jī)或服務(wù)器中執(zhí)行，以解決移動設(shè)備在存儲、計算等方面存在的缺陷^[4-5]。此外，在多個用戶將其各自的計算任務(wù)從本地卸載到MEC服務(wù)器進(jìn)行處理時，由此涉及有限的MEC服務(wù)器資源在各個用戶之間的分配問題。因此，MEC服務(wù)器的資源分配致力于解決移動設(shè)備在實(shí)現(xiàn)卸載后如何高效公平地分配資源以實(shí)現(xiàn)任務(wù)處理的問題。

    針對MEC的任務(wù)卸載和資源分配問題，文獻(xiàn)[6]考慮了云服務(wù)器計算資源受限的約束，提出了多用戶場景下基于在線和離線的任務(wù)卸載決策算法，對計算任務(wù)進(jìn)行云端處理和本地處理的劃分，并分別處理。文獻(xiàn)[7]提出了一種考慮前向鏈路和后向鏈路聯(lián)合優(yōu)化的卸載決策問題，并通過改進(jìn)的人工魚群算法對任務(wù)卸載過程中所產(chǎn)生的能量消耗進(jìn)行優(yōu)化。文獻(xiàn)[8]分別研究了在單小區(qū)和多小區(qū)場景下的任務(wù)卸載和資源分配問題，設(shè)計了系統(tǒng)總開銷函數(shù)(時延-能耗加權(quán)和)，并將用戶設(shè)備的電池剩余能耗引入到加權(quán)因子當(dāng)中，通過凸優(yōu)化理論與迭代搜索相結(jié)合方式的尋找最優(yōu)解。然而文獻(xiàn)[6]、[7]僅關(guān)注用戶任務(wù)卸載決策，缺少優(yōu)化資源分配或者考慮資源約束；文獻(xiàn)[8]只考慮了本地設(shè)備計算資源及無線資源的分配，而忽略了MEC服務(wù)器有限計算資源對任務(wù)卸載的影響。因此，無法完全保證能夠高效地利用MEC服務(wù)場景的對于眾多用戶而言仍顯得稀缺有限的無線資源和計算資源。

    針對上述問題，本文提出首先采用自適應(yīng)遺傳算法獲取卸載決策及后續(xù)的更新操作。在每一次卸載決策更新的情況下，將原問題分解為上行鏈路功率分配和計算資源分配兩個子問題，然后根據(jù)凸優(yōu)化和準(zhǔn)凸優(yōu)化理論，利用二分搜索法和拉格朗日乘子法分別求出功率分配和計算資源分配的最優(yōu)解。最后，通過迭代求解得到最優(yōu)的卸載決策和資源分配結(jié)果。仿真結(jié)果表明，所提出的方案在保證用戶時延約束的同時，降低了系統(tǒng)總開銷，有效地提升系統(tǒng)的性能。

本文詳細(xì)內(nèi)容請下載:http://m.viuna.cn/resource/share/2000002958

作者信息:

閆  偉，申  濱，劉笑笑

(重慶郵電大學(xué) 通信與信息工程學(xué)院，重慶400065)