移動(dòng)邊緣計(jì)算中基于中繼輔助計(jì)算方法綜述

摘要：為了滿(mǎn)足下一代網(wǎng)絡(luò)在覆蓋范圍、部署成本以及容量方面的挑戰(zhàn)，移動(dòng)邊緣計(jì)算（MEC）通常需要借助中繼節(jié)點(diǎn)的輔助來(lái)完成計(jì)算密集型和延遲敏感型的任務(wù)。首先介紹了基于中繼輔助MEC系統(tǒng)的基本架構(gòu)，之后從任務(wù)卸載、資源分配和中繼節(jié)點(diǎn)選擇三方面對(duì)基于中繼輔助MEC系統(tǒng)最新的研究方法進(jìn)行歸納總結(jié)。更進(jìn)一步地針對(duì)現(xiàn)有方法可能存在的問(wèn)題與挑戰(zhàn)進(jìn)行了討論和分析，并提出了一些可行的解決方案為后續(xù)研究發(fā)展提供參考。

關(guān)鍵詞：移動(dòng)邊緣計(jì)算；中繼輔助；資源分配；任務(wù)卸載；中繼選擇

中圖分類(lèi)號(hào)：TP301.4文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001-3695（2022）08-001-2241-08

doi：10.19734/j.issn.10013695.2021.12.0699

Survey on relayassisted computing methods in mobile edge computing

Chen Che1a，1b，Zheng Yifeng1a，1b，Yang Jingmin1a，2，Xie Lingfu3，Zhang Wenjie1a，1b

（1.a.School of Computer Science amp; Engineering，b.Key Laboratory of Data Science amp; Intelligence Application，Minnan Normal University，Zhangzhou Fujian 363000，China；2.College of Electronic Engineering，Taipei University of Technology，Taipei 106344，China；3.College of Electrical Engineering amp; Computer Science，Ningbo University，Ningbo Zhejiang 315211，China）

Abstract：In order to meet the challenging requirements of next generation networks in terms of capacity，deployment cost and coverage，mobile edge computing（MEC） is usually necessary to complete the latencysensitive and computationintensive task with the assistance of relay nodes.This paper firstly introduced the basic architecture of relayassisted MEC system，and then summarized the uptodate research methods of relayassisted MEC system from three aspects：task offloading，resource allocation and relay selection.Furthermore，this paper discussed and analyzed the possible problems and challenges of the existing methods，and put forward some feasible solutions to provide reference for followup research and development.

Key words：mobile edge computing；relayassisted；resource allocation；task offloading；relay selection

0引言

近些年來(lái)，隨著物聯(lián)網(wǎng)和5G通信技術(shù)的迅速發(fā)展和普及，各種終端設(shè)備數(shù)量呈指數(shù)增長(zhǎng)而其應(yīng)用場(chǎng)景（如智慧醫(yī)療、自動(dòng)駕駛、增強(qiáng)現(xiàn)實(shí)（AR）等）

對(duì)時(shí)延和設(shè)備能耗提出了更高的要求，同時(shí)也給通信網(wǎng)絡(luò)和計(jì)算資源管理帶來(lái)了巨大的挑戰(zhàn)[1]。當(dāng)前大多數(shù)移動(dòng)終端設(shè)備具有體積小、計(jì)算能力不足、資源存儲(chǔ)和電池容量有限的特點(diǎn)，已無(wú)法滿(mǎn)足新型應(yīng)用對(duì)高算力的需求，進(jìn)而嚴(yán)重影響了設(shè)備終端的性能和用戶(hù)體驗(yàn)。為解決上述問(wèn)題，云計(jì)算技術(shù)將數(shù)據(jù)計(jì)算能力、存儲(chǔ)以及網(wǎng)絡(luò)管理集中在云端，主要涉及數(shù)據(jù)中心、骨干IP網(wǎng)絡(luò)和蜂窩核心網(wǎng)絡(luò)[2，3]，其允許設(shè)備將本地應(yīng)用上傳至云端進(jìn)行計(jì)算，不僅減小了任務(wù)執(zhí)行延遲，同時(shí)減少了本地執(zhí)行任務(wù)的能耗。然而，云計(jì)算的不足之處在于當(dāng)設(shè)備終端與中心云網(wǎng)絡(luò)傳播距離較長(zhǎng)時(shí)，數(shù)據(jù)在鏈路傳輸過(guò)程中會(huì)產(chǎn)生較長(zhǎng)的通信延遲，并且傳輸過(guò)程發(fā)生中斷的概率也會(huì)增加，無(wú)法滿(mǎn)足一些敏感型業(yè)務(wù)（如智能駕駛、增強(qiáng)現(xiàn)實(shí)）在時(shí)延和可靠性等方面的要求。因此，移動(dòng)邊緣計(jì)算（mobile edge computing，MEC）的概念被業(yè)界提出[4]。

目前，移動(dòng)邊緣計(jì)算已成為5G網(wǎng)絡(luò)發(fā)展的關(guān)鍵技術(shù)之一。不同于傳統(tǒng)的云計(jì)算，移動(dòng)邊緣計(jì)算將服務(wù)器部署在更靠近設(shè)備終端的網(wǎng)絡(luò)邊緣節(jié)點(diǎn)，將業(yè)務(wù)本地化，其優(yōu)勢(shì)主要體現(xiàn)在低時(shí)延、低功耗和高能效。移動(dòng)邊緣計(jì)算可以在一定程度上改善網(wǎng)絡(luò)性能，但是仍然存在邊緣節(jié)點(diǎn)資源有限、通信距離與信號(hào)發(fā)射功率強(qiáng)度不匹配、未能充分利用空閑服務(wù)器等問(wèn)題。為了充分利用網(wǎng)絡(luò)資源，協(xié)作通信被視為有效的解決方案之一。根據(jù)協(xié)作通信方案設(shè)計(jì)，研究人員提出了基于中繼輔助的移動(dòng)邊緣計(jì)算系統(tǒng)[5]，該系統(tǒng)可分為源子系統(tǒng)、中繼子系統(tǒng)和目的子系統(tǒng)三個(gè)部分，中繼通過(guò)共享資源使源節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)間接通信。不同于傳統(tǒng)的MEC系統(tǒng)，基于中繼輔助的MEC系統(tǒng)不僅能夠有效地增加無(wú)線(xiàn)網(wǎng)絡(luò)的接入能力和拓展覆蓋范圍，而且能充分利用空閑服務(wù)器的資源，提高網(wǎng)絡(luò)能源效率，支持計(jì)算密集型和延遲敏感型應(yīng)用程序，進(jìn)而將資源有限的移動(dòng)設(shè)備從這些任務(wù)中解放出來(lái)。例如在VR游戲中，用戶(hù)A和B需要完成特定的計(jì)算任務(wù)來(lái)贏得游戲，任何用戶(hù)所采取的行動(dòng)必然會(huì)影響游戲的最終結(jié)果，為此用戶(hù)A和B之間需要借助中繼輔助MEC系統(tǒng)共享計(jì)算結(jié)果。為了充分利用邊緣端閑置的資源，提高系統(tǒng)的覆蓋率和計(jì)算力，國(guó)內(nèi)外學(xué)者對(duì)基于中繼輔助的MEC系統(tǒng)展開(kāi)深入的研究，研究方向主要涉及計(jì)算任務(wù)卸載、資源分配以及中繼選擇等。計(jì)算任務(wù)卸載和資源分配主要解決用戶(hù)端到中繼之間，以及中繼到目的地之間如何進(jìn)行卸載、何時(shí)卸載和卸載任務(wù)量大小等問(wèn)題[6]。許多研究者針對(duì)物聯(lián)網(wǎng)（Internet of Things，IoT）中的資源調(diào)度、拍賣(mài)等問(wèn)題展開(kāi)進(jìn)一步的探索。例如文獻(xiàn)[7]提出了一個(gè)多目標(biāo)分布式調(diào)度模型，并通過(guò)一種正弦函數(shù)的多目標(biāo)智能算法來(lái)求解該模型，為IoT中數(shù)據(jù)處理提供了新的想法；Cui等人[8]提出了一種考慮稀疏性和連通性的子空間聚類(lèi)后處理策略，實(shí)驗(yàn)證明了該策略在IoT中的有效性并可以提高聚類(lèi)精度；Wang等人[9]提出了一種用于快速調(diào)度的輕量級(jí)啟發(fā)式解決方案，能夠通過(guò)任務(wù)調(diào)度顯著減少移動(dòng)邊緣網(wǎng)絡(luò)的任務(wù)執(zhí)行延遲；文獻(xiàn)[10]中，MEC與設(shè)備之間的資源管理問(wèn)題被建模為一個(gè)雙拍賣(mài)博弈的過(guò)程，通過(guò)引入?yún)⑴c者的經(jīng)驗(yàn)加權(quán)值來(lái)實(shí)現(xiàn)納什均衡。中繼節(jié)點(diǎn)的選擇會(huì)影響協(xié)作通信系統(tǒng)中的能耗、時(shí)延、吞吐量以及傳輸中斷概率等性能，是值得關(guān)注的研究問(wèn)題之一。通過(guò)中繼協(xié)作不僅可以有效地利用系統(tǒng)內(nèi)空閑資源，還有助于提高網(wǎng)絡(luò)通信的性能。目前在MEC基本知識(shí)原理、技術(shù)發(fā)展和應(yīng)用方面已有不少綜述文章，但在基于中繼輔助領(lǐng)域方面的研究還比較少。本文對(duì)基于中繼輔助的MEC系統(tǒng)的關(guān)鍵研究問(wèn)題進(jìn)行了詳細(xì)的歸納概括，包括任務(wù)卸載、資源分配和中繼節(jié)點(diǎn)選擇，討論和分析了現(xiàn)有方法的優(yōu)勢(shì)和不足之處，并對(duì)現(xiàn)存工作尚未解決的幾個(gè)挑戰(zhàn)進(jìn)行了展望。

1基于中繼輔助的MEC系統(tǒng)

1.1傳統(tǒng)MEC框架

MEC被視為運(yùn)行在邊緣網(wǎng)絡(luò)處的小型云服務(wù)平臺(tái)，將原本位于云中心的計(jì)算服務(wù)下放至網(wǎng)絡(luò)邊緣節(jié)點(diǎn)，不僅能減少網(wǎng)絡(luò)操作和降低通信損耗，還有助于提升用戶(hù)服務(wù)質(zhì)量。其結(jié)構(gòu)可分為設(shè)備終端、邊緣端和核心云端三個(gè)部分[11，12]，如圖1所示。

a）設(shè)備終端。設(shè)備終端（如手機(jī)、筆記本電腦等）被部署在邊緣計(jì)算環(huán)境下。邊緣計(jì)算環(huán)境可為用戶(hù)提供更多的交互通信和響應(yīng)能力。隨著海量新型應(yīng)用的涌現(xiàn)，邊緣計(jì)算環(huán)境下的大量設(shè)備終端需要為新型應(yīng)用提供高效和實(shí)時(shí)的計(jì)算服務(wù)。然而，大多數(shù)應(yīng)用計(jì)算任務(wù)量大，且要求低時(shí)延，現(xiàn)有設(shè)備終端已無(wú)法滿(mǎn)足應(yīng)用需求。因此，設(shè)備終端必須將計(jì)算任務(wù)卸載至邊緣服務(wù)器。

b）邊緣端。邊緣服務(wù)器部署在網(wǎng)絡(luò)邊緣為用戶(hù)提供近距離、低時(shí)延、低功耗和高能效的服務(wù)，可進(jìn)一步提高網(wǎng)絡(luò)性能。邊緣服務(wù)器可以響應(yīng)許多用戶(hù)服務(wù)請(qǐng)求，例如數(shù)據(jù)緩存、計(jì)算任務(wù)卸載和數(shù)據(jù)轉(zhuǎn)發(fā)等。因此在邊緣計(jì)算環(huán)境中，大部分用戶(hù)將任務(wù)遷移至邊緣端完成，不僅能降低傳輸時(shí)延，還能大幅度提高設(shè)備性能，滿(mǎn)足用戶(hù)需求。

c）核心云端。核心云服務(wù)器能夠?yàn)楹Ａ繑?shù)據(jù)處理提供充足的計(jì)算力和數(shù)據(jù)存儲(chǔ)能力。例如，云服務(wù)器可以提供海量并行數(shù)據(jù)處理、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘和深度學(xué)習(xí)等服務(wù)。然而由于條件限制，云服務(wù)器通常布置在較遠(yuǎn)的地方，會(huì)在傳輸鏈路中會(huì)消耗大量的能量，產(chǎn)生較大的時(shí)延。

在5G通信網(wǎng)絡(luò)中，邊緣設(shè)備的部署更加密集，使得用戶(hù)與邊緣服務(wù)器距離更近，有效降低了任務(wù)卸載的信道損耗。由于邊緣節(jié)點(diǎn)（包括基站、筆記本電腦、平板和手機(jī)等）需求不同，每個(gè)時(shí)間段內(nèi)都會(huì)有部分的設(shè)備處于空閑狀態(tài)，同時(shí)也會(huì)有部分設(shè)備計(jì)算任務(wù)超負(fù)荷，所以MEC系統(tǒng)需要提高資源的利用率，滿(mǎn)足數(shù)據(jù)優(yōu)化、敏捷連接、應(yīng)用智能、實(shí)時(shí)服務(wù)等方面的重要需求。MEC服務(wù)器通常由云和電信運(yùn)營(yíng)商部署的靠近用戶(hù)端的小型網(wǎng)絡(luò)中心組成，通過(guò)網(wǎng)關(guān)與云中心進(jìn)行連接。盡管其計(jì)算能力低于云中心服務(wù)器，但其優(yōu)勢(shì)在于與用戶(hù)距離較近，有助于提供更低延遲以及更便捷的服務(wù)。

1.2基于中繼輔助MEC系統(tǒng)

現(xiàn)如今，傳統(tǒng)的MEC已被人們廣泛研究，并取得很多相關(guān)的成果。由于MEC將計(jì)算存儲(chǔ)能力和業(yè)務(wù)服務(wù)能力下放至網(wǎng)絡(luò)邊緣，在用戶(hù)數(shù)量變大、計(jì)算任務(wù)過(guò)重時(shí)，邊緣節(jié)點(diǎn)可能會(huì)負(fù)載過(guò)重，無(wú)法完成大規(guī)模的數(shù)據(jù)傳輸和計(jì)算，使得MEC中的低時(shí)延和高能耗問(wèn)題無(wú)法得到實(shí)質(zhì)性的解決。特別是在5G和物聯(lián)網(wǎng)時(shí)代，隨著移動(dòng)應(yīng)用的數(shù)據(jù)不斷更新和產(chǎn)生，這些數(shù)據(jù)的傳輸和處理急需大量的資源；另一方面，5G網(wǎng)絡(luò)是由大量具有計(jì)算和通信資源的無(wú)線(xiàn)設(shè)備組成，每個(gè)設(shè)備很可能被一些具有未使用或額外資源的設(shè)備包圍。因此如何充分利用這些空閑設(shè)備的資源是解決5G和物聯(lián)網(wǎng)時(shí)代用戶(hù)數(shù)量過(guò)多、計(jì)算任務(wù)過(guò)重和邊緣節(jié)點(diǎn)負(fù)載過(guò)大的有效途徑；此外，有些用戶(hù)可能距離邊緣服務(wù)器較遠(yuǎn)，不在服務(wù)器的覆蓋范圍。為了使遠(yuǎn)程用戶(hù)能夠利用MEC服務(wù)器的計(jì)算資源，應(yīng)該選擇一個(gè)中繼節(jié)點(diǎn)來(lái)完成計(jì)算任務(wù)的傳輸。因此，基于中繼輔助的任務(wù)卸載技術(shù)開(kāi)始受到學(xué)者的廣泛關(guān)注。MEC的架構(gòu)主要由源節(jié)點(diǎn)、中繼節(jié)點(diǎn)以及遠(yuǎn)端節(jié)點(diǎn)三部分組成[13，14]，如圖2所示。實(shí)線(xiàn)表明大多數(shù)用戶(hù)依靠中繼器的中繼轉(zhuǎn)發(fā)功能將任務(wù)分配至遠(yuǎn)端進(jìn)行處理，虛線(xiàn)表明空閑的移動(dòng)設(shè)備也可以充當(dāng)中繼節(jié)點(diǎn)進(jìn)行任務(wù)轉(zhuǎn)發(fā)，點(diǎn)線(xiàn)條表明通信基站繁忙時(shí)，也可以作為中繼節(jié)點(diǎn)向遠(yuǎn)端基站請(qǐng)求協(xié)助。

a）源節(jié)點(diǎn)。由設(shè)備終端構(gòu)成，負(fù)責(zé)將本身的計(jì)算任務(wù)上傳至中繼節(jié)點(diǎn)或遠(yuǎn)端節(jié)點(diǎn)進(jìn)行處理。

b）中繼節(jié)點(diǎn)。空閑設(shè)備終端、中繼器、邊緣服務(wù)器等均可作為中繼節(jié)點(diǎn)進(jìn)行數(shù)據(jù)轉(zhuǎn)發(fā)和計(jì)算。由于計(jì)算資源有限，中繼節(jié)點(diǎn)不能為其范圍內(nèi)的所有設(shè)備提供無(wú)止境的計(jì)算服務(wù)，需進(jìn)一步將額外任務(wù)卸載到與其相連的服務(wù)器上執(zhí)行。

c）遠(yuǎn)端節(jié)點(diǎn)。與中繼節(jié)點(diǎn)協(xié)作為終端設(shè)備提供計(jì)算服務(wù)，但因?yàn)榫嚯x終端設(shè)備較遠(yuǎn)，兩者之間沒(méi)有直連通道，需要通過(guò)中繼節(jié)點(diǎn)的轉(zhuǎn)發(fā)。

傳統(tǒng)的MEC方案無(wú)法直接適用于一些距離較遠(yuǎn)或信號(hào)干擾較大的環(huán)境中，需要通過(guò)中繼節(jié)點(diǎn)的輔助來(lái)完成[15]。相比傳統(tǒng)的MEC，基于中繼輔助的MEC系統(tǒng)可提供協(xié)作通信和計(jì)算服務(wù)，能夠減輕近端服務(wù)器的負(fù)荷，提高遠(yuǎn)端服務(wù)器的資源利用率?；谥欣^輔助的MEC系統(tǒng)通過(guò)中繼節(jié)點(diǎn)進(jìn)行協(xié)作通信和計(jì)算，不僅能夠擴(kuò)大通信范圍、減少信號(hào)傳輸干擾、降低信號(hào)中斷發(fā)生的概率，還可在近端資源受限的情況下，將任務(wù)卸載至遠(yuǎn)端空閑的服務(wù)器，有效提高M(jìn)EC環(huán)境中的能量效率。

最簡(jiǎn)單的中繼輔助MEC系統(tǒng)包含一個(gè)用戶(hù)節(jié)點(diǎn)、一個(gè)中繼節(jié)點(diǎn)和遠(yuǎn)端節(jié)點(diǎn)共三個(gè)節(jié)點(diǎn)。在該場(chǎng)景下，只需要考慮功率分配、計(jì)算任務(wù)量大小等卸載問(wèn)題。而在實(shí)際場(chǎng)景中，MEC系統(tǒng)通常存在多用戶(hù)和多中繼節(jié)點(diǎn)，這給中繼選擇和任務(wù)卸載帶來(lái)了很大的挑戰(zhàn)。研究表明，在一個(gè)多中繼節(jié)點(diǎn)的系統(tǒng)中，選擇一個(gè)最佳中繼節(jié)點(diǎn)進(jìn)行數(shù)據(jù)傳輸與選擇多個(gè)中繼節(jié)點(diǎn)進(jìn)行傳輸都能夠獲得分集增益，提高系統(tǒng)性能[16]。根據(jù)獲取信道狀態(tài)以及備選中繼節(jié)點(diǎn)的計(jì)算能力和轉(zhuǎn)發(fā)能力，傳統(tǒng)的中繼選擇主要分為部分中繼選擇和機(jī)會(huì)中繼選擇。前者通過(guò)獲取源節(jié)點(diǎn)到中繼節(jié)點(diǎn)的局部信道信息。后者則是利用源節(jié)點(diǎn)到中繼節(jié)點(diǎn)、中繼節(jié)點(diǎn)到遠(yuǎn)端節(jié)點(diǎn)的全局信道信息來(lái)進(jìn)行中繼選擇。相比后者，前者的方案結(jié)果無(wú)法達(dá)到全局最優(yōu)，但是其復(fù)雜度較低?？紤]到在MEC環(huán)境中存在大量用戶(hù)的情況，由于用戶(hù)距離較遠(yuǎn)，容易導(dǎo)致設(shè)備到設(shè)備（D2D）之間的通信存在嚴(yán)重的信號(hào)傳輸干擾[17]。此外，由于資源有限以及用戶(hù)需求多樣性，當(dāng)多個(gè)用戶(hù)選擇同一個(gè)中繼節(jié)點(diǎn)時(shí)用戶(hù)之間存在競(jìng)爭(zhēng)關(guān)系，如何根據(jù)中繼節(jié)點(diǎn)的資源、MEC的網(wǎng)絡(luò)環(huán)境、終端的卸載請(qǐng)求以及資源的情況合理分配資源，執(zhí)行任務(wù)卸載，以提高資源利用率，盡量滿(mǎn)足更多用戶(hù)的需求，將是基于中繼輔助MEC系統(tǒng)的所面臨的重大挑戰(zhàn)。接下來(lái)本文將圍繞資源分配、任務(wù)卸載和中繼選擇三個(gè)方面，對(duì)基于中繼輔助MEC系統(tǒng)的研究方法進(jìn)行詳細(xì)說(shuō)明。

2基于中繼輔助的任務(wù)卸載

任務(wù)卸載作為MEC中的關(guān)鍵技術(shù)之一，是將計(jì)算任務(wù)傳輸至邊緣服務(wù)節(jié)點(diǎn)上執(zhí)行，從而達(dá)到緩解計(jì)算以及延長(zhǎng)設(shè)備電池壽命的目的。在MEC中，任務(wù)卸載主要分為完全卸載和部分卸載[5]。通過(guò)完全卸載，移動(dòng)設(shè)備上的計(jì)算任務(wù)將整體卸載到邊緣服務(wù)器上計(jì)算，或者直接在本地設(shè)備上執(zhí)行。通過(guò)部分卸載，計(jì)算任務(wù)可以劃分為多個(gè)不同的部分，分別在邊緣服務(wù)器上計(jì)算和本地計(jì)算。文獻(xiàn)[18] 提出一種低復(fù)雜度算法用于解決延遲約束下的完全卸載問(wèn)題。文獻(xiàn)[19]以最大化具有加權(quán)因子的用戶(hù)計(jì)算效率和為目標(biāo)，使用迭代和梯度下降法來(lái)權(quán)衡本地計(jì)算和任務(wù)卸載。由于完全卸載計(jì)算任務(wù)不可分割，相比之下，部分卸載更適合并行處理任務(wù)。文獻(xiàn)[20]提出一種基于半定松弛的算法用于解決部分卸載決策問(wèn)題，能夠有效降低卸載能耗和時(shí)延。文獻(xiàn)[21]提出一種基于深度強(qiáng)化學(xué)習(xí)的自適應(yīng)計(jì)算卸載方法，可以有效避免在時(shí)變的環(huán)境中，動(dòng)作空間復(fù)雜度過(guò)高的困擾，并且有效地學(xué)習(xí)到最優(yōu)策略。在基于中繼輔助的MEC系統(tǒng)中，任務(wù)卸載更具靈活性。每個(gè)任務(wù)都可以在本地進(jìn)行處理，或者卸載到中繼節(jié)點(diǎn)執(zhí)行，或者經(jīng)中繼節(jié)點(diǎn)轉(zhuǎn)發(fā)卸載到遠(yuǎn)端節(jié)點(diǎn)上執(zhí)行。如圖3所示，（a）表示用戶(hù)本地執(zhí)行任務(wù)，（b）表示用戶(hù)將計(jì)算量級(jí)小的任務(wù)卸載到鄰近的中繼節(jié)點(diǎn)處理，（c）表示用戶(hù)通過(guò)中繼節(jié)點(diǎn)將計(jì)算量級(jí)大的任務(wù)卸載到遠(yuǎn)端的服務(wù)器執(zhí)行。不同的卸載決策會(huì)產(chǎn)生不同的傳輸延遲、能量損耗。例如，任務(wù)本地處理雖無(wú)傳輸延遲，但可能會(huì)導(dǎo)致更高的任務(wù)執(zhí)行時(shí)間和能耗；而將任務(wù)卸載到鄰近邊緣服務(wù)器或者遠(yuǎn)端服務(wù)器可在一定程度上降低任務(wù)的執(zhí)行延遲和能耗，但不可避免地導(dǎo)致額外的傳輸延遲。因此，如何做出合理的卸載決策將計(jì)算任務(wù)卸載至邊緣節(jié)點(diǎn)，已成為MEC的重要研究方向之一，在縮短任務(wù)時(shí)延和提升能量效率方面具有非常重大的研究意義。

在MEC系統(tǒng)中引入中繼節(jié)點(diǎn)后，用戶(hù)可利用中繼節(jié)點(diǎn)處理計(jì)算任務(wù)，使得用戶(hù)的任務(wù)卸載決策具有更高的效率，吸引了很多學(xué)者研究?，F(xiàn)階段，已有基于中繼輔助的任務(wù)卸載方法中，主要以最小化時(shí)延或者能耗為優(yōu)化指標(biāo)，因此以性能為分類(lèi)標(biāo)準(zhǔn)，可以將用戶(hù)的任務(wù)卸載方法分為以下三種：

a）時(shí)延最小化卸載方法?，F(xiàn)今眾多大型應(yīng)用均具有超低延遲要求，如視頻監(jiān)控、智慧交通等，因此，最小化任務(wù)執(zhí)行時(shí)延一直以來(lái)都是MEC系統(tǒng)主要考慮的問(wèn)題。例如，在最小化時(shí)延的任務(wù)卸載方法中，Meng等人[22]將最小化緩沖隊(duì)列中任務(wù)的平均減速和平均超時(shí)時(shí)間的優(yōu)化問(wèn)題轉(zhuǎn)換為學(xué)習(xí)問(wèn)題，提出基于深度強(qiáng)化學(xué)習(xí)（DRL）的算法，并設(shè)計(jì)獎(jiǎng)勵(lì)函數(shù)來(lái)指導(dǎo)算法直接從環(huán)境中學(xué)習(xí)卸載策略；Xing等人[23]則提出多用戶(hù)協(xié)作MEC系統(tǒng)中基于時(shí)分多址TDMA通信協(xié)議的任務(wù)卸載方法，在優(yōu)化任務(wù)分配、時(shí)間分配和功率分配的同時(shí)，減少本地用戶(hù)的計(jì)算延遲。由于聯(lián)合任務(wù)分配和無(wú)線(xiàn)資源分配問(wèn)題是混合整數(shù)非線(xiàn)性?xún)?yōu)化問(wèn)題（MINLP），須先將其松弛為凸問(wèn)題，進(jìn)而得到有效次解。此外，文獻(xiàn)[24]將計(jì)算任務(wù)卸載到具有計(jì)算能力的多個(gè)目的地，并提出多個(gè)目的地選擇準(zhǔn)則來(lái)最大化中繼節(jié)點(diǎn)的計(jì)算容量、中繼鏈路的信道增益和直接鏈路的信道增益。為更好地評(píng)估有關(guān)延遲的系統(tǒng)性能，提出基于傳輸和計(jì)算時(shí)間定義的中斷概率。實(shí)驗(yàn)表明，基于中繼輔助的MEC可顯著減輕計(jì)算任務(wù)增加所造成的影響，從而降低時(shí)延。

b）能耗最小化卸載方法。能耗問(wèn)題一直是MEC系統(tǒng)的重點(diǎn)關(guān)注問(wèn)題，對(duì)于延長(zhǎng)設(shè)備的運(yùn)行時(shí)間和電池壽命以及保護(hù)環(huán)境等都具有長(zhǎng)遠(yuǎn)的意義。一般來(lái)說(shuō)，通過(guò)調(diào)整計(jì)算任務(wù)的卸載方案可在一定程度上減少完成任務(wù)所需的能耗。例如，彭海英等人[25]提出一種自適應(yīng)卸載壓縮節(jié)能機(jī)制（ESAOC）來(lái)解決云增強(qiáng)型光纖—無(wú)線(xiàn)網(wǎng)絡(luò)能耗以及通信開(kāi)銷(xiāo)過(guò)大的問(wèn)題，該方法首先結(jié)合不同優(yōu)先級(jí)卸載數(shù)據(jù)的平均到達(dá)率和各個(gè)節(jié)點(diǎn)的壓縮時(shí)延來(lái)動(dòng)態(tài)調(diào)整業(yè)務(wù)的卸載壓縮比，然后接著建立排隊(duì)模型分析卸載業(yè)務(wù)在MEC服務(wù)器的排隊(duì)時(shí)延，協(xié)同調(diào)度無(wú)線(xiàn)側(cè)中繼節(jié)點(diǎn)進(jìn)行協(xié)同休眠調(diào)度；Li等人[26]分別研究了TDMA模式、解碼（DF）和放大（AF）情形下的FDMA模式，考慮多路中繼輔助MEC系統(tǒng)下的總能耗最小化問(wèn)題，并通過(guò)雙層優(yōu)化來(lái)求解；除此之外，文獻(xiàn)[27]則是考慮具有多源、多中繼和單邊緣服務(wù)器的計(jì)算體系結(jié)構(gòu)，將基于正交頻分多路復(fù)用接入（OFDMA）無(wú)線(xiàn)網(wǎng)絡(luò)的最小化最大能耗問(wèn)題分為兩個(gè)子問(wèn)題，并分別提出二部圖匹配的最優(yōu)總能耗算法（OTCA）和最優(yōu)能耗分配算法（OECAA）來(lái)求解；文獻(xiàn)[28]提出基于先收獲后卸載協(xié)議的卸載方法，在滿(mǎn)足計(jì)算任務(wù)約束的同時(shí)將最小化接入點(diǎn)的總傳輸能量問(wèn)題轉(zhuǎn)換為最小化最大能耗問(wèn)題，并通過(guò)求解得到最優(yōu)卸載決策和最優(yōu)的最小能量傳輸功率。

c）多目標(biāo)優(yōu)化卸載方法。在權(quán)衡多目標(biāo)的任務(wù)卸載方法中，大多數(shù)學(xué)者主要研究時(shí)延和能耗聯(lián)合優(yōu)化的任務(wù)卸載方法。此外，研究人員根據(jù)不同的服務(wù)質(zhì)量（QoS）指標(biāo)和性能要求來(lái)選擇不同的卸載方案。例如，F(xiàn)an等人[29]考慮一個(gè)多服務(wù)器的MEC系統(tǒng)，提出基于最小化時(shí)延和能耗的任務(wù)調(diào)度優(yōu)化方法，并利用平衡因子靈活地調(diào)整時(shí)延和能耗之間的優(yōu)化偏差；Wen等人[30]研究多輸入多輸出（MIMO）多雙工（FD）中繼輔助的SWIPTMEC系統(tǒng)以降低系統(tǒng)的能耗，在保證時(shí)延約束和能量消耗約束的前提下提出一個(gè)能量有效性問(wèn)題，使系統(tǒng)在一個(gè)時(shí)間段內(nèi)的能量消耗最小化；Ranji等人[31]提出一種MEC中基于D2D協(xié)作的節(jié)能和延遲感知卸載方案（EEDOS），首先根據(jù)請(qǐng)求終端設(shè)備的截止日期和能量約束對(duì)卸載請(qǐng)求進(jìn)行分類(lèi)，之后通過(guò)最大成本圖算法的最大匹配找到合適的卸載目的地；Cao等人[32]提出在不同卸載方法下的聯(lián)合計(jì)算通信協(xié)作方法，以便在滿(mǎn)足用戶(hù)計(jì)算延遲約束的同時(shí)，共同優(yōu)化用戶(hù)和中繼節(jié)點(diǎn)的計(jì)算和通信資源分配（即卸載時(shí)間和傳輸功率分配以及中央處理單元（CPU）頻率）最小化其總能耗；此外，Liao等人[33]基于醫(yī)療監(jiān)測(cè)框架，提出一種由網(wǎng)絡(luò)模型和計(jì)算模型組成的支持無(wú)線(xiàn)中繼的任務(wù)卸載機(jī)制，并著重考慮在一定的鏈路質(zhì)量條件下的性能評(píng)估，進(jìn)而根據(jù)不同的服務(wù)質(zhì)量指標(biāo)要求來(lái)選擇不同的計(jì)算卸載方案；Dong等人[34]構(gòu)建一種基于協(xié)作的非正交多重接入的智能移動(dòng)邊緣計(jì)算（NOMAMEC）通信系統(tǒng)，提出基于NOMA的智能移動(dòng)邊緣計(jì)算系統(tǒng)的卸載性能分析，通過(guò)一對(duì)用戶(hù)卸載停機(jī)概率的表達(dá)式來(lái)評(píng)估合作NOMAMEC系統(tǒng)的性能。

基于時(shí)延最小化的卸載方法在降低時(shí)延上具有很大的優(yōu)勢(shì)，但是在一些對(duì)時(shí)延要求不高的場(chǎng)景下，會(huì)由于過(guò)度追求降低時(shí)延而導(dǎo)致網(wǎng)絡(luò)能耗開(kāi)銷(xiāo)過(guò)大的問(wèn)題。同樣，能耗最小化卸載方法能夠有效地降低網(wǎng)絡(luò)中能量的開(kāi)銷(xiāo)，但是在一些時(shí)延要求較高的應(yīng)用場(chǎng)景下，無(wú)法滿(mǎn)足低時(shí)延的計(jì)算需求導(dǎo)致任務(wù)被丟棄。多目標(biāo)優(yōu)化卸載方法綜合考慮了單目標(biāo)優(yōu)化所存在的問(wèn)題，然而現(xiàn)如今，大多數(shù)文獻(xiàn)僅能得到問(wèn)題的近似解，與窮舉搜索法所得到的最優(yōu)解仍有較大的差距。三種任務(wù)卸載方法總結(jié)如表1所示。

3基于中繼輔助的資源分配

MEC中的資源分配問(wèn)題主要包括：a）計(jì)算資源分配，根據(jù)用戶(hù)任務(wù)需求有效分配計(jì)算資源、最小化能耗和任務(wù)執(zhí)行時(shí)延；b）通信資源分配，根據(jù)網(wǎng)絡(luò)環(huán)境分配通信資源、優(yōu)化系統(tǒng)傳輸效率、降低用戶(hù)間的通信干擾。在MEC中，合理的資源分配可以充分利用空閑資源，因此是至關(guān)重要的。Li等人[35]提出了一種基于強(qiáng)化學(xué)習(xí)的優(yōu)化框架，用于解決MEC中資源分配的問(wèn)題，能夠顯著降低用戶(hù)的延遲和能耗。文獻(xiàn)[36]提出一種可自適應(yīng)分配計(jì)算資源的方案，可以在不同MEC環(huán)境下均衡網(wǎng)絡(luò)資源并優(yōu)于傳統(tǒng)的算法。在中繼輔助MEC系統(tǒng)中，通過(guò)將鄰近的邊緣節(jié)點(diǎn)作為中繼協(xié)助源節(jié)點(diǎn)將任務(wù)轉(zhuǎn)發(fā)至目的節(jié)點(diǎn)，能夠充分利用周邊節(jié)點(diǎn)的空閑資源，提高網(wǎng)絡(luò)的整體性能。除此之外，基于中繼輔助的資源分配問(wèn)題不僅需要考慮用戶(hù)的任務(wù)需求和MEC服務(wù)器資源，還需要考慮中繼節(jié)點(diǎn)的可用資源、中繼節(jié)點(diǎn)與源節(jié)點(diǎn)和目的節(jié)點(diǎn)的距離等因素，與傳統(tǒng)MEC中的資源分配問(wèn)題相比具有更大的難度。在基于中繼輔助的MEC系統(tǒng)中，用戶(hù)可以通過(guò)選擇合適的中繼節(jié)點(diǎn)進(jìn)行傳輸，以較低的資源來(lái)實(shí)現(xiàn)更高的容量?；谥欣^輔助的資源分配策略主要取決于用戶(hù)請(qǐng)求的任務(wù)量和自身的可用資源量，其基本分配過(guò)程如圖4所示。首先，用戶(hù)終端將應(yīng)用程序完全卸載，交付到MEC內(nèi)的本地調(diào)度程序，調(diào)度程序會(huì)檢查是否有足夠資源的計(jì)算節(jié)點(diǎn)。如果存在可處理應(yīng)用程序的中繼節(jié)點(diǎn)，則會(huì)在該節(jié)點(diǎn)上分配資源，處理應(yīng)用程序，并將處理結(jié)果發(fā)送給用戶(hù)；若不存在合適計(jì)算節(jié)點(diǎn)，則借助中繼節(jié)點(diǎn)進(jìn)行轉(zhuǎn)發(fā)，調(diào)度應(yīng)用程序給遠(yuǎn)端服務(wù)器。

目前，基于中繼節(jié)點(diǎn)的資源分配方法主要以時(shí)延和能耗作為性能指標(biāo)，類(lèi)似地，可將服務(wù)器的資源分配方法分為以下三種：

a）時(shí)延最小化分配方法。張丙鑫[37]通過(guò)研究UAV輔助的MEC系統(tǒng)中的資源調(diào)度問(wèn)題，包括UAV飛行軌跡、UAV與UE懸停位置間的關(guān)聯(lián)以及任務(wù)調(diào)度等問(wèn)題，以最小化任務(wù)完成時(shí)間為目標(biāo)，降低系統(tǒng)時(shí)延、提高用戶(hù)的體驗(yàn)。秦旻[38]提出基于最小化任務(wù)處理時(shí)延的通信資源調(diào)度和多用戶(hù)計(jì)算上載問(wèn)題，量化用戶(hù)可用的計(jì)算資源，得到最大化系統(tǒng)效用函數(shù)，進(jìn)一步推導(dǎo)出多用戶(hù)MEC系統(tǒng)中子載波分配和功率分配準(zhǔn)則，進(jìn)而提出具體的資源分配算法。

b）能耗最小化分配方法。為有效降低系統(tǒng)總能耗，滿(mǎn)足智能設(shè)備的時(shí)延要求，文獻(xiàn)[39]聯(lián)合優(yōu)化MEC系統(tǒng)中基于D2D的中繼選擇和資源分配策略，提出一種兩階段優(yōu)化算法來(lái)求解該整數(shù)混合非凸優(yōu)化問(wèn)題，首先利用凸優(yōu)化技術(shù)將原問(wèn)題轉(zhuǎn)換為凸問(wèn)題得到最優(yōu)中繼選擇策略；之后利用拉格朗日方法將原問(wèn)題轉(zhuǎn)換為資源分配問(wèn)題。在滿(mǎn)足計(jì)算、通信和延遲等約束條件下，文獻(xiàn)[40]提出了聯(lián)合優(yōu)化中繼選擇策略和資源分配策略來(lái)優(yōu)化移動(dòng)設(shè)備電能消耗，首先采用凸優(yōu)化技術(shù)將問(wèn)題轉(zhuǎn)換為混合整數(shù)非凸優(yōu)化問(wèn)題，再通過(guò)拉格朗日乘子法和中繼選擇策略獲得最優(yōu)資源分配策略。以最小化電能消耗為目標(biāo)，針對(duì)MEC中遠(yuǎn)距離計(jì)算任務(wù)卸載的問(wèn)題提出基于D2D輔助MEC系統(tǒng)，在滿(mǎn)足計(jì)算、延遲和通信等約束條件下，通過(guò)聯(lián)合優(yōu)化資源分配策略和中繼選擇策略最小化智能移動(dòng)設(shè)備能耗的優(yōu)化問(wèn)題，實(shí)現(xiàn)節(jié)能高效的中繼路由選擇策略和資源分配策略。

c）多目標(biāo)優(yōu)化分配方法。Chen等人[41]提出基于混合中繼轉(zhuǎn)發(fā)協(xié)議的資源分配方法，將執(zhí)行延遲和網(wǎng)絡(luò)能耗的最小化問(wèn)題建模為高度耦合約束的不可微非凸優(yōu)化問(wèn)題，并提出一種基于不精確的塊坐標(biāo)下降法（BCD）的輕量級(jí)算法來(lái)求解。Tan等人[42]在基于高數(shù)據(jù)速率服務(wù)和計(jì)算敏感服務(wù)的MEC網(wǎng)絡(luò)中，考慮用戶(hù)關(guān)聯(lián)、功率控制和資源（包括頻譜、緩存和計(jì)算）的分配，研究全雙工（small cell netwrok，SCN）中基于異構(gòu)服務(wù)的虛擬資源分配問(wèn)題，并通過(guò)變量松弛、交替方向乘子法（ADMM）算法得到最優(yōu)解。此外，對(duì)于中繼輔助系統(tǒng)，中繼節(jié)點(diǎn)的放大和轉(zhuǎn)發(fā)（AF）與解碼和轉(zhuǎn)發(fā)（DF）可能會(huì)對(duì)網(wǎng)絡(luò)性能和用戶(hù)的體驗(yàn)質(zhì)量產(chǎn)生重大影響。基于上述考慮，文獻(xiàn)[43]提出一種新的中繼輔助計(jì)算卸載（relay assisted computation offloading，RACO）混合中繼（HR）體系結(jié)構(gòu)，并設(shè)計(jì)出一種基于中繼輔助任務(wù)卸載的有效資源分配方法，從而減少了任務(wù)的執(zhí)行延遲和能耗。該方法在可用計(jì)算和通信資源的實(shí)際約束下，通過(guò)聯(lián)合優(yōu)化計(jì)算卸載比、處理器時(shí)鐘率、AF和DF方案之間的帶寬分配以及用戶(hù)和移動(dòng)邊緣中繼服務(wù)器（mobile edge relay server，MERS）的傳輸功率水平，使RACO系統(tǒng)中執(zhí)行延遲和能耗的加權(quán)和最小化。文獻(xiàn)[44]研究MEC中協(xié)同計(jì)算任務(wù)卸載方案和資源分配的聯(lián)合問(wèn)題，在保證傳輸功率、能耗和CPU循環(huán)頻率的約束下減少延遲，利用概念優(yōu)化方法、盛金公式法（Shengjin formula）、單調(diào)優(yōu)化方法一步步求解該非凸混合整數(shù)問(wèn)題。

與卸載方法類(lèi)似，在中繼輔助的資源分配場(chǎng)景下，時(shí)延最小化的資源分配方法能夠合理分配計(jì)算資源從而達(dá)到最小化時(shí)延的目標(biāo)，然而該方法忽略了不同計(jì)算節(jié)點(diǎn)處能耗的問(wèn)題。而能耗最小化的方法時(shí)延要求難以滿(mǎn)足。因此，如何在能耗和時(shí)延之間進(jìn)行權(quán)衡仍面臨著挑戰(zhàn)。

三種資源分配方法的總結(jié)如表2所示。

4中繼選擇

中繼選擇是指從所有候選中繼節(jié)點(diǎn)集中選擇一個(gè)最優(yōu)的中繼節(jié)點(diǎn)進(jìn)行數(shù)據(jù)轉(zhuǎn)發(fā)和任務(wù)卸載，如圖5所示。MEC系統(tǒng)內(nèi)的協(xié)作通信與計(jì)算需要依賴(lài)于中繼節(jié)點(diǎn)的輔助實(shí)現(xiàn)，由于受到邊緣節(jié)點(diǎn)計(jì)算能力和信道條件的限制，可能無(wú)法為用戶(hù)的大型任務(wù)提供計(jì)算服務(wù)。所以，選擇最優(yōu)的中繼節(jié)點(diǎn)可以有效地提高M(jìn)EC系統(tǒng)性能，拓展MEC系統(tǒng)的覆蓋范圍。下面主要從通信輔助和計(jì)算輔助對(duì)中繼節(jié)點(diǎn)選擇的方法進(jìn)行詳細(xì)概述。

a）通信輔助中繼選擇方法。在MEC資源有限、通信距離與信號(hào)發(fā)射功率強(qiáng)度不匹配、未能充分利用空閑服務(wù)器等情況下，需要通過(guò)中繼節(jié)點(diǎn)進(jìn)行輔助通信。通信輔助能有效節(jié)約能量、提高網(wǎng)絡(luò)吞吐量和改善網(wǎng)絡(luò)覆蓋率。例如，文獻(xiàn)[45]利用中繼節(jié)點(diǎn)協(xié)作通信（CMIMO）的方式將數(shù)據(jù)從節(jié)點(diǎn)傳輸?shù)交荆行У亟鉀Q源節(jié)點(diǎn)與目的地之間信道深度衰落的問(wèn)題。采用聚類(lèi)、數(shù)據(jù)聚合方式，在每個(gè)集群中選擇簇頭作為中繼節(jié)點(diǎn)將數(shù)據(jù)聚合并轉(zhuǎn)發(fā)出去。通過(guò)構(gòu)建簇間和簇內(nèi)的能耗系統(tǒng)模型，定義一些協(xié)作通信方案，在衰落信道中通過(guò)另一個(gè)協(xié)作節(jié)點(diǎn)將數(shù)據(jù)從中繼節(jié)點(diǎn)傳輸?shù)侥康牡?，以降低系統(tǒng)中的能量消耗。文獻(xiàn)[46]考慮配備有電池儲(chǔ)能的中繼選擇問(wèn)題，研究了在幾種不同信道狀態(tài)信息（CSI） 要求下，對(duì)應(yīng)不同復(fù)雜性的中繼選擇策略，包括隨機(jī)中繼選擇策略、距離最佳中繼選擇策略，以及考慮電池性能的中繼選擇策略。通過(guò)推導(dǎo)得出所提出方案的中斷概率性能的分析結(jié)果以及高信噪比（SNR） 機(jī)制的簡(jiǎn)化漸近表達(dá)式。Jing等人[47]提出允許多個(gè)中繼卸載的中繼選擇方法，該方法基于中繼排序函數(shù)提出多個(gè)SNR次優(yōu)（因此錯(cuò)誤率次優(yōu)）中繼選擇方案，實(shí)現(xiàn)了完全分集和低錯(cuò)誤率。文獻(xiàn)[48]聯(lián)合考慮源節(jié)點(diǎn)與中繼節(jié)點(diǎn)、中繼節(jié)點(diǎn)與目標(biāo)節(jié)點(diǎn)之間的信道條件，以降低誤碼率為目標(biāo)，分別提出了大于和小于中繼節(jié)點(diǎn)個(gè)數(shù)閾值的方案。當(dāng)中繼節(jié)點(diǎn)個(gè)數(shù)小于給定閾值時(shí)，該方案重點(diǎn)考慮節(jié)點(diǎn)選擇的準(zhǔn)確性。當(dāng)中繼節(jié)點(diǎn)個(gè)數(shù)大于閾值時(shí)，則重點(diǎn)考慮節(jié)點(diǎn)選擇的有效性和復(fù)雜性。仿真實(shí)驗(yàn)表明，所提中繼節(jié)點(diǎn)選擇方案與現(xiàn)有方案相比能夠在保證中斷概率保持不變的情況下，使誤碼率降低。

b）計(jì)算輔助（D2D）中繼選擇方法。D2D（device to device） 是指當(dāng)兩個(gè)距離較近時(shí)，在不需要基站的情況下直接進(jìn)行通信，可以有效地減少時(shí)延和能耗。綜合考慮計(jì)算輔助與D2D技術(shù)不僅能夠提高資源利用率，還有助于提高能量效率和通信容量。文獻(xiàn)[39]通過(guò)聯(lián)合優(yōu)化MEC系統(tǒng)中的無(wú)線(xiàn)電通信、中繼選擇和計(jì)算資源分配來(lái)最小化D2D的MEC系統(tǒng)總能耗。該系統(tǒng)模型為每個(gè)用戶(hù)從對(duì)應(yīng)的中繼集合中選擇一個(gè)中繼節(jié)點(diǎn)來(lái)卸載數(shù)據(jù)，并同時(shí)根據(jù)不同的中繼節(jié)點(diǎn)確定卸載比率。考慮計(jì)算、通信、時(shí)延以及選擇的約束條件，該問(wèn)題可描述為一個(gè)整數(shù)混合非凸優(yōu)化問(wèn)題，并且是一個(gè)NPhard問(wèn)題。由于窮舉所有可能的中繼選擇策略具有較高的時(shí)間復(fù)雜度，為解決此問(wèn)題，可將中繼選擇的離散變量松弛化，構(gòu)建新的約束條件；之后采用重構(gòu)線(xiàn)性化技術(shù)來(lái)消除所有的選擇決策二次項(xiàng)。通過(guò)以上兩個(gè)步驟得到一個(gè)標(biāo)準(zhǔn)的凸問(wèn)題，通過(guò)解決該凸問(wèn)題獲得最優(yōu)解，仿真結(jié)果表明，所提算法不僅降低了獲取最優(yōu)解的時(shí)間，更有助于提高能量效率。Rahman等人[49]通過(guò)自適應(yīng)神經(jīng)模糊推理系統(tǒng)（adaptive neurofuzzy inference system，ANFIS）架構(gòu)來(lái)選擇最佳D2D中繼，實(shí)現(xiàn)了將D2D源信息轉(zhuǎn)發(fā)到預(yù)期的D2D目的地，并提出采用監(jiān)督學(xué)習(xí)的自適應(yīng)網(wǎng)絡(luò)ANFIS架構(gòu)，將用戶(hù)D2D之間的通信信噪比和中繼傳輸至遠(yuǎn)端服務(wù)器的信噪比作為兩個(gè)輸入變量進(jìn)入一個(gè)五層的ANFIS架構(gòu)：第一層節(jié)點(diǎn)利用模糊化生成隸屬度等級(jí)；第二層節(jié)點(diǎn)產(chǎn)生觸發(fā)強(qiáng)度；第三層根據(jù)觸發(fā)強(qiáng)度計(jì)算合格的后續(xù)隸屬函數(shù)（MF）；第四層生成整體輸出的隸屬函數(shù)；第五層通過(guò)去模糊化得到清晰的輸出值。通過(guò)提出的ANFIS架構(gòu)構(gòu)建了D2D通信中繼選擇參數(shù)和因子之間的映射模型。基于神經(jīng)模糊的算法選擇具有最大D2D通信能量效率的中繼節(jié)點(diǎn)，其能量效率接近于窮盡搜索的最佳中繼選擇方案。Omran等人[50]考慮中繼選擇對(duì)負(fù)載均衡的影響，將問(wèn)題構(gòu)建成混合整數(shù)的組合優(yōu)化問(wèn)題。這是個(gè)NPhard問(wèn)題，因此提出一種用于多層異構(gòu)網(wǎng)絡(luò)的具有負(fù)載均衡的聯(lián)合用戶(hù)中繼選擇方案，利用KuhnMunkres（KM）方法給出最終選擇，從而達(dá)到基于D2D通信的動(dòng)態(tài)負(fù)載均衡。仿真結(jié)果表明，在負(fù)載均衡的情況下該方案可顯著增加接納卸載用戶(hù)的數(shù)量。

c）通信+計(jì)算輔助中繼選擇方法。中繼輔助計(jì)算方法不僅能夠緩解MEC系統(tǒng)內(nèi)的負(fù)載壓力，也有助于提高網(wǎng)絡(luò)覆蓋率。因此，大部分基于中繼輔助MEC系統(tǒng)的研究都是采用通信+計(jì)算輔助結(jié)合的方式。例如，Chen等人[51]提出一種序列中繼節(jié)點(diǎn)—遠(yuǎn)程節(jié)點(diǎn)選擇和卸載（sequential relayremote selection and offloading，SRSO）策略，指定何時(shí)停止節(jié)點(diǎn)序列發(fā)現(xiàn)并執(zhí)行計(jì)算卸載來(lái)達(dá)到能耗最小化。該方法將計(jì)算任務(wù)分散到本地、中繼和遠(yuǎn)程三個(gè)部分進(jìn)行，進(jìn)而提高任務(wù)計(jì)算的并行執(zhí)行能力。計(jì)算任務(wù)包括從本地卸載至中繼節(jié)點(diǎn)（relay node，RN）和從RN卸載至遠(yuǎn)端服務(wù)器（remote server，RS）兩個(gè)過(guò)程，系統(tǒng)分別根據(jù)當(dāng)前過(guò)程中每個(gè)階段的系統(tǒng)狀態(tài)（即節(jié)點(diǎn)的計(jì)算能力和信道條件）作出最優(yōu)決策，確定卸載比例。以本地卸載至RN過(guò)程為例，系統(tǒng)根據(jù)當(dāng)前狀態(tài)（即中繼節(jié)點(diǎn)計(jì)算能力和信道條件）作出最優(yōu)決策u1i，可表示為

u1i=x1ioffloading

Cotherwise（1）

其中：x1i為做出決策后確定的卸載比例；C表示在此階段不進(jìn)行卸載，需要在下一個(gè)階段繼續(xù)選擇中繼節(jié)點(diǎn)。當(dāng)每個(gè)階段做出不同的決策時(shí)，預(yù)期的能耗函數(shù)可表示為

g1i（s1i，u1i）=0s1i=T

τPd+E1is1i≠T，u1i=x1i

τPdu1i=C（2）

其中：s1i=T表示系統(tǒng)已經(jīng)作出卸載決定并停止檢測(cè)過(guò)程；τ和Pd分別表示MEC服務(wù)器發(fā)現(xiàn)時(shí)間和功率；E1i表示數(shù)據(jù)傳輸和處理的總能耗。在中繼選擇過(guò)程中，以各個(gè)階段能耗函數(shù)總和最小為目標(biāo)，根據(jù)動(dòng)態(tài)規(guī)劃可得出最佳決策，以及停止服務(wù)器序列發(fā)現(xiàn)并執(zhí)行計(jì)算卸載，達(dá)到最小化能耗這一目的。從RN卸載至RS的過(guò)程也采用相同方法。

將SRSO算法與僅考慮通信中繼選擇（communicationonly relay selection，CORS）和僅考慮計(jì)算中繼選擇（computingonly selection，CPRS）方案相比較，結(jié)果如圖6所示?？梢钥闯觯欣^節(jié)點(diǎn)數(shù)越多，平均能耗差異越明顯。因此，SRSO算法在最小化系統(tǒng)能耗方面更優(yōu)于其他兩者。

若中繼節(jié)點(diǎn)存在任務(wù)緩沖隊(duì)列，則可以將任務(wù)緩沖隊(duì)列長(zhǎng)度也考慮進(jìn)中繼選擇決策中，該方案可視為最小化傳輸能耗和緩沖隊(duì)列加權(quán)和（weighted transmission energy and buffer queue minimization，WTBM），如下所示：

i*=arg min（v1ξi+ζi）（3）

其中：ξi表示能耗；ζi表示中繼節(jié)點(diǎn)的隊(duì)列長(zhǎng)度；v1表示加權(quán)因子，用來(lái)調(diào)節(jié)能耗和隊(duì)列長(zhǎng)度重視程度的指標(biāo)。將WTBM算法與僅考慮傳輸路徑（transmission energy consumption minimization，TECM）中繼選擇和僅考慮任務(wù)緩沖隊(duì)列（task buffer queue minimization，TBQM）中繼選擇進(jìn)行比較，結(jié)果如圖7所示。

Liang等人[52]分別介紹僅考慮通信能力（communicationonly relay selection，CORS）和僅考慮計(jì)算能力（computingonly selection，CPORS）情況下的中繼決策。當(dāng)僅考慮通信時(shí)，中繼選擇方案為

i*=argmax{min（v1i，v2i）}（4）

其中：v1i、v2i分別表示用戶(hù)到中繼節(jié)點(diǎn)和中繼節(jié)點(diǎn)到目的地的傳輸速率。當(dāng)僅考慮計(jì)算能力時(shí)，中繼選擇方案為

i*=argmax{fi}（5）

其中：fi為中繼節(jié)點(diǎn)恒定的CPU周期頻率，fi越大表示該中繼節(jié)點(diǎn)的計(jì)算能力越強(qiáng)。

文獻(xiàn)[52]進(jìn)一步提出的最小化延遲中繼選擇（latencybest relay selection，LBRS）方案不僅考慮通信能力，還考慮到中繼節(jié)點(diǎn)的計(jì)算能力。因此LBRS方案選擇的中繼節(jié)點(diǎn)為i*=argmin（t1i+tci+t2i）（6）

其中：t1i、tci、t2i分別為用戶(hù)到中繼節(jié)點(diǎn)的傳輸時(shí)延、中繼節(jié)點(diǎn)計(jì)算時(shí)延以及中繼節(jié)點(diǎn)到目的地的傳輸時(shí)延。

施安妮等人[53]提出一種基于功率分配協(xié)作的SWIPT（simultaneous wireless information and power transfer）中繼選擇方案，用于解決由信道質(zhì)量和中繼發(fā)射功率等約束所構(gòu)成的非線(xiàn)性混合整數(shù)規(guī)劃問(wèn)題。與傳統(tǒng)的中繼協(xié)作方案相比，所提緩存配置是可行并且有效的，該方案具有更高的吞吐量。

服務(wù)器資源分配方法總結(jié)如表3所示。

5問(wèn)題與挑戰(zhàn)

盡管基于中繼輔助的MEC系統(tǒng)已經(jīng)被廣泛研究，國(guó)內(nèi)外學(xué)者針對(duì)該領(lǐng)域問(wèn)題也已取得一些研究成果，但以下幾個(gè)問(wèn)題到目前為止還未有較好的解決方法：

a）用戶(hù)移動(dòng)性和任務(wù)隨機(jī)性。用戶(hù)的高度移動(dòng)是MEC系統(tǒng)的特點(diǎn)之一，當(dāng)用戶(hù)發(fā)生移動(dòng)時(shí)，需要重新選擇中繼輔助節(jié)點(diǎn)；另外，用戶(hù)不是時(shí)刻都有任務(wù)需要計(jì)算，且任務(wù)是隨機(jī)到達(dá)的，任務(wù)的大小也具有隨機(jī)性。因此MEC系統(tǒng)中需要處理的任務(wù)數(shù)目和大小都是變化的，這些因素將直接影響卸載決策、資源分配和中繼選擇。馬爾可夫近似是分析動(dòng)態(tài)模型的有效技術(shù)，通過(guò)設(shè)計(jì)可逆且收斂的馬爾可夫鏈對(duì)用戶(hù)的動(dòng)態(tài)行為進(jìn)行分析，將用戶(hù)的移動(dòng)性問(wèn)題映射為馬爾可夫鏈的狀態(tài)轉(zhuǎn)移問(wèn)題。此外，也可以考慮按照任務(wù)的達(dá)到進(jìn)行階段劃分，設(shè)計(jì)動(dòng)態(tài)分布式算法來(lái)求解。

b）中繼路徑優(yōu)化。當(dāng)用戶(hù)距離邊緣服務(wù)器較遠(yuǎn)時(shí)，僅依靠一個(gè)中繼節(jié)點(diǎn)可能無(wú)法完成任務(wù)卸載，如何尋找一條經(jīng)過(guò)多個(gè)中繼節(jié)點(diǎn)的最優(yōu)路徑是面臨的難點(diǎn)問(wèn)題。 中繼路徑選擇需要綜合考慮信道容量、路徑損耗、距離、中繼節(jié)點(diǎn)的計(jì)算能力等因素，計(jì)算用戶(hù)與中繼節(jié)點(diǎn)、中繼節(jié)點(diǎn)之間、中繼節(jié)點(diǎn)與MEC服務(wù)器之間每一條路徑的能耗和時(shí)延，為任務(wù)選擇下一個(gè)轉(zhuǎn)發(fā)節(jié)點(diǎn)尋找一條由用戶(hù)到遠(yuǎn)端服務(wù)器經(jīng)過(guò)多個(gè)中繼節(jié)點(diǎn)能耗或時(shí)延最小的路徑。

c）中繼激勵(lì)計(jì)劃。隨著5G和物聯(lián)網(wǎng)的應(yīng)用，網(wǎng)絡(luò)中存在大量配備邊緣計(jì)算服務(wù)器的移動(dòng)車(chē)輛和無(wú)人機(jī)，可以為用戶(hù)提供實(shí)時(shí)計(jì)算服務(wù)。但是這些網(wǎng)絡(luò)設(shè)備都是自私的，在提供中繼服務(wù)時(shí)，設(shè)備需要消耗資源，如電池和計(jì)算能力。此外，設(shè)備共享資源存在暴露位置等隱私信息的風(fēng)險(xiǎn)，在沒(méi)有令其滿(mǎn)意的獎(jiǎng)勵(lì)以補(bǔ)償其資源消耗和潛在隱私破壞的情況下，這些網(wǎng)絡(luò)設(shè)備一般不會(huì)主動(dòng)提供中繼服務(wù)共享資源。因此，如何制定激勵(lì)計(jì)劃，吸引移動(dòng)車(chē)輛和無(wú)人機(jī)等無(wú)線(xiàn)設(shè)備成為中繼節(jié)點(diǎn)，共享他們閑置的資源是提高能源效率和系統(tǒng)計(jì)算能力的有效途徑；另外，如何在執(zhí)行任務(wù)卸載和資源分配時(shí)，考慮中繼節(jié)點(diǎn)的特性（如無(wú)人機(jī)的飛行路徑、無(wú)人機(jī)的距離、移動(dòng)車(chē)輛的行駛速度和方向）也是一大挑戰(zhàn)。契約理論是設(shè)計(jì)資源市場(chǎng)激勵(lì)機(jī)制的有效方法，其關(guān)鍵思想是制定適當(dāng)?shù)暮贤瑮l款，通過(guò)提供金錢(qián)等激勵(lì)手段吸引網(wǎng)絡(luò)設(shè)備提供中繼服務(wù)，共享資源。

d）5G網(wǎng)絡(luò)。5G網(wǎng)絡(luò)包含大量具有特定計(jì)算和通信資源的無(wú)線(xiàn)設(shè)備，由于無(wú)線(xiàn)通信具有突發(fā)性，每個(gè)無(wú)線(xiàn)設(shè)備很可能被一些空閑設(shè)備包圍，這些設(shè)備具有未使用的或額外的資源。所以，如何結(jié)合中繼輔助MEC系統(tǒng)，使用設(shè)備空閑資源提高5G網(wǎng)絡(luò)的計(jì)算能力和資源利用率是一個(gè)亟待解決的問(wèn)題。此外，MEC系統(tǒng)能夠支持很多種類(lèi)型的應(yīng)用，不同的應(yīng)用對(duì)能耗、時(shí)延和資源都有不一樣的要求。例如在健康監(jiān)測(cè)中，由于終端設(shè)備位置相對(duì)固定，服務(wù)需求是長(zhǎng)期的；而對(duì)一些移動(dòng)性比較高的設(shè)備，服務(wù)需求是短暫的，這與5G 網(wǎng)絡(luò)滿(mǎn)足更多用戶(hù)個(gè)性化需求的服務(wù)模式是一致的。將中繼輔助MEC與5G網(wǎng)絡(luò)切片技術(shù)先融合，同時(shí)引入虛擬機(jī)（virtual machine，VM）機(jī)制實(shí)現(xiàn)計(jì)算資源和通信資源的組合分配，在保持所需的QoE水平的同時(shí)優(yōu)化系統(tǒng)資源利用率。根據(jù)中繼節(jié)點(diǎn)的資源情況和用戶(hù)的需求，在引入VM機(jī)制后，5G網(wǎng)絡(luò)的資源分配和中繼選擇問(wèn)題包含以下幾個(gè)決策過(guò)程：給用戶(hù)分配哪些資源、每種資源分配多少以及選擇哪個(gè)中繼節(jié)點(diǎn)。此外，為了能夠滿(mǎn)足不同用戶(hù)的動(dòng)態(tài)服務(wù)需求，在網(wǎng)絡(luò)切片運(yùn)行時(shí)應(yīng)設(shè)計(jì)一種自適應(yīng)VM算法，變換中繼節(jié)點(diǎn)，按需分配資源。

6結(jié)束語(yǔ)

本文首先介紹了MEC的基本概念和參考架構(gòu)以及基于中繼輔助MEC系統(tǒng)的基本架構(gòu)，著重從任務(wù)卸載、資源分配和中繼節(jié)點(diǎn)選擇三個(gè)方面對(duì)基于中繼輔助MEC系統(tǒng)現(xiàn)存的方法進(jìn)行歸納總結(jié)，最后對(duì)現(xiàn)有方法中幾個(gè)尚待解決的問(wèn)題做了進(jìn)一步分析，并對(duì)相應(yīng)的解決方向進(jìn)行了簡(jiǎn)要的展望。

參考文獻(xiàn)：

［1］IMT2020（5G）推進(jìn)組.5G愿景與需求白皮書(shū)V1.0[R/OL].（2014-05）.https：//www.docin.com/p890406206.html.（IMT2020（5G） Promotion Group.5G vision and demand white paper V1.0[EB/OL].（2014-05）.https：//www.docin.com/p890406206.html.）

[2]Zhang Qi，Lu Cheng，Boutaba R.Cloud computing：stateoftheart and research challenges[J].Journal of Internet Services and Applications，2010，1（5）：718.

[3]Armbrust M，F(xiàn)ox A，Griffith R，et al.Above the clouds：a Berkeley view of cloud computing，UCB/EECS200928[R].Berkeley，CA：University of California，2009.

[4]田輝，范紹帥，呂昕晨，等.面向5G需求的移動(dòng)邊緣計(jì)算[J].北京郵電大學(xué)學(xué)報(bào)，2017，40（2）：110.（Tian Hui，F(xiàn)an Shaoshuai，Lyu Xinchen，et al.Mobile edge computing for 5G requirements[J].Journal of Beijing University of Posts amp; Telecommunications，2017，40（2）：110.）

[5]Mao Yuyi，You Changsheng，Zhang Jun，et al.A survey on mobile edge computing：the communication perspective[J].IEEE Communications Surveys amp; Tutorials，2017，19（4）：2322-2358.

[6]謝人超，廉曉飛，賈慶民，等.移動(dòng)邊緣計(jì)算卸載技術(shù)綜述[J].通信學(xué)報(bào)，2018，39（11）：135155.（Xie Renchao，Lian Xiaofei，Jia Qingmin，et al.Survey on computation offloading in mobile edge computing[J].Journal on Communications，2018，39（11）：135155.）

[7]Cai Xingjuan，Geng Shaojin，Wu Di，et al.A multicloudmodelbased manyobjective intelligent algorithm for efficient task scheduling in Internet of Things[J].IEEE Internet of Things Journal，2020，8（12）：9645-9653.

[8]Cui Zhihua，Jing Xuechun，Zhao Peng，et al.A new subspace clustering strategy for AIbased data analysis in IoT system[J].IEEE Internet of Things Journal，2021，8（16）：1254012549.

[9]Wang Zi，Zhao Zhiwei，Min Geyong，et al.User mobility aware task assignment for mobile edge computing[J].Future Generation Computer Systems，2018，85（8）：1-8.

[10]Li Quanyi，Yao Haipeng，Mai Tianle，et al.Reinforcementlearning and belieflearningbased double auction mechanism for edge computing resource allocation[J].IEEE Internet of Things Journal，2019，7（7）：5976-5985.

[11]Ke Hongchang，Wang Jian，Deng Lingyue，et al.Deep reinforcement learningbased adaptive computation offloading for MEC in heterogeneous vehicular networks[J].IEEE Trans on Vehicular Technology，2020，69（7）：79167929.

[12]夏士超，姚枝秀，鮮永菊，等.移動(dòng)邊緣計(jì)算中分布式異構(gòu)任務(wù)卸載算法[J].電子與信息學(xué)報(bào)，2020，42（12）：2891-2898.（Xia Shichao，Yao Zhixiu，Xian Yongju，et al.Distributed heterogeneous task offloading methodology for mobile edge computing[J].Journal of Electronics amp; Information Technology，2020，42（12）：2891-2898.）

[13]Naeem M，Anpalagan A，Jaseemuddin M，et al.Resource allocation techniques in cooperative cognitive radio networks[J].IEEE Communications Surveys amp; Tutorials，2013，16（2）：729-744.

[14]唐玄玄，楊文東，蔡躍明，等.協(xié)同通信中的緩存輔助中繼選擇方案綜述[J].軍事通信技術(shù)，2017，38（1）：35-40.（Tang Xuan-xuan，Yang Wendong，Cai Yueming，et al.Survey on buffer-aided relay selection schemes in cooperative communications[J].Journal of Military Communications Technology，2017，38（1）：35-40.）

[15]Zhao Zichao，Zhao Rui，Xia Junjuan，et al.A novel framework of three-hierarchical offloading optimization for MEC in industrial IoT networks[J].IEEE Trans on Industrial Informatics，2020，16（8）：5424-5434.

[16]Asshad M，Khan S A，Kavak A，et al.Cooperative communications using relay nodes for next-generation wireless networks with optimal selection techniques：a review[J].IEEE Trans on Electrical and Electronic Engineering，2019，14（5）：658-669.

[17]Li Peng，Guo Song.Literature survey on cooperative device-to-device communication[M]//Cooperative Device-to-Device Communication in Cognitive Radio Cellular Networks.Cham：Springer，2014：7-12.

[18]Deng Maofei，Tian Hui，F(xiàn)an Bo.Fine-granularity based application offloading policy in cloud-enhanced small cell networks[C]//Proc of IEEE International Conference on Communications.Piscataway，NJ：IEEE Press，2016：638-643.

[19]Sun Haijian，Zhou Fuhui，Hu Qingyang.Joint offloading and computation energy efficiency maximization in a mobile edge computing system[J].IEEE Trans on Vehicular Technology，2019，68（3）：3052-3056.

[20]Ding Changfeng，Wang Junbo，Cheng Ming，et al.Joint beamforming and computation offloading for multi-user mobile-edge computing[C]//Proc of IEEE Global Communications Conference.Piscataway，NJ：IEEE Press，2019：1-6.

[21]Ke Hongchang，Wang Jian，Deng Lingyue，et al.Deep reinforcement learning-based adaptive computation offloading for MEC in heterogeneous vehicular networks[J].IEEE Trans on Vehicular Techno-logy，2020，69（7）：7916-7929.

[22]Meng Hao，Chao Daichong，Guo Qianying， et al.Delay-sensitive task scheduling with deep reinforcement learning in mobile-edge computing systems[J].Journal of Physics：Conference Series，2019，1229（1）：012059.

[23]Xing Hong，Liu Liang，Xu Jie，et al.Joint task assignment and wireless resource allocation for cooperative mobile-edge computing[C]//Proc of IEEE International Conference on Communications.Piscataway，NJ：IEEE Press，2018：1-6.

[24]Xia Junjuan，Li Chao，Lai Xiazhi，et al.Cache-aided mobile edge computing for B5G wireless communication networks[J].EURASIP Journal on Wireless Communications and Networking，2020，2020（1）：1-10.

[25]彭海英，王澤東，吳大鵬.帶有卸載壓縮激勵(lì)的云增強(qiáng)FiWi網(wǎng)絡(luò)節(jié)能機(jī)制[J].電子與信息學(xué)報(bào)，2020，42（7）：1726-1733.（Peng Haiying，Wang Zedong，Wu Dapeng.Energy saving mechanism with incentive of offloading compression in cloudlet enhanced fiber-wireless network[J].Journal of Electronics amp; Information Technology，2020，42（7）：1726-1733.）

[26]Li Xiang，F(xiàn)an Rongfei，Hu Han，et al.Energy-efficient resource allocation for mobile edge computing with multiple relays[J].IEEE Internet of Things Journal，2021，9（13）：10732-10750.

[27]Yao Mianyang，Chen Long，Liu Tonglai， et al.Energy efficient coope-rative edge computing with multi-source multi-relay devices[C]// Proc of the 21st IEEE International Conference on High Performance Computing and Communications amp; the 17th IEEE International Conference on Smart City amp; the 5th IEEE International Conference on Data Science and Systems.Piscataway，NJ：IEEE Press，2019：865-870.

[28]Hu Xiaoyan，Wong K K，Yang Kun.Wireless powered cooperation-assisted mobile edge computing[J].IEEE Trans on Wireless Communications，2018，17（4）：2375-2388.

[29]Fan Wenhao，Liu Yuanan，Tang Bihua，et al.Computation offloading based on cooperations of mobile edge computing-enabled base stations[J].IEEE Access，2018，6：22622-22633.

[30]Wen Zhigang，Yang Kaixi，Liu Xiaoqing，et al.Joint offloading and computing design in wireless powered mobile-edge computing systems with full-duplex relaying[J].IEEE Access，2018，6：72786-72795.

[31]Ranji R，Mansoor A M，Sani A A.EEDOS：an energy-efficient and delay-aware offloading scheme based on device to device collaboration in mobile edge computing[J].Telecommunication Systems，2020，73（2）：171-182.

[32]Cao Xiaowen，Wang Feng，Xu Jie，et al.Joint computation and communication cooperation for energy-efficient mobile edge computing[J].IEEE Internet of Things Journal，2018，6（3）：4188-4200.

[33]Liao Yangzhe，Yu Quan，Han Yi，et al.Relay-enabled task offloading management for wireless body area networks[J].Applied Sciences，2018，8（8）：1409.

[34]Dong Xiequn，Li Xuehua，Yue Xinwei，et al.Performance analysis of cooperative NOMA based intelligent mobile edge computing system[J].China Communications，2020，17（8）：45-57.

[35]Li Ji，Gao Hui，Lyu Tiejun，et al.Deep reinforcement learning based computation offloading and resource allocation for MEC[C]// Proc of IEEE Wireless Communications and Networking Conference.Pisca-taway，NJ：IEEE Press，2018：1-6.

[36]Wang Jiadai，Zhao Lei，Liu Jiajia，et al.Smart resource allocation for mobile edge computing：a deep reinforcement learning approach[J].IEEE Trans on Emerging Topics in Computing，2019，9（3）：1529-1541.

[37]張丙鑫.基于無(wú)人機(jī)的移動(dòng)邊緣計(jì)算資源調(diào)度機(jī)制研究[D].徐州：中國(guó)礦業(yè)大學(xué)，2020.（Zhang Bingxin.Research on resource scheduling mechanism of mobile edge computing based on UAV[D].Xuzhou：China University of Mining amp; Technology，2020.）

[38]秦旻.功率受限邊緣計(jì)算系統(tǒng)中計(jì)算上載與資源調(diào)度方法[D].合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2019.（Qin Min.Computation offloading and resource allocation methods in power-constrained edge computing systems[D].Hefei：University of Science amp; Technology of China，2019.）

[39]Li Yang，Xu Gaochao，Yang Kun，et al.Energy efficient relay selection and resource allocation in D2D-enabled mobile edge computing[J].IEEE Trans on Vehicular Technology，2020，69（12）：15800-15814.

[40]李陽(yáng).移動(dòng)邊緣計(jì)算中節(jié)能高效的資源聯(lián)合優(yōu)化若干問(wèn)題研究[D].長(zhǎng)春：吉林大學(xué)，2020.（Li Yang.Research on energy-saving and high-efficiency joint optimization of resources in mobile edge computing system[D].Changchun：Jilin University，2020.）

[41]Chen Xihan，Shi Qingjiang，Cai Yunlong，et al.Joint cooperative computation and interactive communication for relay-assisted mobile edge computing[C]//Proc of the 88th IEEE Vehicular Technology Confe-rence.Piscataway，NJ：IEEE Press，2018.

[42]Tan Zhiyuan，Yu F R，Li Xi，et al.Virtual resource allocation for he-terogeneous services in full duplex-enabled SCNs with mobile edge computing and caching[J].IEEE Trans on Vehicular Techno-logy，2017，67（2）：1794-1808.

[43]Chen Xihan，Cai Yunlong，Shi Qingjiang，et al.Efficient resource allocation for relay-assisted computation offloading in mobile-edge computing[J].IEEE Internet of Things Journal，2020，7（3）：2452-2468.

[44]Kuang Zhufang，Ma Zhihao，Li Zhe，et al.Cooperative computation offloading and resource allocation for delay minimization in mobile edge computing[J].Journal of Systems Architecture，2021，118（9）：102167.

[45]Shikha，Dayal P.Energy efficient different cooperative communication schemes in wireless sensor network：a survey[C] //Proc of IEEE India Conference.Piscataway，NJ：IEEE Press，2015：1-5.

[46]Krikidis I.Relay selection in wireless powered cooperative networks with energy storage[J].IEEE Journal on Selected Areas in Communications，2015，33（12）：2596-2610.

[47]Jing Yindi，Jafarkhani H.Single and multiple relay selection schemes and their achievable diversity orders[J].IEEE Trans on Wireless Communications，2009，8（3）：1414-1423.

[48]趙玉麗，郭麗，朱志良，等.協(xié)作通信中一種中繼節(jié)點(diǎn)選擇方案的設(shè)計(jì)[J].計(jì)算機(jī)應(yīng)用，2015，35（1）：1-4.（Zhao Yuli，Guo Li，Zhu Zhiliang，et al.Design of relay node selection scheme for cooperative communication[J].Journal of Computer Applications，2015，35（1）：1-4.）

[49]Rahman M A，Lee Y D，Koo I.Energy-efficient power allocation and relay selection schemes for relay-assisted D2D communications in 5G wireless networks[J].Sensors，2018，18（9）：2865.

[50]Omran A，Sboui L，Rong Bo，et al.Joint relay selection and load ba-lancing using D2D communications for 5G HetNet MEC[C]//Proc of IEEE International Conference on Communications.Piscataway，NJ：IEEE Press，2019：1-5.

[51]Chen Che，Guo Rongzong，Zhang Wenjie，et al.Optimal sequential relay-remote selection and computation offloading in mobile edge computing[J].Journal of Supercomputing，2022，78（1）：1093-1116.

[52]Liang Jie，Chen Zhiyong，Li Cheng，et al.Delay outage probability of multi-relay selection for mobile relay edge computing system[C]//Proc of IEEE/CIC International Conference on Communications in China.Piscataway，NJ：IEEE Press，2019：898-902.

[53]施安妮，李陶深，王哲，等.基于緩存輔助的全雙工無(wú)線(xiàn)攜能通信系統(tǒng)的中繼選擇策略[J].計(jì)算機(jī)應(yīng)用，2021，41（6）：1539-1545.（Shi Anni，Li Taoshen，Wang Zhe，et al.Relay selection strategy for cache-aided full-duplex simultaneous wireless information and power transfer system[J].Journal of Computer Applications，2021，41（6）：1539-1545.）

收稿日期：2021-12-02；修回日期：2022-02-11基金項(xiàng)目：福建省自然科學(xué)基金資助項(xiàng)目（2021J011002，2021J011004，2020J01813）；福建省本科高校教育教學(xué)改革研究項(xiàng)目（FBJG20210070）

作者簡(jiǎn)介：陳澈（1996-），男，福建福州人，碩士研究生，主要研究方向?yàn)橐苿?dòng)邊緣計(jì)算；鄭藝峰（1980-），男，福建漳州人，講師，博士，主要研究方向?yàn)橐苿?dòng)邊緣計(jì)算、深度強(qiáng)化學(xué)習(xí)；楊敬民（1980-），男，福建漳州人，副教授，高級(jí)工程師，博士研究生，主要研究方向?yàn)檐浖x網(wǎng)絡(luò)、無(wú)線(xiàn)通信；謝玲富（1982-），男，浙江溫嶺人，副教授，博士，主要研究方向?yàn)闊o(wú)線(xiàn)通信；張文杰（1984-），男（通信作者），福建漳州人，教授，博士，主要研究方向?yàn)橐苿?dòng)邊緣計(jì)算、物聯(lián)網(wǎng)（zhan0300@ntu.edu.sg）.