资源感知的去中心化计算卸载

面向多接入边缘计算的资源感知去中心化自适应计算卸载与任务缓存

1. 引言

智能技术和物联网设备在我们的日常生活中正变得越来越普遍，诸如手机、可穿戴设备、便携式电脑、自动驾驶汽车、机器人、嵌入式系统等正在改变我们的生活、工作和学习方式。此外，这些设备被设计用于运行复杂应用、无线功能，并执行视频分析、图像识别、自然语言处理、增强现实（AR）、虚拟现实（VR）、位置感知等计算密集型任务。然而，它们在计算与存储能力、能量以及通信网络方面存在资源限制[1]‐[3]。为了克服这一缺陷，研究人员已开展关于云计算（CC）的工作，以增强并扩展其服务，使其更接近终端用户设备。此外，计算卸载和网络资源聚类是在不可靠网络情况下提升处理能力和用户体验质量的基本方法。计算卸载是一种将计算密集型应用任务转移至资源丰富的分布式计算设备上执行的技术，而聚类则是将智能设备进行逻辑上的分组，以协作方式共同完成任务 [4][5]。

无线接入网（RAN）是移动通信系统的一部分。它主要在手机、便携式计算机或任何可远程管理的智能设备等智能移动设备之间进行连接，并提供与其核心网络的连接。在普通的蜂窝无线电系统中，无线终端移动设备通过无线接入网（RAN）连接到移动网络运营商。此外，基站通过微波无线电通信相互连接，并连接至基站控制器（BSC）[5]‐[8]。基站控制器（BSC）负责控制移动终端用户设备，并连接一个或多个回传网络。

研究人员已经提出了多种计算技术，以高效地管理和利用计算机系统资源。移动云计算是一种去中心化计算范式，它结合了云计算、移动计算和无线网络技术的基本概念，为移动用户就近提供海量的计算机系统资源和应用服务[8]。此外，它还为网络运营商和云服务提供商创造了更多的商业机会。然而，复杂应用对超低延迟的要求将计算技术提升到了一个新的层次，即多接入边缘计算（MEC）。

当前复杂应用和连接到全球生态系统的智能设备的爆炸性增长，在回传链路上产生了巨大的网络流量。云计算无法应对即将到来的局面。此外，云计算是一种旧有范式，其基于虚拟化技术实现，通过虚拟化软件将物理计算设备隔离成多个虚拟设备，从而控制这些虚拟设备执行复杂的计算任务，为计算、存储和应用服务提供弹性网络资源。然而，由于其数据中心位于较远的位置，难以满足需要高用户体验质量的实时应用需求，因此引入了多接入边缘计算（MEC）和露计算（DC）等新范式，以便在靠近终端用户设备的位置处理和存储频繁请求的已完成缓存任务[8][9]。多接入边缘计算（MEC）是从云计算扩展而来的一种新范式，旨在无线接入网（RAN）的网络边缘附近为移动用户提供去中心化的计算、存储和应用服务。因此，智能终端设备与位于网络边缘的宏基站和微基站协同工作，以卸载或访问敏感应用的已完成缓存任务。然而，新兴复杂应用和智能技术仍然对高效存储、超低延迟和能耗最小化提出了更高要求。诸如远程手术、机器人、无人驾驶车辆等智能技术被设计用于执行复杂的任务，这些任务需要大量的网络资源以及云服务提供商、智能终端设备制造商公司、私有边缘服务提供商和互联网服务提供商等不同参与方之间的协作，以恰当地实现其预期功能[10]。

为应对这一挑战，我们采用非合作博弈论框架，对云计算进行转换和优化，从而在不可靠网络环境下为智能终端设备建立去中心化自适应计算卸载与任务缓存。因此，这些设备能够自适应地组织并协同工作以实现共同利益。基于此，我们提出了资源感知的去中心化弹性计算与缓存，该框架达成纳什均衡。该框架显著地在网络边缘分配可访问资源，以充分利用存储、处理能力和节能优势。

本文的核心贡献包括：
提出一种新的高效框架，即面向多接入边缘计算的资源感知型去中心化计算与缓存框架。
为了清晰地解释非合作博弈论以及承认纳什均衡的问题建模。
•最后，详细阐述去中心化计算范式的多种类型及未来工作。

本文的其余部分安排如下：第二节。逻辑地讨论和梳理了在移动边缘计算范式上已开展的工作。第三节。详细解释了系统模型与问题建模。第四节。介绍了所提出的资源感知分布式计算与缓存框架。最后，第五节。讨论了结论并提出了后续需要开展的工作。

2. 相关工作

我们对与本文相关的移动边缘计算领域的先前及近期研究工作进行了简要综述。缓解智能终端用户设备资源受限的常见方法包括计算卸载、任务缓存和数学优化，从而使密集型应用能够在资源丰富的边缘设备或本地终端用户设备上执行。通过这些方法，可以有效满足存储、能耗以及提供超低延迟的需求。研究人员提出了多种NP难问题，以优化延迟、能耗、存储和带宽。陈等人在[11]中针对多用户系统提出了一种博弈论方法，用于移动边缘云计算中的高效计算卸载决策，并设计了实现纳什均衡的分布式计算卸载算法。巴贝拉等人[13]开发了一种将智能设备的软件克隆迁移至云架构的移动计算卸载方法，以改善通信延迟并节省能耗。胡等人在[15]中提出一种方案，可将服务质量较低的移动设备上的网络任务卸载至服务质量较高的邻近设备，以最小化延迟和能耗。黄等人在[19]中提出一种动态计算卸载算法，利用李雅普诺夫优化实现显著的节能效果。郝等人在[20]中采用混合整数非线性规划方法，联合优化任务缓存与卸载，以节省能耗并最大化用户体验。陈等人在[21]中利用李雅普诺夫技术提出在线对等卸载方法，以降低小基站的能耗。该框架在不依赖未来系统网络动态信息的情况下完成其任务。此外，在[24]中，论文提出了一种资源认知与数据引擎，以促进小小区和宏小区云环境中的最优缓存策略，从而最小化能耗。其中，资源认知部分包含对网络上下文的学习，提供计算、通信和缓存的整体视图；而数据分析则提供个性化和智能化的服务。

Abdelnasser 等人在 [25]中提出了一种基于联合聚类和资源分配的半分布式（分层）干扰管理方案，用于毫微微小区，并将该问题建模为混合整数非线性规划。此外，该模型使用相关聚类来建立毫微微小区分组。陈等人在 [27]中提出了利用李雅普诺夫优化技术进行多用户多任务计算卸载的方法，以确定能量收集策略，并设计了一种集中式和分布式的贪婪最大调度算法。周等人在 [1]中开发了一种基于截止时间感知的在线分布式任务卸载算法，使移动设备能够动态地将其任务卸载决策发送到最近的移动设备。范黎等人在 [2]中提出了一个约束马尔可夫决策过程（CMDP）优化问题，使移动用户能够在考虑用户体验质量的情况下做出最优卸载决策。此外，他们设计了两种不同的框架，即基于线性规划和基于Q学习的框架，以实现CMDP卸载建模问题的最优结果。

通常，研究主要集中在资源优化以提高MEC的效率，例如陈等人在[3]中提出了高效的缓存策略以应对用户移动性和

阐述了如何采用整数规划和子模优化方法将缓存放置在小型基站（SBS）上来阐明所述问题。李等人在[4]中提出了结合机器对机器通信（M2M）的虚拟化蜂窝网络，利用部分可观测马尔可夫决策过程来优化资源分配和节能。鲜等人在[5]中提出了一种使用超时计算卸载策略的自适应方法以节省能量。该策略累积计算时间的在线统计信息并识别统计超时。彭马察等人在[6]中为多用户分布式系统开发了NCOOPC算法，利用非合作博弈论实现每个用户的稳定性和公平性，以最小化延迟和能耗。巴尔巴罗萨等人在[8]中提出了无线电服务分配与计算卸载的联合优化，以最小化延迟并节省能量。此外，资源分配是动态的，由信道条件决定。特费拉等人在[10]中引入了面向不可靠网络的去中心化自适应云‐边‐露架构。该架构提供自适应本地资源利用和计算卸载，以促进层级中各层之间的协作。此外，智能终端设备建立对等通信或访问由露服务器和边缘服务器提供的微服务。

3. 系统模型

首先，我们描述通用的多接入边缘计算去中心化系统模型，如图1所示。

智能设备构成一组M = {1,2,3,4,…, M}，这些设备通过通信网络连接，并共同请求从附近的边缘设备卸载或访问已完成的缓存任务，以支持计算密集型和敏感应用。为了促进系统内的协作并高效利用可用的计算机系统资源，存在由电信运营商或私有边缘服务提供商部署的微基站和宏基站，指定为S。此外，我们考虑了与以往移动边缘计算和移动网络研究相关的准静态场景，以便进行更清晰的观察和易于管理的分析[11]‐[14]。

基站负责智能终端设备的上行/下行通信。无线设备的数量信道表示为 W = {1, 2, 3, 4, …, W}。此外，我们用 bm ∈ {0} ∪ W 表示智能设备m的计算卸载决策和已完成的缓存任务。通常情况下，当设备m通过无线信道bm请求向最近的边缘数据中心（边缘设备）进行计算卸载或访问已完成的缓存任务时，有 bm > 0；而当 bm = 0 时，表示该智能设备决定自行完成所有计算任务。

对于所有智能设备，决策配置文件可以表示为 b = (b₁, b₂, …, bₘ)。通过 bm > 0 计算智能设备的上行计算速率，如[14]所示。此外，符号解释如下：w 表示信道带宽，qm 表示设备发射功率，gm,s 表示智能设备与基站之间的信道增益，w̄₀ 是背景噪声功率。

$$
S_m(b) = w \log_2 \left( 1 + \frac{q_m g_{m,s}}{w̄ 0 + \sum {i \in M \setminus {m}: b_i = b_m} q_i g_{i,s}} \right)
\quad (1)
$$

每个智能设备m的计算任务可以表示为 Iₘ ≜ (hₘ, Pₘ)，其中 hₘ 是输入参数，Pₘ 是在靠近智能设备[14]‐[18]处执行计算任务所消耗的HCPU周期总数。此外，任务缓存是指将频繁请求的已完成任务存储在靠近电信运营商或私有边缘服务提供商数据中心等位置的方法，从而使智能设备能够轻松访问已完成的缓存任务，而无需进一步卸载和计算[22]‐[26]。

4. 资源感知的去中心化计算与缓存

为应对资源受限的智能设备和敏感应用的爆炸性增长，我们采用非合作博弈论进行去中心化计算卸载与任务缓存。博弈论是规范化复杂场景的主要方法，此外，它为智能技术提供了相互受益的机制，使其能够即时执行任务，并在任何状态下形成自适应自组织。根据上述通信模型(1)，在计算卸载或任务缓存决策配置型中，如果请求从邻近资源丰富的边缘设备进行卸载或访问缓存任务的智能设备数量m增加，则会产生巨大的网络流量，从而导致延迟和能耗上升。在这种情况下，利用可用的对等资源来最小化延迟、能耗和存储将更为有利。

我们在智能设备之间反映去中心化的计算卸载或访问缓存任务的挑战，如(2)所示。设 b₋ₘ = {b₁, …, bₘ₋₁, bₘ₊₁, …, bₘ} 为除设备m外所有设备的计算卸载或访问缓存任务的决策配置型。在已知其他设备决策 b₋ₘ 的情况下，设备m倾向于选择普通决策 bₘ，基于本地计算（bₘ = 0）或多接入边缘计算（bₘ > 0）通过无线信道来高效利用可用资源并获得更好的用户体验。

$$
\min Y_m(b_m, b_{-m}), \quad \forall m \in M \
\text{subject to} \quad b_m \in B_m \equiv {0, 1, …, W}
\quad (2)
$$

此外，我们可以得到智能设备 m 的开销函数，如 (3) 所示。

$$
Y_m(b_m, b_{-m}) =
\begin{cases}
Q_m^r, & \text{if } b_m = 0 \
Q_m^c, & \text{if } b_m > 0
\end{cases}
\quad (3)
$$

从上述公式可以看出，该挑战可以被表述为 (4) 中的一个策略博弈。

$$
\Gamma = (M, {b_m} {m \in M}, {Y_m} {m \in M})
\quad (4)
$$

其中，一组智能设备构成博弈的参与者集合，bₘ 是参与者 m 的策略集，每个智能终端设备 m 的开销函数 Yₘ(bₘ, b₋ₘ) 为其成本函数，需由智能设备 m 进行最小化。因此，该博弈被称为资源感知的去中心化计算卸载与任务缓存。此外，若在均衡状态下 b 没有任何设备能通过单方面改变其策略进一步降低开销，则策略组合 b = (b₁ , …, bₘ ) 即为资源感知的去中心化计算卸载与任务缓存博弈的纳什均衡。根据纳什均衡，智能终端设备可确保自身的稳定性，并达成相互可接受的解决方案。此外，非合作博弈论在纳什均衡处提供了一个稳定且可接受的解。

通常，在我们的方案中，智能终端设备通过层级中的各个层次独立或协作执行任务以运行复杂的应用程序。当这些设备运行密集型应用时，它们会根据可用性和响应时间，在附近寻找可用的本地资源，无论是对等设备、微型数据服务器还是宏数据服务器，并将部分任务卸载到相应的设备上。一旦结果完成，层级中的每一层都会相互同步。大部分计算、存储和网络通信都在较低层级或本地完成。因此，回传链路网络流量显著减少，且在不可靠网络环境下，所提出的方案表现更优。此外，针对实时应用的需求、新技术以及智能终端设备，该方案在层级的各个层次之间建立了自组织自适应通信链路，以促进相互之间的通信。由此，该方案提供了更好的用户体验质量。

5. 结论

新兴技术与复杂应用正迅猛发展，这些应用需要消耗大量计算机系统资源来运行敏感应用。为应对这一挑战，本文提出了一种基于非合作博弈论的资源感知的去中心化计算与缓存方案。该博弈存在纳什均衡。因此，智能终端设备可将计算密集型应用卸载至资源丰富的边缘设备，或从中请求已完成的缓存任务，以充分利用邻近的可用资源。我们进行了全面观察，结果表明，与传统框架相比，我们的方案在增强的存储能力、更高的用户体验质量以及低能耗方面表现出更优的性能。最后，我们将结合去中心化的深度强化学习（DRL）和资源分配方法对模型进行增强，以实现超低延迟。