云邊資源協(xié)同中的任務(wù)卸載技術(shù)綜述

田雨萌，劉志波，張 凱，李忠博+，謝永強(qiáng)

1.軍事科學(xué)院 系統(tǒng)工程研究院，北京 100141

2.軍委裝備發(fā)展部 裝備項(xiàng)目管理中心，北京 100009

近年來，電子支付、元宇宙、云視頻會議等智能應(yīng)用技術(shù)快速發(fā)展，各類應(yīng)用對算力和資源的需求愈發(fā)迫切，據(jù)國際數(shù)據(jù)公司（International Data Corporation，IDC）的預(yù)測估計(jì)，到2025 年預(yù)計(jì)將有416 億臺物聯(lián)網(wǎng)設(shè)備聯(lián)網(wǎng)，產(chǎn)生79.4 十萬億億字節(jié)（ZB）待處理數(shù)據(jù)，同時(shí)，高德納公司（Gartner）曾預(yù)測，到2025年，大約超過75%的數(shù)據(jù)將實(shí)現(xiàn)邊緣側(cè)處理。而目前的計(jì)算資源遠(yuǎn)不能滿足社會需求。因此，亟需提升計(jì)算基礎(chǔ)設(shè)施計(jì)算能力。

目前，主要通過云計(jì)算和邊緣計(jì)算技術(shù)來提升智能應(yīng)用的服務(wù)能力。云計(jì)算是一種集中化的計(jì)算方式，通過構(gòu)建大規(guī)模數(shù)據(jù)中心，為各類應(yīng)用服務(wù)提供“無限”的計(jì)算能力，是處理大規(guī)模數(shù)據(jù)的最佳選擇。但云計(jì)算集中化特性使其通常距離數(shù)據(jù)源及終端用戶較遠(yuǎn)，產(chǎn)生顯著的通信延遲。隨著物聯(lián)網(wǎng)、人工智能、虛擬現(xiàn)實(shí)/增強(qiáng)現(xiàn)實(shí)（virtual reality/augmented reality，VR/AR）等技術(shù)的持續(xù)發(fā)展，相關(guān)應(yīng)用對實(shí)時(shí)性的要求持續(xù)提升，云計(jì)算已無法滿足新興延遲敏感應(yīng)用低時(shí)延的需求。基于此，研究人員提出了邊緣計(jì)算的概念，該技術(shù)將計(jì)算向網(wǎng)絡(luò)末端延伸，在數(shù)據(jù)源近端實(shí)現(xiàn)數(shù)據(jù)的快速處理，以減小時(shí)延。邊緣計(jì)算的提出，滿足了用戶對低時(shí)延的需求。近年來，各國政府和組織機(jī)構(gòu)越來越重視邊緣計(jì)算的發(fā)展。2021 年，歐盟發(fā)布《2030 數(shù)字指南針：歐洲數(shù)字十年之路》[1]，計(jì)劃到2030 年部署1 萬個能夠?qū)崿F(xiàn)氣候中和且高度安全的邊緣節(jié)點(diǎn)，另據(jù)戴爾公司發(fā)布的一份報(bào)告顯示，2026年3 170億美元的全球邊緣計(jì)算支出中，美國的占比最高可能達(dá)到40%[2]。此外，以國際霧計(jì)算產(chǎn)學(xué)研聯(lián)盟（OpenFog）、開放邊緣計(jì)算聯(lián)盟（Open Edge Computing）為代表的多家跨境域組織致力于推動邊緣計(jì)算技術(shù)的標(biāo)準(zhǔn)化和落地。但單個邊緣計(jì)算基礎(chǔ)設(shè)施和云中心相比資源受限，難以支撐大數(shù)據(jù)的計(jì)算和人工智能模型訓(xùn)練等工作。在技術(shù)特征上，邊緣計(jì)算與云計(jì)算互為補(bǔ)充。因此，為充分利用云計(jì)算超大規(guī)模的計(jì)算能力和邊緣計(jì)算低時(shí)延的特性，研究云計(jì)算和邊緣計(jì)算的整合與協(xié)同技術(shù)至關(guān)重要，通過實(shí)現(xiàn)云計(jì)算與邊緣計(jì)算的整合，構(gòu)建層次化的云邊協(xié)同服務(wù)體系，為用戶提供低時(shí)延、高可靠的計(jì)算服務(wù)[3]。歐盟提出了一項(xiàng)推動云邊協(xié)同在物聯(lián)網(wǎng)領(lǐng)域應(yīng)用的專業(yè)計(jì)劃（The European cloud，edge and IoT continuum initiative，EUCloudEdgeIoT.eu），旨在幫助企業(yè)、行業(yè)協(xié)會、科技供應(yīng)商和開發(fā)商等從這種協(xié)同技術(shù)中獲益。2021年，《中華人民共和國國民經(jīng)濟(jì)和社會發(fā)展第十四個五年規(guī)劃和2035年遠(yuǎn)景目標(biāo)綱要》也提出要“協(xié)同發(fā)展云服務(wù)與邊緣計(jì)算服務(wù)”[4]。同年6 月，中國信息通信研究院牽頭制定的《云邊協(xié)同關(guān)鍵技術(shù)態(tài)勢研究報(bào)告》指出，未來構(gòu)建端到端的云邊協(xié)同架構(gòu)將是實(shí)現(xiàn)全域數(shù)據(jù)高速互聯(lián)、應(yīng)用整合調(diào)度分發(fā)以及計(jì)算資源全覆蓋的重要途徑[5]。2022年6月28日，為進(jìn)一步推動邊緣計(jì)算規(guī)?；涞夭渴穑芍袊磐ㄔ涸朴?jì)算與大數(shù)據(jù)研究所牽頭，聯(lián)合產(chǎn)學(xué)研用數(shù)十家單位編制的三項(xiàng)邊緣計(jì)算行業(yè)標(biāo)準(zhǔn)（《互聯(lián)網(wǎng)邊緣云服務(wù)信任能力要求》《基于云邊協(xié)同的邊緣節(jié)點(diǎn)管理解決方案能力要求》《分布式云全局管理框架》）正式發(fā)布和實(shí)施，引領(lǐng)產(chǎn)業(yè)規(guī)范化發(fā)展。自此之后，一些企業(yè)快速完成商業(yè)化初探，推動著整個云邊生態(tài)的豐富和繁榮。在2022年的云棲大會上（http://www.aliyun.com/yunqi-/2022/index），阿里公布了其基于云邊協(xié)同架構(gòu)的五種新型解決方案，這五種方案分別支撐音視頻、云游戲、云渲染、邊緣組網(wǎng)和云網(wǎng)融合場景。華為、浪潮等企業(yè)也陸續(xù)開始提供云邊協(xié)同相關(guān)的技術(shù)支持服務(wù)。在學(xué)術(shù)研究方面，一些團(tuán)隊(duì)在電力物聯(lián)網(wǎng)[6-7]、工業(yè)物聯(lián)網(wǎng)[8-10]、車聯(lián)網(wǎng)[11-14]場景下開展云邊協(xié)同的相關(guān)研究工作。未來，云邊協(xié)同技術(shù)的持續(xù)優(yōu)化與發(fā)展，將為智慧醫(yī)療、智慧交通、軍事指揮等更多行業(yè)[5,15]發(fā)展提供有效支撐。

資源協(xié)同是云邊協(xié)同的基石[15-17]，而任務(wù)卸載是云邊資源協(xié)同的關(guān)鍵技術(shù)之一。鑒于此，本文詳細(xì)闡述云邊資源協(xié)同中任務(wù)卸載技術(shù)的原理，深入探討面臨的瓶頸，提出未來可深化研究的若干方向。

1 云邊資源協(xié)同及任務(wù)卸載簡述

1.1 云邊協(xié)同

隨著技術(shù)的不斷更迭以及5G/6G時(shí)代的到來，趨于成熟的云計(jì)算架構(gòu)逐漸顯露弊端。一方面，網(wǎng)絡(luò)視頻等應(yīng)用的迅猛發(fā)展對數(shù)據(jù)處理能力提出了更高的要求，通常而言，云服務(wù)器100 Mbit/s帶寬支持300人同時(shí)在線點(diǎn)播400 Kbit/s 碼率視頻，但隨著人們生活品質(zhì)的提升，高清畫質(zhì)的視頻需求日益增加，實(shí)現(xiàn)可控成本下的高質(zhì)量數(shù)據(jù)處理為主干網(wǎng)帶寬與云中心資源帶來了挑戰(zhàn)；另一方面，大量物聯(lián)網(wǎng)設(shè)備要求低延遲服務(wù)，終端數(shù)據(jù)量激增，云計(jì)算模式的響應(yīng)時(shí)間在2 s左右，邊緣計(jì)算模式的響應(yīng)時(shí)間可達(dá)0.5 ms[18]，云中心難以為繼更無法保證數(shù)據(jù)隱私安全。面對這一系列問題和挑戰(zhàn)，學(xué)術(shù)界和工業(yè)界的研究人員開始研究邊緣計(jì)算，希望借此解決應(yīng)用與資源的供需矛盾。

2013 年，美國太平洋西北國家實(shí)驗(yàn)室首次提出邊緣計(jì)算的概念，迅速引起了各國科技人員的廣泛關(guān)注。2019 年，我國科技企業(yè)開始把更多科研力量投入邊緣計(jì)算研究之中。相比云計(jì)算的集中化、規(guī)?；?，邊緣計(jì)算的資源部署更加靈活，對具有嚴(yán)格低延遲需求的場景，首要考慮縮短與終端設(shè)備的物理距離，部署在基站等處；對隱私保護(hù)要求高的場景，其部署則首要考慮合理的覆蓋范圍。

邊緣計(jì)算架構(gòu)包含眾多地理位置分散的邊緣計(jì)算節(jié)點(diǎn)，在該架構(gòu)下，待處理數(shù)據(jù)不再需要全部上傳到云中心，而是通過邊緣計(jì)算節(jié)點(diǎn)快速處理部分?jǐn)?shù)據(jù)。相比較云中心，單個邊緣計(jì)算節(jié)點(diǎn)資源有限，難以實(shí)現(xiàn)全域通信和調(diào)度。云中心距離終端設(shè)備過遠(yuǎn)，欠缺迅速實(shí)時(shí)的響應(yīng)能力。因此，云、邊計(jì)算相輔相成，邊緣端靠近執(zhí)行單元，可以作為數(shù)據(jù)采集和初步處理單元，也可以作為云派發(fā)算法的執(zhí)行單元；云端具備全局視野，可以將經(jīng)過大數(shù)據(jù)技術(shù)優(yōu)化的模型或規(guī)則派發(fā)給邊緣節(jié)點(diǎn)，處理數(shù)據(jù)量大的非延遲敏感任務(wù)。

常見的云交付模型為基礎(chǔ)設(shè)施即服務(wù)（infrastructure as a service，IaaS）、平臺即服務(wù)（platform as a service，PaaS）、軟件即服務(wù)（software as a service，SaaS）。類似的在邊緣計(jì)算，有EC-IaaS（edge computinginfrastructure as a service）、EC-PaaS（edge computingplatform as a service）、EC-SaaS（edge computingsoftware as a service）。2018年，邊緣計(jì)算產(chǎn)業(yè)聯(lián)盟在云邊協(xié)同1.0 中將云邊協(xié)同的能力和內(nèi)涵劃分為六個層次：資源協(xié)同、數(shù)據(jù)協(xié)同、智能協(xié)同、應(yīng)用管理協(xié)同、業(yè)務(wù)管理協(xié)同、服務(wù)協(xié)同[16]。為了優(yōu)化各協(xié)同之間的層次關(guān)系，在云邊協(xié)同白皮書2.0 中，六大協(xié)同整合為三大協(xié)同，應(yīng)用管理協(xié)同與業(yè)務(wù)協(xié)同合并到新版本的應(yīng)用協(xié)同中，數(shù)據(jù)協(xié)同和智能協(xié)同合并到新版本的服務(wù)協(xié)同中，資源協(xié)同保持不變，如圖1所示。

圖1 云邊協(xié)同能力與內(nèi)涵Fig.1 Capabilities and connotations of cloud-edge collaboration

2020年之后，云邊協(xié)同應(yīng)用場景逐漸明晰，一些實(shí)際應(yīng)用案例開始嶄露頭角[5]。如電網(wǎng)行業(yè)中，研究人員利用云邊協(xié)同框架優(yōu)化故障檢測系統(tǒng)（高阻抗故障檢測）。云中心是主要平臺，邊緣計(jì)算是云中心的擴(kuò)展，云中心從多個分發(fā)網(wǎng)絡(luò)采集故障數(shù)據(jù)用于訓(xùn)練基本模型，并將其發(fā)送到與各分發(fā)網(wǎng)絡(luò)相關(guān)聯(lián)的邊緣節(jié)點(diǎn)，每個邊緣節(jié)點(diǎn)基于基本模型，利用其局部數(shù)據(jù)生成特定模型。云中心負(fù)責(zé)基本計(jì)算并共享結(jié)果，云邊之間定期通信以更新模型。這種方式避免了重復(fù)計(jì)算，并且訓(xùn)練數(shù)據(jù)的數(shù)量和類型都得到了擴(kuò)充，能有效提升系統(tǒng)性能[19-21]。家裝行業(yè)中，研究人員將終端納入云邊協(xié)同框架，利用云-邊-端架構(gòu)設(shè)計(jì)全屋控制系統(tǒng)[22]。終端層由智能門禁、智能攝像頭等設(shè)備組成，邊緣層由網(wǎng)關(guān)、個人計(jì)算機(jī)等邊緣節(jié)點(diǎn)組成，云層由多個高性能服務(wù)器組成。終端設(shè)備收集用戶行為信息并生成數(shù)據(jù)，將其上傳到邊緣層，邊緣層負(fù)責(zé)計(jì)算、存儲這些數(shù)據(jù)以及管理和調(diào)度終端設(shè)備，同時(shí)，邊緣節(jié)點(diǎn)還會將部分?jǐn)?shù)據(jù)上傳到云中心。云中心負(fù)責(zé)接收、分析并存儲邊緣節(jié)點(diǎn)上傳的數(shù)據(jù)以及整個系統(tǒng)的管理和調(diào)度。另外，當(dāng)邊緣節(jié)點(diǎn)遇到無法處理的任務(wù)時(shí)，云中心會接管并處理這些任務(wù)，以便為用戶提供更好的服務(wù)。采礦行業(yè)中，為提高災(zāi)難預(yù)警速度，降低煤礦開采事故發(fā)生率，研究人員設(shè)計(jì)了基于云-邊-端架構(gòu)的環(huán)境監(jiān)測系統(tǒng)[23]。云中心負(fù)責(zé)智能算法的訓(xùn)練以及歷史數(shù)據(jù)的存儲，它定期將訓(xùn)練好的模型（例如地質(zhì)構(gòu)造分析模型）發(fā)送到邊緣設(shè)備，邊緣設(shè)備利用這些模型處理和分析終端傳感器上傳的礦井環(huán)境數(shù)據(jù)，確保及時(shí)排除煤礦開采過程中存在的安全隱患。綜上，云計(jì)算與邊緣計(jì)算必須緊密合作，實(shí)現(xiàn)云邊協(xié)同，才能更好地滿足多樣化的場景需求，最大限度發(fā)揮云計(jì)算、邊緣計(jì)算的價(jià)值優(yōu)勢。

1.2 云邊資源協(xié)同

在云邊協(xié)同能力與內(nèi)涵變化的過程中，資源協(xié)同沒有發(fā)生變化，這表明，對云邊協(xié)同系統(tǒng)而言，無論承載的上層應(yīng)用運(yùn)行于何種場景，輸入何種類型的數(shù)據(jù)，運(yùn)行何種模式的處理，資源都是它首要考慮的因素。在探究如何最大限度發(fā)揮云邊協(xié)同優(yōu)勢時(shí)，實(shí)現(xiàn)資源協(xié)同是基本前提。

資源協(xié)同提供了全局視角的資源調(diào)度能力，旨在根據(jù)任務(wù)的需求和資源的可用性，合理地分配任務(wù)和管理云邊資源，提高資源利用率，以實(shí)現(xiàn)更高效的計(jì)算和降低網(wǎng)絡(luò)延遲。它要求邊緣節(jié)點(diǎn)提供計(jì)算、存儲、網(wǎng)絡(luò)、虛擬化等基礎(chǔ)設(shè)施資源，具有本地資源調(diào)度管理能力，也接收并執(zhí)行云端的資源調(diào)度管理策略；云端則提供資源調(diào)度管理策略，包括邊緣節(jié)點(diǎn)的設(shè)備管理、資源管理以及網(wǎng)絡(luò)連接管理[17]，隨著認(rèn)識的不斷深入，云-邊-端三層架構(gòu)（見圖2）是目前被普遍認(rèn)可的一種云邊資源協(xié)同架構(gòu)[24-27]。

圖2 云邊資源協(xié)同架構(gòu)Fig.2 Architecture of cloud-edge resource collaboration

終端層，也可稱之為用戶層，通常由各種終端設(shè)備組成，比如智慧城市監(jiān)控?cái)z像頭[28]、工業(yè)物聯(lián)網(wǎng)設(shè)備[29]、智能家居設(shè)備[30]等。這些設(shè)備用于采集各種待處理數(shù)據(jù)。

邊緣層位于云層和終端層之間，由多種網(wǎng)絡(luò)和計(jì)算設(shè)備組成，比如基站、網(wǎng)關(guān)、邊緣服務(wù)器等，研究人員常提到的邊緣節(jié)點(diǎn)是對邊緣層多種產(chǎn)品形態(tài)的基礎(chǔ)共性能力的邏輯抽象。邊緣層主要具備以下幾個功能和作用：

（1）數(shù)據(jù)緩存和處理。邊緣層可以緩存終端需要的部分?jǐn)?shù)據(jù)，提高數(shù)據(jù)訪問速度，也可以在邊緣設(shè)備上進(jìn)行一些數(shù)據(jù)處理，比如格式轉(zhuǎn)換、數(shù)據(jù)脫敏等操作，以優(yōu)化傳輸?shù)皆浦行牡臄?shù)據(jù)質(zhì)量，縮短延遲。

（2）數(shù)據(jù)轉(zhuǎn)發(fā)。邊緣層可以根據(jù)終端應(yīng)用的處理需求和網(wǎng)絡(luò)狀況，將待處理數(shù)據(jù)轉(zhuǎn)發(fā)到相鄰節(jié)點(diǎn)，以便更快地完成數(shù)據(jù)處理并降低網(wǎng)絡(luò)負(fù)載，提高資源利用率。

（3）安全性保障。在邊緣層進(jìn)行數(shù)據(jù)處理和分析可以減少數(shù)據(jù)在互聯(lián)網(wǎng)上的傳輸，降低數(shù)據(jù)泄露和被攻擊的風(fēng)險(xiǎn)。

云層由云計(jì)算基礎(chǔ)設(shè)施組成，在三層架構(gòu)中，它具備最強(qiáng)的數(shù)據(jù)處理能力和存儲能力，負(fù)責(zé)處理全局信息以及一些計(jì)算復(fù)雜的任務(wù)。

云邊協(xié)同下的資源種類包括硬件資源和軟件資源兩種。在研究中常提到的計(jì)算資源、存儲資源、網(wǎng)絡(luò)資源屬于硬件資源，除此之外還有諸如虛擬網(wǎng)絡(luò)函數(shù)、推理模型等軟件資源。目前，端-邊-云框架已被應(yīng)用于工業(yè)物聯(lián)網(wǎng)場景。文獻(xiàn)[31]解決了通信資源（帶寬）分配問題，將所有任務(wù)首先上傳到邊緣節(jié)點(diǎn)，邊緣節(jié)點(diǎn)根據(jù)節(jié)點(diǎn)負(fù)載狀態(tài)決定任務(wù)是否需要轉(zhuǎn)發(fā)到云中心，然后根據(jù)任務(wù)的數(shù)據(jù)長度和信道瞬時(shí)狀態(tài)為待上傳到云中心的任務(wù)分配帶寬。文獻(xiàn)[32]在三級框架下根據(jù)任務(wù)的算力需求分配計(jì)算資源（服務(wù)器主頻），根據(jù)每個任務(wù)的延遲需求制定個性化的卸載策略，延遲敏感型任務(wù)卸載到邊緣服務(wù)器處理，有效降低了傳輸成本。在網(wǎng)絡(luò)直播場景下，文獻(xiàn)[33]提出的三層框架包括一個部署在云中心的服務(wù)器、多個部署在移動基站的服務(wù)器以及兩種類型的終端用戶。該研究假設(shè)手機(jī)端用戶通過移動網(wǎng)絡(luò)連網(wǎng)，電腦端用戶通過家庭寬帶連網(wǎng)，手機(jī)端用戶的任務(wù)（視頻流）發(fā)送到移動基站的服務(wù)器處理，電腦端用戶的任務(wù)發(fā)送到云中心的服務(wù)器處理，針對兩種類型用戶各自任務(wù)的內(nèi)存、主頻等資源需求，為任務(wù)分配合適的處理位置。

以上研究重點(diǎn)突出了邊緣層數(shù)據(jù)處理和轉(zhuǎn)發(fā)的功能，可以看出，邊緣層的引入使部分計(jì)算資源距離用戶更近，云中心位于“后方”作為總管提供全局保障。因此，相比獨(dú)立的云計(jì)算和邊緣計(jì)算應(yīng)用模式，云邊資源協(xié)同模式提供了更佳的解決方案。

1.3 任務(wù)卸載

任務(wù)卸載是云邊資源協(xié)同的關(guān)鍵技術(shù)之一，它的基本原理是根據(jù)任務(wù)的性質(zhì)和要求，制定合理的卸載策略，將計(jì)算密集型或延遲敏感的任務(wù)分配到邊緣節(jié)點(diǎn)處理，而將數(shù)據(jù)密集型或存儲密集型的任務(wù)分配到云中心處理，充分利用云邊資源，減少數(shù)據(jù)傳輸和響應(yīng)時(shí)間，提高系統(tǒng)的性能和用戶體驗(yàn)。

全部卸載也稱為二進(jìn)制卸載或“0-1”卸載，指將全部任務(wù)保留在本地計(jì)算或全部卸載調(diào)度到云中心、邊緣節(jié)點(diǎn)執(zhí)行。僅在本地處理時(shí)，響應(yīng)時(shí)間和成本由本地處理器的處理速率、存儲容量等條件決定。當(dāng)被全部卸載到云中心或邊緣節(jié)點(diǎn)處理時(shí)，響應(yīng)時(shí)間包括傳輸延遲和處理延遲，成本一般考慮傳輸成本，能耗考慮傳輸能耗和處理能耗，其中，處理能耗特指在無人機(jī)等邊緣節(jié)點(diǎn)可移動的通信場景下，邊緣節(jié)點(diǎn)處理任務(wù)產(chǎn)生的能耗。因?yàn)樵谶@些場景下，邊緣節(jié)點(diǎn)具備可移動性，無法像云服務(wù)器一樣直接接通電源供電，所以此時(shí)需要考慮在邊緣節(jié)點(diǎn)處的能耗。

全部卸載基于部分終端設(shè)備（比如采樣傳感器）不具備處理能力的現(xiàn)狀，將全部任務(wù)卸載到邊緣節(jié)點(diǎn)或云中心處理。隨著技術(shù)的發(fā)展，很多智能終端也具備一定的算力，能夠滿足一些任務(wù)的需要，因此在任務(wù)卸載過程中，這部分任務(wù)可以保留在本地執(zhí)行，其他任務(wù)利用云中心、邊緣節(jié)點(diǎn)處理，這就是部分卸載。部分卸載主要基于智能手機(jī)、可穿戴設(shè)備等智能設(shè)備具備一定處理能力的現(xiàn)狀，充分利用終端算力資源。

1.4 云邊資源協(xié)同應(yīng)用場景

在智能化應(yīng)用不斷發(fā)展的背景下，云邊資源的協(xié)同調(diào)度正逐漸成為各行各業(yè)優(yōu)化系統(tǒng)性能和提高資源利用率的重要手段。

1.4.1 智慧交通

智慧交通系統(tǒng)是最受期待的智能城市服務(wù)[34]，由于自動駕駛、高速公路無人感知收費(fèi)等場景數(shù)據(jù)吞吐很高且對響應(yīng)時(shí)間、網(wǎng)絡(luò)安全等都有很高的要求，在中心云計(jì)算和傳統(tǒng)網(wǎng)絡(luò)架構(gòu)下無法提供低延時(shí)的服務(wù)，因此借助云邊協(xié)同構(gòu)建一個低延時(shí)、安全、穩(wěn)定的運(yùn)行環(huán)境，可以減少出現(xiàn)流量堵塞的機(jī)會。

在自動駕駛場景中，車輛和交通基礎(chǔ)設(shè)施（交通信號燈、公路攝像頭等）需配備支持邊緣計(jì)算的傳感器，采集和處理來自車輛、環(huán)境的數(shù)據(jù)，這些位于系統(tǒng)邊緣的交通基礎(chǔ)設(shè)施之間相互連接，形成小型邊緣局域網(wǎng)，當(dāng)汽車在系統(tǒng)中行駛時(shí)，通過5G等通信技術(shù)與邊緣節(jié)點(diǎn)進(jìn)行交互，獲得實(shí)時(shí)路況分析、時(shí)間估測等服務(wù)。與此同時(shí)，云中心從邊緣節(jié)點(diǎn)收集經(jīng)過整理后的數(shù)據(jù)，利用深度學(xué)習(xí)等技術(shù)向邊緣節(jié)點(diǎn)反饋恰當(dāng)?shù)闹噶钜员ＷC自動駕駛的安全穩(wěn)定。

1.4.2 智慧醫(yī)療

隨著科技的不斷發(fā)展和人口老齡化的加劇，智慧醫(yī)療正成為醫(yī)療行業(yè)的發(fā)展趨勢。智慧醫(yī)療不僅僅是簡單地將傳統(tǒng)醫(yī)療服務(wù)數(shù)字化，而是利用先進(jìn)的信息技術(shù)和人工智能技術(shù)來實(shí)現(xiàn)醫(yī)療流程的數(shù)字化和智能化，進(jìn)一步提高醫(yī)療服務(wù)的效率和質(zhì)量。云邊資源協(xié)同能夠有效提高資源利用率，降低成本，實(shí)現(xiàn)資源優(yōu)化配置，為智慧醫(yī)療的發(fā)展提供有力支撐[35]。

遠(yuǎn)程醫(yī)療是實(shí)現(xiàn)智慧醫(yī)療的一種重要形式，即通過互聯(lián)網(wǎng)連接醫(yī)生和患者，實(shí)現(xiàn)遠(yuǎn)程問診、遠(yuǎn)程診斷和遠(yuǎn)程治療?；谠七厖f(xié)同的遠(yuǎn)程醫(yī)療體系架構(gòu)的終端層由各種與醫(yī)療保健相關(guān)的設(shè)備組成，比如智能手表等可穿戴設(shè)備或者醫(yī)療傳感器，這些設(shè)備將采集到的數(shù)據(jù)上傳到邊緣層。邊緣層由大量網(wǎng)絡(luò)邊緣節(jié)點(diǎn)組成，這些節(jié)點(diǎn)被部署在終端和云中心之間，比如醫(yī)院、社區(qū)保健站等，它們可以更快速地響應(yīng)終端的請求，也可以有效避免遠(yuǎn)程傳輸潛在的數(shù)據(jù)泄露問題。邊緣層定期將整理后的數(shù)據(jù)發(fā)送到云中心進(jìn)行總結(jié)分析和永久存儲。

云邊資源協(xié)同還有助于推動醫(yī)療資源共享的發(fā)展。醫(yī)療機(jī)構(gòu)通過云邊資源協(xié)同技術(shù)共享醫(yī)療設(shè)備、醫(yī)療數(shù)據(jù)等資源，減少醫(yī)療資源的浪費(fèi)和重復(fù)使用。

1.4.3 軍事指揮

云計(jì)算作為信息化建設(shè)的重要技術(shù)，為軍事領(lǐng)域的發(fā)展增加了極大的動力，但隨著技術(shù)的發(fā)展，云計(jì)算架構(gòu)在軍事應(yīng)用上顯露出以下不足：（1）通信帶寬供不應(yīng)求。近年來，軍事作戰(zhàn)裝備性能不斷提升，其產(chǎn)生的數(shù)據(jù)體量呈指數(shù)增長，如果仍將所有裝備的全部數(shù)據(jù)上傳到云數(shù)據(jù)中心會占用巨大的通信帶寬，甚至?xí)霈F(xiàn)擁塞，部分?jǐn)?shù)據(jù)不能得到及時(shí)處理，處理結(jié)果也無法及時(shí)回傳。（2）數(shù)據(jù)安全難以保證。在大量數(shù)據(jù)傳輸過程中，敵方若發(fā)動分布式拒絕服務(wù)（distributed denial of service，DDOS）攻擊，則我方重要情報(bào)數(shù)據(jù)會暴露。（3）集中化體系不可靠。云計(jì)算架構(gòu)最重要的一個特征就是集中化，但隨著多方對云計(jì)算技術(shù)的深入研究，在開展作戰(zhàn)時(shí)，云中心是首要被攻擊的目標(biāo)。一旦云中心被擊潰或與云中心之間的通信線路被切斷，則無法快速恢復(fù)戰(zhàn)斗力。

邊緣計(jì)算在靠近接入網(wǎng)側(cè)部署計(jì)算和存儲資源，可以快速響應(yīng)終端的請求。云邊資源協(xié)同在軍事領(lǐng)域的應(yīng)用主要有兩個方向：目標(biāo)識別和信息保障。

（1）目標(biāo)識別

現(xiàn)代戰(zhàn)爭中，高效精確的戰(zhàn)場情報(bào)是制勝關(guān)鍵。無人機(jī)偵察是獲取情報(bào)的重要手段之一，采集到的圖像數(shù)據(jù)需要經(jīng)過判斷篩選、識別標(biāo)注，以形成有用情報(bào)。過去的通常做法是人工操作，云計(jì)算技術(shù)普及后，改為上傳到云中心處理，但這種做法難以滿足快速作戰(zhàn)的時(shí)效性要求。云邊協(xié)同的計(jì)算模式可以較好地解決這個問題。通過在無人機(jī)上安裝計(jì)算芯片，可以實(shí)現(xiàn)對圖像數(shù)據(jù)的實(shí)時(shí)處理，只回傳具有目標(biāo)信息的關(guān)鍵幀，當(dāng)邊緣節(jié)點(diǎn)算力不足時(shí)，回傳到云中心處理。這種方式可以減輕通信負(fù)擔(dān)和后方中心處理的壓力。

（2）信息保障

在軍事信息保障領(lǐng)域，云中心與機(jī)動邊的協(xié)同服務(wù)模式有很大的應(yīng)用前景。機(jī)動邊緣，是一種與固定集中相對應(yīng)的場景，主要為戰(zhàn)時(shí)機(jī)動前出作戰(zhàn)提供信息服務(wù)和保障。通過構(gòu)建機(jī)動邊緣與云中心協(xié)同服務(wù)體系，為構(gòu)建快速打擊環(huán)路提供有效支撐，提升我軍機(jī)動作戰(zhàn)指揮能力和作戰(zhàn)單元靈活性。機(jī)動邊的作戰(zhàn)環(huán)境具備如下特點(diǎn)：（1）資源有限?？紤]到機(jī)動邊的定位是體量輕便，靈活性較好，因此雖具有一定的計(jì)算存儲等資源，但相對固定云中心，資源整體有限。（2）網(wǎng)絡(luò)連接動態(tài)。機(jī)動環(huán)境下，受多方面因素影響，網(wǎng)絡(luò)連接是動態(tài)變化的。

在基于云-機(jī)動邊協(xié)同的信息系統(tǒng)建設(shè)及保障方面，國外相關(guān)機(jī)構(gòu)提出的戰(zhàn)場邊緣云概念是將每個作戰(zhàn)單元視為一個節(jié)點(diǎn)，既向云中心提供數(shù)據(jù)也從云中心獲取數(shù)據(jù)，指揮員通過大數(shù)據(jù)分析系統(tǒng)做出決策實(shí)現(xiàn)跨域指揮調(diào)度。在此背景下，某研究機(jī)構(gòu)提出的分布式地面情報(bào)系統(tǒng)項(xiàng)目和內(nèi)容移動邊緣網(wǎng)絡(luò)項(xiàng)目都已經(jīng)在軍隊(duì)得到了廣泛應(yīng)用。

2 研究現(xiàn)狀

云邊資源協(xié)同主要包括兩種思路[36]：（1）以服務(wù)質(zhì)量要求為輸入。根據(jù)用戶發(fā)布任務(wù)對服務(wù)質(zhì)量的要求，綜合考慮能耗、時(shí)延等代價(jià)，將任務(wù)卸載到邊、云服務(wù)器或者本地處理，例如，文獻(xiàn)[37]利用遺傳算法解決了無人機(jī)場景下，以響應(yīng)時(shí)間和能耗為目標(biāo)的獨(dú)立任務(wù)卸載問題，文獻(xiàn)[38]利用第三代非支配排序遺傳算法解決了以響應(yīng)時(shí)間和能耗為優(yōu)化目標(biāo)的工作流卸載問題。（2）以資源需求為輸入。由于邊緣資源有限，且用戶請求的負(fù)載動態(tài)變化，根據(jù)任務(wù)對資源類型和能力等方面的要求，綜合考慮云和邊緣的資源配置，合理卸載任務(wù)，以充分滿足用戶的服務(wù)質(zhì)量要求，例如，文獻(xiàn)[39]提出的基于區(qū)塊鏈的自適應(yīng)資源分配框架，解決了移動邊緣計(jì)算頻譜資源的分配問題和任務(wù)卸載決策問題，文獻(xiàn)[40]提出的分層求解算法，解決了在非正交多址接入（non-orthogonal multiple access，NOMA）協(xié)議下頻譜資源和計(jì)算資源的分配問題以及任務(wù)卸載決策問題。因此，云邊資源協(xié)同研究的核心是最優(yōu)化任務(wù)卸載模型。在實(shí)際研究中，按照其運(yùn)行模式，區(qū)分為獨(dú)立任務(wù)和工作流兩類，并分別從全部卸載和部分卸載兩個角度開展相關(guān)工作。其中，獨(dú)立任務(wù)是指可獨(dú)立執(zhí)行并滿足用戶需求的任務(wù)，工作流由多個具備一定依賴關(guān)系的子任務(wù)構(gòu)成，如圖3[41]所示。

圖3 導(dǎo)航應(yīng)用任務(wù)拓?fù)潢P(guān)系圖Fig.3 Task topology diagram of navigation application

2.1 獨(dú)立任務(wù)

目前，以獨(dú)立任務(wù)為研究對象的工作較多。從卸載粒度（全部卸載、部分卸載）和優(yōu)化目標(biāo)（響應(yīng)時(shí)間、成本/能耗、多目標(biāo)）兩個維度，對現(xiàn)有研究進(jìn)行歸納總結(jié)。

2.1.1 全部卸載

目前，獨(dú)立任務(wù)全部卸載的主要研究內(nèi)容包括響應(yīng)時(shí)間優(yōu)化、成本優(yōu)化及多目標(biāo)優(yōu)化。

（1）響應(yīng)時(shí)間優(yōu)化

Hao等人[42]以最小化響應(yīng)時(shí)間為目標(biāo)，針對獨(dú)立任務(wù)的卸載問題展開研究，研究人員分別將任務(wù)置于本地、邊緣服務(wù)器、云服務(wù)器處理，并計(jì)算任務(wù)處理耗時(shí)最短的方案。接著，該團(tuán)隊(duì)開展了多個相對獨(dú)立任務(wù)的卸載問題的研究，該研究按照任務(wù)的重要性設(shè)置優(yōu)先級并賦予其不同的權(quán)重，將該場景下的響應(yīng)時(shí)間優(yōu)化問題定義為最小化末位任務(wù)響應(yīng)時(shí)間。該團(tuán)隊(duì)提出了一種啟發(fā)式貪心算法，并結(jié)合領(lǐng)域搜索算法制定卸載方案求解響應(yīng)時(shí)間的優(yōu)化問題。與將所有任務(wù)卸載到同一層和不考慮全局將每個任務(wù)分別卸載到其最佳計(jì)算位置相比，作者提出的方案明顯縮短了響應(yīng)時(shí)間，并且體現(xiàn)了全局最優(yōu)的思想。

上述研究假定僅存在一個邊緣節(jié)點(diǎn)的場景，并且系統(tǒng)設(shè)計(jì)簡單，對此，Ren 等人[43]針對多邊緣節(jié)點(diǎn)場景設(shè)計(jì)了一種云邊協(xié)同任務(wù)卸載模型，該模型主要解決通信資源和計(jì)算資源的聯(lián)合分配問題，仿真結(jié)果顯示該模型能夠顯著縮短響應(yīng)時(shí)間。其中，通信資源按照時(shí)隙進(jìn)行分配。在分配計(jì)算資源之前，首先制定任務(wù)卸載策略，計(jì)算某任務(wù)在邊緣節(jié)點(diǎn)處理所需通信資源和邊緣節(jié)點(diǎn)計(jì)算能力的比率，以及在云中心完成所需算力和邊緣節(jié)點(diǎn)計(jì)算能力的比率，得到二者諧波平均值，將該平均值用于任務(wù)劃分。當(dāng)邊緣計(jì)算資源不足時(shí)，將更多的任務(wù)數(shù)據(jù)卸載至云中心。相反，如果云計(jì)算資源非常稀缺，則在邊緣節(jié)點(diǎn)處理更多的任務(wù)數(shù)據(jù)。最后使用卡羅需-庫恩-塔克（Karush-Kuhn-Tucher，KKT）條件得到最佳計(jì)算資源分配策略。此類研究中，通常將云邊協(xié)同劃分為端邊協(xié)同和邊云協(xié)同兩部分，而目前對邊邊協(xié)同計(jì)算的研究還不夠深入，因此，還需要對邊緣節(jié)點(diǎn)間的協(xié)同進(jìn)行統(tǒng)籌，以實(shí)現(xiàn)最優(yōu)化的全局資源調(diào)度和管理。針對上述問題，Wu 等人[44]設(shè)計(jì)的協(xié)同框架引入邊邊協(xié)同，結(jié)合遺傳算法和模擬退火算法，實(shí)現(xiàn)了對任務(wù)總響應(yīng)時(shí)間的優(yōu)化。以遺傳算法為代表的啟發(fā)式算法是一種基于經(jīng)驗(yàn)的算法，它通過一些規(guī)則或者啟發(fā)式函數(shù)來指導(dǎo)搜索過程，從而達(dá)到快速找到最優(yōu)解的目的，區(qū)別于此，強(qiáng)化學(xué)習(xí)是一種數(shù)據(jù)驅(qū)動的算法，它通過與環(huán)境交互來自適應(yīng)地學(xué)習(xí)最優(yōu)策略，當(dāng)任務(wù)卸載問題的特征不完全已知或者無法通過預(yù)定義的規(guī)則或策略來完全刻畫時(shí)，更適合用強(qiáng)化學(xué)習(xí)來求解問題。Wang等人[45]利用強(qiáng)化學(xué)習(xí)中的Q 學(xué)習(xí)（Q-learning）算法，在無人機(jī)場景下解決任務(wù)卸載的響應(yīng)時(shí)間優(yōu)化問題。Wang等人[46]建立了利用NOMA 技術(shù)的響應(yīng)時(shí)間優(yōu)化模型，按照強(qiáng)化學(xué)習(xí)算法基本思想和組成（狀態(tài)空間、動作空間、狀態(tài)轉(zhuǎn)移概率、獎勵值、折扣因子），定義了一種適用于他們所提出的目標(biāo)函數(shù)的強(qiáng)化學(xué)習(xí)算法。但強(qiáng)化學(xué)習(xí)在處理高維度問題的時(shí)候仍存在不足，神經(jīng)網(wǎng)絡(luò)擅長學(xué)習(xí)更高層次的特征表示，結(jié)合了神經(jīng)網(wǎng)絡(luò)和強(qiáng)化學(xué)習(xí)的深度強(qiáng)化學(xué)習(xí)可以更好地處理高維狀態(tài)信息。Qi等人[47]利用深度強(qiáng)化學(xué)習(xí)算法，對任務(wù)卸載模型進(jìn)行優(yōu)化，該研究證明了任務(wù)卸載響應(yīng)時(shí)間優(yōu)化問題的目標(biāo)函數(shù)難以在多項(xiàng)式時(shí)間內(nèi)進(jìn)行數(shù)值求解?？紤]到求解該類型問題的高復(fù)雜性以及邊緣資源的局限性，他們提出了基于異步優(yōu)勢動作評價(jià)算法的云邊協(xié)同任務(wù)卸載優(yōu)化（cloud-edge collaboration scheduling algorithm based on asynchronous advantage actor-critic，CECS-A3C）算法。與深度Q 網(wǎng)絡(luò)（deep Q-network，DQN）算法相比，該研究進(jìn)一步縮短了任務(wù)處理時(shí)間。在任務(wù)卸載過程中網(wǎng)絡(luò)條件和服務(wù)器負(fù)載具有動態(tài)特性，而上述研究所提出的算法均是基于靜態(tài)場景，在動態(tài)場景下的應(yīng)用效果卻不理想。Yuan等人[48]考慮到任務(wù)卸載過程中可用帶寬具有時(shí)變性，并且當(dāng)面對大量待卸載任務(wù)的時(shí)候可能發(fā)生擁塞和饑餓現(xiàn)象，結(jié)合在線學(xué)習(xí)和深度強(qiáng)化學(xué)習(xí)算法提出了一種在線公平調(diào)度任務(wù)（online task dispatching and fair scheduling，OTDS）算法，與Qi 等人[47]提出的CECS-A3C 算法相比，兩種方法都考慮到了動態(tài)特性，但CECS-A3C算法只追求效率忽略了任務(wù)卸載的公平性，容易導(dǎo)致因任務(wù)等待時(shí)間過長，從而在任務(wù)截止前無法完成處理的問題。相比而言，OTDS在降低任務(wù)處理平均響應(yīng)時(shí)間方面的效果更佳。

（2）成本優(yōu)化

除了響應(yīng)時(shí)間，成本也是研究人員常關(guān)注的優(yōu)化指標(biāo)。Chen等人[49]關(guān)注到任務(wù)的產(chǎn)生過程是高度動態(tài)的，如何在保證動態(tài)卸載性能和降低成本之間取得折中是一個值得思考的問題。他們將該問題建模為在邊緣層卸載隊(duì)列平均長度約束下的長期平均成本優(yōu)化問題，利用李雅普諾夫算法將復(fù)雜優(yōu)化問題分解為一系列子問題，并使用并行方式進(jìn)行求解。Alam 等人[50]從供應(yīng)商角度，提出了一種基于云邊協(xié)同的醫(yī)療保健服務(wù)供應(yīng)通用物聯(lián)網(wǎng)框架，設(shè)計(jì)了基于交替方向乘子法的服務(wù)供應(yīng)機(jī)制。與貪心算法相比，這篇文章提到的框架更好地控制住了將任務(wù)全部卸載到云中心和邊緣節(jié)點(diǎn)處理所耗費(fèi)的成本，但對于醫(yī)療領(lǐng)域的應(yīng)用探索，該研究缺乏對數(shù)據(jù)安全及隱私維護(hù)成本的考量。

（3）多目標(biāo)優(yōu)化

Sardellitti 等人[51]提出了多任務(wù)邊緣計(jì)算場景下的任務(wù)卸載和資源管理策略，在滿足延遲要求的同時(shí)最大程度地減少總能耗。在單任務(wù)情況下，以封閉形式表示全局最優(yōu)解。在多任務(wù)情況下，提出了一種基于漸進(jìn)凸逼近的迭代算法，收斂到原始非凸問題的局部最優(yōu)解。由于多個任務(wù)到達(dá)云、邊服務(wù)器的順序具有隨機(jī)性，當(dāng)出現(xiàn)短時(shí)間內(nèi)大量到達(dá)的情況時(shí)，很容易引發(fā)擁塞。Gao等人[52]注意到這個問題，基于排隊(duì)理論，提出了一種適用于云服務(wù)器和邊緣服務(wù)器的任務(wù)緩存隊(duì)列模型，然后，基于李雅普諾夫穩(wěn)定性理論，提出了一種基于漂移加懲罰的求解策略，既降低了系統(tǒng)能耗又降低了服務(wù)器的擁塞程度。

Du等人[53]開展的聯(lián)合卸載決策優(yōu)化和計(jì)算通信資源分配的研究，以縮短響應(yīng)時(shí)間和系統(tǒng)能耗為目標(biāo)。該問題首先被建模為混合整數(shù)非線性規(guī)劃問題，由于該問題屬于NP 難（NP-hard）問題，作者退而求其次，將問題分為卸載決策和資源分配兩個子問題予以解決。通過變量替換并使用半正定松弛法將卸載決策優(yōu)化問題轉(zhuǎn)換為標(biāo)準(zhǔn)凸優(yōu)化問題解決；使用分式規(guī)劃和拉格朗日對偶分解解決資源分配問題。但類似前述工作所使用的傳統(tǒng)框架缺乏與環(huán)境交互的能力，對此，Wang等人[54]在框架中引入代理機(jī)制，利用其可感知性幫助用戶在云邊之間進(jìn)行任務(wù)卸載的決策，避免了盲目請求資源造成資源浪費(fèi)的情況，最終既縮短了響應(yīng)時(shí)間又降低了能耗。該研究與文獻(xiàn)[42]存在相同的缺陷，即協(xié)同系統(tǒng)過于簡單，只包括一個邊緣節(jié)點(diǎn)。

為此，Mahmud等人[55]在多邊緣節(jié)點(diǎn)場景下設(shè)計(jì)了一個多目標(biāo)優(yōu)化模型，用于提高卸載任務(wù)的利潤并降低服務(wù)交付延遲。具體而言，該模型是一個帶約束條件的整數(shù)線性規(guī)劃模型，為了在多項(xiàng)式時(shí)間內(nèi)解決問題，他們利用最佳擬合方法將任務(wù)多次迭代卸載到邊緣節(jié)點(diǎn)，最終實(shí)現(xiàn)約束條件下的利潤最大化和延遲最小化。不足之處在于，該研究在實(shí)驗(yàn)參數(shù)的設(shè)置上，邊緣節(jié)點(diǎn)之間的計(jì)算能力沒有得到區(qū)分，忽略了邊緣節(jié)點(diǎn)的異構(gòu)復(fù)雜性。

2.1.2 部分卸載

與全部卸載的研究目標(biāo)不同，關(guān)于部分卸載的主要研究內(nèi)容側(cè)重于響應(yīng)時(shí)間優(yōu)化、能耗優(yōu)化及多目標(biāo)優(yōu)化三方面。

（1）響應(yīng)時(shí)間優(yōu)化

Guo 等人[56]研究如何為計(jì)算密集型任務(wù)制定卸載決策和分配通信帶寬以實(shí)現(xiàn)平均響應(yīng)時(shí)間最小。他們將聯(lián)合優(yōu)化問題分解為多個凸優(yōu)化子問題，每個子問題都使用二進(jìn)制搜索和牛頓迭代法求解。但為了簡單起見，作者設(shè)計(jì)的云邊資源協(xié)同系統(tǒng)只考慮一個邊緣節(jié)點(diǎn)。Kai等人[57]假設(shè)每個任務(wù)都可以按照任何比例一分為三，分別在本地、邊緣節(jié)點(diǎn)和云中心處理，據(jù)此以最小化任務(wù)處理時(shí)間為目標(biāo)建立了一個凸優(yōu)化問題，并采用正余弦優(yōu)化方法求解。為了進(jìn)一步提高任務(wù)的執(zhí)行效率，傳統(tǒng)方法需要優(yōu)化和更新。利用機(jī)器學(xué)習(xí)或深度學(xué)習(xí)算法來完成優(yōu)化響應(yīng)時(shí)間的目標(biāo)是一項(xiàng)很有意義的工作。

Miao 等人[58]使用長短期記憶網(wǎng)絡(luò)（long shortterm memory,LSTM）預(yù)測每個任務(wù)的數(shù)據(jù)量大小，基于預(yù)測值設(shè)計(jì)卸載策略，優(yōu)化每個任務(wù)的響應(yīng)時(shí)間。此外，為了進(jìn)一步縮短響應(yīng)時(shí)間，他們開展了優(yōu)化研究，將已分配節(jié)點(diǎn)的任務(wù)劃分為兩個獨(dú)立子任務(wù)，為子任務(wù)繼續(xù)分配節(jié)點(diǎn)。通過引入LSTM算法預(yù)測數(shù)據(jù)量得到更細(xì)粒度的卸載策略，和本地計(jì)算及單邊緣節(jié)點(diǎn)計(jì)算策略相比，該方案提出的算法在響應(yīng)時(shí)間優(yōu)化方面有明顯提升。但該研究沒有考慮多任務(wù)卸載過程中可能存在的資源請求沖突問題，并且和此前多數(shù)研究一樣，缺少將算法進(jìn)行實(shí)際落地的環(huán)節(jié)。因此，在Meng等人[59]的研究中，不僅提出了一種在線感知調(diào)度算法（deadline-aware dispatching and scheduling algorithm，Dedas），還有意識地利用樹莓派和智能手機(jī)組建了一個簡易的云邊平臺，測試算法性能，這對未來相關(guān)研究方案的設(shè)計(jì)與改進(jìn)具備指導(dǎo)意義。但作者將一個多核服務(wù)器視作多個單核服務(wù)器，這可能會導(dǎo)致服務(wù)器多個內(nèi)核之間的負(fù)載不均衡，導(dǎo)致資源利用率低下。

（2）能耗優(yōu)化

Pan 等人[60]利用NOMA 進(jìn)行任務(wù)上傳和結(jié)果下載，使用連續(xù)凸逼近算法計(jì)算需要卸載的任務(wù)量以及時(shí)隙分配方案，通過優(yōu)化功率來降低能耗。Cheng等人[61]研究了數(shù)據(jù)共享下移動邊緣計(jì)算系統(tǒng)中的任務(wù)卸載問題。為了充分利用系統(tǒng)內(nèi)的算力資源，需要制定合理的卸載方案確定哪些數(shù)據(jù)需要卸載到移動邊緣計(jì)算（mobile edge computing，MEC）系統(tǒng)處理。對于不能再繼續(xù)分割的原子任務(wù)，它的卸載問題無法在多項(xiàng)式時(shí)間內(nèi)求解，作者提出一種基于線性規(guī)劃的近似求解算法；對于可以繼續(xù)劃分出相對獨(dú)立任務(wù)的可分割任務(wù)，需要關(guān)注的重點(diǎn)是根據(jù)數(shù)據(jù)分布合理編排子任務(wù)，作者首先提出兩種復(fù)雜度為O(n)的貪心算法，分別以負(fù)載均衡和能耗最小為目標(biāo)分割任務(wù)，再使用基于線性規(guī)劃的近似求解算法制定卸載策略。為了方便計(jì)算，作者將本地計(jì)算、卸載到邊緣節(jié)點(diǎn)處理、卸載到云中心處理三種情況下的能耗視作相同，顯然這與實(shí)際不符，本地計(jì)算的能耗明顯低于另外兩種情況。

上述研究均以優(yōu)化總能耗為目標(biāo)，但在一些應(yīng)用場景，總能耗并非最合適的優(yōu)化目標(biāo)。在5G移動計(jì)算場景下，網(wǎng)絡(luò)負(fù)載和計(jì)算負(fù)載可能會隨著時(shí)間和地理位置的變化而發(fā)生較大的波動。例如在高峰時(shí)段和高密度網(wǎng)絡(luò)區(qū)域，網(wǎng)絡(luò)和計(jì)算資源的需求可能會顯著增加，而在低負(fù)荷時(shí)段和低密度網(wǎng)絡(luò)區(qū)域，需求則可能較低。因此，優(yōu)化平均能耗可以幫助系統(tǒng)在不同時(shí)間和地點(diǎn)上調(diào)整能源使用，以滿足不同負(fù)荷需求，從而更好地適應(yīng)動態(tài)變化場景。針對該問題，F(xiàn)an等人[62]對不同處理模式下的能耗做出區(qū)分，以降低平均能耗為目標(biāo)，創(chuàng)新性地考慮邊緣服務(wù)器可能本來就有部分任務(wù)的緩存內(nèi)容。在他們提出的能耗最小化卸載算法中，以此為首要考慮因素，將這部分任務(wù)直接卸載到邊緣服務(wù)器處理，其他任務(wù)可以卸載到云中心或考慮邊緣服務(wù)器和本地的聯(lián)合處理。當(dāng)決定使用邊緣服務(wù)器和本地聯(lián)合處理的方式時(shí)，利用線性規(guī)劃計(jì)算卸載到邊緣層的比例。與不考慮緩存因素的方法相比，這篇文章的方法將平均能耗降低了56%。Xia等人[63]同樣以降低平均能耗為目標(biāo)，研究5G多蜂窩移動邊緣云中的任務(wù)離線和在線卸載問題。離線卸載即所有任務(wù)到達(dá)狀態(tài)已知，為靜態(tài)任務(wù)制定卸載方案。在求解過程中，考慮到整數(shù)線性規(guī)劃方法在處理大規(guī)模問題時(shí)靈活性差，作者結(jié)合濾波和取整思想提出了一種近似求解算法，去除能耗高的計(jì)算節(jié)點(diǎn)，迭代地將低能耗節(jié)點(diǎn)分配給任務(wù)。在線卸載即在當(dāng)前時(shí)隙不知哪個任務(wù)即將到達(dá)，為動態(tài)任務(wù)制定卸載策略。作者利用強(qiáng)化學(xué)習(xí)和深度Q學(xué)習(xí)求解問題，輕量級強(qiáng)化學(xué)習(xí)算法用來決定當(dāng)前時(shí)隙哪些任務(wù)需要卸載，深度Q學(xué)習(xí)算法用來制定任務(wù)在云邊之間的卸載決策。作者在本文做出的研究和一些基礎(chǔ)算法相比，顯著降低了能耗。美中不足的是，這篇文章假設(shè)一臺設(shè)備不能同時(shí)處理多個任務(wù)。

（3）多目標(biāo)優(yōu)化

為了同時(shí)降低能耗和延遲，Sun 等人[64]提出了一個混合整數(shù)非線性規(guī)劃問題用于優(yōu)化端-邊-云協(xié)作系統(tǒng)中所有任務(wù)的總延遲和總能耗。這是一個很難在多項(xiàng)式時(shí)間內(nèi)進(jìn)行求解的問題，包含兩個子問題的求解，一是卸載決策，二是資源分配。卸載決策問題被建模為0-1背包問題，作者提出了一種時(shí)間復(fù)雜度較低的分層啟發(fā)式算法求解。資源分配問題的最優(yōu)解則采用柯西-施瓦滋不等式求解。吳學(xué)文等人[65]在考慮時(shí)延和能耗的基礎(chǔ)上又增加了對成本的優(yōu)化，他們提出了一個云邊協(xié)同系統(tǒng)效用最大化問題，并將其分為三個子問題求解：計(jì)算資源分配、上行通信資源分配、任務(wù)卸載策略。首先利用KKT 條件求得計(jì)算資源分配的最優(yōu)解；接著提出了一種低復(fù)雜度的離散算法來快速分配用戶的發(fā)射功率；最后提出了一種基于博弈論的分布式任務(wù)卸載算法。作者提出的綜合解決方案在時(shí)延、能耗和成本的優(yōu)化方面都具有良好的效果。上述研究都忽略了網(wǎng)絡(luò)環(huán)境的時(shí)變性，Huang 等人[66]考慮到這一點(diǎn)，開展了初步研究。他們在車聯(lián)網(wǎng)場景下，將卸載決策問題建模為馬爾科夫決策過程，利用深度強(qiáng)化學(xué)習(xí)算法降低了延遲和成本。

2.1.3 小結(jié)

綜上，國內(nèi)外很多研究團(tuán)隊(duì)對獨(dú)立任務(wù)的卸載問題進(jìn)行了深入研究，并取得了較大的成果，但總體上還存在以下幾方面問題：一是忽略傳播時(shí)延，響應(yīng)時(shí)間的計(jì)算模型比較簡單。云計(jì)算和邊緣計(jì)算的端到端傳輸距離相差懸殊，5G基站的覆蓋半徑為100～300 m，終端到國內(nèi)云中心的數(shù)據(jù)傳輸距離能達(dá)到500 km，且存在多跳轉(zhuǎn)發(fā)，因此有必要考慮終端到云中心的傳播時(shí)延。二是以降低電能消耗為主，鮮少考慮能量轉(zhuǎn)換。從綠色節(jié)能的角度來看，能量收集技術(shù)能通過環(huán)境光、射頻等采集能量，盡管捕捉到的能量轉(zhuǎn)換成的電能不多，但對于一些超低能耗的節(jié)點(diǎn)完全足夠。三是評價(jià)指標(biāo)缺乏創(chuàng)新，現(xiàn)有研究在確定優(yōu)化目標(biāo)的時(shí)候，大多是對響應(yīng)時(shí)間、能耗和成本進(jìn)行排列組合，事實(shí)上還有別的評價(jià)指標(biāo)需要考慮和優(yōu)化，比如資源利用率、單位時(shí)間完成任務(wù)數(shù)等。

2.2 工作流

相比以獨(dú)立任務(wù)為研究對象的工作，研究工作流卸載的工作較少。一個應(yīng)用程序往往由多個具備依賴關(guān)系的任務(wù)組成，如圖4所示。這種工作流形式的研究對象更符合實(shí)際場景。圍繞工作流卸載的研究多以響應(yīng)時(shí)間優(yōu)化、能耗優(yōu)化及多目標(biāo)優(yōu)化作為優(yōu)化目標(biāo)。因此，從卸載粒度（全部卸載、部分卸載）和優(yōu)化目標(biāo)（響應(yīng)時(shí)間、能耗、多目標(biāo)）兩個維度對現(xiàn)有研究進(jìn)行歸納總結(jié)。

2.2.1 全部卸載

（1）響應(yīng)時(shí)間優(yōu)化

Du 等人[67]為了優(yōu)化響應(yīng)時(shí)間，將所有任務(wù)分為兩組，分別卸載到邊緣節(jié)點(diǎn)和云中心進(jìn)行處理，并提出了一種新式加權(quán)圖的處理方法，與傳統(tǒng)加權(quán)圖相比，在作者提出的加權(quán)圖中，節(jié)點(diǎn)表示任務(wù)或數(shù)據(jù)庫，依據(jù)在云中心、邊緣節(jié)點(diǎn)處理的計(jì)算延遲被賦予權(quán)重，邊表示兩個任務(wù)之間或任務(wù)與數(shù)據(jù)庫之間的通信，依據(jù)傳輸延遲給邊賦予權(quán)重，此時(shí)，經(jīng)典的最小分割算法不適用于作者提出的加權(quán)圖，作者通過將原始加權(quán)圖轉(zhuǎn)化為增廣圖，再使用最小分割法切割圖形的方法得到卸載結(jié)果。在這篇文章中，作者默認(rèn)每臺邊緣服務(wù)器包含卸載任務(wù)所需的所有服務(wù)，但由于邊緣服務(wù)器存儲容量有限，只能緩存有限數(shù)量的服務(wù)。因此，Zhang等人[68]在云-邊-端框架下，規(guī)定每臺邊緣服務(wù)器只存儲部分任務(wù)的所需服務(wù)，云服務(wù)器存儲了所有服務(wù)。作為服務(wù)請求方，終端上有很多需要借助云邊資源協(xié)同架構(gòu)執(zhí)行的應(yīng)用程序（比如人臉識別、虛擬現(xiàn)實(shí)應(yīng)用），在卸載這些應(yīng)用的子任務(wù)時(shí)，邊緣服務(wù)器是首選，當(dāng)任何一臺邊緣服務(wù)器都無法處理該任務(wù)時(shí)，將任務(wù)卸載到云服務(wù)器處理。作者設(shè)計(jì)了一種基于貪心策略的卸載算法，降低了響應(yīng)時(shí)間。

在上述研究的基礎(chǔ)上，一些研究人員提出分布式邊緣計(jì)算的概念，作為邊緣計(jì)算的擴(kuò)展和演進(jìn)，分布式邊緣計(jì)算通過在多個邊緣設(shè)備之間共享計(jì)算任務(wù)，形成一個分布式的計(jì)算網(wǎng)絡(luò)，來實(shí)現(xiàn)更高級別的計(jì)算協(xié)同和資源優(yōu)化。Lee等人[69]為了優(yōu)化云邊資源協(xié)同系統(tǒng)中工作流卸載的完成時(shí)間，設(shè)計(jì)了一種感知任務(wù)間依賴關(guān)系的低復(fù)雜度啟發(fā)式算法，與傳統(tǒng)忽略依賴關(guān)系的卸載方案相比，他們提出的算法將完成時(shí)間降低了18%。事實(shí)上，Lee等人沒有對多個邊緣節(jié)點(diǎn)之間的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)進(jìn)行明確的設(shè)計(jì)和管理，多個邊緣節(jié)點(diǎn)之間的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)并不明確。Haja 等人[70]明確邊緣節(jié)點(diǎn)之間以及邊緣節(jié)點(diǎn)和云中心之間的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)是網(wǎng)狀的，基于此，研究大數(shù)據(jù)應(yīng)用在分布式節(jié)點(diǎn)處理過程中性能下降的問題。作者提出一種快速感知分布式系統(tǒng)網(wǎng)絡(luò)拓?fù)涞膬?yōu)化算法，以降低端到端延遲和提高帶寬的有效分配率。

（2）能耗優(yōu)化

Gu 等人[71]研究在邊緣節(jié)點(diǎn)計(jì)算能力、無線信道狀態(tài)和響應(yīng)時(shí)間的約束下，如何有效分配計(jì)算任務(wù)以降低能耗的問題。作者利用一對多的匹配理論進(jìn)行建模分析，提出了一種啟發(fā)式交換匹配算法，該算法的性能優(yōu)于隨機(jī)分配算法。Liu等人[72]研究在響應(yīng)時(shí)間和任務(wù)依賴關(guān)系約束下如何降低能耗。為此，作者提出了一種基于半正定松弛和隨機(jī)映射的節(jié)能任務(wù)卸載算法。實(shí)驗(yàn)表明，云邊協(xié)同計(jì)算能很好地降低物聯(lián)網(wǎng)傳感器的能耗。但以上研究的假定條件都忽略了資源環(huán)境的動態(tài)性或用戶的移動性。

（3）多目標(biāo)優(yōu)化

粒子群算法作為一種智能算法，參數(shù)少、收斂速度快、算法實(shí)現(xiàn)簡單，在工作流卸載中得到了廣泛的應(yīng)用。但以粒子群算法為代表的傳統(tǒng)啟發(fā)式算法存在一些共同的問題，比如容易陷入局部最優(yōu)，難以求得真正的最優(yōu)解。因此，Xie 等人[73]提出一種定向非局部收斂粒子群優(yōu)化算法，大大減少了響應(yīng)時(shí)間和成本。為了減少響應(yīng)時(shí)間和能耗，Shao等人[74]提出了一種基于遺傳算法和模擬退化算法的任務(wù)卸載算法。首先構(gòu)建云邊協(xié)作框架，其次建立以最小化響應(yīng)時(shí)間和成本為目標(biāo)的任務(wù)卸載策略求解問題，使用改進(jìn)的遺傳模擬退火算法得到最優(yōu)策略。與傳統(tǒng)云中心處理模式相比，作者提出的方案將響應(yīng)時(shí)間和能耗減少了25%。以上研究同樣是適用于靜態(tài)場景，沒有考慮用戶的移動性。

2.2.2 部分卸載

（1）響應(yīng)時(shí)間優(yōu)化

Lakhan 和Li[75]提出了感知工作流內(nèi)容的任務(wù)調(diào)度（content-aware task scheduling algorithm，CATSA）框架。首先，根據(jù)任務(wù)數(shù)據(jù)量和任務(wù)間的依賴關(guān)系設(shè)置任務(wù)執(zhí)行的截止日期。然后，CATSA 對比現(xiàn)有任務(wù)排序方法：截止日期最短優(yōu)先、進(jìn)程最小優(yōu)先、延遲最小優(yōu)先，選擇性能最好結(jié)果作為排序方案。最后，使用局部搜索算法并結(jié)合優(yōu)劣解距離（technique for order preference by similarity to an ideal solution，TOPSIS）法和層次分析（analytic hierarchy process,AHP）法制定卸載策略。實(shí)驗(yàn)結(jié)果表明，作者提出的框架與現(xiàn)有任務(wù)卸載算法相比減少了處理工作流的響應(yīng)時(shí)間。但作者是在用戶不具備移動性的場景下開展的普適研究，沒有考慮到邊緣節(jié)點(diǎn)之間的異構(gòu)性。

由于汽車具備移動性，在車聯(lián)網(wǎng)背景下開展的研究多基于動態(tài)用戶，且隨著車輛網(wǎng)技術(shù)不斷發(fā)展，很多汽車本身配備一些必要的計(jì)算、存儲資源。為了充分利用這些資源，Sun等人[76]設(shè)計(jì)了一種基于遺傳算法的任務(wù)卸載方法，將一些原本在云中心或邊緣節(jié)點(diǎn)處理的任務(wù)卸載到與之相連的車輛以提高平均響應(yīng)時(shí)間。因?yàn)檐囕v具有移動性，他們首先利用超愛爾蘭（Hyper-Erlang）分布對每輛車在蜂窩網(wǎng)絡(luò)覆蓋范圍內(nèi)的停留時(shí)間建模，接著將任務(wù)卸載問題建模為優(yōu)化問題，對遺傳算法進(jìn)行整數(shù)編碼并去除不可用子代，使用改進(jìn)的遺傳算法求解問題。在這項(xiàng)工作中，對所有參數(shù)，作者將其各自的平均值帶入問題求解，這可能導(dǎo)致其結(jié)果不是最優(yōu)的。

（2）能耗優(yōu)化

Abdullah 等人[77]提出了一種任務(wù)卸載策略來降低移動設(shè)備和虛擬機(jī)的能耗。該策略首先采用最小切割算法[78]將工作流劃分為本地執(zhí)行任務(wù)和非本地執(zhí)行任務(wù)，目的是最小化移動設(shè)備能耗。接著，為了優(yōu)化云邊系統(tǒng)中的虛擬機(jī)能耗，迭代地將任務(wù)卸載到功率最小的虛擬機(jī)并保證在任務(wù)截止前完成處理。但上述研究假定每臺虛擬機(jī)的功率和無線網(wǎng)絡(luò)的傳輸速率都是常數(shù)，這與實(shí)際情況不符。

（3）多目標(biāo)優(yōu)化

De和Kimovski[79]將云邊協(xié)同環(huán)境下的工作流卸載調(diào)度問題表述為NP 難的多目標(biāo)優(yōu)化問題。該問題將響應(yīng)時(shí)間、成本和可靠性作為目標(biāo)，研究了優(yōu)化上述三個目標(biāo)時(shí)的帕累托前沿，提出了一種基于第二代非支配排序遺傳算法的多目標(biāo)工作流卸載優(yōu)化算法。在開展研究的過程中，作者假設(shè)每個任務(wù)都有各自的需求而不是考慮工作流的整體需求在每個子任務(wù)上的體現(xiàn)，這與實(shí)際場景不符。此外，作者也沒有考慮可能存在的任務(wù)排隊(duì)時(shí)延。

區(qū)別于以上所有研究，Liao等人[80]研究從云到邊的任務(wù)卸載。在云-邊-端框架下，將云服務(wù)器上需要訓(xùn)練的全局模型分級派發(fā)到邊緣服務(wù)器和終端設(shè)備（例如具備處理能力的光伏板和各種儲能單元）。首先，終端利用其采集到的數(shù)據(jù)訓(xùn)練小規(guī)模的模型；其次，這些完成訓(xùn)練的小模型被上傳到邊緣服務(wù)器進(jìn)行聚合，形成局部模型；最后，云服務(wù)器將邊緣服務(wù)器上傳的模型聚合成全局模型。作者利用拉格朗日優(yōu)化求解卸載過程中的能耗和延遲優(yōu)化問題。

2.2.3 小結(jié)

總的來說，以工作流為研究對象的工作較少，目前主要存在以下問題：當(dāng)工作流內(nèi)部的任務(wù)依賴關(guān)系表現(xiàn)為數(shù)據(jù)依賴時(shí)，下行鏈路的回傳時(shí)間也是構(gòu)成響應(yīng)時(shí)間的一部分，但很多研究為了簡化計(jì)算都忽略了這一點(diǎn)；除此之外，現(xiàn)有研究多以人為生成的有向無環(huán)圖作為卸載對象。

3 存在的問題及未來研究方向

通過前面對研究現(xiàn)狀的歸納和介紹，不難看出云邊資源協(xié)同是當(dāng)前一個很熱門的研究領(lǐng)域，在過去的五年中，一些研究也取得了突破性進(jìn)展，但仍存在一些問題，如表1所示。通過對云邊資源協(xié)同下任務(wù)卸載現(xiàn)狀的認(rèn)識，總結(jié)出其存在的問題如下：

表1 云邊資源協(xié)同中的任務(wù)卸載技術(shù)研究現(xiàn)狀總結(jié)Table 1 Summary of research status of task offloading technology in cloud-edge resource collaboration

（1）場景設(shè)計(jì)問題。大量研究在靜態(tài)場景下開展，這與現(xiàn)實(shí)是相悖的，在制定卸載策略的時(shí)候都是基于靜態(tài)分析，在任務(wù)開始執(zhí)行前確定最佳的部分卸載決策，并按照決策將任務(wù)指派到云中心或者邊緣節(jié)點(diǎn)。但在實(shí)際應(yīng)用中，任務(wù)的負(fù)載可能會動態(tài)地變化，例如，由于移動設(shè)備的位置變化、網(wǎng)絡(luò)帶寬的波動、用戶行為的變化等，導(dǎo)致任務(wù)的部分卸載決策需要重新調(diào)整。靜態(tài)分析策略無法及時(shí)適應(yīng)這些變化，可能會導(dǎo)致任務(wù)的響應(yīng)時(shí)間延遲或者任務(wù)執(zhí)行效率低下。

（2）卸載模型的建立問題。隨著研究的不斷深入，人們意識到任務(wù)卸載和資源分配的聯(lián)合優(yōu)化更具有現(xiàn)實(shí)意義。如何圍繞工作流卸載和計(jì)算、通信、存儲資源分配的聯(lián)合問題開展研究是一個具有挑戰(zhàn)的問題。此外，很多研究在優(yōu)化響應(yīng)時(shí)間、能耗、成本等性能指標(biāo)的時(shí)候忽略了系統(tǒng)安全問題，例如在軍事領(lǐng)域，會存在很多對抗事件，沒有研究人員建立網(wǎng)絡(luò)攻擊和干擾條件下的卸載模型。

（3）模型的落地實(shí)現(xiàn)問題?，F(xiàn)有研究大多人為生成任務(wù)數(shù)據(jù)，在集成開發(fā)環(huán)境實(shí)現(xiàn)算法，缺少在工程實(shí)踐領(lǐng)域的落地以檢驗(yàn)?zāi)Ｐ偷耐陚湫院退惴ǖ挠行浴?/p>

結(jié)合現(xiàn)存問題，未來可以著重以工作流為研究對象，并在以下五方面展開更深入、更全面的研究。

（1）資源動態(tài)調(diào)度問題。隨著人工智能和機(jī)器學(xué)習(xí)技術(shù)的不斷發(fā)展，云邊資源協(xié)同模式下的資源調(diào)度有望變得更加智能化。通過使用大數(shù)據(jù)分析、機(jī)器學(xué)習(xí)算法等技術(shù)，可以對邊緣節(jié)點(diǎn)的資源使用情況進(jìn)行實(shí)時(shí)監(jiān)控和預(yù)測，從而做出更加智能和精準(zhǔn)的資源調(diào)度決策，提高資源利用效率。未來，資源調(diào)度需要能支持更加靈活的策略，例如根據(jù)應(yīng)用的實(shí)時(shí)需求和用戶位置等動態(tài)調(diào)整資源分配，實(shí)現(xiàn)更加精細(xì)化的資源管理。云邊協(xié)同場景下資源的狀態(tài)是時(shí)變的，強(qiáng)化學(xué)習(xí)技術(shù)強(qiáng)調(diào)與環(huán)境的交互，深度學(xué)習(xí)算法越來越先進(jìn)，將這兩種技術(shù)融合進(jìn)云邊場景是未來的趨勢之一。未來以工作流為研究對象的工作可以考慮結(jié)合新型深度強(qiáng)化學(xué)習(xí)算法（比如，DDQN（double DQN）、D3QN（dueling double DQN）等），增加對動態(tài)環(huán)境的感知與反饋，輔助做出最優(yōu)決策。同時(shí)，在資源調(diào)度的過程中，用戶可能離開邊緣節(jié)點(diǎn)的覆蓋范圍，未來也需要深入研究用戶移動性對資源調(diào)度的影響。

（2）突發(fā)請求處理問題。當(dāng)有新的任務(wù)請求到達(dá)正在執(zhí)行任務(wù)的邊緣服務(wù)器時(shí)，相關(guān)研究通過評估任務(wù)執(zhí)行總時(shí)間，決定替換現(xiàn)有任務(wù)或排隊(duì)等待執(zhí)行。當(dāng)面對突發(fā)請求時(shí)，需要制定全面的中斷請求機(jī)制，除了考慮任務(wù)執(zhí)行總時(shí)間，還需要考慮任務(wù)的重要性，以及任務(wù)間的既定順序以此判斷是將原任務(wù)調(diào)度到云中心或其他邊緣節(jié)點(diǎn)還是繼續(xù)在原位置處理。

（3）任務(wù)卸載與多種資源分配的聯(lián)合優(yōu)化。任務(wù)數(shù)據(jù)應(yīng)由處理節(jié)點(diǎn)接收并緩存在數(shù)據(jù)隊(duì)列中等待處理，因此，盡管緩存和排隊(duì)過程比較復(fù)雜，但對于實(shí)時(shí)任務(wù)的處理，這兩個過程是很重要的。然而，在大多數(shù)現(xiàn)有工作中，響應(yīng)時(shí)間被認(rèn)為是本地處理時(shí)間、傳輸時(shí)間和邊-云處理時(shí)間的總和，忽略了緩存和排隊(duì)過程。此外，大多數(shù)有關(guān)緩存資源調(diào)度的研究更側(cè)重于在網(wǎng)絡(luò)邊緣緩存常用內(nèi)容以避免相同內(nèi)容的重復(fù)傳輸。目前已經(jīng)出現(xiàn)一些結(jié)合計(jì)算資源和通信資源分配的研究，未來的工作應(yīng)該通過考慮緩存和排隊(duì)過程來進(jìn)一步推進(jìn)計(jì)算、通信、存儲資源分配的研究。

（4）資源調(diào)度的安全性問題。目前，一些研究主要使用區(qū)塊鏈技術(shù)和環(huán)簽名加密技術(shù)，通過數(shù)字簽名驗(yàn)證機(jī)制確保云邊資源協(xié)同調(diào)度的安全可靠性，但遠(yuǎn)未取得令人滿意的成果。未來的研究需要填補(bǔ)現(xiàn)有研究的不足，排除潛在風(fēng)險(xiǎn)。①需要加強(qiáng)身份認(rèn)證和訪問控制，在云邊資源協(xié)同模式下，涉及到多個邊緣節(jié)點(diǎn)的資源調(diào)度和協(xié)同合作，未來需要加強(qiáng)對用戶和設(shè)備的身份認(rèn)證和訪問控制，確保只有授權(quán)的用戶和設(shè)備能夠訪問和操作資源，防止未經(jīng)授權(quán)的訪問和潛在的安全風(fēng)險(xiǎn)。②邊緣節(jié)點(diǎn)安全防護(hù)的強(qiáng)化也值得探索。邊緣節(jié)點(diǎn)通常分布在不同的地理位置，面臨更多的安全威脅。未來可以采用更加先進(jìn)的安全技術(shù)，例如邊緣防火墻、入侵檢測系統(tǒng)、安全監(jiān)控和反欺詐技術(shù)等，以加強(qiáng)邊緣節(jié)點(diǎn)的安全防護(hù)，抵御潛在的攻擊和威脅。③隨著云邊資源協(xié)同的復(fù)雜性增加，強(qiáng)化安全監(jiān)測和應(yīng)急響應(yīng)也是需要關(guān)注的重點(diǎn)，通過實(shí)時(shí)監(jiān)測邊緣節(jié)點(diǎn)的安全狀態(tài)，發(fā)現(xiàn)和應(yīng)對安全事件和威脅，提高對安全漏洞和威脅的應(yīng)急響應(yīng)能力。

（5）落地實(shí)踐性問題。大多數(shù)研究人員都通過仿真平臺模擬實(shí)驗(yàn)，未來的研究可以設(shè)計(jì)實(shí)現(xiàn)用于性能評估的實(shí)際實(shí)驗(yàn)平臺。同時(shí)，近年來很多互聯(lián)網(wǎng)公司也開發(fā)了云邊協(xié)同計(jì)算平臺，比如輕量級Kubernetes（K3s）、KubeEdge 等，這些平臺內(nèi)置了一些編排和管理方式供用戶使用。未來新研究的算法一方面也可以和平臺內(nèi)置的算法作對比，驗(yàn)證所做工作和這些已經(jīng)投入實(shí)際應(yīng)用的成型產(chǎn)品相比是否具有優(yōu)越性；另一方面可以和這些開源平臺結(jié)合，增強(qiáng)研究工作的落地性。此外，如何利用來自生產(chǎn)實(shí)踐的真實(shí)數(shù)據(jù)開展研究，將云邊資源協(xié)同應(yīng)用于更多領(lǐng)域帶動產(chǎn)業(yè)發(fā)展也是一個需要思考的問題。

4 結(jié)束語

21世紀(jì)以來，云計(jì)算經(jīng)歷了多年發(fā)展，相關(guān)技術(shù)已趨于成熟，但隨著該技術(shù)的廣泛應(yīng)用其弊端逐漸顯現(xiàn)。邊緣計(jì)算作為云計(jì)算的補(bǔ)充，近年來得到越來越多的關(guān)注，云邊協(xié)同模式也逐漸被人們看到和了解。本文首先介紹了云邊協(xié)同和此架構(gòu)下資源協(xié)同概念的發(fā)展過程及概念內(nèi)涵，闡述了任務(wù)卸載技術(shù)的含義和云邊資源協(xié)同在智慧交通、智慧醫(yī)療和軍事指揮領(lǐng)域的應(yīng)用；其次，按照現(xiàn)有研究對象和優(yōu)化目標(biāo)的差異，分類介紹研究現(xiàn)狀；最后，歸納總結(jié)存在的問題和未來的研究方向，以期對今后有關(guān)云邊資源協(xié)同和任務(wù)卸載技術(shù)的研究工作提供參考。隨著視頻分析等領(lǐng)域?qū)?shí)時(shí)響應(yīng)、隱私保護(hù)等要求的提高，未來，圍繞云邊資源協(xié)同開展的研究將更有意義。