摘  要：5G时代下数据井喷带来了网络拥堵，本地算法以及云计算的集中式处理模式不足以满足大规模物联网环境的实时性要求。边缘计算模型中大数据需要通过信道卸载到边缘服务器上，通过对传统信道选择方式的研究可知：传统基站分配方式效率低下。通过epsilon-Greedy算法和随机算法的比较可得出：合理设定epsilon值，使探索与利用相结合可实现设备自我学习选择信道。

关键词：边缘计算;自我学习;信道选择

中图分类号：TN919.2      文献标识码：A 文章编号：2096-4706（2020）06-0079-03

Abstract：Data blowout in 5G era brings network congestion，and the centralized processing mode of local algorithm and cloud computing is not enough to meet the real-time requirements of large-scale internet of things environment. The big data in the edge computing model need to be offloaded to the edge server through the channel. By comparing the epsilon-Greedy algorithm with the stochastic algorithm，it can be concluded that the combination of exploration and utilization by setting the epsilon value reasonably can realize the self-learning channel selection of equipment.

Keywords：edge computing;self learning;channel selection

0  引  言

基站是移动设备接入互联网的接口设备，也是无线电台站的一种形式。校园内的探头、各种仪表盘、数字设备等都是由某个特定基站进行数据交换。学习了“通信系统原理”这门课程，了解到数据的交换和传输必须通过信道，并且设备的信道选择通常是由基站进行统一分配。但在实际情况下信道存在时变性，基站分配信道必然导致效率低下。本文将研究设備通过自我学习选择信道，保证传输速率的高水平。

1  背景介绍

5G时代的来临，日常生活中数据量的增长也随之增加。流量的增加给通信成本带来了压力。数据显示，到2020年，全球移动数据流量将达到每月30.6 EB，届时将有约500亿台互联网设备为物联网做出贡献。这种无与伦比的增长速度与移动设备的改进速度并不匹配，设备寿命并没有以跟得上的速度增长。随着物联网技术的快速发展和物联网应用的不断涌现，物联网设备的井喷将带来网络拥堵。显然，本地计算已经不足以处理如此大量的数据。即使是云计算的集中式处理模式也无法满足大规模物联网环境的实时性要求。此外，终端设备上传到云端的数据可能会泄露，设备井喷增加也可能导致云计算能耗不足等问题。物联网革命开辟了新的研究视角，导致人们对去中心化范式的兴趣日益浓厚。万物互联的需求催生了边缘计算模型。

边缘计算是通过将应用程序的一部分数据或服务从一个或多个中心节点（称为“云”）移动到另一个逻辑端点（位于网络边缘的节点，称为“边缘”）来优化应用程序或云计算系统的技术。Luan等人认为云计算与边缘计算的不同之处在于：

（1）与边缘计算相比，云计算可以看作是一个集中式的结构，而边缘计算是大规模、分布式的，但处理能力有限;

（2）终端用户设备的延迟是由多个跳转到最终目标主机的需求驱动的，本质上依赖于网络服务提供商和核心网络基础设施[1]。边缘计算消除（或至少减少）了对集中式云计算的需求。而集中式云计算在车辆和无人机的自动控制和导航等重要应用中至关重要，但是大数据下，在这些应用中，对云的访问可能非常有限。边缘计算还将通过提高服务质量（如计算延迟）在机器学习以及基于位置的数据分析中启用新的应用程序，为用户提供显著的优势。随着因特网的迅速发展及其应用，绝大多数的企业建立了自己的网站，加强对外关系，加速业务流程和网站系统访问响应时间，他们的互联网应用任务的计算系统有足够的计算资源，如服务器、云系统或处理数据中心[2-4]。

边缘计算中所需的边缘服务器，它直接与用户通信。设备上的任务或数据需要卸载到边缘服务器进行处理，而卸载到服务器的数据需要经过信道。基站统一分配的信道选择方式很普遍，但随着终端设备的增加，基站的分配效率降低，而且成本很高。如果终端设备可以通过自己的学习选择信道，可以大大提高效率，减轻基站的负担。

2  信道选择的epsilon-Greedy算法

2.1  多臂赌博机模型

多臂赌博机是一种拥有多根摇臂的赌博机器，每根摇臂都有不同的奖励。问题是应该如何选择摇臂，在有限的时间内获得最多的奖励。假设这个机器有五根摇臂。最先想到的方法是在每根摇臂上都试一定的次数，找出奖励最丰厚的那根，然后把剩下的所有机会都用在这根摇臂上。但是，这种方法其实也不可靠，由概率论的知识我们知道，拉1 000次显然比拉10 次得到最佳摇臂的机会更大。例如，如果你尝试10次，而恰好你那天的运气很好或者很不好，最少奖励的那根摇臂摇出了最多的奖励，这就会让你把接下来的次数全用在这根最少奖励的摇臂上。给定有限的次数，我们要解决如何分配探索的次数和利用的次数这个问题。

本文目标是解决多用户的信道选择的问题，旨在令每个用户选择对应的传输数据速率最快的信道。赌博机的摇杆可以抽象成信道，每个待选信道的数据传输速率可以相当于每根摇臂的奖励，每个设备对于信道的选择可看成是一个赌徒选择摇臂，试图获得最大的奖励。经过分析，多臂赌博机问题与本文要研究的设备选择信道问题的模型相同，可以使用该模型进行讨论和研究。

2.2  时隙模型

这里我们应用时隙模型。时间长度可分为多个小时段（时隙），用τ表示，假设在每个时隙中，信道的传输特性保持不變，但在不同的时隙中信道传输速率会发生变化。

假设每次选择信道时，数据都将以传输速率vj传输，传输时间为τ，因此，在此时隙内传输的数据量为vj·τ。

2.3  epsilon-Greedy算法

该算法是通过设置一个值epsilon来完成的，这个值决定了要探索还是利用。例如，如果epsilon设置为0.1，则有10%的探索概率和90%的利用概率。每次我们都在0和1之间选择一个随机数。如果这个值大于epsilon，则利用具有更高回报的摇臂的概率就会高。如果它小于epsilon，则探索的概率更高。当你获得奖励时，更新该摇臂预设的奖励，作为下一轮实验的参考。

2.4  多臂赌博机模型实现信道选择

3  仿真结果

本次仿真采用MATLAB软件。在模拟中，设置用户数量为3，可用信道数量为5，传输时隙数量为500。为每一个信道预设的传输速率为[1.1，1.2，1.3，1.4，1.5]，单位为Mb/s。

仿真结果如表1所示：

分析：从表1可以看出，当迭代次数趋于无穷时，epsilon-Greedy算法与随机算法所得到的平均传输速率近似为定值，其中epsilon-Greedy算法所得结果大约比随机算法得到的结果高出0.13 Mb/s。这是因为当通过epsilon-Greedy算法选择信道时，总是倾向于选择之前记录的平均数据传输速率最高的信道。当采用随机算法选择信道时，相当于随机选择信道，因此得到的平均数据传输速率等于预设速率的平均值，如表2所示。

分析：从表2可以看出，当epsilon取值较小时，例如epsilon=0.1，则表示为用户将以0.9选择之前记录的性能较好的信道，而探索的概率仅有0.1。当epsilon取值较大时，例如epsilon=0.7，信道选择有0.7的概率是通过探索来进行的。当迭代次数足够大时，可以看出epsilon=0.1时的平均传输速率大于epsilon=0.7时的平均传输速率。

但是，并不是说epsilon越小越好。如表，当epsilon=0.3 时，所得到的平均传输速率大于epsilon=0.1时的结果。通过第二部分对于多臂赌博机问题的描述，由于运气原因，你利用的信道也许并不是最优信道，也就是说，当epsilon取小值时所得出的解可能是次优解。所以需要通过多次的实验得出最佳的epsilon值。

4  结  论

本文研究了基于epsilon-Greedy算法的信道选择问题，通过实验数据分析得出，通过epsilon-Greedy算法的信道选择效果优于随机算法。当实际设备选择传输数据的信道时，可以人为地设置相应的epsilon值，使设备选择最优信道。

在5G时代数据井喷的时期，当信道选择可以通过自我选择进行时，将大大减轻基站的负担，以最快的速度进行数据传输，从而使边缘计算的效率大大提高。

参考文献：

[1] LUAN T H，GAO L X，LI Z，et al.FOG COMPUTING：FOCUSING ON MOBILE USERS AT THE EDGE [J].COMPUTER SCIENCE，2015：1-11.

[2] KUMAR K，LIU J B，LU Y H，et al.A Survey of Computation Offloading for Mobile Systems [J].Mobile Networks and Applications，2013，18（1）：129-140.

[3] RAHIMI M R，REN J，LIU C H，et al.Mobile Cloud Computing： A Survey，State of Art and Future Directions [J].Mobile Networks and Applications，2014，19（2）：133-143.

[4] KUMAR K，LU Y H.Cloud Computing for Mobile Users：Can Offloading Computation Save Energy？ [J].IEEE Computer，2010（43）：51-56.

作者简介：张孙烜（1998.09-），男，汉族，福建宁德人，本科，研究方向：电力物联网、工业物联网、机器对机器通信、无限资源分配。