移动边缘计算中的资源管理

本文首先出现在尤长生的《中兴通讯技术》中. 边缘计算社区进行了交流和发布.

摘要: 通过描述移动边缘计算（MEC）网络的基本原理，应用场景以及通信和计算研究模型，可以对单用户和多用户的绿色节能频谱和计算资源进行全面管理. 建议用户使用MEC系统程序. 通过分析当前MEC技术的局限性和挑战，可以认为MEC和人工智能技术的有机结合可以有效提高未来网络的计算性能.

关键字: 移动边缘计算；无线通信;资源管理

1. 研究背景

随着5G技术和物联网（IoT）的发展，无线设备的数量呈指数级增长，并且物联网的应用场景变得越来越多样化. 这包括大量计算密集型和对延迟敏感的应用程序，例如虚拟现实，游戏等. 此类应用程序需要强大的计算能力来支持超低延迟要求. 为了满足这一需求，近年来，传统的云计算网络体系结构正在悄悄转移到移动边缘计算（MEC）网络: 最初位于核心云数据中心的计算服务和功能正在向网络边缘下沉. . 更近的基站和无线接入点为用户提供了无处不在的计算，存储和通信服务，从而有效地减少了用户的计算延迟和能耗，并大大提高了整个网络的资源利用率[1-4].

MEC: 移动边缘计算

图1 MEC系统架构和应用

如图1所示，在MEC系统中，用户可以将本地计算密集型任务卸载（迁移）到MEC服务器，让它代表他们执行计算并将计算结果返回给用户. 与传统的基于数据中心的移动云计算（MCC）相比，MEC在以下几个方有明显的优势.

（1）较低的延迟: 由于边缘云距离用户更近，并且计算数据向云的迁移不涉及核心网络中的数据传输，因此MEC可以大大减少MCC和核心中的数据传输网络回传链路延迟. 另一方面，通过MEC服务器的广泛部署，每个MEC服务器仅需要向少量的周围用户提供计算服务，从而实现了较短的计算延迟. 因此，相比于MCC所需的100毫秒延迟，MEC可以满足1〜10毫秒的超低延迟要求.

（2）更低的能耗: MEC用户可以选择将高能耗的计算任务迁移到边缘云，以避免本地计算导致的巨大能耗. 另一方面，由于它更靠近MEC服务器，因此MEC用户可以大大减少计算数据传输中的能耗.

（3）更好的态势感知: MEC服务器可以利用邻近性，通过用户的位置信息更准确地预测和判断用户的计算行为和需求，从而提供更及时有效的计算和存储服务.

（4）更高的安全保护: 与MCC相比，MEC服务器的用户更少，用户数据信息无需通过复杂的核心网络即可到达数据中心. 这样可以有效缓解多跳网络传输中的信息泄漏问题.

2. 研究模型

为了研究MEC系统的计算性能，我们首先介绍MEC的基本研究模型.

1）计算任务模型: 一般来讲，MEC的计算卸载模型包括完全卸载和部分卸载. 其中，全负荷计算模型适用于数据不可分割的高度集成的计算任务. 它要求用户选择所有本地计算或全部卸载到MEC服务器. 此类计算任务的关键参数包括: 计算数据量（位数），计算强度（数据的每一位所需的CPU时钟数）和计算延迟要求. 这些参数与特定的计算任务有关，可以通过对计算任务进行分析和建模来获得. 另一方面，部分卸载模型适用于两种类型的计算任务: 一种类型是可以任意分割数据的计算（例如数据压缩等）；另一种是可以将数据任意分割的计算. 另一种类型是包含多个子任务的计算，并且不同的任务通常具有一定的操作顺序. 并进行联系，如图2所示. 与完全卸载模型相比，部分卸载模型具有更大的设计自由度，并且可以更有效地卸载部分数据或子任务，从而减少了用户的计算延迟和能耗.

2）计算延迟和能耗模型: 对于用户的本地计算，计算延迟与计算所需的中央处理器（CPU）时钟数成正比，与CPU频率成反比；因此，我们可以通过增加CPU的主频率来减少本地计算的延迟，但是这样做也会增加本地计算的能耗. 本地计算的能耗主要来自CPU的功耗，CPU的功耗与CPU频率的平方成反比. 因此，CPU频率越高，本地计算能耗就越高，增长越快. 对于MEC服务器（或边缘云），其计算延迟包括在多个计算任务下的CPU计算延迟和队列延迟. 能耗包括CPU计算能耗和服务器启动能耗.

3）无线数据传输模型: 毫米波通信，非正交多址多址等多种5G通信技术可以有效地用于计算卸载时的可实现数据传输速率（通过香农公式建模），从而减少了计算数据的传输延迟. 同时，用户还可以使用设备间通信技术（D2D）来实现低延迟数据传输和用户之间的计算分流[4].

图2移动边缘计算任务的不同计算顺序

3. MEC系统中的资源管理

无线和计算资源的集成管理是MEC系统设计的重要组成部分. 对于不同的MEC系统设置，我们需要解决不同的集成资源管理问题.

我们首先考虑在单个用户的情况下基于完整卸载计算模型的MEC资源管理. 其中，最重要的设计问题是如何制定卸载决策，即是否执行计算卸载以及如何设计卸载策略. 为了研究这个问题，我们在[6]中提出了一种新型的无线供电的MEC系统，并设计了其最佳的计算卸载方案.

为了满足计算延迟要求并最大程度地减少用户的计算能耗，我们分别在本地计算和计算完全卸载两种模式下优化了设计: 对于本地计算，我们通过优化用户的CPU来减少计算量频率能耗，同时满足计算能耗不大于获得的无线能量的条件；为了使计算完全卸载，我们提出了一种最佳的时分方案，以便用户首先获得足够的能量，然后再进行数据传输和计算迁移，同时最大限度地提高用户的剩余能量. 最后，根据两种本地计算和完全卸载模式的能耗差异，提出最优的本地计算/完全卸载决策. 这项工作随后扩展到了更复杂的MEC系统，例如基于能量收集的MEC系统[7]和基于源的多用户MEC系统[8].

对于具有多个用户的MEC系统，其集成资源管理更加复杂. 在文献[9]中，我们考虑了部分卸载的计算模型，并假设所有用户都需要在同一时间段内完成不同强度的计算任务. 为了最大程度地减少所有用户的总计算能耗（包括每个用户的本地计算和卸载能耗），我们使用凸优化工具来提出一套最佳的综合资源管理设计解决方案. 具体来说，我们首先计算一个（计算的）卸载优先级函数，该函数与用户的信道增益和本地计算能耗成正比；因此，对于每个用户，如果其无线信道更好或本地能耗较大，则值越大，用户的卸载优先级越高.

基于此优先级函数，我们证明了最佳的集成资源管理方案是基于阈值的资源分配: 对于每个用户，如果其卸载优先级函数值大于某个阈值，那么他将选择卸载所有计算MEC服务器的任务；否则，他将尝试在本地完成所有计算. 与[9]中的集中式资源管理不同，[10]中研究了分布式计算资源分配. 作者考虑了完全卸载的计算模型，并运用博弈论解决了不同用户计算是否卸载的不确定性（NP）问题. [10]中的研究证明，当用户收到的信号干扰强度低于某个阈值时，他应该将计算任务转移到云中. 因为在这种情况下，无线传输可以达到更高的速率，并且完成计算数据传输的能耗要小于本地计算的能耗.

我们在[11]中提出将基于边缘基站的MEC系统扩展到用于计算用户之间的卸载的MEC系统，从而有效地降低边缘基站的计算和通信负载压力，并提高边缘基站的计算资源利用率. 整个MEC系统速率. 具体来说，我们主要使用用户周围的移动设备（例如计算机等）的计算资源来支持用户的计算负载.

与基于边缘基站的MEC系统相比，用户周围的移动设备（简称“助手”）偶尔会出现空闲的计算资源. 这是因为仅当助手没有计算任务时，它才能向周围的用户提供免费的计算资源. 利用此功能，我们提出了一种基于辅助空闲计算资源的可变速率计算卸载算法. 该算法的核心是首先在坐标轴上构建一个“计算卸载隧道”，其中横坐标为时间，纵坐标为累积的可卸载数据量. 隧道顶部和底部的形状与助手缓冲区的大小和可用的计算资源有关. 库存是相关的，如图3所示.

我们证明了，为了最大程度地减少用户的能耗，可以使用此计算出的卸载隧道和几何方法来获得用户的计算出的卸载率. 直观地，如图3所示，该方法是在隧道的两端绘制一条紧线，并且不同线段的斜率反映了在不同时间段内计算出的卸载数据传输速率. 该方法可以进一步扩展为计算多个用户之间的卸载方案.

图3用户间计算的卸载策略

4. MEC未来的工作前景

1）使用人工智能算法设计MEC策略.

当前的MEC策略设计主要有两种方法: 一种是使用凸优化和其他优化理论来设计最优或次优的计算卸载策略，但是对于大型MEC系统或优化问题而言，它们本身都是NP难的. 采用优化理论设计MEC策略可能要花费很长时间，这与减少计算延迟的MEC的初衷相反. 另一种方法是使用启发式算法设计低复杂度的MEC策略，但是这种方法通常缺乏一定的理论支持，可能无法获得更好的MEC计算性能.

为了解决这个问题，一种有效的方法是利用人工智能技术来实现快速高效的计算卸载策略设计. 例如，我们可以将MEC策略优化问题转换为相应的深度学习问题: 神经网络输入是用户的计算模型信息，而神经网络输出是计算分流策略. 通过大量的计算卸载策略采样，我们可以训练一个智能神经网络. 这样，在实际的计算卸载决策中，我们只需要将实时计算模型信息输入到神经网络即可快速获得有效的计算卸载策略. 对于大型MEC系统，可能无法基于凸优化理论进行策略采样，但是此时我们可以将小型MEC系统用于神经网络训练，然后使用转移学习方法来获得大型MEC系统策略采样. 如何设计神经网络训练是未来研究工作的重要方向.

2）人工智能算法的MEC建模和设计.

当前的MEC计算模型主要考虑通用计算，也就是说，计算数据的大小和计算强度通常是固定的线性关系，但是此简单模型不一定适合特定的人工智能算法. 例如，深度学习的计算复杂度不仅与数据有关，而且与神经网络的深度，每层节点的数量以及网络的类型（例如卷积/自回归网络）密切相关. 因此，如何为具体的人工智能算法的计算模型建模是一个亟待探索的重要课题. 此外，当前的MEC策略设计主要集中在计算延迟和能耗上，但是这些性能指标并不是人工智能应用中最关注的问题. 例如，对于联邦学习，分布式算法的收敛速度是重要的性能指标[12]. 如何设计MEC策略来加快联合学习算法的收敛速度，值得进一步探讨.

5. 结论

通过将无线设备终端上的计算密集型计算任务迁移到边缘云，MEC有效地减少了用户的计算延迟和能耗. 在本文中，我们解释了MEC系统的基本原理和模型，并提出了如何紧密结合无线通信和计算机技术来设计不同MEC系统下的计算卸载策略. 在无线网络智能的关键时期，如何将MEC与人工智能技术有机结合以提高未来无线网络的性能，需要我们继续探索.

参考

[1]毛YY，尤CS，张杰，等. 关于移动边缘计算的调查: 通信视角[J]. IEEE通信调查与指南，2017，19（4）: 2322-2358.DOI: 10.1109 /comst.2017.2745201

[2]于伟，梁飞，何新飞，等. 关键词: 物联网，边缘计算IEEE Access，2018，6: 6900-6919. DOI: 10.1109 / access.2017.2778504

[3]马宏远. 面向5G的边缘计算与部署思路[J]. 中兴通讯技术，2019,25（3）: 77-81.DOI: 10.12142 / ZTETJ.20190311

[4]秦敏，陈露，赵娜，等. 关键词: 物联网，最大处理能力，功耗约束边缘计算IEEE物联网杂志，2019，6（3）: 4330-4343. DOI: 10.1109 / jiot.2018.2875218

[5] PU LJ，CHEN X，XU JD等. D2Dfogging: 一种通过网络辅助的D2D协作实现的节能，具有激励意识的任务卸载框架[J]. IEEE通讯选定区域杂志，2016，34（12）: 3887-3901. DOI: 10.1109 / jsac.2016.2624118

[6]尤CS，HUANG KB，CHAE H.基于无线能量传输的高能效移动云计算[J]. 计算机应用，2006,26（5）: 1275-1279 IEEE通信领域精选杂志，2016，34（5）: 1757-1771.DOI: 10.1109 / jsac.2016.2545382

[7]毛YY，张健，LETAIEF K B.带有能量收集装置的移动边缘计算的动态计算分流[J]. 计算机应用，2006,26（6）: 1175-1178 IEEE通讯领域精选杂志，2016，34（12）: 3590-3605. DOI: 10.1109 / jsac.2016.2611964

[8] BI SZ，张英杰. 具有bina-rycomputation卸载功能的无线移动边缘计算的计算速率最大化[J]. IEEE无线通信事务，2018,17（6）: 4177-4190. DOI: 10.1109 / twc.2018.2821664 6

[9]尤CS，HUANG KB，CHAE H等. ，于洪波. 移动边缘计算分流的节能资源分配[J] .IEEE无线通信学报，2017，16（3）: 1397-1411. DOI: 10.1109 / twc.2016.2633522

[10]陈霞，焦莉，李维珍，等. ，冯建华，. 移动边缘云计算的高效多用户计算分流[J]. 网络通信，2016，24（5）: 2795-2808.DOI: 10.1109 / tnet.2015.2487344

[11]尤CS，黄克兵. 利用无因果的CPU状态信息进行节能的移动合作计算[J]. 计算机应用，2006,26（5）: 1095-1098 IEEE无线通信事务，2018,17（6）: 4104-4117.DOI: 10.1109 / twc.2018.2820077

[12]朱国新，刘大征，杜育青，等. 迈向智能边缘: 无线通信满足机器学习[J] .IEEE通信杂志，2020，58（1）: 19-25. DOI: 10.1109 /mcom.001.1900103

关于作者

尤长生，新加坡国立大学博士后；主要研究方向是移动边缘计算，边缘学习，无人机通信，智能反射器通信等；在2019年赢得了IEEE通信学院亚太杰出论文奖;发表SCI / EI论文20多篇.

关于“中兴通讯技术”

“中兴通讯技术”是结合学术和技术的公开出版物. 它现在是中国科学技术的核心期刊，也是中国一百种主要期刊之一. 该杂志重点介绍最先进的通信技术，讨论了通信市场的热点，并针对高端人群.

感谢阅读，欢迎传播！谢谢！

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/shoujiruanjian/article-294532-1.html