(重慶大學 計算機學院， 重慶 400030)

近年來，隨著物聯(lián)網(wǎng)技術、移動通訊技術、移動設備及移動應用的迅速發(fā)展，用戶可以在移動終端上體驗各種應用程序，如虛擬現(xiàn)實(VR)、增強現(xiàn)實(AR)和人工智能(AI)等.這些功能強大的移動應用雖然給用戶帶來了煥然一新的體驗，但是也對移動終端設備的處理性能、存儲能力、電池續(xù)航等帶來了新挑戰(zhàn)[1-2].近年來，雖然移動設備的處理器取得了飛速發(fā)展，但是面對用戶日益復雜的業(yè)務需要、嚴苛的響應時間約束及電池能耗要求，仍然沒有統(tǒng)籌兼顧的解決方案.這不僅影響了用戶對復雜移動應用程序的體驗效果，也為移動設備的設計與制造帶來了新的挑戰(zhàn)與難題[3].為了解決上述問題，業(yè)界提出了移動應用程序卸載技術，將復雜的計算任務從移動設備上卸載到云端進行執(zhí)行，利用云端海量、可伸縮的計算資源來加速本地應用程序執(zhí)行[4-6]，從而在不改變現(xiàn)有資源的情況下,加速移動應用程序的執(zhí)行，為終端用戶帶來更好的體驗.

與云計算模式不同，移動邊緣計算強調(diào)用戶設備(UE, User Equipment)產(chǎn)生的數(shù)據(jù)和請求在網(wǎng)絡的邊緣被分析、處理[1]，從而極大降低處理時延，節(jié)約通訊開銷.對任務卸載而言，移動邊緣計算平臺是理想的資源池[7].與卸載至遠程云相比，將移動任務卸載至邊緣服務器上，既能減少時延,又能充分利用用戶周邊存在的空閑資源，取得性能與資源利用率的雙贏.第五代通訊技術(5G)已將邊緣計算納入相關標準[8]，作為移動邊緣計算的核心技術之一.移動任務卸載技術是國內(nèi)外科研人員和業(yè)界廠商的研究熱點.計算任務卸載是指將UE的計算任務通過點對點(D2D)通信或者軟件定義網(wǎng)絡(SDN)技術上載至邊緣服務器上執(zhí)行，以彌補移動設備處理能力不足、存儲空間不夠、傳感器件缺乏等劣勢.該技術主要包括卸載調(diào)度決策、邊緣資源分配、卸載系統(tǒng)等三個方面.

移動市場體量的增長推動了邊緣計算相關技術的發(fā)展，尤其是以移動邊緣計算卸載為代表的新興技術，受到國內(nèi)外研究機構(gòu)、應用廠商的著重關注，成為移動計算領域熱門話題之一.文獻[1]從應用場景、興起緣由、技術積累及發(fā)展歷程對邊緣計算進行了介紹.文獻[2]對現(xiàn)有的邊緣計算方案從底層架構(gòu)、數(shù)據(jù)緩存和通訊方式等角度進行剖析.文獻[3]從網(wǎng)絡結(jié)構(gòu)與服務質(zhì)量(QoS，the quality of service)出發(fā)，分析并比較了現(xiàn)有邊緣計算方案.文獻[9]詳細總結(jié)了移動邊緣計算模式面臨的不足與挑戰(zhàn)，并給出了未來的發(fā)展愿景.

這些工作從不同角度對移動邊緣計算模式及其應用做出了比較與總結(jié)，但大部分的著重點都在于邊緣計算架構(gòu)、網(wǎng)絡和應用上，缺乏針對移動邊緣計算卸載技術的分析與比較，沒有總結(jié)與分析移動邊緣計算卸載技術目前面臨的問題與挑戰(zhàn).因此，分析移動邊緣計算環(huán)境下不同計算卸載技術之間的異同，總結(jié)其面臨的機遇和挑戰(zhàn)，對于該方向未來的研究和發(fā)展具有重要意義.本文就移動邊緣環(huán)境下的計算卸載問題，從卸載決策、資源分配、卸載系統(tǒng)等三個方面對目前的研究進行分析和比較，并給出該技術目前面臨的問題和挑戰(zhàn).

1 MEC基本架構(gòu)與部署方案

隨著研究的不斷發(fā)展，歐洲電信標準化協(xié)會(ETSI, European Telecommunications Standards Institute)將MEC定義為“多接入邊緣計算”(MEC, multi-access edge computing)[10].但目前對MEC的研究依然聚焦在移動網(wǎng)絡環(huán)境上，因此現(xiàn)在大都以“移動邊緣計算”來表示MEC.MEC是運行在靠近用戶端的云計算平臺，用戶通過移動網(wǎng)絡將請求提交到就近的邊緣服務器上，由邊緣服務器處理完成后返回數(shù)據(jù).與原來的中心云架構(gòu)不同，MEC將其提供的服務和功能“下移”到邊緣移動網(wǎng)絡的處理能力與資源有限的服務器上，極大地提高了移動用戶的體驗效果.本節(jié)將對MEC的基本架構(gòu)以及部署方案進行詳細的介紹.

1.1 MEC基本架構(gòu)

MEC位于云和移動設備之間，因此整個結(jié)構(gòu)衍變?yōu)槿龑訉哟谓Y(jié)構(gòu)——云、MEC和移動設備.MEC通常遵循云計算規(guī)則，加強終端設備的性能.三層服務模型的結(jié)構(gòu)見圖1.

圖1 三層服務模型Fig.1 Three-tier service model

在文獻[10]中，Tarik等提出了MEC參考架構(gòu)，見圖2.該架構(gòu)主要由不含網(wǎng)絡層的移動邊緣服務器層以及移動邊緣系統(tǒng)層構(gòu)成.移動邊緣服務器層包含了邊緣服務器、平臺管理器以及虛擬化資源管理器.移動邊緣服務器為移動邊緣應用程序(APPs)提供了一個包含計算、存儲和網(wǎng)絡資源的虛擬化基礎設施以及移動邊緣應用運行所需要的一組基本功能(移動邊緣服務)的平臺.移動邊緣平臺負責本地DNS配置管理，從而幫助用戶流量達到目的應用或者通過Mp3接口與其他對等平臺進行通訊.

圖2 MEC參考模型Fig.2 MEC reference model

MEC APPs以虛擬實例的方式執(zhí)行在虛擬化基礎架構(gòu)上.為了獲得所提供的服務，Apps通過Mp1接口與移動邊緣平臺進行交互.移動邊緣平臺管理器通過Mm5接口與移動邊緣平臺進行協(xié)同配置策略和流量過濾規(guī)則、APP重定位和生命周期程序.移動邊緣平臺管理器與運營支持系統(tǒng)(OSS)通過Mm2接口共同處理故障、配置和性能管理.OSS是管理各種服務的實體和移動運營商網(wǎng)絡內(nèi)的子系統(tǒng)，接收來自面向客戶服務(CFS)門戶和UE與APP相關的請求，即實例化、終止等.之后，OSS決定是否接受請求.

VIM負責管理虛擬化資源，同時為APP快實例提供軟件映像，進一步促進了向協(xié)調(diào)器報告故障和性能監(jiān)控信息.VIM與協(xié)調(diào)器之間的Mm4接口用于監(jiān)視和資源調(diào)度，而VIM也與虛擬化基礎設施通過Mm7接口進行交互來管理虛擬化資源.VIM還與移動邊緣平臺管理器進行交互來啟用APP生命周期管理.

1.2 MEC部署方案

近幾年，已經(jīng)有多種MEC的部署方案被應用在移動網(wǎng)絡架構(gòu)中.如何高效地部署MEC服務器是MEC系統(tǒng)中首先要考慮的問題，MEC服務器的部署會直接影響任務卸載策略的選擇.本小節(jié)將介紹文獻[11]中的部署方案，并分析各個方案間的差異.

1.2.1 小型蜂窩云(SCC，small cell cloud)的部署方案

SCC通過額外的計算和存儲能力來加強小型蜂窩基站(如微蜂窩、微微蜂窩、毫微微蜂窩等)的性能[12-13].眾多的小型蜂窩節(jié)點(SCeNBs，small cells eNodeB)可以通過網(wǎng)絡功能虛擬化(NFV， network function virtualization)聯(lián)合各自的計算能力.在未來，大量的SCeNBs會被部署在移動網(wǎng)路中，因此，SCC可以為UEs提供足夠的計算能力.為了使得SCC方案能夠良好的運行在移動網(wǎng)絡架構(gòu)中，建議使用小型蜂窩管理器(SCM,Small cell mangager)來控制SCC[14].

1.2.2 移動微云(MMC， mobile micro clouds)部署方案

MMC與SCC相同之處在于，MMC也同樣允許用戶以低延遲訪問云服務[15].而不同之處在于，MCC并沒有和SCC一樣提供SCM這樣的管理實體，而是像SCC部署在SCeNB的VL-SCM一樣，直接在MMC服務器上擴展.通常，MMC與無線基站直接相連，見圖3.最后，為了保證VM遷移時的服務連續(xù)性，各個MMC服務器之間是直接相連的.

圖3 MMC部署Fig.3 MMC deployment

1.2.3 快速移動個人云(FMPC， fast move personal cloud)部署方案

FMPC架構(gòu)通過軟件定義網(wǎng)絡(SDN，software defined network)和NFV技術將云服務集成到移動網(wǎng)絡中.與SCC和MMC不同的是，F(xiàn)MPC并不是將服務資源部署在訪問節(jié)點，而是放在RAN或靠近RAN的云服務商的云中，見圖4.但是，F(xiàn)MPC也是高度分布式部署，從而保證用戶使用云服務的低延遲.與SCC相同，F(xiàn)MPC也引入了一個新的控制實體——MC(MobiScud control).MC可以監(jiān)控消息，了解用戶終端的動態(tài)，還可以協(xié)調(diào)和轉(zhuǎn)發(fā)SDN傳輸網(wǎng)絡的數(shù)據(jù).

圖4 FMPC部署Fig.4 FMPC MMC deployment

1.2.4 跟隨云(FMC， follow me cloud)部署方案

FMC的關鍵思想在于將云服務部署在分布式的數(shù)據(jù)中心上[16-17].與其他幾種部署方式相比，F(xiàn)MC的部署方式離UE更遠，同時FMC也引入了控制實體FMCC(FMC controller).它既可作為現(xiàn)有網(wǎng)絡的功能實體，也可以作為運行在DC上的軟件，用來管理存儲和云計算資源，見圖5.

圖5 FMC部署Fig.5 FMC deployment

1.2.5 混合(CONCRET)部署方案

CONCRET就是將云和蜂窩系統(tǒng)的概念融合在了一起[18],它利用NFV原則和SDN技術將傳統(tǒng)移動通信和云計算服務兩者使用的計算存儲資源虛擬化.CONCRET架構(gòu)由三部分組成，分別是SDN、控制平面和數(shù)據(jù)平面.控制平面是用來管理計算和存儲資源的控制實體conductor，可以集中式或者分層式的部署.而CONCRET的數(shù)據(jù)平面包含了無線接口設備(RIEs)、eNB、SDN交換機和計算資源，見圖6.

圖6 CONCRET部署Fig.6 CONCRET deployment

2 MEC計算卸載技術研究

2.1 卸載策略

卸載決策指用戶端的相關卸載策略，它包括卸載決定、卸載量以及卸載內(nèi)容等相關的參數(shù)和問題.用戶端的卸載決策結(jié)果分為完全本地執(zhí)行、完全卸載和部分卸載三種情況.這個過程的主要考慮因素為用戶端的能量消耗和整個卸載過程的時延.本文以卸載時延、卸載能耗以及兩者同時考慮為文獻分類的標準，來進行相關文獻的研究分析.

2.1.1 以降低時延為目標的卸載決策

文獻[19]的優(yōu)化目標是降低卸載過程中的時延.本文的模型中，卸載決策過程由三個狀態(tài)組成的：任務的緩沖隊列狀態(tài)、本地的任務處理過程和任務的傳輸過程.移動邊緣服務器必須及時地給出傳送單元返回信道狀態(tài)的相關信息.本文通過馬爾可夫決策過程建模，來處理任務的時延，并對設備進行功耗分析，然后使用一維的搜索算法來尋找最優(yōu)的隨機計算卸載策略.仿真結(jié)果證明了該策略的優(yōu)越性.但該策略的缺陷是UE與MEC之間的通信開銷較大.

文獻[20]優(yōu)化目標既包括了優(yōu)化時延，也包括了優(yōu)化過程中的故障.本文提出了基于Lyapunov函數(shù)的動態(tài)卸載算法LODCO(Low-complexity lyapunov optimization based dynamic computation offloading)，采用的卸載策略是通過調(diào)整動態(tài)電壓頻率，以及控制功率的技術來分別優(yōu)化任務執(zhí)行的過程和傳輸卸載數(shù)據(jù)的過程.在每個時隙內(nèi)，該算法進行決策，一方面為本地任務分配CPU的計算周期，另一方面，為卸載到MEC端的任務分配傳輸功率.仿真結(jié)果表明LODCO可以在較短時間內(nèi)以更高的任務完成率達到任務卸載目的.本文的創(chuàng)新之處在于結(jié)合了電氣的相關原理來進行MEC任務卸載的建模.

文獻[21]以博弈論為基礎，對多用戶任務卸載進行了相關決策.從多用戶的角度出發(fā)，以移動邊緣端的計算資源為約束條件，構(gòu)建了以降低時延為優(yōu)化目標的多用戶卸載方案.文獻[22]以優(yōu)化任務卸載的時延為目標，根據(jù)卸載任務的不同拓撲結(jié)構(gòu)，采取不同的卸載策略.對于串行結(jié)構(gòu)的拓撲任務，采取找到最優(yōu)任務卸載到邊緣云的方法.而對于并行結(jié)構(gòu)的任務，采取負載均衡的方法，卸載任務到MEC端，從而使得UE端與MEC 服務器端之間的任務并行最多，優(yōu)化了時延.文獻[23]針對任務應用的拓撲結(jié)構(gòu)，構(gòu)建部分卸載模型，作者發(fā)掘出了任務與子任務之間的關系，通過計算各任務時延在迭代循環(huán)累加后形成的總的任務時延，優(yōu)化該任務時延，做出恰當?shù)男遁d決策.其提出的算法能夠在多項式時間內(nèi)做出卸載決策，提供卸載的最優(yōu)方案.

2.1.2 以降低能量消耗為目標的卸載決策

文獻[24]做出的決策結(jié)果有三種情況：在UE 處理計算任務、將計算任務卸載到基站或無效狀態(tài).實驗結(jié)果表明，離線策略在低負載的情況下能量消耗顯著高于在線策略.

文獻[25]以SCeNBs的基礎任務卸載為背景，提出了相應的通信模型和任務計算模型，數(shù)值計算的實驗結(jié)果表明了它們有更好的節(jié)能效果.

文獻[26]提出了基于人工魚群的優(yōu)化算法的卸載方案，實驗表明它可以明顯起到節(jié)能的效果，但其時間開銷過大，不利于即時在線求解.

文獻[27]以TDMA的通信理論為基礎，進行時隙的劃分，在單位時隙內(nèi)，UE基于信道質(zhì)量，本地計算的能量消耗以及UE之間的公平性把數(shù)據(jù)卸載到MEC端.

2.1.3 以卸載能耗和卸載時延之間的平衡為目標的卸載決策

文獻[28]針對三種不同的情況給出了三種措施：①通信質(zhì)量不良，優(yōu)先選擇本地處理;②信道的通信效果良好，那么就采取部分卸載的策略，從而可以產(chǎn)生較短的時延，并且產(chǎn)生較少的能耗;③通信效果良好，并且MEC端具有良好的計算資源和存儲資源，那么任務可以完全卸載到MEC端.

文獻[29]基于綠色能耗的角度，以太陽能為主要能耗供應，電能為輔，對霧計算和物聯(lián)網(wǎng)中的任務卸載問題進行了以能耗、延遲、開銷為優(yōu)化目標的研究，提出了一個全面的系統(tǒng)框架，既節(jié)約能耗，又保證用戶體驗.其模型是在Lyapunov 優(yōu)化原理的基礎上提出了優(yōu)化算法，在響應時間和開銷上進行權衡優(yōu)化.應用程序處理流程，見圖7.

圖7 應用程序處理流程Fig.7 Application processing flow

文獻[30]以能耗、時延、花銷為多目標進行優(yōu)化，依據(jù)排隊論來進行建模，同時也考慮了無線傳輸?shù)挠绊?采用了標量化方案，按泊松分布來模擬任務到達的過程，采用內(nèi)點法，引入補償函數(shù)來設計算法.

2.2 計算資源分配

資源分配是邊緣計算卸載的主要階段之一，是在完成卸載決策之后需要考慮的問題.而任務分割是計算卸載的準備階段，計算任務的分割結(jié)果對計算資源分配有重大的影響.如果計算任務是不可分割的或者在計算卸載階段未進行分割，則該任務會被卸載到同一個MEC服務器上.而對于已經(jīng)分割的任務，可以將它們卸載到多個MEC服務器上，不僅能夠提高卸載效率，還能夠節(jié)省網(wǎng)絡流量.表1是目前資源分配方案的總結(jié)歸類.

表1 MEC中資源分配方案總結(jié)歸類

2.2.1 單一節(jié)點的計算資源分配

文獻[31]的目標函數(shù)是最小化時延，提出使用CTMDP(Continuous-time Markov Decision Process)解決VMs的分配問題，且利用線性規(guī)劃重排方法求解MDP，得到VM分配的最優(yōu)策略.作者在實驗部分驗證了遷移成本變化對VMs分配的影響.當遷移成本比較高時，用戶較大概率在本地執(zhí)行，會導致系統(tǒng)過載能耗，隨著遷移成本的減少，終端用戶會選擇信道狀態(tài)較好的SCeNB進行遷移，見圖8.

文獻[32]為了提高MEC的服務質(zhì)量，在滿足時延要求的同時，以應用程序卸載成功數(shù)量最大為目標，設計了基于閾值的應用程序調(diào)度策略.

圖8 單節(jié)點的計算資源分配Fig.8 Single node computing resource allocation

文獻[32]的策略利用MEC的低延遲和中心云(CC：Center cloud)計算資源的豐富性，通過它們之間的協(xié)作來提高MEC的服務質(zhì)量.根據(jù)應用程序的延遲需求對卸載任務進行分類，對延遲需求較低的任務給予更高的優(yōu)先級，而與延遲容忍應用程序相比，延遲敏感的應用程序具有更高的優(yōu)先級，且在其之前執(zhí)行.實驗結(jié)果表明：①隨著流量負載增大，MEC有限的計算資源會對QoS產(chǎn)生較大的影響，此時需要通過CC來提高QoS的值；②通過MEC與CC的協(xié)作，任務在延遲需求內(nèi)完成的概率提高了20%；③通過優(yōu)先級方案，在延遲容忍任務之前執(zhí)行延遲敏感的任務，其QoS可以進一步提高5%.

文獻[33]以最小化時延和能耗為目標，提出一種基于索引的任務分配策略，以在線方式將任務分配給邊緣云(EG，Edge Cloud)服務器.如圖8所示，在SCeNB覆蓋范圍內(nèi)有一個熱點區(qū)域，該區(qū)域內(nèi)有大量UE生成移動計算任務，這些任務必須被發(fā)送到附近的幾個SCeNB，它們接收任務并將其轉(zhuǎn)發(fā)到相應的EG服務器，然后在此服務器上執(zhí)行任務，相應的結(jié)果最終將傳回UE.

文獻[34]以最小化系統(tǒng)成本為目標，包含服務延時成本和運營成本，提出了一種有效的基于強化學習的資源管理算法，來進行優(yōu)化卸載和自動伸縮調(diào)度.仿真結(jié)果驗證了該算法的有效性，與固定或短期的優(yōu)化方案和傳統(tǒng)的增強學習算法相比，不僅邊緣計算性能得到了顯著提高，系統(tǒng)能耗也降低了50%.現(xiàn)有關于MEC的文獻中，提出的MEC服務器獨立運行且不與其他MEC服務器協(xié)作，不僅無法處理邊緣計算、緩存、通信和控制，而且大大減少了UE與遠程云之間的數(shù)據(jù)交換.因此，文獻[35]以資源利用率最大化為目標，提出MEC服務器之間相互協(xié)作，其中MEC服務器協(xié)作執(zhí)行計算任務和計算資源分配，以滿足基于多個UE的需求和支付.

2.2.2 多節(jié)點的計算資源分配

雖然現(xiàn)有的工作致力于計算卸載和干擾管理方面的研究，但是這兩個方面是分開考慮的.為了提高MEC無線網(wǎng)絡的性能，有必要同時考慮這兩個問題.文獻[36]提出了一種基于MEC的無線蜂窩網(wǎng)絡計算卸載與干擾管理集成框架.在該框架中，同時優(yōu)化計算卸載決策、物理資源塊(PRB，physical resource block)分配和MEC計算資源分配.文章考慮到如果多個UEs同時將計算任務卸載給MEC服務器，會產(chǎn)生嚴重的干擾、降低數(shù)據(jù)速率、MEC服務器超載等問題.在這種情況下，并不是所有的用戶都能同時將任務卸載到MEC服務器上.相反，應該選擇部分UE來卸載它們的計算，而另一些UE應該在本地執(zhí)行其計算.因此，隨著UE數(shù)量的增加，卸載的計算任務并不會持續(xù)增加.文獻[37]是以最小化時延為目標的多用戶卸載計算問題，采用背包模型去優(yōu)化資源分配和負載均衡的問題.

文獻[38]提出了三種不同的云集群選擇策略.第一個策略是忽略能耗和集群規(guī)模限制，最小化集群延時，提高UE的體驗效果.考慮了SCeNBs之間點到點通信，所以集群的總延遲取決于SCeNB的計算負載，以及通過上行和下行通信延遲的信道質(zhì)量.第二個策略是最小化整個集群的能耗，其中通信功耗可以根據(jù)信道質(zhì)量、SCeNBs提供的計算能力和應用程序延遲約束進行優(yōu)化.該策略可能會導致一些SCeNBs承擔大部分的能源成本，因此提出第三個策略，將集群中每個基站的能耗降到最低.實驗研究了集群策略和部署場景對集群特性的影響，包括負載分布、功耗、集群大小和延遲.仿真結(jié)果表明，其延遲減少了22%，能耗降低了61%.

文獻[39]以最小化時延和能耗為目的，提出一種集群選擇策略，并對比分析不同的回傳技術和網(wǎng)絡拓撲的影響.首先，根據(jù)不同計算量的延遲和能耗分析集群性能.然后，通過仿真比較了三種不同的回程拓撲結(jié)構(gòu)(全網(wǎng)型、樹型和環(huán)型)和三種不同的回程技術(光纖技術、微波技術、LTE 技術).仿真結(jié)果表明微波技術結(jié)合全網(wǎng)型拓撲結(jié)構(gòu)的時延是最小的.除此之外，研究還表明時延并不總是隨著SCeNB數(shù)量的增加而減少，也可能會導致傳輸時延增加.因此，并不是SCeNB的數(shù)量越多越好，在系統(tǒng)性能中適當才是最關鍵的.

資源分配是將計算任務卸載到哪里的問題，是MEC計算卸載技術的重要組成部分，可以分為單節(jié)點資源分配和多節(jié)點資源分配.由表1可見，資源分配方案主要是通過平衡計算和通信資源，以達到最小化時延、能耗、提高整體性能.

2.3 卸載系統(tǒng)

目前常見的移動計算卸載系統(tǒng)按照任務劃分粒度主要分為兩類：①粗粒度，這類卸載系統(tǒng)將不同的移動應用或者承載起計算任務的VM作為卸載的基本粒度; ②細粒度，這類卸載系統(tǒng)對移動應用內(nèi)部各種功能性不同的函數(shù)或者進程進行劃分，并以此作為卸載的基本粒度.本節(jié)結(jié)合兩個粗細粒度不同的實例來分別介紹這兩種卸載系統(tǒng)的不同及特點.

卡耐基梅隆大學、微軟研究院及AT&T實驗室共同提出了cloudlet計算卸載系統(tǒng)[40]，見圖9.作為一種典型的粗粒度卸載方案，cloudlet具有以下三個重要特質(zhì)：①迅捷交付(rapid provisioning)，在MEC環(huán)境下，用戶的移動性使得任務上載存在目標選擇困難、通信鏈路時變、響應難以保障等問題.cloudlet卸載系統(tǒng)提出的迅捷交付機制則針對邊緣用戶與cloudlet連接高度動態(tài)的特點，密切監(jiān)視與發(fā)現(xiàn)邊緣用戶的接入與離開，從而實現(xiàn)計算資源靈活迅捷地交付；②虛擬機遷移(VMhand-off)，由于UE普遍存在的移動性，在邊緣用戶上載任務的過程中，邊緣用戶可能不在其任務上載的邊緣服務器的信號覆蓋范圍內(nèi)，從而導致上載任務無響應，進而影響到任務上載的完成并對整個業(yè)務處理流程產(chǎn)生影響.在這種情況下，cloudlet提出了虛擬機遷移的策略來應對由于用戶移動性帶來的挑戰(zhàn)，其中承載著用戶任務的VM會隨著用戶的移動遷移至合適的邊緣服務器上以保證上載任務的可持續(xù)執(zhí)行；③服務發(fā)現(xiàn)(cloudlet discovery)，邊緣用戶在使用cloudlet之前需要感知到周圍可用doudlet服務器的存在，因此，cloudlet卸載系統(tǒng)的服務發(fā)現(xiàn)機制根據(jù)用戶周圍cloudlet的物理網(wǎng)絡空間等信息對其進行匹配連接.

圖9 Cloudlet計算卸載系統(tǒng)Fig.9 Cloudlet computing offloading system

圖9展示了cloudlet的一次任務卸載過程.首先，邊緣用戶利用cloudlet卸載系統(tǒng)的服務發(fā)現(xiàn)機制感知到周圍可用的所有cloudlet服務器，并根據(jù)目前物理網(wǎng)絡空間信息完成最佳匹配.然后用戶根據(jù)其業(yè)務需求發(fā)送一個VM overlay至已連接的cloudlet服務器上.cloudlet服務器自帶base VM， base VM和用戶發(fā)送的VM overlay疊加形成launch VM，即承載著業(yè)務需求的可執(zhí)行虛擬機.該流程類似于容器與宿主機操作系統(tǒng)之間的關系，VM overlay可看作是容器，而base VM則可以看作是宿主機操作系統(tǒng).launch VM執(zhí)行完成將結(jié)果返回邊緣用戶后即完成使命，立刻進行VM釋放，該過程產(chǎn)生的VM殘留也一并被丟棄.最終用戶收到卸載結(jié)果，斷開和cloudlet的連接，一次任務卸載完成.

類似的粗粒度卸載系統(tǒng)還有CloneCloud[41]和Tango[42]，它們都屬于以虛擬機為卸載粒度的系統(tǒng).其中，為了保障卸載質(zhì)量，提高卸載效率，CloneCloud內(nèi)預制了不同的遷移策略來應對復雜的卸載環(huán)境.而Tango則考慮了混合的計算資源池，即任務既可以在邊緣計算端執(zhí)行也可以在本地設備上執(zhí)行，并以此來克服邊緣網(wǎng)絡性能不好、服務壓力大帶來的長延時、無響應、忙等待等問題.

杜克大學和微軟研究院共同提出的MAU[43]屬于典型的細粒度卸載系統(tǒng).該卸載系統(tǒng)提供了一套移動APP開發(fā)環(huán)境，開發(fā)人員可以在設計移動APP的時候定義哪些方法、進程、協(xié)程可以被上載至邊緣服務器執(zhí)行，并以此來降低邊緣用戶的移動設備電量消耗與任務卸載的響應時延，從而克服了移動設備資源緊缺的瓶頸問題.

MAUI卸載系統(tǒng)的架構(gòu)見圖10，可見邊緣終端設備中主要包含solver、 proxy與profiler等三個部分，其中solver組件內(nèi)含卸載策略，主要對函數(shù)方法的卸載與否進行決策； proxy為代理模塊，一旦方法或線程決定被卸載至邊緣服務器上執(zhí)行，其主要負責該過程中的數(shù)據(jù)傳輸；最后，profiler為監(jiān)控模塊，主要收集卸載系統(tǒng)感興趣的網(wǎng)絡狀況、目標設備電池消耗信息、當前邊緣服務器負載等數(shù)據(jù)，為未來的卸載決策提供數(shù)據(jù)支撐.服務端除了移動端具備的三種模塊外，還多了一個MAUI controller，其主要的功能是對邊緣服務器資源進行管理與分配，以及對卸載請求進行身份驗證.

圖10 MAUI計算卸載系統(tǒng)Fig.10 MAUI calculation unloading system

當用戶使用基于MAUI創(chuàng)建APP時，MAUI框架會對其APP中需要執(zhí)行的線程或函數(shù)進行評估，solver模塊會基于profiler收集的數(shù)據(jù)做出該函數(shù)或線程是否需要被卸載的決策.需要注意的是，卸載策略以插件的形式接入到solver模塊，用戶可以自行設計卸載策略.MAUI系統(tǒng)默認的卸載策略通過對計算卸載任務的成本評估來確定卸載一個函數(shù)或者線程的優(yōu)勢，加上不斷監(jiān)控邊緣服務器與目標移動設備之間的網(wǎng)絡擁塞情況、傳輸延時、信號質(zhì)量等信息，從而決定任務卸載與否.若決定卸載，proxy模塊開始工作并輔助卸載的完成.在完成卸載任務后，profiler會記錄該卸載過程中的詳細數(shù)據(jù)，以便更好地為未來的卸載決策分析做出數(shù)據(jù)上的支撐.

類似的細粒度任務卸載還有misco[44]系統(tǒng)和comet[45]系統(tǒng)，其主要特征是卸載的單位為函數(shù)級別或者線程級別，雖然合理利用碎片資源會帶來資源利用率的提升，但是其需要應用程序級別的支持，這會增加應用開發(fā)的難度，此外頻繁的卸載與任務遷移也會造成額外的能耗開銷和延時.

3 問題與挑戰(zhàn)

在邊緣計算環(huán)境中卸載計算任務不僅能夠降低時延，還能減少能耗，但仍然存在問題與挑戰(zhàn).本節(jié)中，將進一步詳細總結(jié)這些挑戰(zhàn)，如移動性管理、安全性、服務管理等，并提出值得進一步研究的潛在解決方案.

3.1 移動性管理

對于MEC服務來說，移動性是它的一個重要挑戰(zhàn).目前，有許多的研究開始考慮MEC中用戶的活動和特定應用的信息，以此來保證高速移動用戶使用服務的連續(xù)性.事實上，目前已經(jīng)有幾種方案用來解決移動終端的移動性問題.其中一種適合具有低移動性的移動終端(比如在一個房間內(nèi))，當被卸載的應用正在MEC上執(zhí)行時，讓應用去適應eNB和SCeNB之間的傳輸功率[46-49].

(1)功率控制：當UE的移動性較低并且受限時(如UE在一棟樓里面緩慢移動)，設置合適的服務傳輸功率和相鄰的SCeNB可以保證QoS.在文獻[50]中，Mach等提出 CaPC(cloud-aware power control)算法來管理具有嚴格時延要求的實時應用任務卸載.

(2)VM遷移：如果UE的移送性不受限，那么功率控制就不能完全保證服務的連續(xù)性[51].

(3)路徑預測:如果UE的移送性不受限并且移動性較強，那么前兩種方案都不能完全保證服務的連續(xù)性，因為UE的快速移動可能會經(jīng)過多個MEC系統(tǒng)，導致VM的多次遷移，使得遷移成本過大、延遲增加.對于這個情況，利用機器學習技術對用戶的行動軌跡進行預測，獲得用戶在一段時間內(nèi)的軌跡信息，提前將數(shù)據(jù)傳輸至新的MEC區(qū)域.

3.2 安全性

在MEC環(huán)境中，隱私和數(shù)據(jù)安全是需要重點考慮的技術難點[52].如果一個家庭使用互聯(lián)網(wǎng)，從使用的數(shù)據(jù)中可以捕獲到很多隱私信息.例如，通過讀取電或水的使用情況，可以很容易地推測房子是否空置.因此，在不損害隱私的情況下提供服務是一個挑戰(zhàn).

MEC的數(shù)據(jù)安全和使用隱私問題，仍然存在著挑戰(zhàn)：①社區(qū)的隱私和安全意識.以WIFI網(wǎng)絡安全為例，在使用無線連接的家庭中，大約有一半的網(wǎng)絡是不安全的;②收集到網(wǎng)絡邊緣數(shù)據(jù)的所有權;③邊緣網(wǎng)絡中缺乏有效的工具來保護邊緣數(shù)據(jù)的安全性.MEC資源非常有限，因為需要大量的資源，用于安全保護的方法可能無法部署.為了保護隱私，提出開放Open mHealth等平臺對健康數(shù)據(jù)進行標準化和存儲[53]，但仍然缺少更多的工具來處理MEC的各種數(shù)據(jù).

3.3 服務管理

在MEC服務管理方面，使用差異性、可擴展性、隔離性和可靠性來保證系統(tǒng)性能.

(1)差異性：隨著物聯(lián)網(wǎng)的快速發(fā)展，將會有更多的服務部署在MEC環(huán)境中，這些服務有不同的優(yōu)先次序.例如，跌倒檢測或心臟衰竭檢測相比娛樂、飲食服務有更高的優(yōu)先級.

(2)可擴展性：MEC環(huán)境中的可擴展性不如物聯(lián)網(wǎng)中移動系統(tǒng)的擴展性.例如，當用戶購買新東西時，是否可以輕松地將其添加到當前的服務中而沒有任何問題?或者當一個任務由于故障而被替換時，以前的服務是否可以輕松地采用新節(jié)點?這些問題要求邊緣系統(tǒng)有靈活和可擴展的服務管理層.

(3)隔離性：在MEC環(huán)境中，可能有多個應用程序共享相同的數(shù)據(jù)資源.例如，照明燈的控制.如果一個應用程序失敗或沒有響應，用戶仍然能夠控制自己的燈，而不會破壞整個系統(tǒng).這個難題可以通過引入部署/非部署框架來解決.隔離性的另一個挑戰(zhàn)是用戶與第三方應用程序之間的隱私數(shù)據(jù)，通過在系統(tǒng)服務管理層中添加控制訪問機制來解決這個問題.

(4)可靠性：從服務角度來看，在網(wǎng)絡邊緣中，一些節(jié)點出現(xiàn)故障時維護當前服務是遠遠不夠的，對用戶來說提供操作更有意義.這一挑戰(zhàn)可以采用無線傳感器網(wǎng)絡，或者PROFINET[54]工業(yè)網(wǎng)絡解決.從系統(tǒng)角度來看，每個組件均能向邊緣系統(tǒng)發(fā)送狀態(tài)/診斷信息，利用該特性，可以方便地在系統(tǒng)部署故障檢測、事物替換和數(shù)據(jù)質(zhì)量檢測等服務，提高可靠性.從數(shù)據(jù)角度來看，數(shù)據(jù)感知和通信是主要的挑戰(zhàn)，雖然提出了各種物聯(lián)網(wǎng)數(shù)據(jù)采集通信協(xié)議，但是其連接的可靠度不如藍牙或WIFI.數(shù)據(jù)可靠性仍然是一個公開的挑戰(zhàn).

4 結(jié)束語

任務的計算卸載技術是一個由來已久的研究課題，該技術的應用場景從以往的云端、移動端，一直發(fā)展到現(xiàn)在的邊緣移動端.在不同的場景下，研究人員需要針對不同的優(yōu)化目標進行建模分析.隨著移動設備的普及，邊緣計算的相關研究方興未艾，因此，MEC中的任務卸載研究具有重要的意義.