王 翊，盧興俊，許耀華，蔣 芳

(安徽大學(xué)計(jì)算智能與信號(hào)處理教育部重點(diǎn)實(shí)驗(yàn)室，安徽 合肥 230601)

隨著5G技術(shù)的快速發(fā)展普及，很多計(jì)算密集型的移動(dòng)應(yīng)用為用戶提供了優(yōu)質(zhì)的服務(wù)體驗(yàn)，如人臉／語言識(shí)別、高清視頻流、實(shí)時(shí)在線游戲、虛擬現(xiàn)實(shí)等［1］。由于移動(dòng)終端的計(jì)算能力與存儲(chǔ)容量有限，移動(dòng)用戶在獲得高質(zhì)量服務(wù)的同時(shí)，會(huì)面臨高能耗的挑戰(zhàn)［2］。移動(dòng)云計(jì)算將計(jì)算任務(wù)卸載到遠(yuǎn)程云緩解終端計(jì)算壓力，但數(shù)據(jù)傳輸時(shí)間長(zhǎng)，在實(shí)際運(yùn)用中無法滿足超高速率的用戶需求。移動(dòng)邊緣計(jì)算（Mobile Edge Computing，MEC）可在移動(dòng)網(wǎng)邊緣提供服務(wù)環(huán)境和計(jì)算能力，減少網(wǎng)絡(luò)操作和服務(wù)交付的時(shí)延，提高用戶體驗(yàn)［3］。MEC服務(wù)器的超高計(jì)算能力和超低時(shí)延，使其成為新一代移動(dòng)通信的關(guān)鍵技術(shù)［4］。

在處理計(jì)算密集型任務(wù)［5］時(shí)，MEC主要通過計(jì)算卸載和資源分配來有效降低時(shí)延和能耗。文獻(xiàn)［6］研究MEC超密集網(wǎng)絡(luò)中的任務(wù)卸載問題，采用軟件定義網(wǎng)絡(luò)的思想，提出一種有效的計(jì)算卸載策略，以達(dá)到任務(wù)處理時(shí)延最小的目的。文獻(xiàn)［7］提出了一種聯(lián)合優(yōu)化資源分配和任務(wù)卸載分配的策略，保持算法低復(fù)雜度并減小了設(shè)備能耗。部分學(xué)者針對(duì)邊緣計(jì)算系統(tǒng)時(shí)延和能耗兩個(gè)方面進(jìn)行優(yōu)化，設(shè)定時(shí)延和能耗的相關(guān)權(quán)重系數(shù)，根據(jù)不同的場(chǎng)景改變權(quán)重?cái)?shù)值。文獻(xiàn)［8］研究了多MEC服務(wù)器的邊緣計(jì)算系統(tǒng)的任務(wù)卸載和資源聯(lián)合優(yōu)化問題，考慮了基站重疊覆蓋的情況，通過多服務(wù)器卸載策略、上行功率分配策略、資源分配策略的聯(lián)合優(yōu)化，最大化權(quán)衡后的綜合效用。上述文獻(xiàn)采用不同算法制定卸載策略對(duì)有限的計(jì)算資源進(jìn)行分配，但是忽視了終端設(shè)備的移動(dòng)性對(duì)卸載決策的影響。

由于服務(wù)器的覆蓋范圍有限，用戶在移動(dòng)的時(shí)候可能會(huì)中斷與服務(wù)器的連接。原先請(qǐng)求卸載的服務(wù)器無法在用戶的下一位置及時(shí)發(fā)送計(jì)算結(jié)果，會(huì)引起服務(wù)器計(jì)算資源的浪費(fèi)，增加用戶再次上傳卸載計(jì)算任務(wù)的時(shí)延和能耗。因此，對(duì)用戶設(shè)備的未來位置進(jìn)行預(yù)測(cè)顯得尤為重要。文獻(xiàn)［9］通過預(yù)測(cè)用戶的移動(dòng)對(duì)虛擬機(jī)的遷移策略進(jìn)行優(yōu)化，并提出了基于用戶移動(dòng)性的服務(wù)遷移預(yù)測(cè)方案，對(duì)遷移成本和服務(wù)質(zhì)量采取了折中的辦法。但是對(duì)于一些即時(shí)性要求較高且任務(wù)量較小的應(yīng)用程序，遷移成本過大。文獻(xiàn)［10］通過長(zhǎng)短期記憶方法建立用戶位置預(yù)測(cè)模型，位置預(yù)測(cè)的結(jié)果更接近真實(shí)位置，但是需要復(fù)雜的特征數(shù)據(jù)，難以用于普通場(chǎng)景。文獻(xiàn)［11］通過對(duì)用戶移動(dòng)性的預(yù)測(cè)，在收集任務(wù)處理結(jié)果時(shí)確定終端與邊緣服務(wù)器的連接性，從而決定將任務(wù)分配到哪一個(gè)邊緣服務(wù)器。但其用戶運(yùn)動(dòng)模型是線性的，沒有考慮用戶移動(dòng)中存在加速度的情況，為符合實(shí)際應(yīng)用，本文將在研究中考慮存在加速度的場(chǎng)景。

對(duì)于用戶的可卸載任務(wù)，許多研究都會(huì)采取全部卸載到MEC服務(wù)器中執(zhí)行的方式［12-13］。但是當(dāng)用戶數(shù)量較多或卸載任務(wù)量較大時(shí)，有限的服務(wù)器計(jì)算資源會(huì)導(dǎo)致任務(wù)排隊(duì)，卸載計(jì)算時(shí)延增長(zhǎng)。文獻(xiàn)［14］給出了部分卸載的辦法，將一部分任務(wù)留在移動(dòng)終端，減少M(fèi)EC服務(wù)器的計(jì)算量，并利用KKT條件來解決能耗最小化問題。文獻(xiàn)［15］對(duì)能量收集時(shí)間、局部計(jì)算頻率、卸載時(shí)間和功率進(jìn)行聯(lián)合優(yōu)化，提高計(jì)算效率。但是上述研究只將任務(wù)卸載到一個(gè)MEC服務(wù)器，當(dāng)服務(wù)器負(fù)載較大或者卸載任務(wù)量較大時(shí)，計(jì)算時(shí)延依舊會(huì)較大。并且網(wǎng)絡(luò)中的MEC服務(wù)器負(fù)載狀況不同，部分服務(wù)器的計(jì)算資源可能未被充分利用，為了解決以上問題，文獻(xiàn)［16］利用網(wǎng)絡(luò)中多個(gè)可用邊緣節(jié)點(diǎn)并行處理卸載任務(wù)。本文將卸載任務(wù)劃分為多個(gè)子任務(wù)，并由移動(dòng)用戶與多個(gè)服務(wù)器協(xié)同處理。

卡爾曼濾波（Kalman Filter，KF）作為一種對(duì)系統(tǒng)狀態(tài)進(jìn)行估計(jì)的算法，具有較低的時(shí)間復(fù)雜度和空間復(fù)雜度，在移動(dòng)網(wǎng)絡(luò)的資源分配與網(wǎng)絡(luò)狀態(tài)估計(jì)中也有應(yīng)用［17-19］。但是其僅適用于線性系統(tǒng)，當(dāng)系統(tǒng)為非線性時(shí)，更適用改進(jìn)后的卡爾曼濾波，即擴(kuò)展卡爾曼濾波（Extended Kalman Filter，EKF）。 但目前尚未應(yīng)用于MEC計(jì)算卸載的研究中，本文將利用擴(kuò)展卡爾曼濾波解決進(jìn)行非線性移動(dòng)的用戶的計(jì)算卸載問題。

根據(jù)密集網(wǎng)絡(luò)中小基站數(shù)量眾多的特點(diǎn)，本文的研究場(chǎng)景建立在一個(gè)分布式的多MEC服務(wù)器系統(tǒng)中，提出了一種基于位置預(yù)測(cè)的多MEC服務(wù)器協(xié)同卸載算法，通過預(yù)測(cè)移動(dòng)用戶的未來位置和劃分卸載任務(wù)來降低計(jì)算卸載的時(shí)延和能耗。本文的主要工作有：

（1）首先針對(duì)非勻速運(yùn)動(dòng)的用戶建立非線性運(yùn)動(dòng)模型，再采用擴(kuò)展卡爾曼濾波的方法預(yù)測(cè)用戶的未來位置，提高移動(dòng)用戶與MEC服務(wù)器的連接成功率，有效避免用戶跨越MEC服務(wù)器覆蓋區(qū)時(shí)傳輸中斷。

（2）在用戶位置預(yù)測(cè)的基礎(chǔ)上，將用戶的卸載任務(wù)劃分為多個(gè)子任務(wù)，交由用戶移動(dòng)路徑上的MEC服務(wù)器協(xié)同處理，任務(wù)劃分以最優(yōu)化任務(wù)處理時(shí)延和能耗加權(quán)和為目標(biāo)。最終的計(jì)算結(jié)果提前發(fā)送到離用戶預(yù)測(cè)位置最近的服務(wù)器，隨后轉(zhuǎn)發(fā)給用戶，有效降低時(shí)延和能耗。

1 移動(dòng)用戶的任務(wù)協(xié)同卸載模型

1.1 系統(tǒng)模型

在圖1所示的系統(tǒng)模型中，有一個(gè)移動(dòng)用戶和多個(gè)無線接入點(diǎn)，每個(gè)無線接入點(diǎn)連接一臺(tái)MEC服務(wù)器。用戶移動(dòng)性的預(yù)測(cè)是在服務(wù)器或終端本身進(jìn)行的，將用戶發(fā)送卸載請(qǐng)求的位置作為當(dāng)前位置，利用當(dāng)前位置信息與運(yùn)動(dòng)狀態(tài)預(yù)測(cè)的用戶下一位置作為預(yù)測(cè)位置。用戶在請(qǐng)求位置處向服務(wù)器m1所在的無線接入點(diǎn)發(fā)送卸載任務(wù)，服務(wù)器m1接收到卸載任務(wù)后，根據(jù)任務(wù)的處理時(shí)間和能耗將其劃分為多個(gè)子任務(wù)，并聯(lián)合附近的服務(wù)器對(duì)任務(wù)進(jìn)行處理，最后將處理結(jié)果通過預(yù)測(cè)位置處的無線接入點(diǎn)發(fā)送給用戶。根據(jù)用戶的移動(dòng)路徑，可能會(huì)有多個(gè)MEC服務(wù)器參與到卸載任務(wù)的處理與傳輸中。

圖1 系統(tǒng)模型

設(shè)移動(dòng)用戶u移動(dòng)路徑周圍有N個(gè)MEC服務(wù)器，構(gòu)成服務(wù)器集M＝｛m1，m2，m3，…，mi，…，mN｝，i∈［1，N］。 用戶需要計(jì)算的任務(wù)d＝｛c，b｝，c表示任務(wù)所需的計(jì)算CPU周期數(shù)，b是任務(wù)卸載過程中所傳輸?shù)臄?shù)據(jù)量。將任務(wù)d劃分為N＋1個(gè)子任務(wù)，即d＝｛d0，d1，d2，…，dj，…，dN｝，j∈［0，N］，其中第j個(gè)子任務(wù)dj＝δjd，δj表示任務(wù)的劃分比例，即用戶卸載到服務(wù)器mi的任務(wù)占總?cè)蝿?wù)的比例。

1.2 通信模型

MEC服務(wù)器在靠近用戶的網(wǎng)絡(luò)邊緣側(cè)提供計(jì)算服務(wù)，分布范圍廣且部署靈活。本文中，每個(gè)MEC服務(wù)器連接一個(gè)無線接入點(diǎn)，卸載任務(wù)通過無線回傳鏈路在移動(dòng)用戶與MEC服務(wù)器間、MEC服務(wù)器與MEC服務(wù)器間傳輸。設(shè)部分子任務(wù)由本地計(jì)算，另一部分則由MEC服務(wù)器計(jì)算。用戶u到最近服務(wù)器m1的上行鏈路傳輸速率是ru，m1，表達(dá)式為

式中：B為信道帶寬，pu為用戶的傳輸功率，為用戶到最近服務(wù)器m1的信道增益，ω0為噪聲功率。

假設(shè)參數(shù)β1代表任務(wù)的劃分開銷因子，即劃分任務(wù)時(shí)產(chǎn)生的額外計(jì)算量，β2代表車輛上行鏈路的傳輸開銷因子，用表示子任務(wù)dj從移動(dòng)用戶u到服務(wù)器m1的上行鏈路傳輸時(shí)間，則

1.3 計(jì)算模型

1.3.1 本地計(jì)算

用戶在本地計(jì)算的部分任務(wù)即為d0，本地可以處理的最大計(jì)算量為，計(jì)算d0所需時(shí)間為是移動(dòng)用戶的穩(wěn)定處理速度（每秒處理的計(jì)算量）。d0的計(jì)算能耗為， 其中λ0表示移動(dòng)設(shè)備上每CPU周期消耗能量的系數(shù)。

1.3.2 卸載計(jì)算

假設(shè)用戶的卸載任務(wù)從當(dāng)前位置傳輸?shù)筋A(yù)測(cè)位置涉及到N個(gè)服務(wù)器，則用戶卸載的任務(wù)可分為N＋1個(gè)子任務(wù)，由用戶與N個(gè)服務(wù)器協(xié)同處理?？紤]到MEC服務(wù)器的計(jì)算資源有限，劃分到MEC服務(wù)器的子任務(wù)不超過服務(wù)器可以處理的最大計(jì)算量。根據(jù)每個(gè)子任務(wù)各自處理的時(shí)延和能耗，選取一個(gè)使任務(wù)的整體能耗和時(shí)延加權(quán)和最小的劃分比例。子任務(wù)dj選擇在服務(wù)器mi執(zhí)行，服務(wù)器可以處理的最大計(jì)算量為則計(jì)算子任務(wù)dj消耗的時(shí)間為，其中fm是服務(wù)器的穩(wěn)定處理速度。

2 基于位置預(yù)測(cè)的協(xié)同卸載算法

2.1 基于擴(kuò)展卡爾曼濾波的位置預(yù)測(cè)方法

考慮用戶進(jìn)行非線性運(yùn)動(dòng)，k時(shí)刻的真實(shí)狀態(tài)向量可以表示為sk＝［lx，vx，ax，ly，vy，ay］T， 其中l(wèi)x、vx、ax表示二維平面中橫坐標(biāo)方向上的位置、速度、加速度，ly、vy、ay表示二維平面中縱坐標(biāo)方向上的位置、速度、加速度。

經(jīng)過時(shí)間Δt后，用戶移動(dòng)到新的位置，用戶的運(yùn)動(dòng)狀態(tài)可以通過以下運(yùn)動(dòng)方程得到

式中，v＝v0＋a·Δt。

在系統(tǒng)的狀態(tài)空間中，狀態(tài)變量每時(shí)每刻都在變化，可以由狀態(tài)轉(zhuǎn)移方程表示為

式中：sk-1表示k-1時(shí)刻的真實(shí)狀態(tài)向量；f（·）為非線性系統(tǒng)中的狀態(tài)轉(zhuǎn)移函數(shù)；qk是狀態(tài)噪聲，假定均值為0，協(xié)方差矩陣為Qk＝cov（qk），服從正態(tài)分布，即：qk～N（0，Qk）。

系統(tǒng)中狀態(tài)測(cè)量方程是將隱含的真實(shí)狀態(tài)空間映射到測(cè)量空間，表示為

式中：zk為測(cè)量向量，是狀態(tài)向量的映射；h（·）為測(cè)量函數(shù)；rk為狀態(tài)噪聲，假定均值為0，協(xié)方差矩陣為Rk＝cov（rk），服從正態(tài)分布，即：rk～N（0，Rk）。

假設(shè)在每一時(shí)隙中，用戶的運(yùn)動(dòng)狀態(tài)與前一狀態(tài)保持一致，僅在下一狀態(tài)發(fā)生改變。采用擴(kuò)展卡爾曼濾波方法，根據(jù)移動(dòng)用戶當(dāng)前時(shí)刻的狀態(tài)值（速度、加速度），通過預(yù)測(cè)和測(cè)量反饋兩個(gè)步驟，實(shí)現(xiàn)對(duì)用戶未來時(shí)刻位置的預(yù)測(cè)。

（1）線性化系統(tǒng)：利用泰勒級(jí)數(shù)將非線性方程展開，略去高階項(xiàng)，轉(zhuǎn)換成線性系統(tǒng)。

（2）濾波過程：進(jìn)行擴(kuò)展卡爾曼濾波中的預(yù)測(cè)和測(cè)量反饋。如圖2所示，系統(tǒng)初始化后，首先在預(yù)測(cè)階段，通過k-1時(shí)刻的狀態(tài)值計(jì)算k時(shí)刻的預(yù)測(cè)值以及預(yù)測(cè)值和真實(shí)值的誤差協(xié)方差Pk｜k-1；在測(cè)量反饋階段，先計(jì)算卡爾曼增益Kk，并根據(jù)測(cè)量值修正此時(shí)的狀態(tài)值得到，然后計(jì)算估計(jì)值與真實(shí)值之間的誤差協(xié)方差Pk用于下一次遞推，直到狀態(tài)值為最優(yōu)估計(jì)值。

圖2 位置預(yù)測(cè)方法的擴(kuò)展卡爾曼濾波流程圖

2.2 協(xié)同卸載效用函數(shù)及優(yōu)化方法

根據(jù)第1節(jié)中對(duì)系統(tǒng)模型的描述，當(dāng)用戶移動(dòng)到某服務(wù)器的覆蓋區(qū)域時(shí)，可以與該服務(wù)器建立無線連接，并將需要卸載的任務(wù)傳輸?shù)椒?wù)器上。卸載延遲包括4個(gè)部分：上行鏈路通信延遲、回程鏈路延遲、下行鏈路通信延遲和任務(wù)處理延遲。由于回程鏈路延遲遠(yuǎn)小于上行鏈路，且下行鏈路傳輸?shù)臄?shù)據(jù)量遠(yuǎn)小于上行鏈路，所以在分析的時(shí)候忽略了這兩種延遲，只考慮上行鏈路通信延遲和任務(wù)處理延遲。當(dāng)計(jì)算任務(wù)和任務(wù)處理結(jié)果在服務(wù)器間傳輸時(shí)，由于任務(wù)處理結(jié)果數(shù)據(jù)量遠(yuǎn)小于計(jì)算任務(wù)的數(shù)據(jù)量，所以只考慮上行鏈路通信延遲。此外，由于本研究是從用戶的角度考慮能耗和時(shí)延，故服務(wù)器的計(jì)算能耗不包括在內(nèi)。

根據(jù)實(shí)際應(yīng)用分析，優(yōu)化目標(biāo)相當(dāng)于在限制條件的約束下最小化式（14）給出的效用函數(shù)φ（δ），由移動(dòng)用戶做出關(guān)于計(jì)算任務(wù)劃分比例的決策。該問題可以表述為

對(duì)于?i∈［1，N］，C2表示計(jì)算密集型任務(wù)劃分成子任務(wù)的比例，C3表示由移動(dòng)終端處理的子任務(wù)計(jì)算量不超過移動(dòng)終端可處理的最大量，C4表示卸載到MEC服務(wù)器的子任務(wù)計(jì)算量不超過服務(wù)器可處理的最大量。

在本文的優(yōu)化模型中，自變量δ的約束條件為線性等式和線性不等式，系統(tǒng)效用模型為有約束的線性優(yōu)化問題。考慮到單純形法對(duì)變量和約束數(shù)量不多的線性規(guī)劃問題有較好性能，因此將成為前述問題的優(yōu)化求解算法。求解可分為以下3步：（1）求一個(gè)初始基本可行解；（2）檢查該基本可行解是否為最優(yōu)解；（3）若是最優(yōu)解，則為線性優(yōu)化問題的解，若不是最優(yōu)解，則設(shè)法再求一個(gè)不同的基本可行解，并重復(fù)步驟1、2。

首先，為將線性規(guī)劃問題化為標(biāo)準(zhǔn)型，引入松弛變量 δ′0、δ′j、δ″j， 將約束 C3、C4、C5改寫為

其中，CY為非基本變量系數(shù)，CB為基本變量系數(shù)，B為基，Y為非基向量組。如果所有檢驗(yàn)數(shù)大于0，則為最優(yōu)解，否則需要另求一個(gè)不同的基本可行解。

為求得一個(gè)不同的基本可行解，需要選擇一個(gè)在目標(biāo)函數(shù)里系數(shù)為負(fù)的非基本變量δe（入基變量），將δe用基本變量δl（替出變量）表示，然后把δe變?yōu)榛咀兞?，δl變?yōu)榉腔咀兞?。替入變量?duì)應(yīng)的檢驗(yàn)數(shù)是所有檢驗(yàn)數(shù)中最小的。

把已確定的入基變量在各約束方程中的數(shù)除其所在約束方程中的常數(shù)項(xiàng)，把最小比值所在的約束方程中的原基變量確定為替出變量。假設(shè)該比值為θ，則有

換基后，重復(fù)以上步驟，直到當(dāng)前各非基變量的檢驗(yàn)數(shù)大于0，找到最優(yōu)解。通過以上的單純形法對(duì)式（15）進(jìn)行優(yōu)化，得到的結(jié)果在下一節(jié)進(jìn)行仿真分析。

3 仿真結(jié)果與分析

3.1 參數(shù)設(shè)置

本節(jié)將利用仿真對(duì)基于位置預(yù)測(cè)的多MEC服務(wù)器協(xié)同卸載算法進(jìn)行性能評(píng)估。MEC廣泛分布于網(wǎng)絡(luò)邊緣，為了便于研究，仿真場(chǎng)景選取了一個(gè)半徑為200 m的小區(qū)，小區(qū)中設(shè)置了多個(gè)服務(wù)器，分布在不同位置，彼此通過無線回傳鏈路通信。若用戶移動(dòng)進(jìn)入新的小區(qū)，則會(huì)重新啟動(dòng)新小區(qū)的協(xié)同卸載算法。仿真參數(shù)如表1所示。

表1 仿真參數(shù)表

3.2 仿真分析

3.2.1 效用函數(shù)性能仿真分析

仿真中考慮了兩個(gè)對(duì)比算法：對(duì)比算法1［20］是無預(yù)測(cè)的任務(wù)劃分算法，不考慮用戶的移動(dòng)，假設(shè)有兩個(gè)MEC服務(wù)器參與到計(jì)算中；對(duì)比算法2［21］是無預(yù)測(cè)的任務(wù)卸載算法，綜合考慮任務(wù)處理的時(shí)延和能耗，選擇在本地處理計(jì)算任務(wù)或者選擇一個(gè)最優(yōu)服務(wù)器進(jìn)行卸載。

圖3表示了任務(wù)數(shù)據(jù)量對(duì)效用函數(shù)的影響，設(shè)定用戶移動(dòng)初始速度為60 km／h，加速度為2 m／s2，小區(qū)內(nèi)服務(wù)器數(shù)量為20個(gè)。從圖中可以看出，隨著任務(wù)數(shù)據(jù)量的增加，3種算法的效用值都在增加。其中，數(shù)據(jù)量在0到6×108bit時(shí)，3種算法效用值都保持穩(wěn)定增加。對(duì)比算法1在數(shù)據(jù)量達(dá)到6×108bit后明顯增加，而本文所提出的方法一直保持穩(wěn)定較低的效用值，比對(duì)比算法1的效用值低15.29%。這是因?yàn)榭紤]到用戶移動(dòng)后，參與計(jì)算的服務(wù)器數(shù)量隨用戶移動(dòng)距離的增大而變多。相較于對(duì)比算法2，本文算法的效用值平均低33.10%左右，這是因?yàn)楸疚乃惴▽⒂?jì)算任務(wù)優(yōu)先分配給離請(qǐng)求位置較近的若干服務(wù)器，減小了計(jì)算任務(wù)的排隊(duì)時(shí)間，因此有較低的效用值。

圖3 任務(wù)數(shù)據(jù)量對(duì)效用函數(shù)的影響

圖4表示了MEC服務(wù)器計(jì)算資源容量對(duì)效用值的影響，設(shè)定用戶移動(dòng)的初始速度為60 km／h，加速度為2 m／s2，任務(wù)量為 5×108bit，小區(qū)內(nèi) MEC 服務(wù)器數(shù)量為20個(gè)。從圖中可以看出，隨著服務(wù)器計(jì)算資源容量的增加，3種算法的效用值都在減小，且本文算法的效用值一直最低。相較于對(duì)比算法1，本文由多個(gè)服務(wù)器協(xié)同卸載，減小了計(jì)算任務(wù)的傳輸和計(jì)算時(shí)延；而對(duì)比算法2只選擇一個(gè)MEC服務(wù)器處理卸載任務(wù)，當(dāng)服務(wù)器計(jì)算資源容量有限時(shí)，任務(wù)排隊(duì)等待的時(shí)間會(huì)較長(zhǎng)。由此得出，在計(jì)算資源受限時(shí)，本文算法通過靈活選擇多個(gè)MEC服務(wù)器處理計(jì)算任務(wù)，有效降低了任務(wù)處理的時(shí)延和能耗，相較于其他兩種算法優(yōu)勢(shì)較為明顯。

圖4 MEC服務(wù)器計(jì)算資源容量對(duì)效用函數(shù)的影響

3.2.2 位置預(yù)測(cè)成功率仿真分析

為體現(xiàn)位置預(yù)測(cè)成功率的性能，本小節(jié)將文獻(xiàn)［13］提出的算法作為連接對(duì)比算法1，該算法使用了勻速運(yùn)動(dòng)模型，采用卡爾曼濾波方法預(yù)測(cè)用戶的位置，但是沒有考慮實(shí)際情況中用戶運(yùn)動(dòng)加速度對(duì)預(yù)測(cè)結(jié)果的影響；連接對(duì)比算法2是無預(yù)測(cè)的卸載算法，只在用戶請(qǐng)求卸載的位置選擇最近的服務(wù)器卸載。

圖5展示了在服務(wù)器數(shù)量為20個(gè)、加速度為2 m／s2時(shí)，用戶初始速度對(duì)連接成功率的影響。隨著速度的增加，用戶移動(dòng)的距離變長(zhǎng)，但服務(wù)器的覆蓋范圍有限，因此連接的成功率會(huì)降低。本文算法與連接對(duì)比算法的連接成功率也隨速度的增加而拉大差距。在初始速度為10 km／h時(shí)，本文算法連接成功率相較于對(duì)比算法1和對(duì)比算法2差距并不明顯，當(dāng)初始速度提高到100 km／h時(shí)，本文算法連接成功率相較于對(duì)比算法1和對(duì)比算法2分別提高13.06%和35.03%。這是因?yàn)檫B接對(duì)比算法1在預(yù)測(cè)時(shí)沒有考慮到加速度對(duì)位置預(yù)測(cè)的影響，選擇的服務(wù)器與用戶真實(shí)位置較遠(yuǎn)。本文算法選擇的服務(wù)器離用戶真實(shí)位置較近，連接成功率更高；連接對(duì)比算法2選擇的服務(wù)器是相對(duì)于請(qǐng)求服務(wù)位置最近的，用戶移動(dòng)后，連接成功率大大降低。

圖5 用戶初始速度對(duì)連接成功率的影響

圖6表示了用戶移動(dòng)初始速度為60 km／h，加速度為2 m／s2時(shí)，連接成功率隨服務(wù)器數(shù)量的增加而增加。當(dāng)MEC服務(wù)器數(shù)量為5個(gè)時(shí)，本文算法連接成功率為48.41%，隨著服務(wù)器數(shù)量的增加，本文算法連接成功率不斷提高，當(dāng)MEC服務(wù)器數(shù)量為25個(gè)時(shí)，本文算法連接成功率達(dá)到72.5%。這是因?yàn)榉?wù)器的數(shù)量增加使服務(wù)器分布更加密集，用戶與服務(wù)器之間的距離變短，可選擇的服務(wù)器數(shù)量增加。本文算法可以選擇的卸載服務(wù)器數(shù)量較多，連接成功率相較于連接對(duì)比算法更高。

圖6 服務(wù)器數(shù)量對(duì)連接成功率的影響

4 結(jié)束語

在MEC網(wǎng)絡(luò)中服務(wù)器的計(jì)算資源受限的情況下，本文針對(duì)用戶移動(dòng)性帶來的卸載任務(wù)傳輸延遲和能耗較大的問題，通過位置預(yù)測(cè)與任務(wù)劃分相結(jié)合的方法降低了任務(wù)卸載的時(shí)延和能耗。將移動(dòng)用戶和服務(wù)器的總時(shí)延和總能耗作為優(yōu)化目標(biāo)，給出效用函數(shù)模型，提出一種基于位置預(yù)測(cè)的多MEC服務(wù)器協(xié)同卸載算法，將擴(kuò)展卡爾曼濾波和單純形法相結(jié)合對(duì)效用函數(shù)進(jìn)行優(yōu)化。仿真結(jié)果表明，本文算法相較于兩種對(duì)比算法有更低的時(shí)延和能耗，且連接成功率更高。未來的研究中，將考慮小區(qū)中有多個(gè)移動(dòng)用戶競(jìng)爭(zhēng)計(jì)算資源，對(duì)用戶卸載的時(shí)延和能耗進(jìn)行更好的優(yōu)化。