随着5G运营部署加速，6G逐渐成为ITU和3GPP等国际标准组织相互协作，以及各国科技角力的关键方向之一．美国政府成立“下一个G联盟(Next G Alliance，简称Next G)”，意在占领6G及未来移动通信方面先机．我国于2019年11月围绕6G宏伟蓝图，组建了IMT-2030(6G)技术研发推进工作组，展开对需求、技术和网络架构等方面的全面探索．中国移动等发布了白皮书[1-2]，将6G的连接特性概括为泛在海量连接典型场景，将传统通信资源向更为广阔的网络资源拓展，在更高的维度，利用算力网络技术对4C(communication，computing，caching，control)资源进行统筹部署．MEC能满足用户端计算卸载需求，将多个基站资源多域动态共享，提高资源利用率和干扰管理能力，适应未来网络业务高计算、低时延的特点．可以预见，在未来网络关键节点、基站普遍具备内容计算、存储等能力[3]的背景下，MEC架构将在6G资源宏观部署与微观调度等方面发挥巨大的潜力．MEC多终端无线承载与计算资源的分配，大体上是通过调整终端的卸载决策，并优化系统的资源部署来实现．其中，与计算业务相关的卸载决策问题可以表示为0-1整数规划；而与资源分配相关的计算资源、信道带宽等参数抽象为连续变量．因此，边缘计算的优化问题常常被表示为混合整数非线性规划MINLP问题，可以通过约束转化、条件松弛和凸优化理论、分支定界等方法进行优化求解[4-6]，但时间复杂度高．由此，多数文献采用启发式算法求解该问题，以降低时间复杂度[7]．如Li等[8]采用基于遗传算法(genetic algorithm，GA)的联合优化方法解决了边缘计算下用户任务完成时间最小化问题；Sun等[9]则将蝙蝠算法(bat algorithm)应用于车联网边缘计算场景；Lyu等[10]将两种方法结合，把原问题分解为两个子问题：用凸优化方法解决资源分配问题，用启发式算法优化卸载决策．近年来，随着机器学习蓬勃发展，许多研究者也尝试将强化学习应用到了边缘计算优化算法中[11]，所训练出的模型能够满足某些特定的环境，进行快速在线决策，但是，强化学习泛化能力差、动态适应性弱，且训练周期会随着网络规模的扩大而急剧增加，在应用层面尚不成熟．在多小区边缘计算场景下，将单业务拓展至更贴合实际应用场景的终端多业务模型，同时考虑带宽与能耗约束，将系统时延和能耗作为效用指标，研究边缘计算的业务卸载问题；通过对任务卸载和资源分配问题解耦，利用遗传算法和麻雀算法对模型联合优化．1 系统模型边缘计算的主要服务范围为计算密集型和延迟敏感型的业务，诸如AR和VR等[12]．这类业务能耗高、算力需求大，因此将这些任务卸载到边缘服务器进行运算．任务0-1卸载方式将业务视为不可分割的一个整体，缺乏灵活性；部分卸载则将业务分为多个子业务，每个子业务都可以选择在本地或卸载到边缘服务器处理[13]，更为高效，但忽略了实际系统中子业务间的依赖关系．将存在依赖关系的多个子业务合并为一个综合性子业务，将不存在依赖关系的子业务仍视为独立子业务．1.1　MEC建模与设置将边缘计算场景建模为多小区-多终端的场景，其中单小区是多小区的一种特例，如图1所示．10.13245/j.hust.239505.F001图1边缘计算的业务场景该场景建模中，集合χ表示系统中的N个移动用户端χ={1,2,⋯,i,⋯,N}；集合Γ={1,2,⋯,k,⋯,M}表示M个边缘服务器(接入点)；终端i在单位时间间隔Ts内产生的业务数为αi；终端i上的第j个业务的相关参数使用三元组{uij，cij，dij}表示，其中，uij表示执行该业务需要输入的数据量大小，包含执行业务的控制指令，业务内容及运行代码等，cij表示终端或服务器执行该业务需要的CPU周期数，dij表示该业务计算结果的数据量大小．考虑到子业务不可再分，每个子业务只能在本地或者服务器之一计算处理，即0-1卸载情形，可采用mij来表示终端i上的第j个业务的卸载方式．当mij=0时，表示子业务在本地执行；mij=1时，表示将业务卸载到边缘服务器执行．每个终端仅可接入一个接入点(access point，AP)，采用变量ρik∈{0,1}表示终端i对于基站k的接入状态，为1则接入，为0则不接入．终端只能接入到其中一个AP，且在一个时隙内不能切换，所以接入方式满足∑k=1Mρik=1．1.2　通信模型移动终端与无线接入点AP之间的通信方式采用正交频分多址接入，AP所能容纳的终端数目不超过AP的总可用的子信道数，即所有终端确保能够接入到相应AP上，且能够通过无线方式将业务卸载到MEC节点．小区内终端i到无线AP的上行链路的数据传输速率由香农公式求得，具体为Riul=Wullog2[1+piUEhi/(N0Wul)]，(1)式中：Wul为上行信道的单位信道带宽；piUE为终端i的发送功率；hi为终端i与AP间上行链路的信道增益，信道增益由路径损耗确定[14]；N0为终端与无线AP之间信道的噪声的功率谱密度．同理，对应的数据传输速率Ridl可依照式(1)的形式表示为Ridl=Wdllog2[1+piAPhi/(N0Wdl)]，式中：Wdl为下行信道的单位信道带宽；piAP为下行AP对终端i的发送功率．1.3　时延与能耗分析1.3.1　时延分析部分卸载的业务的执行时间应由本地执行时间tiloc和边缘执行时间tioff两者的最大值决定．AP与边缘服务器由光纤连接，传输时延相对于无线信道传输时延可忽略不计，则卸载到网络边缘执行时间为tioff=tiul+tiexe+tidl，包括用户业务上传时间tiul、边缘服务器业务计算执行时间tiexe及AP将计算结果回传至终端的时间tidl．根据边缘卸载计算的一般规则，为提高处理效率，边缘服务器接受多个不同用户的任务后采用并行方式计算处理．a．本地处理．设终端i的计算CPU频率为Filoc，若终端i的第j个业务在本地执行，则执行时延tiloc表示为tiloc=∑j=1ai(1-mij)tijloc=(1-mi)ciT/Filoc，式中：mi=[mi1,mi2,⋯,mij,⋯,misi]；ci=[ci1,ci2,⋯,cij,⋯,cisi]．显然，本地执行的时延仅与用户设备计算频率相关．b．业务卸载．终端i将数据上传到AP的时间可表示为tii_ul=miuiTWullog21+piUEhiN0Wul-1，式中ui=[ui1,ui2,⋯,uij,⋯,uisi]．用户业务上传至AP后，须经过AP成帧等协调过程，经协调后的用户业务上传时间tiul为多个不同用户业务上传至同一AP时间的最大值，可表示为tiul=maxk∈Γ[ρikmaxi∈χ(ρiktii_ul)]，式中：外层的max函数用于选择该客户终端所连接的AP；内层的max函数用于获取接入该AP上传时间最长的用户终端的时间．边缘服务器采取并行计算方式．各用户的计算执行时延等价于该用户卸载目标服务器的总计算时延，即tiexe=∑k=1M∑i=1NρikmiciT/fkAP，式中fkAP为第k个边缘服务器的计算频率．此后，AP将计算结果通过无线下行链路返回给终端，下行传输时间表示为tidl=midiTWdllog21+piAPhiAPN0Wdl-1，式中di=[di1,di2,⋯,dij,⋯,disi]．最终，终端i的总时延应为本地执行时间tiloc和边缘执行时间tioff二者中的较大值确定，即Ti=max{tiloc,tioff}．1.3.2　能耗分析能量消耗与处理时延消耗之间存在一定置换关系，也是通信与计算一体化须要综合考虑的重要指标之一．a．本地处理．执行业务消耗的能量，可以利用动态电压频率调整技术(dynamic voltage and frequency scaling，DVFS)进行评估，能耗计算公式可表示为Eijloc=ki(filoc)2cij，(2)式中ki为与终端芯片类型相关的常数[15]，文中取值为5.0×10-27．终端i的业务在本地执行的能耗为Eiloc=∑i=1si(1-mij)ki(filoc)2cij=ki(filoc)2(1-mi)ciT．b．业务卸载．将业务卸载到边缘服务器的能量消耗过程拆分成3个过程进行分析．终端i将业务的数据上传到AP时，终端能耗为Eiul=piUETiul=piUEmiuiT/{Wullog2[1+piUEhi/(N0Wul)]},根据式(2)可得边缘服务器的执行能耗为Eiexe=ρikkAP(fkAP)miciT．AP将计算结果通过下行链路返回给移动终端，下行传输能耗为Eidl=piAPmidiT/{Wdllog2[1+piAPhiAP/(N0Wdl)]}．1.4　模型问题构建与效用函数通过对用户时延与能耗分析，考虑建立时延与能耗综合最小化的系统性效用指标，构建模型为一个混合整数非线性规划MINLP问题．系统平均时延和系统总能耗分别为：T=1N∑i=1NTi；E=∑i=1N(Eidl+Eiexe+Eiul+Eiloc)．其中时延从用户体验的角度出发，以用户端感受到的平均时延为指标，能耗从系统的角度出发，将基站和用户的能耗之和作为效用指标．通过引入偏好因子的方式，将时延与能耗多目标优化问题转化为单目标优化问题，定义边缘计算系统的效用函数为U=λT+(1-λ)E，(3)式中λ∈[0,1]表示效用函数中时延和能耗之间的偏好系数，用于调节效用函数对于时延和能耗的偏向性．模型的优化目标可建立最小值优化问题minimizem,fAP,pUE,pAP,ρU，(4)s.t.fmin≤fAP≤fmax；(5)pminAP≤piAP≤pmaxAP  (∀i∈χ)；(6)pminloc≤piUE≤pmaxloc  (∀i∈χ); (7)mij∈{0,1}  (∀i∈χ,j∈{1,2,⋯,αi})；(8)Ti≤Tiloc；(9)∑k=1Mρik=1，(10)式中：式(5)表示边缘服务器的计算频率约束；式(6)表示移动终端的发射功率约束，每个终端的额定发射功率不能高于最大发射功率；式(7)表示边缘服务器的移动发射功率约束；式(8)表示移动终端的每一个业务只能选择在边缘服务器处理或者在本地处理，是一个0-1整数约束；式(9)表示从用户的角度，个体时延须低于任务最大截止时间；式(10)表示每个移动用户端仅可以接入一个AP．2 优化算法设计2.1　模型求解算法总架构将多小区-多终端计算卸载和资源分配问题建模为一个MINLP问题，分别优化任务卸载策略、基站计算频率、移动终端发射功率和终端发射功率；任务卸载策略为离散变量，发射功率与CPU计算频率为连续变量．采用遗传算法嵌套麻雀算法的双层优化模型，对于输入{uij，cij，dij}数据，遗传算法先随机初始化种群，种群个体为卸载策略可行解，然后进行遗传操作得到下一代种群，对下一代种群中每个个体采用并行的麻雀算法优化资源调度策略，并得到个体的适应度值，此代种群进行遗传操作得到新一代种群，依上述步骤循环直至迭代结束．模型架构图如图2所示．10.13245/j.hust.239505.F002图2遗传算法嵌套麻雀算法双层优化模型双层优化模型能让遗传算法和麻雀算法各司其职，分别优化离散变量和连续变量，并通过分步嵌套的方式分别缩小两个算法的搜索空间，加速算法求解．2.2　适应度函数设计进一步，为了兼顾各用户的时延公平性与基站卸载均衡性，对式(3)中目标函数U添加上时延罚项和均衡罚项作为优化过程中的适应度函数，即A=U+ζ+∑iNψi，式中罚项ψi为时延罚项，对应目标函数的约束(9)，该约束难以通过划分解空间的方式实现，因此设计为罚项．该约束的设计是为了避免用户因边缘服务器负载饱和导致体验下降．罚项公式表示为ψi=β[exp(Ti/Tiloc-1)-1]，式中β为罚系数，可调整惩罚力度．当移动端的执行时长TiTiloc时，该罚项会导致适应度上升，使得解劣化；而当TiTiloc，该罚项将会对适应度进行微小的奖励．罚项ζ为负载均衡罚项．实际场景中，用户倾向于接入信道条件最好或距离最近的基站，从而引起函数陷入局部最优，导致系统能量效率偏低，根据基站负载均衡能更好地利用边缘计算资源的先验知识，加入负载均衡罚项ζ来优化算法求解，ζ=expmax∑jNρij-min∑jNρijγ-1     (  γ=M/N)，式中exp幂部分表示边缘服务器负载最大值与最小值之差．各边缘服务器负载不均衡会导致适应度上升；负载越均衡，罚项会越小．γ为均衡系数，用于调整罚项数量级，实验结果表明使用基站数M除以用户数N效果较好．2.3　GA-SSA算法对于任务卸载策略m和接入策略ρ等离散变量，可通过编码为两条不同的染色体序列来输入GA．将当前移动终端的任务卸载策略通过{0,1}编码方式编码为一个染色体序列，称之为卸载决策链，具体为m=[m1,m2,⋯,mi,⋯,ms]   s=∑i=1Nαi,mi∈{0,1}.对终端的接入策略采用整数编码形式编码为染色体序列，称之为接入策略链，具体为ρ={ρ1,ρ2,⋯,ρi,⋯,ρN}   ρ∈{1,2,⋯,m,⋯M},式中ρi=m表示客户终端i接入边缘服务器m．卸载决策链与接入策略链在交叉互换时互不干扰．为了提升遗传算法的收敛速度和收敛精度，使用自适应方法来调整交叉率和变异率[16]．对于适应度较好的双亲染色体，其变异率和交叉率较小，以保留优秀基因；而对于适应度较差的双亲染色体，其变异率和交叉率较大，从而探索优秀的基因组．在遗传算法生成卸载策略m和接入策略ρ种群后，会分别对染色体序列执行麻雀算法搜索[17]，从而获得该卸载策略接入策略下最优的包括终端发射功率pUE、AP发射功率PAP和AP分配的计算频率f在内的连续变量．3 仿真与结果分析通过Matlab平台进行仿真，操作系统为ubuntu20.04，仿真的重要参数和取值如表1所示．10.13245/j.hust.239505.T001表1仿真环境参数设置表参数参数取值参数参数取值Floc/GHz2fminAP/GHz2.4k5×10-27fmaxAP/GHz5pminloc/mW50kAP2×10-27pmaxloc/mW200pminAP/W20W/Hz1×106pmaxAP/W200N0/(dB∙mW∙Hz)-1-173max epoch500图3为多小区的算法迭代收敛图，用户数N为60、任务数s为5、边缘服务器M为4，可见在约200代开始收敛，但适应度值依旧不断下降且收敛，符合预期情况．10.13245/j.hust.239505.F003图3多小区算法模型收敛情况图4给出了不同任务数和不同用户数下不同卸载策略的性能．将提出的优化算法与全本地计算、全卸载计算、随机卸载计算3种策略进行比较．从性能指标上看，本文算法要远优于另外3种卸载策略．基于该偏好系数，系统能耗和系统平均时延也要优于其他策略，符合算法预期．10.13245/j.hust.239505.F004图4各种卸载策略情况对比图5给出了用户数N为60、任务数s为5、边缘服务器M为4时，在不同偏好系数λ下，模型优化的能耗和时延呈现此消彼长、互相折中的辩证关系．随着时延偏好系数的不断增大，系统的优化从偏向于能耗逐渐偏向于时延，与构造的理论模型分析一致，在具体系统设计过程中，鉴于业务的多样化，可根据系统总体对能耗与时延的实际需求，依据不同业务计算量与时延敏感程度，适时调整偏好系数来进行性能折中优化，改善用户业务QoE体验．10.13245/j.hust.239505.F005图5不同用户数各种卸载策略的情况可见所提出的在遗传算法中嵌套麻雀算法的GA-SSA双层优化模型，通过分步嵌套的方式，缩小了两个算法的搜索空间，加速了算法求解，且在系统时延、能耗及适应度等指标方面表现出良好的性能；进一步分析了目标函数中时延、能耗参量偏好系数变化时的性能折中曲线，为不同应用场景、不同业务QoE的权系数的选择起到指导作用．仿真表明GA-SSA算法中单样本求解的时间消耗，能将凸优化小时量级缩减到分钟量级，下一步将利用该模型为统计学习生成大量样本，将计算资源卸载与深度学习模型进行结合，探讨基于AI算力的高维资源预部署与实施调度的新方向．