摘要
随着5G⽹络的到来以及移动设备的快速普及，移动⽹络数据呈爆炸式增长的趋势。同时，对应⽤程序低延迟的追求也已成为⽤户的普遍需求。传统的云计算通过将数据卸载到云中解决了终端设备⾯临的资源不⾜问题，但是它⽆法满⾜⼤数据时代⼈们对计算效率的需求。因此，移动边缘计算（MEC）应运⽽⽣。MEC已被设想为第五代移动通信⽹络 （5G）中最有前途的技术之⼀。通过将计算密集型和时延敏感型的任务卸载到资源丰富的MEC服务器上，它可以显着提⾼延迟性能并减少移动设备的能耗。本⽂⾸先介绍了MEC的概念及其⽹络架构；然后从边缘缓存、计算卸载和服务迁移这三个⽅⾯对MEC关键技术以及亟待解决的问题进⾏阐述和总结。 1.MEC介绍
随着⽤户对移动⽹络的使⽤要求变得越来越严格，例如超⾼数据速率和极低的延迟，传统以为中⼼的⽹络体系结构已⽆法再满⾜这些要求。因此，移动蜂窝⽹络架构正在从以（Base Station, BS）为中⼼发展到以设备为中⼼[1]和以内容为中⼼的⽹络，重⼼将从核⼼⽹移动到⽹络边缘。移动边缘⽹络的核⼼思想是利⽤SDN（Software Defined Network, 软件定义⽹络）和NFV（Network Functions Virtualiz
ation，⽹络功能虚拟化）技术使⽹络功能、计算、存储以及通信资源更接近最终⽤户，即⽹络边缘。其中，移动⽹络中的边缘计算是从移动云计算演变⽽来的，包括三种不同的边缘计算⽅案：移动边缘计算（Mobile Edge Computing, MEC）、雾计算（Fog Computing）和微云(cloudlet)[2]。本⽂主要讨论更加加靠近⽤户，且分布式分布的移动边缘计算技术。
2014年，欧洲电信标准化协会（ETSI, European Telecommunications Standards Institute）为了将边缘计算融合进移动⽹络的架构，提出了移动边缘计算。MEC将原本位于云数据中⼼的服务和功能“下沉”到移动⽹络边缘（如、⽆线接⼊点等），在移动⽹络边缘提供计算、存储、⽹络和通信资源[3]。MEC强调靠近⽤户，从⽽减少⽹络操作和服务交付的时延，提升⽤户服务体验。MEC迅速成为5G的⼀项关键技术，有助于达到5G业务超低时延、超⾼能效、超⾼可靠性等关键技术指标。例如，图1展⽰了基于移动边缘计算的智能电⽹系统中移动终端与MEC服务器位置关系，其中MEC 服务器可以部署在附近，更加靠近⽤户，给智能电⽹中的⽤户提供更快更好的服务。
图1 基于移动边缘计算的智能电⽹系统中移动终端与服务器位置关系
根据ETSI发布的⽩⽪书，可以将MEC的特征总结如下[4]：
1）本地性：部署的MEC服务器可以访问⽹络资源也可以与⽹络其余部分隔离开来，独⽴运⾏，减少被攻击的可能性。2）邻近性：MEC部署在离⽤户最近的位置，移动设备可以将计算任务卸载附近的MEC服务器，满⾜计算密集型应⽤程序的需求并实现超短的处理延迟。
3）较低的延迟：MEC服务部署在距离⽤户设备最近的位置，可以实现⽤户请求的快速响应。因此，可以实现超低延迟和⾼带宽的⽤户服务质量。
4）位置感知：MEC从本地访问⽹络中的边缘设备接收信息，以发现设备的位置。
⽹络上下⽂信息：需要实时数据服务的应⽤程序可以利⽤MEC服务器执⾏调度决策，同时感知⽹络上下⽂信息，估计⽆线电⼩区的拥塞和⽹络带宽，以便更好地向客户提供服务。
2.MEC关键技术
2.1 边缘缓存
随着5G⽹络的到来和智能移动设备的迅速普及，涌现了许多诸如虚拟和增强现实（VR / AR）[5]、在线3D游戏[6]以及多媒体应⽤程序等新兴应⽤。新兴应⽤的快速发展给⽹络架构带来了越来越⼤的流量压⼒。但是研究者发现这些服务请求有⼀个有趣的特性，即同⼀区域中的设备经常多次请求相同的内容。为了应对多媒体服务不断增长的需求，研究者将内容缓存作为⼀种解决⽅案，以实现对请求的快速响应并减少⽹络上的流量负载。其中，随着边缘计算（如移动边缘计算）技术的不断发展，边缘缓存被认为是最有前途的解决⽅案之⼀。粉尘收集
在边缘缓存中，主动缓存是⼀种通过在⾮⾼峰时段主动缓存流⾏内容来利⽤这种流量动态的⽅法，从⽽减少了峰值流量需求。由于边缘缓存的缓存单元部署在⽹络边缘，因此可以利⽤很多信息来提⾼缓存效率。例如，可以利⽤⽤户的社交结构通过D2D通信来缓存和分发内容。因此，边缘缓存不仅可以实现更快的请求响应，还可以减少⽹络中相同内容的重复传输。但是，边缘缓存也⾯临许多挑战。通常，边缘缓存需要解决两个紧密相关的问题：
•
边缘节点覆盖范围内的内容流⾏度分布很难估计，因为它可能有所不同并且会随时空变化⽽变化；
•
鉴于边缘计算环境中的⼤型异构设备，分层缓存体系结构和复杂的⽹络特性进⼀步困扰了内容缓存策略的设计。
具体⽽⾔，仅当已知内容流⾏度分布时才能推论出最佳边缘缓存策略。但是，⽤户对内容的偏爱实际上是未知的。因为它们的移动性、个⼈喜好和连接性可能⼀直在变化。为了解决以上的问题，诸如深度学习和强化学习等⼈⼯智能（AI）技术可以⽤于边缘缓存策略，以适应⽹络的动态性。
2.2 计算卸载
计算卸载是MEC的关键技术之⼀，它允许边缘移动设备在能量、延迟和计算能⼒等约束下将其全部或者部分计算任务卸载到边缘节点，以打破移动设备在计算能⼒、电池资源和存储可⽤性等⽅⾯的限制[7]。计算卸载作为MEC的关键技术，⽬前已有很多相关研究成果，主要包含卸载决策和资源分配两个问题，其中，卸载决策研究的是⽤户终端要不要卸载、卸载多少和卸载什么的问题。资源分配则是研究将资源卸载到哪⾥的问题。
⾸先，卸载决策是指⽤户决定是否卸载、卸载多少以及卸载什么的问题。如图2所⽰，⽤户计算卸载决策结果可分为本地执⾏、完全卸载和部分卸载三种情况[8]。具体决策结果由⽤户的能量消耗和完成计算任务时延决定。卸载决策⽬标主要分为降低时延、降低能量消耗以及权衡时延与能量三个⽅⾯。其次，⼀旦完成了卸载决策，接下来就要考虑合理的资源分配的问题，即卸载在哪⾥的问题。如果移
车载电视机动⽤户的计算任务是不可分割的，或可以分割但分割的部分存在联系，这种情况下卸载任务就需要卸载到同⼀个 MEC服务器。⽽对于可以分割但分割的部分不存在联系的计算任务，则可以将其卸载到多个MEC服务器。⽽资源分配问题就是要解决将资源卸载到哪⾥的问题。
其卸载到多个MEC服务器。⽽资源分配问题就是要解决将资源卸载到哪⾥的问题。
图2 MEC卸载决策
2.3 服务迁移
MEC已经成为实现物联⽹愿景的关键⽀持技术。MEC中的另外⼀个关键技术是解决考虑⽤户移动性的
服务迁移问题。由于边缘服务器覆盖范围有限以及⽤户终端（例如，智能⼿机和智能汽车）的不断移动，可能导致⽹络性能显着下降，这可能进⼀步导致⽤户的服务质量（QoS）急剧下降，甚⾄导致正在进⾏的边缘服务发⽣中断。因此，为了确保⽤户移动时的服务连续性，实现⽆缝的服务迁移特别重要。
如图3所⽰[9]，⽤户可以在连续服务期间漫游在由不同边缘服务器服务的⽆线区域中。为了保持令⼈满意的服务性能，需要考虑服务迁移。当⽤户从⼀个服务区域移动到另⼀个服务区域时，我们既可以继续通过边缘连接通过数据中继在原始边缘服务器上运⾏服务，也可以跟随⽤户的移动性将服务迁移到另⼀边缘服务器上。显然，由于⽹络距离的扩⼤，前者将导致较长的通信等待时间，⽽后者将减少服务等待时间，但会产⽣额外的迁移成本，例如带宽使⽤不⾜、潜在的服务中断甚⾄切换失败代价等。
图3 考虑⽤户移动性的服务迁移⽰意图
当⽤户在⼏个相邻或重叠的地理区域中移动时，服务迁移应处理：磁性表座
1）是否应将正在进⾏的服务迁移到承载此服务的当前边缘服务器之外；
2）如果是，则应将服务迁移到哪个边缘服务器；
3）考虑开销和QoS要求，应如何进⾏服务迁移过程。
这些问题来⾃在整个服务迁移过程中迁移成本（例如，迁移成本和传输成本）的权衡，以及⽤户对迁移后可以实现的QoS期望的提⾼（即，减少⽤户的延迟或⽹络开销）。由于⽤户移动性和请求模式的⾼度不确定性以及传输和迁移成本的潜在⾮线性，因此很难获得最佳的服务缓解。此外，考虑到⼤量⽤户和应⽤程序以及边缘服务器的异构性，服务迁移
的潜在⾮线性，因此很难获得最佳的服务缓解。此外，考虑到⼤量⽤户和应⽤程序以及边缘服务器的异构性，服务迁移变得更加复杂，成为MEC中⼀个亟待解决的关键技术问题。
⼩结
fpc焊接机
通过对移动边缘计算（MEC）的深⼊研究，将有利于解决⽤户使⽤⽹络的⾼速度、⾼质量的需求，从⽽更加愉快的畅游⽹络。
参考⽂献
[1]M. Agiwal, A. Roy, and N. Saxena, ‘‘Next generation 5G wireless networks: A comprehensive survey,’’ IEEE Commun. Surveys Tuts., vol. 18, no. 3, pp. 1617–1655, 3rd Quart., 2016.
[2]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.
太阳能热水器控制器
[3]李阳. 移动边缘计算中节能⾼效的资源联合优化若⼲问题研究[D]. 2020.铝钉机
[4]Abbas N , Zhang Y , Taherkordi A , et al. Mobile Edge Computing: A Survey[J]. IEEE Internet of Things Journal, 2017, PP(99):1-1.
[5]R. Gu, L. Yu and J. Zhang, "MeFILL: A Multi-edged Framework for Intelligent and Low Latency Mobile IoT Services," 2020 IEEE Wireless Communications and Networking Conference (WCNC), Seoul, Korea (South), 2020, pp. 1-6, doi: 10.1109/WCNC45663.2020.9120786.
[6]X. He, J. Liu, R. Jin and H. Dai, "Privacy-Aware Offloading in Mobile-Edge Computing," GLOBECOM 2017 - 2017 IEEE Global Communications Conference, Singapore, 2017, pp. 1-6, doi: 10.1109/GLOCOM.2017.8253985.
[7]Mach P , Becvar Z . Mobile Edge Computing: A Survey on Architecture and Computation Offloading[J]. IEEE Communications Surveys & Tutorials, 2017, PP(3):1-1.
[8]谢⼈超, 廉晓飞, 贾庆民, et al. 移动边缘计算卸载技术综述[J]. 通信学报, 2018, 039(011):138-155.
[9]Ouyang T , Li R , Chen X , et al. Adaptive User-managed Service Placement for Mobile Edge Computing: An Online Learning Approach[C]// IEEE INFOCOM 2019 - IEEE Conference on Computer Communications. IEEE, 2019.
Wang X , Han Y , Leung V C M , et al. Edge AI: Convergence of Edge Computing and Artificial Intelligence[M]. 2020.作者：李婷
责编：何洁
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议