英语原文共 5 页
基于WBAN的无线大数据应用研究：MEC协作下任务分配处理机制
摘要：随着无线体域网技术的快速发展，其主要目的已经从远程医疗监控转变为资源匮乏的交互娱乐服务，比如AR/VR，这类应用使得无线体域网（WBAN）和用户设备（UE）都难以实时处理计算密集型和延迟敏感的应用程序。本文提出了一种利用WBAN和移动边缘计算（MEC）处理无线大数据应用的协同计算的架构。WBAN的接入点（AP）与射频拉远单元（RRH）集成在一起，能够执行高延迟和低计算量的任务，而MEC服务器可以处理低延迟计算密集型任务。本文首先介绍了所提出的系统模型，其次给出了任务分类算法、基于优先级的任务卸载算法和AP卸载决策算法。数据结果表明，与现有的使用中继的任务卸载方案相比，所提出的解决方案能够极大的改善网络生命周期和成功执行任务的总数；此外，具有较高计算能力的UE能够保证更低的平均网络服务延时。
关键词：移动边缘计算；无线体域网；任务卸载；服务质量
Ⅰ绪论
无线体域网的首次提出是为了持续监视患者的健康状况，是一种支持远程远程医疗应用的有效技术。随着物联网的发展，WBAN被广泛的研究学习以增加实用和有趣的应用，如AR/VR游戏和4K/8K视频播放[1-2]。由于无线体域网中的用户设备（UE）尺寸小且能量资源有限，因而，供电成为主要的难题。此外，UE的通信和计算资源有限，使得无线大数据应用很难实现[3-5]。
为了克服这些研究挑战，在过去的几年中，工业界和学术界已经对有关类似云的技术做出了重大努力。中国移动提出云无线接入网（C-RAN）作为下一代网络的有效的解决方案[6]。传统基站将射频拉远单元（RRH）、基带传输单元（BBU）和前传链路集成放置在一起，与此不同，C-RAN允许大量分布式RRH连接到集中式BBU池，BBU池中的BBU可以以高数据速率与其他BBU进行通信。RRH的作用变为收集来自UE的信号并且将他们转发到BBU池做进一步处理。然后，任务会被分配给位于BBU池中的相应的虚拟机（VM）。此外，BBU池的计算资源分配是可调节的，当网络处于低负载条件时，可以关闭BBU以减少能量浪费[7]。
移动云计算（MCC）旨在通过允许UE将计算密集型任务卸载到公共云，增强UE体验并延长电池寿命[8-9]。然而，由于MCC托管在远程公共网络，如Amazon EC2和Google Cloud上，因此会导致无线数据处理响应缓慢和高延迟。此外，当UE无法访问互联网时，无法触发任务卸载过程，因为MCC需要互联网的连接。移动边缘计算（MEC）作为一种新兴技术可以改善MCC的局限性。本文提出了一种将C-RAN和MEC融合的有效方法，MEC服务器放置在BBU池旁边[10]。与远程云平台相比，MEC在靠近UE的现有网络边缘提供计算资源。由于卸载的任务靠近UE运行，网络实现了低延时特性，这有助于减少网络拥塞并提高了服务质量（QoS）[11]。
目前，几乎没有基于WBAN的无线大数据应用的研究工作。一个传统的无线体域网中，具有一定的计算能力的接入点AP可以作为管理UE集合的网关，当检测到异常信号时，可以将信息从UE传送到AP；然后可以通过互联网将信息转发给医疗专业人员。为了提高UE的计算能力，[12]中的作者对WBAN提出了一种可使用中继的任务卸载管理，其允许UE将任务卸载到同一WBAN内的其他UE。然而，由于UE中可用计算资源的限制，WBAN仍然不能支持QoS要求下的计算密集型任务。此外，任务卸载的成功执行与否取决于UE与AP之间的信道质量。当深度衰落中的信道或大量UE同时发送卸载请求时，任务卸载更可能失败。此外，由于AP和MEC服务器的计算资源有限，当大量UE部署在相同的WBAN中时，分配给每个UE的资源是有限的[13-15]。 如何有效地提高基于WBAN的MEC系统的性能仍然是该领域的一个需要深入研究的问题。
本文提出了一种基于MEC和WBAN的协同计算的融合架构，通过协同应用AP和MEC的通信和计算资源，提高了UE的计算能力。首先，我们介绍了通信、计算和路径损耗（PL）模型。其次，为了满足不同的QoS的要求，将产生的任务划分为不同的组。对于任务卸载组，将为每个任务分配不同的优先级。然后，在AP接收到来自UE的卸载的任务之后，能够根据提出的基于优先级的成本函数决定该任务是本地处理还是卸载到MEC处理。结果显示，本文所提出的方案在有关网络生命周期和执行任务的总数方面得到了较好的性能，具有较高计算能力的UE能够保证更低的平均服务时间。
本文的其余部分安排如下，第二节，论证了提出的由WBAN和MEC组成的新型架构；第三节，介绍了提出的任务卸载方案；第四节，分析了上述系统的性能；第五节，总结了全文。
图1 系统模型
Ⅱ系统模型
如图1所示，提出了一个处理无线大数据的WBAN协同计算的增强架构。具体来说，将RRH与AP集成，可以在WBAN内执行小型延迟敏感任务。此外，靠近BBU池放置的MEC服务器具有较大的计算能力，它能处理计算密集型任务。假设一个WBAN有N个UE并由J个RRH服务，BBU池由K个VM组成，其中，N={1,2,...,n},J={1,2,...,j},K={1,2,...,k}。每个UE需要根据信道条件，通信和计算资源来决定执行任务的位置。由于任务生成的动态性和不可预测性，我们采用遵循泊松分布的任务生成。将生成的所有任务组定义为G，假设每个任务属于以下组之一：任务卸载组O，本地执行组L以及丢弃组D。
定义1：将任务定义为，其中为任务计算量的大小（单位为bits）,为需要的CPU周期总数，为任务执行所允许的最大时延。
- 本地计算模型
若UE i决定本地执行任务，则将该任务移送至L。本地执行的功耗可表示为
（1）
其中表示UE i的CPU计算量，参数和是预先配置的参数并由硬件决定[16]。本地执行时间为
（2）
- AP计算模型
若UE i决定将任务卸载，将传输信号定义为bi,且有单位平均功率，则发送信号可以表示为
（3）
其中，为UE i的传输功率。假设所有的UE使用正交信道来卸载任务并且忽略干扰的影响，那么在AP j处的接收信号可以表示为
（4）
其中，为从UE i到AP j的信道状态信息矩阵，为加性白噪声矢量并且服从的复高斯分布，则信干比（SINR）可以表示为
（5）
其中，为UE i到AP j的接收波束形成向量。若AP j为UE i分配的带宽为，则任务卸载速率为
（6）
任务卸载的时间为
（7）
AP j处理任务的时间为
（8）
其中，为AP j的计算能力大小。
AP处理来自UE的任务的总时间为
（9）
- VM计算模型
当AP j决定将任务卸载到MEC时，由于前传链路用光纤传输信号，因此，[17-18]都忽略了传输时间。若BBU池分配VM k来处理来自AP的任务，则VM处理任务的时间为
（10）
其中，为VM k的计算能力大小。因此，VM处理任务的总时间为
（11）
- 信道特性
在UE和AP之间的任务卸载，可以看做是IEEE802.15.6技术标准[19-20]规定的体内到体外的通信。PL模型用于表征距离为d的发射机和接收机之间的传输信号能量衰减，公式如下：
（12）
其中，为参考距离（单位为米），为对应的PL值，为路径损耗指数且由传输环境决定。AP和MEC之间的任务卸载的路径损耗和渗透损失为
（13）
其中，为传输距离（单位为千米），通常取2。根据公式（10）和（11），在AP j和MEC之间传输的数据能量衰减严重。可以看出，具有非延迟敏感性且需要计算资源大的任务被卸载到MEC。
Ⅲ.任务卸载解决方案
如上所述，每个UE需要决定是在本地执行任务还是卸载任务，这需要通过诸如本地计算容量，传输功率等众多参数来确定。在本节中，我们首先提出一种不需要事先知道全局信息的任务分类算法。此外，为任务卸载组提供了基于优先级的任务卸载算法。在AP从UE接收到卸载的任务之后，为决定任务是本地执行还是卸载到MEC执行，提出了一种任务决策算法。
在初始阶段，AP向UE广播短消息分组，向UE分配唯一ID。 然后，向所有UE通知位置并向AP通告短消息，短消息向AP通知任务分类决策，如算法1所示。然后，UE可以在任务卸载之前更新信道状 态信息。根据[18] ,对于UE i，最佳时钟频率，最佳功率损耗为。此外，对于具有单个天线的UE，能量消耗的最小化即最小化功耗。我们给出任务本地执行时UE的最小功耗。
- 若UE i决定卸载任务，则最小功耗为
（14）
证明： 如公式（4）—（6），功率消耗取决于传输数据速率，当时得到最小数据速率。其中，
（15）
可以得到的最小数据速率为。由公式（5），可以得到最小卸载功率如公式（14）所示。
对于卸载任务组O，由于UE和AP之间的信道容量有限，因此提出了基于优先级的任务卸载算法，以在大量UE发送卸载请求到AP j时平衡QoS要求和链路质量。如上所述，具有较小计算量和高延时要求的任务更可能由AP j处理；计算密集型和低延时要求的任务更可能由MEC处理。此外，由于具有低计算能力的UE i更有可能将任务卸载处理，因此，对于一个WBAN，基于优先级的任务卸载成本函数可以表示为
（17）
其中，为UE i的剩余能量。
有关任务优先级分配的详细信息如算法2所示。任务卸载的能量消耗可以通过公式（3）和（7）求出。具有更高的任务意味着缺乏关于能量状态和计算能力的资源，或者任务具有高延迟要求。因此，具有较大值的任务具有较高的卸载优先级。
在任务卸载阶段，UE开始在指定时隙通过AP j卸载任务。应当注意的是，由于前传链路的容量有限，并非所有卸载任务都可以由AP执行。考虑优先级最高的任务，如果AP j有足够的计算资源，任务可以在可接受的时间范围内执行，那么任务将由AP j执行；否则，AP j将检查前传链路质量，如果MEC可以为卸载任务请求分配带宽，则该任务将被卸载到MEC。此外，如果前传链路处于不良状态，比如大量UE同时发送卸载请求，则将该任务移送到丢弃组D。此外，当AP j的剩余能量小于卸载能量消耗时，任务不能卸载到AP j。AP中的卸载算法在算法3中给出。一次任务卸载的时间为
。此过程一直持续到所有UE切换到睡眠模式。
算法1：任务分类算法
算法2：基于优先级的任务卸载算法
算法3：AP卸载决策算法
Ⅳ.性能仿真
本节详细地阐述了仿真结果，以研究所提出的算法的有效性。假设在一个无线体域网中有10个单天线UE，所有的UE随机分布在5times;5米的坐标的正方形区域中，噪声功率谱密度为-75dBm/Hz，系统带宽为10MHz,每个UE最大传输功率为1W。在模拟中采用市售的WBAN收发器CC2420，根据实际情况分别将参数和设置为和2[10]。路径损耗参数设置如下：路径损耗指数=3.6，=0.5厘米，=48.4dB。bits 为IEEE 802.15.6标准[20]规定的最大值。将UE的计算能力分别设置为2500，3500和5000 CPU周期，AP j的计算能力设置为 CPU周期，MEC计算能力设置为 CPU周期。通过MATLAB进行仿真，仿真结果取90%的置信区间。
在本文中，网络生命周期定义为从网络发起到所有UE切换到睡眠模式的时间跨度。图2显示了不同方案下的网络生命周期。可以看到，当CPU周期时，[12]中提出的现有方案的网络生命周期达到了4050轮，而所提出方案的网络生命周期大约是6900轮。当CPU周期时，网络的生命周期达到了7000轮，而当CPU周期时，网络的生命周期达到了7600轮。根据公式（1），若本地处理任务，越大，则功耗越大，但UE仍然具有较高的计算能力的原因是网络生命周期较长，所提出的算法可以将新生成的任务动态调整为不同的组，从而可以节省UE的能量。
图3显示了在不同方案下UE，AP和MEC成功执行的任务的数量。在CPU周期时，两个方案下执行任务的总数分别约为和1.7times;104，而当CPU周期时，所提出的算法执行任务的总数为，当CPU周期时，所提出的算法执行任务的总数为。两个方案相比，
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
