基于边端协同的多用户通信计算资源联合管理方法研究

摘要：移动边缘计算是针对通信和计算需求的下一代网络关键技术，通过联合边缘服务器的计算处理功能和无线网络的无线传输功能，可以显著减少计算密集型业务的系统延迟。然而随着毫米波技术的发展，无线系统中的波束变窄，且多用户间干扰严重，无线链路质量受限于波束赋形性能，从而导致基

专题-10

基于边端协同的多用户通信计算资源

联合管理方法研究

（北京邮电大学网络与交换技术全国重点实验室，北京 100876）

【摘要】移动边缘计算是针对通信和计算需求的下一代网络关键技术，通过联合边缘服务器的计算处理功能和无线网络的无线传输功能，可以显著减少计算密集型业务的系统延迟。然而随着毫米波技术的发展，无线系统中的波束变窄，且多用户间干扰严重，无线链路质量受限于波束赋形性能，从而导致基站与多用户间卸载数据传输效率低、算力资源管理与无线链路质量耦合等问题。为此，提出了一种基于边端协同的多用户通信计算资源联合管理方法以降低系统延迟，具体来说，利用基于交替方向乘子法优化框架和连续凸逼近迭代算法，联合优化多用户计算任务卸载比率、基站波束赋形矩阵和移动边缘计算服务器处算力资源分配，将耦合的优化问题拆分成更易处理的子问题求解，仿真结果表明该算法可以在特定的通信和计算预算下显著降低系统最大时延。

【关键词】计算卸载；波束赋形；边端协同；边缘计算

doi:10.3969/j.issn.1006-1010.20250109-0001

中图分类号：TN929.5 文献标志码：A

文章编号：1006-1010(2025)03-0078-08

引用格式：李嘉盛,姜宁,贺家乐,等. 基于边端协同的多用户通信计算资源联合管理方法研究[J]. 移动通信, 2025,49(3): 78-85.

LI Jiasheng, JIANG Ning, HE Jiale, et al. Joint Communication and Computation Resources Allocation for Edge-end Collaborative Multi-User Networks[J]. Mobile Communications, 2025,49(3): 78-85.

0 引言

随着现代通信技术的飞速发展，人们对于通信速率与频谱效率的需求日益增加，未来无线网络将出现海量极致性能需求的应用场景，而边端协同技术作为其中的典型技术，学术界和工业界对边端协同技术做了初步的探索。同时，由于大规模天线技术在频谱效率方面强大的优势，学者们对其也进行了长期且深入的研究。

一方面，边缘计算的出现，使得在基站边缘计算服务器处可以满足用户终端的通信与计算的需求，实现了边端协同，以满足未来通信网络处理海量数据的应用需求[1]。但是将任务从用户终端卸载到其关联的基站边缘服务器上时，会因数据上传而在传输能量和通信延迟方面产生额外开销[2]。Zhang等人提出的资源分配方法能够有效降低边缘计算环境中的能耗，特别适用于未来边端协同技术[3]。You等人针对多用户边端协同计算卸载系统，研究其中的资源分配问题[4]。Wang等人提出联合优化服务器处的能量传输和用户处的卸载比特数，以及用户间的时间分配来提高边缘计算性能[5]。Sardellitti等人将资源优化问题转化为通信和计算资源的联合优化问题，实现在延迟和功率的约束下最小化用户的能耗[6]。Li等人研究了无线接入网（RAN, Radio Access Network）在增强连通性以及提供额外的计算和数据服务方面的作用[7]。Ren等人针对多用户时分多址（TDM,A Time Division Multiple Access）的边缘计算系统，提出一种联合通信和计算资源分配的算法，显著地降低了端到端时延[8]另一方面，随着大规模天线技术及毫米波的广泛应用，学者们对波束赋形的研究越发重视，波束赋形在长期的研究过程中逐步衍生出理想扇形模型、主瓣与侧瓣增益恒定的近似模型、折线近似模型等数学近似模型[9]。Aljohani等人研究了大规模天线技术在毫米波网络中的最优波束赋形问题，提出了基于优化算法的解决方案，以提高信号传输质量和系统容量[10]。Nangir等人探讨了波束赋形在5G及未来网络中的应用，提出了基于非正交多址接入（NOMA, Non-Orthgonal Multiple Access）和协作波束成形的干扰抑制方法，旨在优化频谱利用率并提升系统性能[11]。Zhu等人在其研究中探讨了智能超表面（RIS, Reconfigurable Intelligent Surface）与波束赋形的结合，提出利用RIS技术可以进一步优化无线信号传播并提升网络性能[12]。Jang等人提出了一种基于深度学习的波束赋形方法，旨在自动优化波束方向以适应复杂的通信环境。通过使用深度神经网络（DNN, Deep Neural Networks），该方法在毫米波通信中展示了显著的性能提升[13]随着未来无线网络需求增加，无线系统中的波束变窄，无线链路质量受限于波束赋形性能，从而导致基站与用户间卸载数据传输效率低、算力资源管理与无线链路质量耦合等问题。Liu等人提出了一种设备对设备（D2D, Device-to-Device）辅助的新型两时间尺度的混合波束赋形和任务分配算法，用于减少系统延迟和信令开销[14]。Zhao等人提出一种联合优化方案，将混合波束成形与计算卸载策略相结合，最小化了系统时延[15]。Feng等人设计适用于无人机辅助的无线电力移动边缘计算（MEC, Mobile Edge Computing）网络的混合波束赋形构，提高通信和计算卸载的效率[16]。

综上所述，计算卸载及波束赋形方案分别都得到了广泛而热烈的研究与讨论，然而，由于计算卸载比率、基站计算资源分配与多用户波束赋形耦合严重，联合优化解耦困难，将二者结合的研究仍较少，因此，本文聚焦于基于边端协同的多用户场景下通信计算资源联合管理方法研究，以优化波束赋形从而降低通信时延，进而降低完成计算任务的总时延，具体而言，本文首先研究了联合计算卸载与波束赋形相关问题，针对该问题建立通信计算模型，为降低系统最大时延，设计了多用户计算任务卸载比率、基站波束赋形矩阵和MEC服务器处算力资源分配的联合优化问题。为解决该复杂的耦合问题，本文通过交替方向乘子法（ADMM, Alternating Firection Method of Multipliers）优化框架将该问题转换成更易处理的形式，再通过连续凸逼近（SCA, Successive Convex Approximation）迭代算法将难处理的非凸问题近似为凸问题，以此得到原问题的局部最优解，最后通过计算机仿真验证所提算法的性能，仿真结果表明本文所提出的算法在特定的通信与计算预算下显著降低了系统最大时延。

1 系统模型

本文所搭建的多用户边端协同上行通信链路系统如图1所示，该系统中将包含一个基站和K个用户，基站处同时配备一个算力强大的边缘计算服务器，以分担用户处的计算任务。系统将联合优化用户计算卸载比率、边缘计算服务器算力分配与基站接收波束赋形矩阵。

1.1 通信模型

1.2 计算模型

2 问题建模与重构

2.1 问题建模

2.2 问题重构

3 通信计算资源联合管理方法

3.1 基于ADMM优化框架的算法设计

3.2 基于SCA的迭代算法设计

4 仿真结果与分析

4.1 仿真设置

4.2 仿真结果分析

图2展示了所提的基于ADMM优化框架算法的收敛性能图，仿真结果展示了系统最大时延和原始残差与外循环迭代次数之间的关系，可以看到系统最大时延在15次迭代内收敛，原始残差在15次迭代后降低到10-4以下，这表明所提算法具有快速收敛性。

图3展示了在不同用户数目条件下不同算法的系统最大时延性能。考虑系统带宽、基站与用户计算能力等参数设置，将仿真用户数目设置为2～5个，仿真结果表明，除本地计算以外，另外两种算法受限于系统计算资源，系统最大时延都由于用户数目的增多有不同程度的增加，而本地计算只受限于用户本地计算能力，固本地计算的系统最大时延为2.33 s不变。通过将基于ADMM优化框架的算法与基于TDMA的算法进行比较，可以发现二者在用户数较少的情况下性能差距不大，而随着用户数的进一步增多，基于TDMA的算法系统最大时延增加幅度很大，在用户数为2时为0.835 s，而在用户数为5时达到2.087 s，接近本地计算的系统最大时延，用户数继续增多其系统最大时延将超过本地计算系统最大时延，而所提的算法虽然同样系统最大时延增加，但可以看出其增加幅度不大，在用户数为2时为0.764 s，在用户数为5时仍表现良好，仅为1.075 s，相比对比的算法降低了48.5%，体现了波束赋形与计算卸载联合优化的优势。因此，在用户数目多的情况下，本文所提出的基于ADMM优化框架的算法能提供更好的性能。

图4展示了在不同用户本地计算能力条件下不同算法的系统最大时延性能。本地计算能力设置为(0.4～0.9)×107 bits/s，仿真结果表明，系统最大时延随着用户本地计算能力的提升，三种算法性能均有所提升。本地计算能力较强时，用户数为4时基于TDMA的算法在本地计算能力为9×106 bits/s时，其系统最大时延为1.313 s较本地计算的1.556 s性能提升不大，而基于ADMM的算法性能表现依旧良好，其系统最大时延为0.868 s，较两种算法分别降低33.9%、44.2%。用户数为2时，两种算法在本地计算能力较强时性能差距不大，而本地计算能力较弱时仍有较大差距，当本地计算能力为4×106 bits/s时，基于TDMA的算法系统最大时延为1.310 s，所提的算法为0.825 s，相比其性能提升37.0%。同时，受益于边缘服务器强大的算力以及联合优化的优势，所提的算法在不同本地计算能力的情况下均可以取得显著性能增益。

图5展示了在不同边缘计算资源条件下不同算法的系统最大时延性能。边缘计算资源设置为(1～2)×108 bits/s，仿真结果表明，除本地计算以外，另外两种算法受益于边缘计算资源的提升，系统最大时延性能都有不同程度的提升。当用户数=4时，边缘计算资源=1×108 bits/s时基于TDMA的算法性能较差，其系统最大时延为2.296 s，这是由于边缘计算资源较少时，任务更多地会在本地进行处理，系统最大时延受限于本地计算时延。而对于基于ADMM的算法，相同条件下其系统时延仅为1.180 s，较基于TDMA的算法性能提升48.6%，另外，随着边缘计算资源的提升，基站将替用户分担更多的计算任务，因此其系统最大时延性能提升幅度逐渐变小，当本地计算能力分别为1.4和2×108 bits/s时，其系统最大时延分别为0.962 s和0.931 s，这是因为此时系统最大时延不再受限于计算时延，而是受限于卸载时的通信时延。

图6展示了在不同用户与基站距离条件下不同算法的系统最大时延性能。用户数设置为2，用户1距基站20 m，用户2距基站20～70 m，仿真结果表明，除本地计算以外，另外两种算法系统时延性能均有所下降，在距离=50 m时，所提的算法系统最大时延为0.764 s，而基于TDMA的算法为1.073 s，性能提升28.8%。由于随着用户2距基站距离的增加，用户2通信信道条件变差，导致用户2通信时延增加且更多任务将在本地处理，导致用户2整体时延增加，基于TDMA的算法时延由20 m处的0.634 1 s增加到70 m处的1.278 3 s，所提的算法时延由20 m处的0.528 8 s增加到70 m处的1.079 2 s，性能均受到较大影响，而用户1距离基站较近，信道条件较好，用户1更多任务将由基站处理，因此用户1整体时延较小，系统最大时延受用户2整体时延影响较大，故系统最大时延性能降低。

综上所述，本文所提出的基于ADMM的算法得益于计算卸载与波束赋形联合优化的优势，较另外两种算法拥有较大的性能提升。

5 结束语

本文首先研究了计算卸载与多用户波束赋形的相关问题，并设计了基于边端协同的多用户通信计算资源联合管理方法，该方法可以有效降低系统最大时延。具体而言，通过ADMM优化框架将原问题转换成更易处理的形式，再通过SCA迭代算法将难处理的非凸问题近似为凸问题，最终得到原问题的局部最优解。通过仿真测试，本文将所提算法与其他算法进行对比，从而证明了所提算法的可行性与优越性。

[1] Barbarossa S, Sardellitti S, Di Lorenzo P. Communicating while computing: Distributed mobile cloud computing over 5G heterogeneous networks[J]. IEEE Signal Processing Magazine, 2014,31(6): 45-55.

[2] Munoz O, Pascual-Iserte A, Vidal J. Optimization of radio and computational resources for energy efficiency in latency-constrained application offloading[J]. IEEE Transactions on Vehicular Technology, 2014,64(10): 4738-4755.

[3] Zhang W, Wen Y, Guan K, et al. Energy-optimal mobile cloud computing under stochastic wireless channel[J]. IEEE Transactions on Wireless Communications, 2013,12(9): 4569-4581.

[4] You C, Huang K, Chae H, et al. Energy-efficient resource allocation for mobile-edge computation offloading[J]. IEEE Transactions on Wireless Communications, 2016,16(3): 1397-1411.

[5] Wang F, Xu J, Wang X, et al. Joint offloading and computing optimization in wireless powered mobile-edge computing systems[J]. IEEE transactions on wireless communications, 2017,17(3): 1784-1797.

[6] Sardellitti S, Scutari G, Barbarossa S. Joint optimization of radio and computational resources for multicell mobile-edge computing[J]. IEEE Transactions on Signal and Information Processing over Networks, 2015,1(2): 89-103.

[7] Li N, Wang Y, Sun Q, et al. Rethinking RAN Architecture for Deep Fusion of AI and Communication in 6G[J]. IEEE Wireless Communications, 2025.

[8] Ren J, Yu G, Cai Y, et al. Latency optimization for resource allocation in mobile-edge computation offloading[J]. IEEE Transactions on Wireless Communications, 2018,17(8): 5506-5519.

[9] Andrews J G, Bai T, Kulkarni M N, et al. Modeling and analyzing millimeter wave cellular systems[J]. IEEE Transactions on Communications, 2016,65(1): 403-430.

[10] Aljohani K, Elshafiey I, Al-Sanie A. Implementation of deep learning in beamforming for 5G MIMO systems[C]//2022 39th National Radio Science Conference (NRSC). IEEE, 2022,1: 188-195.

[11] Nangir M, Gharagezlou A S, Imani N. Energy Efficient Power Allocation in MIMO-NOMA Systems with ZF Receiver Beamforming in Multiple Clusters[C]//2021 11th International Conference on Computer Engineering and Knowledge (ICCKE). IEEE, 2021: 346-351.

[12] Zhu Q, Li H, Liu R, et al. Hybrid beamforming and passive reflection design for RIS-assisted mmWave MIMO systems[C]//2021 IEEE International Conference on Communications Workshops (ICC Workshops). IEEE, 2021: 1-6.

[13] Jang S, Lee C. DNN-Driven Single-Snapshot Near-Field Localization for Hybrid Beamforming Systems[J]. IEEE Transactions on Vehicular Technology, 2024.

[14] Liu Y, Cai Y, Liu A, et al. Latency minimization for mmwave d2d mobile edge computing systems: Joint task allocation and hybrid beamforming design[J]. IEEE Transactions on Vehicular Technology, 2022,71(11): 12206-12221.

[15] Zhao C, Cai Y, Liu A, et al. Mobile edge computing meets mmWave communications: Joint beamforming and resource allocation for system delay minimization[J]. IEEE Transactions on Wireless Communications, 2020,19(4): 2382-2396.

[16] Feng W, Tang J, Zhao N, et al. Hybrid beamforming design and resource allocation for UAV-aided wireless-powered mobile edge computing networks with NOMA[J]. IEEE Journal on Selected Areas in Communications, 2021,39(11): 3271-3286.

[17] Smulders P F M, Correia L M. Characterisation of propagation in 60 GHz radio channels[J]. Electronics & communication engineering journal, 1997,9(2): 73-80.

[18] Boyd S, Vandenberghe L. Convex optimization[M]. Cambridge university press, 2004.

[19] Boyd S, Parikh N, Chu E, et al. Distributed optimization and statistical learning via the alternating direction method of multipliers[J]. Foundations and Trends® in Machine learning, 2011,3(1): 1-122.

[20] Razaviyayn M. Successive convex approximation: Analysis and applications[D]. University of Minnesota, 2014.

[21] Bertsekas D P. Nonlinear programming[J]. Journal of the Operational Research Society, 1997,48(3): 334-334.

[22] Shi Q, Razaviyayn M, Luo Z Q, et al. An iteratively weighted MMSE approach to distributed sum-utility maximization for a MIMO interfering broadcast channel[J]. IEEE Transactions on Signal Processing, 2011,59(9): 4331-4340. ★

姜宁：北京邮电大学信息与通信工程学院信息与通信工程专业在读博士研究生，主要研究方向为通信感知一体化、通信计算资源分配。

贺家乐：北京邮电大学信息与通信工程学院通信工程专业在读硕士研究生，主要研究方向为通信感知一体化、通信计算资源分配。

郭凤仙：北京邮电大学信息与通信工程学院副研究员，博士毕业于北京邮电大学，主要研究方向为无线算力网络、移动边缘计算、内生智能等。

★往期推荐★

汇总| 2025下半年专题征稿链接

《移动通信》杂志由中国电子科技集团公司主管，中国电子科技集团公司第七研究所主办，是中国期刊方阵“双效期刊”、工业和信息化部精品电子期刊、中国科技论文统计源刊、中国通信学会《信息通信领域高质量科技期刊分级目录》入选期刊、中国电子学会《电子技术、通信技术领域高质量科技期刊分级目录》入选期刊、中国应用型核心期刊、日本JST收录期刊。国内连续出版物号：CN44-1301/TN，国际连续出版物号：ISSN1006-1010，邮发代号：46-181。