趙端，申澄洋，史新國，劉柯

（1.中國礦業(yè)大學(xué) 礦山互聯(lián)網(wǎng)應(yīng)用技術(shù)國家地方聯(lián)合工程實(shí)驗(yàn)室，江蘇 徐州 221116；2.中國礦業(yè)大學(xué) 信息與控制工程學(xué)院，江蘇 徐州 221116；3.淄博礦業(yè)集團(tuán)有限責(zé)任公司 信息中心，山東 淄博 255299）

0 引言

近年來，煤炭行業(yè)的高質(zhì)量發(fā)展目標(biāo)對(duì)智能礦山建設(shè)提出了更高要求，少人、無人成為煤礦智能化下一階段的重要目標(biāo)。在智能礦山發(fā)展初期，煤礦井下復(fù)雜通信環(huán)境導(dǎo)致的通信設(shè)備傳輸速率和帶寬不足的問題長期以來未能實(shí)現(xiàn)本質(zhì)突破。云計(jì)算和5G 技術(shù)以其超高數(shù)據(jù)速率、超低延遲和超大規(guī)模接入的優(yōu)點(diǎn)，為結(jié)合邊緣計(jì)算的智能礦山建設(shè)提供了解決方案[1]。

云計(jì)算技術(shù)可以較好地解決任務(wù)處理延遲高、速度慢等問題，提高用戶服務(wù)質(zhì)量與用戶體驗(yàn)質(zhì)量[2]。但從用戶到云端的物理距離較遠(yuǎn)，會(huì)造成一定的傳輸延遲和較慢的響應(yīng)速度，盡管隨著5G 技術(shù)的發(fā)展，這種延遲可以被縮短到很低的數(shù)量級(jí)，但依然無法滿足部分延遲敏感任務(wù)如虛擬現(xiàn)實(shí)、實(shí)時(shí)軌跡預(yù)測(cè)等的延遲約束。為了緩解延遲約束問題，邊緣計(jì)算被提出。邊緣計(jì)算是將具有一定計(jì)算能力的計(jì)算設(shè)備和常用數(shù)據(jù)存儲(chǔ)設(shè)備部署在靠近用戶的邊緣端，從而使用戶任務(wù)處理延遲大大降低，達(dá)到了性能和延遲的均衡。因此，邊緣計(jì)算在結(jié)合物聯(lián)網(wǎng)和信息物理系統(tǒng)的場(chǎng)景中獲得大量應(yīng)用[3]。

智能礦山建設(shè)中，邊緣計(jì)算服務(wù)能夠支持煤礦工業(yè)多類應(yīng)用達(dá)到智能化水平，如高精度實(shí)時(shí)定位、遠(yuǎn)程生產(chǎn)實(shí)時(shí)控制、煤礦井下智能巡檢和安全防護(hù)等。雖然邊緣服務(wù)器能夠較好地完成邊緣側(cè)移動(dòng)用戶遷移來的任務(wù)，但通常邊緣服務(wù)器是輕量級(jí)的，其算力與云計(jì)算相比較為有限，如果某一區(qū)域內(nèi)移動(dòng)用戶任務(wù)量在短時(shí)間內(nèi)激增，會(huì)導(dǎo)致任務(wù)出現(xiàn)排隊(duì)現(xiàn)象，從而造成延遲，影響服務(wù)質(zhì)量，甚至無法滿足延遲約束。因此，目前在1 個(gè)區(qū)域內(nèi)通常部署多個(gè)邊緣服務(wù)器，以滿足該區(qū)域內(nèi)可能出現(xiàn)的任務(wù)擁塞。然而，移動(dòng)用戶生成任務(wù)后往哪個(gè)邊緣服務(wù)器遷移的決策，以及使用何種功率進(jìn)行任務(wù)數(shù)據(jù)包發(fā)送的選擇，均會(huì)大大影響整個(gè)網(wǎng)絡(luò)的整體延遲、任務(wù)完成率及能耗，因此，基于多對(duì)多匹配模型的計(jì)算遷移問題（Computing Offloading Problem，COP）成為目前移動(dòng)邊緣計(jì)算（Mobile Edge Computing，MEC）的研究熱點(diǎn)。近年來，國內(nèi)外學(xué)者開展了針對(duì)MEC 中COP 的研究。文獻(xiàn)[4]提出了一種MEC 多跳卸載算法，以降低區(qū)域中移動(dòng)用戶整體能耗。文獻(xiàn)[5]提出了一種MEC 和無線能量傳輸技術(shù)結(jié)合的優(yōu)化方法，在無線供電的多用戶MEC 系統(tǒng)中通過對(duì)接入點(diǎn)（Access Point，AP）的能量傳輸波束形成、用戶的中央處理單元（CPU）頻率及用戶之間的時(shí)間分配進(jìn)行聯(lián)合優(yōu)化來提高M(jìn)EC 性能，使AP 總能量消耗達(dá)到最小。文獻(xiàn)[6]提出了一種基于邊緣計(jì)算架構(gòu)的短期能量預(yù)測(cè)系統(tǒng)，對(duì)整個(gè)MEC 網(wǎng)絡(luò)能量消耗進(jìn)行調(diào)控。文獻(xiàn)[7]利用MEC 中邊緣服務(wù)器數(shù)據(jù)存儲(chǔ)的文件熱度指標(biāo)，提出了一種邊緣服務(wù)器數(shù)據(jù)更新機(jī)制，將較常用數(shù)據(jù)保存在靠近用戶的位置，將不常用數(shù)據(jù)傳輸至上層設(shè)備，降低了任務(wù)處理過程中的數(shù)據(jù)下載時(shí)間延遲。文獻(xiàn)[8]建立了移動(dòng)用戶聯(lián)合卸載和傳輸功率分配模型，針對(duì)任務(wù)傳輸過程中的排隊(duì)現(xiàn)象，提出了一種離散功率調(diào)整機(jī)制，在滿足延遲約束的情況下，完成任務(wù)數(shù)據(jù)傳輸并最小化設(shè)備功率。文獻(xiàn)[9]聯(lián)合優(yōu)化了用戶選擇和資源分配策略，并將問題轉(zhuǎn)換為混合整數(shù)非線性優(yōu)化問題，再進(jìn)一步松弛為凸優(yōu)化問題，以獲得最大化的能源效率。最近一段時(shí)間，能量收集技術(shù)和無線能量傳輸技術(shù)取得了較大發(fā)展，無線設(shè)備可從自然環(huán)境中獲得能量或者通過無線充電設(shè)備獲得額外電量[10-11]，這為MEC 應(yīng)用場(chǎng)景中無線設(shè)備能量約束問題提供了一種可行的優(yōu)化方案。一些研究也將無線能量傳輸技術(shù)應(yīng)用于MEC 場(chǎng)景中，在能量輔助設(shè)備的協(xié)助下，MEC 相關(guān)執(zhí)行步驟得到了一定優(yōu)化[12-13]。隨著無人機(jī)（Unmanned Aerial Vehicle，UAV）技術(shù)和機(jī)器學(xué)習(xí)技術(shù)的發(fā)展與廣泛應(yīng)用，也有研究將UAV 技術(shù)應(yīng)用于MEC 中作為可移動(dòng)的中繼設(shè)備，對(duì)區(qū)域中無線通信網(wǎng)絡(luò)架構(gòu)進(jìn)行動(dòng)態(tài)維護(hù)和優(yōu)化[14]，根據(jù)UAV 本身的飛行能耗和無線傳輸能耗優(yōu)化中繼節(jié)點(diǎn)位置及MEC 卸載匹配決策。文獻(xiàn)[15-16]提出了基于深度強(qiáng)化學(xué)習(xí)的MEC 資源分配機(jī)制，在較多實(shí)際數(shù)據(jù)支撐的條件下有效提升了MEC 整體性能。

以上研究較新穎，但實(shí)施難度較大，工程實(shí)現(xiàn)方式較復(fù)雜，應(yīng)用難度高，并且多為面向個(gè)人用戶的商業(yè)化服務(wù)優(yōu)化，目前還未有針對(duì)智能礦山中MEC 資源分配優(yōu)化的相關(guān)研究[17]。本文將多邊緣服務(wù)器、多移動(dòng)用戶的應(yīng)用場(chǎng)景建模為多對(duì)多匹配問題，并引入邊緣服務(wù)器動(dòng)態(tài)算力和移動(dòng)用戶動(dòng)態(tài)剩余能量2 個(gè)動(dòng)態(tài)參數(shù)，將傳統(tǒng)的靜態(tài)模型轉(zhuǎn)換為動(dòng)態(tài)匹配模型，提出一種基于移動(dòng)用戶對(duì)邊緣服務(wù)器偏好表及邊緣服務(wù)器對(duì)移動(dòng)用戶偏好表的二維動(dòng)態(tài)匹配算法，使區(qū)域內(nèi)移動(dòng)用戶任務(wù)在滿足延遲約束條件下提高總?cè)蝿?wù)完成率，進(jìn)而最大化系統(tǒng)效用。

1 算法應(yīng)用場(chǎng)景模型

在智能礦山工業(yè)生產(chǎn)環(huán)境中任務(wù)內(nèi)容量激增情況下，傳統(tǒng)邊緣計(jì)算卸載機(jī)制難以滿足服務(wù)質(zhì)量。因此，本文對(duì)MEC 任務(wù)卸載過程中的邊緣服務(wù)器與移動(dòng)用戶多對(duì)多匹配問題進(jìn)行優(yōu)化，以找到滿足預(yù)設(shè)條件的解。具體應(yīng)用場(chǎng)景舉例：由于自然災(zāi)害、電力事故等導(dǎo)致部分邊緣服務(wù)器無法提供服務(wù)或需使用備用電源，伴隨移動(dòng)用戶信息傳輸?shù)谋l(fā)式增長。以上情況可描述為資源緊缺狀態(tài)下出現(xiàn)較大任務(wù)量的應(yīng)用場(chǎng)景模型，在該應(yīng)用場(chǎng)景模型下對(duì)計(jì)算和能源資源的合理分配顯得尤為重要，采用優(yōu)異的資源分配算法將大大改善特殊情況下無法滿足服務(wù)質(zhì)量要求的情況。密集任務(wù)條件下MEC 模型如圖1所示。短時(shí)間內(nèi)多任務(wù)進(jìn)入MEC 服務(wù)區(qū)域，導(dǎo)致邊緣服務(wù)器無法為所有任務(wù)同時(shí)提供滿足延遲約束的服務(wù)，因此部分用戶無法在延遲約束下完成任務(wù)。需要注意的是，由于邊緣計(jì)算概念中資源被提供方通常稱作“用戶”，本文討論的應(yīng)用場(chǎng)景中“用戶”為井下設(shè)備。

圖1 密集任務(wù)條件下MEC 模型Fig.1 Mobile edge computing model under intensive task conditions

1.1 網(wǎng)絡(luò)模型

MEC 服務(wù)器部署在智能礦山場(chǎng)景中的基站上，具有一定的數(shù)據(jù)存儲(chǔ)能力和計(jì)算能力。本文定義邊緣服務(wù)器集S={s1，s2，···，sm}（sj為邊緣服務(wù)器，j=1，2，···，m，m為邊緣服務(wù)器數(shù)量），移動(dòng)用戶集U={u1，u2，···，un}（ui為移動(dòng)用戶，i=1，2，···，n，n為移動(dòng)用戶數(shù)量）。令二進(jìn)制函數(shù)Ψ（ui，sj）表示移動(dòng)用戶ui在時(shí)隙Δt內(nèi)是否將任務(wù)遷移到邊緣服務(wù)器sj：

1.2 通信模型

移動(dòng)用戶與邊緣服務(wù)器之間采用無線通信模式，根據(jù)香農(nóng)公式，移動(dòng)用戶ui至邊緣服務(wù)器sj的傳輸速率為

式中：B為信道帶寬；Pi為移動(dòng)用戶ui的功率；hi,j為移動(dòng)用戶ui到邊緣服務(wù)器sj的信道增益；σ2為高斯噪聲功率譜密度。

生成任務(wù)的移動(dòng)用戶將決定直接發(fā)送任務(wù)數(shù)據(jù)包到邊緣服務(wù)器還是通過路徑空閑的移動(dòng)用戶進(jìn)行中繼發(fā)送，由于發(fā)送消耗能量與傳輸路徑距離呈正相關(guān)，所以移動(dòng)用戶更偏向于通過中繼用戶進(jìn)行卸載。

1.3 任務(wù)處理模型

定義邊緣服務(wù)器sj的計(jì)算能力=FjTlatency，其中Fj為邊緣服務(wù)器CPU 頻率，Tlatency為用戶延遲約束的最大容忍延遲，所用時(shí)間若超過最大容忍延遲即認(rèn)為服務(wù)未達(dá)到預(yù)期需求。定義完成移動(dòng)用戶ui的任務(wù)所需計(jì)算量為。

設(shè)一個(gè)邊緣服務(wù)器是單線程的，同時(shí)僅能處理1 個(gè)任務(wù)，所有移動(dòng)用戶的最大容忍延遲Tlatency均相同，并且將Tlatency作為標(biāo)準(zhǔn)時(shí)隙Δt，所有移動(dòng)用戶在時(shí)隙開始時(shí)刻確定是否生成任務(wù)，若ui生成任務(wù)，則令移動(dòng)用戶ui在時(shí)隙Δt內(nèi)所產(chǎn)生的任務(wù)=1，否則=0。在1 輪任務(wù)處理過程中，MEC 網(wǎng)絡(luò)模型中所有移動(dòng)用戶在標(biāo)準(zhǔn)時(shí)隙開始時(shí)刻確定其任務(wù)狀態(tài)信息，并 形成一張任務(wù) 狀態(tài)表，以表示所有移動(dòng)用戶的任務(wù)狀態(tài)，其中為移動(dòng)用戶ui當(dāng)前位置坐標(biāo)信息。

1.4 偏好模型

本文提出的二維動(dòng)態(tài)匹配算法是基于偏好的，包含邊緣服務(wù)器對(duì)移動(dòng)用戶的偏好及移動(dòng)用戶對(duì)邊緣服務(wù)器的偏好。進(jìn)行任務(wù)處理初始化時(shí)，每個(gè)邊緣服務(wù)器形成一張針對(duì)移動(dòng)用戶的一維偏好表，移動(dòng)用戶也形成針對(duì)邊緣服務(wù)器的一維偏好表。由于邊緣服務(wù)器能源約束較低，不必考慮移動(dòng)傳輸?shù)哪茉聪?，僅考慮邊緣服務(wù)器算力消耗，所以邊緣服務(wù)器優(yōu)先偏好任務(wù)計(jì)算量小的移動(dòng)用戶。而移動(dòng)用戶由電池供電，具有一定的能量約束，因此需要考慮影響能量消耗的因素。本文以物理距離表征能耗性質(zhì)，即移動(dòng)用戶更偏向于將任務(wù)卸載到最近的邊緣服務(wù)器。同時(shí)，由于本文旨在對(duì)整個(gè)智能礦山MEC網(wǎng)絡(luò)進(jìn)行優(yōu)化，需盡可能使煤礦邊緣服務(wù)器算力資源均勻分配，所以將邊緣服務(wù)器的算力作為動(dòng)態(tài)參數(shù)。例如，當(dāng)?shù)? 個(gè)移動(dòng)用戶的任務(wù)分配到邊緣服務(wù)器sj后，sj的算力更新為，此時(shí)移動(dòng)用戶對(duì)邊緣服務(wù)器的偏好表發(fā)生更改，第2 個(gè)移動(dòng)用戶將向位于新的偏好表首位的邊緣服務(wù)器提出卸載請(qǐng)求，依此類推，直到匹配完成。

移動(dòng)用戶對(duì)邊緣服務(wù)器的偏好與傳輸路徑距離和邊緣服務(wù)器剩余算力有關(guān)，因此，令移動(dòng)用戶對(duì)邊緣服務(wù)器的偏好值為

式中：ε，ω為偏好系數(shù)，由于邊緣服務(wù)器剩余算力和距離同樣重要，本文中取 ω=ε，在計(jì)算資源稀缺的應(yīng)用中可取 ω＞ε，在能量資源稀缺的應(yīng)用中可取 ω＜ε；di,j為移動(dòng)用戶ui到邊緣服務(wù)器sj的物理距離。

2 問題分析

定義Dk為第j個(gè)邊緣服務(wù)器當(dāng)前時(shí)間段第k個(gè)子任務(wù)的數(shù)據(jù)大小，Rk為第k個(gè)子任務(wù)的傳輸速率，則第k個(gè)子任務(wù)排隊(duì)等待時(shí)間為

任務(wù)數(shù)據(jù)包傳輸階段耗時(shí)為

第k個(gè)子任務(wù)排隊(duì)過程和傳輸過程總耗時(shí)為

卸載完成后，邊緣服務(wù)器執(zhí)行處理任務(wù)的時(shí)間為

單個(gè)移動(dòng)用戶的任務(wù)從生成到收到結(jié)果的總時(shí)間為

由于計(jì)算結(jié)果數(shù)據(jù)包與任務(wù)數(shù)據(jù)包相比通常要小數(shù)個(gè)數(shù)量級(jí)，所以可以忽略計(jì)算結(jié)果從邊緣服務(wù)器回傳的時(shí)間。優(yōu)化模型可描述為在邊緣服務(wù)器算力不超過限制的情況下，最小化總?cè)蝿?wù)完成時(shí)間及移動(dòng)用戶發(fā)送、中繼、接收的耗能（其中耗能通過移動(dòng)用戶發(fā)送功率表示）。

式中：Ei為當(dāng)前剩余能量；Ed為維持MEC 各設(shè)備正常運(yùn)行的最低能量。

約束C1表示每個(gè)移動(dòng)用戶只能將任務(wù)卸載到1 個(gè)邊緣服務(wù)器，約束C2表示移動(dòng)用戶任務(wù)完成時(shí)間需要滿足延遲約束，約束C3表示移動(dòng)用戶的當(dāng)前剩余能量要高于維持MEC 各設(shè)備正常運(yùn)行的最低能量。

3 算法實(shí)現(xiàn)

移動(dòng)用戶將自身狀態(tài)信息傳輸至邊緣服務(wù)器，邊緣服務(wù)器根據(jù)收到的狀態(tài)信息，形成邊緣服務(wù)器集S對(duì)移動(dòng)用戶集U的偏好表及移動(dòng)用戶集U對(duì)邊緣服務(wù)器集S的偏好表。設(shè)經(jīng)過邊緣服務(wù)器排序后的移動(dòng)用戶偏好表KS={u1,u2,···,un}，由于邊緣服務(wù)器僅考慮移動(dòng)用戶產(chǎn)生的任務(wù)的困難程度，所以各邊緣服務(wù)器對(duì)移動(dòng)用戶的偏好表是相同的，均為根據(jù)移動(dòng)用戶生成任務(wù)所需計(jì)算量排序的一維偏好表。而不同移動(dòng)用戶由于物理位置和能耗不同，其對(duì)邊緣服務(wù)器的偏好表可能是無規(guī)律且各不相同的，分別記為。將邊緣服務(wù)器對(duì)移動(dòng)用戶偏好表及移動(dòng)用戶對(duì)邊緣服務(wù)器偏好表相結(jié)合，可形成一張二維動(dòng)態(tài)偏好表，為便于算法執(zhí)行，將其抽象為二維矩陣：

智能礦山MEC 資源分配模型與約會(huì)匹配模型[18]類似，約會(huì)匹配模型是一個(gè)經(jīng)典的穩(wěn)定匹配模型，最終會(huì)達(dá)到匹配穩(wěn)定狀態(tài)，本文中移動(dòng)用戶與邊緣服務(wù)器之間的匹配也可視為穩(wěn)定匹配問題，期望求出滿足約束條件的最大化用戶總?cè)蝿?wù)完成率的穩(wěn)定匹配狀態(tài)。與約會(huì)匹配模型不同的是，為了減少算法計(jì)算量，MEC 資源分配模型中邊緣服務(wù)器對(duì)移動(dòng)用戶的偏好表被設(shè)置為靜態(tài)，而邊緣服務(wù)器的剩余算力是動(dòng)態(tài)變化的，因此移動(dòng)用戶對(duì)邊緣服務(wù)器的偏好表也是動(dòng)態(tài)變化的。二維動(dòng)態(tài)匹配算法如下。

二維動(dòng)態(tài)匹配算法結(jié)合邊緣計(jì)算實(shí)際情況，將邊緣服務(wù)器對(duì)移動(dòng)用戶的偏好設(shè)為靜態(tài)量，生成MEC 匹配決策時(shí)，直接提取當(dāng)前二維矩陣M中位于M（1，1）的移動(dòng)用戶和位于M（1，2）的邊緣服務(wù)器形成匹配即可；更新未匹配移動(dòng)用戶對(duì)邊緣服務(wù)器的偏好表時(shí)，將M（1，2）處邊緣服務(wù)器的剩余算力作為比較值，在各移動(dòng)用戶對(duì)邊緣服務(wù)器的偏好表中從后向前插入排序即可。對(duì)于剛匹配成功的邊緣服務(wù)器，由于剩余算力急劇減少，移動(dòng)用戶對(duì)其偏好會(huì)下降很多。因此大多數(shù)情況下，M（1，2）處的邊緣服務(wù)器將在第1 次迭代時(shí)就被插入到移動(dòng)用戶對(duì)邊緣服務(wù)器偏好表的最后一位，這樣大大減少了處理時(shí)間。

4 仿真分析

采用Matlab 軟件進(jìn)行仿真，在20 m×100 m（寬×長）的煤礦井下綜采工作面區(qū)域內(nèi)部署3 個(gè)邊緣服務(wù)器，設(shè)置在某一時(shí)間段內(nèi)有100～1 000 個(gè)移動(dòng)用戶在區(qū)域內(nèi)活動(dòng)的仿真實(shí)驗(yàn)組，移動(dòng)用戶生成任務(wù)是隨機(jī)的，包括環(huán)境感知傳感設(shè)備數(shù)據(jù)采集處理任務(wù)，機(jī)械手、運(yùn)輸設(shè)備和鉆井機(jī)械設(shè)備等位置及狀態(tài)感知任務(wù)，井下人員定位設(shè)備數(shù)據(jù)采集任務(wù)等。為方便起見，將任務(wù)數(shù)據(jù)大小分為20 kB，1 MB，20 MB 3 種，任務(wù)處理難度與任務(wù)數(shù)據(jù)大小無關(guān)，以所需邊緣服務(wù)器CPU 計(jì)算次數(shù)1×106，1×107，1×108表示3 種計(jì)算難度，任務(wù)數(shù)據(jù)大小和所需邊緣服務(wù)器CPU 計(jì)算次數(shù)由程序隨機(jī)等概率生成，設(shè)邊緣服務(wù)器CPU 頻率為2 GHz，延遲約束Tlatency為2 s。

用總?cè)蝿?wù)完成率 υcompleted表示匹配結(jié)果的好壞程度：

式中：βcompleted為完成的任務(wù)數(shù)；βgenerated為1 個(gè)時(shí)隙中生成的任務(wù)總數(shù)。

選用隨機(jī)卸載算法、分區(qū)卸載算法、基于能量收集的匹配算法與本文提出的二維動(dòng)態(tài)匹配算法進(jìn)行仿真對(duì)比。隨機(jī)卸載算法即生成的所有用戶任務(wù)隨機(jī)進(jìn)行卸載，直到區(qū)域內(nèi)總算力耗盡或總耗能達(dá)到閾值；分區(qū)卸載算法即提前將區(qū)域分成子區(qū)域（子區(qū)域數(shù)量與區(qū)域中邊緣服務(wù)器數(shù)量相等），在預(yù)設(shè)的子區(qū)域內(nèi)生成的任務(wù)自動(dòng)卸載至該子區(qū)域所對(duì)應(yīng)的邊緣服務(wù)器進(jìn)行處理；基于能量收集的匹配算法即為用戶配備能量收集裝置，設(shè)置能量收集能力為能量消耗閾值的10%，使用二維動(dòng)態(tài)匹配算法進(jìn)行資源分配。仿真結(jié)果如圖2 所示。

圖2 不同MEC 資源分配算法總?cè)蝿?wù)完成率對(duì)比Fig.2 The results of comparison of different mobile edge computing resource allocation algorithms on task completion rate

從圖2 可看出，4 種算法的總?cè)蝿?wù)完成率均隨著區(qū)域內(nèi)移動(dòng)用戶數(shù)增加而下降，這是因?yàn)楫?dāng)區(qū)域內(nèi)移動(dòng)用戶數(shù)激增時(shí)，計(jì)算負(fù)載過大，導(dǎo)致邊緣計(jì)算服務(wù)器無法滿足所有任務(wù)的延遲約束。在區(qū)域內(nèi)移動(dòng)用戶較少時(shí)，4 種算法均可達(dá)到較高的總?cè)蝿?wù)完成率；當(dāng)移動(dòng)用戶個(gè)數(shù)大于200 時(shí)，4 種算法的總?cè)蝿?wù)完成率均開始下降，其中分區(qū)卸載算法和隨機(jī)卸載算法下降速度較快，這是因?yàn)樵跀?shù)據(jù)量激增的情況下，使用普通算法的卸載機(jī)制此時(shí)已接近滿載，而本文提出的二維動(dòng)態(tài)匹配算法能夠優(yōu)先執(zhí)行計(jì)算量較小的任務(wù)，從而使總?cè)蝿?wù)完成率隨任務(wù)增加而下降的趨勢(shì)放緩，并且在極端情況下，即區(qū)域內(nèi)移動(dòng)用戶個(gè)數(shù)在短時(shí)間內(nèi)增至500 以上時(shí)，能夠保持較高的總?cè)蝿?wù)完成率。在區(qū)域內(nèi)總移動(dòng)用戶個(gè)數(shù)為600 以下時(shí)，基于能量收集的匹配算法和本文提出的二維動(dòng)態(tài)匹配算法在總?cè)蝿?wù)完成率上無明顯差異；移動(dòng)用戶個(gè)數(shù)在600 以上時(shí)，基于能量收集的匹配算法表現(xiàn)指標(biāo)略優(yōu)于本文算法，但未達(dá)10%，即未能較好地利用所收集的能量。這是因?yàn)槟芰渴占夹g(shù)更多用于耗能平均的無線傳感網(wǎng)中，對(duì)于任務(wù)耗能差異較大的任務(wù)群無法做到將收集的能量按比例分配，生成低難度任務(wù)的移動(dòng)用戶收集的能量無法轉(zhuǎn)移至高耗能用戶處使用，而高耗能用戶本身收集的能量又不足以滿足其過高的能量需求。再者，能量收集技術(shù)更多應(yīng)用于工業(yè)場(chǎng)景，對(duì)于面向消費(fèi)者的商業(yè)服務(wù)領(lǐng)域的應(yīng)用場(chǎng)景，能量收集裝置無法大規(guī)模部署。綜上可得，本文提出的二維動(dòng)態(tài)匹配算法在移動(dòng)用戶數(shù)增加的情況下能夠較好地保證一定的總?cè)蝿?wù)完成率，滿足移動(dòng)用戶體驗(yàn)質(zhì)量及服務(wù)質(zhì)量需求。

5 結(jié)語

針對(duì)智能礦山應(yīng)用中任務(wù)數(shù)據(jù)量突然增大情況下MEC 應(yīng)用場(chǎng)景保證服務(wù)質(zhì)量的問題，將問題類比約會(huì)匹配問題并進(jìn)一步轉(zhuǎn)換為二維動(dòng)態(tài)匹配問題，對(duì)邊緣服務(wù)器對(duì)用戶的偏好表進(jìn)行了優(yōu)化，降低了匹配過程計(jì)算量。仿真結(jié)果表明，提出的二維動(dòng)態(tài)匹配算法形成的任務(wù)卸載匹配所達(dá)到的總?cè)蝿?wù)完成率與常規(guī)MEC 場(chǎng)景卸載算法相比有明顯提高。未來將考慮引入中繼移動(dòng)用戶進(jìn)行數(shù)據(jù)輔助中繼傳輸，進(jìn)一步降低移動(dòng)用戶能耗，提升用戶體驗(yàn)質(zhì)量。