沈 冬，方旭明

（西南交通大學(xué)，四川 成都 611756）

0 引言

隨著無線通信技術(shù)的飛速發(fā)展，移動設(shè)備的應(yīng)用種類變得日益豐富，衍生出虛擬現(xiàn)實（Virtual Reality，VR）、增強(qiáng)現(xiàn)實（Augmented Reality，AR）等時延敏感型、計算密集型應(yīng)用。然而由于受限于體積，移動設(shè)備的計算能力、電池能量有限，可能無法及時處理這類應(yīng)用。此外，該類應(yīng)用的計算可能會消耗大量能量[1]，從而縮短移動端續(xù)航時間或電池壽命。由歐洲電信標(biāo)準(zhǔn)化協(xié)會（European Telecommunications Standards Institute，ETSI）提出的移動邊緣計算[2,3]（Mobile Edge Computing，MEC），可以較好地解決上述問題。通過該技術(shù)，移動設(shè)備可將計算任務(wù)卸載到靠近用戶側(cè)和位于接入網(wǎng)絡(luò)邊緣的MEC服務(wù)器，從而減輕移動端的計算負(fù)擔(dān)，降低任務(wù)處理時延與移動端能耗。

如今，由IEEE 802.11系列標(biāo)準(zhǔn)所定義的Wi-Fi已經(jīng)成為最受歡迎的無線數(shù)據(jù)傳輸技術(shù)之一，有超過一半的用戶數(shù)據(jù)通過Wi-Fi網(wǎng)絡(luò)進(jìn)行傳輸[4]。最新一代Wi-Fi標(biāo)準(zhǔn)802.11ax已經(jīng)正式封標(biāo)，并已投入使用，該標(biāo)準(zhǔn)具有高吞吐量、低時延等特點。Wi-Fi網(wǎng)絡(luò)具有大帶寬、低時延、分布廣、無移動運(yùn)營商資費(fèi)等特點，且用戶數(shù)據(jù)僅在局域網(wǎng)內(nèi)進(jìn)行傳輸，安全性高，因此相比蜂窩網(wǎng)絡(luò)更能滿足移動邊緣計算的需求。

關(guān)于移動邊緣計算的相關(guān)研究主要集中在MEC網(wǎng)絡(luò)架構(gòu)[5]、計算任務(wù)卸載策略[6]、計算任務(wù)卸載策略與資源分配聯(lián)合優(yōu)化算法[7]。由于MEC服務(wù)器通常需要在資源有限的情況下同時為多個移動設(shè)備提供計算服務(wù)，因此，計算任務(wù)卸載策略與資源分配算法對移動邊緣計算的性能有顯著影響。計算任務(wù)卸載與資源分配的聯(lián)合優(yōu)化問題已成為移動邊緣計算的研究熱點之一。

絕大部分文獻(xiàn)基于蜂窩網(wǎng)與車聯(lián)網(wǎng)，研究移動邊緣計算下的計算任務(wù)卸載與資源分配聯(lián)合優(yōu)化問題。在文獻(xiàn)[8]中，作者將數(shù)據(jù)壓縮技術(shù)引入多用戶單服務(wù)器MEC系統(tǒng)，在滿足時延限制的條件下，通過聯(lián)合優(yōu)化卸載策略、資源分配和數(shù)據(jù)壓縮比例以降低移動端能耗。文獻(xiàn)[9]針對提供內(nèi)容緩存服務(wù)的MEC系統(tǒng)，提出了內(nèi)容緩存決策、卸載決策、資源分配聯(lián)合優(yōu)化問題，并通過將用戶請求的內(nèi)容緩存到MEC服務(wù)器的方式，避免相同內(nèi)容的重復(fù)傳輸，降低回傳鏈路的帶寬占用與任務(wù)處理時延。針對車聯(lián)網(wǎng)中由于車輛移動導(dǎo)致的任務(wù)卸載失敗的問題，文獻(xiàn)[10]考慮車速等限制條件，提出了動態(tài)卸載策略，即通過將任務(wù)分成多個子任務(wù)并卸載到不同基站的服務(wù)器進(jìn)行并行計算的方式，實現(xiàn)在任務(wù)卸載不中斷的前提下，最小化每個基站的任務(wù)處理時延。文獻(xiàn)[11]提出了一種啟發(fā)式算法，以優(yōu)化所有移動端的最大任務(wù)處理時延，從而提高了用戶公平性。文獻(xiàn)[12]針對多用戶多服務(wù)器的MEC系統(tǒng)，提出了基于強(qiáng)化學(xué)習(xí)的分布式任務(wù)卸載策略，以實現(xiàn)服務(wù)器的計算負(fù)載均衡。

針對Wi-Fi網(wǎng)絡(luò)移動邊緣計算下的計算任務(wù)卸載與資源分配的研究數(shù)量較少，且相關(guān)文獻(xiàn)的研究場景主要是基于蜂窩與Wi-Fi的異構(gòu)網(wǎng)絡(luò)，并通常對資源分配模型進(jìn)行了簡化，或不滿足Wi-Fi網(wǎng)絡(luò)資源分配的限制條件，因此所提資源分配算法不適用于802.11ax Wi-Fi網(wǎng)絡(luò)。文獻(xiàn)[13]在基于蜂窩與Wi-Fi的異構(gòu)網(wǎng)絡(luò)下研究單用戶任務(wù)卸載問題，通過基于深度強(qiáng)化學(xué)習(xí)的算法以優(yōu)化任務(wù)卸載長期開銷，實現(xiàn)任務(wù)處理時延、排隊時延、成本的折中。文獻(xiàn)[14]以最小化移動端時延開銷為優(yōu)化目標(biāo)，研究了基于Wi-Fi網(wǎng)絡(luò)MEC架構(gòu)下的聯(lián)合任務(wù)卸載與資源分配問題；然而該文獻(xiàn)僅簡單地考慮傳輸速率與服務(wù)器負(fù)載強(qiáng)度和服務(wù)用戶數(shù)量成反比，并沒有給出具體的資源分配模型。文獻(xiàn)[15]的作者將能量捕獲技術(shù)引入MEC系統(tǒng)，研究由基于非正交多址（Non-Orthogonal Multiple Access，NOMA）技術(shù)的蜂窩與基于正交頻分多址（Orthogonal Frequency Division Multiple Access，OFDMA）技術(shù)的Wi-Fi組成的異構(gòu)網(wǎng)絡(luò)下的任務(wù)卸載與資源分配問題；然而該文獻(xiàn)在Wi-Fi網(wǎng)絡(luò)下采用的頻譜資源粒度為子載波，因此該文獻(xiàn)所提資源分配算法并不適用于頻譜資源粒度為資源單元（Resource Unit，RU）的802.11ax Wi-Fi網(wǎng)絡(luò)。文獻(xiàn)[16]提出了一種基于802.11ac Wi-Fi網(wǎng)絡(luò)的多接入點（Access Point，AP）多用戶MEC架構(gòu)，并基于此架構(gòu)研究任務(wù)卸載與資源分配聯(lián)合優(yōu)化問題，通過分支限界法求解以最小化移動端能耗；然而作者在仿真時采用了固定調(diào)制與編碼方式（Modulation and Coding Scheme，MCS），且忽略了通信資源分配對傳輸速率的影響。文獻(xiàn)[17]研究了基于Wi-Fi與蜂窩異構(gòu)網(wǎng)絡(luò)下的任務(wù)卸載問題，并提出了基于交替優(yōu)化與線性規(guī)劃的優(yōu)化算法，以降低時延與能耗的加權(quán)；然而該文獻(xiàn)沒有對通信與計算資源分配進(jìn)行優(yōu)化，且采用的Wi-Fi網(wǎng)絡(luò)為802.11ax之前版本的傳統(tǒng)Wi-Fi網(wǎng)絡(luò)，因此并不涉及802.11ax Wi-Fi網(wǎng)絡(luò)下的OFDMA資源分配問題。

綜上所述，目前鮮有基于Wi-Fi網(wǎng)絡(luò)的移動邊緣計算解決方案，且現(xiàn)有文獻(xiàn)在研究資源分配問題時，采用的頻譜資源粒度通常為按任意比例分配的帶寬、按任意數(shù)量分配的子載波或者是大小固定、規(guī)格單一的子信道，并且將香農(nóng)容量等效為實際的傳輸速率。而最新一代802.11ax Wi-Fi網(wǎng)絡(luò)的頻譜資源可被分為多種不同固定規(guī)格的RU，并且實際的傳輸速率取決于RU規(guī)格和MCS，因此現(xiàn)有文獻(xiàn)所提資源分配算法并不適用于Wi-Fi網(wǎng)絡(luò)。

針對上述問題，本文基于802.11ax Wi-Fi網(wǎng)絡(luò)，對移動邊緣計算下的計算任務(wù)卸載與資源分配問題進(jìn)行了研究，主要貢獻(xiàn)如下：

（1）給出了基于802.11ax Wi-Fi網(wǎng)絡(luò)的計算任務(wù)整體卸載與資源分配系統(tǒng)模型；

（2）考慮任務(wù)時延限制，建立了卸載決策與資源分配聯(lián)合優(yōu)化問題，最小化移動設(shè)備的任務(wù)處理總能耗；

（3）提出了基于坐標(biāo)下降法與任務(wù)優(yōu)先級的卸載與資源分配方案，所提方案具有較低算法復(fù)雜度，且滿足802.11ax Wi-Fi網(wǎng)絡(luò)的資源分配限制條件；

（4）通過仿真驗證了所提方案能夠在顯著降低移動設(shè)備任務(wù)處理總能耗的同時，提高QoS滿意率，有效提高了基于Wi-Fi網(wǎng)絡(luò)的MEC性能。

1 系統(tǒng)模型與問題建模

假設(shè)在一個由單AP、多站點（Station，STA）組成的802.11ax Wi-Fi網(wǎng)絡(luò)中，AP含MEC服務(wù)器，具有通信、存儲和一定的計算能力，如圖1所示。AP和STA均是802.11ax設(shè)備，且工作在5 GHz頻段。

記STA集合為M={1,2,…,M}，STAm的計算任務(wù)為Tm=(dm,cm,τm)，其中，dm為任務(wù)數(shù)據(jù)量大小，單位為比特；cm為任務(wù)所需的CPU計算量大小，單位為時鐘周期（cycle）；τm為任務(wù)的時延限制，單位為秒。假設(shè)STA的計算任務(wù)無法進(jìn)一步分割，STA只能對任務(wù)進(jìn)行本地計算或者整體卸載。假設(shè)AP與STA的CPU在每個時鐘周期所能處理的指令數(shù)相同，即具有相同的每周期完成的指令數(shù)（Instructions Per Cycle，IPC），則AP與STA的計算能力僅與CPU頻率有關(guān)。假設(shè)同一個任務(wù)在本地進(jìn)行計算以及在服務(wù)器進(jìn)行計算所需要的CPU計算量相同。由于本文設(shè)計的方案僅針對計算任務(wù)，故假設(shè)系統(tǒng)內(nèi)此時沒有通信業(yè)務(wù)，因此僅考慮計算任務(wù)的傳輸，不考慮計算任務(wù)與通信業(yè)務(wù)的混合傳輸。

1.1 本地計算模型

當(dāng)STAm進(jìn)行本地計算時，記STAm的本地計算資源為，則本地計算時延和能耗可以分別表示為：

式中：ε為能耗系數(shù)[18]。

1.2 卸載計算模型

當(dāng)STAm進(jìn)行卸載計算時，STA首先需要將任務(wù)數(shù)據(jù)上傳給AP，其次由AP的MEC服務(wù)器對任務(wù)進(jìn)行計算，最后AP將任務(wù)計算結(jié)果回傳給STA。

在802.11ax Wi-Fi網(wǎng)絡(luò)中，頻譜資源的最小粒度為RU，且每個STA只能使用1個RU。RU規(guī)格是離散的，且種類有限，以80 MHz帶寬為例，按照包含子載波個數(shù)由少到多，可將RU分為26-tone、52-tone、106-tone、242-tone、484-tone、996-tone RU。為了方便，將RU表示為其占用子載波的數(shù)量，則26-tone、52-tone、106-tone、242-tone、484-tone、996-tone RU可以分別表示為26，52，106，242，484，996。

STAm的上行傳輸速率可以表示為：

式中：pm為STAm的傳輸功率；gm為STAm到AP的信道增益；RUm為STAm所用RU的規(guī)格，記為其所包含的子載波數(shù)量；SINRm為AP在STAm所用RU上的信干噪比；V(RUm,MCS(SINRm))為在規(guī)格為RUm的RU上，接收端的信干噪比為SINRm時，所能達(dá)到的最大MCS所對應(yīng)的傳輸速率；N0為噪聲功率譜密度；bc為單個子載波占用的帶寬。

RU規(guī)格越大，則帶寬越大，而采用更高階的MCS可以提高單個符號所攜帶的比特數(shù)，并且降低前向糾錯的編碼開銷，因此傳輸速率與RU規(guī)格和MCS成正相關(guān)。MCS的種類有限，且與SINR有關(guān)，SINR越大，則可以采用更高級別的MCS。本文將802.11ax協(xié)議所定義的接收機(jī)最小輸入靈敏度減去噪聲功率，以獲取SINR與MCS的映射關(guān)系。此外，通過查詢802.11ax協(xié)議的方式以獲取給定RU規(guī)格和MCS所對應(yīng)的傳輸速率。

一般而言，任務(wù)計算結(jié)果比任務(wù)數(shù)據(jù)小很多[19]，因此忽略下行傳輸過程帶來的時延和能耗，則STAm的傳輸時延和傳輸能耗可以分別表示為：

記AP為STAm分配的服務(wù)器計算資源為fms，則STAm的任務(wù)在服務(wù)器計算的時延可以表示為：

STAm的卸載計算時延和能耗可以分別表示為：

1.3 問題建模

記卸載決策向量為X={x1,x2,…,xM}，RU分配向量為RU={RU1,RU2,…,RUM}，傳輸功率分配向量為P={p1,p2,…,pM}，本地計算資源分配向量為，服務(wù)器計算資源分配向量為。本文在滿足任務(wù)時延限制的條件下最小化STA的任務(wù)處理總能耗，則優(yōu)化問題可以表示為：

式中：xm=0為本地計算；xm=1為卸載計算；RUmax為AP所能提供的最大RU規(guī)格；F s為服務(wù)器的最大計算資源；為STAm的最大本地計算資源；為STAm的最大傳輸功率。

2 任務(wù)卸載與資源分配方案

在優(yōu)化問題P中，整形變量的存在導(dǎo)致該問題是一個混合整數(shù)非線性規(guī)劃問題，且待優(yōu)化變量較多，難以通過優(yōu)化理論直接求得最優(yōu)解。因此，本文將原始優(yōu)化問題拆分為卸載決策子問題與資源分配子問題進(jìn)行求解，通過在給定卸載策略的情況下求解資源分配子問題，并對卸載策略進(jìn)行迭代優(yōu)化以求得次優(yōu)解。

2.1 資源分配子問題

在給定卸載策略的情況下，原始優(yōu)化問題可轉(zhuǎn)化為本地計算資源分配問題P1與卸載計算資源分配問題P2的次優(yōu)化問題，分別如式（11）、式（12）所示。

式中：Ml為進(jìn)行本地計算的STA集合。優(yōu)化問題P1為在滿足任務(wù)時延限制的條件下，最小化每個進(jìn)行本地計算的STA的能耗。

式中：Moff為進(jìn)行卸載計算的STA集合。優(yōu)化問題P2為在滿足任務(wù)時延限制的條件下，最小化所有進(jìn)行任務(wù)卸載的STA的能耗之和。

由于每個STA的信道質(zhì)量、任務(wù)數(shù)據(jù)量、任務(wù)計算量、任務(wù)時延限制不同，因此當(dāng)卸載策略確定后，均分帶寬資源、服務(wù)器計算資源的方式無法保證較好的性能，需要通過合理的通信資源與計算資源分配，以在盡量滿足任務(wù)時延限制的條件下，降低STA的任務(wù)處理總能耗。為此，本文綜合考慮Wi-Fi網(wǎng)絡(luò)的資源分配特點與限制條件，提出了一種基于任務(wù)優(yōu)先級的資源分配算法（Task Priority Based Resource Allocation，TPBRA），流程如圖2所示。

圖2 基于任務(wù)優(yōu)先級的資源分配算法流程

基于任務(wù)優(yōu)先級的資源分配算法流程具體如下文所述。

（1）本地計算資源分配。若STA進(jìn)行本地計算，則AP無須為STA分配通信資源和服務(wù)器計算資源。由于移動設(shè)備可通過動態(tài)電壓調(diào)整（Dynamic Voltage Scaling，DVS）技術(shù)對本地計算資源進(jìn)行調(diào)整，從而降低能耗[20]。因此在任務(wù)時延限制的條件下，STA的最佳本地計算資源可以表示為：

（2）計算任務(wù)優(yōu)先級。對于進(jìn)行任務(wù)卸載的STAm而言，根據(jù)STA所需最小服務(wù)器計算資源、所需最小傳輸速率、傳輸能力capacitym計算STA任務(wù)優(yōu)先級wm，表達(dá)式分別為：

式中：αj(j∈{1,2,3})為優(yōu)先級系數(shù)，且。對于任務(wù)數(shù)據(jù)量越大、任務(wù)計算量越大、任務(wù)時延限制越苛刻、信道質(zhì)量越差、最大傳輸功率越小的STA而言，其任務(wù)的時延限制條件越不容易被滿足，因此為其設(shè)置更大的任務(wù)優(yōu)先級，并在后續(xù)進(jìn)行通信與計算資源分配時，為任務(wù)優(yōu)先級更大的STA分配更多資源。

（3）RU分配。在802.11ax Wi-Fi網(wǎng)絡(luò)中，RU規(guī)格是離散的，其種類有限，且一個STA最多只能使用一個RU，因此本文將RU分配問題建模為RU規(guī)格與STA任務(wù)優(yōu)先級的匹配問題。假設(shè)進(jìn)行卸載的STA數(shù)為Moff，且將整個帶寬拆分為Moff個RU的RU規(guī)格組合共有K種，則RU分配問題可以看作從K種RU規(guī)格組合中選取一種最合適的RU規(guī)格組合，并且為這Moff個RU與STA確定一一對應(yīng)的關(guān)系。

記第k種（k∈{1,2,…,K}）組合下各個RU的規(guī)格之比（由大到小排序）為s1,k:s2,k:…:sMoff,k。對STA按任務(wù)優(yōu)先級由大到小的順序進(jìn)行排序，得到排序后的STA編號n1,n2,…,nMoff∈Moff。將排序后的STA任務(wù)優(yōu)先級之比歸一化為其中，然后將K種RU規(guī)格組合的RU規(guī)格之比歸一化為，其中，

本文將RU規(guī)格匹配問題建模為最小化多維空間中兩點距離問題進(jìn)行求解。設(shè)最合適的RU規(guī)格組合為第k*種RU規(guī)格組合，則k*為：

由于在盡量用完帶寬的前提下可用的RU規(guī)格組合數(shù)較少，因此本文使用窮舉法找到最合適的RU規(guī)格組合，最后通過式（19）得到每個參與卸載計算的STA所用的RU規(guī)格。

（4）服務(wù)器計算資源分配。由于服務(wù)器計算資源分配向量F s不會對移動端能耗的大小產(chǎn)生影響，因此本文將服務(wù)器計算資源按照任務(wù)優(yōu)先級之比進(jìn)行分配，如式（20）所示。任務(wù)優(yōu)先級越大，說明該STA的任務(wù)時延限制越不容易被滿足，因此需要分給該STA更多的服務(wù)器計算資源。

（5）STA功率調(diào)整。在完成上述步驟后，資源分配子問題可轉(zhuǎn)化為Moff個獨(dú)立的STA功率優(yōu)化問題，其表達(dá)式為：

由于傳輸速率V與MCS呈一一對應(yīng)的離散映射關(guān)系，因此難以給出目標(biāo)函數(shù)φm與自變量pm的函數(shù)表達(dá)式。為了便于分析傳輸功率pm對能耗φm的影響，將傳輸速率V替換為香農(nóng)容量，則可以得到式（22）所示的優(yōu)化問題。

通過進(jìn)一步求導(dǎo)分析不難得出(pm)>0，故ψm(pm)單調(diào)遞增。由于實際的傳輸速率與香農(nóng)容量成正相關(guān)，因此可近似認(rèn)為能耗隨著功率的增加而增大，故為了最小化STA能耗，需要在滿足任務(wù)時延限制C2和STA功率限制C1的條件下盡可能降低傳輸功率。根據(jù)上述結(jié)論，本文提出了如算法1所示的STA功率調(diào)整算法。

2.2 卸載決策子問題

坐標(biāo)下降法（Coordinate Descent，CD）是一種簡單、高效的迭代優(yōu)化算法，通過將一個高維的優(yōu)化問題分解為若干個一維的優(yōu)化問題，從而極大降低了問題的復(fù)雜度。與梯度下降法按照梯度方向搜索目標(biāo)函數(shù)最優(yōu)值不同，坐標(biāo)下降法在每次迭代過程中按給定順序依次在每個坐標(biāo)維度上搜索目標(biāo)函數(shù)的最優(yōu)值[21]?？紤]到卸載策略為0-1變量，因此，對卸載策略向量的每個坐標(biāo)維度進(jìn)行搜索時，具有較低的復(fù)雜度，故本文基于坐標(biāo)下降法對卸載策略進(jìn)行迭代優(yōu)化。卸載決策流程如圖3所示。

圖3 基于坐標(biāo)下降法的整體卸載決策流程

基于坐標(biāo)下降法的整體卸載決策流程具體如下文所述。

（1）確定初始卸載策略。首先預(yù)估STA按照最大本地計算資源對任務(wù)進(jìn)行計算是否能滿足時延限制，若否，則STA需要將其任務(wù)卸載到MEC服務(wù)器。根據(jù)式（23）、式（24）確定初始卸載策略。

（2）通信與計算資源分配。按照如圖2所示的TPBRA算法進(jìn)行資源分配。

（3）卸載策略迭代優(yōu)化。記STA集合為M={1,2,…,M}，卸載策略優(yōu)化順序向量為O={o1,o2,…,ok,…,oM}，?ok∈M，第k個被優(yōu)化卸載策略的STA編號為ok。為了盡量滿足STA的時延限制，本文在計算改變STA卸載策略所帶來的系統(tǒng)增益時，同時考慮STA能耗降低收益和任務(wù)如果超時而導(dǎo)致的懲罰。在給定卸載決策向量X時，記RU(X)，P(X)，F(xiàn) l(X)，F(xiàn) s(X)分別為通過基于任務(wù)優(yōu)先級的資源分配算法所得到的RU、傳輸功率、本地計算資源、服務(wù)器計算資源分配向量，則在給定卸載策略向量X與資源分配向量RU(X)，P(X)，F(xiàn) l(X)，F(xiàn) s(X)時，考慮超時懲罰后的能耗總開銷Call(X)，它可以表示為：

式中：βm為懲罰因子，當(dāng)STAm的任務(wù)處理時延不滿足時延限制時，βm>1，STAm的能耗開銷會進(jìn)一步增大。通過引入懲罰因子，使得算法在迭代過程中盡量避開不滿足時延限制的卸載策略，從而盡可能保證STA任務(wù)時延限制。

式中：⊕表示模2加運(yùn)算符。

對于每次迭代過程而言，按照給定順序O依次對每個STA的卸載策略進(jìn)行優(yōu)化，每個已被優(yōu)化的STA卸載策略都將作為已知量，用于后續(xù)的優(yōu)化過程。對于單個STA的卸載策略優(yōu)化而言，首先嘗試改變該STA的卸載策略，并重新進(jìn)行資源分配，判斷改變該STA卸載策略是否能降低能耗總開銷。若可以，則需要改變該STA的卸載策略，否則該STA的卸載策略保持不變。因此可以表示為：

記第i次迭代所帶來的系統(tǒng)增益為Gi，則Gi可以表示為：

對于第i次迭代，若Gi>0，則本次迭代能夠帶來系統(tǒng)增益，因此本次迭代對卸載策略與資源分配結(jié)果的調(diào)整有效；若Gi≤0，則本次迭代無法帶來增益，因此本次迭代對卸載策略與資源分配結(jié)果的調(diào)整無效。則經(jīng)過第i次迭代后得到的卸載策略向量可以表示為：

由于坐標(biāo)下降法依次沿著單個變量方向?qū)δ繕?biāo)函數(shù)進(jìn)行優(yōu)化，因此在有限迭代次數(shù)內(nèi)目標(biāo)函數(shù)能夠收斂到一個局部最優(yōu)解，故本文將算法收斂停止條件設(shè)置為Gi≤0。

基于坐標(biāo)下降法的卸載策略（Coordinate Descent Based Offloading，CDBO）如算法2所示。

3 仿真結(jié)果與分析

3.1 仿真場景與參數(shù)設(shè)置

仿真場景為單AP多STA場景，STA隨機(jī)分布在AP周圍。假設(shè)需要卸載的任務(wù)數(shù)據(jù)量小于或等于AP所能提供的最大RU剩余承載能力，任務(wù)時延限制設(shè)置為任務(wù)在本地計算最小時延的50%～120%。除非特別聲明，其他仿真參數(shù)如表1所示。

表1 仿真參數(shù)

為了驗證本文所提方案的有效性，本文通過MATLAB對所提方案和以下3種基線方案的性能進(jìn)行仿真。

（1）基線1（local-only）：所有任務(wù)進(jìn)行本地計算，并在保證任務(wù)時延限制的前提下盡可能降低本地計算資源。

（2）基線2（offload-only+RRA）：所有任務(wù)進(jìn)行卸載計算，并采用隨機(jī)資源分配算法，即AP在保證帶寬盡量用完的前提下，為STA隨機(jī)分配RU、均分服務(wù)器計算資源，且STA采用最大傳輸功率。

（3）基線3（offload-only+TPBRA）：所有任務(wù)進(jìn)行卸載計算，并采用基于任務(wù)優(yōu)先級的資源分配算法。

（4）本文所提方案（CDBO+TPBRA）：采用基于坐標(biāo)下降法與任務(wù)優(yōu)先級的卸載與資源分配方案。

通過多次實驗并對性能指標(biāo)取平均值的方式得到仿真結(jié)果，性能指標(biāo)包括了STA的任務(wù)處理總能耗、QoS滿意率。其中，QoS滿意率定義為任務(wù)處理時延小于或等于任務(wù)時延限制的任務(wù)數(shù)占總?cè)蝿?wù)數(shù)的比例。

3.2 性能分析

3.2.1 改變STA數(shù)量

圖4和圖5分別為STA任務(wù)處理總能耗、QoS滿意率與STA數(shù)量的關(guān)系。其中，服務(wù)器最大計算資源為12 GHz。

圖4 STA的任務(wù)處理總能耗與STA數(shù)量的關(guān)系

圖5 QoS滿意率與STA數(shù)量的關(guān)系

從圖4可以看出，本文所提方案的STA任務(wù)處理總能耗顯著低于其他方案，且本文所提基于任務(wù)優(yōu)先級的資源分配算法能夠有效降低STA的任務(wù)處理總能耗。當(dāng)STA數(shù)量較少時，本文方案的性能曲線與基線3重合，這是因為當(dāng)STA數(shù)量較少時，通信與服務(wù)器計算資源是充足的，AP能夠較好地滿足所有STA的任務(wù)計算需求，此時本文所提方案會讓所有STA將任務(wù)卸載到AP進(jìn)行計算。

從圖5可以看出，本文所提方案的QoS滿意率顯著高于其他方案，且本文所提基于任務(wù)優(yōu)先級的資源分配算法能夠在通信、服務(wù)器計算資源較為充足的情況下適量提高QoS滿意率。當(dāng)STA數(shù)量較少時，由于通信資源與服務(wù)器計算資源是充足的，此時全部卸載計算，本文所提方案均能較好地滿足STA的任務(wù)時延限制。隨著STA數(shù)量逐漸增多，全部卸載計算的QoS滿意率急劇下降，且當(dāng)STA數(shù)增加到一定程度時，全部卸載計算已經(jīng)無法滿足任何STA的任務(wù)時延限制。

綜合圖4與圖5可以看出，當(dāng)STA數(shù)量較少時，由于STA能夠獲取足夠的通信與服務(wù)器計算資源，因此全部卸載計算與隨機(jī)資源分配也能夠獲得與本文方案較為接近的MEC性能；而當(dāng)STA數(shù)量較多時，由于STA難以獲取足夠的通信與服務(wù)器計算資源，因此全部卸載計算與隨機(jī)資源分配的MEC性能急劇下降。本文所提方案的MEC性能隨STA數(shù)的增加下降較為緩慢，且即使在STA數(shù)較大時依然能夠保持不錯的MEC性能?？梢姳疚奶岢龅姆桨改軌蜻m應(yīng)不同STA數(shù)量，即能夠同時在資源受限與不受限時進(jìn)行合理的卸載決策與資源分配，實現(xiàn)在盡可能滿足STA任務(wù)時延限制的條件下，降低STA任務(wù)處理總能耗的功能。

3.2.2 改變?nèi)蝿?wù)數(shù)據(jù)量大小

圖6和圖7分別為STA任務(wù)處理總能耗、QoS滿意率與STA任務(wù)數(shù)據(jù)量的關(guān)系。其中，STA數(shù)量為6，服務(wù)器最大計算資源為12 GHz。

圖6 STA的任務(wù)處理總能耗與STA任務(wù)數(shù)據(jù)量的關(guān)系

圖7 QoS滿意率與STA任務(wù)數(shù)據(jù)量的關(guān)系

從圖6可以看出，本文所提方案的STA任務(wù)處理總能耗顯著低于其他方案，且能耗上升速率也遠(yuǎn)低于全部卸載計算與隨機(jī)資源分配。

從圖7可以看出，除全部本地計算外，其他方案的QoS滿意率均隨著任務(wù)數(shù)據(jù)量的增加而降低。此外，本文所提方案具有最高的QoS滿意率，且QoS滿意率的下降速率也遠(yuǎn)低于全部卸載計算與隨機(jī)資源分配。

綜合圖6與圖7可以看出，當(dāng)任務(wù)數(shù)據(jù)量較小時，將所有任務(wù)卸載到服務(wù)器進(jìn)行計算以及進(jìn)行隨機(jī)資源分配，也能夠獲得較好的MEC性能；當(dāng)任務(wù)數(shù)據(jù)量較大時，全部卸載計算與隨機(jī)資源分配的MEC性能顯著下降，而本文所提方案的性能下降不明顯，即使在任務(wù)數(shù)據(jù)量較大時仍然能保持較好的MEC性能。這是因為本文所提方案綜合考慮STA計算能力、AP計算能力、任務(wù)屬性等參數(shù)進(jìn)行合理的卸載決策，通過將時延限制較為苛刻、數(shù)據(jù)量較小、計算量較大的任務(wù)卸載到AP進(jìn)行計算，而對時延限制較為寬松、數(shù)據(jù)量較大、計算量較小的任務(wù)在本地進(jìn)行計算，以充分利用參數(shù)的多樣性，使得STA的計算任務(wù)與任務(wù)計算方式相匹配。此外，本文所提方案在進(jìn)行資源分配時，為任務(wù)時延限制更苛刻、任務(wù)數(shù)據(jù)量更大、任務(wù)計算量更大、傳輸能力更差的STA分配更大的RU和服務(wù)器計算資源，因此能夠更好地滿足STA的任務(wù)時延 限制。

3.2.3 算法復(fù)雜度與算法收斂性

圖8為本文所提方案達(dá)到收斂所需算法平均迭代次數(shù)與STA數(shù)量的關(guān)系，其中，服務(wù)器最大計算資源為12 GHz?？梢钥闯觯?dāng)STA數(shù)量較多時，本文所提方案達(dá)到收斂所需算法平均迭代次數(shù)依然較小，且迭代次數(shù)隨STA數(shù)的增加近似呈現(xiàn)線性增長趨勢。

圖8 本文所提方案的算法平均迭代次數(shù)與STA數(shù)量的關(guān)系

圖9為本文所提方案在不同帶寬設(shè)置下的收斂性，其中，服務(wù)器最大計算資源為24 GHz，STA數(shù)量為8，STA任務(wù)數(shù)據(jù)量大小為6 Mbit?？梢钥闯?，隨著帶寬的增大，STA的平均傳輸時延降低，因此STA的任務(wù)處理總能耗也跟著降低。此外，本文所提方案的STA任務(wù)處理總能耗在不同帶寬下均隨著迭代次數(shù)的增加而呈現(xiàn)下降趨勢，且均能在一定迭代次數(shù)之后收斂到一個固定值，因此本文所提方案具有較好的收斂性。

圖9 本文所提方案的收斂性

綜上所述，本文所提方案能夠在不同場景參數(shù)下，降低STA任務(wù)處理總能耗，提高QoS滿意率，同時具有較低的算法復(fù)雜度和較好的收斂性。

4 結(jié)語

本文基于802.11ax Wi-Fi網(wǎng)絡(luò)，對MEC計算任務(wù)卸載與資源分配問題進(jìn)行了研究。首先給出了任務(wù)整體卸載與資源分配系統(tǒng)模型，其次建立了在時延限制條件下最小化移動終端任務(wù)處理總能耗的優(yōu)化問題，再次設(shè)計了基于坐標(biāo)下降法與任務(wù)優(yōu)先級的任務(wù)卸載與資源分配方案，最后通過MATLAB對所提方案的性能進(jìn)行了仿真。仿真結(jié)果表明，本文所提出的方案能夠在顯著降低移動端任務(wù)處理總能耗的同時，提高QoS滿意率，有效提高了基于Wi-Fi網(wǎng)絡(luò)的MEC性能。此外，本文所提方案即使在STA數(shù)較多時也能很快收斂，且算法迭代次數(shù)隨STA數(shù)的增加近似呈線性增長趨勢，因此方案本身的執(zhí)行開銷不會對MEC性能造成太大負(fù)面影響，可見本文方案在實際的Wi-Fi網(wǎng)絡(luò)中具有較低的算法復(fù)雜度與較高的可行性。