导图社区 移动边缘计算环境中的计算卸载技术研究综述
移动边缘计算环境中的计算卸载技术研究综述-胡 恒，金凤林，郎思琪该综述的思维导图，系统地概述了“计算卸载技术”的多个方面。
社区模板帮助中心，点此进入>>
互联网9大思维
组织架构-单商户商城webAPP 思维导图。
域控上线
python思维导图
css
CSS
计算机操作系统思维导图
计算机组成原理
IMX6UL(A7)
考试学情分析系统
移动边缘计算环境中的计算卸载技术研究综述
引言
新型应用
计算密集型
时延敏感性
对网络提出更高的要求：更低的时延、更低的能耗、更高的带宽和更大的存储能力
计算卸载技术的目的
降低执行时延
降低设备能耗
移动边缘计算
MEC架构
MEC主机层
MEC 主机
虚拟化基础设施
通过虚拟化技术将各种标准的软硬件资源整合成虚拟资源池，为 MEC 应 用提供运行所需的资源，包括计算、存储和网络资源
MEC 平台
MEC平台是一个基本的功能集合，为 MEC应用提供了运行环境，使 MEC 应用能够发现、提供和使用 MEC 服务，并根据流量规则接受流量进行路由
MEC 应用
MEC 应用是在 MEC 主机的虚拟化基础设施上运行的 MEC 应用程序，根据请求利用虚拟化资源进行实例化，并作为虚拟机运行，与 MEC 平台进行交互以使用和提供MEC 服务
虚拟化基础设施管理器
主要负责对那些硬件资源和虚拟化的资源进行管理和监控，分配和回收虚拟资源
移动边缘平台管理器
主要负责管理 MEC 应用的生命周期，包括将与应用程序有关的信息通知移动边缘编排器；从虚拟化基础设施管理器接收一些关于虚拟化资源故障报错信息和性能指标信息，以进行进一步处理
MEC系统层
面向客户服务门户
一组能够为第三方客户提供服务的MEC应用程序，该门户与操作支持系统直接通信
设备应用程序
是指设备中运行的应用程序，通过用户应用程序生命周期代理与 MEC 系统通信
移动边缘编排器
是 MEC 系统层管理的核心，根据已经部署好的MEC主机，可用的软硬件虚拟资源，可用的 MEC 服务和拓扑结构来维护 MEC 系统的整体视图；在资源、服务和性能指标等条件的约束下，选择适合的MEC主机来实例化应用程序
操作支持系统
通过面向客户服务门户和设备应用程序接收与应用程序有关的一些请求，比如实例化应用程序，终止应用程序。并对这些请求进行判断，决定是否放行这些请求，对于放行的请求，操作支持系统会将这些请求转发到移动边缘编排器，进行进一步处理
用户应用程序生命周期代理
根据设备应用程序的请求进行管理，并与操作支持系统和移动边缘编排器进行交互，以进一步处理这些请求，允许实例化或终止应用程序（用户应用程序也是 MEC 应用程序，是通过设备应用程序响应用户的请求在 MEC系统中进行实例化的应用程序）
MEC部署方案
宏基站云
宏基站体型较大，能够承载的设备数量也很多，覆盖面积很广，一般都能够达到数十公里，距离设备不是很远。
优点：有很高的计算能力和大容量的存储能力，低时延
缺点：存在合法监听、计费等安全问题
适用场景：适用于覆盖范围较大的应用场景，比如中小型城市，且对于未来智慧城市的建设具有很大的推动作用
小区小型基站云
小区内的小型基站体型较小，覆盖范围也小，能够服务的终端设备数量相比于宏基站要少得多，计算和存储能力也相对较弱，但离终端设备的距离更近
优点：能够为终端设备提供低延迟的服务，提升用户的体验
缺点：存在计费、合法监听和鉴权等安全问题，同时安装成本也相对较高
适用场景：适用于覆盖范围较小的应用场景，比如小区、学校和大型商场等热点区域
核心网云
MEC服务器部署在核心网侧的分布式数据中心上
缺点：MEC服务器离终端设备距离远，也带来了高时延和高能耗等问题，增加了响应服务的时间，同时会占用核心网大量的计算、存储和带宽等资源
计算卸载技术及研究现状
计算卸载技术
两个方面
卸载决策：主要解决的是设备上的计算任务是否需要卸载，按照何种策略进行卸载，是完全卸载还是部分卸载等问题
资源分配：解决的是如何对计算、网络和带宽等资源合理分配的问题
计算卸载流程
寻找可用的MEC计算节点、程序分割、卸载决策、程序传输、执行计算和计算结果返回
卸载系统中的设备
代码解析器：用于确定哪部分任务可以卸载
系统解析器：用于监控卸载数据大小、执行任务的能耗和可用的带宽等各种参数
卸载引擎：用于决定任务是否可以卸载
卸载目标
最小化时延的卸载方法
如果任务需要卸载，则完成此任务所花费的时延包括上传任务到MEC服务器的传输时延、在MEC服务器上的执行时延和返回执行结果的传输时延
最小化设备能耗的卸载方法
如果任务在本地执行只需考虑设备本身能耗，若卸载到MEC服务器，除了设备自身能耗，还包括将任务卸载到MEC服务器上的传输能耗
权衡能耗和时延的卸载方法
联合优化时延和能耗也增加了问题的复杂度，在数学建模过程中，如何去求解获取模型的最优解或者次优解是个难题
卸载方式
粗粒度卸载方式
是将终端设备的整个应用看成一个整体，应用不可划分，设备上的应用要么在本地执行，要么进行卸载
不具有依赖关系的细粒度卸载方式
指将设备上的应用划分为多个子任务但没有考虑应用子任务间的依赖关系，子任务可以卸载也可以在本地执行，任务之间是独立的
具有依赖关系的细粒度卸载方式
具有依赖关系的细粒度卸载方式是指把设备的应用划分为多个子任务，并考虑子任务之间的依赖关系，一个子任务的输入依赖于另一个子任务的输出。通常将这种依赖关系建模为有向无环带权图的数据结构，图的节点代表每个子任务，权重代表执行成本，边代表任务之间的依赖关系，根据此图来考虑图中每个节点的卸载
MEC与D2D技术协作卸载方式
D2D： 通信技术作为 5G 的关键技术之一，是指两个设备不需要经过基站和核心网络就可以直接进行通信的技术。通过将 D2D 技术与 MEC 结合，用户可以借助D2D 技术将计算任务卸载到邻近的设备或者借助邻近设备将计算任务卸载到 MEC 服务器上进行计算
两种情况
一个是将支持D2D 技术的设备充当小的 MEC 服务器，利用其设备资源进行任务的计算，设备任务可以卸载到支持 D2D 技术的设备上或卸载到MEC服务器上或者本地行。
另一个是将支持 D2D 技术的设备充当中间器，当设备与MEC通信链路有问题时，通过将任务卸载到D2D设备，借助此设备，再将任务卸载到 MEC 服务器上执行。
面临的挑战
不同设备任务相关性方面
在不同设备上执行的任务通常也是具有相关依赖性的，一个设备上子任务的输入，依赖于另一个设备上的子任务的输出
两个难点
其中一个难点，需要考虑两个设备上具有依赖关系任务的位置，位置不同对系统总体性能的影响是不同的。针对此难点，需要一一考虑不同设备具有依赖关系任务的每一个卸载位置关系。
另一个难点，如果两个设备的任务依赖关系都分别建模为有向无环图，那么将会增加问题的复杂度。针对此问题可以在任务执行卸载前考虑运用剪枝或聚类技术缩小图的规模，来降低复杂度
移动性方面
如果能够对设备移动的方向进行提前预测，做到预先任务迁移，快速在服务器之间进行切换，让用户察觉不到服务的中断，这将更能提升用户的体验
难点：如何做到精准预测。可以通过与机器学习、深度学习相结合来解决设备行为预测问题。
安全性方面
解决方法
对访问服务器的设备进行身份的验证，防止非法设备攻击服务器上的应用程序和数据，造成隐私的泄露
也需要对服务器上的应用程序进行验证，防止设备被恶意攻击
考虑将以往的一些安全措施和 MEC 技术相结合，针对边缘网络环境来部署安全措施，以此来保证移动边缘网络环境的安全
干扰性方面
产生干扰的根本原因：竞争导致的资源的分配不均
难点：通过何种有效资源分配策略使得设备之间的干扰降到最低
