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。
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。
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
1.3.1 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。
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
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。
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
3.2.1 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
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。