基于UCB算法的信道選擇方案

張孫烜

摘? ?要：物聯網在設備中的應用導致了更多的網絡交通堵塞，本地服務器無法滿足大數據傳輸的需要。很難做到在大數據下的中央處理模式云計算。邊緣計算的出現，將數據卸載到多個邊緣服務器進行處理。卸載到服務器的數據需要通過信道，以前的信道選擇方法是基站的統一分配。如果終端設備可以通過自己的學習選擇信道，可以提高效率、減輕基站的負擔。文章對此開展分析。

關鍵詞：邊緣計算;自我學習;信道選擇

1? ? 網絡云計算介紹

走進5G時代，隨之而來的是數據量的巨大增長。物聯網在設備中的應用將導致更多的網絡交通堵塞。本地計算處于本地環境，其內部資源在本地服務器上部署，而本地服務器顯然無法滿足大數據傳輸的需要。為了解決物聯網系統的數據密度和場資源約束問題，很容易將目標轉向云計算。網絡云計算是指在與本地服務器連接的第三方服務器的大規模網絡上進行數據處理[1]。但是，大數據下的中央處理模式很難做到，而且上傳至云端的大量數據也有很大概率會被丟失和泄露，海量數據的增長使得設備維護成本極高。為了解決安全性和成本問題，一種名為“邊緣計算”的新模式應運而生，其旨在縮短物聯網通信的響應時間，將計算轉移到網絡的邊緣[2-3]。邊緣計算使應用程序生成更快的網絡服務響應，以滿足實時業務、安全和隱私保護等基本需求。

當終端設備需要處理大量的任務或數據時，為了減輕負擔、加快數據處理速度、提高可靠性，可將數據卸載到多個邊緣服務器進行處理。數據的指數增長給邊緣設備和云處理集群[4]之間的網絡連接帶來了壓力。邊緣數據處理具有減少網絡壓力和縮短服務響應時間的潛力。隨著邊緣設備[5]性能的不斷提高，這種邊緣處理在今天成為可能。

從邊緣計算中卸載到服務器的數據需要通過信道。大多數的信道選擇方法是基站的統一分配，但是隨著終端設備和數據的指數增長，基站的分配效率下降、成本升高。如果終端設備可以通過自我學習選擇信道，就可以大大提高效率，減輕基站的負擔。

2? ? 信道選擇的UCB算法

2.1? 多臂老虎機模型

多臂老虎機（Multi-armed Bandit，MAB）是帶有多個搖桿的賭博機，每個搖桿可以獲得不同的收益。MAB問題討論了如何選擇搖桿來使收益最大化（搖桿收益給定）。假設這個老虎機有5個搖桿，最愚蠢的方法是每個搖桿都試幾次，比較收益最大的搖桿，然后將剩余的機會都用于這個搖桿。但是，這種方法是不可靠的，因為如果你搖10次，由于存在運氣因素，一個低收益的搖桿可能會造成一個高收益的幻覺。

本研究的目的是解決單用戶信道選擇的問題，使用戶選擇信道傳輸速率最高的信道。可以將用戶選擇的信道抽象成一個老虎機的每一個搖桿，待選信道的傳輸速率相當于每個搖桿獲得的收益，搖桿的選擇可以看成用戶選擇信道。使用置信區間上界（Upper Confidence Bounds，UCB）算法解決用戶信道選擇問題，可使用MAB模型進行討論和研究。

2.2? UCB算法

使用UCB算法，重點不僅是收益的返回值，還是每個搖桿的探索次數。在實現UCB算法時，人們不需要考慮其他的假設，只要滿足一個條件：收益分布在0和1之間，1代表最大收益。如果所使用模型的最大返回結果超出此范圍，則需要對結果進行規范化。UCB算法除了保留每個搖桿結果的置信度外，與之前的算法有以下兩點不同：

（1）在UCB中完全不使用隨機性。在每種情況下，可以通過數據計算出UCB所選擇的搖桿。

（2）UCB算法沒有任何需要配置的參數，意味著可以在任何情況下使用UCB算法，而不需要任何必要的先決條件。

2.3? 多臂老虎機模型實現信道選擇

將老虎機的K個臂作為要選擇的K個信道。

（1）階段1：初始化。

（2）選擇次數：t;每個信道被選擇的次數為Tj，t;信道平均回報：;搖桿數量K=5。搖的總次數N=800;每個搖桿的收益ωk;Wn表示每輪的收益

（3）Tj，t=1。

（4）階段2：決定。

（5）選擇。

（6）記錄最佳搖桿的選擇次數ωmax;記錄每輪的收益Wn。

（7）階段3：學習。

（8）更新被選擇的信道：

（9）直到t>N。

3? ? 仿真結果

在模擬中，設置用戶數為1，可選信道數為5，傳輸時隙為500。為每一個信道預設傳輸數據量為[1.1，1.2，1.3，1.4，1.5]，單位為Mb。仿真結果如圖1所示。

從圖1中可以看出，隨著迭代次數的增加，UCB算法在信道選擇中得到的平均數據傳輸量要高于隨機信道選擇，約為0.15 Mb。這是因為當通過UCB算法選擇信道時，由于之前記錄的置信度，其總是傾向于選擇平均收益最高的通道。當采用隨機算法選擇信道時，與隨機信道選擇是等價的。因此，得到的平均值約等于預設傳輸的平均值。

4? ? 結語

文章研究了基于UCB算法的信道選擇問題。通過實驗數據分析，得出UCB算法的信道選擇優于隨機算法的結論。

[參考文獻]

[1]SIMMON E.A vision of cyber-physical cloud computing for smart networked systems[J].NISTIR，2013（8）：61.

[2]GONG X，GUO L，SHEN G，et al.Virtual network embedding for collaborative edge computing in optical-wireless networks[J].Journal of Lightwave Technology，2017（18）：3980-3990.

[3]ORSINI G，BADE D，LAMERSDORF W.Computing at the mobile edge：designing elastic android applications for computation of?oading[J].IFIP Wireless and Mobile Networking Conference，2015（8）：112-119.

[4]SHI W，DUSTDAR S.The promise of edge computing[J].Computer，2016（5）：78-81.

[5]LOGHIN D，RAMAPANTULU L，TEO Y M.On understanding time， energy and cost performance of wimpy heterogeneous systems for edge computing[J].IEEE International Conference on Edge Computing，2017（7）：1-8.

Channel selection scheme based on UCB algorithm

Zhang Sunxuan

（School of Electrical and Electronic Engineering， North China Electric Power University， Beijing 102206， China）

Abstract：The use of the Internet of Things in devices leads to more network traffic jams. The local server cannot meet the needs of big data transmission. The central processing mode under big data is difficult to achieve cloud computing. The emergence of edge computing， offloading data to multiple edge servers for processing. Data unloaded to the server needs to go through channels. The previous channel selection method is the unified allocation of base stations. If the terminal device can choose the channel through its own learning， it can improve the efficiency and reduce the burden of the base station. This paper analyzes it.

Key words：edge of computing; self-learning; channel selection