梁俊斌 黃少東 吳旭 楊穎

摘 要：綠色移動邊緣網(wǎng)絡(luò)（GMEN）是一個新興的分布式網(wǎng)絡(luò)，它將可再生的綠色能量作為邊緣節(jié)點運行的主要能源，從而減少從電網(wǎng)中獲取的能量。在GMEN中，網(wǎng)絡(luò)服務(wù)供應(yīng)商可以將多個虛擬網(wǎng)絡(luò)功能（VNF）按照特定的順序組成服務(wù)功能鏈（SFC）來處理用戶的請求，這些VNF可以以軟件實例的形式被靈活地部署在邊緣節(jié)點上來高效地利用綠色能量。為了保證服務(wù)的時延和可靠性要求，需要把多個備份VNF（BVNF）部署在距VNF k跳范圍內(nèi)的節(jié)點上，以便在VNF發(fā)生故障時能代替它繼續(xù)提供滿足時延要求的服務(wù)。然而，每個地理分散的邊緣節(jié)點收集到的綠色能量是動態(tài)變化的，如果VNF周圍的節(jié)點所收集的能量減少并小于運行BVNF所需的能耗，則需要從電網(wǎng)中獲取額外的能量來保證它的運行。因此，根據(jù)節(jié)點收集的綠色能量和使用計算、通信等資源所消耗的能量速率，制定在線的VNF和BVNF聯(lián)合部署方案，使得邊緣節(jié)點從電網(wǎng)中獲取的能量被最小化，同時保證服務(wù)的時延和可靠性要求，是一個NPhard問題。目前，已有許多工作對這一問題進行了研究，并取得了一定的成果，但在實際的應(yīng)用中仍面臨著一些問題。為了更深入地推進該領(lǐng)域的研究，對近幾年的最新研究成果進行了分析、歸納和總結(jié)，對比了它們的優(yōu)缺點，并對未來的工作進行了展望。

關(guān)鍵詞：移動邊緣網(wǎng)絡(luò)；能量收集；網(wǎng)絡(luò)功能虛擬化；可靠性；虛擬網(wǎng)絡(luò)功能部署決策

中圖分類號：TP393?? 文獻標志碼：A?? 文章編號：1001-3695（2023）12-001-3521-08

doi：10.19734/j.issn.10013695.2023.03.0161

Research on reliable virtual network function deployment technology in green mobile edge networks

Abstract：Green mobile edge network（GMEN） is an emerging distributed network that uses renewable green energy as the main energy source for edge nodes to operate，thereby reducing energy acquisition from the power grid.In GMEN，network service providers can form a service function chain （SFC） of multiple virtual network functions （VNF） in a specific order to process user requests.These VNFs can flexibly deploy in the form of software instances on edge nodes to efficiently utilize green energy.To ensure the latency and reliability requirements of the service，it is necessary to deploy multiple backup VNFs （BVNF） on nodes within a khop range of VNF，to replace it in providing services that meet the latency requirements in the event of VNF failure.However，the green energy collected by each geographically dispersed edge node is dynamically changing.If the collected energy of nodes around the VNF decreases and is less than the energy consumption required to operate the BVNF，the node needs to harvest additional energy from the grid to guarantee its operation.Therefore，developing an online joint deployment plan for VNF and BVNF based on the green energy collected by nodes and the energy rate consumed by computing，communication，and other resources is an NPhard problem，which minimizes the energy obtained by edge nodes from the power grid while ensuring service latency and reliability requirements.At present，there are many studies on this issue and certain achievements have been made，but there are still some problems in practical applications.To further promote research in this field，this paper analyzed，summarized the latest research achievements in recent years，and compared their advantages and disadvantages，and provided prospects for future work.

Key words：mobile edge network；energy harvesting；network function virtualization；reliability；virtual network function deployment

0 引言

作為互聯(lián)網(wǎng)時代的一項革命性技術(shù)，物聯(lián)網(wǎng)極大地改變了人們的生活和生產(chǎn)方式。它將各種物聯(lián)網(wǎng)設(shè)備與互聯(lián)網(wǎng)結(jié)合起來形成一個巨大的網(wǎng)絡(luò)，實現(xiàn)物與物、物與人之間信息交流和相互協(xié)作，為促進人類社會的發(fā)展起著重要的作用。許多新興的物聯(lián)網(wǎng)應(yīng)用也越來越受到關(guān)注，比如增強現(xiàn)實（augmented reality，AR）、虛擬現(xiàn)實（virtual reality，VR）、自動駕駛和遠程醫(yī)療等，如圖1所示。相比傳統(tǒng)的應(yīng)用，這些物聯(lián)網(wǎng)應(yīng)用對網(wǎng)絡(luò)性能（時延、可靠性和安全性等）的要求也更為嚴格［1，2］。比如，VR應(yīng)用要求在使用過程中網(wǎng)絡(luò)的最大時延要小于10 ms［3，4］。自動駕駛應(yīng)用不僅要求小于10 ms的通信時延，而且還需要99.999%的可靠性，以避免錯誤的控制消息和確保服務(wù)的連續(xù)性［5］。但是，由于物聯(lián)網(wǎng)設(shè)備的能量、計算和存儲能力是有限的，它們無法快速地處理大量數(shù)據(jù)，所以數(shù)據(jù)通常要上傳到中心云進行處理。然而，將大量分散的數(shù)據(jù)上傳到中心云會給已經(jīng)擁塞的主干網(wǎng)絡(luò)造成極其沉重的負擔，并且遠距離的數(shù)據(jù)傳輸會帶來很高的傳輸時延，難以滿足計算密集型和時延敏感型的物聯(lián)網(wǎng)應(yīng)用的需求。移動邊緣網(wǎng)絡(luò)的出現(xiàn)緩解了該問題，它將服務(wù)器遷移到用戶附近與基站等基礎(chǔ)設(shè)施構(gòu)成邊緣節(jié)點來為用戶提供類似中心云的服務(wù)，比如低時延的數(shù)據(jù)傳輸和任務(wù)處理［6，7］。

然而，從整體上看，密集地部署大量地理分散的邊緣節(jié)點將消耗更多的能量，比如用于基站、邊緣服務(wù)器運行和機房降溫的能耗等。如果這些能量都由電網(wǎng)來提供，將需要支付大量的資金用于購買電能，還會產(chǎn)生大量的碳足跡［8］。研究［9，10］表明，數(shù)據(jù)中心每年的能源消耗量超過30 kMW，約占信息和通信技術(shù)（ICT）所消耗能源的21%，每年的成本約為300億美元。另一方面，對于一些搭載基站和邊緣服務(wù)器的可移動邊緣節(jié)點來說，直接使用電網(wǎng)供能是不現(xiàn)實的，如用于通信輔助的無人機（unmanned aerial vehicle，UAV）需要飛行在天空中，它們并沒有可用的穩(wěn)定電源來維持續(xù)航。

為了解決上述的問題，收集可再生能源的綠色移動邊緣網(wǎng)絡(luò)（GMEN）逐漸受到了學術(shù)和工業(yè)界的關(guān)注。GMEN為地理分散的邊緣節(jié)點安裝能量收集裝置（如太陽能板），并用它來收集可再生的綠色能量（如太陽能、風能）作為主要能源［11］，如圖2所示。其中，邊緣節(jié)點包括電池、邊緣服務(wù)器、基站等。對于固定的節(jié)點來說，它不僅可以使用收集的綠色能量，還可以從電網(wǎng)中獲取能量來保證其穩(wěn)定運行。而像無人機這樣的移動邊緣節(jié)點，可以使用收集的綠色能量和電池來延長和保證續(xù)航時間［12，13］。

分布式的GMEN實現(xiàn)了能量就地供應(yīng)，這解決了傳輸能量帶來的能量損耗問題。而且，這也減緩能量收集受到單一位置天氣的影響。另一方面，能量收集技術(shù)的快速發(fā)展使得在網(wǎng)絡(luò)邊緣安裝能量收集裝置是可行的［14，15］。文獻［10］的實驗結(jié)果表明，利用混合能量框架的綠色移動邊緣網(wǎng)絡(luò)，在實驗期間大約94.8%的時間段，可再生能源完全能夠支持原型系統(tǒng)中邊緣計算設(shè)備的可靠運行。

此外，隨著第六代通信（6G）對網(wǎng)絡(luò)性能要求的不斷提高，未來網(wǎng)絡(luò)服務(wù)供應(yīng)的能耗將不斷增加。比如，為了提高可靠性，網(wǎng)絡(luò)服務(wù)運營商需要在多個服務(wù)器上備份網(wǎng)絡(luò)服務(wù)，而這些備份將會額外占用服務(wù)器的計算、存儲資源并消耗它的能量。Mao等人［16］進一步指出，未來6G將廣泛采用可再生能量收集技術(shù)和智能技術(shù)，以減少信息產(chǎn)業(yè)中的基站、服務(wù)器等基礎(chǔ)設(shè)施的能源開銷和化石燃料的使用。因此，綠色移動邊緣網(wǎng)絡(luò)的研究是必要的、有益的、可行的且有前景的。

網(wǎng)絡(luò)功能虛擬化（NFV）技術(shù)的出現(xiàn)使得以軟件實例形式的VNF可以在一般的服務(wù)器上運行，以實現(xiàn)和固定專用硬件上構(gòu)建的中間盒（Middlebox）［17］相同的功能（比如，防火墻、入侵檢測功能等），這實現(xiàn)了VNF可以在任意邊緣服務(wù)器上按需被部署、遷移和調(diào)度［18］。因此，在GMEN中，網(wǎng)絡(luò)服務(wù)運營商可以根據(jù)各個邊緣節(jié)點收集的綠色能量和能耗需求的變化，自適應(yīng)地調(diào)整VNF實例的數(shù)量、類型和位置來提高綠色能量的利用率和減少使用電網(wǎng)的能量。

但是在實際應(yīng)用中，基于軟件的VNF更容易發(fā)生故障［19］。一方面，這是因為VNF和底層硬件之間通常具有額外的虛擬層［20］，這些層的任何錯誤配置都可能使運行在其上的VNF故障；另一方面，一些邊緣服務(wù)器可能工作在比較惡劣的環(huán)境中，如高溫潮濕的戶外、災(zāi)害頻發(fā)的監(jiān)測場所等，這會導(dǎo)致服務(wù)器硬件在運行過程中容易老化損壞和遭到破壞［21，22］，從而導(dǎo)致邊緣服務(wù)器無法繼續(xù)工作。此外，對于只依靠綠色能量供能的邊緣節(jié)點來說，容易因為綠色能量的間斷性和不穩(wěn)定性而出現(xiàn)能量不足，從而無法工作的情況［9］。如果虛擬網(wǎng)絡(luò)功能在運行過程中因為服務(wù)器硬件損壞、虛擬層配置出錯、惡意攻擊和能量不足等原因而中斷網(wǎng)絡(luò)服務(wù)，則會導(dǎo)致網(wǎng)絡(luò)服務(wù)質(zhì)量降低。這對于AR、VR、自動駕駛等時延敏感性和計算密集型應(yīng)用來說是無法接受的。因此，該如何在資源和綠色能量有限的網(wǎng)絡(luò)中，部署VNF來最大化接收的請求數(shù)和最小化從電網(wǎng)中獲取的能量，同時保證服務(wù)的時延和可靠性要求，是一個值得研究的問題。

1 面臨的困難

當前VNF部署的研究工作主要關(guān)注時延［23～26］、吞吐量［27～29］、負載平衡［30，31］指標。但是，對于VNF可靠性的研究工作仍比較少。目前，關(guān)于VNF可靠性的工作主要是在VNF周圍部署多個備份VNF（backup VNF，BVNF）。在VNF出現(xiàn)故障的時候，BVNF能代替VNF繼續(xù)提供網(wǎng)絡(luò)服務(wù)，并且保證恢復(fù)網(wǎng)絡(luò)服務(wù)后的端到端時延仍然處于可容忍的延遲范圍內(nèi)。VNF和多個BVNF只要有一個能正常工作，就能保證網(wǎng)絡(luò)服務(wù)不會中斷。例如，Liang等人［32］提出將多個BVNF部署在距離VNF服務(wù)器k跳內(nèi)的服務(wù)器。Chen等人［33］考慮到部署B(yǎng)VNF服務(wù)器的位置會造成恢復(fù)網(wǎng)絡(luò)服務(wù)后，它到前一個和下一個VNF的傳輸時延增加，從而導(dǎo)致端到端時延增加。

不同于以往的研究，在GMEN中部署可靠的VNF面臨著兩個困難：

a）由于可再生綠色能源在地理上是分布不均勻的，且是隨著時間動態(tài)變化的（如太陽能、風能），所以服務(wù)器收集的能量是異構(gòu)和時變的。如果VNF部署在綠色能量稀少的服務(wù)器上，則將需要從電網(wǎng)中獲取更多的電能以維持VNF實例的正常運行。所以，VNF和BVNF聯(lián)合部署需要同時考慮VNF周圍多個服務(wù)器收集的綠色能量在多個時隙的變化情況，并在線地調(diào)整/重新部署決策以提高綠色能量的利用率。

以往關(guān)于VNF和BVNF部署的研究并沒有考慮到部署VNF和BVNF的服務(wù)器能量變化對部署決策的影響，更多是只考慮當前時隙下計算、通信資源是否足夠。但是，這些資源是固定不變的（不會減少或者增多），只要部署著VNF便會一直占用。此外，雖然在綠色移動邊緣網(wǎng)絡(luò)中關(guān)于任務(wù)卸載問題有考慮到服務(wù)器的能量變化，但僅考慮到單個服務(wù)器的能量變化。

b）由于造成VNF發(fā)生故障的原因（如VNF負載、惡意攻擊等）在時間上是不確定的，所以VNF發(fā)生故障的概率是隨著時間動態(tài)變化的。從文獻［34］可以了解到，故障在不同的時間尺度上不是均勻隨機的，有時甚至在不同的空間上也不是均勻隨機。許多故障彼此高度相關(guān)，故障峰值可能隨時發(fā)生。為了實時滿足服務(wù)的可靠性要求，在VNF發(fā)生故障的概率增加時，需要部署更多的BVNF實例；相反，在故障率降低的時候，可以選擇關(guān)閉一些BVNF以減少能量的消耗。因此，需要根據(jù)綠色能量的變化情況和VNF實時的故障率，考慮開啟和關(guān)閉哪些BVNF，從而長期最小化從電網(wǎng)中獲取的能量。

2 國內(nèi)外相關(guān)研究

在綠色移動邊緣網(wǎng)絡(luò)中考慮可靠的VNF部署是目前比較前沿的研究課題。目前，學術(shù)界和業(yè)界已進行一些前期研究。所以，本文將先從綠色移動邊緣網(wǎng)絡(luò)和VNF可靠性部署兩個方面討論和對比這些研究工作的優(yōu)缺點，然后再重點分析結(jié)合這兩個方面的研究工作。具體分類如圖3所示。

2.1 綠色移動邊緣網(wǎng)絡(luò)

目前，已有一些工作對綠色移動邊緣網(wǎng)絡(luò)進行了一定的研究。這些研究工作可以按照邊緣服務(wù)器的供能方式分為兩類：一類是僅使用綠色能源為邊緣服務(wù)器供能，這類研究工作常應(yīng)用于一些經(jīng)濟效益低的山區(qū)，或者智慧城市中具有計算和收集太陽能能力的物聯(lián)網(wǎng)設(shè)備（如無人機、智能汽車、路邊單元）當中［35～37］；另一類是采用混合能源結(jié)構(gòu)的綠色移動邊緣網(wǎng)絡(luò)，它把綠色能源當作主要能量，同時利用電網(wǎng)當作備份能源來提供穩(wěn)定和可靠的網(wǎng)絡(luò)服務(wù)。

2.1.1 單一能源驅(qū)動的綠色移動邊緣網(wǎng)絡(luò)

Chen等人［38］將收集的綠色能量當作邊緣節(jié)點的唯一能源，并考慮多用戶多任務(wù)的卸載問題，即用戶的任務(wù)可以卸載到多個節(jié)點上處理，提出集中式和分布式兩種貪婪調(diào)度算法來制定多用戶多任務(wù)的卸載方案，從而實現(xiàn)接收任務(wù)的收益被最大化。相似地，Xu等人［39］也把收集的綠色能量當作邊緣服務(wù)器的唯一能源，根據(jù)服務(wù)器收集的綠色能量，提出一種基于強化學習的資源分配算法來實時學習動態(tài)的任務(wù)卸載和邊緣服務(wù)器配置的最優(yōu)策略，從而實現(xiàn)最小化長期系統(tǒng)成本。由于可再生能源（如太陽能）發(fā)電存在著間歇性和波動性，Ku等人［40］提出離線可再生能源調(diào)度和在線用戶關(guān)聯(lián)以及服務(wù)器資源分配的雙階段算法來最大程度地減少網(wǎng)絡(luò)中服務(wù)質(zhì)量損失。其中，服務(wù)質(zhì)量損失是指服務(wù)短缺和中斷的總數(shù)與請求數(shù)量的比值。Ku等人［41］進一步考慮任務(wù)劃分問題，把一個任務(wù)劃分成多個卸載到不同服務(wù)器上的子任務(wù)，以高效地利用服務(wù)器有限的綠色能量和計算資源。然后，提出動態(tài)可編程的啟發(fā)式算法來尋找最優(yōu)的任務(wù)劃分和卸載決策，從而實現(xiàn)最小化應(yīng)用程序的端到端時延和最大化其應(yīng)用級的性能（如準確性）。但是，以上的研究工作只考慮了收集綠色能量的邊緣服務(wù)器在地理分布上是固定的。

隨著無人機的發(fā)展，無人機集群可以通過搭載基站和服務(wù)器來構(gòu)成一個臨時的無人機網(wǎng)絡(luò)，該網(wǎng)絡(luò)把無人機當作移動的邊緣節(jié)點來提供通信和計算能力。而且，已有一些研究工作為無人機安裝能量收集裝置來收集綠色能量，從而提高其續(xù)航能力。Sun等人［42］使用由太陽供能的無人機來為地面多個用戶提供可持續(xù)的通信服務(wù)，考慮到無人機空中動力能耗、收集的太陽能數(shù)量、有限的儲能容量和用戶的服務(wù)質(zhì)量要求，他們提出了在線算法來解決最大化吞吐量的無人機3D軌跡規(guī)劃和資源分配聯(lián)合問題?？紤]到無人機收集的太陽能是隨時間而變化的，Seng等人［43］進一步提出長期最小化無人機平均能耗問題，根據(jù)李雅普諾夫優(yōu)化理論將長期問題表述為單時隙問題，并采用近似算法逐個求解。Shumeye等人［44］使用大型無人機和多個小型無人機組成的UAV網(wǎng)絡(luò)來提供通信服務(wù)，其中大型無人機用于收集綠色能量，并將能量傳輸給多個小型無人機以提高網(wǎng)絡(luò)的穩(wěn)定性和時長，提出能量共享算法來調(diào)度無人機飛行位置和能量分配，從而最大化無人機集群的充電效率。除了讓無人機收集太陽能，Sekander等人［45］研究能夠收集太陽和風能的混能多旋翼無人機在三個不同場景下收集的能量數(shù)量，并且推導(dǎo)出無人機能量中斷的概率模型。其中，三個能源收集的場景分別是太陽能、風能以及混合的太陽能和風能。

以上研究都只考慮了無人機飛行和通信服務(wù)的能量消耗。目前，已有研究工作拓寬無人機的使用場景，還通過無線充電技術(shù)讓無人機為地面設(shè)備充電［46］。Xu等人［47］通過部署兩個收集混合太陽和射頻能量的無人機來為用戶設(shè)備提供邊緣計算和充電服務(wù)，根據(jù)用戶設(shè)備和無人機消耗的能量情況，提出了量子行為的粒子群優(yōu)化算法來求解最小化無人機總能耗的資源分配問題。

本文根據(jù)邊緣服務(wù)器的移動性、優(yōu)化目標和貢獻對上述的研究進行了總結(jié)，結(jié)果如表1所示。

2.1.2 混合能源驅(qū)動的綠色移動邊緣網(wǎng)絡(luò)

由于天氣等環(huán)境因素是動態(tài)變化的，所以收集的可再生綠色能量是間斷和難以預(yù)測的。僅使用綠色能量來為服務(wù)器供能，可能會出現(xiàn)因為能量不足而中斷正在處理的任務(wù)。雖然上述研究認為在能量不足的時候可以將任務(wù)卸載到云上進行處理，但將任務(wù)傳輸?shù)皆粕蠒母嗟哪芰?，而且也會帶來更長的傳輸時延。

Li等人［10］提出使用電網(wǎng)和收集可再生的能源為服務(wù)器供電的混能架構(gòu)，該架構(gòu)將可再生能源當作主要能量，把電網(wǎng)當作備用能量，從而實現(xiàn)服務(wù)器的穩(wěn)定運行和可再生能源的充分利用?？紤]到每個邊緣服務(wù)器的能量需求和收集的綠色能源在空間上是不同的，Sun等人［48］提出啟發(fā)式算法來自適應(yīng)地遷移虛擬機，從而最小化電網(wǎng)能量的消耗。Gu等人［49］進一步聯(lián)合任務(wù)分配和不同服務(wù)器間能源調(diào)度問題來高效地利用綠色能源和減少購買棕色能源，把問題轉(zhuǎn)換為混合整數(shù)線性規(guī)劃，并提出基于松弛的啟發(fā)式算法，從而實現(xiàn)最小化能量成本?？紤]到綠色移動邊緣網(wǎng)絡(luò)中計算資源有限的邊緣服務(wù)器無法及時處理大量的任務(wù)，Zhao等人［50］進一步結(jié)合中心云來處理實時到達的任務(wù)，提出基于李雅普諾夫理論的在線動態(tài)卸載和資源調(diào)度算法來求解最優(yōu)的任務(wù)卸載和資源分配決策，從而最大限度地減少邊緣節(jié)點的能量、通信和計算成本，并且滿足物聯(lián)網(wǎng)設(shè)備的服務(wù)質(zhì)量要求。

以上的研究工作是基于收集的能量是不可預(yù)測的情況下進行的。但是，隨著預(yù)測技術(shù)的發(fā)展，如人工智能技術(shù)的廣泛應(yīng)用，現(xiàn)在已經(jīng)可以對太陽能、風能等可再生的綠色能量進行較為精準的預(yù)測，這有助于作出長期的決策以進一步節(jié)約和高效地利用綠色能量。Cecchinato等人［51］提出一個預(yù)測控制方法來將計算任務(wù)分配到服務(wù)器上，從而最小化從電網(wǎng)中購買能量的支出；其中，預(yù)測控制方法用于預(yù)測電網(wǎng)的電價變化、收集的綠色能量和到達的計算任務(wù)；但作者采用的是求解器來求解任務(wù)問題，這會因為求解時間過長而不符合現(xiàn)實中的網(wǎng)絡(luò)需求。Perin等人［52］也使用在線預(yù)測優(yōu)化框架來減少電網(wǎng)電能使用，而且他們進一步提出一種快速定制的算法，該算法在一跳的鄰居服務(wù)器之間傳遞消息，從而實現(xiàn)完全分布式的解決方案。

本文根據(jù)綠色能量是否被預(yù)測、優(yōu)化目標和貢獻對上述的研究進行了總結(jié)，結(jié)果如表2所示。

2.2 可靠的VNF部署

現(xiàn)在已經(jīng)有許多工作從不同的優(yōu)化目標出發(fā)，研究了滿足服務(wù)可靠性要求的VNF部署問題。例如，考慮到用于VNF備份的數(shù)量是有限的，Kanizo等人［53］根據(jù)直覺提出啟發(fā)式算法來備份VNF，從而最大化所有VNF的可靠性?？紤]到部署備份VNF實例會增加開啟的服務(wù)器數(shù)量，從而增加網(wǎng)絡(luò)的能量消耗，Mai等人［54］提出基于拉格朗日松弛的啟發(fā)式算法來部署VNF，從而最小化服務(wù)器和鏈路的能耗且滿足請求的可靠性要求。Yang等人［55］提出基于強化學習的算法來在線地部署和調(diào)度VNF，從而最大化接收的請求數(shù)且滿足請求的可靠性要求。因此，本節(jié)將根據(jù)不同的解決方案對這些已經(jīng)發(fā)表的算法進行分類。

2.2.1 精準算法

精準算法是指總能求出最優(yōu)解的算法。目前，已提出的精準算法的種類有枚舉法、分支定界法、動態(tài)規(guī)劃等。大多數(shù)求解器是采用精準算法中的分支定界方法，如求解器CPLEX。2016年，在假設(shè)只有單個服務(wù)器和鏈路會發(fā)生故障的前提下，Hmaity等人［56］首先為每一個VNF部署一個備份以便在發(fā)生故障的時候能繼續(xù)提供網(wǎng)絡(luò)服務(wù)。然后，將問題建模成整數(shù)線性規(guī)劃，并采用CPLEX來求出最優(yōu)解。類似地，考慮到同一個災(zāi)區(qū)的多個節(jié)點會同時發(fā)生故障，2021年，Cai等人［57］提出了多路由的服務(wù)功能鏈（SFC）部署方案，并借助CPLEX求解。其中，SFC是指一組具有特定順序的虛擬網(wǎng)絡(luò)功能。

然而，這類算法需要極長的運行時間。尤其是在大規(guī)模的分布式網(wǎng)絡(luò)中，這些精準算法不能保證執(zhí)行的時間能夠滿足服務(wù)需求。這類算法可以在仿真中作為基準算法使用，但在實際中解決NPhard問題是不現(xiàn)實的。本文根據(jù)故障的特征、優(yōu)化目標和貢獻對以上的研究進行了總結(jié)，結(jié)果如表3所示。

2.2.2 啟發(fā)式算法

2017年，Qu等人［58］將SFC供應(yīng)問題建模為混合整數(shù)線性規(guī)劃，然后設(shè)計了一種不考慮節(jié)點處理延遲的啟發(fā)式算法，通過在單路由路徑和多路由路徑之間進行權(quán)衡來確?？煽啃院吐酚裳舆t。但是，多路徑流量傳輸不僅會多占用多條鏈路的帶寬，而且某條鏈路故障仍會導(dǎo)致該路徑的服務(wù)中斷。2018年，Yang等人［59］為有狀態(tài)的VNF提供備份，并且考慮到VNF與備份之間進行狀態(tài)同步將會消耗大量的網(wǎng)絡(luò)帶寬資源，這會導(dǎo)致能接收的請求數(shù)目減少，所以提出啟發(fā)式算法來求解VNF/BVNF部署、數(shù)據(jù)流的路由路徑和狀態(tài)同步的路徑，從而在資源有限的網(wǎng)絡(luò)中實現(xiàn)最大化接收的請求數(shù)。但該文獻考慮了為VNF部署一個備份VNF，并且把構(gòu)成SFC的多個VNF放在同一個服務(wù)器上。2020年，根據(jù)服務(wù)器和VNF發(fā)生故障的概率，Li等人［60］使用就地（onsite）和異地（offsite）兩個方案來分散地部署多個冗余的VNF，提出可證明近似比的在線啟發(fā)式算法來部署VNF和備份VNF，從而實現(xiàn)在資源有限的邊緣網(wǎng)絡(luò)中最大化接收的請求數(shù)和滿足請求的可靠性要求。VNF水平擴展是指部署多個VNF來分攤處理實時到達的數(shù)據(jù)流，VNF垂直擴展是指調(diào)整單個VNF實例處理的容量。2023年，Xia等人［61］提出VNF水平和垂直擴展來消除VNF故障引發(fā)服務(wù)中斷的策略，將請求的數(shù)據(jù)流給多個VNF實例分攤處理；接著，在主VNF發(fā)生故障的時候，將其處理的數(shù)據(jù)流重定向到其他備份實例，這些備份實例通過垂直擴展容量來處理新增加的數(shù)據(jù)流；最后，通過基于舍入和動態(tài)規(guī)劃近似算法來獲得VNF部署決策，從而實現(xiàn)最小化所使用的服務(wù)器數(shù)量。

2021年，Shang等人［62］認為VNF發(fā)生故障的概率是不可預(yù)測和動態(tài)變化的，并進一步提出靜態(tài)備份和動態(tài)備份相結(jié)合的方案，從而在邊緣云網(wǎng)絡(luò)中提供最小化備份成本的可靠服務(wù)。其中，靜態(tài)備份是指僅部署一個備份，動態(tài)備份是指可以動態(tài)地增加或者減少備份。但是，像這種沒有根據(jù)可靠性要求和VNF發(fā)生故障的概率來提高網(wǎng)絡(luò)服務(wù)可靠性的做法，容易出現(xiàn)因為部署過多的備份而浪費有限的網(wǎng)絡(luò)資源，而部署過少的備份又會無法保證網(wǎng)絡(luò)服務(wù)的可靠性，并且不能針對性地加強容易故障的VNF。實際上，可以通過訪問詳細的日志來評估服務(wù)器和VNF的可靠性，這些日志記錄了服務(wù)器和VNF軟件實例生命周期內(nèi)的故障/修復(fù)事件。2022年，考慮到VNF發(fā)生故障的概率會隨著負載的變化而動態(tài)變化，Qiu等人［63］提出可證明近似比的在線啟發(fā)式算法來動態(tài)地部署VNF和備份VNF，從而最小化VNF/BVNF部署和用于狀態(tài)同步的通信成本，并且實時滿足請求的可靠性要求。

本文在表4中根據(jù)VNF發(fā)生故障的動態(tài)性、優(yōu)化目標和貢獻對以上的研究進行了總結(jié)。

2.2.3 機器學習算法

2019年，考慮到Qlearning會因為大量的狀態(tài)而使得查找和存儲Q table花費大量的時間和空間，Khezri等人［64］使用deep Q network算法在線地部署VNF，從而實現(xiàn)最小化部署成本和最大化接收的服務(wù)數(shù)量，且滿足隨機到達的服務(wù)的可靠性要求，其中每個服務(wù)對應(yīng)著一個SFC。2021年，鑒于網(wǎng)絡(luò)狀態(tài)的復(fù)雜性和不可預(yù)測性，Wang等人［65］將可靠的VNF部署問題建模成馬爾可夫決策過程，并提出了一種基于double deep Qnetwork［66］來求解，從而最大化接收的請求數(shù)量；同時，為了平衡資源浪費和確保服務(wù)可靠性，他們引入了五種備份VNF的資源預(yù)留方案，以滿足不同的客戶需求。2022年，Santos等人［67］將啟發(fā)式算法與強化學習（reinforcement learning，RL）［68］相結(jié)合來部署SFC，從而實現(xiàn)最小化運營成本和能耗，且滿足請求的可靠性要求，其中，啟發(fā)式算法是基于VNF的計算需求、網(wǎng)絡(luò)資源以及SFC的源節(jié)點和目標節(jié)點之間的最短路徑來選擇候選節(jié)點集合的啟發(fā)式算法，通過該算法可以減少來自物理基礎(chǔ)設(shè)施的信息量和減少RL代理的輸入大小。

表5根據(jù)算法、優(yōu)化目標和貢獻對上述研究進行總結(jié)。

2.3 綠色可靠的虛擬網(wǎng)絡(luò)功能

網(wǎng)絡(luò)功能虛擬化技術(shù)NFV實現(xiàn)按需放縮VNF來提供靈活的網(wǎng)絡(luò)服務(wù)，這些VNF可以被動態(tài)地部署在可收集綠色能量的邊緣服務(wù)器上以高效地利用有限的綠色能量，從而減少對電網(wǎng)的依賴和從其購買的能量。但是，綠色能量豐富的服務(wù)器其可靠性不一定是高的，所以單純考慮綠色能量的利用是不夠全面的。如果把VNF放置在能量豐富但是可靠性低的服務(wù)器上，這將導(dǎo)致網(wǎng)絡(luò)服務(wù)的質(zhì)量降低，并且將需要花費更多的成本（比如計算、通信和能量成本）來提高可靠性。因此，在綠色能量的利用和網(wǎng)絡(luò)服務(wù)的可靠性之間進行權(quán)衡是非常重要且有意義的。

2.3.1 綠色移動邊緣網(wǎng)絡(luò)中可靠的VNF部署問題

接下來，通過舉例的方式來介紹混能驅(qū)動的綠色移動邊緣網(wǎng)絡(luò)架構(gòu)中可靠的VNF部署問題，如圖4所示。僅使用綠色能量供能的綠色移動邊緣網(wǎng)絡(luò)的VNF部署問題，本文將在第3章進行討論。假設(shè)網(wǎng)絡(luò)服務(wù)供應(yīng)商使用VNF1（防火墻功能）和VNF2（入侵檢測系統(tǒng)）來處理用戶的數(shù)據(jù)，并且服務(wù)的可靠性要求是0.999。考慮到恢復(fù)網(wǎng)絡(luò)服務(wù)后的端到端時延要處于可容忍的延遲范圍內(nèi)，所以還假設(shè)BVNF實例距離主VNF不超過一跳，即k=1。假設(shè)部署VNF需要消耗1單元的能量，運行VNF1、VNF2來處理用戶的數(shù)據(jù)需要消耗的能量分別是3、4單位?，F(xiàn)在需要解決的問題是，如何根據(jù)服務(wù)器收集綠色能量的速率和發(fā)生故障的概率，作出最優(yōu)的VNF和BVNF聯(lián)合部署決策來最小化從電網(wǎng)中獲取能量，且滿足服務(wù)的時延和可靠性要求。在圖4（a）表示了每個邊緣服務(wù)器各自的可靠性數(shù)值、收集到的綠色能量和VNF運行所需要的能量。

如果僅考慮到高效地利用服務(wù)器收集的綠色能量來最小化從電網(wǎng)中獲取的能量，而不考慮請求的可靠性和時延要求，則如圖4（b）所示。將VNF1和VNF2分別部署在服務(wù)器s3和s6中，部署能耗為2單元，且進行處理數(shù)據(jù)能耗為7單元，總共需要消耗的能量是9單元。因為s3和s6收集的綠色能量分別是2和3單元，總共收集的綠色能量是5單元，所以需要從電網(wǎng)中獲取4單元的能量。根據(jù)文獻［69］，服務(wù)的可靠性計算公式為

但是，這樣違反了服務(wù)的可靠性要求。所以，在作VNF部署決策的時候，需要在服務(wù)器發(fā)生故障的概率和收集的綠色能量之間進行權(quán)衡。例如，在圖4（c）中，有的服務(wù)器雖然收集的綠色能量是一樣的，但是它們的可靠性卻有低有高，就像服務(wù)器s2、s3、s4和s9，還有s1、s5和s7。有的服務(wù)器可靠性一樣，但收集的綠色能量是不同的，就像服務(wù)器s1、s4、s5和s8。有的服務(wù)器雖然收集的綠色能量豐富，但是相比其他收集綠色能量較少的服務(wù)器而言，它們的可靠性是比較低，就像服務(wù)器s3和s8，還有s4和s6?？紤]到多個請求之間可以共享VNF來減少放置的VNF數(shù)量，從而減少消耗能量，這進一步增加確定各個BVNF的數(shù)量以及作出VNF/BVNF放置決策的難度。為了簡單起見，在該例中假設(shè)需要額外部署一個BVNF1和一個BVNF2來達到服務(wù)的可靠性要求。

此外，因為VNF和BVNF之間的距離不能超過一跳，所以還需要考慮部署VNF周圍的多個服務(wù)器收集的綠色能量數(shù)量，從而作出最小化從電網(wǎng)中獲取能量的VNF和BVNF聯(lián)合部署決策。比如，服務(wù)器s6收集的綠色能量是3單元，比s3還多1單元，但是在一跳范圍內(nèi)，s5、s6、s7總共收集的綠色能量是3單元，而s2、s3、s4、s7收集的綠色能量是6單元，所以，如果把VNF部署在s3上能更高效地利用收集的綠色能量。

因此，在圖4（c）中將VNF1、BVNF1、VNF2和BVNF2分別部署在服務(wù)器s3、s2、s4和s9上。根據(jù)上述可靠性的計算公式，VNF1的可靠性達到0.999 994，VNF2的可靠性達到0.999 996，所以該服務(wù)的實際可靠性是0.999 994×0.999 996=0.999 990 000 024>0.999，滿足服務(wù)的可靠性要求。因為部署VNF和處理請求所消耗的能量是4+14=18，服務(wù)器s2、s3、s4、s9總共獲取的綠色能量是2+2+2+2=8，所以需要從電網(wǎng)中獲取的能量是18-8=10單元。

2.3.2 已有研究

目前，關(guān)于這方面的研究工作還比較少。Kulkarni等人［9］基于地理分散的服務(wù)器收集的可再生能源，提出可靠的虛擬網(wǎng)絡(luò)功能VNF部署框架，該框架是通過備份VNF實例和服務(wù)器能量不足預(yù)警技術(shù)實現(xiàn)的。具體來說，他們把VNF部署在只使用綠色能源供能的服務(wù)器上，并將該VNF備份到由電網(wǎng)供電的服務(wù)器上來提供穩(wěn)定的網(wǎng)絡(luò)服務(wù)。當預(yù)測到服務(wù)器收集的綠色能量不足以運行VNF時，使用備份VNF代替VNF繼續(xù)提供服務(wù)。但是，他們只考慮VNF和備份VNF（BVNF）是一對一的部署。而且，實際上BVNF是會消耗能量的，比如，它同時與VNF處理相同的數(shù)據(jù)流或者實現(xiàn)與VNF的狀態(tài)同步［70］。Shang等人［20］將收集的綠色能量和VNF可靠性結(jié)合并開展相關(guān)研究工作。他們使用收集的可再生綠色能量和有限的預(yù)算來為備份VNF供能，并且認為VNF發(fā)生故障的概率是不可預(yù)測的以及收集的可再生綠色能量是不穩(wěn)定的。所以，根據(jù)收集的所有可再生能量，設(shè)計了一個在線啟發(fā)式算法來求解各個VNF的備份數(shù)量，從而最大化通過VNF備份獲得的可靠性。但是，該研究仍存在一些不足：a）文獻[20]研究的是集中式的綠色能量管理，并沒有研究分布式綠色能量收集對VNF可靠性增強問題的影響；b）沒有考慮到在收集可再生能量的網(wǎng)絡(luò)中，VNF和備份VNF的聯(lián)合部署問題。

3 存在的問題與未來的研究方向

3.1 存在的問題

可靠VNF部署問題的難點在于備份數(shù)量的分配以及VNF和BVNF部署決策的制定，綠色移動邊緣網(wǎng)絡(luò)的特點進一步增加了問題的求解難度。雖然，針對該問題的研究已經(jīng)取得一些進展，但仍然存在著一些問題，主要表現(xiàn)在以下幾個方面：

a）VNF實例間相互影響的故障。目前，大多數(shù)關(guān)于VNF可靠性的研究工作是基于VNF單獨發(fā)生故障展開的，對于依賴性故障和共因故障的研究仍然不足。而且，現(xiàn)在也沒有關(guān)于VNF實例間相互影響而引發(fā)故障的研究工作。比如，不同服務(wù)供應(yīng)商開發(fā)的VNF的具體實現(xiàn)、標準是不同的，把他們開發(fā)的VNF運行在同一個服務(wù)器上可能會發(fā)生軟件沖突等問題。

b）多個服務(wù)器間的綠色能量調(diào)度問題。目前，關(guān)于綠色移動邊緣網(wǎng)絡(luò)中可靠的VNF部署仍沒有考慮到多個服務(wù)器間的綠色能量調(diào)度問題。與考慮單個服務(wù)器上的能量管理相比，多個服務(wù)器間能量調(diào)度還需要考慮不同服務(wù)器間的綠色能量調(diào)度決策，即傳輸?shù)哪繕朔?wù)器、傳輸?shù)木G色能量數(shù)量和傳輸能量的時間。

c）綠色無人機網(wǎng)絡(luò)中的網(wǎng)絡(luò)服務(wù)供應(yīng)問題。綠色無人機網(wǎng)絡(luò)是分布式的新型網(wǎng)絡(luò)，它把無人機作為可移動的邊緣節(jié)點來為用戶提供虛擬網(wǎng)絡(luò)功能服務(wù)，并為它安裝能量收集裝置在自然環(huán)境中收集可再生綠色能量（如太陽能）來延長續(xù)航時間。與傳統(tǒng)的邊緣服務(wù)器相比，搭載基站、服務(wù)器和能量收集裝置的無人機可以根據(jù)網(wǎng)絡(luò)需求和綠色能量的分布情況動態(tài)地進行三維移動。但是，它具有電池容量、計算能力和通信覆蓋范圍有限等特點，這需要額外考慮無人機的軌跡規(guī)劃、電池能量管理等問題，并且保證無人機網(wǎng)絡(luò)的健壯性［71，72］。

d）車輛邊緣網(wǎng)絡(luò)中的網(wǎng)絡(luò)服務(wù)供應(yīng)問題。車輛邊緣網(wǎng)絡(luò)是新興的分布式網(wǎng)絡(luò)，它把計算和存儲能力有限的自動駕駛車輛（如公交汽車、港口自動貨運車輛）當作移動的邊緣服務(wù)器來處理實時到達的網(wǎng)絡(luò)任務(wù)。相比可自由規(guī)劃路徑的無人機來說，自動駕駛車輛具有明確的起始點和目的地。在不同的應(yīng)用場景之中，它們還有各自的特點。例如，自動駕駛的公交汽車有著固定的移動軌跡。但是，由于車輛的通信范圍是有限的，所以在車輛移動的過程中會經(jīng)常出現(xiàn)節(jié)點之間通信中斷問題。此外，在港口自動貨運的場景中，港口的自動貨運車輛的移動軌跡是可以規(guī)劃的。而且，根據(jù)文獻［73］的研究工作，在自動貨運汽車上部署虛擬網(wǎng)絡(luò)功能需要遵守特定的VNF部署策略，即一些VNF只能部署在具體指定的邊緣服務(wù)器上。

3.2 未來的研究方向

未來可針對上述的問題進一步深入研究，具體方向如下：

a）相互影響故障感知的虛擬網(wǎng)絡(luò)功能VNF部署。將VNF分散放置在不同的服務(wù)器上可以避免實例間相互影響，但是這需要開啟多個服務(wù)器來運行VNF實例。由于服務(wù)器的基本運行也是需要花費能量，所以從整體上看，這會降低服務(wù)器的資源和能量利用率。因此，如何在可靠性與能量利用率之間進行權(quán)衡來部署VNF是未來需要繼續(xù)研究的課題。

b）多個服務(wù)器間的綠色能量調(diào)度和可靠VNF部署的聯(lián)合優(yōu)化。由于地理分散的邊緣服務(wù)器收集的綠色能量是不均勻的，并且它們發(fā)生故障的概率是不同的。所以，可以將VNF放置在可靠性高的服務(wù)器上，再通過能量網(wǎng)絡(luò)把綠色能量多但可靠性低的服務(wù)器收集的綠色能量調(diào)度到該服務(wù)器上，以減少它從電網(wǎng)中使用的能量。但是，在服務(wù)器之間進行能量傳輸是有能量損耗的，這會導(dǎo)致源服務(wù)器沒有存儲更多的綠色能量來服務(wù)到達的請求。因此，如何在多個服務(wù)器間協(xié)作地調(diào)度綠色能量和部署VNF，來最大化長期接收的請求數(shù)和最小化從電網(wǎng)中購買的能量，且滿足請求的可靠性要求，是值得研究和解決的問題。

c）綠色無人機網(wǎng)絡(luò)中虛擬網(wǎng)絡(luò)功能部署和無人機軌跡的聯(lián)合優(yōu)化。由于無人機的能量是有限的，它只能提供一段時間的網(wǎng)絡(luò)服務(wù)。如果無人機的能量不足，則需要飛行到綠色能量豐富的地區(qū)補充能量。但是，這會導(dǎo)致無人機間通信時延增加，以至于已部署的SFC的端到端時延超出服務(wù)的時延約束。所以，為了滿足服務(wù)的時延要求，需要將VNF重部署到其他無人機上，但是這會消耗新的UAV的能量。如果多個無人機沒有相互協(xié)作，則會出現(xiàn)多個無人機聚集在綠色能量豐富的地區(qū)充電，這會導(dǎo)致無人機無法接收其他區(qū)域的請求數(shù)。所以，該如何根據(jù)無人機收集和消耗能量的速率，作出最優(yōu)的VNF部署決策和多個無人機飛行軌跡來最大化長期接收的請求數(shù)且滿足請求的時延要求，是需要解決的難點問題。此外，由于無人機之間一般是采用無線鏈路通信，但是無線通信容易受到惡劣天氣的影響而發(fā)生通信質(zhì)量下降和通信中斷，比如沙塵、高溫天氣等［74］。因此，在一些溫度和太陽輻射呈正相關(guān)的地區(qū)當中［75］，雖然無人機在太陽輻射強的位置能收集更多的太陽能，但這會導(dǎo)致無人機間網(wǎng)絡(luò)通信的可靠性降低。所以，在綠色能量收集和可靠性之間進行權(quán)衡來部署VNF和規(guī)劃無人機軌跡也是未來需要進一步研究的課題。

d）車輛邊緣網(wǎng)絡(luò)中特定策略的VNF部署和車輛軌跡的聯(lián)合優(yōu)化。由于存在著特定的VNF部署策略，一些VNF必須被部署在一些具體特定的邊緣服務(wù)器上。所以，如果請求這些VNF的自動駕駛車輛的移動位置與特定服務(wù)器之間的物理距離增加，則它們之間的通信跳數(shù)將會增加，這會導(dǎo)致請求的端到端時延要求被違反。因此，如何聯(lián)合在線規(guī)劃車輛的移動軌跡和VNF部署來最小化車輛的旅程時間，并且滿足請求的端到端時延要求，是難點問題。其中，車輛的移動軌跡指的是從指定的源點移動到目的地經(jīng)過的位置序列。此外，近來在車輛上裝載車頂太陽能板已經(jīng)逐步應(yīng)用于現(xiàn)實生活當中［35］。因此，結(jié)合綠色能源的收集來進一步研究該問題是需要繼續(xù)思考和討論的。

e）綠色的智能網(wǎng)絡(luò)服務(wù)。隨著邊緣智能的廣泛應(yīng)用，將會有更多基于人工智能模型的智能網(wǎng)絡(luò)功能被部署在邊緣服務(wù)器上，比如目標檢測功能、人臉識別功能等［76］ 。與傳統(tǒng)的服務(wù)功能鏈類似，這些智能網(wǎng)絡(luò)功能會按照特定的順序構(gòu)成智能網(wǎng)絡(luò)服務(wù)來處理實時到達的用戶請求。但是，它們與傳統(tǒng)的網(wǎng)絡(luò)功能相比，需要消耗大量的能量進行大規(guī)模的訓練和推理計算。而且，還引入新的性能指標——模型的準確度，它是指人工智能服務(wù)得出的推理結(jié)果與實際值之間的差異。文獻［41］指出，目標檢測應(yīng)用中的人工智能模型的推理準確度會受到輸入的圖像的編碼比特率的影響，即模型的準確度會隨著輸入的數(shù)據(jù)量的減少而降低。但由于數(shù)據(jù)鏈路的通信資源和邊緣服務(wù)器的計算資源是有限的。如果用戶輸入的數(shù)據(jù)量越大，則數(shù)據(jù)的傳輸時間和處理時間也更長，這會增加服務(wù)的端到端時延和網(wǎng)絡(luò)的能耗。因此，如何在多個性能指標（如時延、能耗和準確度）之間進行權(quán)衡來作出部署決策是需要解決的問題。

4 結(jié)束語

隨著物聯(lián)網(wǎng)應(yīng)用、數(shù)據(jù)處理需求和網(wǎng)絡(luò)基礎(chǔ)設(shè)施的數(shù)量不斷增加，網(wǎng)絡(luò)的能耗問題愈發(fā)嚴重。這不僅造成網(wǎng)絡(luò)服務(wù)成本的增加，而且還產(chǎn)生了大量的碳足跡。綠色移動邊緣網(wǎng)絡(luò)和網(wǎng)絡(luò)功能虛擬化技術(shù)的結(jié)合緩解了上述問題，它們高效地利用大自然中的可再生能源（如太陽能、風能、潮汐能等）來為基礎(chǔ)網(wǎng)絡(luò)設(shè)施供能，從而給用戶提供綠色的網(wǎng)絡(luò)服務(wù)。但是，兩者結(jié)合也帶來了新的問題，如網(wǎng)絡(luò)服務(wù)的可靠性問題。所以，本文首先分析了綠色移動邊緣網(wǎng)絡(luò)中可靠虛擬網(wǎng)絡(luò)功能放置的難點問題；然后介紹了以往關(guān)于綠色移動邊緣網(wǎng)絡(luò)、可靠虛擬網(wǎng)絡(luò)功能放置和綠色可靠的虛擬網(wǎng)絡(luò)功能研究工作，并進行分析和分類整理。

在對文獻的調(diào)研中發(fā)現(xiàn)，目前關(guān)于綠色移動邊緣網(wǎng)絡(luò)和可靠虛擬網(wǎng)絡(luò)功能的工作主要是在地理位置固定的邊緣服務(wù)器上開展研究。但是，像無人機、智能汽車等可移動的和可收集綠色能量的邊緣節(jié)點將是未來網(wǎng)絡(luò)的重要組成部分。由于載重能力的限制，它們除了具有能量、通信范圍和計算資源有限的特點，而且還容易因為外部干擾（比如溫度、太陽輻射、綠色能量的間斷性）出現(xiàn)老化、宕機、故障、通信和服務(wù)中斷的情況，這將無法滿足新興物聯(lián)網(wǎng)應(yīng)用的網(wǎng)絡(luò)性能要求（如高可靠性、低時延）。因此，在可移動的邊緣節(jié)點上提供綠色可靠的網(wǎng)絡(luò)服務(wù)是接下來需要繼續(xù)研究和討論的課題。為了進一步推進該領(lǐng)域的發(fā)展，本文最后提出了幾個待解決的問題，并探討了未來的發(fā)展方向，為之后的研究工作提供參考。

參考文獻：

［1］Chen He，Abbas R，Cheng Peng，et al.Ultrareliable low latency cellular networks：use cases，challenges and approaches［J］.IEEE Communications Magazine，2018，56（12）：119125.

［2］Feng Daquan，Lai Lifeng，Luo Jingjing，et al.Ultrareliable and lowlatency communications：applications，opportunities and challenges［J］.Science China Information Sciences，2021，64（2）：120301.

［3］Patil A，K Sawant H.Technical specification group services and system aspects，IP multimedia subsystem（IMS）［J］.International Journal of Electronics Communication and Computer Engineering，2012，3（2）：234238.

［4］Elbamby M S，Perfecto C，Bennis M，et al.Toward lowlatency and ultrareliable virtual reality［J］.IEEE Network，2018，32（2）：78-84.

［5］Rico D，Merino P.A survey of endtoend solutions for reliable lowlatency communications in 5G networks［J］.IEEE Access，2020，8：192808192834.

［6］張依琳，梁玉珠，尹沐君，等.移動邊緣計算中計算卸載方案研究綜述［J］.計算機學報，2021，44（12）：24062430.（Zhang Yilin，Liang Yuzhu，Yi Mujun，et al.Survey on the methods of computation offloading in mobile edge computing［J］.Chinese Journal of Computers，2021，44（12）：24062430.）

［7］Mach P，Becvar Z.Mobile edge computing：a survey on architecture and computation offloading［J］.IEEE Communications Surveys & Tutorials，2017，19（3）：16281656.

［8］Mao Yuyi，You Changsheng，Zhang Jun，et al.A survey on mobile edge computing：the communication perspective［J］.IEEE Communications Surveys & Tutorials，2017，19（4）：23222358.

［9］Kulkarni S G，Arumaithurai M，Ramakrishnan K，et al.REARM：renewable energy based resilient deployment of virtual network functions［C］//Proc of European Conference on Networks and Communications.2017：16.

［10］Li Wei，Yang Ting，Delicato F C，et al.On enabling sustainable edge computing with renewable energy resources［J］.IEEE Communications Magazine，2018，56（5）：94101.

［11］Wu Qingqing，Ye Li，Chen Wen，et al.An overview of sustainable green 5G networks［J］.IEEE Wireless Communications，2017，24（4）：7280.

［12］Wang Junhua，Zhu Kun，Hossain E.Green Internet of Vehicles （IoV） in the 6G era：toward sustainable vehicular communications and networking［J］.IEEE Trans on Green Communications and Networking，2022，6（1）：391423.

［13］Zhang Liang，Celik A，Dang Shuping，et al.Energyefficient trajectory optimization for UAVassisted IoT networks［J］.IEEE Trans on Mobile Computing，2022，21（12）：43234337.

［14］Sudevalayam S，Kulkarni P.Energy harvesting sensor nodes：survey and implications［J］.IEEE Communications Surveys & Tutorials，2011，13（3）：443461.

［15］Ulukus S，Yener A，Erkip E，et al.Energy harvesting wireless communications：a review of recent advances［J］.IEEE Journal on Selected Areas in Communications，2015，33（3）：360-381.

［16］Mao Bomin，Tang Fengxiao，Kawamoto Y，et al.AI models for green communications towards 6G［J］.IEEE Communications Surveys & Tutorials，2022，24（1）：210-247.

［17］邢煥來，王心漢，宋富洪，等.面向組播的動態(tài)虛擬網(wǎng)絡(luò)功能放置算法［J/OL］.計算機學報.（20230407）［20230508］.http：//kns.cnki.net/kcms/detail/11.1826.TP.20230406.1747.005.html.（Xing Huanlai，Wang Xinhan，Song Fuhong，et al.Multicastoriented dynamic virtual network function placement algorithm［J/OL］.Chinese Journal of Computers.（20230407）［20230508］.http：//kns.cnki.net/kcms/detail/11.1826.TP.20230406.1747.005.html.）

［18］陳嘉亮，王豐，張瀟.移動邊緣計算網(wǎng)絡(luò)下的服務(wù)功能鏈部署優(yōu)化設(shè)計［J］.計算機應(yīng)用研究，2022，39（10）：31083113.（Chen Jialiang，Wang Feng，Zhang Xiao.Optimization design of service function chain deployment under mobile edge computing network［J］.Application Research of Computers，2022，39（10）：31083113.）

［19］王琛，湯紅波，游偉，等.一種基于備份代價重要度的虛擬網(wǎng)絡(luò)功能備份方法［J］.計算機應(yīng)用研究，2019，36（12）：38303832.（Wang Chen，Tang Hongbo，You Wei，et al.Method for virtual network function backup based on backupcost importance［J］.Application Research of Computers，2019，36（12）：38303832.）

［20］Shang Xiaojun，Liu Yu，Mao Yingling，et al.Greening reliability of virtual network functions via online optimization［C］//Proc of the 28th IEEE/ACM International Symposium on Quality of Service.2020：110.

［21］Bai Jing，Chang Xiaolin，Machida F，et al.Impact of service function aging on the dependability for MEC service function chain［J］.IEEE Trans on Dependable and Secure Computing，2022，20（4）：2811-2824.

［22］Yu Xiaofan，Ergun K，Song Xueyang，et al.Automating and optimizing reliabilitydriven deployment in energyharvesting IoT networks［J］.IEEE Trans on Network and Service Management，2022，20（1）：787799.

［23］Lin Che，Yu Suan，Lin Chingju.Toward optimal partial parallelization for service function chaining［J］.IEEE/ACM Trans on Networking，2021，29（5）：20332044.

［24］Harutyunyan D，Shahriar N，Boutaba R，et al.Latency and mobilityaware service function chain placement in 5G networks［J］.IEEE Trans on Mobile Computing，2022，21（5）：16971709.

［25］Cziva R，Anagnostopoulos C，P Pezaros D.Dynamic，latencyoptimal VNF placement at the network edge［C］//Proc of IEEE INFOCOM Conference on Computer Communications.2018：693701.

［26］Liang Junbin，Tian Fengsen.An online algorithm for virtualized network function placement in mobile edge industrial InternetofThings［J］.IEEE Trans on Industrial Informatics，2022，19（3）：24962507.

［27］Zhang Qixia，Liu Fangming，Zeng Chaobing.Online adaptive interferenceaware VNF deployment and migration for 5G network slice［J］.IEEE/ACM Trans on Networking，2021，29（5）：21152128.

［28］Xu Zichuan，Zhang Zhiheng，Lui J C S，et al.Affinityaware VNF placement in mobile edge clouds via leveraging GPUs［J］.IEEE Trans on Computers，2021，70（12）：2234-2248.

［29］Sallam G，Zheng Zizhan，Ji Bo.Placement and allocation of virtual network functions：multidimensional case［J］.IEEE Trans on Mobile Computing，2023：22（7）：41954211.

［30］Fan Xingpeng，Xu Hongli，Huang He，et al.Realtime update of joint SFC and routing in software defined networks［J］.IEEE/ACM Trans on Networking，2021，29（6）：26642677.

［31］Qu Kaige，Zhuang Weihua，Ye Qiang，et al.Dynamic flow migration for embedded services in SDN/NFVenabled 5G core networks［J］.IEEE Trans on Communications，2020，68（4）：23942408.

［32］Liang Weifa，Ma Yu，Xu Wenzheng，et al.Request reliability augmentation with service function chain requirements in mobile edge computing［J］.IEEE Trans on Mobile Computing，2021，21（12）：45414554.

［33］Chen Yang，Wu Jie.Latencyefficient VNF deployment and path routing for reliable service chain［J］.IEEE Trans on Network Science and Engineering，2021，8（1）：651-661.

［34］Wang Guosai，Zhang Lifei，Xu Wei.What can we learn from four years of data center hardware failures？［C］//Proc of the 47th Annual IEEE/IFIP International Conference on Dependable Systems and Networks.2017：25-36.

［35］Zhou Pengzhan，Wang Cong，Yang Yuanyuan.Design and optimization of solarpowered shared electric autonomous vehicle system for smart cities［J］.IEEE Trans on Mobile Computing，2023，22（4）：20532068.

［36］Wang Xiaojie，Ning Zhaolong，Hu Xiping，et al.Future communications and energy management in the Internet of Vehicles：toward intelligent energyharvesting［J］.IEEE Wireless Communications，2019，26（6）：8793.

［37］Mao Yuyi，Zhang Jun，Letaief K B.Dynamic computation offloading for mobileedge computing with energy harvesting devices［J］.IEEE Journal on Selected Areas in Communications，2016，34（12）：35903605.

［38］Chen Weiwei，Wang Dong，Li Keqin.Multiuser multitask computation offloading in green mobile edge cloud computing［J］.IEEE Trans on Services Computing，2019，12（5）：726738.

［39］Xu Jie，Chen Lixing，Ren Shaolei.Online learning for offloading and autoscaling in energy harvesting mobile edge computing［J］.IEEE Trans on Cognitive Communications and Networking，2017，3（3）：361373.

［40］Ku Y J，Chiang P H，Dey S.Realtime QoS optimization for vehicular edge computing with offgrid roadside units［J］.IEEE Trans on Vehicular Technology，2020，69（10）：1197511991.

［41］Ku Y J，Baidya S，Dey S.Adaptive computation partitioning and offloading in realtime sustainable vehicular edge computing［J］.IEEE Trans on Vehicular Technology，2021，70（12）：1322113237.

［42］Sun Yan，Xu Dongfang，Ng D W K，et al.Optimal 3Dtrajectory design and resource allocation for solarpowered UAV communication systems［J］.IEEE Trans on Communications，2019，67（6）：42814298.

［43］Seng Shuming，Yang Guang，Luo Changqing，et al.Stochastic optimization for green unmanned aerial communication systems with solar energy［C］//Proc of IEEE International Conference on Communications.2022.

［44］Shumeye L D，Na W，Dao N N，et al.Aerial energy orchestration for heterogeneous UAVassisted wireless communications［J］.IEEE Systems Journal，2022，16（2）：24832494.

［45］Sekander S，Tabassum H，Hossain E.Statistical performance modeling of solar and windpowered UAV communications［J］.IEEE Trans on Mobile Computing，2021，20（8）：26862700.

［46］Xie Lifeng，Cao Xiaowen，Xu Jie，et al.UAVenabled wireless power transfer：a tutorial overview［J］.IEEE Trans on Green Communications and Networking，2021，5（4）：20422064.

［47］Xu Xinya，Zhao Yisheng，Tao Lijia，et al.Resource allocation strategy for dual UAVsassisted MEC system with hybrid solar and RF energy harvesting［C］//Proc of the 3rd International Conference on Computer Communication and the Internet.2021：5257.

［48］Sun Xiang，Ansari N.Green cloudlet network：a sustainable platform for mobile cloud computing［J］.IEEE Trans on Cloud Computing，2020，8（1）：180192.

［49］Gu Lin，Cai Jingjing，Zeng Deze，et al.Energy efficient task allocation and energy scheduling in green energy powered edge computing［J］.Future Generation Computer Systems，2019，95：8999.

［50］Zhao Fengjun，Chen Ying，Zhang Yongchao，et al.Dynamic offloading and resource scheduling for mobileedge computing with energy harvesting devices［J］.IEEE Trans on Network and Service Management，2021，18（2）：21542165.

［51］Cecchinato D，Berno M，Esposito F，et al.Allocation of computing tasks in distributed MEC servers copowered by renewable sources and the power grid［C］//Proc of ICASSP IEEE International Conference on Acoustics，Speech and Signal Processing.2020：89718975.

［52］Perin G，Berno M，Erseghe T，et al.Towards sustainable edge computing through renewable energy resources and online，distributed and predictive scheduling［J］.IEEE Trans on Network and Service Management，2022，19（1）：306321.

［53］Kanizo Y，Rottenstreich O，Segall I，et al.Optimizing virtual backup allocation for middleboxes［J］.IEEE/ACM Trans on Networking，2017，25（5）：27592772.

［54］Mai Liuyang，Ding Yi，Zhang Xiaoning，et al.Energy efficiency with service availability guarantee for network function virtualization［J］.Future Generation Computer Systems，2021，119：140153.

［55］Yang Lei，Jia Junzhong，Lin Hongcai，et al.Reliable dynamic service chain scheduling in 5G networks［J］.IEEE Trans on Mobile Computing，2022，22（8）：48984911.

［56］Hmaity A，Savi M，Musumeci F，et al.Virtual network function placement for resilient service chain provisioning［C］//Proc of the 8th International Workshop on Resilient Networks Design and Modeling.2016：245252.

［57］Cai Sixu，Zhou Fen，Zhang Zonghua，et al.Disasterresilient service function chain embedding based on multipath routing［C］//Proc of IEEE Conference on Computer Communications Workshops.2021.

［58］Qu Long，Assi C，Shaban K，et al.A reliabilityaware network service chain provisioning with delay guarantees in NFVenabled enterprise datacenter networks［J］.IEEE Trans on Network and Service Management，2017，14（3）：554568.

［59］Yang Binxu，Xu Zichuan，Chai WeiKong，et al.Algorithms for faulttolerant placement of stateful virtualized network functions［C］//Proc of the IEEE International Conference on Communications.2018：17.

［60］Li Jing，Liang Weifa，Huang Meitian，et al.Reliabilityaware network service provisioning in mobile edgecloud networks［J］.IEEE Trans on Parallel and Distributed Systems，2020，31（7）：15451558.

［61］Xia Rui，Dai Haipeng，Zheng Jiaqi，et al.SAFE：service availability via failure elimination through VNF scaling［J］.IEEE/ACM Trans on Networking，2023，31（5）：20422057.

［62］Shang Xiaojun，Huang Yaodong，Liu Zhenhua，et al.Reducing the service function chain backup cost over the edge and cloud by a selfadapting scheme［J］.IEEE Trans on Mobile Computing，2022，21（8）：2994-3008.

［63］Qiu Yu，Liang Junbin，Leung V C M，et al.Online reliabilityenhanced virtual network services provisioning in faultprone mobile edge cloud［J］.IEEE Trans on Wireless Communications，2022，21（9）：72997313.

［64］Khezri H R，Moghadam P A，F(xiàn)arshbafan M K，et al.Deep reinforcement learning for dynamic reliability aware NFVbased service provisioning［C］//Proc of IEEE Global Communications Conference.2019：16.

［65］Wang Lei，Mao Weixi，Zhao Jin，et al.DDQP：a double deep Qlearning approach to online faulttolerant SFC placement［J］.IEEE Trans on Network and Service Management，2021，18（1）：118132.

［66］Van Hasselt H，Guez A，Silver D.Deep reinforcement learning with double Qlearning［C］//Proc of AAAI Conference on Artificial Intelligence.2016.

［67］Santos G L，Endo P T，Lynn T，et al.A reinforcement learningbased approach for availabilityaware service function chain placement in largescale networks［J］.Future Generation Computer Systems，2022，136：93109.

［68］Sutton R S，Barto A G.Reinforcement learning：an introduction［M］.Cambridge，MA：MIT Press，1998：1054.

［69］Qu L，Khabbaz M，Assi C.Reliabilityaware service chaining in carriergrade softwarized networks［J］.IEEE Journal on Selected Areas in Communications，2018，36（3）：558573.

［70］KarimzadehFarshbafan M，ShahMansouri V，Niyato D.A dynamic reliabilityaware service placement for network function virtualization （NFV）［J］.IEEE Journal on Selected Areas in Communications，2020，38（2）：318333.

［71］Xu Wenzheng，Sun Yueying，Zou Rui，et al.Throughput maximization of UAV networks［J］.IEEE/ACM Trans on Networking，2022，30（2）：881895.

［72］Zhao Haitao，Wang Haijun，Wu Weiyu，et al.Deployment algorithms for UAV airborne networks toward ondemand coverage［J］.IEEE Journal on Selected Areas in Communications，2018，36（9）：20152031.

［73］Nemeth B，Molner N，MartinPerez J，et al.Delay and reliabilityconstrained VNF placement on mobile and volatile 5G infrastructure［J］.IEEE Trans on Mobile Computing，2022，21（9）：31503162.

［74］Bachir A，Bechkit W，Challal Y，et al.Joint connectivitycoverage temperatureaware algorithms for wireless sensor networks［J］.IEEE Trans on Parallel and Distributed Systems，2015，26（7）：19231936.

［75］Daut I，Yusoff M I，Ibrahim S，et al.Relationship between the solar radiation and surface temperature in perlis［J］.Advanced Materials Research，2012，512515：143147.

［76］Li Mushu，Gao Jie，Zhou Conghao，et al.Slicingbased artificial intelligence service provisioning on the network edge：balancing AI service performance and resource consumption of data management［J］.IEEE Vehicular Technology Magazine，2021，16（4）：16-26.