增强现实场景下移动边缘计算资源分配优化方法

余韵 连晓灿 朱宇航 谭国平

摘 要：针对高速数据量及计算量高速数据传输及计算此句不通顺，是否应该为“高速数据传输和计算”？请作相应调整。英文处应如何翻译，请在现在英文摘要的基础上进行修改所带来时延和终端设备能耗问题，提出了一种在上行链路采用等功率分配的传输方案。首先，依据增强现实（AR）业务的协作属性建立了针对AR特性的系统模型;其次，详细分析了系统帧结构，建立以最小化系統消耗总能量为优化目标的约束条件;最后，在保障延迟和功耗满足约束的条件下，建立了基于凸优化的移动边缘计算（MEC）资源优化求解数学模型，从而获得最优的通信和计算资源分配方案。与独立传输相比，该方案在最大延迟时间分别为0.1s和0.15s时的总能耗降幅均为14.6%。仿真结果表明，在相同条件下，与基于用户独立传输的优化方案相比，考虑用户间协作传输的等功率MEC优化方案能显著减少系统消耗的总能量。

Abstract： Considering the time delay and the energy consumption of terminal equipment caused by high-speed data transmission and calculation， a transmission scheme with equal power allocation in uplink was proposed. Firstly， based on collaborative properties of Augment Reality （AR） services， a system model for AR characteristics was established. Secondly， system frame structure was analyzed in detail， and the constraints to minimize total energy consumption of system were established. Finally， with the time delay and energy consumption constraints satisfied， a mathematical model of Mobile Edge Computing （MEC） resource optimization based on convex optimization was established to obtain an optimal communication and computing resource allocation scheme. Compared with user independent transmission scheme， the total energy consumption of the proposed scheme with a maximum time delay of 0.1s and 0.15s was both 14.6%. The simulation results show that under the same conditions， compared with the optimization scheme based on user independent transmission， the equal power MEC optimization scheme considering cooperative transmission between users can significantly reduce the total energy consumption of system.

Key words： Augment Reality （AR）; Mobile Edge Computing （MEC）; resource allocation; collaborative computing migration; convex optimization

0 引言

增强现实（Augment Reality， AR）应用程序正在日渐发展，且受到越来越多的关注，因为它能将计算机生成的数据和现实世界通过硬件设备结合在一起。AR应用对延迟是极其敏感的，而且对计算和通信的要求都很高，并且，在移动设备上执行AR应用时，在对移动设备电池的消耗方面[1-3]，一直无法满足用户的期望。为了解决这个问题，文献[3-6]已经提出了采用移动边缘计算的方法来解决目前遇到的问题，用户将运行AR应用涉及到的大量数据的计算迁移到就近与基站相连的云服务器上执行，同本地计算相比可节省本地能量的消耗，与中央云计算相比，可减少传输延迟时间。

文献[7-8]的工作表明，通过对通信资源和计算资源的分配进行联合优化，可能在时延约束下显著降低移动能量消耗，他们的工作能在多个用户独立运行通用应用程序上应用，但是，AR应用程序有其独特的性质，所有的用户都可能上传和下载一部分相同的数据，且其计算任务也在一个或多个服务器上共享，因此，可以通过联合优化通信和计算资源来减少通信和计算开销[9]。

AR应用程序通过移动设备的屏幕和摄像头将一些计算机图像叠加到现实世界的影像中，图1所示的框图说明了这一过程。完成这一过程需要五个组成部分[3-4]：1）视频源，它可以先从移动摄像机中获得原始的视频帧;2）跟踪器，在当前环境下识别并跟踪用户的相对位置;3）映射器，对当前所处环境建立一个模型;4）对象识别器，识别当前环境中的已知物体;5）渲染器，显示处理过的帧。视频源和渲染器组件必须在移动设备中执行，而计算量最大的跟踪器、映射器和对象识别器组建所进行的计算可以卸载到云端进行。此外，如果对任务进行卸载，映射器和对象识别器可以从处在相同地理位置的所有用户设备中收集输入，限制用户上行链路中传输的冗余信息。此外，映射器和对象识别器计算的结果可以从云端组播到下行链路中所有同位置的用户。

在文中，与以前的文献[7]和[8]不同，文中本文这两处语句不通顺，指代哪个文献或算法，需明确明确地说明了AR应用程序的协作性，以此来解决在延迟约束条件下，通过通信和计算资源分配最大限度地减少移动能耗的问题[10-11]。文献[9]中采用连续凸近似方法求解移动能耗最小化问题，求解方式复杂。

1 系统模型

本章給出了AR场景下的移动边缘计算模型，如图2[7-8]所示。其中，考虑一个基站下，共有K这个大写K与集合K的名字重复，请作相应调整，因为一个变量名称仅能表示一个含义。个用户运行AR应用，用户集合为K={1，2，…，K}，基站配有一个高计算能力的云服务器用于处理用户上传的数据。云端服务器连接到单天线基站，通过频率平坦的衰落信道，使用时分双工（Time Division Duplexing， TDD）为小区中的所有用户提供服务。在第一部分上一章所介绍内容的基础上，本文假设迁移的应用程序共享输入、输出和计算任务，它们与跟踪器、映射器和对象识别器组件有关。本章具体介绍了传输过程中的协作性[12]。

1.1 上行链路传输

当一个区域内用户k∈K运行AR应用时要将待处理数据如对象识别的输入比特Duk发送至云服务器进行处理[12]，假设其中有一部分输入比特Dus在各个用户的输入比特中是相同的，这就意味着这部分数据可以由该区域中的所有用户协同传输，而不需要多个用户重复上传。本文将这部分相同的输入比特称为共享输入比特Dus，且Dus≤mink {Duk}，每个用户k协同传输部分共享输入比特Dus，k，且∑Kk=1Dus，k=Dus，则每个用户k独立上传的输入比特为ΔDuk=Duk-Dus。

1.2 云服务器处理过程

云服务器对用户上传的数据进行处理产生用户所需要的输出比特[13]。云服务器处理用户k的输入比特Duk需要的CPU周期数为Ck，假设其中有一部分CPU周期数用于计算产生所有用户需要的输出比特上，例如对用户重合的环境模型进行更新处理。本文将这部分CPU周期数称为共享CPU周期数Cs，且Cs≤mink{Ck}，则有ΔCk=Ck-Cs个CPU周期数是用于计算用户k单独需要的输出比特。

1.3 下行链路传输

部分输出比特需要传递给所有用户[14]。例如，处于同一地理位置的用户需要映射器组件的输出比特来进行地图更新。为用模型来描述这一场景，本文假设Dds≤mink {Ddk}输出比特可以以多播方式发送给小区内的所有用户，同时ΔDdk=Ddk-Dds个比特需要以单播方式发送给每个用户k。

2 系统传输处理过程

图3详细描述了系统的帧结构，在数据帧中，首先执行共享的通信和计算任务，然后执行传统的独立迁移任务，如下所述。

2.1 传输速率

2.2 传输和处理时间

2.3 传输能量消耗

3 上行等功率分配

考虑每个用户上行传输功率为一个固定值，用户k的上下行带宽与其信道增益成比例变化[15]，设优化变量包括用户k上传的部分共享输入比特数Dsk，云服务器分配用于执行共享CPU周期数的比例因子fs，云服务器分配用于执行不同用户k的独立CPU周期数的比例因子fk，基站对应于用户k的下行传输功率Pdk和用于多播的下行功率Pdm。

4 仿真与性能分析

本章给出了基于移动边缘计算，在采用上行传输等功率分配方法的情况下，利用AR应用的协作特性得到用户终端总能耗最小化的结果。考虑一个小区内，有8个用户正在运行AR应用，用户随机分布在小区内，无线信道满足瑞利衰落[17]。仿真参数设置由表1给出。

本文提出以共享因子n作为用户进行计算迁移程度的指标，n是共享比特与总比特的比值：n=0时用户进行独立计算迁移;n=1时，所有比特均为共享比特，用户进行完全共享的计算迁移。

4.1 以最小化延迟时间为目标函数

本文首先以最小化延迟时间为目标函数，对共享因子n=0即用户独立进行计算迁移的情况进行仿真，采用等功率分配方法，得到使用不同上行传输功率时系统能够达到的最小延迟时间。仿真结果如图4所示。

由图4可知，采用等功率分配方法，要使延迟时间约束在0.1s内，上行传输功率至少需要满足1.1W;当延迟时间约束在0.15s内时，以较小的上行传输功率就可以满足传输要求。本文中考虑用户上行传输功率最大为0.25W，由图4可知，延迟时间约束至少为0.104s。

若考虑文献[9]中的模型，以最小化延迟时间为目标函数，可以得到采用不同共享因子时系统能够达到的最小延迟时间的仿真结果，如图5所示。

由图5可知，在相同仿真条件下，文献[9]中将上行传输功率作为优化参数，带宽平均分配，在共享因子n=0时，可使延迟时间约束在0.1s内。

4.2 以最小化用户总能耗为目标函数

以最小化用户总能耗为目标函数，在3.1节的基础上，分别对延迟时间约束为T=0.1s和T=0.15s的情况下进行仿真。仿真时，采用了连续凸近似方法和上行等功率传输方法进行对比，图6和图7分别是延迟时间约束为T=0.1s和T=0.15s下的仿真对比。

由图6可知，当最大延迟时间限制为0.1s时，考虑用户上行传输功率最大为0.25W的情况下，当上行传输功率控制在0.25W内时，共享因子n=0的情况下采用上行等功率分配方法是无法满足传输要求的。当传输功率递减时，总能耗也递减，但在延时时间约束下，共享因子较小时，总数据量较大的情况无法满足传输要求。

由图7可知，当最大延迟时间限制为0.15s时，采用上行等功率分配方法，用户传输功率均为0.05W时，与文献[9]中的连续凸近似方法的总能耗较为接近，但当上行传输功率取较小的值时，例如上行传输功率为0.005W时，采用上行等功率方法得到的用户总能耗是小于文献[9]中连续凸近似方法的用户总能耗，并且是能够满足传输需求的。

由图6和图7的对比可以发现，随着n的增大，采用不同的上行等功率传输得到的用户总能耗差距在不断减小，这是由于用户总能耗与上行传输功率和传输比特数成正比。在上行数据传输考虑共享因子的情况下，用户需要传输的比特数随n的增大而减小，因此，当n不变时，用户传输的比特数不变，随着上行传输功率的增大，总能耗增大;当上行传输功率不变时，随着n的增大，用戶传输的比特数减小，总能耗减少;综合两个因素，随着n增大时，用户传输比特数减少，增大功率带来总能耗的增大效果越来越不明显。

同时，采用上行等功率分配方法的情况下，只需要求解器进行一次求解就可以得到最优化结果，而采用连续凸近似的方法，需要通过多次迭代求解来逼近最优结果，通过仿真发现，在精度ε=10-4的情况下，通常迭代次数在1至30次之间，即采用连续凸近似方法的求解时间是采用上行等功率分配方法的倍数关系。

5 结语

本文针对AR场景中存在的协作传输特性，在基于移动边缘计算情况下，将带宽与信道增益相结合，对用户带宽进行分配，并采用上行链路等功率传输方法建立最小化用户总能耗优化函数，通过对该凸优化问题进行求解，得到最优的资源分配方案。与用户独立进行移动边缘计算相比，用户协作传输方案可明显减少用户设备总能耗，同时，在采用上行链路等功率传输方法的情况下，与连续凸近似相比可减少系统运算时间，且在一定的延迟要求下，以较小的功率满足传输要求。

参考文献 （References）

[1] SHOAIB H， JAFFRY S W. A survey of augmented reality [C]// Proceedings of the 2015 International Conference on Virtual and Augmented Reality. New York： ACM， 2015： 73-82.

[2] FAN P， WANG J， ZHENG Z， et al. Toward optimal deployment of communication-intensive cloud applications [C]// Proceedings of the 2011 International Conference on Cloud Computing. Washington， DC： IEEE Computer Society， 2011： 460-467.

[3] MAHMUD M R， AFRIN M， RAZZAQUE M A， et al. Maximizing quality of experience through context-aware mobile application scheduling in cloudlet infrastructure [J]. Software — Practice & Experience， 2016， 46（11）： 1525-1545.

[4] JAIN P， MANWEILER J， CHOUDHURY R R. OverLay： practical mobile augmented reality [C]// Proceedings of the 2015 International Conference on Mobile Systems， Applications， and Services. New York： ACM， 2015： 331-344.

[5] LUKOSCH S， ALEM L， ALEM L， et al. Collaboration in augmented reality [J]. Computer Supported Cooperative Work， 2015， 24（6）： 515-525.

[6] GAI K， QIU M， ZHAO H， et al. Dynamic energy-aware cloudlet-based mobile cloud computing model for green computing [J]. Journal of Network & Computer Applications， 2016， 59（C）： 46-54.

[7] MARSCH P， ROST P， FETTWEIS G. Application driven joint uplink-downlink optimization in wireless communications [C]// Proceedings of the 2010 International ITG Workshop on Smart Antennas. Berlin： [s.n.]， 2009： 361-368.

[8] SARDELLITTI S， SCUTARI G， BARBAROSSA S. Joint optimization of radio and computational resources for multicell mobile cloud computing [C]// Proceedings of the 2014 International Workshop on Signal Processing Advances in Wireless Communications. Piscataway， NJ： IEEE， 2014： 89-103.

[9] AL-SHUWAILI A， SIMEONE O. Energy-efficient resource allocation for mobile edge computing-based augmented reality applications [J]. IEEE Wireless Communications Letters， 2017， 6（3）： 398-401.

[10] GESUALDO S， FRANCISCO F， LORENZO L. Parallel and distributed methods for constrained nonconvex optimization—Part I： theory [J]. IEEE Transactions on Signal Processing， 2017， 65（8）： 1929-1944.

[11] CANNELLI L， FACCHINEI F， KUNGURTSEV V， et al. Asynchronous parallel algorithms for nonconvex big-data optimization—Part II： complexity and numerical results [EB/OL]. [2017-01-19]. https：//arxiv.org/pdf/1701.04900.pdf.

[12] 孟鳳娇，钟志军，蔡玉俊，等.基于路由算法均衡物联网传感器节点能耗的分析研究[J].物联网技术，2016，6（6）：38-40.（MENG F J， ZHONG Z J， CAI Y J， et al. Analysis and research on equilibrium energy consumption of IoT sensor nodes based on routing algorithm [J]. Internet of Things Technology， 2016， 6（6）： 38-40.）

[13] 郭丹.基于移动云计算技术的移动设备能耗优化研究[D].武汉：华中科技大学，2014.（GUO D. Research on energy consumption optimization of mobile devices based on mobile cloud computing technology [D]. Wuhan： Huazhong University of Science and Technology， 2014.）

[14] 黎二荣.移动云计算环境下即时通讯框架的研究与实现[D].北京：中国地质大学，2014.（LI E R. Research and implementation of instant messaging framework in mobile cloud computing environment [D]. Beijing： China University of Geosciences， 2014.）

[15] GAO D Y， NING R， SHERALI H D. Solutions and optimality criteria for nonconvex constrained global optimization problems with connections between canonical and Lagrangian duality [J]. Journal of Global Optimization， 2009， 45（3）： 473-497.

[16] BOYD S， VANDENBERGHE L. Convex optimization [J]. IEEE Transactions on Automatic Control， 2006， 51（11）： 1859-1859.

[17] DEMESTICHAS P， GEORGAKOPOULOS A， KARVOUNAS D， et al. 5G on the horizon： key challenges for the radio-access network [J]. IEEE Vehicular Technology Magazine， 2013， 8（3）： 47-53.