边缘协同的无线与计算资源分配方案

来自 搜狐网 的图片

边缘协同的无线与计算资源分配方案北京科技大学于1952 年由天津大学（原北洋大学）、清华大学等 6所国内著名大学的矿冶系科组建而成，现已发展成为以工为主，工、理、管、文、经、法等多学科协调发展的教育部直属全国重点大学，是全国首批正式成立研究生院的高等学校之一。1997 年 5 月，学校首批进入国家“211 工程”建设高校行列。2006 年，学校成为首批 “985 工程”优势学科创新平台建设高校。2014 年，学校牵头的，以北京科技大学、东北大学为核心高校的“钢铁共性技术协同创新中心”成功入选国家“2011 计划”。2017 年，学校入选国家“双一流”建设高校。2018 年，学校获批国防科工局、教育部共建高校。

目录

成果概述

该成果涉及一种边缘协同的无线与计算资源分配方案。利用博弈论构建“用户-本地 MEC 服务器-其他 MEC 服务器”的无线与计算资源分配与协同关系；结合 IRS 技术，解决无线链路瓶颈问题；从时延与能耗两个方面优化，能够解决终端设备算力匮乏与能量短缺的问题；基于凸优化与连续凸逼近的理论方法，设计低计算复杂度高效的优化算法；提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行。

成果突破性

通过博弈构建的 MEC 服务器协作机制能够解决 MEC 服务器负载均衡问题，进一步优化资源分配，降低边缘计算时延；结合 IRS 技术，能够有效保证直射信道条件比较差时的信道容量，降低传输时延，提高频谱效率；高效的算法设计，通过较低复杂度获得鲁棒性高的近优解。IRS 的引入与凸优化理论的应用从物理设备与数学理论两个角度提升 MEC 无线网络的服务质量。所述方案基于博弈论的分布式思想，计算复杂度低，具有较好的收敛性，能够在无线通信领域大规模推广。

成果详细描述

1.突破性与创新型

（1）通过博弈论构建“用户-本地 MEC 服务器-其他 MEC 服务器”，基于博弈论的资源配置机制具有低复杂度、高灵活性等优点，能够解决集中式的资源分配方式计算复杂度高、模型构建复杂、无法突出用户的个体理性的问题。同时，通过博弈构建的边缘服务器协同机制能够有效解决边缘服务器负载均衡问题，提升边缘服务器计算资源利用率，基于博弈的边缘服务器协同机制能为边缘服务器协作提供正向激励，保证边缘服务器之间有效协作。用户与边缘服务器基于博弈的资源分配机制建立了用户与边缘服务器之间的“资源-支付”关系，将经济学理论与通信结合，使得方案更容易落地实施。 （2）所涉及边缘协同的无线与计算资源分配方案与装置，结合 IRS技术，解决通信盲区问题，解决通信链路瓶颈问题，能够有效提高信道容量，提升频谱效率，有效降低任务卸载传输时延与能耗，保证 MEC 性能，提升用户 QoE。

（3）兼顾优化了时延与能耗，有效解决无线终端计算资源匮乏与电池容量有限的问题；优化变量全面，联合优化无线终端上行传输功率、IRS 相位系数矩阵、基站信号检测矩阵、边缘服务器计算资源分配等，使卸载时延与能耗进一步降低。

（4）优化算法方面，基于凸优化与连续凸逼近设计优化算法，将原问题分解成几个子问题，将非凸子问题转换成凸问题并且得到优化变量的闭式解，迭代优化直至收敛，所提算法收敛速度快，复杂度低，具有较高的鲁棒性。

2.主要技术指标

所提方案对比现存方案能够降低的端到端时延 0.5ms-10ms，降低能耗 2mJ-21mJ，提升系统总体性能约 5%。

3.应用前景

（1）工业互联网领域，工业互联网对时延与可靠性要求极高，流程行业存在能质流严重耦合、多目标冲突、在线实验风险大、人工依赖性强等问题，该资源分配方案具有复杂度低，收敛性好的特点，所得近优解具有很好的鲁棒性，能够满足工业互联网低时延高可靠需求。同时，工业环境复杂，工业建筑物可能会对无线信号造成遮挡，IRS 技术的引入将有效解决工业环境中无线链路条件差的问题。同时工业传感器算力与能量极其有限，所述方案同时优化时延与能耗能够解决工业传感器算力匮乏与能源有限的问题。

（2）车联网领域，车联网特别是无人驾驶场景对时延具有极高的要求，该方案支持为构建“人—车—路—云”高度协同的互联环境，实现车路协同、自动驾驶等业务提供了基础，基于博弈的分布式资源分配方法相较于传统集中式方案具有较低的计算复杂度，有效发挥分布式智能的优势，能够调用整个车联网中的分布式算力，有效提升算力利用率。

（3）医疗健康领域，医疗应用场景需要精确的时延控制，所述方案从物理设备与数学理论两个角度切入降低传输时延，同时考虑边缘协同，能够有效利用分布式算力，为医疗行业应用提供充足的算力资源。

（4）图像采集与分析领域，图像采集与分析具有时效性，通常需要较低的时延与较高的算力。所述方案提供了边缘服务器协作机制，能够解决单个边缘服务器过载问题，能够有效利用网络中的分布式算力，为图像分析提供充足的算力资源。同时，所述方案联合优化多个参数，进一步降低处理时延，且利用凸优化与连续凸逼近技术获得优化变量闭式解，复杂度低，收敛性好。能够满足图像采集与分析应用对于时效性的需求。

（5）无线蜂窝通信领域，当无线用户具有计算密集高的任务时，需要将任务卸载至边缘服务器执行，所述方案为无线任务卸载提供了解决方法。所述方案综合优化时延与能耗，根据不同的用户类型调整权重因子，提升无线用户 QoE。同时，在蜂窝通信中，小区边缘用户信号质量差，所述方案结合 IRS 技术，可以在小区边缘形成信号增强区，能够有效保证小区边缘用户 QoE。

（6）无人机&边缘计算领域，特殊场景因环境原因难以布置边缘服务器，无人机可充当边缘服务器进行组网，但是由于无人机本身算力有效，所以无人机边缘计算容易发生服务器过载，所述方案利用博弈构建边缘服务器协同机制，能够将多个无人机算力协同，有效利用无人机网络中的分布式算力，解决单个无人机服务器算力瓶颈问题。

（7）物联网领域，IoT 设备能量有限，且特殊场景中 IoT 设备与基站间通信链路条件恶劣，所述方案能够有效优化 IoT 设备传输能耗，与 IRS 技术的结合能够解决通信链路条件恶劣的问题，有效保证 IoT传感器的工作，提升物联网 QoS。

（8）大规模网络通信领域，大规模网络拓扑结构复杂，传统集中式算法复杂度高，所述方案通过博弈论分布式思想，充分发挥边缘网络分布式算力进行资源分配，有效降低算法复杂度，提升计算效率，保证网络 QoS。

4.预计的社会经济效益

推动无线通信领域的理论发展加速通信行业与产业界以及工业界的融合，预计在工业互联网、车联网、蜂窝无线通信等领域创造不少于 1000 万的经济效益，提供不少于 20 个就业岗位，带动通信行业中小企业发展，促进经济内循环。

综上所述，所述方案具有较高的创新性和实用性，从物理设备与数学理论两个角度切入问题，实施较为简单，容易落地。所述方案在无线通信领域具有较好的应用前景，能够为社会带来较大的潜在经济效益，推动通信行业的发展，促进经济内循环。