基于虚拟化D2D通信系统的知识中心边缘计算

摘要

移动边缘计算（MEC）在解决5G移动网络中计算能力有限的问题方面正受到越来越多的关注。尽管目前已有一些关于MEC的研究工作，例如利用无线网络虚拟化（WNV）和软件定义网络（SDN），但结合基于学习的设备到设备通信系统（如社交与智能设备到设备网络系统）的虚拟化D2D通信，以及对边缘知识的利用，尚未被研究人员深入探讨。在本文中，我们提出了一种创新框架，称为知识中心边缘计算（KCE），通过利用从移动用户间D2D通信中获得的深入知识，动态检测网络结构并管理通信资源。此外，为了在所提出的架构中支持可信的网络接入并满足不同的服务质量（QoS）需求，KCE服务器从基础设施提供商（InPs）中选择特定的服务提供者（SPs）。由此，可通过虚拟化D2D通信技术将选定SPs的资源动态分配，以满足多样化的服务需求。仿真结果表明，所提出的框架在不同场景和参数设置下均具有良好的有效性。

引言

移动网络中用户对各种服务的需求不断增长，不可避免地增加了数据中心与基站之间的网络流量。根据思科2017年发布的视觉网络指数（VNI），到2021年移动数据流量将是2016年的约七倍。为了满足日益增长的需求，必须显著提升移动网络提供的计算能力和服务能力，以提供更好的用户体验质量（QoE）[1]。增强网络容量的一种可能解决方案是欧洲电信标准协会（ETSI）提出的移动边缘计算（MEC）。在MEC中，传统的云计算被扩展为一种边缘计算范式[2, 3]。此外，为了向用户提供统一的服务，引入了无线网络虚拟化（WNV）来整合和协调无线网络资源。WNV可被视为根据用户不同的服务质量（QoS）需求，将网络资源动态切分为不同虚拟切片的过程，以实现资源利用的最优化[4]。然而，这一领域仍存在大量研究在将这两种技术应用于移动网络时面临的挑战。

已有若干研究工作利用软件定义网络（SDN）来集成无线网络虚拟化（WNV）和移动边缘计算（MEC）[5–7]。然而，这些工作均未在设备到设备（D2D）通信的背景下研究该问题。文献[5]采用了一种具有两个分层控制层级的混合控制模型。所提出的混合控制模型简化了网络管理和配置，并提高了网络可扩展性。文献[6]提出了一种可扩展的SDN使能架构，该架构基于精确的应用需求，集成了异构车联网与可靠通信服务。文献[7]在移动边缘计算中应用了WNV和SDN。WNV使得物理无线网络可以被虚拟化并切分为多个虚拟资源。同时，引入SDN范式以整合各种协议和标准，包括MEC、WNV以及机器对机器（M2M）通信。在现有技术中，D2D辅助的虚拟化蜂窝网络尚未在MEC背景下得到研究。在D2D辅助的虚拟化蜂窝网络中，用户设备（UE）的资源，包括存储容量、能量以及用户设备提供的服务，可以被虚拟化并由其他用户请求。D2D辅助的虚拟化蜂窝网络不仅能够支持不同技术的无缝集成，还能提升网络性能（例如降低传输延迟）[8, 9]。当在MEC背景下研究D2D辅助的虚拟化蜂窝网络时，必须考虑单个用户设备有限的处理能力、能量以及潜在的提供服务能力。此外，移动用户之间的社会属性和社会关系[10, 11]也不容忽视。由于用户在通信中可能表现出非合作行为，并非所有用户都能被虚拟化以向他人提供可信的网络资源访问。非合作行为可能由多种因素引起，包括但不限于设备存储/能量耗尽、隐私问题以及信任问题。因此，非协作用户将不会为他人转发数据包，甚至可能丢弃数据包或将它们转发给具有更强社会联系的用户。显然，非合作行为会严重降低网络的服务质量性能。鉴于这些挑战和事实，传统的边缘控制和管理方法将不再适用。

足够且灵活。为了支持可信的网络接入并满足各种服务质量要求，我们提出了一种新架构，称为知识中心边缘（KCE），该架构结合了虚拟化D2D通信系统和基于学习的D2D通信系统（如社交和智能交通D2D系统），以支持移动边缘计算（MEC）。该架构的关键在于，通过D2D通信收集的数据获取并计算出深入的知识，例如用户关系和信任信息，从而能够基于知识准确地检测网络结构，并以优化方式动态分配网络资源。

总之，本文研究了如何整合社会感知与虚拟化D2D通信（SVDC），从而能够准确检测网络结构并对网络资源进行动态分配。本文的主要贡献如下。基于SVDC，我们提出了一种支持可信网络接入和最大化网络资源利用率的知识中心边缘计算架构。具体而言，该新架构可分为物理资源层、知识层和虚拟管理层。我们研究了三个层面中研究问题的挑战及潜在解决方案。在物理层，通过研究缓存策略和服务容量来探讨用户设备的资源分配。在知识层，重点关注与社交群体识别、激励机制和信任管理相关的研究问题。在虚拟管理层，研究如何实现优化的虚拟资源分配以满足用户多样化的服务质量要求。

本文的其余部分组织如下。在下一节中，我们介绍了边缘环境中基于设备到设备（D2D）通信的知识中心化架构。随后，我们描述了所提出框架的基本组成部分，并基于所提出的架构介绍用户设备资源分配和知识提取。接着，通过优化不同的目标函数，动态地将服务提供者的资源分配给用户，以满足用户的QoS需求所提出的框架。我们通过仿真评估了所提出的框架。在最后一节中，我们总结了本文并提出了未来工作。

架构 知识中心边缘计算

在D2D辅助的蜂窝网络中，用户设备的资源（包括存储、能量和提供的服务）被虚拟化，以支持用户灵活的网络接入。换句话说，用户设备资源被动态分配给有需求的用户，以满足其服务要求（例如，服务质量要求）。为了有效管理网络结构并分配网络资源，我们提出了一种创新的边缘计算架构KCE。如图1所示，KCE架构包含三层，即物理层、知识边缘层和虚拟管理层。物理层主要负责在用户之间收集和共享数据。知识层用于基于学习的D2D通信系统（如社交和智能交通D2D网络系统）建立和控制用户之间的连接，这需要整合多学科理论与方法（例如，社会学、管理和心理学）。虚拟管理层旨在创建连接用户的最优路径。

物理层

物理层包含多种类型的基础设施提供商（InPs），例如典型的蜂窝用户、设备到设备用户、MEC服务器和KCE服务器。它负责向用户提供物理资源，同时从用户收集数据并将用户的特征上报给KCE服务器。

知识层

为了动态管理用户之间的网络连接，我们在架构中引入了知识层。基于从物理层收集的用户数据，KCE服务器可以推导出关于用户之间社交连接的新知识，并利用这些新知识来优化控制用户的连接。例如，多个基础设施提供商可以为KCE服务器收集数据，并被KCE服务器选为服务提供者（SPs）。

虚拟管理层

为了优化资源分配，D2D辅助网络中的基站和用户设备的网络资源将被虚拟化。通过无线网络虚拟化（WNV），用户设备上的物理资源被虚拟化。特别是，KCE服务器获取的知识，例如用户间关系强度、用户设备间的连接频率以及用户之间的信任度，将被用于建立和管理虚拟网络。在服务提供者的资源虚拟化完成后，KCE服务器将协助请求服务的用户建立与满足其服务质量要求的服务提供者的连接。

物理层

在考虑用户设备的资源管理和分配时，必须考虑用户设备的有限容量及其提供服务的能力。为了促进用户之间的数据共享，KCE服务器在物理层执行用户设备的资源分配。这里需要回答一些研究问题：哪些内容将缓存在哪些设备上，以优化整体网络性能？我们如何有效支持请求用户的QoS要求？

缓存策略

服务提供者（SPs）将由KCE服务器基于用户的社交连接、属性相似性以及交互历史来识别。然而，哪些内容将被缓存在哪些SPs上，仍然是一个具有挑战性的问题，原因在于用户在网络中访问内容的行为具有动态性。我们提出了一种创新缓存策略，根据用户为其他用户提供缓存数据的潜力，将内容缓存在用户上。迄今为止，大多数关于设备到设备通信的研究倾向于在用户中缓存高流行度的内容。这种认为受欢迎内容会被所有用户频繁访问的假设可能并不成立。例如，基于从移动社交网络服务提供商微视（Weishi）获得的数据集发现，一些从全局视角来看不受欢迎的内容也可能被频繁访问。由一群彼此接近的用户[12]。在这些局部区域中，全球流行的内容可能访问频率较低。

为了高效缓存内容，我们提出了一种考虑移动用户社交连接的缓存策略。根据用户之间的社交连接，用户被划分为不同的社交群体（社区）。与某个社交群体有强关联的用户被视为相应社区的成员。这些用户可以缓存具有高局部流行度的内容，因为这可能为同一社区内的其他用户提供缓存数据。相反，属于多个社区的用户将缓存具有高全局流行度的内容。由于这些用户连接了多个不同的群体，他们能更好地协助全球范围的数据传播，使全球流行内容能够被大量用户快速访问。缓存具有不同（局部或全局）流行度的内容可有效提高单个用户的缓存命中率。

服务容量

另一个影响网络性能的重要因素是服务提供者（SPs）是否具备提供请求服务的能力。所选服务提供者的服务能力直接影响任务在所提出的架构中是否能够完成。对于MEC服务器而言，其服务能力（例如处理输入数据所需的资源）应在物理层予以考虑。另一方面，用户设备（UE）的服务能力不仅与其物理能力（如存储、能量和通信资源）相关，还与其社交属性（如网络中的社交连接）有关。为了计算用户设备的服务能力，需要建立模型来理解用户设备为其他用户提供服务的意愿。此外，还需充分利用用户之间的垂直和水平关系强度。水平关系和垂直关系分别连接具有相似行为的用户和具有不同特征的用户。总体而言，应准确评估不同服务提供者的服务能力，以便请求的任务能够在最早的时间内完成。

知识层

在用户被物理层选为服务提供者（SPs）后，他们可能在为他人提供服务方面表现出不合作的行为。用户的非合作行为主要由客观原因（如用户存储空间耗尽）或主观原因（如用户自私而不愿为他人提供服务）引起。如图2所示，需要一种有效的激励机制来鼓励用户参与数据转发与传输。另一方面，应部署信任管理机制以选择可信用户作为服务提供者（SPs）。

在架构中引入知识层的目标有两个。在此层中，分析用户之间的社交连接（现有和潜在的），以便将用户划分为多个组。同一组内的用户被认为未来有共享数据的潜力。另一方面，为了激励普通用户提供服务，需要设计激励方案和信任管理机制。在本节中，

社交群体识别

通过利用D2D通信收集和共享数据，KCE服务器能够推导出用户社交群组信息的相关知识。特别是，通过利用用户的社交属性（如共同兴趣、背景和相似性），可将用户划分为若干重叠群组。在特定群组内，用户彼此相遇的频率高于其他群组的用户。此外，同一群组内用户之间的相遇时长相对较长。KCE服务器可根据用户的社交特征计算用户之间的相遇概率和相遇时长。用户可能具有多维社交属性，因此一个用户可能属于多个群组/社区。通过分析具有不同属性的用户网络结构，可以检测到各个群组之间的重叠。因此，在知识层中检测重叠社区至关重要，而重叠群组内的用户能够更好地协助在整个网络中的数据传播。

激励机制

在移动边缘网络中，用户资源会根据其他用户请求的服务进行动态分配。可实现的收益在很大程度上受到用户是否以协作方式行为的影响。从经济角度来看，应平衡系统中所有利益相关者的利润。因此，需要在KCE服务器上建立激励机制，以促进用户之间的内容共享。

针对上述问题，可以在KCE服务器上应用基于博弈的、基于定价的和基于合约的激励机制。例如，可以利用斯塔克尔伯格博弈理论来鼓励用户协同参与数据传输。斯塔克尔伯格博弈包含两个博弈参与者：领导者和追随者。领导者（即KCE服务器）首先在博弈中提出策略，随后追随者（被选中的SPs）给出其最优策略。领导者观察追随者提供的最优策略，并不断调整自身的最优策略。通过协商与调整，最终可实现系统的纳什均衡。此外，服务提供者的收益与转发的数据量成正比，这进一步激励用户参与协作式数据传输。

信任管理

由于自私性，网络中的用户可能会表现出非合作行为[13, 14]。为了从基础设施提供商中选择可信的服务提供者，信任管理在所提出的架构中至关重要。一般来说，信任管理模块主要包括四个部分：信任评估、信任记录、信任计算和信任决策。接下来，我们将详细描述每个组件的功能。

信任评估是考虑服务提供者与请求用户之间信任关系的第一步。心理学研究表明，用户之间的可信度可以分为三个方面：认知、情感和行为。因此，在信任评估中需要考虑服务提供者（SPs）与请求用户之间的多维信任关系，包括认知信任、情感信任和行为信任。认知信任定义为用户对其他用户合作能力与可靠性的信念。例如，一个可信的SP可能通过社交网络与请求用户有过相互交互而对其有所了解。情感信任表达的是用户对数据中继的兴趣程度，通常在志趣相投的人之间建立。行为信任是通过用户之间的相互交互建立的，例如在数据中继和转发过程中互相帮助。相互交互可分为两类：直接交互和间接交互。当用户之间存在相互交互时，他们之间就存在一定水平的行为信任。通过记录用户的交互历史，KCE服务器可以利用各种信任模型（例如三值主观逻辑模型）[15]来评估用户之间的可信度。结合上述三种类型的信任，KCE服务器能够建立潜在SP与请求用户之间的可信度，并基于决策理论进行信任决策，例如基于朴素贝叶斯分类器的决策理论粗糙集。由此，用户可分别被划分为可信用户、不确定用户和不可信用户。

虚拟管理层

在虚拟管理层中，用户设备资源由KCE服务器进行虚拟化和管理。为了确保物理资源的优化分配，KCE服务器将决定如何为不同的通信分配D2D辅助的虚拟用户设备资源。具体而言，我们设计了一种感知服务质量的资源分配方案，通过将用户设备资源动态切分为虚拟组，主要将用户设备资源与不同用户的服务质量要求相匹配。

如图3所示，系统中用户存在多种服务质量要求，因此不同用户设备的优化目标函数也不同。为了满足不同的服务质量要求，我们首先将用户设备资源划分为不同的组，然后共享物理资源以满足不同的优化目标。对于具有较高服务质量要求的服务（例如流媒体服务），通常期望实现低延迟。因此，在我们提出的架构中，针对每一层设计了不同的方案以优化网络性能。具体而言，从用户的角度来看，创新缓存策略在物理层优先考虑缓存用户上的内容以及所选用户的服务容量。从链路连接的角度来看，在知识层优先选择可信链路以实现低延迟。就提供的服务而言，在虚拟管理层选择具有更高服务能力的用户以实现快速传输。类似地，对于具有较低服务质量要求的其他服务，将选择不同的用户组以满足不同的优化目标函数。总之，针对不同的服务质量要求，将选择不同的服务提供者组，以实现用户设备上的优化资源分配。

评估和结果分析

在本节中，我们评估了所提出的面向社交的D2D通信中感知服务质量的资源分配机制的性能。

仿真设置

我们假设用户在100 × 100 m²区域内随机部署。系统中可供传输的文件共有1000个文件。MEC服务器能够存储1000个文件，每个用户设备可以缓存这些文件的10%至50%。假设设备到设备通信的最大传输距离为R = 50 m。其他仿真参数见表1。

结果分析

边缘网络中的缓存策略的有效性直接影响MEC的网络性能，例如任务卸载率。如果缓存策略经过精心设计，则通过在移动设备上缓存内容可以显著提升请求用户的用户体验质量。为了评估所提出架构的性能，我们采用两种缓存策略对系统性能进行评估。在随机缓存策略中，文件被缓存在用户设备上的概率与该文件被请求的概率成正比。在基于流行度的缓存策略中，每个设备仅存储最流行的内容。

图4反映了任务卸载率与用户设备上的可用缓存能力之间的关系。随着缓存能力的增加，所提出系统的任务卸载率比随机缓存策略和基于流行度的缓存策略分别高出27.5%和56.2%。这是因为不受欢迎的内容更有可能在局部区域内被共享，而这些区域中的用户彼此距离较近。然而，这些内容在随机和基于流行度的缓存策略中被简单地忽略了。对于全球流行内容，由于它们被缓存在重叠社区的用户上，因此可以在网络中快速传播。

此外，为了证明我们提出的在MEC中用于计算卸载的资源分配方案的有效性，我们评估了单个用户的平均任务完成时间。图5展示了用户数量与平均任务完成时间之间的关系。当用户数量增加时，所提出系统的平均任务完成时间比纯虚拟化设备到设备通信（VDC）系统低36.6％。这是因为并非所有用户都可以被虚拟化为SP以实现可信网络接入。一些非协作用户对平均任务完成时间有显著影响。

结论与未来工作

在本文中，我们提出了一种结合设备到设备通信的以知识为中心的蜂窝网络架构。首先，我们设计了一种D2D辅助的虚拟化边缘蜂窝网络架构，该架构由物理层、知识层和虚拟管理层组成。其次，我们描述了所提出系统中的挑战和潜在解决方案，包括知识提取、社交感知、激励机制、信任管理机制以及用户设备上的优化资源分配。为此，设计了不同的优化目标函数以满足各类服务的QoS需求。最后，仿真结果表明，所提出的架构在减少回传消耗和降低传输延迟方面能够显著提升网络性能。未来工作包括在边缘网络中应用机器学习和搜索技术等智能技术，以支持智能物联网应用。例如，在未来的车联网系统中，移动边缘计算将在车辆通过道路上可用的移动边缘节点进行信息交换时发挥关键作用。来自知识层的信息（例如设备间的可信度）可用于促进物联网设备之间的通信，并实现可信可靠的传输。最后但同样重要的是，所提出的框架为理解未来蜂窝网络中的资源分配问题提供了新的视角。