面向多接入边缘计算的计算卸载方案研究综述.pdf

计算机科学与探索Journal of Frontiers of Computer Science and Technology1673-9418/2023/17(09)-2030-17doi:10.3778/j.issn.1673-9418.2301068面向多接入边缘计算的计算卸载方案研究综述张冰洁，杨彦红+，曹少中北京印刷学院 信息工程学院，北京 102600+通信作者 E-mail:摘要：物联网盛行背景下海量大规模机器通信时代的发展带来数据流量的爆炸式增长，传统的云计算模式不再满足终端数据处理低时延和低能耗的需求，靠近终端侧分布式多节点的多接入边缘计算（MEC）正在成为解决该问题的最佳选择。计算卸载作为MEC的关键技术，卸载性能受多种因素的影响，存在很大的优化空间，如何设计出高性能的计算卸载方案成为国内外学者主要的研究目标。综述了面向MEC的计算卸载方案，介绍了MEC的概念，梳理了MEC的发展与应用、计算卸载的执行过程，对近期关于计算卸载的研究方法进行分析对比，针对不同的改进，归纳总结出以计算卸载系统环境和计算卸载时延、移动设备能耗以及综合多个评价指标为优化方向的计算卸载方案。提出当前面向MEC的计算卸载存在的资源分配问题、通用性与安全性问题，并且基于现有的这些问题展望了未来研究方向。关键词：多接入边缘计算；计算卸载方案；负载均衡；延迟最小化；降低能耗文献标志码：A中图分类号：TP338Review of Computing Offloading Schemes for Multi-access Edge ComputingZHANG Bingjie,YANG Yanhong+,CAO ShaozhongSchool of Information Engineering,Beijing Institute of Graphic Communication,Beijing 102600,ChinaAbstract:Under the background of the Internet of things,the development of massive and large-scale machinecommunication has brought about the explosive growth of data traffic.The traditional cloud computing model canno longer meet the needs of low delay and low energy consumption of terminal data processing.Multi-access edgecomputing(MEC)with distributed multi-nodes near the terminal side is becoming the best choice to solve thisproblem.Computational offloading is the key technology of MEC,the offloading performance is affected by manyfactors,and there is a large space for optimization.How to design a high-performance computational offloading schemehas become the main research goal of scholars at home and abroad.This paper reviews the research of computingoffloading scheme for MEC,introduces the concept of MEC,sorts out the development and application of MEC,and the execution process of computing offloading,analyzes and compares the recent research methods ofcomputing offloading.According to different improvements,a computing offloading scheme is summarized whichtakes the offloading system environment,offloading delay,energy consumption of mobile devices and multiple evaluationindexes as the optimization direction.The problems of resource allocation,universality and security in MEC-oriented computing offloading are presented,and the future research directions are forecasted based on these problems.Key words：multi-access edge computing;computing offloading solution;load balancing;delay minimization;reduceenergy consumption基金项目：北京市自然科学基金-北京市教委科技计划重点项目（KZ202010015021）。This work was supported by the Natural Science Foundation of Beijing-Key Project of Science and Technology Program of Beijing Mu-nicipal Education Commission(KZ202010015021).收稿日期：2023-01-31修回日期：2023-04-27张冰洁 等：面向多接入边缘计算的计算卸载方案研究综述传统的云计算是终端设备因应用需求产生计算流量，计算流量传输交付到数据中心，经过云服务器计算产生内容流量返还给终端的计算方式。由于是单点对多点的模式，将会导致在终端设备数据流量大幅增长时期云服务器计算量过大以及流量数据传输等待时间过长的问题。在这种情况下引入MEC可以减轻数据中心的计算压力。多接入边缘计算被大家熟知的叫法是移动边缘计算。移动边缘计算的概念在 2013年被正式提出，它以支持蜂窝移动网络形式的通信链路为目标。随着通信技术的进步，通信链路的形式不断发展，移动边缘计算支持的接入方式需要从蜂窝移动网络扩展到Wi-Fi等其他无线接入网络，移动边缘计算的概念也在 2016年被更改为多接入边缘计算（multi-accessedge computing，MEC）1。MEC 是 联 结 信 息 技 术（information technology，IT）、通 信 技 术（communi-cation technology，CT）、运营技术（operational techno-logy，OT）的纽带，需要运营商、设备提供商、云服务公司、标准组织参与共同部署2。当前，作为第五代移动通信技术（5G）的重要技术之一，国内外运营商依托于原有的基建设施致力于部署MEC并将其引入垂直行业，探索5G+MEC的行业解决方案，占领行业市场。运营商通过与云服务公司合作，开发 MEC技术，打造开放的 MEC生态系统，推动 MEC的规模化应用与发展。不同于云计算，MEC的边缘服务器数量多、分布密集而且距离终端设备更近，因此使用边缘服务器完成数据处理相较原先的云计算方式既缩短了传输时延，又释放了中心服务器资源，同时也减轻了终端设备的负担。虽然终端设备本身也具有一定的计算能力，但是仍要将计算任务卸载到边缘服务器上执行计算是因为终端设备的计算能力有限和存储空间受到设备技术的限制而无法满足用户日益增长的服务感知需求，计算卸载可以很好地缓解终端设备的这些缺点。终端设备可以通过将计算任务卸载到边缘服务器，利用边缘服务器强大的存储和计算能力处理不同的计算任务，降低设备自身损耗，延长设备使用寿命。MEC在数字经济时代承载了各领域对高效算力的需求，结合大数据、人工智能等关键技术，在网络边缘侧消耗处理终端产生的数据，提供快速服务响应，为产业数字化转型赋能。MEC使应用本地化和计算边缘化成为现实，在一定程度上保障了数据存储安全，提升了用户体验感知，促进了自动驾驶技术的研究，工业制造领域的产能提升，智慧安防等城市建设领域的智能化发展。在边缘服务器执行计算任务的过程中，完成计算任务的时延和能耗是评价计算卸载性能好坏的关键指标。如何进行计算卸载，如何分配资源相对有限的边缘服务器，计算任务应交由终端还是边缘服务器处理成为影响不同卸载方案性能的关键因素而备受关注。此外，由于基础通信网络的制约，在第三代移动通信技术（3G）和第四代移动通信技术（4G）时代的物联网技术虽然已经初具规模，却没有取得突破式进展。近些年来，随着5G通信技术的飞速发展，基础通信设施的完善更加坚实了物联网的发展基础，物联网的应用价值随之提升到了前所未有的新高度。智慧城市、车联网、智慧工农业、可穿戴设备等业务应用遍地开花，催化了终端设备推陈出新，物联网终端设备的种类和数量也突飞猛涨。为了满足用户体验感知，降低对终端设备的要求，设计出高性能的计算卸载方案是一项具有挑战性的难题。本文综述了面向 MEC的计算卸载方案研究，首先介绍了 MEC的基本概念和架构，然后通过对近期面向 MEC的计算卸载研究方案进行对比，分析了面向MEC的计算卸载过程中系统环境问题、时延问题、能耗问题和综合多目标优化问题，归纳了提升计算卸载性能的方法，提出现存问题和未来研究方向，最后总结全文。1MEC及面向MEC的计算卸载概述本章详细介绍了 MEC的基本概念和架构，阐述了MEC的应用范围和面向MEC的计算卸载步骤。1.1MEC基本概念由于越来越多的数据在网络边缘侧产生，云计算具有远超终端设备的处理能力，将计算任务卸载到云服务器计算已经被证实是一种高效的数据处理方式。但是与快速发展的数据处理速度相比，网络带宽的进步相对缓慢，宽带瓶颈影响数据传输速度，成为云计算发展的阻碍。作为云计算的优化和补充，Shi等人3对MEC的定义是通过合理利用数据源和云服务器路径上的任何计算能力和网络资源，在网络边缘侧执行计算的使能技术。欧洲电信标准化协会（European Telecommunications Standards Institute，ETSI）将MEC定义为在无线接入侧部署服务器，从而在网络边缘为用户提供IT服务环境和云计算能力4。MEC是由云计算延伸出的一种新型计算模式，2031Journal of Frontiers of Computer Science and Technology计算机科学与探索2023,17(9)可以统一多种网络及终端的兼容接入，支持多种形式的通信链路场景。相对于云计算而言，MEC具备服务器部署在边缘侧的特点，可以最大限度地减少云端数据往返，这不仅降低了时延和排队过程中的网络压力，而且对能量受限的终端设备来讲，具有更加节能的优点。此外，分布式密集部署的边缘节点为终端计算任务的卸载提供了更多选择方式，终端产生的数据可以上传到不同的边缘节点完成数据处理。因此，面向 MEC的计算卸载可以有效满足各类时延敏感型应用和计算密集型应用的需求。然而由于 MEC的计算资源分散，在应用过程中面临着资源管理方面的难题。边缘节点只服务一定区域范围内的终端用户，终端的移动会引起边缘节点的频繁切换，为了保证应用的连续性，MEC的资源切换与移动性管理问题也尚待解决。接入方式的多样性和有限的边缘节点计算资源意味着MEC的通用性和资源最大化问题凸显，如何开发更适用于 MEC的虚拟化技术也是一项重大的挑战。1.2MEC架构现行的 MEC框架是 2015年 ETSI发布的关于移动边缘计算白皮书中提出的云-边-端三层架构。2017 年 4 月，Linux 基金组织启动开源项目 Edge XFoundry，目标是创建MEC标准化通用框架。2018年11月，边缘计算产业联盟与工业互联网产业联盟联合发布了 边缘计算参考架构3.04-6。在传统的集中式云计算架构中，终端设备位于底层，云计算平台位于顶层，终端产生的计算任务需要经核心网上传到数据中心完成统一处理，然后将处理结果由核心网分发至终端，这无疑给中心机房和传输网络造成了巨大的压力。MEC的应用减轻了中心机房的负担，缓解了传输网的压力，将更多的计算任务分解在边缘层处理计算，同时带来了更快速的请求响应和更低的能量消耗。在 MEC 架构中，通过用户面功能（user plane function，UPF）网元分布式部署完成了核心网部分功能下沉，并且在靠近终端的边缘侧部署大量的边缘网关、服务器等，使边缘侧与蜂窝基站和无线接入点有相似之处，具有类似云的计算和存储能力，为用户提供通信和计算服务7，终端产生的计算任务不再需要往返于核心网就能在边缘侧完成计算，从而实现计算任务的高效处理，满足用户体验感知。随着互联网的发展，万物互联时代的迫近，几乎所有类型的电子设备都将成为物联网的一部分，它们将扮演数据生产者和数据消费者的双重角色8，有数据显示以一分钟为时间单位统计，YouTube用户上传大约72 h的新视频内容，Facebook用户分享近250万条内容，Twitter用户推文接近30万次，Instagram用户发布近220 000张新照片9。终端设备产生的数据量已远超云计算的瞬时处理能力，以边缘服务器作为计算卸载的选择可以很好地平衡云计算资源不足和海量数据云计算处理时延高的缺点。即将边缘层添加到两层的云计算架构中，形成一种名为 MEC的新架构10。作为分布式的新型计算模式，云层处于 MEC架构的顶层，由众多高性能服务器组成，拥有最强大的存储能力和数据处理能力，可以完成高度复杂的计算任务。云层负责必要的数据信息汇集和集成、模型和业务的部署与执行。边缘层作为MEC的中间层存在，可以是边缘服务器、边缘网关、边缘控制器、路由器、交换机等形式，用来协助云层完成数据处理计算，通过合理的资源管理调配，对数据进行初步的分析判断，在计算能力范围内为终端层提供快速服务响应。MEC架构的底层是终端层，也是设备种类和数量最多的一层，小到传感器、智能手机，大到工业生产机器等物联网设备都属于终端层，它们的计算和储能十分有限，但又需要时刻感知数据、收集数据并做出处理计算。为了弥补终端设备的缺陷，边缘层和云层的存在至关重要。例如，在 MEC环境下的室内定位应用中，智能定位模型构建与更新的过程在云服务器中完成并存储，边缘服务器中仅存放从整套模型中选取的部分具有代表性的模型进行定位估计11，经移动设备、传感器和各种新兴物联网设备的无线信号传输，实时响应生成位置信息。MEC 通过将计算和存储能力向网络边缘侧迁移，为多领域提供高可靠、低时延、低能耗的数据处理能力，具有更接近数据源、节点数量多、计算任务处理更加灵活的特点，适合处理对计算时延要求高的短周期数据9。例如，在人脸识别应用中，Yi等人构建了一个概念验证平台来运行人脸识别应用程序12，通过将数据计算从云端转移到边缘端，响应时间从900 ms缩减到了169 ms。使用下沉到用户侧的边缘服务器卸载可穿戴认知辅助设备的计算任务时13，响应时间的提升可以达到80 ms到200 ms。另外，Yuan等人通过应用 MEC 完成无线边缘缓存与终端车辆智能交互，促进了高效安全的智慧交通体系建设14。当前MEC凭借其计算能力和存储方面的优势受2032张冰洁 等：面向多接入边缘计算的计算卸载方案研究综述到低时延大连接大带宽业务的青睐15，被广泛应用于智慧城市、智慧医疗、工业互联网、能源互联网、车联网、智能家居、云游戏等大数量级终端设备的多形式广域通信链路场景。MEC为终端用户提供特定区域覆盖、数据可靠传输、业务安全隔离、设备可管可控的基础连接网络，帮助应用数据提供商将业务数据下沉到边缘侧，有效降低了计算和时延成本，提高了交互服务质量，提升了用户体验感知。人们日常生活中随时随地都在产生数据，面对数据流量的迅速增长，MEC的应用场景将更加宽泛，但是由于计算卸载系统中存在边缘服务器数量多、单个边缘节点计算资源有限、数据量动态变化、终端设备接入量大的问题，针对不同优化目标的计算卸载方案研究更有价值。1.3面向MEC的计算卸载步骤面向MEC的计算卸载不仅满足了终端设备计算能力的扩展需求，而且提高了用户服务质量（qualityof service，QoS），降低了应用程序的延迟和能耗16。计算卸载是一项相当复杂的工作，整个过程包含计算任务调度、分配、迁移和执行，卸载效果受通信资源和服务器计算资源的影响对外表现为时延和能耗。此外，计算卸载方案决定了终端产生的计算任务卸载方式，全部卸载或是部分卸载，卸载到边缘服务器或是本地执行，其中需要卸载的计算任务选择合适的边缘节点完成计算对时延和能耗这两个卸载方案评价指标起着至关重要的作用，面向 MEC的计算卸载步骤如图1。面向MEC的计算卸载模型中终端设备需要先通过无线网络连接到基站，进而将计算任务卸载到边缘服务器，边缘服务器接收请求并完成处理和回传17。具体细分为六个步骤执行。（1）可卸载节点感知终端产生计算任务，有将计算任务从终端卸载到服务器的计算卸载需求后，首先要在多信道干扰受限的无线通信环境中感知网络中可以进行计算卸载的 MEC服务器节点以及信道占用情况18，找到可以使用的通信和计算资源。（2）计算任务划分将终端产生的计算任务采用相关算法划分为可以卸载到服务器执行计算的可卸载部分和只能在终端执行计算的不可卸载部分，其中可卸载部分仍能继续划分为更小的任务单元19，卸载到不同的服务器计算处理。（3）卸载决策制定根据不同优化目标设计的计算卸载方案做出卸载决策，解决包括要不要卸载、按什么样的比例卸载、子任务的卸载顺序、卸载到哪个服务器执行、通信和计算资源的分配等问题20。计算卸载方案决定计算卸载的性能，是计算卸载过程中至关重要的一部分，也是研究的重点对象。（4）计算任务传输终端设备做出卸载决策后，将计算任务通过无线网络按卸载决策提交到目的服务器，在这个步骤中按卸载决策提交计算任务能够最大限度地利用通信和计算资源，降低时延和卸载开销，提升计算卸载性能。（5）计算任务执行服务器在接收到计算任务后应用虚拟化技术启动虚拟机21，根据卸载决策完成服务器计算资源分配并执行计算，在不影响用户体验感知的情况下于虚拟机中完成计算处理。（6）计算结果回传服务器将执行完的计算结果通过下行链路回传给终端，计算卸载过程结束。面向MEC的计算卸载将移动终端产生的计算任务卸载到边缘服务器执行，只将计算结果回传给终端，这种计算任务处理方式具有以下特点：（1）在边缘侧进行高效的计算，缓解了传输网和数据中心的压力，降低了传输成本。（2）大量的边缘计算节点为计算任务提供了更多的卸载选择，通过在不同的MEC服务器执行计算任务，降低了时延和能耗。（3）面向MEC的计算卸载根据不同的计算卸载方案可以实现资源利用最大化，时延、能耗最小化，为终端提供更可靠的服务质量。图1面向MEC的计算卸载步骤Fig.1MEC-oriented computing offloading steps2033Journal of Frontiers of Computer Science and Technology计算机科学与探索2023,17(9)2面向MEC的计算卸载方案计算卸载性能受终端设备、边缘设备、通信资源和卸载系统环境的影响，不同的卸载方案存在着性能差异，而且由于影响因素的多样性，提升面向MEC的计算卸载性能的方法也多种多样。这里根据计算卸载方案的优化目标不同分类为计算卸载系统环境优化、终端计算卸载时延优化、移动设备能耗优化、面向 MEC的计算卸载综合多目标优化。面向MEC的计算卸载系统环境优化包括边缘服务器负载均衡优化和卸载系统成本优化。负载均衡优化的对象为通信和计算资源，成本优化针对整个卸载系统，通过优化基础设施和系统组成成员条件推进计算卸载方案的研究，为终端计算卸载时延优化、移动设备能耗优化、面向MEC的计算卸载综合多目标优化提供合适的计算卸载环境，提高系统整体性能。终端计算卸载时延优化以降低计算任务的传输和处理时间为最终目标，基于计算任务队列状态、信道特性、边缘节点可用功率制定卸载决策。移动设备能耗优化主要是降低整个计算卸载系统完成卸载任务过程中的能量消耗，可以最大限度地延长设备使用时长。面向MEC的计算卸载综合多目标优化针对计算卸载系统资源分配、完成计算任务的时延和能耗进行权衡考虑，联合优化多个目标，选择最佳卸载策略，提升计算卸载性能。2.1面向MEC的计算卸载系统环境优化MEC为了保障通信质量的低时延和高可靠，在边缘侧建设了大量边缘服务器，相比云计算的计算卸载，边缘计算的多节点卸载决策必须权衡不同节点的待处理负载、数据传输带宽、存储空间等资源，合理分配计算任务，从动态的服务器资源池中选择计算能力和通信资源合适的边缘服务器完成计算卸载，优化服务器的负载均衡问题，提高服务器利用率，提升计算卸载性能。面对复杂且动态变化的边缘网络环境，传统的启发式计算卸载算法难以与环境数据进行实时交互，得到的卸载决策往往为局部最优解，无法获取高性能的计算卸载策略22。Meng等人23构建服务器负载均衡模型，将目标函数描述为延迟和负载平衡的总成本最小化。为了解决这个典型的NP难题，作者将 优 化 问 题 模 型 转 化 为 马 尔 可 夫 决 策（Markovdecision process，MDP）过程，定义状态、动作、奖励，提出一种基于深度确定性策略梯度（deep determinis-tic policy gradient，DDPG）的任务卸载方法，移动终端和边缘服务器（edge computing，EC）不断从周围环境中学习最佳策略，尝试不同的卸载方式，马尔可夫链不断产生独立的顺序状态表征 MDP 存储在经验回放池，代理从中采样计算最优值函数直到模型收敛得到一个训练好的 DDPG模型。模型收敛时得到的任务卸载配置文件即为任务快速增长情况下能够取得较高服务器利用率的计算卸载解决方案。提高边缘服务器的资源利用率还可以通过局域网（local area network，LAN）在协作的边缘服务器集群间相互转移工作负载，Zhang等人24考虑了一个离散时间运行的端-边-云三层协作 MEC 系统，系统采用软件定义网络（software defined network，SDN）技术和SDN控制器实现边缘服务器之间的通信和负载均衡。首先制定一个能耗和执行延迟加权和的总成本最小化问题，然后提出一种基于李雅普诺夫的集中成本管理算法（Lyapunov-based centralized cost ma-nagement algorithm，LYP-CCMA），然而这种方法只能获得一个时隙内主要的并行卸载数据大小和最佳负载均衡决策。由于最终需要的是获得每个终端设备的并行卸载和资源分配决策，Zhang等人再次提出了两种基于交替方向乘法器（alternating directionmethod of multipliers，ADMM）的算法实现分布式资源分配，分别用于优化并行卸载决策和带宽资源分配。在 ADMM优化方法下两个子问题快速收敛，获得最优系统成本的并行卸载和资源分配决策，优化服务器集群间的负载均衡，使得 MEC系统可以在相同的计算能力下执行更多的工作负载。除了上述关于服务器资源分配的计算卸载方案研究，车载边缘计算场景下的负载均衡对流量高峰时段的计算卸载系统性能提升至关重要。车载边缘计算作为面向MEC的计算卸载典型案例为时延敏感的车载网络提供了一种有前途的解决方案，车辆通过路边单元（roadside units，RSU）将部分对延迟敏感要求高的计算任务卸载到计算资源更加丰富的边缘服务器处理，通常情况下选择计算任务就近卸载，但是这种卸载方式在车辆密集情况下将导致网络拥塞和边缘服务器负载不均衡，进而引起资源利用率低的问题。由于车辆边缘计算（vehicular edge compu-ting，VEC）网络中关于计算任务卸载的工作大部分没有考虑边缘服务器计算资源的负载平衡，Zhang等人25将 SDN 引入车载网络，对车辆和网络中获取的信息进行集中处理，提出一种基于 SDN的负载均衡任务卸载架构，将卸载问题表述为约束优化问题，提2034张冰洁 等：面向多接入边缘计算的计算卸载方案研究综述出一种近似卸载方案，比较满足时延约束的卸载决策计算任务分配情况，根据边缘服务器的负载状态迭代更新权衡任务执行时间和数据传输时间对计算任务卸载决策中的边缘服务器优化选择。同样作为车载边缘计算中关于负载均衡的研究，Dai等人26考虑车载环境中基于竞争的 IEEE 802.11p标准建模了一个由多个移动车辆和 RSU组成的 VEC网络，联合负载均衡和计算卸载将问题表述为混合整数非线性规划问题，提出一种复杂度更低的联合最优 VEC服务器选择和卸载算法，以分布式方法找到优化问题的卸载方案，使服务器之间达到良好的负载均衡，实现最大化系统效用。相关方案对比结果如表1。合理的计算卸载决策可以在有限的边缘服务器之间平衡工作负载，最大化边缘服务器计算效用。通过利用多个边缘服务器之间的协作，保障卸载服务期间的负载均衡来提高计算能力，期间每台边缘服务器要处理的工作负载尽可能均匀分布，避免出现部分服务器工作超载而部分空闲的现象，提升计算卸载性能，延长边缘服务器的使用寿命。计算卸载系统的参与对象包括终端用户、应用数据提供商、边缘基础设施提供商。应用数据提供商向边缘基础设施提供商租用虚拟资源为移动用户提供服务实现最大化收益。边缘基础设施提供商通过统一管理部署大量的计算设备，在计算卸载系统中为应用数据提供商提供资源管理运维营收。由于终端设备产生的数据量呈指数增长趋势，终端用户对大型计算资源的需求不断增加，数据中心的更新升级也逐渐加快。然而数据中心是最耗能的建筑类表1面向MEC的计算卸载系统环境优化方案对比Table 1Comparison of MEC-oriented computing and unloading system environment optimization schemes作者Meng等人Zhang等人Zhang等人Dai等人Ren等人Xia等人Zeng等人Xu等人Song等人方案方法基于深度确定性策略梯度（DDPG）任务卸载算法基于李雅普诺夫的集中成本管理算法（LYP-CCMA）；基于交替方向乘法器（ADMM）的算法基于博弈论的最近卸载算法和预测卸载算法；近似计算卸载方案（ALBOA)联合最优VEC服务器选择和卸载（JSCO）算法需求驱动的增量部署策略（DDID）部署边缘服务器使用整数规划技术解决成本最小的边缘数据分布（EDD）问题利用 WMAN 基础最小化 ESPP中边缘服务器需求量基于决策后状态（PDS）的学习算法降低备用电源成本和延迟成本提出两种算法解决最小成本最大流图的服务器任务分配算法优势算法迭代到 200 步逐渐收敛到最优解ADMM比基于次梯度算法的收敛速度更快，更容易实现在 2030 辆车的区域，算法可以收敛到0.07 s每辆车的计算资源分 配 方 案 可 以 在10 次 迭 代 内 实 现收敛具有低对偶间隙和小计算时间合理规模和密集规模下都能得到更低的计算开销满足冷却条件算法收敛，避免局部最优解具有简单的单调结构，收敛速度比传统的强化学习算法更快时间复杂度更低评价指标同服务器数量，较随机卸载提升48%；较时延最优卸载提升21%分布式算法通过资源分配优化负载均衡，达到更高的服务器利用率近似计算卸载方案（ALBOA）中每个边缘服务器的计算资源被平均利用JSCO综合考虑计算资源和卸载率，比基线方案获得15%的服务器利用率提升与一次性解决方案相比，DDID 平均降低了 18.85%的部署成本较其他三种代表性方法，EDD 策略能够以最低的成本分发数据GMEDS 和 SAMEDS 平 均分别减少 20%以上的边缘服务器PDS 学习算法在所有绿色能源供应水平下成本最低相同功率下比其他方案实现了8%到80%的高回报贡献与环境实时交互，良好地应对卸载任务增加的情况LYP-CCM算法实现最优系统成本；ADMM算法完成合理的分布式资源分配有效地利用边缘服务器的计算资源负载均衡实现卓越的计算卸载数据处理性能考虑了车辆的移动性，联合优化卸载率和选择决策，得到最大化系统效用按需分周期多次部署边缘服务器，获得了显著的成本节约最小化应用程序供应商数据分发过程中产生的传输成本利用现有资源，从经济学角度确保网络 QoS约束下最小化系统成本将 可 再 生 能 源 纳 入MEC，动态决策资源管理最小化长期系统成本有效利用可用功率在多任务情境中获得更加明显的经济效益应用场景动 态 变 化 MEC网络中的协同计算任务卸载协 作 MEC 系 统实现服务器间联合并行卸载和负载均衡的情况引入软件定义网络（SDN）的VEC网络由多个移动车辆和 RSU 组 成 的VEC网络物联网中的边缘服务器部署MEC环境中的应用程序数据分布无线城域网中的边缘服务器部署同一位置共享相同电源的多边缘服务器卸载系统边缘服务器的有效电源管理2035Journal of Frontiers of Computer Science and Technology计算机科学与探索2023,17(9)型之一，每层楼的能源消耗是典型商业办公楼的1050倍27。考虑到系统的良性运营，通过合理的资源管理部署优化成本，可以推动计算卸载系统动态健康发展，完善基础设施平台促进计算卸载性能提升。从边缘基础设施提供商的角度，现有研究大多假设边缘服务器已经正确部署，它们只关注如何最小化边缘服务器和移动用户之间的时延。Zeng等人28首次将研究点放在如何最大程度地利用现有无线城域网（wireless metropolitan area networks，WMAN）的遗留物来高效、经济地部署边缘服务器，确保在WMAN访问延迟要求的基础上解决最小化边缘服务器的数量问题。他们将WMAN划分为集群，将需要解决的问题转化为图论中的最小支配集问题，提出基于贪婪的最小扩展支配集算法（greedy based minimumextended dominating set，GMEDS）和作为补充算法的基于模拟退火的最小扩展支配集算法（simulatedannealing based minimum extended dominating set，SAMEDS）解决边缘服务器容量不受限制的不带约束边缘服务器放置问题；同时设计基于贪心的最小扩展支配集算法（greedy-based minimum extended do-minating set algorithm with capacity，GMEDSWC）解决边缘服务器容量有限的带约束边缘服务器放置问题。通过合成网络拓扑实验评估所提出的算法在服务器容量约束、节点度数约束、簇大小约束条件下对边缘服务器数量需求的影响，证明所提出的算法可以有效最小化边缘服务器放置问题中的边缘服务器需求量，对于有效且经济地部署 MEC服务具有启发性意义。物联网服务在规划期间保持线性稳定增长，预计年增长率为20%29。物联网设备和服务随着时间的推移不断增加30，边缘基础设施提供商一次性部署边缘服务器不仅无法满足未来的服务需求，而且容易消耗不必要的成本。从边缘服务器部署角度考虑优化成本问题，Ren等人31提出了一种需求驱动的增量部署策略（demand-driven incremental deploy-ment，DDID），以渐进方式部署边缘服务器，在规划范围的早期部署尽可能少的边缘服务器，解决周期数较少时多周期部署带来的成本消耗不足以抵消随机部署带来的成本增加问题。作者将MEC的服务需求分为刚性需求和非刚性需求，并且通过“支配水平”和“非支配差距”的概念，计算出物联网服务的非刚性需求程度。对于有刚性需求的服务，在其最大可接受距离范围内部署边缘服务器；对于没有刚性需求的服务，根据服务非刚性需求程度由高到低采用尽力而为的分配方案。紧接着，把在每个时期确定的最佳边缘服务器位置、时间、覆盖区域、合作关系和服务分配问题即边缘服务器增量部署问题表述为双层优化模型。然后，通过采用拉格朗日对偶的次梯度优化解决 NP-hard类多周期边缘服务器放置问题。通过更新任务分配决策中基于需求距离比的贪婪修复方法设计出一种改进的MOEA/D解决物联网服务分配子问题。最后，设计实验仿真构建三种不同大小的合成拓扑，采用随机多周期部署方法从部署成本和服务能力两方面评价 DDID 的性能。验证了在大型网络中所提出的方案与一次性解决方案相比，DDID平均降低了 18.85%的部署成本，并且随着时间的推移，DDID 的服务质量得到了相应提升。这为在规划早期尽可能少地部署边缘服务器提供了依据，在平衡边缘计算周期服务性能的前提下最大限度地降低了总部署成本。为了降低边缘服务器部署成本，Fan等人32提出了 CAPABLE（cost aware cloud-let placement in mobile edge computing strategy）方法，使用 CPLEX 求解器中的混合整数规划（mixed-integer programming，MIP）工具优化部署成本和使用CPLEX 的线性规划（linear programming，LP）工具优化每个时隙用户请求的E2E延迟之间的权衡使总成本最小化，证实了CAPABLE可以通过选择合适的权衡系数牺牲可承受的E2E时延节省部署成本。但是在高可用功率边缘服务器、低计算任务量下的计算卸载环境，该方案不能取得理想收益。为了顺应计算任务量的指数级增长，基于拍卖技术获得边缘服务器最大奖励可能对提升计算资源利用率、降低成本的计算任务卸载方案研究更加有效。对于应用数据提供商，将应用数据缓存在边缘服务器有助于减少其云端存储应用服务程序在处理用户请求时的时延和传输的数据量，传输数据量的减少带来相应数据传输成本的降低33。Xia等人34首次从应用数据提供商的角度研究MEC环境中的边缘数据分布（edge data distribution，EDD）问题，在满足应用数据提供商 EDD 时间限制条件下最小化 EDD成本，为应用数据提供商制定具有成本效益的数据分发策略。由于缓存数据需要评价不同方案中云服务提供商收取的云到边缘服务器（cloud to edge，C2E）和边缘服务器到边缘服务器（edge to edge，E2E）的数据传输费用，还需要满足供应商时间限制要求，即实际 EDD 成本和 EDD 时间消耗，研究将MEC环境中的EDD问题表述为约束优化问题，并证2036张冰洁 等：面向多接入边缘计算的计算卸载方案研究综述明流量约束的最小生成树（connectivity-oriented mini-mum Steiner tree，CMST）问题可以简化为 EDD 问题的一个实例，进而判定EDD问题是NP-hard问题。为了精确解决EDD问题，提出将EDD问题转换为整数规划模型的最优方法 EDD-IP，以最小化数据分发过程中产生的成本。由于 EDD-IP 在面临大规模场景的 EDD问题时计算开销常常高于运行时间限制，作者再次提出 EDD-A的近似方法，高效地找到非常接近最优解的解决方案最小化应用数据提供商的EDD成本，通过优化计算卸载系统运营环境促进用户数据请求的计算卸载性能提升。以计算卸载系统成本最小为优化目标，Xu等人35将可再生能源纳入 MEC，提出了一种有效的基于强化学习的资源管理算法，联合计算卸载问题和边缘服务器配置问题制定为 MDP过程，开发了一