梁廣俊, 王 群, 辛建芳, 李 夢, 許 威

1江蘇警官學院計算機信息與網(wǎng)絡安全系 南京 中國 210031

2東南大學信息科學與工程學院 南京 中國 211189

3安徽工程大學電氣工程學院 蕪湖 中國 241000

4南京郵電大學通信與信息工程學院 南京 中國 210003

1 引言

2019年6月6日, 工業(yè)和信息化部正式向中國電信集團有限公司、中國移動通信集團有限公司、中國聯(lián)合網(wǎng)絡通信集團有限公司、中國廣播電視網(wǎng)絡有限公司等四家企業(yè)頒發(fā)了基礎電信業(yè)務經(jīng)營許可證, 批準四家企業(yè)經(jīng)營“第五代數(shù)字蜂窩移動通信業(yè)務”, 這標志著中國的5G時代拉開序幕。11月8日, 世界物聯(lián)網(wǎng)大會、中國信息協(xié)會、外交理事會主辦的2019世界物聯(lián)網(wǎng)大會在中國北京隆重開幕。大會主席何緒明作了“推動5G物聯(lián)世界?創(chuàng)造全球智慧經(jīng)濟”主題報告, 他指出物聯(lián)網(wǎng)的發(fā)展不僅推動了數(shù)字經(jīng)濟智能化、社會發(fā)展的進步, 還促進了社會變革和產(chǎn)能轉型。預計到2025年全球物聯(lián)網(wǎng)產(chǎn)值將達到30萬億美元的市場體量。全球5G網(wǎng)絡的布局應用將為集數(shù)字化、智能化為一體的物聯(lián)網(wǎng)提供技術保證, 進一步推動物聯(lián)網(wǎng)新經(jīng)濟、物聯(lián)網(wǎng)產(chǎn)業(yè)的發(fā)展。

在萬物互聯(lián)的新時代, 以云計算(Cloud Computing, CC)為代表的大數(shù)據(jù)處理方案獲得極大的關注, 云計算超強的計算能力可以集中式的解決計算和存儲問題, 然而, 面對5G+物聯(lián)網(wǎng)(Internet of Things, IoT)爆炸式增長的終端設備以及低時延、低功耗的用戶需求, 分布式的面向移動終端的大數(shù)據(jù)處理方案——移動邊緣計算(Mobile Edge Computing, MEC)呼之欲出。不同于CC數(shù)據(jù)中心的處理方案, MEC計算采用分布式數(shù)據(jù)處理, 更能滿足萬物互聯(lián)背景下應用服務低延時、低功耗和高可靠性的需求, 從而使得云服務創(chuàng)造出更高的經(jīng)濟效益。

關于MEC的綜述性成果, 國內(nèi)外已經(jīng)有少量文獻, 例如, Yuyi Mao等2017年在IEEE Communications Surveys & Tutorials上發(fā)表的“A Survey on Mobile Edge Computing: The Communication Perspective”, 李子姝等2018年在《電信科學》上發(fā)表的“移動邊緣計算綜述”, 董思岐等2019年在《計算機科學》上發(fā)表的“移動邊緣計算中的計算卸載策略研究綜述”。然而。隨著MEC最近2～3年研究熱度的持續(xù)上升, 最近2～3年涌現(xiàn)出大量的關于MEC的研究成果, 本文旨在針對MEC在計算分流和資源分配領域系統(tǒng)的梳理, 特別2018年之后的MEC領域研究成果, 期望能有拋磚引玉的效果。

2 MEC的定義及典型應用場景

2.1 邊緣計算與移動邊緣計算

2.1.1 邊緣計算的興起

自2005年開始, 云計算的提出和廣泛應用已經(jīng)極大的改變了人們?nèi)粘９ぷ骱蜕畹姆绞? 然而隨著5G的商用和物聯(lián)網(wǎng)時代的到來, 海量終端設備伴隨著異構網(wǎng)絡的出現(xiàn), 傳統(tǒng)的集中式云計算數(shù)據(jù)處理模式已經(jīng)不能完全高效的處理網(wǎng)絡邊緣設備所產(chǎn)生的海量數(shù)據(jù)。

2016年, 施巍松等給出邊緣計算(Edge Computing, EC)的定義, 邊緣計算是指在網(wǎng)絡邊緣執(zhí)行計算的一種新型計算模型, 邊緣計算操作的對象包括來自云服務的下行數(shù)據(jù)和來自于萬物互聯(lián)服務的上行數(shù)據(jù)。邊緣計算中的“邊緣”是個相對概念, 指從數(shù)據(jù)源到云計算中心路徑之間的任意計算和網(wǎng)絡資源, 是一個連續(xù)統(tǒng)[1]。本文主要針對MEC中的邊緣設備資源分配問題展開研究, 著重梳理近3年來的研究成果。

2.1.2 云計算V.S. 邊緣計算V.S. 移動邊緣計算

本節(jié)比較云計算、邊緣計算和移動邊緣計算的定義及特點、主要應用領域、優(yōu)勢以及存在的問題等等, 如表1所示。從本質(zhì)上講, 它們是不同的IT資源和技術能力的共享形式, 采用不同的資源交付和使用模式。

表1 云計算V.S. 邊緣計算V.S. 移動邊緣計算 Table 1 CC V.S. EC V.S. MEC

CC是分布式計算技術的一種, 其最基本的概念, 是透過網(wǎng)絡將龐大的計算處理程序自動分拆成無數(shù)個較小的子程序, 再交由多部服務器所組成的龐大系統(tǒng)經(jīng)搜尋、計算分析之后將處理結果回傳給用戶。透過這項技術, 網(wǎng)絡服務提供者可以在數(shù)秒之內(nèi), 達成處理數(shù)以千萬計甚至億計的信息, 達到和“超級計算機”同樣強大效能的網(wǎng)絡服務。

EC起源于傳媒領域, 是指在靠近物或數(shù)據(jù)源頭的一側, 采用網(wǎng)絡、計算、存儲、應用核心能力為一體的開放平臺, 就近提供最近端服務。其應用程序在邊緣側發(fā)起, 產(chǎn)生更快的網(wǎng)絡服務響應, 滿足行業(yè)在實時業(yè)務、應用智能、安全與隱私保護等方面的基本需求。邊緣計算處于物理實體和工業(yè)連接之間, 或處于物理實體的頂端。

MEC可利用無線接入網(wǎng)絡就近提供電信用戶IT所需服務和云端計算功能, 而創(chuàng)造出一個具備高性能、低延遲與高帶寬的電信級服務環(huán)境, 加速網(wǎng)絡中各項內(nèi)容、服務及應用的快速下載, 讓消費者享有不間斷的高質(zhì)量網(wǎng)絡體驗。

需要指出的是, 邊緣計算的概念可能比移動邊緣計算更廣一些, 移動邊緣計算節(jié)點是基站帶計算能力, 邊緣計算節(jié)點除此之外還包括了私有云, cloudlet等。

2.1.3 MEC的定義

MEC是一種基于移動通信網(wǎng)絡的全新的分布式計算方式, 通過構建在無線電接入網(wǎng)(Radio Access Network, RAN)側的云服務環(huán)境, 使一定的網(wǎng)絡服務和網(wǎng)絡功能脫離核心網(wǎng)絡, 實現(xiàn)節(jié)省成本、降低時延和往返時間、優(yōu)化流量、增強物理安全和緩存效率等目標。在數(shù)據(jù)爆炸和智能設備激增的物聯(lián)網(wǎng)時代, MEC處于龐大的異構網(wǎng)絡的邊緣, 如圖1所示。MEC是針對業(yè)務場景需求的不同, 在靠近人、物或者數(shù)據(jù)源頭的網(wǎng)絡側, 提供具有一定功能的開放平臺, 實現(xiàn)本地化的邊緣智能服務, 滿足快捷連接、實時響應、智能應用等不同行業(yè)的需求。邊緣云根據(jù)不同的智慧交通的業(yè)務需求, 可部署在不同的位置。

圖1 物聯(lián)網(wǎng)時代移動邊緣計算的位置 Figure 1 Positioning of MEC in the IoT era

基于MEC, 終端用戶可以獲取更加極致的體驗、更加豐富的應用以及更加可靠的使用, 具體來說, MEC具有如下優(yōu)勢:

(1)低延遲: 移動服務的延遲是兩個部分的集合: 計算延遲和通信延遲。對于計算延遲, CC具有強大的計算能力優(yōu)勢, 比MEC設備(例如, BS)的計算能力高幾個數(shù)量級。但是, 與MEC設備相比, CC需要更多用戶的參與, 從而縮小CC在計算延遲方面的差距。相比之下, 通過短的傳播距離和簡單的協(xié)議, MEC有潛力在對延遲至關重要的5G應用中實現(xiàn)觸覺級延遲。相對于CC動輒幾十甚至上百公里的數(shù)據(jù)傳輸距離, MEC的信息傳播距離通常不超過1 km。MEC可以極大的降低由于網(wǎng)絡中流量控制、路由和其他網(wǎng)絡管理操作可能會導致過多的延遲。

(2)低功耗: 由于結構緊湊, IoT設備的能量存儲有限, 頻繁的電池充電/更換也是不切實際的, 為數(shù)百億個IoT設備供電仍然是設計IoT架構的關鍵挑戰(zhàn)。 通過設計有效的MEC策略, 可以將計算密集型任務從IoT設備轉移到邊緣設備, 以減少其能耗, 通過有效地支持泡沫計算, MEC是延長IoT設備電池壽命的有前途的解決方案。

(3)增強隱私保護: 與移動云計算(Mobile Cloud Computing, MCC)相比, 增強移動應用程序的隱私保護的功能也是MEC帶來的誘人好處。在MCC系統(tǒng)中, CC平臺是遠程公共大型數(shù)據(jù)中心, 如阿里巴巴的飛天系統(tǒng)、亞馬遜的AWS和微軟Azure, 由于用戶信息資源的高度集中很容易受到攻擊。此外, 用戶數(shù)據(jù)的所有權和管理權的分離會引起私人數(shù)據(jù)泄漏和丟失的問題。例如, 2019年7月, 中國智能家居公司歐瑞博(Orvibo)的數(shù)據(jù)庫泄露涉及超過20億條IoT日志, 包括了從用戶名、Email地址、密碼到精確位置等內(nèi)容[2]。2019年10月, 美國數(shù)據(jù)公司People Data Labs 和OxyData.io的Elasticsearch服務器暴露涉及泄露了12億人的敏感信息, 泄露的數(shù)據(jù)包括姓名、電子郵件地址、電話號碼、LinkedIn和Facebook的個人信息[3]。MEC針對用戶的隱私保護問題提供一種有效的解決方案。一方面, 由于邊緣服務器的分布式部署, 小規(guī)模的使用性質(zhì)和較低的價值信息濃度, MEC服務器不太可能成為安全攻擊的首選目標。其次, 許多MEC服務器本身就是私有的cloudlet, 可以減輕對信息泄漏的擔憂, 能夠保證用戶和服務器之間敏感信息交互的安全性。

(4)提高用戶體驗: 區(qū)分MEC和MCC的另一個關鍵功能是MEC服務器的位置更加靠近用戶端, 可以充分利用邊緣設備與最終用戶的接近度來收集一些用戶特征信息, 例如行為、位置和環(huán)境等, 通過深度學習等智能手段, 更好為用戶服務, 想用戶之所想, 行用戶之所欲行。

2.2 MEC的八大典型應用場景

MEC位于5G的“中央”, 是一個“硬件+軟件”的系統(tǒng), 通過在移動網(wǎng)絡邊緣提供IT服務環(huán)境和云計算能力, 以減少網(wǎng)絡操作和服務交付的時延。其技術特征主要包括“鄰近性、低時延、高寬帶和位置認知”, 未來有廣闊的應用前景, 例如車聯(lián)網(wǎng)(Internet of Vehicles, IoV)、虛擬現(xiàn)實(Virtual Reality, VR)、增強現(xiàn)實 (Augmented Reality, AR)、視頻優(yōu)化加速、監(jiān)控視頻分析等?；ヂ?lián)網(wǎng)數(shù)據(jù)中心(Internet Data Center, IDC)預測顯示, 2018年將有40%的數(shù)據(jù)要在網(wǎng)絡邊緣側分析、計算與存儲。MEC強調(diào)靠近用戶提供計算能力, 應用場景非常豐富, 如圖2所示, 列出MEC的八大常見應用場景。

圖2 MEC的八大應用場景 Figure 2 Eight application scenarios of MEC

2.2.1 MEC在公共安全中的應用

公共安全涉及社會的方方面面, 如消防、出行等等, 影響著廣大民眾的生活。隨著智慧城市和平安城市的建設, 大量傳感器被安裝到城市的各個角落, 用于提升公共安全。2019年, “雪亮工程”入選中央一號文件, 文件提出加快建設信息化、智能化農(nóng)村社會治安防控體系, 45個示范城市(區(qū))重點公共區(qū)域視頻覆蓋率達到96%。公安大數(shù)據(jù)戰(zhàn)略、智慧檢修和“數(shù)字法治·智慧司法”建設實現(xiàn)深入實施。

“雪亮工程”的全面推進, 使得公安系統(tǒng)有了大量視頻資源保障公共安全, 但是大部分IP攝像頭都不具備前置的計算功能, 都需要將數(shù)據(jù)傳輸至大數(shù)據(jù)中心進行處理, 甚至需要人工的方式來進行數(shù)據(jù)篩選, 因此基于MEC的前端視頻處理技術研究勢在必行。文獻[4]提出一種基于邊緣計算的視頻監(jiān)控框架, 可以通過在前端或者靠近視頻源的位置, 對視頻內(nèi)容進行判斷, 從而檢測攝像頭故障、內(nèi)容錯誤以及根據(jù)內(nèi)容對視頻質(zhì)量進行動態(tài)調(diào)整, 并與附近的邊緣設備協(xié)同實時地對視頻進行處理, 同時和周邊攝像頭進行聯(lián)動, 充分保障公共安全。文獻[5]探討計算機視覺目標識別與跟蹤處理技術與5G通信相結合, 在當前視頻監(jiān)控系統(tǒng)基礎上, 運用移動邊緣計算技術設計構建第三代智能視頻監(jiān)控系統(tǒng), 展望了在各類行業(yè)和家庭的應用前景。

2.2.2 MEC在自動駕駛中的應用

目前國內(nèi)車聯(lián)網(wǎng)技術以C-V2X(Cellular-Vehicle to Everything)為主, 可實現(xiàn)車車、車路、車云的直連通信, 為實現(xiàn)智慧交通提供更可靠、高效的網(wǎng)絡服務。2018年11月, 工業(yè)和信息化部發(fā)布了20MHz帶寬的車聯(lián)網(wǎng)頻譜(5905～5925MHz頻段), 用于V2X智能網(wǎng)聯(lián)汽車的直連通信技術。C-V2X的出現(xiàn)催生出了一系列新的應用場景, 例如自動駕駛、車聯(lián)網(wǎng)以及智能交通。Intel在2016年的報告指出, 一輛自動駕駛車輛一天產(chǎn)生的數(shù)據(jù)為4TB, 這些數(shù)據(jù)無法全部上傳至云端處理, 需要在邊緣節(jié)點(汽車)中存儲和計算。文獻[6]面向多車傳感器信息融合與時效性共享問題, 提出基于感知-通信-計算融合的智能車聯(lián)網(wǎng)方法與解決思路, 有助于提高自動駕駛車輛的協(xié)同環(huán)境感知能力, 并通過移動邊緣計算技術降低車間感知信息傳輸負載, 提高多車協(xié)同的信息融合與處理效率, 最終實現(xiàn)基于多車智能協(xié)同的安全自動駕駛。文獻[7]深入探索MEC與車聯(lián)網(wǎng)場景的深度融合, 詳細分析MEC的網(wǎng)絡架構、車聯(lián)網(wǎng)場景中MEC的部署以及MEC在應用中的關鍵技術和挑戰(zhàn), 并給出MEC與C-V2X融合的網(wǎng)絡規(guī)劃, 最后結合具體的應用案例分析MEC在車聯(lián)網(wǎng)場景中的應用。

2.2.3 MEC在虛擬現(xiàn)實中的應用

VR/AR技術的出現(xiàn)徹底改變用戶與虛擬世界的交互方式的認知。為保證用戶體驗, VR/AR的圖片渲染需要具有很強的實時性。研究表明: 將 VR/AR的計算任務卸載到邊緣服務器或移動設備, 可以降低平均處理時延。MEC的高帶寬、低時延和移動接入特性, 將是實現(xiàn)VR高體驗的最佳實現(xiàn)方式。文獻[8]針對基于云服務的虛擬現(xiàn)實對數(shù)據(jù)傳輸速率的高要求以及對傳輸時延的敏感性問題, 提出并設計基于移動邊緣計算技術的云VR系統(tǒng)方案, 主要包括基于視點的VR處理和混合數(shù)模傳輸優(yōu)化, 能夠?qū)崿F(xiàn)更加穩(wěn)健高效的傳輸, 達到更好的VR用戶體驗。 文獻[9]從VR的成本和體驗兩方面考慮, 首先分析了基于傳統(tǒng)硬件架構的VR的優(yōu)缺點, 然后描述MEC對VR成本和體驗帶來的益處, 最后以VR視頻直播場景為例, 描述了基于MEC的VR關鍵技術。

2.2.4 MEC在工業(yè)互聯(lián)網(wǎng)中的應用

工業(yè)互聯(lián)網(wǎng)(Industrial Internet, II)是運用機器、計算機和人員使用業(yè)務轉型所取得的先進的數(shù)據(jù)分析成果, 從而實現(xiàn)智能化的工業(yè)操作。工業(yè)互聯(lián)網(wǎng)作為中國智能制造發(fā)展的重要支撐已經(jīng)得到國家的高度認可與充分重視, “十三五”規(guī)劃、中國制造2025、“互聯(lián)網(wǎng)+”、“深化制造業(yè)與互聯(lián)網(wǎng)融合發(fā)展”等國家的重大戰(zhàn)略都明確地提出要大力發(fā)展II。

在II領域的應用實踐中, 對于工業(yè)實時控制及邊緣設備安全隱私的要求較高, 并且產(chǎn)生的數(shù)據(jù)需要本地化處理, 因此將邊緣計算應用于II成為了行業(yè)發(fā)展的方向。2018年, 工業(yè)互聯(lián)網(wǎng)聯(lián)盟(Industrial Internet Coalition, IIC)正式發(fā)布了《工業(yè)物聯(lián)網(wǎng)邊緣計算介紹》白皮書, 旨在闡述邊緣計算對于工業(yè)物聯(lián)網(wǎng)應用的價值, 并總結了II邊緣計算模型的獨特性和從云到邊緣計算的關鍵驅(qū)動力。文獻[10]介紹邊緣計算的基本概念以及II智能制造邊緣計算的發(fā)展現(xiàn)狀, 通過分析工業(yè)互聯(lián)網(wǎng)、智能制造、邊緣計算之間的關系, 以及工業(yè)互聯(lián)網(wǎng)智能制造邊緣計算行業(yè)典型案例, 總結了工業(yè)互聯(lián)網(wǎng)智能制造邊緣計算的核心問題, 并提出了其面對的挑戰(zhàn)。文獻[11]探討5G和MEC在工業(yè)組網(wǎng)、支撐工業(yè)系統(tǒng)方面的價值, 分析工業(yè)領域存在的問題及對新技術的需求, 提出5G和MEC在工業(yè)內(nèi)外網(wǎng)組網(wǎng)架構中的應用方案, 并對工業(yè)邊緣云架構、典型應用場景等進行討論。

2.2.5 MEC在智能家居中的應用

隨著物聯(lián)網(wǎng)技術的發(fā)展, 智能家居系統(tǒng)得到進一步的發(fā)展, 其利用大量的物聯(lián)網(wǎng)設備(如溫濕度傳感器、安防系統(tǒng)、照明系統(tǒng))實時監(jiān)控家庭內(nèi)部狀態(tài), 接受外部控制命令并最終完成對家居環(huán)境的調(diào)控, 以提升家居安全性、便利性、舒適性。Berg Insight 的調(diào)查報告顯示, 歐美和北美洲的智能家居數(shù)據(jù)將在2019年達到6800萬。然而, 隨著智能家居設備的不斷普及, 且這些設備通常都是異構的, 如何管理這些異構設備將會是一個亟待解決的問題, 如設備的命名、數(shù)據(jù)的命名以及設備的智能聯(lián)動, 由于家庭數(shù)據(jù)的隱私性, 用戶并不總是愿意將數(shù)據(jù)上傳至云端進行處理, 尤其是一些家庭內(nèi)部視頻數(shù)據(jù)。移動邊緣計算可以將智能家居產(chǎn)生的家庭數(shù)據(jù)推送至家庭內(nèi)部網(wǎng)關, 從而減少家庭數(shù)據(jù)的外流, 從而降低數(shù)據(jù)外泄的可能性, 提升系統(tǒng)的隱私性。文獻[12] 考慮MEC的作用與智能家居的需求, 以節(jié)約計算資源及提高計算資源利用率為前提, 將MEC應用于智能家居環(huán)境, 構建基于個人計算機平臺的智能家居MEC系統(tǒng)。在計算資源有限的情況下, 該系統(tǒng)相比單純使用云計算系統(tǒng)可提供更高的服務質(zhì)量及更好的擴展性, 且易于部署和管理。文獻[13]提出一種基于移動邊緣計算構建智能家居控制系統(tǒng), 該系統(tǒng)分為終端感知層、邊緣處理層及控制應用層, 其中感知層選用搭載ZigBee協(xié)議棧的CC2530芯片進行設計、組網(wǎng)、感知; 邊緣處理層選用搭載Android系統(tǒng)的Tiny6410開發(fā)板作為上位機; 控制應用層選擇方便入門且開源的Android智能設備開發(fā)。

2.2.6 MEC在智慧城市中的應用

智慧城市是利用先進的信息技術, 實現(xiàn)城市智慧式的管理和運行。2016年阿里云提出了“城市大腦”的概念, 實質(zhì)是利用城市的數(shù)據(jù)資源來更好地管理城市, 2017年10月Alphabet旗下城市創(chuàng)新部門Sidewalk Labs建造名為Quayside的高科技新區(qū), 并希望該智慧城市項目能夠成為全球可持續(xù)和互聯(lián)城市的典范。2019年, 第二屆龍灣論壇在寧波杭州灣新區(qū)舉行, 全球首個集成V2X/5G通訊、MEC等技術, 面向智慧城市、智能交通和自動駕駛等應用領域的綜合性示范點——寧波杭州灣智慧城市國家級示范項目于論壇現(xiàn)場簽約[14]。然而, 智慧城市的建設所依賴的數(shù)據(jù)具有來源多樣化和異構化的特點, 同時涉及城市居民隱私和安全的問題, 移動邊緣計算系統(tǒng)可以有效管理智慧城市中的多來源數(shù)據(jù), 提高了數(shù)據(jù)共享的范圍和安全性, 從而實現(xiàn)智慧城市中數(shù)據(jù)價值的最大化, 是一個很好的解決方案。

文獻[15]分析中國智慧城市的發(fā)展現(xiàn)狀與瓶頸、當前城市交通面臨的問題與挑戰(zhàn), 從頂層設計的角度, 探討了智慧城市的發(fā)展思路及其與智能交通發(fā)展的關系; 提出了作為智慧城市基本單元的移動邊緣服務器的主要功能和核心優(yōu)勢; 展望了智慧城市與智能交通建設背景下未來邊緣服務器的深度應用展望。文獻[16]從MEC的基本概念入手, 探求技術應用背后的系統(tǒng)本質(zhì)屬性, 展望移動邊緣計算重點應用領域和發(fā)展趨勢。面對隨之而來的機遇和挑戰(zhàn), 提出移動邊緣計算驅(qū)動智慧城市發(fā)展的建議, 作出未來智慧城市藍圖的展望。

2.2.7 MEC在醫(yī)療衛(wèi)生中的應用

在醫(yī)療衛(wèi)生行業(yè), 各種醫(yī)療設施實時產(chǎn)生海量數(shù)據(jù), 如果采用移動邊緣計算技術, 各個數(shù)據(jù)單元將能夠收集并及時處理來自現(xiàn)場醫(yī)療應用程序、醫(yī)療管理系統(tǒng)以及越來越多的醫(yī)療保健相關物聯(lián)網(wǎng)設備的信息, 而無需通過廣域網(wǎng)(Wide-Area Network, WAN)或虛擬專用網(wǎng)絡(Virtual Private Network, VPN), 從而可以更大程度的緩解醫(yī)療資源供給不平衡的現(xiàn)狀, 促進醫(yī)療衛(wèi)生體制的改革。

2019年, 中國移動研究院、中國移動河南公司與鄭州大學第一附屬醫(yī)院共同簽署了智慧醫(yī)療戰(zhàn)略合作協(xié)議, 三方將共同圍繞5G智慧醫(yī)療標準化、5G醫(yī)療專網(wǎng)方案落地以及5G創(chuàng)新應用等內(nèi)容開展合作。MEC為5G醫(yī)療生態(tài)產(chǎn)業(yè)鏈提供基礎支撐, 在網(wǎng)絡邊緣的智能網(wǎng)關就近采集數(shù)據(jù)并處理, 而不需要將大量數(shù)據(jù)傳送到中心的核心平臺, 而醫(yī)院本地化服務器就有大量采集的數(shù)據(jù)需快速處理分析, 如各類檢查結果的上傳下載、專家診斷庫、病例庫、住院信息、醫(yī)療風險處理等大量信息存儲在服務器中需開展業(yè)務訪問、讀取、分析、處理, 并實現(xiàn)患者定位、無線輸液、無線監(jiān)護、移動查房、機器人查房、應急救援、遠程會診、遠程超聲等新型5G應用, 每個場景將帶來新的體驗和商業(yè)價值[17]。文獻[18]研究面向智慧醫(yī)療的移動邊緣計算體系的安全與隱私保護問題, 通過介紹面向智慧醫(yī)療的移動邊緣計算體系及其架構, 闡述移動邊緣計算中智慧醫(yī)療所遭遇的安全隱患, 并介紹部分學者針對安全隱患提出的解決方案, 最后總結了安全防護框架及探討該框架下安全與隱私保護的具體方案。

2.2.8 MEC在休閑娛樂中的應用

根據(jù)RESEARCH AND MARKETS今年最新報告稱, 全球數(shù)字游戲市場預計將以15.7%的復合年增長率增長, 預計到2023年將達到2649億美元[19]。再看游戲工委的2019年《中國游戲產(chǎn)業(yè)報告》, 全年中國游戲市場實際銷售收入2308.8億元, 同比增長7.7%, 中國游戲用戶規(guī)模達到6.4億人, 同比增長2.5%。中國的電子競技產(chǎn)業(yè)也越來越受到重視, 已成為世界上最具影響力和最具潛力的電子競技市場。中國電子競技游戲市場收入從2018年的834.4億元增長至2019年的947.3億元, 增加112.9億元, 同比增長13.5%。移動游戲市場實際收入保持持續(xù)上升, 占市場份額的68.5%, 客戶端游戲市場和網(wǎng)頁游戲市場繼續(xù)萎縮, 分別占市場份額的26.6%和4.3%。

業(yè)界都關注到了移動游戲巨大潛力, 如近幾年大熱的AR、VR、云游戲等等。但正是這種“高需求”不斷考驗著如今最薄移動設備的物理限制, 既輕便放進口袋的同時, 又想配備盡可能多的處理器, 的確是一大挑戰(zhàn)。移動邊緣計算可以減少移動設備的工作量和電量消耗, 同時保持高端游戲表現(xiàn)。當工作負載在網(wǎng)絡邊緣運行時, 數(shù)據(jù)只需要行進最小的必要距離, 從而減少相關的延遲時間。玩家也不必擔心“定期”購買最新昂貴的主機或?qū)I(yè)游戲PC, 只需購買他們喜歡的游戲即可。文獻[20]通過對5G核心網(wǎng)中網(wǎng)絡開放功能和MEC架構的分析, 提出了應用網(wǎng)絡開放功能和MEC組合, 為游戲用戶提供高可靠和低時延的網(wǎng)絡服務。通過在MEC部署游戲加速平臺, 監(jiān)測和分析用戶使用情況, 并將分析結果并將分析結果反饋到5G網(wǎng)絡, 通知網(wǎng)絡為用戶建立高優(yōu)先級的連接, 達到為用戶使用游戲業(yè)務加速的目的, 提升用戶使用體驗。

3 移動邊緣計算的發(fā)展歷程

在2006年8月9日, Google首席執(zhí)行官Eric Schmidt在搜索引擎大會(SESSanJose2006)首次提出CC的概念。十余年來, CC已經(jīng)成為了計算機領域最令人關注的話題之一, 是繼互聯(lián)網(wǎng)、計算機后在信息時代有一種新的革新, 是信息時代的一個大飛躍, 也是大型企業(yè)、互聯(lián)網(wǎng)建設著力研究的重要方向[21-22]。2009年2月“飛天”誕生, 阿里巴巴創(chuàng)立阿里云, 開啟了中國的云時代。十一年來, 阿里云已成長為全球領先的云計算及人工智能科技公司, 為200多個國家和地區(qū)的企業(yè)、開發(fā)者和政府機構提供服務。

思科公司于2012年提出霧計算[23-24], 并將霧計算定義為遷移云計算中心任務到網(wǎng)絡邊緣設備執(zhí)行的一種高度虛擬化計算平臺。它通過減少云計算中心和移動用戶之間的通信次數(shù), 以緩解主干鏈路的帶寬負載和能耗壓力。與此同時, 2012年, 中國科學院啟動了戰(zhàn)略性先導研究專項, 稱之為下一代信息與通信技術倡議, 其主旨是開展 “海云計算系統(tǒng)項目”的研究[25], 其核心是通過“云計算”系統(tǒng)與“海計算”系統(tǒng)的協(xié)同與集成, 增強傳統(tǒng)云計算能力, 其中, “?！倍酥赣扇祟惐旧?、物理世界的設備和子系統(tǒng)組成的終端。

2013年, 美國太平洋西北國家實驗室的Ryan LaMothe在一份2頁紙的內(nèi)部報告中提出“Edge Computing”一詞, 首次給出邊緣計算的概念[26]。此時, 邊緣計算的涵義已經(jīng)既有云服務功能的下行, 還包括萬物互聯(lián)服務的上行。經(jīng)過學術界的不斷完善, 2016年5月, 美國韋恩州立大學施巍松教授團隊給出邊緣計算的一個正式定義: 邊緣計算是指在網(wǎng)絡邊緣執(zhí)行計算的一種新型計算模型, 邊緣計算操作的對象包括來自于云服務的下行數(shù)據(jù)和來自于萬物互聯(lián)服務的上行數(shù)據(jù)[27]。

圖3 MEC的發(fā)展歷程 Figure 3 The development history of MEC

MEC的概念最早是由歐洲電信標準協(xié)會(European Telecommunication Standard Institute, ETSI)于2014年提出的, 并被定義為“在移動用戶附近提供RAN內(nèi)的IT和云計算功能”的新平臺[28]。2014年10月, ETSI推出MEC行業(yè)規(guī)范組, 2015年9月, ETSI發(fā)表關于MEC的白皮書。技術研究人員進一步發(fā)現(xiàn)這種邊緣計算技術的優(yōu)勢已經(jīng)突破了移動接入技術, 融合了Wi-Fi和固定接入技術, 并在2017年3月將移動邊緣計算行業(yè)規(guī)范工作組正式更名為多接人邊緣計算 (Multi-access Edge Computing, MEC), 致力于更好地滿足邊緣計算的應用需求和相關標準制定。

2015年11月, 思科、ARM、戴爾、英特爾、微軟和普林斯頓大學聯(lián)合成立開放霧(Open Fog, OF)聯(lián)盟, 主要致力于推進和應用場景在邊緣的結合, 該組織于2018年12月并入了工業(yè)互聯(lián)網(wǎng)聯(lián)盟。2016年11月, 華為技術有限公司、中國科學院沈陽自動化研究所、中國信息通信研究院、英特爾、ARM等在北京成立了邊緣計算產(chǎn)業(yè)聯(lián)盟(Edge Computing Consortium, ECC), 致力于推動“政產(chǎn)學研用”各方產(chǎn)業(yè)資源合作, 引領邊緣計算產(chǎn)業(yè)的健康可持續(xù)發(fā)展。2017年5月首屆中國邊緣計算技術研討會在合肥開幕, 同年8月中國自動化學會邊緣計算專委會成立, 標志著邊緣計算的發(fā)展已經(jīng)得到了專業(yè)學會的認可和推動。

2017年8月, 愛立信、英特爾、日本NTT與豐田近日成立了一個名為汽車邊緣計算聯(lián)盟(Automotive Edge Computing Consortium, AECC)的新聯(lián)盟, 以開發(fā)連接汽車的網(wǎng)絡和計算生態(tài)系統(tǒng), 更多地關注使用邊緣計算和高效網(wǎng)絡設計來增加網(wǎng)絡容量, 以適應汽車大數(shù)據(jù)。

亞馬遜的邊緣平臺通過AWS IoT Greengrass提供, 該服務于2016年提出, 并于2017年6月全面上市。2019年5月, AWS的邊緣計算平臺AWS IoT Greengrass, 以機器學習推理支持的形式進行了改版。

在微軟2018年度開發(fā)者大會上, 微軟公司發(fā)布“Azure IoT Edge”等邊緣側產(chǎn)品, 將業(yè)務重心從Windows操作系統(tǒng)轉移到智能邊緣計算方面, 通過將部分工作負荷移至邊緣, 設備將消息發(fā)送到云所花費的時間可以更少, 并且設備可以對狀態(tài)更改更快地做出響應。

2018年3月28日, 阿里云宣布戰(zhàn)略投入邊緣計算技術領域, 并推出首個IoT邊緣計算產(chǎn)品Link Edge, 將阿里云在云計算、大數(shù)據(jù)、人工智能的優(yōu)勢拓寬到更靠近端的邊緣計算上, 打造云、邊、端一體化的協(xié)同計算體系。

2019年, 在第二屆歐洲邊緣計算論壇上, 華為與多家合作伙伴(18家廠商和組織)達成意向, 將共同努力, 聯(lián)合建立歐洲邊緣計算產(chǎn)業(yè)聯(lián)盟(Edge Computing Consortium Europe, ECCE)。旨在創(chuàng)建一個可以在智能制造以及其他工業(yè)物聯(lián)網(wǎng)應用和網(wǎng)絡運營商之間部署的標準參考架構和技術棧。

4 MEC標準模型和框架研究

4.1 MEC的標準模型

4.1.1 歐洲電信標準化協(xié)會的MEC架構

EISI制定的“MEC全球標準003版本”(GSMEC003)中, ETSI定義了移動邊緣計算基于網(wǎng)絡功能虛擬化(Network Function Virtualization, NFV)的參考架構[24]。根據(jù)ETSI的定義, 移動邊緣計算側重的是在移動網(wǎng)絡邊緣給用戶提供IT服務的環(huán)境和云計算的能力, 意在靠近移動用戶來減少網(wǎng)絡操作和服務交付的時延。移動邊緣計算架構分為3級: 系統(tǒng)層、主機層和網(wǎng)絡層, 如圖4所示。ETSI提出的系統(tǒng)架構中展示了MEC的功能要素和每個功能要素之間的參考節(jié)點。

其中, 系統(tǒng)層結構由MEC系統(tǒng)級管理、用戶和第三方實體組成。 MEC系統(tǒng)級管理用于掌握部署的MEC主機、可用資源、可用MEC服務和整個網(wǎng)絡拓撲; 加載用戶或第三方應用程序包, 包括檢查包的完整性和真實性, 驗證應用程序的規(guī)則和要求, 必要時進行調(diào)整以滿足運營商策略; 記錄加載的數(shù)據(jù)包并準備虛擬基礎架構管理器以進一步處理應用程序, 以便它可以根據(jù)應用程序處理的要求管理虛擬化基礎架構, 例如分配、管理和釋放虛擬化基礎架構的虛擬化資源; 基于延遲、可用資源等選擇或重新選擇適當?shù)腗EC主機應用程序。

4.1.2 英特爾的 MEC 框架

英特爾對MEC的整體架構也做了定義[9]: MEC處于無線網(wǎng)絡接入點和有線網(wǎng)絡之間, 因為傳統(tǒng)的無線接入網(wǎng)擁有業(yè)務本地化和近距離部署的優(yōu)勢, 從而帶來的是高帶寬和低時延的傳輸能力。MEC模式下通過將網(wǎng)絡業(yè)務“下沉”到更加接近用戶的無線網(wǎng)絡接入側, 直接的好處就是用戶能明顯感受到傳輸時延減小, 網(wǎng)絡擁塞情況被顯著控制。MEC提供應用程序編程接口(Application programming interface, API), 對第三方開放基礎的網(wǎng)絡能力, 使得第三方可以根據(jù)業(yè)務需求完成按需定制和交互, 具體如圖 5所示。

圖4 EISI制定的MEC框架 Figure 4 MEC framework developed by EISI

4.1.3 3GPP 基于5G的MEC框架

下圖顯示了如何在5G網(wǎng)絡中以集成方式部署MEC系統(tǒng)。

在圖6右側的MEC系統(tǒng)中, MEC編排器是MEC系統(tǒng)級功能實體, 它充當AF, 可以與網(wǎng)絡暴露功能(Network Exposure Function, NEF)交互, 或者在某些情況下直接與目標5G交互NEF。在MEC主機級別上, MEC平臺可以再次與這些5G NEF交互, 再次扮演AF的角色。MEC主機(即主機級功能實體)最常部署在5G系統(tǒng)中的數(shù)據(jù)網(wǎng)絡中。雖然NEF作為核心網(wǎng)絡功能是與類似NEF一起集中部署的系統(tǒng)級實體, 但NEF的實例也可以部署在邊緣, 以允許從MEC主機進行低延遲, 高吞吐量的服務訪問。

在本白皮書中, 假設將MEC部署在N6參考點上, 即5G系統(tǒng)外部的數(shù)據(jù)網(wǎng)絡中。通過靈活地定位UPF可以啟用此功能。除了MEC應用程序之外, 分布式MEC主機還可以容納作為MEC平臺服務的消息代理, 以及另一個將流量引導到本地加速器的MEC平臺服務。選擇將服務作為MEC應用程序還是作為平臺服務運行可能是實現(xiàn)選擇, 并且應考慮訪問服務所需的共享和身份驗證級別。最初可以將諸如消息代理之類的MEC服務部署為MEC應用程序, 以獲得上市時間優(yōu)勢, 然后隨著技術和業(yè)務模型的成熟而成為MEC平臺服務。

管理用戶移動性是移動通信系統(tǒng)中的核心功能。在5G系統(tǒng)中, 訪問和移動性管理功能(Access Mobile Function, AMF)處理與移動性相關的過程。 此外, AMF還負責終止RAN控制平面和非接入層程序, 保護信令的完整性、注冊管理、連接和可達性, 并與針對接入和移動性事件的合法攔截功能進行接口, 為訪問層提供身份驗證和授權, 并托管安全錨功能。 通過AMF為其他NEF提供通信和可達性服務, 訂閱接收有關移動性事件的通知。

圖5 英特爾制定的MEC框架 Figure 5 MEC framework developed by Intel

圖6 3GPP制定的MEC框架 Figure 6 MEC framework developed by 3GPP

與AMF相似, 會話管理功能(Session Management Function, SMF)擔負著重要的職責。SMF提供的一些功能包括會話管理, IP地址分配和管理, DHCP服務, UPF的選擇/重新選擇和控制, 配置UPF的流量規(guī)則, 合法攔截會話管理事件, 收費和支持漫游。由于可以在集中式云和邊緣云中提供MEC服務, 因此SMF在選擇和控制UPF以及配置其流量控制規(guī)則方面起著至關重要的作用。SMF公開了服務操作, 以允許作為5G AF的MEC管理PDU會話, 控制策略設置和流量規(guī)則以及訂閱有關會話管理事件的通知。

4.2 MEC的框架研究與設計

作為CC的有效補充, 文獻[29]于2016年提出移動邊緣云的概念, 同時提出一種工作共享模型Honeybee, 使用著名的工作竊取方法的改編來負載均衡異構移動節(jié)點之間的獨立作業(yè), 從而能夠容納隨機離開和加入系統(tǒng)的節(jié)點。

針對虛擬化系統(tǒng), 實現(xiàn)在與不同虛擬服務提供商關聯(lián)的所有用戶之間共享通信、計算和緩存資源, 文獻[29-30]在2017年分別提出以信息為中心的異構網(wǎng)絡邊緣計算框架。文獻[29]將虛擬資源分配策略表述為聯(lián)合優(yōu)化問題, 采用了基于乘法器交替方向法的分布式算法, 大大降低計算復雜度和信令開銷。文獻[30]針對支持全雙工(Full Duplex, FD)的小型蜂窩網(wǎng)絡(Small Cellular Network, SCN), 提出具有MEC和緩存功能的虛擬FD-SCN框架, 將用戶的體驗質(zhì)量和相應的資源消耗分別表征為系統(tǒng)收入和開銷, 聯(lián)合考慮用戶關聯(lián)、功率控制和資源分配問題, 最后采用交替迭代方向法來獲得具有低計算復雜度的最優(yōu)解。

移動服務提供商(Mobile Service Provider, MSP)通過將云無線電接入網(wǎng)絡(cloud radio access network, C-RAN)與移動邊緣云計算技術集成在一起, 可以有效地處理不斷增長的移動流量并增強移動設備的功能。2018年開始, 部分學者提出針對C-RAN與MEC的集成框架。文獻[31]通過聯(lián)合調(diào)度C-RAN中的網(wǎng)絡資源和MEC中的計算資源來最大化MSP的利潤, 提出一種MSP功率性能折中的統(tǒng)一框架, 將資源調(diào)度問題表述為隨機問題, 并使用擴展的Lyapunov技術優(yōu)化提出的框架。文獻[32]進一步利用Lyapunov技術提出一種針對小蜂窩基站(SBS)的對等卸載框架, 并在SBS的能耗約束的條件下優(yōu)化了框架的系統(tǒng)性能。文獻[33]提出一種協(xié)同卸載框架, 通過觸發(fā)卸載動作來增加用戶設備的計算能力, 針對能耗最小化問題, 提出UE的分散式本地決策算法, 以估計可能的本地資源消耗, 進一步提出一種集中決策和資源分配算法, 以進行ME-RAN中的決策和資源分配。

移動邊緣計算技術可以減輕移動用戶的計算限制, 并通過計算分流來延長其壽命, 2018年, 文獻[34-35]針對計算分流機制提出相應的MEC框架。文獻[34]提出的框架由面向用戶的資源高效計算分載機制和面向網(wǎng)絡運營商的聯(lián)合通信與計算資源分配機制組成, 針對用戶的資源高效計算分流問題, 以通過確定資源占用最少的最佳通信和計算資源配置文件, 滿足QoS約束的同時減少了用戶的資源占用。文獻[35]提出一種異構網(wǎng)絡中的兩層計算卸載框架, 為多任務移動邊緣計算系統(tǒng)制定了聯(lián)合計算分流和用戶關聯(lián)問題, 最大程度地降低總體能耗, 通過聯(lián)合優(yōu)化了計算資源分配和傳輸功率分配。

為了滿足5G對超低延遲的要求, 2018年文獻[36-37]針對5G MEC架構展開研究。文獻[36]在基于MEC的體系結構中分配所有節(jié)點的容量, 分配流量以滿足延遲百分比為約束, 即至少有一部分流量滿足延遲限制, 提出一種兩階段迭代優(yōu)化方法來嘗試優(yōu)化基于MEC的體系結構中的容量和流量分配。文獻[37]提出一種非獨立的基于5G ETSI MEC的架構, 提出的分層分布式體系結構在邊緣分配用戶平面, 控制平面集中用于同步和輔助目的, 設置功能服務器靠近最終用戶, MEC體系結構可實現(xiàn)低延遲服務的部署, 滿足用戶設備的可擴展性, 可以在特定位置動態(tài)分配網(wǎng)絡資源。

5 MEC資源分配的關鍵問題研究

MEC可利用無線接入網(wǎng)絡就近提供電信用戶IT所需服務和云端計算功能, 而創(chuàng)造出一個具備高性能、低延遲與高帶寬的電信級服務環(huán)境, 加速網(wǎng)絡中各項內(nèi)容、服務及應用的快速下載, 讓消費者享有不間斷的高質(zhì)量網(wǎng)絡體驗。MEC一方面可以改善用戶體驗, 節(jié)省帶寬資源; 另一方面通過將計算能力下沉到移動邊緣節(jié)點, 提供第三方應用集成, 為移動邊緣入口的服務創(chuàng)新提供了無限可能。MEC為用戶提供大量便利的同時, 對服務商的MEC資料分配策略提出巨大挑戰(zhàn), 學術界對此展開了深入而細致的研究, 如圖7所示。

圖7 MEC資源管理的關鍵問題 Figure 7 Key Issues of MEC Resource Management

5.1 MEC計算卸載

5.1.1 基于能耗的MEC計算卸載

文獻[45-50]針對MEC資源分配的能耗問題展開研究。文獻[45]針對5G異構網(wǎng)絡中MEC的節(jié)能計算卸載(Energy-Efficient Computation Offloading, EECO)機制展開研究, 考慮任務計算和文件傳輸?shù)哪芎? 提出一個最大程度地減少卸載系統(tǒng)的能耗的優(yōu)化問題。結合5G異構網(wǎng)絡的多路訪問特性, 設計一種卸載和無線電資源分配的EECO方案, 以在延遲約束下獲得最小的能耗。文獻[46]考慮一個多移動用戶MEC系統(tǒng), 其中多個智能移動設備(Smart Mobile Device, SMD)要求將計算任務轉移到MEC服務器。為了最大程度地降低SMD的能耗, 聯(lián)合優(yōu)化卸載選擇、無線電資源分配和計算資源分配問題被歸結為混合整數(shù)非線性規(guī)劃(Mixed Integer Nonlinear Programming, MINLP)問題, 提出一種基于重構線性化技術的分支定界方法, 通過設置求解精度來獲得最佳結果或次優(yōu)結果。文獻[47]研究小蜂窩網(wǎng)絡MEC中的節(jié)能計算卸載管理方案, 通過聯(lián)合優(yōu)化計算分流決策、頻譜、功率來最大程度地減少所有用戶設備(User Equipment, UE)的能耗。UE的計算分流決策不僅需要確定是否要卸載, 還需要確定在哪里卸載。提出的MINLP的計算卸載問題是NP-hard問題, 設計一種聯(lián)合遺傳算法(Genetic Algorithm, GA)和粒子群優(yōu)化(Particle Swarm Optimization, PSO)的次優(yōu)算法。文獻[48]考慮用于任務卸載的小型蜂窩網(wǎng)絡體系結構的能源效率, 從任務計算和通信方面對卸載的能耗進行建模, 提出卸載的能量優(yōu)化問題, 旨在最大程度地減少系統(tǒng)的總體能耗, 考慮來自計算能力和服務延遲要求的約束, 設計出一種基于人工魚群算法的次優(yōu)算法。文獻[49]研究異步MEC系統(tǒng)的節(jié)能資源管理策略, 首先考慮具有任意到達期限命令的一般情況, 提出一個基于數(shù)據(jù)傳輸?shù)膯雾椖芎哪Ｐ偷膬?yōu)化問題, 討論分時和計算截止時間約束下的總移動能耗最小化資源管理策略。文獻[50]提出一種移動邊緣云無線電接入網(wǎng)(mobile edge cloud-radio access network, ME-RAN)架構, 該架構由移動邊緣云(mobile edge cloud, ME)作為計算提供平臺和RAN作為通信組成接口。通過觸發(fā)卸載動作來增加用戶設備的計算能力, 考慮有限的計算和通信資源來減少所有UE的能耗, 提出的能耗最小化問題被證明是一種非凸混合整數(shù)規(guī)劃, 通過分散式本地決策算法和集中決策資源分配算法進行ME-RAN中的決策和資源分配。

5.1.2 基于時延的MEC計算卸載

文獻[51-58]針對MEC資源分配的時延問題展開研究。文獻[51]提出一種在具有兩個cloudlet服務器的情況下最小化服務延遲的方法, 通過虛擬機遷移來控制處理延遲, 并進一步控制傳輸功率來改善傳輸延遲。文獻[52]通過在霧無線接入網(wǎng)絡(Fog radio access network, F-RAN)中提出一種松散耦合的體系結構來減輕前傳的沉重負擔, 并實現(xiàn)超低延遲, 該體系結構中的F-RAN節(jié)點可以無限制地參與聯(lián)合的分布式計算和內(nèi)容共享。為了滿足最小等待時間需求的通信, 在每個F-RAN節(jié)點的前傳容量和計算能力的約束下實現(xiàn)超低延遲, 提出一種混合整數(shù)非線性規(guī)劃問題, 給出一種聯(lián)合貪婪算法的分布式計算方法, 以尋求次優(yōu)的解決方案。文獻[53]考慮具有聯(lián)合通信和計算資源分配的多用戶時分多址系統(tǒng)中的等待時間最小化問題, 分別研究三種不同的計算模型, 即局部壓縮, 邊緣云壓縮和部分壓縮卸載。首先導出局部和邊緣云壓縮模型的最佳資源分配和最小系統(tǒng)延遲的閉式表達式。然后針對部分壓縮卸載模型, 提出分段優(yōu)化問題, 并證明最優(yōu)數(shù)據(jù)分段策略具有分段結構。最后, 提出一種最優(yōu)的聯(lián)合通信和計算資源分配算法。文獻[54]針對當前基于云的網(wǎng)絡中存在的不可接受的處理延遲和沉重的鏈路負擔, 將任務節(jié)點(Task Node, TN)的計算任務卸載到位于網(wǎng)絡邊緣的霧節(jié)點(Fog Node, FN), 提出一種霧網(wǎng)絡中自愿節(jié)點(Voluntary Node, VN)之間任務調(diào)度的通用分析模型, 其中VN自愿提供其服務于相鄰TN的能力, 進一步提出一種新穎的時延最優(yōu)任務調(diào)度算法, 以根據(jù)VN的能力來獲得時延最優(yōu)卸載算法。文獻[55]提出一種車聯(lián)網(wǎng)多平臺智能卸載和資源分配算法, 該算法可以動態(tài)組織計算資源, 以提高下一代車載網(wǎng)絡的性能?？紤]到任務計算問題, K近鄰算法用于選擇任務卸載平臺(即云計算, 移動邊緣計算或本地計算)。針對非本地計算中的計算資源分配問題和系統(tǒng)復雜性, 采用強化學習的方法解決了資源分配的優(yōu)化問題。文獻[56]研究用于多服務器蜂窩邊緣計算系統(tǒng)中延遲最小化的資源調(diào)度問題。通過定義基于延遲的Lyapunov函數(shù), 無需假設流量統(tǒng)計就可以導出蜂窩邊緣計算系統(tǒng)中的通信延遲和計算延遲的公式, 提出一種資源調(diào)度算法, 該算法直接最小化了通信延遲和計算延遲的加權和。 文獻[57]提出一種聯(lián)合通信和計算資源分配問題, 以最大程度地減少所有移動設備的加權和等待時間。根據(jù)標準化的回程通信能力和標準化的云計算能力, 給出具有封閉形式的最佳任務分割策略。通過分析四種特殊情況, 將原始的聯(lián)合通信和計算資源分配問題進一步轉化為等效的凸優(yōu)化問題, 并利用凸優(yōu)化理論獲得封閉形式的計算資源分配策略。文獻[58]提出一種數(shù)字孿生邊緣網(wǎng)絡 (Digital Twin Edge Networks, DITEN)的構想, 其中邊緣服務器的數(shù)字孿生(Digital Twins, DTs)估計邊緣服務器的狀態(tài), 而整個MEC系統(tǒng)的DT為卸載決策提供訓練數(shù)據(jù)。在DITEN中提出一種移動卸載方案, 以在用戶移動期間在累積的消耗的服務遷移成本的約束下最小化卸載等待時間。利用Lyapunov優(yōu)化方法將長期遷移成本約束簡化為多目標動態(tài)優(yōu)化問題, 然后通過Actor-Critic深度強化學習解決該問題。

5.1.3 能耗與時延折中研究

將計算密集型任務從移動設備遷移到資源更豐富的云服務器是一種有前途的技術, 可以提高移動設備的計算能力, 同時節(jié)省電池電量, 文獻[37-44]針對能耗和延遲之間的折中展開研究。文獻[37]考慮多輸入多輸出(Multiple Input Multiple Output, MIMO)多小區(qū)系統(tǒng), 將計算能力卸載問題表述為傳輸預編碼矩陣和計算資源云分配的聯(lián)合優(yōu)化, 為了最大程度地減少總體用戶的能耗, 同時滿足延遲限制, 提出一種基于新的連續(xù)凸逼近的迭代算法, 可以收斂到原始非凸問題的局部最優(yōu)解。文獻[38]提出一個霧和云之間的最佳工作負載分配問題, 以最小的功耗和受服務延遲限制的方式實現(xiàn)。通過將原始問題分解為相應子系統(tǒng)的三個子問題, 使用近似方法解決該問題, 可以分別解決該問題。文獻[39]將卸載問題表述為無線電資源的聯(lián)合優(yōu)化, 設計最優(yōu)的傳輸預編碼矩陣和計算資源分配的同時最大程度地減少總體用戶的能耗, 并滿足延遲限制。最終的優(yōu)化問題是非凸的, 但在單用戶情況下可以封閉形式計算全局最優(yōu)解。在更具挑戰(zhàn)性的多用戶方案中, 提出一種基于新穎的連續(xù)凸逼近技術的迭代算法, 該算法收斂到原始非凸問題的局部最優(yōu)解。文獻[40]考慮單小區(qū)和多小區(qū)MEC網(wǎng)絡方案, 將智能設備電池的剩余能量被引入到能耗和等待時間的加權因子的定義中, 提出一種能量感知的卸載方案, 可以在有限的能量和敏感延遲下共同優(yōu)化通信和計算資源的分配, 進一步提出一種基于內(nèi)部懲罰函數(shù)的迭代搜索算法。文獻[41]研究霧云計算系統(tǒng)中功耗與傳輸延遲之間的權衡, 提出一個工作負載分配問題, 該問題主要針對霧和云之間的最佳工作負載分配, 以最小的功耗實現(xiàn)了服務延遲。通過將原始問題分解為相應子系統(tǒng)的三個子問題, 獲得該問題的近似解。文獻[42]針對混合霧/云系統(tǒng)中的計算卸載問題, 聯(lián)合優(yōu)化卸載決策以及計算資源、射功率和無線電帶寬的分配, 同時確保用戶公平性和最大可容忍延遲。提出一種低復雜度次優(yōu)算法來解決該問題, 該算法通過半確定松弛和隨機化獲得卸載決策, 并使用分數(shù)規(guī)劃理論和Lagrangian對偶分解獲得資源分配?？紤]到EH在MEC中的影響因素, 文獻[43]提出一種在線動態(tài)任務分配計劃, 以研究具有EH功能的MEC系統(tǒng)的能耗與執(zhí)行延遲之間的折中?；贚yapunov優(yōu)化方法, 獲得有關移動設備的CPU周期頻率和數(shù)據(jù)傳輸功率的最佳調(diào)度, 以達到電池能量水平的穩(wěn)定性以及能耗和執(zhí)行延遲之間的權衡。文獻[44]研究任務轉移到MEC的時延和可靠性之間的權衡。提供一種框架, 用戶設備將任務劃分為子任務, 并將其依次卸載到多個附近的邊緣節(jié)點(Edge Node, EN)。提煉出該框架下的資源優(yōu)化問題, 以共同最小化等待時間和卸載失敗概率, 分別設計三種基于啟發(fā)式搜索, 重構線性化技術和半確定松弛的算法, 并通過優(yōu)化EN候選選擇, 卸載順序和任務分配來解決該問題。

5.1.4 MEC計算卸載小結

針對MEC資源分配能耗問題的研究, 通常圍繞任務計算和文件傳輸?shù)哪芎恼归_, 提出的能耗最小化問題是一個MINLP, 同時也是NP-hard問題, 目前的文獻采用分支定界法給出近似解, 或者采用智能算法(GA、PSO等)去尋優(yōu)。MEC資源分配的時延問題也是一個MINLP, 可以采用能耗問題相似的求解方法。最近的文獻有同時考慮能耗和時延最小的多目標優(yōu)化問題, 是一個值得深入研究的角度。關于能耗與時延折中研究, 除了多目標優(yōu)化算法, 基于Lyapunov優(yōu)化方法也是主流的研究角度, 但是目前的分數(shù)規(guī)劃理論和Lagrangian對偶方法等大多只能給出次優(yōu)解, 并能很難獲得好的實時結果。

5.2 MEC緩存資源分配

5.2.1 MEC緩存管理

移動邊緣緩存是一種有希望的方式, 可以減少用戶感知的延遲并提高無線網(wǎng)絡的傳輸數(shù)據(jù)速率。然而, 基站(Base Station, BS)的緩存容量趨于受到限制, 并且用戶對內(nèi)容的興趣多樣, 這使得內(nèi)容放置決策對于網(wǎng)絡性能優(yōu)化至關重要。此外, 由于靈活的用戶-BS關聯(lián), 優(yōu)化彼此耦合的內(nèi)容傳遞和放置更加復雜。文獻[59-66]針對MEC系統(tǒng)的緩存管理問題展開研究。

為了在軟件定義超蜂窩網(wǎng)絡(Software-Defined Hyper-Cellular Network, SD-HCN)中實現(xiàn)有效的內(nèi)容緩存和傳遞, 文獻[59]提出一種將SD-HCN的平均內(nèi)容供應成本(例如, 時延, 帶寬等)最小化的分析框架, 該框架以總存儲容量為約束條件, 在集中控制基站(Control Base Station, CBS)和分布式業(yè)務基站(Traffic Base Station, TBS)上聯(lián)合優(yōu)化存儲分配和內(nèi)容放置。為了求解這個NP問題, 首先在CBS和TBS之間引入了基線非合作性緩存策略。然后, 通過利用CBS和TBS之間的縱向協(xié)作以及TBS之間的橫向協(xié)作, 提出一種有效的協(xié)作邊緣緩存策略。借助內(nèi)容緩存和上下文感知的能力, MEC可以提供低延遲和自適應比特率的視頻流, 以提高RAN的服務提供能力。文獻[60]提出一種MEC增強型自適應比特率(Adaptive Bit Rate, ABR)視頻傳輸方案, 該方案將內(nèi)容緩存和ABR流技術結合在一起, MEC服務器充當控制組件, 以實現(xiàn)視頻緩存策略并靈活地調(diào)整視頻的傳輸比特率版本。通過Stackelberg博弈來處理每個基站占用的存儲資源, 進一步提出聯(lián)合緩存和無線電資源分配算法來提高緩存命中率和系統(tǒng)吞吐量。文獻[61]研究具有一個服務提供商(Service Provider, SP), 大量邊緣節(jié)點(EN)和具有時間依賴請求的移動用戶的邊緣網(wǎng)絡。提出一種用于邊緣緩存的融合且可擴展的Stackelberg博弈, 該博弈被分解為兩種子博弈, 一種是存儲分配博弈(Storage Allocation Game, SAG), 另一種是用戶分配博弈(User Allocation Game, UAG)。提出的基于Stackelberg博弈的乘法器交替方向方法, 以分布式方式求解SAG或每個UAG, 收斂速度快, 占用更少的回程資源。

文獻[62]研究一種聯(lián)合緩存和計算資源分配機制, 以有效地調(diào)度移動邊緣網(wǎng)絡的資源。提出一種Stackelberg博弈, 以分析MEC服務器與多個BS之間的分配問題。MEC服務器旨在將價格強加給BS, 以最大化其收入, 而BS競爭確定它們可以在MEC服務器上占用的緩存/計算空間, 以提高其服務用戶的體驗質(zhì)量。 BS之間的競爭被表述為非合作子游戲, 其中每個BS被設計為最大化可由MEC服務器提供服務的請求率。文獻[63]評估不同緩存更新和替換算法的網(wǎng)絡能耗問題。首先, 提出一種基于請求模式的主動緩存算法, 與其他緩存算法(例如最近最少使用, 最少使用和基于流行度的緩存)相比, 可以潛在地提高緩存命中率。然后, 通過將網(wǎng)絡總能耗分解為傳輸和存儲能耗, 提出一種移動邊緣緩存的能耗評估模型。為了進一步提高能效并滿足用戶對延遲的要求, 文獻[64]聯(lián)合優(yōu)化多用戶MEC系統(tǒng)的緩存、計算和通信資源。將提出的聯(lián)合優(yōu)化問題分解為兩個子問題, 分別優(yōu)化緩存策略和資源分配, 然后在每次迭代中通過凸優(yōu)化交替優(yōu)化這些子問題。為了進一步加快算法的收斂速度, 提出了一種基于線性加權的高效緩存策略初始化方案。文獻[65]研究啟用緩存的無線網(wǎng)絡中的內(nèi)容放置和內(nèi)容交付策略。為了同時描述端到端用戶感知的延遲和數(shù)據(jù)速率的有效容量作為用戶的效用度量, 考慮到內(nèi)容緩存和內(nèi)容交付在不同的時間范圍內(nèi)運行。針對內(nèi)容緩存, 提出一個內(nèi)容放置問題, 考慮了用戶的不同活動級別和不同的內(nèi)容偏好, 將問題分解為兩個子問題, 提出了一種迭代的關聯(lián)感知內(nèi)容放置算法。針對內(nèi)容傳遞, 提出用戶-BS關聯(lián)問題, 設計一種可識別緩存的用戶-BS關聯(lián)算法。文獻[66]研究研究MEC環(huán)境中的協(xié)作緩存問題, 旨在最大程度地降低系統(tǒng)成本, 包括數(shù)據(jù)緩存成本, 數(shù)據(jù)遷移成本和服務質(zhì)量(Quality- of-Service, QoS)損失。將此協(xié)作邊緣數(shù)據(jù)緩存問題(Collaborative Edge Data Caching, CEDC)建模為約束優(yōu)化問題, 并證明它是NP完全的。提出一種基于Lyapunov優(yōu)化的CEDC在線算法, 無需任何未來信息即可在線工作, 并且可證明具有接近最佳的性能。

5.2.2 MEC排隊模型

由于MEC服務器的計算能力有限, 需要考慮它的計算任務隊列。在這種情況下, 移動終端(Mobile Terminal, MT)上的任務隊列和MEC服務器上的任務隊列以級聯(lián)方式強烈耦合, 這產(chǎn)生了復雜的相互依賴性并帶來了新的技術挑戰(zhàn)。文獻[67-72]針對MEC隊列的排隊網(wǎng)絡展開研究。文獻[67]使用排隊網(wǎng)絡對傳感器網(wǎng)絡進行建模, 然后使用線性編程技術來制定調(diào)度決策。提出的幾種集中式和分布式算法, 與基準非卸載情況相比, 能耗稍高, 但是, 作業(yè)完成率得到了顯著提高, 從而提高了整體系統(tǒng)性能。文獻[68]研究MEC網(wǎng)絡中由傳輸隊列和計算處理隊列組成的兩級串聯(lián)隊列, 首先通過兩階段串聯(lián)隊列推導MEC的有效容量, 在QoS保證下歸結聯(lián)合帶寬和計算資源分配問題, 以最大化網(wǎng)絡的總收入, 提出一種基于乘數(shù)交替方向法(Alternating Direction Method of Multipliers, ADMM)的有效算法來降低計算復雜度, 該算法可以將復雜的NP問題分解并轉化為一些凸子問題。文獻[69]將計算分流問題建模為無限地平線平均成本馬爾可夫決策過程(Markov Decision Process, MDP), 并將其近似為具有反射的虛擬連續(xù)時間系統(tǒng)。引入動態(tài)瞬時速率估計, 推導不同情況下的閉式近似優(yōu)先級函數(shù)?；诮苾?yōu)先級函數(shù), 提出一種封閉形式的多級充水計算分流解決方案, 以表征本地隊列狀態(tài)信息和遠程隊列狀態(tài)信息的影響。

文獻[70]研究提供移動邊緣計算(MEC)服務的BS的資源建模和管理。在提出的建模中, BS被認為是由多個多類型服務器組成的排隊網(wǎng)絡。優(yōu)先考慮優(yōu)先級不同的上行傳輸用戶, 下行傳輸用戶和MEC用戶。假定它們的服務請求是動態(tài)到達的, 并且也可以動態(tài)地得到服務。使用這樣的通用資源建模, 可以基于排隊網(wǎng)絡理論來分析這些用戶之間的交互, 得出具有不同優(yōu)先級的每種服務類型的平均延遲。文獻[71]提出一種新的系統(tǒng)設計, 通過應用極值理論, 對任務隊列長度施加概率和統(tǒng)計約束。目的是在權衡分配的資源用于本地計算和任務分流的同時最大程度地減少用戶的功耗。由于無線信道的動態(tài)變化, 用戶被重新關聯(lián)到MEC服務器, 以便以更高的速率卸載任務或訪問附近的服務器。考慮到信道質(zhì)量以及服務器的計算能力和工作量, 提出一種用戶-服務器關聯(lián)策略, 通過結合Lyapunov優(yōu)化和匹配理論的工具, 在長時標中解決了用戶-服務器關聯(lián), 而在短時標中執(zhí)行了動態(tài)任務卸載和資源分配策略。文獻[72]考慮一個具有多個UE和一個MEC的移動邊緣計算環(huán)境, 為UE建立了M/G/1排隊模型, 為MEC建立了M/G/m排隊模型。通過分析得出每個UE和MEC的平均響應時間和平均功耗, 以便可以數(shù)學和嚴格地研究性價比。建立了一個非合作游戲框架來系統(tǒng)地研究競爭性移動邊緣計算環(huán)境的穩(wěn)定性, 以及UE和MEC的成本效益。文獻[73]提出一種與云計算合作的分布式負載共享MEC網(wǎng)絡的高效計算卸載方案, 以增強智能設備(Smart Device, SD)的功能。通過使用排隊論來建模非線性多目標優(yōu)化問題, 以對使用邊緣和云服務的執(zhí)行延遲, 能耗和支付成本進行建模。為了解決提出的問題, 提出一種基于隨機梯度下降算法的解決方案方法, 以共同優(yōu)化SD的卸載概率和傳輸功率, 從而在SD的能耗, 執(zhí)行延遲和成本之間找到最佳折中方案。

5.2.3 MEC負載共享和平衡

移動邊緣計算主要依賴于在網(wǎng)絡邊緣具有有限容量的支持虛擬化的MEC服務器。一個關鍵問題是要根據(jù)服務器大小, 服務器編號和服務器操作區(qū)域來確定此類系統(tǒng)的尺寸, 以滿足MEC目標。MEC可以用來補充云計算的局限性。在MEC服務器中分配副本可以縮短傳輸延遲并提高QoS。但是, 基于云的復制方案可能由于其資源有限和RAN中的流量變化而不適用于MEC服務器。文獻[74-79]針對MEC的負載共享和平衡問題展開研究

針對多路訪問邊緣計算場景, 文獻[74]研究和比較了三種負載共享方案, 即無共享, 隨機共享和最小負載共享, 它們在不同程度上利用了群集服務器之間的協(xié)作。進一步提出計算有效的分析模型來評估這些方案的性能。比較結果表明, 最小負載共享方案最適合充分利用服務器之間的協(xié)作并實現(xiàn)服務器之間的負載平衡, 它有助于減少用戶遇到的阻塞概率和等待時間。文獻[75]研究一種自適應資源分配方法, 以增強車輛邊緣計算網(wǎng)絡中的用戶體驗。利用任務可伸縮性的思想, 引入一種平衡計算質(zhì)量和資源消耗的模型, 以充分利用計算資源。為了通過指定所需資源和每個運行任務的預期質(zhì)量來最大程度地減少長期計算質(zhì)量損失的目標, 提出混合整數(shù)非線性隨機優(yōu)化問題, 以聯(lián)合優(yōu)化無線電和計算資源的分配以及任務放置。文獻[76]考慮移動用戶(Mobile User, MU)可以通過小型基站(Small Base Station, SBS)將計算卸載到MEC服務器, SBS通過無線回程連接到宏BS, 并且共享MEC服務器上的計算資源在卸載MU之間。首先提出一個聯(lián)合優(yōu)化問題, 目的是最大程度地減少系統(tǒng)范圍內(nèi)的計算開銷。將優(yōu)化問題分解為兩個子問題, 即卸載決策子問題以及聯(lián)合回程帶寬和計算資源分配子問題。提出一種迭代算法求解兩個子問題來獲得原始問題的可行解。文獻[77]提出一種基于圖的算法, 考慮最大化MEC服務器容量, 以提供MEC群集的分區(qū), 在邊緣處合并了盡可能多的通信。文獻[78]分析MEC服務器中副本的收入, 成本和利潤。提出一種MEC的自適應復制算法, 根據(jù)每個時間間隔內(nèi)的讀/寫操作數(shù)動態(tài)分配副本, 可自適應地將請求轉發(fā)到相鄰MEC服務器中的副本, 以平衡MEC服務器的負載。文獻[79]提出一種新穎的經(jīng)濟和非合作博弈模型, 用于競爭小云之間的負載平衡。該模型旨在最大化所有競爭小云的效用, 同時滿足用戶的端到端延遲。通過將問題描述為廣義納什均衡問題, 并研究純策略納什均衡的存在和唯一性, 設計出一個基于變分不等式的算法來計算純策略納什均衡。

5.2.4 MEC負載研究小結

針對MEC緩存管理的研究, 主要為了邊緣終端設備實現(xiàn)有效的內(nèi)容緩存和傳遞, 通常以總存儲容量為約束條件, 聯(lián)合優(yōu)化存儲分配和內(nèi)容放置。優(yōu)化問題是NP問題, 傳統(tǒng)的優(yōu)化算法和Lyapunov優(yōu)化方法同樣適用, 最近的研究成果是嘗試運用博弈論, 解決資源競爭問題?？紤]到MEC中的緩存, 運用排隊論工具分析EN性能, 將計算分流問題建模為MDP, 在權衡分配的資源用于本地計算和任務分流的同時最大程度地減少用戶的功耗。MEC的負載平衡問題是個比較新穎的研究方向, 非合作博弈模型將是一個很好的切入點。

5.3 MEC資源調(diào)度

5.3.1 MEC任務分配/卸載

MEC可以為IoT環(huán)境中生成的海量數(shù)據(jù)提供服務?？梢哉J為它是在網(wǎng)絡邊緣提供類似云服務的云計算的衍生產(chǎn)品。因此, 它有助于解決將云系統(tǒng)用于IoT時經(jīng)常遇到的嚴重延遲問題。根據(jù)文獻, 霧計算中用戶任務的低效率調(diào)度實際上會導致比云計算更高的延遲, 從而實現(xiàn)良好的資源調(diào)度。

文獻[80]提出從單個移動設備(Mobile Device, MD)卸載到多個邊緣設備的優(yōu)化框架, 通過聯(lián)合優(yōu)化任務分配決策和MD的中央處理單元(Central Processing Unit, CPU)頻率, 最大程度地減少總任務的執(zhí)行延遲和MD的能耗?？紤]MD的兩種情況: 固定CPU頻率和彈性CPU頻率。針對固定CPU頻率情況, 提出基于線性松弛的方法和基于半確定松弛(Semi-Definite Relaxation, SDR)的方法, 針對彈性CPU提出基于窮舉搜索的方法和基于SDR的方法頻率情況。文獻[81]研究基于時分多址(Time Division Multiple Access, TDMA)和正交頻分多址(Orthogonal Frequency Division Multiple Access, OFDMA)的多用戶移動邊緣計算卸載(Mobile Edge Computing Offloading, MECO)系統(tǒng)的資源分配。針對具有無限或有限云計算能力的TDMA MECO系統(tǒng), 將最優(yōu)資源分配公式化為凸優(yōu)化問題, 以在計算等待時間的約束下最小化加權總和移動能耗。針對容量有限的云, 提出一種次優(yōu)的資源分配算法, 以降低閾值的計算復雜度。進一步考慮OFDMA MECO系統(tǒng), 通過將OFDMA問題轉換為與其對應的TDMA, 提出一種低復雜度次優(yōu)算法。文獻[82]運用軟件定義網(wǎng)絡(Software Defined Network, SDN)的思想, 研究超密集網(wǎng)絡中的任務分流問題, 旨在最大程度地減少延遲的同時節(jié)省用戶設備的電池壽命。將任務卸載問題表述為NP-hard的混合整數(shù)非線性程序, 將此優(yōu)化問題轉換為兩個子問題, 即任務放置子問題和資源分配子問題, 進一步提出一種有效的卸載方案。文獻[83]研究一種新穎的啟用了設備到設備(Device to Device, D2D)輔助MEC系統(tǒng), 其中本地用戶請求附近的無線設備(Wireless Device, WD)作為協(xié)作計算的幫助者。假設采用TDMA傳輸協(xié)議, 本地用戶將任務分擔給多個助手, 并在正交預定的時隙上從中下載結果。通過優(yōu)化本地用戶的任務分配以及任務卸載和結果下載的時間和速率以及任務執(zhí)行的計算頻率, 來優(yōu)化本地用戶的任務分配, 考慮一種基準方案, 賦予WD最大的計算能力, 為了降低實現(xiàn)的復雜性, 進一步提出一種基于貪婪任務分配的啟發(fā)式方案。

文獻[84]研究超密集物聯(lián)網(wǎng)網(wǎng)絡中多個邊緣服務器的能源感知任務卸載問題, 隨機請求各種計算任務, 并且邊緣服務器上的計算資源會動態(tài)變化, 提出一種基于迭代搜索的任務卸載方案, 該方案聯(lián)合優(yōu)化了任務卸載, 計算頻率縮放和發(fā)射功率分配。針對NP任務調(diào)度問題, 文獻[85]將改進的粒子群優(yōu)化(Modified Particle Swarm Optimization, MPSO)和改進的貓群優(yōu)化(Modified Cat Swarm Optimization, MCSO)加以結合, 提出一種生物啟發(fā)式混合算法, MPSO用于調(diào)度霧設備之間的任務, 而MPSO和MCSO的混合用于管理霧設備級別的資源。根據(jù)傳入請求的需求分配和管理資源, 可以通過有效地調(diào)度任務和管理可用霧資源來減少平均響應時間并優(yōu)化資源利用。文獻[86]聯(lián)合優(yōu)化卸載決策和計算資源分配, 在設備電量有限的情況下最大程度地縮短平均任務持續(xù)時間?；谥貥嬀€性化技術進行一系列重構, 進一步利用ADMM和凸函數(shù)差編程提出了并行優(yōu)化框架。提出的優(yōu)化算法將大規(guī)模問題分解為一些較小的子問題, 以加快計算過程。文獻[87]基于均衡延遲和能耗對任務卸載的影響, 利用空閑資源分發(fā)和卸載計算任務, 建立任務卸載與功率分配的聯(lián)合優(yōu)化模型, 提出一種任務卸載與功率分配的集中式聯(lián)合優(yōu)化算法, 不僅可以有效地協(xié)調(diào)任務分流和功率分配, 而且可以改善系統(tǒng)延遲和能耗之間的平衡。文獻[88]研究啟用了MEC的多小區(qū)無線網(wǎng)絡, 每個基站(BS)都配備MEC服務器, 服務器可幫助移動用戶通過任務卸載來執(zhí)行計算密集型任務。為了使用戶的任務卸載收益最大化, 研究聯(lián)合任務卸載和資源分配的問題, 將原始問題分解為具有固定任務卸載決策的資源分配(Resource Allocation, RA)問題和優(yōu)化與RA問題相對應的最優(yōu)值函數(shù)的任務卸載(Task Offloading, TO)問題, 提出了一種新穎的啟發(fā)式算法, 可以在多項式時間內(nèi)獲得次優(yōu)解。文獻[89]研究考慮了任務之間優(yōu)先級約束的MEC架構, 優(yōu)化目標是最大程度地縮短響應時間, 提出一種基于貝葉斯網(wǎng)絡的進化算法(Bayesian Network Based Evolutionary Algorithm, BNEA)來優(yōu)化任務分配策略。為了充分考慮任務之間的優(yōu)先級, BNEA研究一種基于貝葉斯網(wǎng)絡的分解策略, 其中基于所學的貝葉斯網(wǎng)絡結構所反映的關系來分解任務, BNEA協(xié)同分解的任務搜索最佳任務分配策略, 進一步提出一種基于概率的粒子更新策略, 以避免陷入局部最優(yōu)狀態(tài)。

5.3.2 MEC資源聯(lián)合優(yōu)化

移動邊緣計算已經(jīng)成為增強移動設備計算能力的有前途的技術, 為處理指數(shù)級增長的Internet流量, 考慮MEC系統(tǒng)中資源的聯(lián)合優(yōu)化成為迫切要求。

文獻[90]考慮到網(wǎng)絡的總收入, 將計算分流決策, 資源分配和內(nèi)容緩存策略制定為優(yōu)化問題。將原始問題轉換為凸問題, 并對其進行分解, 提出一種基于乘數(shù)算法的交替方向方法來解決優(yōu)化問題。文獻[91]提出一種用于多用戶MEC系統(tǒng)的在線聯(lián)合無線電和計算資源管理算法, 目標是在任務緩沖區(qū)的作用下最大程度地減少移動設備和MEC服務器的長期平均加權和功耗。在每個時隙, 以封閉形式獲得移動設備的最佳CPU周期頻率, 并通過高斯-塞德爾方法確定用于計算卸載的最佳發(fā)射功率和帶寬分配。進一步推導出MEC服務器CPU內(nèi)核的最佳頻率和最佳MEC服務器調(diào)度決策的封閉形式, 同時提出一種延遲改進機制來減少執(zhí)行延遲。為了減少卸載延遲并延長邊緣設備的電池壽命, 文獻[92]提出與MEC結合的分層IoV系統(tǒng)。研究基于QoS的資源分配問題, 以分配系統(tǒng)中的計算任務。為了優(yōu)化完成延遲, 根據(jù)延遲容限將任務分類為不同的優(yōu)先級, 然后對任務重新排序, 進一步使用強化學習算法智能地分配資源。文獻[93]提出一種使用MEC的無線蜂窩網(wǎng)絡中用于計算卸載和干擾管理的集成框架。將計算分流決策, 物理資源塊(Physical Resource Block, PRB)分配和MEC計算資源分配描述為優(yōu)化問題, MEC服務器根據(jù)所有UE估計的本地計算開銷和MEC服務器自身估計的卸載開銷來做出卸載決策, MEC服務器使用圖形著色方法執(zhí)行PRB分配, 進而將卸載決策和PRB分配的結果用于將MEC服務器的計算資源分配給UE。

文獻[94]提出一種具有移動邊緣計算的異構網(wǎng)絡中的分布式聯(lián)合計算卸載和資源分配優(yōu)化方案。將聯(lián)合上行鏈路子信道分配、上行鏈路傳輸功率分配和計算資源調(diào)度的計算卸載策略描述為優(yōu)化問題, 提出一種云和無線資源分配算法的博弈算法, 包括無干擾的統(tǒng)一零頻率重用方法和基于匈牙利語的分數(shù)頻率重用方法, 以及帶有干擾的圖著色。為了提高卸載效率, 文獻[95]在霧計算系統(tǒng)中應用下行非正交多路訪問, 使得IoT設備可以同時卸載多個霧節(jié)點。為了最大化長期平均系統(tǒng)實用性, 在任務延遲和能源成本約束下制定了用于計算卸載的任務和功率分配問題。通過Lyapunov優(yōu)化方法, 原始問題在每個時隙都轉化為在線優(yōu)化問題, 進一步提出一種解決多項式復雜度非凸在線優(yōu)化問題的算法。文獻[96]研究底層移動邊緣網(wǎng)絡的穩(wěn)定性和動態(tài)控制。在全信道狀態(tài)信息的假設下獲得多用戶邊緣網(wǎng)絡的穩(wěn)定區(qū)域, 提出一種集中式聯(lián)合流量控制和調(diào)度算法, 以在考慮核心接入點的平均和瞬時干擾功率約束的同時穩(wěn)定邊緣設備的隊列。文獻[97]提出一種用于多服務器移動邊緣計算的計算分流和資源分配的優(yōu)化框架。通過聯(lián)合優(yōu)化用戶的傳輸能力以及服務器上的計算資源來最小化系統(tǒng)范圍的計算開銷。為了克服優(yōu)化目標的復雜性以及小區(qū)間干擾的存在, 分別研究兩種分布式計算卸載的匹配算法, 利用具有近似小區(qū)間干擾的二分法找到卸載用戶的發(fā)射功率, 并且通過對偶方法來實現(xiàn)分配給卸載用戶的計算資源。文獻[98]考慮將OFDMA用作上行鏈路的傳輸機制的多址MEC服務器系統(tǒng)。為了最大程度地降低MD的能耗, 提出了一種針對計算分流、子載波分配和計算資源分配的聯(lián)合優(yōu)化策略, 提出一種邊界改進的分支定界算法獲得全局最優(yōu)解, 進一步提出了一種組合算法來獲得實際應用中的次優(yōu)解決方案。

5.3.3 公平性和資源交易

通信資源分配對于提高MEC場景中用戶的性能很重要。在現(xiàn)有研究中, MEC系統(tǒng)中的用戶通常遭受不公平的資源分配之苦, 這導致資源利用效率低下和用戶性能下降。為了解決這一挑戰(zhàn), 博弈論(Game Theory, GT)應用于MEC場景的資源分配問題。

文獻[99]研究如何將模型結果應用于優(yōu)化資源受限資源和平衡實際邊緣網(wǎng)絡場景中的各種權衡?？紤]網(wǎng)絡設計問題和使用場景, 綜述了博弈理論應用于即將到來的MEC服務的未來趨勢和研究方向。文獻[100]提出一種公平的資源分配方法, 以在每個移動用戶的最小傳輸速率的約束下最大化整個網(wǎng)絡的吞吐量。該問題表述為公平的納什議價資源分配博弈, 分析該博弈模型解決方案的存在性和唯一性。通過采用分時變量為混合整數(shù)非線性規(guī)劃優(yōu)化獲得接近最優(yōu)的議價資源分配策略, 考慮用戶的時間延遲約束, 進一步提出一種考慮用戶的優(yōu)先級迭代算法。文獻[101]提出一種激勵兼容的拍賣機制(Incentive-Compatible Auction Mechanism, ICAM), 用于在作為服務用戶(買方)的移動設備與作為服務提供商(賣方)的cloudlets之間進行資源交易。 ICAM可以有效分配cloudlet以滿足移動設備的服務需求并確定價格, ICAM在買賣雙方的個人合理性, 預算平衡和真實性(激勵相容性)以及計算效率方面均保證了所需的屬性。將邊緣計算引入支持區(qū)塊鏈的IoT中以減輕計算任務的負擔, 針對資源硬幣貸款問題, 文獻[102]提出一種基于雙重拍賣的迭代算法, 引入經(jīng)紀人來解決貸款分配問題并確定每個貸方將提供給每個借款人的貸款規(guī)模。經(jīng)紀人執(zhí)行特定的貸款定價規(guī)則, 以誘使借款人和貸方如實競標, 從而可以提取隱藏的隱私信息以實現(xiàn)最佳的資源硬幣分配和貸款定價, 提出的算法可以在保護隱私的同時最大化經(jīng)濟利益。文獻[103]研究具有多個移動用戶設備(Mobile User Equipment, MUE)的D2D輔助霧計算系統(tǒng)中的資源分配。考慮兩種情況, 重點考量任務緩存及其在非高峰時間的優(yōu)化, 任務分流及其在即時時間的優(yōu)化, 特別當任務緩存是指緩存完成的任務應用程序及其相關數(shù)據(jù)。在第一種情況下, 為了最大化MUE的平均效用, 使用隨機理論來闡述任務緩存優(yōu)化問題, 并通過基于GA的任務緩存算法解決該問題。在第二種情況下, 為了最大程度地發(fā)揮系統(tǒng)的整體效用, 將任務卸載和資源優(yōu)化問題表述為MINLP, 并結合了MUE分配策略, 任務卸載策略和計算資源分配政策。文獻[104]研究從MD到MEC服務器的數(shù)據(jù)卸載, 提出一種基于聯(lián)盟博弈的定價方案。聯(lián)盟來安排MD的數(shù)據(jù)卸載, 并描述MD和MEC服務器之間的卸載關系, 定價被用作卸載的刺激。在提出的方案中, 聯(lián)盟中的調(diào)度MD選擇同一個聯(lián)盟中的MEC服務器進行卸載, 并為該MEC服務支付所選的MEC服務器費用。

5.3.4 MEC資源優(yōu)化小結

針對MEC資源調(diào)度的研究最多, 主要是圍繞計算卸載、任務分配以及聯(lián)合資源優(yōu)化等問題展開。基于線性松弛和SDR是一個不錯的嘗試, 此外, 改進的智能算法, 例如GA、PSO等也得到很多應用。由于這個方向的研究成果最多, 很多文獻開始考慮針對不同的場景資源分配的特殊性, 進行深入研究, D2D場景、IoV場景、SDN場景等。需要指出的是, 將GT應用于MEC場景的資源分配是一個很新的研究方向, 目前的研究文獻不多, 事實上通信資源分配對于提高MEC場景中用戶的性能很重要, 而資源的競爭與合作是個非常有意義的角度, 例如資源的拍賣、共享等。

5.4 MEC移動性管理

5.4.1 MEC計算分流和接入點選擇

移動邊緣計算通過將計算密集型任務卸載到MEC服務器來增強MD的計算能力。隨著無線局域網(wǎng)的廣泛部署, 每個MD都可以通過多個無線訪問點(Wireless Access Point, WAP)將計算任務卸載到服務器。但是, 如果所有用戶都選擇相同的訪問點來卸載其任務, 則計算卸載會帶來更高的系統(tǒng)成本。此外, 由于邊緣節(jié)點的計算資源和存儲能力受到限制, 因此計算分流是實時流量管理的基本問題。

文獻[105]研究F-RAN中的計算卸載設計, 為了最大程度地降低能耗和卸載延遲, 提出一種聯(lián)合優(yōu)化問題以優(yōu)化卸載決策、計算和無線電資源分配, 進一步設計一種具有多項式計算復雜度的迭代算法。文獻[106]提出一種具有MEC的多無線接入點網(wǎng)絡中的計算分流策略和資源分配優(yōu)化方案, 旨在通過提供最佳的計算分流策略、傳輸功率分配、帶寬分配和計算資源調(diào)度來最小化系統(tǒng)成本, 將優(yōu)化問題分解為卸載策略和資源分配的子問題, 使用拉格朗日乘數(shù)法獲得最優(yōu)的資源分配。文獻[107]提出一種用于5G網(wǎng)絡實時流量管理的混合計算分流框架。聯(lián)合考慮啟用非正交多路訪問和基于車輛到車輛的流量分流, 為了最大化總卸載率, 將優(yōu)化問題描述為聯(lián)合任務分配、子信道分配和功率分配問題, 最后通過迭代方法求解。文獻[108]研究具有保密設置的IoT通過MEC進行的延遲感知計算卸載, 考慮一種惡意竊聽者有意竊聽IoT設備卸載的計算數(shù)據(jù)的場景, 竊聽者的偷聽行為可能會導致保密中斷, 為了最大程度地減少完成計算的總體延遲物聯(lián)網(wǎng)設備的要求, 歸結出保密設置、計算分流和無線電資源分配(包括時間和功率分配)的聯(lián)合優(yōu)化問題, 提出一種有效的算法來計算最優(yōu)計算卸載解決方案, 通過利用每個物聯(lián)網(wǎng)設備的最佳卸載決策。進一步考慮一組物聯(lián)網(wǎng)設備將計算工作負載卸載到邊緣服務器的情況, 研究邊緣服務器如何在選擇服務器的情況下最佳選擇提供計算卸載服務的設備, 提出一種有效的算法來找到設備的最佳選擇。文獻[109]研究在緩存輔助的設備到設備多播(Device-to-Device Multicast, D2MD)網(wǎng)絡中用于內(nèi)容傳遞和延遲敏感任務卸載服務的計算和流量卸載。為了提供穩(wěn)定的多播鏈接和增強的計算資源, 提出一種D2D簇頭(D2D Cluster Head, DCH)選擇策略, 聯(lián)合考慮D2D用戶(D2D User, DUE)的社會屬性、可用能量和傳輸速率。為了提高內(nèi)容分發(fā)的效率并優(yōu)化內(nèi)容傳遞的能耗, 提出一種新穎的多播感知編碼和協(xié)作緩存方案, 會增加D2D多播獲得所需內(nèi)容的機會。針對DUE的關聯(lián)、上行全雙工DCH傳輸功率分配以及移動邊緣計算計算資源調(diào)度, 建立了優(yōu)化計算分流模型, 并找到了最優(yōu)的資源分配解決方案。文獻[110]考慮無線信道條件和計算任務的獨立變化, 針對時延關鍵型應用提出一種混合時標聯(lián)合計算分流和無線資源分配算法, 旨在最大程度地降低總能耗。原始的NP-hard問題被分解為一個短期階段的問題, 以尋求物理功率和子載波的分配, 以及一個長期階段的任務卸載和頻率縮放問題。

5.4.2 MEC任務部署

任務部署在無線接入網(wǎng)的共享邊緣計算平臺將以靈活, 經(jīng)濟的方式顯著提高應用服務提供商(Application Service Provider, ASP)交付的服務質(zhì)量。但是, 由于ASP的預算要求過高, 因此由ASP在每個可能的邊緣站點中放置邊緣服務實際上是不可行的。任務部署已成為邊緣計算中負載平衡的熱門話題。鑒于大多數(shù)主機在邊緣計算中超負荷的問題, 中央負載是不平衡的。許多工作集中在云數(shù)據(jù)中心的負載平衡或邊緣數(shù)據(jù)中心的短期負載平衡上。

文獻[111]研究在預算有限的情況下ASP的邊緣服務放置問題, ASP在邊緣站點中動態(tài)租用計算/存儲資源, 以將其應用程序托管在最終用戶附近。在ASP的預算下, 只能租用有限數(shù)量的邊緣站點來提供邊緣服務, 利用用戶上下文信息來實現(xiàn)更細粒度的學習和決策。為了解決此問題并優(yōu)化邊緣計算性能, 提出一種時空邊緣服務放置算法。文獻[112]首先利用基于物聯(lián)網(wǎng)設備密度和k-means算法的策略對邊緣服務器網(wǎng)絡進行分區(qū), 然后提出一種用于物聯(lián)網(wǎng)設備計算卸載決策的算法, 即是否需要將物聯(lián)網(wǎng)設備的工作負載轉移到邊緣服務器, 以及需要遷移時選擇哪個邊緣服務器。在此基礎上, 提出了一種利用樣本平均逼近法的算法來討論任務是本地執(zhí)行還是卸載。此外, 提出的算法還可以幫助確定是否需要服務重定位/遷移。為了利用邊緣計算解決聯(lián)合云數(shù)據(jù)中心任務部署的主機選擇問題, 同時實現(xiàn)總體的長期負載均衡, 文獻[113]利用聯(lián)合云模型的部署模式, 在此基礎上提出部署策略HELES基于啟發(fā)式任務聚類方法和螢火蟲群優(yōu)化算法的分析。算法的主要思想包括兩個部分, 首先, 通過聚類分析濾除當前任務集中資源較大的任務, 并利用任務卸載技術將結果上傳到云計算中心進行部署和計算。然后, 在邊緣計算中心中使用優(yōu)化的GSO算法, 并將SCA的思想結合到步長的優(yōu)化中, 從而使優(yōu)化的GSO算法具有自適應的步長, 在早期實現(xiàn)快速的全局搜索能力, 并且保持了后期的局部收斂能力。文獻[114]首先對如何在MEC中計算任務完成延遲進行建模, 并在數(shù)學上分析MEC中不同設備的能耗。然后, 研究如何在網(wǎng)絡上放置小云, 以及如何在不違反每個任務的延遲要求的情況下, 以最小的總能耗將每個請求的任務分配給小云和公共云。提出一種基于Benders分解的算法來解決NP問題, 進一步提出一種基于SDN的框架來部署所提出的算法。文獻[115]引入一種稱為連接點(Point of Connection, PoC)的網(wǎng)絡實體, 具有自定義的強大通信、計算和存儲(Communication, Computing, and Storage, CCS)功能, 可以提供互連PoC的數(shù)據(jù)傳輸網(wǎng)絡, 以方便提供IoT服務。通過利用PoC強大的CCS功能, DART使通信和計算服務都更加接近終端設備, 從而使資源受限的IoT設備可以訪問所需的通信和計算服務。為了實現(xiàn)數(shù)據(jù)傳輸網(wǎng)絡的設計目標, 進一步研究其邊緣計算服務的頻譜感知布局, 將服務放置描述為隨機混合整數(shù)優(yōu)化問題, 提出一種增強的粗粒度固定程序, 以促進有效的解決方案查找。

5.4.3 MEC功率控制

近年來, 移動邊緣計算(MEC)中的計算任務卸載和資源管理變得越來越有吸引力。已經(jīng)提出了許多算法來改善MEC系統(tǒng)的性能。但是, MEC系統(tǒng)中功率控制的研究才剛剛開始。已經(jīng)研究了單用戶和無干擾多用戶MEC系統(tǒng)中的功率控制。但是在具有干擾意識的多用戶MEC系統(tǒng)中, 尚未詳細了解此問題。

文獻[116]研究一種資源分配策略, 以在功率受限且任務無法預測的情況下, 最大化MEC IoT網(wǎng)絡的可用處理能力(Available Processing Capacity, APC)。定義描述所服務的IoT設備的計算能力和速度的APC, 通過分析任務劃分和資源分配之間的關系來推導其表達, 研究具有單個副載波的單用戶MEC系統(tǒng)的功率分配方案。針對多用戶MEC系統(tǒng), 歸結出具有通用效用函數(shù)的APC優(yōu)化問題, 提出一種二進制搜索注水算法來解決本地CPU與多個子載波之間的功率分配問題, 并提出一種次優(yōu)算法來在用戶之間分配子載波。文獻[117]提出一種具有睡眠控制方案的MEC服務器(MEC Server, MECS)計算任務分流的在線優(yōu)化策略, 以最大程度地減少MECS網(wǎng)絡的長期能耗。首先, 聯(lián)合考慮無線電資源和計算資源, 給出時延約束下的能量優(yōu)化問題。然后, 提出一種基于Lyapunov優(yōu)化方法, 將長期優(yōu)化問題轉換為只需要當前時隙信息的每時隙優(yōu)化問題, 進一步提出一種在線卸載算法來在每個時隙中做出決策。文獻[118]梳理了當前移動邊緣計算中出現(xiàn)的新特征和新挑戰(zhàn), 總結了最新的相關模型和工作, 分析并討論了移動邊緣計算中重要的優(yōu)化模型、移動模型和無線塊數(shù)據(jù)。建立任務卸載與功率分配的聯(lián)合優(yōu)化模型, 提出任務卸載與功率分配的集中式聯(lián)合優(yōu)化算法。基于均衡延遲和能耗對任務卸載的影響, 提出的算法可以使用空閑資源用于分發(fā)和卸載計算任務, 通過有效地協(xié)調(diào)任務分流和功率分配, 從而改善系統(tǒng)延遲和能耗之間的平衡。文獻[119]研究具有多個獨立任務的MEC系統(tǒng)的部分卸載調(diào)度和資源分配的聯(lián)合問題, 首先, 考慮單用戶MEC系統(tǒng)中的部分卸載調(diào)度和功率分配問題, 在確保任務的傳輸功率約束的同時, 將執(zhí)行延遲和能耗的加權總和最小化。然后, 考慮在MEC和移動設備上運行的任務的執(zhí)行延遲, 以及任務計算和任務數(shù)據(jù)傳輸?shù)哪芎膯栴}。提出一個基于拉格朗日對偶分解的兩級交替方法框架, 給定分配的傳輸功率, 使用流水車間調(diào)度理論或貪婪策略在較高級別上解決任務卸載決策和卸載調(diào)度問題, 并在下部使用凸優(yōu)化技術獲得帶有部分卸載決策的次優(yōu)功率分配。文獻[120]提出一種基于博弈論的干擾感知多用戶MEC系統(tǒng)功率控制方法。聯(lián)合考慮干擾和多用戶情況, 證明博弈的納什均衡(Nash Equilibrium, NE)的存在性和唯一性, 并通過理論分析和數(shù)值模擬對該算法的性能進行了評估。

5.4.4 虛擬機配置和網(wǎng)絡功能虛擬化

在C-RAN中進行邊緣緩存, 以促進不斷增長的移動多媒體服務, 將合作分配云資源以緩存受歡迎的內(nèi)容, 并滿足用戶對這些內(nèi)容的請求, 從而在存儲、虛擬機(Virtual Machine, VM)重新配置、內(nèi)容訪問延遲和內(nèi)容遷移方面將系統(tǒng)成本降至最低。但是, 這種聯(lián)合資源分配, 內(nèi)容放置和請求路由很重要, 因為需要不斷調(diào)整以適應系統(tǒng)動態(tài), 例如用戶移動和內(nèi)容斜杠效果, 同時還要考慮與時間相關的VM重新配置調(diào)整成本和內(nèi)容遷移。

文獻[121]建立一個全面的模型來捕獲C-RAN中邊緣緩存的關鍵組成部分, 提出一個聯(lián)合優(yōu)化問題, 旨在最大程度地降低系統(tǒng)成本, 同時滿足時變的用戶需求并尊重各種實際約束(例如, 存儲和帶寬)。然后, 借助正則化和分解技術, 提出一種多項式運行時間的在線逼近算法。為了有效地支持在各種工作負載條件下具有低延遲要求的服務, 文獻[122]研究啟用NFV的MEC, 可以靈活提供在任何虛擬化網(wǎng)絡節(jié)點(如接入點, 路由器等)中托管MEC服務。針對要解決的在啟用NFV的MEC之間何時何地分配資源以及要分配多少資源的問題, 實現(xiàn)移動服務的低延遲要求和MEC成本效率目標, 提出一種動態(tài)資源分配框架, 該框架由動態(tài)執(zhí)行資源分配的基于快速啟發(fā)式的增量分配機制和定期調(diào)整分配以隨時間保持接近最佳的MEC運營成本的重新優(yōu)化算法組成。文獻[123]提出一種新的MEC框架, 該框架在軟件定義的網(wǎng)絡虛擬化蜂窩網(wǎng)絡中具有用戶虛擬化方案, 其中無線電資源與計算和存儲資源一起被虛擬化以協(xié)同完成MEC服務。通過引入全雙工通信輔助的用戶虛擬化, 可以擴展無線網(wǎng)絡的無線電資源, 并具有提高系統(tǒng)性能的潛力。通過用戶虛擬化的支持, 用戶可以將邊緣計算任務直接卸載到在基礎架構提供商處實現(xiàn)的MEC服務器, 或者通過歸因于不同移動虛擬網(wǎng)絡運營商的虛擬化移動設備來卸載。在此MEC框架下, 將虛擬資源分配公式化為聯(lián)合優(yōu)化問題, 提出了種基于乘法器交替方向方法的分布式資源分配算法, 可以降低計算復雜度和信令開銷。文獻[124]為異構虛擬化MEC網(wǎng)絡中的并行協(xié)作聯(lián)合多比特率視頻緩存和代碼轉換提出兩階段傳遞算法。在緩存放置階段, 通過基于網(wǎng)絡隨機信息聯(lián)合分配物理資源和無線電資源, 以利用靈活的交付機會, 提出一種新穎的主動交付感知緩存放置策略。在交付階段, 根據(jù)用戶請求和網(wǎng)絡信道條件提出一種交付策略。針對每個階段的最大化網(wǎng)絡切片即虛擬網(wǎng)絡的總收入的目標, 分別提出一種低復雜性的傳遞算法, 還提出一種在交付階段的交付感知緩存刷新策略, 以應對網(wǎng)絡隨機信息的動態(tài)變化。在基于NFV的5G網(wǎng)絡的設計中, 必須考慮資源部署成本與服務需求支持之間的權衡。文獻[125]考慮MEC位置問題, 旨在選擇放置托管受保護切片的MEC的位置。提出一種通過1:1.1:N保護的方案用以增強MEC位置問題, 以提供保護片。在1:1方案中, 為每個租戶保留備份片來確保保護, 而在1:1方案中, N個租戶之間共享備份片。該問題被建模為多準則優(yōu)化問題, 并通過采用多目標進化非支配排序遺傳算法來解決。

5.4.5 MEC移動性管理小結

針對MEC移動性管理的本質(zhì)上還是一種MEC資源調(diào)度, 由于更加注重移動性等因素, 而且研究的子方向很多, 本文嘗試分成計算分流、任務布置、功率控制和VM配置幾個角度。MEC計算分流主要關注將計算密集型任務卸載到MEC服務器來增強MD的計算能力, 旨在通過提供最佳的計算分流策略、傳輸功率分配、帶寬分配和計算資源調(diào)度來最小化系統(tǒng)成本。MEC任務布置主要預算有限的情況下ASP的邊緣服務放置問題, 通過決策將物聯(lián)網(wǎng)設備的工作負載轉移到邊緣服務器, 以及需要遷移時選擇哪個邊緣服務器。MEC功率控制不同于MEC能耗問題, 主要研究MEC服務器的睡眠控制方案。關于MEC的NFV以及VM配置問題的研究, 需要不斷調(diào)整內(nèi)容放置和請求路由等以適應系統(tǒng)動態(tài), 同時還要考慮與時間相關的VM重新配置調(diào)整成本和內(nèi)容遷移, 當前的研究成果不多, 值得深入研究。

5.5 MEC安全與隱私

5.5.1 MEC安全問題

近年來, IoT和智能移動設備的快速發(fā)展極大地刺激了MEC的發(fā)展。一方面, MEC為輕量級設備高效完成復雜任務提供了很大的幫助; 另一方面, 其急速發(fā)展導致MEC平臺及其支持的應用程序在很大程度上忽略了安全威脅。盡管現(xiàn)有文獻已經(jīng)對云環(huán)境的安全性和彈性進行了初步研究, 但是在某種程度上, 現(xiàn)有的解決方案可能不適用于擴展云環(huán)境。

文獻[126]針對MEC和云的安全展開研究, 包括檢查支持擴展云的模型和體系結構, 研究實現(xiàn)這些模型和體系結構的技術, 并就安全性和彈性要求進行分析。此外, 在云中檢查了與安全性和彈性相關的機制的方法, 特別是異常檢測和基于策略的彈性管理, 以提高安全性并在擴展的云環(huán)境中實現(xiàn)彈性。文獻[127]考慮設備的有限資源下的安全問題, 提出一個臨時移動邊緣云, 該邊緣云利用Wi-Fi Direct作為實現(xiàn)連接, 共享資源以及在附近移動設備之間集成安全服務的手段。擬議的方案嵌入了一個多目標資源感知優(yōu)化模型和基于遺傳的解決方案, 它們基于對來自臨時移動邊緣云設備的上下文和統(tǒng)計數(shù)據(jù)的動態(tài)概要分析, 提供了安全服務的最佳卸載決策和分配, 同時在不犧牲安全性的情況下顯著減少了能耗, 執(zhí)行時間和所選計算節(jié)點的數(shù)量。文獻[128]提出一種MEC框架, 該框架可以支持針對大量人群的實時, 位置感知的個性化服務。該框架在服務器端使用云與在人群邊緣使用霧計算終端(Fog Computing Terminal, FCT)的混合體。每個FCT節(jié)點都覆蓋一個地理區(qū)域, 并根據(jù)移動用戶的地理位置提供服務和資源的子集。當用戶從一個FCT覆蓋的區(qū)域移動到另一個區(qū)域時, 與該用戶有關的元數(shù)據(jù)的安全握手將與新的FCT節(jié)點共享, 從而每個移動用戶的位置均得到安全保護并共享。文獻[129]對最有影響力和最基本的攻擊以及具有MEC特定特征的相應防御機制進行了全面梳理。具體地說, 集中于以下四種類型的攻擊, 這些攻擊占Statista最近報告的MEC攻擊的82%: 分布式拒絕服務攻擊, 邊信道攻擊, 惡意軟件注入攻擊以及身份驗證和授權攻擊。進一步分析了這些攻擊的根本原因, 介紹了邊緣計算安全性的現(xiàn)狀和重大挑戰(zhàn), 并提出了未來的研究方向。文獻[130]從物理層的角度研究了解決MEC安全威脅的解決方案, 因為物理層安全技術具有實現(xiàn)完美的保密性, 低計算復雜性和資源消耗以及對信道變化的良好適應性的優(yōu)勢。具體來說, 研究了MEC系統(tǒng)安全的竊聽編碼, 資源分配, 信號處理和多節(jié)點協(xié)作, 以及物理層密鑰生成和認證, 以應對新興的安全挑戰(zhàn)。

5.5.2 MEC隱私保護

隨著IoT的發(fā)展, 網(wǎng)絡傳輸帶來的延遲導致數(shù)據(jù)處理效率低下, MEC的出現(xiàn)可以有效減少數(shù)據(jù)傳輸?shù)难舆t, 提高數(shù)據(jù)處理能力。與此同時, IoT面臨重大挑戰(zhàn), 因為MEC使用大量的分布式設備, 很難執(zhí)行集中控制。一旦EN受到攻擊時, 攻擊者可以繼續(xù)入侵其連接的節(jié)點, 從而挖掘和竊取用戶的私有數(shù)據(jù)并造成損失。因此, 邊緣層通信鏈路受到攻擊或意外中斷, 用戶的私人信息就很可能被泄露。

文獻[131]通過使用差異隱私來保護用戶隱私, 根據(jù)MEC三層通信鏈路結構, 提出一種數(shù)據(jù)查詢模型, 捕獲結構信息和數(shù)據(jù)中心連接權重, 并查詢邊緣節(jié)點與客戶端之間的連接關系。將EN視為中央服務器, 并采用差分隱私理論實現(xiàn)對位置隱私的保護。為減少位置保護過程中造成的數(shù)據(jù)丟失, 采用線性規(guī)劃實現(xiàn)最優(yōu)位置模糊矩陣的選擇, 并采用數(shù)據(jù)丟失和重構方法使數(shù)據(jù)不確定性最小。文獻[132]提出一個信任感知任務卸載框架, 該框架的主要目的是為用戶選擇資源提供者, 以減少延遲或能耗, 同時確保服務的可信賴性。該框架可以分為三個模塊(即, 信任評估, 過濾和選擇), 通過組合信任評估和過濾模塊, 可以過濾掉一些用戶不信任的資源提供者, 以確保提供給用戶的服務是可信任的。在選擇模塊中, 我們根據(jù)卸載策略從合格的(即, 過濾過程結束后剩余的)資源提供者中為用戶選擇合適的提供者。文獻[133]一種基于深度推理的MEC框架, 具有本地差分隱私功能, 可用于移動數(shù)據(jù)分析。 利用深度學習模型來進行數(shù)據(jù)最小化, 并通過自適應地注入噪聲來模糊學習到的功能, 從而形成一個新的保護層, 以防止敏感推理。文獻[134]在保留參與者隱私的同時最大程度地降低MEC系統(tǒng)中的感知成本, 提出一種保留用戶隱私的數(shù)據(jù)感知機制(Data Sensing mechanism with User Privacy Preserved, DS-UPP)?；趬嚎s感測理論的DS-UPP最小化了需要提交的數(shù)據(jù)量, 設計了一種基于局部差分隱私理論的算法。選定的參與者只需提交其真實數(shù)據(jù)以及該算法生成的重建數(shù)據(jù)即可。文獻[135]提出一種基于小波變換的MEC分區(qū)直方圖數(shù)據(jù)發(fā)布算法。采用基于貪婪算法的分區(qū)算法, 以獲得更好的分區(qū)結構, 使用小波變換添加噪聲, 針對直方圖的真實性和可用性, 得到還原的原始直方圖結構。

5.5.3 MEC安全隱私問題小結

針對MEC的安全和隱私保護問題, 是一個非常新穎且重要的研究領域, 這方面的文獻都很新, 實用性很強。目前, MEC的安全性問題主要圍繞新的MEC構架展開, 研究者試圖提供更好的MEC安全服務, 在不犧牲安全的前提下進行EN能耗優(yōu)化、時延優(yōu)化、資源分配等, 滿足針對大量人群的實時、位置感知的安全服務。MEC的隱私保護問題的研究, 主流的文獻集中在差分隱私理論的運用, 這方面的研究成果較少, 考慮可信計算將是一個不錯嘗試。

6 未來的研究方向與挑戰(zhàn)

隨著MEC的深入研究, 未來將的研究方向是融合新的技術, 不斷適應新的場景, 從而解決更多的問題, 最終達到不斷改善用戶體驗的效果, 具體的研究方向和挑戰(zhàn)如圖8所示, 但不局限于此。

圖8 未來的研究方向與挑戰(zhàn) Figure 8 Future research directions and challenges

6.1 MEC結合EH/WPT

MEC和無線功率傳輸(Wireless Power Transmission, WPT)在IoT時代已被公認為有前途的技術, 可以為大型低功耗無線設備提供增強的計算能力和可持續(xù)的能源供應。尺寸受限的WD的有限電池壽命和低計算能力一直是許多低功耗無線網(wǎng)絡(例如, 無線傳感器網(wǎng)絡(Wireless Sensor Networks, WSN)和IoT的長期性能限制, 基于射頻的WPT和MEC技術提供了一種有希望的解決方案, 可以實現(xiàn)可持續(xù)的設備操作并增強計算能力[136-139]。

研究方向一: 基于WPT的MEC設備的資源調(diào)度。相對比于現(xiàn)有文獻針對MEC設備的資源調(diào)度, 增加考慮MEC設備的能量采集(Energy Harvesting, EH)屬性作為約束條件, 優(yōu)化問題可以被歸結成用戶計算模式選擇(即本地計算或卸載)和系統(tǒng)傳輸時間分配(在WPT和任務卸載上)的強耦合問題, 聯(lián)合優(yōu)化各個計算模式選擇和系統(tǒng)傳輸時間分配來最大化網(wǎng)絡中所有WD的總計算速率。由于優(yōu)化問題是NP問題, 目前沒有很好實時算法。

研究方向二: 基于WPT的MEC設備的能效(Energy Efficiency, EE)問題。以兩用戶WPT-MEC系統(tǒng)中的EE優(yōu)化為例, 包括本地執(zhí)行功率和卸載傳輸功率在內(nèi)的系統(tǒng)功耗被指定為主要系統(tǒng)性能指標, 針對具有電池隊列穩(wěn)定性和QoS約束的功耗最小化問題, Lyapunov優(yōu)化方法的計算復雜度很高, 希望有更好的解決方案出現(xiàn)。

6.2 MEC結合NOMA

隨著IoT的快速發(fā)展, 第五代(5G)無線網(wǎng)絡需要提供大量的IoT設備連接并滿足對低延遲的需求。為了滿足這些要求, 非正交多址(Non-Orthogonal Multiple Access, NOMA)已被公認為是5G網(wǎng)絡顯著提高網(wǎng)絡容量的有前途的解決方案。與NOMA技術的發(fā)展并行, MEC成為減少5G網(wǎng)絡的等待時間并提高QoS的關鍵新興技術之一[140-145]。

研究方向一: 基于NOMA的MEC系統(tǒng)聯(lián)合無線資源和計算資源分配問題。以異構網(wǎng)絡(Heterogeneous Network, HetNets)上行NOMA為例, 通過優(yōu)化用戶群集、計算和通信資源分配以及發(fā)射功率, 將MEC用戶的能耗降至最低。這方面可以開展的工作很多, 下行NOMA優(yōu)化、時延優(yōu)化、資源塊(resource block, RB)優(yōu)化等等, 常見的優(yōu)化算法, 例如啟發(fā)式迭代算法、擬凸優(yōu)化算法可以嘗試獲得好的實驗結果。

研究方向二: 基于NOMA的MEC系統(tǒng)多用戶計算分流?？紤]一個多用戶MEC系統(tǒng), 一個BS為多個用戶提供密集的計算任務。利用NOMA技術進行多用戶計算分流, 從而使不同用戶可以在相同的時間/頻率資源上將其計算任務同時分流到多天線BS, 并且BS可以采用連續(xù)干擾消除技術有效地解碼所有用戶的卸載任務以供遠程執(zhí)行。這類問題通常沒有太好的算法, 分支定界法和凸松弛法是計算復雜度相對不高的次優(yōu)算法, 可以嘗試改進的智能優(yōu)化算法。

6.3 MEC結合AI/DL

深度學習(Deep Learning, DL)是機器學習(Machine Learning, ML)領域中一個新的研究方向, 它被引入機器學習使其更接近于最初的目標——人工智能(Artificial Intelligence, AI)。DL方法結合MEC系統(tǒng), 并應用AI領域, 將是一個嶄新的研究領域[146-149]。

研究方向一: 基于DL的MEC資源優(yōu)化算法?？紤]MEC框架中聯(lián)合資源優(yōu)化問題, 聯(lián)合考慮網(wǎng)絡、緩存和計算資源的動態(tài)編排, 這類問題求解沒有很好的辦法, 傳統(tǒng)意義上的優(yōu)化算法其復雜性都非常高, 采用DL方法去尋優(yōu), 會是一個不錯嘗試。

研究方向二: MEC系統(tǒng)低延遲、超可靠性的DL構架。這類問題旨在通過優(yōu)化用戶關聯(lián)、資源分配和服從服務質(zhì)量要求的卸載概率, 以最小化標準化能耗, 考慮到UE的移動性管理, 需要嘗試提出離線訓練DL算法, 并盡可能降低算法的計算復雜度。

6.4 MEC結合UAV

MEC被認為是解決爆炸性增長的計算密集型應用程序的有希望的技術。由于無人機(Unmanned Aerial Vehicle, UAV)的靈活性, UAV輔助的MEC可以有效地服務于MT, 即, 安裝在UAV上的計算服務器可以靈活地更改其位置以服務MT[150-154]。

研究方向一: UAV-MEC系統(tǒng)資源聯(lián)合優(yōu)化算法?？紤]一個計算分流、UAV軌跡、功率以及無線資源調(diào)度來探索能源感知的動態(tài)資源分配問題, 針對總效用最大化的優(yōu)化目標, 在每種車輛的能量消耗狀態(tài)的演變規(guī)律的約束下, 部分文獻采用動態(tài)規(guī)劃方法的方法求解, 效果并不是很好。

研究方向二: 基于MOMA技術的UAV-MEC系統(tǒng)干擾分析。由于NOMA能夠適應大規(guī)模連接, 因此基于NOMA和UAV輔助的MEC可以為大規(guī)模訪問網(wǎng)絡(例如, WSN和IoT)中的MT提供靈活的計算服務。但是, 由于無人機軌跡的多樣性以及由NOMA引入的MT之間的干擾, 對基于NOMA和UAV輔助的MEC系統(tǒng)的性能(例如, 能耗和延遲)產(chǎn)生了不利影響。

6.5 MEC深入融合IoT

近年來, 互連設備的巨大增長催生IoT技術的蓬勃發(fā)展, 云計算可協(xié)助IoT應用程序存儲數(shù)據(jù)并執(zhí)行計算, 以控制和管理這些IoT設備生成的大量數(shù)據(jù)。但是, 云計算的主要挑戰(zhàn)是滿足物聯(lián)網(wǎng)的許多實時應用程序的需求, 而MEC是一種計算體系結構, 可幫助通信, 管理, 存儲和處理快速返回響應的數(shù)據(jù)。通過使這些功能更接近最終用戶, 可以實現(xiàn)這一點。

研究方向一: IoT終端網(wǎng)絡關聯(lián)和超低延遲通信。運用MEC技術, 考慮分布式計算和聯(lián)網(wǎng)方案, 提出在線主動網(wǎng)絡關聯(lián)算法, 以使受時間平均能耗影響的平均任務延遲最小化。MDP和Lyapunov優(yōu)化是常用方法, 下一步考慮能否進一步降低算法復雜度。

研究方向二: MEC計算資源和IoT設備的動態(tài)調(diào)度。MEC有限的計算資源和IoT設備的動態(tài)需求使得將計算請求調(diào)度到適當?shù)倪吘壴粕暇哂刑魬?zhàn)性。首先得解決IoT設備的傳輸功率分配問題, 以最大程度地降低能耗。針對聯(lián)合計算卸載和資源調(diào)度問題, 可以嘗試智能優(yōu)化算法, 由于涉及資源競爭, 博弈論的方法也可以嘗試, 但最終要考慮算法收斂性和時延。

7 結論

移動邊緣計算是一種基于移動通信網(wǎng)絡的全新的分布式計算方式, 能夠?qū)崿F(xiàn)節(jié)省成本、降低時延、提高用戶體驗等目標。本文介紹了移動邊緣計算的定義及八大典型應用場景, 闡述了移動邊緣計算的發(fā)展歷程。歸納出移動邊緣計算的幾種國際標準模型以及關于框架設計的研究, 結合移動邊緣計算資源分配的關鍵問題進行梳理。

隨著MEC的深入研究, 未來將的研究方向是融合新的技術, 不斷適應新的場景, 從而解決更多的問題, 最終達到不斷改善用戶體驗的效果, 具體的來說, 移動邊緣計算融合人工智能、深度學習等技術, 拓展無人機、車聯(lián)網(wǎng)等領域的研究值得期待。

致 謝 衷心感謝各位評審專家對本文提出的寶貴意見。本研究得到江蘇警官學院高層次引進人才科研啟動項目(JSPI19GKZL407), 安徽省高等教育研究計劃一般項目(Grant TSKJ2015B18)資助。