摘 要：考慮用戶移動性，特別是在無人機(jī)巡檢場景下，由于多接入邊緣計算（Ｍｕｌｔｉ-ａｃｃｅｓｓ Ｅｄｇｅ Ｃｏｍｐｕｔｉｎｇ，ＭＥＣ）節(jié)點服務(wù)范圍小，大概率發(fā)生任務(wù)遷移。任務(wù)遷移將增加任務(wù)處理的時延和成本。為了降低任務(wù)遷移概率，提出了一種新的ＭＥＣ 組網(wǎng)架構(gòu)———ＭＥＣ ＰＯＯＬ。在此基礎(chǔ)上，構(gòu)建了ＭＥＣ ＰＯＯＬ 組網(wǎng)架構(gòu)下的任務(wù)處理效益模型，將任務(wù)處理效益最優(yōu)問題轉(zhuǎn)換成受限條件下最優(yōu)解問題。為了解決上述最優(yōu)解問題，設(shè)計了一種基于任務(wù)處理效益最優(yōu)的粒子群算法。實驗結(jié)果表明，在發(fā)生任務(wù)遷移的場景下，ＭＥＣ ＰＯＯＬ 組網(wǎng)方案相比ＭＥＣ 傳統(tǒng)組網(wǎng)方案，任務(wù)處理效益和任務(wù)處理時延效益均可提升１０％ 以上。對于多用戶場景，平均任務(wù)處理效益提升８％ 以上，平均任務(wù)處理時延減少１０％ 以上。

關(guān)鍵詞：無人機(jī)巡檢；任務(wù)處理；多接入邊緣計算；新型組網(wǎng)

中圖分類號：ＴＮ９２９ 文獻(xiàn)標(biāo)志碼：Ａ 開放科學(xué)（資源服務(wù)）標(biāo)識碼（ＯＳＩＤ）：

文章編號：１００３－３１０６（２０２４）０７－１６３４－０９

０ 引言

隨著第五代移動通信（５Ｇ）時代的到來，自動駕駛、工業(yè)控制和車聯(lián)網(wǎng)等領(lǐng)域的應(yīng)用需求越來越迫切。為了更好地滿足上述領(lǐng)域低時延、計算復(fù)雜的應(yīng)用，引入了多接入邊緣計算（Ｍｕｌｔｉ-ａｃｃｅｓｓ ＥｄｇｅＣｏｍｐｕｔｉｎｇ，ＭＥＣ）的概念［１－２］。具備一定通信、計算資源的ＭＥＣ 節(jié)點部署在靠近用戶的網(wǎng)絡(luò)邊緣，用戶可以將實時性高、計算復(fù)雜的任務(wù)卸載到附近的ＭＥＣ 節(jié)點，實現(xiàn)任務(wù)的實時處理。文獻(xiàn)［３ －６］的研信號與信息處理究主要集中在綜合考慮ＭＥＣ（邊），用戶終端（端）的通信，計算資源如何將任務(wù)在邊、端進(jìn)行卸載處理，以達(dá)到任務(wù)處理最優(yōu)。當(dāng)考慮用戶移動性時，任務(wù)處理最優(yōu)問題將更加復(fù)雜。例如，在智慧高速中無人機(jī)巡檢場景下，無人機(jī)通過機(jī)載５Ｇ 模組接入５Ｇ 網(wǎng)絡(luò)，與ＭＥＣ 節(jié)點配合完成高清視頻實時回傳、智能視頻分析等功能?？紤]到ＭＥＣ 服務(wù)范圍小，在任務(wù)處理過程中，大概率會發(fā)生任務(wù)遷移，進(jìn)而增加任務(wù)處理時延及成本。針對任務(wù)遷移優(yōu)化問題，總體上有２ 種解決思路。

一種解決思路是通過構(gòu)建模型并利用相關(guān)算法實現(xiàn)最優(yōu)的任務(wù)遷移，來降低任務(wù)處理時延和成本。文獻(xiàn)［７］利用馬爾科夫決策過程、文獻(xiàn)［８ －１２］利用強(qiáng)化學(xué)習(xí)、文獻(xiàn)［１３］利用最短路徑算法、文獻(xiàn)［１４］利用遺傳算法、文獻(xiàn)［１５］利用合作博弈算法、文獻(xiàn)［１６－１７］利用李雅普諾夫優(yōu)化等各種模型、算法來解決任務(wù)遷移優(yōu)化問題。但上述思路未能降低任務(wù)遷移的發(fā)生。另一種解決思路是通過設(shè)計新型網(wǎng)絡(luò)架構(gòu)來降低任務(wù)遷移概率。文獻(xiàn)［１８］提出了一種ＳｈａｒｅｄＭＥＣ 網(wǎng)絡(luò)架構(gòu)。在這個架構(gòu)中，每個基站（Ｂａｓｅ Ｓｔａｔｉｏｎ，ＢＳ）都有一個ＭＥＣ 為其服務(wù)，一群ＢＳ共享ＳｈａｒｅｄＭＥＣ 節(jié)點。當(dāng)發(fā)生任務(wù)遷移時，將任務(wù)遷移到ＳｈａｒｅｄＭＥＣ 節(jié)點上，后續(xù)由ＳｈａｒｅｄＭＥＣ 節(jié)點處理。雖然上述網(wǎng)絡(luò)架構(gòu)降低了任務(wù)遷移概率，但ＳｈａｒｅｄＭＥＣ 網(wǎng)絡(luò)架構(gòu)需要額外新增關(guān)鍵網(wǎng)元ＳｈａｒｅｄＭＥＣ 節(jié)點，不僅增加了系統(tǒng)成本，而且ＳｈａｒｅｄＭＥＣ 節(jié)點一旦故障，將大大降低系統(tǒng)性能。

為了解決現(xiàn)有方案中的上述缺點，針對用戶終端高速移動場景，提出了一種基于ＭＥＣ 新型組網(wǎng)的任務(wù)處理優(yōu)化方案。一方面，降低了任務(wù)遷移概率，進(jìn)而降低任務(wù)處理時延和成本，提升了任務(wù)處理效益；另一方面，提升了ＭＥＣ 組網(wǎng)的魯棒性。本文主要貢獻(xiàn)包括以下３ 點：

① 首次提出了一種ＭＥＣ 新型組網(wǎng)架構(gòu)。多個ＭＥＣ 組成一個ＭＥＣ 池（ＭＥＣ ＰＯＯＬ）。用戶終端與ＭＥＣ ＰＯＯＬ 區(qū)域內(nèi)所有ＭＥＣ 互聯(lián)，ＭＥＣ ＰＯＯＬ 區(qū)域內(nèi)所有ＭＥＣ 的服務(wù)區(qū)域之和是ＭＥＣ ＰＯＯＬ 的服務(wù)區(qū)域。用戶終端在ＭＥＣ ＰＯＯＬ 服務(wù)區(qū)域內(nèi)移動時，不會更改為其服務(wù)的ＭＥＣ，降低了任務(wù)遷移概率，進(jìn)而提升了任務(wù)處理效益。此外，當(dāng)ＭＥＣ ＰＯＯＬ 區(qū)域內(nèi)某ＭＥＣ 宕掉后，其他的ＭＥＣ 可以接管繼續(xù)為原用戶終端提供服務(wù)，提升了ＭＥＣ 組網(wǎng)的魯棒性。

② 分３ 類場景提出了ＭＥＣ ＰＯＯＬ 組網(wǎng)架構(gòu)下任務(wù)處理流程，并在資源受限情況下，綜合考慮通信、計算和能耗等因素，搭建了ＭＥＣ ＰＯＯＬ 組網(wǎng)架構(gòu)下任務(wù)處理時延、能耗、成本及效益模型。

③ 設(shè)計了一種基于系統(tǒng)效益最優(yōu)的任務(wù)處理方案，并揭示了ＭＥＣ ＰＯＯＬ 組網(wǎng)架構(gòu)下任務(wù)處理的規(guī)律。

實驗結(jié)果表明，在發(fā)生任務(wù)遷移的情況下，本文設(shè)計的ＭＥＣ ＰＯＯＬ 組網(wǎng)方案的任務(wù)處理效益相比傳統(tǒng)組網(wǎng)方案的任務(wù)處理效益可以提升１０％ 以上。對于多用戶場景，平均任務(wù)處理效益提升８％ 以上，平均任務(wù)處理時延減少１０％ 以上。

１ ＭＥＣ 新型組網(wǎng)架構(gòu)

以智慧高速中無人機(jī)巡檢為例，ＭＥＣ 新型組網(wǎng)架構(gòu)如圖１ （ａ）所示。３ 個ＭＥＣ 組成一個ＭＥＣＰＯＯＬ，無人機(jī)通過５Ｇ 新空口（Ｎｅｗ Ｒａｄｉｏ，ＮＲ）與ＭＥＣ ＰＯＯＬ 區(qū)域內(nèi)所有ＭＥＣ 互聯(lián)。無人機(jī)在ＭＥＣＰＯＯＬ 的服務(wù)區(qū)域內(nèi)移動時，不會更改為其服務(wù)的ＭＥＣ。例如，根據(jù)任務(wù)卸載策略，無人機(jī)通過ＮＲ１將任務(wù)卸載到ＭＥＣ１ 進(jìn)行處理。在任務(wù)處理過程中，無人機(jī)運動到ＮＲ２ 覆蓋區(qū)域。任務(wù)還可以繼續(xù)由ＭＥＣ１ 進(jìn)行處理，處理后的結(jié)果通過ＮＲ２ 回傳給無人機(jī)。而在傳統(tǒng)ＭＥＣ 組網(wǎng)架構(gòu)下，如圖１（ｂ）所示，將發(fā)生任務(wù)遷移，任務(wù)將從ＭＥＣ１ 遷移到ＭＥＣ２進(jìn)行處理，進(jìn)而增加了任務(wù)處理時延和成本。此外，當(dāng)ＭＥＣ ＰＯＯＬ 區(qū)域內(nèi)某ＭＥＣ 宕掉后，其他的ＭＥＣ可以接管繼續(xù)為原無人機(jī)提供服務(wù)，提升了ＭＥＣ 組網(wǎng)的魯棒性。

２ ＭＥＣ 新型組網(wǎng)架構(gòu)下任務(wù)處理流程

ＭＥＣ ＰＯＯＬ 組網(wǎng)架構(gòu)下任務(wù)處理分為３ 類場景，以智慧高速中無人機(jī)巡檢為例，具體任務(wù)處理流程如圖２ 所示。為無人機(jī)服務(wù)的ＭＥＣ 為ＭＥＣｉ，無人機(jī)需要處理的任務(wù)量為Ａ。

對于場景一，無人機(jī)將任務(wù)量Ｂ（Ｂ＜Ａ）卸載到ＭＥＣｉ 后，由于高速移動，無人機(jī)發(fā)生ＮＲ 切換。但基于ＭＥＣ ＰＯＯＬ 組網(wǎng)，無人機(jī)切換后仍由ＭＥＣｉ 為其服務(wù)。無人機(jī)需要將剩余任務(wù)量（Ａ－Ｂ）卸載給ＭＥＣｉ，由ＭＥＣｉ 處理任務(wù)并將任務(wù)處理結(jié)果回傳給無人機(jī)，如圖２（ａ）所示。

對于場景二，無人機(jī)將任務(wù)量Ａ 卸載到ＭＥＣｉ，ＭＥＣｉ 處理完成任務(wù)量Ｃ（Ｃ＜Ａ）后，無人機(jī)發(fā)生ＮＲ切換?；冢停牛?ＰＯＯＬ 組網(wǎng)，無人機(jī)切換后仍由ＭＥＣｉ 為其服務(wù)。ＭＥＣｉ 將繼續(xù)處理未完成的任務(wù)并將任務(wù)處理結(jié)果回傳給無人機(jī)。需說明，圖２（ｂ）中所示的３（ａ）、３（ｂ）兩個步驟在時間上是并行。

對于場景三，在任務(wù)處理過程中均未發(fā)生ＮＲ切換，如圖２（ｃ）所示。

３ 任務(wù)處理優(yōu)化方案

為了更好地降低任務(wù)處理時延和成本，需要基于ＭＥＣ、無人機(jī)的通信、計算資源，綜合考慮任務(wù)處理的時延、能耗和成本對任務(wù)處理進(jìn)行優(yōu)化。本節(jié)基于前述ＭＥＣ ＰＯＯＬ 組網(wǎng)架構(gòu)下任務(wù)處理流程，對任務(wù)處理時延、能耗、成本及效益進(jìn)行分析建模。

３． １ 任務(wù)處理時延

任務(wù)處理時延包含任務(wù)通信時延、任務(wù)計算時延和任務(wù)遷移時延。

① 任務(wù)通信時延

基于上述任務(wù)處理流程，無人機(jī)與ＭＥＣｉ 之間任務(wù)通信時延Ｔｃｏｍｉ （ｘｉ，Ｔｃｔｉ ）表示為：

式中：ｘｉ 表示無人機(jī)需要卸載到ＭＥＣｉ 進(jìn)行處理的任務(wù)量，Ｔｃｔｉ 表示無人機(jī)與ＭＥＣｉ 的連接時間，ＶｕＲｉ 表示無人機(jī)切換前與ＭＥＣｉ 上行鏈路傳輸速率，ＶｕＲＨ 表示無人機(jī)切換后與ＭＥＣｉ 上行鏈路傳輸速率，ＶｄＲＨ 表示無人機(jī)切換后與ＭＥＣｉ 下行鏈路傳輸速率，ρｘｉ 表示任務(wù)ｘｉ 的計算處理結(jié)果，ＶｄＲｉ 表示無人機(jī)切換前與ＭＥＣｉ 下行鏈路傳輸速率，Ｔｒｅｃｖｉ （ｘｉ ）表示任務(wù)量ｘｉ卸載到ＭＥＣｉ 的傳輸時間。

Ｔｒｅｃｖｉ （ｘｉ） ＝ ｘｉ／ＶｕＲｉ。（２）

Ｔｐｒｏｃｉ （ｘｉ ）為任務(wù)量ｘｉ 在ＭＥＣｉ 的計算時間，表示為：

Ｔｐｒｏｃｉ （ｘｉ） ＝ ｘｉ／ＶＣｉ， （３）

式中：ＶＣｉ 為ＭＥＣｉ 的計算速率。

Ｔｓｅｎｄｉ （ｘｉ）為任務(wù)ｘｉ 的計算結(jié)果ρｘｉ 從ＭＥＣｉ 回傳到無人機(jī)的傳輸時間，表示為：

Ｔｓｅｎｄｉ （ｘｉ） ＝ ρｘｉ／ＶｄＲｉ。（４）

② 任務(wù)計算時延

任務(wù)計算時延包含ＭＥＣｉ 計算時延和無人機(jī)計算時延。

ＭＥＣｉ 計算時延表示為：

Ｔｃｏｍｐｉ （ｘｉ，Ｔｃｔｉ ） ＝ ｘｉ／ＶＣｉ。（５）

無人機(jī)計算時延表示為：

Ｔｃｏｍｐｌ （ｘｉ） ＝ （Ｗ － ｘｉ）／ＶＣｌ， （６）

式中：Ｗ 為需要處理的任務(wù)總量，ＶＣｌ 為無人機(jī)計算速率。

③ 任務(wù)遷移時延

在ＭＥＣ ＰＯＯＬ 組網(wǎng)架構(gòu)下不會發(fā)生任務(wù)遷移，僅發(fā)生無人機(jī)ＮＲ 切換，則任務(wù)遷移時延表示為：

Ｔｍｉｇｉ ＝ ＴＨＯ ， （７）

式中：ＴＨＯ 為無人機(jī)ＮＲ 切換時延。

根據(jù)上述任務(wù)通信時延、計算時延和遷移時延，任務(wù)處理時延表示為：

式中：Ｔ１ 為圖２（ｂ）場景二的任務(wù)處理時延，考慮了圖２（ｂ）中所示的３（ａ）、３（ｂ）兩個步驟在時間上是并行；Ｔ２ 為其他場景下的任務(wù)處理時延。

具體地：

３． ２ 任務(wù)處理能耗

任務(wù)處理能耗包含無人機(jī)計算能耗、任務(wù)傳輸能耗和ＭＥＣ 計算能耗。

① 無人機(jī)計算能耗

無人機(jī)計算能耗表示為：

Ｅｌｏｃａｌｉ （ｘｉ） ＝ （Ｗ － ｘｉ）ＰＣｌ， （１１）

式中：ＰＣｌ 為無人機(jī)計算單比特能耗。

② 任務(wù)傳輸能耗

任務(wù)傳輸能耗表示為：

Ｅｔｒａｎｉ （ｘｉ，Ｔｃｔｉ ） ＝ ＰＲｌ（ｘｉ ＋ ρｘｉ）， （１２）

式中：ＰＲｌ 為無人機(jī)發(fā)送／ 接收單比特能耗。

根據(jù)無人機(jī)計算能耗和任務(wù)傳輸能耗可以得到任務(wù)處理中無人機(jī)能耗為：

Ｅｌ（ｘｉ，Ｔｃｔｉ ） ＝ Ｅｌｏｃａｌｉ （ｘｉ）＋ Ｅｔｒａｎｉ （ｘｉ，Ｔｃｔｉ ）。（１３）

③ ＭＥＣ 計算能耗

ＭＥＣｉ 計算能耗表示為：

ＥｃｏｍｐＭＥＣｉ（ｘｉ，Ｔｃｔｉ ） ＝ ＰＣｉ Ｔｃｏｍｐｉ （ｘｉ，Ｔｃｔｉ ）， （１４）

式中：ＰＣｉ 為ＭＥＣｉ 單位時間計算能耗?；谏鲜鋈矫婺芎模蝿?wù)處理能耗表示為：

Ｅ（ｘｉ，Ｔｃｔｉ ） ＝ Ｅｌｏｃａｌｉ （ｘｉ）＋ Ｅｔｒａｎｉ （ｘｉ，Ｔｃｔｉ ）＋ ＥｃｏｍｐＭＥＣｉ（ｘｉ，Ｔｃｔｉ ）。（１５）

３． ３ 任務(wù)處理成本

任務(wù)處理成本包括通信成本、計算成本、遷移成本、能耗成本和空閑成本。

① 通信成本

通信成本表示為：

Ｃｃｏｍｉ （ｘｉ，Ｔｃｔｉ ） ＝ α［Ｔｃｏｍｉ （ｘｉ，Ｔｃｔｉ ）］， （１６）

式中：α 為單位時間的通信成本。

② 計算成本

計算成本表示為：

Ｃｃｏｍｐｉ （ｘｉ，Ｔｃｔｉ ） ＝ β［Ｔｃｏｍｐｉ （ｘｉ，Ｔｃｔｉ ）＋ Ｔｃｏｍｐｌ （ｘｉ）］， （１７）

式中：β 為單位時間的計算成本。

③ 遷移成本

遷移成本表示為：

Ｃｍｉｇｉ ＝ γＴｍｉｇｉ ， （１８）

式中：γ 為單位時間的遷移成本。

④ 能耗成本

能耗成本表示為：

Ｃｅｉ（ｘｉ，Ｔｃｔｉ ） ＝ ε［Ｅｌｏｃａｌｉ （ｘｉ）＋ Ｅｔｒａｎｉ （ｘｉ，Ｔｃｔｉ ）＋ ＥｃｏｍｐＭＥＣｉ（ｘｉ，Ｔｃｔｉ ）］，（１９）

式中：ε 為單位能耗的成本。

⑤ 空閑成本

當(dāng)ＭＥＣｉ 已經(jīng)將任務(wù)處理結(jié)果全部回傳給無人機(jī)但仍與無人機(jī)連接時，將會影響其他無人機(jī)的接入。因此，空閑成本表示為：

Ｃｉｄｌｅｉ （ｘｉ，Ｔｃｔｉ ） ＝ δＴｉｄｌｅｉ （ｘｉ，Ｔｃｔｉ ）， （２０）

式中：δ 為單位時間的空閑成本，Ｔｉｄｌｅｉ （ｘｉ，Ｔｃｔｉ ）為空閑時間。

式中：Ｔｔｏｔａｌｉ （ｘｉ）為ＭＥＣｉ 處理任務(wù)量ｘｉ 所需時間。

Ｔｔｏｔａｌｉ （ｘｉ） ＝ Ｔｒｅｃｖｉ （ｘｉ）＋ Ｔｐｒｏｃｉ （ｘｉ）＋ Ｔｓｅｎｄｉ （ｘｉ）。（２２）

３． ４ 任務(wù)處理效益

任務(wù)處理效益定義為：相比無人機(jī)獨立處理任務(wù)，由ＭＥＣ 和無人機(jī)協(xié)同處理任務(wù)時降低的任務(wù)處理成本。任務(wù)處理效益包括任務(wù)處理時延效益和任務(wù)處理能耗效益。任務(wù)處理時延效益表示為：

Ｑｃｉ（ｘｉ，Ｔｃｔｉ ） ＝ β ＷＶＣｌ－ Ｃｃｏｍｉ （ｘｉ，Ｔｃｔｉ ）－ Ｃｃｏｍｐｉ （ｘｉ，Ｔｃｔｉ ）－Ｃｍｉｇｉ － Ｃｉｄｌｅｉ （ｘｉ，Ｔｃｔｉ ）。（２３）

任務(wù)處理能耗效益表示為：

Ｑｅｉ（ｘｉ，Ｔｃｔｉ ） ＝ εＷＰＣｌ － Ｃｅｉ（ｘｉ，Ｔｃｔｉ ）。（２４）

任務(wù)處理效益Ｚｉ，ｊ（ｘｉ，Ｔｃｔｉ ）表示為：

Ｚｉ，ｊ（ｘｉ，Ｔｃｔｉ ） ＝ ηｉ Ｑｃｉ（ｘｉ，Ｔｃｔｉ ）＋ ηｊ Ｑｅｉ（ｘｉ，Ｔｃｔｉ ）， （２５）

式中：ηｉ 與任務(wù)處理優(yōu)先級有關(guān)，任務(wù)處理優(yōu)先級越高，則ηｉ 取值越大；ηｊ 與系統(tǒng)剩余能量有關(guān)，系統(tǒng)剩余能量越多，則ηｊ 取值越小，相應(yīng)的ηｉ 取值越大。

３． ５ 優(yōu)化問題構(gòu)建

基于上述模型，任務(wù)處理優(yōu)化問題可以轉(zhuǎn)換為在考慮任務(wù)處理時延、無人機(jī)能耗限制的情況下，最大化任務(wù)處理效益。轉(zhuǎn)換后的優(yōu)化問題可以表示為：

式中：Ｄｍ 為任務(wù)完成最大持續(xù)時間，ＥｔｈＵＥ 為無人機(jī)能耗閾值。

４ 基于任務(wù)處理效益最優(yōu)的粒子群算法

本文將任務(wù)處理效益最優(yōu)轉(zhuǎn)化成多目標(biāo)受限條件下最優(yōu)解的問題。為了解決上述混合整數(shù)非線性規(guī)劃問題，引入粒子群算法來進(jìn)行優(yōu)化。每個粒子都通過式（２５）計算各自的適應(yīng)度，然后粒子們追隨當(dāng)前的最優(yōu)粒子在解空間中進(jìn)行搜索?；谌蝿?wù)處理效益最優(yōu)的粒子群算法如算法１ 所示。

算法中，Ｐｂｅｓｔ 為單個粒子最優(yōu)值，Ｇｂｅｓｔ 為粒子群最優(yōu)值，ｋｍａｘ 為循環(huán)次數(shù)。

５ 結(jié)果評估

圖１（ａ）作為實驗場景，實驗中各參數(shù)設(shè)置如下：無人機(jī)需要處理的任務(wù)量為２５０ Ｍｂ，任務(wù)完成截止時間為７０ ｓ，無人機(jī)與ＭＥＣ 連接時間為１５ ｓ，無人機(jī)能耗閾值為１００ Ｊ。ＭＥＣ１、ＭＥＣ２、ＭＥＣ３ 的計算能力、通信速率及計算功耗依次降低。本實驗中的其他參數(shù)參考文獻(xiàn)［１９－２０］進(jìn)行設(shè)置。

任務(wù)處理性能隨卸載任務(wù)量變化情況如圖３ 所示。當(dāng)卸載量小于１１０ Ｍｂ 時，任務(wù)處理時延大于任務(wù)完成最大持續(xù)時間，故未在圖３ 中體現(xiàn)。

從圖３ 可以看出，任務(wù)處理效益隨著卸載任務(wù)量的增加而增加，無人機(jī)能耗、任務(wù)處理能耗隨著卸載任務(wù)量的增加而降低，體現(xiàn)了端、邊協(xié)同的優(yōu)勢。而對于任務(wù)處理時延，隨著卸載任務(wù)量的增加先下降后上升。原因如下：考慮到無人機(jī)任務(wù)處理和ＭＥＣ 任務(wù)處理是并行的，在任務(wù)卸載量小于１９０ Ｍｂ時，無人機(jī)任務(wù)處理時延大于ＭＥＣ 任務(wù)處理時延，任務(wù)處理時延由無人機(jī)任務(wù)處理時延決定，故任務(wù)處理時延隨卸載任務(wù)量增加而降低。當(dāng)任務(wù)卸載量超過１９０ Ｍｂ 時，ＭＥＣ 任務(wù)處理時延將超過無人機(jī)任務(wù)處理時延，任務(wù)處理時延由ＭＥＣ 任務(wù)處理時延決定，故任務(wù)處理時延隨著卸載任務(wù)量的增加而增加。

雖然任務(wù)處理時延在卸載任務(wù)量為１９０ Ｍｂ 時最小，但無人機(jī)能耗、任務(wù)處理能耗相比卸載任務(wù)量為２５０ Ｍｂ 時較大，故任務(wù)處理效益不是最高。卸載任務(wù)量為１９０、２５０ Ｍｂ 時，任務(wù)處理效益、任務(wù)處理能耗、任務(wù)處理時延及無人機(jī)能耗對比如圖４ 所示。從上述對比看出，當(dāng)任務(wù)完成截止時間較小時，需要在任務(wù)處理時延和任務(wù)處理效益之間進(jìn)行權(quán)衡。如果任務(wù)完成截止時間不超３５ ｓ，則任務(wù)卸載量為２００ Ｍｂ 時，在滿足任務(wù)處理時延的同時，任務(wù)處理效益最高。

任務(wù)處理效益、時延效益隨任務(wù)量變化情況如圖５ 所示。其中，連接時間為１５ ｓ。從圖５（ａ）可以看出，在相同的任務(wù)量下，本文提出的ＭＥＣ ＰＯＯＬ組網(wǎng)方案的任務(wù)處理效益高于ＭＥＣ 傳統(tǒng)組網(wǎng)方案。當(dāng)任務(wù)量小于１００ Ｍｂ 時（對應(yīng)圖２ 中場景三），由于ＭＥＣ 傳統(tǒng)組網(wǎng)方案中不會發(fā)生任務(wù)遷移，因此上述２ 種組網(wǎng)方案的任務(wù)處理效益沒有差異。當(dāng)任務(wù)量在１００ ～ ２３０ Ｍｂ 時（對應(yīng)圖２ 中場景二），ＭＥＣ 傳統(tǒng)組網(wǎng)方案中會發(fā)生任務(wù)遷移，但遷移的是任務(wù)處理或部分處理的結(jié)果。由于上述遷移量較小，２ 種方案的任務(wù)處理效益相差不大。當(dāng)任務(wù)量大于２３０ Ｍｂ（對應(yīng)圖２ 中場景一）時，ＭＥＣ 傳統(tǒng)組網(wǎng)方案將發(fā)生大量的任務(wù)遷移，因此２ 種方案的任務(wù)處理效益差異較大。在場景一發(fā)生任務(wù)遷移情況下，本文提出的ＭＥＣ ＰＯＯＬ 組網(wǎng)方案的任務(wù)處理效益比ＭＥＣ 傳統(tǒng)組網(wǎng)方案提升６％ ～ １１％ 。任務(wù)處理時延效益隨任務(wù)量的變化如圖５（ｂ）所示。２ 種組網(wǎng)方案的任務(wù)處理時延效益變化趨勢與任務(wù)處理效益的變化趨勢相似。相比ＭＥＣ 傳統(tǒng)組網(wǎng)方案，在場景一發(fā)生任務(wù)遷移情況下，本文提出的ＭＥＣ ＰＯＯＬ 組網(wǎng)方案的任務(wù)處理時延效益提升７％ ～ １１％ 。

任務(wù)處理效益、時延效益隨連接時間變化情況如圖６ 所示。其中，處理任務(wù)量為２５０ Ｍｂ。從圖６（ａ）可以看出，本文提出的ＭＥＣ ＰＯＯＬ 組網(wǎng)方案的任務(wù)處理效益高于ＭＥＣ 傳統(tǒng)組網(wǎng)方案。當(dāng)連接時間小于１５ ｓ（對應(yīng)圖２ 中場景一）時，ＭＥＣ 傳統(tǒng)組網(wǎng)方案將發(fā)生大量任務(wù)遷移，因此２ 種方案的任務(wù)處理效益差異很大。當(dāng)連接時間在２０ ～ ４０ ｓ 時（對應(yīng)圖２ 中場景二），ＭＥＣ 傳統(tǒng)組網(wǎng)方案中會發(fā)生任務(wù)遷移，但遷移是任務(wù)處理或部分處理的結(jié)果，２ 種方案的任務(wù)處理效益相差不大。當(dāng)連接時間大于４０ ｓ 時（對應(yīng)圖２ 中場景三），由于ＭＥＣ 傳統(tǒng)組網(wǎng)方案中沒有任務(wù)遷移，因此上述２ 種方案的任務(wù)處理效益沒有差異。在場景一發(fā)生任務(wù)遷移情況下，本文提出的ＭＥＣ ＰＯＯＬ 組網(wǎng)方案的任務(wù)處理效益比ＭＥＣ 傳統(tǒng)組網(wǎng)方案提升５％ ～ １１％ 。任務(wù)處理時延效益隨連接時間的變化如圖６ （ｂ）所示。２ 種組網(wǎng)方案的任務(wù)處理時延效益變化趨勢與任務(wù)處理效益的變化趨勢相似。在場景一發(fā)生任務(wù)遷移情況下，本文提出的ＭＥＣ ＰＯＯＬ 組網(wǎng)方案的任務(wù)處理時延效益比ＭＥＣ 傳統(tǒng)組網(wǎng)方案提升５％ ～ １２％ 。

任務(wù)處理效益隨任務(wù)量和連接時間的變化情況如圖７ 所示。當(dāng)任務(wù)量較小時，由于空閑成本導(dǎo)致任務(wù)處理效益隨著連接時間的增加而降低。當(dāng)任務(wù)量較大時，任務(wù)處理效益不會隨著連接時間而變化。當(dāng)連接時間較小時，任務(wù)處理效益會隨著任務(wù)量的增加而增加。當(dāng)連接時間較大時，隨著任務(wù)量的增加，空閑成本逐漸消失，導(dǎo)致任務(wù)處理效益隨著任務(wù)量的增加而快速增加。上述變化趨勢與圖５ 和圖６完全吻合。

多用戶場景下ＭＥＣ ＰＯＯＬ 組網(wǎng)和ＭＥＣ 傳統(tǒng)組網(wǎng)的任務(wù)處理效益對比如圖８ 所示。待處理的任務(wù)量在２００ ～ ５００ Ｍｂ 隨機(jī)取值。連接時間在１０ ～ ２０ ｓ隨機(jī)取值。盡管２ 種ＭＥＣ 組網(wǎng)方案的平均任務(wù)處理效益都隨著用戶數(shù)量的變化而波動，但平均任務(wù)處理效益的標(biāo)準(zhǔn)差小于２． ５。與ＭＥＣ 傳統(tǒng)組網(wǎng)方案相比，在多用戶場景下，本文提出的ＭＥＣ ＰＯＯＬ組網(wǎng)方案的平均任務(wù)處理效益提升８％ 以上。

多用戶場景下ＭＥＣ ＰＯＯＬ 組網(wǎng)和ＭＥＣ 傳統(tǒng)組網(wǎng)的平均任務(wù)處理時延對比如圖９ 所示。與平均任務(wù)處理效益類似，盡管２ 種ＭＥＣ 組網(wǎng)方案的平均任務(wù)處理時延都隨著用戶數(shù)量的變化而波動，但平均任務(wù)處理時延的標(biāo)準(zhǔn)差小于２． １。在多用戶場景下，本文提出的ＭＥＣ ＰＯＯＬ 組網(wǎng)方案與ＭＥＣ 傳統(tǒng)組網(wǎng)方案相比，平均任務(wù)處理時延減少１０％ 以上。主要原因是在本文提出的ＭＥＣ ＰＯＯＬ 組網(wǎng)方案中，不會發(fā)生任務(wù)遷移。

此外，從圖８ 和圖９ 可以看出，平均任務(wù)處理效益和平均任務(wù)處理時延隨用戶數(shù)變化趨勢相似，主要原因是高的平均任務(wù)處理時延意味著要處理的平均任務(wù)量大，相應(yīng)的平均任務(wù)處理效益也大。

６ 結(jié)束語

針對智慧高速中無人機(jī)巡檢場景，為了降低任務(wù)遷移概率，提出了一種新的網(wǎng)絡(luò)架構(gòu)，即ＭＥＣＰＯＯＬ 架構(gòu)。基于上述組網(wǎng)架構(gòu)，分３ 類場景提出了任務(wù)處理流程。在資源受限情況下，綜合考慮連接時間、任務(wù)量、通信資源、計算資源和能耗等因素，搭建了ＭＥＣ ＰＯＯＬ 組網(wǎng)架構(gòu)下任務(wù)處理時延、能耗、成本及效益模型。設(shè)計了一種基于系統(tǒng)效益最優(yōu)的任務(wù)處理優(yōu)化方案，并揭示了ＭＥＣ ＰＯＯＬ 組網(wǎng)架構(gòu)下任務(wù)處理規(guī)律。此外，為了解決上述多目標(biāo)受限條件下最優(yōu)解問題，設(shè)計了基于任務(wù)處理效益最優(yōu)的粒子群算法，給出最優(yōu)的任務(wù)卸載策略。實驗結(jié)果表明，在一定的連接時間下，任務(wù)處理效益隨著卸載任務(wù)量的增加而增加，無人機(jī)能耗隨著卸載量的增加而降低。而對于實時性要求高的任務(wù)，需要在任務(wù)處理時延和任務(wù)處理效益之間進(jìn)行權(quán)衡。在發(fā)生任務(wù)遷移場景下，本文提出的ＭＥＣ ＰＯＯＬ 組網(wǎng)方案相比ＭＥＣ 傳統(tǒng)組網(wǎng)方案，任務(wù)處理效益和任務(wù)處理時延效益提升均可達(dá)１０％ 以上。對于多用戶場景，本文提出的ＭＥＣ ＰＯＯＬ 組網(wǎng)方案相比ＭＥＣ傳統(tǒng)組網(wǎng)方案，平均任務(wù)處理效益提升８％ 以上，平均任務(wù)處理時延減少１０％ 以上。

參考文獻(xiàn)

［１］ ＹＵＡＮ Ｈ Ｔ，ＢＩ Ｊ，ＴＡＮ Ｗ，ｅｔ ａｌ． Ｔｅｍｐｏｒａｌ Ｔａｓｋ Ｓｃｈｅｄｕｌｉｎｇｗｉｔｈ Ｃｏｎｓｔｒａｉｎｅｄ Ｓｅｒｖｉｃｅ Ｄｅｌａｙ ｆｏｒ Ｐｒｏｆｉｔ Ｍａｘｉｍｉｚａｔｉｏｎ ｉｎＨｙｂｒｉｄ Ｃｌｏｕｄｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ａｕｔｏｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１７，１４（１）：３３７－３４８．

［２］ ＷＡＮＧ Ｙ，ＬＩＵ Ｍ，ＹＡＮＧ Ｊ，ｅｔ ａｌ． Ｄａｔａｄｒｉｖｅｎ ＤｅｅｐＬｅａｒｎｉｎｇ ｆｏｒ Ａｕｔｏｍａｔｉｃ Ｍｏｄｕｌａｔｉｏｎ Ｒｅｃｏｇｎｉｔｉｏｎ ｉｎＣｏｇｎｉｔｉｖｅ Ｒａｄｉｏｓ ［Ｊ ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ＶｅｈｉｃｕｌａｒＴｅｃｈｎｏｌｏｇｙ，２０１９，６８（４）：４０７４－４０７７．

［３］ ＲＥＮ Ｊ Ｋ，ＹＵ Ｇ Ｄ，ＨＥ Ｙ Ｈ，ｅｔ ａｌ． Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｃｌｏｕｄ ａｎｄＥｄｇｅ Ｃｏｍｐｕｔｉｎｇ ｆｏｒ Ｌａｔｅｎｃｙ Ｍｉｎｉｍｉｚａｔｉｏｎ ［Ｊ ］． ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｖｅｈｉｃｕｌａｒ Ｔｅｃｈｎｏｌｏｇｙ，２０１９，６８ （５ ）：５０３１－５０４４．

［４］ ＫＩＲＡＮ Ｎ，ＰＡＮ Ｃ Ｙ，ＷＡＮＧ Ｓ Ｈ，ｅｔ ａｌ． Ｊｏｉｎｔ Ｒｅｓｏｕｒｃｅ Ａｌｌｏｃａｔｉｏｎ ａｎｄ Ｃｏｍｐｕｔａｔｉｏｎ Ｏｆｆｌｏａｄｉｎｇ ｉｎ Ｍｏｂｉｌｅ Ｅｄｇｅ Ｃｏｍｐｕｔｉｎｇ ｆｏｒ ＳＤＮ Ｂａｓｅｄ Ｗｉｒｅｌｅｓｓ Ｎｅｔｗｏｒｋｓ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆＣｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄ Ｎｅｔｗｏｒｋｓ，２０２０，２（１）：１－１１．

［５］ ＺＥＮＧ Ｓ，ＨＵＡＮＧ Ｘ Ｈ，ＬＩ Ｄ Ｄ． Ｊｏｉｎｔ Ｃｏｍｍｕｎｉｃａｔｉｏｎ ａｎｄＣｏｍｐｕｔａｔｉｏｎ Ｃｏｏｐｅｒａｔｉｏｎ ｉｎ Ｗｉｒｅｌｅｓｓｐｏｗｅｒｅｄ ＭｏｂｉｌｅｅｄｇｅＣｏｍｐｕｔｉｎｇ Ｎｅｔｗｏｒｋｓ ｗｉｔｈ ＮＯＭＡ ［Ｊ］． ＩＥＥＥ Ｉｎｔｅｒｎｅｔ ｏｆＴｈｉｎｇｓ，２０２３，１０（１１）：９８４９－９８６２．

［６］ 徐昌彪，劉楊，劉遠(yuǎn)祥，等． 基于多重指標(biāo)的ＭＥＣ 服務(wù)器選擇方案［Ｊ］． 重慶郵電大學(xué)學(xué)報（自然科學(xué)版），２０２０，３２（３）：３２９－３３５．

［７］ ＹＡＮＧ Ｇ Ｓ，ＨＯＵ Ｌ，ＨＥ Ｘ Ｙ，ｅｔ ａｌ． Ｏｆｆｌｏａｄｉｎｇ Ｔｉｍｅ Ｏｐｔｉｍｉｚａｔｉｏｎ ｖｉａ Ｍａｒｋｏｖ Ｄｅｃｉｓｉｏｎ Ｐｒｏｃｅｓｓ ｉｎ Ｍｏｂｉｌｅｅｄｇｅ Ｃｏｍｐｕｔｉｎｇ ［Ｊ ］． ＩＥＥＥ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ，２０２１，８ （４ ）：２４８３－２４９３．

［８］ ＣＨＥＮ Ｘ，ＬＩＵ Ｇ Ｚ． Ｊｏｉｎｔ Ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ Ｔａｓｋ Ｏｆｆｌｏａｄｉｎｇ ａｎｄＲｅｓｏｕｒｃｅ Ａｌｌｏｃａｔｉｏｎ ｖｉａ Ｄｅｅｐ Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ ｆｏｒＡｕｇｍｅｎｔｅｄ Ｒｅａｌｉｔｙ ｉｎ Ｍｏｂｉｌｅ Ｅｄｇｅ Ｎｅｔｗｏｒｋ ［Ｃ］∥ ２０２０ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｅｄｇｅ Ｃｏｍｐｕｔｉｎｇ（ＥＤＧＥ）．Ｂｅｉｊｉｎｇ：ＩＥＥＥ，２０２０：７６－８２．

［９］ ＸＵ Ｊ Ｗ，ＬＩＵ Ｘ，ＺＨＵ Ｘ Ｒ． Ｄｅｅｐ Ｒｅｉｎｆｏｒｃｅｍｅｎｔ ＬｅａｒｎｉｎｇＢａｓｅｄ Ｃｏｍｐｕｔｉｎｇ Ｏｆｆｌｏａｄｉｎｇ ａｎｄ Ｒｅｓｏｕｒｃｅ Ａｌｌｏｃａｔｉｏｎ Ａｌｇｏｒｉｔｈｍ ｆｏｒ Ｍｏｂｉｌｅ Ｅｄｇｅ Ｎｅｔｗｏｒｋｓ［Ｃ］∥２０２０ ＩＥＥＥ ６ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ（ＩＣＣＣ）． Ｃｈｅｎｇｄｕ：ＩＥＥＥ，２０２０：１５４２－１５４７．

［１０］ ＷＵ Ｚ Ｙ，ＹＡＮ Ｄ Ｆ． Ｄｅｅｐ Ｒｅｉｎｆｏｒｃｅｍｅｎｔ ＬｅａｒｎｉｎｇｂａｓｅｄＣｏｍｐｕｔａｔｉｏｎ Ｏｆｆｌｏａｄｉｎｇ ｆｏｒ ５Ｇ Ｖｅｈｉｃｌｅａｗａｒｅ ＭｕｌｔｉａｃｃｅｓｓＥｄｇｅ Ｃｏｍｐｕｔｉｎｇ Ｎｅｔｗｏｒｋ ［Ｊ］． Ｃｈｉｎａ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２１，１８（１１）：２６－４１．

［１１］ ＺＨＡＮＧ Ｙ Ｑ，ＬＩ Ｒ Ｇ，ＺＨＡＯ Ｙ Ｑ． Ｄｅｅｐ ＲｅｉｎｆｏｒｃｅｍｅｎｔＬｅａｒｎｉｎｇ Ｂａｓｅｄ Ｍｏｂｉｌｉｔｙａｗａｒｅ Ｓｅｒｖｉｃｅ Ｍｉｇｒａｔｉｏｎ ｆｏｒ Ｍｕｌｔｉａｃｃｅｓｓ Ｅｄｇｅ Ｃｏｍｐｕｔｉｎｇ Ｅｎｖｉｒｏｎｍｅｎｔ ［Ｃ］∥ ２０２２ ＩＥＥＥＳｙｍｐｏｓｉｕｍ ｏｎ Ｃｏｍｐｕｔｅｒｓ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ （ＩＳＣＣ）．Ｒｈｏｄｅｓ：ＩＥＥＥ，２０２２：１－６．

［１２］ ＺＨＡＮＧ Ｘ Ｙ，ＷＡＮＧ Ｊ Ｘ，ＷＡＮＧ Ｂ，ｅｔ ａｌ． ＯｆｆｌｏａｄｉｎｇＳｔｒａｔｅｇｙ ｆｏｒ ＵＡＶａｓｓｉｓｔｅｄ Ｍｏｂｉｌｅ Ｅｄｇｅ Ｃｏｍｐｕｔｉｎｇ Ｂａｓｅｄ ｏｎＲｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ［Ｃ］∥２０２２ ＩＥＥＥ／ ＣＩＣ ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｃｈｉｎａ（ＩＣＣＣ）． Ｓａｎｓｈｕｉ：ＩＥＥＥ，２０２２：７０２－７０７．

［１３］ ＴＨＡＮＡＮＪＥＹＡＮ Ｓ，ＣＨＡＮ Ｃ Ａ，ＷＯＮＧ Ｅ，ｅｔ ａｌ． Ｍｏｂｉｌｉｔｙａｗａｒｅ Ｅｎｅｒｇｙ Ｏｐｔｉｍｉｚａｔｉｏｎ ｉｎ Ｈｏｓｔｓ Ｓｅｌｅｃｔｉｏｎ ｆｏｒ Ｃｏｍｐｕｔａｔｉｏｎ Ｏｆｆｌｏａｄｉｎｇ ｉｎ Ｍｕｌｔｉａｃｃｅｓｓ Ｅｄｇｅ Ｃｏｍｐｕｔｉｎｇ［Ｊ］． ＩＥＥＥＯｐｅｎ Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｏｃｉｅｔｙ，２０２０，１：１０５６－１０６５．

［１４］ ＹＡＮＧ Ｈ，ＧＵＯ Ｘ，ＬＩ Ｍ Ｌ． ＤＮＮ Ａｐｐｌｉｃａｔｉｏｎ ＯｒｉｅｎｔｅｄＭｉｇｒａｔｉｏｎ Ｓｃｈｅｄｕｌｉｎｇ Ｓｔｒａｔｅｇｙ Ｂａｓｅｄ ｏｎ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ［Ｃ］∥ ２０２０ ３９ｔｈ Ｃｈiｎｅｓｅ Ｃｏｎｔｒｏｌ Ｃｏｎｆｅｒｅｎｃｅ （ＣＣＣ ）．Ｓｈｅｎｙａｎｇ：ＩＥＥＥ，２０２０：４２９６－４３０１．

［１５］ 張海波，程妍，劉開健，等． 車聯(lián)網(wǎng)中整合移動邊緣計算與內(nèi)容分發(fā)網(wǎng)絡(luò)的移動性管理策略［Ｊ］． 電子與信息學(xué)報，２０２０，４２（６）：１４４４－１４５１．

［１６］ 吳大鵬，呂吉，李職杜，等． 移動性感知的邊緣服務(wù)遷移策略［Ｊ］． 通信學(xué)報，２０２０，４１（４）：１－１３．

［１７］ ＬＡＢＲＩＪＩ Ｉ，ＳＴＲＩＮＡＴＩ Ｅ Ｃ，ＰＥＲＲＡＵＤ Ｅ，ｅｔ ａｌ． ＤｙｎａｍｉｃＭｉｇｒａｔｉｏｎ Ｓｔｒａｔｅｇｙ ｆｏｒ Ｍｏｂｉｌｅ Ｍｕｌｔｉａｃｃｅｓｓ Ｅｄｇｅ ＣｏｍｐｕｔｉｎｇＳｅｒｖｉｃｅｓ ［Ｃ］∥２０２２ ＩＥＥＥ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄＮｅｔｗｏｒｋｉｎｇ Ｃｏｎｆｅｒｅｎｃｅ （ＷＣＮＣ ）． Ａｕｓｔｉｎ：ＩＥＥＥ，２０２２：７１０－７１５．

［１８］ ＮＡＳＲＩＮ Ｗ，ＸＩＥ Ｊ． ＳｈａｒｅｄＭＥＣ：Ｓｈａｒｉｎｇ Ｃｌｏｕｄｓ ｔｏ ＳｕｐｐｏｒｔＵｓｅｒ Ｍｏｂｉｌｉｔｙ ｉｎ Ｍｏｂｉｌｅ Ｅｄｇｅ Ｃｏｍｐｕｔｉｎｇ ［Ｃ ］∥ ２０１８ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ（ＩＣＣ）．Ｋａｎｓａｓ：ＩＥＥＥ，２０１８：１－６．

［１９］ ＣＨＥＮ Ｍ Ｈ，ＬＩＡＮＧ Ｂ，ＤＯＮＧ Ｍ． Ｊｏｉｎｔ Ｏｆｆｌｏａｄｉｎｇ ａｎｄ Ｒｅｓｏｕｒｃｅ Ａｌｌｏｃａｔｉｏｎ ｆｏｒ Ｃｏｍｐｕｔａｔｉｏｎ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ ｉｎＭｏｂｉｌｅ Ｃｌｏｕｄ ｗｉｔｈ Ｃｏｍｐｕｔｉｎｇ Ａｃｃｅｓｓ Ｐｏｉｎｔ ［Ｃ］∥ ＩＥＥＥＩＮＦＯＣＯＭ ２０１７ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ． Ａｔｌａｎｔａ：ＩＥＥＥ，２０１７：１－９．

［２０］ ＰＬＡＣＨＹ Ｊ，ＢＥＣＶＡＲ Ｚ，ＳＴＲＩＮＡＴＩ Ｅ Ｃ，ｅｔ ａｌ． ＤｙｎａｍｉｃＡｌｌｏｃａｔｉｏｎ ｏｆ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｒｅｓｏｕｒｃｅｓ ｉｎＭｕｌｔｉａｃｃｅｓｓ Ｅｄｇｅ Ｃｏｍｐｕｔｉｎｇ ｆｏｒ Ｍｏｂｉｌｅ Ｕｓｅｒｓ ［Ｊ］． ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｎｅｔｗｏｒｋ ａｎｄ Ｓｅｒｖｉｃｅ Ｍａｎａｇｅｍｅｎｔ，２０２１，１８（２）：２０８９－２１０６．

作者簡介

解冬東 男，（１９８８—），碩士，高級工程師。主要研究方向：智慧交通建設(shè)、信息化管理。

遲 猛 男，（１９８１—），碩士，高級工程師。主要研究方向：交通信息工程及控制、邊緣計算。

程衛(wèi)平 男，（１９７９—），工程師。主要研究方向：智能交通管控與綜合服務(wù)。

馮傳奮 男，（１９８０—），博士，教授級高級工程師。主要研究方向：５Ｇ、邊緣計算。

米 波 男，（１９８３—），工程師。主要研究方向：５Ｇ 信息化、通信技術(shù)在交通行業(yè)應(yīng)用等。

基金項目：山東省交通運輸廳科技計劃項目（２０２２Ｂ５１）