文章目錄
一、前言
二、移動邊緣計算網絡及其關鍵技術
三、傳輸與計算資源聯合決策的計算任務卸載方案
四、基於拍賣模型的移動邊緣計算節點選擇策略
五、總結
一、前言
移動邊緣計算中的關鍵技術主要有四個：虛擬化、雲計算、軟件化和計算卸載。其中虛擬化是基礎，軟件化是虛擬化的抽象體現，雲計算和計算卸載則是對軟件化的應用。
虛擬化：
在計算機術語中，虛擬化是一種資源管理技術，它將計算機的網絡、內存及存儲、處理器等實體資源通過抽象、轉換后呈現出來，使得資源能夠以更低的粒度來訪問。
雲計算：
計算以虛擬技術為基礎，以網絡為載體，是一種整合大規模可擴展的計算、存儲、數據、等分布式計算資源進行協同工作的超級計算服務模式。
雲計算的服務模式可以分為三個層次：基礎設施即服務（Ｉｎｆｒａｓｔｒｕｃｔｕｒｅ ａｓ ａ Ｓｅｒｖｉｃｅ，ＩａａＳ）、平台即服務（Ｐｌａｔｆｏｒｍ ａｓ ａ Ｓｅｒｖｉｃｅ，ＰａａＳ）、軟件即服務（Ｓｏｆｔｗａｒｅ ａｓ ａ Ｓｅｒｖｉｃｅ， ＳａａＳ）。
軟件化：
軟件化具有成本低和擴展性高的特點，一方面專用硬件的開發費用十分昂貴，使用軟件化可以節省大量的資金，另一方面軟件代碼可以在通用硬件之間無成本的移植和復制，所以軟件化的擴展性和可移植性都十分的高。
計算卸載：
移動邊緣計算網絡中的計算卸載主要發生在用戶側的ＭＥＣ服務節點上，包括雲服務器發現、任務分割、卸載決策、任務提交、任務遠端執行以及計算結果反饋等六大步驟。
二、移動邊緣計算網絡及其關鍵技術
2.1移動邊緣計算網絡的工作流程
當用戶通過傳統網絡發起服務請求時，移動終端首先要接入基站。用戶的服務請求通過基站的轉發再經過核心網連接到目標服務器上。目標服務器處理完用戶請求之后，請求結果經過核心網、基站等逐層傳遞到移動終端上。當同一個基站下的其他用戶需要發起相同的內容請求時，上述的調用流程需要重復的進行，重復的內容請求浪費了大量的網絡資源。
在移動邊緣計算網絡中，移動用戶首先向ＭＥＣ服務節點請求服務內容。若ＭＥＣ服務節點沒有請求內容的緩存時，用戶的請求將通過ＭＥＣ服務節點被轉發到核心網中，並由遠端雲網絡的目標服務節點為用戶提供服務。若ＭＥＣ服務節點上緩存了用戶所請求的內容，ＭＥＣ服務節點將直接為用戶服務並返回相應的結果。通過該流程知，在移動邊緣計算網絡中，ＭＥＣ服務節點上一方面可以節省大量重復請求對核心網資源的占用，另外一方面可以降低對內容的服務時延。
對比可總結出移動邊緣計算網絡的以下幾個特點：
1）更低的響應時延
由於ＭＥＣ服務節點的存在，大置的業務內容會緩存在基站側。與傳統的網絡相比，ＭＥＣ服務節點上的業務內容大幅度接近用戶。大大的縮短了業務的持續時間和響應的時延
2）更少的資源占用
由於ＭＥＣ服務節點有大量的業務內容緩存，所以重復的請求不會再通過核心網傳遞給目標服務器，而是直接在ＭＥＣ服務節點上獲取結果。所以移動邊緣計算網絡能大量減少核心網中的重復內容請求，從而減少網絡資源占用，降低核心網的負擔
3）位置感知
移動邊緣計算網絡還能進行位置的感知。通過ＭＥＣ應用平台的無線網絡信息服務可以確定每個終端設備的位置。從而促進基於位置的服務和分析（如地圖應用，出行應用）。移動邊緣計算網絡還可以獲取實時的網絡參數，可以將這部分的數據提供給應用程序和服務，這樣就可以帶來基於網絡內容感知的差異化移動帶寬體驗。
綜上所述，移動邊緣計算網絡主要是有更低響應時延和更少的資源占用，能進行用戶位置感知的特點
2.2計算卸載流程
1）雲服務器發現
目的是要在當前的網絡中找到可執行計算任務的雲服務器。這些雲服務器可以是位於遠程數據中心的高性能計算機。在移動邊緣計算網絡中，雲服務器主要指的是MEC服務節點
2）任務分割
在任務分割時，移動應用將會被分為本地執行代碼和雲端執行代碼兩個部分。其中涉及本地１／０、涉及用戶交互的代碼必須在本地執行。而與本地設備交互少、代碼量少、計算量大的代碼則可以上傳到雲端執行。
3）卸載決策
卸載決策主要關注是否進行計算卸載。是否進行計算卸載主要依賴於計算任務在雲服務器執行的時延、能耗等開銷是否小於計算任務在本地執行時開銷。
卸載決策分為靜態決策和動態決策兩種。對於靜態決策，應用在運行前就已經決定某個模塊是否應該上傳到服務器執行。由於需要進行計算卸載的模塊己經確定，靜態決策具有任務執行速度快的好處，但是靜態決策是否有效取決於是否對任務運行的運行環境有准確的判斷和預測。
與靜態決策不同，動態決策是任務可根據實時網絡狀況、移動設備本身的運行狀況等因素來判斷任務是否進行計算卸載。
4）任務提交
任務提交是將計算任務上傳到雲服務器中。計算任務提交的方式有多種，可以通過３Ｇ／４Ｇ網絡進行提交，也可以通過Ｗｉ－Ｆｉ網絡提交。
5）任務遠端執行
智能移動終端將計算任務卸載到雲服務器上以后，雲服務器就會立即為該計算任務啟動一個虛擬機並執行該任務。
6）計算結果反饋
雲服務器把計算結果反饋給智能移動終端后，智能移動終端與雲服務器之間的網絡連接被釋放，計算卸載過程結束。
三、傳輸與計算資源聯合決策的計算任務卸載方案
在一個多用戶，多ＭＥＣ服務節點的網絡場景中研究／如何為用戶選取合適的ＭＥＣ服務節點進行計算卸載的問題。提出了傳輸和計算資源聯合決策的計算任務卸載算法。
傳輸和計算資源聯合決策的計算任務卸載算法主要解決了ＭＥＣ服務節點選擇問題和提高用戶公平性問題。其中，通過改進匈牙利算法解決ＭＥＣ服務節點選擇模型提出的問題，為用戶選出傳輸代價最低的ＭＥＣ服務節點。其次，通過優先服務低吞吐量的用戶來提高用戶的公平性。
3.1.1改進的匈牙利算法能實現用戶以最低的傳輸代價接入ＭＥＣ服務節點。在匈牙利算法中，用戶有可能一直接入虛擬信道。也就是說，如果用戶對每一個信道的傳輸代價都比較大，有可能導致該用戶一直在等待，而沒有進行計算卸載。結果導致該用戶不得不在設備上執行計算任務，從而影響應用的正常使用。
3.1.2提高用戶間公平性
匈牙利算法中由於存在飢餓問題，而無法保障保證用戶間公平性。本文采用優先服務低吞吐量的用戶的方式來解決上述問題
四、基於拍賣模型的移動邊緣計算節點選擇策略
本文首先描述了多用戶、多ＭＥＣ服務節點的網絡場景。其次，建立了基於資源受限的ＭＥＣ服務節點匹配模型，該模型以拍賣理論為基礎，目標是優化ＭＥＣ服務節點收益，同時充分利用ＭＥＣ服務節點資源。再次，提出了基於二維資源拍賣的用戶－服務節點匹配算法，以為用戶尋找到合適的計算任務卸載節點。最后通過仿真證明了該算法的有效性，該算法能使ＭＥＣ服務節點在充分利用資源的同時獲得較高的收益。
本文把傳輸資源和計算資源抽象成兩種物品，ＭＥＣ服務節點上的計算總容量和傳輸資源的總容量看成兩個背包。用戶在拍賣中的出價看成是兩個物品的共同受益。從而把ＭＥＣ服務節點資源的配資看成是一個二維的背包問題。通過背包問題可以獲得ＭＥＣ服務節點的最大收益。
本小節主要描述算法的實現。對於所有的用戶和基站，首先進行用戶和基站信息的初始化。初始化信息包括基站個數，基站資源總量，單位資源的大小，用戶個數，用戶的隨機坐標等等。
五、總結
在傳輸和計算資源聯合決策的計算任務卸載方案一章中，本文首先建立了ＭＥＣ服務節點選擇模型。該模型以最小化用戶接入ＭＥＣ服務節點的傳輸代價為目標，聯合考慮了傳輸與計算資源的分配來為用戶選取合適的ＭＥＣ服務節點進行計算任務卸載。一個合適的ＭＥＣ服務節點是指服務器上的計算資源能滿足用戶的計算需求，並且其傳輸代價較低。其次，提出了基於傳輸和計算資源聯合決策的計算任務卸載算法，該算法通過改進的匈牙利算法保證用戶接入ＭＥＣ服務節點的傳輸代價較低，還通過優先服務低吞吐量用戶的方式提高了用戶公平性。最后，通過仿真證明了該算法的有效性，該算法能實現較低的傳輸代價，提高用戶的公平性。
在基於拍賣模型的移動邊緣計算節點選擇策略一章中，在考慮ＭＥＣ服務節點資源受限條件下，提出了多用戶、多ＭＥＣ服務節點匹配方案。本文首先描述了多用戶、多ＭＥＣ服務節點的網絡場景。其次，建立了基於資源受限的ＭＥＣ服務節點匹配模型。該模型通過時延和能耗要求（用戶的需求）計算用戶在計算卸載時需要的計算資源和傳輸資源，將資源按照基本單位分割。用戶申請的傳輸和計算資源只能是基本單位的整數倍，簡化了資源的分配。另外，模型以拍賣理論為基礎，采用了多輪提價拍賣的做法優化了ＭＥＣ服務節點收益。再次，提出了基於二維資源拍賣的用戶－服務節點匹配算法，以為用戶尋找到合適的計算任務卸載節點，同時充分利用ＭＥＣ服務節點資源。最后通過仿真證明了該算法的有效性，該算法能使ＭＥＣ服務節點在充分利用資源的同時獲得較高的收益。