1.5 实验评估

1.5.1 实验环境及参数设置

本章基于两种不同的场景模拟基于 MEC 的服务迁移架构。一种场景为100 ×100网格图，其中随机部署20台边缘服务器。在每个时隙中，用户随机向上、下、左、右移动一个单位网格。每台边缘服务器的无线网络覆盖半径设置为30个单位网格。另一种场景为城市边缘服务器部署，在杭州下城区收集300多辆汽车的轨迹，在每个路口部署边缘服务器，统计得到每分钟的平均车辆数量为0～48。

MU的传输功率 p _i =0.1 W, i ∈ 。服务请求的数据大小区间设定为40～140 MB。通常，完成服务请求所需的CPU周期与数据大小成正相关，本实验设置CPU周期为6 000～10 000 Megacycles。边缘服务器的CPU频率为2.4 GHz，存储容量为500 MB，每个时隙设定为0.1 s。

系统性能指标如下。

① 平均系统效用。

② 在一定时间内完成的服务请求数。引入此性能指标来证明本章提出的Dynamic storAge-Stable Service placement（DASS）算法在服务效率和服务普及性（在单位时间内服务的用户数量）方面的优势。

③ 服务迁移数。为了在迁移服务鲁棒性和高效性之间达到合理的权衡，DASS算法旨在以最少的迁移次数为尽可能多的用户提供服务。

④ 算法执行时延。

实验对比策略如下。

① 短视最优响应（Myopic Best Response,MBR）算法 ^[1] ,MBR算法基于瞬时环境（如用户与服务器之间的通信距离）做出服务部署决策，不考虑其他用户导致的资源竞争。

② EUAGame算法 ^[2] ,EUAGame算法旨在最大化服务用户的数量，同时最小化网络运营商的成本。

③ 距离最小原则（Distance Minimum Principle,DMP）算法，DMP算法始终选择最近的边缘服务器来卸载服务数据。

1.5.2 系统性能分析

图1.2展示了不同MU数量和车辆数量对平均系统效用的影响。在边缘计算资源充足的情况下，随着用户数量的增加，平均系统效用保持相对稳定。在图1.2（a）中，与EUAGame、MBR和DMP算法相比，DASS算法分别可以提高7%、27%和57%的平均系统效用。在图1.2（b）中，与EUAGame、MBR和DMP算法相比，DASS 算法可以分别提高5%、31%和55%的性能。这是因为 DASS 算法相比于EUAGame 策略，考虑了未来的近似效用，EUAGame 仅基于当前状态求解纳什均衡。而MBR和DMP算法则忽略了MU和车辆的移动性，得出局部最优服务部署决策。以上实验结果表明，网络运营商在提供计算卸载服务时，尤其是当服务请求无法由一台服务器完成并且需要进行服务迁移时，有必要考虑用户可能的移动轨迹。

图1.3展示了不同MU数量和车辆数量对完成服务请求数量的影响。可以看出，完成服务请求的数量随着用户数量的增加而增加。EUAGame算法以最大化完成服务请求的数量为优化目标，其性能略高于本章提出的DASS算法，如图1.3（a）所示，当MU数量为160时，二者性能差距为5%。但是，EUAGame算法牺牲了系统效用和算法执行时间，在这两方面的性能较差。综上所述，本章提出的 DASS算法能够以相对较高的系统效用和较低的时间成本尽可能地使更多MU受益。

图1.4展示了不同MU数量和车辆数量对服务迁移次数的影响。由于DMP方法总是将服务请求卸载到最近的边缘服务器，因此服务迁移次数很少。然而，在MU或车辆分布不均的情况下，一些边缘服务器会因此过载，而其他服务器则处于空闲状态。在实际场景中，EUAGame和DASS算法之间的性能差距小于在模拟场景中的性能差距。这是因为实际场景中的道路比模拟场景中的道路受到更严格的限制（MU 在模拟场景的栅格地图中以不规则的方式移动，没有任何道路约束）。相比于随机移动的用户，车辆的机动性十分常规且易于捕获。因此，所有算法的服务迁移次数趋于相同。综上，DASS算法不会引起频繁的数据传输，并且降低了通信成本。

图1.5比较了不同 MU 数量和车辆数量对算法执行时间的影响。可以观察到 DASS 和 MBR 算法的执行时间大致相同。在图1.5（a）和图1.5（b）中，DASS的算法执行时间分别比MBR算不和DMP算法高10%和24%,DASS算法可以在相对较低的时间开销下获得更高的系统效用。而 EUAGame 算法由于通过多次迭代达到纳什均衡，因此需要花费较长的时间才能获得服务部署决策，并且其执行时间受MU数量的影响很大。