移動邊緣計算卸載技術綜述

謝人超，廉曉飛，賈慶民，黃韜，劉韻潔

?

移動邊緣計算卸載技術綜述

謝人超，廉曉飛，賈慶民，黃韜，劉韻潔

（北京郵電大學網絡與交換技術國家重點實驗室，北京 100876）

移動邊緣計算(MEC，mobile edge computing)中計算卸載技術即將移動終端的計算任務卸載到邊緣網絡，解決了設備在資源存儲、計算性能以及能效等方面存在的不足。同時相比于云計算中的計算卸載，MEC解決了網絡資源的占用、高時延和額外網絡負載等問題。首先介紹了MEC的網絡架構及其部署方案，并對不同的部署方案做了分析和對比；然后從卸載決策、資源分配和系統實現這3個方面對MEC計算卸載關鍵技術進行了研究；通過對5G環境及其MEC部署方案的分析提出了兩種計算卸載優化方案，總結歸納了目前MEC中計算卸載技術面臨的移動性管理、干擾管理以及安全性等方面的核心挑戰。

MEC；MEC部署方案；計算卸載；計算卸載決策；資源分配；計算卸載系統

1 引言

隨著移動通信技術的發展和智能終端的普及，各種網絡服務和應用不斷涌現，用戶對網絡服務質量、請求時延等網絡性能的要求越來越高。盡管新的移動設備的中央處理單元（CPU, central process unit）的處理能力越來越強大，但依然無法在短時間內處理巨大的應用程序[1-3]。此外，本地處理這些應用也面臨另一個問題，即電池電量的快速消耗和自身損耗。這些問題嚴重影響了應用程序在用戶設備上的運行效率和用戶體驗。為了解決以上問題，業界提出了移動邊緣計算和計算卸載技術。

移動邊緣計算[4]是指在移動網絡邊緣部署計算和存儲資源，為移動網絡提供IT服務環境和云計算能力，從而為用戶提供超低時延和高帶寬的網絡服務解決方案。作為MEC中關鍵技術之一，計算卸載[5-6]是指終端設備將部分或全部計算任務交給云計算環境處理的技術，以解決移動設備在資源存儲、計算性能以及能效等方面存在的不足。計算卸載技術主要包括卸載決策、資源分配和卸載系統實現這三方面。其中，卸載決策主要解決的是移動終端決定如何卸載、卸載多少以及卸載什么的問題；資源分配則重點解決終端在實現卸載后如何分配資源的問題；對于卸載系統的實現，則側重于移動用戶遷移過程中的實現方案。

得益于全球各國對MEC網絡體系架構研究的支持，MEC計算卸載技術成為移動網絡研究的熱點之一。文獻[7]從計算、緩存和通信等多角度出發，介紹了當前MEC技術進展。文獻[4]對MEC的網絡架構以及現有的MEC計算卸載方案進行了介紹。文獻[8]詳細總結了MEC的關鍵技術以及研究進展。雖然相關研究取得了一定的成果[7-11]，但絕大多數都是從MEC整體架構或實現算法方面出發，在MEC計算卸載技術的系統實現和方案對比上總結得不夠完善，缺少對MEC理論進行相關梳理和兼容當前網絡的MEC實施方案，也沒有詳細介紹MEC中計算卸載技術面臨的問題和挑戰。因此，從眾多研究成果中及時地總結出MEC中計算卸載技術之間的差異以及各自的優勢與不足，為未來研究方向提供理論基礎和研究方向具有重要意義。本文對MEC網絡架構和部署以及MEC計算卸載方案進行了詳細的論述，通過對相關的研究成果的分析和比較，提出了5G環境下的MEC計算卸載方案。

2 MEC網絡架構和部署

2014年，歐洲電信標準化協會（ETSI, European Telecommunications Standards Institute）為了將邊緣計算融合進移動網絡的架構，提出了移動邊緣計算[12]。其中，“M”是英文單詞“mobile”的縮寫，MEC特指移動網絡中的邊緣計算，但隨著研究推進，ETSI將“M”定義為“multi-access”，旨在將邊緣計算拓展到Wi-Fi等非3GPP場景下，MEC的定義逐漸過渡為“多接入邊緣計算”（MEC, multi-access edge computing）[9]。由于業界對MEC的研究重點仍是移動網絡，因此現在業界還是以“移動邊緣計算”稱之。

MEC可以被看作是運行在移動網絡邊緣的云服務平臺，通過將部分業務處理和資源調度的功能部署到云服務平臺上來實現服務性能和用戶體驗的提升。MEC將原本位于云數據中心的服務和功能“下沉”到移動網絡的邊緣，通過在移動網絡邊緣部署計算、存儲、網絡和通信等資源，不僅減少了網絡操作，而且降低了服務交付時延，提升用戶服務體驗。同時，大幅增長的網絡數據，對回傳鏈路和移動核心網造成了巨大的鏈路負載，MEC在網絡邊緣部署服務器后，可以在邊緣對用戶進行響應，降低了對回傳網和核心網的帶寬要求。本節將從網絡架構和部署方案兩方面對MEC進行詳細介紹。

2.1 MEC網絡架構

如圖1所示，MEC服務平臺主要由MEC基礎設施和MEC應用平臺、應用管理系統三層邏輯實體組成[13]。

圖1 MEC服務平臺三層邏輯實體

MEC基礎設施由基于網絡功能虛擬化的硬件資源和虛擬化層組成。其中，硬件資源主要提供底層的計算、存儲以及控制功能；而硬件虛擬化組件（包括基于Openstack的虛擬操作系統、KVM等）則主要完成計算處理、緩存、虛擬交換及相應的管理功能。

MEC應用平臺承載業務的對外接口適配功能，通過API完成和eNodeB及上層應用層之間的接口協議封裝，主要提供流量卸載、無線網絡信息服務、通信服務以及應用與服務的注冊等功能，具備相應的底層數據分組解析、內容路由選擇、上層應用注冊管理、無線信息交互等基礎功能。基于網絡功能虛擬化的虛擬機（VM ，virtual machine）則將MEC功能組件層封裝的基礎功能進一步組合形成虛擬應用，包括無線緩存、本地內容轉發、增強現實、業務優化等，并通過API和第三方應用APP實現對接。

基于MEC邏輯實體，文獻[9]提出了MEC基本參考框架。如圖2所示，該架構主要由移動邊緣系統層與移動邊緣服務器層組成。前者主要由用戶應用程序生命周期管理模塊（LCM，lifecycle management）、操作支持系統（OSS，operation support system）和移動邊緣編排器(MEO，mobile edge orchestrator)組成，主要用于管理應用程序的生命周期、應用規則、服務授權以及流量規則等。后者則由移動邊緣平臺管理器、虛擬化基礎設施管理器和MEC服務器組成，主要負責虛擬化計算存儲資源的分配、管理和發布。

位于UE中應用程序（UE App）和面向客戶服務（CFS, customer facing service）的服務門戶通過移動邊緣系統層（mobile edge system level）與MEC系統進行交互。首先，通過LCM調用請求，如MEC系統內的UE應用程序的啟動、終止或重新定位到OSS。然后，OSS決定是否授予請求。授權的請求被轉發到MEO，MEO根據應用需求（如等待時間）將虛擬化的MEC資源分配給將啟動的應用。MEO與OSS之間通過Mm1參考點來觸發應用程序的實例化和終止。MEO與虛擬化基礎設施管理器之間通過Mm4參考點來管理虛擬化資源和VM，同時維持可用資源的狀態信息。

圖2 MEC基本架構

2.2 MEC部署方案

MEC的服務是由擁有計算和存儲功能的MEC服務器提供的，MEC服務器在網絡中如何部署是首先要考慮的問題。在4G網絡中部署邊緣服務器有多種方案，本文基于文獻[4]中的部署方式分析4G網絡中的部署方案，并在4.1節提出5G部署方案，表1列出了各部署方案間的對比分析。

1) SCC部署方案

SCC（small cell cloud）的核心思想是通過額外的計算和存儲能力來增強小基站（如微蜂窩、微微蜂窩或毫微微蜂窩）的功能，通過提供云端化的SCeNB（small cells eNodeB）實現邊緣計算[14-15]。

為了將SCC概念整合到移動網絡架構中，該部署方案引入了小基站管理器（SCM, small cell manager）[16]，用于負責SCeNB計算和存儲資源的管理。關于SCC架構的一個重要方面是如何部署SCM。

如圖3所示，SCC部署根據SCM部署方式的不同，可分為2種情況。一種是集中式SCM部署方案如圖3 (a)中所示，SCM位于無線接入網（RAN， radio access network），靠近SCeNB的集群，或作為對MME的擴展部署在核心網（CN, core network，）[16-17]。另一種是分布式SCM部署方案如圖3(b)所示，本地小基站管理器（L-SCM，local small cell manager）和虛擬本地小基站管理器（VL-SCM， virtual Local small cell manager）管理附近的SCeNB群集的計算和存儲資源，而位于CN的遠程小基站管理器（R-SCM，remote small cell manager）集成在MME的功能中，管理連接到CN的所有SCeNB的資源[18]。

表1 邊緣服務器部署方案對比

圖3 SCC部署方案

2) MMC部署方案

MMC (mobile micro cloud)[19]部署的核心思想也是將MMC部署在基站，以降低用戶的訪問時延，與SCC部署方案不同的是，MMC部署沒有引入任何控制實體。如圖4所示，在MMC中，控制功能直接擴展在MMC服務器上，和SCC以分層方式部署在SCeNB的VL-SCM一樣，直接在MMC服務器上擴展。各個MMC之間是互連的，在VM遷移時能夠更好地保證業務的連續性。但是由于沒有集中式控制實體會引入信令開銷過大的問題。

圖4 MMC部署方案

3) FMPC部署方案

如圖5所示，FMPC（fast move personal cloud）[20]通過SDN（software defined network）和NFV（network functions virtualisation）技術將云服務與移動網絡進行融合，相比于SCC和MMC部署方案，FMPC的云服務資源不是直接部署在接入節點eNodeB或SCeNB, 而是部署在接近RAN側的運營商云（cloud），與SCC類似，FMPC也是分布式部署，并引入了一個新的控制實體MC (MobiScud control)，與移動網絡、SDN交換機和主云進行通信。MC具有兩種功能：一是監控移動網絡網元之間控制平面的信令消息，以便了解UE的動態，如用戶切換等；二是在支持SDN的傳輸網絡內編排和轉發數據業務，以便于應用卸載和VM遷移。

圖5 FMPC部署方案

4) FMC部署方案

FMC(follow me cloud)[21-22]部署如圖6所示，其關鍵思想是通過在分布式的數據中心（DC）部署服務器來提供邊緣服務。與SCC、MMC和FMPC相比，FMC的計算存儲資源部署在CN，離UE更遠。與SCC和FMPC一樣，FMC也引入了新的控制實體FMCC(FMC control)，FMCC既可以是在現有網絡節點并置的功能實體，也可以是在DC上運行的軟件，主要用于管理DC的計算和存儲資源，并決定將哪一個DC關聯到UE。FMCC可以集中部署，也可以分層部署。

圖6 FMC部署方案

5) CONCERT部署方案

文獻[23]提出了融合云和蜂窩系統的概念，縮寫為CONCERT。CONCERT利用NFV和SDN技術，將計算和存儲資源虛擬化，整個架構劃分為控制平面和數據平面。其中，控制平臺由conductor組成，是管理CONCERT架構的通信、計算和存儲資源的控制實體。conductor部署既可以是集中式的，也可以是分層式的，相比于SCC和FMC，具有更好的可擴展性。數據平面由eNode B、SDN交換機和計算資源的無線接口設備組成，如圖7所示。在該方案中，計算資源主要用于基帶處理和應用程序處理（如用于卸載應用）。在該方案中可根據資源占用狀況動態選擇本地服務器或中心服務器。例如，當本地計算資源充足時，可以選擇在本地服務器卸載應用程序，否則在資源充足的中心服務器進行處理。這種在網絡中分層地放置資源可以實現網絡和云服務的彈性管理。

綜上所述，MEC服務器部署的選擇取決于多種因素，包括可擴展性、物理部署約束、性能指標（如延時）等。此外，部署MEC服務器還需要考慮延時、安裝成本和服務質量（QoS, quality of service）之間的權衡。例如，對于僅需要低計算能力的UE而言，可以由位于eNode B本地MEC服務器來服務，而對于高要求的應用，則需要離UE更遠的更強大的MEC服務器來服務。

圖7 CONCERT部署方案

3 MEC計算卸載技術研究

MEC計算卸載技術是指受資源約束的設備完全或部分地將計算密集型任務卸載到資源充足的云環境中，主要解決了移動設備在資源存儲、計算性能以及能效等方面存在的不足。MEC計算卸載技術不僅減輕了核心網的壓力，而且降低了因傳輸帶來的時延。如出于安全考慮的視頻監控系統，傳統的監控系統由于設備處理能力有限，只能通過視頻監控系統捕獲各種信息，然后將視頻送到云端的監控服務器上，從這些視頻流中提取有價值的信息，而這種方式會傳輸巨大的視頻數據，不僅加重了核心網的流量負載，而且存在較高的延時。而MEC卸載技術可以直接在離監控設備很近的MEC服務器上直接進行數據分析，這不僅減輕了網絡壓力，而且解決了監視系統的能耗等瓶頸問題。同時，物聯網技術的發展也需要計算卸載技術的支撐，由于物聯網設備的資源通常是有限的，若要達到萬物互連的場景，就需要在終端設備受限的情況下,需要將復雜的計算任務卸載到邊緣服務器。計算卸載技術不僅有助于物聯網的發展，而且能降低終端設備的互連準入標準。此外，計算卸載技術也促進了零延時容忍新興技術的發展。例如，在車聯網服務、自動駕駛等領域，車輛需要通過實時感知道路狀況、障礙物、周圍車輛的行駛信息等，這些信息可通過MEC計算卸載技術實現快速計算和傳輸，從而預測下一步該如何行駛。

計算卸載作為MEC的關鍵技術，目前已有很多相關研究成果，主要包含卸載決策和資源分配兩個問題，其中，卸載決策研究的是用戶終端要不要卸載、卸載多少和卸載什么的問題。資源分配則是研究將資源卸載到哪里的問題。本節將詳細介紹計算卸載當中的卸載決策和資源分配問題，并對目前在工程上實現的卸載系統進行分析。

表2 MEC中卸載決策方案總結歸類

3.1 卸載決策

卸載決策是指UE決定是否卸載、卸載多少以及卸載什么的問題。在卸載系統中，UE一般由代碼解析器、系統解析器和決策引擎組成，其執行卸載決策分為3個步驟：首先，代碼解析器確定什么可以卸載，具體卸載內容取決于應用程序類型和代碼數據分區；然后，系統解析器負責監控各種參數，如可用帶寬、要卸載的數據大小或執行本地應用程序所耗費的能量；最后決策引擎確定是否卸載。

如圖8所示，UE卸載決策結果分為本地執行、完全卸載和部分卸載3種情況。具體決策結果由UE能量消耗和完成計算任務時延決定。卸載決策目標主要分為降低時延、降低能量消以及權衡時延與能量3方面。本節將從優化目標角度來分別分析目前的卸載決策方案問題，詳細的研究進展在表2列出。

1) 以降低時延為目標的卸載決策

如果在本地執行應用任務，所耗費的時間為應用執行任務的時間，而如果將任務卸載到MEC，所耗費的時間將涉及3個部分：將需要卸載的數據傳送到MEC的時間、在MEC處理任務的時間和接收從MEC返回數據的時間。因此，將計算任務卸載到MEC所產生的時延直接影響用戶的QoS，為了保證QoS，出現了大量以降低時延為目標的研究，其中涉及不同的優化算法和應用場景。

圖8 卸載決策

文獻[24]以優化卸載過程中的時延為目標，設計了圖9的計算卸載模型。該模型決定了在每一個時隙內，是否將緩沖任務卸載到MEC服務器。在此模型中，卸載決策主要由緩沖任務的隊列狀態、本地處理單元和傳送單元3個部分來完成。其中，MEC服務器會給傳送單元返回信道狀態信息（CSI ，channel state information），包含應用緩沖隊列的狀態、UE與MEC計算消耗的能量以及UE與MEC之間的信道狀態等。最后計算卸載策略根據優化目標做出是否卸載的決定。作者使用馬爾可夫決策過程(MDP ，Markov decision process)對每個任務的平均時延和設備的平均功耗進行分析，并使用一維搜索算法找到最優隨機計算卸載策略。

作者將其提出的算法方案與本地執行，完全卸載到MEC和貪婪的卸載策略做了對比，仿真結果表明，提出的方案與全部在本地執行相比，時延減少了80%，與在遠程云端執行相比，時延減少了約44%。盡管作者所設計的方案在性能方面帶來顯著提升，但是此卸載模型也存在缺點，比如UE需要MEC服務器根據CSI提供的反饋決定是否卸載以及卸載多少計算任務，這種機制引入了過多的信令開銷。

圖9 計算卸載模型

為了降低時延，在文獻[25]提出的方案中，優化目標包含了執行時延和執行故障優化兩部分。對這兩個方面的優化，不僅能使任務時延最小化，還能保證故障率最低，降低了卸載失敗的風險。作者提出采用動態電壓頻率調整和功率控制的技術分別優化計算執行過程和計算卸載的數據傳送。基于這個模型，提出了一種基于Lyapunov優化的動態卸載（LODCO, low-complexity Lyapunov optimization based dynamic computation offloading）算法。LODCO算法會在每個時隙中進行卸載決定，然后為UE分配CPU周期（在本地執行）或分配傳輸功率（卸載到MEC），結果表明能將運行時間縮短64%。此外，文獻[26]提出的以降低時延為目標的最優卸載方案，考慮了MEC的計算資源有限的情況，如何進行卸載決策和資源分配的問題，提出了分層的MEC部署架構，采用Stackelberg博弈論的方法解決了多用戶卸載方案。

文獻[27-28]也提出了以優化時延為目標的在線任務卸載算法。文獻[27]對于順序任務，即線性拓撲任務圖，找到最優的任務卸載到邊緣云，而對于并發任務，則采用負載均衡啟發式算法將任務卸載到邊緣云中，以使UE和MEC服務器之間的并行最大化，達到最小的時延。文獻[28]針對部分卸載模型，提出了任務之間的依賴關系對卸載決策的影響，并采用多項式時間算法來解決卸載決策的最優方案。

2) 以降低能量消耗為目標的卸載決策

將計算卸載到MEC服務器消耗的能量主要由兩部分組成，一是將卸載數據傳送到MEC的傳送能量，二是接收MEC返回的數據所消耗的能量。

文獻[31]提出了在保證時延的情況下對能量進行優化的卸載方案。該方案同時考慮了前傳網絡和回傳網絡的鏈路狀況，采用人工魚群算法進行全局優化。作者在驗證卸載方案的實驗中，設計場景由20個移動終端、5個微基站和3個毫微微基站（MEC服務器部署在毫微微基站）組成，通過與隨機卸載方案、本地卸載方案以及轉化方案進行對比，基于人工魚群算法的卸載方案節約大約30%的能耗，但是該方案的不足之處是算法復雜度過高。

相比于以前文獻中提出的全部卸載方案，文獻[32]是在多UE的情況下，提出部分卸載方案。但是這種方案需要應用程序的支持，如果應用程序不可分割或分割后的各個部分存在緊密聯系，則不能采用部分卸載決策的策略。文獻[32]采用TDMA系統劃分時隙的概念，在每個時隙內，UE根據信道質量、本地計算能量消耗以及UE之間的公平性將其數據卸載到MEC。基于滿足應用時延的同時優化能量消耗的目標做出決策，提出了基于閾值的最優資源分配策略，最優分配策略為每個UE做出卸載決策，如果UE具有高于給定閾值的優先級，則UE將計算任務完全卸載到MEC，相反，如果UE具有比閾值更低的優先級，則僅卸載少量計算以滿足時延約束。給那些不能滿足應用時延約束的UE更高的優先級，將計算任務在本地執行。鑒于通信和計算資源的最優聯合分配具有較高的復雜度，因此提出了一種次優分配算法，該算法將通信和計算資源分配分離。仿真結果表明，與最優分配相比，這種簡化使能量消耗更高，增加了20%的能耗，但降低了算法復雜度。文獻[33]對該卸載方案進行了拓展，基于OFDMA系統實現的卸載方案能夠比在TDMA里實現的方案在能耗方面降低了90%。

3) 權衡能耗和時延為目標的卸載決策

在執行復雜的計算任務時，如人臉識別系統，實時視頻系統，車聯網等，能耗和時延都直接影響QoS，因此如何在執行卸載任務的時候綜合考慮能耗和時延是進行卸載決策的重要考慮因素。

文獻[34]提出了部分卸載決策的能耗和執行時延之間的權衡分析。卸載的過程中考慮以下幾個參數：要處理的總數據量、UE和MEC的計算能力，在UE和SCeNB（使UE和MEC連接的中間基站）之間的信道狀態以及UE的能耗。作者提出了一個動態調度機制，允許用戶根據任務的計算隊列和無線信道狀態進行卸載決策。通過凸優化方法解決該優化問題。仿真結果表明，UE的能耗隨總執行時間的增加而減少。此外，作者表明如果通信信道質量很差，則需要耗費大量能源來卸載任務是得不償失的，在這種情況下優先選擇本地處理。如果信道質量良好，則卸載一部分到MEC能獲得較小的能耗和延時。如果信道質量高，且MEC的計算存儲資源充足的情況下可以進行全部卸載。

文獻[35-37]也提出了能量和時延的權衡優化的卸載方案。其中，文獻[35]通過基于Lyapunov的優算法和在線學習算法來解決權衡優化問題。文獻[36]將問題建模為線性規劃問題并提出了兩種優化算法包含兩階段優化算法和迭代改進算法。文獻[37]提出了多目標優化方案，并采用標量化方案和內點法來解決多目標優化問題。

如表2所列，本節從優化目標的角度對目前的卸載決策方案進行了詳細的分析。在各個方案中，大多數的計算卸載決策方案的目標是在滿足卸載應用程序可接收時延的同時最小化UE處的能量消耗或根據不同應用的需求在兩個優化目標之間做出權衡。這些研究根據實際的計算卸載應用場景，如車聯網、職能視頻卸載等抽象出具體的數學模型，采取不同的優化策略，通過仿真的方式驗證優化結果。

3.2 計算資源分配

一旦完成了卸載決策，接下來就要考慮合理的資源分配的問題，即卸載在哪里的問題。如果UE的計算任務是不可分割的或可以分割但分割的部分存在聯系，這種情況下卸載任務就需要卸載到同一個MEC服務器。而對于可以分割但分割的部分不存在聯系的計算任務，則可以將其卸載到多個MEC服務器。如表3所示，目前資源分配節點主要分為單節點分配和多節點分配。

表3 MEC中資源分配方案總結歸類

1) 單一節點的計算資源分配

文獻[38]以時延最小為目標，同時考慮通信、計算資源重載和VM遷移的能耗問題，提出了如圖10所示的計算卸載的資源分配方案。此模型采用MDP解決了在SCeNB中的VM分配問題。該方案中，影響VM分配方案的主要因素是VM遷移的能耗和鏈路狀態信息。如圖10所示，UE1將計算任務全部卸載到SCeNB1，創建了VM。而對于UE2，考慮到從SCeNB1到其他SCeNB的時延，UE2選擇了時延更低的SCeNB3。但考慮到VM的遷移成本，在MEC計算資源充足的情況下，VM需要優先在距離用戶更近的MEC中進行。為了考慮遷移成本對遷移方案的影響，作者在仿真驗證中研究了遷移成本的影響，實驗結果也表明VM在SCeNB中的分配比例會隨著遷移成本的增加而增加。遷移成本較低時，終端用戶會選擇信道狀態較好的SCeNB進行遷移。提出的資源分配方案在兩個微基站，兩個用戶的情況下能減少46%的時延和減少80%的遷移成本。

文獻[39]提出MEC在滿足應用程序時延要求的同時，使提供服務的應用程序數量最大化的卸載方案。在這種方案中，單個應用程序的放置取決于應用程序的優先級（有較高時延要求的有更高的優先級）和計算資源的可用性。卸載的應用程序首先被傳送到MEC的本地調度程序，調度程序檢查是否存在足夠可用資源的計算節點，如果存在并且具有足夠的計算資源，則在該節點分配VM，然后在該MEC節點處理該應用程序，最后將結果返回給UE，但是，如果MEC服務器提供的計算能力不足，則調度程序將應用程序委托給中心云（CC，central cloud）進行處理。為了最大化處理的應用程序的數量同時滿足時延要求，文獻[39]提出了基于優先級的卸載策略，為每個優先級級別定義了幾個緩沖區閾值，如果緩沖區已滿，應用程序將被傳送到CC處理，通過遞歸算法找到緩沖區閾值的最佳大小。基于優先級的卸載策略能減小25%的時延。

圖10 單個節點下的VM分配

文獻[40]考慮了UE密集的熱點地區的服務場景，結合時延和能耗問題，提出了一個等價離散MDP框架的最優策略。但是隨著MEC服務器數量的增加，這種方法導致通信開銷和復雜度較高，因此通過為應用程序分配索引策略來解決這個問題，每個基站根據計算資源的狀態計算自己的索引策略，索引策略由基站廣播，從而UE根據廣播內容選擇最合適的MEC服務器。實驗結果表明索引策略和普通策略相比減小了7%的能耗。文獻[26]考慮了在MEC的計算資源有限的情況下，如何實現卸載決策和資源分配，采用Stackelberg博弈論的方法解決多用戶卸載方案。

單一節點的資源分配雖然實現了資源分配，但無法實現網絡間的資源互補，容易產生負載失衡問題，因此，考慮在多節點間卸載計算資源成為提升卸載性能的主要途徑。

2) 多節點計算資源分配

計算節點的選擇不僅對時延有顯著影響，對計算節點的能耗也有很大影響。文獻[41]的主要目標是分析集群大小（即執行計算的SCeNB數量）對卸載應用程序的時延和SCeNB的能耗影響。作者提出了選擇不同集群的動態優化算法，并且對不同的回程網絡（環形網絡、樹網絡等）和技術（光纖技術、微波技術、LTE技術等）進行分析。作者以優化時延和基站能耗為目標，時延方面主要有3個組成部分，包含UE傳送到SCeNB的時延、在SCeNB處理任務的時延以及從SCeNB傳到UE的時延。UE和SCeNB之間的傳送時延主要取決于信道質量和傳送的數據量。在SCeNB的計算時延主要取決于不同的集群數量、計算任務的數據量、計算能力等。能量方面主要取決于服務的集群數量、網絡拓撲、回傳技術等。仿真結果表明全網型拓撲結合光纖或微波連接在執行任務的時延方面是最有優勢的。在光纖連接的環形拓撲能形成最低的能耗。另外，該研究還表明SCeNB數量的增加并不總是縮短時延，相反，如果過多的SCeNB處理卸載的應用程序，可能導致傳輸時延比計算時延更長。而且隨著集群的增加也會導致能耗的增加，因此，選擇適當的SCeNB的集群在系統性能中起著關鍵作用。

文獻[42]也提出一種考慮計算節點的執行時延和SCeNB集群能耗的最佳組合問題，并提出了3種不同的選擇策略。第一種策略為選擇SCeNB是以最小化時延為目標，由于系統模型中的所有SCeNB被假定為一跳，所以基本上所有的SCeNB都包含在計算中，導致執行時延減少高達22％，這是由于計算時延遠大于傳輸時延導致總體時延的減小。第二種策略為最小化集群的總能耗，優先選取一個SCeNB來計算，抑制相鄰的SCeNB的計算，這種策略可降低61%的功耗，但是會導致負載不均衡。第三種策略是使集群中的每個SCeNB的能耗最小化，這樣能解決第二種負載不均衡的問題，其主要的影響因子是集群的大小、時延、能耗和負載分布等。文獻[43]提出了合作式緩存和卸載方案，MEC服務器聯合起來為UE執行計算和緩存任務。資源分配方案是以最大化資源利用率為目標。文獻[44]采用深度學習的方法分配資源，提出了動態的卸載方案。文獻[45]考慮了計算卸載時多節點間的負載均衡問題，并采用背包模型對提出的資源分配方案進行仿真驗證。

如果將很多接入設備的應用同時卸載到MEC服務器，會產生嚴重的干擾問題，因此，如何在保證QoS的前提下進行資源的合理分配尤為關鍵。文獻[46]提出在計算卸載時考慮干擾管理的方案，優化了計算卸載決策、物理資源塊（PRB, physical resource block）分配和MEC計算資源分配。作者通過計算任務的數據量以及MEC服務器的服務能力等做出卸載決策，采用改進的圖著色方法為UE分配PRB，通過最小化時延來進行計算資源的分配。在本方案中，隨著UE數量的增多，進行卸載的UE并不會一直增多，這是因為有更多的計算任務卸載到MEC服務器的時候，會導致速率下降，產生嚴重干擾，因此卸載的UE數量會減少。

資源分配作為MEC計算卸載技術的關鍵研究點，涉及將計算任務卸載到哪里的問題，上述列舉的研究成果主要從網絡環境、MEC部署、傳輸技術等方面研究了針對卸載任務的計算資源分配問題。表3 對MEC中資源分配方案進行了總結歸類。可以看出，這些研究主要致力于平衡計算資源和通信資源，以達到最小化時延、能耗以及提高網絡整體性能。但是大部分研究都忽略了UE的移動性，如果UE是移動的，為了保持業務的連續性，需要重新考慮資源分配的方案。本文將會在第4節提出考慮移動性的卸載方案。

3.3 卸載系統

現有的計算卸載一般按照劃分粒度進行分類，主要分為基于進程或功能函數進行劃分的細粒度計算卸載和基于應用程序或VM劃分的粗粒度計算卸載。本節將以MAUI卸載系統和Cloudlet卸載系統為例，分別對兩種粒度的卸載系統進行介紹。

1) MAUI

MAUI[47]是以動態方式實現遷移的基于代理的計算卸載系統，屬于細粒度計算卸載下的一個實例。系統架構如圖11所示。MAUI卸載系統以減小客戶端消耗能量和延時為目的，繞過了終端設備的限制，通過遠程服務器執行計算功能。

MAUI提供一個編程環境，開發人員可以通過編寫代碼決定應用程序的哪些方法可以卸載到遠端服務器。每次調用程序方法時，如果遠程服務器可用，MAUI系統會通過其優化框架決定是否卸載該方法。完成卸載決策后，MAUI系統記錄分析信息，用于更好地預測未來的調用是否應該卸載。

圖11 MAUI計算卸載系統

MAUI通過應用程序來確定卸載計算任務的成本，如遠程執行計算任務需要傳輸的能耗，以及卸載所帶來的優勢（如由于卸載而節省的CPU周期數）。此外，MAUI會不斷檢測網絡連接，獲取其帶寬和時延信息，通過以上信息決定哪些方法應該被卸載到邊緣服務器上，哪些應該繼續在智能終端上本地執行。

終端設備包含slover、proxy和profiler這3個組件。solver負責提供卸載決策引擎的接口，proxy負責執行卸載過程中數據的傳輸與控制。profiler用來監測應用程序并收集應用程序數據，如能量和傳輸要求等測量結果。

服務器端包含slover、proxy、profiler和MAUI控制器4個組件。其中，slover和proxy執行與其客戶端相似的角色，proxy周期性地優化線性規劃的決策引擎，相比于客戶端，又增加了一個MAUI控制器組件，負責處理傳入請求的身份驗證和資源分配等。

除了MAUI之外，還有很多細粒度計算卸載系統，如實現集群并發式處理數據的misco系統[48]和實現動態遷移的comet計算卸載系統[49]。細粒度的計算卸載系統由于程序劃分、遷移決策等會導致額外的能量開銷，也會增加程序員的負擔。

2) cloudlet

cloudlet[50]是基于動態VM合成技術的計算卸載系統，是粗粒度卸載的實現實例，由卡耐基梅隆大學提出，整個系統實現了MEC的重要功能，如快速配置（rapid provisioning）、虛擬機遷移（VM hand-off）和cloudlet發現（cloudlet discovery）等。快速配置指的是實現靈活的虛擬機快速配置。由于移動終端具有移動性，cloudlet與移動終端的連接是高度動態化的，用戶的接入和離開都會導致對cloudlet所能提供功能的需求發生變化，因此cloudlet必須實現靈活的快速配置。虛擬機遷移指的是為了維持網絡連通性和服務的正常工作，cloudlet需要解決用戶移動性的問題。用戶在移動過程中，可能超出原cloudlet的覆蓋范圍而進入其他微云的服務范圍，這種移動將會造成上層應用的中斷，嚴重影響用戶體驗，因此，cloudlet必須在用戶的切換過程中無縫完成服務的遷移。cloudlet發現用于發現和選擇合適的微云。cloudlet是地理上分布式的小型數據中心，在cloudlet開始配置之前，移動終端需要發現其周圍可供連接的cloudlet，然后根據某些原則（如地理臨近性或者網絡狀況信息）選擇合適的cloudlet并進行連接。

cloudlet主要實現過程如圖12所示，首先，移動設備發現并準備啟用cloudlet，發送一個 VM overlay（launch VM和base VM產生的二進制差異）到有base VM的cloudlet上，然后基于base VM 和VM overlay創建launch VM，配置虛擬機實例準備為卸載的應用進行服務，當任務執行完畢后，將執行結果返回給UE，并且釋放VM。

圖12 cloudlet計算卸載系統

其他計算卸載系統如CloneCloud[51]、Tango[52]也是基于VM的粗粒度計算卸載系統。CloneCloud為了優化效率針對不同的應用設計了不同的遷移算法。Tango則是在移動端和云端同時執行計算任務，保留最快的結果，以此來克服無線網絡的抖動問題。

4 面向5G的MEC計算卸載方案

前面2節講述了MEC的架構和部署方案以及計算卸載技術，但主要都是針對4G網絡。然而，5G網絡在根本架構上做出了革新，為了將MEC更好地融合5G網絡，本節將分析在5G移動網的環境下部署MEC方案并提出兩種卸載方案。

4.1 5G環境下的MEC部署方案

5G由接入平面、控制平面和轉發平面3種功能平面組成[53-54]。其中，接入平面引入了多站點協作、多連接機制和多制式融合技術，構建出更靈活的接入網拓撲；控制平面基于可重構的集中網絡控制功能，提供按需的接入、移動性和會話管理，支持精細化資源管控和全面能力開放；轉發平面具備分布式的數據轉發和處理功能，提供動態的錨點設置，以及更豐富的業務鏈處理能力。從整體邏輯架構來看，5G網絡采用模塊化功能設計模式，并通過“功能組件”的組合，構建滿足不同應用場景需求的專用邏輯網絡[55]。對應上述三層邏輯劃分，圖13是3GPP 5G標準中給出的5G系統架構。控制面被分為接入管理功能（AMF）和會話管理功能（SMF）：單一的AMF負責終端的移動性和接入管理；SMF負責對話管理功能，可以配置多個。AMF和SMF是控制面的兩個主要節點，配合兩個主要節點還有統一數據管理（UDM）、認證服務器功能（AUSF）、策略管控功能（PCF），以執行用戶數據管理、鑒權、策略控制等。另外還有網絡開放功能（NEF）和網元存儲功能（NRF）這兩個平臺支持功能節點，用于幫助導出網絡數據，以及幫助其他節點發現網絡服務。

圖13 5G系統架構

圖14 MEC在5G架構下的部署

MEC在5G網絡中部署的架構如圖14所示，MEC位于核心網與接入網融合的部分，通過NEF接入5G網絡。5G核心網絡選擇靠近UE的UPF，通過N6接口執行UPF到本地數據網絡的流量卸載。用戶請求通過UPF到達MEC，在PCF的管控下，MEC為用戶提供各種各樣的緩存、計算和網絡服務。在5G架構下的MEC部署中，能解決會話和業務連續性問題、QoS和計費問題和對MEC本地網絡的支持問題。

MEC在5G網絡下的具體部署方式上也非常靈活，根據運營商的部署，既可以選擇集中部署，與用戶面設備耦合，提供增強型網關功能，也可以分布式地部署在不同位置，通過集中調度實現服務能力。這種在網絡中分層地放置資源可以使網絡管理更加靈活和開放。

4.2 MEC卸載方案優化

1) MEC協作式卸載方案設計

計算卸載的計算資源分配問題已經有很多研究，包括單節點和多節點的計算資源分配。但即使在多節點之間的計算資源分配中，大部分研究也只是致力于研究節點之間的合理資源分配，在實現計算卸載時，在各節點之間沒有設置一致性目標來優化整個卸載方案，為此，本文提出以一致性目標來優化整個協作式卸載方案。

本方案在5G網絡環境下以分層的方式部署MEC服務器，各個MEC之間協作為UE提供卸載服務。由于MEC的資源有限，因此，不僅設計了MEC之間可以協同服務，MEC和MCC也可以協同合作。這樣可以保證負載均衡的條件下實現能量和時延的最小化，具體的協作方案如圖15所示。首先，SCeNB嘗試為附著在其上的UE服務，因為這會使通信延時最小，在圖15中表現為SCeNB1將計算資源分配給UE1。當SCeNB不能處理應用時，有兩種解決方案：一種是轉發給同一個集群中的所有SCeNB，在圖15中表現為UE2的計算在SCeNB2和SCeNB3處完成；另外一種是發送到MCC中，使MEC和MCC共同完成，在圖15中表現為UE3的計算在MCC完成。第一種方式MEC之間的協作會引入的能耗消耗過多的問題，第二種方式將計算任務卸載到MCC會導致時延，如何權衡能耗和時延，使優化更加完善是本文方案的設計目標。

圖15 MEC協作式卸載方案

基于提出的方案策略可以采用一致性算法來解決MEC的資源協同問題。SCeNB集群中的每一個SCeNB都以相同的目標，通過一次次迭代找到全局最優的卸載方案。

2) 以支持業務連續性為主要目標的方案設計

分布式MEC服務器之間的協同服務能夠盡可能協調網絡資源，減小服務時延，提升用戶的QoE，但也存在一定的問題，比如如何保持業務的連續性等問題[56-57]，若計算任務是幾個MEC服務器協同完成的，當用戶移動時就需要考慮涉及VM的遷移等來保持業務的連續性，因此需要移動性管理技術來支撐。之前的研究主要致力于研究卸載決策和計算資源分配上，很少研究考慮到移動性帶來的問題。本方案主要考慮用戶移動時保證業務連續性的情況下來提升系統性能。

本方案的設計主要以在可容忍時延范圍內優化能量為目標來決定是否進行VM遷移以及遷移之后的資源分配問題。VM遷移消耗的能量消耗與MEC之間協作得到的能量減小收益來進行均衡，采用MDP算法來進行優化均衡。

5 問題與挑戰

在邊緣計算網絡環境中進行計算卸載的任務，不僅能減少移動端的計算壓力和能耗，還能降低傳輸時延。但在移動性管理、安全性、干擾管理等方面依然面臨很多問題與挑戰。

5.1 移動性管理

在傳統的蜂窩網絡中，用戶在eNode B/SCeNB之間移動時，為保證服務的連續性，都有嚴格的切換流程。類似地，如果將UE的計算任務卸載到MEC，如何保證服務的連續性是MEC計算卸載的挑戰之一。在應用計算卸載技術的前提下，UE的切換可以通過VM遷移來保證服務的連續性。VM遷移即在當前計算節點處運行的VM被遷移到另一個更合適的計算節點[58-61]。VM遷移的工作大部分都只考慮單個計算節點對每個UE進行計算的場景。當應用程序被卸載到多個計算節點時，如何有效地處理虛擬機遷移過程成為保證QoS的一大挑戰。而且，虛擬機遷移給回程鏈路造成了很大的負擔，并導致很高的延時。因此，實現能夠以毫秒為單位快速遷移虛擬機的技術十分必要。此外，由于計算節點之間的通信限制，更現實的挑戰是如何實現預先遷移計算任務（例如基于某些預測技術），以便用戶覺察不到服務的中斷，從而提升用戶體驗。

在移動性管理中，為了完成相應任務的遷移，并滿足相應的時延需求、安全等各方面的要求，需要對低時延技術、路徑預測技術等加以考量，在保持業務連續性的同時達到綠色節能通信。

1) 低延時的移動性管理

物聯網和車聯網等低延時應用需要具有非常高的可靠性和非常低的端到端時延（毫秒級）的通信。為了支持非常低的時延，當用戶從一個MEC區域移動到另一個區域時，虛擬機和數據會進行遷移。遷移過程可能對應用程序時延產生負面影響，如源MEC結束服務和目的MEC開啟服務過程中時間相對較長，導致用戶需要等待更久。為了支持這類低延時應用，MEC系統需要用時更短的遷移。因此可以考慮在回程鏈路選用時延更小的高速通路，對傳輸數據進行壓縮，簡化虛擬機復原流程等。

2) 路徑預測技術對移動性管理技術的支撐

移動性管理的關鍵是進行虛擬機和數據的遷移，傳統的MEC遷移方案只有在移交時才會將計算任務交給另一臺服務器，這種突發地傳輸大量的數據遷移機制會帶來很高的時延并增加MEC網絡負載。針對這個問題，有效的解決方案是在MEC為用戶提供服務期間，利用用戶軌跡的統計信息預測用戶將要到達的下一個MEC區域，從而提前將數據傳輸至新的MEC。但這一技術主要存在兩個挑戰：第一個挑戰在于軌跡預測，準確的預測可以實現MEC服務器之間的無縫切換，并減少預取冗余。但要實現準確預測需要精確的建模和高復雜度的機器學習技術。第二個挑戰在于如何選擇預先傳輸的計算數據。因為預測的MEC并不是一定準確，所以將所有數據傳輸到預測的MEC可能會造成浪費，如何在傳輸的數據量和預測的準確性之間做決策也是一個必須考慮的問題。

移動性管理技術是解決新型業務更好適用于邊緣計算網絡的關鍵技術支撐，目前，ETSI和各大廠商也在逐步解決移動性問題，相信隨著研究的不斷深入，移動性問題會得到全方位解決。

5.2 安全性

安全性在云計算卸載中是需要重要考慮的技術難點[62-64]。由于MEC是分布式部署，單點的防護能力減弱，特別是物理安全，單點突破可能導致全局突破。而多租戶的形式會導致惡意用戶潛入網內，利用云平臺漏洞攻擊網絡。此外，由于軟件是開源的，對代碼的深入研究更容易找到脆弱點，更便于模擬攻擊。卸載到云端的數據也很容易被攻擊或篡改。因此設計合理的安全措施顯得十分重要。另外，由于計算任務被卸載到邊緣網絡中，面臨更加復雜的網絡環境，原本用于云計算的許多安全解決方案也不再適用于邊緣計算的計算卸載。

MEC中計算卸載面臨的安全問題分布在各個層級，主要包括邊緣節點安全、網絡安全、數據安全應用安全、安全態勢感知、安全管理與編排、身份認證管理等[63]。

邊緣節點安全即在邊緣網絡處提供安全的節點、軟件加固和安全與可靠的遠程升級服務，防止用戶的惡意卸載行為，解決最基本的受信問題。網絡安全需要保證包括防火墻、入侵檢測系統、DDoS防護、VPN/TLS等功能，也包括一些傳輸協議的安全功能重用（例如REST協議的安全功能）。數據安全即對卸載到邊緣網絡中的數據進行信任處理，同時也需要對數據的訪問控制進行加強，數據安全包含數據加密、數據隔離和銷毀、數據防篡改、隱私保護（數據脫敏）、數據訪問控制和數據防泄漏等。其中，數據加密包含數據在傳輸、存儲和計算時的加密；另外，邊緣計算的數據防泄漏也與傳統的數據防泄漏有所不同，因為邊緣計算的設備往往是分布式部署，需要特別考慮這些設備被盜以后，相關的數據即使被獲得也不會泄漏。應用安全需要設置白名單、應用安全審計、惡意卸載內容防范等。安全態勢感知、安全管理與編排即需要采用主動積極的安全防御措施，包括基于大數據的態勢感知和高級威脅檢測，以及統一的全網安全策略執行和主動防護，從而更加快速響應和防護。再結合完善的運維監控和應急響應機制，則能夠最大限度保障邊緣計算系統的安全、可用、可信。身份認證信任管理即網絡的各個層級中涉及的實體需要身份認證，一些研究者提出可以通過限制共享信息來確保身份驗證密鑰的安全交換，完成驗證過程。海量的設備接入使傳統的集中式安全認證面臨巨大的性能壓力，特別是在設備集中上線時認證系統往往不堪重負。在必要的時候，去中心化、分布式的認證方式和證書管理成為新的技術選擇。

由于邊緣計算中的計算卸載可以理解為是云計算中計算卸載的遷移，很多科學研究問題往往可以借鑒云計算中較為成熟的解決方案，但邊緣網絡中的安全性問題由于其特殊性不能完全借鑒云計算中的方案，首先由于邊緣計算由于其分布式部署導致面臨更加復雜的網絡環境與不同層次的網絡實體交互也使其認證問題具有挑戰性。當然，邊緣計算中的計算卸載的安全解決方案可以從云計算的安全解決方案中得到靈感，但毋庸置疑的是，邊緣計算必須對這些方案實現新的擴展和延伸，以確保邊緣計算特有的安全問題可以得到解決。

5.3 干擾管理

干擾問題[65-67]也是計算卸載中亟待解決的關鍵問題之一，如果將很多接入設備的應用同時卸載到MEC服務器，會產生嚴重的干擾問題，如何在保證QoS的前提下實現資源的合理分配同時解決干擾問題是MEC計算卸載面臨的關鍵挑戰之一。

干擾管理具有多種多樣的實現方式，與資源管理緊密相連，這是因為干擾的本質是資源的沖突使用，網絡資源分配的不理想是產生干擾的根本原因。此外，由于移動邊緣計算網絡是分布式部署，海量終端的卸載處理請求以及復雜的網絡環境降低了資源使用率。因此，有效資源分配作為干擾管理的重要手段，一方面可以通過合理利用網絡資源，增加網絡容量，另一方面可以通過干擾管理修正資源分配策略，促進網絡容量的提升。盡管如此，干擾管理依然面臨巨大的挑戰：

1) MEC的分部署方式導致干擾調度不均勻

在MEC網絡中，MEC服務器的部署具有隨機性，其分布與覆蓋情況無法預期，這就可能導致MEC服務器分配不均勻，MEC服務器部署的隨機分布將導致網絡中不同區域的干擾分布不均。結合位置信息和卸載請求預測智能處理干擾問題是未來MEC計算卸載干擾管理的重要技術點之一。

2) 計算資源和網絡資源的分配方案

資源管理是解決干擾問題的核心，因此如何根據MEC網絡環境以及終端的卸載請求，做出合理的資源分配是解決干擾問題的途徑之一。文獻[46]提出了在考慮干擾的情況下的計算卸載資源分配方案，通過聯合優化計算卸載決策，PRB分配和MEC計算資源分配來提升系統性能。由于MEC的分布式部署和計算任務的海量卸載，MEC中計算卸載技術解決干擾問題的方式不同于傳統網絡。因此，合理的資源分配方案將會成為解決干擾問題的技術選擇。

5.4 總結

邊緣計算在移動網絡邊緣提供計算、存儲和網絡資源，可以極大地降低處理時延，終端在卸載計算任務的同時也滿足了綠色通信的要求，提升了服務質量。然而，由于終端卸載任務后可能會發生移動，為滿足MEC處理卸載的計算任務時保持業務的連續性，解決移動性管理問題成為移動邊緣計算中計算卸載技術的重要挑戰之一。此外，由于MEC的分布式部署環境，使原本適用于云計算的安全管理機制已經不再適用于MEC，因此為了保持安全通信需要從各個層級解決安全問題，比如確保邊緣節點安全、網絡安全、數據安全、應用安全、安全態勢感知、安全管理編排和身份認證感知等。同時，由于大規模終端計算任務的卸載，使干擾問題不可避免，這就需要通過有效的干擾管理機制來解決，目前，學術界有很多關于干擾管理的方案，主要涉及計算和網絡資源的聯合分配問題，合理的資源分配能夠控制干擾問題的產生，實現高效通信。在實現MEC大規模應用之前，移動邊緣計算以及各種邊緣計算卸載技術的解決方案在移動性管理、安全、干擾管理、QoE保障等方面仍需要進一步研究和發展。

6 結束語

近年來，MEC研究受到國內外的廣泛關注，已成為移動網絡研究的重點內容。作為MEC關鍵技術之一，計算卸載解決了移動設備在資源存儲、計算性能以及能效等方面存在的不足。本文重點對MEC的網絡架構和部署方案，以及MEC中計算卸載研究進展進行了分析和總結。通過對不同MEC卸載方案的分析和對比，提出了基于5G的MEC卸載方案，并對MEC計算卸載面臨的問題和挑戰進行了總結歸納。通過綜述該領域的已有研究成果，探討分析研究目標和方法，總結研究思路，從而為相關領域的研究人員提供參考和幫助。

[1] DINH H T, LEE C, NIYATO D, et al. A survey of mobile cloud computing: architecture, applications and approaches[J]. Wireless Communications & Mobile Computing, 2013, 13(18):1587-1611.

[2] KHAN A U R, OTHMAN M, MADANI S A, et al. A survey of mobile cloud computing application models[J]. IEEE Communications Surveys & Tutorials, 2014, 16(1):393-413.

[3] WANG Y, CHEN I R, WANG D C. A survey of mobile cloud computing Applications: perspectives and challenges[J]. Wireless Personal Communications, 2015, 80(4):1607-1623.

[4] MACH P, BECVAR Z. Mobile edge computing: a survey on architecture and computation offloading[J]. IEEE Communications Surveys & Tutorials, 2017, PP(99):1-1.

[5] FLORES H, HUI P, TARKOMA S, et al. Mobile code offloading: from concept to practice and beyond[J]. IEEE Communications Magazine, 2015, 53(3):80-88.

[6] JIAO L, FRIEDMAN R, FU X, et al. Cloud-based computation offloading for mobile devices: State of the art, challenges and opportunities[C]// Future Network and Mobile Summit. 2013:1-11.

[7] WANG S, ZHANG X, ZHANG Y, et al. A survey on mobile edge networks: convergence of computing, caching and communications[J]. IEEE Access, 2017, PP(99):1-1.

[8] MAO Y, YOU C, ZHANG J, et al. A survey on mobile edge computing: the communication perspective[J]. IEEE Communications Surveys & Tutorials, 2017, PP(99):1-1.

[9] TALEB T, SAMDANIS K, MADA B, et al. On multi-access edge computing: a survey of the emerging 5G network edge architecture & orchestration[J]. IEEE Communications Surveys & Tutorials, 2017, PP(99): 1.

[10] YU Y. Mobile edge computing towards 5G: vision, recent progress, and open challenges[J]. China Communication, 2016, 13(S2):89-99.

[11] AHMED A, AHMED E, A survey on mobile edge computing[C]// 2016 10th International Conference on Intelligent Systems and Control (ISCO). 2016: 1-8.

[12] HU Y C, PATEL M, SABELLA D, et al. Mobile edge computing—a key technology towards 5G[J]. ETSI White Paper, 2015, 11(11): 1 -16.

[13] WIKIPEDIA C. Mobile edge computing[J]. Wikipedia, The Free Encyclopedia. 2017

[14] CHOCHLIOUROS I P, GIANNOULAKIS I, KOURTIS T, et al. A model for an innovative 5G- oriented, architecture, based on small cells coordination for multi-tenancy and edge services[C]// IFIP International Conference on Artificial Intelligence Applications and Innovations. 2016: 666-675.

[15] GIANNOULAKIS I, KAFETZAKIS E, TRAJKOVSKA I, et al. The emergence of operator‐neutral small cells as a strong case for cloud computing at the mobile edge[J]. Transactions on Emerging Telecommunications Technologies, 2016, 27(9):1152-1159.

[16] LOBILLO F, BECVAR Z, PUENTE M A, et al. An architecture for mobile computation offloading on cloud-enabled LTE small cells[C]// Wireless Communications and NETWORKING Conference Workshops. 2014:1-6.

[17] PUENTE M A, BECVAR Z, ROHLIK M, et al. A seamless integration of computationally-enhanced base stations into mobile networks towards 5G[C]// Vehicular Technology Conference. 2015:1-5.

[18] BECVAR Z, ROHLIK P, VONDRA M, et al. Distributed architecture of 5G mobile networks for efficient computation management in mobile edge computing[J]. Chapter in 5G Radio Access Network (RAN)—Centralized RAN, Cloud-RAN and Virtualization of Small Cells, 2017

[19] WANG S, TU G H, GANTI R, et al. Mobile micro-cloud: Application classification, mapping, and deployment[C]//Proc Annu Fall Meeting ITA (AMITA). 2013: 1-7.

[20] WANG K, SHEN M, CHO J, et al. MobiScud: a fast moving personal cloud in the mobile network[C]// The Workshop on All Things Cellular: Operations, Applications and Challenges. 2015:19-24.

[21] TALEB T, KSENTINI A, FRANGOUDIS P. Follow-me cloud: when cloud services follow mobile users[J]. IEEE Transactions on Cloud Computing, 2016, PP(99):1-1.

[22] AISSIOUI A, KSENTINI A, GUEROUI A. An efficient elastic distributed SDN controller for follow-me cloud[C]//International Conference on Wireless and Mobile Computing, Networking and Communications. 2015:876-881.

[23] LIU J, ZHAO T, ZHOU S, et al. CONCERT: a cloud-based architecture for next-generation cellular systems[J]. IEEE Wireless Communications, 2014, 21(6):14-22.

[24] LIU J, MAO Y, ZHANG J, et al. Delay-optimal computation task scheduling for mobile-edge computing Systems[C]//IEEE International Symposium on Information Theory. 2016:1451-1455.

[25] MAO Y, ZHANG J, LETAIEF K B. Dynamic computation offloading for mobile-edge computing with energy harvesting devices[J]. IEEE Journal on Selected Areas in Communications, 2016, 34(12): 3590-3605.

[26] ZHANG K, MAO Y, LENG S, et al. Optimal delay constrained offloading for vehicular edge computing networks[C]// IEEE International Conference on Communications. 2017:1-6.

[27] JIA M, CAO J, YANG L. Heuristic offloading of concurrent tasks for computation-intensive applications in mobile cloud computing[C]// Computer Communications Workshops. 2014:352-357.

[28] KAO Y H, KRISHNAMACHARI B, RA M R, et al. Hermes: latency optimal task assignment for resource-constrained mobile computing[C]//IEEE Conference on Computer Communications. 2015: 1894-1902.

[29] KAMOUN M, LABIDI W, SARKISS M. Joint resource allocation and offloading strategies in cloud enabled cellular networks[C]// IEEE International Conference on Communications. 2015:5529-5534.

[30] LABIDI W, SARKISS M, KAMOUN M. Energy-optimal resource scheduling and computation offloading in small cell networks[C]// International Conference on Telecommunications. 2015:313-318.

[31] ZHANG H, GUO J, YANG L, et al. Computation offloading considering fronthaul and backhaul in small-cell networks integrated with MEC[C]//2017 IEEE Conference on Computer Communications Workshops. 2017: 115-120.

[32] YOU C, HUANG K. Multiuser resource allocation for mobile-edge computation offloading[C]//Global Communications Conference.2017:1-6.

[33] YOU C, HUANG K, CHAE H, et al. Energy-efficient resource allocation for mobile-edge computation offloading[J]. IEEE Transactions on Wireless Communications, 2017, 16(3):1397-1411.

[34] MU?OZ O, PASCUAL-ISERTE A, VIDAL J. Optimization of radio and computational resources for energy efficiency in latency-constrained appli-cation offloading[J]. IEEE Transactions on Vehicular Technology, 2015, 64(10):4738-4755.

[35] NAN Y, LI W, BAO W, et al. Adaptive energy-aware computation offloading for cloud of things systems[C]//IEEE Access, 2017(5): 23947-23957.

[36] WANG W, ZHOU W. Computational offloading with delay and capacity constraints in mobile edge[C]// IEEE International Conference on Communications. 2017:1-6.

[37] LIU L Q, CHANG Z, GUO X J, et al. Multi-objective optimization for computation offloading in mobile-edge computing[C]//2017 IEEE Symposium on Computers and Communications (ISCC). 2017: 832-837.

[38] VALERIO V D, LO P F. Optimal virtual machines allocation in mobile femto-cloud computing: an MDP approach[C]// Wireless Communications and NEtworking Conference Workshops. 2014:7-11.

[39] ZHAO T, ZHOU S, GUO X, et al. A cooperative scheduling scheme of local cloud and internet cloud for delay-aware mobile cloud computing[C]// IEEE GLOBECOM Workshops. 2015:1-6.

[40] GUO X, SINGH R, ZHAO T, et al. An index based task assignment policy for achieving optimal power-delay tradeoff in edge cloud systems[C]//IEEE International Conference on Communications. 2016: 1-7.

[41] OUEIS J, CALVANESE S E, DE D A, et al. On the impact of backhaul network on distributed cloud computing[C]// Wireless Communications and Networking Conference Workshops. 2014:12-17.

[42] OUEIS J, STRINATI E C, BARBAROSSA S. Small cell clustering for efficient distributed cloud computing[C]// International Symposium on Personal, Indoor, and Mobile Radio Communication. 2015: 1474-1479.

[43] NDIKUMANA A, ULLAH S, LEANH T, et al. Collaborative cache allocation and computation offloading in mobile edge computing[C]//2017 19th Asia-Pacific Network Operations and Management Symposium (APNOMS). 2017: 366-369.

[44] XU J, CHEN L, REN S. Online learning for offloading and autoscaling in energy harvesting mobile edge computing[J]. IEEE Transactions on Cognitive Communications & Networking, 2017, PP(99):1-1.

[45] KETYKó I, KECSKéS L, NEMES C, et al. Multi-user computation offloading as Multiple Knapsack Problem for 5G Mobile Edge Computing[C]// European Conference on Networks and Communications. 2016: 225-229.

[46] WANG C, YU F R, LIANG C, et al. Joint computation offloading and Interference management in wireless cellular networks with mobile edge computing[J]. IEEE Transactions on Vehicular Technology, 2017, PP(99):1-1.

[47] CUERVO E, BALASUBRAMANIAN A, CHO D K, et al. MAUI:making smartphones last longer with code offload[C]// International Conference on Mobile Systems, Applications and Services. 2010:49-62.

[48] KOSTA S, AUCINAS A, HUI P, et al. ThinkAir: dynamic resource allocation and parallel execution in the cloud for mobile code offloading[C]// INFOCOM, 2012 Proceedings IEEE. 2012:945-953.

[49] GORDON M S, JAMSHIDI D A, MAHLKE S, et al. COMET: code offload by Migrating Execution Transparently[C]// Usenix Conference on Operating Systems Design and Implementation. 2012:93-106.

[50] PANG Z, SUN L, WANG Z, et al. A survey of cloudlet based mobile computing[C]// International Conference on Cloud Computing and Big Data. 2016: 268-275.

[51] CHUN B G, MANIATIS P. Augmented smartphone applications through clone cloud execution[C]// Conference on Hot Topics in Operating Systems. 2009:8.

[52] GORDON M S, HONG D K, CHEN P M, et al. Accelerating mobile applications through flip-flop replication[C]// International Conference on Mobile Systems, Applications and Services. 2015:137-150.

[53] 張平, 陶運錚, 張治. 5G若干關鍵技術評述[J]. 通信學報, 2016, 37(7):15-29.

ZHANG P, TAO Y Z, ZHANG Z, Survey of several key technologies for 5G[J], Journal on Communications, 2016,37(7):15-29.

[54] 黃韜, 劉江, 霍如,等. 未來網絡體系架構研究綜述[J]. 通信學報, 2014, 35(8):184-197.

HUANG T, LIU J, HUO R, et al. Survey of research on future network architectures[J], Journal on Communications, 2014, 35(8):184-197

[55] 劉韻潔, 黃韜, 張嬌,等. 服務定制網絡[J]. 通信學報, 2014, 35(12):1-9.

LIU Y J, HUANG T, ZHANG J, et al. Service customized networking[J]. Journal on Communications, 2014, 35(12):1-9.

[56] MACH P, BECVAR Z. Cloud-aware power control for cloud-enabled small cells[C]// GLOBECOM Workshops. 2015:1038-1043.

[57] MACH P, BECVAR Z. Cloud‐aware power control for real‐time application offloading in mobile edge computing[J]. Transactions on Emerging Tele-communications Technologies, 2016, 27(5):648-661.

[58] WANG S, URGAONKAR R, HE T, et al. Mobility-induced service migration in mobile micro-clouds[C]// Military Communications Conference. 2014:835-840.

[59] WANG S, URGAONKAR R, ZAFER M, et al. Dynamic service migration in mobile edge-clouds[C]//IFIP Networking Conference. 2015: 1-9.

[60] NADEMBEGA A, HAFID A S, BRISEBOIS R. Mobility prediction model-based service migration procedure for follow me cloud to support QoS and QoE[C]// IEEE International Conference on Communications. 2016:1-6.

[61] WANG S, URGAONKAR R, HE T, et al. Dynamic service placement for mobile micro-clouds with predicted future costs[J]. IEEE Transactions on Parallel & Distributed Systems, 2017, 28(4):1002-1016.

[62] SHIBIN D, KATHRINE G J W. A comprehensive overview on secure offloading in mobile cloud computing[C]//2017 4th International Conference on Electronics and Communication Systems (ICECS), 2017: 121-124.

[63] 邊緣計算產業聯盟, 工業互聯網產業聯盟. 邊緣計算參考架構2.0 [R]. 北京: 工業互聯網產業聯盟，2017. ECC, AII. The Architecture of Edge Computing 2.0 [R]. Beijing: AII, 2017.

[64] YANG W, FUNG C. A survey on security in network functions virtualization[C]//Netsoft Conference and Workshops. 2016:15-19.

[65] LI C, ZHANG J, HAENGGI M, et al. User-centric intercell interference nulling for downlink small cell networks[J]. IEEE Transactions on Communications, 2014, 63(4):1419-1431.

[66] HUANG G, LI J. Interference mitigation for femtocell networks via adaptive frequency reuse[J]. IEEE Transactions on Vehicular Technology, 2016, 65(4):2413-2423.

[67] BU S, YU F R, SENARATH G. Interference-aware energy-efficient resource allocation for heterogeneous networks with incomplete channel state in-formation[C]//IEEE International Conference on Communications. 2013: 6081-6085.

Survey on computation offloading in mobile edge computing

XIE Renchao, LIAN Xiaofei, JIA Qingmin, HUANG Tao, LIU Yunjie

Stat Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications, Beijing 100876, China

Computation offloading in mobile edge computing would transfer the resource intensive computational tasks to the edge network. It can not only solve the shortage of mobile user equipment in resource storage, computation performance and energy efficiency, but also deal with the problem of resource occupation, high latency and network load compared to cloud computing. Firstly the architecture of MEC was introduce and a comparative analysis was made according to various deployment schemes. Then the key technologies of computation offloading was studied from three aspects of decision on computation offloading, allocation of computing resource within MEC and system implement of MEC. Based on the analysis of MEC deployment scheme in 5G, two optimization schemes on computation offloading was proposed in 5G MEC. Finally, the current challenges in the mobility management was summarized, interference management and security of computation offloading in MEC.

MEC, MEC deployment scheme, computation offloading, decision on computation offloading, resource allocation, computation offloading system

TP393

A

10.11959/j.issn.1000-436x.2018215

謝人超（1984–），男，福建南平人，博士，北京郵電大學副教授、碩士生導師，主要研究方向為信息中心網絡、移動網絡內容分發技術和移動邊緣計算等。

廉曉飛（1992–），女，天津人，北京郵電大學碩士生，主要研究方向為5G網絡、移動邊緣計算等。

賈慶民（1990–），男，山東泰安人，北京郵電大學博士生，主要研究方向為新型網絡體系架構、內容分發和移動邊緣計算等。

黃韜（1980–），男，重慶人，博士，北京郵電大學教授、博士生導師，主要研究方向為新型網絡體系架構、內容分發網絡、軟件定義網絡等。

劉韻潔（1943–），男，山東煙臺人，中國工程院院士，北京郵電大學教授、博士生導師，主要研究方向為未來網絡體系架構。

2017?12?25；

2018?07?04

中央高校基本科研業務費專項基金資助項目（No.2018PTB-00-03）；國家自然科學基金資助項目（No.61501042）

The Fundamental Research Funds for the Central Universities (No.2018PTB-00-03), The National Natural Science Foundation of China (No. 61501042)