楊 天,田 霖,孫 茜,張宗帥,王園園

(1.重慶郵電大學(xué) 通信與信息工程學(xué)院,重慶 400065;2.中國科學(xué)院計(jì)算技術(shù)研究所 a.無線通信技術(shù)研究中心; b.移動(dòng)計(jì)算與新型終端北京市重點(diǎn)實(shí)驗(yàn)室,北京 100190)

0 概述

隨著5G時(shí)代的到來,不斷涌現(xiàn)的增強(qiáng)現(xiàn)實(shí)[1]、圖像識(shí)別[2]等新興應(yīng)用對(duì)計(jì)算能力的要求越來越高,但用戶設(shè)備的計(jì)算能力和續(xù)航能力限制了用戶體驗(yàn)。對(duì)此,移動(dòng)云計(jì)算(Mobile Cloud Computing,MCC)[3]可以作為一種有效的解決方案,但其同時(shí)給移動(dòng)回傳網(wǎng)絡(luò)帶來了巨大的負(fù)載壓力,并且存在較高時(shí)延。針對(duì)這些問題,國內(nèi)外研究機(jī)構(gòu)與企業(yè)提出了移動(dòng)邊緣計(jì)算(Mobile Edge Computing,MEC)[4]技術(shù)。MEC將云資源下沉到更接近用戶的位置,在網(wǎng)絡(luò)邊緣為用戶提供云服務(wù)。用戶可將計(jì)算任務(wù)卸載至MEC服務(wù)器中執(zhí)行,從而擺脫終端設(shè)備計(jì)算能力的限制。此外,由于任務(wù)數(shù)據(jù)直接在無線接入網(wǎng)側(cè)進(jìn)行處理,因此MEC能夠減輕回傳網(wǎng)絡(luò)的壓力,減小時(shí)延[5]。但由于MEC中無線資源與計(jì)算資源存在高度共享性,因此為保障用戶體驗(yàn),需要制定合理的計(jì)算卸載策略[6-7]。

在MEC計(jì)算卸載過程中,時(shí)延過高會(huì)導(dǎo)致一些應(yīng)用無法正常使用,而能耗過高則會(huì)嚴(yán)重降低移動(dòng)設(shè)備的電池壽命。因此,現(xiàn)有MEC計(jì)算卸載方案大多以時(shí)延和能耗為優(yōu)化目標(biāo)。文獻(xiàn)[8]提出一種基于馬爾科夫決策過程的時(shí)延優(yōu)化卸載方案,通過分析每個(gè)計(jì)算任務(wù)的平均時(shí)延和移動(dòng)設(shè)備的平均功耗并設(shè)計(jì)一維搜索算法,得到最優(yōu)任務(wù)調(diào)度策略。文獻(xiàn)[9]設(shè)計(jì)一種啟發(fā)式方法對(duì)卸載任務(wù)進(jìn)行調(diào)度,通過劃分用戶的計(jì)算任務(wù),使所有用戶的任務(wù)平均完成時(shí)間最少。文獻(xiàn)[10]提出一種基于遺傳算法的次優(yōu)算法,通過設(shè)計(jì)一個(gè)節(jié)能的計(jì)算卸載管理方案優(yōu)化卸載決策、信道分配和計(jì)算資源分配過程,從而最小化系統(tǒng)能耗。文獻(xiàn)[11]提出一種基于人工魚群算法的能耗優(yōu)化方案,從任務(wù)執(zhí)行能耗和通信能耗兩方面對(duì)卸載問題進(jìn)行建模,在計(jì)算資源和時(shí)延的約束下最小化總能耗。

以上研究僅針對(duì)單個(gè)指標(biāo)進(jìn)行優(yōu)化,沒有對(duì)時(shí)延和能耗進(jìn)行綜合考慮。文獻(xiàn)[12]對(duì)時(shí)延和能耗進(jìn)行聯(lián)合優(yōu)化,將計(jì)算卸載問題轉(zhuǎn)換為最小化任務(wù)執(zhí)行開銷的多用戶卸載博弈問題,通過設(shè)計(jì)分布式計(jì)算卸載算法實(shí)現(xiàn)博弈的納什均衡。文獻(xiàn)[13]構(gòu)建一種計(jì)算卸載和干擾管理集成框架,通過最小化任務(wù)開銷獲得最優(yōu)卸載策略和資源分配。文獻(xiàn)[14]將計(jì)算卸載問題建模為任務(wù)執(zhí)行成本最小化問題,其中執(zhí)行成本由時(shí)延、能耗以及價(jià)格三部分組成,并通過設(shè)計(jì)分布式勢(shì)博弈算法和資源分配算法制定計(jì)算卸載策略。

在對(duì)時(shí)延和能耗進(jìn)行聯(lián)合優(yōu)化時(shí),權(quán)重因子的設(shè)置十分關(guān)鍵。權(quán)重因子反映用戶對(duì)時(shí)延和能耗的關(guān)注程度,影響卸載策略的制定。上述研究為所有用戶統(tǒng)一設(shè)置固定的權(quán)重因子,表示所有用戶對(duì)時(shí)延和能耗的需求相同。然而在實(shí)際場(chǎng)景中,用戶需求往往存在差異,因此,統(tǒng)一設(shè)置固定的權(quán)重因子并不合理,會(huì)使制定的卸載策略難以保障用戶體驗(yàn)。

針對(duì)固定權(quán)重因子無法應(yīng)對(duì)用戶差異化需求的問題,本文提出一種基于用戶體驗(yàn)的計(jì)算卸載方案,在多用戶移動(dòng)邊緣計(jì)算場(chǎng)景下,聯(lián)合優(yōu)化時(shí)延和能耗。利用用戶執(zhí)行計(jì)算任務(wù)的時(shí)延和能耗性能增益率構(gòu)建效用函數(shù),將計(jì)算卸載問題建模為效用最大化問題,同時(shí)通過考慮設(shè)備續(xù)航能力構(gòu)建自適應(yīng)權(quán)重因子,對(duì)時(shí)延和能耗進(jìn)行權(quán)衡。由于所提問題是一個(gè)混合整數(shù)非線性規(guī)劃問題(Mixed Integer Nonlinear Programming Problem,MINP),難以直接進(jìn)行求解,因此將其拆分為卸載決策和資源分配兩個(gè)子問題,分別通過功率分配算法、計(jì)算資源分配算法和計(jì)算任務(wù)卸載決策算法進(jìn)行求解,得到最終的計(jì)算卸載策略。

1 系統(tǒng)模型

給出一個(gè)多用戶移動(dòng)邊緣計(jì)算場(chǎng)景,如圖1所示,其由一個(gè)配備有MEC服務(wù)器的宏蜂窩小區(qū)和多個(gè)用戶組成。系統(tǒng)帶寬劃分為N個(gè)子信道,每個(gè)子信道的帶寬為W。用戶設(shè)備通過OFDMA的方式與基站關(guān)聯(lián),每個(gè)卸載用戶占用一條子信道,不同用戶設(shè)備之間不存在干擾。小區(qū)中用戶數(shù)量為I,用集合Iu={1,2,…,I}表示。假設(shè)每個(gè)用戶都有一個(gè)計(jì)算任務(wù)需要執(zhí)行,用戶i的計(jì)算任務(wù)表示為Ti={di,ci},其中,di是任務(wù)的輸入數(shù)據(jù)量,ci是完成任務(wù)所需的CPU周期。參數(shù)di和ci都可以通過軟件分析得到[8]。

圖1 多用戶移動(dòng)邊緣計(jì)算場(chǎng)景Fig.1 Scenario of multi-user mobile edge computing

用戶根據(jù)需求可以在本地執(zhí)行計(jì)算任務(wù),也可以將任務(wù)卸載到MEC服務(wù)器中執(zhí)行。本文假設(shè)所有用戶的計(jì)算任務(wù)是不可分割的,每個(gè)用戶具有不同的本地計(jì)算資源和續(xù)航能力,并且無論是本地執(zhí)行還是卸載執(zhí)行都可以滿足任務(wù)的最低時(shí)延要求。

1.1 本地計(jì)算模型

(1)

對(duì)于本地執(zhí)行能耗的計(jì)算,本文使用一種被廣泛采用的每周期計(jì)算能耗模型ε=κf2[15-16],其中,κ是一個(gè)與芯片架構(gòu)有關(guān)的能量因子,此處取κ=10-26。因此,用戶i的本地執(zhí)行能耗為:

(2)

1.2 卸載計(jì)算模型

任務(wù)卸載執(zhí)行時(shí),用戶通過基站將任務(wù)數(shù)據(jù)發(fā)送到MEC服務(wù)器,由MEC服務(wù)器進(jìn)行數(shù)據(jù)處理,并將結(jié)果反饋給用戶。因此,任務(wù)卸載執(zhí)行的時(shí)延包括3個(gè)部分,即卸載任務(wù)到MEC服務(wù)器的上行傳輸時(shí)延、MEC服務(wù)器的處理時(shí)延和反饋結(jié)果的下行傳輸時(shí)延[5]。

用戶i的上行傳輸速率為:

(3)

其中,pi為用戶i的上行發(fā)射功率,hi為信道增益,σ2為噪聲功率。

得到上行速率后,根據(jù)已知的輸入數(shù)據(jù)量,可以計(jì)算得到用戶i的上行傳輸時(shí)延為:

(4)

(5)

由于反饋結(jié)果的數(shù)據(jù)量遠(yuǎn)小于輸入數(shù)據(jù)(系統(tǒng)設(shè)置、程序代碼和輸入?yún)?shù))的大小,下行傳輸?shù)臅r(shí)延在計(jì)算卸載研究中往往可以忽略不計(jì)[17-18],因此本文不考慮下行傳輸?shù)臅r(shí)延。用戶i任務(wù)卸載執(zhí)行的總時(shí)延為:

(6)

對(duì)于卸載執(zhí)行能耗的計(jì)算,由于MEC服務(wù)器通過電纜供電,因此本文不考慮MEC服務(wù)器的執(zhí)行能耗[10-12]。用戶i的卸載執(zhí)行能耗為:

(7)

2 計(jì)算卸載問題

2.1 用戶效用

任務(wù)卸載執(zhí)行的目的是獲得比本地執(zhí)行更好的性能表現(xiàn),從而提升用戶使用體驗(yàn)。因此,本文采用時(shí)延和能耗的性能增益率作為效用函數(shù)。性能增益率[19]表示為:

(8)

其中,Dgr和Egr分別是時(shí)延和能耗的增益率。進(jìn)而用戶i的效用定義為:

(9)

2.2 自適應(yīng)權(quán)重因子

(10)

(11)

其中,ε是一個(gè)縮放因子,用于調(diào)節(jié)電量剩余率與權(quán)重因子的對(duì)應(yīng)關(guān)系。由式(10)和式(11)可知,每個(gè)用戶的權(quán)重因子大小與自身剩余電量相關(guān),高電量用戶的時(shí)延權(quán)重因子更大,低電量用戶的能耗權(quán)重因子更大。

2.3 問題描述

將計(jì)算卸載問題轉(zhuǎn)化為一個(gè)資源約束下的系統(tǒng)效用最大化問題,定義為:

s.t.

C1:ai∈{0,1},?i∈Iu

C3:0

(12)

其中:A表示卸載用戶集合;P表示卸載用戶的功率分配集合;F表示卸載用戶的計(jì)算資源分配集合;pmax為用戶設(shè)備的最大發(fā)射功率;fmax為MEC服務(wù)器計(jì)算資源總量;約束條件C1限制用戶的卸載決策變量為二進(jìn)制整數(shù)變量;約束條件C2表示卸載的用戶數(shù)不得超過子信道數(shù);約束條件C3表示卸載用戶設(shè)備的發(fā)射功率不得大于最大發(fā)射功率;約束條件C4保證卸載集合中的用戶都能獲得MEC服務(wù)器分配的計(jì)算資源;約束條件C5表示所有卸載用戶分配到的計(jì)算資源總和不得超過MEC服務(wù)器資源總量。

式(12)是一個(gè)混合整數(shù)非線性規(guī)劃問題,其為NP難問題。因此,本文將該問題分解為卸載決策子問題和資源優(yōu)化子問題分別求解。

3 基于用戶體驗(yàn)的計(jì)算卸載方案

將式(12)改寫為如下形式:

s.t. C1～C5

(13)

由于約束條件中卸載決策變量和資源分配變量完全解耦,因此可以將式(13)拆分成資源分配和卸載決策兩個(gè)子問題分別求解。首先固定卸載決策變量求解資源分配問題,然后在確定資源分配的情況下進(jìn)行卸載決策求解。

3.1 資源分配

由式(13)拆分出的資源分配子問題為:

s.t. C3～C5

(14)

對(duì)于給定的卸載策略,將式(8)和式(9)代入式(14),得到:

(15)

(16)

可以看出,式(15)中減號(hào)左側(cè)項(xiàng)為常數(shù),因此,求解式(15)的最大值等價(jià)于求解式(16)的最小值。將式(1)～式(7)代入式(16)后,資源分配子問題轉(zhuǎn)化為:

(17)

根據(jù)式(17)可進(jìn)一步將資源分配問題分解為上行發(fā)射功率分配問題和計(jì)算資源分配問題。

3.1.1 上行發(fā)射功率分配

由式(17)拆分出的上行功率優(yōu)化子問題為:

s.t. 0

(18)

由于g(pi)的二階導(dǎo)數(shù)在定義域中并不總是為正,因此式(18)問題是非凸的。在文獻(xiàn)[19]中,該問題已被證明是一個(gè)擬凸問題。本文采用文獻(xiàn)[20]提出的二分法對(duì)其進(jìn)行求解。

g(pi)的一階導(dǎo)數(shù)為:

(19)

可以看出,g′(pi)的正負(fù)完全取決于等號(hào)右側(cè)的分子部分,令:

(20)

算法1上行發(fā)射功率分配二分法

輸入pmax,θi,φi,ni,ε,ei

根據(jù)式(20)計(jì)算υ(pmax)

ifυ(pmax)≤0 then

else

令ph=0,pt=pmax

repeat

pm=(ph+pt)/2

ifυ(pm)≤0 then

ph=pm

else

pt=pm

end if

until(pt-ph)≤ξ

end if

3.1.2 計(jì)算資源分配

由式(17)拆分出的計(jì)算資源分配子問題為:

s.t. C3,C4

(21)

(22)

(23)

3.2 卸載決策

由式(13)拆分出的卸載決策子問題為:

s.t. C1,C2

(24)

經(jīng)過資源分配后,卸載決策子問題轉(zhuǎn)化為:

s.t.|A|≤N

(25)

假設(shè)已有卸載用戶集合S,記ΔU(S∪i)為用戶i加入S后系統(tǒng)效用的增量,則有:

ΔU(S∪i)=U(S∪{i})-U(S)=1-Δ(i)-Δ(i|S)

(26)

可以看出,Δ(i)與卸載決策無關(guān),在得到功率分配后這一項(xiàng)變成常量,且恒大于0。Δ(i|S)是一個(gè)與當(dāng)前卸載用戶集合大小有關(guān)的變量,其隨卸載用戶集合規(guī)模的增大而增大。因此,ΔU(S∪i)是一個(gè)隨卸載用戶集合增大而減小的單調(diào)遞減函數(shù)。若ΔU(S∪i)>0,則表明將用戶i加入當(dāng)前的卸載用戶集合S后系統(tǒng)效用增大。

當(dāng)S=?時(shí)Δ(i|S)取到最小值0,此時(shí)Δ(i)在功率分配后是已知的。因此,當(dāng)ΔU(S∪i)=1-Δ(i)時(shí)ΔU(S∪i)取到最大值,記為ΔU(S∪i)max。若ΔU(S∪i)max≤0,則表明卸載用戶i肯定無法使得系統(tǒng)效用增大,那么用戶i需要直接在本地執(zhí)行計(jì)算任務(wù)。令集合AL表示初始本地執(zhí)行集合,在分配功率后可以直接篩選出所有ΔU(S∪i)max<0的用戶并添加至AL。

如前所述,ΔU(S∪i)隨著集合S規(guī)模的增大而減小。得到AL后可以求得ΔU(S∪i)的最小值,即ΔU(S∪i)min=ωi-Δ(i)-Δ(i|Smax),其中,Smax=Iu(AL∪{i})。如果ΔU(S∪i)min≥0,則表明將用戶i加入卸載集合能夠增加系統(tǒng)效用,即使卸載用戶集合的規(guī)模已經(jīng)達(dá)到上限。令集合AC表示初始卸載用戶集合,將所有滿足ΔU(S∪i)min≥0的用戶篩選出來直接添加至其中。確定AL和AC后,Iu中剩余用戶組成集合ARE。

基于以上分析,本文提出一種計(jì)算任務(wù)卸載決策算法。首先根據(jù)最大和最小效用增量進(jìn)行初始決策,得到AL和AC,然后根據(jù)AC中用戶數(shù)與子信道數(shù)的關(guān)系進(jìn)行二次決策。算法描述如下:

算法2計(jì)算任務(wù)卸載決策算法

輸出A,F

初始化AL=?,AC=?,ARE=?,S=Iu

//初始決策

根據(jù)ΔU(S∪i)max是否小于0得到AL

根據(jù)ΔU(S∪i)min是否大于0得到AC

//二次決策

令A(yù)←AC

if|A|≥N then

while|A|>N

update A=A{i}

根據(jù)式(22)計(jì)算F

end while

else

repeat

//加入效用最大且系統(tǒng)效用增量為正的用戶

if ΔU(A∪i)>0

update A=A∪{i}

根據(jù)式(22)計(jì)算F

end if

until|A|=N or ∑U=max∑U

end if

4 仿真與結(jié)果分析

對(duì)本文方案進(jìn)行仿真及分析驗(yàn)證。考慮一個(gè)多用戶移動(dòng)邊緣計(jì)算場(chǎng)景,小區(qū)中用戶隨機(jī)分布,信道建模采用l-α,其中,l為用戶到基站的距離,α為路徑損耗因子,此處取α=3[10]。計(jì)算任務(wù)為人臉識(shí)別任務(wù),輸入數(shù)據(jù)量di為420 KB,所需CPU周期數(shù)ci為1 GHz/s[15,20]。其他仿真參數(shù)如表1所示。

表1 仿真參數(shù)Table 1 Simulation parameters

選用以下方案與本文方案進(jìn)行對(duì)比:

方案1全部本地執(zhí)行,即小區(qū)中所有用戶的計(jì)算任務(wù)在本地執(zhí)行。

方案2固定時(shí)延因子為0.5,即所有用戶時(shí)延權(quán)重因子統(tǒng)一設(shè)置為0.5,能耗權(quán)重因子設(shè)置為0.5。

方案3固定時(shí)延因子為0.2,即所有用戶時(shí)延權(quán)重因子統(tǒng)一設(shè)置為0.2,能耗權(quán)重因子設(shè)置為0.8。

方案4固定時(shí)延因子為0.8,即所有用戶時(shí)延權(quán)重因子統(tǒng)一設(shè)置為0.8,能耗權(quán)重因子設(shè)置為0.2。

4.1 不同用戶總數(shù)下的系統(tǒng)性能

各方案在不同用戶總數(shù)下的卸載用戶數(shù)對(duì)比如圖2所示。可以看出,當(dāng)用戶總數(shù)小于5時(shí),5個(gè)方案中所有用戶都完成了卸載執(zhí)行任務(wù),此后隨著用戶總數(shù)的增加,各方案的卸載用戶數(shù)出現(xiàn)差異,時(shí)延權(quán)重因子的值越小,卸載用戶數(shù)越多。本文方案在相同用戶總數(shù)的情況下卸載用戶數(shù)僅次于時(shí)延因子設(shè)置為0.2的方案,而在全部本地執(zhí)行的方案下,所有用戶本地執(zhí)行任務(wù),因此卸載用戶數(shù)為0。

圖2 不同用戶總數(shù)下的卸載用戶數(shù)Fig.2 Number of offloading users under different total number of users

不同用戶總數(shù)下各方案的性能對(duì)比如圖3所示。由圖3(a)可以看出:全部本地執(zhí)行方案系統(tǒng)效用為0;在固定權(quán)重因子方案中,時(shí)延因子越小系統(tǒng)效用越大;本文方案的系統(tǒng)效用僅低于方案3。由圖3(b)可以看出:全部本地執(zhí)行方案耗費(fèi)能量最多;在固定時(shí)延因子的方案中,時(shí)延因子越小能耗越小;本文方案的能耗較低,僅高于方案3。由圖3(c)可以看出:時(shí)延因子越小時(shí)延越高,尤其是在系統(tǒng)效用和能耗指標(biāo)中處于最好水平的方案3,總時(shí)延在各方案中也為最高;全部本地執(zhí)行方案的總時(shí)延處于次優(yōu)水平;本文方案的總時(shí)延小于方案3,但高于其他方案。

綜上所述,任務(wù)卸載執(zhí)行能夠顯著降低能耗。對(duì)于時(shí)延性能而言,當(dāng)卸載用戶數(shù)較少時(shí)能夠分得充足資源,因此,卸載時(shí)延會(huì)低于本地執(zhí)行時(shí)延,這也是圖3(c)中方案4總時(shí)延低于方案1的原因。但是當(dāng)卸載人數(shù)較多時(shí)(例如方案3),卸載用戶分得的資源變少,此時(shí)卸載時(shí)延會(huì)高于本地執(zhí)行時(shí)延。

圖3 不同用戶總數(shù)下的系統(tǒng)效用、能耗和時(shí)延Fig.3 System utility,energy consumption and delay under different total number of users

雖然在系統(tǒng)效用對(duì)比中,方案3的系統(tǒng)效用高于本文方案,但對(duì)于具有不用剩余電量的用戶而言,整體效用的大小不能完全反映實(shí)際的用戶體驗(yàn)。當(dāng)用戶存在差異化需求時(shí),為追求整體效用可能會(huì)犧牲一些用戶的體驗(yàn)。下文將對(duì)此進(jìn)行驗(yàn)證。

4.2 不同電量剩余率下的用戶任務(wù)執(zhí)行時(shí)延和能耗

以電量剩余率作為變量,生成10個(gè)具有隨機(jī)剩余電量的用戶,在不同方案下制定卸載策略,通過對(duì)比這些用戶的任務(wù)執(zhí)行時(shí)延和能耗,驗(yàn)證本文方案對(duì)于滿足用戶差異化需求的有效性,其中不同的剩余電量映射不同的用戶需求。

本文方案下的用戶電量剩余率如圖4所示,其中:電量剩余率高于0.7的用戶為高電量用戶,這些用戶的需求為更低時(shí)延;電量剩余率低于0.3的用戶為低電量用戶,這些用戶的需求為更低能耗;其余用戶屬于普通用戶,這些用戶沒有特別明確的某一方面性能要求。由此可見,在10個(gè)用戶中,用戶4及用戶6～用戶8屬于高電量用戶,用戶2、用戶5和用戶9屬于低電量用戶,其余用戶屬于普通用戶。

圖4 本文方案下的用戶電量剩余率Fig.4 Power remaining rate of users under the proposed scheme

本文方案與方案3、方案4下各用戶的卸載決策如圖5所示?？梢钥闯?在方案3下,除用戶2以外的其他所有用戶都卸載執(zhí)行任務(wù);在方案4下,用戶5和用戶10選擇卸載執(zhí)行,其中用戶5是低電量用戶,用戶10是普通電量用戶,其余低電量用戶的任務(wù)在本地執(zhí)行;在本文方案下,用戶1、用戶2、用戶5、用戶9和用戶10卸載執(zhí)行,所有低電量用戶均選擇卸載執(zhí)行任務(wù),其余卸載用戶的電量也相對(duì)較低,處于即將進(jìn)入低電量狀態(tài)。

圖5 3種方案的卸載決策對(duì)比Fig.5 Offloading decision comparison of three schemes

本文方案與方案3、方案4的時(shí)延和能耗對(duì)比如圖6和圖7所示。可以看出:卸載用戶過多,使得每個(gè)用戶分得計(jì)算資源過少,方案3下所有用戶的時(shí)延較其他方案最高,導(dǎo)致更關(guān)注時(shí)延的高電量用戶(用戶4及用戶6～用戶8)體驗(yàn)較差,但大量用戶卸載使得能耗得到降低,低電量用戶5和低電量用戶9體驗(yàn)良好,而低電量用戶2未得到卸載,能耗過高;在方案4下,大量用戶本地執(zhí)行任務(wù),時(shí)延較其他方案最低,卸載執(zhí)行的用戶5和用戶10獲得大量計(jì)算資源,得到比本地執(zhí)行任務(wù)更低的時(shí)延;然而從能耗上看,方案4下除卸載用戶以外其余所有用戶能耗都過高,這對(duì)低電量用戶的體驗(yàn)產(chǎn)生了負(fù)面影響;本文方案中卸載執(zhí)行任務(wù)的用戶時(shí)延較高,但仍低于方案3,并且這些用戶都屬于低電量用戶,更關(guān)注能耗,而所有高電量用戶都在本地執(zhí)行任務(wù),時(shí)延較低,從而保障了這些用戶的體驗(yàn);從能耗上看,卸載執(zhí)行的用戶能耗大幅度降低,其中包括所有低電量用戶以及用戶1和用戶10這兩個(gè)即將變?yōu)榈碗娏繝顟B(tài)的用戶,保障了這些用戶的體驗(yàn),用戶3、用戶4及用戶6～用戶8的能耗較高,但是由于這些用戶電量充足,因此影響不大。由此可知,本文方案制定的卸載策略更為合理。

圖6 3種方案的時(shí)延對(duì)比Fig.6 Delay comparison of three schemes

圖7 3種方案的能耗對(duì)比Fig.7 Energy consumption comparison of three schemes

綜上所述,固定權(quán)重因子的方案無法滿足差異化的用戶需求,而本文提出的計(jì)算卸載方案可根據(jù)用戶實(shí)際情況自適應(yīng)調(diào)整權(quán)重因子大小,使時(shí)延和能耗之間得到有效平衡,能夠保障用戶的良好體驗(yàn)。

5 結(jié)束語

為滿足具有不同剩余電量用戶的不同計(jì)算卸載需求,本文提出一種考慮用戶體驗(yàn)的計(jì)算卸載方案。通過構(gòu)造基于電量剩余率的自適應(yīng)權(quán)重因子,描述用戶在完成計(jì)算任務(wù)時(shí)對(duì)時(shí)延和能耗的要求。該方案可根據(jù)用戶狀態(tài)制定合理的卸載策略和功率及計(jì)算資源分配策略,在滿足用戶對(duì)時(shí)延和能耗要求的前提下實(shí)現(xiàn)最大的系統(tǒng)效用,提升用戶體驗(yàn)同時(shí)保證計(jì)算卸載的整體性能。本文方案假設(shè)計(jì)算卸載發(fā)生在準(zhǔn)靜態(tài)場(chǎng)景,未考慮用戶移動(dòng)性對(duì)計(jì)算卸載的影響,并且其僅針對(duì)單小區(qū)MEC系統(tǒng)制定卸載策略,未考慮多小區(qū)場(chǎng)景下的信道分配問題。因此,下一步將對(duì)超密集網(wǎng)絡(luò)場(chǎng)景下的多接入邊緣計(jì)算卸載方案和動(dòng)態(tài)信道下的計(jì)算卸載方案進(jìn)行研究。