網絡資源規劃配置優化技術探究

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了網絡資源規劃配置優化技術探究范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：5G特色的應用場景對于網絡的服務質量有極高的要求，需要網絡提供確定性的服務，包括確定性低延遲、確定性網絡抖動等。邊緣計算技術對于提供超低時延和抖動的網絡服務具有優勢，但在確定性網絡服務上還存在不足。針對以上問題，本文擬以基于邊緣計算的確定性網絡為主要研究對象，結合新興應用的確定性網絡服務需求，運用軟件定義和網絡功能虛擬化技術，研究計算、存儲和網絡資源的聯合優化機制，提供確定性的延遲、抖動等網絡傳輸能力，充分發揮邊緣計算的優勢，提供確定性的網絡服務，增強用戶體驗。

關鍵詞：V2X；MEC；任務卸載；資源分配

1引言

5G網絡是指第五代移動通信網絡，他相對于4G網絡的信號傳輸，有更加穩定、高速和安全性能高的優點，大大增強了這個系統容量和各種大規模設備間的連接效果，為各種用戶的智能化設備提供優秀的信息服務，進一步挖掘網絡的潛在應用價值。通過結合整個5G網絡用戶服務需求和網絡本身的功能特點，使得數據資源使用更加高效和低能，在提高用戶服務滿意度的基礎上，減少整個網絡的延遲。隨著5G技術的不斷成熟完善和運營推廣，5G創新應用生態的發展已成為決定未來5G產業成功的關鍵因素。

2網絡資源聯合優化的意義

國際電信聯盟ITU召開的ITU-RWP5D第22次會議上確定了未來的5G創新應用場景：3D超高清晰度視頻、云辦公和游戲、增強現實、工業自動化、移動醫療、緊急任務應用、自動駕駛汽車等。這些應用場景對于網絡的服務質量（QoS,QualityofService）提出了極高的要求，即確定性網絡（DeterministicNet⁃working）服務，包括確定性低延遲、確定性網絡抖動等。而移動蜂窩網數據回傳網絡（Backhaul）采用多重匯聚架構，基站到核心網需要途徑多重匯聚轉發網絡，距離往往相隔幾百公里，難以保障傳輸的低延遲。邊緣計算（MEC,Multi-accessEdgeComputing）作為一種基于云計算的無線接入網絡（RAN,RadioAccessNetworks）架構，被認為是提升移動網絡整體性能的重要手段。MEC不僅可以通過在靠近接入網的邊緣處進行流量卸載和計算卸載（Offloading），減少移動蜂窩網匯聚路由（AR,Ag⁃gregationRouting）和核心網（EPC,EvolvedPacketCore）的流量，緩解移動節點的計算壓力，還可以通過在網絡邊緣的應用部署來降低應用響應延遲，可以有效彌補網絡匯聚帶來的問題。但是面向工業自動化、移動醫療、自動駕駛等創新應用場景對于網絡傳輸確定性的嚴苛要求，邊緣計算依然存在一些亟待解決的問題：（1）移動用戶密度大、移動性強，容易造成移動網絡負載的不均衡、短時間內負載的劇烈變化。MEC要求在網絡邊緣配置網絡、計算、存儲資源，而移動網絡邊緣節點的資源容量較小，部署分散，這給資源的優化配置和管理帶來了極大的困難。（2）邊緣計算節點的計算、存儲、傳輸能力有限，不同應用的需求也存在差異，如計算密集型、存儲密集型、網絡密集型任務等。如何在滿足應用差異化的網絡需求的同時，優化邊緣的計算、存儲和網絡資源，這是一個NP難題。（3）確定性的網絡傳輸需求要求網絡提供細粒度的QoS保障能力，采用軟件定義網絡（SDN,SoftwareDefinedNetwork）技術和網絡功能虛擬化技術（NFV,NetworkFunctionsVirtualiza⁃tion）[6]實現確定性的網絡路由轉發，以及細粒度的流量管控能力。同時避免細粒度的流量控制帶來的OpenFlow流表規模的激增的問題。本文圍繞“服務配置、服務調度、服務質量”三個重點內容展開，研究確定性網絡資源聯合優化策略等關鍵技術，為確定性網絡服務的邊緣計算性能優化提供重要的依據和技術儲備，對新興應用的發展具有積極推動作用。

3基于Markov決策過程的資源聯合優化

網絡資源聯合優化需要綜合新興應用的需求和網絡資源均衡的目標。可以假設應用的資源請求服從泊松過程，服務執行時間服從指數分布，將資源分成固定大小的分塊（block）,則資源的使用過程可以用Markov狀態轉移過程來描述，其中資源使用的狀態向量包含各類資源的使用狀態，可以得到Markov狀態轉移過程的平衡方程，利用平衡方程的求解可以得到多維資源使用和服務性能指標之間的關系，再根據用戶的應用需求映射的服務性能指標，選擇相應的資源以滿足應用的需求。結合資源效用最大化的目標，本項目擬采用合作博弈策略來實現資源的效用整體最優和公平性。基于合作博弈論，對各類資源之間的互相合作決策行為進行建模，使資源以相互競爭且相互妥協的方式達成一致，實現效用最大化。依據合作博弈理論的原理，給定資源效用函數，以資源效用最大化為目標，設定合作資源提供者的收益函數，建立多維資源協作聯盟。利用Shapley準則對協作聯盟進行公平資源分配，資源提供者從聯盟中獲取收益最大化的同時，也達到了整體資源效用的最大化。要實現資源聯合優化，基本條件是具備對各類資源的管控能力，通過OpenFlow協議的擴展，來實現各類資源的統一調度和監控，SDN控制器可以根據當前系統狀態和用戶資源請求分布，進行全局的資源優化配置。

（1）網絡模型

首先給定最大計算資源得到完成任務所需的最低信噪比；然后，利用凸優化理論進行最佳功率分配，并計算對應的吞吐量增益，比較增益得到卸載決策；最后，利用二分圖最大匹配算法解決信道分配問題，并計算最終的計算資源分配。假設場景中一個RSU覆蓋范圍內有T個目標數據，用集合表示為T={TUEt|t=1,2,…,T}，移動用戶TUEt有K個協助移動用戶提供輔助數據運輸相關數據，用集合表示為K={AUEk|k=1,2,…,K}。考慮上行鏈路是OFDMA的，其可用頻帶B被平分為L個子帶，則每個子信道帶寬大小為W=B/L。假設做出卸載決策后，所有協助移動用戶中分別有M個CUE和N個DUE，分別用集合表示為ℳ={CUEm|m=1,2,…,M}和N={DUEn|n=1,2,…N}。令ℎm,B表示為CUEm與RSU之間的信道功率增益，ℎn為DUEn復用CUEm信道時DUEn的信道功率增益。ℎn,B為DUEn發射端與CUEm上行鏈路中為接收端的RSU之間的干擾信道功率增益。ℎm,n為CUEm與DUEn接收端之間的干擾信道功率增益。CUEm的信噪比（SINR）可表示為：γcm=Pcmℎm,Bσ2+∑n∈Nρm,nPdnℎn,B(1)類似可得DUEn的SINR為：γdn=Pdnℎnσ2+∑m∈ℳρm,nPcmℎm,n(2)其中Pcm和Pdn分別表示CUEm和DUEn的發射功率。σ2為系統噪聲功率。ρm,n表示CUEm和DUEn之間的頻譜分配指標，當CUEm和DUEn復用CUEm的信道時，ρm,n=1，反之為0。

（2）計算模型

定義協助移動用戶AUEk的計算任務為Rk={D}k,Ck,Tk，其中Dk表示協助移動用戶AUEk從本地設備上傳任務時的輸入數據量，單位為bit。Ck表示完成任務所需的計算量，單位為cysles，Tk表示任務可容忍的最大完成時延，單位為s。假設移動用戶本身具有一定的計算能力，AUEk可選擇將任務Rk卸載到鄰近移動用戶或MEC服務器，也可以由移動用戶本身的處理單元進行計算，定義所有集合K內的移動用戶任務卸載決策為A={a1,a2,…,aK}，并且有ak={alk,avk,aok}，其中k∈K，參數alk,avk,aok∈{}0,1，alk+avk+aok=1。①本地執行：移動用戶本身的計算能力為flk，單位為cy⁃cles/s，定義Tlk為本地執行總延遲，根據文獻[9]，下載速率通常遠高于上傳速率，并且輸出數據量大小一般遠小于輸入數據量，則Tlk為：Tlk=Ckflk(3)②V2V卸載：與本地相比，新增了將輸入數據Dk上傳到鄰近移動用戶的時間，任務卸載到鄰近移動用戶的總延遲Tvk為：Tvk=Dkrk+Ckfvk(4)其中為rk移動用戶的傳輸速率，fvk為移動用戶分配給任務Rk的計算資源。③V2I卸載：令fok為MEC服務器分配給任務Rk的計算資源任務卸載到MEC服務器的總延遲Ton為：Tok=Dkrk+Ckfok(5)綜上，任務Rk執行完成的總時延可表示為：Ttotalk=alkTlk+avkTvk+aokTok(6)其中k∈K，參數alk,avk,aok∈{}0,1，alk+avk+aok=1。

（3）算法

CUE和DUE的數量變化取決于協助移動用戶的卸載決策，而求解最大化網絡系統吞吐量的前提是需要知道CUE與DUE的用戶集合，因此卸載決策直接影響了系統吞吐量的大小。需要綜合考慮卸載決策、計算資源分配、功率分配以及網絡信道分配等因素，分別求解功率分配與任務卸載決策問題和信道匹配與計算資源分配問題。

（4）仿真

本文仿真主要在NS3平臺上完成，主要分析了任務數以及網絡速度對系統吞吐量的影響，并評估了本文所提算法與其它算法的計算資源使用情況，以驗證所提算法的有效性。此外，本文選擇V2Vfirst和V2Ifirst兩種方案作為對照組，并進行了仿真比較。

4結束語

本文研究了互聯網局部融合邊緣計算技術在移動用戶通過場景中的任務卸載與資源分配問題，并提出了一種吞吐量最大化的任務卸載與資源分配算法，將優化問題分成兩步進行處理，首先根據凸優化理論求解最優功率分配，并計算最優功率值下的吞吐量增益，比較兩種卸載方式下吞吐量增益的大小作出卸載決策。然后利用KM算法解決信道劃分問題，根據最終的信道匹配可以得出在任務可容忍時延下對應的計算資源分配。

作者:李春艷 單位:湖北經濟學院實驗教學中心