文章目錄
前言
MEC簡介
一、用例和服務場景
1：面向消費者的服務
2：運營商和第三方服務
3:網絡性能和QoE改善服務
二、MEC計算卸載決策
1：完全卸載
（1）最小化執行延遲
(2）滿足執行時間限制的條件下最小化能量消耗
（3）二者折衷
2：部分卸載
（1）滿足時間延遲要求下進行能量消耗最小化
（2）折衷
三、計算資源的分配
1：單個節點的資源分配
2:多個節點的資源分配
（1）執行延遲與功耗
（2）平衡通信與計算負載
四、移動性管理
前言
MEC將計算和存儲資源引入移動網絡的邊緣，使其能夠在滿足嚴格延遲要求的同時在UE上運行高要求的應用程序。這篇文章先是MEC的主要用例和場景，和一些標准的東西。重點：本文將計算卸載的研究分為三個重點領域:1)計算卸載的決策;2) MEC內計算資源的分配;3)移動管理。
MEC簡介
為了解決長等待時間的問題，雲服務應該被移動到UE的附近，即，如在新興的邊緣計算范例中所考慮的，移動到移動網絡的邊緣。邊緣計算可以理解為MCC的特定情況。盡管如此，在常規的MCC中，雲服務是通過Internet連接訪問的，而在邊緣計算的情況下，計算/存儲資源應該位於UE的附近（從網絡拓撲的角度來看）。因此，與MCC相比，MEC可以提供更低的延遲和抖動。另一方面，相對於MCC，邊緣計算僅提供有限的計算和存儲資源。
一、用例和服務場景
1：面向消費者的服務
第一個用例類別是面向消費者的，因此應直接對最終用戶有利。通常，用戶主要通過計算卸載從MEC中獲利，這使得能夠在UE處運行新出現的應用程序。受益於計算分流的應用程序之一是Web加速瀏覽器，其中大多數瀏覽功能（Web內容評估，優化的傳輸等）都分流到了MEC。此外，人臉/語音識別或圖像/視頻編輯也適合於MEC，因為它們需要大量的計算和存儲。
最重要的是，運行低延遲應用程序（例如在線游戲或遠程桌面）的用戶可能會受益於附近的MEC。在這種情況下，在適當的移動邊緣主機處啟動特定應用程序的新實例，以減少UE處應用程序的等待時間和資源需求。
2：運營商和第三方服務
對於操作員或第三方有利的用例的一個例子是從用戶或傳感器收集大量數據。此類數據首先在MEC進行預處理和分析。然后，將預處理后的數據發送到遙遠的中央服務器以進行進一步分析。可以將其用於安全和保障目的，例如監視區域（例如停車場監視）。
另一個用例是將MEC用於IoT（物聯網）。基本上，IoT設備使用各種通信協議通過各種無線電技術（例如3G，LTE，WiFi等）連接。因此，需要低等待時間的聚合點來處理各種協議，消息的分發以及處理。可以通過充當物聯網網關的MEC來啟用此功能，其目的是將物聯網服務聚合並交付到高度分布式的移動基站中，以使應用程序能夠實時響應。
3：網絡性能和QoE改善服務
一種這樣的用例是啟用無線電和回程網絡之間的協調。到目前為止，如果回程或無線電鏈路的容量下降，則也會對整個網絡性能產生負面影響，因為網絡的另一部分（分別為無線電或回程）並不知道該性能下降。在這方面，利用MEC的分析應用程序可以提供有關無線電/回程網絡流量需求的實時信息。然后，運行在MEC上的優化應用程序將按應用程序調整流量或按需重新路由流量。
改善網絡性能的另一種方法是通過在移動邊緣緩存本地內容來緩解擁塞的回程鏈路。這樣，MEC應用程序可以存儲在其地理區域中使用的最受歡迎的內容。如果內容是用戶要求的，則不必通過回程網絡進行傳輸。
除了減輕和優化回程網絡外，MEC還可以幫助進行無線網絡優化。例如，從UE收集相關信息並在邊緣處進行處理將導致更有效的調度。此外，MEC還可以用於TCP（傳輸控制協議）的吞吐量指導的移動視頻傳輸優化。TCP具有固有的困難，以適應無線電信道上快速變化的條件，從而導致資源的低效使用。為了解決這個問題，分析MEC應用程序可以向后端視頻服務器提供關於估計吞吐量的實時指示，以便將應用程序級編碼與估計吞吐量相匹配。
二、MEC計算卸載決策
1：全部卸載
全部卸載的主要目標是：盡量減少執行延遲，在滿足預定的延遲約束條件下，最小化UE處的能量消耗，或者在能量消耗和執行延遲之間找到一個合適的平衡點。
（1）最小化執行延遲
執行延遲包含三個部分：
- 卸載數據到MEC的傳輸時間
- MEC的計算時間
- 從MEC拿回計算書的傳輸時間
下圖是一個僅考慮計算延遲的卸載決策示例。其中D0,D1分別是分流的延遲和本地計算的延遲，只考慮延遲，那么誰的延遲小就采取哪種策略。
①通過一維搜索算法來完成，該算法根據應用程序緩沖區排隊狀態，UE和MEC服務器上的可用處理能力以及UE與MEC服務器之間的信道特性，找到最佳的卸載決策策略。計算卸載決策本身通過計算卸載策略模塊在UE處完成。該模塊在每個時隙中決定在緩沖區中等待的應用程序是在本地處理還是在MEC處理，同時最小化執行延遲。仿真結果表明，所提出的最優策略能夠應對高密度的雲計算，因此能夠將執行延遲減少多達80％（與本地執行策略相比），並減少了多達44％（與雲執行策略相比）。應用程序的到來。
②在這方面，作者提出了一種基於Lyapunov優化的低復雜度動態計算卸載（LODCO）算法。LODCO在每個時隙中做出卸載決策，然后為UE分配CPU周期（如果執行本地執行）或分配傳輸功率（如果執行計算卸載）。該建議能夠完全防止卸載的應用程序被丟棄的情況。
上述文章的缺點：由於快速的電池耗盡在當代網絡中構成了重大障礙，因此卸載決策並未考慮UE端的能耗。
（2）滿足執行時間限制條件下最小化能量消耗
主要目標是在滿足應用程序執行延遲約束的情況下，最小化UE處的能源消耗。一方面，由於不需要在本地進行計算，所以將計算任務交給MEC可以節省UE的電池電量。另一方面，傳輸和接收數據都需要一定的能量消耗。下圖是根據能量進行卸載的過程：E1,E0分別是本地計算和卸載所需要的能量消耗，下面兩個用戶設備都能滿足D0<Dmax，也就是滿足執行時間限制，此時他們選擇能量消耗最小的方式決定是否卸載。
①在每個時隙中周期性地做出關於計算卸載的決定，在此期間，所有UE被分為兩組。雖然允許第一組的UE將計算卸載到MEC，但是MEC上的計算資源不可用，第二組的UE必須在本地執行計算（請注意，在本文中，計算是在服務SCeNB上完成的） ）。根據隊列的長度，即根據它們需要處理的數據量，將UE分為幾類。在允許UE卸載計算之后，通過找到UE的最佳傳輸功率以及將SCeNB的計算資源分配給所有單個UE來執行通信和計算資源的聯合分配。根據取決於數據到達強度的平均隊列長度以及在UE和SCeNB處使用的天線的數量來評估提議的性能。
缺點：它僅假設了一個SCeNB，因此，連接到各個SCeNB的UE之間沒有干擾。
②作者提出一種分布式迭代算法，該算法利用收斂到局部最優解的連續凸逼近（SCA）。數值結果表明，所提出的無線電和計算資源的聯合優化明顯優於分別優化無線電和計算的方法。而且，已經表明，要卸載的數據量較少，同時需要大量CPU周期進行處理的應用程序更適合於計算卸載。結果表明，隨着SCeNB數量的增加（即，雲數量的增加），UE的能耗成比例地降低。
（3）能耗與執行延遲之間的權衡
卸載決策是傾向於最小化能耗還是執行延遲由一個權重參數決定。論文的主要目的有兩個;1)根據權重參數選擇任務是否向MEC進行卸載;2)在進行計算卸載時，選擇最合適的無線信道進行數據傳輸。
①作者提出了一種實現納什均衡的分布式計算卸載算法。根據兩個性能指標比較了最佳集中式解決方案和分布式算法。1）有利於UE進行計算分流的UE數量，以及2）通過權衡能耗和執行延遲來表示的計算開銷。在上述兩個性能指標中，分布式算法的性能僅比集中式算法稍差。
②另一種計算卸載決策的算法，該算法權衡了UE的能耗和執行延遲。如果MEC的計算資源不足，則假定計算也可以卸載到遠程集中式雲（CC）。計算卸載決策以順序方式完成。在第一步中，UE決定是否將應用程序卸載到MEC。如果將應用程序卸載到MEC，則MEC在第二步中評估它是否能夠滿足請求，或者是否應該將計算進一步傳遞給CC。該問題被公式化為非凸二次約束二次程序（QCQP），但是，它是NP難的。因此，提出了一種基於半確定松弛的啟發式算法以及一種新穎的隨機方法。擬議的啟發式算法能夠顯着降低總系統成本（即總能耗的加權總和）
2：部分卸載
（1)滿足時間延遲要求下進行能量消耗最小化
將應用程序分為一個不可卸載部分和N個可卸載部分，如下圖所示。主要目的是確定哪些可卸部件應卸給MEC。
並且要注意任務之間的依賴關系
上圖中的依賴關系是一種執行先后次序的依賴
（2）能耗與執行延遲之間的權衡
卸載決策考慮以下參數：1）要處理的比特總數，2）UE和MEC的計算能力，3）UE與提供對MEC的訪問的服務SCeNB之間的信道狀態，以及4） UE的能量消耗。
卸載的應用程序首先交付給MEC內的本地調度程序。調度程序檢查是否存在具有足夠計算資源的計算節點。如果存在具有足夠可用資源的計算節點，則會在該節點上分配VM。然后在此MEC節點處處理應用程序，最后將其發送回UE。但是，如果MEC服務器提供的計算能力不足，則調度程序會將應用程序委派給遠程CC。為了在滿足延遲要求的同時最大化在MEC中處理的應用程序的數量，作者提出了一種基於優先級的合作策略，該策略為每個優先級定義了幾個緩沖區閾值。因此，如果緩沖區已滿，則將應用程序發送到CC。緩沖區閾值的最佳大小是通過低復雜度遞歸算法找到的。提議的合作策略能夠在允許的延遲內將應用程序完成的可能性提高25％。
三、計算資源的分配
如果決定將應用程序全部或部分卸載給MEC(如前一節所述)，則必須對計算資源進行適當分配。與計算卸載決策類似，計算位置的選擇也受到卸載應用程序並行化/分區的能力的影響。如果應用程序不能並行化/分區，則只能為計算分配一個物理節點，因為應用程序不能被分割成幾個部分(在圖15中，UE1將整個應用程序卸載到eNB，因為這個應用程序不能被分區)。在相反的情況下，卸載的應用程序可能由分布在多個計算節點上的資源來處理。
1：單個節點的資源分配
當用戶上傳任務時它被放在一個堆棧里，如果此時有可用計算能力的節點，就將節點分配，否則傳送到中心雲端
2：多個節點的資源分配
①首先節點試圖獨立服務它們自己的問題，因為這會導致最短的通信延遲。（例如，在下圖中，SCeNB1將計算資源分配給UE1和UE2等）只有當SCeNB不能單獨處理應用程序時，它才會被轉發到同一集群中的所有SCeNB（UE3的計算是在SCeNB2和SCeNB3處完成的）。數值結果表明，與僅在服務場景下進行計算相比，該方案能夠將執行延遲降低50%。
②集群形成是與UE調度一起完成的。分為兩個步驟。第一步，標記為本地計算資源分配，每個SCeNB根據特定的調度規則，例如應用程序延遲約束，計算負載或最小所需計算能力，將其計算資源分配給自己的UE。第二步，標記為建立計算集群，為無法由其服務SCeNB服務的每個UE創建計算群集。作者提出了三種算法實現方式，它們在應用程序優先級划分（例如，最早的截止日期優先或根據應用程序的計算大小）和目標方面有所不同。仿真表明，該算法的實現可以使用戶滿意度達到95％以上，同時保持所有計算節點的中等功耗。