[无人机辅助智能车联网实战指南] 第 4 篇：移动边缘计算与中继选择

摘要

本文将带你深入理解无人机辅助车联网中的移动边缘计算与中继选择机制，帮助你掌握MEC系统架构设计和中继选择算法。你将学到MEC基础、计算卸载与任务迁移、中继选择算法、分层匹配机制、NOMA非正交多址接入等关键技术知识。

学习目标

阅读完本文后，你将能够：

能力1：设计高效的MEC系统架构，实现计算任务在边缘节点的合理分配
能力2：实现智能的中继选择算法，优化多跳传输性能
能力3：理解NOMA技术在中继系统中的应用，提升频谱效率

一、移动边缘计算基础

1.1 MEC的概念与发展

移动边缘计算是一种将计算资源下沉到网络边缘的分布式计算架构。传统云计算将所有计算任务集中在远程数据中心处理，而MEC则将计算能力部署在更靠近用户的位置，如基站、接入点或无人机等边缘节点。

MEC的核心理念是”计算随数据而行”。在车联网应用中，车辆会产生海量数据（如传感器数据、视频流、激光雷达点云等），将这些数据全部传输到云端处理会带来巨大的带宽压力和时延。通过MEC，可以将计算任务部署在距离车辆较近的位置，减少数据传输距离，降低时延和能耗。

MEC技术的发展经历了几个阶段：

初步探索阶段：研究者在小规模实验环境中验证MEC的可行性
标准化阶段：ETSI MEC ISG制定了一系列技术规范，推动MEC标准化
商用部署阶段：运营商开始在现网中部署MEC平台，支持各种应用
智能化阶段：引入人工智能技术，实现智能化的任务调度和资源管理

1.2 MEC系统架构

MEC系统通常采用分层架构，包括终端层、边缘层、云层和编排层。

终端层：包括各种用户设备，如车辆、无人机、手机等。这些设备产生计算任务或请求计算服务。

边缘层：包括部署在网络边缘的MEC主机。MEC主机可以是服务器、虚拟化平台或容器化平台，提供计算、存储和网络资源。在无人机车联网中，无人机本身可以配备轻量级MEC能力，或者无人机可以将任务转发到地面边缘节点处理。

云层：包括传统的云计算中心，处理需要大规模计算资源的任务，或作为边缘节点的后备和补充。

编排层：负责管理和协调整个MEC系统，包括任务调度、资源分配、服务迁移等。

flowchart TD
    A[MEC系统架构] --> B[终端层]
    A --> C[边缘层]
    A --> D[云层]
    A --> E[编排层]

    B --> B1[车辆]
    B --> B2[无人机]
    B --> B3[手机]
    B --> B4[传感器]

    C --> C1[MEC主机]
    C --> C2[边缘服务器]
    C --> C3[轻量级MEC]
    C --> C4[无人机MEC]

    D --> D1[云数据中心]
    D --> D2[高性能计算集群]
    D --> D3[分布式存储]

    E --> E1[任务编排]
    E --> E2[资源管理]
    E --> E3[服务迁移]
    E --> E4[QoS保障]

    B --> F[产生计算任务]
    F --> C
    C --> G[本地处理]
    C --> H[需要更多资源]
    H --> D
    E --> C
    E --> D

    style A fill:#e1f5ff
    style B fill:#c8e6c9
    style C fill:#ffccbc
    style D fill:#fff9c4
    style E fill:#e1bee7

图表讲解：这张图展示了MEC系统的分层架构。终端层（车辆、无人机等）产生计算任务；边缘层（MEC主机、边缘服务器）提供近端计算能力；云层（云数据中心）提供远程计算能力；编排层负责统筹管理各层资源。计算任务可以在边缘层本地处理，或者在资源不足时上云处理，编排层负责做出最优决策。

51学通信提示：在无人机车联网场景中，MEC架构的设计需要考虑无人机的特殊性。由于无人机能耗和载荷限制，其配备的MEC能力通常较弱，可以作为轻量级边缘节点，主要负责任务转发和简单处理，而将复杂计算任务转发到地面边缘节点或云端。

1.3 MEC的关键技术

MEC的实现涉及多项关键技术：

任务卸载：决定哪些任务在本地执行，哪些任务卸载到边缘或云端执行。任务卸载决策需要考虑任务特征（计算量、数据量、时延要求）、网络状态（带宽、时延、干扰）、节点状态（计算能力、能耗）等因素。

服务迁移：当用户移动时，可能需要将服务从一个边缘节点迁移到另一个边缘节点，以保证服务连续性和性能。服务迁移需要考虑迁移成本、迁移时机、目标节点选择等问题。

资源调度：在多用户、多任务场景下，如何公平高效地分配边缘计算资源。资源调度需要考虑任务优先级、服务质量要求、公平性等因素。

缓存管理：将热门内容或计算结果缓存在边缘节点，减少重复计算和数据传输。缓存管理需要考虑缓存容量、缓存替换策略、内容一致性等问题。

安全隔离：确保不同用户或应用之间的安全隔离，防止恶意应用影响其他用户或系统。可以采用虚拟化、容器化、沙箱等技术实现安全隔离。

二、计算卸载与任务迁移

2.1 计算卸载的基本概念

计算卸载是指将计算任务从资源受限的设备（如车辆终端、无人机）转移到资源更丰富的节点（如边缘服务器、云端）执行。

计算卸载的决策需要权衡多个因素：

时延：卸载可能增加传输时延，但减少计算时延
能耗：卸载可能减少终端能耗，但增加传输能耗
隐私：将敏感数据卸载到其他节点可能带来隐私风险
可靠性：卸载依赖网络连接，网络故障可能导致任务失败

计算卸载可以分为以下几类：

二进制卸载：任务要么全部本地执行，要么全部卸载执行
部分卸载：任务可以分成多个部分，部分本地执行，部分卸载执行
顺序卸载：任务的多个阶段按顺序在不同节点执行
并行卸载：任务的多个部分并行在多个节点执行

2.2 计算卸载决策

计算卸载决策的目标通常是优化某个性能指标，如最小化时延、最小化能耗、最大化效用等。

考虑一个简单的二进制卸载场景。任务可以在本地执行或卸载到边缘服务器执行。

本地执行：

计算时延： $T_{l oc a l} = D / f_{l oc a l}$ ，其中D是任务所需的CPU周期数， $f_{l oc a l}$ 是本地CPU频率
计算能耗： $E_{l oc a l} = κ D f_{l oc a l}^{2}$ ，其中 $κ$ 是芯片能效系数

卸载执行：

传输时延： $T_{t r an s} = L / B$ ，其中L是任务数据大小，B是传输带宽
边缘计算时延： $T_{e d g e} = D / f_{e d g e}$ ，其中 $f_{e d g e}$ 是边缘服务器CPU频率
总时延： $T_{o ff l o a d} = T_{t r an s} + T_{e d g e}$

决策规则为：如果 $T_{l oc a l} \leq T_{o ff l o a d}$ ，则本地执行；否则卸载执行。

flowchart TD
    A[计算卸载决策流程] --> B[获取任务信息]
    B --> C[获取网络状态]
    C --> D[计算本地执行代价]
    D --> E[计算卸载执行代价]
    E --> F{本地时延 &lt;= 卸载时延?}
    F -->|是| G[本地执行]
    F -->|否| H{隐私敏感?}
    H -->|是| G
    H -->|否| I[卸载执行]

    D --> J[时延 = D/f_local]
    D --> K[能耗 = κDf²]

    E --> L[传输时延 = L/B]
    E --> M[计算时延 = D/f_edge]
    E --> N[总时延 = L/B + D/f_edge]

    G --> O[使用本地资源]
    I --> P[传输到边缘节点]
    P --> Q[边缘执行]
    Q --> R[返回结果]

    style A fill:#e1f5ff
    style B fill:#c8e6c9
    style C fill:#c8e6c9
    style F fill:#fff9c4
    style H fill:#ffccbc
    style G fill:#a5d6a7
    style I fill:#a5d6a7
    style O fill:#e8f5e9
    style P fill:#e8f5e9
    style Q fill:#e8f5e9
    style R fill:#e8f5e9

图表讲解：这个决策流程图展示了计算卸载的完整决策过程。首先获取任务信息和网络状态，然后分别计算本地执行和卸载执行的时延代价。如果本地时延更小且任务不敏感隐私，则选择本地执行；否则选择卸载执行。卸载执行包括传输任务到边缘节点、边缘执行、返回结果三个阶段。

2.3 多用户计算卸载博弈

在多用户场景下，计算卸载决策变得更加复杂。多个用户竞争有限的边缘资源，一个用户的卸载决策会影响其他用户的性能。

可以将多用户计算卸载建模为博弈问题。每个用户是博弈的参与者，其策略是选择本地执行或卸载执行，其收益是负的时延或能耗。

纳什均衡是博弈的稳定状态，即没有任何用户有动力单方面改变策略。在计算卸载博弈中，纳什均衡可能存在多个，需要设计机制引导到高效的均衡。

为了改善博弈效率，可以引入定价机制或中心协调：

定价机制：对边缘资源使用收费，引导用户合理决策
中心协调：由中心节点统一决策，优化整体系统性能

2.4 任务迁移

任务迁移是指将正在运行的任务从一个节点迁移到另一个节点。在车联网场景中，车辆的高速移动可能导致当前服务边缘节点性能下降，需要将任务迁移到更合适的节点。

任务迁移的挑战包括：

迁移成本：迁移需要传输任务状态、数据等，带来额外开销
迁移时机：过早迁移可能导致频繁迁移，过晚迁移可能导致性能下降
迁移目标：如何选择合适的目标节点

任务迁移决策可以基于以下准则：

信号强度准则：迁移到信号最强的边缘节点
负载准则：迁移到负载最轻的边缘节点
距离准则：迁移到距离最近的边缘节点
预测准则：基于移动预测，提前迁移到未来最佳节点

三、中继选择算法

3.1 中继技术概述

中继技术是指通过中间节点转发信号，扩展通信范围或改善通信质量。在无人机车联网中，中继技术具有重要作用：

扩展覆盖：无人机可以作为空中中继，为地面用户提供覆盖
改善连接：中继可以绕过障碍物，改善视距条件
提高容量：中继可以缩短通信距离，提高传输速率
增强可靠：中继可以提供分集增益，提高传输可靠性

中继转发协议主要包括：

放大转发（AF）：中继简单放大接收信号并转发，实现简单但噪声也被放大
解码转发（DF）：中继解码接收信号后重新编码转发，可以消除噪声但需要解码能力
压缩转发（CF）：中继压缩接收信号后转发，在速率和复杂度之间折中

3.2 中继选择准则

中继选择是指从多个候选中继节点中选择一个或多个最佳中继。常用的选择准则包括：

最大信噪比准则：选择能够提供最大接收信噪比的中继。对于DF中继，需要同时考虑源-中继链路和中继-目的链路的质量。

最大最小准则：选择最差链路质量最好的中继，即选择 $min {SN R_{SR}, SN R_{R D}}$ 最大的中继。这个准则考虑了双向链路的平衡性。

最大谐波平均准则：选择链路质量的谐波平均最大的中继。谐波平均对较差链路更敏感，能更好地保证双向链路质量。

flowchart TD
    A[中继选择准则] --> B[最大信噪比 Max-SNR]
    A --> C[最大最小 Max-Min]
    A --> D[谐波平均 Harmonic Mean]
    A --> E[综合准则]

    B --> B1[考虑整体SNR]
    B --> B2[relay = argmax SNR_SR × SNR_RD]
    B --> B3[适合高速场景]

    C --> C1[考虑最差链路]
    C --> C2[relay = argmax minSNR_SR, SNR_RD]
    C --> C3[保证双向质量]

    D --> D1[平衡双向链路]
    D --> D2[relay = argmax 2/1/SNR_SR + 1/SNR_RD]
    D --> D3[对差链路敏感]

    E --> E1[多因素综合]
    E --> E2[考虑负载、能耗、位置]
    E --> E3[适合复杂场景]

    style A fill:#e1f5ff
    style B fill:#c8e6c9
    style C fill:#ffccbc
    style D fill:#fff9c4
    style E fill:#e1bee7

图表讲解：这张图展示了四种常用的中继选择准则。最大信噪比准则选择整体链路质量最好的中继；最大最小准则选择最差链路质量最好的中继，保证双向链路平衡；谐波平均准则对较差链路更敏感，适合需要保证双向质量的场景；综合准则考虑负载、能耗、位置等多方面因素，适合复杂场景。

51学通信站长爱卫生的经验：在实际系统部署中，建议根据具体应用场景选择合适的中继选择准则。对于高速移动场景，最大信噪比准则可能是最佳选择；对于需要保证可靠性的场景，最大最小准则或谐波平均准则更合适；对于需要考虑能耗和负载均衡的场景，应该使用综合准则。

3.3 多中继协同选择

在多中继场景下，可以选择多个中继协同工作，获得更高的分集增益或复用增益。

分布式空时编码：多个中继协同发送，形成虚拟MIMO系统，获得空间分集增益。

中继选择合并：多个中继独立传输，接收端选择最佳信号进行合并。

网络编码中继：中继对多个源节点的信号进行网络编码，提高传输效率。

多中继选择需要考虑以下因素：

分集阶数：选择的中继越多，分集阶数越高
反馈开销：需要反馈更多信道状态信息
协调复杂度：多中继需要精确的时频同步
干扰管理：多中继可能增加干扰

3.4 无人机中继的特殊考虑

无人机作为中继节点具有独特的优势，也带来特殊的挑战：

优势：

位置灵活：可以动态调整位置优化链路质量
视距概率高：空中部署容易获得视距链路
覆盖范围大：高空部署可以覆盖较大区域

挑战：

能耗受限：电池容量限制中继工作时间
移动性强：位置变化导致信道状态快速变化
回程限制：与地面网络的连接可能受限

无人机中继选择需要额外考虑：

无人机位置优化：选择或调整无人机位置以最大化中继性能
无人机轨迹规划：规划无人机飞行轨迹以适应移动用户
无人机能耗管理：平衡中继性能与无人机能耗
多无人机协同：多架无人机协同提供中继服务

四、分层匹配机制

4.1 匹配理论概述

匹配理论研究如何将两组或多组参与者进行最优配对。在资源分配和中继选择问题中，匹配理论提供了强大的分析工具。

匹配的分类：

一对一匹配：每组每个参与者最多匹配一个参与者
一对多匹配：一组参与者可以匹配多个另一组参与者
多对多匹配：两组参与者都可以匹配多个对方参与者

匹配的稳定性是核心概念。一个匹配是稳定的，如果不存在任何一对参与者愿意偏离当前匹配形成新的配对。

4.2 分层匹配在中继选择中的应用

在MEC辅助的无人机网络中，中继选择问题可以建模为分层匹配问题。具体来说，包括以下两层匹配：

第一层：用户分组匹配

将地面用户划分为多个组
每组由一个无人机中继服务
目标是最大化组内协同效应

第二层：中继选择匹配

为每个用户组选择最佳无人机中继
考虑信道质量、负载状况、能耗等因素
目标是最大化系统吞吐量

分层匹配的优势在于：

降低匹配复杂度：将复杂问题分解为多个简单子问题
提高匹配质量：每层匹配可以针对特定目标优化
增强可扩展性：便于系统扩展和动态调整

4.3 延迟接受算法

延迟接受算法（Gale-Shapley算法）是求解稳定匹配的经典算法。

算法流程：

每个未匹配的用户向其最偏好、尚未拒绝过她的无人机提出匹配请求
如果无人机尚未匹配，则暂定接受；如果无人机已匹配且偏好新用户，则拒绝当前用户，暂定接受新用户
被拒绝的用户继续向下一偏好的无人机提出请求
重复步骤2-3，直到所有用户都匹配或所有偏好列表耗尽

延迟接受算法保证找到稳定匹配，且对于提出请求的一方是最优的稳定匹配。

sequenceDiagram
    participant U1 as 用户1
    participant U2 as 用户2
    participant D1 as 无人机1
    participant D2 as 无人机2
    participant M as 匹配中心

    Note over U1,M: 初始化偏好列表
    U1->>M: 偏好: [D1, D2]
    U2->>M: 偏好: [D1, D2]
    D1->>M: 偏好: [U2, U1]
    D2->>M: 偏好: [U1, U2]

    Note over U1,M: 第一轮匹配
    U1->>D1: 请求匹配
    U2->>D1: 请求匹配
    D1->>U1: 暂定接受
    D1->>U2: 拒绝

    Note over U1,M: 第二轮匹配
    U2->>D2: 请求匹配
    D2->>U2: 暂定接受

    Note over U1,M: 匹配完成
    M->>U1: 确认匹配D1
    M->>U2: 确认匹配D2
    M->>D1: 确认匹配U1
    M->>D2: 确认匹配U2

图表讲解：这个序列图展示了延迟接受算法的执行过程。两个用户（U1、U2）和两架无人机（D1、D2）各有偏好列表。在第一轮中，两个用户都请求D1，D1偏好U2但先暂定接受U1，U2被拒绝；在第二轮中，U2请求D2并被暂定接受。最终匹配为(U1, D1)和(U2, D2)，这是一个稳定匹配。

4.4 加权匹配算法

对于弱势用户（如信道条件差、位置偏远的用户），传统的匹配算法可能无法保证公平性。加权匹配算法通过为不同用户分配不同权重，在效率和公平性之间取得平衡。

加权匹配的目标函数可以表示为： $max \sum_{i, j} w_{i} x_{i, j}$ 其中， $w_{i}$ 是用户i的权重， $x_{i, j}$ 是用户i匹配无人机j的指示变量。

权重的设计可以基于：

信道质量：信道条件差的用户给予更高权重
历史服务质量：长期服务质量低的用户给予更高权重
优先级：高优先级业务或用户给予更高权重
公平性指标：为实现比例公平或最大最小公平设计权重

核心概念总结

概念名称	定义	应用场景	注意事项
MEC	移动边缘计算，将计算资源下沉到网络边缘	车联网、物联网应用	需要考虑能耗、时延、隐私
计算卸载	将计算任务从终端转移到边缘或云端	资源受限的终端设备	需要权衡传输与计算代价
服务迁移	将运行任务从一个节点迁移到另一个节点	高速移动场景	迁移成本可能较高
AF中继	放大转发，简单放大接收信号	实现简单的中继场景	噪声也被放大
DF中继	解码转发，解码后重新编码发送	需要消除噪声的场景	需要解码能力，复杂度高
Max-SNR	选择最大信噪比的中继	高速移动场景	只考虑整体质量
Max-Min	选择最差链路最好的中继	需要保证可靠性的场景	保证双向链路平衡
稳定匹配	无人愿意偏离的匹配状态	中继选择、用户关联	不一定是最优匹配
分层匹配	将匹配问题分解为多层	复杂的资源分配问题	降低复杂度但可能损失最优性

本文由”51学通信”（公众号：51学通信，站长：爱卫生）原创分享。如需深入交流或获取更多通信技术资料，欢迎添加微信：gprshome201101。

常见问题解答

Q1：在无人机车联网中，如何判断应该使用本地计算还是卸载到MEC服务器？

答：计算卸载决策是MEC系统中的核心问题，需要综合考虑多个因素。正确的卸载决策可以显著降低任务完成时延和终端能耗，而错误的决策可能导致性能下降。

判断是否应该卸载计算任务，需要从以下几个维度进行分析：

时延分析是最基本的考虑因素。需要比较本地计算时延和卸载计算时延。本地计算时延主要由任务所需的CPU周期数和本地CPU频率决定： $T_{l oc a l} = D / f_{l oc a l}$ 。卸载计算时延包括传输时延和边缘计算时延： $T_{o ff l o a d} = L / R + D / f_{e d g e}$ ，其中L是数据大小，R是传输速率。需要注意的是，传输速率R是时变的，取决于当前信道条件和干扰水平。因此，卸载决策需要考虑信道状态的变化，可能需要周期性地重新评估决策。

能耗分析对于电池供电的车辆终端和无人机尤其重要。本地计算的能耗主要是CPU能耗，与CPU频率的立方成正比： $E_{l oc a l} = κ D f_{l oc a l}^{2}$ 。卸载计算的能耗包括传输能耗和可能的结果接收能耗。传输能耗与发射功率和传输时间相关： $E_{t r an s} = P_{t x} \times (L / R)$ 。需要注意的是，本地计算和传输的能耗特性不同，本地能耗是计算密集型的，传输能耗是时间相关的。对于计算密集型任务（如复杂图像处理），本地计算可能消耗大量能量；对于数据传输密集型任务（如视频上传），卸载可能消耗更多能量。

任务特征分析也很重要。不同类型的任务有不同的卸载价值。计算密集、数据量小的任务（如矩阵运算、密码计算）最适合卸载；数据量大、计算量小的任务（如文件存储、视频录制）卸载价值低；计算密集、数据量大的任务（如视频分析、机器学习推理）需要仔细权衡。此外，任务的时延要求也是关键因素，时延敏感的任务（如碰撞预警）可能需要本地处理以保证实时性；时延不敏感的任务（如地图更新）可以卸载以节省本地资源。

网络状态分析需要考虑当前网络条件。如果网络拥塞或信道质量差，卸载可能导致不可接受的传输时延和能耗。网络状态可以通过测量接收信号强度、信干噪比、往返时延等指标来评估。此外，还需要考虑边缘服务器的负载情况。如果边缘服务器过载，即使网络条件良好，卸载也可能不会带来性能提升。

隐私和安全分析是某些场景下的决定性因素。对于涉及用户隐私、商业机密或国家安全的敏感数据，可能需要在本地处理或经过加密等保护措施后才能卸载。此外，还需要考虑数据传输过程中的安全性，防止被窃听或篡改。

51学通信建议：在实际系统中，可以设计一个综合的卸载决策函数，将上述多个因素量化并加权组合。例如，可以设计一个效用函数： $U = α \cdot (- T) + β \cdot (- E) + γ \cdot S + δ \cdot P$ ，其中T是时延，E是能耗，S是安全性评分，P是隐私评分， $α$ 、 $β$ 、 $γ$ 、 $δ$ 是权重系数，反映不同因素的相对重要性。选择使得效用最大的决策方案。

Q2：在无人机中继系统中，如何设计中继选择算法以平衡性能和复杂度？

答：中继选择算法设计需要在性能和复杂度之间找到平衡点。过于复杂的算法可能无法实时运行，过于简单的算法可能无法获得满意的性能。设计一个平衡性能和复杂度的中继选择算法需要从多个方面考虑。

首先是选择准则的设计。简单的选择准则（如最大信噪比）计算简单但性能一般，复杂的选择准则（如考虑负载、能耗、位置的多因素准则）性能好但计算复杂。折中的方案是采用两阶段选择：第一阶段用简单准则快速筛选候选中继，第二阶段用复杂准则在候选中继中选择最终中继。例如，可以先选择信噪比超过门限的候选中继，然后在这些候选中综合考虑负载和能耗进行最终选择。

其次是算法结构的设计。集中式算法由中心节点收集所有信息并做出决策，可以获得全局最优但需要大量信息交互和计算能力。分布式算法由各个节点自主决策，实现简单但只能获得局部最优。混合结构是折中方案：将系统划分为多个簇，每个簇内集中式决策，簇间分布式协调。这种结构在无人机中继系统中特别适用，可以将空间上相邻的无人机组成一个簇。

第三是信息获取的设计。完整信道状态信息（CSI）可以做出最优决策但获取代价高，部分CSI（如信噪比、信道质量指示）获取简单但决策可能不是最优。折中的方案是使用统计CSI（平均信道增益、信道分布）和有限反馈。统计CSI变化较慢，更新频率可以较低；有限反馈只需要很少比特，可以在保证一定性能的前提下大幅降低反馈开销。

第四是决策频率的设计。高频决策可以跟踪信道变化但开销大，低频决策开销小但可能无法适应信道变化。折中的方案是采用事件触发决策：只在信道发生显著变化时才重新选择中继，而不是周期性地选择。事件触发机制需要定义合适的变化度量（如信噪比变化超过门限、中继失效等）。

第五是复杂度的理论分析。在设计算法时，应该分析算法的时间复杂度和空间复杂度，并评估在目标硬件平台上的可行性。对于实时性要求高的场景（如高速移动），需要确保算法在规定时间内完成决策。可以通过仿真测试算法的实际运行时间，如果不满足要求，则需要进一步简化算法。

51学通信站长爱卫生的经验：建议采用模块化的算法设计。将中继选择分解为候选筛选、信息收集、决策计算、结果执行等模块。每个模块可以独立优化和替换。在系统部署初期，可以使用简单算法保证基本功能；在系统稳定后，可以逐步升级到更复杂的算法以提升性能。这种渐进式升级策略可以降低部署风险。

Q3：NOMA技术如何提升无人机中继系统的频谱效率？

答：NOMA（非正交多址接入）是提升频谱效率的关键技术之一，在无人机中继系统中具有独特的优势和应用价值。理解NOMA如何提升频谱效率，需要从NOMA的基本原理、在中继系统中的应用方式以及性能增益来源三个方面进行分析。

NOMA的基本原理是允许多个用户在同一时频资源上传输，通过功率域区分用户。与传统OMA（正交多址接入）系统相比，NOMA不需要为每个用户分配专用的时频资源，可以在相同时频上服务更多用户，从而提高频谱效率。NOMA的实现依赖于连续干扰抵消（SIC）技术：接收端按照功率从大到小的顺序依次解码用户信号，解码出的信号从接收信号中减去，从而消除干扰。

在无人机中继系统中，NOMA可以应用于多个环节：

上行NOMA：多个地面用户可以同时向无人机中继发送信号。由于无人机位于空中，可以控制用户间的功率差异，使得SIC解码可行。例如，可以让距离较远的用户使用较大功率，距离较近的用户使用较小功率，这样无人机先解码远端用户信号，再解码近端用户信号。

下行NOMA：无人机中继可以同时向多个地面用户发送信号。通过功率分配，可以保证边缘用户和中心用户都能获得满意的速率。这种应用特别适合车联网场景，因为车辆在道路上分布，无人机可以通过调整功率分配适应车辆分布的变化。

多用户中继NOMA：无人机中继可以同时服务多个用户对，每个用户对包括一个源节点和一个目的节点。通过NOMA，多个用户对可以共享无人机的时频资源，显著提高频谱效率。

NOMA在中继系统中的性能增益主要来自以下几个方面：

复用增益：NOMA允许多个用户共享时频资源，在用户数量相同的情况下使用更少的带宽，或在带宽相同的情况下服务更多用户。这种复用增益在用户数较多的场景下尤为显著。

功率域灵活性：NOMA通过功率分配灵活地调整用户间的性能分配。在信道条件差异大的场景下（如无人机中继系统常见的情况），NOMA可以有效地将资源分配给需要更多功率的用户，同时保证其他用户的基本速率。

与波束成形的协同：在配备大规模天线的无人机系统中，NOMA可以与波束成形协同工作。波束成形可以在空间上分离用户组，NOMA可以在每个波束内实现多用户复用，空间域和功率域的联合复用可以带来更大的频谱效率提升。

适应信道动态性：无人机中继系统的信道动态性强，用户信道条件随时间快速变化。NOMA的功率分配可以根据实时信道状态动态调整，始终将资源分配给最需要的用户，这种自适应能力可以带来额外的性能增益。

然而，NOMA也面临一些挑战：

SIC错误传播：SIC解码的误码会导致后续用户解码失败，这种错误传播在时变信道中尤为严重
复杂度增加：SIC解码需要额外的硬件和计算资源
功率分配优化：如何设计最优的功率分配策略是复杂的问题
用户配对：哪些用户应该配对使用NOMA需要仔细设计

51学通信提示：在实际部署中，建议将NOMA用于用户数量适中（每组2-4个用户）且信道条件差异明显的场景。对于用户数量过多的场景，可以采用混合方案：部分用户使用NOMA，部分用户使用OMA，在性能和复杂度之间取得平衡。

Q4：MEC系统中如何进行资源管理和任务调度以保证服务质量？

答：MEC系统的资源管理和任务调度是保证服务质量的关键。MEC资源有限且用户需求多样，如何高效地分配资源、调度任务，是系统设计中的核心挑战。

MEC资源管理包括计算资源管理、存储资源管理和网络资源管理三个方面。

计算资源管理涉及CPU、GPU、加速器等计算资源的分配。可以采用虚拟化或容器化技术将物理资源划分为多个虚拟资源，每个用户或应用分配独立的虚拟资源。计算资源调度需要考虑任务的优先级、实时性要求、资源需求等因素。常用的调度算法包括：

轮转调度：简单公平，但不考虑任务特性差异
优先级调度：保证高优先级任务的性能，但可能导致低优先级任务饥饿
比例公平调度：在效率和公平之间取得平衡
最早截止时间优先：适合实时任务，保证任务按时完成

存储资源管理涉及内存、磁盘等存储资源的分配。可以采用内存虚拟化、磁盘分区、分布式存储等技术。存储调度需要考虑数据的访问频率、大小、持久性要求等。常用的策略包括：

缓存管理：将热门数据缓存在高速存储中
数据预取：预测即将访问的数据并提前加载
数据压缩：减少存储占用和传输带宽

网络资源管理涉及带宽、频谱、连接等网络资源的分配。可以采用软件定义网络（SDN）技术实现灵活的网络控制。网络资源调度需要考虑流量特征、QoS要求、干扰协调等。常用的方法包括：

带宽分配：为不同用户或流分配带宽
流量工程：优化路由以平衡网络负载
QoS保障：通过优先级调度、资源预留等保证服务质量

任务调度是MEC系统的核心功能。任务调度需要考虑任务的多个维度特征：

计算强度：任务所需的CPU周期数，决定计算资源需求
数据强度：任务需要传输的数据量，决定网络资源需求
时延要求：任务的最大允许时延，决定调度优先级
依赖关系：任务间的先后依赖关系，影响执行顺序
能耗敏感度：任务是否对能耗敏感

任务调度可以采用集中式或分布式策略。集中式调度由中心节点全局调度，可以获得最优或近似最优的性能，但需要全局信息，扩展性差。分布式调度由各节点自主调度或局部协同调度，实现简单，扩展性好，但只能获得局部最优。在大型MEC系统中，通常采用分层调度：全局层负责粗粒度的资源分配和任务路由，局部层负责细粒度的资源调度和任务执行。

为了保证服务质量，MEC系统需要建立完善的QoS保障机制：

准入控制：对超出系统承载能力的任务请求进行拒绝或降级
资源预留：为高优先级任务预留资源，确保其性能
负载均衡：将任务均匀分布到多个MEC节点，避免热点
故障恢复：当节点故障时，将任务迁移到其他节点

51学通信站长爱卫生的经验：在实际系统设计中，建议采用分级QoS保障策略。将服务划分为不同等级（如金牌、银牌、铜牌），不同等级享受不同的资源保障和性能承诺。对于金牌服务（如紧急安全应用），预留专用资源并采用最高优先级调度；对于银牌服务（如导航服务），提供统计QoS保障；对于铜牌服务（如娱乐服务），提供尽力而为服务。这种分级策略可以在保证关键服务的前提下最大化资源利用率。

Q5：在高速移动的车联网场景中，如何实现有效的服务迁移以保证连接连续性？

答：高速移动是车联网场景的显著特征，车辆的高速移动导致用户与MEC服务器之间的连接质量频繁变化，服务迁移成为保证连接连续性和服务性能的关键技术。实现有效的服务迁移需要从迁移决策、迁移机制和迁移优化三个方面进行系统设计。

迁移决策是服务迁移的核心问题，需要决定何时迁移、迁移到何处。迁移决策主要基于以下准则：

信号强度准则是最常用的迁移触发准则。当接收信号强度低于门限时，考虑将服务迁移到信号更强的MEC服务器。为了防止乒乓迁移，可以引入滞后机制：只有当目标服务器的信号强度显著好于当前服务器时才触发迁移（如好3dB以上）。

预测准则基于车辆移动轨迹预测来提前决策。通过分析车辆当前位置、速度、行驶方向、道路信息等，可以预测车辆在未来一段时间内可能经过的区域，提前将服务迁移到该区域的MEC服务器。预测迁移可以减少服务中断时间，但预测的准确性是关键。可以采用卡尔曼滤波、隐马尔可夫模型、深度学习等方法进行轨迹预测。

负载准则考虑MEC服务器的负载状况。即使当前连接质量良好，如果当前服务器负载过重而邻近服务器负载较轻，也可以考虑迁移以获得更好的性能。负载迁移需要平衡迁移成本和性能收益，通常只有在性能收益显著大于迁移成本时才执行。

多准则融合是更通用的方法。综合信号强度、预测位置、负载状况、迁移成本等多个因素，构建一个综合的迁移决策函数。可以采用多属性决策方法（如层次分析法、TOPSIS）或机器学习方法来确定迁移决策。

服务迁移的实现机制需要解决状态迁移、数据迁移、连接迁移三个问题。

状态迁移涉及服务运行状态的保存和恢复。对于无状态服务（如简单的计算任务），迁移比较简单，只需迁移任务描述和数据。对于有状态服务（如会话类应用），需要迁移内存、寄存器、协议栈等状态信息。可以采用检查点/恢复技术：定期保存服务状态到检查点，迁移时将检查点传输到目标服务器并恢复。检查点策略需要平衡迁移开销和状态准确性。

数据迁移涉及服务所需数据的传输。对于小数据，可以在服务迁移时一起传输；对于大数据，可以采用数据预取和缓存策略：提前预测需要的数据并传输到目标服务器，或在多个服务器间维护数据副本。数据迁移需要考虑网络带宽、传输时延、数据一致性等因素。

连接迁移涉及网络连接的切换。在IP层，可以采用移动IP技术：为每个服务分配一个固定的归属地址，通过转交地址和隧道机制实现移动。在传输层，可以采用多路径TCP（MPTCP）或SCTP等支持多宿主的协议，在迁移前建立与新服务器的连接，平滑切换数据流。在应用层，可以设计应用层迁移机制，如会话迁移协议。

服务迁移优化需要考虑以下几个关键指标：

迁移时延：从开始迁移到迁移完成的时间。迁移时延包括决策时延、准备时延、传输时延、恢复时延。可以通过优化迁移流程、并行处理迁移操作、使用增量迁移（只传输变化的部分）等方式降低迁移时延。

迁移开销：迁移消耗的网络资源和计算资源。迁移开销主要包括状态和数据传输的网络流量、服务器进行迁移处理的CPU负载。可以通过优化迁移数据量、选择合适的迁移时机（如网络负载低时）、复用已有数据副本等方式降低迁移开销。

迁移性能：迁移后服务的性能水平。迁移性能包括新的MEC服务器提供的计算能力、与用户的网络质量等。可以通过智能的目标服务器选择、预测性迁移、性能感知的迁移决策等方式提高迁移性能。

迁移可靠性：迁移成功率和迁移过程中的数据完整性。可以通过可靠的传输协议、状态检查点、失败重试等机制保证迁移可靠性。

51学通信建议：在实际部署中，可以采用分级的迁移策略。对于对时延和中断极度敏感的关键应用（如自动驾驶辅助），可以采用双活或主备机制：同时在多个MEC服务器维护服务副本，实现无缝切换。对于一般应用，可以采用触发式迁移：当连接质量下降到门限时才启动迁移。这种分级策略可以在服务质量和资源开销之间取得平衡。

总结

本文深入探讨了无人机辅助车联网中的移动边缘计算与中继选择技术。我们学习了MEC的基本概念、系统架构和关键技术；掌握了计算卸载决策的方法和考虑因素；理解了中继技术的原理和中继选择准则；认识了分层匹配机制和延迟接受算法；了解了NOMA技术在中继系统中的应用；掌握了服务迁移的实现方法和优化策略。

MEC和智能中继是未来车联网的关键使能技术，它们可以显著降低时延、提高能效、增强可靠性，为各种车联网应用提供强有力的支撑。随着5G和6G技术的发展，MEC和中继技术将变得更加智能和高效，为自动驾驶、智能交通等应用提供更强大的支持。

下篇预告

下一篇我们将深入探讨频谱感知与动态管理，带你了解频谱感知基础、动态频谱接入、干扰温度图构建、频谱共享机制、认知无线电技术等关键技术。我们将学习如何实现智能的频谱管理系统，提高频谱利用效率。

51学通信

探索

04-移动边缘计算与中继选择