文章快速检索     高级检索
  重庆邮电大学学报(自然科学版)  2020, Vol. 32 Issue (3): 329-335  DOI: 10.3979/j.issn.1673-825X.2020.03.001
0

引用本文 

徐昌彪, 刘杨, 刘远祥, 李栋. 基于多重指标的MEC服务器选择方案[J]. 重庆邮电大学学报(自然科学版), 2020, 32(3): 329-335.   DOI: 10.3979/j.issn.1673-825X.2020.03.001.
XU Changbiao, LIU Yang, LIU Yuanxiang, LI Dong. MEC server selection scheme based on multiple indicators[J]. Journal of Chongqing University of Posts and Telecommunications (Natural Science Edition), 2020, 32(3): 329-335.   DOI: 10.3979/j.issn.1673-825X.2020.03.001.

基金项目

教育部重点基金(02152)

Foundation item

The Key Fund Project of Chinese Ministry Education (02152)

作者简介

徐昌彪(1972-), 男, 重庆人, 教授, 博士, 主要研究方向为移动通信。E-mail:xuch@cqupt.edu.cn; 刘杨(1992-), 男, 河南信阳人, 硕士研究生, 主要研究方向为移动边缘计算。E-mail:liuyanggzzy@163.com; 刘远祥(1993-)男, 重庆人, 硕士研究生, 主要研究方向为移动边缘计算。E-mail:2265003408@qq.com

通讯作者

徐昌彪  xucb@cqupt.edu.cn.

文章历史

收稿日期: 2018-11-22
修订日期: 2020-04-30
基于多重指标的MEC服务器选择方案
徐昌彪1,2, 刘杨1, 刘远祥1, 李栋1     
1. 重庆邮电大学 通信与信息工程学院, 重庆 400065;
2. 重庆邮电大学 光电工程学院, 重庆 400065
摘要: 针对移动边缘计算(mobile edge computing, MEC)服务器超密集部署的网络环境中任务卸载目标MEC服务器的选择问题, 设计了一种基于多重指标的MEC服务器选择方案(multiple indicators-based MEC server selection scheme, MIMS)。综合考虑时延、能耗、任务卸载费用、能量效率等因素对MEC服务器选择的影响, 基于各参数的线性加权对候选MEC服务器进行排序, 选择最优的移动边缘计算服务器为用户提供服务。仿真结果表明, MIMS能够在保障用户任务卸载费用预算和能耗约束的条件下, 降低任务处理的总时延, 满足多重性能指标。
关键词: 超密集网络    移动边缘计算    移动边缘计算服务器    多指标    
MEC server selection scheme based on multiple indicators
XU Changbiao1,2 , LIU Yang1 , LIU Yuanxiang1 , LI Dong1     
1. School of Communication and Information Engineering, Chongqing University of Posts and Telecommunications, Chongqing 400065, P. R. China;
2. School of Optoelectronics Engineering, Chongqing University of Posts and Telecommunications, Chongqing 400065, P. R. China
Abstract: Aiming at the selection of target MEC servers for task offloading in networks with ultra-dense deployment of mobile edge computing (MEC) servers, a multiple indicators-based MEC server selection scheme (MIMS) is designed in this paper. Considering the influence of multiple indicators, such as delay, energy consumption, task offloading cost and energy efficiency, the candidate MEC servers are sorted by the sum of indicators' linear weighted values, and then the optimal MEC server is obtained. The simulation results show that MIMS can improve users' performance in task processing delay while meeting constraints of multiple indicators.
Keywords: ultra-dense network    mobile edge computing    mobile edge computing server    multiple indicators    
0 引言

近年来,增强现实(augment reality, AR)、在线游戏、云桌面等新型移动互联网业务飞速发展[1]。为了应对移动互联网及物联网的高速发展,5G需要满足超低时延、超低功耗、超高可靠、超高密度连接等新型业务需求。移动边缘计算(mobile edge computing, MEC)[2-4]通过在移动网络边缘提供云计算功能和存储资源,营造出一个具备高性能、低延迟与高带宽的网络环境,让用户享有不间断的高质量网络体验。超密集网络(ultra dense network, UDN)通过部署超密集的超小型小区基站(base station, BS)来提高网络容量[5]。将UDN和移动边缘计算技术相结合[6]是MEC服务器部署场景的主要形式之一。MEC服务器的密集部署带来密集计算能力的同时,由于用户附近多个BS覆盖区域的高度重叠,产生了以下问题。

1) 任务卸载目标MEC服务器的选择。对于具有移动性的用户来说,多个BS和MEC服务器可以提供无线电负载和计算能力,但是用户不知道要将任务卸载给哪个MEC服务器才是最适合的。

2) 虚拟机(virtual machine, VM)迁移目标MEC服务器的选择。用户移动过程中可能产生服务迁移(VM迁移),往何处迁移是面临的主要问题。

早期的MEC服务器选择方案主要考虑低能量消耗或低传输时延。文献[7]提出了基于能量感知的MEC服务器选择方案,该方案以较少的能量消耗为依据,选择最佳MEC服务器。文献[8]提出了一种服务迁移预测算法,其思想是预先估计用户可以获得的吞吐量,然后基于吞吐量来选择最佳MEC服务器。文献[9-10]提出了基于距离的MEC服务器切换方案,其中,文献[9]的方案总是选择离用户设备(user equipment, UE)最近的MEC服务器作为最佳目标。2个方案只考虑了用户的位置,没有考虑边缘服务器的负载、带宽和其他条件。文献[11]基于候选MEC服务器的计算资源和迁移成本来选择最佳MEC服务器, 忽略了信道情况对时延的影响。文献[12]提出了同时考虑传输时延和处理时延的MEC服务器选择方案,该方案相比其他已有方案有了很多改进,但忽略了能耗对用户QoS(quality of service)需求的影响。Sun等[13]在考虑传输时延以及处理时延的同时增加了能耗因素对MEC服务器选择的影响,提出了一种基于能量感知的移动性管理方案(energy-aware mobility management, EMM)。针对任务卸载的收费问题,文献[14]提出了一种基于联盟游戏定价方法的任务卸载策略,用联盟游戏来描述用户与MEC服务器之间的关系,根据MEC服务器的卸载定价相对于用户的可用性,进行MEC服务器的选择。上述所有研究中的传输时延只包含上行链路传输时延,忽略了下行链路传输时延。

鉴于已有研究对影响MEC服务器选择的因素考虑不够充分,本文设计了一种基于多重指标的MEC服务器选择方案,取名MIMS(multiple indicators-based MEC server selection scheme)。MIMS综合考虑了上下行链路传输时延、处理时延、能耗、VM迁移成本、任务卸载的能量效率以及任务处理费用等多重指标,实现了超密集MEC服务器部署场景下任务初次卸载MEC服务器的选择以及任务二次卸载(VM迁移)MEC服务器的选择,能够在保障用户任务卸载费用预算和能耗约束的条件下,降低任务处理的总时延,满足多重性能指标。

1 QoS和任务卸载费用参数

MEC服务器超密集部署网络模型如图 1。超密集网络环境下,每个基站都赋予云计算功能,用户在网络中可移动。生成计算任务m的位置表示为Lm,用集合A(Lm)∈N表示在Lm处用户可以关联的BS集合,其中,N={1, 2, …}。系统主要参数如表 1

表 1 系统主要参数 Tab.1 Main parameters of the system
图 1 MEC服务器超密集部署网络模型 Fig.1 Network model under ultra-dense deployment of MEC servers
1.1 时延

使用一个三参数模型[3]来描述每个计算任务m:卸载时输入数据的大小λm∈[0, λmax](单位:bit),计算强度γm∈[0, γmax](单位:CPU周期/bit),以及任务完成截止时间Dm。每个计算任务相对较大时,可以分为需要顺序处理的子任务。为便于分析,假设子任务的大小是相等的。

MEC服务器可以使用处理器共享为多个用户同时提供计算服务。假设fm, n在一个任务的处理过程中不会改变,但是可以跨任务改变。计算一个大小为λm且计算强度为γm的子任务,给定分配的CPU频率fm, n,计算时间为

$ {d_{\rm{c}}}(m, n) = \frac{{{\lambda _m}{\gamma _m}}}{{{f_{m, n}}}} $ (1)

输入数据通过无线上行链路信道从用户发送到服务BS。一个任务被分成多个子任务,发送子任务m时,用户的移动范围不会太大,因此,Hm, n是常数。最大可实现的上行链路传输速率为

$ {r^{{\rm{up}}}}(m, n) = W {\rm{lb}} \left( {1 + \frac{{{P_u}{H_{m, n}}}}{{{\delta ^2} + {I_{m, n}}}}} \right) $ (2)

将大小为λm的输入数据发送到BSn的传输延迟为

$ {d^{{\rm{up}}}}(m, n) = \frac{{{\lambda _m}}}{{{r^{{\rm{up}}}}(m, n)}} $ (3)

给定基站的传输功率Pd,可实现的最大下行链路传输速率为

$ {r^{{\rm{down}}}}(m, n) = W {\rm{lb}} \left( {1 + \frac{{{P_d}{H_{m, n}}}}{{{\delta ^2} + {I_{m, n}}}}} \right) $ (4)

假设根据任务类型预测得到任务m在MEC服务器处理后的计算结果为Zm,则将Zm返回到用户的传输延迟为

$ {d^{{\rm{down}}}}(m, n) = \frac{{{Z_m}}}{{{r^{{\rm{down}}}}(m, n)}} $ (5)
1.2 能耗

对于用户来说,移动终端通常具有有限的电池容量,这就要求在完成任务卸载的同时降低其能量消耗。用户在卸载每个任务m时,能量消耗主要发生在输入数据的发送阶段。任务m的大小为λm,将其发送到BSn的能量消耗为

$ e(m, n) = \frac{{{P_{{\rm{tx}}}}{\lambda _m}}}{{{r^{{\rm{up}}}}(m, n)}} $ (6)

(6) 式中,Ptx表示用户发送任务m时的平均功率。

1.3 卸载费用

用户卸载任务m时,MEC服务器给其分配的CPU频率不同,对应的任务卸载费用单价不同。为衡量用户任务卸载的卸载费用,给出定义1。

定义1  设MEC服务器分配给任务m的CPU频率为fm, n,其对应的单价为ζfm, n,则任务m的卸载费用为

$ {Q_{m, n}} = {d_c}(m, n) \times {\zeta _{{f_{m, n}}}} $ (7)

(7) 式中,dc(m, n)为任务m的处理时间。

1.4 VM切换成本

任务m的子任务必须按顺序计算,但是可以卸载到不同的BS。当在不同的BS上处理连续的子任务时,由于切换过程和计算迁移而引起额外的延迟成本。给定其子任务的服务BS集合,由am=(a1m, a2m, …, aKm)表示,任务m的总体切换成本为

$ h(m, {a_m}) = {C_m}\sum\limits_{k = 2}^{{k_m}} \Pi \{ a_m^k \ne a_m^{k - 1}\} $ (8)

(8) 式中:amkA(Lm)是任务m的子任务k的服务BS;Π{x}是指示函数,如果事件x为真,则Π{x}=1,否则Π{x}=0。

1.5 任务卸载的能量效率

卸载任务m时,有多个MEC服务器可供选择。为直观反映用户在每个MEC服务器进行任务卸载时的能量效率,给出定义2。

定义2  用户在MEC服务器进行任务卸载的能量效率为

$ V = \left\{ {\begin{array}{*{20}{l}} {\frac{{K({D_m} - D(m, n))}}{{e(m, n)}}, }&{{D_m} - D(m, n) \ge 0}\\ {0, }&{{D_m} - D(m, n) < 0} \end{array}} \right. $ (9)
$ \begin{array}{*{20}{c}} {D(m, n) = {d^{{\rm{up}}}}(m, n) + {d^{{\rm{down}}}}(m, n) + }\\ {{d_c}(m, n) + h(m, {a_m})} \end{array} $ (10)

(9) 式中:Dm为任务m的卸载完成截止时间;D(m, n)为任务m的卸载总时延;e(m, n)为卸载任务m所花费的能量;K为常数。

问题提出  用户进行任务卸载的QoS需求为满足能量消耗和任务卸载费用预算的同时最小化任务执行的总时延。故MEC服务器选择问题表述为

$ {P:\mathop {{\rm{min}}}\limits_{{a_1}, \cdots , {a_M}} \frac{1}{M}\sum\limits_{m = 1}^M D (m, {a_m})} $ (11)
$ {{\rm{ s}}{\rm{.t}}{\rm{. }}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \sum\limits_{m = 1}^M E (m, {a_m}) \le \alpha B} $ (12)
$ {{Q_{m, n}} \le \theta } $ (13)
$ {D(m, {a_m}) \le {D_m}, \forall m} $ (14)
$ {a_m^k{\kern 1pt} {\kern 1pt} \in {\kern 1pt} {\kern 1pt} {\kern 1pt} A({L_m}), \forall m, \forall k = 1, 2, \cdots , {k_m}} $ (15)

约束条件(12)指出,总能量消耗受到用户能量预算的限制;约束条件(13)指出总卸载费用受到用户任务卸载费用预算的限制;约束条件(14)要求处理任务m的总延迟不超过完成期限Dm;约束条件(15)指出候选MEC服务器是可以与用户相关联的BS的集合。

2 MEC服务器选择方案 2.1 任务初次卸载时MEC服务器的选择

MEC服务器超密集部署环境下的MEC服务器选择是一个多目标多参数的决策问题。本文在多目标决策分析理论[15]的基础上提出一个适用于超密集MEC服务器部署环境下的MEC服务器选择方案。

2.1.1 构建决策矩阵

输入任务m的各相关参数,如Hm, nPuPd,信道带宽W以及各MEC服务器可以分配给任务m的CPU频率fm, n等,获取各参数的值:(1)式计算处理时延; (2)式和(4)式计算上下行链路传输时延; (6)式计算能耗; (7)式计算任务处理费用; (9)式计算用户进行任务卸载的能量效率。

用计算得到的各项参数值构建任务初次卸载的决策矩阵为

$ \begin{array}{l} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {a_1}\quad {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {a_2}{\kern 1pt} \quad {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {a_3}{\kern 1pt} \quad {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {a_4}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \quad {\kern 1pt} {a_5}\\ {\mathit{\boldsymbol{R}}_1} = \begin{array}{*{20}{c}} {{\rm{ME}}{{\rm{C}}_1}}\\ {{\rm{ME}}{{\rm{C}}_2}}\\ \vdots \\ {{\rm{ME}}{{\rm{C}}_N}} \end{array}\left[ {\begin{array}{*{20}{c}} {{x_{11}}}&{{x_{12}}}&{{x_{13}}}&{{x_{14}}}&{{x_{15}}}\\ {{x_{21}}}&{{x_{22}}}&{{x_{23}}}&{{x_{24}}}&{{x_{25}}}\\ \vdots & \vdots & \vdots & \vdots & \vdots \\ {{x_{N1}}}&{{x_{N2}}}&{{x_{N3}}}&{{x_{N4}}}&{{x_{N5}}} \end{array}} \right] \end{array} $ (16)

(16) 式中,a1, a2, …, a5分别代表传输时延、处理时延、能耗、任务卸载的能量效率以及任务处理费用。

假设用户的卸载费用预算为θ,根据Qm, nθ对候选MEC服务器进行初步筛选,得到筛选后的决策矩阵为

$ \begin{array}{l} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {a_1}\quad {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {a_2}{\kern 1pt} \quad {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {a_3}{\kern 1pt} \quad {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {a_4}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \quad {\kern 1pt} {a_5}\\ {\mathit{\boldsymbol{R}}_2} = \begin{array}{*{20}{c}} {{\rm{ME}}{{\rm{C}}_1}}\\ {{\rm{ME}}{{\rm{C}}_2}}\\ \vdots \\ {{\rm{ME}}{{\rm{C}}_{{N^ * }}}} \end{array}\left[ {\begin{array}{*{20}{c}} {{x_{11}}}&{{x_{12}}}&{{x_{13}}}&{{x_{14}}}&{{x_{15}}}\\ {{x_{21}}}&{{x_{22}}}&{{x_{23}}}&{{x_{24}}}&{{x_{25}}}\\ \vdots & \vdots & \vdots & \vdots & \vdots \\ {{x_{{N^ * }1}}}&{{x_{{N^ * }2}}}&{{x_{{N^ * }3}}}&{{x_{{N^ * }4}}}&{{x_{{N^ * }5}}} \end{array}} \right] \end{array} $ (17)

(17) 式中,N*N

2.1.2 决策矩阵的标准化

决策参数分为3类:正向参数、逆向参数和中性参数。性能参数中任务卸载的能量效率是正向参数,用(18)式进行标准化。传输时延、处理时延、能耗、VM迁移成本以及任务卸载费用是逆向参数,用(19)式进行标准化。

$ {y_{ij}} = \frac{{{x_{ij}} - \mathop {{\rm{min}}}\limits_{1 \le i \le n} {x_{ij}}}}{{\mathop {{\rm{max}}}\limits_{1 \le i \le n} {x_{ij}} - \mathop {{\rm{min}}}\limits_{1 \le i \le n} {x_{ij}}}} $ (18)
$ {y_{ij}} = \frac{{\mathop {{\rm{max}}}\limits_{1 \le i \le n} {x_{ij}} - {x_{ij}}}}{{\mathop {{\rm{max}}}\limits_{1 \le i \le n} {x_{ij}} - \mathop {{\rm{min}}}\limits_{1 \le i \le n} {x_{ij}}}} $ (19)

(18)—(19)式中,1≤iN, 1≤j≤5。

2.1.3 参数权重的计算

在信息论中,熵是对不确定性的一种度量。信息量越大,不确定性就越小,熵也就越小;信息量越小,不确定性越大,熵也越大。因此,可根据各项指标的差异程度,利用信息熵,计算出各个参数的权重,为多参数综合评价提供依据。利用熵值法确定参数权重的过程如下。

1) 将决策矩阵归一化,即令

$ {p_{ij}} = \frac{{{y_{ij}}}}{{\sum\limits_{i = 1}^n {{y_{ij}}} }} $ (20)

2) 计算每个参数对应的熵为

$ {E_j} = - \frac{1}{{{\rm{ln}}n}}\sum\limits_{i = 1}^n {{p_{ij}}} {\rm{ln}}{p_{ij}} $ (21)

(21) 式中,0 < Ej≤1。

3) 求每个参数的差异系数为

$ {d_j} = 1 - {E_j}, 1 \le j \le 5 $ (22)

4) 计算各参数的权重为

$ {w_j} = \frac{{{d_j}}}{{\sum\limits_{j = 1}^5 {{d_j}} }} $ (23)
2.1.4 目标MEC服务器的选择

线性加权和法是确定方案优劣次序的最常用方法,具体过程为首先按照(24)式计算候选MEC服务器各项参数的加权和,然后按照Ui值的大小,对MEC服务器进行排序,选取Ui值最大的MEC服务器作为选择目标。

$ {U_i} = \sum\limits_{j = 1}^5 {{y_{ij}}} \times {w_j} $ (24)

MEC服务器选择方案的流程图如图 2

图 2 任务初次卸载MEC服务器选择流程图 Fig.2 MEC server selection flow chart of task offloading for the first time
2.2 任务二次卸载时MEC服务器的选择

由于用户移动,可能会产生VM迁移,或称为任务的二次卸载。任务二次卸载是将VM从一个MEC服务器迁移到另外一个MEC服务器。相比于任务初次卸载目标MEC服务器的选择,有以下3点区别。

1) 传输时延。任务初次卸载考虑上下行链路传输时延,任务二次卸载只考虑下行链路传输时延。

2) 能耗。任务初次卸载需要消耗用户终端能量,任务二次卸载不消耗用户终端能量。

3) VM切换成本。任务初次卸载不产生VM迁移切换成本,任务二次卸载会产生VM迁移切换成本。

任务二次卸载时MEC服务器选择的具体过程如下。

1) 输入任务m的各项参数,如Hm, nPd及信道带宽W和各MEC服务器可以分配给任务m的CPU频率fm, n等,获取各项参数:(1)式计算处理时延; (4)式计算下行链路传输时延; (7)式计算任务处理费用; (8)式计算VM迁移成本。

2) 决策矩阵的构建、指标权重的确定以及目标MEC服务器的选择,其原理与2.1节中类似,这里不再赘述。

3 仿真分析

本节中,将本文所设计方案MIMS与J-step Lookahead算法和EMM算法[13]进行性能对比。J-step Lookahead的前提是知道下一个计算任务未来的完整信息,从而可获得性能的理论上限。与此算法作对比,可以获知MIMS的性能与最佳性能的接近程度。EMM解决的是超密集网络与移动边缘计算相结合场景下用户任务的MEC服务器选择问题,这一出发点与MIMS相同。

3.1 主要仿真参数

假设1 km×1 km的正方形区域内有49个BS部署在常规网格网络上,基站的覆盖半径为50 m,用户轨迹由随机游走模型生成。模拟视频流分析,在整个行程中生成M=500个视频任务, 每个任务的子任务都是1 s的视频片段。其余主要仿真参数如表 2

表 2 主要仿真参数 Tab.2 Main simulation parameters
3.2 仿真结果分析

图 3给出了任务卸载的平均总时延与任务到达率α之间的关系,任务的总时延由(9)式得到。可以看到,在不同任务到达率的条件下MIMS的时延性能均优于EMM,其中,在任务到达率α∈[0.2, 0.45]时,性能提升较大,这主是因为EMM方案只考虑上行链路传输时延和任务执行时延,忽略了下行链路传输时延对任务处理总时延的影响。

图 3 平均总时延与任务到达率的关系 Fig.3 Average total delay versus task arrival rate

图 4给出了平均总时延与能量消耗之间的关系。图 4中,能量消耗量在[200,400] J时,MIMS与EMM的时延性能比较接近;在能量消耗大于400 J时,MIMS的时延性能优于EMM算法。这是因为当能量预算较低时,可能没有符合要求的MEC服务器,导致任务卸载的时延较高。在能量预算较高时,EMM算法忽略了下行链路传输时延,可能导致选出的目标MEC服务器将任务处理结果回传给用户时花费的时间较长。

图 4 平均总时延与能量消耗的关系 Fig.4 Average total delay versus energy consumption

图 5给出了任务卸载的平均能量效率与平均任务到达率α之间的关系。由图 4可以看到,在不同任务到达率的条件下MIMS的平均能量效率数值均高于EMM,且更接近于J-step Lookahead。这是因为在进行目标MEC服务器的选择时,MIMS考虑能量效率指标,而EMM不考虑,因此,使用MIMS选择目标MEC服务器时用户可以获得更高的能量效率。

图 5 任务卸载的平均能量效率与任务到达率的关系 Fig.5 Average energy efficiency of task unloading versus task arrival rate

图 6给出了不同任务卸载费用预算条件下平均总时延与平均任务到达率的关系。可以看到,在相同任务到达率的条件下,随着卸载费用预算的增加,平均总时延逐渐降低,这是因为随着卸载费用预算的增加,可供选择的MEC服务器的数量逐渐增加。因此, MIMS可以为不同任务卸载费用预算需求的用户解决任务卸载MEC服务器的选择问题,在卸载费用预算越高时,相应的任务处理时延性能越好。

图 6 不同θ条件下平均总时延与任务到达率的关系 Fig.6 Average total delay versus task arrival rate under different θ
4 结束语

针对超密集网络和移动边缘计算结合的部署场景,本文设计了一种以用户为中心的基于多重指标的MEC服务器选择方案MIMS。MIMS不仅考虑了能量消耗、传输时延、处理时延等已有方案中涉及的QoS参数,还增加考虑了任务卸载费用和任务卸载的能量效率。仿真结果表明,在保障用户任务卸载费用预算和长期能耗约束条件下MIMS能够选择到合适的MEC服务器,降低任务处理的总时延,满足多重性能指标需求。

参考文献
[1]
GIUFFRIDA C, MAJDANIK K, CONTI M, et al. I Sensed It Was You: Authenticating Mobile Users with Sensor-Enhanced Keystroke Dynamics[C]//International Conference on Detection of Intrusions and Malware, and Vulnerability Assessment.[S.l.]: Springer, 2014: 92-111.
[2]
HU Y C, PATEL M, SABELLA D, et al. Mobile edge computing: A key technology towards 5G[EB/OL]. (2016-08-14)[2018-10-12]. http://www.cloudioe.com/info_details.aspx?id=4223&cid=8.
[3]
MAO Y, YOU C, ZHANG J, et al. A Survey on Mobile Edge Computing:The Communication Perspective[J]. IEEE Communications Surveys & Tutorials, 2017(99): 1-1.
[4]
XU F M, YE H Y, CUI S H, et al. Software defined industrial network architecture for edge c-omputing offloading[J]. The Journal of China Universities of Posts and Telecommunications, 2019, 26(1): 49-58.
[5]
CHEN S, ZHAO J. The requirements, challenges, and technologies for 5G of terrestrial mobile telecommunication[J]. Communications Magazine IEEE, 2014, 52(5): 36-43. DOI:10.1109/MCOM.2014.6815891
[6]
ETSI. Mobile edge computing: Technical requirements[EB/OL].[2018-10-12]. http://www.etsi.org/deliver/etsigs/MEC/001099/002/01.01.0160/gsMEC002v010101p.pdf.
[7]
ZHANG W, WEN Y, GUAN K, et al. Energy-Optimal Mobile Cloud Computing under Stochastic Wireless Channel[J]. IEEE Transactions on Wireless Communications, 2013, 12(9): 4569-4581. DOI:10.1109/TWC.2013.072513.121842
[8]
NADEMBEGA A, HAFID A S, BRISEBOIS R. Mobility prediction model-based service migration procedure for follow me cloud to support QoS and QoE[C]//IEEE International Conference on Communications. Kuala Lumpur, Malaysia: IEEE, 2016: 1-6.
[9]
TALEB T, KSENTINI A. An Analytical Model for Follow Me Cloud[C]//2013 IEEE Global Communications Conference (GLOBECOM). Atlanta, GA, USA: IEEE, 2013: 1291-1296.
[10]
WANG S, URGAONKAR R, HE T, et al. Mobility-Induced Service Migration in Mobile Micro-clouds[C]//Military Communications Conference. Baltimore, MD, USA: IEEE, 2014: 835-840.
[11]
SUN X, ANSARI N. PRIMAL: PRofIt Maximization Avatar pLacement for Mobile Edge Computing[C]//2016 IEEE International Conference on Communications (ICC). Kuala Lumpur, Malaysia: IEEE, 2016: 1-6.
[12]
RODRIGUES T G, SUTO K, NISHIYAMA H, et al. Cloudlets Activation Scheme for Scalable Mobile Edge Computing with Transmission Power Control and Virtual Machine Migration[J]. IEEE Transactions on Computers, 2018, 67(9): 1287-1300. DOI:10.1109/TC.2018.2818144
[13]
SUN Y, ZHOU S, XU J. EMM:Energy-Aware Mobility Management for Mobile Edge Computing in Ultra Dense Networks[J]. IEEE Journal on Selected Areas in Communications, 2017, PP(99): 1-1.
[14]
ZHANG T, CHEN W, YANG F. Data offloading in mobile edge computing:A coalitional game based pricing approach[J]. IEEE Access, 2017, PP(99): 1-1.
[15]
马俊, 王政.决策分析[M].北京: 对外经济贸易大学出版社, 2011.
MA J, WANG Z. Decision Analysis[M]. Beijing: University of International Business and Economics Press, 2011.