利用非正交多址实现协作边缘计算

摘要

边缘计算是一种有前景的技术，可在网络边缘为移动设备就近提供类似云的计算服务。在本文中，我们提出了一种新的协作式边缘计算范式，该范式利用NOMA在整个资源块上的并行传输实现并行计算卸载。具体而言，我们考虑一个由用户、辅助节点和接入点组成的三节点模型。用户可以利用NOMA同时向辅助节点和接入点进行任务卸载，而辅助节点可以对从用户接收到的任务进行计算和/或中继。我们首先讨论了辅助节点作为计算服务器或中继的场景。然后，我们设计了一个通用框架，其中辅助节点具有双重角色，既能协助用户，又有自身的任务需要执行。我们表明，所提出的方案可为用户和辅助节点带来双赢局面。仿真结果表明，与无协作的传统方案相比，所提出的方案具有更优的性能。

引言

为了应对海量物联网（IoT）设备带来的应用需求激增，云计算使得移动设备能够将计算密集型任务卸载到远程资源丰富的云数据中心，因为大多数移动设备在计算能力和能耗方面均受限。然而，云计算固有的缺点是移动设备与远程云中心之间的传输距离较长，导致移动设备产生高延迟和高能耗。为解决这一问题，边缘计算作为一种有前景的范式被提出，其将计算功能实现在网络边缘，例如基站（BS）和接入点（AP），从而大幅缩短传输距离 [1]。因此，边缘计算有望实现低延迟和低能耗，以支持实时应用。近年来，边缘计算已被视为实现物联网和第五代移动通信系统（5G）的关键技术 [2, 3]。

计算卸载是边缘计算的关键使能技术，它需要联合的无线与计算资源管理，从而催生了一个新的研究领域。已有大量研究工作探讨了边缘计算中的计算卸载问题（参见[4]及其参考文献）。大多数现有工作集中在移动设备之间的任务卸载以及接入点（例如，[5]）。然而，边缘云的容量通常有限，因此相对于移动设备[6]，云服务器可能会过载。此外，对于远离接入点的移动设备而言，其无线信道通常较为脆弱，不利于计算卸载。

为应对这些挑战，通过探索用户协作的协作边缘计算是一种有效的解决方案，其中靠近接入点的邻近移动设备可以共享其无线和计算资源，以帮助远处的移动设备执行计算任务。这样不仅可以减轻云服务器的负担，还能使移动设备之间实现工作负载和资源的均衡。已有大量研究致力于协作边缘计算。例如，利用设备到设备（D2D）通信在用户之间共享边缘计算的计算资源[7–10]。

这些关于协作式边缘计算的研究[7–10]基于正交多址接入（OMA），未能充分挖掘网络的潜力，从而从根本上限制了边缘计算的性能。近年来，由于非正交多址（NOMA）具有更高的频谱效率[11]，已被采纳为第五代移动通信系统中的关键技术。在NOMA中，多用户共享相同的资源块（时域/频域/码域），并通过收发机端的叠加编码和连续干扰消除（SIC）处理多址干扰。文献[12, 13, 14]表明，与基于OMA的任务卸载相比，基于NOMA的计算卸载能够提升系统性能。然而，[12–14]中的方法仅研究了移动设备到接入点的任务卸载或上行链路接入，未考虑移动设备之间通过共享无线和计算资源实现的用户协作。

为了充分挖掘通信与计算联合设计的深远优势，本文提出了一种基于非正交多址的协作边缘计算新范式。我们考虑一个由用户、辅助节点和接入点组成的三节点模型，如图1所示。用户能够利用非正交多址技术同时向辅助节点和接入点分别传输两份不同的数据副本，而辅助节点可以协作地为用户中继和/或计算所接收的数据。直观来看，通过将非正交多址的并行传输结构引入协作边缘计算，用户的数据可以在同一资源块上并行卸载至辅助节点和接入点，从而降低成本（例如延迟和能耗）。与无协作的方案相比，辅助节点的空闲资源可被利用以提升

辅助节点没有输入任务

系统模型

设Lu表示用户需要在时隙T内完成计算的输入数据量（单位为比特）。如图1所示，通过使用非正交多址，用户处的输入数据Lu可划分为三部分，其中lu,h和lu,a分别同时卸载至辅助节点和接入点，其余数据Lu–lu,h–lu,a在用户端进行本地计算。需要注意的是，在无协作情况下，用户的输入数据仅划分为两部分，一部分发送至接入点，另一部分用于自身的本地计算。

记tu为用户到辅助节点和接入点的NOMA传输时间，则相应的卸载数据量分别为lu,h = tuRu,h和lu,a = tuRu,a，其中Ru,h和Ru,a分别为用户到辅助节点和接入点的传输速率（单位为比特/秒/赫兹），该速率由非正交多址技术决定。需要注意的是，辅助节点（近端节点）可先解码接入点（远端节点）的信号，然后将已解码的信号减去，再解码自身的信号，这一过程称为连续干扰消除。因此，传输速率为

$$
R_{u,h} = \log_2 \left(1 + \frac{\theta P_u h_{u,h}}{\sigma^2}\right)
$$

$$
R_{u,a} = \log_2 \left(1 + \frac{(1 - \theta) P_u h_{u,a}}{\theta P_u h_{u,a} + \sigma^2}\right),
$$

其中，hu,h 和 hu,a 分别是用户到辅助节点和用户到接入点链路的信道功率增益，σ² 是辅助节点和接入点接收机处的噪声功率，Pu 是用户的发射功率，θ ∈ [0,1] 是功率分配因子，因此分配给辅助节点的发射功率为 θPu，其余分配给接入点的功率为 (1 – θ)Pu。

单角色辅助节点

为了获得更深入的见解，将辅助节点视为对从用户接收到的数据进行中继或计算。

中继模式

如图1所示，在该模式下，辅助节点充当一个中继。计算卸载的过程包括两个阶段。在第一时隙，用户分别使用非正交多址同时向辅助节点和接入点发送 lu,h 和 lu,a 比特数据。在第二时隙，辅助节点将接收到的数据 lu,h 转发至接入点，同时接入点对接收自第一时隙的 lu,a 比特进行解码和计算，由于解码与计算功能使用两个独立的电路，因此可并行执行。需要注意的是，用户在整个时隙 T 内可以对剩余比特进行本地计算。辅助节点在转发（或第二时隙）过程中所消耗的时间和能量分别为 th = lu,h/Rh 和 lu,hPh/Rh，其中 Rh 和 Ph 分别表示辅助节点的传输速率和功率。

计算模式

在该模式下，辅助节点作为用户的计算服务器。与上述中继模式类似，在此情况下，用户也分别使用非正交多址同时向辅助节点和接入点发送两份数据 lu,h 和 lu,a。并且用户可以在整个时隙内本地执行其余数据。唯一的区别是，辅助节点在第二时隙的持续时间 th 内对收到的数据 lu,h 进行计算而非转发。因此，辅助节点和接入点可以并行执行任务，以提高卸载性能。

辅助节点计算用户卸载数据所消耗的时间和能耗分别为 lu,hf/fh 和 klu,hfh²，其中 f 是计算每比特所需 CPU 周期数，fh 是辅助节点的 CPU 频率，k 是与硬件架构相关的常数。

总结与洞察

以下是针对所提出的两种协作模式的若干见解：

• 中继模式 的思想是通过中间中继减小到接入点的接入距离，从而提高上行链路传输速率以改善卸载性能。此外，与没有采用非正交多址的常规方案相比，该模式还利用了在接入点可以同时进行接收和计算的优势。

• 对于计算模式 ，用户通过NOMA同时向辅助节点和接入点发送两份不同的数据副本后，可利用辅助节点的额外计算资源，在辅助节点和接入点处并发执行数据处理。值得注意的是，这与所谓的“并行计算”不同，在并行计算中，单个服务器通过虚拟化技术并发执行多个任务，从而导致相互之间的I/O干扰。

• 作为对比，辅助节点处的延迟在中继模式下为 lu,h/Rh，在计算模式下为 lu,hf/fh。我们观察到，当系统以延迟为导向时，若某模式对应的“速率”（传输速率Rh或计算速率fh/f）更大，则该模式更受青睐。

• 对于这两种模式，使用非正交多址是为了利用整个资源块上行链路NOMA（即一对多）的并行传输来实现并行计算卸载。因此，用户处的任务可以被划分为独立的部分，并发送到不同的节点进行执行。需要注意的是，如果任务不可分割，用户则可以通过非正交多址将不同的任务卸载到不同的节点。

辅助节点具有自身的输入任务

在本节中，我们考虑一种更复杂的情况，即辅助节点可以同时执行中继和计算以协助用户。也就是说，由于辅助节点处发送/接收和计算过程的可并行性，辅助节点可以同时充当中继和计算服务器的双重角色。此外，在本节中，我们假设辅助节点自身也有一个数据量为Lh （单位：比特）的输入任务，需要在共同时延约束T内完成执行。

在这种情况下，用户与辅助节点之间的协作更为重要。也就是说，在共同的延迟约束T下，在用户侧，用户除了接入点外，还可获得辅助节点提供的额外资源。在辅助节点侧，如果辅助节点执行用户部分任务，则可以减少用户进行任务卸载所需的时间。因此，与传统方案中用户和辅助节点仅能将计算任务卸载至接入点的情况相比，辅助节点可获得更长的传输时间来卸载自身的任务。最终，用户和辅助节点之间将实现双赢局面。

具体而言，如图2所示，整个传输过程被划分为两个时隙，分别分配给用户和辅助节点用于计算卸载。在第一时隙 tu，用户使用非正交多址（NOMA）同时将lu,h和lu,a分别卸载到辅助节点和接入点。因此，在辅助节点上需要执行的数据包括两部分：一部分是由用户卸载的lu,h ，另一部分是其自身的数据Lh。辅助节点使用因子0 ≤ α ≤ 1对辅助节点上的数据进行划分。因此，在第二时隙th，辅助节点将α(lu,h + Lh)比特数据卸载到接入点，其余(1–α)(lu,h + Lh)比特则保留用于本地计算。

特别地，在特定时间点，辅助节点可通过调整α的取值在中继模式和计算模式之间灵活切换。即，当辅助节点设置α为0和1时，分别对应计算模式和中继模式，而当0 < α < 1时，则扮演双重角色。此外，用户可调节NOMA功率分配因子θ以控制卸载到辅助节点的数据量。总之，根据系统目标和参数，对θ和α进行全网优化至关重要，因为二者紧密耦合。

为说明起见，我们考虑一个总卸载数据量最大化问题，其目标是在满足延迟约束的条件下，最大化用户和辅助节点的卸载数据总量。总卸载数据量代表系统的任务卸载能力；延迟约束如图2所示。该问题通常是非凸的。通过将功率变量（即θ）表示为时间变量（即tu和th）的形式，类似于[5]中的方法，可将该问题转化为凸问题，并利用凸优化方法进行最优求解（由于公式和篇幅限制，此处省略细节）。需要注意的是，能量最小化问题更难求解，因为需要同时考虑用户和辅助节点的本地计算，导致更多变量耦合在一起。

接下来，我们通过数值研究评估所提出的协作边缘计算方案在总卸载数据量最大化方面的性能。

系统性能。本文的主要贡献总结如下：

• 我们提出了一种基于非正交多址的协作边缘计算方案，通过共享辅助节点的空闲资源，充分挖掘异构设备的通信与计算资源，以提升系统性能。
• 根据辅助节点的电池能量和计算能力，我们首先讨论一个简单情况，即辅助节点仅作为中继或计算服务器，并得出若干有价值的结论。
• 随后，我们提出一种统一框架，其中辅助节点自身有待执行的任务，同时可充当用户协助过程中的中继和计算服务器双重角色，并对相应的无线与计算资源进行联合设计。

本文考虑了单资源块的情况。对于多资源块的情况，所提出的方案可以应用于每个资源块，且不失一般性。文章其余部分组织如下：我们讨论了两种场景，具体取决于辅助节点是否拥有其自身的输入任务，并联合设计了相应的无线与计算资源分配。然后总结了本文内容并探讨了未来的研究方向。

图3绘制了总卸载数据量与延迟约束T之间的关系，其中用户的最大功率设置为0.5瓦特。与其他基准方案相比，所提出的方案实现了最佳性能，而NOMA方案略优于TDMA方案。随着T的增加，即延迟约束更宽松，所有方案的性能均有所提升。值得注意的是，当T增加时，所有方案的卸载数据量均近似呈线性增长。这一趋势可以从卸载数据的表达式中得到解释，即卸载数据是传输时间与速率的乘积。

图4展示了用户最大发射功率对总卸载数据量的影响，其中我们将延迟约束固定为T = 0.05秒。我们可以验证所提出方案的有效性，与基准方案相比，尤其是在用户发射功率较大时，该方案提供了显著的性能增益。直观来看，随着Pu的增加，卸载的数据量也随之增加。此外，这表明如果用户的功率预算较大，所提出的方案更具优势。

图5比较了所提出的方案与无用户协作的基准方案的卸载数据区域，其中我们将延迟约束固定为T = 0.05秒，用户的最大功率固定为0.5瓦特。可以看出，所提出方案的卸载数据区域始终大于无用户协作的基准方案，这是符合预期的。更重要的是，图5表明，协作不仅有助于用户，也使辅助节点受益。

结论

在本文中，我们提出了一种新的协作边缘计算框架，该框架利用非正交多址在整个资源块上的并行传输结构，其中一个中间移动节点作为辅助节点来计算和/或转发用户的计算任务。具体而言，我们讨论了辅助节点作为计算服务器或中继时的传输设计，并探讨了一些关键见解。随后，我们还讨论了辅助节点的双重角色及其自身的计算任务。在统一框架中完成任务。仿真结果表明，所提出的协作边缘计算方案不仅提高了整体系统性能，还使用户和辅助节点受益。

本文未涉及的一些有前景的方向也值得探索，将在下文中简要讨论。

首先，本文仅考虑单信道（资源块）上的基本三节点模型。一种自然的扩展是研究多用户和多信道（资源块）场景，其中每个用户都可以作为其他用户的潜在辅助节点。在这种情况下，每个用户可以选择一组辅助节点通过非正交多址方式卸载数据，这本质上是一个组合问题，难以求解。此外，在不同组之间分配不同的资源块直接影响任务卸载性能，因此传输设计很复杂。此外，每个用户都需要决定为其自身任务执行保留多少资源（包括无线和计算资源），以及贡献多少资源来帮助其他用户。总之，多用户多信道的扩展非常不简单。

其次，可以利用更多的NOMA特性来提升协作边缘计算的性能。例如，在所提出的方案的中继模式中，用户和辅助节点可以在第二时隙同时通过NOMA将数据卸载至接入点，即在第一时隙和第二时隙均使用NOMA。该问题并非简单，因为用户处卸载的数据可分为三部分：第一时隙中两部分分别发送给辅助节点和接入点，第二时隙最后一部分发送给接入点。若考虑多个辅助节点，则联合优化问题将更加复杂，需重新审视。

此外，对于所提出的方案的计算模式，由于辅助节点在SIC过程中对接发往接入点的数据进行解码，因此辅助节点也可对数据进行计算，从而使辅助节点和接入点形成一个面向用户的多输入单输出（MISO）信道，以增强计算结果下载阶段的可靠性。在此情况下，应考虑系统级设计，因为任务卸载和下载的信道状态可能不同。

第三，另一个有趣的问题是考虑协作边缘计算过程中的激励机制。即移动设备（包括用户、辅助节点和接入点）通过策略性交互，就任务划分和资源分配等决策进行本地化决策，以实现各方满意的结果。特别是当辅助节点具有双重角色时，用户可能追求不同的服务。用户、辅助节点和接入点之间的利益与行为难以建模，因此这是一个难题，甚至建立通用的博弈论建模也是一项具有挑战性的任务。

众所周知，NOMA在实际应用中仍存在实现上的挑战，而将NOMA应用于协作边缘计算时，其中一些问题可能更为严重。首先，NOMA依赖于SIC；然而，当解码列表较大，即参与协作的辅助节点数量较多时，SIC本身是耗时且高能耗的。在这种情况下，研究SIC的开销对于协作边缘计算至关重要。其次，由于在NOMA中执行SIC，辅助节点能够解码用户的数据，从而引发安全保护问题。因此，用户需要权衡安全风险与协作收益。

迭代计算，该领域还需要更多的研究。