劉炎培，朱 淇，趙進超

鄭州輕工業(yè)大學(xué) 計算機與通信工程學(xué)院，鄭州 450002

1 引言

根據(jù)Hootsuite最新全球數(shù)據(jù)報告顯示，目前全球有51.1億獨立移動用戶，相比去年增長了2%，2019年全球互聯(lián)網(wǎng)用戶數(shù)量同比2018年增長了9%，到2021年底，全球移動數(shù)據(jù)流量將達到每月466億GB，其中智能手機將占86%，全球?qū)⒂瓉砭W(wǎng)絡(luò)數(shù)據(jù)信息爆炸式增長的互聯(lián)網(wǎng)時代。此外，隨著5G網(wǎng)絡(luò)的日益普及，增強型移動寬帶、大規(guī)模機器通信和超可靠低延時通信三大業(yè)務(wù)類型對運營商的傳輸網(wǎng)絡(luò)和核心網(wǎng)絡(luò)構(gòu)成了巨大挑戰(zhàn)。由于這些應(yīng)用程序場景可以為用戶帶來更高的帶寬速率、更多的網(wǎng)絡(luò)連接和更低的時延，導(dǎo)致核心網(wǎng)絡(luò)需要在單位時間內(nèi)處理的數(shù)據(jù)大小和業(yè)務(wù)請求呈指數(shù)型增長。因此，隨著移動設(shè)備和物聯(lián)網(wǎng)設(shè)備承載的網(wǎng)絡(luò)流量的增加，移動云計算模式所采用的集中式處理模式[1-2]因離終端設(shè)備比較遠，已不能滿足用戶的日常需求，并且對時延和能耗等性能要求較高的計算服務(wù)來說，這種模式會引起高延時、網(wǎng)絡(luò)堵塞等問題[3]。故針對這些問題，業(yè)界提出了移動邊緣計算。

移動邊緣計算[4]被認為是蜂窩基站模型現(xiàn)代化演變和5G技術(shù)發(fā)展的關(guān)鍵因素。MEC將計算和存儲資源引入到移動網(wǎng)絡(luò)的邊緣，降低終端設(shè)備的計算時延和能耗，提升用戶對移動互聯(lián)網(wǎng)應(yīng)用的體驗質(zhì)量并減輕了云計算中心高負載情況。與此同時，MEC也需要計算卸載技術(shù)的支撐[5]，計算卸載技術(shù)作為MEC研究的熱點之一，已得到廣泛的研究。計算卸載是指將終端設(shè)備的計算數(shù)據(jù)上傳至云中并進行一系列計算處理的技術(shù)。在萬物互聯(lián)的信息時代下，要想實現(xiàn)傳輸數(shù)據(jù)低延時、服務(wù)器低能耗、移動終端資源高存儲這些情況，需要將復(fù)雜的計算任務(wù)卸載到網(wǎng)絡(luò)邊緣服務(wù)器上進行計算處理。

MEC不僅推動了5G技術(shù)的發(fā)展，以計算卸載為代表的技術(shù)更是成為MEC領(lǐng)域中的熱門話題之一。文獻[6]從MEC的安全性問題進行了相關(guān)研究。文獻[7]從MEC的計算、資源分配和內(nèi)容緩存等角度出發(fā)，介紹了當(dāng)前MEC的關(guān)鍵技術(shù)進展。文獻[8]詳細總結(jié)了D2D通信的流量卸載技術(shù)。文獻[9]針對現(xiàn)有分布式系統(tǒng)和MEC系統(tǒng)的不可預(yù)測性，提出了基于異構(gòu)分布式系統(tǒng)的自適應(yīng)機器學(xué)習(xí)的調(diào)度框架和用于機器學(xué)習(xí)模型優(yōu)化的移動邊緣計算系統(tǒng)。雖然這些研究取得了一定的成果，但大多是從MEC的整體架構(gòu)或算法優(yōu)化方面出發(fā)，很少從MEC理論研究和部署方案上進行梳理并分析對比，總結(jié)當(dāng)前5G所需的MEC部署方案和卸載方案，也缺少在5G環(huán)境下MEC領(lǐng)域中未能解決的研究問題和挑戰(zhàn)。因此，本文對當(dāng)前MEC部署方案和計算卸載方案進行了詳細的論述，通過對當(dāng)前MEC計算卸載技術(shù)的研究成果進行分析、對比和總結(jié)，介紹了適合5G環(huán)境下MEC部署方案和計算卸載方案。

2 移動邊緣計算

2.1 MEC概念

歐洲電信標(biāo)準(zhǔn)協(xié)會（European Telecommunications Standards Institute，ETSI）通過將邊緣計算融合到移動網(wǎng)絡(luò)的架構(gòu)，提出了移動邊緣計算[10]。移動邊緣計算是指將移動終端的計算任務(wù)卸載到網(wǎng)絡(luò)邊緣處，在網(wǎng)絡(luò)邊緣執(zhí)行計算和存儲的一種新型計算模型。即通過移動網(wǎng)絡(luò)融合傳統(tǒng)的集中式數(shù)據(jù)中心的云計算服務(wù)平臺，將原本位于云計算中心的服務(wù)、計算、存儲等功能“發(fā)散”到移動網(wǎng)絡(luò)的邊緣處，在網(wǎng)絡(luò)邊緣處部署具有計算和存儲能力的邊緣節(jié)點，使其能夠滿足移動互聯(lián)網(wǎng)行業(yè)并提供快速連接、實時數(shù)據(jù)操作、安全和隱私保護等方面的需求。

2.2 MEC網(wǎng)絡(luò)架構(gòu)

ETSI中描述的參考體系結(jié)構(gòu)主要由功能元素和參考點組成[11]。圖1表示詳細MEC參考框架。Mp表示和MEC平臺應(yīng)用相關(guān)的參考點，Mm表示和管理相關(guān)的參考點，Mx表示和外部實體相關(guān)的參考點。該網(wǎng)絡(luò)架構(gòu)主要包含兩部分：移動邊緣系統(tǒng)層和移動邊緣服務(wù)器層。

圖1 MEC網(wǎng)絡(luò)架構(gòu)

MEC可以被位于用戶設(shè)備（User Equipment，UE）中的應(yīng)用程序直接訪問，或由第三方客戶通過客戶服務(wù)門戶（Customer Facing Service，CFS）訪問，UE和CFS門戶都是通過MEC系統(tǒng)級別管理與MEC系統(tǒng)進行交互。MEC系統(tǒng)管理層中的用戶應(yīng)用程序生命周期管理（Life Cycle Management，LCM）代理將請求（如MEC系統(tǒng)中的UE應(yīng)用程序的啟動、終止或是重新定位）傳遞給移動運營商的操作支持系統(tǒng)（Operational Support System，OSS）。然后OSS決定是否批準(zhǔn)該請求，授予的請求被轉(zhuǎn)發(fā)到移動邊緣編排器上。其中移動邊緣編排器是MEC系統(tǒng)管理的核心功能，能夠根據(jù)應(yīng)用程序需求將虛擬的MEC資源分配給即將啟動的應(yīng)用程序。

MEC系統(tǒng)管理層與MEC服務(wù)器管理層相互連接，組成移動邊緣平臺管理器和虛擬化平臺管理器。其中，MEC服務(wù)器管理層負責(zé)分配、管理和釋放MEC服務(wù)器內(nèi)的虛擬化基礎(chǔ)設(shè)施提供的虛擬化計算/存儲資源。MEC服務(wù)器是參考體系結(jié)構(gòu)的一個組成部分，表示虛擬化的資源，并在虛擬化基礎(chǔ)設(shè)施上作為VM運行MEC應(yīng)用程序。

2.3 MEC部署方案

MEC服務(wù)器所擁有的計算和存儲資源功能，能夠為互聯(lián)網(wǎng)用戶提供MEC服務(wù)。然而，如何在網(wǎng)絡(luò)中部署MEC服務(wù)器是需要考慮的首個重要問題。故對當(dāng)前主流的MEC部署方案進行闡述。

（1）Mobile Micro Clouds（MMC）：MMC通過將服務(wù)器部署在基站以降低用戶訪問云服務(wù)時的時延[12-13]。如圖2所示，MMC部署中未將任何控制實體引入網(wǎng)絡(luò)中，并且控制功能以分層方式進行部署。各個MMC既可以直接互連也可以回程互連，以實現(xiàn)用戶在網(wǎng)絡(luò)移動中VM的遷移工作并保證了服務(wù)的連續(xù)性。

（2）Small Cell Cloud（SCC）：SCC主要是通過額外的計算和存儲能力來增強小基站（SCeNB）的功能，云增強型SCeNB可以利用網(wǎng)絡(luò)功能虛擬化（Network Function Virtualization，NFV）集成其計算能力[14]。通過將小型單元管理器（Small Cell Manager，SCM）的新實體引入SCC中以便更好地控制SCC[15]。其中SCM主要負責(zé)管理SCeNB提供的計算和存儲資源，并對SCC內(nèi)的計算資源具有動態(tài)管理的功能。根據(jù)SCC的部署方式，SCM可以集中式部署或分布式部署。如圖3所示，SCM集中式地部署在RAN內(nèi)，位于靠近SCeNB的集群中，也可作為對MME的擴展部署在核心網(wǎng)[16]。當(dāng)SCM采用分布式的部署方案時，如圖4所示，附近的SCeNB集群的計算和存儲資源由本地小基站管理器（Local Small Cell Manager，L-SCM）和虛擬本地小基站管理器（Virtual Local Small Cell Manager，VL-SCM）進行管理，而位于核心網(wǎng)的遠程SCM（Remote Small Cell Manager，R-SCM）通過集成至MME功能中，管理連接到核心網(wǎng)的所有SCeNB的資源。

圖2 MEC部署方案

圖3 集中式SCM部署方案

圖4 分布式SCM部署方案

（3）Fast Moving Personal Cloud（FMPC）：FMPC架構(gòu)通過軟件定義網(wǎng)絡(luò)（Software Defined Network，SDN）和NFV技術(shù)以向后兼容的方式將云服務(wù)集成到移動網(wǎng)絡(luò)中[17]。如圖5所示，F(xiàn)MPC中的云服務(wù)資源部署在RAN內(nèi)或RAN附近的運營商云層上。并且引入了一種新的控制實體MC（Mobiscud Control），能夠與移動網(wǎng)絡(luò)、SDN交換機和運營商的云進行交互。MC通過監(jiān)控移動網(wǎng)絡(luò)元素間的控制平面信令交換和SDN網(wǎng)絡(luò)中編排情況，隨時掌握用戶的動態(tài)信息，保證用戶在網(wǎng)絡(luò)移動過程中，方便進行應(yīng)用程序的卸載和遷移。

圖5 FMPC部署方案

（4）Follow Me Cloud（FMC）：FMC的關(guān)鍵思想是在分布式數(shù)據(jù)中心（Data Center，DC）上部署云服務(wù)器以提供邊緣服務(wù)[18-19]。如圖6所示，F(xiàn)MC的計算存儲資源部署在中心網(wǎng)絡(luò)上，其計算和存儲能力距離用戶更遠。FMC在網(wǎng)絡(luò)體系結(jié)構(gòu)中引入了新的實體，DC/GW映射實體和FMC控制實體（FMC Control，F(xiàn)MCC）。FMCC主要管理DCs的計算和存儲資源、運行在這些資源上的云服務(wù)，并且決定哪個DC應(yīng)該使用云服務(wù)與用戶進行關(guān)聯(lián)。

圖6 FMC部署方案

（5）CONCERT：在CONCERT部署方案中[20]，如圖7所示，控制平面是由conductor組成的控制實體，主要來管理協(xié)調(diào)體系結(jié)構(gòu)的計算、通信和存儲資源。conductor可以集中式部署或分層部署。數(shù)據(jù)平面主要是由eNodeB、本地服務(wù)器、中心服務(wù)器、SDN交換機組成。CONCERT通過將網(wǎng)絡(luò)中的資源以分層式的方式進行分配，以便靈活管理網(wǎng)絡(luò)和云服務(wù)。

圖7 CONCERT部署方案

MEC部署方案取決于多種因素的選擇，其中包括云服務(wù)的可擴展性、性能指標(biāo)和部署位置的約束等。當(dāng)前MEC部署方案SCC、MCC和FMPC的部署位置靠近網(wǎng)絡(luò)的邊緣以有效減小移動終端時延，但這些部署方案會引入認證安全等問題。此外，F(xiàn)MC方案以集中式的方式部署在分布式CN后，并且網(wǎng)絡(luò)接入的認證安全問題得以解決。而CONCERT中的控制實體conductor既可集中式部署也可以分層式部署，因此能夠有效實現(xiàn)負載均衡。

3 MEC環(huán)境下的計算卸載技術(shù)

計算卸載技術(shù)是MEC的一個重要應(yīng)用，通過將用戶設(shè)備請求的海量計算數(shù)據(jù)卸載到資源充足的網(wǎng)絡(luò)邊緣處，即代理服務(wù)器（基站、無線接入點）上進行處理，再把處理好的計算結(jié)果從代理服務(wù)器中返回至指定終端設(shè)備的過程[21-22]。通過計算卸載技術(shù)，超密集型網(wǎng)絡(luò)上的應(yīng)用資源受限的問題得以解決，提升了計算速度，降低了請求數(shù)據(jù)的傳輸時延和能耗，緩解了云中心高負載的壓力。

其中，計算卸載的另外一個重要方面是應(yīng)用的類型，因為它決定了計算任務(wù)是完全卸載還是部分卸載以及什么可以卸載。為此，根據(jù)應(yīng)用的類型進行分類。

（1）可卸載性：根據(jù)部分卸載的應(yīng)用程序的特征，大致可以分為兩種類型。第一種類型是計算任務(wù)可以被分為N個都可被卸載部分的應(yīng)用型APP，根據(jù)每個可卸載部分的數(shù)據(jù)量和所需的計算量確定應(yīng)該將哪部分卸載至MEC。第二類應(yīng)用程序由不可卸載的部分和M個可卸載的部分組成并將可卸載的部分卸載到MEC上。

（2）需要處理的數(shù)據(jù)量：根據(jù)所要處理的數(shù)據(jù)量，對應(yīng)用程序進行分類。第一類應(yīng)用程序是需要處理的數(shù)據(jù)是預(yù)先知道的，如人臉識別、信息掃描等。對于第二類應(yīng)用程序，由于這些應(yīng)用程序中的計算數(shù)據(jù)是連續(xù)執(zhí)行的，故無法估計所要處理的數(shù)據(jù)量和運行時間。

（3）可卸載部分的依賴性：應(yīng)用程序中能夠卸載部分之間的關(guān)系既可以是相互獨立的，也可以相互依賴。在相互獨立的前提下，應(yīng)用程序中的各部分數(shù)據(jù)可以同時并行卸載進行計算處理，然而在相互依賴的前提下，應(yīng)用程序中的數(shù)據(jù)由一些其他輸入部分組成，這時候并行卸載就不太適應(yīng)于此情況。

計算卸載的一個關(guān)鍵部分——卸載決策，即決定是否將程序進行卸載，在決定卸載時還需要考慮哪部分卸載至計算節(jié)點上以及卸載什么的問題[23]。目前計算卸載決策通常是以卸載時延和所消耗的能量作為衡量的標(biāo)準(zhǔn)。本文將從優(yōu)化目標(biāo)的角度來分析當(dāng)前卸載決策方案，表1為近年來有關(guān)卸載決策的部分研究進展。

3.1 最小化時延的卸載決策方法

在不進行計算卸載時，卸載時延指的是在移動終端處執(zhí)行本地任務(wù)所消耗的時間；在進行計算卸載時，卸載時延指的是終端設(shè)備請求的計算卸載數(shù)據(jù)到MEC節(jié)點上的傳輸時間、卸載數(shù)據(jù)在MEC節(jié)點處的處理時間、MEC節(jié)點返回已處理好的卸載數(shù)據(jù)結(jié)果的傳輸時間三者之和。

多源數(shù)據(jù)融合支持的智能交通系統(tǒng)是移動邊緣計算提供的一種很有前途的服務(wù)，融合結(jié)果以接近實時的方式進行傳遞，駕駛員或自動駕駛車輛可以在拐角處擴展感知范圍，增強和驗證局部觀察結(jié)果，從而做出更加安全智能的駕駛策略。故在文獻[24]中，為了加強和驗證實時觀察結(jié)果，擴大駕駛員或自動駕駛汽車的感應(yīng)范圍，從融合多源數(shù)據(jù)支持的智能交通系統(tǒng)的角度出發(fā)，制定了更加安全、反應(yīng)更加迅速的駕駛決策，通過分析車輛的最優(yōu)計算卸載決策，使用分層博弈來制定MEC與車輛之間的交集。將汽車用戶（Vehicle Users，VUs）需要檢測的關(guān)鍵對象定義為O={1,2,…,M}(V?O)，將V={1 ,2,…,N }，定義為VUs集。 xi(j)為VU-i從Oj中下載的數(shù)據(jù)大小，x={xi}i∈V表示VUs的下載數(shù)據(jù)大小的向量。

表1 MEC卸載決策方案總結(jié)歸類

通過建立相互耦合的上層MEC服務(wù)器和下層VU-i的優(yōu)化問題，文獻[24]提出了一種基于MPEC的等級博弈，并將MPEC問題轉(zhuǎn)化為一個可解的單層優(yōu)化問題。

基于MPEC的等級博弈的駕駛決策提供了一種簡單而有效的方式來影響VUs的卸載策略。在此，又通過對比集中式策略，建立一種集中式的方法來控制整個系統(tǒng)的卸載策略，使MEC服務(wù)器能夠直接決定VUs的卸載策略。將該集中式策略的效用函數(shù)和優(yōu)化問題形式化為：

通過對比此次的兩個策略，仿真結(jié)果表明該策略的卸載服務(wù)時延更小，系統(tǒng)效用損失較小。

文獻[25]利用計算復(fù)制來減少任務(wù)轉(zhuǎn)移的通信時間，計算復(fù)制的主要思想是允許終端設(shè)備將計算任務(wù)卸載給多個邊緣計算節(jié)點上并重復(fù)執(zhí)行卸載任務(wù)，使多個邊緣計算節(jié)點在下行鏈路中協(xié)同計算結(jié)果返回至終端設(shè)備。該方案首先通過引入計算復(fù)制和通信延時之間的權(quán)衡，提出了一種任務(wù)卸載分配方案。然后針對給定的計算負載，通過開發(fā)可實現(xiàn)的通信延時對。提出的傳輸協(xié)作模式能夠消除多用戶間的信道干擾，明顯降低多用戶多服務(wù)器在MEC網(wǎng)絡(luò)中的通信延時。

無線網(wǎng)狀網(wǎng)絡(luò)具備分散性、可擴展性和自組織等特點，因此具有更好的應(yīng)用前景，能夠應(yīng)用于戰(zhàn)場監(jiān)視、災(zāi)害事件的實時數(shù)據(jù)監(jiān)測以及緊急情況等特殊環(huán)境。文獻[26]使用Ns-3網(wǎng)絡(luò)模擬器構(gòu)建移動邊緣網(wǎng)絡(luò)計算系統(tǒng)。根據(jù)該系統(tǒng)以研究MEC輔助無線網(wǎng)狀網(wǎng)絡(luò)上的計算卸載。提出了一個基于區(qū)域的卸載策略（ABOP）算法，從而能夠在低延時和高完成率的情況下，在不同區(qū)域盡可能多地卸載任務(wù)，進而提高MEC的服務(wù)性能。

文獻[27]針對時延敏感型應(yīng)用，研究了多用戶計算卸載和傳輸調(diào)度的移動邊緣計算框架。通過考慮移動用戶的局部計算和邊緣計算、無線特性和非合作博弈行為之間的權(quán)衡，提出了一種新的MOTM機制，共同確定計算卸載方案、傳輸調(diào)度規(guī)則和定價規(guī)則。

文獻[28]采用了綠色能源與電網(wǎng)能源雙向支持的邊緣計算系統(tǒng)，提出了基于Lyapunov優(yōu)化技術(shù)的在線卸載算法，通過權(quán)衡平均響應(yīng)時間與平均能耗成本，生成最優(yōu)卸載方案。

3.2 最小化能耗的卸載決策方法

在不進行計算卸載時，能量消耗指的是在終端設(shè)備處執(zhí)行本地任務(wù)所消耗的能量；在進行計算卸載時，能量消耗指的是數(shù)據(jù)卸載至MEC計算節(jié)點上所消耗的能量、終端設(shè)備接收來自MEC計算節(jié)點返回的卸載數(shù)據(jù)結(jié)果的傳輸能耗二者之和。

MEC不僅允許將部分任務(wù)分配至計算節(jié)點上來降低服務(wù)器能量的消耗，而且能夠?qū)⒂嬎忝芗腿蝿?wù)分配到終端設(shè)備上，以充分利用終端設(shè)備的存儲和計算能力。設(shè)備間通信（Device-to-Device，D2D）被認為是5G系統(tǒng)中的一個重要范式[29]。資源不足的設(shè)備可以與資源豐富的設(shè)備建立D2D連接，以減輕該設(shè)備上計算任務(wù)的負擔(dān)。然而，由于現(xiàn)實移動設(shè)備之間的無線信道狀態(tài)變化極快，很難預(yù)測并確定計算卸載策略和最優(yōu)功率。文獻[30]通過研究D2D通信中的計算卸載問題，將強化學(xué)習(xí)與匹配理論相結(jié)合，提出了一種基于強化學(xué)習(xí)的計算卸載（Reinforcement Learning Based Computation Offloading，RLCO）方案，使卸載節(jié)點能夠基于歷史信道狀態(tài)分布式學(xué)習(xí)計算卸載策略?？紤]了一個基于D2D的計算卸載場景模型，包括N個卸載節(jié)點（Offloading Nodes，ONs）和 M 個協(xié)作節(jié)點（Cooperative Nodes，CNs）。為了使平均能耗最小化，將卸載策略和功率分配的優(yōu)化問題P1形式化為：

如果ON在時間段t內(nèi)知道任務(wù)卸載前的信道狀態(tài)信息（Channel State Information，CSI），則只需要通過遍歷所有的功率和卸載決策來計算總能耗。而在實際情況中，由于無法預(yù)測CSI來確定卸載策略和最優(yōu)功率。因此，文獻[30]提出了基于強化學(xué)習(xí)的計算卸載算法RLCO，使卸載節(jié)點能夠基于歷史信道狀態(tài)分布式學(xué)習(xí)計算卸載策略以解決問題P1。其中RLCO的主要步驟描述為：

（1）使用內(nèi)點法求解統(tǒng)計CSI下的功率分配問題。

（2）通過對卸載節(jié)點進行獨立訓(xùn)練得到每個節(jié)點的Q-value，并對其列表進行匹配。Q-value值越高，在列表中設(shè)置的優(yōu)先級越高，越有可能實現(xiàn)更低的能耗。

（3）通過分布式匹配算法構(gòu)造協(xié)作計算對來獲取卸載決策。

文獻[31]指出了更為有效的方法是部分卸載，設(shè)計了一種基于細粒度局部卸載框架的新型方案。首先提出了一種基于深度學(xué)習(xí)的高效節(jié)能卸載方案（EEDOS），該算法根據(jù)移動終端的剩余能量、應(yīng)用程序組件所消耗的能耗、網(wǎng)絡(luò)狀況等來選擇一組最優(yōu)應(yīng)用組件并卸載到云上。EEDOS首先通過建立的數(shù)學(xué)模型來生成各種局部和網(wǎng)絡(luò)條件下的數(shù)據(jù)集，計算所有可能的策略的成本。然后對該數(shù)據(jù)集進行深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練，經(jīng)過訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)來計算能耗最低的卸載方案。

文獻[32]將整個應(yīng)用程序劃分為多個基于DAG的子任務(wù)，然后在每個子任務(wù)的卸載決策中尋找最小解。提出了快速的啟發(fā)式算法來尋找滿足約束條件的解，在可靠性和延時約束下最小化用戶總能耗。

文獻[33]采用TDMA系統(tǒng)劃分時隙的概念，在每個時隙內(nèi)，用戶設(shè)備根據(jù)信道質(zhì)量、本地計算能耗以及用戶設(shè)備之間的公平性將其數(shù)據(jù)卸載到MEC。為不滿足應(yīng)用時延約束的用戶設(shè)備提供更高的優(yōu)先級，將計算任務(wù)在本地執(zhí)行，提出了基于閾值的最優(yōu)資源分配策略。由于通信和計算資源的聯(lián)合優(yōu)化具有較高的復(fù)雜度，提出了一種次優(yōu)分配算法，該算法將通信和計算資源分配分離。仿真結(jié)果表明，與最優(yōu)分配相比，次優(yōu)化算法的能耗增加了20%，但降低了算法復(fù)雜度。

文獻[34]對文獻[33]的卸載方案進行了拓展，提出了基于OFDMA系統(tǒng)的卸載方案，比在TDMA里實現(xiàn)的方案在能耗方面降低了90%。

3.3 基于高效節(jié)能和時延感知的卸載決策方法

在執(zhí)行復(fù)雜的卸載任務(wù)時，如圖像處理系統(tǒng)、車聯(lián)網(wǎng)和實時全息投影技術(shù)等，卸載任務(wù)的時延和能耗都會直接影響用戶的體驗質(zhì)量，故在執(zhí)行任務(wù)過程中，綜合考慮時延和能耗是確定卸載策略的重要參考因素。

文獻[35]以優(yōu)化卸載時延和能耗為目標(biāo)，研究了雙用戶MEC網(wǎng)絡(luò)中用戶間的依賴關(guān)系對卸載策略和資源分配的影響。根據(jù)用戶間任務(wù)的依賴關(guān)系對任務(wù)決策和資源分配的影響，提出了一個混合型整數(shù)優(yōu)化問題，分別通過二分搜索方法和降低復(fù)雜度的吉布斯采樣算法共同優(yōu)化每個移動無線設(shè)備的卸載決策和資源分配以最小化無線設(shè)備能耗及卸載計算的執(zhí)行時間。

文獻[36]以聯(lián)合優(yōu)化分配CPU周期、傳輸功率和計算卸載決策為目標(biāo)，最小化卸載任務(wù)時延和能耗的加權(quán)和進行權(quán)衡。提出了一種最小化卸載時延和能耗的分布式算法，然后利用精準(zhǔn)線搜索算法將問題分解為兩階段優(yōu)化問題，獲得處理任務(wù)的最優(yōu)資源分配和卸載決策。

文獻[37]提供了一個利用能耗和延時之間的權(quán)衡來聯(lián)合優(yōu)化無線電和計算資源分配的框架，允許用戶根據(jù)任務(wù)的計算隊列和無線信道狀態(tài)進行卸載決策。并建立了總卸載和無卸載情況下的最優(yōu)條件，通過確定應(yīng)用程序執(zhí)行過程中可承受的最小延時，分析無延時約束下的最小化總能耗。

文獻[38]討論了高斯方法在無線傳輸中的信道分配問題，并使用Lyapunov優(yōu)化算法求解計算卸載過程中計算資源和能量的分配問題。該算法的缺點是沒有考慮節(jié)點間數(shù)據(jù)通信的干擾和數(shù)據(jù)傳輸時間對總耗時的影響。

文獻[39]提出了一種具有計算接入點的多用戶數(shù)據(jù)卸載算法。該算法的目標(biāo)是聯(lián)合優(yōu)化計算時延、能耗和計算總成本。針對多目標(biāo)優(yōu)化問題，提出了一種基于半正定松弛的優(yōu)化方法。采用固定參數(shù)法得到局部最優(yōu)結(jié)果。其優(yōu)點是基于半正定松弛的優(yōu)化方法比基本的半正定松弛法更有效地節(jié)約能源。但聯(lián)合優(yōu)化結(jié)果沒有考慮運行時間成本。

3.4 最大化收益的卸載決策方法

由于無線網(wǎng)絡(luò)中的基站大多數(shù)采用的是多信道設(shè)置，無線訪問效率也是影響計算卸載性能和用戶總效益的一個關(guān)鍵因素。如何在多個移動設(shè)備之間通過無線接入?yún)f(xié)調(diào)以實現(xiàn)計算卸載是一個關(guān)鍵挑戰(zhàn)。文獻[40]通過分析移動設(shè)備計算卸載決策的結(jié)構(gòu)性，研究了多通道無線干擾環(huán)境下MEC的多移動設(shè)備的計算卸載問題。提出了多移動設(shè)備卸載的博弈策略，設(shè)計了一種能夠?qū)崿F(xiàn)Nash均衡的分布式計算卸載算法，并將稱量參數(shù)作為是否進行卸載任務(wù)的指標(biāo)，同時將其作為卸載任務(wù)判斷是降低能耗還是增加能耗的指標(biāo)，以實現(xiàn)用戶收益的最大化。

由于終端設(shè)備有限的存儲和計算能力，很難在本地運行區(qū)塊鏈應(yīng)用程序，故將區(qū)塊鏈應(yīng)用程序卸載到邊緣服務(wù)器上，提高拍賣參與者的最大化收益和服務(wù)質(zhì)量[41]。文獻[42]研究了移動區(qū)塊鏈應(yīng)用的計算卸載問題，以提高拍賣參與者的總效用為目標(biāo)。將需要執(zhí)行挖掘任務(wù)的用戶表示為買方，移動邊緣服務(wù)器表示為賣方，具有計算能力的基站充當(dāng)為拍賣商。在移動區(qū)塊鏈網(wǎng)絡(luò)中的整個拍賣過程中，買方報價的總額越高，買方提供的補償越多，就會吸引更多的賣方共享計算資源。故作者提出了NP-hard的多項選擇問題，制定了一種名為POEM+的拍賣機制來解決上述配問題。從而使拍賣參與者的利益最大化。

文獻[43]聯(lián)合優(yōu)化用戶的卸載決策、通信和資源分配以最小化用戶的計算成本，該優(yōu)化函數(shù)可表示為非凸二次約束規(guī)劃問題。并提出了有效的啟發(fā)式算法和隨機映射方法，有效減少用戶在時延和能耗上的總開銷。

文獻[44]利用二分法尋找需要計算卸載的用戶設(shè)備的最優(yōu)發(fā)送功率，匹配計算資源，在所提框架下提高用戶的任務(wù)卸載量，相比現(xiàn)有計算卸載方案能夠有效降低系統(tǒng)的總開銷。

文獻[45]提出了資源分配的優(yōu)化問題，并使用博弈算法和匈牙利算法的相互迭代解決此優(yōu)化問題，該方案能夠降低卸載能耗及時延，最小化系統(tǒng)的總開銷。

從以上四個優(yōu)化目標(biāo)的角度出發(fā)，通過對目前MEC計算卸載決策的分析和對比可知，將計算任務(wù)卸載至網(wǎng)絡(luò)邊緣處能夠明顯降低計算卸載時延和所消耗的能耗。而對時延和能耗都直接影響QoS的應(yīng)用，執(zhí)行復(fù)雜的計算卸載任務(wù)時，權(quán)衡卸載時延和能耗是確定卸載策略的重要參考因素。最大化收益的卸載策略本質(zhì)是上在權(quán)衡時延和能耗的條件下，通過分析這兩個指標(biāo)對計算卸載總消耗的影響，尋找合適的平衡點以達到最大化收益的目的。這些研究根據(jù)具體的實際計算卸載應(yīng)用場景，如智慧城市、車聯(lián)網(wǎng)等抽象出具體的數(shù)學(xué)模型，采用不同的卸載決策，確保計算卸載過程中的穩(wěn)定性以保障MEC的服務(wù)質(zhì)量。

表2 IIoT的主流MEC架構(gòu)與基于IIoT-MEC的新型IIoT體系架構(gòu)的對比

4 面向5G環(huán)境下MEC計算卸載技術(shù)的發(fā)展趨勢

第2章和3章所闡述的MEC架構(gòu)、部署方案以及計算卸載決策方法，主要都是應(yīng)用在4G網(wǎng)絡(luò)。然而，未來5G網(wǎng)絡(luò)從基礎(chǔ)架構(gòu)上做出了革新[46-48]。5G網(wǎng)絡(luò)服務(wù)的引入，提供了更高的網(wǎng)絡(luò)運行速度和更低的計算時延，同時為基站的運營帶來了新的架構(gòu)，增加了分布式基礎(chǔ)設(shè)施的靈活性。然而現(xiàn)有的4G終端設(shè)備的處理能力很難滿足低時延和高靈活性等應(yīng)用需求，因此并不適用于未來邊緣環(huán)境下MEC計算密集型應(yīng)用的卸載技術(shù)。本章將對5G環(huán)境下MEC計算卸載技術(shù)的發(fā)展趨勢進行展望。分析了5G環(huán)境下IIoT-MEC網(wǎng)絡(luò)部署架構(gòu)和面向5G環(huán)境下MEC計算密集型應(yīng)用的卸載方法。

4.1 面向5G環(huán)境的IIoT-MEC網(wǎng)絡(luò)部署架構(gòu)

隨著對MEC的深入研究，越來越多的研究人員正在考慮通過利用MEC技術(shù)支持更多的工業(yè)物聯(lián)網(wǎng)（Industrial Internet of Things，IIoT）功能[49-50]。工業(yè)物聯(lián)網(wǎng)作為物聯(lián)網(wǎng)在工業(yè)領(lǐng)域的重要應(yīng)用，已經(jīng)成為當(dāng)前熱門話題之一。如應(yīng)用程序的開發(fā)、數(shù)據(jù)的預(yù)處理和訪問設(shè)備的管理等。然而，現(xiàn)有基于云的IIoT架構(gòu)很難處理當(dāng)前工業(yè)物聯(lián)網(wǎng)所需的大規(guī)模連接設(shè)備和更高的業(yè)務(wù)要求。因此，隨著5G時代的到來，利用MEC來增強5G對IIoT的支撐能力已成為學(xué)術(shù)界和工業(yè)界的共識。表2展示了用于IIoT的現(xiàn)有主流MEC架構(gòu)和基于IIoTMEC的新型IIoT體系架構(gòu)區(qū)別[51]。

4.1.1 基于IIoT-MEC的IIoT體系架構(gòu)

針對當(dāng)前IIoT架構(gòu)的主要問題，一種IIoT的新穎MEC框架——IIoT-MEC[52]應(yīng)運而生。如圖8所示，該體系架構(gòu)分為三層，包括設(shè)備層、IIoT-MEC層和云計算層。

圖8 基于IIoT-MEC的IIoT體系架構(gòu)

（1）設(shè)備層：設(shè)備層由許多IIoT設(shè)備組成，主要負責(zé)物理端和數(shù)字端的連接，具有收集數(shù)據(jù)并將其傳輸?shù)缴蠈蛹皥?zhí)行從上層返回的命令的功能。

（2）IIoT-MEC層：IIoT-MEC層主要由宏基站、微基站和IIoT-MEC服務(wù)器組成，這一層集成了通信、計算和存儲功能。如設(shè)備的訪問、設(shè)備功能虛擬化、資源協(xié)調(diào)與管理等功能。

（3）云計算層：云計算層由高性能的服務(wù)器組成，具有強大的計算和存儲能力。最重要的作用是作為設(shè)備功能虛擬化（Device Function Virtualization，DFV）映像存儲庫。每個新設(shè)備只需被開發(fā)一次，然后開發(fā)的內(nèi)容由Docker自動包裝成一個DFV映像并上傳至云端。

4.1.2 基于IIoT-MEC的服務(wù)器框架

通過構(gòu)建支持5G環(huán)境下的IIoT-MEC網(wǎng)絡(luò)部署架構(gòu)，開發(fā)人員無需關(guān)注任何硬件和軟件細節(jié)等，就可以直接操作虛擬設(shè)備來構(gòu)建IIoT應(yīng)用程序。如圖9所示，該IIoT-MEC服務(wù)器架構(gòu)主要由網(wǎng)絡(luò)層、資源虛擬化層、資源管理層和應(yīng)用程序?qū)咏M成。

圖9 基于IIoT-MEC的服務(wù)器框架

（1）網(wǎng)絡(luò)層：網(wǎng)絡(luò)層主要負責(zé)所有通信功能，能夠充當(dāng)數(shù)據(jù)傳輸?shù)慕涌?。能夠連接所有與IIoT-MEC配對的基站所覆蓋的設(shè)備，并且能夠與其他IIoT-MEC服務(wù)器在一定域內(nèi)進行交互以分布式的支持IIoT的服務(wù)。

（2）資源虛擬化層：在資源虛擬化層，通過使用Docker容器將MEC服務(wù)器中的計算和存儲資源分割成多個資源塊（Resource Blocks，RBs），其中RBs的容量可以實時地進行動態(tài)調(diào)整。其中一部分RBs用于“設(shè)備功能虛擬化”，用于消除IIoT設(shè)備之間的硬件差異，然后將現(xiàn)實中的物理設(shè)備映射到虛擬設(shè)備中。而另外一些具有計算資源的RBs則被應(yīng)用來支持IIoT服務(wù)的操作。

（3）資源管理層：資源管理層負責(zé)服務(wù)和虛擬資源之間的協(xié)調(diào)。

（4）應(yīng)用程序?qū)樱簯?yīng)用層負責(zé)IIoT應(yīng)用程序的開發(fā)、部署和操作。根據(jù)業(yè)務(wù)需求，可以將其放置在云服務(wù)器、IIoT-MEC服務(wù)器甚至用戶設(shè)備上。

4.2 面向5G環(huán)境的MEC卸載方案優(yōu)化

4.2.1 基于深度強化學(xué)習(xí)的輕量級任務(wù)卸載策略

MEC要想滿足5G所需的超低延時和高能效等業(yè)務(wù)需求，在多變的無線環(huán)境下保證服務(wù)的可靠性和任務(wù)卸載效率，關(guān)鍵一點是根據(jù)任務(wù)卸載類型確定有效的卸載決策以達到節(jié)省卸載時延和能耗的目的，在邊緣服務(wù)器集群上具有更高的資源利用率。

當(dāng)前基于強化學(xué)習(xí)的MEC卸載方案已得到廣泛的研究，雖然強化學(xué)習(xí)有許多優(yōu)點，但由于缺乏可伸縮性，本質(zhì)上局限于低維問題。為了解決強化學(xué)習(xí)中的決策難題，將深度學(xué)習(xí)的感知能力與強化學(xué)習(xí)的決策能力相融合，依靠函數(shù)逼近和深度神經(jīng)網(wǎng)絡(luò)的表達學(xué)習(xí)特性來解決高維狀態(tài)空間和行為空間的環(huán)境問題[53]。提出了一種基于深度強化學(xué)習(xí)的MEC輕量級任務(wù)卸載方案優(yōu)化（IDRQN）[54]。該方案利用LSTM網(wǎng)絡(luò)和候選網(wǎng)絡(luò)對DQN算法進行優(yōu)化。

（1）基于LSTM網(wǎng)絡(luò)的優(yōu)化?？紤]到MEC中資源隨時間逐漸變化以及LSTM網(wǎng)絡(luò)長期狀態(tài)下的存儲能力，對LSTM網(wǎng)絡(luò)進行優(yōu)化。提出了將LSTM和DQN相結(jié)合的方法處理任務(wù)卸載問題。DQN是一種基于值迭代的深度強化學(xué)習(xí)算法，其目標(biāo)是估計最優(yōu)決策的Q值。其中，遞歸結(jié)構(gòu)通過將DQN網(wǎng)絡(luò)的最后一個全連接層替換為LSTM層以用于集成任何長期歷史數(shù)據(jù)，從而更準(zhǔn)確地估計當(dāng)前狀態(tài)。DRQN算法通過當(dāng)前時間步長的觀測狀態(tài)和之前時間步長的動作組成狀態(tài)動作對，并將其與LSTM中的輸出值集成，得到真實的環(huán)境狀態(tài)，然后將其導(dǎo)入深度神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。

（2）基于候選網(wǎng)絡(luò)的優(yōu)化。DQN算法通過延時更新來保證當(dāng)前網(wǎng)絡(luò)與目標(biāo)網(wǎng)絡(luò)的參數(shù)差以增加訓(xùn)練過程的穩(wěn)定性。但由于DQN算法在動作評價和動作選擇上使用了相同的網(wǎng)絡(luò)。當(dāng)訓(xùn)練過程中某個動作的值被高估時，相應(yīng)動作的值在后續(xù)參數(shù)更新時不可避免地會被高估進而會影響算法的穩(wěn)定性，導(dǎo)致生成的不是最優(yōu)卸載決策。因此可以考慮將動作選擇和動作評估解耦，以保證獲取最優(yōu)學(xué)習(xí)策略。

由于DQN算法的訓(xùn)練過程采用隨機抽樣的方法來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，不同的樣本會形成不同的目標(biāo)網(wǎng)絡(luò)，每個目標(biāo)網(wǎng)絡(luò)都有自己的優(yōu)勢。為了充分利用每個目標(biāo)網(wǎng)絡(luò)基于不同樣本和迭代的狀態(tài)優(yōu)勢，在此將候選網(wǎng)絡(luò)集劃分為兩個網(wǎng)絡(luò)集，Net1根據(jù)迭代次數(shù)進行更新，Net2更具獎勵值進行更新。最后選擇當(dāng)前狀態(tài)動作對獎勵值最大的網(wǎng)絡(luò)參數(shù)作為目標(biāo)網(wǎng)絡(luò)的參數(shù)。

為了反應(yīng)不同時間段內(nèi)移動應(yīng)用程序的資源利用率，使用谷歌集群跟蹤數(shù)據(jù)集模擬每個模塊的利用率隨時間的變化。在參數(shù)相同的情況下，通過比較不同算法的損失函數(shù)值，損失函數(shù)值越小，網(wǎng)絡(luò)模型的結(jié)果越好，對解決短周期訓(xùn)練問題有很大優(yōu)勢。實驗結(jié)果表明，IDQRN和DQRN算法的損失函數(shù)值相似，但隨著迭代次數(shù)的增加，IDQRN算法的損失函數(shù)值下降幅度大于DQRN算法，因此當(dāng)?shù)螖?shù)相同時，IDQRN更容易得到問題的最優(yōu)解。隨著應(yīng)用程序數(shù)量的增加，DQN算法生成的卸載決策在負載均衡方面表現(xiàn)較差，DQRN算法在能耗和時延方面有很好的效果，IDQRN算法生成的決策在成本和延時方面效果較好，但在網(wǎng)絡(luò)使用方面效果較差。在使用高效益功率比的邊緣服務(wù)器時，IDQN算法在成本、延時和網(wǎng)絡(luò)使用情況效果一般，而在平均執(zhí)行時延方面相對較差。根據(jù)各算法多方面的結(jié)果，基于LSTM網(wǎng)絡(luò)優(yōu)化和候選網(wǎng)絡(luò)優(yōu)化的IDQRN算法在很大程度上滿足延時感知應(yīng)用，能夠以有效解決任務(wù)卸載MEC問題。

4.2.2 基于D2D協(xié)作的MEC卸載策略

D2D通信和MEC技術(shù)是未來邊緣網(wǎng)絡(luò)環(huán)境下通信技術(shù)的兩大發(fā)展趨勢[55]。由于缺乏集成D2D和MEC框架，解決高能和高時延等問題面臨著嚴重的挑戰(zhàn)。在此基礎(chǔ)上，5G環(huán)境下基于D2D協(xié)作的MEC卸載方案[56]應(yīng)運而生。

該方案通過在MEC服務(wù)器上接收任務(wù)執(zhí)行和卸載請求，根據(jù)最后任務(wù)期限和能耗約束對卸載請求進行分類以聯(lián)合解決時延和能耗成本。利用最小代價和最大匹配法來尋找合適的卸載目的地，并將尋找合適的卸載目的地的算法分為兩個階段：第一個階段是針對延時敏感型任務(wù)，需要分配更高的優(yōu)先級以滿足最后任務(wù)期限，用最小代價和最大匹配法求解。根據(jù)結(jié)果，MEC可以選擇并保留自己的資源，也可以選擇附近的設(shè)備進行D2D協(xié)作，然后MEC將結(jié)果報告給請求設(shè)備，這些設(shè)備可以通過D2D通信卸載任務(wù)或?qū)⑵浒l(fā)送至MEC；第二個階段是針對能量需求型任務(wù)，同樣，用最小代價和最大匹配法求解，請求設(shè)備將任務(wù)卸載至鄰近的節(jié)點或MEC上。圖10為基于D2D協(xié)作的MEC卸載策略流程圖。

圖10 基于D2D協(xié)作的MEC卸載策略流程圖

實驗結(jié)果表明，在啟用D2D協(xié)作式方案時，邊緣服務(wù)器超載的情況下，附近的空閑設(shè)備可以處理卸載任務(wù)；當(dāng)設(shè)備數(shù)量增加時，附近的空閑設(shè)備數(shù)量也會增加，當(dāng)任務(wù)分配率增加時，鄰近的空閑設(shè)備數(shù)量就會減少，該方案可以使用MEC的資源運行卸載任務(wù)。在這兩種情況下，該方案都能表現(xiàn)出較高的節(jié)能穩(wěn)定性。隨著請求設(shè)備數(shù)量的增加，更多的空閑節(jié)點參與協(xié)作，因此在該方案中，平均執(zhí)行時延有所降低，更優(yōu)于現(xiàn)有研究。

5 問題與挑戰(zhàn)

MEC因其數(shù)據(jù)的計算和存儲等資源更接近于終端設(shè)備而廣受關(guān)注。并且，由于計算資源更靠近終端設(shè)備或用戶，故能夠支持具有實時性的計算卸載任務(wù)。盡管如此，MEC技術(shù)在某些方面仍然不太成熟，在將其應(yīng)用至5G網(wǎng)絡(luò)之前仍有許多問題和挑戰(zhàn)需要解決[57-58]。本章將討論在當(dāng)前MEC領(lǐng)域中未能解決的幾個挑戰(zhàn)性問題。

5.1 計算卸載決策

卸載決策方法在卸載技術(shù)中起著關(guān)鍵性作用，因為它決定了終端設(shè)備或用戶所提交的請求是卸載至本地設(shè)備還是云端上并進行相應(yīng)的處理。在上述所討論的以降低能耗為目標(biāo)的卸載決策中，幾乎所有的關(guān)注點都考慮的是降低用戶所消耗的能耗而非MEC能耗（包括計算和相關(guān)通信），為了符合未來綠色網(wǎng)絡(luò)的發(fā)展，以降低MEC能耗為目標(biāo)的卸載決策應(yīng)有顯著的研究點。此外，所有與卸載決策相關(guān)研究都是假定的靜態(tài)場景，也就是說終端設(shè)備或是用戶在卸載前后的過程中都是假定沒有移動的。即使這些假定成立，在卸載過程中也會由于低移動性導(dǎo)致信道質(zhì)量下降，故也會卸載任務(wù)的能耗也會增加。因此，有必要提出更新穎的卸載決策方法，更加關(guān)注5G環(huán)境中移動邊緣計算動態(tài)卸載的解決方案[59]。為此，關(guān)于動態(tài)卸載問題的研究陸續(xù)展開[60-63]，例如，利用卸載過程中對用戶遷移率和信道質(zhì)量的各種預(yù)測技術(shù)[60-61]；將移動用戶在動態(tài)環(huán)境下的卸載決策過程描述為隨機博弈并提出了全分布式算法[62]，該算法在動態(tài)環(huán)境下具有一定的收斂速度；利用基于邏輯的彎管分解技術(shù)研究了動態(tài)任務(wù)卸載和調(diào)度問題[63]。因此，動態(tài)卸載方案能夠很好地解決MEC環(huán)境下計算卸載問題，更好地估計不同條件下卸載成本。

5.2 干擾管理

如果多個用戶設(shè)備同時將任務(wù)卸載至MEC節(jié)點上，將會產(chǎn)生嚴重的干擾問題。如何在保證用戶服務(wù)質(zhì)量的前提下解決干擾問題是MEC計算卸載技術(shù)所面臨的嚴峻挑戰(zhàn)之一。由于干擾管理的本質(zhì)是資源的沖突利用，網(wǎng)絡(luò)資源的不合理分配是產(chǎn)生干擾的根本原因。因此，有效的資源分配是解決干擾問題的重要手段，即通過合理的網(wǎng)絡(luò)資源分配和修正的資源分配決策增加網(wǎng)絡(luò)容量。盡管如此，干擾管理仍然面臨著MEC部署方式和資源分配引發(fā)的問題挑戰(zhàn)。

由于MEC服務(wù)器隨機部署在網(wǎng)絡(luò)邊緣處，并且覆蓋范圍方式無法預(yù)測，從而導(dǎo)致不同區(qū)域下的干擾分布情況不同。當(dāng)干擾信號達到一定的程度時，會出現(xiàn)淹沒有用信號的可能性，對邊緣系統(tǒng)的吞吐量產(chǎn)生一定的影響，并且，眾多終端設(shè)備的卸載請求以及復(fù)雜的網(wǎng)絡(luò)環(huán)境將會導(dǎo)致資源分配率的降低。故結(jié)合MEC服務(wù)器的位置信息和用戶設(shè)備的卸載請求預(yù)測智能處理干擾問題是未來邊緣網(wǎng)絡(luò)中計算卸載干擾管理的有效技術(shù)之一。

其次，計算資源和網(wǎng)絡(luò)資源的合理分配也是解決干擾問題的重點，如何根據(jù)用戶設(shè)備的卸載請求進行合理的資源分配是解決干擾問題的途徑之一。目前解決資源分配的方法有很多[64-67]。例如，考慮干擾情況下的計算資源分配方案，通過聯(lián)合優(yōu)化子信道分配和功率分配，以最大限度地提高下行NOMA網(wǎng)絡(luò)的能源效率，解決NOMA中資源配置的問題[64]；以最小化二次干擾功率為目標(biāo)，提出了一種基于能耗效率和頻譜效率權(quán)衡的資源分配方案[65]；通過計算任務(wù)的數(shù)據(jù)量和MEC服務(wù)器的服務(wù)能力等制定卸載決策，以優(yōu)化卸載決策、計算資源分配和物理資源塊（Physical Resource Block，PRB）為目標(biāo)，采用改進的圖著色方法為用戶設(shè)備分配PRB，通過最小化時延對計算資源進行分配，在保證QoS的前提下對資源進行合理的分配[66]；基于多輸入、多輸出的全雙工D2D網(wǎng)絡(luò)中的多對多通道（MPMC）分配方案[67]，通過對資源的優(yōu)化配置和對蜂窩用戶保持一個期望的閾值率，以最大限度地提高D2D網(wǎng)絡(luò)的聚合和數(shù)據(jù)率，通過信道分配和功率分配處理層間干擾。由于MEC的分布式部署方式和龐大的卸載數(shù)據(jù)，故計算卸載技術(shù)解決干擾問題的方式區(qū)別于傳統(tǒng)網(wǎng)絡(luò)。因此，合理的資源分配方案成為解決干擾問題的有效手段。

5.3 網(wǎng)絡(luò)控制協(xié)議和算法

為了構(gòu)建智能MEC系統(tǒng)，對新的網(wǎng)絡(luò)控制協(xié)議和算法設(shè)計提出了嚴峻的挑戰(zhàn)。其中包括：如何快速有效地進行路由請求，將流量引導(dǎo)到網(wǎng)絡(luò)中以提供服務(wù)；如何無縫處理用戶的移動性管理和相應(yīng)的服務(wù)，以及動態(tài)縮放切片，使計算功能和相關(guān)數(shù)據(jù)在移動用戶附近進行自適應(yīng)分配；如何將服務(wù)從一個虛擬網(wǎng)絡(luò)無縫遷移到另一個虛擬網(wǎng)絡(luò)，并在遷移過程中保持暢通狀態(tài)，以避免服務(wù)中斷；如何實現(xiàn)高效的分布式服務(wù)控制。目前常用的網(wǎng)絡(luò)控制協(xié)議與算法也有很多[68-69]，例如：對Ad Hoc網(wǎng)絡(luò)中一種隱式逐跳的跨層擁塞控制協(xié)議做了改進[68]，通過路由層、MAC層與傳輸層合作，使得隱式逐跳的傳輸控制協(xié)議在無線傳感器網(wǎng)絡(luò)中能夠適用。采用多跳的低能耗不等聚類協(xié)議[69]，該協(xié)議將能耗和距離因素引入適應(yīng)度函數(shù)中以選擇簇頭和子簇頭，簇頭通過子簇頭與基站通信，同時利用代價函數(shù)形成簇頭與基站之間的最優(yōu)路徑。

5.4 移動性管理

當(dāng)用戶在不同基站之間移動時，如果將用戶的計算任務(wù)卸載至MEC，如何保證MEC服務(wù)的連續(xù)性是MEC計算卸載的重大挑戰(zhàn)之一。VM遷移能夠有效解決用戶設(shè)備移動性管理的各種問題與挑戰(zhàn)。分布式移動性管理[70]克服了集中式移動性管理的缺陷，是解決用戶設(shè)備移動性問題的有效方案之一。然而，考慮MEC服務(wù)器需頻繁地遷移MEC服務(wù)并將其放置在距離用戶設(shè)備更近的位置，那么，將用戶的任務(wù)請求重定向到托管服務(wù)的遠程MEC服務(wù)器并不是最佳解決方案。除此之外，在跨邊緣網(wǎng)絡(luò)環(huán)境中，MEC服務(wù)遷移需要將虛擬應(yīng)用實例傳輸?shù)侥繕?biāo)位置上，但此方案的傳輸代價會更高。近年來，研究人員也提出了一系列方案[71-74]。例如，利用IP移動性服務(wù)的解決方案解決在廣域網(wǎng)上執(zhí)行具有IP連續(xù)性的遷移問題[71]，但由于更改IP地址而導(dǎo)致服務(wù)中斷，再重新建立新的IP地址連接時，會對用戶的服務(wù)質(zhì)量造成影響；為了解決IP服務(wù)移動性管理問題，提出了Follow-Me-Cloud的概念[72]，介紹了一種跟隨用戶移動的云服務(wù)框架，該方案通過服務(wù)/數(shù)據(jù)識別的方式轉(zhuǎn)換IP尋址，通過將該框架的第二層和第三層與服務(wù)移動性分離，確保無縫遷移和服務(wù)的連續(xù)性；通過在架構(gòu)中引入SDN方法[73]，并融合了分布式彈性控制器來進一步完善Follow-Me-Cloud的解決方案；通過引入基于位置/ID分離協(xié)議的方法以減少VM遷移的服務(wù)中斷時間[74]，研究了VM的遷移和用戶設(shè)備的移動性，對于邊緣計算的網(wǎng)絡(luò)環(huán)境，通過利用SDN控制器，使用監(jiān)控服務(wù)做出策略調(diào)整，保證有效的QoE管理。

為了完成用戶設(shè)備的任務(wù)遷移，移動性管理技術(shù)要滿足對時延和安全等方面的需求，因此，需要對低時延、路徑預(yù)測技術(shù)等進行考量。對于低延時的移動性管理技術(shù)，當(dāng)用戶設(shè)備從MEC區(qū)域移動到另外一個區(qū)域時，需要對VM和任務(wù)數(shù)據(jù)進行遷移，這時可以考慮在回程鏈路上選用高速通路，對傳輸數(shù)據(jù)進行壓縮處理，以簡化VM復(fù)原流程等。與此同時，路徑預(yù)測技術(shù)對移動性管理同樣起著支撐作用。路徑預(yù)測技術(shù)統(tǒng)計并利用用戶設(shè)備軌跡的信息預(yù)測用戶設(shè)備下一個將要到達的MEC區(qū)域，從而能夠?qū)?shù)據(jù)提前傳輸至下一個節(jié)點。但是這一技術(shù)面臨著兩個嚴峻挑戰(zhàn)：第一個是軌跡預(yù)測。要想獲取準(zhǔn)確的用戶設(shè)備的軌跡預(yù)測，需要精確的建模以及高復(fù)雜度的機器學(xué)習(xí)技術(shù)，以完成用戶設(shè)備的任務(wù)遷移；第二個是如何選擇預(yù)先進行傳輸?shù)挠嬎銛?shù)據(jù)。由于用戶設(shè)備的軌跡預(yù)測不一定準(zhǔn)確，這時將用戶設(shè)備的所有數(shù)據(jù)傳輸?shù)筋A(yù)測的節(jié)點上可能會造成資源浪費。

用戶設(shè)備的移動性管理是邊緣計算中的關(guān)鍵挑戰(zhàn)，對遷移決策有著重要影響。因此，針對這兩個挑戰(zhàn)，需要研究學(xué)者們進行深入探索，尋找解決未來邊緣網(wǎng)絡(luò)中的移動性管理策略。

6 結(jié)束語

MEC通過移動網(wǎng)絡(luò)融合傳統(tǒng)的集中式數(shù)據(jù)中心的云計算服務(wù)平臺，將原本位于云計算中心的服務(wù)和計算及存儲等功能“發(fā)散”到移動網(wǎng)絡(luò)的邊緣處，通過在網(wǎng)絡(luò)邊緣處部署具有計算和存儲能力的邊緣節(jié)點，使其能夠滿足移動互聯(lián)網(wǎng)行業(yè)并提供快速連接、實時數(shù)據(jù)操作、安全和隱私保護等方面的需求。本文重點對MEC的網(wǎng)絡(luò)架構(gòu)及其部署方案做了相關(guān)描述，并對近年來的計算卸載決策進行了分析和總結(jié)。通過對比不同MEC計算卸載方案，對面向5G環(huán)境下MEC計算卸載技術(shù)的發(fā)展趨勢進行展望，分析了5G環(huán)境下IIoT-MEC網(wǎng)絡(luò)部署架構(gòu)和面向5G環(huán)境下MEC計算密集型應(yīng)用的卸載方法。根據(jù)本文所調(diào)查的卸載方案，總結(jié)出了MEC所面臨的問題及挑戰(zhàn)。目前MEC的研究的重點是如何在高度動態(tài)的網(wǎng)絡(luò)環(huán)境中保證服務(wù)的連續(xù)性，然而這一方面正是阻滯MEC快速發(fā)展的原因之一。通過該綜述研究的領(lǐng)域和方法，總結(jié)出該領(lǐng)域的研究思路，從而為相關(guān)領(lǐng)域的研究人員提供參考和幫助。