摘要
移动边缘计算(MEC)是第五代(5G)网络中向移动设备提供近距离云计算能力的一个很有前途的范例。本文研究了5G异构网络中MEC的节能计算卸载机制。在考虑任务计算和文件传输能量消耗的情况下，提出了卸载系统能量消耗最小化的优化问题。结合5G异构网络的多址特性，我们设计了一种节能计算卸载(EECO)方案，该方案联合优化卸载和无线电资源分配，在延迟约束下获得最小的能耗。数值结果表明，所提出的EECO方案能够提高能源效率。
关键词：能效、卸货、移动边缘计算、5G
1、背景介绍
移动边缘计算【Mobile Edge Computing】(MEC)是一种很有前途的计算方法提供近距离云计算能力的范例到第五代(5G)网络中的移动设备。在这个本文研究了节能计算卸载机理用于5G异构网络中的MEC。我们制定一个优化问题，使能源消耗最小化卸载系统，其中能量消耗的任务计算并将文件传输考虑在内。合并5G异构网络的多址特性然后，我们设计了一个节能计算卸载【Energy-Effcient Computation Offloading】(EECO)计划，联合优化卸货和无线电资源配置，以获得最小的能源消耗在延迟约束下。数值结果表明改善我们建议的环保节能计划的能源效益。
智能移动设备拥有先进的技术和设计，为我们提供了一个无处不在、功能强大的平台，实现许多新颖的移动应用[1]-[2]。交互游戏、虚拟现实、自然语言处理等移动应用通常需要密集的计算，导致[3]-[5]能耗高。然而，智能移动设备的计算能力和电池电量有限。这种资源饥渴型应用与智能移动设备有限能力之间的冲突，给以节能方式实现新型移动应用带来了前所未有的挑战。
一种新的架构和技术被称为移动云计算[Mobile Cloud Computing] (MCC)有潜力解决上述问题挑战。通过迁移计算任务移动设备到基于基础设施的云服务器，MCC可以提高移动应用程序的性能降低移动设备[6]的能耗。然而，基于基础设施的云服务器总是位于核心网络的中心，远离移动设备。来自移动设备的长时间传输到云服务器可能会引起延迟波动，并调用额外的传输能量成本[7]。因此,计算卸料效率严重下降。
移动边缘计算(MEC)被认为是一个很有前途的领域提高卸料效率的途径。在提供MEC框架、云计算能力在无线电接入网的附近移动设备[8]。换句话说，在MEC的帮助下，移动设备可以将它们的任务转移到MEC服务器在网络的边缘，而不是利用核心网络中的服务器。这个MEC范例可以提供低延迟，高带宽和计算灵活性计算卸载过程。
随着信息和通信技术的能源消耗日益增长，通信设备和基础设施在全球温室气体排放中扮演着重要的角色。因此，发展绿色5G网络已经成为未来无线通信[10]设计和实现的重要课题。作为MEC是5G网络的关键组成部分，能效已经成为MEC机制设计的主流关注点。
本文主要研究5G异构网络中MEC的节能计算卸载机制的设计。随着MEC计算量的减少，完成计算任务的能耗包括两部分。第一部分是将计算文件传输到MEC服务器所花费的精力。由于无线信道状态不同，计算文件大小不同，不同移动设备之间传输的能耗也不同。此外，当移动设备之间共享无线电资源时，可能会对彼此产生严重的干扰[11]-[13]。这种干扰会降低文件的传输速率，从而降低MEC卸载的能源效率。因此，在MEC卸载过程中需要一种高效的传输控制方案。第二部分是用于计算的能量。这个数量主要取决于移动设备和MEC服务器的计算能力。
每个移动设备可以决定是将其任务转移到MEC服务器进行远程计算，还是在自己的设备上本地完成任务。这个决定是通过比较能源成本做出的。然而，由于通信资源有限，这些移动设备在传输过程中的互动性可能会影响每个设备的传输能量成本。这种效果使得MEC卸载耦合与无线资源分配相结合。此外，考虑到计算任务所需的不同QoS约束以及这些设备的可变计算能力，通过协调移动设备和MEC服务器之间的无线传输和任务实现来实现高效的负载归档是一项具有挑战性的任务。
在本文中，我们为5G异构网络中的移动设备设计了一种节能的MEC卸载机制。该机制最小化了系统能耗，同时保证了计算任务的延迟约束。本文的主要贡献如下：
（1）提出了一种多设备计算卸载框架针对5G异构环境下的移动边缘云计算网络。
（2）应对5G异构的多址特性网络，我们制定一个节能最小化系统能量的优化问题在满足延迟约束的情况下进行消耗。为了克服求解的复杂性针对优化问题，我们设计了一个三级节能装置计算卸载方案。在这个方案中,通过类型分类和优先级分配移动设备的优化问题可以得到解决在多项式复杂性。
（3）为了克服优化问题求解的复杂性，设计了一种三级高效计算卸载方案。该方案通过对移动设备的类型分类和优先级分配，以多项式复杂度求解优化问题。
论文的其余部分组织如下。在第二部分，我们回顾了相关的工作。在第三节中，我们提出了一个5G异构网络中多设备MEC卸载的框架。节能优化问题见第四节，节能MEC计算卸载方案见第五节，节能性能评价见第六节。
2、相关工作
云计算和虚拟化技术的发展为应用环境与底层硬件资源解耦提供了一种有效的方法，从而大大提高了可用计算资源[14]-[18]的利用率。MCC是从云计算发展而来的，旨在解决基于[19]的新型智能手机应用程序的计算需求。
近年来，一些研究已经解决了移动计算卸载在MCC场景。在[20]中，作者将移动用户的计算卸载决策描述为一个分散的博弈，并提出了一种实现高效计算卸载的博弈论方法。在[21]中，作者考虑到移动用户的本地负载和cloudlet的可用性，提出了一种基于马尔可夫决策过程的动态卸载方案，用于间断连接的cloudlet系统中移动用户。在[22]中，研究了大规模移动云应用场景下的多用户计算划分问题，设计了一种离线启发式算法，使所有用户的平均完成时间最小化。为了形成一个弹性的移动计算网格，作者在[23]中提出了一个资源供应框架来组织附近的异构设备。在[24]中，作者进行了调查云资源的地理分布对基于云的移动增强性能的影响。
MCC的云服务器位于核心网络中，这导致移动设备对计算文件传输的能耗很高。此外，广域网传输的延迟可能会严重影响实时移动应用程序的交互性。MEC被广泛认为是解决这些挑战的一个有前途的技术。在MEC中，服务托管在直接连接到无线接入网[25]的设备上。MEC服务器的接近性使其能够访问低传输能量和延迟的云功能。
随着通信系统能耗和碳排放的急剧增加，节能性能指标已成为基于云计算的网络[31]卸载机制设计的关键目标。很少有研究涉及到节能计算卸载问题。例如，在[32]中，作者研究了移动云系统中代码转换任务的节能卸载策略，并提出了一种在线卸载算法，目的是在实现低延迟的同时最小化能源消耗。为了降低能量消耗，作者在[33]中提出了一个femto蜂窝网络中无线和计算资源联合优化的框架。基于计算卸载的估计执行时间和能量消耗，作者在[34]中提出了一种降低能量消耗和缩短响应时间的卸载框架。在MEC中，由于计算任务可以被转移到移动设备当前位置附近的云服务器上，因此数据传输的能耗主要消耗在无线接入网络上。为了提高MEC的能量效率，作者在[3]中研究了多信道无线网络中的多用户计算卸载问题，并通过博弈论方法设计了分布式卸载算法。
然而，很少有研究考虑到MEC中的异构无线接入网络，并将多传输模式选择纳入其中能源效益减载计划。
与这些研究不同的是，本文主要针对5G异构网络中MEC的计算卸载，在保证计算任务延迟约束的前提下，提出最优的卸载方案，提高云计算系统的能效。
3、系统模式
图1显示了移动设备通过5G异构网络将计算任务转移到MEC服务器。在系统中，我们考虑一组移动设备，记为
每个设备都有一个计算任务需要在一定的延迟约束下完成。任务包括互动游戏、自然语言处理、图像定位等[35]。每个计算任务可以用三个术语来描述:
对于任务Ti, di是用于计算的输入数据的大小，包括程序代码、输入文件等；
表示完成这项任务所需的计算能力，其计算能力由CPU周期的数量量化的。
是计算任务所需的最大延迟。
对于每个移动设备i (i属于N)，任务Ti可以是可以在本地自己执行，也可以通过MEC服务器执行计算卸载。在我们的模型中，每个任务都是原子性的不能再进一步分割。让
和 
分别表示一设备i的CPU周期的本地计算能力和能耗。
因此，我们可以得到任务Ti在本地执行的持续时间为
此本地执行的能耗可以计算为
在5G异构网络中，有一个宏观的基础工作站(MBS)装有MEC服务器。MEC服务器能够同时运行多个计算任务。除了MBS，还有一个小型基站(SBS)，其服务范围由按揭证券覆盖。为了有效地重用频谱，MBS和SBS都在相同的频带中工作。频谱分为K个信道，记为
。每个信道的带宽相同，记为W。 在本文中，我们主要研究一个多用户OFDMA系统在5G网络中，系统中的每个信道彼此正交。
SBS和MBS之间有一个回程。这个回程将SBS传输到MBS。我们认为这个回程是与其他通信基础设施共享的。因此，我们忽略了这个回程的功耗。回程的传输带宽是有限的。回程的传输时延与数据的长度成正比，并具有比例因子
。
当移动设备选择通过MEC服务器计算它的任务时，输入的数据可以通过MBS或SBS传输到MEC服务器。在这种情况下移动设备i访问在通道k上的MBS，获得的上行链路数据传输速率可以表示为
其中，
是移动设备i传输数据的电源单元信道中的MBS。通过MBS的一些功率控制机制可以确定传输功率。
是移动用户i与MBS之间的通道增益。
表示其他设备上行传输到同一信道上的SBS所引起的k信道上MBS处的干扰。
为背景噪声功率。
类似地，我们可以给出i访问SBS的设备在通道k上的上行传输速率
。
