0 引言
近年来，随着移动互联网和智能终端的快速发展，越来越多的新型应用出现在人们的日常生活当中，例如，人脸识别、虚拟现实和增强现实等[1-2]。然而，由于移动设备的计算能力和电池续航能力有限，难以有效地处理这些应用。若将计算任务卸载到距离用户较远的云服务器可能会产生更高的时延从而影响任务的执行效率。针对以上问题，业界提出了移动边缘计算的概念。移动边缘计算(Mobile Edge Computing，MEC)是将具有存储和计算能力的网络设备实体部署在移动网络边缘，从而为移动网络提供IT服务环境和计算能力[3]。MEC的关键技术主要包括任务卸载和资源分配两个方面，任务卸载是指将计算密集型或延迟敏感型任务卸载到资源相对丰富的计算机或服务器中执行，以解决移动设备在存储、计算等方面存在的缺陷[4-5]。此外，在多个用户将其各自的计算任务从本地卸载到MEC服务器进行处理时，由此涉及有限的MEC服务器资源在各个用户之间的分配问题。因此，MEC服务器的资源分配致力于解决移动设备在实现卸载后如何高效公平地分配资源以实现任务处理的问题。
针对MEC的任务卸载和资源分配问题，文献[6]考虑了云服务器计算资源受限的约束，提出了多用户场景下基于在线和离线的任务卸载决策算法，对计算任务进行云端处理和本地处理的划分，并分别处理。文献[7]提出了一种考虑前向链路和后向链路联合优化的卸载决策问题，并通过改进的人工鱼群算法对任务卸载过程中所产生的能量消耗进行优化。文献[8]分别研究了在单小区和多小区场景下的任务卸载和资源分配问题，设计了系统总开销函数(时延-能耗加权和)，并将用户设备的电池剩余能耗引入到加权因子当中，通过凸优化理论与迭代搜索相结合方式的寻找最优解。然而文献[6]、[7]仅关注用户任务卸载决策，缺少优化资源分配或者考虑资源约束；文献[8]只考虑了本地设备计算资源及无线资源的分配，而忽略了MEC服务器有限计算资源对任务卸载的影响。因此，无法完全保证能够高效地利用MEC服务场景的对于众多用户而言仍显得稀缺有限的无线资源和计算资源。
针对上述问题，本文提出首先采用自适应遗传算法获取卸载决策及后续的更新操作。在每一次卸载决策更新的情况下，将原问题分解为上行链路功率分配和计算资源分配两个子问题，然后根据凸优化和准凸优化理论，利用二分搜索法和拉格朗日乘子法分别求出功率分配和计算资源分配的最优解。最后，通过迭代求解得到最优的卸载决策和资源分配结果。仿真结果表明，所提出的方案在保证用户时延约束的同时，降低了系统总开销，有效地提升系统的性能。
本文详细内容请下载:http://www.chinaaet.com/resource/share/2000002958
作者信息:
闫 伟，申 滨，刘笑笑
(重庆邮电大学 通信与信息工程学院，重庆400065)
