張開元 , 桂小林 , 任德旺 , 李 敬 , 吳 杰 , 任東勝

1(西安交通大學 電子與信息工程學院,陜西 西安 710049)

2(陜西省計算機網(wǎng)絡重點實驗室(西安交通大學),陜西 西安 710049)

1 引 言

近年來,隨著移動設備(智能手機、筆記本電腦和平板電腦等)在人們的學習、娛樂、社交等日常生活中扮演著越來越重要的角色[1],移動用戶對于數(shù)據(jù)傳輸速率和服務質(zhì)量的需求也在日益增長.盡管新的移動設備具備的計算能力越來越強大,但即使是這些新設備也可能無法在短時間內(nèi)處理計算密集型的應用程序(如虛擬現(xiàn)實、增強現(xiàn)實、人臉識別等).此外,運行高計算能力需求的應用所帶來的電量消耗仍然是限制移動用戶充分享受該類應用的重大障礙.這激發(fā)了移動云計算(mobile cloud computing,簡稱MCC)概念的發(fā)展,將云計算能力集成到移動網(wǎng)絡,使移動用戶能夠訪問并使用云計算服務[2].在MCC 中,移動設備(mobile device,簡稱MD)可通過移動運營商的核心網(wǎng)(core network,簡稱CN)訪問并使用功能強大的遠程云中心(cloud center,簡稱CC)上的計算資源和存儲資源.MCC 具有以下3 個優(yōu)點[3]:(1) 通過將高能量消耗的計算任務/應用程序遷移到云中心去執(zhí)行,以達成延長移動設備電池壽命的目的;(2) 支持在移動設備上運行計算密集型的應用程序;(3) 為移動設備提供更強的數(shù)據(jù)存儲能力.然而從網(wǎng)絡拓撲的角度來看,MCC 與移動用戶之間的距離過于遙遠,這給移動網(wǎng)絡的核心網(wǎng)增加了很大的負載,同時引發(fā)了高網(wǎng)絡時延.

為了解決MCC 環(huán)境下時間延遲過高的問題,新出現(xiàn)的邊緣計算范例考慮將云服務部署在MD 的附近,即移動網(wǎng)絡的邊緣.邊緣計算可以被理解為是MCC 的一種特殊情況.在傳統(tǒng)的MCC 中,MD 通過移動運營商的核心網(wǎng)來訪問并使用云服務[4];而在邊緣計算的環(huán)境下,計算和存儲資源被假設存在于靠近MD 的位置.因此,與MCC 相比,MEC 可以提供更低的服務時延.此外,MCC 是一種完全集中式部署的服務,而邊緣計算則是以分布式和集中式結(jié)合的方式部署.另一方面,邊緣計算相對于MCC 僅提供有限的計算和存儲資源.表1 概述了MCC 和邊緣計算在關(guān)鍵技術(shù)方面的比較.

Table 1 Comparison of MCC and edge computing concepts表1 MCC 和邊緣計算概念的比較

1.1 移動邊緣計算的發(fā)展歷程

第一個使計算和存儲資源靠近MD 的概念是2009 年提出的Cloudlet[5],它是一個由移動設備、邊緣云平臺(即Cloudlet)和集中式數(shù)據(jù)中心組成的3 層架構(gòu).Cloudlet 的想法是:將具有強大計算能力的服務器放置在無線網(wǎng)絡的關(guān)鍵位置,以便為周邊的MD 提供計算資源和存儲資源.在Cloudlet 中提出了一種與WiFi 熱點類似的“計算熱點”的概念,由Cloudlet 代替互聯(lián)網(wǎng)連接為移動用戶提供輕量級的云計算服務.Cloudlet 可以被部署在人口密集的社區(qū)場所附近,如購物中心、火車站、展覽會等.但是,由于Cloudlet 并不是移動網(wǎng)絡的固有部分,因此在Cloudlet 的場景下,MD 的服務質(zhì)量(QoS)很難像MCC 那樣得到保障.

與Cloudlet 相比,邊緣計算中另一個更廣為人知的概念被稱為霧計算.思科在2012 年提出了霧計算,以便在網(wǎng)絡邊緣處理數(shù)10 億智慧互聯(lián)設備上的應用[6].因此,霧計算被認為是物聯(lián)網(wǎng)(IoT)和大數(shù)據(jù)應用的關(guān)鍵推動因素之一,因為它具備以下4 個特點[7]:(1) 低時間延遲和位置感知;(2) 地理位置分布廣泛;(3) 大量網(wǎng)絡節(jié)點(例如無線傳感器)的互連;(4) 支持流數(shù)據(jù)傳輸和實時應用.此外,霧計算的特點可以在許多應用場景中被利用,例如智能電網(wǎng)、智能交通、無線傳感器網(wǎng)絡等[8?10].霧計算的典型架構(gòu)通常包含3 層:云層、霧層和設備層,其中,霧層可以根據(jù)實際需求拓展為多個層.霧節(jié)點可以是小型基站、WiFi 接入點,甚至可以是用戶終端.用戶設備選擇最合適的霧節(jié)點使用霧計算服務.

從移動用戶的角度來看,因Cloudlet 和霧計算的計算能力沒有天然地集成到移動網(wǎng)絡架構(gòu)中,因此當移動用戶頻繁地在多個小區(qū)之間移動時,QoS 和 QoE 難以得到保障.歐洲電信標準協(xié)會(European Telecommunications Standards Institute,簡稱ETSI)新成立的2014 行業(yè)規(guī)范組(Industry Specification Group,簡稱ISG)提出了將邊緣計算范例集成到移動網(wǎng)絡架構(gòu)中的新概念——移動邊緣計算(mobile edge computing,簡稱MEC)[11].與MEC 有關(guān)的標準化工作是由著名的移動運營商(如 DOCOMO,Vodafone,TELECOM Italia)和制造商(如 IBM,Nokia,Huawei,Intel)推動的.MEC 被認為是未來5G 移動網(wǎng)絡架構(gòu)的重要組成部分,其主要目的是實現(xiàn)云計算功能與移動網(wǎng)絡的高效無縫集成,并為所有的利益相關(guān)者(移動運營商、服務提供商和移動用戶)提供便利.根據(jù)ETSI 首次發(fā)布的白皮書[12],移動邊緣計算被定義為:“移動邊緣計算能夠在移動設備附近的無線接入網(wǎng)絡(ratio access network,簡稱RAN)范圍內(nèi)提供IT 服務環(huán)境和云計算能力.”后來,為了適應多種多樣的接入技術(shù),MEC 的定義略有擴大[13]:“邊緣計算是指一系列廣泛的技術(shù),旨在將計算和存儲移出遠程云(公有云或私有云)并更接近數(shù)據(jù)源.”圖1 展示了MEC 的典型架構(gòu).MEC 服務器位于基站附近,他們可以處理用戶請求,并直接做出響應或?qū)⒄埱筠D(zhuǎn)發(fā)到Internet 中的數(shù)據(jù)中心.

1.2 移動邊緣計算的主要研究范疇

本文對當前移動邊緣計算的主要研究工作進行歸類和梳理,形成了如圖2 所示的移動邊緣計算研究體系.

Fig.1 Typical mobile edge computing architecture圖1 MEC 的典型架構(gòu)

Fig.2 Mobile edge computing research system圖2 移動邊緣計算研究體系

該研究體系主要包括4 層:最頂層介紹了移動邊緣計算的應用前景,如增強現(xiàn)實、虛擬現(xiàn)實、物聯(lián)網(wǎng)等;第2 層則是移動邊緣計算中的關(guān)鍵研究問題,主要包括MEC 架構(gòu)、計算遷移、邊緣緩存和服務編排;第3 層為關(guān)鍵研究問題對應的技術(shù)要點、MEC 架構(gòu)設計中的系統(tǒng)及服務器管理、計算遷移研究中的遷移決策及資源分配機制、邊緣緩存研究中的數(shù)據(jù)存儲及內(nèi)容交付技術(shù)、服務編排研究中的異構(gòu)資源協(xié)同調(diào)度技術(shù);最底層則是支撐移動邊緣計算研究的基礎(chǔ)技術(shù),如云計算和容器技術(shù)、軟件定義網(wǎng)絡、網(wǎng)絡功能虛擬化等.

1.2.1 關(guān)鍵問題

(1) MEC 架構(gòu)

移動邊緣計算的引入,與傳統(tǒng)移動網(wǎng)絡向5G 網(wǎng)絡的自然演進是同時進行的.MEC 能夠在網(wǎng)絡邊緣實現(xiàn)基于軟件的MEC 應用程序和云計算服務.移動邊緣計算并不打算為單個特定的應用程序提供獨立的解決方案,與云計算相似,邊緣計算的目的也是提供基礎(chǔ)設施,以便在用戶和設備附近提供計算和存儲能力,滿足廣泛的應用需求.特別是,MEC 實現(xiàn)了模塊化、開放式的解決方案,提供了可編程的生態(tài)系統(tǒng),改善了用戶體驗,同時允許應用服務提供商獲取與用戶相關(guān)的更多信息.因此,在所有的關(guān)鍵研究問題中,MEC 架構(gòu)設計是最基礎(chǔ)的.

(2) 計算遷移

在資源受限的移動設備上運行計算密集型的應用程序會消耗大量的資源和能量,為了解決該問題,計算遷移的概念應運而生[14].通過將移動設備的計算任務/應用程序遷移到網(wǎng)絡中的服務器去執(zhí)行,可以增強移動設備的計算能力,減少移動設備運行應用程序時的能量消耗.為了達到縮短服務時延、節(jié)省移動設備能耗的目的,學術(shù)界提出了一系列的計算遷移算法.然而,為了設計高效可靠的計算遷移方案,還需要綜合考慮移動設備負載、任務屬性、網(wǎng)絡狀態(tài)等動態(tài)變化的因素.

(3) 邊緣緩存

盡管現(xiàn)有的內(nèi)容交付技術(shù)可以優(yōu)化內(nèi)容傳輸服務,提高內(nèi)容服務器的可用性,減少網(wǎng)絡延遲,但是傳統(tǒng)的內(nèi)容交付服務無法跟隨用戶狀態(tài)的改變而迅速做出相應的調(diào)整.利用MEC 服務器作為邊緣緩存節(jié)點,可以基于網(wǎng)絡狀態(tài)、無線信道負載動態(tài)地優(yōu)化內(nèi)容交付服務.而從移動用戶的角度來看,由于MEC 服務器位于網(wǎng)絡的邊緣,非常接近移動設備的位置,因此可以結(jié)合用戶移動性和內(nèi)容訪問日志來優(yōu)化使用體驗.

(4) 服務編排

在移動網(wǎng)絡環(huán)境中集成MEC 平臺,帶來了與服務編排相關(guān)的諸多挑戰(zhàn).因為網(wǎng)絡中的服務器節(jié)點增多,導致系統(tǒng)需要對各個MEC 服務器的資源(計算資源、存儲資源)進行有效的管理.同時,由于用戶的移動性,引發(fā)了無線電網(wǎng)絡資源的動態(tài)變化.同時,MEC 應支持應用程序的生命周期管理,即,按需授權(quán)第三方應用的實例化或終止應用程序的服務請求.以用戶的體驗質(zhì)量和服務可靠性為目標,結(jié)合資源管理和服務部署方案來編排MEC平臺的服務是至關(guān)重要的.

1.2.2 支撐技術(shù)

(1) 云計算和容器技術(shù)

簡單地來說,移動邊緣計算的概念是將云計算功能延伸到移動網(wǎng)絡的邊緣.云計算技術(shù)的進步,使得在諸如基站和網(wǎng)關(guān)等大量通用服務器上部署虛擬機變得更加容易.云計算能夠提供強大的處理能力和海量的存儲資源.云計算和物聯(lián)網(wǎng)的整合已被證明有利于提供新的服務[15],因此,將云計算功能集成到移動網(wǎng)絡,能夠為新興移動服務的供應和管理提供高效的解決方案.

與傳統(tǒng)云計算中的虛擬機(virtual machine,簡稱VM)技術(shù)不同,新興的容器技術(shù)是一種內(nèi)核輕量級的操作系統(tǒng)層虛擬化技術(shù).它能夠劃分物理機的資源,創(chuàng)建多個與VM 相比尺寸小得多的隔離用戶空間實例.由于容器的輕量級特性,其能夠在執(zhí)行應用程序或服務時,提供簡單的實例化.借助于容器技術(shù)的使用,能夠?qū)崿F(xiàn)MEC 服務的便攜式運行,為移動用戶帶來很大的便利.此外,由于容器技術(shù)提供了快速打包的機制,服務端也能非常方便地將服務部署到大規(guī)模互聯(lián)的MEC 平臺.

(2) 軟件定義網(wǎng)絡

軟件定義網(wǎng)絡(software defined network,簡稱SDN)技術(shù)使邊緣網(wǎng)絡具有智能化、可編程和易于管理的特點[16].SDN 的主要思想是分離網(wǎng)絡的控制面和數(shù)據(jù)面,它的優(yōu)勢主要包括在通用硬件上創(chuàng)建網(wǎng)絡控制面、通過API 開放網(wǎng)絡功能、遠程控制網(wǎng)絡設備以及將網(wǎng)絡智能從邏輯上解耦和為不同的基于軟件的控制器.借助SDN技術(shù)可以實現(xiàn)移動邊緣計算平臺所需的分層管理[17].

(3) 網(wǎng)絡功能虛擬化

網(wǎng)絡功能虛擬化(network function virtualization,簡稱NFV)技術(shù)是未來5G 網(wǎng)絡的重要組成部分,它和SDN技術(shù)是相輔相成的.NFV 的目的是借助軟件編程技術(shù)將若干網(wǎng)絡功能模塊虛擬化,并將其從專用的硬件平臺轉(zhuǎn)移到通用計算平臺.被虛擬化的網(wǎng)絡功能模塊可以提供與傳統(tǒng)移動網(wǎng)絡相同的服務.因此,移動網(wǎng)絡的可擴展性和靈活性得到了提高,管理大型異構(gòu)設備的能力也得到了改善.借助NFV 技術(shù),網(wǎng)絡運營商的經(jīng)濟成本和運營開銷可能會減少.NFV 的使用,改變了移動通信行業(yè)的格局,并帶來了許多益處,如縮短上市時間、實時優(yōu)化網(wǎng)絡配置和拓撲結(jié)構(gòu)、支持多租戶共享等[18].

(4) D2D 通信技術(shù)

隨著移動設備端的功能變得更強大以及更智能,在未來的網(wǎng)絡通信中,MD 將發(fā)揮更積極的作用.其中一項重要的技術(shù)便是D2D(device to device)通信技術(shù).在許多應用場景中(如游戲和社交網(wǎng)絡),距離相近的設備具有共享內(nèi)容或彼此交互的需求.D2D 通信技術(shù)能夠在如下幾個方面提高網(wǎng)絡效率,提高應用的使用體驗:首先,它節(jié)省了大量信令帶寬資源,并減少了傳輸延遲;其次,與借助基站執(zhí)行設備間的交互相比,它可以節(jié)省大量的能耗;此外,由于路徑損耗遠低于基站到MD 之間的通信損耗,D2D 技術(shù)可以提高網(wǎng)絡信道的頻譜效率.

(5) 網(wǎng)絡切片技術(shù)

網(wǎng)絡切片已經(jīng)成為了實現(xiàn)網(wǎng)絡平臺靈活化的關(guān)鍵概念,它支持具有不同服務需求的新興業(yè)務在網(wǎng)絡平臺運行.網(wǎng)絡切片技術(shù)能夠?qū)⒁粋€網(wǎng)絡整體分割成多個實例,每個實例都針對特定的應用程序和服務進行優(yōu)化.網(wǎng)絡分片的優(yōu)勢在于引入了多租戶環(huán)境,支持靈活配置網(wǎng)絡資源,根據(jù)網(wǎng)絡功能、無線接入類型(RAT)和應用程序的需求特點的動態(tài)分配資源.結(jié)合網(wǎng)絡切片技術(shù)的MEC 模型,將會在未來的5G 網(wǎng)絡架構(gòu)中扮演關(guān)鍵的角色.

移動邊緣計算研究領(lǐng)域涵蓋廣泛,涉及移動網(wǎng)絡、移動計算、無線網(wǎng)絡等多個領(lǐng)域的相關(guān)技術(shù).目前,學術(shù)界已經(jīng)發(fā)表了數(shù)篇與移動邊緣計算相關(guān)的綜述文章.Cloudlet 的作者Satyanarayanan 等人指出[19]:邊緣計算能夠為移動計算提供更可靠的云服務,在物聯(lián)網(wǎng)中提供更高的可擴展性以及隱私保護增強,同時還具備屏蔽云中斷的優(yōu)勢.Shi 等人[20]對邊緣計算的定義以及典型的案例研究進行了歸納總結(jié),并提出了邊緣計算領(lǐng)域的一些新的挑戰(zhàn)和機遇.此外,Ahmed 等人[21]通過描述關(guān)鍵屬性介紹了MEC 的分類,對涉及MEC 的研究工作進行了簡要地總結(jié).Roman 等人[22]則展望了各種邊緣計算概念中的安全問題.

與上述英文文獻的不同之處在于,文本關(guān)注近年來移動邊緣計算的研究進展,描述了移動邊緣計算概念的發(fā)展歷程,并在第2 節(jié)～第5 節(jié)圍繞MEC 架構(gòu)、計算遷移、邊緣緩存和服務編排這4 個關(guān)鍵問題的研究成果進行綜述.然后,在第6 節(jié)對移動邊緣計算中的典型應用場景,如增強現(xiàn)實、虛擬現(xiàn)實、物聯(lián)網(wǎng)等,進行深入分析.最后,在第7 節(jié)討論移動邊緣計算的發(fā)展趨勢以及未來的研究挑戰(zhàn),以期對其在國內(nèi)的研究起到一定的推動作用.

2 MEC 框架及架構(gòu)

MEC 架構(gòu)的融入與傳統(tǒng)移動網(wǎng)絡向5G 系統(tǒng)的自然演進是同時進行的.為了在網(wǎng)絡邊緣實現(xiàn)基于軟件的移動邊緣應用和云計算服務,MEC 實現(xiàn)了模塊化、開放式的解決方案,提供了可編程的生態(tài)系統(tǒng),同時允許應用程序提供商獲取有關(guān)用戶的更多信息,以期達到提升用戶體驗的目的.本節(jié)概述了ETSI 目前為止在MEC 架構(gòu)研究方面所做的努力,在第2.1 節(jié)和第2.2 節(jié)介紹了ETSI 的MEC 框架及架構(gòu).除了ETSI 的架構(gòu)之外,還有一些其他團隊的研究成果,同樣比較新穎和有趣,本文將在第2.3 節(jié)對它們進行綜述.

2.1 ETSI MEC框架

ETSI MEC 框架[23]描述了一種生態(tài)系統(tǒng)架構(gòu),包括所涉及的實體和功能.該架構(gòu)可分為MEC 系統(tǒng)層、MEC服務器管理層和網(wǎng)絡層.MEC 服務器管理層是ETSI MEC 框架的基本組成部分,它包括兩個主要部分:MEC 服務器和MEC 服務器級管理.MEC 服務器提供虛擬化基礎(chǔ)設施和移動邊緣平臺,便于移動邊緣應用程序的執(zhí)行.最底層的網(wǎng)絡層實體提供與各種訪問的連接,包括3GPP 移動網(wǎng)絡、本地網(wǎng)絡和其他外部網(wǎng)絡(例如Internet)訪問.在最頂層,MEC 系統(tǒng)級管理提供了基礎(chǔ)MEC 系統(tǒng)的抽象,便于移動設備和第三方的訪問.

2.2 ETSI MEC參考架構(gòu)

ETSI 描述的參考架構(gòu)由功能元件和允許它們之間相互作用的功能模塊組成[23].架構(gòu)中的功能模塊不一定代表移動網(wǎng)絡中的物理節(jié)點,而是代表在虛擬化基礎(chǔ)設施之上運行的軟件實體.虛擬化基礎(chǔ)架構(gòu)是指運行虛擬機的物理數(shù)據(jù)中心,每一個虛擬機表示一個獨立的功能元件.在這方面,ETSI NFV 組(與ETSI MEC 相似)的一些架構(gòu)特征將在MEC 參考架構(gòu)中扮演重要的角色,因為NFV 的基本思想是將所有網(wǎng)絡節(jié)點功能虛擬化.

MEC 可以直接由MD 中的應用程序使用,或者由第三方客戶通過面向客戶的服務(CFS)端口使用.MD 和CFS 端口都通過MEC 系統(tǒng)級管理與MEC 系統(tǒng)交互.MEC 系統(tǒng)級管理由用戶應用程序生命周期管理(LCM)代理、運行支持系統(tǒng)(OSS)和移動邊緣編排器組成.LCM 代理是使MD 能夠請求APP 相關(guān)服務的功能,例如實例化服務、終止服務、MEC 平臺之間的重定位.OSS 負責做出是否授權(quán)用戶請求的決策.授權(quán)的請求將轉(zhuǎn)發(fā)給移動邊緣編排器.移動邊緣編排器是MEC 系統(tǒng)級管理的核心功能,它負責維護可用計算/存儲/網(wǎng)絡資源和MEC 服務的整體情況.在這方面,移動邊緣編排器根據(jù)應用程序需求(例如等待時間)將虛擬化MEC 資源分配給即將啟動的應用程序.此外,編排器還可以靈活地縮小/增加正在運行中應用程序的可用資源.

MEC 系統(tǒng)級管理與MEC 服務器級管理互連.服務器級管理由移動邊緣平臺和虛擬化平臺組成.前者負責管理應用程序的生命周期、應用程序規(guī)則、服務授權(quán)和流量規(guī)則等;后者負責分配、管理和釋放位于MEC 服務器內(nèi)的虛擬化基礎(chǔ)設施提供的虛擬化計算/存儲資源.此外,MEC 服務器是參考架構(gòu)不可或缺的一部分,因為它代表虛擬化資源,并在虛擬化基礎(chǔ)架構(gòu)之上托管作為虛擬機運行的MEC 應用程序.

除了架構(gòu)的制定,ETSI MEC 行業(yè)支持組織還專注于如何評估MEC 性能增益的關(guān)鍵指標、最佳實踐和指南(與沒有MEC服務器的傳統(tǒng)系統(tǒng)相比)[24].這項工作將為未來的測試和性能測量活動鋪平道路.MEC 平臺旨在實現(xiàn)對3GPP 移動網(wǎng)絡架構(gòu)透明,在不影響MD、RAN 和核心網(wǎng)功能的前提下,減少網(wǎng)絡流量的合法攔截.MEC管理程序應考慮并補充3GPP 網(wǎng)絡管理,確保應用和服務的可移植性.從監(jiān)管的角度來看,MEC 服務應該是透明的,不得歧視專業(yè)服務,即符合網(wǎng)絡中立框架,同時允許用戶購買受網(wǎng)絡中立性影響的專業(yè)服務.

2.3 MEC架構(gòu)的研究現(xiàn)狀

除了ETSI MEC 之外,另一個旨在推動邊緣/霧計算架構(gòu)發(fā)展的行業(yè)機構(gòu)OpenFog,同樣為MEC 架構(gòu)的落地做出了相應的努力.OpenFog 于2015 年11 月推出,其目標是“根據(jù)開放標準技術(shù)定義分布式計算的通用框架”.其主要目的是借助網(wǎng)絡的邊緣節(jié)點實現(xiàn)開放式計算、控制和數(shù)據(jù)存儲,以充分利用本地分布式云集群的性能優(yōu)勢.OpenFog 使用多個邊緣云平臺,從信息處理的角度引入邏輯層次結(jié)構(gòu),同時考慮云平臺的聯(lián)合,定義了霧和云之間以及霧和霧之間的接口[25].

歐盟資助的SESAME 項目[26]提出了小型蜂窩云(cloud-enabled small cell,簡稱CESC)的概念.SESAME 旨在使CESC 成為多運營商(多租戶)實體,這意味著多個網(wǎng)絡運營商將能夠同時使用SESAME 平臺,每個平臺都使用自己的“切片”網(wǎng)絡,包括其中的MEC 功能.該項目提出了一份白皮書[27],其中包含參考模型和架構(gòu)設計,除了其特征描述和原型的實現(xiàn)外,大多與ETSI 的MEC 框架保持一致.

網(wǎng)絡功能虛擬化(NFV)被認為是實現(xiàn)MEC 基礎(chǔ)設施的支撐技術(shù)之一.Cziva 等人[28]為MEC 的NFV 平臺提出了格拉斯哥網(wǎng)絡功能(Glasgow network functions,簡稱GNF).GNF 是基于容器技術(shù)的輕量級模塊封裝,它能夠提供快速的實例化建立時間和低資源開銷.作者在文中提出了潛在的MEC 服務器實現(xiàn)規(guī)范,將GNF 與現(xiàn)有的虛擬化網(wǎng)絡功能進行了比較,并給出了一個用例.

Rimal 等人[29]考慮了MEC 架構(gòu)與現(xiàn)有光纖無線網(wǎng)絡的結(jié)合.在文章中,作者設置了一些具備無線光纖接入能力的AP(access point)作為放置MEC 服務器的候選地點.然后,它提出了一種基于TDMA 的統(tǒng)一資源管理方案,該方案允許傳統(tǒng)的非MEC 流量和MEC 相關(guān)流量共存.由于TDMA 的調(diào)度性質(zhì),該方案允許MEC 輔助的用戶設備在其他設備運行的時間片期間進入睡眠模式.性能評估的結(jié)果表明,文中所提出的架構(gòu)實現(xiàn)了良好的時間響應效率,同時延長了MEC 輔助設備的電池壽命.

3GPP 正在探索上下文感知服務與MEC 架構(gòu)的融合.這項研究工作在RAN 3 工作組中進行了討論,以確保高數(shù)據(jù)傳輸速率和低時間延遲[30].3GPP 的工作集中于無線電接入和MEC 平臺之間的接入機制、協(xié)議和接口方面.該研究工作的重點是RAN 的跨層優(yōu)化與視頻感知調(diào)度,并提出了移動視頻傳送優(yōu)化和本地內(nèi)容緩存之類的應用.其價值在于探索能夠有效利用資源且提升用戶體驗的用例,分析該類用例對網(wǎng)絡協(xié)議和相關(guān)信令的潛在影響.

3 計算遷移

3.1 計算遷移簡介

(1) 計算遷移的一般模型

從節(jié)省移動設備能耗、拓展移動設備計算能力的角度來看,關(guān)于MEC 的關(guān)鍵技術(shù)是計算遷移.因為計算遷移可以將應用程序中全部/部分的計算任務遷移到MEC 服務器去執(zhí)行,減少了移動設備用于執(zhí)行計算任務的能耗.同時,由于MEC 服務器的計算能力遠遠勝過移動設備,這使得應用程序能夠獲得更好的性能表現(xiàn).那么,如何在實踐中使用和管理計算遷移?通常,在移動設備端運行的應用程序需要包含代碼分析器、系統(tǒng)分析器和決策引擎這3 個組件:代碼分析器的職責是確定應用程序/計算任務是否可以遷移以及哪些部分支持遷移遷移(這取決于應用程序類型和計算任務的特征);然后,系統(tǒng)分析器負責監(jiān)控各種參數(shù),例如可用帶寬、待遷移的數(shù)據(jù)量或在MD 本地執(zhí)行計算任務所消耗的電池能量;最后,決策引擎基于遷移決策算法決定是否執(zhí)行計算遷移.圖3 所示為移動邊緣計算環(huán)境下計算遷移的一般模型.

Fig.3 General model for computation offloading in mobile edge computing environment圖3 移動邊緣計算環(huán)境下計算遷移的一般模型

(2) 計算遷移的方案

對于移動設備端,計算遷移的關(guān)鍵部分是做出計算遷移決策.如圖4 所示,通常,計算遷移的決策會有以下3種方案:(1) 本地執(zhí)行,所有計算任務在MD 本地處理;(2) 完全遷移,將所有的計算任務遷移到MEC,由MEC 處理計算任務;(3) 部分遷移,一部分計算任務在MD 本地處理,其余部分則遷移到MEC 處理.由于MEC 的計算能力強于移動設備,因此,同樣的計算任務在MEC 上的處理時間更短.圖4 中,我們用灰色和黑色表示同樣的計算任務在MEC 和MD 上不同的處理時間,灰色表示處理時間較短,黑色表示處理時間較長.

Fig.4 Three schemes of computation offloading decision圖4 計算遷移決策的3 種方案

(3) 影響計算遷移決策的因素

計算遷移決策是一個非常復雜的過程,會受到用戶偏好、網(wǎng)絡連接質(zhì)量、移動設備性能等因素的影響[4].在這些因素當中,一個重要因素是應用程序的類型,它決定了待遷移的任務是否可以被分割,哪些任務支持遷移到遠程去執(zhí)行以及如何遷移.我們可以按照以下3 個標準對運行在移動設備上的應用程序進行分類.

· 根據(jù)應用的可遷移性.支持遷移的應用可以分為兩種類型.第1 種類型的應用可以被分為多個可遷移的部分,所有的這些部分都可以遷移到遠程的服務端去運行.由于每個可遷移部分所需的計算能力和數(shù)據(jù)量可能不同,因此有必要決定哪些部分應該遷移到MEC.第2 種類型的應用則包含多個可遷移的部分和一個不可遷移的部分,不可遷移的部分必須在MD 本地執(zhí)行.

· 根據(jù)應用執(zhí)行的連續(xù)性.一種是非連續(xù)性執(zhí)行的應用,如人臉識別、病毒掃描等,預先知道待處理的數(shù)據(jù)量;另一種是連續(xù)性執(zhí)行的應用,如在線交互式游戲,由于無法估計待處理的數(shù)據(jù)量,更不可能預測該類應用的運行時間.顯然,對于連續(xù)性執(zhí)行的應用,計算遷移的決策可能相當棘手.

· 根據(jù)遷移任務的并行性.同一應用的各個計算任務之間的關(guān)系可以是并行的也可以是串行的:在前一種情況下,遷移到遠程執(zhí)行的各個任務可以同時遷移以及并行處理;在后一種情況下,計算任務之間的關(guān)系是相互依賴的,后一個任務的執(zhí)行必須要等待前一個任務的結(jié)果,不適合執(zhí)行并行遷移.各個任務之間的關(guān)系可以用任務依賴圖來表示.

(4) 服務質(zhì)量的衡量

計算資源是移動網(wǎng)絡的重要資源.近些年出現(xiàn)了許多計算密集型的應用,如增強現(xiàn)實、高清視頻流傳輸和交互式游戲等.但是,移動設備的計算能力是有限的.盡管計算遷移能夠為移動用戶的使用體驗帶來多種多樣的有益影響,但不同的應用程序可能有不同的性能需求,如下所示為計算遷移的研究工作中常見的服務質(zhì)量衡量指標.

· 時延.時延是影響用戶體驗的重要性能指標.下一代5G 網(wǎng)絡對于時延的需求是1ms 的往返時間,這比4G 網(wǎng)絡的10ms 往返時間縮短了近10 倍[31].對于實時應用程序,將任務/應用遷移到云中心所造成的時延是不可接受的.將計算能力賦予移動網(wǎng)絡的邊緣設備是一種更可行的方法.

· 能耗.在現(xiàn)有的文獻中,已有很多評估移動邊緣計算能耗效率的研究工作,提出了多種優(yōu)化方案以最小化網(wǎng)絡側(cè)和移動設備側(cè)的能量消耗.對于未來5G 網(wǎng)絡環(huán)境下的計算遷移,應該同時考慮用于計算和傳輸任務的能量開銷.

· 時延和能耗之間的權(quán)衡.時延和能耗這兩個性能指標,單純地優(yōu)化時延忽略移動端的能量消耗,會導致電池電量迅速下降,進而導致CPU 降頻運行,降低用戶的使用體驗;同理,單純地優(yōu)化能耗也會降低用戶的使用體驗.因此,需要恰當?shù)亟鉀Q能耗和時延之間權(quán)衡的問題.

(5) 研究場景

計算遷移是邊緣計算的關(guān)鍵研究問題之一,它能夠打破移動設備的資源限制,拓展移動設備的計算能力、電池電量和存儲能力等.根據(jù)當前的研究現(xiàn)狀,從研究場景的角度來看,目前已提出的各種遷移決策方法可以劃分為單移動設備場景和多移動設備場景.

· 單移動設備場景.在單移動設備場景下,影響計算遷移決策的因素主要有計算任務隊列長度、MD 本地計算單元的執(zhí)行狀態(tài)、傳輸單元的狀態(tài)等.MD 端的決策引擎需要收集與這些因素相關(guān)的數(shù)據(jù),并且基于這些數(shù)據(jù)對應用的執(zhí)行時延和能量消耗做出預測,最終決定是否執(zhí)行計算遷移.我們將在第3.2.1 節(jié)重點綜述計算遷移問題在單移動設備場景下的研究工作.

· 多移動設備場景.多移動設備場景下的計算遷移問題要比單用戶場景下更加復雜.在多移動設備場景下,影響遷移決策的因素要更加復雜一些,因為網(wǎng)絡帶寬資源、MEC 計算資源、移動設備數(shù)量都是在動態(tài)變化的.我們將在第3.2.2 節(jié)重點綜述計算遷移問題在多移動設備場景下的研究工作.

3.2 用戶端的遷移決策研究

從移動用戶的角度出發(fā),關(guān)于計算遷移研究的核心是如何做出合適的遷移決策.我們將在下面的第3.2.1 節(jié)和第3.2.2 節(jié)總結(jié)不同場景(單移動設備場景和多移動設備場景)下計算遷移決策的研究現(xiàn)狀.

3.2.1 計算遷移技術(shù)在單移動設備場景下的研究

將計算任務遷移到MEC 所帶來的一個優(yōu)勢是可以減少應用的運行時延或節(jié)省MD 的能量消耗.在MD 不執(zhí)行計算遷移的情況下,運行時延僅包含應用程序在MD 本地處理所花費的時間.在MD 執(zhí)行計算遷移的情況下,應用的運行時延包括以下3 個部分:1) 遷移任務到MEC 的傳輸時間;2) 任務在MEC 上的計算時間;3) 接收任務計算結(jié)果的時間.同樣地,對于應用程序運行期間所消耗的能量:如果MD 不執(zhí)行計算遷移,應用運行期間的能耗就僅包括MD 端的本地執(zhí)行能耗;如果MD 執(zhí)行計算遷移,應用運行期間的能耗就要包括本地執(zhí)行能耗和傳輸能耗.

本節(jié)總結(jié)了單移動設備場景下計算遷移決策問題的研究.我們從遷移方案的角度出發(fā),將單移動設備場景下已有的研究工作分為兩類:一類是完全遷移方案,另一類是部分遷移方案.

(1) 完全遷移方案

早期的完全遷移方案大多以優(yōu)化時延為主要目標.Liu 等人[32]提出了一種基于一維搜索算法實現(xiàn)的遷移決策方法,該算法根據(jù)應用緩沖區(qū)的隊列狀態(tài)、MD 和MEC 服務器處可用的計算能力以及MD 和MEC 服務器之間的信道特征來找到最優(yōu)的遷移決策.是否執(zhí)行計算遷移是由MD 的計算遷移決策模塊完成的,該模塊在每個時間片的開始決定在緩沖器中等待的任務是在MD 本地處理還是遷移到MEC 處理.作者在文中將該算法的性能與本地執(zhí)行策略(計算任務默認在本地運行)、MEC 端執(zhí)行策略(計算任務默認在MEC 服務器運行)、貪婪遷移策略做了對比實驗.仿真結(jié)果表明,與本地執(zhí)行策略相比,文中所提出的最優(yōu)遷移策略能夠減少高達80%的執(zhí)行時延;與MEC 端執(zhí)行策略相比,能夠減少大約44%的執(zhí)行時延.該方法的缺點是MD 需要基于MEC 服務器的反饋來做出遷移決策,但是文中并沒有討論MEC 服務器發(fā)送反饋到MD 所產(chǎn)生的通信開銷.

Mao 等人[33]提出了另一種基于Lyapunov 優(yōu)化的動態(tài)計算遷移算法(LODCO),旨在優(yōu)化應用的執(zhí)行時延.與之前的研究相比,該文獻中假設MD 使用能量收集技術(shù)[53]來最小化本地執(zhí)行期間的能量消耗,并且使用功率控制的方法優(yōu)化用于數(shù)據(jù)傳輸?shù)哪芰块_銷.LODCO 在每個時間片內(nèi)做出計算遷移決策,如果任務在MD 本地執(zhí)行,則MD 要為計算任務分配CPU 周期;如果任務被遷移到MEC 服務器執(zhí)行,則MD 要為計算任務分配傳輸功率.文中所提出的LODCO 算法能夠通過遷移到MEC 服務器的方式減少高達64%的執(zhí)行時延.此外,該算法能夠完全防止計算遷移過程中出現(xiàn)數(shù)據(jù)包丟失的情況.

除了時延之外,能耗也是影響MD 端做出計算遷移決策的重要因素.Kamoun 等人[34]提出了一種在滿足應用執(zhí)行時延的同時最小化MD 端能量消耗的計算遷移決策算法.作者在文中將該優(yōu)化問題形式化為一種受約束的馬爾可夫決策過程.為了解決該優(yōu)化問題,文中引入了兩種資源分配策略:第1 種是基于在線學習的策略,網(wǎng)絡資源針對MD 端運行的應用動態(tài)地進行適配;第2 種是基于預先計算的離線策略,它利用了與應用相關(guān)的一些數(shù)據(jù)(如任務到達速率、無線信道狀態(tài)等).實驗表明,基于預先計算的離線策略在低等和中等任務到達速率的情況下優(yōu)于在線學習策略高達50%.Kamoun 等人的算法顯示了離線資源分配策略的優(yōu)點,Labidi 等人[35]則提出了另外兩種動態(tài)的離線遷移策略:確定離線策略和隨機離線策略.結(jié)果表明,與計算任務在MD 端本地執(zhí)行或計算任務完全在MEC 端執(zhí)行相比,離線遷移策略可以節(jié)省更多的能耗.

綜合考慮時延和能耗這兩個性能指標,Chen 等人[36]提出了一種權(quán)衡MD 端時延和能耗的計算遷移策略.文中假定:如果MEC 服務器的計算資源無法滿足計算任務的需求,則計算任務也可以被遷移到遠程云中心(CC).計算遷移決策以順序方式完成:在第1 步中,MD 決定是否將計算任務遷移到MEC 服務器,如果計算任務被遷移到MEC 服務器,則MEC 在第2 步中評估自己的剩余計算資源是否能夠滿足任務的需求.作者將該問題表述為一個非凸二次約束二次規(guī)劃問題.這是一個NP 問題,因此文中提出了一種半自定義的隨機啟發(fā)式算法.與計算任務總是在MD 端執(zhí)行或總是在MEC/CC 端執(zhí)行相比,該算法能夠顯著降低系統(tǒng)的總體開銷(能耗和時延的加權(quán)和).

(2) 部分遷移方案

上述文獻的研究工作都屬于完全遷移方案的范疇,沒有考慮計算任務/應用程序的可分割性.本節(jié)綜述了單移動設備場景下部分遷移方案的研究工作.根據(jù)待遷移的計算任務/應用程序的可分割性,部分遷移方案一般可以分為兩種類型:如圖5(a)所示為第1 種類型的應用程序,它可以分為多個可遷移部分,所有的這些部分都可以遷移到MEC 服務器執(zhí)行;如圖5(b)所示為第2 種類型的應用程序,它由一個不可遷移部分和多個可遷移部分組成.

Fig.5 Examples of partial offloading圖5 部分遷移方案示例

Cao 等人[37]考慮了計算任務/應用程序包含1 個不可遷移部分和多個可遷移部分的情況(如圖5 所示).作者在文中提出了一種基于組合優(yōu)化方案的最優(yōu)自適應算法.為了降低最優(yōu)算法的復雜度,作者在文中還提出了一種次優(yōu)算法.實驗證明:最優(yōu)算法能夠節(jié)省高達48%的能耗;而次優(yōu)算法雖然效果略微低于最優(yōu)算法,但依然能夠節(jié)省47%的能耗.此外,作者在文中表明,隨著MD 和基站之間信噪比的增加,能耗的降低會更加明顯.

如果計算任務是可分割的,那么當任務之間有依賴關(guān)系的時候,部分遷移決策的過程會更加復雜一些.Deng等人[38]假設在MD 上運行的應用由若干個有依賴關(guān)系的部分組成,即某一部分只有在等待其他部分的執(zhí)行結(jié)果之后才能開始運行.作者在文中將該遷移問題定義為0-1 模型,并提出了一種二進制粒子群優(yōu)化算法(BPSO)以解決該問題.實驗結(jié)果顯示:與完全遷移決策相比,部分遷移決策可以為移動設備節(jié)省更多的能耗.

Munoz 等人[39]針對計算遷移過程中能耗和時延之間的權(quán)衡問題提出了一種部分遷移方案.遷移決策會受到以下參數(shù)的影響:(1) 待處理任務的數(shù)據(jù)量;(2) MD 和MEC 的計算能力;(3) MD 和基站之間的信道狀態(tài);(4) MD 的能量消耗.在文中,計算遷移決策被形式化為通信和計算資源分配的聯(lián)合優(yōu)化.仿真結(jié)果表明,MD 端的能耗會隨著總執(zhí)行時延的增加而下降.然而,隨著時延的增加,MD 端節(jié)省的能耗會變得無關(guān)緊要,因為應用程序往往是時延敏感型的.此外,作者指出:如果通信信道的質(zhì)量很差,是不適合執(zhí)行計算遷移的,因為大量的能量會消耗在傳輸計算任務上.在這種情況下,應用程序應優(yōu)先在MD 本地處理.對于中等通信質(zhì)量的信道,可以遷移一部分計算任務到MEC,因為這可以節(jié)省MD 端的能量消耗.最后,如果信道質(zhì)量較高,則計算遷移可以大大節(jié)省應用運行期間的能量消耗,所以優(yōu)先選擇遷移計算任務到MEC.Sehati 等人[40]對文獻[39]中的能耗和延遲之間的權(quán)衡研究提供了更深入的理論分析.作者進一步表明,對于良好的信道質(zhì)量,執(zhí)行計算遷移的收益 更高.

在上述所有關(guān)于遷移決策的論文中,MD 遷移到MEC 的數(shù)據(jù)傳輸請求都是被單獨看待的.與上述論文的不同之處在于,Sehati 等人[41]考慮在應用運行期間在MD 端將相同的遷移請求聚合,然后一并發(fā)給MEC 服務器.盡管聚合遷移請求會產(chǎn)生額外的時延,但是這樣可以節(jié)省傳輸重復數(shù)據(jù)的能耗.文中將遷移請求聚合問題形式化為一個成本最小化問題,其中,功耗和時延之間的權(quán)衡由成本函數(shù)衡量.之后,作者提出了一個用于最小化聚合成本的在線算法,并表明,該算法與已知請求順序的最優(yōu)離線算法相比,在節(jié)省能耗的同時還不會影響到用戶的QoE.

3.2.2 計算遷移技術(shù)在多移動設備場景下的研究

本節(jié)總結(jié)了多移動設備場景下遷移決策問題的研究.第3.2.1 節(jié)所述的單移動設備場景是一種偏向理想化的場景,因為在真實的世界中,MEC 服務器能夠同時為大量的移動設備提供類似于云計算的服務.本節(jié)總結(jié)了多移動設備場景下計算遷移決策問題的研究.我們依然從遷移方案的角度出發(fā),將多移動設備場景下已有的研究工作分為兩類:一類是完全遷移方案,另一類是部分遷移方案.

(1) 完全遷移方案

針對多移動設備場景下的遷移決策問題,Labidi 等人[42]提出了兩種基于動態(tài)規(guī)劃的算法:一種是離線的,一種是在線的.其研究工作的主要目的是在保證MD 之間遷移決策公平性的前提下,優(yōu)化資源調(diào)度策略和計算遷移策略.實驗結(jié)果表明,離線策略在降低能耗方面明顯優(yōu)于在線策略.此外,作者在文中表明,單個MD 的能耗會受到運行在其他MD 上的應用需求的影響.

Barbarossa 等人[43]提出了另一種多MD 場景下的遷移決策策略,旨在滿足應用的執(zhí)行時延的同時最小化MD 處的能量消耗.作者在文中將時間劃分為一個個均勻的時間片.在每個時間片期間,所有的MD 被分成兩組,分別做出計算遷移決策.其中,當?shù)谝唤M的MD 將計算任務遷移到MEC 時,第二組中的MD 必須執(zhí)行本地計算.對于執(zhí)行計算遷移的第一組MD,通過尋找單個MD 的最佳傳輸功率并且將MEC 的計算資源分配給組內(nèi)所有的MD 來執(zhí)行通信和計算資源的聯(lián)合分配.最后,基于計算任務的平均隊列長度以及MD 和基站之間可用天線數(shù)量來評估文中提出策略的性能.實驗結(jié)果表明,使用的天線數(shù)量越多,MD 處的傳輸能耗越小.

上述文獻只討論了單個基站的場景,連接到不同基站之間的MD 不存在干擾.因此,Sardellitti 等人[44]考慮了具有多個基站的多蜂窩小區(qū)場景,以反映真實的網(wǎng)絡部署.該問題在多蜂窩小區(qū)場景下不再是一個凸優(yōu)化問題,因此,作者提出了一種基于連續(xù)凸逼近方法的分布式迭代優(yōu)化算法.實驗結(jié)果顯示,文中所提出的無線電資源和計算資源聯(lián)合優(yōu)化方法顯著優(yōu)于單獨優(yōu)化無線電資源或計算資源的方法.此外,作者在文中表明,對于數(shù)據(jù)量小同時又需要大量CPU 周期來處理的應用程序,更適合執(zhí)行計算遷移.這樣,用于遷移計算任務所花費的能耗開銷才會低于執(zhí)行計算遷移所產(chǎn)生的能耗收益.

除了上述方法之外,基于分類的方法也具有很好的性能表現(xiàn).Zhang 等人[45]提出了一種基于分類的節(jié)能計算遷移算法(EECO).該算法可以分為3 個階段:在第1 階段中,根據(jù)用于計算的時間成本和能量成本將MD 分為應當執(zhí)行計算遷移的MD、應當在本地計算的MD 和可以執(zhí)行計算遷移或本地計算的MD;在第2 階段,通過它們對通信信道和計算能力的需求確定第1 類和第3 類MD 的遷移優(yōu)先級;在第3 階段,基站根據(jù)給定的優(yōu)先級為MD 分配無線電資源.根據(jù)實驗的數(shù)值結(jié)果,與不執(zhí)行計算遷移相比,EECO 能夠節(jié)省約15%的能耗.此外,可以證明:隨著MEC 計算能力的增加,決定執(zhí)行計算遷移的MD 數(shù)量也會增加.

Chen 等人[46]提出了一種多用戶多信道環(huán)境下能耗和時延之間權(quán)衡的計算遷移決策.該算法由權(quán)重參數(shù)決定最終的遷移決策傾向于優(yōu)化時延還是優(yōu)化能耗.其主要目的有兩個:(1) 根據(jù)權(quán)重參數(shù)決定MD 是否應該將計算任務遷移到MEC;(2) 在MD 做出遷移決策的情況下,選擇最合適的無線信道用于數(shù)據(jù)傳輸.為此,作者提出了一個最佳的集中式解決方案.但是多用戶多信道環(huán)境下的計算遷移決策問題是一個NP 難問題.因此,作者又提出了一種實現(xiàn)納什均衡的分布式計算遷移算法.作者對集中式解決方案和分布式解決方案在如下兩個性能指標方面進行了比較:(1) 在保持系統(tǒng)整體利益的前提下,執(zhí)行計算遷移的MD 數(shù)量;(2) 通過能耗和時延的加權(quán)和表示的計算開銷.實驗數(shù)據(jù)表明,在上述兩個性能指標中,分布式算法的性能比集中式算法略差.此外,在所有的MD 都選擇本地執(zhí)行或所有的MD 都選擇計算遷移的情況下,分布式算法的性能大大優(yōu)于集中式算法.

針對多個MD 連接到同一個基站時,MD 端計算遷移決策和服務端計算和通信資源分配的聯(lián)合優(yōu)化問題,Chen 等人[47]提出了一種3 步算法,包括半定松弛(SDR)、交替優(yōu)化(AO)和順序調(diào)整(ST).該算法能夠計算一個局部最優(yōu)的解決方案,并且在廣泛的參數(shù)設置下給出接近最優(yōu)的性能.通過評估SDR-AO-ST 算法中3 個組成部分不同組合的性能表現(xiàn),作者得出它們在整體解決方案中的作用和貢獻.數(shù)值結(jié)果證明了所提出的算法在計算資源和通信資源的聯(lián)合優(yōu)化中是有效的.

(2) 部分遷移方案

針對多移動設備場景下的部分遷移決策問題,Zhao 等人[48]進行了詳細的討論.作者在文中假設MD 可以分割計算任務,并且能夠決定將多少子任務遷移到MEC.該問題被形式化為一個高復雜度的非線性約束優(yōu)化問題.然后,作者將該問題簡化為一個可解決的線性規(guī)劃問題.如果采用基于窮舉搜索的最佳解決方案,與不執(zhí)行計算遷移的情況相比,可節(jié)省40%的能耗.如果采用啟發(fā)式算法,則可以節(jié)省MD 端30%的能耗.該研究工作的缺點在于,作者假設系統(tǒng)中的MD 具有相同的信道質(zhì)量,并且具有相同的計算能力.這些假設對于真實的網(wǎng)絡來說顯然是不現(xiàn)實的.

You 等人[49]在基于TDMA 的系統(tǒng)中對部分遷移問題進行了進一步的討論,系統(tǒng)中的時間被劃分為持續(xù)時間為T秒的均勻時間片.在每個時間片期間,MD 可以根據(jù)其信道質(zhì)量、本地計算的能量消耗以及MD 之間的公平競爭性,將其計算任務的一部分遷移到MEC.文中定義了一個基于閾值的最佳資源分配策略,該策略為每個MD 做出二元化的遷移決策:如果MD 具有高于閾值的優(yōu)先級,則MD 執(zhí)行完全計算遷移(將所有的計算任務遷移到MEC);如果MD 具有比閾值更低的優(yōu)先級,則它僅遷移很小一部分的計算任務以滿足應用程序的時延需求.由于通信和計算資源的聯(lián)合最優(yōu)分配具有很高的復雜度,作者在文中又提出了一種次優(yōu)的資源分配策略.仿真結(jié)果表明,與最優(yōu)分配策略相比,次優(yōu)的方案給MD 增加的能量消耗可以忽略不計.You 等人[50]擴展了自己的研究工作,使用OFDMA 接入代替TDMA 系統(tǒng).作者表明,與TDMA 系統(tǒng)相比,由于無線電資源的粒度變粗,OFDMA 接入能夠節(jié)省大約10 倍的能耗.

Munoz 等人[51]探討了部分遷移決策問題中時延和能耗之間的權(quán)衡.在多MD 的場景下,由于MEC 所提供的通信和計算資源被多個MD 共享,所以影響部分遷移決策的因素都是在動態(tài)變化的.作者在文中證明:系統(tǒng)中MD 數(shù)量越多,用于傳輸計算任務的時間也就越長;同時,在MEC 中處理計算任務也需要更長的時間.產(chǎn)生這種現(xiàn)象的原因是顯而易見的,因為每個MD 分配到的通信資源和計算資源都較少.但是,作者所提出的部分遷移決策算法依然可以節(jié)省多達90%的能耗.

針對部分遷移決策中時延和功耗之間權(quán)衡的問題,Mao 等人[52]使用了緩沖區(qū)穩(wěn)定性約束來制定能耗最小化問題.作者在文中提出了一種基于Lyapunov 優(yōu)化的在線算法,以確定執(zhí)行本地運算時最優(yōu)的CPU 頻率,并且將傳輸功率和通信帶寬優(yōu)先分配給執(zhí)行計算遷移決策的MD.文中所提出的算法能夠根據(jù)優(yōu)先級來控制功耗和時延之間的權(quán)衡.文獻的模擬實驗表明,借助MEC 執(zhí)行計算遷移可以降低MD 端大約90%的能耗,應用的運行時延大約減少98%.

3.2.3 小 結(jié)

表2 對上述計算遷移方案進行了對比分析.大多數(shù)計算遷移決策算法的目的都是在滿足被遷移應用程序執(zhí)行時延的同時優(yōu)化MD 處的能耗,或者是在能耗和時延之間找到適當?shù)臋?quán)衡.已有的文獻表明,通過將計算任務/應用程序遷移到MEC 可以節(jié)省高達90%的能耗,同時可能將執(zhí)行時延降低98%.此外,幾乎所有的論文都是通過仿真實驗的方式來評估所提出的計算遷移方案.

Table 2 Comparison of existing papers addressing computation offloading decisions表2 計算遷移決策方法的對比分析

3.3 服務端的資源分配研究

如果移動設備端已經(jīng)做出了計算遷移決策,那么服務端(即MEC 服務器)必須對MEC 資源進行適當?shù)姆峙?與計算遷移決策相似的地方在于,MEC 資源的分配同樣會受到任務并行性的影響.如果被遷移的計算任務/應用程序是不支持并行計算的,則只能分配一個物理節(jié)點執(zhí)行計算任務.而如果被遷移的計算任務/應用程序是支持并行執(zhí)行的,那么可以通過多個MEC 節(jié)點合作的方式來處理遷移的任務/應用.我們將在第3.3.1 節(jié)和第3.3.2節(jié)分別綜述有/無云中心參與場景下MEC 資源分配問題的研究現(xiàn)狀.

3.3.1 有云中心場景下MEC 資源的分配

在有云中心參與的場景下,若MEC 節(jié)點的計算資源不足,可以通過MEC 和云中心協(xié)作的方式來提高移動邊緣計算的服務質(zhì)量.Zhao 等人[54]設計了一種基于閾值的協(xié)同調(diào)度策略,使得MEC 服務器在滿足應用程序時延需求的同時,最大化MEC 中正在運行應用程序的數(shù)量.在MD 做出計算遷移決策之后,由應用程序的優(yōu)先級和MEC 服務器中計算資源的可用性決定被遷移的應用程序應該放置在哪里(云中心或MEC).服務端資源分配的基本示例如圖6 所示.

Fig.6 An example of MEC resource allocation圖6 MEC 資源分配示例

遷移的應用程序首先交付給MEC 內(nèi)的本地調(diào)度器.調(diào)度器檢查本地MEC 節(jié)點是否有足夠的計算資源:如果MEC 節(jié)點具有足夠的可用資源,則將運行著該應用程序的虛擬機分配給該MEC 節(jié)點;但是,如果MEC 服務器提供的計算能力不足,則調(diào)度器將該應用程序委托給遠程的云中心.為了最大化在MEC 中處理的應用程序的數(shù)量同時滿足其延遲要求,作者提出了基于優(yōu)先級的合作策略,為每個優(yōu)先級級別定義了幾個緩沖區(qū)閾值.因此,如果緩沖區(qū)已滿,應用程序?qū)⒈话l(fā)送到云中心.

Zhao 等人的研究工作是在單個MEC 場景下分配計算資源.Tanzil 等人[55]則針對多個MEC 場景下的資源分配問題開展了研究.作者在文中通過構(gòu)建MEC 集群的方式完成資源分配,以達到縮短執(zhí)行時延的目的.MEC集群的構(gòu)建通過合作博弈的方法完成,并在固定的時間周期之內(nèi)進行MEC 集群的重組.當集群內(nèi)的某一MEC無法單獨處理計算任務時,計算任務才被轉(zhuǎn)發(fā)到同一集群中的所有MEC.數(shù)值結(jié)果表明,與單一MEC 服務器提供計算資源相比,文中所提出的MEC 集群方案能夠?qū)?zhí)行延遲減少高達50%.但是,文中并沒有解決新的集群如何重組的問題.

3.3.2 無云中心場景下的資源分配

在無云中心的場景下,服務端的資源分配只能在MEC 服務器之間進行.一方面,從移動設備的角度出發(fā),資源分配方法中最重要的問題是選擇合適的MEC 服務器執(zhí)行計算遷移;另一方面,站在MEC 服務器的立場上,如何合理地構(gòu)建MEC 集群才能達到系統(tǒng)整體性能的優(yōu)化,是服務端需要重點考慮的問題.

Guo 等人[56]假設存在一個覆蓋大量MD 的熱點區(qū)域,區(qū)域內(nèi)的每一個MD 都能夠通過附近的基站訪問多個MEC 服務器.作者在文中提出了一個基于離散馬爾科夫決策過程(MDP)框架的最優(yōu)任務調(diào)度策略.然而,隨著MEC 服務器數(shù)量的增加,這種方法會引發(fā)高通信開銷和高計算復雜度.因此,又在文中提出了一個基于索引的分配策略以降低算法復雜度和通信開銷.每一個MEC 服務器根據(jù)其計算資源的剩余狀態(tài)生成自己的索引.然后在網(wǎng)絡中廣播該索引,這樣MD 就能夠選擇合適的MEC 服務器,以期達到最小化執(zhí)行延遲和能耗的目的.實驗結(jié)果顯示:在系統(tǒng)成本方面,基于索引的策略比最優(yōu)調(diào)度策略的成本高了7%;在系統(tǒng)性能方面,延遲和能耗之間的權(quán)衡可以通過系統(tǒng)成本中的權(quán)重參數(shù)靈活調(diào)整.

無云中心的場景下,MEC 服務器需要通過協(xié)同工作的方式完成資源的合理分配.在構(gòu)建MEC 集群時,節(jié)點的選擇不僅會顯著影響服務時延,還會影響計算節(jié)點的能耗.因此,Oueis 等人[57]的主要目標是分析集群規(guī)模(即執(zhí)行計算任務的MEC 服務器數(shù)量)對服務時延和MEC 服務器能耗的影響.文中針對不同的回程網(wǎng)絡拓撲(環(huán)形、樹形和全網(wǎng)狀)和傳輸媒介(光纖、LTE)進行了分析.實驗表明,使用光纖作為傳輸媒介的全網(wǎng)狀拓撲在執(zhí)行時延方面是最有優(yōu)勢的(執(zhí)行時延減少了90%);使用光纖作為媒介的環(huán)形拓撲在能耗方面性能最佳.此外,論文表明,增加MEC 服務器的數(shù)量并不總是能縮短執(zhí)行延遲;恰恰相反,如果傳輸時延比MEC 服務器端的計算時延更長,整體服務時延可能會增加.此外,隨著MEC 服務器數(shù)量的增加,系統(tǒng)整體能耗也會增加.因此,適當?shù)腗EC集群構(gòu)建方法和MEC 節(jié)點選擇方法在系統(tǒng)性能中起著至關(guān)重要的作用.

針對MEC 集群的構(gòu)建方法,Oueis 等人[58]提出了多種解決方案,旨在驗證不同的聚類策略對MEC 集群特性(規(guī)模、時延、能耗)的影響.文中提出了3 種不同的聚類策略.

· 第1 種聚類策略以優(yōu)化服務時延為目標選擇MEC 服務器.由于系統(tǒng)模型中的所有MEC 服務器被假設為相互連接(即全網(wǎng)絡拓撲),所以基本上所有MEC 服務器都可以提供計算資源.由于計算增益遠大于傳輸開銷,這導致系統(tǒng)總體的服務時延降低了22%.

· 第2 種聚類策略的目標是優(yōu)化集群的總體能耗.在這種情況下,每一個MD 遷移的計算任務僅僅選擇一個最優(yōu)的MEC 服務器執(zhí)行計算,因此,減少了MEC 服務器之間用于數(shù)據(jù)傳輸?shù)拈_銷(能耗降低61%).然而,第2 種聚類策略會增加系統(tǒng)整體的服務時延,同時會導致MEC 服務器之間負載失衡.

· 最后一種聚類策略則是將優(yōu)化集群中每個MEC 服務器的能耗作為目標,以解決第2 種聚類策略中MEC 服務器之間負載失衡的問題.

上述研究工作的缺陷在于,構(gòu)建MEC 集群的策略僅考慮了服務端,忽略了移動設備端的需求.Oueis 等人[59]假設存在一個多MD 的場景.集群的構(gòu)建與MD 端的任務調(diào)度一起完成.文中提出的資源分配過程包括兩個步驟:第1 步是本地計算資源分配,每個MEC 服務器根據(jù)特定的調(diào)度規(guī)則(如時延約束、計算負載、任務需求等)將其計算資源分配給附近的MD;第2 步是MEC 集群的建立,為第1 步中沒有分配到計算資源的MD 創(chuàng)建MEC集群.基于應用程序的優(yōu)先級和性能目標,作者設計了3 種不同的算法.仿真結(jié)果表明,文中所提出的方法能夠滿足95%用戶的需求;同時,所有MEC 服務器的能耗都處于可接受的范圍內(nèi).

3.3.3 小 結(jié)

表3 對上述MEC 資源分配方案進行了比較.對MEC 資源進行合理分配的目的主要是優(yōu)化被遷移應用程序的執(zhí)行時延.換句話說,資源分配的目標是保障MD 的QoE,以充分利用MEC 服務器靠近移動網(wǎng)絡邊緣的優(yōu)勢.此外,一些研究工作還著眼于優(yōu)化MEC 節(jié)點的能耗,或致力于平衡服務端計算和通信的負載,以滿足MD 對服務質(zhì)量的需求.所有已提出方案的共同缺點是缺乏真實實驗場景的驗證,同時忽略了用戶的移動性.如果MD正在朝著遠離MEC 服務器的方向移動,那么由于傳輸時延變長可能導致用戶的QoE 下降.

Table 3 Comparison of existing papers addressing allocation of MEC resources表3 MEC 資源分配方法的對比分析

4 邊緣緩存

計算遷移和資源分配的研究工作主要是為了解決如何高效使用MEC 計算資源的問題.而如何有效使用MEC 服務器的存儲資源,存在著很多難點有待進一步攻克.傳統(tǒng)的以內(nèi)容為中心的網(wǎng)絡緩存方案沒有考慮流量負載的動態(tài)變化等移動網(wǎng)絡特性.在本節(jié)中,我們將綜述移動邊緣計算環(huán)境下針對邊緣緩存問題的研究工作,主要包括邊緣緩存的性能目標、緩存內(nèi)容流行度的衡量方法、緩存策略.

4.1 邊緣緩存的性能目標

邊緣緩存能夠帶來的有益之處是多種多樣的.不同的應用程序或系統(tǒng)可能有著不同的性能需求,如下所示為邊緣緩存的常見性能目標.

(1) 系統(tǒng)整體容量.現(xiàn)有的邊緣緩存方面的工作已經(jīng)證明:在網(wǎng)絡邊緣緩存熱門的內(nèi)容可以顯著提高系統(tǒng)整體容量.例如,Ahlehagh 等人[60]提出的解決方案與不具備緩存能力的移動網(wǎng)絡相比,可以將系統(tǒng)整體容量提高3 倍.

(2) 時間延遲.由于邊緣節(jié)點與移動設備之間的距離很近,利用網(wǎng)絡邊緣的MEC 服務器執(zhí)行內(nèi)容緩存可以顯著減少內(nèi)容傳輸延遲.Tandon 等人[61]通過聯(lián)合調(diào)度RAN(無線電接入網(wǎng)絡)回程和無線信道資源來減少視頻會話的初始延遲和卡頓,提升了視頻流實時傳輸型應用的QoE.

(3) 能耗效率.能耗效率是未來5G 網(wǎng)絡的另一個重要性能指標.Liu 等人[62]分析了邊緣緩存對下行鏈路網(wǎng)絡能耗效率的影響.結(jié)果表明,當文件目錄規(guī)模較小時,能耗效率將得到提高,并且借助多個小容量的邊緣節(jié)點執(zhí)行邊緣緩存,比在單個大容量的邊緣節(jié)點上執(zhí)行邊緣緩存更節(jié)能.Zhang 等人[63]研究了軟件定義的異構(gòu)網(wǎng)絡中能耗效率和小區(qū)密度之間的權(quán)衡,實驗結(jié)果表明,支持邊緣緩存的異構(gòu)網(wǎng)絡遠高于當前LTE 網(wǎng)絡的能耗效率.

4.2 內(nèi)容流行度的衡量

MEC 具備在網(wǎng)絡的邊緣提供存儲資源的能力.為了決定在MEC 服務器中要緩存什么內(nèi)容,應該考慮內(nèi)容的流行度,盡量最大化邊緣緩存的命中率,即用戶的內(nèi)容請求在MEC 服務器的緩存里命中的概率.我們將現(xiàn)有文獻中衡量內(nèi)容流行度的模型分為靜態(tài)模型和動態(tài)模型兩種.

(1) 靜態(tài)模型.目前,大多數(shù)關(guān)于邊緣緩存的研究工作都假設內(nèi)容流行度是靜態(tài)的,并采用獨立參考模型:內(nèi)容請求是基于獨立的泊松過程產(chǎn)生的,該過程的速率與基于二八法則的內(nèi)容流行度相關(guān)[64].常用的流行度模型是在Web 緩存中觀察得到的Zipf 分布[65].

(2) 動態(tài)模型.靜態(tài)模型無法反映隨著時間的流逝而發(fā)生變化的真實內(nèi)容流行度.Traverso 等人[66]提出了被稱為散粒噪聲模型(SNM)的動態(tài)流行度衡量模型.該模型使用具有兩個參數(shù)的脈沖來模擬每個內(nèi)容,脈沖持續(xù)時間反映了內(nèi)容的流行周期,脈沖高度反映了內(nèi)容的瞬時流行度.Cha 等人[67]分析了用戶生成內(nèi)容(UGC)流行度分布的統(tǒng)計特征,并討論了利用“長尾”視頻需求的機會.

4.3 緩存策略

在現(xiàn)有的邊緣緩存研究中,已經(jīng)提出了多種不同的緩存策略和算法.大多數(shù)的研究工作都是根據(jù)移動網(wǎng)絡的特性,對傳統(tǒng)的有線網(wǎng)絡中的一些緩存策略進行了修訂.此外,還提出了一些新的緩存方案,如基于用戶偏好、增強學習或多節(jié)點合作的緩存策略.

傳統(tǒng)的緩存替換策略如最近最少使用(LRU)和最近最少訪問頻次(LFU),已經(jīng)被大量的研究工作采用[68,69].對于相同規(guī)模的內(nèi)容,這兩種策略簡單而且高效.但是,它們會忽略內(nèi)容的下載時延以及內(nèi)容的數(shù)據(jù)量.內(nèi)容交付網(wǎng)絡中常用的另一種主動式緩存策略是MPV 策略,該策略根據(jù)全球視頻流行度的分布來緩存最受歡迎的視頻內(nèi)容[60].但是與內(nèi)容交付網(wǎng)絡相比,移動網(wǎng)絡的高速緩存大小非常有限,這導致MPV 策略實現(xiàn)的緩存命中率在移動網(wǎng)絡環(huán)境下太低.

Ahlehagh 等人[60]提出了一種基于用戶偏好的緩存策略.根據(jù)觀察顯示:區(qū)域視頻流行度與全國視頻流行度是顯著不同的,不同區(qū)域的用戶群體可能對特定的視頻類別表現(xiàn)出強烈的偏好.作者在文中將用戶偏好定義為每個用戶請求特定視頻類型的概率.仿真結(jié)果表明,基于用戶偏好的緩存策略能夠有效提高視頻請求初次命中的概率.即使是在無線信道帶寬受限的網(wǎng)絡中,文中所提出的緩存策略依然有著非常不錯的性能表現(xiàn).

事實上,內(nèi)容流行度是隨時間變化的,并且是無法事先預知的.因此,對于內(nèi)容流行度的及時跟蹤和估計是一個重要問題.基于機器學習技術(shù),Sengupta 等人[70]提出了一種基于增強學習的邊緣緩存策略.該策略從增強學習的角度出發(fā),解決了移動邊緣網(wǎng)絡中的分布式緩存問題.通過編碼緩存的方法,將緩存問題簡化為與網(wǎng)絡連接性相關(guān)的線性規(guī)劃問題.仿真結(jié)果表明,采用編碼的緩存方案比未編碼的方案執(zhí)行得更好.

早期的邊緣緩存策略研究通常都是基于非合作方式的策略.Ahlehagh 等人[60]提出的方案基于特定小區(qū)中活動用戶的偏好配置文件執(zhí)行緩存決策,不考慮其他小區(qū)中緩存內(nèi)容的影響.Gu 等人[71]提出了一種基于學習的算法以解決MEC 節(jié)點的緩存替換問題.作者在文中將該問題形式化為馬爾科夫決策過程,以分布式的方式解決了緩存替換的問題,無需在MEC 節(jié)點之間交換與緩存數(shù)據(jù)相關(guān)的額外信息.與傳統(tǒng)的LFU 和LRU 策略相比,該策略的性能更佳.

隨著邊緣緩存策略研究的深入,研究工作者們開始考慮通過MEC 服務器協(xié)作的方式來提高算法的性能表現(xiàn).Borst 等人[72]提出了一種輕量級的協(xié)作式緩存管理算法,以最大化緩存服務的流量,同時最小化帶寬成本.Jiang 等人[73]研究了MEC 服務器之間的協(xié)作方案,以優(yōu)化MEC 和移動設備之間內(nèi)容緩存和交付的性能表現(xiàn).協(xié)作緩存問題被形式化為整數(shù)線性規(guī)劃問題,并通過次梯度優(yōu)化的方法來解決;內(nèi)容傳輸策略被形式化為不平衡分配問題,并使用Hungrian 算法來解決.Yu 等人[74]探索了可伸縮視頻編碼(SVC)技術(shù)在協(xié)作視頻緩存和小區(qū)間調(diào)度中的應用,以進一步提高系統(tǒng)整體的緩存容量和QoE.Wang 等人[75]研究了移動網(wǎng)絡中邊緣緩存節(jié)點之間的協(xié)作,并獲得了在每個邊緣節(jié)點中高速緩存內(nèi)容的最佳冗余比.Poularakis 等人[76]共同設計了緩存和路由方案,以在邊緣網(wǎng)絡帶寬限制下,最大化邊緣服務器的緩存命中率.該問題被簡化為位置放置問題,并使用有界逼近算法來解決.Ren 等人[77,78]提出了基于分組的緩存策略,并考慮存儲資源分配,以降低獲取內(nèi)容的平均時延和總能耗.

4.4 小 結(jié)

針對邊緣緩存問題進行的研究工作,主要解決了移動設備如何訪問并使用MEC 存儲資源的問題.表4 對上述邊緣緩存策略進行了對比分析.邊緣緩存策略的目標主要是提升系統(tǒng)整體容量、提高緩存命中率、減小總傳輸開銷、優(yōu)化服務時延,提升移動用戶內(nèi)容交付服務的QoE.所有已提出方案的共同缺點是僅有仿真時延證明其有效性,缺乏真實場景下的實驗數(shù)據(jù).

Table 4 Comparison of existing papers addressing edge caching problems表4 邊緣緩存策略的對比分析

5 MEC 服務編排與移動性管理

MEC 的服務質(zhì)量依賴于服務編排功能以及MD 與網(wǎng)絡架構(gòu)的交互.由于MEC 是基于虛擬化平臺的,那么MEC 中管理和編排功能夠盡可能地復用基于NFV 的基礎(chǔ)架構(gòu),將虛擬化網(wǎng)絡功能(VNF)和移動邊緣應用程序托管到相同或相似的基礎(chǔ)設施.目前,ETSI MEC 正在研究如何在NFV 環(huán)境中實現(xiàn)MEC,并在未來的5G 網(wǎng)絡中定義管理和編排框架[79].本節(jié)對MEC 服務編排中的研究工作進行了總結(jié),并探索了MEC 服務的移動性管理.

5.1 MEC服務編排研究

將MEC 平臺集成到移動網(wǎng)絡環(huán)境中帶來了與服務編排相關(guān)的許多挑戰(zhàn),主要原因是動態(tài)變化的無線信道狀態(tài)以及由用戶移動性引發(fā)的資源波動.MEC 系統(tǒng)應支持應用程序生命周期管理,即根據(jù)第三方的需求實例化或終止應用程序.當一個MEC 平臺執(zhí)行服務編排時,資源管理、服務放置以及邊緣節(jié)點的選擇,對于提高網(wǎng)絡資源利用率、提升用戶體驗質(zhì)量和服務可靠性是至關(guān)重要的.本節(jié)從以下4 個方面對MEC 服務編排的研究現(xiàn)狀進行了總結(jié).

(1) 資源管理

靈活的資源可用性在MEC 服務的性能表現(xiàn)中起著至關(guān)重要的作用.Taleb 等人[80]分析了有關(guān)VM 資源管理的各種影響因素,同時考慮了資源競爭時CPU、內(nèi)存、外存、網(wǎng)絡帶寬的可用性.Liang 等人[81]研究了在云環(huán)境中分配資源時的應用概念及其特定的服務特性.Liu 等人[82]詳細闡述了基于半馬爾可夫決策過程的多資源分配策略,該策略確定了用于實現(xiàn)最優(yōu)系統(tǒng)效益的確切無限帶寬資源和計算資源的管理.

(2) 服務部署

將MEC 服務部署在多個邊緣云平臺上,對于用戶QoE 來說是至關(guān)重要的.在服務部署的過程中,應該考慮人口密集的地區(qū),例如吸引大量用戶的購物中心.此外,服務的部署還需要考慮潛在的用戶移動模型,以確保相關(guān)用戶始終在時延、計算能力等方面獲得所需的性能.Jia 等人[83,84]在給定移動模型和動態(tài)資源需求的前提下,詳細闡述了最佳邊緣云部署的優(yōu)化研究.Volley[85]則是另一種解決方案,它專注于解決許多固定位置的分布式邊緣云平臺上的VM 布局問題,在考慮用戶位置的同時,執(zhí)行服務部署的動態(tài)遷移.此外,MEC 服務的放置問題可以參考虛擬移動網(wǎng)絡研究中用于VNF 放置的解決方案[86].

(3) 邊緣節(jié)點選擇

在邊緣節(jié)點的選擇研究工作中,通常從性能的角度(例如時延)出發(fā),將MD 分配到距離最近的MEC 平臺.但是,這種策略可能會導致效率低下,引發(fā)性能瓶頸,尤其是在不考慮MEC 服務器負載時.對于移動設備來說,由于用戶移動和無線信道狀態(tài)的不確定性,邊緣服務器節(jié)點的選擇變得至關(guān)重要.

(4) 可靠性

編排MEC 服務的另一個重要問題是可靠性.傳統(tǒng)的方案中,通常使用檢查點算法解決計算系統(tǒng)中的容錯問題,它負責維護應用程序狀態(tài)的常規(guī)快照,可用于在出錯時恢復應用程序,保障服務的可靠性.然而,由于移動環(huán)境下信道狀態(tài)的動態(tài)變化特征,可能需要頻繁地使用檢查點算法,從而提高系統(tǒng)的可靠性.解決可靠性問題的另一種可行方案是復制MEC 服務實例.與傳統(tǒng)的檢查點算法相比,該方案能夠節(jié)省更多的時間.

5.2 MEC服務的移動性管理

在用戶使用MEC 服務期間,如何在用戶發(fā)生移動的過程中保障MD 和MEC 之間會話連接的穩(wěn)定,是服務編排之外另一個需要重視的問題.在用戶發(fā)生移動的情況下,MD 的位置會頻繁地改變(例如從一個MEC 節(jié)點到另一個MEC 節(jié)點).在這種場景下,保障MEC 服務處于最佳QoE 狀態(tài)變得極具挑戰(zhàn)性,尤其是對于時延敏感型的應用.分布式移動性管理(DMM)[87]是管理用戶移動性的解決方案之一,也克服了集中式移動性管理方案在可擴展性和可靠性方面的缺陷.然而,考慮到與MD 單跳連接的MEC 服務器需要頻繁地遷移MEC 服務并將它們放置在靠近移動用戶的位置,那么,管理用戶移動性并將用戶的MEC 服務請求重定向到托管服務的遠程MEC服務器可能不是最佳的解決方案.此外,在跨邊緣部署環(huán)境中,服務遷移需要將虛擬應用實例(VM/容器)傳輸?shù)侥繕宋恢?可能導致該方案的傳輸代價過高.

雖然學術(shù)界在VM 遷移方面已經(jīng)做了許多的研究工作,但從服務質(zhì)量的角度來看,VM 遷移的過程會帶來重大的技術(shù)挑戰(zhàn)[88],例如VM 遷移期間的服務連續(xù)性問題.為了在廣域網(wǎng)上執(zhí)行具有IP 連續(xù)性的遷移,Watanabe等人[89]提出了IP 移動解決方案.但是對基于IP 的服務而言,IP 地址的更改將導致會話中斷,從而需要重新建立新的IP 地址連接,進而會對QoE 造成影響.

當網(wǎng)絡中兩個節(jié)點里的任何一個在移動期間發(fā)生IP 地址變化時,引入DNS 和NAT 等技術(shù)可應對兩節(jié)點之間IP 對話崩潰的問題[90],但這兩個技術(shù)本身不支持終端移動性或?qū)崟r位置更新.為了解決這個基于IP 的服務移動性管理問題,Ksentini 等人[91]提出了Follow-Me-Cloud 的概念.作者在文中介紹了一個能夠確保云服務跟隨用戶移動的框架.該方案通過服務/數(shù)據(jù)識別的方式轉(zhuǎn)換IP 尋址.此外,通過將服務移動性與框架的第2 層和第3層分離,該框架確保了無縫遷移和服務連續(xù)性,詳細闡述了遷移服務的決策邏輯.Nadembega 等人[92]融合了支持QoS/QoE 的移動預測模型,進一步完善了Follow-Me-Cloud 的概念.

此外,為了補充Follow-Me-Cloud 的解決方案,Aissioui 等人[93]引入了基于SDN 的方法,作者在架構(gòu)中融合了分布式彈性控制器.Secci 等人[94]的研究工作則同時考慮了VM 遷移以及用戶的移動性,引入了基于位置/ ID分離協(xié)議(LISP)的方法,以避免三角路由并減少VM 遷移的中斷時間.對于邊緣計算平臺,借助SDN 控制器,可以通過監(jiān)控服務的方式做出策略調(diào)整,以確保靈活的連接和有效的QoE/QoS 管理[95].一般來說,根據(jù)應用程序類型的不同,MD 的服務需求(如低時延)可能會有所不同.因此,SDN 控制器或協(xié)調(diào)器應該在服務遷移的情況下考慮到這一點.例如,對于時延敏感型的應用,批量遷移的性能表現(xiàn)將優(yōu)于實時遷移[96].

6 移動邊緣計算環(huán)境中的典型應用

由于新興應用在數(shù)據(jù)傳輸速率、服務時延等方面的需求越來越嚴格,因此,新興應用的普及是網(wǎng)絡架構(gòu)發(fā)生演變的主要推動力量.本節(jié)將總結(jié)一些基于移動邊緣計算的新興應用和使用案例.

6.1 增強現(xiàn)實/虛擬現(xiàn)實

增強現(xiàn)實技術(shù)(AR)和虛擬現(xiàn)實技術(shù)(VR)被認為是改變我們生活方式的最有前途的應用.AR/VR 應用程序需要使用一些實時的用戶狀態(tài)信息,例如用戶所面對的位置和方向.此外,為了保障AR/VR 應用的高服務質(zhì)量,該類型應用程序通常需要較強的計算能力、較低的時延以及較高的帶寬來完成任務遷移.MEC 服務器能夠利用本地上下文信息,同時具有較強的處理能力,非常適合AR/VR 應用.Simone 等人[97]提出了一種移動邊緣計算環(huán)境下的視場(FOV)渲染解決方案,優(yōu)化了傳輸360°VR 視頻流所需的帶寬和時延.Dastjerdi 等人[98]介紹了一種通過檢測人腦電波工作的“大腦-計算機”交互AR 應用.腦電波數(shù)據(jù)由腦電生物傳感器實時接收,同時,借助MEC和云計算平臺處理大型的計算任務.Schneider 等人[99]設計了一種基于邊緣計算的AR 應用架構(gòu),克服了智能手機、平板電腦等移動AR 設備在性能方面存在的困難,同時,將移動AR 應用的端到端延遲減少到了50ms 以內(nèi).

6.2 動態(tài)內(nèi)容交付

據(jù)觀察,視頻流量占到當前網(wǎng)絡中移動數(shù)據(jù)總流量的一半以上,而且這一比例仍在上升,這導致移動網(wǎng)絡回程鏈路面臨著傳統(tǒng)集中式網(wǎng)絡架構(gòu)中的擁塞問題.在網(wǎng)絡的邊緣執(zhí)行內(nèi)容緩存,可以根據(jù)鏈路狀態(tài)信息和用戶的情景感知信息提供動態(tài)的內(nèi)容交付服務[100],這避免了許多冗余視頻流通過移動核心網(wǎng)傳輸?shù)交ヂ?lián)網(wǎng)CDN.此外,借助MEC 服務器,用戶可以在功能強大的邊緣計算平臺上執(zhí)行一些視頻分析的操作,而不是在視頻的源頭[101].由于內(nèi)容被放置在貼近用戶的位置,視頻分析服務的QoE 能夠得到顯著提高.

除了多媒體內(nèi)容交付之外,移動邊緣計算技術(shù)在網(wǎng)站性能優(yōu)化中也起著關(guān)鍵作用,例如緩存HTML 內(nèi)容、重新組織網(wǎng)頁布局以及調(diào)整頁面組件大小.移動用戶發(fā)出的HTTP 請求會經(jīng)過MEC 服務器;然后,MEC 服務器通過執(zhí)行多種任務來加載用戶移動設備界面上的網(wǎng)頁或基于Web 的應用程序.由于MEC 服務器部署在邊緣設備附近,因此Web 應用的請求和響應非常節(jié)省時間.

6.3 車聯(lián)網(wǎng)

移動邊緣計算可以在車輛連接、V2X 通信和汽車安全服務中發(fā)揮重要作用,例如實時警告高速公路的路面是否結(jié)冰以及協(xié)調(diào)機動車更改車道[102].運行在MEC 服務器上的應用程序與車輛的距離非常近,可以提供低延遲的路邊功能[103].此外,借助于MEC 服務還能夠?qū)崿F(xiàn)交通控制和智能停車,因為邊緣計算平臺能夠收集和分析來自傳感器設備的實時數(shù)據(jù)[21].

互聯(lián)網(wǎng)的接入,使得車輛能夠與道路上的其他車輛互相連接.在路邊部署MEC 平臺,可以實現(xiàn)移動車輛之間的雙向通信.一輛車可以與其他近距離的車輛通信,并告知他們預期的風險事故或交通堵塞.此外,MEC 可以實現(xiàn)與局域傳感器同步的分布式網(wǎng)絡環(huán)境[104].

6.4 物聯(lián)網(wǎng)

隨著智能傳感器、互聯(lián)網(wǎng)協(xié)議和通信技術(shù)的進步,物聯(lián)網(wǎng)(IoT)正在逐步走進人們的日常生活[105].邊緣計算架構(gòu)在支持物聯(lián)網(wǎng)應用程序方面有著天然的優(yōu)勢.Gazis 等人[106]提出了一個自動適配的操作平臺,能夠在工業(yè)物聯(lián)網(wǎng)環(huán)境中應用邊緣計算組件.基于虛擬機的Cloudlet,能夠根據(jù)物聯(lián)網(wǎng)中的眾包視頻內(nèi)容實現(xiàn)邊緣分析[107].MEC 將提供之前不可行的新IoT 服務[108].物聯(lián)網(wǎng)中MEC 的具體應用和使用案例將介紹如下.

6.4.1 智慧醫(yī)療

實時處理和事件響應對于醫(yī)療保健類的應用非常重要.像其他行業(yè)一樣,醫(yī)療行業(yè)也可以利用邊緣計算得到幫助,例如避免患有中風的病人跌倒.為了檢測和防止跌倒,學術(shù)界已經(jīng)進行了大量的研究,例如通過引入智能手機、智能手表和谷歌眼鏡等人機交互設備.Cao 等人[109]提出了一種名為U-Fall 的智能醫(yī)療基礎(chǔ)設施,它利用邊緣計算技術(shù)開放了智能手機的能力.U-Fall 設計了基于加速度數(shù)值和非線性時間序列分析的跌倒檢測算法,借助智能設備傳感器(如陀螺儀和加速度計)感知運動檢測.U-Fall 智能地保持智能手機和MEC 服務器之間的持續(xù)性交互,以確保實時檢測.

6.4.2 智能電網(wǎng)

由于智能電網(wǎng)的基礎(chǔ)設施是由多種組件構(gòu)成的,因此,對智能電網(wǎng)環(huán)境中生成的數(shù)據(jù)進行分析是一項非常具有挑戰(zhàn)性的任務.移動邊緣計算的使用,可以提高數(shù)據(jù)吞吐量、縮短響應時間和傳輸延遲[110].智能電網(wǎng)是一種典型的需要MEC 和云中心協(xié)同工作的用例[111].部署在網(wǎng)絡邊緣的MEC 服務器收集并處理由電網(wǎng)傳感器和設備生成的本地數(shù)據(jù),云中心則負責提供全局覆蓋并保存所有的數(shù)據(jù)備份.

6.4.3 智能家居

智能家居系統(tǒng)已成為未來家庭生態(tài)系統(tǒng)的新趨勢.智能家居是一種占地空間和本地化通信受限的小型物聯(lián)網(wǎng)系統(tǒng).將MEC 服務器部署在靠近智能對象的物聯(lián)網(wǎng)網(wǎng)關(guān),將使未來網(wǎng)絡中的M2M 直接交互成為可能[112].MEC 節(jié)點支持部署在家庭路由器、機頂盒或智能手機上,這一優(yōu)勢能夠為智能家居帶來低時延、本地化和即插即用的服務.

7 發(fā)展趨勢與開放式研究挑戰(zhàn)

移動邊緣計算是未來5G 移動網(wǎng)絡架構(gòu)下的重要組成部分.與現(xiàn)有的3G/4G 移動蜂窩網(wǎng)絡相比,它具有許多新功能,擁有更好的QoE 和靈活性.因此在未來的研究工作中,移動邊緣計算會面臨著各種各樣的機遇和挑戰(zhàn).在本節(jié)中,我們總結(jié)了移動邊緣計算中的開放式研究挑戰(zhàn),并闡述了未來可能的研究方向.

7.1 服務質(zhì)量保障

(1) 異構(gòu)性

在未來的移動網(wǎng)絡環(huán)境下,隨著物聯(lián)網(wǎng)和新興應用的發(fā)展,網(wǎng)絡、信道和基礎(chǔ)設施的異構(gòu)性將會成為一個關(guān)鍵問題.在當前的研究現(xiàn)狀中,網(wǎng)絡環(huán)境通常被假設為是同構(gòu)的(MEC 服務器配備有相同的計算資源、存儲資源).雖然現(xiàn)有的模型對于仿真實驗和分析來說很簡單,但它并沒有充分反映移動網(wǎng)絡異構(gòu)性的特點.因此,應該假設在異構(gòu)網(wǎng)絡的環(huán)境下模擬與移動邊緣計算相關(guān)的一些實驗.

(2) 用戶移動性

用戶移動性是移動邊緣計算中的關(guān)鍵挑戰(zhàn),它對計算遷移決策有著不可忽視的影響.最近的一些研究成果[113,114]多采用虛擬機遷移或路徑選擇的方式實現(xiàn)用戶移動過程中服務連續(xù)性的保障.然而這種機制卻無形中引發(fā)了MEC 服務器之間頻繁的數(shù)據(jù)交換,增加了網(wǎng)絡的負擔.如何在用戶的移動過程中實現(xiàn)MD 與MEC 服務器之間的無縫銜接,也是移動邊緣計算必須解決的問題.

(3) 可擴展性

與傳統(tǒng)的計算范例相比,可擴展性是移動邊緣計算的一項重要特征.隨著5G 通信技術(shù)和IoT 技術(shù)的發(fā)展,越來越多的終端設備(如物聯(lián)網(wǎng)中的傳感器設備)需要服務的可擴展性.近年來,邊緣設備的數(shù)量不斷增加,如果大量設備同時訪問MEC 服務器,將會形成帶寬瓶頸,最終導致服務中斷.參考移動云計算中的做法,移動邊緣計算也許可以引入編排器來靈活管理MEC 服務器,提高網(wǎng)絡的可擴展性[115].

7.2 安全可用性

(1) 安全

在移動邊緣計算環(huán)境下,MEC 服務器需要使用移動設備的一些信息,這將會引發(fā)一些新的安全挑戰(zhàn)[116].盡管安全方案的發(fā)展速度也在不斷地加快,但是依然無法跟上新出現(xiàn)安全威脅的步伐.許多現(xiàn)有的安全協(xié)議都將網(wǎng)絡鏈路假設為完全連接狀態(tài)[117],這在移動邊緣計算環(huán)境下并不現(xiàn)實,因為許多鏈路在默認情況下都是間歇性的.Mtibaa 等人[116]提出了一種名為HoneyBot 的防御技術(shù),HoneyBot 節(jié)點可以檢測、跟蹤和隔離D2D(設備到設備)內(nèi)部攻擊,該技術(shù)的速度和準確性受HoneyBot 節(jié)點的位置和數(shù)量的影響.

用于MCC 環(huán)境的安全解決方案可能不適合移動邊緣計算,因為云是集中式的計算架構(gòu),而邊緣計算則是分散式的,MEC 的工作環(huán)境將面臨許多不同的新威脅.比如,不同級別的網(wǎng)關(guān)和智能設備的認證就是移動邊緣計算環(huán)境中的一個重要的安全問題.針對MEC 環(huán)境下的認證問題,學術(shù)界也提出了一些新的解決方案,如基于公鑰基礎(chǔ)設施(PKI)的解決方案[118]、基于DiffieHellman 密鑰交換的解決方案[119].

(2) 隱私

如何在不侵犯用戶隱私的前提下通過MEC 服務器訪問并使用移動設備的資源,是MEC 環(huán)境下的一個全新挑戰(zhàn).已存在的機制可以為移動邊緣計算中各個MEC 服務器之間隱私機制的設計指明方向.例如在智能電網(wǎng)中,由MEC 服務器執(zhí)行智能電表數(shù)據(jù)的加密以及匯總結(jié)果確保了數(shù)據(jù)的隱私安全,原始數(shù)據(jù)只能在操作中心執(zhí)行解密[120].此外,MCC 中已經(jīng)制定了許多數(shù)據(jù)隱私保護機制,以便在移動設備之間執(zhí)行隱私保護策略并達到隱藏客戶端位置數(shù)據(jù)的效果.邊緣計算范例還有助于增強某些服務的隱私保護功能.在基于位置的服務中,可以通過可信MEC 服務器部署一個眾包平臺來完成用戶的匿名化操作[121].

7.3 功能增強

(1) 計費策略

在移動邊緣計算中,存儲、計算和通信資源會根據(jù)用戶的需求動態(tài)分配.因此,MEC 的最優(yōu)計費策略與傳統(tǒng)計算模型有很大的不同.移動邊緣計算環(huán)境會涉及到多種服務提供者,這些服務提供者的報價是不同的.每一種服務提供者有著不同的支付方式、不同的客戶管理方式和不同的服務政策.例如,用戶設備上的游戲應用必須使用邊緣計算資源、移動網(wǎng)絡和游戲服務.用戶必須為游戲支付費用,該費用應該平等地分配給游戲服務中參與設計的所有實體.已有研究已證明:當用戶關(guān)心服務費用時,MEC 服務器的盈利受到計費策略的顯著影響[122].

(2) Web 接口

在當前的網(wǎng)絡環(huán)境下,移動用戶訪問MEC 或云中心的Web 接口是無法滿足新興的時延敏感型應用需求的.當前的Web 接口通常不是為該類應用設計的,因此存在兼容性問題.用戶、MEC 和云之間的通信需要新的標準協(xié)議.最新版本的HTML5 專為新出現(xiàn)的移動設備而設計,如平板電腦或智能手機.但是該技術(shù)依然需要進行性能調(diào)教和功能測試方面的研究,以便為未來的移動邊緣計算場景做好準備.

8 結(jié) 論

移動邊緣計算能夠?qū)鹘y(tǒng)核心網(wǎng)絡的計算和存儲能力納入到無線電接入網(wǎng)絡的范圍之內(nèi).在這種新興架構(gòu)中,傳統(tǒng)的基站不僅可以執(zhí)行流量控制,還可以部署具備輕量級資源的MEC 服務器,為移動用戶提供具有上下文感知、位置感知特點的服務.移動邊緣計算的主要目標是為移動端的應用程序提供更小的時延和更高的帶寬利用率.隨著5G 通信技術(shù)的發(fā)展和移動互聯(lián)網(wǎng)的廣泛應用,移動邊緣計算受到了學術(shù)界的廣泛關(guān)注,并在MEC 架構(gòu)、計算遷移、邊緣緩存以及服務編排等方面開展了深入研究,取得了一系列重要研究成果.本文對這些成果進行了系統(tǒng)的歸納和總結(jié),并進一步指出了未來的一些研究發(fā)展方向.然而,隨著虛擬/增強現(xiàn)實、動態(tài)內(nèi)容交付、物聯(lián)網(wǎng)等新興應用的不斷涌現(xiàn),以及移動應用向醫(yī)療、教育、公共服務等領(lǐng)域的進一步滲透,移動邊緣計算在可靠性、高效性和安全性方面還面臨著許多新的技術(shù)挑戰(zhàn),也為研究者提供了一系列新的研究方向.