移動(dòng)邊緣計(jì)算卸載技術(shù)綜述

謝人超，廉曉飛，賈慶民，黃韜，劉韻潔

?

移動(dòng)邊緣計(jì)算卸載技術(shù)綜述

謝人超，廉曉飛，賈慶民，黃韜，劉韻潔

（北京郵電大學(xué)網(wǎng)絡(luò)與交換技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100876）

移動(dòng)邊緣計(jì)算(MEC，mobile edge computing)中計(jì)算卸載技術(shù)即將移動(dòng)終端的計(jì)算任務(wù)卸載到邊緣網(wǎng)絡(luò)，解決了設(shè)備在資源存儲(chǔ)、計(jì)算性能以及能效等方面存在的不足。同時(shí)相比于云計(jì)算中的計(jì)算卸載，MEC解決了網(wǎng)絡(luò)資源的占用、高時(shí)延和額外網(wǎng)絡(luò)負(fù)載等問(wèn)題。首先介紹了MEC的網(wǎng)絡(luò)架構(gòu)及其部署方案，并對(duì)不同的部署方案做了分析和對(duì)比；然后從卸載決策、資源分配和系統(tǒng)實(shí)現(xiàn)這3個(gè)方面對(duì)MEC計(jì)算卸載關(guān)鍵技術(shù)進(jìn)行了研究；通過(guò)對(duì)5G環(huán)境及其MEC部署方案的分析提出了兩種計(jì)算卸載優(yōu)化方案，總結(jié)歸納了目前MEC中計(jì)算卸載技術(shù)面臨的移動(dòng)性管理、干擾管理以及安全性等方面的核心挑戰(zhàn)。

MEC；MEC部署方案；計(jì)算卸載；計(jì)算卸載決策；資源分配；計(jì)算卸載系統(tǒng)

1 引言

隨著移動(dòng)通信技術(shù)的發(fā)展和智能終端的普及，各種網(wǎng)絡(luò)服務(wù)和應(yīng)用不斷涌現(xiàn)，用戶(hù)對(duì)網(wǎng)絡(luò)服務(wù)質(zhì)量、請(qǐng)求時(shí)延等網(wǎng)絡(luò)性能的要求越來(lái)越高。盡管新的移動(dòng)設(shè)備的中央處理單元（CPU, central process unit）的處理能力越來(lái)越強(qiáng)大，但依然無(wú)法在短時(shí)間內(nèi)處理巨大的應(yīng)用程序[1-3]。此外，本地處理這些應(yīng)用也面臨另一個(gè)問(wèn)題，即電池電量的快速消耗和自身?yè)p耗。這些問(wèn)題嚴(yán)重影響了應(yīng)用程序在用戶(hù)設(shè)備上的運(yùn)行效率和用戶(hù)體驗(yàn)。為了解決以上問(wèn)題，業(yè)界提出了移動(dòng)邊緣計(jì)算和計(jì)算卸載技術(shù)。

移動(dòng)邊緣計(jì)算[4]是指在移動(dòng)網(wǎng)絡(luò)邊緣部署計(jì)算和存儲(chǔ)資源，為移動(dòng)網(wǎng)絡(luò)提供IT服務(wù)環(huán)境和云計(jì)算能力，從而為用戶(hù)提供超低時(shí)延和高帶寬的網(wǎng)絡(luò)服務(wù)解決方案。作為MEC中關(guān)鍵技術(shù)之一，計(jì)算卸載[5-6]是指終端設(shè)備將部分或全部計(jì)算任務(wù)交給云計(jì)算環(huán)境處理的技術(shù)，以解決移動(dòng)設(shè)備在資源存儲(chǔ)、計(jì)算性能以及能效等方面存在的不足。計(jì)算卸載技術(shù)主要包括卸載決策、資源分配和卸載系統(tǒng)實(shí)現(xiàn)這三方面。其中，卸載決策主要解決的是移動(dòng)終端決定如何卸載、卸載多少以及卸載什么的問(wèn)題；資源分配則重點(diǎn)解決終端在實(shí)現(xiàn)卸載后如何分配資源的問(wèn)題；對(duì)于卸載系統(tǒng)的實(shí)現(xiàn)，則側(cè)重于移動(dòng)用戶(hù)遷移過(guò)程中的實(shí)現(xiàn)方案。

得益于全球各國(guó)對(duì)MEC網(wǎng)絡(luò)體系架構(gòu)研究的支持，MEC計(jì)算卸載技術(shù)成為移動(dòng)網(wǎng)絡(luò)研究的熱點(diǎn)之一。文獻(xiàn)[7]從計(jì)算、緩存和通信等多角度出發(fā)，介紹了當(dāng)前MEC技術(shù)進(jìn)展。文獻(xiàn)[4]對(duì)MEC的網(wǎng)絡(luò)架構(gòu)以及現(xiàn)有的MEC計(jì)算卸載方案進(jìn)行了介紹。文獻(xiàn)[8]詳細(xì)總結(jié)了MEC的關(guān)鍵技術(shù)以及研究進(jìn)展。雖然相關(guān)研究取得了一定的成果[7-11]，但絕大多數(shù)都是從MEC整體架構(gòu)或?qū)崿F(xiàn)算法方面出發(fā)，在MEC計(jì)算卸載技術(shù)的系統(tǒng)實(shí)現(xiàn)和方案對(duì)比上總結(jié)得不夠完善，缺少對(duì)MEC理論進(jìn)行相關(guān)梳理和兼容當(dāng)前網(wǎng)絡(luò)的MEC實(shí)施方案，也沒(méi)有詳細(xì)介紹MEC中計(jì)算卸載技術(shù)面臨的問(wèn)題和挑戰(zhàn)。因此，從眾多研究成果中及時(shí)地總結(jié)出MEC中計(jì)算卸載技術(shù)之間的差異以及各自的優(yōu)勢(shì)與不足，為未來(lái)研究方向提供理論基礎(chǔ)和研究方向具有重要意義。本文對(duì)MEC網(wǎng)絡(luò)架構(gòu)和部署以及MEC計(jì)算卸載方案進(jìn)行了詳細(xì)的論述，通過(guò)對(duì)相關(guān)的研究成果的分析和比較，提出了5G環(huán)境下的MEC計(jì)算卸載方案。

2 MEC網(wǎng)絡(luò)架構(gòu)和部署

2014年，歐洲電信標(biāo)準(zhǔn)化協(xié)會(huì)（ETSI, European Telecommunications Standards Institute）為了將邊緣計(jì)算融合進(jìn)移動(dòng)網(wǎng)絡(luò)的架構(gòu)，提出了移動(dòng)邊緣計(jì)算[12]。其中，“M”是英文單詞“mobile”的縮寫(xiě)，MEC特指移動(dòng)網(wǎng)絡(luò)中的邊緣計(jì)算，但隨著研究推進(jìn)，ETSI將“M”定義為“multi-access”，旨在將邊緣計(jì)算拓展到Wi-Fi等非3GPP場(chǎng)景下，MEC的定義逐漸過(guò)渡為“多接入邊緣計(jì)算”（MEC, multi-access edge computing）[9]。由于業(yè)界對(duì)MEC的研究重點(diǎn)仍是移動(dòng)網(wǎng)絡(luò)，因此現(xiàn)在業(yè)界還是以“移動(dòng)邊緣計(jì)算”稱(chēng)之。

MEC可以被看作是運(yùn)行在移動(dòng)網(wǎng)絡(luò)邊緣的云服務(wù)平臺(tái)，通過(guò)將部分業(yè)務(wù)處理和資源調(diào)度的功能部署到云服務(wù)平臺(tái)上來(lái)實(shí)現(xiàn)服務(wù)性能和用戶(hù)體驗(yàn)的提升。MEC將原本位于云數(shù)據(jù)中心的服務(wù)和功能“下沉”到移動(dòng)網(wǎng)絡(luò)的邊緣，通過(guò)在移動(dòng)網(wǎng)絡(luò)邊緣部署計(jì)算、存儲(chǔ)、網(wǎng)絡(luò)和通信等資源，不僅減少了網(wǎng)絡(luò)操作，而且降低了服務(wù)交付時(shí)延，提升用戶(hù)服務(wù)體驗(yàn)。同時(shí)，大幅增長(zhǎng)的網(wǎng)絡(luò)數(shù)據(jù)，對(duì)回傳鏈路和移動(dòng)核心網(wǎng)造成了巨大的鏈路負(fù)載，MEC在網(wǎng)絡(luò)邊緣部署服務(wù)器后，可以在邊緣對(duì)用戶(hù)進(jìn)行響應(yīng)，降低了對(duì)回傳網(wǎng)和核心網(wǎng)的帶寬要求。本節(jié)將從網(wǎng)絡(luò)架構(gòu)和部署方案兩方面對(duì)MEC進(jìn)行詳細(xì)介紹。

2.1 MEC網(wǎng)絡(luò)架構(gòu)

如圖1所示，MEC服務(wù)平臺(tái)主要由MEC基礎(chǔ)設(shè)施和MEC應(yīng)用平臺(tái)、應(yīng)用管理系統(tǒng)三層邏輯實(shí)體組成[13]。

圖1 MEC服務(wù)平臺(tái)三層邏輯實(shí)體

MEC基礎(chǔ)設(shè)施由基于網(wǎng)絡(luò)功能虛擬化的硬件資源和虛擬化層組成。其中，硬件資源主要提供底層的計(jì)算、存儲(chǔ)以及控制功能；而硬件虛擬化組件（包括基于Openstack的虛擬操作系統(tǒng)、KVM等）則主要完成計(jì)算處理、緩存、虛擬交換及相應(yīng)的管理功能。

MEC應(yīng)用平臺(tái)承載業(yè)務(wù)的對(duì)外接口適配功能，通過(guò)API完成和eNodeB及上層應(yīng)用層之間的接口協(xié)議封裝，主要提供流量卸載、無(wú)線網(wǎng)絡(luò)信息服務(wù)、通信服務(wù)以及應(yīng)用與服務(wù)的注冊(cè)等功能，具備相應(yīng)的底層數(shù)據(jù)分組解析、內(nèi)容路由選擇、上層應(yīng)用注冊(cè)管理、無(wú)線信息交互等基礎(chǔ)功能?；诰W(wǎng)絡(luò)功能虛擬化的虛擬機(jī)（VM ，virtual machine）則將MEC功能組件層封裝的基礎(chǔ)功能進(jìn)一步組合形成虛擬應(yīng)用，包括無(wú)線緩存、本地內(nèi)容轉(zhuǎn)發(fā)、增強(qiáng)現(xiàn)實(shí)、業(yè)務(wù)優(yōu)化等，并通過(guò)API和第三方應(yīng)用APP實(shí)現(xiàn)對(duì)接。

基于MEC邏輯實(shí)體，文獻(xiàn)[9]提出了MEC基本參考框架。如圖2所示，該架構(gòu)主要由移動(dòng)邊緣系統(tǒng)層與移動(dòng)邊緣服務(wù)器層組成。前者主要由用戶(hù)應(yīng)用程序生命周期管理模塊（LCM，lifecycle management）、操作支持系統(tǒng)（OSS，operation support system）和移動(dòng)邊緣編排器(MEO，mobile edge orchestrator)組成，主要用于管理應(yīng)用程序的生命周期、應(yīng)用規(guī)則、服務(wù)授權(quán)以及流量規(guī)則等。后者則由移動(dòng)邊緣平臺(tái)管理器、虛擬化基礎(chǔ)設(shè)施管理器和MEC服務(wù)器組成，主要負(fù)責(zé)虛擬化計(jì)算存儲(chǔ)資源的分配、管理和發(fā)布。

位于UE中應(yīng)用程序（UE App）和面向客戶(hù)服務(wù)（CFS, customer facing service）的服務(wù)門(mén)戶(hù)通過(guò)移動(dòng)邊緣系統(tǒng)層（mobile edge system level）與MEC系統(tǒng)進(jìn)行交互。首先，通過(guò)LCM調(diào)用請(qǐng)求，如MEC系統(tǒng)內(nèi)的UE應(yīng)用程序的啟動(dòng)、終止或重新定位到OSS。然后，OSS決定是否授予請(qǐng)求。授權(quán)的請(qǐng)求被轉(zhuǎn)發(fā)到MEO，MEO根據(jù)應(yīng)用需求（如等待時(shí)間）將虛擬化的MEC資源分配給將啟動(dòng)的應(yīng)用。MEO與OSS之間通過(guò)Mm1參考點(diǎn)來(lái)觸發(fā)應(yīng)用程序的實(shí)例化和終止。MEO與虛擬化基礎(chǔ)設(shè)施管理器之間通過(guò)Mm4參考點(diǎn)來(lái)管理虛擬化資源和VM，同時(shí)維持可用資源的狀態(tài)信息。

圖2 MEC基本架構(gòu)

2.2 MEC部署方案

MEC的服務(wù)是由擁有計(jì)算和存儲(chǔ)功能的MEC服務(wù)器提供的，MEC服務(wù)器在網(wǎng)絡(luò)中如何部署是首先要考慮的問(wèn)題。在4G網(wǎng)絡(luò)中部署邊緣服務(wù)器有多種方案，本文基于文獻(xiàn)[4]中的部署方式分析4G網(wǎng)絡(luò)中的部署方案，并在4.1節(jié)提出5G部署方案，表1列出了各部署方案間的對(duì)比分析。

1) SCC部署方案

SCC（small cell cloud）的核心思想是通過(guò)額外的計(jì)算和存儲(chǔ)能力來(lái)增強(qiáng)小基站（如微蜂窩、微微蜂窩或毫微微蜂窩）的功能，通過(guò)提供云端化的SCeNB（small cells eNodeB）實(shí)現(xiàn)邊緣計(jì)算[14-15]。

為了將SCC概念整合到移動(dòng)網(wǎng)絡(luò)架構(gòu)中，該部署方案引入了小基站管理器（SCM, small cell manager）[16]，用于負(fù)責(zé)SCeNB計(jì)算和存儲(chǔ)資源的管理。關(guān)于SCC架構(gòu)的一個(gè)重要方面是如何部署SCM。

如圖3所示，SCC部署根據(jù)SCM部署方式的不同，可分為2種情況。一種是集中式SCM部署方案如圖3 (a)中所示，SCM位于無(wú)線接入網(wǎng)（RAN， radio access network），靠近SCeNB的集群，或作為對(duì)MME的擴(kuò)展部署在核心網(wǎng)（CN, core network，）[16-17]。另一種是分布式SCM部署方案如圖3(b)所示，本地小基站管理器（L-SCM，local small cell manager）和虛擬本地小基站管理器（VL-SCM， virtual Local small cell manager）管理附近的SCeNB群集的計(jì)算和存儲(chǔ)資源，而位于CN的遠(yuǎn)程小基站管理器（R-SCM，remote small cell manager）集成在MME的功能中，管理連接到CN的所有SCeNB的資源[18]。

表1 邊緣服務(wù)器部署方案對(duì)比

圖3 SCC部署方案

2) MMC部署方案

MMC (mobile micro cloud)[19]部署的核心思想也是將MMC部署在基站，以降低用戶(hù)的訪問(wèn)時(shí)延，與SCC部署方案不同的是，MMC部署沒(méi)有引入任何控制實(shí)體。如圖4所示，在MMC中，控制功能直接擴(kuò)展在MMC服務(wù)器上，和SCC以分層方式部署在SCeNB的VL-SCM一樣，直接在MMC服務(wù)器上擴(kuò)展。各個(gè)MMC之間是互連的，在VM遷移時(shí)能夠更好地保證業(yè)務(wù)的連續(xù)性。但是由于沒(méi)有集中式控制實(shí)體會(huì)引入信令開(kāi)銷(xiāo)過(guò)大的問(wèn)題。

圖4 MMC部署方案

3) FMPC部署方案

如圖5所示，F(xiàn)MPC（fast move personal cloud）[20]通過(guò)SDN（software defined network）和NFV（network functions virtualisation）技術(shù)將云服務(wù)與移動(dòng)網(wǎng)絡(luò)進(jìn)行融合，相比于SCC和MMC部署方案，F(xiàn)MPC的云服務(wù)資源不是直接部署在接入節(jié)點(diǎn)eNodeB或SCeNB, 而是部署在接近RAN側(cè)的運(yùn)營(yíng)商云（cloud），與SCC類(lèi)似，F(xiàn)MPC也是分布式部署，并引入了一個(gè)新的控制實(shí)體MC (MobiScud control)，與移動(dòng)網(wǎng)絡(luò)、SDN交換機(jī)和主云進(jìn)行通信。MC具有兩種功能：一是監(jiān)控移動(dòng)網(wǎng)絡(luò)網(wǎng)元之間控制平面的信令消息，以便了解UE的動(dòng)態(tài)，如用戶(hù)切換等；二是在支持SDN的傳輸網(wǎng)絡(luò)內(nèi)編排和轉(zhuǎn)發(fā)數(shù)據(jù)業(yè)務(wù)，以便于應(yīng)用卸載和VM遷移。

圖5 FMPC部署方案

4) FMC部署方案

FMC(follow me cloud)[21-22]部署如圖6所示，其關(guān)鍵思想是通過(guò)在分布式的數(shù)據(jù)中心（DC）部署服務(wù)器來(lái)提供邊緣服務(wù)。與SCC、MMC和FMPC相比，F(xiàn)MC的計(jì)算存儲(chǔ)資源部署在CN，離UE更遠(yuǎn)。與SCC和FMPC一樣，F(xiàn)MC也引入了新的控制實(shí)體FMCC(FMC control)，F(xiàn)MCC既可以是在現(xiàn)有網(wǎng)絡(luò)節(jié)點(diǎn)并置的功能實(shí)體，也可以是在DC上運(yùn)行的軟件，主要用于管理DC的計(jì)算和存儲(chǔ)資源，并決定將哪一個(gè)DC關(guān)聯(lián)到UE。FMCC可以集中部署，也可以分層部署。

圖6 FMC部署方案

5) CONCERT部署方案

文獻(xiàn)[23]提出了融合云和蜂窩系統(tǒng)的概念，縮寫(xiě)為CONCERT。CONCERT利用NFV和SDN技術(shù)，將計(jì)算和存儲(chǔ)資源虛擬化，整個(gè)架構(gòu)劃分為控制平面和數(shù)據(jù)平面。其中，控制平臺(tái)由conductor組成，是管理CONCERT架構(gòu)的通信、計(jì)算和存儲(chǔ)資源的控制實(shí)體。conductor部署既可以是集中式的，也可以是分層式的，相比于SCC和FMC，具有更好的可擴(kuò)展性。數(shù)據(jù)平面由eNode B、SDN交換機(jī)和計(jì)算資源的無(wú)線接口設(shè)備組成，如圖7所示。在該方案中，計(jì)算資源主要用于基帶處理和應(yīng)用程序處理（如用于卸載應(yīng)用）。在該方案中可根據(jù)資源占用狀況動(dòng)態(tài)選擇本地服務(wù)器或中心服務(wù)器。例如，當(dāng)本地計(jì)算資源充足時(shí)，可以選擇在本地服務(wù)器卸載應(yīng)用程序，否則在資源充足的中心服務(wù)器進(jìn)行處理。這種在網(wǎng)絡(luò)中分層地放置資源可以實(shí)現(xiàn)網(wǎng)絡(luò)和云服務(wù)的彈性管理。

綜上所述，MEC服務(wù)器部署的選擇取決于多種因素，包括可擴(kuò)展性、物理部署約束、性能指標(biāo)（如延時(shí)）等。此外，部署MEC服務(wù)器還需要考慮延時(shí)、安裝成本和服務(wù)質(zhì)量（QoS, quality of service）之間的權(quán)衡。例如，對(duì)于僅需要低計(jì)算能力的UE而言，可以由位于eNode B本地MEC服務(wù)器來(lái)服務(wù)，而對(duì)于高要求的應(yīng)用，則需要離UE更遠(yuǎn)的更強(qiáng)大的MEC服務(wù)器來(lái)服務(wù)。

圖7 CONCERT部署方案

3 MEC計(jì)算卸載技術(shù)研究

MEC計(jì)算卸載技術(shù)是指受資源約束的設(shè)備完全或部分地將計(jì)算密集型任務(wù)卸載到資源充足的云環(huán)境中，主要解決了移動(dòng)設(shè)備在資源存儲(chǔ)、計(jì)算性能以及能效等方面存在的不足。MEC計(jì)算卸載技術(shù)不僅減輕了核心網(wǎng)的壓力，而且降低了因傳輸帶來(lái)的時(shí)延。如出于安全考慮的視頻監(jiān)控系統(tǒng)，傳統(tǒng)的監(jiān)控系統(tǒng)由于設(shè)備處理能力有限，只能通過(guò)視頻監(jiān)控系統(tǒng)捕獲各種信息，然后將視頻送到云端的監(jiān)控服務(wù)器上，從這些視頻流中提取有價(jià)值的信息，而這種方式會(huì)傳輸巨大的視頻數(shù)據(jù)，不僅加重了核心網(wǎng)的流量負(fù)載，而且存在較高的延時(shí)。而MEC卸載技術(shù)可以直接在離監(jiān)控設(shè)備很近的MEC服務(wù)器上直接進(jìn)行數(shù)據(jù)分析，這不僅減輕了網(wǎng)絡(luò)壓力，而且解決了監(jiān)視系統(tǒng)的能耗等瓶頸問(wèn)題。同時(shí)，物聯(lián)網(wǎng)技術(shù)的發(fā)展也需要計(jì)算卸載技術(shù)的支撐，由于物聯(lián)網(wǎng)設(shè)備的資源通常是有限的，若要達(dá)到萬(wàn)物互連的場(chǎng)景，就需要在終端設(shè)備受限的情況下,需要將復(fù)雜的計(jì)算任務(wù)卸載到邊緣服務(wù)器。計(jì)算卸載技術(shù)不僅有助于物聯(lián)網(wǎng)的發(fā)展，而且能降低終端設(shè)備的互連準(zhǔn)入標(biāo)準(zhǔn)。此外，計(jì)算卸載技術(shù)也促進(jìn)了零延時(shí)容忍新興技術(shù)的發(fā)展。例如，在車(chē)聯(lián)網(wǎng)服務(wù)、自動(dòng)駕駛等領(lǐng)域，車(chē)輛需要通過(guò)實(shí)時(shí)感知道路狀況、障礙物、周?chē)?chē)輛的行駛信息等，這些信息可通過(guò)MEC計(jì)算卸載技術(shù)實(shí)現(xiàn)快速計(jì)算和傳輸，從而預(yù)測(cè)下一步該如何行駛。

計(jì)算卸載作為MEC的關(guān)鍵技術(shù)，目前已有很多相關(guān)研究成果，主要包含卸載決策和資源分配兩個(gè)問(wèn)題，其中，卸載決策研究的是用戶(hù)終端要不要卸載、卸載多少和卸載什么的問(wèn)題。資源分配則是研究將資源卸載到哪里的問(wèn)題。本節(jié)將詳細(xì)介紹計(jì)算卸載當(dāng)中的卸載決策和資源分配問(wèn)題，并對(duì)目前在工程上實(shí)現(xiàn)的卸載系統(tǒng)進(jìn)行分析。

表2 MEC中卸載決策方案總結(jié)歸類(lèi)

3.1 卸載決策

卸載決策是指UE決定是否卸載、卸載多少以及卸載什么的問(wèn)題。在卸載系統(tǒng)中，UE一般由代碼解析器、系統(tǒng)解析器和決策引擎組成，其執(zhí)行卸載決策分為3個(gè)步驟：首先，代碼解析器確定什么可以卸載，具體卸載內(nèi)容取決于應(yīng)用程序類(lèi)型和代碼數(shù)據(jù)分區(qū)；然后，系統(tǒng)解析器負(fù)責(zé)監(jiān)控各種參數(shù)，如可用帶寬、要卸載的數(shù)據(jù)大小或執(zhí)行本地應(yīng)用程序所耗費(fèi)的能量；最后決策引擎確定是否卸載。

如圖8所示，UE卸載決策結(jié)果分為本地執(zhí)行、完全卸載和部分卸載3種情況。具體決策結(jié)果由UE能量消耗和完成計(jì)算任務(wù)時(shí)延決定。卸載決策目標(biāo)主要分為降低時(shí)延、降低能量消以及權(quán)衡時(shí)延與能量3方面。本節(jié)將從優(yōu)化目標(biāo)角度來(lái)分別分析目前的卸載決策方案問(wèn)題，詳細(xì)的研究進(jìn)展在表2列出。

1) 以降低時(shí)延為目標(biāo)的卸載決策

如果在本地執(zhí)行應(yīng)用任務(wù)，所耗費(fèi)的時(shí)間為應(yīng)用執(zhí)行任務(wù)的時(shí)間，而如果將任務(wù)卸載到MEC，所耗費(fèi)的時(shí)間將涉及3個(gè)部分：將需要卸載的數(shù)據(jù)傳送到MEC的時(shí)間、在MEC處理任務(wù)的時(shí)間和接收從MEC返回?cái)?shù)據(jù)的時(shí)間。因此，將計(jì)算任務(wù)卸載到MEC所產(chǎn)生的時(shí)延直接影響用戶(hù)的QoS，為了保證QoS，出現(xiàn)了大量以降低時(shí)延為目標(biāo)的研究，其中涉及不同的優(yōu)化算法和應(yīng)用場(chǎng)景。

圖8 卸載決策

文獻(xiàn)[24]以?xún)?yōu)化卸載過(guò)程中的時(shí)延為目標(biāo)，設(shè)計(jì)了圖9的計(jì)算卸載模型。該模型決定了在每一個(gè)時(shí)隙內(nèi)，是否將緩沖任務(wù)卸載到MEC服務(wù)器。在此模型中，卸載決策主要由緩沖任務(wù)的隊(duì)列狀態(tài)、本地處理單元和傳送單元3個(gè)部分來(lái)完成。其中，MEC服務(wù)器會(huì)給傳送單元返回信道狀態(tài)信息（CSI ，channel state information），包含應(yīng)用緩沖隊(duì)列的狀態(tài)、UE與MEC計(jì)算消耗的能量以及UE與MEC之間的信道狀態(tài)等。最后計(jì)算卸載策略根據(jù)優(yōu)化目標(biāo)做出是否卸載的決定。作者使用馬爾可夫決策過(guò)程(MDP ，Markov decision process)對(duì)每個(gè)任務(wù)的平均時(shí)延和設(shè)備的平均功耗進(jìn)行分析，并使用一維搜索算法找到最優(yōu)隨機(jī)計(jì)算卸載策略。

作者將其提出的算法方案與本地執(zhí)行，完全卸載到MEC和貪婪的卸載策略做了對(duì)比，仿真結(jié)果表明，提出的方案與全部在本地執(zhí)行相比，時(shí)延減少了80%，與在遠(yuǎn)程云端執(zhí)行相比，時(shí)延減少了約44%。盡管作者所設(shè)計(jì)的方案在性能方面帶來(lái)顯著提升，但是此卸載模型也存在缺點(diǎn)，比如UE需要MEC服務(wù)器根據(jù)CSI提供的反饋決定是否卸載以及卸載多少計(jì)算任務(wù)，這種機(jī)制引入了過(guò)多的信令開(kāi)銷(xiāo)。

圖9 計(jì)算卸載模型

為了降低時(shí)延，在文獻(xiàn)[25]提出的方案中，優(yōu)化目標(biāo)包含了執(zhí)行時(shí)延和執(zhí)行故障優(yōu)化兩部分。對(duì)這兩個(gè)方面的優(yōu)化，不僅能使任務(wù)時(shí)延最小化，還能保證故障率最低，降低了卸載失敗的風(fēng)險(xiǎn)。作者提出采用動(dòng)態(tài)電壓頻率調(diào)整和功率控制的技術(shù)分別優(yōu)化計(jì)算執(zhí)行過(guò)程和計(jì)算卸載的數(shù)據(jù)傳送?；谶@個(gè)模型，提出了一種基于Lyapunov優(yōu)化的動(dòng)態(tài)卸載（LODCO, low-complexity Lyapunov optimization based dynamic computation offloading）算法。LODCO算法會(huì)在每個(gè)時(shí)隙中進(jìn)行卸載決定，然后為UE分配CPU周期（在本地執(zhí)行）或分配傳輸功率（卸載到MEC），結(jié)果表明能將運(yùn)行時(shí)間縮短64%。此外，文獻(xiàn)[26]提出的以降低時(shí)延為目標(biāo)的最優(yōu)卸載方案，考慮了MEC的計(jì)算資源有限的情況，如何進(jìn)行卸載決策和資源分配的問(wèn)題，提出了分層的MEC部署架構(gòu)，采用Stackelberg博弈論的方法解決了多用戶(hù)卸載方案。

文獻(xiàn)[27-28]也提出了以?xún)?yōu)化時(shí)延為目標(biāo)的在線任務(wù)卸載算法。文獻(xiàn)[27]對(duì)于順序任務(wù)，即線性拓?fù)淙蝿?wù)圖，找到最優(yōu)的任務(wù)卸載到邊緣云，而對(duì)于并發(fā)任務(wù)，則采用負(fù)載均衡啟發(fā)式算法將任務(wù)卸載到邊緣云中，以使UE和MEC服務(wù)器之間的并行最大化，達(dá)到最小的時(shí)延。文獻(xiàn)[28]針對(duì)部分卸載模型，提出了任務(wù)之間的依賴(lài)關(guān)系對(duì)卸載決策的影響，并采用多項(xiàng)式時(shí)間算法來(lái)解決卸載決策的最優(yōu)方案。

2) 以降低能量消耗為目標(biāo)的卸載決策

將計(jì)算卸載到MEC服務(wù)器消耗的能量主要由兩部分組成，一是將卸載數(shù)據(jù)傳送到MEC的傳送能量，二是接收MEC返回的數(shù)據(jù)所消耗的能量。

文獻(xiàn)[31]提出了在保證時(shí)延的情況下對(duì)能量進(jìn)行優(yōu)化的卸載方案。該方案同時(shí)考慮了前傳網(wǎng)絡(luò)和回傳網(wǎng)絡(luò)的鏈路狀況，采用人工魚(yú)群算法進(jìn)行全局優(yōu)化。作者在驗(yàn)證卸載方案的實(shí)驗(yàn)中，設(shè)計(jì)場(chǎng)景由20個(gè)移動(dòng)終端、5個(gè)微基站和3個(gè)毫微微基站（MEC服務(wù)器部署在毫微微基站）組成，通過(guò)與隨機(jī)卸載方案、本地卸載方案以及轉(zhuǎn)化方案進(jìn)行對(duì)比，基于人工魚(yú)群算法的卸載方案節(jié)約大約30%的能耗，但是該方案的不足之處是算法復(fù)雜度過(guò)高。

相比于以前文獻(xiàn)中提出的全部卸載方案，文獻(xiàn)[32]是在多UE的情況下，提出部分卸載方案。但是這種方案需要應(yīng)用程序的支持，如果應(yīng)用程序不可分割或分割后的各個(gè)部分存在緊密聯(lián)系，則不能采用部分卸載決策的策略。文獻(xiàn)[32]采用TDMA系統(tǒng)劃分時(shí)隙的概念，在每個(gè)時(shí)隙內(nèi)，UE根據(jù)信道質(zhì)量、本地計(jì)算能量消耗以及UE之間的公平性將其數(shù)據(jù)卸載到MEC?；跐M(mǎn)足應(yīng)用時(shí)延的同時(shí)優(yōu)化能量消耗的目標(biāo)做出決策，提出了基于閾值的最優(yōu)資源分配策略，最優(yōu)分配策略為每個(gè)UE做出卸載決策，如果UE具有高于給定閾值的優(yōu)先級(jí)，則UE將計(jì)算任務(wù)完全卸載到MEC，相反，如果UE具有比閾值更低的優(yōu)先級(jí)，則僅卸載少量計(jì)算以滿(mǎn)足時(shí)延約束。給那些不能滿(mǎn)足應(yīng)用時(shí)延約束的UE更高的優(yōu)先級(jí)，將計(jì)算任務(wù)在本地執(zhí)行。鑒于通信和計(jì)算資源的最優(yōu)聯(lián)合分配具有較高的復(fù)雜度，因此提出了一種次優(yōu)分配算法，該算法將通信和計(jì)算資源分配分離。仿真結(jié)果表明，與最優(yōu)分配相比，這種簡(jiǎn)化使能量消耗更高，增加了20%的能耗，但降低了算法復(fù)雜度。文獻(xiàn)[33]對(duì)該卸載方案進(jìn)行了拓展，基于OFDMA系統(tǒng)實(shí)現(xiàn)的卸載方案能夠比在TDMA里實(shí)現(xiàn)的方案在能耗方面降低了90%。

3) 權(quán)衡能耗和時(shí)延為目標(biāo)的卸載決策

在執(zhí)行復(fù)雜的計(jì)算任務(wù)時(shí)，如人臉識(shí)別系統(tǒng)，實(shí)時(shí)視頻系統(tǒng)，車(chē)聯(lián)網(wǎng)等，能耗和時(shí)延都直接影響QoS，因此如何在執(zhí)行卸載任務(wù)的時(shí)候綜合考慮能耗和時(shí)延是進(jìn)行卸載決策的重要考慮因素。

文獻(xiàn)[34]提出了部分卸載決策的能耗和執(zhí)行時(shí)延之間的權(quán)衡分析。卸載的過(guò)程中考慮以下幾個(gè)參數(shù)：要處理的總數(shù)據(jù)量、UE和MEC的計(jì)算能力，在UE和SCeNB（使UE和MEC連接的中間基站）之間的信道狀態(tài)以及UE的能耗。作者提出了一個(gè)動(dòng)態(tài)調(diào)度機(jī)制，允許用戶(hù)根據(jù)任務(wù)的計(jì)算隊(duì)列和無(wú)線信道狀態(tài)進(jìn)行卸載決策。通過(guò)凸優(yōu)化方法解決該優(yōu)化問(wèn)題。仿真結(jié)果表明，UE的能耗隨總執(zhí)行時(shí)間的增加而減少。此外，作者表明如果通信信道質(zhì)量很差，則需要耗費(fèi)大量能源來(lái)卸載任務(wù)是得不償失的，在這種情況下優(yōu)先選擇本地處理。如果信道質(zhì)量良好，則卸載一部分到MEC能獲得較小的能耗和延時(shí)。如果信道質(zhì)量高，且MEC的計(jì)算存儲(chǔ)資源充足的情況下可以進(jìn)行全部卸載。

文獻(xiàn)[35-37]也提出了能量和時(shí)延的權(quán)衡優(yōu)化的卸載方案。其中，文獻(xiàn)[35]通過(guò)基于Lyapunov的優(yōu)算法和在線學(xué)習(xí)算法來(lái)解決權(quán)衡優(yōu)化問(wèn)題。文獻(xiàn)[36]將問(wèn)題建模為線性規(guī)劃問(wèn)題并提出了兩種優(yōu)化算法包含兩階段優(yōu)化算法和迭代改進(jìn)算法。文獻(xiàn)[37]提出了多目標(biāo)優(yōu)化方案，并采用標(biāo)量化方案和內(nèi)點(diǎn)法來(lái)解決多目標(biāo)優(yōu)化問(wèn)題。

如表2所列，本節(jié)從優(yōu)化目標(biāo)的角度對(duì)目前的卸載決策方案進(jìn)行了詳細(xì)的分析。在各個(gè)方案中，大多數(shù)的計(jì)算卸載決策方案的目標(biāo)是在滿(mǎn)足卸載應(yīng)用程序可接收時(shí)延的同時(shí)最小化UE處的能量消耗或根據(jù)不同應(yīng)用的需求在兩個(gè)優(yōu)化目標(biāo)之間做出權(quán)衡。這些研究根據(jù)實(shí)際的計(jì)算卸載應(yīng)用場(chǎng)景，如車(chē)聯(lián)網(wǎng)、職能視頻卸載等抽象出具體的數(shù)學(xué)模型，采取不同的優(yōu)化策略，通過(guò)仿真的方式驗(yàn)證優(yōu)化結(jié)果。

3.2 計(jì)算資源分配

一旦完成了卸載決策，接下來(lái)就要考慮合理的資源分配的問(wèn)題，即卸載在哪里的問(wèn)題。如果UE的計(jì)算任務(wù)是不可分割的或可以分割但分割的部分存在聯(lián)系，這種情況下卸載任務(wù)就需要卸載到同一個(gè)MEC服務(wù)器。而對(duì)于可以分割但分割的部分不存在聯(lián)系的計(jì)算任務(wù)，則可以將其卸載到多個(gè)MEC服務(wù)器。如表3所示，目前資源分配節(jié)點(diǎn)主要分為單節(jié)點(diǎn)分配和多節(jié)點(diǎn)分配。

表3 MEC中資源分配方案總結(jié)歸類(lèi)

1) 單一節(jié)點(diǎn)的計(jì)算資源分配

文獻(xiàn)[38]以時(shí)延最小為目標(biāo)，同時(shí)考慮通信、計(jì)算資源重載和VM遷移的能耗問(wèn)題，提出了如圖10所示的計(jì)算卸載的資源分配方案。此模型采用MDP解決了在SCeNB中的VM分配問(wèn)題。該方案中，影響VM分配方案的主要因素是VM遷移的能耗和鏈路狀態(tài)信息。如圖10所示，UE1將計(jì)算任務(wù)全部卸載到SCeNB1，創(chuàng)建了VM。而對(duì)于UE2，考慮到從SCeNB1到其他SCeNB的時(shí)延，UE2選擇了時(shí)延更低的SCeNB3。但考慮到VM的遷移成本，在MEC計(jì)算資源充足的情況下，VM需要優(yōu)先在距離用戶(hù)更近的MEC中進(jìn)行。為了考慮遷移成本對(duì)遷移方案的影響，作者在仿真驗(yàn)證中研究了遷移成本的影響，實(shí)驗(yàn)結(jié)果也表明VM在SCeNB中的分配比例會(huì)隨著遷移成本的增加而增加。遷移成本較低時(shí)，終端用戶(hù)會(huì)選擇信道狀態(tài)較好的SCeNB進(jìn)行遷移。提出的資源分配方案在兩個(gè)微基站，兩個(gè)用戶(hù)的情況下能減少46%的時(shí)延和減少80%的遷移成本。

文獻(xiàn)[39]提出MEC在滿(mǎn)足應(yīng)用程序時(shí)延要求的同時(shí)，使提供服務(wù)的應(yīng)用程序數(shù)量最大化的卸載方案。在這種方案中，單個(gè)應(yīng)用程序的放置取決于應(yīng)用程序的優(yōu)先級(jí)（有較高時(shí)延要求的有更高的優(yōu)先級(jí)）和計(jì)算資源的可用性。卸載的應(yīng)用程序首先被傳送到MEC的本地調(diào)度程序，調(diào)度程序檢查是否存在足夠可用資源的計(jì)算節(jié)點(diǎn)，如果存在并且具有足夠的計(jì)算資源，則在該節(jié)點(diǎn)分配VM，然后在該MEC節(jié)點(diǎn)處理該應(yīng)用程序，最后將結(jié)果返回給UE，但是，如果MEC服務(wù)器提供的計(jì)算能力不足，則調(diào)度程序?qū)?yīng)用程序委托給中心云（CC，central cloud）進(jìn)行處理。為了最大化處理的應(yīng)用程序的數(shù)量同時(shí)滿(mǎn)足時(shí)延要求，文獻(xiàn)[39]提出了基于優(yōu)先級(jí)的卸載策略，為每個(gè)優(yōu)先級(jí)級(jí)別定義了幾個(gè)緩沖區(qū)閾值，如果緩沖區(qū)已滿(mǎn)，應(yīng)用程序?qū)⒈粋魉偷紺C處理，通過(guò)遞歸算法找到緩沖區(qū)閾值的最佳大小。基于優(yōu)先級(jí)的卸載策略能減小25%的時(shí)延。

圖10 單個(gè)節(jié)點(diǎn)下的VM分配

文獻(xiàn)[40]考慮了UE密集的熱點(diǎn)地區(qū)的服務(wù)場(chǎng)景，結(jié)合時(shí)延和能耗問(wèn)題，提出了一個(gè)等價(jià)離散MDP框架的最優(yōu)策略。但是隨著MEC服務(wù)器數(shù)量的增加，這種方法導(dǎo)致通信開(kāi)銷(xiāo)和復(fù)雜度較高，因此通過(guò)為應(yīng)用程序分配索引策略來(lái)解決這個(gè)問(wèn)題，每個(gè)基站根據(jù)計(jì)算資源的狀態(tài)計(jì)算自己的索引策略，索引策略由基站廣播，從而UE根據(jù)廣播內(nèi)容選擇最合適的MEC服務(wù)器。實(shí)驗(yàn)結(jié)果表明索引策略和普通策略相比減小了7%的能耗。文獻(xiàn)[26]考慮了在MEC的計(jì)算資源有限的情況下，如何實(shí)現(xiàn)卸載決策和資源分配，采用Stackelberg博弈論的方法解決多用戶(hù)卸載方案。

單一節(jié)點(diǎn)的資源分配雖然實(shí)現(xiàn)了資源分配，但無(wú)法實(shí)現(xiàn)網(wǎng)絡(luò)間的資源互補(bǔ)，容易產(chǎn)生負(fù)載失衡問(wèn)題，因此，考慮在多節(jié)點(diǎn)間卸載計(jì)算資源成為提升卸載性能的主要途徑。

2) 多節(jié)點(diǎn)計(jì)算資源分配

計(jì)算節(jié)點(diǎn)的選擇不僅對(duì)時(shí)延有顯著影響，對(duì)計(jì)算節(jié)點(diǎn)的能耗也有很大影響。文獻(xiàn)[41]的主要目標(biāo)是分析集群大?。磮?zhí)行計(jì)算的SCeNB數(shù)量）對(duì)卸載應(yīng)用程序的時(shí)延和SCeNB的能耗影響。作者提出了選擇不同集群的動(dòng)態(tài)優(yōu)化算法，并且對(duì)不同的回程網(wǎng)絡(luò)（環(huán)形網(wǎng)絡(luò)、樹(shù)網(wǎng)絡(luò)等）和技術(shù)（光纖技術(shù)、微波技術(shù)、LTE技術(shù)等）進(jìn)行分析。作者以?xún)?yōu)化時(shí)延和基站能耗為目標(biāo)，時(shí)延方面主要有3個(gè)組成部分，包含UE傳送到SCeNB的時(shí)延、在SCeNB處理任務(wù)的時(shí)延以及從SCeNB傳到UE的時(shí)延。UE和SCeNB之間的傳送時(shí)延主要取決于信道質(zhì)量和傳送的數(shù)據(jù)量。在SCeNB的計(jì)算時(shí)延主要取決于不同的集群數(shù)量、計(jì)算任務(wù)的數(shù)據(jù)量、計(jì)算能力等。能量方面主要取決于服務(wù)的集群數(shù)量、網(wǎng)絡(luò)拓?fù)洹⒒貍骷夹g(shù)等。仿真結(jié)果表明全網(wǎng)型拓?fù)浣Y(jié)合光纖或微波連接在執(zhí)行任務(wù)的時(shí)延方面是最有優(yōu)勢(shì)的。在光纖連接的環(huán)形拓?fù)淠苄纬勺畹偷哪芎?。另外，該研究還表明SCeNB數(shù)量的增加并不總是縮短時(shí)延，相反，如果過(guò)多的SCeNB處理卸載的應(yīng)用程序，可能導(dǎo)致傳輸時(shí)延比計(jì)算時(shí)延更長(zhǎng)。而且隨著集群的增加也會(huì)導(dǎo)致能耗的增加，因此，選擇適當(dāng)?shù)腟CeNB的集群在系統(tǒng)性能中起著關(guān)鍵作用。

文獻(xiàn)[42]也提出一種考慮計(jì)算節(jié)點(diǎn)的執(zhí)行時(shí)延和SCeNB集群能耗的最佳組合問(wèn)題，并提出了3種不同的選擇策略。第一種策略為選擇SCeNB是以最小化時(shí)延為目標(biāo)，由于系統(tǒng)模型中的所有SCeNB被假定為一跳，所以基本上所有的SCeNB都包含在計(jì)算中，導(dǎo)致執(zhí)行時(shí)延減少高達(dá)22％，這是由于計(jì)算時(shí)延遠(yuǎn)大于傳輸時(shí)延導(dǎo)致總體時(shí)延的減小。第二種策略為最小化集群的總能耗，優(yōu)先選取一個(gè)SCeNB來(lái)計(jì)算，抑制相鄰的SCeNB的計(jì)算，這種策略可降低61%的功耗，但是會(huì)導(dǎo)致負(fù)載不均衡。第三種策略是使集群中的每個(gè)SCeNB的能耗最小化，這樣能解決第二種負(fù)載不均衡的問(wèn)題，其主要的影響因子是集群的大小、時(shí)延、能耗和負(fù)載分布等。文獻(xiàn)[43]提出了合作式緩存和卸載方案，MEC服務(wù)器聯(lián)合起來(lái)為UE執(zhí)行計(jì)算和緩存任務(wù)。資源分配方案是以最大化資源利用率為目標(biāo)。文獻(xiàn)[44]采用深度學(xué)習(xí)的方法分配資源，提出了動(dòng)態(tài)的卸載方案。文獻(xiàn)[45]考慮了計(jì)算卸載時(shí)多節(jié)點(diǎn)間的負(fù)載均衡問(wèn)題，并采用背包模型對(duì)提出的資源分配方案進(jìn)行仿真驗(yàn)證。

如果將很多接入設(shè)備的應(yīng)用同時(shí)卸載到MEC服務(wù)器，會(huì)產(chǎn)生嚴(yán)重的干擾問(wèn)題，因此，如何在保證QoS的前提下進(jìn)行資源的合理分配尤為關(guān)鍵。文獻(xiàn)[46]提出在計(jì)算卸載時(shí)考慮干擾管理的方案，優(yōu)化了計(jì)算卸載決策、物理資源塊（PRB, physical resource block）分配和MEC計(jì)算資源分配。作者通過(guò)計(jì)算任務(wù)的數(shù)據(jù)量以及MEC服務(wù)器的服務(wù)能力等做出卸載決策，采用改進(jìn)的圖著色方法為UE分配PRB，通過(guò)最小化時(shí)延來(lái)進(jìn)行計(jì)算資源的分配。在本方案中，隨著UE數(shù)量的增多，進(jìn)行卸載的UE并不會(huì)一直增多，這是因?yàn)橛懈嗟挠?jì)算任務(wù)卸載到MEC服務(wù)器的時(shí)候，會(huì)導(dǎo)致速率下降，產(chǎn)生嚴(yán)重干擾，因此卸載的UE數(shù)量會(huì)減少。

資源分配作為MEC計(jì)算卸載技術(shù)的關(guān)鍵研究點(diǎn)，涉及將計(jì)算任務(wù)卸載到哪里的問(wèn)題，上述列舉的研究成果主要從網(wǎng)絡(luò)環(huán)境、MEC部署、傳輸技術(shù)等方面研究了針對(duì)卸載任務(wù)的計(jì)算資源分配問(wèn)題。表3 對(duì)MEC中資源分配方案進(jìn)行了總結(jié)歸類(lèi)?？梢钥闯?，這些研究主要致力于平衡計(jì)算資源和通信資源，以達(dá)到最小化時(shí)延、能耗以及提高網(wǎng)絡(luò)整體性能。但是大部分研究都忽略了UE的移動(dòng)性，如果UE是移動(dòng)的，為了保持業(yè)務(wù)的連續(xù)性，需要重新考慮資源分配的方案。本文將會(huì)在第4節(jié)提出考慮移動(dòng)性的卸載方案。

3.3 卸載系統(tǒng)

現(xiàn)有的計(jì)算卸載一般按照劃分粒度進(jìn)行分類(lèi)，主要分為基于進(jìn)程或功能函數(shù)進(jìn)行劃分的細(xì)粒度計(jì)算卸載和基于應(yīng)用程序或VM劃分的粗粒度計(jì)算卸載。本節(jié)將以MAUI卸載系統(tǒng)和Cloudlet卸載系統(tǒng)為例，分別對(duì)兩種粒度的卸載系統(tǒng)進(jìn)行介紹。

1) MAUI

MAUI[47]是以動(dòng)態(tài)方式實(shí)現(xiàn)遷移的基于代理的計(jì)算卸載系統(tǒng)，屬于細(xì)粒度計(jì)算卸載下的一個(gè)實(shí)例。系統(tǒng)架構(gòu)如圖11所示。MAUI卸載系統(tǒng)以減小客戶(hù)端消耗能量和延時(shí)為目的，繞過(guò)了終端設(shè)備的限制，通過(guò)遠(yuǎn)程服務(wù)器執(zhí)行計(jì)算功能。

MAUI提供一個(gè)編程環(huán)境，開(kāi)發(fā)人員可以通過(guò)編寫(xiě)代碼決定應(yīng)用程序的哪些方法可以卸載到遠(yuǎn)端服務(wù)器。每次調(diào)用程序方法時(shí)，如果遠(yuǎn)程服務(wù)器可用，MAUI系統(tǒng)會(huì)通過(guò)其優(yōu)化框架決定是否卸載該方法。完成卸載決策后，MAUI系統(tǒng)記錄分析信息，用于更好地預(yù)測(cè)未來(lái)的調(diào)用是否應(yīng)該卸載。

圖11 MAUI計(jì)算卸載系統(tǒng)

MAUI通過(guò)應(yīng)用程序來(lái)確定卸載計(jì)算任務(wù)的成本，如遠(yuǎn)程執(zhí)行計(jì)算任務(wù)需要傳輸?shù)哪芎模约靶遁d所帶來(lái)的優(yōu)勢(shì)（如由于卸載而節(jié)省的CPU周期數(shù)）。此外，MAUI會(huì)不斷檢測(cè)網(wǎng)絡(luò)連接，獲取其帶寬和時(shí)延信息，通過(guò)以上信息決定哪些方法應(yīng)該被卸載到邊緣服務(wù)器上，哪些應(yīng)該繼續(xù)在智能終端上本地執(zhí)行。

終端設(shè)備包含slover、proxy和profiler這3個(gè)組件。solver負(fù)責(zé)提供卸載決策引擎的接口，proxy負(fù)責(zé)執(zhí)行卸載過(guò)程中數(shù)據(jù)的傳輸與控制。profiler用來(lái)監(jiān)測(cè)應(yīng)用程序并收集應(yīng)用程序數(shù)據(jù)，如能量和傳輸要求等測(cè)量結(jié)果。

服務(wù)器端包含slover、proxy、profiler和MAUI控制器4個(gè)組件。其中，slover和proxy執(zhí)行與其客戶(hù)端相似的角色，proxy周期性地優(yōu)化線性規(guī)劃的決策引擎，相比于客戶(hù)端，又增加了一個(gè)MAUI控制器組件，負(fù)責(zé)處理傳入請(qǐng)求的身份驗(yàn)證和資源分配等。

除了MAUI之外，還有很多細(xì)粒度計(jì)算卸載系統(tǒng)，如實(shí)現(xiàn)集群并發(fā)式處理數(shù)據(jù)的misco系統(tǒng)[48]和實(shí)現(xiàn)動(dòng)態(tài)遷移的comet計(jì)算卸載系統(tǒng)[49]。細(xì)粒度的計(jì)算卸載系統(tǒng)由于程序劃分、遷移決策等會(huì)導(dǎo)致額外的能量開(kāi)銷(xiāo)，也會(huì)增加程序員的負(fù)擔(dān)。

2) cloudlet

cloudlet[50]是基于動(dòng)態(tài)VM合成技術(shù)的計(jì)算卸載系統(tǒng)，是粗粒度卸載的實(shí)現(xiàn)實(shí)例，由卡耐基梅隆大學(xué)提出，整個(gè)系統(tǒng)實(shí)現(xiàn)了MEC的重要功能，如快速配置（rapid provisioning）、虛擬機(jī)遷移（VM hand-off）和cloudlet發(fā)現(xiàn)（cloudlet discovery）等?？焖倥渲弥傅氖菍?shí)現(xiàn)靈活的虛擬機(jī)快速配置。由于移動(dòng)終端具有移動(dòng)性，cloudlet與移動(dòng)終端的連接是高度動(dòng)態(tài)化的，用戶(hù)的接入和離開(kāi)都會(huì)導(dǎo)致對(duì)cloudlet所能提供功能的需求發(fā)生變化，因此cloudlet必須實(shí)現(xiàn)靈活的快速配置。虛擬機(jī)遷移指的是為了維持網(wǎng)絡(luò)連通性和服務(wù)的正常工作，cloudlet需要解決用戶(hù)移動(dòng)性的問(wèn)題。用戶(hù)在移動(dòng)過(guò)程中，可能超出原cloudlet的覆蓋范圍而進(jìn)入其他微云的服務(wù)范圍，這種移動(dòng)將會(huì)造成上層應(yīng)用的中斷，嚴(yán)重影響用戶(hù)體驗(yàn)，因此，cloudlet必須在用戶(hù)的切換過(guò)程中無(wú)縫完成服務(wù)的遷移。cloudlet發(fā)現(xiàn)用于發(fā)現(xiàn)和選擇合適的微云。cloudlet是地理上分布式的小型數(shù)據(jù)中心，在cloudlet開(kāi)始配置之前，移動(dòng)終端需要發(fā)現(xiàn)其周?chē)晒┻B接的cloudlet，然后根據(jù)某些原則（如地理臨近性或者網(wǎng)絡(luò)狀況信息）選擇合適的cloudlet并進(jìn)行連接。

cloudlet主要實(shí)現(xiàn)過(guò)程如圖12所示，首先，移動(dòng)設(shè)備發(fā)現(xiàn)并準(zhǔn)備啟用cloudlet，發(fā)送一個(gè) VM overlay（launch VM和base VM產(chǎn)生的二進(jìn)制差異）到有base VM的cloudlet上，然后基于base VM 和VM overlay創(chuàng)建launch VM，配置虛擬機(jī)實(shí)例準(zhǔn)備為卸載的應(yīng)用進(jìn)行服務(wù)，當(dāng)任務(wù)執(zhí)行完畢后，將執(zhí)行結(jié)果返回給UE，并且釋放VM。

圖12 cloudlet計(jì)算卸載系統(tǒng)

其他計(jì)算卸載系統(tǒng)如CloneCloud[51]、Tango[52]也是基于VM的粗粒度計(jì)算卸載系統(tǒng)。CloneCloud為了優(yōu)化效率針對(duì)不同的應(yīng)用設(shè)計(jì)了不同的遷移算法。Tango則是在移動(dòng)端和云端同時(shí)執(zhí)行計(jì)算任務(wù)，保留最快的結(jié)果，以此來(lái)克服無(wú)線網(wǎng)絡(luò)的抖動(dòng)問(wèn)題。

4 面向5G的MEC計(jì)算卸載方案

前面2節(jié)講述了MEC的架構(gòu)和部署方案以及計(jì)算卸載技術(shù)，但主要都是針對(duì)4G網(wǎng)絡(luò)。然而，5G網(wǎng)絡(luò)在根本架構(gòu)上做出了革新，為了將MEC更好地融合5G網(wǎng)絡(luò)，本節(jié)將分析在5G移動(dòng)網(wǎng)的環(huán)境下部署MEC方案并提出兩種卸載方案。

4.1 5G環(huán)境下的MEC部署方案

5G由接入平面、控制平面和轉(zhuǎn)發(fā)平面3種功能平面組成[53-54]。其中，接入平面引入了多站點(diǎn)協(xié)作、多連接機(jī)制和多制式融合技術(shù)，構(gòu)建出更靈活的接入網(wǎng)拓?fù)洌豢刂破矫婊诳芍貥?gòu)的集中網(wǎng)絡(luò)控制功能，提供按需的接入、移動(dòng)性和會(huì)話(huà)管理，支持精細(xì)化資源管控和全面能力開(kāi)放；轉(zhuǎn)發(fā)平面具備分布式的數(shù)據(jù)轉(zhuǎn)發(fā)和處理功能，提供動(dòng)態(tài)的錨點(diǎn)設(shè)置，以及更豐富的業(yè)務(wù)鏈處理能力。從整體邏輯架構(gòu)來(lái)看，5G網(wǎng)絡(luò)采用模塊化功能設(shè)計(jì)模式，并通過(guò)“功能組件”的組合，構(gòu)建滿(mǎn)足不同應(yīng)用場(chǎng)景需求的專(zhuān)用邏輯網(wǎng)絡(luò)[55]。對(duì)應(yīng)上述三層邏輯劃分，圖13是3GPP 5G標(biāo)準(zhǔn)中給出的5G系統(tǒng)架構(gòu)?？刂泼姹环譃榻尤牍芾砉δ埽ˋMF）和會(huì)話(huà)管理功能（SMF）：?jiǎn)我坏腁MF負(fù)責(zé)終端的移動(dòng)性和接入管理；SMF負(fù)責(zé)對(duì)話(huà)管理功能，可以配置多個(gè)。AMF和SMF是控制面的兩個(gè)主要節(jié)點(diǎn)，配合兩個(gè)主要節(jié)點(diǎn)還有統(tǒng)一數(shù)據(jù)管理（UDM）、認(rèn)證服務(wù)器功能（AUSF）、策略管控功能（PCF），以執(zhí)行用戶(hù)數(shù)據(jù)管理、鑒權(quán)、策略控制等。另外還有網(wǎng)絡(luò)開(kāi)放功能（NEF）和網(wǎng)元存儲(chǔ)功能（NRF）這兩個(gè)平臺(tái)支持功能節(jié)點(diǎn)，用于幫助導(dǎo)出網(wǎng)絡(luò)數(shù)據(jù)，以及幫助其他節(jié)點(diǎn)發(fā)現(xiàn)網(wǎng)絡(luò)服務(wù)。

圖13 5G系統(tǒng)架構(gòu)

圖14 MEC在5G架構(gòu)下的部署

MEC在5G網(wǎng)絡(luò)中部署的架構(gòu)如圖14所示，MEC位于核心網(wǎng)與接入網(wǎng)融合的部分，通過(guò)NEF接入5G網(wǎng)絡(luò)。5G核心網(wǎng)絡(luò)選擇靠近UE的UPF，通過(guò)N6接口執(zhí)行UPF到本地?cái)?shù)據(jù)網(wǎng)絡(luò)的流量卸載。用戶(hù)請(qǐng)求通過(guò)UPF到達(dá)MEC，在PCF的管控下，MEC為用戶(hù)提供各種各樣的緩存、計(jì)算和網(wǎng)絡(luò)服務(wù)。在5G架構(gòu)下的MEC部署中，能解決會(huì)話(huà)和業(yè)務(wù)連續(xù)性問(wèn)題、QoS和計(jì)費(fèi)問(wèn)題和對(duì)MEC本地網(wǎng)絡(luò)的支持問(wèn)題。

MEC在5G網(wǎng)絡(luò)下的具體部署方式上也非常靈活，根據(jù)運(yùn)營(yíng)商的部署，既可以選擇集中部署，與用戶(hù)面設(shè)備耦合，提供增強(qiáng)型網(wǎng)關(guān)功能，也可以分布式地部署在不同位置，通過(guò)集中調(diào)度實(shí)現(xiàn)服務(wù)能力。這種在網(wǎng)絡(luò)中分層地放置資源可以使網(wǎng)絡(luò)管理更加靈活和開(kāi)放。

4.2 MEC卸載方案優(yōu)化

1) MEC協(xié)作式卸載方案設(shè)計(jì)

計(jì)算卸載的計(jì)算資源分配問(wèn)題已經(jīng)有很多研究，包括單節(jié)點(diǎn)和多節(jié)點(diǎn)的計(jì)算資源分配。但即使在多節(jié)點(diǎn)之間的計(jì)算資源分配中，大部分研究也只是致力于研究節(jié)點(diǎn)之間的合理資源分配，在實(shí)現(xiàn)計(jì)算卸載時(shí)，在各節(jié)點(diǎn)之間沒(méi)有設(shè)置一致性目標(biāo)來(lái)優(yōu)化整個(gè)卸載方案，為此，本文提出以一致性目標(biāo)來(lái)優(yōu)化整個(gè)協(xié)作式卸載方案。

本方案在5G網(wǎng)絡(luò)環(huán)境下以分層的方式部署MEC服務(wù)器，各個(gè)MEC之間協(xié)作為UE提供卸載服務(wù)。由于MEC的資源有限，因此，不僅設(shè)計(jì)了MEC之間可以協(xié)同服務(wù)，MEC和MCC也可以協(xié)同合作。這樣可以保證負(fù)載均衡的條件下實(shí)現(xiàn)能量和時(shí)延的最小化，具體的協(xié)作方案如圖15所示。首先，SCeNB嘗試為附著在其上的UE服務(wù)，因?yàn)檫@會(huì)使通信延時(shí)最小，在圖15中表現(xiàn)為SCeNB1將計(jì)算資源分配給UE1。當(dāng)SCeNB不能處理應(yīng)用時(shí)，有兩種解決方案：一種是轉(zhuǎn)發(fā)給同一個(gè)集群中的所有SCeNB，在圖15中表現(xiàn)為UE2的計(jì)算在SCeNB2和SCeNB3處完成；另外一種是發(fā)送到MCC中，使MEC和MCC共同完成，在圖15中表現(xiàn)為UE3的計(jì)算在MCC完成。第一種方式MEC之間的協(xié)作會(huì)引入的能耗消耗過(guò)多的問(wèn)題，第二種方式將計(jì)算任務(wù)卸載到MCC會(huì)導(dǎo)致時(shí)延，如何權(quán)衡能耗和時(shí)延，使優(yōu)化更加完善是本文方案的設(shè)計(jì)目標(biāo)。

圖15 MEC協(xié)作式卸載方案

基于提出的方案策略可以采用一致性算法來(lái)解決MEC的資源協(xié)同問(wèn)題。SCeNB集群中的每一個(gè)SCeNB都以相同的目標(biāo)，通過(guò)一次次迭代找到全局最優(yōu)的卸載方案。

2) 以支持業(yè)務(wù)連續(xù)性為主要目標(biāo)的方案設(shè)計(jì)

分布式MEC服務(wù)器之間的協(xié)同服務(wù)能夠盡可能協(xié)調(diào)網(wǎng)絡(luò)資源，減小服務(wù)時(shí)延，提升用戶(hù)的QoE，但也存在一定的問(wèn)題，比如如何保持業(yè)務(wù)的連續(xù)性等問(wèn)題[56-57]，若計(jì)算任務(wù)是幾個(gè)MEC服務(wù)器協(xié)同完成的，當(dāng)用戶(hù)移動(dòng)時(shí)就需要考慮涉及VM的遷移等來(lái)保持業(yè)務(wù)的連續(xù)性，因此需要移動(dòng)性管理技術(shù)來(lái)支撐。之前的研究主要致力于研究卸載決策和計(jì)算資源分配上，很少研究考慮到移動(dòng)性帶來(lái)的問(wèn)題。本方案主要考慮用戶(hù)移動(dòng)時(shí)保證業(yè)務(wù)連續(xù)性的情況下來(lái)提升系統(tǒng)性能。

本方案的設(shè)計(jì)主要以在可容忍時(shí)延范圍內(nèi)優(yōu)化能量為目標(biāo)來(lái)決定是否進(jìn)行VM遷移以及遷移之后的資源分配問(wèn)題。VM遷移消耗的能量消耗與MEC之間協(xié)作得到的能量減小收益來(lái)進(jìn)行均衡，采用MDP算法來(lái)進(jìn)行優(yōu)化均衡。

5 問(wèn)題與挑戰(zhàn)

在邊緣計(jì)算網(wǎng)絡(luò)環(huán)境中進(jìn)行計(jì)算卸載的任務(wù)，不僅能減少移動(dòng)端的計(jì)算壓力和能耗，還能降低傳輸時(shí)延。但在移動(dòng)性管理、安全性、干擾管理等方面依然面臨很多問(wèn)題與挑戰(zhàn)。

5.1 移動(dòng)性管理

在傳統(tǒng)的蜂窩網(wǎng)絡(luò)中，用戶(hù)在eNode B/SCeNB之間移動(dòng)時(shí)，為保證服務(wù)的連續(xù)性，都有嚴(yán)格的切換流程。類(lèi)似地，如果將UE的計(jì)算任務(wù)卸載到MEC，如何保證服務(wù)的連續(xù)性是MEC計(jì)算卸載的挑戰(zhàn)之一。在應(yīng)用計(jì)算卸載技術(shù)的前提下，UE的切換可以通過(guò)VM遷移來(lái)保證服務(wù)的連續(xù)性。VM遷移即在當(dāng)前計(jì)算節(jié)點(diǎn)處運(yùn)行的VM被遷移到另一個(gè)更合適的計(jì)算節(jié)點(diǎn)[58-61]。VM遷移的工作大部分都只考慮單個(gè)計(jì)算節(jié)點(diǎn)對(duì)每個(gè)UE進(jìn)行計(jì)算的場(chǎng)景。當(dāng)應(yīng)用程序被卸載到多個(gè)計(jì)算節(jié)點(diǎn)時(shí)，如何有效地處理虛擬機(jī)遷移過(guò)程成為保證QoS的一大挑戰(zhàn)。而且，虛擬機(jī)遷移給回程鏈路造成了很大的負(fù)擔(dān)，并導(dǎo)致很高的延時(shí)。因此，實(shí)現(xiàn)能夠以毫秒為單位快速遷移虛擬機(jī)的技術(shù)十分必要。此外，由于計(jì)算節(jié)點(diǎn)之間的通信限制，更現(xiàn)實(shí)的挑戰(zhàn)是如何實(shí)現(xiàn)預(yù)先遷移計(jì)算任務(wù)（例如基于某些預(yù)測(cè)技術(shù)），以便用戶(hù)覺(jué)察不到服務(wù)的中斷，從而提升用戶(hù)體驗(yàn)。

在移動(dòng)性管理中，為了完成相應(yīng)任務(wù)的遷移，并滿(mǎn)足相應(yīng)的時(shí)延需求、安全等各方面的要求，需要對(duì)低時(shí)延技術(shù)、路徑預(yù)測(cè)技術(shù)等加以考量，在保持業(yè)務(wù)連續(xù)性的同時(shí)達(dá)到綠色節(jié)能通信。

1) 低延時(shí)的移動(dòng)性管理

物聯(lián)網(wǎng)和車(chē)聯(lián)網(wǎng)等低延時(shí)應(yīng)用需要具有非常高的可靠性和非常低的端到端時(shí)延（毫秒級(jí)）的通信。為了支持非常低的時(shí)延，當(dāng)用戶(hù)從一個(gè)MEC區(qū)域移動(dòng)到另一個(gè)區(qū)域時(shí)，虛擬機(jī)和數(shù)據(jù)會(huì)進(jìn)行遷移。遷移過(guò)程可能對(duì)應(yīng)用程序時(shí)延產(chǎn)生負(fù)面影響，如源MEC結(jié)束服務(wù)和目的MEC開(kāi)啟服務(wù)過(guò)程中時(shí)間相對(duì)較長(zhǎng)，導(dǎo)致用戶(hù)需要等待更久。為了支持這類(lèi)低延時(shí)應(yīng)用，MEC系統(tǒng)需要用時(shí)更短的遷移。因此可以考慮在回程鏈路選用時(shí)延更小的高速通路，對(duì)傳輸數(shù)據(jù)進(jìn)行壓縮，簡(jiǎn)化虛擬機(jī)復(fù)原流程等。

2) 路徑預(yù)測(cè)技術(shù)對(duì)移動(dòng)性管理技術(shù)的支撐

移動(dòng)性管理的關(guān)鍵是進(jìn)行虛擬機(jī)和數(shù)據(jù)的遷移，傳統(tǒng)的MEC遷移方案只有在移交時(shí)才會(huì)將計(jì)算任務(wù)交給另一臺(tái)服務(wù)器，這種突發(fā)地傳輸大量的數(shù)據(jù)遷移機(jī)制會(huì)帶來(lái)很高的時(shí)延并增加MEC網(wǎng)絡(luò)負(fù)載。針對(duì)這個(gè)問(wèn)題，有效的解決方案是在MEC為用戶(hù)提供服務(wù)期間，利用用戶(hù)軌跡的統(tǒng)計(jì)信息預(yù)測(cè)用戶(hù)將要到達(dá)的下一個(gè)MEC區(qū)域，從而提前將數(shù)據(jù)傳輸至新的MEC。但這一技術(shù)主要存在兩個(gè)挑戰(zhàn)：第一個(gè)挑戰(zhàn)在于軌跡預(yù)測(cè)，準(zhǔn)確的預(yù)測(cè)可以實(shí)現(xiàn)MEC服務(wù)器之間的無(wú)縫切換，并減少預(yù)取冗余。但要實(shí)現(xiàn)準(zhǔn)確預(yù)測(cè)需要精確的建模和高復(fù)雜度的機(jī)器學(xué)習(xí)技術(shù)。第二個(gè)挑戰(zhàn)在于如何選擇預(yù)先傳輸?shù)挠?jì)算數(shù)據(jù)。因?yàn)轭A(yù)測(cè)的MEC并不是一定準(zhǔn)確，所以將所有數(shù)據(jù)傳輸?shù)筋A(yù)測(cè)的MEC可能會(huì)造成浪費(fèi)，如何在傳輸?shù)臄?shù)據(jù)量和預(yù)測(cè)的準(zhǔn)確性之間做決策也是一個(gè)必須考慮的問(wèn)題。

移動(dòng)性管理技術(shù)是解決新型業(yè)務(wù)更好適用于邊緣計(jì)算網(wǎng)絡(luò)的關(guān)鍵技術(shù)支撐，目前，ETSI和各大廠商也在逐步解決移動(dòng)性問(wèn)題，相信隨著研究的不斷深入，移動(dòng)性問(wèn)題會(huì)得到全方位解決。

5.2 安全性

安全性在云計(jì)算卸載中是需要重要考慮的技術(shù)難點(diǎn)[62-64]。由于MEC是分布式部署，單點(diǎn)的防護(hù)能力減弱，特別是物理安全，單點(diǎn)突破可能導(dǎo)致全局突破。而多租戶(hù)的形式會(huì)導(dǎo)致惡意用戶(hù)潛入網(wǎng)內(nèi)，利用云平臺(tái)漏洞攻擊網(wǎng)絡(luò)。此外，由于軟件是開(kāi)源的，對(duì)代碼的深入研究更容易找到脆弱點(diǎn)，更便于模擬攻擊。卸載到云端的數(shù)據(jù)也很容易被攻擊或篡改。因此設(shè)計(jì)合理的安全措施顯得十分重要。另外，由于計(jì)算任務(wù)被卸載到邊緣網(wǎng)絡(luò)中，面臨更加復(fù)雜的網(wǎng)絡(luò)環(huán)境，原本用于云計(jì)算的許多安全解決方案也不再適用于邊緣計(jì)算的計(jì)算卸載。

MEC中計(jì)算卸載面臨的安全問(wèn)題分布在各個(gè)層級(jí)，主要包括邊緣節(jié)點(diǎn)安全、網(wǎng)絡(luò)安全、數(shù)據(jù)安全應(yīng)用安全、安全態(tài)勢(shì)感知、安全管理與編排、身份認(rèn)證管理等[63]。

邊緣節(jié)點(diǎn)安全即在邊緣網(wǎng)絡(luò)處提供安全的節(jié)點(diǎn)、軟件加固和安全與可靠的遠(yuǎn)程升級(jí)服務(wù)，防止用戶(hù)的惡意卸載行為，解決最基本的受信問(wèn)題。網(wǎng)絡(luò)安全需要保證包括防火墻、入侵檢測(cè)系統(tǒng)、DDoS防護(hù)、VPN/TLS等功能，也包括一些傳輸協(xié)議的安全功能重用（例如REST協(xié)議的安全功能）。數(shù)據(jù)安全即對(duì)卸載到邊緣網(wǎng)絡(luò)中的數(shù)據(jù)進(jìn)行信任處理，同時(shí)也需要對(duì)數(shù)據(jù)的訪問(wèn)控制進(jìn)行加強(qiáng)，數(shù)據(jù)安全包含數(shù)據(jù)加密、數(shù)據(jù)隔離和銷(xiāo)毀、數(shù)據(jù)防篡改、隱私保護(hù)（數(shù)據(jù)脫敏）、數(shù)據(jù)訪問(wèn)控制和數(shù)據(jù)防泄漏等。其中，數(shù)據(jù)加密包含數(shù)據(jù)在傳輸、存儲(chǔ)和計(jì)算時(shí)的加密；另外，邊緣計(jì)算的數(shù)據(jù)防泄漏也與傳統(tǒng)的數(shù)據(jù)防泄漏有所不同，因?yàn)檫吘売?jì)算的設(shè)備往往是分布式部署，需要特別考慮這些設(shè)備被盜以后，相關(guān)的數(shù)據(jù)即使被獲得也不會(huì)泄漏。應(yīng)用安全需要設(shè)置白名單、應(yīng)用安全審計(jì)、惡意卸載內(nèi)容防范等。安全態(tài)勢(shì)感知、安全管理與編排即需要采用主動(dòng)積極的安全防御措施，包括基于大數(shù)據(jù)的態(tài)勢(shì)感知和高級(jí)威脅檢測(cè)，以及統(tǒng)一的全網(wǎng)安全策略執(zhí)行和主動(dòng)防護(hù)，從而更加快速響應(yīng)和防護(hù)。再結(jié)合完善的運(yùn)維監(jiān)控和應(yīng)急響應(yīng)機(jī)制，則能夠最大限度保障邊緣計(jì)算系統(tǒng)的安全、可用、可信。身份認(rèn)證信任管理即網(wǎng)絡(luò)的各個(gè)層級(jí)中涉及的實(shí)體需要身份認(rèn)證，一些研究者提出可以通過(guò)限制共享信息來(lái)確保身份驗(yàn)證密鑰的安全交換，完成驗(yàn)證過(guò)程。海量的設(shè)備接入使傳統(tǒng)的集中式安全認(rèn)證面臨巨大的性能壓力，特別是在設(shè)備集中上線時(shí)認(rèn)證系統(tǒng)往往不堪重負(fù)。在必要的時(shí)候，去中心化、分布式的認(rèn)證方式和證書(shū)管理成為新的技術(shù)選擇。

由于邊緣計(jì)算中的計(jì)算卸載可以理解為是云計(jì)算中計(jì)算卸載的遷移，很多科學(xué)研究問(wèn)題往往可以借鑒云計(jì)算中較為成熟的解決方案，但邊緣網(wǎng)絡(luò)中的安全性問(wèn)題由于其特殊性不能完全借鑒云計(jì)算中的方案，首先由于邊緣計(jì)算由于其分布式部署導(dǎo)致面臨更加復(fù)雜的網(wǎng)絡(luò)環(huán)境與不同層次的網(wǎng)絡(luò)實(shí)體交互也使其認(rèn)證問(wèn)題具有挑戰(zhàn)性。當(dāng)然，邊緣計(jì)算中的計(jì)算卸載的安全解決方案可以從云計(jì)算的安全解決方案中得到靈感，但毋庸置疑的是，邊緣計(jì)算必須對(duì)這些方案實(shí)現(xiàn)新的擴(kuò)展和延伸，以確保邊緣計(jì)算特有的安全問(wèn)題可以得到解決。

5.3 干擾管理

干擾問(wèn)題[65-67]也是計(jì)算卸載中亟待解決的關(guān)鍵問(wèn)題之一，如果將很多接入設(shè)備的應(yīng)用同時(shí)卸載到MEC服務(wù)器，會(huì)產(chǎn)生嚴(yán)重的干擾問(wèn)題，如何在保證QoS的前提下實(shí)現(xiàn)資源的合理分配同時(shí)解決干擾問(wèn)題是MEC計(jì)算卸載面臨的關(guān)鍵挑戰(zhàn)之一。

干擾管理具有多種多樣的實(shí)現(xiàn)方式，與資源管理緊密相連，這是因?yàn)楦蓴_的本質(zhì)是資源的沖突使用，網(wǎng)絡(luò)資源分配的不理想是產(chǎn)生干擾的根本原因。此外，由于移動(dòng)邊緣計(jì)算網(wǎng)絡(luò)是分布式部署，海量終端的卸載處理請(qǐng)求以及復(fù)雜的網(wǎng)絡(luò)環(huán)境降低了資源使用率。因此，有效資源分配作為干擾管理的重要手段，一方面可以通過(guò)合理利用網(wǎng)絡(luò)資源，增加網(wǎng)絡(luò)容量，另一方面可以通過(guò)干擾管理修正資源分配策略，促進(jìn)網(wǎng)絡(luò)容量的提升。盡管如此，干擾管理依然面臨巨大的挑戰(zhàn)：

1) MEC的分部署方式導(dǎo)致干擾調(diào)度不均勻

在MEC網(wǎng)絡(luò)中，MEC服務(wù)器的部署具有隨機(jī)性，其分布與覆蓋情況無(wú)法預(yù)期，這就可能導(dǎo)致MEC服務(wù)器分配不均勻，MEC服務(wù)器部署的隨機(jī)分布將導(dǎo)致網(wǎng)絡(luò)中不同區(qū)域的干擾分布不均。結(jié)合位置信息和卸載請(qǐng)求預(yù)測(cè)智能處理干擾問(wèn)題是未來(lái)MEC計(jì)算卸載干擾管理的重要技術(shù)點(diǎn)之一。

2) 計(jì)算資源和網(wǎng)絡(luò)資源的分配方案

資源管理是解決干擾問(wèn)題的核心，因此如何根據(jù)MEC網(wǎng)絡(luò)環(huán)境以及終端的卸載請(qǐng)求，做出合理的資源分配是解決干擾問(wèn)題的途徑之一。文獻(xiàn)[46]提出了在考慮干擾的情況下的計(jì)算卸載資源分配方案，通過(guò)聯(lián)合優(yōu)化計(jì)算卸載決策，PRB分配和MEC計(jì)算資源分配來(lái)提升系統(tǒng)性能。由于MEC的分布式部署和計(jì)算任務(wù)的海量卸載，MEC中計(jì)算卸載技術(shù)解決干擾問(wèn)題的方式不同于傳統(tǒng)網(wǎng)絡(luò)。因此，合理的資源分配方案將會(huì)成為解決干擾問(wèn)題的技術(shù)選擇。

5.4 總結(jié)

邊緣計(jì)算在移動(dòng)網(wǎng)絡(luò)邊緣提供計(jì)算、存儲(chǔ)和網(wǎng)絡(luò)資源，可以極大地降低處理時(shí)延，終端在卸載計(jì)算任務(wù)的同時(shí)也滿(mǎn)足了綠色通信的要求，提升了服務(wù)質(zhì)量。然而，由于終端卸載任務(wù)后可能會(huì)發(fā)生移動(dòng)，為滿(mǎn)足MEC處理卸載的計(jì)算任務(wù)時(shí)保持業(yè)務(wù)的連續(xù)性，解決移動(dòng)性管理問(wèn)題成為移動(dòng)邊緣計(jì)算中計(jì)算卸載技術(shù)的重要挑戰(zhàn)之一。此外，由于MEC的分布式部署環(huán)境，使原本適用于云計(jì)算的安全管理機(jī)制已經(jīng)不再適用于MEC，因此為了保持安全通信需要從各個(gè)層級(jí)解決安全問(wèn)題，比如確保邊緣節(jié)點(diǎn)安全、網(wǎng)絡(luò)安全、數(shù)據(jù)安全、應(yīng)用安全、安全態(tài)勢(shì)感知、安全管理編排和身份認(rèn)證感知等。同時(shí)，由于大規(guī)模終端計(jì)算任務(wù)的卸載，使干擾問(wèn)題不可避免，這就需要通過(guò)有效的干擾管理機(jī)制來(lái)解決，目前，學(xué)術(shù)界有很多關(guān)于干擾管理的方案，主要涉及計(jì)算和網(wǎng)絡(luò)資源的聯(lián)合分配問(wèn)題，合理的資源分配能夠控制干擾問(wèn)題的產(chǎn)生，實(shí)現(xiàn)高效通信。在實(shí)現(xiàn)MEC大規(guī)模應(yīng)用之前，移動(dòng)邊緣計(jì)算以及各種邊緣計(jì)算卸載技術(shù)的解決方案在移動(dòng)性管理、安全、干擾管理、QoE保障等方面仍需要進(jìn)一步研究和發(fā)展。

6 結(jié)束語(yǔ)

近年來(lái)，MEC研究受到國(guó)內(nèi)外的廣泛關(guān)注，已成為移動(dòng)網(wǎng)絡(luò)研究的重點(diǎn)內(nèi)容。作為MEC關(guān)鍵技術(shù)之一，計(jì)算卸載解決了移動(dòng)設(shè)備在資源存儲(chǔ)、計(jì)算性能以及能效等方面存在的不足。本文重點(diǎn)對(duì)MEC的網(wǎng)絡(luò)架構(gòu)和部署方案，以及MEC中計(jì)算卸載研究進(jìn)展進(jìn)行了分析和總結(jié)。通過(guò)對(duì)不同MEC卸載方案的分析和對(duì)比，提出了基于5G的MEC卸載方案，并對(duì)MEC計(jì)算卸載面臨的問(wèn)題和挑戰(zhàn)進(jìn)行了總結(jié)歸納。通過(guò)綜述該領(lǐng)域的已有研究成果，探討分析研究目標(biāo)和方法，總結(jié)研究思路，從而為相關(guān)領(lǐng)域的研究人員提供參考和幫助。

[1] DINH H T, LEE C, NIYATO D, et al. A survey of mobile cloud computing: architecture, applications and approaches[J]. Wireless Communications & Mobile Computing, 2013, 13(18):1587-1611.

[2] KHAN A U R, OTHMAN M, MADANI S A, et al. A survey of mobile cloud computing application models[J]. IEEE Communications Surveys & Tutorials, 2014, 16(1):393-413.

[3] WANG Y, CHEN I R, WANG D C. A survey of mobile cloud computing Applications: perspectives and challenges[J]. Wireless Personal Communications, 2015, 80(4):1607-1623.

[4] MACH P, BECVAR Z. Mobile edge computing: a survey on architecture and computation offloading[J]. IEEE Communications Surveys & Tutorials, 2017, PP(99):1-1.

[5] FLORES H, HUI P, TARKOMA S, et al. Mobile code offloading: from concept to practice and beyond[J]. IEEE Communications Magazine, 2015, 53(3):80-88.

[6] JIAO L, FRIEDMAN R, FU X, et al. Cloud-based computation offloading for mobile devices: State of the art, challenges and opportunities[C]// Future Network and Mobile Summit. 2013:1-11.

[7] WANG S, ZHANG X, ZHANG Y, et al. A survey on mobile edge networks: convergence of computing, caching and communications[J]. IEEE Access, 2017, PP(99):1-1.

[8] MAO Y, YOU C, ZHANG J, et al. A survey on mobile edge computing: the communication perspective[J]. IEEE Communications Surveys & Tutorials, 2017, PP(99):1-1.

[9] TALEB T, SAMDANIS K, MADA B, et al. On multi-access edge computing: a survey of the emerging 5G network edge architecture & orchestration[J]. IEEE Communications Surveys & Tutorials, 2017, PP(99): 1.

[10] YU Y. Mobile edge computing towards 5G: vision, recent progress, and open challenges[J]. China Communication, 2016, 13(S2):89-99.

[11] AHMED A, AHMED E, A survey on mobile edge computing[C]// 2016 10th International Conference on Intelligent Systems and Control (ISCO). 2016: 1-8.

[12] HU Y C, PATEL M, SABELLA D, et al. Mobile edge computing—a key technology towards 5G[J]. ETSI White Paper, 2015, 11(11): 1 -16.

[13] WIKIPEDIA C. Mobile edge computing[J]. Wikipedia, The Free Encyclopedia. 2017

[14] CHOCHLIOUROS I P, GIANNOULAKIS I, KOURTIS T, et al. A model for an innovative 5G- oriented, architecture, based on small cells coordination for multi-tenancy and edge services[C]// IFIP International Conference on Artificial Intelligence Applications and Innovations. 2016: 666-675.

[15] GIANNOULAKIS I, KAFETZAKIS E, TRAJKOVSKA I, et al. The emergence of operator‐neutral small cells as a strong case for cloud computing at the mobile edge[J]. Transactions on Emerging Telecommunications Technologies, 2016, 27(9):1152-1159.

[16] LOBILLO F, BECVAR Z, PUENTE M A, et al. An architecture for mobile computation offloading on cloud-enabled LTE small cells[C]// Wireless Communications and NETWORKING Conference Workshops. 2014:1-6.

[17] PUENTE M A, BECVAR Z, ROHLIK M, et al. A seamless integration of computationally-enhanced base stations into mobile networks towards 5G[C]// Vehicular Technology Conference. 2015:1-5.

[18] BECVAR Z, ROHLIK P, VONDRA M, et al. Distributed architecture of 5G mobile networks for efficient computation management in mobile edge computing[J]. Chapter in 5G Radio Access Network (RAN)—Centralized RAN, Cloud-RAN and Virtualization of Small Cells, 2017

[19] WANG S, TU G H, GANTI R, et al. Mobile micro-cloud: Application classification, mapping, and deployment[C]//Proc Annu Fall Meeting ITA (AMITA). 2013: 1-7.

[20] WANG K, SHEN M, CHO J, et al. MobiScud: a fast moving personal cloud in the mobile network[C]// The Workshop on All Things Cellular: Operations, Applications and Challenges. 2015:19-24.

[21] TALEB T, KSENTINI A, FRANGOUDIS P. Follow-me cloud: when cloud services follow mobile users[J]. IEEE Transactions on Cloud Computing, 2016, PP(99):1-1.

[22] AISSIOUI A, KSENTINI A, GUEROUI A. An efficient elastic distributed SDN controller for follow-me cloud[C]//International Conference on Wireless and Mobile Computing, Networking and Communications. 2015:876-881.

[23] LIU J, ZHAO T, ZHOU S, et al. CONCERT: a cloud-based architecture for next-generation cellular systems[J]. IEEE Wireless Communications, 2014, 21(6):14-22.

[24] LIU J, MAO Y, ZHANG J, et al. Delay-optimal computation task scheduling for mobile-edge computing Systems[C]//IEEE International Symposium on Information Theory. 2016:1451-1455.

[25] MAO Y, ZHANG J, LETAIEF K B. Dynamic computation offloading for mobile-edge computing with energy harvesting devices[J]. IEEE Journal on Selected Areas in Communications, 2016, 34(12): 3590-3605.

[26] ZHANG K, MAO Y, LENG S, et al. Optimal delay constrained offloading for vehicular edge computing networks[C]// IEEE International Conference on Communications. 2017:1-6.

[27] JIA M, CAO J, YANG L. Heuristic offloading of concurrent tasks for computation-intensive applications in mobile cloud computing[C]// Computer Communications Workshops. 2014:352-357.

[28] KAO Y H, KRISHNAMACHARI B, RA M R, et al. Hermes: latency optimal task assignment for resource-constrained mobile computing[C]//IEEE Conference on Computer Communications. 2015: 1894-1902.

[29] KAMOUN M, LABIDI W, SARKISS M. Joint resource allocation and offloading strategies in cloud enabled cellular networks[C]// IEEE International Conference on Communications. 2015:5529-5534.

[30] LABIDI W, SARKISS M, KAMOUN M. Energy-optimal resource scheduling and computation offloading in small cell networks[C]// International Conference on Telecommunications. 2015:313-318.

[31] ZHANG H, GUO J, YANG L, et al. Computation offloading considering fronthaul and backhaul in small-cell networks integrated with MEC[C]//2017 IEEE Conference on Computer Communications Workshops. 2017: 115-120.

[32] YOU C, HUANG K. Multiuser resource allocation for mobile-edge computation offloading[C]//Global Communications Conference.2017:1-6.

[33] YOU C, HUANG K, CHAE H, et al. Energy-efficient resource allocation for mobile-edge computation offloading[J]. IEEE Transactions on Wireless Communications, 2017, 16(3):1397-1411.

[34] MU?OZ O, PASCUAL-ISERTE A, VIDAL J. Optimization of radio and computational resources for energy efficiency in latency-constrained appli-cation offloading[J]. IEEE Transactions on Vehicular Technology, 2015, 64(10):4738-4755.

[35] NAN Y, LI W, BAO W, et al. Adaptive energy-aware computation offloading for cloud of things systems[C]//IEEE Access, 2017(5): 23947-23957.

[36] WANG W, ZHOU W. Computational offloading with delay and capacity constraints in mobile edge[C]// IEEE International Conference on Communications. 2017:1-6.

[37] LIU L Q, CHANG Z, GUO X J, et al. Multi-objective optimization for computation offloading in mobile-edge computing[C]//2017 IEEE Symposium on Computers and Communications (ISCC). 2017: 832-837.

[38] VALERIO V D, LO P F. Optimal virtual machines allocation in mobile femto-cloud computing: an MDP approach[C]// Wireless Communications and NEtworking Conference Workshops. 2014:7-11.

[39] ZHAO T, ZHOU S, GUO X, et al. A cooperative scheduling scheme of local cloud and internet cloud for delay-aware mobile cloud computing[C]// IEEE GLOBECOM Workshops. 2015:1-6.

[40] GUO X, SINGH R, ZHAO T, et al. An index based task assignment policy for achieving optimal power-delay tradeoff in edge cloud systems[C]//IEEE International Conference on Communications. 2016: 1-7.

[41] OUEIS J, CALVANESE S E, DE D A, et al. On the impact of backhaul network on distributed cloud computing[C]// Wireless Communications and Networking Conference Workshops. 2014:12-17.

[42] OUEIS J, STRINATI E C, BARBAROSSA S. Small cell clustering for efficient distributed cloud computing[C]// International Symposium on Personal, Indoor, and Mobile Radio Communication. 2015: 1474-1479.

[43] NDIKUMANA A, ULLAH S, LEANH T, et al. Collaborative cache allocation and computation offloading in mobile edge computing[C]//2017 19th Asia-Pacific Network Operations and Management Symposium (APNOMS). 2017: 366-369.

[44] XU J, CHEN L, REN S. Online learning for offloading and autoscaling in energy harvesting mobile edge computing[J]. IEEE Transactions on Cognitive Communications & Networking, 2017, PP(99):1-1.

[45] KETYKó I, KECSKéS L, NEMES C, et al. Multi-user computation offloading as Multiple Knapsack Problem for 5G Mobile Edge Computing[C]// European Conference on Networks and Communications. 2016: 225-229.

[46] WANG C, YU F R, LIANG C, et al. Joint computation offloading and Interference management in wireless cellular networks with mobile edge computing[J]. IEEE Transactions on Vehicular Technology, 2017, PP(99):1-1.

[47] CUERVO E, BALASUBRAMANIAN A, CHO D K, et al. MAUI:making smartphones last longer with code offload[C]// International Conference on Mobile Systems, Applications and Services. 2010:49-62.

[48] KOSTA S, AUCINAS A, HUI P, et al. ThinkAir: dynamic resource allocation and parallel execution in the cloud for mobile code offloading[C]// INFOCOM, 2012 Proceedings IEEE. 2012:945-953.

[49] GORDON M S, JAMSHIDI D A, MAHLKE S, et al. COMET: code offload by Migrating Execution Transparently[C]// Usenix Conference on Operating Systems Design and Implementation. 2012:93-106.

[50] PANG Z, SUN L, WANG Z, et al. A survey of cloudlet based mobile computing[C]// International Conference on Cloud Computing and Big Data. 2016: 268-275.

[51] CHUN B G, MANIATIS P. Augmented smartphone applications through clone cloud execution[C]// Conference on Hot Topics in Operating Systems. 2009:8.

[52] GORDON M S, HONG D K, CHEN P M, et al. Accelerating mobile applications through flip-flop replication[C]// International Conference on Mobile Systems, Applications and Services. 2015:137-150.

[53] 張平, 陶運(yùn)錚, 張治. 5G若干關(guān)鍵技術(shù)評(píng)述[J]. 通信學(xué)報(bào), 2016, 37(7):15-29.

ZHANG P, TAO Y Z, ZHANG Z, Survey of several key technologies for 5G[J], Journal on Communications, 2016,37(7):15-29.

[54] 黃韜, 劉江, 霍如,等. 未來(lái)網(wǎng)絡(luò)體系架構(gòu)研究綜述[J]. 通信學(xué)報(bào), 2014, 35(8):184-197.

HUANG T, LIU J, HUO R, et al. Survey of research on future network architectures[J], Journal on Communications, 2014, 35(8):184-197

[55] 劉韻潔, 黃韜, 張嬌,等. 服務(wù)定制網(wǎng)絡(luò)[J]. 通信學(xué)報(bào), 2014, 35(12):1-9.

LIU Y J, HUANG T, ZHANG J, et al. Service customized networking[J]. Journal on Communications, 2014, 35(12):1-9.

[56] MACH P, BECVAR Z. Cloud-aware power control for cloud-enabled small cells[C]// GLOBECOM Workshops. 2015:1038-1043.

[57] MACH P, BECVAR Z. Cloud‐aware power control for real‐time application offloading in mobile edge computing[J]. Transactions on Emerging Tele-communications Technologies, 2016, 27(5):648-661.

[58] WANG S, URGAONKAR R, HE T, et al. Mobility-induced service migration in mobile micro-clouds[C]// Military Communications Conference. 2014:835-840.

[59] WANG S, URGAONKAR R, ZAFER M, et al. Dynamic service migration in mobile edge-clouds[C]//IFIP Networking Conference. 2015: 1-9.

[60] NADEMBEGA A, HAFID A S, BRISEBOIS R. Mobility prediction model-based service migration procedure for follow me cloud to support QoS and QoE[C]// IEEE International Conference on Communications. 2016:1-6.

[61] WANG S, URGAONKAR R, HE T, et al. Dynamic service placement for mobile micro-clouds with predicted future costs[J]. IEEE Transactions on Parallel & Distributed Systems, 2017, 28(4):1002-1016.

[62] SHIBIN D, KATHRINE G J W. A comprehensive overview on secure offloading in mobile cloud computing[C]//2017 4th International Conference on Electronics and Communication Systems (ICECS), 2017: 121-124.

[63] 邊緣計(jì)算產(chǎn)業(yè)聯(lián)盟, 工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟. 邊緣計(jì)算參考架構(gòu)2.0 [R]. 北京: 工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟，2017. ECC, AII. The Architecture of Edge Computing 2.0 [R]. Beijing: AII, 2017.

[64] YANG W, FUNG C. A survey on security in network functions virtualization[C]//Netsoft Conference and Workshops. 2016:15-19.

[65] LI C, ZHANG J, HAENGGI M, et al. User-centric intercell interference nulling for downlink small cell networks[J]. IEEE Transactions on Communications, 2014, 63(4):1419-1431.

[66] HUANG G, LI J. Interference mitigation for femtocell networks via adaptive frequency reuse[J]. IEEE Transactions on Vehicular Technology, 2016, 65(4):2413-2423.

[67] BU S, YU F R, SENARATH G. Interference-aware energy-efficient resource allocation for heterogeneous networks with incomplete channel state in-formation[C]//IEEE International Conference on Communications. 2013: 6081-6085.

Survey on computation offloading in mobile edge computing

XIE Renchao, LIAN Xiaofei, JIA Qingmin, HUANG Tao, LIU Yunjie

Stat Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications, Beijing 100876, China

Computation offloading in mobile edge computing would transfer the resource intensive computational tasks to the edge network. It can not only solve the shortage of mobile user equipment in resource storage, computation performance and energy efficiency, but also deal with the problem of resource occupation, high latency and network load compared to cloud computing. Firstly the architecture of MEC was introduce and a comparative analysis was made according to various deployment schemes. Then the key technologies of computation offloading was studied from three aspects of decision on computation offloading, allocation of computing resource within MEC and system implement of MEC. Based on the analysis of MEC deployment scheme in 5G, two optimization schemes on computation offloading was proposed in 5G MEC. Finally, the current challenges in the mobility management was summarized, interference management and security of computation offloading in MEC.

MEC, MEC deployment scheme, computation offloading, decision on computation offloading, resource allocation, computation offloading system

TP393

A

10.11959/j.issn.1000-436x.2018215

謝人超（1984–），男，福建南平人，博士，北京郵電大學(xué)副教授、碩士生導(dǎo)師，主要研究方向?yàn)樾畔⒅行木W(wǎng)絡(luò)、移動(dòng)網(wǎng)絡(luò)內(nèi)容分發(fā)技術(shù)和移動(dòng)邊緣計(jì)算等。

廉曉飛（1992–），女，天津人，北京郵電大學(xué)碩士生，主要研究方向?yàn)?G網(wǎng)絡(luò)、移動(dòng)邊緣計(jì)算等。

賈慶民（1990–），男，山東泰安人，北京郵電大學(xué)博士生，主要研究方向?yàn)樾滦途W(wǎng)絡(luò)體系架構(gòu)、內(nèi)容分發(fā)和移動(dòng)邊緣計(jì)算等。

黃韜（1980–），男，重慶人，博士，北京郵電大學(xué)教授、博士生導(dǎo)師，主要研究方向?yàn)樾滦途W(wǎng)絡(luò)體系架構(gòu)、內(nèi)容分發(fā)網(wǎng)絡(luò)、軟件定義網(wǎng)絡(luò)等。

劉韻潔（1943–），男，山東煙臺(tái)人，中國(guó)工程院院士，北京郵電大學(xué)教授、博士生導(dǎo)師，主要研究方向?yàn)槲磥?lái)網(wǎng)絡(luò)體系架構(gòu)。

2017?12?25；

2018?07?04

中央高校基本科研業(yè)務(wù)費(fèi)專(zhuān)項(xiàng)基金資助項(xiàng)目（No.2018PTB-00-03）；國(guó)家自然科學(xué)基金資助項(xiàng)目（No.61501042）

The Fundamental Research Funds for the Central Universities (No.2018PTB-00-03), The National Natural Science Foundation of China (No. 61501042)