边缘计算在移动健康系统中的应用

基于边缘计算的移动健康系统：网络架构和资源分配

摘要

一种结合边缘计算与微服务的蜂窝网络可广泛支持随时随地运行的移动健康应用。边缘计算有望增强网络的计算能力，而微服务有助于网络适应各种移动健康应用的需求。在此类网络中，我们提出了其网络架构设计、资源分配方案以及数据管理机制。具体而言，我们从通信、计算和服务三个角度出发，提出面向移动健康应用的三层网络架构。同时，我们探讨了网络内的资源分配问题，以优化系统性能。最后，我们研究了医疗数据（如视频流、医学影像）的管理方法，以便高效地查询这些数据用于诊断和医疗治疗。

索引词 —数据管理，边缘计算，微服务，移动健康，资源分配。

一、引言

QUITE 一些发达国家正面临住院费用急剧增加导致的医疗保健成本上升问题。例如，预计美国2021年的医疗保健支出将达到4.8万亿美元，几乎占国内生产总值的20%[1]。此外，发展中国家农村和偏远地区的人们正遭受 trained health professionals 缺乏之苦。例如，在拉丁美洲和南亚，患者与医生的比例约为1500:1，而在东南亚和大洋洲这一比例达到5000:1[1]。上述问题促使人们迫切需要革新医疗保健系统——通过实时、无缝地采集患者的生理数据，以实现患者在自身环境中接受远程医疗护理和医疗决策。

随着蜂窝网络和可穿戴医疗传感器的发展，移动健康可以帮助医生随时随地监测患者状况，并立即采取医疗措施。在移动健康网络中，医生、医护人员和患者需要建立视频会议，且需要在网络中传输高分辨率视频流和医学影像，并满足可容忍的小延迟要求。

数据传输。此外，大多数移动健康应用都是计算密集型的，这对传统蜂窝网络提出了严峻挑战——如何满足对计算能力和传输数据速率急剧增长的需求。

快速计算和高数据速率的严格需求推动了具有移动边缘计算（MEC）的蜂窝网络的发展，该网络由宏小区内的多个小小区组成[2]。宏小区内的小小区高效共享其无线资源[2]。此外，移动用户可以通过蜂窝网络将其计算任务发送到多接入边缘计算服务器，而多接入边缘计算服务器采用计算卸载方案，确保每个移动用户与其在服务器上的克隆体相关联，从而保证计算任务以高速运行。通过高效分配无线资源并采用计算卸载方案，我们可以显著提升整体网络性能。

尽管有上述优点，用于移动健康应用的蜂窝网络与移动边缘计算仍需应对通信、计算、服务以及数据管理方面的以下挑战。

1) 在通信层中，小小区内的用户可能会复用宏小区的频谱，从而导致用户之间的小区间干扰（ICI）。此外，射频（RF）辐射引起的高水平电磁干扰（EMI）可能导致医疗传感器故障，甚至伤害患者[3]。考虑到ICI和EMI，通信架构的设计以及用户间资源分配的优化对通信中的网络性能至关重要。

2) 在计算层中，用户可以选择将任务卸载到多接入边缘计算服务器进行计算，或在本地完成这些任务。如果有大量移动用户倾向于前者，即将任务卸载到多接入边缘计算服务器，则该服务器可能会过载。在这种情况下，移动用户从多接入边缘计算服务器接收反馈的等待时间可能长于其本地处理时间，此时移动用户应选择在本地计算其任务。计算架构的设计以及移动用户之间任务处理的调度对网络性能和计算效率至关重要。

3) 在服务层中，多接入边缘计算服务器需要满足移动用户对移动健康应用的各种需求，且网络设计者需要立即根据需求变化调整多接入边缘计算服务器。因此，架构的设计在服务层中对于加快新版本服务的部署至关重要。

4) 在数据层中，我们需要考虑各种类型的医疗数据，包括用于移动健康的视频流、高分辨率医学图像（例如 CT扫描）以及一些生理数据（例如生命体征）。在数据库中存储非结构化数据以及数据的即时查询设计对于高效管理医疗数据至关重要。

A. 动机

一些研究探讨了设计具有MEC的蜂窝网络的问题。Elsherif et al.在[4]中提出了一种图着色方法，用于研究在移动用户之间分配物理资源的问题，该研究表明，如果基于MEC的网络未采用高效的资源分配算法，则使用MEC的整体网络性能可能会下降，甚至比不使用MEC更差。此外，还有一些研究讨论了计算能力问题，并探讨了如何通过移动云计算（MCC）系统[5]–[8]来提升计算能力。在这种云计算平台上，Zhanikeev et al.在[5]以及 Sarkar et al.在[6]提出了使用雾计算算法以提高数据处理效率。Lin et al.在[7]提出了一种MEC算法的设计，旨在降低延迟，同时确保满足移动用户的QoS需求。He et al.在[8]研究了如何通过设计数据库结构来管理蜂窝网络中的大量数据。然而，所有这些算法都是为常规蜂窝网络设计的，无法应用于移动健康应用的场景，在该场景中，我们需要考虑通信层中医疗传感器上的电磁干扰、计算层中数据处理的严格延迟需求、服务需求变化的适应性，以及对各类医疗数据的高效管理。

其他研究探讨了利用蜂窝网络进行移动健康应用 [3],[9]。Qinghua et al.在[9]中通过根据移动用户的信道状态信息调整传输功率，以应对蜂窝网络中的移动健康应用。然而，该研究未考虑电磁干扰对医疗传感器的影响。在[9],中设计的算法根据移动用户的信道条件调整其传输功率，理论上，只要用户处于良好的信道条件下，即使其可能对医疗传感器造成严重的电磁干扰，无线用户仍可采用高传输功率发送数据[10]。该在[9]中提出的功率分配方案不适用于移动健康应用，因为它可能对医疗传感器产生负面影响，甚至导致这些传感器发生故障。Di et al.在 [3]中研究了在考虑医疗传感器电磁干扰的情况下蜂窝网络中的功率控制方法，但这些工作侧重于通信层的优化，并未考虑针对计算、服务以及数据管理的整体网络性能优化。优化蜂窝网络性能的重要性

表I 主要概念的缩写

缩写	含义
MEC	移动边缘计算
WBAN	无线体域网
EMI	电磁干扰
ICI	小区间干扰
METP	最大有效发射功率

B. 主要贡献

本文讨论了针对移动健康应用的基于移动边缘计算的蜂窝网络性能优化问题。本文的目标包括：1）通过控制小区间干扰水平，在保护医疗传感器免受有害电磁干扰的同时，满足移动用户的服务质量需求，从而优化此类蜂窝网络的性能；2）在通信、计算、服务和数据层面上提供面向移动健康应用的网络架构，以满足应用不断变化的需求并处理各种类型的医疗数据。据我们所知，这是首个专注于移动边缘计算辅助的蜂窝网络用于移动健康应用的研究。

本文的主要贡献包括：

1) 针对移动边缘计算辅助的蜂窝网络在移动健康应用中的框架进行研究；

2) 提出优化资源分配和计算卸载的算法，以在考虑电磁干扰影响的情况下实现最佳网络性能；

3) 设计移动健康应用领域的微服务架构；

4) 提出高效存储和查询医疗数据以支持医疗诊断与治疗的方法。

II. 移动健康的背景

典型的移动健康环境包括少量用于医疗应用的车辆，这些车辆通常配备医疗设备，以帮助医生监测患者状况。

在用于移动健康应用的车辆上，医生、护士和医护人员可能需要使用移动设备，原因如下：1）车辆上的医生、护士和医护人员需要报告患者状况

通过手机与医疗中心的医生联系，医生将在患者到达时采取医疗措施；2）患者需要通过手机与家属沟通其状况以及其他重要信息。然而，使用移动设备可能会对医疗传感器造成电磁干扰[3]。电磁干扰（EMI）是指由外部源的电磁感应或电磁辐射引起的电路干扰[4]。电磁干扰可能降低医疗传感器中电路的性能，这种性能下降可能导致数据丢失。下文将本文中电磁干扰影响的模型作为网络优化问题的约束进行阐述，具体细节见第四节-B。

用于移动健康应用的典型车辆由生命支持和非生命支持的医疗传感器组成（见图1）。生命支持医疗传感器比非生命支持传感器对电磁干扰更敏感。生命支持医疗传感器包括超声传感器等，非生命支持医疗传感器包括霍尔特监测仪和血压传感器等。

生命支持传感器和非生命支持传感器可能对无线用户的传输功率有不同的要求，以确保这些用户引起的电磁干扰低于医疗传感器的可接受水平。每个无线用户的最大潜在发射功率应满足所有这些要求。据我们所知，Phond et al.在[4]中首次提出如何建模电磁干扰对医疗传感器的影响，并计算在电磁干扰约束下无线用户的最大潜在发射功率。从数学上讲，

生命支持医疗传感器和非生命支持医疗传感器的车联网上的无线用户传输功率约束可分别表示如下

$$
\sum_{i \in U} \frac{\mu_1 \sqrt{P_i}}{D_i(p)} \leq ENLS(p), \quad \text{for } p \in M_1 \tag{1}
$$

$$
\sum_{i \in U} \frac{\mu_2 \sqrt{P_i}}{D_i(q)} \leq ELS(q), \quad \text{for } q \in M_2 \tag{2}
$$

其中，ENLS(p) 和 ELS(q) 分别是非生命支持传感器 p 和生命支持传感器 q 可接受的电磁干扰水平；$P_i$ 是无线用户 i 的传输功率；$D_i(p)$ 是用户 i 的发射机与非生命支持传感器 p 或生命支持传感器 p 之间的距离；$\mu_1$ 和 $\mu_2$ 为常数，其建议值由 IEC 60601-1-2 给出，分别为 7 和 23 [4]。U 表示车联网上的无线用户集合，M1 表示非生命支持传感器的集合，而 M2 表示生命支持传感器的集合。

第三节 网络架构

在本节中，我们介绍了研究中采用的网络架构。具体而言，该网络架构可以从系统模型、通信模型、服务模型以及数据管理模型四个方面进行描述。

A. 系统模型

本节介绍了移动健康应用的网络模型的通用三层架构，如图2所示。

该网络模型由三个主要组件构成——数据采集站、数据管理站以及数据观测站。

在数据采集站，患者佩戴多个医疗传感器，构成一个无线体域网（WBAN）。每个传感器都能够采集患者数据、汇聚数据、执行简单的数据处理，并将数据传输至该无线体域网的网关（例如智能手机）。患者数据包括生理数据，如血压、血糖、脉搏血氧测定和心电图（ECG），这些数据可连续或按需采集。手机在网关处收集数据后，会将生理数据传输至数据管理中心进行存储或进一步分析。

同时，手机还将根据需要与数据观测站的医生或医护人员建立视频会议，并需要传输视频流或高分辨率医学图像（如CT扫描）。

数据管理站是患者数据的存储位置或用于进一步处理的位置。因此，针对患者数据的管理，包括结构化数据（例如血压）和非结构化数据（例如心电图、CT扫描），都需要设计高效的查询机制，因为部分数据可能会被不同医生频繁查询以进行医学诊断。在第二节E部分，我们提出了数据管理模型的详细设计。

观测站是医疗专业人员（例如医生、护士）的工作场所，旨在进行基于数据的临床观察，以便在紧急情况下对患者立即采取医疗措施。在观测站中，医疗专业人员可以执行临床观察、诊断和医疗干预。此外，观测站需要管理所有访问患者数据的请求，任何授权用户在访问患者数据前必须向观测站提交访问请求。如果患者数据可用，医疗专业人员便可开始读取患者数据。只有具备合格身份验证和授权凭证的医疗专业人员才能在观测站中访问患者数据。

B. 通信模型

本节介绍了面向移动健康应用的基于MEC的蜂窝网络通信模型。一个基于MEC的蜂窝网络包含一个宏小区和 M 个小小区。宏小区中的移动用户可以通过蜂窝网络的核心网接入互联网。在该宏小区的eNodeB（MeNB）中，部署了一个MEC服务器，并通过有线连接[11]与小小区中的 M 个 eNodeB（SeNBs）相连。本文假设这些SeNBs通过有线连接[11]与MeNB相连。我们将小小区集合表示为 $ \mathcal{M} = {1, 2, …, M} $，并用 $ m $ 表示第 $ m $ 个SeNB。当某个SeNB $ m $ 连接了 $ n_m $ 个移动用户（UEs）时，可将与第 $ m $ 个SeNB相关的移动用户集表示为 $ \mathcal{N}_m = {1, 2, …, n_m} $，并用 $ n_m $ 表示连接到第 $ m $ 个SeNB的第 $ n $ 个移动用户。该通信模型如图3所示。

本文考虑多个小小区共享相同频谱的场景，相邻小小区之间可能相互造成干扰。在每个小小区内，移动用户正交地共享无线频谱，用户之间不会产生干扰。本文仅考虑在相邻小小区中同时共享相同频谱的多个移动用户之间的干扰。设可用频谱总量为 B 赫兹，宏基站的回传速率为 L 比特每秒，SeNB m 的回传速率为 $ L_m $ 比特每秒。根据香农定理，可将移动用户的频谱效率表示为[10]

$$
\eta_{n_m} = \log_2\left(1+ \frac{p_{n_m} h_{n_m m}}{\sigma^2 + \sum_{i=1,i \neq m}^{M} \sum_{j=1}^{N_m} p_{ji} h_{ji i}}\right) \tag{3}
$$

其中 $ p_{ji} $ 表示移动用户 $ ji $ 的传输功率，$ h_{ji i} $ 表示移动用户 $ ji $ 与SeNB $ i $ 之间的信道增益，$ \sigma^2 $ 表示加性高斯白噪声（AWGN）的功率。

此外，在移动健康应用的场景中，我们需要考虑射频发射对医疗传感器产生的电磁干扰（EMI）的影响。为了确保医疗传感器上的电磁干扰量低于安全水平，以保证传感器的正常运行，我们需要确保移动用户在低于最大有效发射功率（METP）的功率水平下传输数据，该值在[3]中定义。

定义 1：最大有效发射功率（METP） 被定义为移动用户在确保医疗传感器上的电磁干扰（EMI）处于安全水平以保证传感器正常运行的前提下，所能达到的最大传输功率。

C. 计算模型

在移动健康应用中，一些移动用户的任务具有计算密集型和延迟敏感的特点。移动用户可以选择将其计算任务卸载到多接入边缘计算服务器或在本地完成这些任务。当移动用户发出医疗数据查询请求时，服务器将通过宏基站向该用户返回查询的数据。在这些医疗数据首次传输后，MEC服务器可以存储

医疗数据并直接将相同的数据共享给其他移动用户。其他移动用户无需从原始服务器重复下载相同的数据，而是可以从多接入边缘计算服务器下载数据。本文中，我们的网络由一个移动网络运营商（MNO）和一个MEC系统运营商（MSO）[11]组成。MNO能够运营网络的无线资源（例如回传链路和频谱），而MSO拥有多接入边缘计算服务器。MSO必须向MNO租用无线资源，并向享受边缘计算服务的移动用户收费。我们网络的计算模型如图4所示。

我们网络中的每个小基站（SeNBs）都连接到一个移动边缘计算（MEC）服务器，每个小小区内的移动用户都可以将其计算任务卸载到相连的多接入边缘计算服务器。记 $ a_{n_m} \in [0, 1] $ 为移动用户 $ n_m $ 在MEC服务器上完成其计算任务的时间比例，$ (1 - a_{n_m}) $ 表示移动用户 $ n_m $ 本地执行计算任务的时间比例。$ s_{n_m} \in [0, 1] $ 表示小小区 $ m $ 分配给移动用户 $ n_m $ 的无线频谱百分比，且满足 $ \sum_{n_m \in \mathcal{N} m} s {n_m} \leq 1 $，以确保频谱分配不超过总可用频谱量。移动用户 $ n_m $ 的数据速率 $ R_{n_m} $ 可以表示为

$$
R_{n_m} = a_{n_m} s_{n_m} B \eta_{n_m} \tag{4}
$$

其中 $ \sum_{n_m \in \mathcal{N} m} R {n_m} \leq C_m $ 用于确保数据速率不超过 SeNB $ m $ 的回传容量。同时，我们有 $ \sum_{m \in \mathcal{M}} \sum_{n_m \in \mathcal{N} m} R {n_m} \leq C $ 以确保数据速率不超过 MeNB 的回传容量。

如果移动用户选择在本地计算其计算任务，则时间消耗恰好等于计算时间。给定要计算的数据量为 $ D_{n_m} $，用户 $ n_m $ 的本地数据处理速率为 $ r^l_{n_m} $，我们可以计算出计算效率（即时间消耗的倒数）为

$$
E^l_{n_m} = \frac{r^l_{n_m}}{D_{n_m}} \tag{5}
$$

如果移动用户选择将其计算任务卸载到多接入边缘计算服务器，则时间消耗包括计算时间、传输时间以及数据查询时间在多接入边缘计算服务器上的时间。给定需要计算的数据量为 $ D_{n_m} $，数据处理速率为 $ r^{s} {n_m} $，用户 $ n_m $ 在多接入边缘计算服务器上的数据查询速率为 $ I^s {n_m} $，分配给用户 $ n_m $ 的计算资源百分比为 $ c_{n_m} $，则可以计算出总的计算效率（即每次时间消耗的倒数之和）为

$$
E^s_{n_m} = \frac{c_{n_m} r^{s} {n_m}}{D {n_m}} + \frac{I^s_{n_m}}{D_{n_m}} + \frac{R_{n_m}}{D_{n_m}} \tag{6}
$$

D. 服务模型

在医疗保健领域，移动健康应用需求可能会频繁变化，因为不同的医生和医护人员即使针对同一位患者，也可能采用不同的诊断流程和治疗方案。例如，一位医生可能会参考患者的电子病历（EMR）进行诊断，而其他医生则更倾向于阅读患者的医学影像，甚至需要建立视频会议。

考虑到移动健康应用的不同需求，我们可以在服务模型中采用微服务架构以适应不断变化的需求。具体而言，我们可以将一个应用分割为多个松散耦合的服务单元，并通过组合不同的服务单元来满足多样化的需求。我们的服务模型中的详细架构如图5所示。

如图所示，在该模型中，移动健康应用的微服务在位于服务器虚拟机中的容器内执行。容器通过交换消息提供微服务管理，包括部署和通信等功能。此外，容器还通过应用程序编程接口（API）提供高级功能。具体而言，微服务模型通过API网关进行访问，该网关用于认证和加密所有API访问请求。该模型还能处理多种数据交换格式（例如，从XML转换为JSON），并支持多种协议（例如，调度请求）。每个微服务都包含内部结构和外部结构：前者用于私有可访问资源，包括服务逻辑的实现和数据内部管理；后者用于公有可访问资源，包括与其他微服务的信息交换。在移动健康应用中，这些微服务可以与患者数据查询、医学影像和视频会议进行交互，并集成不同的功能。

E. 数据管理模型

在我们的数据管理模型中，临床数据由结构化数据和非结构化数据组成，所有医疗数据均存储和管理在 Hadoop/HDFS系统中。为了高效查询医疗数据，我们需要为这些医疗数据建立索引系统，并将原始医疗数据的索引存储在Hadoop/HBase表中，如图6所示。数据查询的过程如下：首先，用户向HBase系统发送查询请求，HBase系统将医疗数据的位置（通过统一资源标识符，URI）返回给用户。然后，用户即可访问

通过向HDFS系统发送URI来存储数据，并从HDFS系统获取医疗数据。

与关系型数据库相比，HBase可以显著减少计算时间。此外，为了提高查询医疗数据的效率，我们采用了一种多级索引策略，即通过多个阶段的索引来定位特定医疗数据。

如图7所示，HBase表由行键、时间戳和列族组成。行键是HBase表中的唯一键，可用于HBase表中的索引。在移动健康场景中，行键由患者ID表示。时间戳由HBase自动生成，表示数据录入的时间。

列族通常是一组列，其中一列表示患者的一个属性。例如，在第一行中，行键“11112222”表示该行的标识（ID）。时间戳“T7”、“T8”和“T9”表示数据录入的时间。具体而言，在时间戳“T9”时，在“PersonBasicInfo”列中录人了“Name=Peter”，在“PersonExternalInfo”列中录人了“National=Canada”；在时间戳“T8”时，在“PersonBasicInfo”列中录人了“IDNumber=11112222”，在“PersonExternalInfo”列中录人了“FamilyDisease=None”；在时间戳“T7”时，在“PersonBasicInfo”列中录人了“Address=Ottawa”，在“PersonExternalInfo”列中录人了“Allergen=None”。

IV. 网络性能优化

在本节中，我们讨论网络性能问题，并具体解决通信模型、计算模型以及数据管理模型中的资源整体优化问题。接下来，我们首先介绍网络优化的效用函数，然后通过添加若干约束来建立优化问题。

A. 网络优化的效用

在本文中，我们采用优化移动服务运营商（MSO）的利润作为效用。MSO需要向移动网络运营商（MNO）租赁无线带宽。MSO以每赫兹 $ \delta_m $ 的价格向MNO支付小小区 $ m $ 的无线带宽费用，并以每比特每秒 $ \gamma_m $ 的价格支付小小区 $ m $ 与其宏小区之间回传链路的费用。此外，MSO会向移动用户收取到多接入边缘计算服务器的数据传输费用，收费标准为每比特每秒 $ \theta_m $。因此，MSO将无线带宽分配给移动用户 $ n_m $ 所获得的利润可计算为

$$
RE^{T} {n_m} = B s {n_m} (\theta_m \eta_{n_m} - \gamma_m - \delta_m \eta_{n_m}). \tag{7}
$$

此外，我们假设移动服务运营商（MSO）将根据计算效率（计算任务运行时间的倒数）的提升向移动用户收费。记单位效率提升对应的移动用户的收入为 $ \beta_{n_m} $。参考公式(5)和(6)，我们得到移动服务运营商向用户 $ n_m $ 收取计算任务费用的收入为

$$
RE^{C} {n_m} = \beta {n_m} \left( \frac{c_{n_m} r^{s} {n_m}}{D {n_m}} + \frac{I^s_{n_m}}{D_{n_m}} + \frac{R_{n_m}}{D_{n_m}} - \frac{r^l_{n_m}}{D_{n_m}} \right). \tag{8}
$$

然后，我们可以建立移动服务运营商（MSO）的效用函数

$$
U = \sum_{m=1}^{M} \sum_{n_m=1}^{N_m} a_{n_m} u(RE^{T} {n_m} + RE^{C} {n_m}) \tag{9}
$$

其中 $ u(\cdot) $ 是效用函数，且可以是任意非递减凸函数。在本文中，我们采用对数函数作为效用函数，该函数已在文献[12]中被采用，可表示为：当 $ y > 0 $ 时，$ u(y) = \log(y) $；否则 $ u(y) = -\infty $。

B. 问题建模

我们定义了以(9)为目标的优化问题，该问题可以被描述为

$$
\max_{a,c,s} \sum_{m=1}^{M} \sum_{n_m=1}^{N_m} a_{n_m} u \left( B s_{n_m} (\theta_m \eta_{n_m} - \gamma_m - \delta_m \eta_{n_m}) + \beta_{n_m} \left( \frac{c_{n_m} r^{s} {n_m}}{D {n_m}} + \frac{I^s_{n_m}}{D_{n_m}} + \frac{R_{n_m}}{D_{n_m}} - \frac{r^l_{n_m}}{D_{n_m}} \right) \right)
$$

$$
\text{s.t. } C1: \sum_{n_m=1}^{N_m} a_{n_m} s_{n_m} \leq 1
$$

$$
C2: \sum_{n_m=1}^{N_m} a_{n_m} s_{n_m} B \eta_{n_m} \leq R_m
$$

$$
C3: \sum_{i=1,i \neq m}^{M} \sum_{j=1}^{N_j} p_{ji} h_{ji i} \leq I_m
$$

$$
C4: p_{ji} \leq \bar{P}_{ji}. \tag{10}
$$

约束C1（10）确保分配给所有移动用户的无线频谱量不得超过一个小小区的总可用频谱量。约束C2（10）表示所有移动用户进行计算卸载时的数据速率必须低于小小区的回传容量。约束C3（10）表明，其他小小区对当前小小区在移动用户计算卸载过程中产生的干扰必须低于阈值 $ I_m $。约束C4（10）意味着移动用户的传输功率不能超过最大有效发射功率。

(10)的问题不是一个可处理问题，原因如下：1) 该问题不是凸规划问题，因为其目标(10)不是凸的；2) 用于搜索全局最优的常规算法的复杂度将随着小小区内移动用户的平均数量多项式增长，并且我们需要考虑一种有效的算法来应对大规模规划问题，以保证实时移动健康应用。

根据上述分析，问题(10)不是一个可处理问题，因此在下文中，我们将该问题转化为一个可处理的凸规划问题。具体而言，我们通过替换 $ \bar{s} {n_m} = s {n_m} a_{n_m} $ 和 $ \bar{c} {n_m} = c {n_m} a_{n_m} $ 来转化问题(10)，然后得到

$$
\max_{a,\bar{c},\bar{s}} \sum_{m=1}^{M} \sum_{n_m=1}^{N_m} a_{n_m} \log \left( \frac{B \bar{s} {n_m} (\theta_m \eta {n_m} - \gamma_m - \delta_m \eta_{n_m})}{a_{n_m}} + \frac{\beta_{n_m} (\bar{c} {n_m} r^{s} {n_m} + R_{n_m})}{D_{n_m} a_{n_m}} \right)
$$

$$
\text{s.t. } C1: \sum_{n_m=1}^{N_m} \bar{s}_{n_m} \leq 1
$$

$$
C2: \sum_{n_m=1}^{N_m} \bar{s} {n_m} B \eta {n_m} \leq R_m
$$

$$
C3: \sum_{i=1,i \neq m}^{M} \sum_{j=1}^{N_j} p_{ji} h_{ji i} \leq I_m
$$

$$
C4: p_{ji} \leq \bar{P}_{ji}
$$

$$
C5: \sum_{m=1}^{M} \sum_{n_m=1}^{N_m} \bar{c}_{n_m} \leq 1
$$

$$
C6: a_{n_m} \geq \bar{s} {n_m}, \quad a {n_m} \geq \bar{c}_{n_m} \tag{11}
$$

其中约束C5保证了分配给移动用户的计算资源总量必须低于多接入边缘计算服务器可用的计算资源总量。约束C6保证了 $ \bar{s} {n_m} $ 不能超过 $ a {n_m} $，并且 $ \bar{c} {n_m} $ 不能超过 $ a {n_m} $，因为 $ 0 \leq s_{n_m} \leq 1 $ 和 $ 0 \leq c_{n_m} \leq 1 $。请注意，我们移除了 $ \frac{I^s_{n_m}}{D_{n_m}} - \frac{r^l_{n_m}}{D_{n_m}} $ 这一项，因为它对于 $ a, c, s $ 而言是常数。

接下来，我们将通过使用透视函数[12]来阐述问题（11）的凸性。

定理1： 问题（11）在 $ a, \bar{c}, \bar{s} $ 上是一个联合凸函数。

证明： 该证明分为两部分：1）证明目标函数的凸性；2）在考虑约束的情况下证明问题的凸性。

首先，我们知道 $ f(z, s) = s \log(z/s) $ 对于 $ z \geq 0 $ 和 $ s \geq 0 $ 是 $ f(s) = \log s $[12] 的透视函数。接下来，我们证明透视函数 $ f(z, s) = s \log(z/s) $ 在 $ s = 0 $ 处是连续的。记 $ y = z/s $，我们有

$$
f(z, 0) = \lim_{s \to 0} s \log \frac{z}{s} = \lim_{y \to \infty} \frac{z}{y} \log(y) = z \lim_{y \to \infty} \frac{\log(y)}{y} = 0 \tag{12}
$$

因此，我们有

$$
a_{n_m} \log \left( \frac{B \bar{s} {n_m} (\theta_m \eta {n_m} - \gamma_m - \delta_m \eta_{n_m})}{a_{n_m}} + \frac{\beta_{n_m} (\bar{c} {n_m} r^{s} {n_m} + R_{n_m})}{D_{n_m} a_{n_m}} \right) \quad \text{for } a_{n_m} = 0.
$$

$ B \bar{s} {n_m} (\theta_m \eta {n_m} - \gamma_m - \delta_m \eta_{n_m}) + \beta_{n_m} (\bar{c} {n_m} r^{s} {n_m} + R_{n_m}) / D_{n_m} $ 是 $ \bar{s} {n_m} $ 和 $ \bar{c} {n_m} $ 的线性函数，且 $ \log(B \bar{s} {n_m} (\theta_m \eta {n_m} - \gamma_m - \delta_m \eta_{n_m}) + \beta_{n_m} (\bar{c} {n_m} r^{s} {n_m} + R_{n_m}) / D_{n_m}) $ 是凹函数。因此

$$
a_{n_m} \log \left( \frac{B \bar{s} {n_m} (\theta_m \eta {n_m} - \gamma_m - \delta_m \eta_{n_m})}{a_{n_m}} + \frac{\beta_{n_m} (\bar{c} {n_m} r^{s} {n_m} + R_{n_m})}{D_{n_m} a_{n_m}} \right)
$$

是凹函数，因为凹函数的透视函数 $ \log(B \bar{s} {n_m} (\theta_m \eta {n_m} - \gamma_m - \delta_m \eta_{n_m}) + \beta_{n_m} (\bar{c} {n_m} r^{s} {n_m} + R_{n_m}) / D_{n_m}) $ 也是凹函数。

接下来，我们可以很容易地证明问题(11)是一个凸规划问题，因为其目标函数关于最大化目标是凹函数，且所有约束均为线性的。□

有许多算法可用于求解凸规划问题。然而，由于问题的规模随着小小区数量的急剧增加而增大，常规的集中式算法并不适用于该问题。因此，有必要提出一种在每个小小区上运行的分布式算法。接下来，我们将讨论如何将式（11）的问题进行解耦，以适用于分布式计算算法。

C. 问题分解

接下来，我们将介绍如何分解原始问题，以确保每个子问题能够在各个小区单独计算，从而通过分布式方式求解原始问题。然而，我们无法在每个小小区单独计算（11）中的 $ a $ 和 $ c $ 变量，因为它是全局变量，依赖于网络中所有小小区。为了以分布式方式求解原始问题，我们需要在每个小小区生成 $ a $ 的局部副本，即 $ a^m_{ji} = a_{ji} $ 和 $ \bar{c}^m_{ji} = \bar{c}_{ji} $，其中 $ m $ 为任意小小区，$ ji $ 为任意移动用户。接下来，我们可以将问题（11）表示为

$$
\max_{a,\bar{c},\bar{s}} \sum_{m=1}^{M} \sum_{n_m=1}^{N_m} a^m_{n_m} \log \left( \frac{B \bar{s} {n_m} (\theta_m \eta {n_m} - \gamma_m - \delta_m \eta_{n_m})}{a^m_{n_m}} + \frac{\beta_{n_m} (\bar{c}^m_{n_m} r^{s} {n_m} + R {n_m})}{D_{n_m} a^m_{n_m}} \right)
$$

$$
\text{s.t. } C1: \sum_{n_m=1}^{N_m} \bar{s}_{n_m} \leq 1
$$

$$
C2: \sum_{n_m=1}^{N_m} \bar{s} {n_m} B \eta {n_m} \leq R_m
$$

$$
C3: \sum_{i=1,i \neq m}^{M} \sum_{j=1}^{N_j} p_{ji} h_{ji i} \leq I_m
$$

$$
C4: p_{ji} \leq \bar{P}_{ji}
$$

$$
C5: \sum_{m=1}^{M} \sum_{n_m=1}^{N_m} \bar{c}^m_{n_m} \leq 1
$$

$$
C6: a^m_{n_m} \geq \bar{s} {n_m}, \quad a^m {n_m} \geq \bar{c}^m_{n_m}
$$

$$
C7: a^m_{n_m} = a_{n_m}, \quad \bar{c}^m_{n_m} = \bar{c}_{n_m} \tag{13}
$$

其中，(13)中的约束C7确保了全局变量的所有局部副本必须保持一致。

表示当(13)的约束C1–C7成立时，$ F_m = {a, \bar{c}, \bar{s}} $。此外，我们用

$$
V_m(a, \bar{c}, \bar{s}) = - \sum_{n_m=1}^{N_m} a^m_{n_m} \log \left( \frac{B \bar{s} {n_m} (\theta_m \eta {n_m} - \gamma_m - \delta_m \eta_{n_m})}{a^m_{n_m}} + \frac{\beta_{n_m} (\bar{c}^m_{n_m} r^{s} {n_m} + R {n_m})}{D_{n_m} a^m_{n_m}} \right)
$$

表示关于 $ a, \bar{c}, \bar{s} \in F_m $ 的值，否则用 $ V_m(a, \bar{c}, \bar{s}) = +\infty $ 表示。于是，(13)的问题可以转化为

$$
\min_{a,\bar{c},\bar{s}} \sum_{m=1}^{M} V_m(a,\bar{c},\bar{s}). \tag{14}
$$

V. 基于交替方向乘子法的问题求解

在本节中，我们将应用交替方向乘子法（ADMM）来求解优化问题（14），这是一个典型的全局一致性问题[12]。在ADMM中，一个优化问题可被分解为若干个小规模的子问题，每个子问题都可以轻松处理。首先，我们推导该问题的增广拉格朗日函数

$$
L(a,\bar{c},\bar{s}) = \sum_{m=1}^{M} V_m(a,\bar{c},\bar{s})
+ \sum_{m=1}^{M} \sum_{j=1}^{M} \sum_{n_j=1}^{N_j} \sigma^m_{n_j} (a^m_{n_j} - a_{n_j})
+ \sum_{m=1}^{M} \sum_{j=1}^{M} \sum_{n_j=1}^{N_j} \phi^m_{n_j} (\bar{c}^m_{n_j} - \bar{c} {n_j})
+ \frac{\rho}{2} \sum {m=1}^{M} \sum_{j=1}^{M} \sum_{n_j=1}^{N_j} (a^m_{n_j} - a_{n_j})^2
+ \frac{\rho}{2} \sum_{m=1}^{M} \sum_{j=1}^{M} \sum_{n_j=1}^{N_j} (\bar{c}^m_{n_j} - \bar{c}_{n_j})^2 \tag{15}
$$

其中 $ \sigma_{n_j} $ 和 $ \phi_{n_j} $ 是拉格朗日乘子，$ \rho $ 是惩罚参数，可用于调节交替方向乘子法的收敛速度。

A. 基于交替方向乘子法的分布式算法用于全局一致性问题

当应用交替方向乘子法求解问题(14)时，我们需要通过[12]采用以下迭代步骤：更新局部变量[见(16)]、全局变量[见(17)和(18)]以及拉格朗日乘子[见(19)和(20)]

$$
{a^m,\bar{c}^m,\bar{s}}[t+1] = \arg \min_{a^m,\bar{c}^m,\bar{s}} \left{ V_m(a^m,\bar{c}^m,\bar{s})[t]
+ \sum_{j=1}^{M} \sum_{n_j=1}^{N_j} \sigma^m[t] {n_j} (a^m {n_j} - a[t] {n_j})
+ \sum {j=1}^{M} \sum_{n_j=1}^{N_j} \phi^m[t] {n_j} (\bar{c}^m {n_j} - \bar{c}[t] {n_j})
+ \frac{\rho}{2} \sum {j=1}^{M} \sum_{n_j=1}^{N_j} (a^m_{n_j} - a[t] {n_j})^2
+ \frac{\rho}{2} \sum {j=1}^{M} \sum_{n_j=1}^{N_j} (\bar{c}^m_{n_j} - \bar{c}[t]_{n_j})^2 \right} \tag{16}
$$

$$
{a}[t+1] = \arg \min_a \left{ \sum_{m=1}^{M} \sum_{j=1}^{M} \sum_{n_j=1}^{N_j} \sigma^m[t] {n_j} (a^m[t+1] {n_j} - a_{n_j})
+ \frac{\rho}{2} \sum_{m=1}^{M} \sum_{j=1}^{M} \sum_{n_j=1}^{N_j} (a^m[t] {n_j} - a {n_j})^2 \right} \tag{17}
$$

$$
{\bar{c}}[t+1] = \arg \min_{\bar{c}} \left{ \sum_{m=1}^{M} \sum_{j=1}^{M} \sum_{n_j=1}^{N_j} \phi^m[t] {n_j} (\bar{c}^m[t+1] {n_j} - \bar{c} {n_j})
+ \frac{\rho}{2} \sum {m=1}^{M} \sum_{j=1}^{M} \sum_{n_j=1}^{N_j} (\bar{c}^m[t] {n_j} - \bar{c} {n_j})^2 \right} \tag{18}
$$

$$
{\sigma}[t+1] = {\sigma}[t] + \rho (a^m[t+1] - a[t+1]) \tag{19}
$$

$$
{\phi}[t+1] = {\phi}[t] + \rho (\bar{c}^m[t+1] - \bar{c}[t+1]) \tag{20}
$$

其中 $ t $ 表示迭代次数的索引。

(17)–(20)中的迭代以全局方式进行，因此必须在多接入边缘计算服务器中执行。然而，(16)的迭代可以以分布式方式进行，因此可以在各个小区中分别执行。

最优局部变量可以通过求解以下问题来计算：

$$
\min_{a^m,\bar{c}^m,\bar{s}} \left{ V_m(a^m,\bar{c}^m,\bar{s})
+ \sum_{j=1}^{M} \sum_{n_j=1}^{N_j} \sigma^m[t] {n_j} (a^m {n_j} - a[t] {n_j})
+ \sum {j=1}^{M} \sum_{n_j=1}^{N_j} \phi^m[t] {n_j} (\bar{c}^m {n_j} - \bar{c}[t] {n_j})
+ \frac{\rho}{2} \sum {j=1}^{M} \sum_{n_j=1}^{N_j} (a^m_{n_j} - a[t] {n_j})^2
+ \frac{\rho}{2} \sum {j=1}^{M} \sum_{n_j=1}^{N_j} (\bar{c}^m_{n_j} - \bar{c}[t]_{n_j})^2 \right}. \tag{21}
$$

由于问题(21)具有凸目标函数和凸可行集，因此很容易证明它是一个凸问题。我们可以使用任何常规算法来求解该凸规划问题，例如内点算法，详见[12]。

B. 更新全局变量和拉格朗日乘子

接下来，我们将讨论如何更新全局变量和拉格朗日乘子。考虑到问题(17)和(18)分别为二次的和线性的，当分别选择其关于 $ a $ 和 $ \bar{c} $ 的梯度为零时，可求解这两个问题。于是，我们得到

$$
\sum_{j=1}^{M} \sigma^m[t] {n_j} + \rho \sum {j=1}^{M} (a^m[t+1] {n_j} - a {n_j}) = 0
$$

$$
\sum_{j=1}^{M} \phi^m[t] {n_j} + \rho \sum {j=1}^{M} (\bar{c}^m[t+1] {n_j} - \bar{c} {n_j}) = 0 \tag{22}
$$

导致

$$
a[t+1] {n_j} = \frac{1}{M} \sum {j=1}^{M} a^m[t+1]_{n_j}
$$

$$
\bar{c}[t+1] {n_j} = \frac{1}{M} \sum {j=1}^{M} \bar{c}^m[t+1]_{n_j} \tag{23}
$$

通过将拉格朗日乘子初始化为零，即 $ \sum_{j=1}^{M} \sigma^m[t] {n_j} = 0 $ 和 $ \sum {j=1}^{M} \phi^m[t]_{n_j} = 0 $。

(23)的结果表明，全局变量可以通过对每个小区的所有局部副本取平均值来计算。拉格朗日乘子可以利用(19)和(20)进行计算。分布式方式下的资源分配算法可总结为算法1。

C. 收敛性与复杂度

在本节中，我们讨论所提出的算法1的收敛性和复杂度。首先，我们可以通过残差收敛[12]证明算法1将收敛到最优解。

定理2： 算法1在 $ t \to +\infty $ 情况下可以保证其残差收敛。

证明： 显然，问题(14)的每个变量均有界，且其目标函数也有界。因此，$ \sum_{m=1}^{M} V_m(a,s) < +\infty $ 成立。由于问题(14)的凸性，强对偶性条件成立[12]。通过[12]，(13)中的拉格朗日函数具有鞍点，因此当 $ t \to +\infty $ 时，算法1可以保证其残差收敛。□

下文将介绍我们所提出的分布式算法的复杂度，同时以集中式算法作为基准进行比较。

定理3： 假设每个小小区平均连接 $ K $ 个车联网上的无线用户，且网络由 $ M $ 个小小区组成，则算法1的复杂度为 $ O(K^x) $，而集中式算法的复杂度为 $ O((KM)^x) $。

证明： 假设一个小小区内有 $ K $ 个移动用户，网络由 $ M $ 个小小区组成。执行集中式算法所需处理的数据量为 $ KM $。如果我们采用常规方法求解凸规划问题，例如以内点法作为集中式算法，则该算法的复杂度为 $ O((KM)^x) $，其中 $ x \geq 1 $[12]。在所提出的分布式算法（即算法1）中，我们在每个小小区处更新局部变量。因此，在使用相同凸规划问题求解方法的情况下，每个小小区的复杂度为 $ O(K^x) $。□

容易证明，与集中式算法相比，算法1可以节省运行时间，尤其是在 $ M $ 较大时，即网络中小区数量较多的情况下。

VI. 仿真结果

我们从公共数据库[13]中采用了一些蜂窝网络内移动用户的真实数据。同时，我们利用中国8.12天津港爆炸的真实数据在[14]中模拟移动健康应用需求。在仿真中，我们以三种典型网络拓扑为例，包括埃尔德什‐雷尼网络、指数网络和优先连接网络[3]。每个网络平均包含50个节点。移动用户之间的平均距离为8米，每个用户以1 m/s的速度向任意方向移动。此外，在仿真中，医疗传感器上的电磁干扰量被归一化为1。

A. 我们提出的分布式算法在各种网络中的收敛性

在本节中，我们讨论了使用我们的算法（即算法1）在各种网络中的收敛性。如第四节-C部分所述，算法1能够实现优化问题的残差收敛。

图8表明，在收发节点密集分布的网络中（例如，指数网络），我们的算法能够快速实现算法1的收敛，而在节点均匀分布的网络中（例如，埃尔德什‐雷尼网络），我们的分布式算法收敛较慢。实际上，我们提出的算法在指数网络中经过7000次迭代后收敛，而在埃尔德什‐雷尼网络中则需要14000次迭代才能收敛到最优解。

B. 我们提出的分布式算法的效用

在本节中，我们展示了各种算法下的网络效用，包括所提出的分布式算法和基于内点法的集中式算法。

图9展示了我们提出的算法在不同网络中的网络效用。图9表明，在指数网络中可以实现更高的效用水平，其中移动用户的发送/接收对数量少于埃尔德什‐雷尼网络中的数量。在埃尔德什‐雷尼网络中，一个移动用户会与相当多的其他移动用户建立收发对，从而对其他用户造成干扰。然而，在指数网络中，一个移动用户仅与少数移动用户建立收发对，因此对其他用户的干扰很小。

图9还展示了不同算法在网络效用方面的对比。与集中式算法相比，我们提出的分布式算法能够达到相似水平的网络效用。正如预期，集中式算法可以获得最高的网络效用，但它以较长的运行时间为代价，无法满足实时需求。

C. 我们提出的分布式算法的运行时间

图10展示了我们提出的分布式算法与集中式算法的操作时间。从图10可以看出，我们的分布式算法比集中式算法更能节省运行时间。事实上，我们所提出分布式算法的操作时间约为集中式算法的 1/5。此外，在不同拓扑结构的网络中，该算法的操作时间也有所不同。在埃尔德什‐雷尼网络中运行我们的分布式算法所需时间大于其他网络中的算法运行时间，这一结果与图8所示的收敛速度一致。

D. 医疗传感器上的电磁干扰

接下来，我们讨论移动用户对医疗传感器的电磁干扰（EMI）影响。为了展示我们提出的分布式算法的优势，我们选择[15]中的分布式ADMM算法作为基准，该算法是边缘计算环境下无线网络中常规应用（非针对移动健康应用设计）最广泛使用的资源分配算法之一。图11展示了使用我们提出的算法与使用[15]中提出的ADMM算法时，移动用户对医疗传感器产生的电磁干扰（EMI）对比情况。图11表明

我们的算法产生的电磁干扰（EMI）水平远低于[15]中算法的水平。实际上，我们提出的算法可将EMI量降至0.1以下，而使用[15]中提出的常规ADMM算法时，EMI量约为0.7。图12还表明，对于不同数量的小小区，我们提出的算法实现的EMI水平均低于[15]中提出的算法。

七、结论与未来工作

具有移动边缘计算的蜂窝网络广泛用于支持移动健康应用，因为该网络能够显著提升移动设备的计算能力。移动边缘计算网络的性能主要取决于资源分配问题，通过优化该问题可以改善网络性能。在面向移动健康应用的蜂窝网络场景中，我们必须应对电磁干扰对医疗传感器影响的关键挑战，因为大量电磁干扰可能导致传感器故障，甚至伤害患者。鉴于这些电磁干扰问题，我们研究了在基于 MEC 的蜂窝网络中优化网络性能的问题，并提出一种分布式优化算法作为解决方案。

仿真结果表明，我们提出的分布式算法能够快速收敛至最优解，确保医疗传感器上的电磁干扰处于可接受水平。我们得出以下几个关键推论如下。

1) 所提出的分布式算法能够实现比常规ADMM算法更高的网络性能，并确保在[15]中保持更低的电磁干扰水平，而后者是在常规应用中最常用的资源分配算法。

2) 所提出的分布式算法可以通过残差收敛收敛到最优解，并且与集中式算法相比，该算法可以显著减少运行时间。

3) 在发送/接收对密集分布的网络中，所提出的分布式算法能够比在发送/接收对均匀分布的网络中以更高速度获得最优解。

未来，我们将把我们的研究推广到部分无线用户不合作的场景中，并研究在用户以一定概率拒绝资源分配的情况下如何优化网络性能。此外，我们还将把研究扩展到信道状态信息不完美的场景，并探讨在这种情况下如何优化网络性能。