0 引　言

舰船通信技术是现代通信技术中重要的研究内容之一，第五代移动通信技术极大地推动了舰船网络系统向着扁平化方向发展^[1]。5G环境下的舰船网络系统能够实现信息融合、多方协同作战的需求，保证了舰船通信“联得通、通得好”^[2]。

基于5G的舰船通信系统利用多接入边缘计算（MEC）技术，通过分布式计算，满足舰船在海上可靠、快速的通信需求^[3]。

5G技术中的MEC技术能够有效降低时延、提高传输率^[4]。Nan等^[5]利用Lyapunov技术对通信中的能源进行优化，以此提高响应速率。Zhang等^[6]通过研究5G网络中的MEC性能，以此说明其低时延的特性。Ren等^[7]通过卸载模型对多用户业务时延进行了研究，实验结果表明，移动边缘计算能够提高用户的服务质量。本文利用5G中的MEC技术进行系统网络设计。

1 基于5G通信技术的舰船网络模型

根据欧洲电信标准化协会对MEC的定义可以看出，MEC可以运行于物理平台或者虚拟化平台，能够在网络系统中进行数据服务、边缘计算等，同时MEC还能进行本地业务的处理。MEC对数据的分析是透明的，不会影响基站与核心网之间的数据传输，并且提供的边缘计算节省了数据传输的链路。基于MEC的服务特点，本文设计的基于5G通信技术的舰船网络系统如图1所示。

基于5G通信技术的舰船网络系统中主要包括4部分，分别是智能终端、5G接入端、控制层以及公网端。图1中虚线表示控制流，实线表示数据流。

1）智能终端

在此系统中主要是舰船，移动终端是业务发起者，是系统中的主要用户。

2）5G接入端

在分析了5G中的MEC的优势后，在传统的云架构网络中增加了多台MEC设备，MEC设备部署在基站和核心网之间，这种部署能够减少基站的个数，并且回传链路时延减少，保证了数据传输的高效性。

3）控制层

控制层主要就是SDN控制器，能够有效地处理MEC服务器、云服务器等之间的数据，提高计算能力、链路传输速度^[8]。在整个系统中能够根据网络全局信息制定合理的计算卸载策略，进而优化系统。

4）公网端

公网主要是云平台，能够对传输的信息进行清洗、分析、挖掘，便于数据共享。

2 基于MEC架构的时延控制及优化分析

MEC网络最大的特点是能够降低时延，这是因为在整个系统中计算、存储、网络资源的处理已经不再是由核心网单独处理，而是分配到网络边缘由本地的MEC处理，这样大大降低了核心网的工作量，进而降低了时延，提高了用户的应用质量。

2.1 基于MEC架构的时延控制

在整个基于5G通信技术的舰船网络系统中是多个MEC设备分布式作业的，令系统中MEC设备个数为 $ n $ ，每个设备表示为 $ {m_i} $ ，每个MEC设备的计算能力表示为 $ {c_{{m_i}}} $ ，云端服务器的计算能力为 $ {c_c} $ ，2个MEC设备之间的通信链路为 $ {l_{{m_i}{m_j}}} $ ，每条通信链路上的时延表示为 $ {W_{{m_i}{m_j}}} $ 。

在通信过程中，每台MEC设备 $ {m_i} $ 接收到的任务可以表示为 $ {T_{{m_i}}} $ ，在通信系统中总的任务 $ T $ 与每台MEC设备接收到的任务之间的关系可以表示为 $ {T_{{m_i}}}{\text{ = }}{\beta _{{m_i}}}T $ ，其中 $ {\beta _{{m_i}}} $ 表示子任务在总任务中所占据的比例。在进行通信信息识别的过程中将预处理后的特征信息 $ {T_p} $ 与云端数据进行匹配，并将最终的有用信息传送到舰船端进行使用。在整个舰船通信系统中，业务响应时延取决于所有子任务处理中完成时间最长子任务的处理时长，即

$ \begin{split}&t=\mathrm{max}\left(\frac{{\beta }_{{m}_{i}}T}{{c}_{{m}_{i}}}+{W}_{{m}_{i}{m}_{j}}{d}_{{m}_{i}{m}_{j}}\right)+\frac{{T}_{p}}{{c}_{c}}+{W}_{{m}_{i},c}，\\ &{d}_{{m}_{i}{m}_{j}}=\left\{\begin{array}{l}1，{m}_{i}与{m}_{j}之间有信息传输，\\ 0，{m}_{i}与{m}_{j}之间无信息传输。\end{array}\right. \end{split} $

(1)

式中： $ \dfrac{{{\beta _{{m_i}}}T}}{{{c_{{m_i}}}}} $ 为MEC设备对子任务 $ {T_{{m_i}}} $ 处理的时间； $ {W_{{m_i}{m_j}}} $ 为2个MEC设备通信链路上的时延； $ \dfrac{{{T_p}}}{{{c_c}}} $ 为信息预处理后在云端匹配识别时延； $ {W_{{m_i},c}} $ 为信息预处理后到达云端时延。

若想时延最小必须合理分配任务，需要将各个子任务合理分配到各个MEC上进行处理。在通信系统中， $ n $ 个MEC设备所承载的子任务用向量可以表示为：

$ \varPhi {\text{ = }}\left( {{T_1},{T_2},\cdots ,{T_n}} \right){}^{\rm{T}} \text{。} $

(2)

若要想求取最小的时延，需要合理处理分配系数 $ {\ \beta _{{m_i}}} $ 。假如总任务是分配给第1台MEC设备，则 $ {\ \beta _{{m_i}}} = 1 $ ，在整个通信网络中，其通信的最小时延由式（1）和式（2）可得：

$ t(\varPhi ) = \max \prod\nolimits_{i = 1}^{j = n} {\left( {\frac{{{T_{{m_1}}}}}{{{c_{{m_1}}}}} + {W_{{m_i}{m_j}}}{d_{{m_i}{m_j}}}} \right)} + \frac{{{T_p}}}{{{c_c}}} + {W_{{m_1},c}} \text{，} $

(3)

此时仅需要求取式（4）的最小值即可：

$ \min \{ t(\varPhi )\} ,\varPhi \in I \text{。} $

(4)

其中： $ I $ 为可行解的搜索空间； $ \varPhi $ 为整个通信系统的任务。

2.2 基于粒子群算法的优化策略

粒子群优化算法是一种智能优化算法，是利用鸟寻食的过程求解最优解，在整个算法中鸟对应着解，食物对应最优解，就是通过鸟不断地调整自己的位置最终寻找到食物。粒子群算法具有搜索速度快、收敛性好等优点。利用粒子群算法进行式（4）求解的过程如下：

1）令初始空间中粒子的个数为 $ u $ ，每个粒子的位置即为式（4）的一个解，速度表示位置更新的方向和距离，其具体描述如下：

$ {\varPhi _i} = {({\varPhi _1}(i),{\varPhi _2}(i),\cdots,{\varPhi _u}(i))^{\rm{T}}} \text{，} $

(5)

$ {V_i} = {({v_1}(i),{v_2}(i),\cdots,{v_u}(i))^{\rm{T}}} \text{。} $

(6)

在整个搜索过程中，第 $ i $ 维的速度范围为 $ [ - {v_{i\max }},{v_{i\max }}] $ ， $ {v_{\max }} $ 为粒子当前自身的位置与最优解之间的搜索精度， $ {v_{\max }} $ 的取值与搜索精度之间成反比。随着每个粒子的变化，其当前最佳位置 $Z_i $ ，以及在整个粒子群中的最佳位置 $gZ_i $ 也是不断发生变化的。

$ {Z_i} = \{ {z_{{i_1}}},{z_{{i_2}}},\cdots,{z_{{i_u}}}\} \text{，} $

(7)

$ g{Z_i} = \{ g{z_{{i_1}}},g{z_{{i_2}}},\cdots,g{z_{{i_u}}}\} \text{。} $

(8)

2）求取粒子群的适应度值，这是对粒子位置进行评估的依据，通过多次的搜索能够获得最优值，其适应度函数如下：

$ f({\varPhi _i}) = \left\{ \begin{gathered} t({\varPhi _i})，{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} X \in H ，\hfill \\ t({\varPhi _i}) + \chi ({\varPhi _i},I)，{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} X \in S - H 。\hfill \\ \end{gathered} \right. $

(9)

式中： $ H $ 为搜索空间 $ S $ 的可行域； $ S - H $ 为非可行域； $ \chi ({\varPhi _i},I) $ 为在非可行域中迭代 $ I $ 次后的值。

当迭代到最大次数后，粒子群优化算法得到全局最佳位置，也就得到了最低时延。

2.3 仿真与结果分析

为了验证粒子群优化算法在5G通信网络中对响应时延的影响，通过Matlab平台进行仿真，从MEC设备个数、收敛性、不同优化算法的优化效果等方面进行分析。

1）不同架构的时延性能

主要对比基于1台MEC设备架构的通信网络、传统的基于云架构的通信网络以及本文所采用的多个MEC设备架构通信网络中随着请求数量增多，时延性能的变化，结果如图2所示。

可以看出，采用的基于MEC设备的网络系统的响应延时最小，这是因为多个MEC设备能够并行计算。在用户量比较少的情况下，三者的差距不是很大，随着用户请求数的增多，设计的通信网络的优势就凸显出来了，这是因为单个MEC设备的计算能力较弱，但是相较于传统的云端通信系统，它不需要将数据传输到其他的节点，因此得到的网络响应时延比传统的基于云端的通信网络小，但是本文所设计的多个MEC设备的通信系统能够进行分布式的计算，所以响应延时更小。

2）收敛性能对比

本文通过粒子群算法分别对基于1台MEC设备的网络系统和基于10台MEC设备的网络系统进行收敛性对比，结果如图3所示。

可以看出，系统中含有10台MEC设备时，收敛速度更快，这是因为网络系统中搜索的范围更广，更容易得到最优解。

3）不同算法的优化效果对比

为了说明本文所采用的算法在实验方面的优势，将PSO与烟火算法FWA、基于牛顿内点法的任务分配算法（TA-NIP)）进行对比，其结果如图4所示。

可以看出，当用户请求数比较少的时候，3种算法的优化效果差不多，但是随着用户请求数的增多，粒子群算法的全局搜索能力就得以体现。烟火算法之所以随着用户数的增多效果要比基于牛顿内点法的任务分配算法好，是因为烟火算法在小范围内有较强的搜索能力。

3 结　语

本文根据5G通信的特点，设计了舰船通信系统，在此系统中通过增加MEC设备减少数据传输的时延，以此保证通信的可靠性。同时，为了得到最小的时延，利用粒子群算法进行计算优化。最后，基于Matlab进行舰船通信系统时延分析，结果表明，本文利用粒子群优化后的网络系统的收敛性更好，时延误差更小。