焦 嘉，劉金花（通訊作者）

（湖南信息職業(yè)技術(shù)學(xué)院 湖南 長(zhǎng)沙 410203）

0 引言

移動(dòng)邊緣計(jì)算（mobile edge computing，MEC）最近已經(jīng)成為一種新的計(jì)算范例。MEC是一種新型的網(wǎng)絡(luò)架構(gòu)概念，它集成了IT服務(wù)環(huán)境和云計(jì)算功能，MEC主要實(shí)現(xiàn)計(jì)算密集型和延遲關(guān)鍵型應(yīng)用，大幅縮短延遲和移動(dòng)能源消耗。

蜂窩基站（BS），被認(rèn)為是MEC的關(guān)鍵推動(dòng)因素，具有類(lèi)似于云計(jì)算的存儲(chǔ)功能，為最終用戶(hù)的計(jì)算請(qǐng)求服務(wù)，換句話說(shuō)，MEC-BS可以幫助移動(dòng)終端來(lái)處理服務(wù)[1-2]，加速進(jìn)程并減少服務(wù)耗能，同時(shí)增強(qiáng)用戶(hù)體驗(yàn)。在本文中我們研究了基于ARIMA模型和LSTM模型的計(jì)算卸載方法，在用戶(hù)的移動(dòng)過(guò)程中，得到一系列移動(dòng)終端任務(wù)的接受概率和駐留時(shí)間，從而來(lái)預(yù)測(cè)下一個(gè)時(shí)刻的可用性，得到的目標(biāo)函數(shù)通過(guò)博弈理論為車(chē)輛制定了最優(yōu)卸載策略[3]。

1 系統(tǒng)架構(gòu)

圖1是我們提出的基于MEC-BS的移動(dòng)預(yù)測(cè)系統(tǒng)框架。本架構(gòu)利用MEC-BS提供的計(jì)算資源實(shí)現(xiàn)了MEC-BS的接收控制、移動(dòng)終端的位置、移動(dòng)終端的速度等信息提取，通過(guò)算法預(yù)測(cè)功能，將數(shù)據(jù)通過(guò)計(jì)算流的方式從一個(gè)模塊傳輸?shù)较乱粋€(gè)模塊，從而更加便捷地實(shí)現(xiàn)了移動(dòng)性預(yù)測(cè)。

2 可用性數(shù)據(jù)描述

2.1 預(yù)測(cè)基于距離優(yōu)先級(jí)的MEC-BS準(zhǔn)入控制

MEC-BS可能會(huì)拒絕接受來(lái)自用戶(hù)的卸載請(qǐng)求，因此，MEC-BS的準(zhǔn)入控制是影響MEC-BS可用性的一個(gè)重要因素，我們?cè)O(shè)計(jì)了一個(gè)類(lèi)似于基于距離優(yōu)先級(jí)的準(zhǔn)入控制策略[4-5]。也就是說(shuō)，同一云小區(qū)覆蓋范圍內(nèi)的用戶(hù)根據(jù)他們同時(shí)卸載時(shí)與云端的距離而具有不同的優(yōu)先級(jí)。準(zhǔn)入控制政策可能有所不同，其他的準(zhǔn)入控制策略也同樣適用。

在計(jì)算MEC-BS可用性的準(zhǔn)入控制（下文又稱(chēng)接收概率）時(shí)，可以理解為一個(gè)MEC端的在線請(qǐng)求接納問(wèn)題。因?yàn)橛脩?hù)的移動(dòng)性和有限的MEC資源，使得對(duì)MEC的準(zhǔn)入控制算法的設(shè)計(jì)尤其具有挑戰(zhàn)性。因此我們只考慮在覆蓋區(qū)域中并且卸載給MEC-BS的活動(dòng)終端設(shè)備的外部服務(wù)比率（ESR）。對(duì)于同一終端v和同一覆蓋范圍內(nèi)的其他終端Vi（i∈{1,2…}），ESR的定義如下：

通過(guò)公式（1），我們可以得出位于MEC-BS較近的車(chē)輛擁有相對(duì)較大的ESR。

2.2 移動(dòng)性問(wèn)題：預(yù)測(cè)駐留時(shí)間

圖2中顯示了移動(dòng)終端在MEC-BS覆蓋范圍內(nèi)駐留時(shí)間的計(jì)算模型，其中R是MEC-BS的覆蓋半徑，d是MECBS的覆蓋范圍內(nèi)的穿越距離(0＜d＜2R)，變量α表示移動(dòng)設(shè)備軌跡方向與MEC-BS之間的角度，α∈(0,π)，r代表移動(dòng)設(shè)備與MEC-BS之間的距離，h代表幾何高度。

假設(shè)該模型移動(dòng)終端的移動(dòng)速度和方向在一段時(shí)間內(nèi)沒(méi)有變化，我們可以得出以下結(jié)論：

移動(dòng)終端v在 MEC-BS 覆蓋范圍內(nèi)的駐留時(shí)間T由下式給出：

所以相對(duì)時(shí)間是：

其中T表示在通信范圍內(nèi)的預(yù)計(jì)駐留時(shí)間，τ表示完成任務(wù)所需的時(shí)間。

2.3 基于ARIMA模型預(yù)測(cè)下一個(gè)位置的可用性

ARIMA預(yù)測(cè)模型算法的過(guò)程如下：首先對(duì)數(shù)據(jù)進(jìn)行差分處理，以將不平穩(wěn)的時(shí)間序列中的數(shù)據(jù)轉(zhuǎn)換為穩(wěn)定時(shí)間序列中的數(shù)據(jù)，然后使用ARMA模型以進(jìn)行數(shù)據(jù)分析。差分運(yùn)算原理是提取時(shí)間序列數(shù)據(jù)的特征（如季節(jié)性和趨勢(shì)），這些特征會(huì)影響數(shù)據(jù)的穩(wěn)定性，從而實(shí)現(xiàn)序列數(shù)據(jù)從非平穩(wěn)轉(zhuǎn)向平穩(wěn)。

2.4 基于EMD和LSTM的可用性分析

2.4.1 EMD分解

經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥MD）主要是對(duì)數(shù)據(jù)進(jìn)行信號(hào)分解，它依據(jù)數(shù)據(jù)自身的時(shí)間尺度特征而不需要預(yù)先設(shè)定基函數(shù)。

使用EMD，原始時(shí)間序列可以被分解成有限數(shù)量的固有模態(tài)功能(IMFs)，逐漸具有不同的時(shí)間尺度。因?yàn)槠浞纸馐蔷植窟M(jìn)行的，所以具有自適應(yīng)性。

2.4.2 LSTM預(yù)測(cè)方法

深度學(xué)習(xí)的出現(xiàn)為預(yù)測(cè)方法提供了新的思路。卷積神經(jīng)網(wǎng)絡(luò)(CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN)、深度置信網(wǎng)絡(luò)(DBN)和長(zhǎng)短時(shí)記憶(LSTM)都是比較經(jīng)典常用的深度學(xué)習(xí)預(yù)測(cè)方法。

常規(guī)的神經(jīng)網(wǎng)絡(luò)模型選擇提取附近信息的特征，當(dāng)距離目標(biāo)信息有一定的距離時(shí)不能很好地進(jìn)行信息交互，我們稱(chēng)這種情況為長(zhǎng)時(shí)依賴(lài)問(wèn)題（或者梯度消失問(wèn)題）。因?yàn)殚L(zhǎng)期短期記憶（LSTM）方法[6]具有處理長(zhǎng)期和短期依賴(lài)性的能力，所以本文選擇LSTM作為預(yù)測(cè)短期 MEC 資源的可用性，每次積累來(lái)自輸入數(shù)據(jù)的信息時(shí)，都可以?xún)?chǔ)存數(shù)據(jù)的特征以補(bǔ)償傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型的缺點(diǎn)。

3 仿真實(shí)驗(yàn)與結(jié)果分析

3.1 評(píng)估LSTM模型

在本節(jié)中我們利用LSTM模型來(lái)預(yù)測(cè)移動(dòng)設(shè)備終端的移動(dòng)性，如圖3（a）為IMF1，圖3（b）為IMF4所示，我們分別基于IMF1和IMF4來(lái)評(píng)估LSTM模型。在這兩個(gè)圖中，我們使用了500個(gè)數(shù)據(jù)集（本文使用的數(shù)據(jù)集為谷歌集群數(shù)據(jù)data-2011-2），描述了在一定時(shí)間約束下進(jìn)行的任務(wù)卸載[7-8]，這與我們研究的情況非常類(lèi)似，其中前495個(gè)數(shù)據(jù)為訓(xùn)練集，后5個(gè)數(shù)據(jù)為測(cè)試集。從圖3中我們可以很明顯地看到這兩條曲線是非常接近的。

3.2 評(píng)估MEC-BS的可用性

在2.2節(jié)的計(jì)算模型中，需要使用到MEC-BS的可用性，為了驗(yàn)證所提出的移動(dòng)性模型，我們模擬具有不同終端設(shè)備移動(dòng)性模式的3種情況，見(jiàn)圖4（a），在選擇移動(dòng)路徑時(shí)具有不同的選項(xiàng)：離心、向心和隨機(jī)方向。在移動(dòng)設(shè)備離開(kāi)MEC-BS覆蓋區(qū)域之前的任何時(shí)間，終端可以開(kāi)始卸載任務(wù)[9-10]并接收結(jié)果。我們記錄任務(wù)卸載成功執(zhí)行的概率[11]。對(duì)于每種移動(dòng)模式，獨(dú)立測(cè)試4 000個(gè)樣本，MEC-BS覆蓋半徑范圍為5～70 m。圖4（b）顯示的是我們根據(jù)實(shí)驗(yàn)的分析結(jié)果，當(dāng)移動(dòng)終端設(shè)備選擇離心移動(dòng)（即最壞情況）時(shí)，任務(wù)卸載成功的概率遠(yuǎn)遠(yuǎn)比向心移動(dòng)（最佳情況）的時(shí)候更小，這是因?yàn)橐苿?dòng)終端在做離心移動(dòng)時(shí)停留的時(shí)間相對(duì)較短，所以此時(shí)的MEC-BS可用性相對(duì)更低。

4 結(jié)語(yǔ)

目前車(chē)聯(lián)網(wǎng)架構(gòu)下的計(jì)算卸載問(wèn)題和移動(dòng)性問(wèn)題的分析應(yīng)用已經(jīng)是現(xiàn)階段通信技術(shù)研究的熱點(diǎn)和難點(diǎn)，因此，為了提高用戶(hù)體驗(yàn)，進(jìn)一步優(yōu)化性能，本文研究了車(chē)聯(lián)網(wǎng)中基于移動(dòng)性預(yù)測(cè)的邊緣計(jì)算任務(wù)卸載優(yōu)化問(wèn)題，達(dá)到了比較好的效果。分別構(gòu)建基于ARIMA和LSTM的預(yù)測(cè)模型，同時(shí)對(duì)上述兩種算法進(jìn)行了比較，ARIMA模型通過(guò)分析歷史數(shù)據(jù)得到當(dāng)前預(yù)測(cè)值，并沒(méi)有保存歷史數(shù)據(jù)的特征，而LSTM模型的數(shù)據(jù)是三維變量，輸入的數(shù)據(jù)不僅有時(shí)序性變化趨勢(shì)，也與變化趨勢(shì)特征有關(guān)，所以在本文實(shí)驗(yàn)部分選取基于EMD分解和LSTM的預(yù)測(cè)算法進(jìn)行深入研究。最后仿真結(jié)果表明，本方案相對(duì)于其他不考慮MEC可用性及本地執(zhí)行等方案都能在大多數(shù)情況下取得最好的性能。