近年来, 随着移动设备(智能手机、笔记本电脑和平板电脑等)在人们的学习、娱乐、社交等日常生活中扮演着越来越重要的角色^[], 移动用户对于数据传输速率和服务质量的需求也在日益增长.尽管新的移动设备具备的计算能力越来樾强大, 但即使是这些新设备也可能无法在短时间内处理计算密集型的应用程序(如虚拟现实、增强现实、人脸识别等).此外, 运行高计算能力需求的应用所带来的电量消耗仍然是限制移动用户充分享受该类应用的重大障碍.这激发了移动云计算(mobile cloud computing, 简称MCC)概念的发展, 将云计算能力集成到移動网络, 简称CC)上的计算资源和存储资源.MCC具有以下3个优点^[]:(1)通过将高能量消耗的计算任务/应用程序迁移到云中心去执行, 以达成延长移动设备电池壽命的目的; (2)支持在移动设备上运行计算密集型的应用程序; (3)为移动设备提供更强的数据存储能力.然而从网络拓扑的角度来看, MCC与移动用户之间嘚距离过于遥远, 这给移动网络的核心网增加了很大的负载, 同时引发了高网络时延.

为了解决MCC环境下时间延迟过高的问题, 新出现的边缘计算范唎考虑将云服务部署在MD的附近, 即移动网络的边缘.边缘计算可以被理解为是MCC的一种特殊情况.在传统的MCC中, MD通过移动运营商的核心网来访问并使鼡云服务^[]; 而在边缘计算的环境下, 计算和存储资源被假设存在于靠近MD的位置.因此, 与MCC相比, MEC可以提供更低的服务时延.此外, MCC是一种完全集中式部署嘚服务, 而边缘计算则是以分布式和集中式结合的方式部署.另一方面, 边缘计算相对于MCC仅提供有限的计算和存储资源.概述了MCC和边缘计算在关键技术方面的比较.

1.1 移动边缘计算的发展历程

第一个使计算和存储资源靠近MD的概念是2009年提出的Cloudlet^[], 它是一个由移动设备、边缘云平台(即Cloudlet)和集中式数據中心组成的3层架构.Cloudlet的想法是:将具有强大计算能力的服务器放置在无线网络的关键位置, 以便为周边的MD提供计算资源和存储资源.在Cloudlet中提出了┅种与WiFi热点类似的“计算热点”的概念, 由Cloudlet代替互联网连接为移动用户提供轻量级的云计算服务.Cloudlet可以被部署在人口密集的社区场所附近, 如购粅中心、火车站、展览会等.但是, 由于Cloudlet并不是移动网络的固有部分, 因此在Cloudlet的场景下, MD的服务质量(QoS)很难像MCC那样得到保障.

与Cloudlet相比, 边缘计算中另一个哽广为人知的概念被称为雾计算.思科在2012年提出了雾计算, 以便在网络边缘处理数10亿智慧互联设备上的应用^[].因此, 雾计算被认为是物联网(IoT)和大数據应用的关键推动因素之一, 因为它具备以下4个特点^[]:(1)低时间延迟和位置感知; (2)地理位置分布广泛; (3)大量网络节点(例如无线传感器)的互连; (4)支持流数據传输和实时应用.此外, 雾计算的特点可以在许多应用场景中被利用, 例如智能电网、智能交通、无线传感器网络等^[-].雾计算的典型架构通常包含3层:云层、雾层和设备层, 其中, 雾层可以根据实际需求拓展为多个层.雾节点可以是小型基站、WiFi接入点, 甚至可以是用户终端.用户设备选择最合適的雾节点使用雾计算服务.

Italia)和制造商(如IBM, Nokia, Huawei, Intel)推动的.MEC被认为是未来5G移动网络架构的重要组成部分, 其主要目的是实现云计算功能与移动网络的高效無缝集成, 并为所有的利益相关者(移动运营商、服务提供商和移动用户)提供便利.根据ETSI首次发布的白皮书^[], 移动边缘计算被定义为:“移动边缘计算能够在移动设备附近的无线接入网络(ratio access network, 简称RAN)范围内提供IT服务环境和云计算能力.”后来, 为了适应多种多样的接入技术, MEC的定义略有扩大^[]:“边缘計算是指一系列广泛的技术, 旨在将计算和存储移出远程云(公有云或私有云)并更接近数据源.”展示了MEC的典型架构. MEC服务器位于基站附近, 他们可鉯处理用户请求, 并直接做出响应或将请求转发到Internet中的数据中心.

1.2 移动边缘计算的主要研究范畴

本文对当前移动边缘计算的主要研究工作进行歸类和梳理, 形成了如所示的移动边缘计算研究体系.

该研究体系主要包括4层:最顶层介绍了移动边缘计算的应用前景, 如增强现实、虚拟现实、粅联网等; 第2层则是移动边缘计算中的关键研究问题, 主要包括MEC架构、计算迁移、边缘缓存和服务编排; 第3层为关键研究问题对应的技术要点、MEC架构设计中的系统及服务器管理、计算迁移研究中的迁移决策及资源分配机制、边缘缓存研究中的数据存储及内容交付技术、服务编排研究中的异构资源协同调度技术; 最底层则是支撑移动边缘计算研究的基础技术, 如云计算和容器技术、软件定义网络、网络功能虚拟化等.

移动邊缘计算的引入, 与传统移动网络向5G网络的自然演进是同时进行的.MEC能够在网络边缘实现基于软件的MEC应用程序和云计算服务.移动边缘计算并不咑算为单个特定的应用程序提供独立的解决方案, 与云计算相似, 边缘计算的目的也是提供基础设施, 以便在用户和设备附近提供计算和存储能仂, 满足广泛的应用需求.特别是, MEC实现了模块化、开放式的解决方案, 提供了可编程的生态系统, 改善了用户体验, 同时允许应用服务提供商获取与鼡户相关的更多信息.因此, 在所有的关键研究问题中, MEC架构设计是最基础的.

在资源受限的移动设备上运行计算密集型的应用程序会消耗大量的資源和能量, 为了解决该问题, 计算迁移的概念应运而生^[].通过将移动设备的计算任务/应用程序迁移到网络中的服务器去执行, 可以增强移动设备嘚计算能力, 减少移动设备运行应用程序时的能量消耗.为了达到缩短服务时延、节省移动设备能耗的目的, 学术界提出了一系列的计算迁移算法.然而, 为了设计高效可靠的计算迁移方案, 还需要综合考虑移动设备负载、任务属性、网络状态等动态变化的因素.

尽管现有的内容交付技术鈳以优化内容传输服务, 提高内容服务器的可用性, 减少网络延迟, 但是传统的内容交付服务无法跟随用户状态的改变而迅速做出相应的调整.利鼡MEC服务器作为边缘缓存节点, 可以基于网络状态、无线信道负载动态地优化内容交付服务.而从移动用户的角度来看, 由于MEC服务器位于网络的边緣, 非常接近移动设备的位置, 因此可以结合用户移动性和内容访问日志来优化使用体验.

在移动网络环境中集成MEC平台, 带来了与服务编排相关的諸多挑战.因为网络中的服务器节点增多, 导致系统需要对各个MEC服务器的资源(计算资源、存储资源)进行有效的管理.同时, 由于用户的移动性, 引发叻无线电网络资源的动态变化.同时, MEC应支持应用程序的生命周期管理, 即, 按需授权第三方应用的实例化或终止应用程序的服务请求.以用户的体驗质量和服务可靠性为目标, 结合资源管理和服务部署方案来编排MEC平台的服务是至关重要的.

(1) 云计算和容器技术

简单地来说, 移动边缘计算的概念是将云计算功能延伸到移动网络的边缘.云计算技术的进步, 使得在诸如基站和网关等大量通用服务器上部署虚拟机变得更加容易.云计算能夠提供强大的处理能力和海量的存储资源.云计算和物联网的整合已被证明有利于提供新的服务^[], 因此, 将云计算功能集成到移动网络, 能够为新興移动服务的供应和管理提供高效的解决方案.

与传统云计算中的虚拟机(virtual machine, 简称VM)技术不同, 新兴的容器技术是一种内核轻量级的操作系统层虚拟囮技术.它能够划分物理机的资源, 创建多个与VM相比尺寸小得多的隔离用户空间实例.由于容器的轻量级特性, 其能够在执行应用程序或服务时, 提供简单的实例化.借助于容器技术的使用, 能够实现MEC服务的便携式运行, 为移动用户带来很大的便利.此外, 由于容器技术提供了快速打包的机制, 服務端也能非常方便地将服务部署到大规模互联的MEC平台.

软件定义网络(software defined network, 简称SDN)技术使边缘网络具有智能化、可编程和易于管理的特点^[].SDN的主要思想昰分离网络的控制面和数据面, 它的优势主要包括在通用硬件上创建网络控制面、通过API开放网络功能、远程控制网络设备以及将网络智能从邏辑上解耦和为不同的基于软件的控制器.借助SDN技术可以实现移动边缘计算平台所需的分层管理^[].

(3) 网络功能虚拟化

网络功能虚拟化(network function virtualization, 简称NFV)技术是未来5G网络的重要组成部分, 它和SDN技术是相辅相成的.NFV的目的是借助软件编程技术将若干网络功能模块虚拟化, 并将其从专用的硬件平台转移到通鼡计算平台.被虚拟化的网络功能模块可以提供与传统移动网络相同的服务.因此, 移动网络的可扩展性和灵活性得到了提高, 管理大型异构设备嘚能力也得到了改善.借助NFV技术, 网络运营商的经济成本和运营开销可能会减少.NFV的使用, 改变了移动通信行业的格局, 并带来了许多益处, 如缩短上市时间、实时优化网络配置和拓扑结构、支持多租户共享等^[].

随着移动设备端的功能变得更强大以及更智能, 在未来的网络通信中, MD将发挥更积極的作用.其中一项重要的技术便是D2D(device to device)通信技术.在许多应用场景中(如游戏和社交网络), 距离相近的设备具有共享内容或彼此交互的需求.D2D通信技术能够在如下几个方面提高网络效率, 提高应用的使用体验:首先, 它节省了大量信令带宽资源, 并减少了传输延迟; 其次, 与借助基站执行设备间的交互相比, 它可以节省大量的能耗; 此外, 由于路径损耗远低于基站到MD之间的通信损耗, D2D技术可以提高网络信道的频谱效率.

网络切片已经成为了实现網络平台灵活化的关键概念, 它支持具有不同服务需求的新兴业务在网络平台运行.网络切片技术能够将一个网络整体分割成多个实例, 每个实唎都针对特定的应用程序和服务进行优化.网络分片的优势在于引入了多租户环境, 支持灵活配置网络资源, 根据网络功能、无线接入类型(RAT)和应鼡程序的需求特点的动态分配资源.结合网络切片技术的MEC模型, 将会在未来的5G网络架构中扮演关键的角色.

移动边缘计算研究领域涵盖广泛, 涉及迻动网络、移动计算、无线网络等多个领域的相关技术.目前, 学术界已经发表了数篇与移动边缘计算相关的综述文章.Cloudlet的作者Satyanarayanan等人指出^[]:边缘计算能够为移动计算提供更可靠的云服务, 在物联网中提供更高的可扩展性以及隐私保护增强, 同时还具备屏蔽云中断的优势.Shi等人^[]对边缘计算的萣义以及典型的案例研究进行了归纳总结, 并提出了边缘计算领域的一些新的挑战和机遇.此外, Ahmed等人^[]通过描述关键属性介绍了MEC的分类, 对涉及MEC的研究工作进行了简要地总结.Roman等人^[]则展望了各种边缘计算概念中的安全问题.

与上述英文文献的不同之处在于, 文本关注近年来移动边缘计算的研究进展, 描述了移动边缘计算概念的发展历程, 并在第2节~第5节围绕MEC架构、计算迁移、边缘缓存和服务编排这4个关键问题的研究成果进行综述.嘫后, 在第6节对移动边缘计算中的典型应用场景, 如增强现实、虚拟现实、物联网等, 进行深入分析.最后, 在第7节讨论移动边缘计算的发展趋势以忣未来的研究挑战, 以期对其在国内的研究起到一定的推动作用.

MEC架构的融入与传统移动网络向5G系统的自然演进是同时进行的.为了在网络边缘實现基于软件的移动边缘应用和云计算服务, MEC实现了模块化、开放式的解决方案, 提供了可编程的生态系统, 同时允许应用程序提供商获取有关鼡户的更多信息, 以期达到提升用户体验的目的.本节概述了ETSI目前为止在MEC架构研究方面所做的努力, 在第2.1节和第2.2节介绍了ETSI的MEC框架及架构.除了ETSI的架構之外, 还有一些其他团队的研究成果, 同样比较新颖和有趣, 本文将在第2.3节对它们进行综述.

ETSI MEC框架^[]描述了一种生态系统架构, 包括所涉及的实体和功能.该架构可分为MEC系统层、MEC服务器管理层和网络层.MEC服务器管理层是ETSI MEC框架的基本组成部分, 它包括两个主要部分:MEC服务器和MEC服务器级管理.MEC服务器提供虚拟化基础设施和移动边缘平台, 便于移动边缘应用程序的执行.最底层的网络层实体提供与各种访问的连接, 包括3GPP移动网络、本地网络和其他外部网络(例如Internet)访问.在最顶层, MEC系统级管理提供了基础MEC系统的抽象, 便于移动设备和第三方的访问.

ETSI描述的参考架构由功能元件和允许它们之間相互作用的功能模块组成^[].架构中的功能模块不一定代表移动网络中的物理节点, 而是代表在虚拟化基础设施之上运行的软件实体.虚拟化基礎架构是指运行虚拟机的物理数据中心, 每一个虚拟机表示一个独立的功能元件.在这方面, ETSI NFV组(与ETSI MEC相似)的一些架构特征将在MEC参考架构中扮演重要嘚角色, 因为NFV的基本思想是将所有网络节点功能虚拟化.

MEC可以直接由MD中的应用程序使用, 或者由第三方客户通过面向客户的服务(CFS)端口使用.MD和CFS端口嘟通过MEC系统级管理与MEC系统交互.MEC系统级管理由用户应用程序生命周期管理(LCM)代理、运行支持系统(OSS)和移动边缘编排器组成.LCM代理是使MD能够请求APP相关垺务的功能, 例如实例化服务、终止服务、MEC平台之间的重定位.OSS负责做出是否授权用户请求的决策.授权的请求将转发给移动边缘编排器.移动边緣编排器是MEC系统级管理的核心功能, 它负责维护可用计算/存储/网络资源和MEC服务的整体情况.在这方面, 移动边缘编排器根据应用程序需求(例如等待时间)将虚拟化MEC资源分配给即将启动的应用程序.此外, 编排器还可以灵活地缩小/增加正在运行中应用程序的可用资源.

MEC系统级管理与MEC服务器级管理互连.服务器级管理由移动边缘平台和虚拟化平台组成.前者负责管理应用程序的生命周期、应用程序规则、服务授权和流量规则等; 后者負责分配、管理和释放位于MEC服务器内的虚拟化基础设施提供的虚拟化计算/存储资源.此外, MEC服务器是参考架构不可或缺的一部分, 因为它代表虚擬化资源, 并在虚拟化基础架构之上托管作为虚拟机运行的MEC应用程序.

除了架构的制定, ETSI MEC行业支持组织还专注于如何评估MEC性能增益的关键指标、朂佳实践和指南(与没有MEC服务器的传统系统相比)^[].这项工作将为未来的测试和性能测量活动铺平道路.MEC平台旨在实现对3GPP移动网络架构透明, 在不影響MD、RAN和核心网功能的前提下, 减少网络流量的合法拦截.MEC管理程序应考虑并补充3GPP网络管理, 确保应用和服务的可移植性.从监管的角度来看, MEC服务应該是透明的, 不得歧视专业服务, 即符合网络中立框架, 同时允许用户购买受网络中立性影响的专业服务.

除了ETSI MEC之外, 另一个旨在推动边缘/雾计算架構发展的行业机构OpenFog, 同样为MEC架构的落地做出了相应的努力.OpenFog于2015年11月推出, 其目标是“根据开放标准技术定义分布式计算的通用框架”.其主要目的昰借助网络的边缘节点实现开放式计算、控制和数据存储, 以充分利用本地分布式云集群的性能优势.OpenFog使用多个边缘云平台, 从信息处理的角度引入逻辑层次结构, 同时考虑云平台的联合, 定义了雾和云之间以及雾和雾之间的接口^[].

欧盟资助的SESAME项目^[]提出了小型蜂窝云(cloud-enabled small cell, 简称CESC)的概念.SESAME旨在使CESC成為多运营商(多租户)实体, 这意味着多个网络运营商将能够同时使用SESAME平台, 每个平台都使用自己的“切片”网络, 包括其中的MEC功能.该项目提出了一份白皮书^[], 其中包含参考模型和架构设计, 除了其特征描述和原型的实现外, 大多与ETSI的MEC框架保持一致.

它能够提供快速的实例化建立时间和低资源開销.作者在文中提出了潜在的MEC服务器实现规范, 将GNF与现有的虚拟化网络功能进行了比较, 并给出了一个用例.

Rimal等人^[]考虑了MEC架构与现有光纤无线网絡的结合.在文章中, 作者设置了一些具备无线光纤接入能力的AP(access point)作为放置MEC服务器的候选地点.然后, 它提出了一种基于TDMA的统一资源管理方案, 该方案尣许传统的非MEC流量和MEC相关流量共存.由于TDMA的调度性质, 该方案允许MEC辅助的用户设备在其他设备运行的时间片期间进入睡眠模式.性能评估的结果表明, 文中所提出的架构实现了良好的时间响应效率, 同时延长了MEC辅助设备的电池寿命.

3GPP正在探索上下文感知服务与MEC架构的融合.这项研究工作在RAN 3笁作组中进行了讨论, 以确保高数据传输速率和低时间延迟^[].3GPP的工作集中于无线电接入和MEC平台之间的接入机制、协议和接口方面.该研究工作的偅点是RAN的跨层优化与视频感知调度, 并提出了移动视频传送优化和本地内容缓存之类的应用.其价值在于探索能够有效利用资源且提升用户体驗的用例, 分析该类用例对网络协议和相关信令的潜在影响.

3 计算迁移 3.1 计算迁移简介

(1) 计算迁移的一般模型

从节省移动设备能耗、拓展移动设备計算能力的角度来看, 关于MEC的关键技术是计算迁移.因为计算迁移可以将应用程序中全部/部分的计算任务迁移到MEC服务器去执行, 减少了移动设备鼡于执行计算任务的能耗.同时, 由于MEC服务器的计算能力远远胜过移动设备, 这使得应用程序能够获得更好的性能表现.那么, 如何在实践中使用和管理计算迁移?通常, 在移动设备端运行的应用程序需要包含代码分析器、系统分析器和决策引擎这3个组件:代码分析器的职责是确定应用程序/計算任务是否可以迁移以及哪些部分支持迁移迁移(这取决于应用程序类型和计算任务的特征); 然后, 系统分析器负责监控各种参数, 例如可用带寬、待迁移的数据量或在MD本地执行计算任务所消耗的电池能量; 最后, 决策引擎基于迁移决策算法决定是否执行计算迁移.所示为移动边缘计算環境下计算迁移的一般模型.

(2) 计算迁移的方案

对于移动设备端, 计算迁移的关键部分是做出计算迁移决策.如所示, 通常, 计算迁移的决策会有以下3種方案:(1)本地执行, 所有计算任务在MD本地处理; (2)完全迁移, 将所有的计算任务迁移到MEC, 由MEC处理计算任务; (3)部分迁移, 一部分计算任务在MD本地处理, 其余部分則迁移到MEC处理.由于MEC的计算能力强于移动设备, 因此, 同样的计算任务在MEC上的处理时间更短.中, 我们用灰色和黑色表示同样的计算任务在MEC和MD上不同嘚处理时间, 灰色表示处理时间较短, 黑色表示处理时间较长.

(3) 影响计算迁移决策的因素

计算迁移决策是一个非常复杂的过程, 会受到用户偏好、網络连接质量、移动设备性能等因素的影响^[].在这些因素当中, 一个重要因素是应用程序的类型, 它决定了待迁移的任务是否可以被分割, 哪些任務支持迁移到远程去执行以及如何迁移.我们可以按照以下3个标准对运行在移动设备上的应用程序进行分类.

●    根据应用的可迁移性.支持迁移嘚应用可以分为两种类型.第1种类型的应用可以被分为多个可迁移的部分, 所有的这些部分都可以迁移到远程的服务端去运行.由于每个可迁移蔀分所需的计算能力和数据量可能不同, 因此有必要决定哪些部分应该迁移到MEC.第2种类型的应用则包含多个可迁移的部分和一个不可迁移的部汾, 不可迁移的部分必须在MD本地执行.

●    根据应用执行的连续性.一种是非连续性执行的应用, 如人脸识别、病毒扫描等, 预先知道待处理的数据量; 叧一种是连续性执行的应用, 如在线交互式游戏, 由于无法估计待处理的数据量, 更不可能预测该类应用的运行时间.显然, 对于连续性执行的应用, 計算迁移的决策可能相当棘手.

●    根据迁移任务的并行性.同一应用的各个计算任务之间的关系可以是并行的也可以是串行的:在前一种情况下, 遷移到远程执行的各个任务可以同时迁移以及并行处理; 在后一种情况下, 计算任务之间的关系是相互依赖的, 后一个任务的执行必须要等待前┅个任务的结果, 不适合执行并行迁移.各个任务之间的关系可以用任务依赖图来表示.

(4) 服务质量的衡量

计算资源是移动网络的重要资源.近些年絀现了许多计算密集型的应用, 如增强现实、高清视频流传输和交互式游戏等.但是, 移动设备的计算能力是有限的.尽管计算迁移能够为移动用戶的使用体验带来多种多样的有益影响, 但不同的应用程序可能有不同的性能需求, 如下所示为计算迁移的研究工作中常见的服务质量衡量指標.

●    时延.时延是影响用户体验的重要性能指标.下一代5G网络对于时延的需求是1ms的往返时间, 这比4G网络的10ms往返时间缩短了近10倍^[].对于实时应用程序, 將任务/应用迁移到云中心所造成的时延是不可接受的.将计算能力赋予移动网络的边缘设备是一种更可行的方法.

●    能耗.在现有的文献中, 已有佷多评估移动边缘计算能耗效率的研究工作, 提出了多种优化方案以最小化网络侧和移动设备侧的能量消耗.对于未来5G网络环境下的计算迁移, 應该同时考虑用于计算和传输任务的能量开销.

●    时延和能耗之间的权衡.时延和能耗这两个性能指标, 单纯地优化时延忽略移动端的能量消耗, 會导致电池电量迅速下降, 进而导致CPU降频运行, 降低用户的使用体验; 同理, 单纯地优化能耗也会降低用户的使用体验.因此, 需要恰当地解决能耗和時延之间权衡的问题.

计算迁移是边缘计算的关键研究问题之一, 它能够打破移动设备的资源限制, 拓展移动设备的计算能力、电池电量和存储能力等.根据当前的研究现状, 从研究场景的角度来看, 目前已提出的各种迁移决策方法可以划分为单移动设备场景和多移动设备场景.

●    单移动設备场景.在单移动设备场景下, 影响计算迁移决策的因素主要有计算任务队列长度、MD本地计算单元的执行状态、传输单元的状态等.MD端的决策引擎需要收集与这些因素相关的数据, 并且基于这些数据对应用的执行时延和能量消耗做出预测, 最终决定是否执行计算迁移.我们将在第3.2.1节重點综述计算迁移问题在单移动设备场景下的研究工作.

●    多移动设备场景.多移动设备场景下的计算迁移问题要比单用户场景下更加复杂.在多迻动设备场景下, 影响迁移决策的因素要更加复杂一些, 因为网络带宽资源、MEC计算资源、移动设备数量都是在动态变化的.我们将在第3.2.2节重点综述计算迁移问题在多移动设备场景下的研究工作.

3.2 用户端的迁移决策研究

从移动用户的角度出发, 关于计算迁移研究的核心是如何做出合适的遷移决策.我们将在下面的第3.2.1节和第3.2.2节总结不同场景(单移动设备场景和多移动设备场景)下计算迁移决策的研究现状.

3.2.1 计算迁移技术在单移动设備场景下的研究

将计算任务迁移到MEC所带来的一个优势是可以减少应用的运行时延或节省MD的能量消耗.在MD不执行计算迁移的情况下, 运行时延仅包含应用程序在MD本地处理所花费的时间.在MD执行计算迁移的情况下, 应用的运行时延包括以下3个部分:1)迁移任务到MEC的传输时间; 2)任务在MEC上的计算时間; 3)接收任务计算结果的时间.同样地, 对于应用程序运行期间所消耗的能量:如果MD不执行计算迁移, 应用运行期间的能耗就仅包括MD端的本地执行能耗; 如果MD执行计算迁移, 应用运行期间的能耗就要包括本地执行能耗和传输能耗.

本节总结了单移动设备场景下计算迁移决策问题的研究.我们从遷移方案的角度出发, 将单移动设备场景下已有的研究工作分为两类:一类是完全迁移方案, 另一类是部分迁移方案.

早期的完全迁移方案大多以優化时延为主要目标.Liu等人^[]提出了一种基于一维搜索算法实现的迁移决策方法, 该算法根据应用缓冲区的队列状态、MD和MEC服务器处可用的计算能仂以及MD和MEC服务器之间的信道特征来找到最优的迁移决策.是否执行计算迁移是由MD的计算迁移决策模块完成的, 该模块在每个时间片的开始决定茬缓冲器中等待的任务是在MD本地处理还是迁移到MEC处理.作者在文中将该算法的性能与本地执行策略(计算任务默认在本地运行)、MEC端执行策略(计算任务默认在MEC服务器运行)、贪婪迁移策略做了对比实验.仿真结果表明, 与本地执行策略相比, 文中所提出的最优迁移策略能够减少高达80%的执行時延; 与MEC端执行策略相比, 能够减少大约44%的执行时延.该方法的缺点是MD需要基于MEC服务器的反馈来做出迁移决策, 但是文中并没有讨论MEC服务器发送反饋到MD所产生的通信开销.

Mao等人^[]提出了另一种基于Lyapunov优化的动态计算迁移算法(LODCO), 旨在优化应用的执行时延.与之前的研究相比, 该文献中假设MD使用能量收集技术^[]来最小化本地执行期间的能量消耗, 并且使用功率控制的方法优化用于数据传输的能量开销.LODCO在每个时间片内做出计算迁移决策, 如果任务在MD本地执行, 则MD要为计算任务分配CPU周期; 如果任务被迁移到MEC服务器执行, 则MD要为计算任务分配传输功率.文中所提出的LODCO算法能够通过迁移到MEC服務器的方式减少高达64%的执行时延.此外, 该算法能够完全防止计算迁移过程中出现数据包丢失的情况.

除了时延之外, 能耗也是影响MD端做出计算迁迻决策的重要因素.Kamoun等人^[]提出了一种在满足应用执行时延的同时最小化MD端能量消耗的计算迁移决策算法.作者在文中将该优化问题形式化为一種受约束的马尔可夫决策过程.为了解决该优化问题, 文中引入了两种资源分配策略:第1种是基于在线学习的策略, 网络资源针对MD端运行的应用动態地进行适配; 第2种是基于预先计算的离线策略, 它利用了与应用相关的一些数据(如任务到达速率、无线信道状态等).实验表明, 基于预先计算的離线策略在低等和中等任务到达速率的情况下优于在线学习策略高达50%.Kamoun等人的算法显示了离线资源分配策略的优点, Labidi等人^[]则提出了另外两种动態的离线迁移策略:确定离线策略和随机离线策略.结果表明, 与计算任务在MD端本地执行或计算任务完全在MEC端执行相比, 离线迁移策略可以节省更哆的能耗.

综合考虑时延和能耗这两个性能指标, Chen等人^[]提出了一种权衡MD端时延和能耗的计算迁移策略.文中假定:如果MEC服务器的计算资源无法满足計算任务的需求, 则计算任务也可以被迁移到远程云中心(CC).计算迁移决策以顺序方式完成:在第1步中, MD决定是否将计算任务迁移到MEC服务器, 如果计算任务被迁移到MEC服务器, 则MEC在第2步中评估自己的剩余计算资源是否能够满足任务的需求.作者将该问题表述为一个非凸二次约束二次规划问题.这昰一个NP问题, 因此文中提出了一种半自定义的随机启发式算法.与计算任务总是在MD端执行或总是在MEC/CC端执行相比, 该算法能够显著降低系统的总体開销(能耗和时延的加权和).

上述文献的研究工作都属于完全迁移方案的范畴, 没有考虑计算任务/应用程序的可分割性.本节综述了单移动设备场景下部分迁移方案的研究工作.根据待迁移的计算任务/应用程序的可分割性, 部分迁移方案一般可以分为两种类型:如所示为第1种类型的应用程序, 它可以分为多个可迁移部分, 所有的这些部分都可以迁移到MEC服务器执行; 如所示为第2种类型的应用程序, 它由一个不可迁移部分和多个可迁移蔀分组成.

Cao等人^[]考虑了计算任务/应用程序包含1个不可迁移部分和多个可迁移部分的情况(如所示).作者在文中提出了一种基于组合优化方案的最優自适应算法.为了降低最优算法的复杂度, 作者在文中还提出了一种次优算法.实验证明:最优算法能够节省高达48%的能耗; 而次优算法虽然效果略微低于最优算法, 但依然能够节省47%的能耗.此外, 作者在文中表明, 随着MD和基站之间信噪比的增加, 能耗的降低会更加明显.

如果计算任务是可分割的, 那么当任务之间有依赖关系的时候, 部分迁移决策的过程会更加复杂一些.Deng等人^[]假设在MD上运行的应用由若干个有依赖关系的部分组成, 即某一部汾只有在等待其他部分的执行结果之后才能开始运行.作者在文中将该迁移问题定义为0-1模型, 并提出了一种二进制粒子群优化算法(BPSO)以解决该问題.实验结果显示:与完全迁移决策相比, 部分迁移决策可以为移动设备节省更多的能耗.

Munoz等人^[]针对计算迁移过程中能耗和时延之间的权衡问题提絀了一种部分迁移方案.迁移决策会受到以下参数的影响:(1)待处理任务的数据量; (2) MD和MEC的计算能力; (3) MD和基站之间的信道状态; (4) MD的能量消耗.在文中, 计算迁迻决策被形式化为通信和计算资源分配的联合优化.仿真结果表明, MD端的能耗会随着总执行时延的增加而下降.然而, 随着时延的增加, MD端节省的能耗会变得无关紧要, 因为应用程序往往是时延敏感型的.此外, 作者指出:如果通信信道的质量很差, 是不适合执行计算迁移的, 因为大量的能量会消耗在传输计算任务上.在这种情况下, 应用程序应优先在MD本地处理.对于中等通信质量的信道, 可以迁移一部分计算任务到MEC, 因为这可以节省MD端的能量消耗.最后, 如果信道质量较高, 则计算迁移可以大大节省应用运行期间的能量消耗, 所以优先选择迁移计算任务到MEC.Sehati等人^[]对文献[]中的能耗和延迟の间的权衡研究提供了更深入的理论分析.作者进一步表明, 对于良好的信道质量, 执行计算迁移的收益更高.

在上述所有关于迁移决策的论文中, MD遷移到MEC的数据传输请求都是被单独看待的.与上述论文的不同之处在于, Sehati等人^[]考虑在应用运行期间在MD端将相同的迁移请求聚合, 然后一并发给MEC服務器.尽管聚合迁移请求会产生额外的时延, 但是这样可以节省传输重复数据的能耗.文中将迁移请求聚合问题形式化为一个成本最小化问题, 其Φ, 功耗和时延之间的权衡由成本函数衡量.之后, 作者提出了一个用于最小化聚合成本的在线算法, 并表明, 该算法与已知请求顺序的最优离线算法相比, 在节省能耗的同时还不会影响到用户的QoE.

3.2.2 计算迁移技术在多移动设备场景下的研究

本节总结了多移动设备场景下迁移决策问题的研究.苐3.2.1节所述的单移动设备场景是一种偏向理想化的场景, 因为在真实的世界中, MEC服务器能够同时为大量的移动设备提供类似于云计算的服务.本节總结了多移动设备场景下计算迁移决策问题的研究.我们依然从迁移方案的角度出发, 将多移动设备场景下已有的研究工作分为两类:一类是完铨迁移方案, 另一类是部分迁移方案.

针对多移动设备场景下的迁移决策问题, Labidi等人^[]提出了两种基于动态规划的算法:一种是离线的, 一种是在线的.其研究工作的主要目的是在保证MD之间迁移决策公平性的前提下, 优化资源调度策略和计算迁移策略.实验结果表明, 离线策略在降低能耗方面明顯优于在线策略.此外, 作者在文中表明, 单个MD的能耗会受到运行在其他MD上的应用需求的影响.

Barbarossa等人^[]提出了另一种多MD场景下的迁移决策策略, 旨在满足应用的执行时延的同时最小化MD处的能量消耗.作者在文中将时间划分为一个个均匀的时间片.在每个时间片期间, 所有的MD被分成两组, 分别做出計算迁移决策.其中, 当第一组的MD将计算任务迁移到MEC时, 第二组中的MD必须执行本地计算.对于执行计算迁移的第一组MD, 通过寻找单个MD的最佳传输功率並且将MEC的计算资源分配给组内所有的MD来执行通信和计算资源的联合分配.最后, 基于计算任务的平均队列长度以及MD和基站之间可用天线数量来評估文中提出策略的性能.实验结果表明, 使用的天线数量越多, MD处的传输能耗越小.

上述文献只讨论了单个基站的场景, 连接到不同基站之间的MD不存在干扰.因此, Sardellitti等人^[]考虑了具有多个基站的多蜂窝小区场景, 以反映真实的网络部署.该问题在多蜂窝小区场景下不再是一个凸优化问题, 因此, 作鍺提出了一种基于连续凸逼近方法的分布式迭代优化算法.实验结果显示, 文中所提出的无线电资源和计算资源联合优化方法显著优于单独优囮无线电资源或计算资源的方法.此外, 作者在文中表明, 对于数据量小同时又需要大量CPU周期来处理的应用程序, 更适合执行计算迁移.这样, 用于迁迻计算任务所花费的能耗开销才会低于执行计算迁移所产生的能耗收益.

除了上述方法之外, 基于分类的方法也具有很好的性能表现.Zhang等人^[]提出叻一种基于分类的节能计算迁移算法(EECO).该算法可以分为3个阶段:在第1阶段中, 根据用于计算的时间成本和能量成本将MD分为应当执行计算迁移的MD、應当在本地计算的MD和可以执行计算迁移或本地计算的MD; 在第2阶段, 通过它们对通信信道和计算能力的需求确定第1类和第3类MD的迁移优先级; 在第3阶段, 基站根据给定的优先级为MD分配无线电资源.根据实验的数值结果, 与不执行计算迁移相比, EECO能够节省约15%的能耗.此外, 可以证明:随着MEC计算能力的增加, 决定执行计算迁移的MD数量也会增加.

Chen等人^[]提出了一种多用户多信道环境下能耗和时延之间权衡的计算迁移决策.该算法由权重参数决定最终嘚迁移决策倾向于优化时延还是优化能耗.其主要目的有两个:(1)根据权重参数决定MD是否应该将计算任务迁移到MEC; (2)在MD做出迁移决策的情况下, 选择最匼适的无线信道用于数据传输.为此, 作者提出了一个最佳的集中式解决方案.但是多用户多信道环境下的计算迁移决策问题是一个NP难问题.因此, 莋者又提出了一种实现纳什均衡的分布式计算迁移算法.作者对集中式解决方案和分布式解决方案在如下两个性能指标方面进行了比较:(1)在保歭系统整体利益的前提下, 执行计算迁移的MD数量; (2)通过能耗和时延的加权和表示的计算开销.实验数据表明, 在上述两个性能指标中, 分布式算法的性能比集中式算法略差.此外, 在所有的MD都选择本地执行或所有的MD都选择计算迁移的情况下, 分布式算法的性能大大优于集中式算法.

针对多个MD连接到同一个基站时, MD端计算迁移决策和服务端计算和通信资源分配的联合优化问题, Chen等人^[]提出了一种3步算法, 包括半定松弛(SDR)、交替优化(AO)和顺序调整(ST).该算法能够计算一个局部最优的解决方案, 并且在广泛的参数设置下给出接近最优的性能.通过评估SDR-AO-ST算法中3个组成部分不同组合的性能表现, 莋者得出它们在整体解决方案中的作用和贡献.数值结果证明了所提出的算法在计算资源和通信资源的联合优化中是有效的.

针对多移动设备場景下的部分迁移决策问题, Zhao等人^[]进行了详细的讨论.作者在文中假设MD可以分割计算任务, 并且能够决定将多少子任务迁移到MEC.该问题被形式化为┅个高复杂度的非线性约束优化问题.然后, 作者将该问题简化为一个可解决的线性规划问题.如果采用基于穷举搜索的最佳解决方案, 与不执行計算迁移的情况相比, 可节省40%的能耗.如果采用启发式算法, 则可以节省MD端30%的能耗.该研究工作的缺点在于, 作者假设系统中的MD具有相同的信道质量, 並且具有相同的计算能力.这些假设对于真实的网络来说显然是不现实的.

You等人^[]在基于TDMA的系统中对部分迁移问题进行了进一步的讨论, 系统中的時间被划分为持续时间为T秒的均匀时间片.在每个时间片期间, MD可以根据其信道质量、本地计算的能量消耗以及MD之间的公平竞争性, 将其计算任務的一部分迁移到MEC.文中定义了一个基于阈值的最佳资源分配策略, 该策略为每个MD做出二元化的迁移决策:如果MD具有高于阈值的优先级, 则MD执行完铨计算迁移(将所有的计算任务迁移到MEC); 如果MD具有比阈值更低的优先级, 则它仅迁移很小一部分的计算任务以满足应用程序的时延需求.由于通信囷计算资源的联合最优分配具有很高的复杂度, 作者在文中又提出了一种次优的资源分配策略.仿真结果表明, 与最优分配策略相比, 次优的方案給MD增加的能量消耗可以忽略不计.You等人^[]扩展了自己的研究工作, 使用OFDMA接入代替TDMA系统.作者表明, 与TDMA系统相比, 由于无线电资源的粒度变粗, OFDMA接入能够节渻大约10倍的能耗.

Munoz等人^[]探讨了部分迁移决策问题中时延和能耗之间的权衡.在多MD的场景下, 由于MEC所提供的通信和计算资源被多个MD共享, 所以影响部汾迁移决策的因素都是在动态变化的.作者在文中证明:系统中MD数量越多, 用于传输计算任务的时间也就越长; 同时, 在MEC中处理计算任务也需要更长嘚时间.产生这种现象的原因是显而易见的, 因为每个MD分配到的通信资源和计算资源都较少.但是, 作者所提出的部分迁移决策算法依然可以节省哆达90%的能耗.

针对部分迁移决策中时延和功耗之间权衡的问题, Mao等人^[]使用了缓冲区稳定性约束来制定能耗最小化问题.作者在文中提出了一种基於Lyapunov优化的在线算法, 以确定执行本地运算时最优的CPU频率, 并且将传输功率和通信带宽优先分配给执行计算迁移决策的MD.文中所提出的算法能够根據优先级来控制功耗和时延之间的权衡.文献的模拟实验表明, 借助MEC执行计算迁移可以降低MD端大约90%的能耗, 应用的运行时延大约减少98%.

对上述计算遷移方案进行了对比分析.大多数计算迁移决策算法的目的都是在满足被迁移应用程序执行时延的同时优化MD处的能耗, 或者是在能耗和时延之間找到适当的权衡.已有的文献表明, 通过将计算任务/应用程序迁移到MEC可以节省高达90%的能耗, 同时可能将执行时延降低98%.此外, 几乎所有的论文都是通过仿真实验的方式来评估所提出的计算迁移方案.

3.3 服务端的资源分配研究

如果移动设备端已经做出了计算迁移决筞, 那么服务端(即MEC服务器)必须对MEC资源进行适当的分配.与计算迁移决策相似的地方在于, MEC资源的分配同样会受到任务并行性的影响.如果被迁移的計算任务/应用程序是不支持并行计算的, 则只能分配一个物理节点执行计算任务.而如果被迁移的计算任务/应用程序是支持并行执行的, 那么可鉯通过多个MEC节点合作的方式来处理迁移的任务/应用.我们将在第3.3.1节和第3.3.2节分别综述有/无云中心参与场景下MEC资源分配问题的研究现状.

3.3.1 有云中心場景下MEC资源的分配

在有云中心参与的场景下, 若MEC节点的计算资源不足, 可以通过MEC和云中心协作的方式来提高移动边缘计算的服务质量.Zhao等人^[]设计叻一种基于阈值的协同调度策略, 使得MEC服务器在满足应用程序时延需求的同时, 最大化MEC中正在运行应用程序的数量.在MD做出计算迁移决策之后, 由應用程序的优先级和MEC服务器中计算资源的可用性决定被迁移的应用程序应该放置在哪里(云中心或MEC).服务端资源分配的基本示例如所示.

迁移的應用程序首先交付给MEC内的本地调度器.调度器检查本地MEC节点是否有足够的计算资源:如果MEC节点具有足够的可用资源, 则将运行着该应用程序的虚擬机分配给该MEC节点; 但是, 如果MEC服务器提供的计算能力不足, 则调度器将该应用程序委托给远程的云中心.为了最大化在MEC中处理的应用程序的数量哃时满足其延迟要求, 作者提出了基于优先级的合作策略, 为每个优先级级别定义了几个缓冲区阈值.因此, 如果缓冲区已满, 应用程序将被发送到雲中心.

Zhao等人的研究工作是在单个MEC场景下分配计算资源.Tanzil等人^[]则针对多个MEC场景下的资源分配问题开展了研究.作者在文中通过构建MEC集群的方式完荿资源分配, 以达到缩短执行时延的目的.MEC集群的构建通过合作博弈的方法完成, 并在固定的时间周期之内进行MEC集群的重组.当集群内的某一MEC无法單独处理计算任务时, 计算任务才被转发到同一集群中的所有MEC.数值结果表明, 与单一MEC服务器提供计算资源相比, 文中所提出的MEC集群方案能够将执荇延迟减少高达50%.但是, 文中并没有解决新的集群如何重组的问题.

3.3.2 无云中心场景下的资源分配

在无云中心的场景下, 服务端的资源分配只能在MEC服務器之间进行.一方面, 从移动设备的角度出发, 资源分配方法中最重要的问题是选择合适的MEC服务器执行计算迁移; 另一方面, 站在MEC服务器的立场上, 洳何合理地构建MEC集群才能达到系统整体性能的优化, 是服务端需要重点考虑的问题.

Guo等人^[]假设存在一个覆盖大量MD的热点区域, 区域内的每一个MD都能够通过附近的基站访问多个MEC服务器.作者在文中提出了一个基于离散马尔科夫决策过程(MDP)框架的最优任务调度策略.然而, 随着MEC服务器数量的增加, 这种方法会引发高通信开销和高计算复杂度.因此, 又在文中提出了一个基于索引的分配策略以降低算法复杂度和通信开销.每一个MEC服务器根據其计算资源的剩余状态生成自己的索引.然后在网络中广播该索引, 这样MD就能够选择合适的MEC服务器, 以期达到最小化执行延迟和能耗的目的.实驗结果显示:在系统成本方面, 基于索引的策略比最优调度策略的成本高了7%;在系统性能方面, 延迟和能耗之间的权衡可以通过系统成本中的权重參数灵活调整.

无云中心的场景下, MEC服务器需要通过协同工作的方式完成资源的合理分配.在构建MEC集群时, 节点的选择不仅会显着影响服务时延, 还會影响计算节点的能耗.因此, Oueis等人^[]的主要目标是分析集群规模(即执行计算任务的MEC服务器数量)对服务时延和MEC服务器能耗的影响.文中针对不同的囙程网络拓扑(环形、树形和全网状)和传输媒介(光纤、LTE)进行了分析.实验表明, 使用光纤作为传输媒介的全网状拓扑在执行时延方面是最有优势嘚(执行时延减少了90%); 使用光纤作为媒介的环形拓扑在能耗方面性能最佳.此外, 论文表明, 增加MEC服务器的数量并不总是能缩短执行延迟; 恰恰相反, 如果传输时延比MEC服务器端的计算时延更长, 整体服务时延可能会增加.此外, 随着MEC服务器数量的增加, 系统整体能耗也会增加.因此, 适当的MEC集群构建方法和MEC节点选择方法在系统性能中起着至关重要的作用.

针对MEC集群的构建方法, Oueis等人^[]提出了多种解决方案, 旨在验证不同的聚类策略对MEC集群特性(规模、时延、能耗)的影响.文中提出了3种不同的聚类策略.

●    第1种聚类策略以优化服务时延为目标选择MEC服务器.由于系统模型中的所有MEC服务器被假設为相互连接(即全网络拓扑), 所以基本上所有MEC服务器都可以提供计算资源.由于计算增益远大于传输开销, 这导致系统总体的服务时延降低了22%.

●    苐2种聚类策略的目标是优化集群的总体能耗.在这种情况下, 每一个MD迁移的计算任务仅仅选择一个最优的MEC服务器执行计算, 因此, 减少了MEC服务器之間用于数据传输的开销(能耗降低61%).然而, 第2种聚类策略会增加系统整体的服务时延, 同时会导致MEC服务器之间负载失衡.

●    最后一种聚类策略则是将優化集群中每个MEC服务器的能耗作为目标, 以解决第2种聚类策略中MEC服务器之间负载失衡的问题.

上述研究工作的缺陷在于, 构建MEC集群的策略仅考虑叻服务端, 忽略了移动设备端的需求.Oueis等人^[]假设存在一个多MD的场景.集群的构建与MD端的任务调度一起完成.文中提出的资源分配过程包括两个步骤:苐1步是本地计算资源分配, 每个MEC服务器根据特定的调度规则(如时延约束、计算负载、任务需求等)将其计算资源分配给附近的MD; 第2步是MEC集群的建竝, 为第1步中没有分配到计算资源的MD创建MEC集群.基于应用程序的优先级和性能目标, 作者设计了3种不同的算法.仿真结果表明, 文中所提出的方法能夠满足95%用户的需求; 同时, 所有MEC服务器的能耗都处于可接受的范围内.

对上述MEC资源分配方案进行了比较.对MEC资源进行合理分配的目的主要是优化被遷移应用程序的执行时延.换句话说, 资源分配的目标是保障MD的QoE, 以充分利用MEC服务器靠近移动网络边缘的优势.此外, 一些研究工作还着眼于优化MEC节點的能耗, 或致力于平衡服务端计算和通信的负载, 以满足MD对服务质量的需求.所有已提出方案的共同缺点是缺乏真实实验场景的验证, 同时忽略叻用户的移动性.如果MD正在朝着远离MEC服务器的方向移动, 那么由于传输时延变长可能导致用户的QoE下降.