5G-MEC多目标服务重定位：性能、可用性与隐私的联合优化

《Future Generation Computer Systems》：Multi-Objective 5G-MEC Service Relocation: A Joint View on Performance, Availability, and Privacy

本文针对5G-MEC系统中用户移动性导致的服务重定位问题，研究了性能（低延迟）、可用性（低服务中断）和用户位置隐私之间的权衡难题。研究人员提出了多目标资源分配（MORA）启发式算法，通过自适应评分系统动态决策重定位时机和目标MEC主机（MEH）。结果表明，MORA能在多种场景下实现三个关键指标的平衡优化，为URLLC服务提供了可靠的资源管理方案。

　　

随着5G网络的普及和超可靠低延迟通信（URLLC）服务的兴起，多接入边缘计算（MEC）作为关键技术，通过将计算资源下沉到网络边缘，为用户提供更快的响应速度和更强的计算能力。然而，移动用户在网络覆盖范围内的移动性，使得为其提供服务的MEC主机（MEH）可能需要频繁更换，这个过程被称为服务重定位。传统的服务重定位策略往往只关注单一指标，例如最小化延迟或减少服务中断，却忽略了不同目标之间的内在权衡，以及用户轨迹跟踪带来的新兴隐私风险。在“跟我走”（Follow-Me）策略中，服务总是被重定位到离用户最近的MEH，这虽然能保证低延迟，但服务重定位的轨迹与用户移动轨迹高度相关。如果攻击者能够访问重定位日志，就可以推断甚至预测用户未来的位置，造成严重的位置隐私泄露。另一方面，如果为了隐私保护而选择不严格跟随用户移动的MEH，又可能导致延迟增加和服务质量下降。此外，每次服务重定位，特别是对于有状态服务，都会引起因数据迁移和同步过程导致的服务中断，频繁重定位会直接影响服务的长期可用性。因此，如何在5G-MEC系统中协同优化服务性能（低延迟违例）、服务可用性（低重定位中断）和用户位置隐私，成为一个至关重要且充满挑战的研究问题。

为了回答这一复杂问题，来自斯塔万格大学的研究团队在《Future Generation Computer Systems》上发表了他们的研究成果。他们首次将服务重定位问题形式化为一个同时考虑延迟违例、服务中断和位置隐私违例的多目标优化问题。研究的关键在于动态决定两个核心决策变量：何时触发重定位（When）以及选择哪个目标MEH（Where）。研究人员提出了一种名为多目标资源分配（MORA）的基于评分的启发式算法来解决这一NP难问题。该方法的核心是一个自适应评分系统，它根据观察到的网络状态和服务需求，为每个候选MEH计算一个分数，该分数综合反映了选择该MEH在延迟违例、隐私违例和重定位中断方面的代价。通过比较保持当前MEH与迁移到候选MEH的分数，MORA动态地做出重定位决策。研究利用EdgeSimPy仿真框架和真实的蜂窝网络数据集（DATA7）进行评估，设置了包括导航辅助（NS）、信息娱乐（IS）、上下文感知警报（CS）和实时交通分析（RS）在内的四种典型MEC服务，并对比了仅最小化延迟（min_latency）、仅最小化重定位次数（min_relocation）和仅最小化隐私风险（min_risk）三种基线策略。

本研究采用了几项关键的技术方法。首先是问题建模与形式化，将5G-MEC系统抽象为包含gNodeB（gNB）、MEC主机（MEH）和用户（UE）的集合，并在离散时间步长上进行动态资源分配建模。其次是隐私风险量化，创新性地采用基于信息论的位置熵来度量用户位置隐私风险，将风险定义为1减去归一化的熵值，从而动态评估攻击者在已知服务位置情况下对用户位置的不确定性。第三是多目标评分算法（MORA）的设计，该算法将复杂的多目标优化问题分解为每个时间步长的即时评分决策，极大地降低了计算复杂度。最后是仿真评估，利用基于真实基站位置和用户移动轨迹的DATA7数据集，在EdgeSimPy仿真平台中构建了接近现实的评估场景，对算法性能进行了多维度、多参数的全面验证。

1. 问题描述与形式化

研究首先详细定义了5G-MEC系统中的服务重定位问题。系统由gNB、MEH和用户构成，MEC编排器（MEO）负责监控系统状态并触发重定位。每个服务有特定的需求，包括最大延迟、最小计算资源、最小内存以及位置隐私需求。研究将重定位的目标明确为最小化延迟违例、重定位引起的服务中断和位置隐私违例的加权和。

2. 多目标资源分配（MORA）算法

MORA是本研究提出的核心解决方案。该算法在每个时间步长上，对于每个活跃用户，遍历所有有足够资源容量的候选MEH。对于每个候选MEH，算法计算一个候选分数，该分数由三部分加权和构成：隐私违例指示器（如果选择该MEH导致的隐私风险超过需求则为1，否则为0）、延迟违例指示器（如果预测延迟超过需求则为1，否则为0）以及一个固定的重定位代价权重。同时，算法也计算保持当前MEH的分数（不包含重定位代价）。通过比较候选分数与当前分数，MORA决定是否进行重定位以及选择哪个MEH。

3. 评估场景与结果分析

研究设计了系统的实验来评估MORA的性能。评估主要围绕三个系统参数展开：用户数量、服务有无状态的比例以及MEH的分布密度。结果表明，MORA在平衡多个目标方面表现出色。在用户数量变化时，MORA能始终保持较低的延迟违例（4%-9%）、较低的服务中断（约2%）和较低的隐私违例（1%-4%），而其他策略往往在某个指标上表现优异却在其他指标上严重失衡。在改变服务有无状态比例时，MORA同样展现了良好的适应性。当MEH分布密度增加时，MORA能利用更多的资源选择来进一步优化性能。

4. 参数敏感性分析

研究还对隐私需求阈值和MORA算法中三个目标的权重配置进行了敏感性分析。发现隐私需求的松紧度直接影响隐私违例率，但MORA能通过调整重定位策略来适应不同的需求。权重的变化则可以直接引导MORA优化不同的目标，例如增加延迟违例的权重可以有效降低延迟违例率，但这可能会以增加隐私违例或服务中断为代价。均匀权重配置（各0.33）在大多数情况下能取得最好的综合平衡。

本研究通过理论建模和仿真实验证实，在5G-MEC服务重定位中协同优化性能、可用性和隐私是可行且必要的。所提出的MORA算法作为一种高效的启发式方法，能够动态地在相互冲突的目标之间进行权衡，避免传统单一目标策略的局限性。其重要意义在于为5G-MEC系统的资源管理提供了一个全新的多维视角和实用的解决方案，确保了URLLC服务在移动环境下的高性能、高可用性和高隐私保护水平。这项工作为未来边缘计算系统的智能 Orchestration 奠定了重要的理论基础和实践指南。研究表明，通过合理的算法设计，可以在不显著牺牲任何一方的前提下，实现服务重定位过程中多个关键性能指标的协同提升，这对于推动5G-Advanced以及6G网络中更智能、更可靠的边缘服务具有重要的参考价值。