移動邊緣計算環境中的計算卸載技術研究綜述

胡 恒，金鳳林，郎思琪

陸軍工程大學 指揮控制工程學院，南京210007

隨著物聯網的發展和5G 網絡的日益普及，各種終端智能設備呈現爆炸式的增長，據IMT（International Mobile Telecommunications）-2020（5G）推進組對終端設備連接數增長趨勢的預測，到2030 年全球物聯網設備連接數量將達到1 000 億左右，這些分布廣泛且數量眾多的設備產生的數據也越來越多，數據總量每年都呈指數形式的快速增長。尤其是隨著人工智能、物聯網技術和5G技術的發展，產生了各種新型應用，很多部署在終端設備上的計算密集型和時延敏感型的應用，對網絡的時延和帶寬提出了更高的要求，比如自動駕駛、增強現實、虛擬現實和在線游戲等新型應用，要求更低的時延、更快的速度、更高的帶寬和更大的存儲能力。雖然現有技術已經發展得很快，但終端設備的計算和存儲能力還是無法處理和存儲如此龐大的數據，難以滿足這些應用的需求。另外，由于電池技術的限制，移動設備的能量有限，執行高能耗任務也是一個很大的挑戰。為了解決這些問題，移動云計算（Mobile Cloud Computing，MCC）應運而生。移動云計算集合了云計算和移動互聯網的優勢特點[1]。所有復雜的計算都可以在云中執行，因此移動設備得以簡化，不需要很復雜的配置[2]。在MCC中，終端設備可以將低時延高能耗的應用任務，卸載到云服務器中進行計算處理，以此來增強終端設備的計算和存儲能力，減少設備的能耗，縮短任務執行時間，給用戶帶來很好的體驗。然而，雖然將設備任務卸載到云服務器，設備的性能得到了很大的提升，但是MCC模式也帶來了新的問題，由于云服務器離終端設備比較遠，導致任務執行時延可能很高，而且對于像自動駕駛這類對時延要求精確到毫秒級的應用來說，是無法滿足其需求的。因此，MCC 難以滿足時延敏感型應用的需求[3]。并且MCC采用的是集中式處理模式[4-6]，如圖1所示，大量終端設備產生的海量數據都傳送到云服務器進行處理，不僅會給傳輸網路帶來很大的負擔，而且也會造成數據隱私的泄露，產生數據安全性問題?；诖藰I內提出了移動邊緣計算[7]。

圖1 MCC體系結構

移動邊緣計算能有效解決時延長、能耗高和數據不安全等問題。尤其是計算卸載技術作為MEC的關鍵技術更是成為該領域的研究熱點。MEC計算卸載技術允許終端設備將計算密集型任務卸載至MEC 服務器執行，借助高計算性能MEC 服務器實現任務執行時延降低的目的[8]。同時，將終端設備的任務卸載到邊緣服務器，也可以有效降低設備能耗。因此，MEC計算卸載技術能有效解決云計算帶來的問題的同時也能有效緩解終端設備資源受限與對需求有高要求的任務間的突出矛盾。雖然目前已有大量MEC相關領域的研究文獻和成果，但很少有對MEC領域相關理論進行系統的梳理，并且對于MEC計算卸載技術的現狀和面臨的問題挑戰介紹得也不夠詳細。因此本文對MEC 相關理論、部署方案和應用場景進行了系統的梳理，并對計算卸載技術研究現狀和面臨的挑戰進行了詳細的分析和總結。

1 移動邊緣計算

1.1 MEC概念

多邊緣計算是在網絡邊緣執行計算的一種新型計算模型[9]，在無線接入網絡的邊緣側，就近為終端設備提供邊緣服務。邊緣計算模型和云計算模型并不是取代的關系，而是相輔相成的關系，邊緣計算需要云計算中心強大的計算能力和海量存儲的支持，而云計算中心也需要邊緣計算中邊緣服務器對海量數據及隱私數據的處理[10]。而移動邊緣計算是由歐洲電信標準化協會（European Telecommunications Standards Institute，ETSI）于2014 年提出，是指將云服務器的部分云計算能力下沉到用戶側，在網絡邊緣部署計算和存儲資源，為用戶提供邊緣服務，由于更加地靠近邊緣設備，從而能為用戶提供超低時延和高帶寬，給用戶更佳的網絡體驗。MEC 也是一種新的網絡架構，如圖2 所示，為部署在基站的一種MEC架構。

圖2 MEC體系結構

與云計算相比，移動邊緣計算具有很大的優勢。第一，在無線接入網側部署MEC服務器，終端設備可以將計算任務卸載至邊緣服務器，不必經過核心網將任務卸載到云服務器，從而達到減少時延的目的。第二，設備產生的大量數據卸載到邊緣服務器進行處理，極大地緩解了核心網絡和云服務器的壓力，也有效地保護了用戶數據的隱私。第三，終端設備的能耗主要包括執行任務的能耗和傳輸任務的能耗。由于電池技術和終端設備尺寸的限制，導致設備能量很低，不能執行高能耗的任務。將設備上的任務卸載到邊緣服務器可以有效地降低設備的能耗，延長設備使用的周期。表1列出了MEC與MCC的對比分析。

表1 MEC與MCC對比分析

1.2 MEC架構

2019年ETSI對MEC架構有了新的定義[11]。如圖3所示，文獻[12]參考了ETSI新定義的MEC參考架構，從宏觀的層次上對MEC架構進行了詳細說明。圖3詳細描述了MEC 參考架構的各個不同功能元素和參考點。MEC參考架構分為MEC系統層和MEC主機層，整個架構包含三個參考點，分別是Mx、Mp和Mm。其中Mx代表與外部實體有關的參考點，Mp代表與MEC平臺應用有關的參考點，Mm代表與管理相關部分有關的參考點。

圖3 MEC參考架構

MEC主機層主要包括：MEC平臺管理器、虛擬化基礎設施管理器和MEC主機三部分。

MEC 主機作為實體，包含MEC 平臺、MEC 應用和虛擬化基礎設施。虛擬化基礎設施通過虛擬化技術將各種標準的軟硬件資源整合成虛擬資源池，為MEC 應用提供運行所需的資源，包括計算、存儲和網絡資源。MEC平臺是一個基本的功能集合，為MEC應用提供了運行環境，使MEC 應用能夠發現、提供和使用MEC 服務，并根據流量規則接受流量進行路由。MEC 應用是在MEC 主機的虛擬化基礎設施上運行的MEC 應用程序，根據請求利用虛擬化資源進行實例化，并作為虛擬機運行，與MEC 平臺進行交互以使用和提供MEC 服務。虛擬化基礎設施管理器主要負責對那些硬件資源和虛擬化的資源進行管理和監控，分配和回收虛擬資源，比如利用虛擬資源創建一個個的虛擬機，就是由虛擬化基礎設施管理器完成的。移動邊緣平臺管理器主要負責管理MEC 應用的生命周期，包括將與應用程序有關的信息通過Mm參考點通知移動邊緣編排器；從虛擬化基礎設施管理器接收一些關于虛擬化資源故障報錯信息和性能指標信息，以進行進一步處理。

MEC系統層包括：面向客戶服務門戶、設備應用程序、用戶應用程序生命周期代理、操作支持系統和移動邊緣編排器。

面向客戶服務門戶是一組能夠為第三方客戶提供服務的MEC應用程序，該門戶通過Mx參考點與操作支持系統直接通信。設備應用程序是指設備中運行的應用程序，通過用戶應用程序生命周期代理與MEC 系統通信。移動邊緣編排器是MEC 系統層管理的核心，根據已經部署好的MEC主機，可用的軟硬件虛擬資源，可用的MEC 服務和拓撲結構來維護MEC 系統的整體視圖；在資源、服務和性能指標等條件的約束下，選擇適合的MEC主機來實例化應用程序。操作支持系統通過面向客戶服務門戶和設備應用程序接收與應用程序有關的一些請求，比如實例化應用程序，終止應用程序。并對這些請求進行判斷，決定是否放行這些請求，對于放行的請求，操作支持系統會將這些請求轉發到移動邊緣編排器，進行進一步處理。用戶應用程序也是MEC 應用程序，是通過設備應用程序響應用戶的請求在MEC系統中進行實例化的應用程序。用戶應用程序生命周期代理根據設備應用程序的請求進行管理，并與操作支持系統和移動邊緣編排器進行交互，以進一步處理這些請求，允許實例化或終止應用程序。

1.3 MEC部署方案

MEC 服務器擁有充足的計算和存儲資源，能夠為各類終端設備提供MEC服務。MEC部署位置不同，適用的場景和帶來的影響是不同的。在移動邊緣網絡環境中如何部署MEC服務器也是需要考慮的問題。MEC服務器在移動邊緣網絡中的部署方案有很多種，以下主要介紹三類MEC部署方案：宏基站云、小區小型基站云和核心網云，表2對三種部署方案進行了總結。

表2 三種部署方案對比分析

1.3.1 宏基站云

宏基站體型較大，能夠承載的設備數量也很多，覆蓋面積很廣，一般都能夠達到數十公里，距離設備不是很遠。通過將MEC服務器部署在宏基站，使得MEC服務器能夠實時地感知一定區域內的網絡信息，能夠為大量的終端設備提供各類服務。如圖4所示，宏基站內部可以部署多個MEC 服務器，因此具有很高的計算能力和大容量的存儲能力。由于靠近設備，能夠更便捷且快速地獲取和回應設備的請求信息，帶來了低時延。但由于計費功能一般設在網關執行，因此存在合法監聽、計費等安全問題。此部署方案特別適用于覆蓋范圍較大的應用場景，比如中小型城市，且對于未來智慧城市的建設具有很大的推動作用。

圖4 宏基站云

1.3.2 小區小型基站云

小區內的小型基站體型較小，覆蓋范圍也小，能夠服務的終端設備數量相比于宏基站要少得多，計算和存儲能力也相對較弱，但離終端設備的距離更近，通過將MEC 服務器部署在小區內的小型基站，能夠為終端設備提供低延遲的服務，提升用戶的體驗。但與宏基站部署方案一樣也存在計費、合法監聽和鑒權等安全問題，同時安裝成本也相對較高，需要進一步地考慮。部署在各小區的MEC服務器，最后通過聚合節點接入核心網，如圖5 所示。該部署方案適用于覆蓋范圍較小的應用場景，比如小區、學校和大型商場等熱點區域。

圖5 小區小型基站云

1.3.3 核心網云

如圖6所示，在核心網側的部署方案。以上兩種方式，雖然距離終端設備都比較近，但存在計費、鑒權和合法監聽等問題。通過將MEC服務器部署在核心網側的分布式數據中心上，能有效解決這些問題，但由于MEC服務器離終端設備距離遠，也帶來了高時延和高能耗等問題，增加了響應服務的時間，同時會占用核心網大量的計算、存儲和帶寬等資源。

圖6 核心網云

MEC 服務器的部署與應用場景有關，需要綜合考慮各種因素，比如周圍環境、時延性能指標、業務類型和覆蓋范圍等。隨著技術的發展，未來具有各種計算能力和存儲容量的MEC 服務器將部署在網絡的各個位置。對于時延有較低要求的應用場景，可以將MEC 服務器部署在基站附近。對計算能力和存儲容量有很高要求的應用場景，可以考慮將MEC 服務器部署在核心網測?？傊鶕嶋H的場景來考慮MEC服務器的部署，在各部署方式之間進行權衡，在滿足各類服務需求的情況下，使得計算、網絡和存儲資源利用得到最大化。

1.4 MEC應用場景

由于移動邊緣計算具有安全性高、離設備距離近帶來的低時延、低能耗和高帶寬等特點，使得移動邊緣計算在現實生活中具有豐富的應用場景。比如物聯網、車聯網、增強現實等領域，下面列出并介紹了MEC主要典型應用場景，并在表3中總結了各種應用場景引入MEC技術帶來的優勢。

表3 各種典型應用場景引入MEC帶來的優勢

1.4.1 物聯網

物聯網是指借助智能技術，將物體的狀態、位置和所處周圍環境的信息進行采集分析整理，通過其連接的網絡，進行有效物體間的信息交換和傳遞，實現隨時隨地的人機互連、物物互連的智能網絡。將物聯網設備產生的計算密集型任務卸載至MEC 服務器中執行，有助于實現物聯網設備簡化及低能耗需求，達到延長設備生存期的目的[13]。由于MEC服務器通常擁有一定計算存儲資源并能收集和處理信息，在物聯網中引入MEC 技術，能幫助物聯網設備簡化配置，使物聯網設備更簡化，同時降低設備的價格。

1.4.2 車聯網

據車聯網網絡安全白皮書中對車聯網進行的定義，車聯網是指借助新一代信息和通信技術，實現車內、車與人、車與車、車與路、車與服務平臺的全方位網絡連接，提升汽車智能化水平和自動駕駛能力，構建汽車和交通服務新業態，從而提高交通效率，改善汽車駕乘感受，為用戶提供智能、舒適、安全、節能、高效的綜合服務。車輛通過與路旁基站上部署的MEC服務器通信來提高運輸系統的安全性、效率和便利性，服務器中部署的應用程序包含使用從車輛和路邊傳感器接收到的數據的算法，以預先識別高風險情況，并向該區域的車輛發送警報和警告[14]。若將聯網車輛與MEC 技術結合，不僅可以滿足車載應用毫秒級時延和高帶寬的需求，而且可以在路邊基站部署MEC 服務器運行MEC 應用程序來提供各類服務。通過賦予路旁基站計算及存儲能力，車載應用服務可由中心網絡轉至網絡邊緣節點上處理，從而實現減少數據處理往返時延的目的[15]。而部署在MEC 服務器的MEC 應用程序可以直接從車輛和路邊傳感器中的應用程序接收車輛發來的信息，并對其進行分析，然后將信息傳遞給其他車輛，減少車禍風險。

1.4.3 增強現實

增強現實是一種利用設備產生的包括聲音、圖片及視頻等附加元素，對用戶所看到真實世界影像進行增強或者擴展的技術[16]。增強現實允許用戶通過對周圍環境進行分析，獲得場景的語義，使用數據庫提供的其他知識來增強場景的語義，并在很短的時間內將其反饋給用戶，從而從環境中獲取更多信息，該設備可以是智能手機或帶有攝像頭和其他傳感器的任何可穿戴設備[17]。雖然現有網絡平均的吞吐量可以達到很高，但一些高階增強現實應用需更高的速度和更低的延遲。因此通過增強現實與MEC 技術結合，一方面可以將高質量的增強現實內容卸載到邊緣服務器，利用邊緣服務器的存儲資源可以預存一些熱門資源，當用戶需求時可以直接返回給用戶，提高用戶體驗。另一方面對于一些計算能力需求高的任務，MEC 也可以利用自身的計算資源進行處理，而不必上傳到云端，節省了時延。

1.4.4 智能家居

當前的智能家居服務模式主要由智能家用設備、手機或平板電腦應用和云服務器構成。通過在手機或平板電腦上下載智能設備對應的應用程序，就可以通過此應用程序間接地操作控制家里的智能設備，既方便又智能。具體來說手機通過應用控制程序向云服務器發送相關需求，云服務器通過解析需求，對相應的智能設備下發狀態指令，然后手機就可以通過相應的指令對設備進行控制。雖然云服務模式帶來了很大的方便，但也存在著數據安全、高延遲等問題。因此，通過在智能家居環境中引入邊緣計算技術，將MEC 服務器部署在家庭區域內部，避免了將數據上傳到云服務器，不僅可以保證數據的安全性，也能有效降低手機設備訪問控制智能設備的時間。

1.4.5 視頻監控系統

視頻監控系統通過攝像頭拍攝大量的視頻數據，傳統的處理模式需要將視頻數據傳至云服務器處理或者在攝像頭本地處理。若在云服務器處理，則需要將大量的視頻數據傳至云端，不僅增加了核心網的負擔，而且也帶來了高的延遲。若將視頻數據在攝像頭處進行本地處理，這不僅需要每個攝像頭都具備視頻分析的功能，且需要大的存儲空間，這不僅會增加攝像頭配置的復雜度，維修帶來困難，而且會帶來高的成本和高能耗。若借助MEC服務器強大的計算能力和充足的存儲空間進行視頻數據的處理，每個攝像頭就無需復雜的配置進行視頻處理分析，不僅降低了攝像頭的成本和能耗，而且減輕了核心網的負擔，將視頻數據傳輸到MEC服務器進行處理，也帶來了低時延和增加了數據的安全性。

1.4.6 位置感知

由于MEC 服務器部署在網絡邊緣，而且覆蓋的范圍足夠大，可以實時地監測和獲取到用戶的位置信息。而應用提供商的業務主要關注盈利模式，通過對用戶的實時定位，獲取用戶的位置信息，進而推送相關應用的服務，提升與位置有關應用的價值的同時帶來利潤的增收?；谖恢酶兄膽眠€有智慧商場大廈，將MEC服務器部署在商場內，離用戶較近，便于實時獲取用戶的位置信息，給用戶提供個性化服務。當顧客進入商場時，商場通過對用戶的實時定位，獲取位置信息，同時進行對其周邊商鋪、車庫、消費區域等查詢，結合這些信息，對用戶的行為數據進行分析，進而實現精準推銷，商場也可以根據用戶的位置信息，推送高度相關的廣告或商場優惠券信息。

1.4.7 醫療服務

雖然醫療技術進步很快，但仍然存在著醫療資源不均，不同醫療機構之間的數據相互孤立，患者的醫療數據容易泄露等問題。而結合MEC 技術，通過連接數據資源擁有者的邊緣服務器，實現數據共享、資源共享，能夠消除多方醫療機構之間的合作與共享的障礙，實現醫療信息化。不僅可以減少看病患者的等待時間，提高了醫治病人的效率，同時能夠保護患者隱私數據的安全。借助MEC 技術也可以對患者進行實時監護，獲取患者生命特征數據和危急信息及時送給醫護人員，確保患者的安全。同時專家醫生也可以借助MEC技術進行遠程醫療實時會診，MEC 服務器強大的計算能力和充足的存儲容量，能保證實時會診所需要的很高的帶寬和低時延。醫療與MEC技術結合可以大幅度地提高醫療效率。

2 計算卸載技術及研究現狀

2.1 計算卸載技術

計算卸載技術[18]作為MEC 的關鍵技術之一，是指通過合理的卸載決策和資源分配策略將終端設備上運行的任務卸載到邊緣服務器，利用服務器充足的計算和存儲資源完成任務的執行，減少任務完成時延和設備的能耗，提高設備性能。計算卸載技術在云計算中已經被運用，與移動邊緣計算中的計算卸載技術上唯一的不同就是卸載的目的地不同。文獻[19]將計算卸載流程大致分為六個階段，包括尋找可用的MEC計算節點、程序分割、卸載決策、程序傳輸、執行計算和計算結果返回，如圖7所示。

圖7 卸載流程

計算卸載技術主要包含卸載決策和資源分配兩個問題。其中卸載決策主要解決的是設備上的計算任務是否需要卸載，按照何種策略進行卸載，是完全卸載還是部分卸載等問題。資源分配所要解決的是如何對計算、網絡和帶寬等資源合理分配的問題，比如在單服務器的場景下，多個任務卸載到服務器上，如何有效合理地分配計算和存儲資源，才能最大程度地降低總任務的時延和能耗。

在卸載系統中的設備一般由代碼解析器、系統解析器和決策引擎三部分組成。其中代碼解析器用于確定哪部分任務可以卸載，系統解析器用于監控卸載數據大小、執行任務的能耗和可用的帶寬等各種參數，卸載引擎用于決定任務是否可以卸載。

接下來本文將會按圖8 所示從卸載決策的目標和卸載方式兩方面分析介紹和總結近年來計算卸載技術的研究現狀。

圖8 卸載技術

2.2 卸載目標

進行卸載決策的目標主要有三個：以縮短任務完成時延為目標、以降低設備的能耗為目標和以優化時延和能耗加權和為目標。本節將會從這三個方面介紹對近年來計算卸載策略現狀進行介紹。表4 為近年來卸載決策目標的部分研究進展。

表4 卸載決策目標研究總結

2.2.1 最小化時延的卸載方法

如果任務需要卸載，則完成此任務所花費的時延包括上傳任務到MEC服務器的傳輸時延、在MEC服務器上的執行時延和返回執行結果的傳輸時延。不進行卸載時，時延只包括在本地執行的時間。為保證用戶有個很好的體驗，需要最大程度地降低任務的完成時延，至少需要滿足完成任務所需的最低時延要求。

文獻[20]提出了一種高效的一維搜索算法來尋找最優的任務調度策略。首先利用馬爾可夫鏈理論，根據任務緩沖區的排隊狀態、本地處理單元的執行狀態以及傳輸單元的狀態，分析了在給定的計算任務調度策略下，移動設備上每個任務的平均延遲和平均功耗。然后，建立了功率約束時延最小化問題的數學模型，利用一維搜索算法來尋找最優的調度策略。最后通過仿真實驗表明，與任務在移動設備上進行計算和將任務卸載到云服務器進行計算相比，本文所提的任務調度策略可以最大程度地縮短任務的執行時延。但是這種策略需要移動設備與MEC 計算節點之間進行實時通信，設備只有得到計算節點的反饋信息，才能做出是否卸載的決定。文獻[21]利用軟件定義網絡的思想，研究了超密集網絡中的任務卸載問題，并將任務卸載問題描述為一個NP-hard的混合整數非線性規劃問題。為了解決這一問題，將該優化問題轉化為計算資源分配問題和0-1 規劃子問題，通過使用優化技術，得到了計算資源分配和任務分配的有效解決方案，在此方案下能最大限度地減少設備任務執行時延的同時也節省了設備的能耗。仿真結果表明，與隨機任務卸載方案和均勻任務卸載方案相比，該方案可以減少20%的任務執行時延，節省30%的設備能耗。文獻[22]研究了具有帶寬和延遲要求的單個應用程序和多個應用程序的應用程序配置問題。對于單一應用和可以并行的多應用場景，提出了一種完全多項式時間近似方案。對于一般的不可并行的多應用場景，提出了一個隨機化算法。通過仿真結果表明，與啟發式算法相比，本文提出的算法可以最大程度地縮短任務的執行時延。在文獻[23]中用戶將計算任務卸載到多個邊緣服務器，并在預定的時隙上從服務器下載結果，通過聯合優化任務分配和資源分配，最大限度地減少任務的計算延遲。實驗表明，通過此優化方案，可以顯著減少任務的計算時延。文獻[24]通過馬爾可夫決策過程方法分析每個任務的平均延遲和設備上的平均功耗，利用一種有效的一維搜索算法獲得最佳任務調度策略，解決了受功率約束的最小化延遲問題。通過實驗表明提出的最佳隨機任務調度策略可以實現更短的平均執行延遲。文獻[25]考慮了將任務依賴關系建模為樹狀任務圖，并提出了一種新穎的完全多項式時間逼近方案，在滿足資源利用率約束的同時最大程度地減少了應用程序完成延遲，并進一步提出了一種在線算法，用于學習未知的動態環境，來保證與最佳策略相比的性能差距受到對數函數和時間的限制。通過實驗結果表明，該方法能最大程度地縮短執行延遲。但是，當任務圖很大時，算法可能會花費很長時間。文獻[26]考慮了具有常規子任務依賴性的應用程序卸載，提出了一種輕量高效的卸載方案，基于博弈論開發了一種自適應分布式卸載策略，該策略在有限迭代后即可達到納什均衡。通過實驗表明所提出的卸載算法可以有效減少任務的執行時間，并提高資源利用率，但是由于全局信息稀疏，該算法只能獲得有限的性能，而且沒有考慮能耗問題。文獻[27]研究了聯合MEC和D2D部分計算卸載來最小化共享頻譜中的任務執行延遲的問題，設備任務可以卸載到MEC 服務器或附近支持D2D 技術的設備上，提出了一種低復雜度的啟發式算法來解決該問題。

這類研究的缺點在于，卸載決策沒有考慮移動設備側的能量消耗，由于移動設備上的電池容量有限，電池能耗的快速消耗，會帶來很大的影響。當電池能量耗盡時，任務計算就會中斷，相應的卸載決策也就無法進行下去，因此可以考慮研究在滿足時延的限制條件下，最大程度地減少設備能耗的計算卸載策略。

2.2.2 最小化設備能耗的卸載方法

如果任務在本地執行只需考慮設備本身能耗，若卸載到MEC服務器，除了設備自身能耗，還包括將任務卸載到MEC服務器上的傳輸能耗。

文獻[28]結合5G異構網絡的多路訪問特性，設計了節能計算卸載方案，在時間約束下共同優化了卸載決策和無線資源分配，最小化系統能耗。文獻[29]考慮了任務可以在移動設備上執行也可以在云服務器上執行兩種執行模式，研究在時延約束內如何最佳地配置時鐘頻率和最佳地調度數據傳輸，通過求解約束優化問題來最小化設備總能。最后通過實驗表明通過將應用程序卸載到云執行，可以節省設備能耗。文獻[30]考慮了具有輔助節點的MEC系統，一個用戶節點，一個輔助節點和一個連接到MEC 服務器的訪問節點，聯合優化了用戶和輔助節點的計算和通信資源分配，在計算延遲約束下，使總能耗降至最低。文獻[31]將任務之間的依賴關系建模為順序調用圖，研究了隨機無線信道下移動設備和云服務器協作任務執行情況，任務在滿足時間期限的同時，最大程度地減少了移動設備上的能耗，并得出了最佳的單爬策略，這意味著任務卸載僅在設備和云服務器之間遷移一次。實驗表明與本地執行和云執行相比，協作任務執行可以顯著節省移動設備上的能耗，延長設備使用周期。文獻[32]考慮傳輸時間的延遲約束下結合無線電參數的選擇，得到調用圖的最佳分區，最大程度地降低了移動設備的能耗和執行時間。文獻[33]提出了一種可將細粒度的能量感知型移動代碼卸載到基礎結構的系統，研究了如何對程序進行分區以及如何將程序分區表述為整數線性規劃問題，通過細粒度的代碼卸載，可以很大程度地減少能耗和對程序的修改。但是，此方案不適用于時延敏感的應用。文獻[34-35]研究了在移動云環境下針對大量移動設備的任務調度問題，獲取最佳的調度程序，最大程度地減少了移動設備的總能耗。文獻[36]提出了一種聯合優化資源分配和任務卸載分配的策略，最小化設備能耗，基于一種低復雜度的算法來解決此問題。實驗結果表明性能要優于非協作卸載方案和隨機卸載方案。

目前很多以能耗為目標的研究，大多都會在時延的約束下進行優化設備能耗，尋找最佳計算卸載策略，最大程度地減少設備的能耗。現有的策略大都是通過仿真來進行驗證，有的甚至停留在理論層面，相比于真實環境條件還是存在差距，因為網絡環境是隨時間而變化的，而優化能耗依賴于設備發射功率和網絡鏈路的質量。雖然解決了能耗問題，但也可能導致高時延，對于用戶的體驗不是很友好，所以在卸載過程中可以綜合考慮時延和能耗，在這兩者中間進行權衡，獲得最佳卸載策略。

2.2.3 權衡能耗和時延的卸載方法

不管是能耗和時延都會影響整個系統的性能，所以為了進一步地提升設備的性能，減少整個系統的執行成本，需要在時延和能耗之間尋找平衡，使設備的性能和整個系統的收益達到最好。

文獻[37]研究了任務卸載調度和資源分配問題。提出了一種基于交替最小化的低復雜度次優算法，來最小化任務執行延遲和設備能耗的加權總和。仿真表明所提出的算法能有效地縮短任務的執行時延和降低設備的能耗。文獻[38]將任務依賴關系建模為一般拓撲圖，使用線性規劃的方法解決卸載決策、延遲和能耗聯合優化問題。文獻[39]研究了在超密集邊緣網絡環境中的任務卸載問題，將任務依賴關系建模為有向無環圖，為了最大程度地減少任務等待時間和能耗，提出了一種啟發式算法，該算法保證了子任務之間的依賴性并提高了任務效率，該算法共同優化了執行等待時間和能耗，同時保留了較低的時間復雜度。文獻[40]將移動設備用戶間的分布式計算卸載決策問題描述為一個多用戶計算卸載博弈問題。采用博弈論的方法設計了一個能夠達到納什均衡的分布式計算卸載算法，根據受益云計算用戶數和全系統計算開銷這兩個重要指標，進一步量化了任務的計算時延，實現了更低的計算時延。文獻[41]考慮了本地計算、MEC服務器計算和云服務器計算三個計算卸載場景，首先判斷設備任務是否卸載，若卸載，再由MEC評估自身資源是否能完成任務的計算，若不能，則卸載到云服務器計算，最大限度地減少能源、計算和延遲的總體成本，提出了一種有效的半定松弛卸載決策算法和一種新的隨機化映射方法來解決此問題，獲取最優卸載決策。通過仿真表明，本文所提的算法可以通過較少的隨機迭代次數獲取近乎最優的性能，可以顯著降低能耗和計算成本。文獻[42]提出了一種基于拉格朗日對偶分解的分布式算法解決在通信和計算資源約束下最小化執行時延和能耗加權和的優化問題。利用KKT條件和精確線搜索算法將原問題分解為兩階段優化問題，獲得了問題的最優解。

聯合優化時延和能耗的本質就是在任務執行時延和設備能耗之間進行權衡，尋找一個平衡點使得系統性能最優，效益最好。但聯合優化時延和能耗也增加了問題的復雜度，在數學建模過程中，如何去求解獲取模型的最優解或者次優解是個難題。對于時延或能耗有特定需求的應用也不適用，適用范圍較窄。

2.3 卸載方式

目前計算卸載技術根據卸載方式的不同，主要集中在粗粒度、細粒度和MEC 與D2D 技術協作三方面進行研究。按照設備上應用任務的劃分以及有無D2D技術可以將任務卸載方式分為粗粒度的卸載方式、不具有依賴關系的細粒度的卸載方式、具有依賴關系的細粒度的卸載方式和MEC與D2D技術協作卸載方式。表5根據卸載方式的不同對近幾年該領域相關文獻進行了總結。

表5 卸載方式研究歸納總結

2.3.1 粗粒度卸載方式

粗粒度的卸載方式是將終端設備的整個應用看成一個整體，應用不可劃分，設備上的應用要么在本地執行，要么進行卸載。基于設備自身能力的限制，文獻[43-47]專注于粗粒度的卸載方式，來增強設備的計算和存儲能力，提高設備性能。

文獻[43]采用二分搜索、坐標下降和交替方向乘數法分解技術來最大化所有無線設備的總計算速率，聯合優化卸載策略和系統資源分配。實驗表明在各種網絡設置下可以達到最佳的性能。文獻[44]考慮了能量優化和資源分配問題，研究如何通過在本地和云服務器中最佳執行應用程序來為資源受限的設備節省能量消耗，若在本地執行，則通過動態配置芯片的時鐘頻率來節省能耗，若在云服務器執行，則通過優化調度隨機無線信道上的數據傳輸來降低傳輸能耗。通過實驗表明部分應用卸載到云中能節省很大的能耗。但是，它只能作為單個任務應用于該應用程序。文獻[45]進一步地考慮了多用戶MEC 系統環境，開發了一種最佳的資源分配方案，在計算延遲的約束下最小化系統總能耗。文獻[46]通過使用凸優化方法優化移動能源消耗問題，提高系統的性能。文獻[47]提出了一種基于李雅普諾夫優化的低復雜度的動態計算在線卸載算法，在該算法中，以時隙進行決策，在每個時隙來決定任務是在本地執行還是進行卸載計算。通過該算法，獲得了最優的卸載決策、移動執行的CPU 周期頻率和發射功率。通過實驗對比，本文所提的策略能將任務執行時延縮短64%左右，使得設備的性能得到了很大的優化，節省了設備能耗。

以上文獻考慮的都是粗粒度的二進制卸載方式，設備任務要么在本地，要么在服務器。但實際中大多數應用都是由許多子組件組成，有些組件必須在本地執行，有些可以卸載到服務器上執行，因此粗粒度的卸載方式不適用于現實中大多數的應用，為了提高性能，需要更細粒度的卸載方式。

2.3.2 不具有依賴關系的細粒度卸載方式

不具有依賴關系的細粒度卸載方式是指將設備上的應用劃分為多個子任務但沒有考慮應用子任務間的依賴關系，子任務可以卸載也可以在本地執行，任務之間是獨立的?；诖至６刃遁d方式的不足，文獻[48-52]考慮了一種更通用的方案，將應用劃分為多個獨立任務，考慮每個任務的卸載策略。

文獻[48]提出了一種針對聯合任務卸載以及資源分配的新方法，來最小化能源、計算和延遲的加權總成本。文獻[49]通過聯合優化任務分配決策和設備的CPU 頻率來降低總任務的執行時延和設備能耗。針對固定CPU 頻率和彈性CPU 頻率，分別提出了基于線性松弛的方法、半確定松弛的方法和窮舉搜索的方法獲取最佳策略，最大程度地減少了移動設備能耗和總任務執行延遲的權重之和。文獻[50]為了減少移動設備的能耗提高性能，引入了馬爾可夫決策過程模型獲取最佳的卸載策略，實驗數值結果表明為移動用戶提供的馬爾可夫決策過程卸載算法優于常規基準方案。文獻[51]分別研究了基于時分多址和正交頻分多址的多用戶MECO系統的資源分配，其中多個用戶將其各自的任務卸載執行，在確保用戶對計算延遲的要求的同時，最小化系統能耗。對于時分多址MEC 系統，計算在等待時間約束下最小化移動能耗加權總和。對于正交頻分多址MEC 系統，通過將正交頻分多址問題轉換為與其對應的時分多址問題，以低復雜度次優的算法來求解最優解。文獻[52]提供了一種綜合的計算卸載解決方案，通過迭代算法解決了聯合優化問題，最大程度地減少了設備的能耗。

以上文獻雖然對任務進行了細粒度的劃分，且相比于粗粒度卸載方式，設備的性能得到了很大的提升，但是忽略了各種應用程序中不同子任務之間的重要依賴關系，實際中大多數應用都是由多個具有依賴關系的子任務組成，一個子任務的輸入依賴于另一個子任務的輸出。

2.3.3 具有依賴關系的細粒度卸載方式

具有依賴關系的細粒度卸載方式是指把設備的應用劃分為多個子任務，并考慮子任務之間的依賴關系，一個子任務的輸入依賴于另一個子任務的輸出。通常將這種依賴關系建模為有向無環帶權圖的數據結構，圖的節點代表每個子任務，權重代表執行成本，邊代表任務之間的依賴關系，根據此圖來考慮圖中每個節點的卸載。目前該領域的研究更多的是傾向于此細粒度的卸載方式。文獻[53-62]考慮了更細粒度的任務之間的依賴關系，來研究具有依賴關系任務的卸載策略。

文獻[53]提出了一種動態關鍵路徑調度算法，通過此算法確定圖的關鍵路徑，動態地調度每個節點，并通過節點的潛在開始時間為其選擇合適的處理器。此算法在可接受的時間復雜度的情況下，適用于各種圖形結構。文獻[54]中將任務依賴關系建模為具有一般拓撲的調用圖，即將移動應用程序建模為由一組細粒度任務組成的常規拓撲。應用程序內的每個子任務可以選擇在本地或云服務器執行，利用部分關鍵路徑分析方法進行任務調度，采用單爬策略和基于拉格朗日松弛法的合計成本算法，獲取最佳解決方案，在時延約束的條件下，最大程度地減少了移動設備上的能耗。文獻[55]中考慮了多個獨立的設備，每個設備都有多個任務，將這些具有依賴關系的任務建模為通用調用圖，為了最大程度地降低能源效率成本，提供了一種節能高效的動態卸載和資源調度策略，在縮短任務完成時間的同時減少能耗。實驗結果表明，策略可以通過在本地計算中基于動態電壓和頻率縮放技術優化調整設備的CPU時鐘頻率和發射功率，來降低能耗和縮短執行時延。文獻[56]將通用調用圖中的任務映射到虛擬機，提出一種基于元啟發式優化技術的粒子群優化算法，使設備任務在完成時間限制的條件下，最大程度地減少了總體成本。文獻[57]為了最大程度地節省計算成本和數據傳輸成本，提出了一種基于粒子群優化的啟發式算法，并使用此算法和最佳資源選擇節省成本的算法進行比較，最后通過實驗表明該算法更加節省成本。文獻[58]考慮了云計算和MEC協作的場景，任務依賴關系被建模為串行任務圖，在只有單用戶中通過分支定界算法來解決用戶任務計算卸載的問題，在多用戶卸載問題中設計了一種迭代啟發式MEC 資源分配算法動態地做出卸載決策，協調多個用戶之間的資源競爭。文獻[59]提出了一種多目標動態規劃方法，使設備任務在滿足時延的要求下最大程度地降低了估算成本。文獻[60]研究了如何將應用程序建模為消耗圖，以及如何利用相應的算法對其進行處理以找到應用程序模塊的最佳分區，通過基于分布式模塊管理的現有技術，構造了一個表示應用程序的圖形，并提出了ALL和K-step算法，優化了云應用程序的性能。但是沒有考慮能源消耗和時間延遲約束。文獻[61]提出了一種用于移動代碼卸載的有效代碼分區算法，該算法在線性時間內可以實現近乎最佳的卸載決策，與其他文獻的不同在于，文獻中證明了在順序任務圖中要卸載的最佳任務集將始終是任務圖中的一系列連續任務，如果存在可以卸載到云中以減少完成時間的任務，則這些任務必須是連續的，這與其他文獻需要考慮每個任務的卸載決策是不同的，該算法通過深度優先搜索和線性時間搜索方案在一系列調用中找到了最佳卸載和集成點。但是此算法只能卸載由一系列連續任務表示的應用程序，沒有考慮卸載并發任務，因此其解決方案的意義是有限的。文獻[62]研究了在線任務卸載場景下最大程度地減少任務的完成時間問題，分別考慮了線拓撲任務圖順序任務和一般拓撲任務圖并發任務兩種情況，并沿用了文獻[61]的一些思想，在順序任務圖中要卸載的最佳任務集將始終是任務圖中連續任務的序列，本文的創新點在于，對于一般拓撲任務圖在卸載決策時，對圖進行了剪枝，通過對比邊的權重進行剪枝，將圖轉為樹，減少了任務圖的規模。使用負載平衡啟發式方法將任務卸載到云中，很大程度地提高了移動設備和云之間的并行度，縮短了任務的完成時間，但也帶來了一些問題，會喪失一些信息。

文獻[53-62]通過更細粒度的任務之間的任務劃分，使得設備的性能得到了極大的提高，也更加貼近實際的應用。

2.3.4 MEC與D2D技術協作卸載方式

D2D 通信技術作為5G 的關鍵技術之一，是指兩個設備不需要經過基站和核心網絡就可以直接進行通信的技術。通過將D2D 技術與MEC 結合，用戶可以借助D2D 技術將計算任務卸載到鄰近的設備或者借助鄰近設備將計算任務卸載到MEC 服務器上進行計算，通過這種近距離的通信技術可以有效降低數據傳輸時延和能耗，降低網絡通信壓力。在MEC 環境中引入D2D 技術作為輔助手段，主要考慮兩種情況：一個是將支持D2D 技術的設備充當小的MEC 服務器，利用其設備資源進行任務的計算，設備任務可以卸載到支持D2D 技術的設備上或卸載到MEC服務器上或者本地執行。另一個是將支持D2D 技術的設備充當中間器，當設備與MEC通信鏈路有問題時，通過將任務卸載到D2D設備，借助此設備，再將任務卸載到MEC 服務器上執行。文獻[63-71]考慮了在MEC 環境下引入D2D 技術進行協作，來考慮任務的卸載情況。

文獻[63]根據D2D 通信在流量卸載中所承擔的任務，將流量卸載技術分為以D2D 通信為目標和以D2D通信為中繼兩類，進行了詳細總結和介紹。文獻[64]考慮了在具有能量收集的MEC 系統環境下，設備到設備輔助計算卸載，當終端設備與MEC 服務器之間的通信出現抖動導致延遲較高時，允許通過D2D 技術將任務卸載到附近設備，借助鄰近設備再將任務卸載到MEC服務器，這樣可以將更多的任務卸載到MEC服務器上，以增加任務卸載的概率，提出了一種基于Lyapunov 優化的低復雜度的動態計算卸載在線算法，獲得了最優的卸載策略。通過實驗表明任務執行時間減少50%左右，任務失敗率降低10%左右。文獻[65]提出了一種支持D2D的移動邊緣計算蜂窩網絡的分析框架，任務可以卸載到D2D 設備或者MEC 服務器，用總的成功邊緣計算概率來評價該系統模型的性能，為了緩解上行鏈路和下行鏈路的層內干擾，提出了一種優先的信道接入策略，與沒有該策略的方案相比，該策略對移動設備的總邊緣計算成功概率有更大的貢獻。文獻[66]利用網絡中存在的空閑設備，通過將任務卸載至鄰近空閑設備，來提高資源的利用率，并基于Stackelberg博弈的方法解決價格資源確定問題，實現價格資源均衡，得到定價策略?；趫D的二分匹配方法解決D2D協作最優任務分配問題來最大化計算利潤。文獻[67]考慮了包含多個忙碌智能設備和多個空閑智能設備的D2D 與MEC 協作系統，每個繁忙智能設備的計算密集型任務可以卸載到一個或多個空閑的智能設備，基于塊坐標下降法和凸優化技術的兩階段迭代算法解決卸載決策和資源分配的聯合優化問題，獲得最佳卸載策略和資源分配策略，最小化了系統的總能耗。文獻[68]通過將D2D 通信集成到MEC 系統中來提高系統的計算能力，設備任務可以本地執行，也可以卸載到D2D設備或MEC服務器，建立了一個具有通信資源和計算資源約束的混合整數非線性問題，開發了一種優化算法來解決此問題，通過優化資源分配和卸載策略，最大化了系統支持設備的數量。文獻[69]基于凸松弛的算法解決基于時分多址的任務分配和資源分配聯合優化問題，獲得最佳計算卸載方案，最小化了總延遲，并設計了基于貪婪任務分配的聯合優化算法，降低復雜度，期間利用動態電壓和頻率縮放技術控制計算頻率。文獻[70]提出了針對原始問題的多項式復雜度最優算法，將邊緣計算資源和設備數量的優化問題建模為混合整數非線性問題，通過求解此問題的兩個子問題的最優解得出原問題的最優解，提高了整個系統的性能。文獻[71]將任務分配和功率分配建模為合整數非線性規劃問題，通過基于遺傳算法的進化方案解決此問題，獲得了最佳卸載策略，并利用低復雜度啟發式方法進行優化，最大程度地減少了總任務執行時延。

通過借助D2D技術將任務進行卸載不僅解決了獨立MEC 服務器的資源競爭問題，而且帶來了更低延遲和更高數據速率。

3 面臨的挑戰

通過以上對計算卸載技術現狀的總結分析可以看出，由于設備尺寸和電池技術等條件的限制，導致部署在終端設備上的新型應用需求得不到滿足。移動邊緣計算卸載技術，可以有效解決這些問題。與在移動設備上執行任務計算相比，將設備上的任務卸載至邊緣服務器不僅可以縮短任務的執行時延，而且可以節省設備的能耗，延長設備的使用周期。其中卸載方式中的更細粒度的具有依賴關系的卸載方式，更加符合實際。MEC與D2D技術的協作使得設備性能更進一步的提升。然而，盡管目前的研究對于的設備性能有了很大的提升，但是計算卸載技術中關于不同設備任務相關性方面的研究涉及得很少，幾乎沒有。同時在移動性、安全性和干擾性方面也存在著許多問題和挑戰。下面詳細分析和介紹了以上幾個方面存在問題和解決辦法。并在表6中總結了該領域相關難點和研究趨勢。

表6 相關難點和研究趨勢

（1）不同設備任務相關性方面。文中不管是粗粒度、細粒度的卸載方式，還是MEC與D2D技術協作下的卸載方式，現有的關于MEC 的研究都僅考慮了單個設備上任務的卸載情況。對于不同設備之間任務具有依賴性的研究非常少。實際上，在不同設備上執行的任務通常也是具有相關依賴性的，一個設備上子任務的輸入，依賴于另一個設備上的子任務的輸出。像在智能家居環境中，溫度感應器通過感應室內溫度獲得溫度值，根據這個溫度值實現對其他智能設備的控制，比如可以根據這個溫度值調節空調的溫度。基于不同設備之間任務也是具有依賴關系的，文獻[72]考慮了MEC系統環境下兩個不同設備之間的任務依賴性，一個設備上的任務輸入需要另一個設備上的最終任務輸出，將任務的依賴關系建模為順序圖，基于橢球法和單爬策略獲得最佳卸載策略，使設備總的時延和能耗加權和最小。文獻[73]在文獻[72]的基礎上，擴展到多個設備，提出了一種降低復雜度的Gibbs采樣算法來獲得最優的卸載決策。但這兩個文獻都是將任務的依賴關系建模為順序圖，不夠一般化，可以考慮更細粒度的任務依賴關系，將任務之間的依賴關系建模為有向無環圖。考慮不同設備上任務的依賴關系問題的復雜度要高于僅考慮單設備任務依賴關系。其中一個難點，需要考慮兩個設備上具有依賴關系任務的位置，位置不同對系統總體性能的影響是不同的。針對此難點，需要一一考慮不同設備具有依賴關系任務的每一個卸載位置關系。另一個難點，如果兩個設備的任務依賴關系都分別建模為有向無環圖，那么將會增加問題的復雜度。針對此問題可以在任務執行卸載前考慮運用剪枝或聚類技術縮小圖的規模，來降低復雜度。

（2）移動性方面。當移動設備在部署有MEC 服務器的基站覆蓋范圍內移動時，不需要服務間的切換，但當移動設備從一個MEC服務器覆蓋范圍內移動到另一個MEC服務器覆蓋范圍內時，會出現服務的不連續性，影響用戶的體驗。如何在不同MEC服務器覆蓋范圍之間進行服務相關業務的快速切換，保證MEC 服務的連續性，使服務質量保持穩定，是MEC計算卸載技術面臨的重要挑戰。目前針對此問題大多都是通過任務遷移技術進行解決，因為設備在不同服務范圍內的移動，涉及到設備相關狀態信息和服務相關業務的切換，需要將狀態信息和服務業務進行快速遷移，以此來保證服務的連續性。如果能夠對設備移動的方向進行提前預測，做到預先任務遷移，快速在服務器之間進行切換，讓用戶察覺不到服務的中斷，這將更能提升用戶的體驗，但如何做到精準預測，又是需要解決的一個難點?？梢酝ㄟ^與機器學習、深度學習相結合來解決設備行為預測問題。文獻[74]考慮了MEC與深度學習相結合，基于LSTM預測模型對用戶移動性進行預測。移動性管理是移動邊緣計算的重要挑戰，需要該領域的研究學者深入研究尋找相應的解決策略。

（3）安全性方面。由于MEC 服務器在移動邊緣網絡環境中是分布式部署的，導致MEC 服務器的安全防御是很薄弱的，很容易被攻擊。并且隨著聯網設備的增多，大量的數據被卸載到邊緣服務器，有些數據是非常重要的，如何保障這些數據的安全，防止這些隱私數據被泄露竊取，是需要解決的重要問題。針對此問題可以對訪問服務器的設備進行身份的驗證，防止非法設備攻擊服務器上的應用程序和數據，造成隱私的泄露。另一方面也需要對服務器上的應用程序進行驗證，防止設備被惡意攻擊。設備任務被卸載到邊緣服務器，需要通過通信鏈路在復雜的網絡環境中傳輸，面對如此復雜的網絡環境，以往針對云計算的許多安全防范措施，可能不適用于移動邊緣網絡環境，因此如何在這復雜多變的邊緣網絡環境中保障通信鏈路的安全，也是MEC 計算卸載技術所要面臨的重要挑戰。針對此問題可以考慮將以往的一些安全措施和MEC 技術相結合，針對邊緣網絡環境來部署安全措施，以此來保證移動邊緣網絡環境的安全。在如今信息化時代，數據的安全是非常重要的，因此需要相關研究者進行更深入的研究，解決移動邊緣網絡環境中的數據安全性管理方面的問題。

（4）干擾性方面。當MEC 服務器同時接收到多個不同設備上的卸載任務時，任務與任務之間將會存在網絡、計算和存儲資源的競爭問題，競爭導致的資源的分配不均是產生干擾的根本原因。由于不同設備卸載的任務大小是不一樣的，所需的網絡、計算和存儲資源也是不同的，如何在這些任務之間進行資源的合理分配，通過何種有效資源分配策略使得設備之間的干擾降到最低，是需要解決的一個難點，也是計算卸載技術面臨的重要挑戰。目前針對此問題的一個重要解決手段是通過考慮尋找一種合理有效的資源分配策略，充分地利用網絡、計算和存儲資源，來減少設備之間的競爭，解決不同任務之間的干擾問題。文獻[75]共同考慮了計算決策和干擾管理，通過聯合優化計算卸載決策、物理資源塊分配和MEC計算資源分配問題獲取最佳卸載決策來提高移動邊緣計算網絡的性能。文獻[76]考慮了非正交多址訪問系統下節能資源分配問題，通過優化子信道分配和功率分配來最大化非正交多址訪問系統的能效性能。

4 結束語

通過對移動邊緣計算的相關概念、參考架構、部署方案和應用場景的介紹，以及分別從卸載目標、粗粒度、細粒度卸載方式和MEC與D2D技術協卸載方式幾個方面對計算卸載技術研究現狀的分析和總結可以看出，計算卸載技術作為MEC 的關鍵技術，能有效解決終端設備計算、存儲和能耗等方面的不足。但仍然存在一些問題需要去解決，比如不同設備之間相關依賴性的研究，尤其是更細粒度的具有依賴關系多個設備相關性的研究，很值得探究。并且隨著5G 的不斷發展，MEC 作為5G的關鍵技術之一，在未來的應用場景會不斷擴大，尤其是D2D 技術的出現，D2D 技術與MEC 技術進行協作，對于計算卸載領域有更多值得探究的方向。