張海波，陶小方，劉開健

重慶郵電大學(xué) 通信與信息工程學(xué)院 移動(dòng)通信教育部工程研究中心，移動(dòng)通信技術(shù)重慶市重點(diǎn)實(shí)驗(yàn)室，重慶 400065

隨著物聯(lián)網(wǎng)的快速發(fā)展，計(jì)算密集型移動(dòng)應(yīng)用日益遍及，現(xiàn)有的移動(dòng)用戶設(shè)備在應(yīng)用處理或能量提供方面已無法滿足相應(yīng)的挑戰(zhàn)。同時(shí)，在移動(dòng)視頻、在線社交媒體等的帶動(dòng)下[1]，大數(shù)據(jù)流量呈指數(shù)級(jí)增長，使得移動(dòng)網(wǎng)絡(luò)面臨計(jì)算限制。雖然無線頻譜已被諸如超密集網(wǎng)絡(luò)充分利用，但回程可能成為新的瓶頸，無法負(fù)擔(dān)巨大的業(yè)務(wù)流量[2]。未來的無線網(wǎng)絡(luò)有望支持大量計(jì)算密集型和延遲敏感的應(yīng)用，如虛擬現(xiàn)實(shí)和自動(dòng)駕駛。由于大多數(shù)移動(dòng)設(shè)備的計(jì)算能力和功耗有限，移動(dòng)邊緣計(jì)算（mobile edge compution，MEC）被認(rèn)為是一種很有效的加強(qiáng)計(jì)算服務(wù)的方法[3]。

通過向附近的MEC服務(wù)器卸載負(fù)載，計(jì)算密集型應(yīng)用程序可以有效地執(zhí)行。通過有效卸載和資源分配[4]，可以在很多方面提升系統(tǒng)性能，如降低處理延遲和能耗，或提高能源效率等。由于車輛移動(dòng)方向和速度的隨機(jī)性使得動(dòng)態(tài)資源調(diào)度變得非常復(fù)雜和具有挑戰(zhàn)性。因此，在車聯(lián)網(wǎng)絡(luò)中，卸載和緩存決策的制定以及計(jì)算和緩存資源的優(yōu)化分配至關(guān)重要。目前大量的文獻(xiàn)已經(jīng)研究通過優(yōu)化無線電和計(jì)算資源制定有效的任務(wù)卸載策略。在帶寬有限的情況下，文獻(xiàn)[5]提出了基于圖轉(zhuǎn)換的任務(wù)負(fù)載分配策略和基于背包的虛擬池資源分配策略。文獻(xiàn)[6]研究了無線MEC中的任務(wù)卸載和資源分配問題，以最大限度地減少時(shí)延，同時(shí)節(jié)約用戶設(shè)備的電池電量。文獻(xiàn)[7]中為了最大限度地提高用戶的任務(wù)卸載收益，研究了任務(wù)卸載和資源分配問題。

為了減輕大數(shù)據(jù)帶來的沉重的流量負(fù)擔(dān)，提高互聯(lián)網(wǎng)內(nèi)容的傳輸質(zhì)量，將流行的內(nèi)容更貼近用戶，從而為用戶提供緩存的內(nèi)容，而不是從遠(yuǎn)程服務(wù)器下載的內(nèi)容。通過將計(jì)算任務(wù)所需的數(shù)據(jù)卸載到邊緣服務(wù)器并在邊緣服務(wù)器上進(jìn)行緩存，可以顯著降低計(jì)算重復(fù)任務(wù)造成的延遲[8]?？紤]到小蜂窩網(wǎng)絡(luò)的回程容量非常有限和基于其流行程度的緩存文件，文獻(xiàn)[9]的作者觀察到通過在小基站上緩存可以減少回程流量負(fù)載。許多研究致力于內(nèi)容緩存策略。根據(jù)高速緩存車輛和移動(dòng)用戶之間的相關(guān)性，文獻(xiàn)[10]的作者通過建立網(wǎng)絡(luò)能耗最小化的優(yōu)化模型，研究了內(nèi)容中心網(wǎng)絡(luò)中車輛緩存方案的有效性。文獻(xiàn)[11]提出了計(jì)算卸載決策、資源分配和內(nèi)容緩存策略作為一個(gè)優(yōu)化問題，并考慮了網(wǎng)絡(luò)的總收益。

雖然在計(jì)算卸載和內(nèi)容緩存方面進(jìn)行了大量的研究工作，但很少共同考慮和解決計(jì)算卸載和緩存的能耗。此外，在現(xiàn)實(shí)通信系統(tǒng)中，車輛產(chǎn)生的移動(dòng)流量通常是隨機(jī)動(dòng)態(tài)到達(dá)的，而上述工作主要是在靜態(tài)網(wǎng)絡(luò)中進(jìn)行計(jì)算卸載和內(nèi)容緩存，沒有考慮數(shù)據(jù)和緩存隊(duì)列的動(dòng)態(tài)特性以及動(dòng)態(tài)優(yōu)化數(shù)據(jù)流量。因此，不可預(yù)測(cè)性會(huì)難以獲得上述文獻(xiàn)的系統(tǒng)性能。

近年來，非正交多址接入（non-orthogonal multiple access，NOMA）技術(shù)在提高網(wǎng)絡(luò)頻譜效率方面顯示出了巨大的潛力。與傳統(tǒng)的正交多址（orthogonal multiple access，OMA）網(wǎng)絡(luò)不同，NOMA網(wǎng)絡(luò)允許多個(gè)用戶通過不同的功率級(jí)別共享相同的頻率資源，接收機(jī)采用連續(xù)干擾消除（successive interference cancellation，SIC）技術(shù)進(jìn)行用戶檢測(cè)。然而，目前大多數(shù)MEC卸載緩存方法通常考慮的是OMA[12]。由于NOMA優(yōu)于OMA的優(yōu)點(diǎn)，預(yù)計(jì)將在MEC系統(tǒng)中應(yīng)用NOMA，為了進(jìn)一步提高卸載性能，研究了文獻(xiàn)[13]中基于上下行NOMA的多用戶卸載系統(tǒng)。文獻(xiàn)[14]研究了一種非正交多址輔助移動(dòng)邊緣計(jì)算系統(tǒng)，優(yōu)化該系統(tǒng)的功耗和時(shí)延。然而，基于NOMA的MEC任務(wù)卸載的好處不止這些。目前對(duì)基于NOMA的MEC系統(tǒng)通常忽略了緩存數(shù)據(jù)包下載這一階段，將NOMA應(yīng)用于基站的下行數(shù)據(jù)包傳輸，制定緩存策略和緩存資源分配可以進(jìn)一步提高系統(tǒng)性能。

本文針對(duì)MEC端總的能量消耗最小化問題，研究了在NOMA協(xié)助的車輛邊緣計(jì)算網(wǎng)絡(luò)下構(gòu)建計(jì)算卸載和內(nèi)容緩存隊(duì)列。然而，與卸載非車輛用戶不同，由于車輛環(huán)境的高度動(dòng)態(tài)、無線信道的快速波動(dòng)等因素，在處理車輛用戶時(shí)考慮隨機(jī)流量到達(dá)和隊(duì)列穩(wěn)定性，通過聯(lián)合優(yōu)化計(jì)算卸載決策和內(nèi)容緩存決策，以及計(jì)算和緩存資源的分配，將其定義為一個(gè)隨機(jī)優(yōu)化問題。利用李雅普諾夫優(yōu)化理論，提出求解該問題的動(dòng)態(tài)聯(lián)合計(jì)算卸載、內(nèi)容緩存和資源分配算法。由于優(yōu)化問題是混合整數(shù)非線性問題，將其解耦為兩個(gè)獨(dú)立的子問題，并用0-1整數(shù)規(guī)劃和線性規(guī)劃方法求解這兩個(gè)子問題，得出最優(yōu)解。

1 系統(tǒng)模型

1.1 系統(tǒng)分析

如圖1考慮一個(gè)MEC服務(wù)器和K個(gè)用戶的基于NOMA的車輛邊緣計(jì)算網(wǎng)絡(luò)下任務(wù)卸載和緩存場(chǎng)景。每個(gè)基站上都部署了MEC服務(wù)器，并且基站通過有線回程連接到核心網(wǎng)絡(luò)。每個(gè)車輛用戶都有一個(gè)需要處理的計(jì)算密集型應(yīng)用程序，同時(shí)它也可以向核心網(wǎng)絡(luò)中的內(nèi)容服務(wù)器請(qǐng)求內(nèi)容。

圖1 系統(tǒng)模型圖Fig.1 System model diagram

本文只研究單一基站下的計(jì)算卸載、內(nèi)容緩存和資源分配，不考慮不同基站之間的切換問題。假設(shè)該系統(tǒng)具有固定時(shí)隙t∈{0,1,2,…}，大小為τ=10 ms。假設(shè)車輛以20 m/s平均速度移動(dòng)，基站的平均覆蓋區(qū)域?yàn)?20 m，在一個(gè)時(shí)隙內(nèi)，由于車輛的移動(dòng)距離為0.2 m，可將這個(gè)時(shí)隙內(nèi)網(wǎng)絡(luò)假設(shè)為準(zhǔn)靜態(tài)的，其中車輛和無線信道在這個(gè)時(shí)隙中保持不變。但是在不同時(shí)隙，車輛在基站覆蓋單元中的位置發(fā)生變化，所以對(duì)于整個(gè)計(jì)算卸載或緩存期間無線信道是變化的。

在每個(gè)時(shí)隙中，當(dāng)一個(gè)車輛用戶請(qǐng)求處理應(yīng)用程序時(shí)，可以在本地處理應(yīng)用程序，也可將其卸載到MEC服務(wù)器執(zhí)行。當(dāng)多個(gè)車輛用戶需要進(jìn)行卸載或者緩存時(shí)，應(yīng)向每個(gè)用戶合理分配計(jì)算和緩存資源。另一方面，研究了在內(nèi)容中心網(wǎng)絡(luò)（content centric network，CCN）中的邊緣緩存，CCN中包含興趣包和數(shù)據(jù)包[15]。每個(gè)用戶發(fā)送命名信息的興趣包，基站接收興趣包并且內(nèi)容服務(wù)器應(yīng)決定緩存請(qǐng)求是否被緩存，需要多少資源。如果在高速緩存服務(wù)器中緩存具有車輛所請(qǐng)求內(nèi)容，基站直接將數(shù)據(jù)包交付給用戶。

1.2 通信模型

假設(shè)車輛用戶到MEC服務(wù)器的上行信道為頻率平坦的塊衰落瑞利信道。車載設(shè)備與RSU之間的路徑損耗建模為( Jk(t))α,其中Jk(t)為t時(shí)刻MEC服務(wù)器與車輛用戶的距離，α為路徑損失系數(shù)，β為信道衰落系數(shù)。信道增益是距離變化的函數(shù)表示為Hk(t)=( Jk(t))αβ2,距離隨時(shí)間t變化，可以表示為：

其中，s為基站與高速公路的距離，e為基站天線高度，ak為車輛用戶k沿公路以速度vk單向移動(dòng)的初始值。

在卸載階段所有車輛用戶依靠上行NOMA方案將任務(wù)傳輸?shù)組EC服務(wù)器。按照用戶信道功率增益大小排序?yàn)镠1(t)≤H2(t)≤…≤HK(t)。然后，基站利用連續(xù)干擾抵消（SIC）技術(shù)從用戶中解碼計(jì)算任務(wù)。根據(jù)SCI原理，采用固定的譯碼順序來處理和減少信令開銷。假設(shè)上行解碼順序總是從信道增益較好的用戶到信道增益較差的用戶，因此在上行鏈路中第k個(gè)用戶的傳輸速率為：

假設(shè)信道增益Hk(t)=( Jk(t))αβ2,Jk(t)為t時(shí)刻MEC服務(wù)器與車輛用戶的距離，α為路徑損失系數(shù)，β為信道衰落系數(shù)。其中B為頻譜帶寬，Pk,u為在時(shí)隙t內(nèi)車輛k發(fā)射功率，N0為高斯白噪聲功率譜密度。

在緩存階段基站利用下行NOMA信道將數(shù)據(jù)包傳送給請(qǐng)求車輛用戶，下行信道增益與上行信道增益相同，譯碼順序服從信道增益的遞增順序。其中Pk,d為在時(shí)隙t內(nèi)基站發(fā)射功率，因此在下行鏈路中第k個(gè)用戶的可用下行速率為：

1.3 卸載模型

其中，fm,k是MEC服務(wù)器分配給移動(dòng)車輛的CPU周期數(shù)，κ為MEC服務(wù)器上的有效切換電容。相應(yīng)的MEC服務(wù)器端因卸載產(chǎn)生的能量消耗為：

1.4 緩存模型

在每個(gè)時(shí)隙內(nèi)，每個(gè)車輛用戶可以向內(nèi)容服務(wù)器請(qǐng)求內(nèi)容。對(duì)于每個(gè)移動(dòng)用戶的內(nèi)容請(qǐng)求，MEC服務(wù)管理器應(yīng)該決定是否應(yīng)該將內(nèi)容緩存到MEC中，以及根據(jù)系統(tǒng)效用為每個(gè)緩存的內(nèi)容分配多少緩存資源。定義yk(t)為車輛用戶緩存決策，yk(t)為1表示MEC服務(wù)器緩存車輛用戶請(qǐng)求的內(nèi)容；yk(t)為0表示MEC服務(wù)器不緩存車輛用戶請(qǐng)求的內(nèi)容。同時(shí)用一組相同大小的文件片段F={F1,F2,…,FNf}來表示所請(qǐng)求的移動(dòng)數(shù)據(jù)，其中Nf表示片段總數(shù)并且所有文件片段都有不同的請(qǐng)求概率。利用廣泛使用的Zipf分布模型來計(jì)算片段的流行度，片段Fj被請(qǐng)求的概率為：

其中，φ為值為0.56的Zipf分布指數(shù)。

假設(shè)MEC服務(wù)器上針對(duì)每個(gè)車輛都有一個(gè)緩存隊(duì)列，表示為Zk(t)。請(qǐng)求到達(dá)率為Ak(t)并滿足0≤Ak(t)≤Akmax(t)，即動(dòng)態(tài)緩存隊(duì)列Zk(t)由下面公式構(gòu)成：

為了表示MEC服務(wù)器在緩存時(shí)消耗的傳輸能量，采用了線性能量消耗模型[15]，其中ωmt是基站傳輸?shù)哪芰肯乃俾?，值?.5×10-8J/bit，因此MEC服務(wù)器緩存所耗費(fèi)的能量為：

2 問題的形成與轉(zhuǎn)化

2.1 問題形成

建立的目標(biāo)規(guī)劃問題包括：制定一個(gè)多用戶的NOMA場(chǎng)景，考慮卸載和緩存決策以及資源分配，以在MEC服務(wù)器端的隊(duì)列穩(wěn)定性條件下MEC服務(wù)器端消耗的平均能量最小為目標(biāo)，獲得最優(yōu)卸載策略、緩存策略、計(jì)算資源和緩存資源分配，使得系統(tǒng)總能耗最小。

上述中F和Pmax為MEC端總計(jì)算資源以及最大發(fā)射功率，W為MEC緩存最大存儲(chǔ)容量。其中，C1確保系統(tǒng)是穩(wěn)定的；C2和C3是計(jì)算卸載和內(nèi)容緩存策略的變量約束；C4表示MEC處緩存的數(shù)據(jù)量不能超過其存儲(chǔ)容量；C5和C6分別為MEC端整個(gè)計(jì)算資源和緩存資源約束。C7用于保證基站的SIC效率。

由于V2I通信的動(dòng)態(tài)和隨機(jī)特性，上述制定了基于V2I的計(jì)算卸載和緩存的隨機(jī)優(yōu)化模型。通過滿足計(jì)算資源、緩存資源和任務(wù)緩沖區(qū)穩(wěn)定性的所有約束，并考慮了車聯(lián)網(wǎng)絡(luò)環(huán)境的隨機(jī)性和不可預(yù)測(cè)性來最小化與卸載緩存決策關(guān)聯(lián)的平均能耗。綜合了基于NOMA的車輛邊緣計(jì)算網(wǎng)絡(luò)的能耗和處理時(shí)延，利用李雅普諾夫優(yōu)化算法將隨機(jī)優(yōu)化問題轉(zhuǎn)化為動(dòng)態(tài)規(guī)劃問題，再通過解耦來進(jìn)行求解。

2.2 問題轉(zhuǎn)化

由于時(shí)間相關(guān)變量的存在，仍難以直接求解。此外，采用傳統(tǒng)的啟發(fā)式或迭代算法會(huì)帶來較大的控制和延遲，這在高度動(dòng)態(tài)的通信環(huán)境中是不可取的。因此，在本研究中利用李亞普諾夫優(yōu)化理論來解決上述優(yōu)化問題。

其中，V是非負(fù)控制參數(shù)用來權(quán)衡時(shí)延和能耗?；陔S機(jī)優(yōu)化理論，通過最小化公式（13）中漂移加懲罰函數(shù)上界，可以得到卸載、緩存決策以及計(jì)算和緩存資源分配。將時(shí)間相關(guān)問題P1轉(zhuǎn)化為確定性問題P2，需要在每個(gè)時(shí)隙進(jìn)行求解。問題P2為：

引理問題P2是一個(gè)混合整數(shù)非線性規(guī)劃問題，存在NP-hard特性。

證明問題P2包括兩大部分，一部分是卸載決策和計(jì)算資源分配，另一部分是緩存決策和緩存資源分配。為了更方便證明其NP-hard，假設(shè)已經(jīng)確定了卸載決策和計(jì)算資源分配，將優(yōu)化問題轉(zhuǎn)化為負(fù)載分配問題，即需要尋找恰當(dāng)?shù)木彺婧唾Y源分配方法，以最小化系統(tǒng)能耗。假設(shè)每個(gè)車輛用戶至少分配skbit大小緩存資源，負(fù)載分配問題又轉(zhuǎn)為如何在緩存資源有限的情況下選擇任務(wù)請(qǐng)求，使系統(tǒng)開銷最小化問題，該問題屬于0-1背包問題。而0-1背包問題屬于NPC問題[16]，所以問題P2是NP-hard。其中系統(tǒng)總緩存資源代表背包的重量約束，每個(gè)任務(wù)請(qǐng)求車輛k是重量為sk的物品。

由此問題P2不易求解。以下過程將通過解耦為兩個(gè)子問題進(jìn)行解決。

3 聯(lián)合優(yōu)化卸載、緩存和資源分配

在以上問題P2中，涉及兩組變量：（1）計(jì)算卸載部分中涉及的變量，包括xk(t)和fm,k(t)；（2）與內(nèi)容緩存有關(guān)的變量，包括yk(t)和Pk,d(t)。兩組的變量在目標(biāo)函數(shù)和約束，因此P2可以解耦為計(jì)算卸載和內(nèi)容緩存兩個(gè)獨(dú)立的子問題。具體地，在每個(gè)時(shí)隙t中，根據(jù)當(dāng)前在隊(duì)列Θ(t)的狀態(tài)，執(zhí)行算法。

3.1 計(jì)算卸載問題

問題P2的計(jì)算卸載子問題，包括卸載決策和計(jì)算資源分配問題，如下所示：

3.1.1 卸載決策

由于各移動(dòng)車輛的卸載決策變量xk(t)是相互不影響的，因此可以解耦得到各移動(dòng)車輛的卸載決策xk(t)。因此，xk(t)可以表示為：

3.1.2 計(jì)算資源分配

得到卸載決定后，P3可簡化為確定進(jìn)行計(jì)算卸載的移動(dòng)車輛用戶優(yōu)化其計(jì)算資源分配。當(dāng)xk(t)=1時(shí)。將用戶集合表示為K1，并減少目標(biāo)函數(shù)中的常數(shù)項(xiàng)，計(jì)算資源分配子問題如下：

由于問題P5的目標(biāo)函數(shù)是凸的以及限制條件是線性的，所以這是一個(gè)凸優(yōu)化問題，采用內(nèi)點(diǎn)法可以求出MEC端分配的最優(yōu)CPU周期頻率為：

3.2 內(nèi)容緩存問題

問題P2的內(nèi)容緩存子問題，包括緩存決策和緩存資源分配：

3.2.1 緩存決策

類似問題P3的求解過程，得出緩存決策。令Hk(t)=Zk(t)(Ak(t)-Rk,d(t)Pj)+VRk,d(t)Pjωm t，根據(jù)下式解出yk(t)：

3.2.2 緩存資源分配

將K2表示為緩存決策為1的車輛用戶集合，則緩存資源分配問題為：

3.3 基于Lyapunov的聯(lián)合優(yōu)化卸載和緩存算法

為了更加清楚闡述卸載過程、緩存決策、計(jì)算和緩存資源分配，總結(jié)動(dòng)態(tài)聯(lián)合計(jì)算卸載，內(nèi)容緩存，資源分配算法，給出了算法1。

算法1基于Lyapunov的聯(lián)合優(yōu)化卸載和緩存算法

4 仿真分析

在本章中，利用MATLAB仿真平臺(tái)對(duì)所提出的基于NOMA的車輛邊緣計(jì)算網(wǎng)絡(luò)中的卸載和緩存資源優(yōu)化方案進(jìn)行驗(yàn)證。假設(shè)的仿真場(chǎng)景是在C-V2X標(biāo)準(zhǔn)規(guī)定下的車聯(lián)網(wǎng)絡(luò)系統(tǒng)中，通過Uu模式實(shí)現(xiàn)車輛終端和基站之間進(jìn)行通信，文中參數(shù)按照移動(dòng)邊緣計(jì)算白皮書相關(guān)規(guī)定設(shè)置。設(shè)定仿真參數(shù)如表1所示。

表1 模擬參數(shù)表Table 1 Analog parameter

將基于Lyapunov的聯(lián)合優(yōu)化卸載和緩存算法獲得的性能增益與以下方案進(jìn)行了比較：（1）無緩存。只優(yōu)化與計(jì)算卸載相關(guān)的，不涉及內(nèi)容緩存。（2）無卸載。只進(jìn)行與內(nèi)容緩存相關(guān)的優(yōu)化，不優(yōu)化計(jì)算卸載。（3）基于ADMM算法。根據(jù)與本文相同的卸載緩存場(chǎng)景文獻(xiàn)[17]提出基于交替方向乘數(shù)法（alternating direction method of multipliers，ADMM）的優(yōu)化算法。仿真過程中車輛用戶的位置和衰落信道都是隨機(jī)的。為了比較，采用正交多址（OMA）系統(tǒng)作為基準(zhǔn)，其中K個(gè)車輛用戶采用頻分多址（frequency division multiple access，F(xiàn)DMA）方案進(jìn)行通信卸載或者緩存。

圖2和圖3顯示了不同移動(dòng)車輛用戶數(shù)量下的卸載能耗性能與控制參數(shù)的關(guān)系?？梢悦黠@看出在隊(duì)列穩(wěn)定性的條件下隨著控制參數(shù)的增長，用戶的隊(duì)列總和隨之增長，而平均能量消耗隨之減少至趨于平穩(wěn)。這表明基于Lyapunov的聯(lián)合優(yōu)化卸載和緩存算法在嚴(yán)格遵循長期時(shí)延約束的情況下，能夠獲得最優(yōu)的能耗性能。同時(shí)在圖2和圖3中，也反映了車輛用戶數(shù)量對(duì)卸載能耗和用戶隊(duì)列長度的影響。通過對(duì)比車輛用戶數(shù)目為15和20時(shí)候的隊(duì)列長度總和和平均能耗看出當(dāng)車輛用戶數(shù)量增加時(shí)，卸載和緩存能量消耗及隊(duì)列長度總和都會(huì)增大?；贜OMA的方案在能量消耗以及時(shí)延方面優(yōu)于OMA系統(tǒng)。這使得基于NOMA的卸載緩存方案對(duì)于需要執(zhí)行大量用戶任務(wù)的場(chǎng)景很有吸引力。

圖2 控制參數(shù)對(duì)隊(duì)列和長度的影響Fig.2 Impact of control parameters on queue

圖3 控制參數(shù)對(duì)平均能量消耗的影響Fig.3 Impact of control parameters on average energy consumption

圖4、圖5分別展示了MEC服務(wù)器端的平均能量消耗與MEC的總計(jì)算資源(F)和緩存資源(P)之間的演化關(guān)系。圖4中，MEC服務(wù)器端的平均能量消耗隨著F的增加而減少，而無卸載的平均能量消耗保持不變，因?yàn)镕對(duì)內(nèi)容緩存沒有影響。同樣，可以從圖5得出，MEC服務(wù)器端的平均能量消耗隨著P的增加而減少，而無緩存的平均能量消耗保持不變，因?yàn)镻對(duì)計(jì)算卸載沒有影響。這種無卸載策略沒有考慮任務(wù)數(shù)據(jù)是否卸載到MEC服務(wù)器以及無緩存策略沒有考慮數(shù)據(jù)內(nèi)容是否緩存到MEC服務(wù)器，導(dǎo)致較差的系統(tǒng)延遲和能量消耗。隨著緩存資源的增加，可以在邊緣服務(wù)器中緩存更多的數(shù)據(jù)內(nèi)容。因此，更多的用戶從邊緣服務(wù)器獲得響應(yīng)，數(shù)據(jù)傳輸時(shí)間變得更短。然而，當(dāng)資源達(dá)到一定的空閑值時(shí)，由于用戶請(qǐng)求的數(shù)量是恒定的，因此總能耗降低至趨于平穩(wěn)。結(jié)合NOMA并通過對(duì)計(jì)算卸載和內(nèi)容緩存的聯(lián)合優(yōu)化，得出本文的算法性能總是最好的。

圖4 計(jì)算資源對(duì)平均能量消耗的影響Fig.4 Impact of computing resources on average energy consumption

圖5 緩存資源對(duì)平均能量能耗的影響Fig.5 Impact of cache resources on average energy consumption

5 結(jié)束語

本文利用NOMA技術(shù)對(duì)多車輛網(wǎng)絡(luò)進(jìn)行資源優(yōu)化。通過聯(lián)合優(yōu)化計(jì)算卸載策略、計(jì)算資源分配、內(nèi)容緩存策略和緩存資源分配，使得鏈路的平均能量消耗最小化。該問題已被表述為一個(gè)隨機(jī)優(yōu)化問題，并提出了基于李亞普諾夫優(yōu)化理論的算法，便于分析易于處理。仿真結(jié)果表明，本文算法在最小化平均能量消耗方面具有良好的性能。