基于服務覆蓋的無蜂窩邊緣智能網絡部署方法

姜靜/JIANG Jing，喬東偉/QIAO Dongwei，Worakrin SUTTHIPHAN

（1.西安郵電大學陜西省信息通信網絡與安全重點實驗室，中國 西安 710121；2.泰國國家電信有限公司，泰國 曼谷 10700）

隨著5G網絡的規?；渴鸺靶乱淮畔⑼ㄐ偶夹g的高速發展，信息通信行業面臨著日益增長的能耗和碳排放壓力。預計到2025年，通信行業將消耗全球20%的電力。為了實施國家的“雙碳”戰略，工業和信息化部等7個部門聯合發布了《信息通信行業綠色低碳發展行動計劃（2022-2025年）》，強調未來網絡應實現綠色、低碳和高質量發展。運營商希望充分利用各種場景下的業務特征，實現無線服務的按需精準投放，減少網絡建設和運營成本，提高資源利用效率和成本效益[1-2]。為了實現該目標，IMT-2030（6G）推進組發布了《6G典型場景和關鍵能力》白皮書，提出了6G網絡應具備按需服務能力。即通過已有業務數據的分析和挖掘，實現個性化和精準的服務供給[3]。因此，綠色低碳發展和按需服務將成為6G網絡設計和部署的關鍵要素，打造更環保、高效和可持續發展的移動通信網絡。

無蜂窩大規模多輸入多輸出（MIMO）于2017年由瑞典林雪平大學的E.G.LARSSON教授和美國紐約大學的T.L.MARZETTA教授在分布式天線系統（DAS）的基礎上共同提出，旨在解決5G部署中傳統蜂窩通信網絡小區間干擾嚴重、越區切換頻繁等問題[4]。無蜂窩大規模MIMO系統在覆蓋范圍內分布部署大量的無線接入點（AP），通過回程鏈路與中央處理器（CPU）鏈接，多個AP形成協作集合為用戶提供服務。6G網絡在架構層面將通信網絡與算力、算法和數據深度融合，構建網絡內完整的智能體系。如圖1所示，無蜂窩大規模MIMO邊緣智能網絡在CPU或AP部署移動邊緣計算（MEC）服務器，通過MEC的緩存功能顯著降低前/后向鏈路的流量負載和系統能耗，從而解決無蜂窩網絡部署時前/后向鏈路容量受限的瓶頸問題；MEC借助無蜂窩均勻、一致的覆蓋性能，提高計算和緩存下載的成功概率[5]。無蜂窩大規模MIMO邊緣智能網絡結合了MEC和無蜂窩大規模MIMO系統的性能優勢，融合通信、計算、存儲等功能，具有高效、可靠、低延遲與低成本的優勢，成為6G的重要研究方向之一[6-7]。

圖1 基于服務覆蓋的無蜂窩大規模多輸入多輸出智能網絡

傳統的無蜂窩大規模MIMO系統假定AP隨機、均勻分布在覆蓋區域。該假設較為理想化，未充分挖掘無蜂窩網絡部署靈活的性能優勢。文獻[8]首次研究無蜂窩大規模MIMO中的AP位置優化問題，證明了基于最大吞吐量的AP位置優化方法與AP隨機部署的傳統方案相比，系統總吞吐量提高了3倍；與Lloyd算法（和距離最?。┎渴鸱椒ㄏ啾?，系統總吞吐量提高了1.25倍。文獻[9]將遺傳算法（GA）與射線追蹤（RT）信道模擬方法相結合，以最大化系統能效為目標生成最佳AP部署方案。上述工作證明了AP部署的優化將顯著提高無蜂窩大規模MIMO系統性能。但是，現有研究中無蜂窩大規模MIMO技術的研究通常以系統整體的吞吐量最大、能效最優等作為優化目標[10-12]，未考慮用戶和移動業務在不同區域的非均勻分布特性，如何通過無蜂窩網絡AP和CPU部署等實現6G精準、個性的服務供給尚未有研究。

為了匹配非均勻的移動業務分布特征，實現按需精準投放，提高資源投入的性價比，服務覆蓋作為一種新的網絡性能度量被提出[13]。服務覆蓋的定義為每覆蓋單元的傳輸容量與業務流量需求的比率，表征了6G網絡的服務能力與業務需求之間的匹配程度。文獻[14]以最佳服務覆蓋為目標，實現覆蓋單元的總吞吐量與平均速率需求的比率之和的最大化，以此來優化接入點的部署。構建基于服務覆蓋的目標模型可以使無蜂窩大規模MIMO網絡達到按需服務的能力。同時，基于多元線性回歸模型的梯度下降算法可以求解接入點的位置問題，實現無蜂窩網絡業務需求的精準匹配，顯著提升系統的能量效率與頻譜效率。

針對傳統蜂窩網絡中MEC服務器的部署問題，文獻[15]提出在通信和計算時延受限的條件下，推導MEC系統模型下通信延遲和計算延遲與網絡負載和網絡資源參數的比例關系，為AP、MEC服務器和中心服務器（CS）的部署提供了理論依據。文獻[16]以最大化服務范圍內的資源利用率為目標，求解了基于隨機部署的MEC服務器最優部署密度。文獻[17]利用非均勻泊松點過程模擬MEC服務器的部署過程，求解滿足預期業務需求的基站和MEC服務器位置和數量。文獻[18]針對由不同傳輸功率和計算能力的多層異構無線網絡，根據MEC服務器的用戶類型和AP分層設計求解最優成功邊緣計算概率，為MEC的優化配置提供指導。針對無蜂窩大規模MIMO邊緣智能網絡的MEC服務器部署，文獻[6]證明在無蜂窩大規模MIMO邊緣智能網絡的MEC部署中，CS成功接收到用戶的卸載任務的概率隨著AP覆蓋范圍的增大而降低。因此，在給定的成功卸載概率情況下，配置更多的AP將會更節能。但是上述MEC服務器的部署研究尚未解決在考慮通信和計算深度耦合條件下，無蜂窩邊緣智能網絡如何提供滿足多樣化業務需求的通信傳輸能力和算力。

本文將研究基于服務覆蓋的無蜂窩網絡AP和MEC的聯合部署，首先建立多樣化業務需求的服務覆蓋理論模型，并利用元學習的學習能力，實現多種應用場景和多樣化業務需求的服務覆蓋建模；然后根據非均勻分布的業務需求，以每個覆蓋單元的最佳服務覆蓋為目標，研究大規模MIMO無蜂窩網絡AP和MEC在多資源約束條件下的聯合部署和構型，通過松弛引入輔助變量將非凸離散問題轉化為凸連續問題，求解接入點和MEC的聯合部署位置，從而實現無蜂窩大規模MIMO網絡中與實際業務相匹配的傳輸能力與協同算力。

1 基于服務覆蓋的無蜂窩邊緣網絡設計

針對多樣化的業務需求和應用場景，根據服務覆蓋定義結合6G典型應用場景建立多樣化的服務覆蓋理論模型，進而以最大服務覆蓋為目標，設計和優化AP、CPU以及MEC服務器的部署、網絡構型、算力資源和頻譜資源，實現精準按需服務的無蜂窩大規模MIMO邊緣智能網絡的傳輸能力、計算緩存能力和存儲能力。

1.1 基于服務覆蓋需求統計預測和設計

6G業務豐富多樣，每種業務對傳輸速率、流量密度、空口時延、同步和抖動、移動性、計算時延、計算能力等性能指標的需求有所不同。為精確統計不同業務需求，本文將覆蓋區域劃分為N個覆蓋單元，如圖1所示。與文獻[13]中服務覆蓋定義為傳輸速率和業務需求速率之比不同，針對多樣化的業務需求，本文中我們假設場景的關鍵服務能力由多個元素組成，例如：傳輸速率、時延和可靠性要求等，則服務覆蓋定義如下：

其中，ant為每種關鍵能力的加權系數，其取值與該區域的特定業務占比、用戶模型等有關，所有關鍵能力的加權系數之和為1。Ci,i=1,2,3為覆蓋單元內可實現的通信和計算能力，Ti,i=1,2,3該區域內不同類型的業務需求。

根據上述定義，我們利用元學習的學習能力不斷學習或獲取典型場景中的業務特征和關鍵能力表達，實現多種應用場景和多樣化業務需求的服務覆蓋建模分析。具體流程如圖2所示：首先，定義關鍵業務需求和服務能力的數據標簽和訓練樣本，嵌入6G典型場景的訓練樣本；其次，通過實際場景的少量樣本，訓練和獲取不同移動業務的關鍵技術需求；再次，借助線性分類器產生不同業務的權重系數，平衡多樣化業務需求對網絡關鍵服務能力的要求，確定網絡的關鍵服務能力；最后，依據不同覆蓋區域的業務需求和關鍵服務能力，建立服務覆蓋模型。利用測試樣本完成模型的驗證和優化，可以提高服務覆蓋的準確性、系統性和科學性。

圖2 基于元學習的服務覆蓋建模分析

1.2 基于服務覆蓋的無蜂窩大規模MIMO部署設計

在無蜂窩網絡中，AP部署的密度、位置、服務范圍決定了AP與用戶間的路徑損耗，直接影響容量、能耗和通信時延等系統性能?；诜崭采w的無蜂窩大規模MIMO部署設計將以每個覆蓋單元的最佳服務覆蓋為目標，通過構建基于AP數量和位置的無蜂窩網絡可達速率的閉合表達式，設計大規模MIMO無蜂窩系統的拓撲結構，優化無蜂窩網絡的系統性能。在優化的過程中，讓每一個覆蓋單元的業務需求和傳輸能力相匹配，可以最小化總覆蓋范圍內的匹配能力差之和，從而優化每個覆蓋單元的精細化服務能力迭代，最終實現無蜂窩網絡的按需、精準服務能力。

1.3 基于服務覆蓋的無蜂窩邊緣智能網絡設計

在無蜂窩邊緣智能網絡中，AP或CPU配置了MEC服務器，網絡邊緣能夠實時存儲、下載、處理和分析數據。面對不同應用場景下豐富多樣的業務需求，基于服務覆蓋的無蜂窩邊緣智能網絡不僅需要考慮通信需求，還需要考慮算力、計算時延等業務需求的匹配程度。為實現無蜂窩邊緣智能網絡通信、計算、存儲的聯合部署，不僅需要優化AP個數和密度、AP部署位置，還需要優化CPU和MEC的算力、MEC部署個數和容量、MEC和AP的連接關系，從而實現與業務需求相匹配的計算、存儲和通信能力。進一步地，CPU根據流量負載、緩存和計算需求對通信資源進行動態分配和調度，匹配用戶的需求，實現通信和計算能力的協同優化，提升資源利用率和通信計算質量。

2 系統架構與目標函數

針對無蜂窩邊緣智能網絡中非均勻的通信與計算需求，本文將通過AP和MEC的部署優化，實現與每個覆蓋單元業務需求相匹配的計算與通信能力。首先，構建無蜂窩邊緣智能網絡通信與計算系統模型。其中，通信模型建模了覆蓋單元內用戶的可達傳輸速率；計算模型用于表征該覆蓋區域內MEC的計算處理能力，用于匹配覆蓋單元內用戶非均勻的計算任務。其次，分析了無蜂窩邊緣智能網絡中的通信與計算能力之間的關系。最后，以最大化每個覆蓋單元內的服務覆蓋為目標，每個覆蓋單元獲得相匹配的通信計算能力。

2.1 系統模型

在無蜂窩邊緣智能網絡系統中，我們假設所有AP均配備獨立的MEC服務器并通過回程鏈路連接到CPU，并分布在N個覆蓋單元內，如圖1所示。假設第m個AP和第k個用戶之間的信道表示為：gmk=，其中βmk和hmk分別為大尺度衰落和小尺度衰落，hmk～CN(0,1)。相干周期τc劃分為τp個導頻傳輸間隔和τc-τp個上行鏈路數據傳輸間隔。第k個用戶在相干時間開始同時發送導頻序列ψk∈Cτc×1，τp=K。因此，第m個AP處接收到的信號為：

其中，pk=ηk為發射功率，ηk和分別表示第k個用戶的功率控制系數和最大上行鏈路功率。xk表示第k個用戶的上行鏈路數據，ωpm是一個τp維的加性噪聲，且滿足ωpm～CN(0,1)。

第k個用戶的信號通過AP經由CPU被組合成如下解碼形式：

其中，z∈RL×1為0和1組成的決策向量，表示為z={z1,z2,…,zL}T,zl=1表示在第l個位置聯合部署AP和MEC。γk為第k個用戶的信干噪比，k∈Un表示第k個用戶位于第n個單元。

假設第k個用戶有大小為Tkbits的計算密集型任務，由于移動設備的計算能力和電池容量有限，用戶端無法承受高強度的計算任務，因此假設第k個用戶將Tkbits任務全部卸載至邊緣服務器而不考慮在本地并行計算。當計算任務卸載到邊緣服務器時，經歷的延遲可以分解為卸載數據的傳輸延遲和邊緣服務器處理的計算延遲。

因此，第n個單元的時延表示為第n個覆蓋單元內用戶的總時延，具體為：

其中，表示第n個覆蓋單元內用戶卸載數據到邊緣服務器所需的傳輸延遲；表示第n個單元內邊緣服務器處理用戶任務的總計算延遲；fmk為連接第m個AP的MEC用于執行第k個用戶的處理速度，單位為cycles/s，且fmk≤fmax，fmax為每個邊緣服務器處理能力上限；Ncpb為處理1 bit信息所需的周期數，單位為cycles/bit。

2.2 目標函數

本文以實現最大服務覆蓋為目標，根據差異化的業務需求設計了無蜂窩邊緣智能網絡的AP和算力部署，包括MEC的計算能力fmk、MEC服務器個數M、AP和MEC服務器聯合部署位置z。假定服務覆蓋的關鍵能力要素包括網絡算力、系統時延和通信可達速率，則服務覆蓋區域定義如下：

其中，ant∈[0,1]為每種關鍵能力的加權系數且其取值與該區域的特定業務占比、用戶模型等有關。Tn(z)為第n個覆蓋區域系統可提供的計算能力，為該區域的算力需求；tn(z)為第n個覆蓋區域內用戶處理密集型任務可達到的最小時延，為第n個覆蓋區域內應滿足的最小時延；Cn(z)為第n個覆蓋區域系統可提供的傳輸容量，為第n個位置區域業務傳輸所需的平均容量。

在無蜂窩邊緣智能網絡中，針對不同覆蓋單元非均勻的通信與計算需求，通過合理的算力資源和AP部署，可以為用戶提供低時延、高可靠的通信和計算需求，并滿足系統最小計算和通信時延的約束條件。該問題建模為P1：

第1個限制條件中，z表示AP和MEC的部署方案，zl為0或1組成的AP和MEC部署位置元素，通過聯合部署實現每個覆蓋區域算力和通信需求的精準匹配；第2個限制條件為第n個覆蓋單元內，傳輸和計算時延應小于該單元內移動業務允許的最小時延。σ為冗余因子，為網絡業務突發留有合理的傳輸能力冗余。

3 基于服務覆蓋的無蜂窩邊緣智能網絡部署

P1是一個多目標多約束的混合整數非線性規劃問題，首先將覆蓋區域內通信和計算能力轉化為約束條件，然后利用拉格朗日松弛法和罰函數法對問題中的整數約束進行松弛得到連續非凸問題，最后通過引入輔助變量將非凸目標函數和約束條件進行近似，再利用連續凸逼近算法迭代求解。

首先，問題P1轉化為P2：

其中，離散變量zl被松弛為取值范圍從0～1的連續變量，然后利用罰函數法使約束條件（16）成為目標函數的一部分，優化問題P2則轉換為P3：

其中，μ是懲罰因子，在zl不等于0或1時懲罰目標函數，迫使松弛后的連續變量zl逼近0或1。通過松弛，約束條件（12）-（15）和目標函數中離散變量乘連續變量的結構變成了連續變量乘連續變量的結構，但仍是非凸的，通過引入輔助變量r和新的非凸約束條件，可得：

這時可將P3等價轉換為minr。我們設minr可行域為Ω={z,,γk,r}，根據文獻[19]先求得（12）-（15）、（17）和（19）這些非負約束條件在可行解Ω(k)處的近似函數，從而得到連續的凸優化問題P4：

s.t.（15），（17），（21），（22），（23），（24）。

其中，（21）-（24）為非凸相乘轉化為在可行解Ω(k)處的DC函數近似形式：

凸優化問題P4可以通過內點法或MATLAB的凸優化工具箱（CVX）等方法求解，從而得到最優解對應minr在約束（19）和可行解Ω(k)處近似函數的最小值。根據連續凸逼近，我們令Ω(k+1)=，并將Ω(k+1)作為新的可行解代入問題P4，對新的近似函數進行下一輪凸優化求解，直到結果收斂到局部最優解或不可行解?；谶B續凸逼近的迭代算法如算法1。

算法1：基于連續凸逼近的迭代求解算法初始化：定義精度ε，最大迭代次數Imax，迭代序號n=0，懲罰因子η，懲罰因子倍增系數c=2，初始最優值r(0)=inf，設置

4 仿真結果與分析

在仿真過程中，我們首先生成非均勻的用戶業務流量場景，并得到該區域的平均流量需求。然后，利用文獻[21]中的熱點模型生成非均勻分布的用戶位置，使用戶在熱點區域分布得更加密集，在低業務區域分布得更加稀疏，并在該模型下，通過調整熱點區域的數量來使用戶分布更符合真實場景。我們設置了3個熱點區域，利用偏移因子μδ∈[0,1]來表示用戶在熱點區域中的聚類程度。當μδ=0時，用戶均勻分布在覆蓋區域內；隨著μδ的增加，用戶更緊密地分布在熱點區域。對于業務流量的產生，假設流量到達遵循泊松過程，那么可以通過設置平均到達率υ來模擬各種不均勻的流量分布。

本文中，我們考慮了一個由M個配備了MEC的AP和K個用戶組成的1 km×1 km的無蜂窩大規模MIMO邊緣智能網絡系統。我們將覆蓋區域劃分為N個覆蓋單元，然后根據服務覆蓋對區域內的L個部署點進行M個位置的部署選擇。第k個用戶和第m個AP之間的小尺度衰落服從hmk～CN(0,1)，大尺度衰落系數建模為：

其中，PLmk表示自由空間路徑損耗，表示具有標準差為σsh以及zmk～CN(0,1)的陰影衰落。PLmk采用三斜率模型[20]表示：

其中，

系統的部分仿真參數如表1所示。

▼表1 仿真參數

本文中，我們以不同的方式部署AP，以此來評估和比較基于服務覆蓋的AP-MEC部署方法和隨機部署方法的系統性能。圖3為在非均勻業務需求分布情況下，不同部署AP方法下系統可達容量對比圖。圖3中的橫坐標x、y表示小區覆蓋區域的地理位置，縱坐標z表示可實現的吞吐量，用戶的業務需求呈非均勻分布，如圖3（a）所示。然而，傳統的隨機部署AP方法實現了均勻一致的覆蓋，如圖3（b）所示，這造成傳輸能力在低流量需求區域過剩，高流量需求區域明顯不足。圖3（c）可以實現與圖3（a）流量需求相一致的吞吐量，這證明基于服務覆蓋的AP部署方法能夠滿足熱點模型區域所需的業務需求。

圖3 非均勻業務需求和不同部署AP方法下系統的可達容量

圖4比較了隨機AP部署和基于服務覆蓋的AP-MEC部署的平均時延分布圖。在隨機部署方法下，各覆蓋單元可實現的時延均值約為2.5 ms。這是因為隨機部署算法由于部署AP位置的隨機性，導致某些區域無線網絡服務能力不足，產生了業務擁塞，而另一些區域覆蓋能力過剩。這種不均衡網絡資源分布更容易導致用戶的時延超出業務允許的最小時延。而在基于服務覆蓋部署AP-MEC方法下，各覆蓋單元內可實現的處理時延均值約為0.7 ms，低于各覆蓋單元所需的時延均值1.8 ms。這是因為在基于服務覆蓋部署方法中，我們在業務需求高的覆蓋區域部署了更多的AP，縮短了用戶的接入和傳輸時延，從而提高系統性能和用戶體驗。

圖4 隨機部署移動邊緣計算和基于服務覆蓋部署移動邊緣計算的可達最小時延分布

圖5為不同AP-MEC部署方法下，每個覆蓋單元的通信成功率，即覆蓋單元內滿足最低通信需求和最低時延的概率。AP-MEC隨機部署方法的成功概率均值約為0.754 3，曲線抖動明顯，在數據傳輸過程中會導致數據丟失或重傳增加通信的延遲和不穩定性；而基于服務覆蓋的通信成功率的均值約為0.945 2，曲線平穩，在高通信成功率區域常伴隨著較低的丟包率，有助于提高實時通信應用的質量，證明了基于服務覆蓋部署方法能夠提供高效穩定的通信。

圖5 隨機部署和服務覆蓋的通信成功率

5 結束語

為解決現有網絡以系統整體性能優化為目標，出現的部分服務區域資源浪費和能量損失問題，本文首先引入服務覆蓋這一新型網絡性能度量，然后針對無蜂窩邊緣智能網絡提出了一種基于服務覆蓋的AP-MEC聯合部署方法。通過構建基于元學習的多樣化業務需求服務覆蓋模型，我們將以每個覆蓋單元的最佳服務覆蓋為目標來實現系統性能的差異化優化，按需部署網絡資源，實現精準的按需服務供給。仿真結果表明，基于服務覆蓋的AP-MEC聯合部署方法，能夠實現系統整體性能的顯著提升，同時在不同覆蓋單元中實現了精準的按需服務供給，實現高能效、低時延、低能耗的無蜂窩邊緣智能網絡系統。

在未來的研究過程中，我們將進一步以最佳服務覆蓋為目標，提供多場景、多維資源的精準服務，以滿足多樣化的通信需求，構建高質量、智能化的無蜂窩邊緣智能網絡系統。