STAR-RIS辅助的MEC异构用户任务卸载与资源分配在数字孪生边缘网络中的应用

《Computer Networks》：STAR-RIS-Assisted MEC Heterogeneous User Task Offloading and Resource Allocation in Digital Twin Edge Network

移动边缘计算中基于STAR-RIS和数字孪生的任务卸载与资源分配优化，提出分层联合优化框架，结合半定规划和内凸近似解决非凸NP难问题，有效降低端到端延迟。

　　
随着物联网与无线通信技术的深度融合，低时延高带宽服务需求激增，尤其在远程控制、智慧城市等场景中，终端设备面临算力与通信的双重瓶颈。移动边缘计算（MEC）通过将云端算力下沉至网络边缘，为终端提供近场化服务，但其覆盖范围受限于物理部署环境，易因障碍物导致通信质量骤降。针对这一问题，同时传输与反射的智能反射面（STAR-RIS）技术通过重构无线传输环境，将服务范围扩展至障碍物两侧，但如何实现多维度资源的协同优化仍面临挑战。本文提出一种基于数字孪生边缘网络（DITEN）的联合优化框架，重点解决STAR-RIS辅助MEC场景下的任务卸载与资源分配难题。

### 1. 研究背景与问题挑战
MEC的核心价值在于通过边缘节点部署实现云端服务的高效下沉，但其应用面临两大核心矛盾：一是终端设备受限于算力与能耗，难以独立处理复杂任务；二是传统直连通信模式易受物理障碍影响，导致服务中断。STAR-RIS技术通过可编程的反射面单元，能够同时支持直接传输与反射路径的信号调控，有效突破空间覆盖限制。然而，实际部署中存在三个关键问题：

- **异构用户场景适配不足**：现有研究多将用户简化为同质化群体，忽略了中心用户（CUs）与边缘用户（EUs）在服务需求、传输条件上的显著差异。例如，CUs可能更关注实时性，而EUs需要处理更大带宽的数据。

- **端到端时延建模不完整**：多数优化方案未考虑本地计算与结果回传的时延叠加效应。对于需要云端深度融合的任务（如数据聚合分析），本地计算结果必须回传至边缘节点进行二次处理，这一过程常被简化或忽略。

- **多目标耦合优化困难**：任务卸载比例、计算资源分配、RIS相位参数的联合优化涉及传输速率、时延、能耗等多维度约束，且存在非线性耦合关系。传统方法难以处理这种高维非凸优化问题。

### 2. DITEN与STAR-RIS的协同架构
研究团队创新性地将数字孪生技术引入MEC系统，构建三层协同架构（图3所示）：
- **物理层**：部署AP、STAR-RIS及终端设备。其中STAR-RIS包含T（传输单元）与R（反射单元）两个独立可调参数组，T单元负责生成直接信号，R单元调控反射路径相位。
- **数字孪生层**：通过实时采集物理层数据（如信道状态、终端负载），构建高保真虚拟模型。该模型支持两种动态更新机制：
* **实时偏差修正**：检测物理层与数字孪生层的参数偏差（如RIS相位调整误差），通过反馈机制快速校准
* **全流程仿真**：对任务卸载、资源分配等决策进行数字仿真，评估不同策略的端到端时延影响
- **优化决策层**：基于数字孪生模型输出优化指令，通过分布式控制器同步调整物理层参数。

这种架构实现了"感知-决策-执行"闭环，关键创新点包括：
- **用户分类模型**：根据终端与AP、STAR-RIS的空间关系（图1所示部署场景），将用户划分为三类：
1. **直接传输用户（DTU）**：处于AP有效覆盖范围内且无障碍物遮挡
2. **反射辅助用户（RTU）**：位于障碍物另一侧，依赖RIS反射路径通信
3. **混合服务用户（MTU）**：可同时通过传输或反射路径通信
- **动态资源池**：在数字孪生层建立虚拟资源池，实时映射物理层的计算资源、带宽及RIS参数。当检测到某类用户（如MTU）的流量激增时，可自动调整资源分配策略。

### 3. 联合优化框架设计
针对上述挑战，研究提出分阶段协同优化机制（图4流程图）：
**阶段一：用户特征建模**
- 建立三维空间坐标系的用户分类矩阵，综合考虑终端位置（距AP距离、障碍物遮挡角度）、信道条件（SINR值、路径损耗指数）和服务类型（实时/非实时）
- 开发自适应分类器，可根据环境动态变化（如光照变化影响RIS性能）自动更新用户类别

**阶段二：端到端时延建模**
- 提出新四阶段时延模型（图5时延分解图）：
1. 本地计算时延（μ计算量/终端算力）
2. 任务卸载传输时延（考虑STAR-RIS的波束成形效率）
3. 边缘计算时延（模型复杂度与边缘节点算力匹配度）
4. 结果回传时延（融合传输路径选择与负载均衡）
- 引入时延敏感度系数α，动态调整不同任务类型的优先级权重

**阶段三：分层优化策略**
1. **粗粒度分层**：
- 用户层：根据分类结果制定差异化卸载策略（如实时任务强制卸载）
- 资源层：建立计算资源（CPU/GPU）与通信资源（带宽/时延）的联合调度模型
- RIS层：设计相位调整参数的拓扑映射关系

2. **精细度联合优化**：
- 采用SDP方法求解传输资源分配问题
- 通过内凸近似（ICA）将非凸约束转化为凸问题
- 运用递推凸规划（SCP）处理动态变化的边缘计算负载

3. **数字孪生增强机制**：
- 在孪生模型中预置10种典型障碍场景（建筑结构、植被密度等）
- 建立信道预测误差补偿模型（误差范围控制在±2dB内）
- 开发策略回传效率优化算法，确保数字-物理闭环周期<50ms

### 4. 关键技术创新点
1. **混合用户动态适配机制**：
- 提出基于蒙特卡洛仿真的用户行为预测模型，提前5个时隙预判流量分布
- 开发双阈值动态调度算法：
* 上限阈值：超过此值时自动触发资源预分配
* 下限阈值：低于此值时启动资源回收机制
- 实现传输/反射路径的毫秒级切换（实测切换时延<8ms）

2. **多目标协同优化方法**：
- 构建Pareto前沿解集库，包含时延、能耗、覆盖率三个维度
- 设计基于NSGA-II的进化算法，在200ms内收敛至最优解集
- 开发约束松弛技术，将原问题的约束空间扩展42%（实验数据）

3. **数字孪生误差补偿技术**：
- 建立物理层参数（如RIS单元阻抗）与数字孪生模型的误差传播模型
- 开发基于LSTM的在线补偿算法，补偿精度达98.7%（图6补偿效果曲线）
- 设计双环反馈机制（物理层-数字孪生层），确保参数同步误差<0.1°

### 5. 实验验证与性能对比
在MATLAB/Simulink联合仿真平台上，构建了包含三种典型场景的测试环境：
1. **城市峡谷场景**（障碍物密集，最大路径损耗28dB）
2. **农田覆盖场景**（反射路径占比超60%，存在多径干扰）
3. **动态场景**（终端移动速度达15m/s，路径变化频率0.5Hz）

对比实验表明：
- **端到端时延**：在场景1中，传统MEC方案平均时延412ms，本文方案降至217ms（优化率47.3%）
- **资源利用率**：计算资源利用率提升至89.7%（传统方案65.2%），带宽节省23.4%
- **鲁棒性验证**：在STAR-RIS单元损坏率超过30%时，仍能保持72%的时延稳定性（对比方案仅41%）

创新性突破体现在：
- 首次将数字孪生技术应用于RIS参数动态优化（传统方案需每5秒重配置）
- 开发基于联邦学习的跨用户资源协同算法（用户数扩展至2000+时延波动<8%）
- 构建三维信道特征数据库（涵盖12种建筑结构、5种植被类型）

### 6. 应用前景与未来方向
该技术方案已在青岛海洋大学智慧校园项目中实测验证：
- 在图书馆5G覆盖盲区（距AP>120m且存在混凝土墙体），实现AR导航服务的端到端时延<300ms
- 在自动驾驶测试场场景中，时延抖动控制在±15ms内

未来研究方向包括：
1. **量子增强优化**：探索量子退火算法在多用户资源分配中的应用
2. **能源感知优化**：集成终端剩余电量预测模型（MAPE<4.2%）
3. **异构网络融合**：研究5G NR与卫星通信的跨层资源调度机制

该研究为智能反射面与数字孪生技术的融合提供了重要技术路径，在智慧城市、工业互联网等典型场景中展现出显著优势，为6G网络中的超低时延服务奠定了理论基础。