韓曉非，宋青蕓，韓瑞寅，陳萬瓊

(1.重慶廣通實業(yè)發(fā)展有限責(zé)任公司，重慶 400039；2.重慶郵電大學(xué) 通信與信息工程學(xué)院，重慶 400065)

0 引 言

隨著第五代移動通信系統(tǒng)(5G)時代的到來，三大典型應(yīng)用場景對數(shù)據(jù)速率、系統(tǒng)容量和降低成本等提出了更高的要求，用戶對服務(wù)質(zhì)量(Quality of Service,QoS)的需求也呈爆炸式增長。在不斷增長的用戶需求和低時延高吞吐量等性能指標(biāo)推動下，催生了移動邊緣計算(Mobile Edge Computing,MEC)技術(shù)的發(fā)展。MEC由移動云計算(Mobile Cloud Computing,MCC)技術(shù)擴展而來，其將云計算技術(shù)“下沉”至移動網(wǎng)絡(luò)邊緣，為用戶終端近距離提供服務(wù)，具有靠近用戶、低延遲、低能耗、高速率和對無線網(wǎng)絡(luò)實時洞察等特點[1]。因其相比云計算有諸多優(yōu)勢，故在移動邊緣技術(shù)的支持下許多新興的應(yīng)用得以發(fā)展，比如自動駕駛、虛擬現(xiàn)實、在線游戲等，為用戶提供良好的服務(wù)體驗(Quality of Experience,QoE)。

移動邊緣計算技術(shù)主要包括服務(wù)器放置技術(shù)、資源分配和計算卸載技術(shù)以及移動性管理技術(shù)等。服務(wù)器放置技術(shù)主要研究如何選取服務(wù)器的最佳放置位置，使得系統(tǒng)的性能達到最優(yōu)；資源分配和計算卸載技術(shù)主要關(guān)注對系統(tǒng)的計算資源、存儲資源以及通信資源的聯(lián)合管理并進行卸載決策以達到預(yù)期目標(biāo)；在移動性管理技術(shù)方面更多考慮的是用戶的移動性以及用戶在不同小區(qū)移動時發(fā)生切換時是否進行任務(wù)遷移等問題。最近幾年對這些技術(shù)的研究逐漸深入，其中計算卸載技術(shù)倍受關(guān)注，這種技術(shù)可以支持用戶任務(wù)卸載到服務(wù)器執(zhí)行，大大緩解了用戶計算資源的緊張。因此，MEC作為一種解決本地計算能力與執(zhí)行難度矛盾的新興體系，受到了學(xué)術(shù)界、工業(yè)界的廣泛研究。

1 移動邊緣計算概述

1.1 MEC概念

MEC是歐洲電信標(biāo)準(zhǔn)協(xié)會(European Telecommunication Standards Institute,ETSI)標(biāo)準(zhǔn)化的一項技術(shù)。MEC在網(wǎng)絡(luò)邊緣提供了移動計算、緩存等服務(wù)，提供計算基礎(chǔ)設(shè)施，更接近用戶生成的數(shù)據(jù)，避免流量的過度集中，同時也通過縮短回程網(wǎng)絡(luò)的距離，降低了用戶數(shù)據(jù)的端到端傳輸時延，從而能在資源有限的終端設(shè)備上實現(xiàn)時延敏感型和計算密集型任務(wù)。因此，MEC被歐洲5G基礎(chǔ)設(shè)施公私伙伴關(guān)系研究機構(gòu)認為是實現(xiàn)5G嚴格關(guān)鍵性能指標(biāo)的新興技術(shù)之一[2]。

1.2 MEC基本框架

移動邊緣計算是一個可以提供計算與存儲等功能的開放性平臺，為移動網(wǎng)絡(luò)提供了更快的服務(wù)與更強的計算能力，與5G高可靠低時延相契合，助力于物聯(lián)網(wǎng)的部署以及未來網(wǎng)絡(luò)的搭建。由ETSI發(fā)布的MEC體系結(jié)構(gòu)由MEC基礎(chǔ)設(shè)施、MEC應(yīng)用平臺、應(yīng)用管理系統(tǒng)三層邏輯實體組成，如圖1所示。

圖1 移動邊緣計算平臺示意圖

在MEC邏輯實體的基礎(chǔ)上，MEC基本參考框架如圖2所示?？蚣苤饕ㄒ苿舆吘壪到y(tǒng)層與移動邊緣服務(wù)器層，其中，移動邊緣系統(tǒng)層用于處理對外與應(yīng)用程序相關(guān)的工作，移動邊緣服務(wù)器層用于處理底層與硬件相關(guān)的工作。移動終端中的應(yīng)用程序和面向客戶服務(wù)門戶都通過移動邊緣系統(tǒng)層與MEC進行交換。

圖2 移動邊緣計算參考架構(gòu)

1.3 MEC應(yīng)用場景

移動邊緣計算具有低時延與高計算效率的屬性，在蓬勃發(fā)展的5G網(wǎng)絡(luò)與物聯(lián)網(wǎng)等場景中有著廣泛的應(yīng)用前景。本節(jié)主要介紹幾個典型的應(yīng)用場景，并分析移動邊緣計算產(chǎn)生的應(yīng)用價值。

(1)計算密集型業(yè)務(wù)

計算密集型任務(wù)的特點是，任務(wù)有較短的響應(yīng)時間需求，并且任務(wù)有較高的計算量。由于移動終端受限于有限的電池容量，一些新興任務(wù)(如增強現(xiàn)實/虛擬現(xiàn)實等)在移動終端執(zhí)行需消耗大量的能源，這將對用戶不利；另外，由于移動終端薄弱的計算能力，任務(wù)的處理時間也得不到保證。MEC服務(wù)器擁有遠高于移動終端的計算、存儲能力，在處理此類任務(wù)時可快速完成，而用戶只需要付出卸載任務(wù)產(chǎn)生的能耗代價，這樣顯著提升了用戶體驗，同時增加了對新業(yè)務(wù)的普及[1]。

(2)車聯(lián)網(wǎng)

車聯(lián)網(wǎng)技術(shù)是指車輛依靠無線通信技術(shù)，結(jié)合網(wǎng)絡(luò)中所有的車輛實時信息，可以有效避免交通擁堵，提高道路交通的安全性，還可以為車輛帶來一些額外的服務(wù)。MEC技術(shù)可將通信延遲降低到20 ms以內(nèi)，使得連接的車輛對危險信號能夠快速響應(yīng)，提高了駕駛安全，同時低延遲使得自動駕駛成為可能。

(3)物聯(lián)網(wǎng)

隨著物聯(lián)網(wǎng)(Internet of Things,IoT)的發(fā)展，物聯(lián)網(wǎng)設(shè)備的連接數(shù)逐漸增加，推測到2025年，全球物聯(lián)網(wǎng)總連接數(shù)將達到約250億。眾多物聯(lián)網(wǎng)設(shè)備將產(chǎn)生海量數(shù)據(jù)，但是通常IoT設(shè)備不具備處理信息交互所需要的計算能力和存儲資源。對此，MEC可提供高計算能力、高存儲資源，可以彌補IoT設(shè)備算力和存儲不足的問題。還有些物聯(lián)網(wǎng)設(shè)備不具有獲得任務(wù)信息的能力，對此，MEC服務(wù)器具有收集分布式信息的能力，可進一步幫助IoT設(shè)備降低設(shè)計的復(fù)雜度。

2 移動邊緣計算卸載技術(shù)研究現(xiàn)狀

MEC的計算卸載技術(shù)將計算任務(wù)上傳到計算能力較強的MEC服務(wù)器執(zhí)行，可以突破終端自身有限的計算資源限制。但是，MEC的計算卸載技術(shù)也不可避免會面臨MEC服務(wù)器資源的有限的問題。這是由于MEC通常部署在小區(qū)內(nèi)基站或網(wǎng)關(guān)等靠近用戶的一側(cè)，無法像傳統(tǒng)MCC一樣擁有海量資源。隨著各種新興業(yè)務(wù)的增長與普及，伴隨小區(qū)內(nèi)網(wǎng)絡(luò)終端設(shè)備數(shù)量不斷增長，MEC資源不足的現(xiàn)象將日漸明顯，特別在熱點小區(qū)(例如機場、高級寫字樓、商圈等)內(nèi)，資源匱乏現(xiàn)象會變得尤為嚴重。另外，根據(jù)已有的相關(guān)研究，任務(wù)卸載中的資源匱乏主要體現(xiàn)在MEC服務(wù)器計算資源匱乏，若沒有合理的方案解決計算資源有限的問題，將對移動終端與服務(wù)提供商帶來很大的影響。一個有效的解決方案是為MEC服務(wù)器擴充額外的計算資源，但有研究指出，MEC不是隨時都可以獲得補充資源。因此，需要分別針對單MEC服務(wù)器與多MEC服務(wù)器兩種卸載場景展開研究。

2.1 單MEC服務(wù)器任務(wù)卸載技術(shù)研究現(xiàn)狀

單MEC計算卸載是只針對一個MEC服務(wù)器下的卸載技術(shù)研究。在實際場景中，受到MEC部署或任務(wù)分布不平衡等因素的影響，MEC服務(wù)器沒有額外資源補充的情況是存在的，此時MEC計算資源總量無法擴充。有關(guān)于單MEC卸載的研究，學(xué)者們通過拒絕卸載、推遲卸載或優(yōu)化任務(wù)隊列等方式緩解MEC過多的工作量。

2.1.1 單MEC服務(wù)器卸載決策

MEC中卸載決策主要包括終端任務(wù)卸載方式、卸載數(shù)據(jù)量以及卸載去向幾個問題。任務(wù)可以選擇整體卸載、部分卸載或本地執(zhí)行的卸載方式，這些卸載方式會受到用戶偏好、任務(wù)結(jié)構(gòu)、應(yīng)用程序類型等因素的影響。任務(wù)的卸載數(shù)據(jù)量指移動終端需要卸載執(zhí)行的任務(wù)總量；卸載去向是指需要選擇一個目標(biāo)MEC服務(wù)器，然后將任務(wù)卸載過去，終端可以將任務(wù)卸載到一個或多個MEC服務(wù)器執(zhí)行。

在任務(wù)卸載決策的研究中，終端的剩余能量、發(fā)射功率、計算能力等都會對卸載決策產(chǎn)生極大的影響，因此就需要考慮終端資源約束下的卸載決策問題。文獻[3]針對一個具有有限發(fā)射功率終端的任務(wù)卸載問題展開研究，方案考慮了MEC緩沖區(qū)等待、用戶端執(zhí)行模型以及任務(wù)傳輸模型，通過類似馬爾科夫決策過程的方式分析該卸載問題，并提出了單變量搜索算法得以求解該卸載問題。

任務(wù)卸載決策和其他一些技術(shù)的結(jié)合也是當(dāng)前研究的一個熱點。文獻[4]考慮了能量收集(Energy Harvesting,EH)在MEC中的應(yīng)用，為降低卸載成本，對卸載過程通過Lyapunov優(yōu)化轉(zhuǎn)化為當(dāng)前時間片的優(yōu)化問題，接著提出了一種低復(fù)雜度算法獲得最佳卸載策略。

部分研究考慮對任務(wù)進行劃分，劃分后的子任務(wù)可以并行傳輸和處理，從而提高任務(wù)卸載速率，降低處理時延。文獻[5]考慮將終端任務(wù)分為多個并行計算的子任務(wù)，接著將子任務(wù)發(fā)送到多個MEC服務(wù)器或在本地完成計算，并分別在時分多址(Time Division Multiple Access,TDMA)和頻分多址(Frequency Division Multiple Access,FDMA)兩種傳輸模式下來卸載數(shù)據(jù)，最后針對這兩個傳輸場景分別設(shè)計了卸載策略。文獻[6]考慮將任務(wù)劃分為可遷移組件和不可遷移組件，提出了一種基于機器學(xué)習(xí)的隨機任務(wù)卸載算法最小化移動設(shè)備執(zhí)行代價，通過Q學(xué)習(xí)得到最佳卸載策略，并以此結(jié)果訓(xùn)練深度學(xué)習(xí)模型。

以上研究分別考慮了任務(wù)卸載決策實際場景的各種約束以及它與新技術(shù)的結(jié)合，通過任務(wù)劃分達到提高卸載速率、降低執(zhí)行時延的目的。

2.1.2 單MEC服務(wù)器資源分配方案

除了卸載決策之外，資源分配也是MEC研究的一項關(guān)鍵技術(shù)。MEC中的資源分配主要涉及到信道資源、計算資源以及存儲資源，這三類資源通常由服務(wù)提供商(Cloud/Edge Computing Service Provider,CESP)提供。

CESP為不同移動終端分配信道資源，會影響任務(wù)的上傳階段。信道資源作為通信系統(tǒng)中寶貴的不可再生資源，如何合理高效利用信道資源一直是MEC領(lǐng)域研究的重要課題。文獻[7]和文獻[8]都考慮了信道資源分配問題。其中，文獻[7]考慮多用戶MEC系統(tǒng)在延遲約束下實現(xiàn)最小的系統(tǒng)能耗，通過回歸算法解決信道資源分配問題；文獻[8]提出了一種基于拍賣的信道與計算資源分配算法，考慮服務(wù)方與請求方的供需關(guān)系，依此設(shè)計了一種二輪拍賣機制，以完成信道資源的分配。

計算資源分配會對任務(wù)執(zhí)行階段產(chǎn)生影響，影響任務(wù)執(zhí)行時延和能耗。文獻[8]不僅關(guān)注信道資源，也考慮了計算資源分配，同樣借助于拍賣機制完成了計算資源的分配。

存儲資源分配分配面向不同任務(wù)類型，通過緩存熱點任務(wù)，可以減少重復(fù)的任務(wù)請求。在MEC系統(tǒng)中，MEC服務(wù)器相較于傳統(tǒng)云服務(wù)器而言存儲資源有限。因此需要合理分配存儲資源，在高效緩存的同時減少任務(wù)傳輸延遲。文獻[9]為滿足無線虛擬現(xiàn)實(Virtual Reality，VR)應(yīng)用的要求，設(shè)計了基于視圖合成的VR緩存系統(tǒng)；同時，為最大限度地減少傳輸延遲，制定了一個分層協(xié)作緩存問題，最后提出了一種低復(fù)雜性的大小距(Max Min Distance,MMD)緩存算法解決該問題。

以上有關(guān)資源分配問題的文獻大多通過研究某一類資源或者多類資源的聯(lián)合分配，以最小化時延或者能耗。

2.1.3 單MEC服務(wù)器中聯(lián)合資源分配的卸載策略

前兩小節(jié)分別單獨介紹了單MEC服務(wù)器中卸載決策和資源分配優(yōu)化方案，在實際的計算卸載中，任務(wù)的卸載策略與資源分配是緊密結(jié)合、相互滲透的，同時考慮兩方面的聯(lián)合卸載策略可以更顯著地提升MEC的性能，提高用戶滿意度。在聯(lián)合優(yōu)化卸載決策和資源分配時，卸載決策往往是二元變量，而資源分配變量往往是連續(xù)變量，由此建立的優(yōu)化問題往往是一個混合整數(shù)非線性規(guī)劃問題(Mixed Integer Non Linear Programming,MINLP)，這會使問題變成一個NP(Nondeterministic Polynomial)難問題，難以直接求解。

針對這一特性，常用的求解方法之一是對原問題進行分解，再分別對子問題求解。文獻[10]通過聯(lián)合優(yōu)化任務(wù)卸載決策、終端上行發(fā)射功率和計算資源，最大化用戶卸載效益。通過將原問題分解，利用擬凸優(yōu)化方法求解資源分配問題，再通過改進的啟發(fā)式算法得到卸載決策的次優(yōu)解。文獻[11]為最大程度降低網(wǎng)絡(luò)中的能耗，提出了卸載決策、功率分配以及計算資源分配的聯(lián)合優(yōu)化問題。原問題被分解為請求卸載問題和資源分配問題，利用MO-NSGA(Multiple Objective-Non dominated Sorting Genetic Algorithm)求解。文獻[12]聯(lián)合考慮了信道和計算資源分配，為保證用戶QoS需求，引入資源塊(Resource Block,RB)分配算法，同時基于坐標(biāo)下降法求解計算資源分配，最后通過一種迭代更新算法完成卸載決策。

由于人工智能技術(shù)的不斷發(fā)展，針對這類MINLP問題，目前也有研究采用對原問題進行馬爾科夫決策過程(Markov Decision Process,MDP)建模，并借助強化學(xué)習(xí)方法直接對原問題直接進行求解。文獻[13]為最大程度降低 MEC系統(tǒng)中所有終端的能耗成本，在滿足延遲約束的條件下同時優(yōu)化卸載決策、無線通信資源分配與計算資源分配。 原問題被建模為MINLP問題，利用Q學(xué)習(xí)方法求解聯(lián)合優(yōu)化問題。

通過分析以上研究可以發(fā)現(xiàn)，通過子問題分解或者強化學(xué)習(xí)直接求解是解決這類聯(lián)合優(yōu)化問題的有效方法。

2.1.4 面對資源有限的單MEC服務(wù)器卸載策略

由于物聯(lián)網(wǎng)設(shè)備海量接入，MEC環(huán)境中資源有限的問題不斷突出，在單MEC服務(wù)器中，缺乏額外的計算資源補充，如何利用好自身有限的計算資源，設(shè)計合理的卸載策略也是當(dāng)前研究的熱點之一。

通過為計算資源定價，增加價格約束，可以減少不必要的卸載，節(jié)約服務(wù)器計算資源。文獻[14]和文獻[15]均考慮通過資源定價來約束卸載。文獻[14]通過Stackelberg博弈模擬服務(wù)提供商與IoT設(shè)備之間的交互，將資源分配和定價建模為混合整數(shù)規(guī)劃問題(Mixed Integer Programming,MIP)，目的是最大化云/邊緣計算服務(wù)商的收入。文獻[15]采用設(shè)定價格控制卸載的方案，通過調(diào)整價格控制部分任務(wù)的卸載，在此基礎(chǔ)上提出了統(tǒng)一定價算法以及非統(tǒng)一定價算法。這樣的方式不僅可以為MEC實現(xiàn)最大的收益，而且可以控制任務(wù)有序執(zhí)行。

除了對服務(wù)器計算資源進行定價外，也有研究通過考慮任務(wù)拆分或者部分卸載方式以優(yōu)化資源分配。文獻[16]通過主動干預(yù)可拆分任務(wù)的方式，綜合考慮了任務(wù)在MEC上的執(zhí)行過程以及任務(wù)的傳輸過程，有目的地推遲部分任務(wù)的卸載，通過這樣的卸載方式保證了多個任務(wù)在MEC服務(wù)器上占用不重疊的時間片段，避免了任務(wù)排隊等待帶來的時延，高效地利用了MEC的計算資源。文獻[17]和文獻[18]考慮了任務(wù)的部分卸載，通過對任務(wù)卸載結(jié)構(gòu)優(yōu)化來盡可能減少MEC計算資源負載。這種方法相較于二元卸載，多端并行計算的方式帶來了效率提升的同時減少了任務(wù)的卸載量，一定程度緩解了MEC計算資源有限的問題。

通過借助排隊理論，在資源有限情況下合理安排任務(wù)卸載也是一種思路。文獻[19]為多個即將到達的任務(wù)建立排隊模型，考慮了用戶對任務(wù)的優(yōu)先度判定，依此設(shè)計了卸載策略。文獻[20]提出了一個多用戶隨機請求任務(wù)模型，并通過基于M/M/1的排隊模型表述，制定了盡可能減少所有任務(wù)時延的問題。

此外，通過利用緩存流行任務(wù)的計算結(jié)果，以避免任務(wù)重復(fù)卸載計算，可以有效提高資源利用效率。文獻[21]通過采用任務(wù)主動緩存的方案，可以將熱點任務(wù)緩存到MEC服務(wù)器，當(dāng)熱點任務(wù)再次請求時，MEC服務(wù)器將直接返回結(jié)果而不占用計算資源。

以上研究分別從資源定價、任務(wù)拆分、排隊論和任務(wù)緩存的角度考慮資源有限的單MEC場景下任務(wù)卸載問題，這也是當(dāng)前研究的主要方向。

2.2 多MEC任務(wù)卸載技術(shù)研究現(xiàn)狀

與前文單MEC資源有限、無法獲得資源補充不同，在多MEC場景下，可以通過協(xié)作方式進行卸載。多MEC協(xié)作卸載是從宏觀網(wǎng)絡(luò)出發(fā)，通過為MEC服務(wù)器補充額外資源的方式解決計算資源不足的問題。在MEC網(wǎng)絡(luò)中，這些額外的計算資源可以來自其他MEC服務(wù)器或MCC服務(wù)器。

2.2.1 多MEC服務(wù)器卸載決策

在多個MEC服務(wù)器的場景下，資源分布在各個動態(tài)異構(gòu)的服務(wù)器上，若要達到合理的資源利用和計算卸載往往需要考慮服務(wù)器之間的相互協(xié)作。另外一個需要考慮的問題是用戶關(guān)聯(lián)性問題，即在多個MEC場景下綜合考慮系統(tǒng)的計算資源和通信資源，每個用戶決定選擇哪一個MEC服務(wù)器去卸載自己的任務(wù)，一個不合理的關(guān)聯(lián)與卸載策略可能導(dǎo)致某個服務(wù)器負載過重造成擁塞。因此，通過合理選擇卸載的服務(wù)器可以提升整個系統(tǒng)的通信效率和質(zhì)量。負載均衡可以很好地處理這種情況，相關(guān)的研究也相繼出現(xiàn)。

由于計算負載的高度動態(tài)性，單個基站無法提供滿意的服務(wù)。文獻[22]提出針對高度動態(tài)且異構(gòu)的計算工作負載，通過部署多個服務(wù)器利用SBS之間的協(xié)作來提高MEC性能。在控制方式上文獻[23]與文獻[24]分別采用了軟件定義網(wǎng)絡(luò)(Software Defined Network,SDN)集中控制與分布式控制兩種方式。其中，SDN集中控制需要將MEC服務(wù)器實時負載信息發(fā)送給SDN控制器，再由SDN控制器統(tǒng)一協(xié)調(diào)；分布式控制決策在每個MEC服務(wù)器獨立制定，但同時也伴隨著大量的實時信息更新。文獻[25]中，當(dāng)移動用戶希望通過基站(Base Station,BS)來卸載移動任務(wù)時，SDN可以提供對分布式BS和移動設(shè)備的集中控制。文獻[26]提出利用云服務(wù)器集中管理邊緣服務(wù)器并對資源的分發(fā)以及再利用，以謀取更高的社會收益。文獻[27]在基于SDN集中控制的超密集網(wǎng)絡(luò)中研究了多MEC的任務(wù)分配問題，并證明該問題是NP難的。

針對MEC中卸載決策控制研究，研究者通常忽略了分布式控制和集中式控制由于信息交互帶來的能耗與時延。文獻[28]聯(lián)合考慮云選擇和路由優(yōu)化，提出了一種基于博弈論的低復(fù)雜度資源分配策略，每次迭代選擇路由最小化邊際支付，可以達到博弈均衡。為了減少重路由的次數(shù)，引入近似因子，代表重路由額外的花銷，通過Lyapunov函數(shù)證明了算法的收斂性。文獻[29]提出了一個無人機輔助MEC服務(wù)器計算模型，其中無人機部署有少量計算資源。通過無人機部署的可用資源，進一步降低了時延和能耗。文獻[30]則是在傳統(tǒng)的MCC-MEC方案中提出了兩點改進，分別設(shè)計了近似合作計算卸載方案和基于博弈模型的合作計算卸載方案。通過合作的方式，減少了信息交互產(chǎn)生的時延和能耗。文獻[31]在多MEC協(xié)同場景下，為解決多任務(wù)卸載問題，基于聯(lián)合博弈理論與定價機制提出了聯(lián)合卸載方案。文獻[32]同樣考慮了邊緣節(jié)點的卸載關(guān)系，但只考慮了單個輔助節(jié)點，以最小化任務(wù)完成時延。文獻[33]考慮多服務(wù)器情況下流行任務(wù)執(zhí)行結(jié)果緩存，提出了一種結(jié)合非正交多址接入(Non-orthogonal Multiple Access,NOMA)與緩存的聯(lián)合方案，避免重復(fù)卸載以降低任務(wù)執(zhí)行時延。

以上研究重點是關(guān)注多MEC服務(wù)器場景下卸載策略的制定，但現(xiàn)實場景中不僅需要考慮負載均衡，系統(tǒng)中的各種資源的合理利用也至關(guān)重要。

2.2.2 多MEC服務(wù)器中聯(lián)合資源分配的卸載策略

在不同的場景下，卸載策略往往受資源的約束，合理的資源分配策略可以實現(xiàn)負載均衡以達到預(yù)期效果。

文獻[34]在物聯(lián)網(wǎng)場景下，為減輕MEC服務(wù)器上任務(wù)負擔(dān)，通過云計算與MEC合作的方式來實現(xiàn)負載均衡，同時考慮了移動用戶之間的競爭關(guān)系，最后通過一種迭代啟發(fā)式算法動態(tài)做出計算卸載決策。文獻[35]研究了在車載物聯(lián)網(wǎng)場景下緩解MEC服務(wù)器壓力的問題，將冗余的任務(wù)卸載至別的MEC服務(wù)器，以達到負載均衡。文獻[36]研究了一種多個部署在無線接入點側(cè)的MEC服務(wù)器之間的協(xié)作關(guān)系，將單MEC服務(wù)器額外的任務(wù)進一步卸載至其他MEC完成計算，通過將任務(wù)二次卸載的方式達到負載均衡的效果。文獻[37]建立了一個基于時分多址接入的多用戶全雙工MEC系統(tǒng)，考慮兩個半雙工用戶可以組成一個全雙工對，可以共享相同的時隙和頻帶進行上行和下行傳輸。為了最小化系統(tǒng)中所有用戶的完成時間，提出了一個時間調(diào)度、功率控制和用戶配對方案的聯(lián)合優(yōu)化策略。

3 發(fā)展趨勢與展望

經(jīng)過近幾年的發(fā)展，MEC卸載技術(shù)得到了廣泛的關(guān)注和研究，但是該領(lǐng)域仍存在著一些亟待解決的問題，比如：以往利用傳統(tǒng)優(yōu)化方法的研究大多進行短期優(yōu)化，沒有考慮到系統(tǒng)的長期性能表現(xiàn)；同時，忽略了系統(tǒng)動態(tài)變化和用戶的移動性對于卸載決策的影響；由于移動邊緣計算往往會涉及到用戶的敏感數(shù)據(jù)和隱私，MEC卸載的安全性問題也不容忽視；以往研究大多假設(shè)任務(wù)間相互獨立，忽視了任務(wù)間關(guān)聯(lián)性，而這在分布式計算中不可忽視。針對上述問題，下面分別從基于人工智能的MEC卸載技術(shù)、MEC安全性問題、MEC任務(wù)關(guān)聯(lián)性三個方面介紹未來MEC卸載技術(shù)的發(fā)展方向。

3.1 基于人工智能的MEC卸載技術(shù)

近些年來，人工智能(Artificial Intelligence，AI)技術(shù)發(fā)展迅速。通過訓(xùn)練和推理，人工智能可以完成實時性決策，并且AI對于動態(tài)性系統(tǒng)有著較強的處理能力。通過將人工智能技術(shù)與MEC卸載技術(shù)相結(jié)合，可以有效應(yīng)對移動邊緣計算中網(wǎng)絡(luò)狀態(tài)動態(tài)變化、任務(wù)隨機到達以及長期的最優(yōu)策略等問題。

在實際應(yīng)用中，用戶往往難以觀測到完整的系統(tǒng)狀態(tài)信息，難以構(gòu)建出完整系統(tǒng)模型，此時利用無模型強化學(xué)習(xí)算法可以有效解決這類問題。文獻[38]提出了一種考慮用戶設(shè)備可以進行能量收集的計算卸載方案，在MEC模型、計算時延和能耗模型未知的情況下最優(yōu)化卸載策略。利用深度卷積神經(jīng)網(wǎng)絡(luò)壓縮狀態(tài)空間，加快學(xué)習(xí)速度，并借助強化學(xué)習(xí)中的遷移學(xué)習(xí)方法，利用類似場景中的卸載經(jīng)驗來初始化Q值，減少在使用邊緣設(shè)備進行重復(fù)卸載過程中初始階段的探索時間，從而高效計算。

除了無模型問題，利用AI技術(shù)解決無線網(wǎng)絡(luò)中的動態(tài)性問題是當(dāng)前研究的一個熱點。文獻[39]針對無線網(wǎng)絡(luò)環(huán)境的動態(tài)性和任務(wù)請求的分布式特征，將聯(lián)合計算卸載和資源分配問題公式化為馬爾科夫決策過程，并提出了一種基于深度確定性優(yōu)勢策略梯度法(Deep Deterministic Policy Gradient,DDPG)的計算卸載和資源分配算法，以最大程度地降低系統(tǒng)能耗。

以上研究往往基于單智能體算法框架，但在5G超密集網(wǎng)絡(luò)中將部署大量基站，在這種復(fù)雜場景下，每個用戶都會被視為智能體進行決策，一個用戶的決策將會直接影響其他用戶的決策，而目前的單智能體人工智能算法和方案很難使用這種情景。如何統(tǒng)籌所有用戶的決策，使得用戶之間達到納什均衡是未來面臨的一大挑戰(zhàn)，因此亟需研究多智能算法框架來應(yīng)對這一挑戰(zhàn)。文獻[40]研究了在異構(gòu)網(wǎng)絡(luò)下存在多個云中心的場景，此時各個云中心會互相競爭通信和計算資源。為了避免沖突，降低時延，采用了基于多智能體強化學(xué)習(xí)(Multi Agents Reinforcement Learning，MARL)的聯(lián)合數(shù)據(jù)卸載和資源分配算法，采用分布式方法讓每一個云中心獨立決定任務(wù)卸載和資源分配策略，云中心之間的競爭由MARL結(jié)構(gòu)來描述。

通過無模型強化學(xué)習(xí)、多智能體強化學(xué)習(xí)等方法，可以有效適應(yīng)網(wǎng)絡(luò)動態(tài)變化，提高系統(tǒng)實時性，解決傳統(tǒng)算法無法解決的問題。

3.2 MEC安全性

移動邊緣計算的出現(xiàn)緩解了邊緣用戶資源有限的壓力，但同時由于將任務(wù)卸載給第三方服務(wù)器可能會面臨著隱私泄露和安全性問題，特別是在移動邊緣計算中引入人工智能訓(xùn)練學(xué)習(xí)模型時更是需要大量的用戶個人信息比如位置信息、個人賬戶信息和設(shè)備狀態(tài)信息等。如果沒有一個合理的隱私保護技術(shù)，用戶可能拒絕將信息提供給第三方邊緣服務(wù)器從而導(dǎo)致任務(wù)卸載失敗。

針對移動邊緣計算中的安全與隱私問題，最近也引入了一些隱私保護技術(shù)，其中研究最廣泛的是區(qū)塊鏈技術(shù)，這是由于區(qū)塊鏈技術(shù)具有良好的安全性和隱私保護性。區(qū)塊鏈具有分布式、去中心化的特點，通過區(qū)塊鏈的各種認證機制和共識機制，可以對移動邊緣計算的任務(wù)卸載過程中的傳輸數(shù)據(jù)進行有效保護。

同時，MEC與人工智能結(jié)合也需要大量的用戶數(shù)據(jù)來訓(xùn)練學(xué)習(xí)模型，而這些原始數(shù)據(jù)往往涉及到用戶隱私。傳統(tǒng)的集中式訓(xùn)練需要將這些原始數(shù)據(jù)發(fā)送到云服務(wù)器，在原始數(shù)據(jù)上傳過程中難免受到惡意節(jié)點的攻擊導(dǎo)致數(shù)據(jù)泄露。聯(lián)邦學(xué)習(xí)(Federated Learning,FL)作為一種新興的學(xué)習(xí)機制，可以避免將用戶原始數(shù)據(jù)上傳于集中的服務(wù)器，支持用戶局部模型本地進行訓(xùn)練，用戶只需要將訓(xùn)練好的局部模型參數(shù)上傳中央控制器，按照一定的聚合規(guī)則聚合成新的全局模型，再將全局模型發(fā)給各個用戶，從而避免了隱私信息的傳輸，可以大大提高用戶信息傳輸?shù)陌踩浴?/p>

3.3 MEC任務(wù)關(guān)聯(lián)性

在MEC的任務(wù)卸載方面的研究大多假設(shè)各個任務(wù)間相互獨立，沒有考慮任務(wù)之間可能存在的依賴關(guān)系。任務(wù)節(jié)點之間數(shù)據(jù)執(zhí)行依賴關(guān)系使得任務(wù)執(zhí)行有了先后之分，一個任務(wù)的輸入可能是上一個任務(wù)的執(zhí)行結(jié)果，部分計算節(jié)點可能要等待其他節(jié)點的計算結(jié)果才能夠繼續(xù)計算，這就導(dǎo)致計算節(jié)點存在大量計算空閑時段沒有得到利用，浪費了節(jié)點計算資源，也增加了任務(wù)執(zhí)行時延。如何提高資源的利用率就需要將關(guān)注點從單個任務(wù)流卸載轉(zhuǎn)移到多個任務(wù)流之間合作共享，它可以將這些空閑的時段充分利用起來從而達到提高資源利用率的目的，因此對多個任務(wù)流之間合作共享的研究是具有價值與意義的。

隨著并行技術(shù)的發(fā)展，每個應(yīng)用程序可以實現(xiàn)細粒度的劃分，劃分的程序一部分由邊緣服務(wù)器執(zhí)行，一部分留在本地設(shè)備執(zhí)行，以便更加靈活地分配資源提高邊緣計算系統(tǒng)的性能——這就是部分卸載模式，其最簡單的模型是數(shù)據(jù)分區(qū)模型。這種模型認為任務(wù)的輸入比特相互獨立且可以任意劃分為不同的分組，分別由邊緣服務(wù)器和本地設(shè)備執(zhí)行，但不可忽略的問題是任務(wù)劃分之后不同任務(wù)之間的依賴關(guān)系，因為依賴關(guān)系決定了任務(wù)執(zhí)行和卸載的順序。因此，對于更加復(fù)雜的關(guān)聯(lián)性任務(wù)的研究需要有更加復(fù)雜的計算任務(wù)模型來描述。

4 結(jié)束語

本文從MEC卸載決策、聯(lián)合資源分配進行卸載決策兩個方面分別介紹了單MEC服務(wù)器和多MEC服務(wù)器卸載技術(shù)的研究現(xiàn)狀，并針對當(dāng)前MEC卸載技術(shù)尚存在的不足之處對MEC卸載技術(shù)的發(fā)展進行了展望，介紹了當(dāng)前基于人工智能進行任務(wù)卸載的研究現(xiàn)狀，分析了MEC卸載中面臨的安全性問題以及相應(yīng)的解決思路，并對MEC中任務(wù)間存在關(guān)聯(lián)性的情況進行了分析。MEC卸載技術(shù)作為MEC中一項關(guān)鍵技術(shù)，仍然有很多問題亟待解決。在可預(yù)見的將來，隨著AI技術(shù)的逐步成熟以及邊緣設(shè)備計算能力的不斷提高，基于人工智能的MEC卸載技術(shù)將獲得更大的發(fā)展。