韓松岳，郭基聯(lián)

(1.陸軍工程大學(xué) 通信士官學(xué)校，重慶 400035；2.中國(guó)人民解放軍32705部隊(duì)，陜西 西安 710086；3.空軍工程大學(xué) 航空工程學(xué)院，陜西 西安 710038)

0 引言

第五代移動(dòng)通信技術(shù)(5G)采用新型網(wǎng)絡(luò)架構(gòu)，引入虛擬化和軟件定義網(wǎng)絡(luò)技術(shù)，網(wǎng)絡(luò)功能與傳統(tǒng)專用電信設(shè)備解耦合，轉(zhuǎn)而基于通用服務(wù)器以軟件包形式運(yùn)行，實(shí)現(xiàn)了虛擬化、模塊化和彈性化部署，從系統(tǒng)架構(gòu)和網(wǎng)絡(luò)功能層面賦予了5G開放、靈活的屬性，使其成為了當(dāng)前社會(huì)各行業(yè)信息化、智能化轉(zhuǎn)型的平臺(tái)技術(shù)。盡管5G性能參數(shù)和能效指標(biāo)較4G實(shí)現(xiàn)了躍升，具有大帶寬、高速率、廣連接和低時(shí)延等特點(diǎn)，但是在自動(dòng)駕駛、遠(yuǎn)程手術(shù)和虛擬現(xiàn)實(shí)等計(jì)算密集、時(shí)延敏感和數(shù)據(jù)隔離型應(yīng)用時(shí)，仍需引入移動(dòng)邊緣計(jì)算技術(shù)(Mobile Edge Computing，MEC)作為輔助和增強(qiáng)，從而保證服務(wù)質(zhì)量(Quality of Service，QoS)。

5G賦能的智慧教室作為智慧校園的核心應(yīng)用場(chǎng)景，相較于傳統(tǒng)的數(shù)字教室，教學(xué)設(shè)施和智能終端能夠直接或通過5G CPE間接接入5G網(wǎng)絡(luò)，賦能諸如Cloud VR/AR教學(xué)、學(xué)情大數(shù)據(jù)分析、課堂監(jiān)控智能分析和超清遠(yuǎn)程直播課堂等新型教學(xué)應(yīng)用。為此，在5G架構(gòu)下部署MEC系統(tǒng)，任務(wù)數(shù)據(jù)能夠在校園本地完成處理，相較于傳統(tǒng)蜂窩網(wǎng)賦能的云計(jì)算智慧教室，節(jié)約了傳輸鏈路信道資源，大幅縮短了數(shù)據(jù)流轉(zhuǎn)路徑，避免了鏈路擁塞，從而降低業(yè)務(wù)交付時(shí)延和設(shè)備能耗，同時(shí)，數(shù)據(jù)不出園區(qū)帶來的隔離特性，大幅降低實(shí)驗(yàn)數(shù)據(jù)、敏感信息和用戶隱私的泄露風(fēng)險(xiǎn)。計(jì)算卸載作為MEC的關(guān)鍵技術(shù)，是指將任務(wù)處理過程按相應(yīng)的卸載策略從移動(dòng)設(shè)備遷移到資源充裕的其他設(shè)備上[1]。若缺乏適用于具體場(chǎng)景的卸載策略，系統(tǒng)會(huì)根據(jù)信道質(zhì)量、網(wǎng)絡(luò)信息和MEC資源可用性，隨機(jī)卸載到通信質(zhì)量好或計(jì)算資源充裕的MEC服務(wù)器，造成服務(wù)器過載，產(chǎn)生額外的時(shí)延和能耗，影響用戶體驗(yàn)質(zhì)量(Quality of Experience，QoE)。傳統(tǒng)4G與MEC的融合部署，受限于4G架構(gòu)和物理?xiàng)l件，需在網(wǎng)絡(luò)架構(gòu)中引入控制實(shí)體[2]，而5G架構(gòu)部署MEC由于虛擬網(wǎng)元，因此可選策略更加靈活。

綜上，本文在智慧教室場(chǎng)景下，以5G MEC系統(tǒng)作為信息服務(wù)的基礎(chǔ)設(shè)施，開展系統(tǒng)構(gòu)建和優(yōu)化方法研究具有一定的現(xiàn)實(shí)意義。當(dāng)前，業(yè)界學(xué)者區(qū)分不同卸載場(chǎng)景，針對(duì)不同優(yōu)化目標(biāo)建模開展了卓有成效的研究。Zhang等[3]提出了一種并行卸載模型和小區(qū)域卸載方案，Sun等[4]運(yùn)用協(xié)同PSO解決無人機(jī)工業(yè)物聯(lián)網(wǎng)資源分配問題，Ji等[5]運(yùn)用強(qiáng)化學(xué)習(xí)解決了多用戶單MEC場(chǎng)景的卸載優(yōu)化問題；資源分配研究為所卸載任務(wù)分配算力資源[6]。因?yàn)樾遁d策略往往是多目標(biāo)優(yōu)化問題，所以上述研究運(yùn)用到智能優(yōu)化算法或機(jī)器學(xué)習(xí)算法求解問題，但是上述模型沒有考慮到類似于智慧教室的固定場(chǎng)所場(chǎng)景下MEC系統(tǒng)中終端設(shè)備通常由穩(wěn)定市電供能，不能僅考慮時(shí)延優(yōu)化，還應(yīng)防止“過載”現(xiàn)象發(fā)生，需在模型中加入相應(yīng)的優(yōu)化機(jī)制。為此，本文主要開展了以下工作：

① 開展基礎(chǔ)理論研究，梳理5G MEC融合機(jī)制，結(jié)合應(yīng)用場(chǎng)景構(gòu)建5G MEC系統(tǒng)架構(gòu)。

② 依托基金項(xiàng)目開展實(shí)驗(yàn)測(cè)試，指出高網(wǎng)絡(luò)并發(fā)狀態(tài)下，VR教學(xué)、專網(wǎng)視頻會(huì)議和超清直播出現(xiàn)網(wǎng)絡(luò)抖動(dòng)和延遲增大的問題。

③ 基于貪婪思想[7]運(yùn)用教學(xué)算法對(duì)粒子群迭代更新后的粒子，進(jìn)行“教”階段和“學(xué)”階段更新，并利用貪婪原則進(jìn)行迭代，提出融合教學(xué)機(jī)制的自適應(yīng)粒子群(Teach & Learn Adaptive Particle Swarm Optimization，TLAPSO)算法，開展仿真實(shí)驗(yàn)，驗(yàn)證了其收斂性和復(fù)雜度的優(yōu)化。

④ 將所提算法應(yīng)用到系統(tǒng)模型中，與基于模擬退火算法、粒子群算法和本地卸載的策略進(jìn)行對(duì)比分析，并取得了較優(yōu)結(jié)果。

1 智慧教室信息系統(tǒng)模型構(gòu)建

1.1 基于多視圖方法論的需求分析

多視圖方法論[8]是指從不同對(duì)象的視角對(duì)目標(biāo)系統(tǒng)進(jìn)行規(guī)范化描述，形成相應(yīng)需求描述視圖用以反映不同對(duì)象的訴求，最終形成完善的需求分析框架。

5G智慧教室包含的終端設(shè)備數(shù)量大、種類多，應(yīng)用服務(wù)具有差異化網(wǎng)絡(luò)訴求，網(wǎng)絡(luò)服務(wù)呈大流量、高并發(fā)的特點(diǎn)，在建設(shè)與測(cè)試階段，面臨計(jì)算卸載決策觸發(fā)機(jī)制可靠性低、卸載位置不合理和資源利用不充分等挑戰(zhàn)。為此，需要研究適用于智慧教室場(chǎng)景的計(jì)算卸載策略。本文引入系統(tǒng)工程領(lǐng)域多視圖方法論開展需求分析，形成了如圖1所示的需求分析框架，用以指導(dǎo)后續(xù)系統(tǒng)架構(gòu)設(shè)計(jì)和模型構(gòu)建。

圖1 5G智慧教室需求分析框架Fig.1 Requirement analysis framework of 5G smart classroom

1.2 系統(tǒng)構(gòu)建和問題描述

以需求為牽引，本文構(gòu)建了具有遠(yuǎn)程互動(dòng)教學(xué)功能的5G智慧教室，系統(tǒng)架構(gòu)如圖2所示，具體包

圖2 5G智慧教室抽象模型Fig.2 Abstract model of 5G smart classroom

含現(xiàn)場(chǎng)互動(dòng)教學(xué)、遠(yuǎn)程互動(dòng)教學(xué)、VR/AR教學(xué)和分組啟發(fā)教學(xué)4種教學(xué)場(chǎng)景。

在實(shí)際運(yùn)用中，智慧教室多場(chǎng)景、多應(yīng)用交錯(cuò)運(yùn)行，有大量網(wǎng)絡(luò)需求各異的并行計(jì)算業(yè)務(wù)，因此，易產(chǎn)生較高的時(shí)延與能耗，QoS無法得到保證。尤其在VR/AR教學(xué)中，基本階段的VR業(yè)務(wù)網(wǎng)絡(luò)端到端時(shí)延需小于20 ms，才能確保虛實(shí)同步和避免眩暈感，而舒適和理想階段需分別小于15 ms和8 ms時(shí)延[9]。然而，智慧教室多建于室內(nèi)場(chǎng)館，有穩(wěn)定市電保障，因此，為進(jìn)一步降低業(yè)務(wù)的交付時(shí)延，合理利用計(jì)算資源，本文以能耗約束條件下優(yōu)化時(shí)延為目標(biāo)，運(yùn)用TLAPSO算法，基于MEC系統(tǒng)的數(shù)學(xué)模型對(duì)計(jì)算卸載進(jìn)行優(yōu)化。

算法中，粒子有速度和位置2個(gè)向量參數(shù)，分別表示粒子移動(dòng)的方向、步長(zhǎng)和潛在可行解，因此粒子編碼的維度與計(jì)算任務(wù)維度相等，粒子位置向量的元素值表示MEC服務(wù)器的編碼，最后通過算法迭代尋優(yōu)，最終輸出一個(gè)代表最優(yōu)解的位置向量，即為卸載決策向量。

1.3 模型構(gòu)建與目標(biāo)確立

根據(jù)需求分析框架和智慧教室系統(tǒng)架構(gòu)，本節(jié)就計(jì)算卸載過程進(jìn)行建模，模型中的主要符號(hào)含義如表1所示。

表1 主要參數(shù)設(shè)置Tab.1 Main parameter settings

1.3.1 時(shí)延模型

當(dāng)計(jì)算任務(wù)量較小時(shí)，任務(wù)在本地設(shè)備處理，產(chǎn)生本地計(jì)算時(shí)延Tl：

Tl=ci/fu,i，

(1)

式中，ci表示工作負(fù)載。fi表示計(jì)算密度，即單位數(shù)據(jù)量所需的CPU周期數(shù)，該值與任務(wù)類型相關(guān)。

當(dāng)計(jì)算任務(wù)較大時(shí)，則卸載至MEC端處理，計(jì)算卸載包含上行傳輸、計(jì)算處理和結(jié)果反饋3個(gè)主要階段，相應(yīng)地產(chǎn)生傳輸時(shí)延、MEC計(jì)算時(shí)延和反饋時(shí)延。在5G架構(gòu)中，下行鏈路數(shù)據(jù)傳輸速率快，體驗(yàn)速率有100 Mb/s，峰值速率達(dá)20 Gb/s[10]，且計(jì)算結(jié)果經(jīng)過MEC端的編碼壓縮，使得數(shù)據(jù)量較小，因此反饋時(shí)延忽略不計(jì)，則計(jì)算卸載總時(shí)延Ti為：

Ti=Ttrans+Tcal，

(2)

式中，上行傳輸時(shí)延Ttrans可由上行傳輸鏈路速率Rij間接求得，根據(jù)Shannon-Hartley有：

(3)

Ttrans=ci/Rij。

(4)

而MEC端計(jì)算時(shí)延Tcal為：

Tcal=ci/fsi。

(5)

1.3.2 能耗模型

任務(wù)處理過程主要產(chǎn)生本地計(jì)算、上行傳輸和MEC計(jì)算處理3種能耗。其中，上行傳輸能耗面向終端設(shè)備，由終端發(fā)射功率求得：

Etrans=PiTtrans。

(6)

本地計(jì)算能耗為：

El=ku(fui)2ci，

(7)

式中，k是由芯片架構(gòu)決定的能量系數(shù)，根據(jù)文獻(xiàn)[11]的方法，本文終端設(shè)備ku=10-25；fui為終端設(shè)備的CPU周期頻率，反映了終端設(shè)備的算力水平。

MEC端計(jì)算能耗為：

Es=ks(fsi)2ci，

(8)

式中，fsi為MEC服務(wù)器的CPU周期頻率，同上述方法，MEC服務(wù)器能量系數(shù)ks=10-27。

1.3.3 確立優(yōu)化目標(biāo)

根據(jù)前述分析，智慧教室雖然有穩(wěn)定的市電保障，但為防止高能耗對(duì)供電線路造成高壓負(fù)載，避免對(duì)設(shè)備的生命周期造成損害，應(yīng)控制卸載在能耗合理范圍約束內(nèi)。為此，通過增加過載后系統(tǒng)開銷，建立防過載機(jī)制。綜合時(shí)延與能耗模型，確立優(yōu)化目標(biāo)為在能耗約束下，求使得MEC系統(tǒng)時(shí)延最小化的卸載決策向量，表述為問題G：

(9)

其中，當(dāng)任務(wù)在本地執(zhí)行時(shí)，式(9)中p=0，并且：

Tl=ci/fu,i。

(10)

當(dāng)任務(wù)卸載至MEC執(zhí)行時(shí)，p=10-2.7并且：

Ti=Ttrans+Tcal，

(11)

s.t.

0≤Pi≤Pimax，

(12)

0≤fui≤fumax，

(13)

0≤fsi≤fsmax。

(14)

在問題G中，式(12)、式(13)和式(14)是面向任務(wù)處理全周期的約束條件，即終端發(fā)射功率應(yīng)鉗定在限額內(nèi)，本地設(shè)備和MEC服務(wù)器的計(jì)算頻率也應(yīng)在算力的上限范圍內(nèi)。

2 融合教學(xué)機(jī)制和粒子群優(yōu)化的TLAPSO算法

2.1 粒子群算法

PSO的尋優(yōu)過程通過粒子在搜索空間的飛行完成，粒子每次迭代中的移動(dòng)由3個(gè)部分組成：對(duì)上一次速度的繼承、自身學(xué)習(xí)以及種群的信息交互[12]。其表達(dá)式為：

vi(k+1)=ωvi(k)+c1r1[Pbest,i(k)-xi(k)]+

c2r2[Gbest-xi(k)]，

(15)

xi(k+1)=xi(k)+vi(k+1)，

(16)

式中，ω為慣性權(quán)重系數(shù)；c1，c2表示學(xué)習(xí)算子，c1表示受自身歷史最優(yōu)影響程度的大小，c2表示受種群最優(yōu)影響程度的大小，是控制PSO的迭代最重要參數(shù)；xi(k)表示粒子i第k次迭代的位置向量；vi(k)表示其速度向量；r1和r2為隨機(jī)因子；Pbest,i為第i個(gè)粒子的歷史最優(yōu)；Gbest為種群最優(yōu)[13]。

2.2 教與學(xué)算法

教與學(xué)優(yōu)化(Teaching-Learning Based Optimization，TLBO)算法由Rao等[14]于2012年提出。相較于其他智能優(yōu)化算法，TLBO具有收斂速度快、不依賴主觀設(shè)置參數(shù)等優(yōu)勢(shì)。此后，多人對(duì)TLBO算法進(jìn)行了改進(jìn)。Li等[15]基于差分進(jìn)化算法(DE)對(duì)TLBO進(jìn)行了改進(jìn)，形成混合自適應(yīng)教學(xué)優(yōu)化算法(ATLDE)，解決了光伏模型未知參數(shù)的識(shí)別問題。Chen等[16]通過構(gòu)造自適應(yīng)框架，將原始TLBO與高斯分布進(jìn)行融合，新的更新律在搜索過程中以適應(yīng)度對(duì)應(yīng)的2種模式切換。此外，為了避免初始化過程中的局部收斂，引入了與原始教學(xué)和學(xué)習(xí)階段相關(guān)聯(lián)的自學(xué)習(xí)階段。Ma等[17]引入新的種群機(jī)制改進(jìn)了TLBO，提升了收斂速度和精度。李麗榮等[18]引入自適應(yīng)因子提升TLBO的性能和精度。

TLBO算法主要是模擬以班級(jí)為單元的教學(xué)方法，班級(jí)中學(xué)生學(xué)習(xí)水平的提升需要通過老師的“教”來引導(dǎo)，同時(shí)，學(xué)員之間需要相互“學(xué)習(xí)”來提高對(duì)知識(shí)點(diǎn)的吸收。在該算法機(jī)制中，“老師”和“學(xué)生”充當(dāng)了進(jìn)化算法的種群個(gè)體，種群個(gè)體中適應(yīng)度最好的個(gè)體充當(dāng)“老師”身份，每個(gè)學(xué)員所學(xué)的某一科目都對(duì)應(yīng)一種決策變量。具體表述如下：

③ 教學(xué)班：將該算法中搜索空間中所有點(diǎn)的集合稱為班。

⑤ 老師：老師并不固定，而是教學(xué)班中成績(jī)最好的學(xué)員，即Xbest，記作Xteacher。

2.2.1 “教”階段

在算法的“教”階段，教學(xué)班中每個(gè)學(xué)員Xj(j=1,2,…,NP)通過計(jì)算可以得知個(gè)體與班級(jí)平均值及教師的差距，并據(jù)此差距進(jìn)行學(xué)習(xí)追趕。教學(xué)方法示意如圖3所示。

圖3 教學(xué)方法示意Fig.3 Schematic representation of teaching methods

由圖3可知，前期的班級(jí)平均成績(jī)?yōu)镸eanA=28，成績(jī)分布區(qū)間跨度較大，通過老師反復(fù)教學(xué)，后期班級(jí)平均成績(jī)有所提升，達(dá)到了MeanB=74，并且成績(jī)分布區(qū)間跨度有所壓縮。

在“教”階段，學(xué)員通過學(xué)習(xí)來縮小與老師和學(xué)員平均水平之間的差距，該階段可表示為：

(17)

Difference=ri(Xteacher-TFiMean)，

(18)

2.2.2 “學(xué)”階段

該階段與鯨魚優(yōu)化算法(Whale Optimization Algorithm，GWO)的隨機(jī)搜索機(jī)制類似，通過讓每個(gè)學(xué)員Xi(i=1,2,…,NP)將隨機(jī)一個(gè)同學(xué)Xj(j=1,2,…,NP,j≠i)視作自己學(xué)習(xí)競(jìng)爭(zhēng)的對(duì)象，學(xué)員Xi與其學(xué)習(xí)對(duì)象Xj進(jìn)行對(duì)比，找到差距所在從而進(jìn)行學(xué)習(xí)和追趕，其中，根據(jù)學(xué)習(xí)步長(zhǎng)r對(duì)每個(gè)學(xué)員采用不同的學(xué)習(xí)因子，增加了種群的隨機(jī)性，增強(qiáng)了算法擺脫陷入局部最優(yōu)狀態(tài)的能力。學(xué)習(xí)過程為：

(19)

式中，學(xué)習(xí)因子ri=U(0,1)表示學(xué)習(xí)步長(zhǎng)。

2.2.3 迭代更新

更新方法IfXinewis better thanXioldXiold=XinewEnd if

2.3 算法融合改進(jìn)

將粒子群更新后的粒子作為教與學(xué)算法的學(xué)員，利用教與學(xué)算法對(duì)粒子進(jìn)行位置更新，TLAPSO算法流程如圖4所示。

圖4 TLAPSO算法流程Fig.4 Flowchart of TLAPSO algorithm

2.4 算法性能驗(yàn)證

基于仿真環(huán)境Intel Core i5 1.6 GHz處理器，內(nèi)存16 GB的HUAWEI Matebook14，操作系統(tǒng)Windows10專業(yè)版64位，使用Matlab 2018b作為仿真平臺(tái)，對(duì)融合教與學(xué)算法和粒子群算法的改進(jìn)TLAPSO算法進(jìn)行驗(yàn)證分析。

為驗(yàn)證改進(jìn)算法的性能，確保算法的通用性和測(cè)試條件的完整性，基于單峰、多峰和混合維度多峰3類共23個(gè)測(cè)試基準(zhǔn)函數(shù)，對(duì)TLAPSO與基本PSO算法開展仿真對(duì)比實(shí)驗(yàn)，并針對(duì)每個(gè)函數(shù)連續(xù)進(jìn)行30次實(shí)驗(yàn)，將實(shí)驗(yàn)結(jié)果的均值以圖表的形式直觀呈現(xiàn)。表2給出了23個(gè)函數(shù)的表達(dá)式、變量取值范圍、維度和最優(yōu)值等參數(shù)。

表2 測(cè)試基準(zhǔn)函數(shù)表Tab.2 Table of test benchmark functions

續(xù)表編號(hào)函數(shù)維度取值區(qū)間fminF21F21(x)=-∑5i=1(X-ai)(X-ai)T+ci[]-14[0,10]-10.153 2F22F22(x)=-∑7i=1(X-ai)(X-ai)T+ci[]-14[0,10]-10.402 8F23F23(x)=-∑10i=1(X-ai)(X-ai)T+ci[]-14[0,10]-10.536 3

將TLAPSO與基本PSO算法在上述測(cè)試基準(zhǔn)函數(shù)上進(jìn)行比較，設(shè)置種群數(shù)量為30，最大迭代次數(shù)為200，通過連續(xù)的30次實(shí)驗(yàn)，2種算法的最優(yōu)適應(yīng)度值、最優(yōu)解對(duì)應(yīng)的平均適應(yīng)度值、最差適應(yīng)度值、標(biāo)準(zhǔn)差和算法自用時(shí)間如表3所示。

表3 PSO與TLAPSO算法在測(cè)試函數(shù)上的運(yùn)算結(jié)果Tab.3 Operational results of PSO and TLAPSO algorithms on test functions

實(shí)驗(yàn)結(jié)果如圖5和圖6所示，圖5分別是函數(shù)F1～F21的實(shí)驗(yàn)結(jié)果圖，藍(lán)色線條表示原始PSO算法的尋優(yōu)結(jié)果，紅色線條表示TLAPSO算法的尋優(yōu)結(jié)果。從仿真實(shí)驗(yàn)圖像看，在函數(shù)F1～F21中，改進(jìn)TLAPSO算法表現(xiàn)均優(yōu)于基本PSO算法，具有更快的收斂速度和更優(yōu)的收斂精度，證明TLAPSO算法性能提升明顯。

但是，圖6中TLAPSO算法在F22和F23函數(shù)迭代后期，收斂精度略低于原始PSO算法，但收斂速度仍快于原始PSO算法。其中，在函數(shù)F22對(duì)比實(shí)驗(yàn)中，2種算法在迭代至第150次時(shí)，相互重疊并取得了相同的適應(yīng)度函數(shù)，迭代至166次后，改進(jìn)TLAPSO算法收斂精度略低于基本PSO算法；函數(shù)F23對(duì)比實(shí)驗(yàn)中，TLAPSO算法在迭代至131次時(shí)，與原始PSO算法出現(xiàn)交叉，并在后面的迭代中，收斂精度略低于原始PSO算法。

客觀上，改進(jìn)算法通常經(jīng)過調(diào)整參數(shù)、融合更新機(jī)制或引入其他數(shù)學(xué)操作，流程上的增加必然導(dǎo)致算法調(diào)用和自用時(shí)間的增加。但是基于23個(gè)測(cè)試函數(shù)實(shí)驗(yàn)，連續(xù)進(jìn)行30輪，每輪迭代200次算法自用總時(shí)間看，改進(jìn)算法TLAPSO平均自用時(shí)間為3.339 s，PSO平均自用時(shí)間為1.579 s，復(fù)雜度雖較經(jīng)典PSO有所提升，但收斂性能取得了較大的提升，因此TLAPSO在性能改進(jìn)的基礎(chǔ)上，算法復(fù)雜度得到了較好的控制。

由上述仿真實(shí)驗(yàn)可得,相較于原始PSO算法，TLAPSO算法在解決大部分單峰和多峰函數(shù)具有更快的收斂速度和更高的收斂精度，在部分高維問題上，會(huì)略微犧牲收斂精度，而取得更快的收斂速度。因此，TLAPSO算法在應(yīng)對(duì)智慧教室中，入網(wǎng)終端設(shè)備和MEC服務(wù)器數(shù)量不大，且裝備設(shè)施空間位置相對(duì)固定的場(chǎng)景時(shí)，能夠取得較好的優(yōu)化結(jié)果。

(a) F1

(a) F22

3 基于TLAPSO算法的計(jì)算卸載策略優(yōu)化

3.1 粒子編碼

本文基于整數(shù)編碼，令種群數(shù)量為M，任務(wù)數(shù)量為K，MEC服務(wù)器的數(shù)量為N，用字母T表示計(jì)算任務(wù)task，則任務(wù)集合為T={T1,T2,T3,…,Tk}。其中，每個(gè)任務(wù)包含3個(gè)關(guān)鍵信息：處理任務(wù)所需的數(shù)據(jù)量、單位數(shù)據(jù)量所需的CPU周期和處理該任務(wù)的最大能耗約束。因此，用三元數(shù)組結(jié)構(gòu)表示Ti(Bi,fi,Emax)，用字母S表示MEC服務(wù)器，則MEC服務(wù)器集合為S={S1,S2,S3,…,Sn}，用Hij(1≤i≤K,1≤j≤N)表示任務(wù)Ti卸載到服務(wù)器Sj的上行鏈路信道增益矩陣。

在本文依托的項(xiàng)目背景中，共有3個(gè)MEC服務(wù)節(jié)點(diǎn)為教學(xué)場(chǎng)所提供數(shù)據(jù)卸載分流服務(wù)，后期隨著研究與建設(shè)的深入，可以對(duì)系統(tǒng)進(jìn)行升級(jí)改造，主要節(jié)點(diǎn)采用實(shí)體MEC系統(tǒng)部署，其余的節(jié)點(diǎn)采用軟件虛擬化形式的MEC與4G宏站、5G微站共站部署。假設(shè)一個(gè)智慧教室中某一時(shí)段共有9個(gè)大數(shù)據(jù)量業(yè)務(wù)需要卸載到MEC端進(jìn)行處理。則任務(wù)集合可表示為T={T1,T2,T3,…,T9}，基于整數(shù)編碼的方法，若粒子i編碼為Xi=[1,3,7,0,2,5,4,2,0]，則表示任務(wù)T1卸載到編號(hào)為1的MEC服務(wù)器，任務(wù)T2卸載到編號(hào)為3的MEC服務(wù)器，任務(wù)T3卸載到編號(hào)為1(7-3-3=1)的MEC服務(wù)器，任務(wù)T4在本地終端設(shè)備執(zhí)行計(jì)算處理。

粒子速度向量用來更新粒子的位置，由式(16)可知，對(duì)應(yīng)于粒子的位置向量，速度向量表示粒子在空間中飛行運(yùn)動(dòng)的方向和跨度，其維度與粒子編碼相對(duì)應(yīng)，因此，每個(gè)維度的元素值表示任務(wù)卸載服務(wù)器編碼位次的變化。

3.2 適應(yīng)度函數(shù)

本文以智慧校園為背景，針對(duì)智慧教室作為應(yīng)用場(chǎng)景進(jìn)行建模，從前述分析可知，智慧教室有穩(wěn)定的市電保障，因此，為降低模型和算法復(fù)雜度，進(jìn)一步提升卸載效率，將模型簡(jiǎn)化為在能耗約束下最小化時(shí)延，并且當(dāng)卸載任務(wù)產(chǎn)生的計(jì)算能耗大于能耗約束時(shí)，會(huì)增加卸載代價(jià)。因此，算法的適應(yīng)度函數(shù)為：

(20)

3.3 基于TLAPSO算法的計(jì)算卸載流程

受教學(xué)活動(dòng)啟發(fā)，將“教與學(xué)”算法與粒子群算法相融合，通過收斂速度更快、尋優(yōu)精度更高的TLAPSO算法解決計(jì)算卸載問題，結(jié)合圖4所示的算法流程，步驟如下：

(1) 初始化

初始化種群及相關(guān)參數(shù)。賦予粒子隨機(jī)位置和速度向量，設(shè)定種群規(guī)模M=30，MEC服務(wù)器數(shù)量N=5，加速常數(shù)c1=c2=1.5，慣性權(quán)重ω=0.8，為確保粒子不飛出邊界而錯(cuò)過最優(yōu)解，設(shè)定最大速度vmax=10，最大位置邊界xmax=5，最大迭代次數(shù)設(shè)為150。

(2) 計(jì)算適應(yīng)度值，記錄歷史和全局最優(yōu)

基于給定的參數(shù)計(jì)算總時(shí)延和能耗，得出每個(gè)粒子適應(yīng)度值。其中，歷史最優(yōu)值為從初始迭代到當(dāng)前粒子所遍歷的最好位置，可記為Pbest,i；所有迭代中的適應(yīng)度值最優(yōu)的粒子為種群最優(yōu)值，記為Gbest。

(3) 粒子迭代更新

當(dāng)?shù)螖?shù)小于80時(shí)，則循環(huán)進(jìn)行粒子“教”階段和“學(xué)”階段的迭代更新:

“教”階段的位置更新為：

(21)

“學(xué)”階段位置更新為：

(22)

速度更新時(shí)，當(dāng)粒子速度超出速度最大限制，則用該速度作為最大速度邊界值更新粒子速度。

(4) 用更優(yōu)粒子替代原粒子

通過前面設(shè)定的參數(shù)值，計(jì)算粒子的適應(yīng)度值，并遴選更優(yōu)的粒子替代Pbest,i和Gbest。

(5) 停止準(zhǔn)則處理

當(dāng)達(dá)到最大迭代次數(shù)時(shí)，則停止更新，此時(shí)輸出的卸載決策向量Vi即為所求的全局最優(yōu)解，且適應(yīng)度函數(shù)值為時(shí)延最小開銷。在迭代中，若更新的粒子適應(yīng)度值趨于平穩(wěn)，不再有上下波動(dòng)變化，則確定已找到全局最優(yōu)解，停止更新并輸出結(jié)果。

3.4 TLAPSO算法在MEC系統(tǒng)中的實(shí)現(xiàn)與應(yīng)用

通過算法的迭代和尋優(yōu)，在特定場(chǎng)景及其參數(shù)下，能夠快速得出全局最優(yōu)的卸載策略?？梢酝ㄟ^在系統(tǒng)中引入控制實(shí)體，將基于TLAPSO算法的卸載調(diào)度策略寫入調(diào)度模塊，實(shí)現(xiàn)卸載策略的應(yīng)用，也可以將基于優(yōu)化算法的卸載策略通過API接口寫入MEC系統(tǒng)層的編排器中，實(shí)現(xiàn)基于特定策略的計(jì)算卸載。

4 仿真實(shí)驗(yàn)及對(duì)比分析

4.1 環(huán)境搭建及參數(shù)設(shè)置

基于與3.4節(jié)中相同的平臺(tái)環(huán)境進(jìn)行仿真。為進(jìn)一步量化評(píng)估部署MEC系統(tǒng)后，業(yè)務(wù)時(shí)延的改善與優(yōu)化，對(duì)比應(yīng)用不同卸載策略的效果，遴選出適用于智慧教室場(chǎng)景的卸載策略。根據(jù)前述模型和問題G，對(duì)基于本地卸載執(zhí)行(未部署MEC系統(tǒng))、TLAPSO算法、基本PSO算法和SA算法的卸載策略進(jìn)行仿真實(shí)驗(yàn)，對(duì)比分析上述4種卸載策略的性能，給出部署MEC系統(tǒng)對(duì)5G智慧教室網(wǎng)絡(luò)承載優(yōu)化程度的定性評(píng)價(jià)，以及采用不同卸載策略對(duì)5G MEC系統(tǒng)優(yōu)化改善的定量評(píng)估。仿真實(shí)驗(yàn)參數(shù)設(shè)置如表4所示。

表4 主要參數(shù)設(shè)置Tab.4 Main parameter settings

4.2 仿真實(shí)驗(yàn)設(shè)計(jì)

4.2.1 任務(wù)量實(shí)驗(yàn)

本實(shí)驗(yàn)以終端設(shè)備的任務(wù)量為變量，以MEC系統(tǒng)在能耗約束下的卸載總時(shí)延作為系統(tǒng)總開銷，衡量不同卸載策略在相同參數(shù)環(huán)境下的收斂性能。設(shè)置相關(guān)參數(shù)如下：MEC服務(wù)器數(shù)量S=8，終端設(shè)備產(chǎn)生的任務(wù)數(shù)一共有T=60個(gè)，任務(wù)量分別設(shè)置為[5，10,15,20,25,30,35,40,45,50] MB，仿真結(jié)果如圖7所示。

圖7 任務(wù)量實(shí)驗(yàn)結(jié)果Fig.7 Experiment results of task volume

從仿真結(jié)果看，本地卸載策略在實(shí)驗(yàn)初始階段任務(wù)量較小的情況下，相較于將計(jì)算任務(wù)卸載到MEC服務(wù)器，有較大的卸載開銷。同時(shí)，隨著任務(wù)量的增加，本地卸載策略的系統(tǒng)總開銷增幅最大，足以證明在智慧教室部署MEC系統(tǒng)能夠有效地降低業(yè)務(wù)交付時(shí)延，提升用戶體驗(yàn)。此外，基于SA算法的卸載策略在實(shí)驗(yàn)任務(wù)量較小的初始階段，系統(tǒng)總開銷略高于基于PSO算法的卸載策略，經(jīng)過分析推論為在處理低維度問題時(shí)，復(fù)雜度較高的SA算法給系統(tǒng)造成了額外的時(shí)延，但在任務(wù)量適中的場(chǎng)景下，優(yōu)化效果好于PSO算法，在任務(wù)量較大的場(chǎng)景下，優(yōu)化效果與PSO接近?；赥LAPSO算法的卸載策略在任務(wù)量較小時(shí)優(yōu)化效果并不明顯，但隨著任務(wù)量的增加，優(yōu)化效果遠(yuǎn)優(yōu)于其他卸載策略，即TLAPSO卸載策略在大任務(wù)量場(chǎng)景中的優(yōu)化效果更加明顯。

在該實(shí)驗(yàn)中，TLAPSO卸載策略對(duì)系統(tǒng)的優(yōu)化程度最大值在任務(wù)量為50 MB時(shí)，較本地卸載策略優(yōu)化提升了55.90%。

4.2.2 能耗容忍度實(shí)驗(yàn)

雖然智慧教室有穩(wěn)定的市電供能，但是隨著智慧校園形態(tài)的發(fā)展演進(jìn)，未來將融入更多的物聯(lián)網(wǎng)和移動(dòng)互聯(lián)網(wǎng)終端設(shè)備，并且智慧化教學(xué)手段不再局限于教室，而是向室內(nèi)外聯(lián)動(dòng)教學(xué)和異地智慧化教學(xué)演進(jìn)[19]。因此，在室外條件下的供能與能耗，將直接影響到室外教學(xué)條件的構(gòu)設(shè)、供能方式的優(yōu)選和終端設(shè)備的壽命周期。

為了拓展TLAPSO卸載策略的適用場(chǎng)景，本實(shí)驗(yàn)通過控制設(shè)備產(chǎn)生的任務(wù)數(shù)量、MEC服務(wù)器數(shù)量和任務(wù)量大小3個(gè)變量，增加能耗容忍條件限度，觀察不同卸載策略的表現(xiàn)。設(shè)定參數(shù)如下：MEC服務(wù)器數(shù)量S=8，終端設(shè)備產(chǎn)生的任務(wù)數(shù)一共有T=60個(gè)，任務(wù)量大小為5 MB，仿真結(jié)果如圖8所示。

圖8 能耗容忍度實(shí)驗(yàn)結(jié)果Fig.8 Experimental results of energy consumption tolerance

從仿真結(jié)果看，隨著能耗容忍度的增加，系統(tǒng)總開銷呈遞減趨勢(shì)。其中，本地卸載策略卸載總開銷遠(yuǎn)高于其他卸載策略，并且前期能耗容忍度不高時(shí)，開銷減小速度快于后期，因?yàn)榻K端設(shè)備的CPU算力有限，超過其上限后，即使再增加能耗容忍，終端設(shè)備的敏感度也會(huì)降低，同樣說明了將任務(wù)卸載到MEC服務(wù)器處理的必要性。此外，SA卸載策略與PSO卸載策略優(yōu)化效果接近，TLAPSO策略優(yōu)于其他卸載策略。

在該實(shí)驗(yàn)中，TLAPSO卸載策略對(duì)系統(tǒng)的優(yōu)化程度最大值在能耗容忍為0 J·ms-1時(shí)，優(yōu)化率達(dá)54.02%。

4.2.3 MEC服務(wù)器數(shù)量實(shí)驗(yàn)

該實(shí)驗(yàn)以待處理的任務(wù)總量為變量，分別設(shè)置5臺(tái)和10臺(tái)MEC服務(wù)器，都以TLAPSO卸載策略進(jìn)行仿真實(shí)驗(yàn)。設(shè)置參數(shù)如下：任務(wù)總量分別設(shè)置為[300,600,900,1 200,1 500,1 800,2 100,2 400,2 700,3 000] MB，仿真結(jié)果如圖9所示。

圖9 MEC服務(wù)器數(shù)量實(shí)驗(yàn)結(jié)果Fig.9 Experimental results of the number of MEC servers

從仿真結(jié)果看，隨著待處理任務(wù)總量的增多，藍(lán)色折線上升趨勢(shì)變緩，并且系統(tǒng)總開銷始終低于紅色折線，說明MEC數(shù)量增多，不僅MEC端整體算力有所增強(qiáng)，同時(shí)粒子尋優(yōu)的可行解維度也有所增加，計(jì)算任務(wù)根據(jù)距離、MEC服務(wù)器算力性能和信道質(zhì)量等因素，可選的服務(wù)器更多。此外，本文中的模型設(shè)置了防過載機(jī)制，能夠有效防止計(jì)算任務(wù)過多卸載至通信和計(jì)算資源條件更優(yōu)的服務(wù)器上，杜絕因過載而產(chǎn)生額外的能耗和時(shí)延。

4.3 結(jié)論分析

從上述4種卸載策略的仿真實(shí)驗(yàn)結(jié)果看，在5G網(wǎng)絡(luò)架構(gòu)中部署MEC系統(tǒng)，能夠有效降低系統(tǒng)總開銷，優(yōu)化智慧教室場(chǎng)景中的業(yè)務(wù)交付時(shí)延，提升QoE。同時(shí)，基于TLAPSO算法的卸載策略相較于本地卸載、PSO和SA卸載策略具有更高的卸載效率，能夠更好地提升系統(tǒng)效能。

在智慧校園的發(fā)展演進(jìn)中，隨著入網(wǎng)設(shè)備的增多，海量數(shù)據(jù)的本地云化處理需求相應(yīng)地提升，應(yīng)當(dāng)以現(xiàn)有網(wǎng)絡(luò)基礎(chǔ)設(shè)施為依托，以教學(xué)科研和校園治理業(yè)務(wù)需求為牽引，基于校園布局、路測(cè)數(shù)據(jù)和網(wǎng)優(yōu)規(guī)劃手段，增加MEC節(jié)點(diǎn)數(shù)量，但是由于當(dāng)前5G MEC實(shí)體服務(wù)器成本高昂，可以考慮以少量實(shí)體服務(wù)器為中心，分布式部署虛擬化MEC節(jié)點(diǎn)，實(shí)現(xiàn)過渡階段的平滑演進(jìn)，滿足智慧校園個(gè)性化業(yè)務(wù)的差異化網(wǎng)絡(luò)需求。

5 結(jié)束語

以5G智慧教室為應(yīng)用場(chǎng)景，對(duì)計(jì)算卸載的優(yōu)化問題進(jìn)行了研究。首先，歸納了5G與MEC的融合部署方式、分流機(jī)制和卸載決策，梳理了近年來實(shí)用的群智能優(yōu)化算法，基于多視圖方法論開展了需求分析。其次，構(gòu)建了基于5G MEC技術(shù)的智慧教室系統(tǒng)架構(gòu)，并對(duì)優(yōu)化目標(biāo)進(jìn)行了建模，結(jié)合課堂教學(xué)過程的啟發(fā)，提出了TLAPSO算法，通過仿真實(shí)驗(yàn)，證明了改進(jìn)算法性能的提升。最后，基于實(shí)驗(yàn)數(shù)據(jù)，對(duì)比分析了多種卸載策略的效果，從定性和定量?jī)煞矫骝?yàn)證了智慧校園中部署MEC系統(tǒng)的必要性，以及TLAPSO卸載策略的優(yōu)越性。

今后將針對(duì)MEC集群化部署、卸載策略的前端實(shí)現(xiàn)和基于深度學(xué)習(xí)的優(yōu)化策略開展研究，以實(shí)體或軟件包的形式實(shí)現(xiàn)算法優(yōu)化套件，提升系統(tǒng)簡(jiǎn)潔運(yùn)維、優(yōu)化策略快速上線和MEC系統(tǒng)的綜合效能。