移動(dòng)邊緣計(jì)算卸載技術(shù)綜述*

韓曉非，宋青蕓，韓瑞寅，陳萬(wàn)瓊

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

0 引 言

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

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

1 移動(dòng)邊緣計(jì)算概述

1.1 MEC概念

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

1.2 MEC基本框架

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

圖1 移動(dòng)邊緣計(jì)算平臺(tái)示意圖

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

圖2 移動(dòng)邊緣計(jì)算參考架構(gòu)

1.3 MEC應(yīng)用場(chǎng)景

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

(1)計(jì)算密集型業(yè)務(wù)

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

(2)車聯(lián)網(wǎng)

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

(3)物聯(lián)網(wǎng)

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

2 移動(dòng)邊緣計(jì)算卸載技術(shù)研究現(xiàn)狀

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

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

單MEC計(jì)算卸載是只針對(duì)一個(gè)MEC服務(wù)器下的卸載技術(shù)研究。在實(shí)際場(chǎng)景中，受到MEC部署或任務(wù)分布不平衡等因素的影響，MEC服務(wù)器沒有額外資源補(bǔ)充的情況是存在的，此時(shí)MEC計(jì)算資源總量無(wú)法擴(kuò)充。有關(guān)于單MEC卸載的研究，學(xué)者們通過(guò)拒絕卸載、推遲卸載或優(yōu)化任務(wù)隊(duì)列等方式緩解MEC過(guò)多的工作量。

2.1.1 單MEC服務(wù)器卸載決策

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

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

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

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

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

2.1.2 單MEC服務(wù)器資源分配方案

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

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

計(jì)算資源分配會(huì)對(duì)任務(wù)執(zhí)行階段產(chǎn)生影響，影響任務(wù)執(zhí)行時(shí)延和能耗。文獻(xiàn)[8]不僅關(guān)注信道資源，也考慮了計(jì)算資源分配，同樣借助于拍賣機(jī)制完成了計(jì)算資源的分配。

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

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

2.1.3 單MEC服務(wù)器中聯(lián)合資源分配的卸載策略

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

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

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

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

2.1.4 面對(duì)資源有限的單MEC服務(wù)器卸載策略

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

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

除了對(duì)服務(wù)器計(jì)算資源進(jìn)行定價(jià)外，也有研究通過(guò)考慮任務(wù)拆分或者部分卸載方式以優(yōu)化資源分配。文獻(xiàn)[16]通過(guò)主動(dòng)干預(yù)可拆分任務(wù)的方式，綜合考慮了任務(wù)在MEC上的執(zhí)行過(guò)程以及任務(wù)的傳輸過(guò)程，有目的地推遲部分任務(wù)的卸載，通過(guò)這樣的卸載方式保證了多個(gè)任務(wù)在MEC服務(wù)器上占用不重疊的時(shí)間片段，避免了任務(wù)排隊(duì)等待帶來(lái)的時(shí)延，高效地利用了MEC的計(jì)算資源。文獻(xiàn)[17]和文獻(xiàn)[18]考慮了任務(wù)的部分卸載，通過(guò)對(duì)任務(wù)卸載結(jié)構(gòu)優(yōu)化來(lái)盡可能減少M(fèi)EC計(jì)算資源負(fù)載。這種方法相較于二元卸載，多端并行計(jì)算的方式帶來(lái)了效率提升的同時(shí)減少了任務(wù)的卸載量，一定程度緩解了MEC計(jì)算資源有限的問(wèn)題。

通過(guò)借助排隊(duì)理論，在資源有限情況下合理安排任務(wù)卸載也是一種思路。文獻(xiàn)[19]為多個(gè)即將到達(dá)的任務(wù)建立排隊(duì)模型，考慮了用戶對(duì)任務(wù)的優(yōu)先度判定，依此設(shè)計(jì)了卸載策略。文獻(xiàn)[20]提出了一個(gè)多用戶隨機(jī)請(qǐng)求任務(wù)模型，并通過(guò)基于M/M/1的排隊(duì)模型表述，制定了盡可能減少所有任務(wù)時(shí)延的問(wèn)題。

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

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

2.2 多MEC任務(wù)卸載技術(shù)研究現(xiàn)狀

與前文單MEC資源有限、無(wú)法獲得資源補(bǔ)充不同，在多MEC場(chǎng)景下，可以通過(guò)協(xié)作方式進(jìn)行卸載。多MEC協(xié)作卸載是從宏觀網(wǎng)絡(luò)出發(fā)，通過(guò)為MEC服務(wù)器補(bǔ)充額外資源的方式解決計(jì)算資源不足的問(wèn)題。在MEC網(wǎng)絡(luò)中，這些額外的計(jì)算資源可以來(lái)自其他MEC服務(wù)器或MCC服務(wù)器。

2.2.1 多MEC服務(wù)器卸載決策

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

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

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

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

2.2.2 多MEC服務(wù)器中聯(lián)合資源分配的卸載策略

在不同的場(chǎng)景下，卸載策略往往受資源的約束，合理的資源分配策略可以實(shí)現(xiàn)負(fù)載均衡以達(dá)到預(yù)期效果。

文獻(xiàn)[34]在物聯(lián)網(wǎng)場(chǎng)景下，為減輕MEC服務(wù)器上任務(wù)負(fù)擔(dān)，通過(guò)云計(jì)算與MEC合作的方式來(lái)實(shí)現(xiàn)負(fù)載均衡，同時(shí)考慮了移動(dòng)用戶之間的競(jìng)爭(zhēng)關(guān)系，最后通過(guò)一種迭代啟發(fā)式算法動(dòng)態(tài)做出計(jì)算卸載決策。文獻(xiàn)[35]研究了在車載物聯(lián)網(wǎng)場(chǎng)景下緩解MEC服務(wù)器壓力的問(wèn)題，將冗余的任務(wù)卸載至別的MEC服務(wù)器，以達(dá)到負(fù)載均衡。文獻(xiàn)[36]研究了一種多個(gè)部署在無(wú)線接入點(diǎn)側(cè)的MEC服務(wù)器之間的協(xié)作關(guān)系，將單MEC服務(wù)器額外的任務(wù)進(jìn)一步卸載至其他MEC完成計(jì)算，通過(guò)將任務(wù)二次卸載的方式達(dá)到負(fù)載均衡的效果。文獻(xiàn)[37]建立了一個(gè)基于時(shí)分多址接入的多用戶全雙工MEC系統(tǒng)，考慮兩個(gè)半雙工用戶可以組成一個(gè)全雙工對(duì)，可以共享相同的時(shí)隙和頻帶進(jìn)行上行和下行傳輸。為了最小化系統(tǒng)中所有用戶的完成時(shí)間，提出了一個(gè)時(shí)間調(diào)度、功率控制和用戶配對(duì)方案的聯(lián)合優(yōu)化策略。

3 發(fā)展趨勢(shì)與展望

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

3.1 基于人工智能的MEC卸載技術(shù)

近些年來(lái)，人工智能(Artificial Intelligence，AI)技術(shù)發(fā)展迅速。通過(guò)訓(xùn)練和推理，人工智能可以完成實(shí)時(shí)性決策，并且AI對(duì)于動(dòng)態(tài)性系統(tǒng)有著較強(qiáng)的處理能力。通過(guò)將人工智能技術(shù)與MEC卸載技術(shù)相結(jié)合，可以有效應(yīng)對(duì)移動(dòng)邊緣計(jì)算中網(wǎng)絡(luò)狀態(tài)動(dòng)態(tài)變化、任務(wù)隨機(jī)到達(dá)以及長(zhǎng)期的最優(yōu)策略等問(wèn)題。

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

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

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

通過(guò)無(wú)模型強(qiáng)化學(xué)習(xí)、多智能體強(qiáng)化學(xué)習(xí)等方法，可以有效適應(yīng)網(wǎng)絡(luò)動(dòng)態(tài)變化，提高系統(tǒng)實(shí)時(shí)性，解決傳統(tǒng)算法無(wú)法解決的問(wèn)題。

3.2 MEC安全性

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

針對(duì)移動(dòng)邊緣計(jì)算中的安全與隱私問(wèn)題，最近也引入了一些隱私保護(hù)技術(shù)，其中研究最廣泛的是區(qū)塊鏈技術(shù)，這是由于區(qū)塊鏈技術(shù)具有良好的安全性和隱私保護(hù)性。區(qū)塊鏈具有分布式、去中心化的特點(diǎn)，通過(guò)區(qū)塊鏈的各種認(rèn)證機(jī)制和共識(shí)機(jī)制，可以對(duì)移動(dòng)邊緣計(jì)算的任務(wù)卸載過(guò)程中的傳輸數(shù)據(jù)進(jìn)行有效保護(hù)。

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

3.3 MEC任務(wù)關(guān)聯(lián)性

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

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

4 結(jié)束語(yǔ)

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