邊緣環(huán)境下計算密集型應用的卸載技術研究

劉炎培，朱 淇，趙進超

鄭州輕工業(yè)大學 計算機與通信工程學院，鄭州 450002

1 引言

根據Hootsuite最新全球數(shù)據報告顯示，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)網用戶數(shù)量同比2018年增長了9%，到2021年底，全球移動數(shù)據流量將達到每月466億GB，其中智能手機將占86%，全球將迎來網絡數(shù)據信息爆炸式增長的互聯(lián)網時代。此外，隨著5G網絡的日益普及，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)務類型對運營商的傳輸網絡和核心網絡構成了巨大挑戰(zhàn)。由于這些應用程序場景可以為用戶帶來更高的帶寬速率、更多的網絡連接和更低的時延，導致核心網絡需要在單位時間內處理的數(shù)據大小和業(yè)務請求呈指數(shù)型增長。因此，隨著移動設備和物聯(lián)網設備承載的網絡流量的增加，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來說，這種模式會引起高延時、網絡堵塞等問題[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技術發(fā)展的關鍵因素。MEC將計算和存儲資源引入到移動網絡的邊緣，降低終端設備的計算時延和能耗，提升用戶對移動互聯(lián)網應用的體驗質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的支撐[5]，計算卸載技術作為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備的計算數(shù)據上傳至云中并進行一系列計算處理的技術。在萬物互聯(lián)的信息時代下，要想實現(xiàn)傳輸數(shù)據低延時、服務器低能耗、移動終端資源高存儲這些情況，需要將復雜的計算任務卸載到網絡邊緣服務器上進行計算處理。

MEC不僅推動了5G技術的發(fā)展，以計算卸載為代表的技術更是成為MEC領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研究。文獻[7]從MEC的計算、資源分配和內容緩存等角度出發(fā)，介紹了當前MEC的關鍵技術進展。文獻[8]詳細總結了D2D通信的流量卸載技術。文獻[9]針對現(xiàn)有分布式系統(tǒng)和MEC系統(tǒng)的不可預測性，提出了基于異構分布式系統(tǒng)的自適應機器學習的調度框架和用于機器學習模型優(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，總結當前5G所需的MEC部署方案和卸載方案，也缺少在5G環(huán)境下MEC領域中未能解決的研究問題和挑戰(zhàn)。因此，本文對當前MEC部署方案和計算卸載方案進行了詳細的論述，通過對當前MEC計算卸載技術的研究成果進行分析、對比和總結，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

歐洲電信標準協(xié)會（European Telecommunications Standards Institute，ETSI）通過將邊緣計算融合到移動網絡的架構，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卸載到網絡邊緣處，在網絡邊緣執(zhí)行計算和存儲的一種新型計算模型。即通過移動網絡融合傳統(tǒng)的集中式數(shù)據中心的云計算服務平臺，將原本位于云計算中心的服務、計算、存儲等功能“發(fā)散”到移動網絡的邊緣處，在網絡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)網行業(yè)并提供快速連接、實時數(shù)據操作、安全和隱私保護等方面的需求。

2.2 MEC網絡架構

ETSI中描述的參考體系結構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平臺應用相關的參考點，Mm表示和管理相關的參考點，Mx表示和外部實體相關的參考點。該網絡架構主要包含兩部分：移動邊緣系統(tǒng)層和移動邊緣服務器層。

圖1 MEC網絡架構

MEC可以被位于用戶設備（User Equipment，UE）中的應用程序直接訪問，或由第三方客戶通過客戶服務門戶（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決定是否批準該請求，授予的請求被轉發(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，能夠根據應用程序需求將虛擬的MEC資源分配給即將啟動的應用程序。

MEC系統(tǒng)管理層與MEC服務器管理層相互連接，組成移動邊緣平臺管理器和虛擬化平臺管理器。其中，MEC服務器管理層負責分配、管理和釋放MEC服務器內的虛擬化基礎設施提供的虛擬化計算/存儲資源。MEC服務器是參考體系結構的一個組成部分，表示虛擬化的資源，并在虛擬化基礎設施上作為VM運行MEC應用程序。

2.3 MEC部署方案

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

（1）Mobile Micro Clouds（MMC）：MMC通過將服務器部署在基站以降低用戶訪問云服務時的時延[12-13]。如圖2所示，MMC部署中未將任何控制實體引入網絡中，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)用戶在網絡移動中VM的遷移工作并保證了服務的連續(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可以利用網絡功能虛擬化（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主要負責管理SCeNB提供的計算和存儲資源，并對SCC內的計算資源具有動態(tài)管理的功能。根據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，位于靠近SCeNB的集群中，也可作為對MME的擴展部署在核心網[16]。當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架構通過軟件定義網絡（Software Defined Network，SDN）和NFV技術以向后兼容的方式將云服務集成到移動網絡中[17]。如圖5所示，F(xiàn)MPC中的云服務資源部署在RAN內或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），能夠與移動網絡、SDN交換機和運營商的云進行交互。MC通過監(jiān)控移動網絡元素間的控制平面信令交換和SDN網絡中編排情況，隨時掌握用戶的動態(tài)信息，保證用戶在網絡移動過程中，方便進行應用程序的卸載和遷移。

圖5 FMPC部署方案

（4）Follow Me Cloud（FMC）：FMC的關鍵思想是在分布式數(shù)據中心（Data Center，DC）上部署云服務器以提供邊緣服務[18-19]。如圖6所示，F(xiàn)MC的計算存儲資源部署在中心網絡上，其計算和存儲能力距離用戶更遠。FMC在網絡體系結構中引入了新的實體，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，并且決定哪個DC應該使用云服務與用戶進行關聯(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)調體系結構的計算、通信和存儲資源。conductor可以集中式部署或分層部署。數(shù)據平面主要是由eNodeB、本地服務器、中心服務器、SDN交換機組成。CONCERT通過將網絡中的資源以分層式的方式進行分配，以便靈活管理網絡和云服務。

圖7 CONCERT部署方案

MEC部署方案取決于多種因素的選擇，其中包括云服務的可擴展性、性能指標和部署位置的約束等。當前MEC部署方案SCC、MCC和FMPC的部署位置靠近網絡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，并且網絡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

計算卸載技術是MEC的一個重要應用，通過將用戶設備請求的海量計算數(shù)據卸載到資源充足的網絡邊緣處，即代理服務器（基站、無線接入點）上進行處理，再把處理好的計算結果從代理服務器中返回至指定終端設備的過程[21-22]。通過計算卸載技術，超密集型網絡上的應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用的類型，因為它決定了計算任務是完全卸載還是部分卸載以及什么可以卸載。為此，根據應用的類型進行分類。

（1）可卸載性：根據部分卸載的應用程序的特征，大致可以分為兩種類型。第一種類型是計算任務可以被分為N個都可被卸載部分的應用型APP，根據每個可卸載部分的數(shù)據量和所需的計算量確定應該將哪部分卸載至MEC。第二類應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)據量：根據所要處理的數(shù)據量，對應用程序進行分類。第一類應用程序是需要處理的數(shù)據是預先知道的，如人臉識別、信息掃描等。對于第二類應用程序，由于這些應用程序中的計算數(shù)據是連續(xù)執(zhí)行的，故無法估計所要處理的數(shù)據量和運行時間。

（3）可卸載部分的依賴性：應用程序中能夠卸載部分之間的關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，應用程序中的各部分數(shù)據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，應用程序中的數(shù)據由一些其他輸入部分組成，這時候并行卸載就不太適應于此情況。

計算卸載的一個關鍵部分——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準。本文將從優(yōu)化目標的角度來分析當前卸載決策方案，表1為近年來有關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)行本地任務所消耗的時間；在進行計算卸載時，卸載時延指的是終端設備請求的計算卸載數(shù)據到MEC節(jié)點上的傳輸時間、卸載數(shù)據在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)據結果的傳輸時間三者之和。

多源數(shù)據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，融合結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果，擴大駕駛員或自動駕駛汽車的感應范圍，從融合多源數(shù)據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)據大小，x={xi}i∈V表示VUs的下載數(shù)據大小的向量。

表1 MEC卸載決策方案總結歸類

通過建立相互耦合的上層MEC服務器和下層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，仿真結果表明該策略的卸載服務時延更小，系統(tǒng)效用損失較小。

文獻[25]利用計算復制來減少任務轉移的通信時間，計算復制的主要思想是允許終端設備將計算任務卸載給多個邊緣計算節(jié)點上并重復執(zhí)行卸載任務，使多個邊緣計算節(jié)點在下行鏈路中協(xié)同計算結果返回至終端設備。該方案首先通過引入計算復制和通信延時之間的權衡，提出了一種任務卸載分配方案。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器在MEC網絡中的通信延時。

無線網狀網絡具備分散性、可擴展性和自組織等特點，因此具有更好的應用前景，能夠應用于戰(zhàn)場監(jiān)視、災害事件的實時數(shù)據監(jiān)測以及緊急情況等特殊環(huán)境。文獻[26]使用Ns-3網絡模擬器構建移動邊緣網絡計算系統(tǒng)。根據該系統(tǒng)以研究MEC輔助無線網狀網絡上的計算卸載。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，進而提高MEC的服務性能。

文獻[27]針對時延敏感型應用，研究了多用戶計算卸載和傳輸調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衡，提出了一種新的MOTM機制，共同確定計算卸載方案、傳輸調度規(guī)則和定價規(guī)則。

文獻[28]采用了綠色能源與電網能源雙向支持的邊緣計算系統(tǒng)，提出了基于Lyapunov優(yōu)化技術的在線卸載算法，通過權衡平均響應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備處執(zhí)行本地任務所消耗的能量；在進行計算卸載時，能量消耗指的是數(shù)據卸載至MEC計算節(jié)點上所消耗的能量、終端設備接收來自MEC計算節(jié)點返回的卸載數(shù)據結果的傳輸能耗二者之和。

MEC不僅允許將部分任務分配至計算節(jié)點上來降低服務器能量的消耗，而且能夠將計算密集型任務分配到終端設備上，以充分利用終端設備的存儲和計算能力。設備間通信（Device-to-Device，D2D）被認為是5G系統(tǒng)中的一個重要范式[29]。資源不足的設備可以與資源豐富的設備建立D2D連接，以減輕該設備上計算任務的負擔。然而，由于現(xiàn)實移動設備之間的無線信道狀態(tài)變化極快，很難預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，將強化學習與匹配理論相結合，提出了一種基于強化學習的計算卸載（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)分布式學習計算卸載策略?？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內知道任務卸載前的信道狀態(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]提出了基于強化學習的計算卸載算法RLCO，使卸載節(jié)點能夠基于歷史信道狀態(tài)分布式學習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習的高效節(jié)能卸載方案（EEDOS），該算法根據移動終端的剩余能量、應用程序組件所消耗的能耗、網絡狀況等來選擇一組最優(yōu)應用組件并卸載到云上。EEDOS首先通過建立的數(shù)學模型來生成各種局部和網絡條件下的數(shù)據集，計算所有可能的策略的成本。然后對該數(shù)據集進行深度神經網絡訓練，經過訓練的深度神經網絡來計算能耗最低的卸載方案。

文獻[32]將整個應用程序劃分為多個基于DAG的子任務，然后在每個子任務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，用戶設備根據信道質量、本地計算能耗以及用戶設備之間的公平性將其數(shù)據卸載到MEC。為不滿足應用時延約束的用戶設備提供更高的優(yōu)先級，將計算任務在本地執(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)行復雜的卸載任務時，如圖像處理系統(tǒng)、車聯(lián)網和實時全息投影技術等，卸載任務的時延和能耗都會直接影響用戶的體驗質量，故在執(zhí)行任務過程中，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，研究了雙用戶MEC網絡中用戶間的依賴關系對卸載策略和資源分配的影響。根據用戶間任務的依賴關系對任務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雜度的吉布斯采樣算法共同優(yōu)化每個移動無線設備的卸載決策和資源分配以最小化無線設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，最小化卸載任務時延和能耗的加權和進行權衡。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，允許用戶根據任務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)據通信的干擾和數(shù)據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)據卸載算法。該算法的目標是聯(lián)合優(yōu)化計算時延、能耗和計算總成本。針對多目標優(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

由于無線網絡中的基站大多數(shù)采用的是多信道設置，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鍵因素。如何在多個移動設備之間通過無線接入協(xié)調以實現(xiàn)計算卸載是一個關鍵挑戰(zhàn)。文獻[40]通過分析移動設備計算卸載決策的結構性，研究了多通道無線干擾環(huán)境下MEC的多移動設備的計算卸載問題。提出了多移動設備卸載的博弈策略，設計了一種能夠實現(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的指標，同時將其作為卸載任務判斷是降低能耗還是增加能耗的指標，以實現(xiàn)用戶收益的最大化。

由于終端設備有限的存儲和計算能力，很難在本地運行區(qū)塊鏈應用程序，故將區(qū)塊鏈應用程序卸載到邊緣服務器上，提高拍賣參與者的最大化收益和服務質量[41]。文獻[42]研究了移動區(qū)塊鏈應用的計算卸載問題，以提高拍賣參與者的總效用為目標。將需要執(zhí)行挖掘任務的用戶表示為買方，移動邊緣服務器表示為賣方，具有計算能力的基站充當為拍賣商。在移動區(qū)塊鏈網絡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，將計算任務卸載至網絡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的應用，執(zhí)行復雜的計算卸載任務時，權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是上在權衡時延和能耗的條件下，通過分析這兩個指標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。這些研究根據具體的實際計算卸載應用場景，如智慧城市、車聯(lián)網等抽象出具體的數(shù)學模型，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的服務質量。

表2 IIoT的主流MEC架構與基于IIoT-MEC的新型IIoT體系架構的對比

4 面向5G環(huán)境下MEC計算卸載技術的發(fā)展趨勢

第2章和3章所闡述的MEC架構、部署方案以及計算卸載決策方法，主要都是應用在4G網絡。然而，未來5G網絡從基礎架構上做出了革新[46-48]。5G網絡服務的引入，提供了更高的網絡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，增加了分布式基礎設施的靈活性。然而現(xiàn)有的4G終端設備的處理能力很難滿足低時延和高靈活性等應用需求，因此并不適用于未來邊緣環(huán)境下MEC計算密集型應用的卸載技術。本章將對5G環(huán)境下MEC計算卸載技術的發(fā)展趨勢進行展望。分析了5G環(huán)境下IIoT-MEC網絡部署架構和面向5G環(huán)境下MEC計算密集型應用的卸載方法。

4.1 面向5G環(huán)境的IIoT-MEC網絡部署架構

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技術支持更多的工業(yè)物聯(lián)網（Industrial Internet of Things，IIoT）功能[49-50]。工業(yè)物聯(lián)網作為物聯(lián)網在工業(yè)領域的重要應用，已經成為當前熱門話題之一。如應用程序的開發(fā)、數(shù)據的預處理和訪問設備的管理等。然而，現(xiàn)有基于云的IIoT架構很難處理當前工業(yè)物聯(lián)網所需的大規(guī)模連接設備和更高的業(yè)務要求。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術界和工業(yè)界的共識。表2展示了用于IIoT的現(xiàn)有主流MEC架構和基于IIoTMEC的新型IIoT體系架構區(qū)別[51]。

4.1.1 基于IIoT-MEC的IIoT體系架構

針對當前IIoT架構的主要問題，一種IIoT的新穎MEC框架——IIoT-MEC[52]應運而生。如圖8所示，該體系架構分為三層，包括設備層、IIoT-MEC層和云計算層。

圖8 基于IIoT-MEC的IIoT體系架構

（1）設備層：設備層由許多IIoT設備組成，主要負責物理端和數(shù)字端的連接，具有收集數(shù)據并將其傳輸?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服務器組成，這一層集成了通信、計算和存儲功能。如設備的訪問、設備功能虛擬化、資源協(xié)調與管理等功能。

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

4.1.2 基于IIoT-MEC的服務器框架

通過構建支持5G環(huán)境下的IIoT-MEC網絡部署架構，開發(fā)人員無需關注任何硬件和軟件細節(jié)等，就可以直接操作虛擬設備來構建IIoT應用程序。如圖9所示，該IIoT-MEC服務器架構主要由網絡層、資源虛擬化層、資源管理層和應用程序層組成。

圖9 基于IIoT-MEC的服務器框架

（1）網絡層：網絡層主要負責所有通信功能，能夠充當數(shù)據傳輸?shù)慕涌凇Ｄ軌蜻B接所有與IIoT-MEC配對的基站所覆蓋的設備，并且能夠與其他IIoT-MEC服務器在一定域內進行交互以分布式的支持IIoT的服務。

（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)調整。其中一部分RBs用于“設備功能虛擬化”，用于消除IIoT設備之間的硬件差異，然后將現(xiàn)實中的物理設備映射到虛擬設備中。而另外一些具有計算資源的RBs則被應用來支持IIoT服務的操作。

（3）資源管理層：資源管理層負責服務和虛擬資源之間的協(xié)調。

（4）應用程序層：應用層負責IIoT應用程序的開發(fā)、部署和操作。根據業(yè)務需求，可以將其放置在云服務器、IIoT-MEC服務器甚至用戶設備上。

4.2 面向5G環(huán)境的MEC卸載方案優(yōu)化

4.2.1 基于深度強化學習的輕量級任務卸載策略

MEC要想滿足5G所需的超低延時和高能效等業(yè)務需求，在多變的無線環(huán)境下保證服務的可靠性和任務卸載效率，關鍵一點是根據任務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，在邊緣服務器集群上具有更高的資源利用率。

當前基于強化學習的MEC卸載方案已得到廣泛的研究，雖然強化學習有許多優(yōu)點，但由于缺乏可伸縮性，本質上局限于低維問題。為了解決強化學習中的決策難題，將深度學習的感知能力與強化學習的決策能力相融合，依靠函數(shù)逼近和深度神經網絡的表達學習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習的MEC輕量級任務卸載方案優(yōu)化（IDRQN）[54]。該方案利用LSTM網絡和候選網絡對DQN算法進行優(yōu)化。

（1）基于LSTM網絡的優(yōu)化?？紤]到MEC中資源隨時間逐漸變化以及LSTM網絡長期狀態(tài)下的存儲能力，對LSTM網絡進行優(yōu)化。提出了將LSTM和DQN相結合的方法處理任務卸載問題。DQN是一種基于值迭代的深度強化學習算法，其目標是估計最優(yōu)決策的Q值。其中，遞歸結構通過將DQN網絡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，從而更準確地估計當前狀態(tài)。DRQN算法通過當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)，然后將其導入深度神經網絡進行訓練。

（2）基于候選網絡的優(yōu)化。DQN算法通過延時更新來保證當前網絡與目標網絡的參數(shù)差以增加訓練過程的穩(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絡。當訓練過程中某個動作的值被高估時，相應動作的值在后續(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)學習策略。

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

為了反應不同時間段內移動應用程序的資源利用率，使用谷歌集群跟蹤數(shù)據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，網絡模型的結果越好，對解決短周期訓練問題有很大優(yōu)勢。實驗結果表明，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?shù)螖?shù)相同時，IDQRN更容易得到問題的最優(yōu)解。隨著應用程序數(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，但在網絡使用方面效果較差。在使用高效益功率比的邊緣服務器時，IDQN算法在成本、延時和網絡使用情況效果一般，而在平均執(zhí)行時延方面相對較差。根據各算法多方面的結果，基于LSTM網絡優(yōu)化和候選網絡優(yōu)化的IDQRN算法在很大程度上滿足延時感知應用，能夠以有效解決任務卸載MEC問題。

4.2.2 基于D2D協(xié)作的MEC卸載策略

D2D通信和MEC技術是未來邊緣網絡環(huán)境下通信技術的兩大發(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)。在此基礎上，5G環(huán)境下基于D2D協(xié)作的MEC卸載方案[56]應運而生。

該方案通過在MEC服務器上接收任務執(zhí)行和卸載請求，根據最后任務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，需要分配更高的優(yōu)先級以滿足最后任務期限，用最小代價和最大匹配法求解。根據結果，MEC可以選擇并保留自己的資源，也可以選擇附近的設備進行D2D協(xié)作，然后MEC將結果報告給請求設備，這些設備可以通過D2D通信卸載任務或將其發(fā)送至MEC；第二個階段是針對能量需求型任務，同樣，用最小代價和最大匹配法求解，請求設備將任務卸載至鄰近的節(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

實驗結果表明，在啟用D2D協(xié)作式方案時，邊緣服務器超載的情況下，附近的空閑設備可以處理卸載任務；當設備數(shù)量增加時，附近的空閑設備數(shù)量也會增加，當任務分配率增加時，鄰近的空閑設備數(shù)量就會減少，該方案可以使用MEC的資源運行卸載任務。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)據的計算和存儲等資源更接近于終端設備而廣受關注。并且，由于計算資源更靠近終端設備或用戶，故能夠支持具有實時性的計算卸載任務。盡管如此，MEC技術在某些方面仍然不太成熟，在將其應用至5G網絡之前仍有許多問題和挑戰(zhàn)需要解決[57-58]。本章將討論在當前MEC領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中起著關鍵性作用，因為它決定了終端設備或用戶所提交的請求是卸載至本地設備還是云端上并進行相應的處理。在上述所討論的以降低能耗為目標的卸載決策中，幾乎所有的關注點都考慮的是降低用戶所消耗的能耗而非MEC能耗（包括計算和相關通信），為了符合未來綠色網絡的發(fā)展，以降低MEC能耗為目標的卸載決策應有顯著的研究點。此外，所有與卸載決策相關研究都是假定的靜態(tài)場景，也就是說終端設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致信道質量下降，故也會卸載任務的能耗也會增加。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量的各種預測技術[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研究了動態(tài)任務卸載和調度問題[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

如果多個用戶設備同時將任務卸載至MEC節(jié)點上，將會產生嚴重的干擾問題。如何在保證用戶服務質量的前提下解決干擾問題是MEC計算卸載技術所面臨的嚴峻挑戰(zhàn)之一。由于干擾管理的本質是資源的沖突利用，網絡資源的不合理分配是產生干擾的根本原因。因此，有效的資源分配是解決干擾問題的重要手段，即通過合理的網絡資源分配和修正的資源分配決策增加網絡容量。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服務器隨機部署在網絡邊緣處，并且覆蓋范圍方式無法預測，從而導致不同區(qū)域下的干擾分布情況不同。當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)的吞吐量產生一定的影響，并且，眾多終端設備的卸載請求以及復雜的網絡環(huán)境將會導致資源分配率的降低。故結合MEC服務器的位置信息和用戶設備的卸載請求預測智能處理干擾問題是未來邊緣網絡中計算卸載干擾管理的有效技術之一。

其次，計算資源和網絡資源的合理分配也是解決干擾問題的重點，如何根據用戶設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網絡的能源效率，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，提出了一種基于能耗效率和頻譜效率權衡的資源分配方案[65]；通過計算任務的數(shù)據量和MEC服務器的服務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，采用改進的圖著色方法為用戶設備分配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網絡中的多對多通道（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網絡的聚合和數(shù)據率，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，故計算卸載技術解決干擾問題的方式區(qū)別于傳統(tǒng)網絡。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 網絡控制協(xié)議和算法

為了構建智能MEC系統(tǒng)，對新的網絡控制協(xié)議和算法設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，將流量引導到網絡中以提供服務；如何無縫處理用戶的移動性管理和相應的服務，以及動態(tài)縮放切片，使計算功能和相關數(shù)據在移動用戶附近進行自適應分配；如何將服務從一個虛擬網絡無縫遷移到另一個虛擬網絡，并在遷移過程中保持暢通狀態(tài)，以避免服務中斷；如何實現(xiàn)高效的分布式服務控制。目前常用的網絡控制協(xié)議與算法也有很多[68-69]，例如：對Ad Hoc網絡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)議在無線傳感器網絡中能夠適用。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

當用戶在不同基站之間移動時，如果將用戶的計算任務卸載至MEC，如何保證MEC服務的連續(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，是解決用戶設備移動性問題的有效方案之一。然而，考慮MEC服務器需頻繁地遷移MEC服務并將其放置在距離用戶設備更近的位置，那么，將用戶的任務請求重定向到托管服務的遠程MEC服務器并不是最佳解決方案。除此之外，在跨邊緣網絡環(huán)境中，MEC服務遷移需要將虛擬應用實例傳輸?shù)侥繕宋恢蒙?，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移動性服務的解決方案解決在廣域網上執(zhí)行具有IP連續(xù)性的遷移問題[71]，但由于更改IP地址而導致服務中斷，再重新建立新的IP地址連接時，會對用戶的服務質量造成影響；為了解決IP服務移動性管理問題，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框架，該方案通過服務/數(shù)據識別的方式轉換IP尋址，通過將該框架的第二層和第三層與服務移動性分離，確保無縫遷移和服務的連續(xù)性；通過在架構中引入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遷移的服務中斷時間[74]，研究了VM的遷移和用戶設備的移動性，對于邊緣計算的網絡環(huán)境，通過利用SDN控制器，使用監(jiān)控服務做出策略調整，保證有效的QoE管理。

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

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

6 結束語

MEC通過移動網絡融合傳統(tǒng)的集中式數(shù)據中心的云計算服務平臺，將原本位于云計算中心的服務和計算及存儲等功能“發(fā)散”到移動網絡的邊緣處，通過在網絡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)網行業(yè)并提供快速連接、實時數(shù)據操作、安全和隱私保護等方面的需求。本文重點對MEC的網絡架構及其部署方案做了相關描述，并對近年來的計算卸載決策進行了分析和總結。通過對比不同MEC計算卸載方案，對面向5G環(huán)境下MEC計算卸載技術的發(fā)展趨勢進行展望，分析了5G環(huán)境下IIoT-MEC網絡部署架構和面向5G環(huán)境下MEC計算密集型應用的卸載方法。根據本文所調查的卸載方案，總結出了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)的網絡環(huán)境中保證服務的連續(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域和方法，總結出該領域的研究思路，從而為相關領域的研究人員提供參考和幫助。