A_Survey_on_Mobile_Edge_Computing_The_Communication

看了一篇大一些的边缘计算综述文章，讲了移动边缘计算的整体内容和研究热点，前景等问题，文章名字是：A_Survey_on_Mobile_Edge_Computing_The_Communication_Perspective.
前面的部分的思维导图：

后面的具体内容笔记：

Part2 几种MEC模型
计算任务模型
构建计算任务模型存在很多关键因素：延迟、带宽、利用率、内容感知、普遍性和可拓展性。本节主要介绍两种模型：二进制和部分卸载
二进制模型
一些高度精确或简单的任务，无法被分割所以必须整体处理，不管是在本地或者移动服务器或卸载到MEC服务器，被称作二进制卸载。比如一个可以用三元函数表示的任务A(L, τd, X)，L：task input data size, τd: completion deadline, X: computation workload/intensity。
这三个变量的使用不仅捕捉到移动应用的关键性质，如计算和通讯需求，也促进了简单的运行延迟和能耗表现的提升。
部分卸载的任务模型
实践中，许多移动软件由多种程序或成分组成（比如AR中的计算部分），这使得植入细密的计算卸载单元存在可能性。尤其是那种可以一步分成两个部分的项目。
最简单的任务模型是数据分割模型，输入数据可以任意的分成几个不同的部分，并被MEC系统中的不同部分处理，比如平行处理。
但是很多程序中不同成分的相互依赖也是不可忽视的，因为它显著影响执行和计算卸载的程序，涉及以下原因：
*第一，执行命令顺序不能任意颠倒，因为有的输出的输入来自于其他部分
*第二，由于软硬件限制，一些程序可以远程执行，一些只能本地执行
任务模型所以比数据拆分模型更先进，比如taskcall graph.
这种图是典型的限制非循环图，用G(V, E)来表示，V代表不同程序，E代表相互依赖性。下图为三种模型，节点1和N必须在本地处理。

通讯模型

无线频道和有线接口在以下方面不同：
由于大气波导现象，反射和折射发生在环境中，这就存在失真和干扰。
无线广播会被其他占用相同频率的信号干扰，导致各自失真和干扰，
缺少频率是高频电台的天敌
所以需要用MEC来优化通信，MEC可以和无线AP合作。
移动设备的计算模型
本节介绍计算模型和评估方法
CPU的表现由时钟频率fm控制，前文中的A(L,τ, X)可以根据tm=LX/fm来计算，表明，高速CPU时钟是用来减少执行延迟，有着更高能耗的代价。能耗可以用Em = κLXfm^2计算。
MEC服务器的计算模型
和通讯延迟、本地计算延迟相比，服务器计算延迟是微不足道的，MEC服务器计算任务远小于计算容量。但是边缘服务器缺少计算资源，所以减少执行时长很关键。
确定性模型是用来优化精确服务器延迟，针对延迟敏感的应用。假设MEC服务器给不同移动设备分配不同的虚拟存储器，用f_(s,k)表示给k设备分配的CPU频率，t_(s,k)用来定义计算执行时间，则类似于C可以得到t_(s,k)=w_k/f_(s,k) ，Wk是处理计算卸载运行的CPU周期。
另一种模型假定MEC对于计算卸载执行任务平均，也就是，CPU周期平均分配到了各个移动设备，所以他们有着相同的执行延迟。在不失去相互联系的情况下，k定义为设备处理顺序，所以总的执行延迟定义为T_(s,k)=∑_(i≤k)▒t_(s,i) 。
对于延迟允许的应用，评价服务器计算延迟可以用随机模型推导。
MEC系统的能耗由CPU利用率，存储，内存，网络接口共同决定。有两种训练好的模型在MEC服务器的能耗处理中广泛应用。
一种是基于DVFS技术，考虑一个MEC服务器执行K个计算任务，第K个任务被分配了Wk个CPU周期，有着f_(s,k)的CPU周期频率。所以，总能耗（CPU+MEC）定义为Es
。
另一种模型是基于对最近的CPU利用率中的线性服务器能耗任务的观测。即使对于空闲服务器，平均下来，也会消耗高达70%能耗在CPU全速工作情况下。因此，Es可以由下式计算，Emax是满利用率的能耗，a是理想能耗的百分比，u表示CPU利用率，这个模型表示MEC应当让服务器可以切换到休眠在轻负载或者计算任务被分配到几个活跃服务器中时。
总结和视角
先进MEC设计应该融合先进无线通信和移动计算技术
不同的MEC应用应该选择不同的计算模型。
无线频段的情况显著影响计算分配的能耗水平，干涉减少技术可以进一步减少能耗
对于移动设备和MEC服务器，动态CPU周期频率控制都是控制计算延迟和能耗的关键技术。高频率高效率但是高能耗，需要寻求计算延迟和能耗折中的最优解
除了任务延迟，计算安排延迟也不可忽视，如果MEC有很小的计算容量或者很大的计算负载，平衡负载和智能安排计算策略应该被设计来减少总体的计算延迟。
模型总结：

Part 3 MEC系统中的资源管理
集中的无线和计算资源管理在实现高效低延迟的MEC系统中有着很重要的作用。

Single-User MEC Systems
Deterministic Task Model with Binary Offloading

单用户MEC系统中的二分卸载决定控制一个特定任务应该被卸载到边缘服务器或者本地计算。最优化卸载策略的研究可以追溯到传统云计算系统的研究上。通信连接有着一个固定比率B，w是一个任务的计算数量，fm是移动设备的CPU速度，d是输入数据的规模，fs是云服务器的CPU速度，将计算任务卸载到云计算，只有满足以下条件才能提升延迟表现w/f_m >d/B+w/f_s ，这一模型适用于需要大量计算和少量数据输入的情况，或者云服务速度很快，并且转换率足够高。
定义Pm代表移动端CPU能耗，Pt是传输功率，Pi是任务在服务器运行的时候的能耗，满足下面条件时，卸载任务可以帮助节省能耗pmw/fm>ptd/b+pi*W/fs
无线通信中，数据速率有时变性。数据速率变化，一方面因为时变信道，一方面因为传输能量，这就需要电源自适应的控制和数据调整策略的设计使得卸载过程更加高效。
香农公式：揭示能量和速率的关系。
本地执行的电源优化 DVFS技术，凸优化问题，在同一计算时长上CPU频率最优的最优解由KKT条件得到。
数据调度上，通过DP技术得到最优数据传输调度和得到期限问题上最小能耗的缩放比例原则。
Deterministic Task Model With Partial Offloading
相对复杂的移动应用可以被分解为一系列的子任务。
项目划分的全粒度被认为是任务输入数据可以被任意分割成本地和远程处理器。最小化受延迟限制的移动能耗问题需要实现对卸载率，传输能力和CPU周期频率的联合优化。
次优化算法，利用task-call模型讨论不同子任务之间的依赖关系，项目分区策略可以动态产生任务卸载的优化集。
【59】利用移动设备和MEC服务器之间的负载均衡，提出了启发式的程序分割算法去最小化执行延迟。
【96】具有规定资源利用限制的延迟最小化问题，提出了具有可靠性能的多项式时间近似解。
【60】为了实现通过计算卸载来最大化节能，使用整数规划的方法对调度和云卸载判决进行共同优化（整数规划是指规划中的变量（全部或部分）限制为整数）
【97】考虑到信道模型包括（阻塞衰落信道、独立同分布的随机数信道和马尔科夫随机信道），具有延迟限制的能耗优化问题被认为是随机的最短路问题，并且一次性执行策略被认为是最优的one-climb police。
Srochastic Task Model
特征：有着随机任务到达，到达但没被处理的任务会被计入任务缓冲队列
这样的系统长期平均能耗与决策任务相比更有相关性，而且最优化系统操作的时间相关性使得设计更加具有挑战性。
【101】为了在最小化移动能耗的同时保持时间超过ddl的程序比例在阈值内，文中提出一个基于Lyapunov optimization techiques的算法来决定从用户使用的一个app中卸载软件成分，这个应用中网络连接速率会随着地点变化而变化。
【102】设计了基于MDP的算法，能够控制本地处理和传输单元的状态和任务队列的长度，基于信道状态。
【100】和【104】在半MDP框架下同时控制CPU频率和数据率来减少长期执行的平均执行能耗。
【105】对于不同类型的应用，设计了一种Lyapunov基于最优化算法，来同时解冻卸载策略，任务分配，CPU时钟速率，并选择网络接口。
【106】多核应用设备中的类似问题。
Binary offloading
对于能量节省，当用户具有一个理想的信道或者移动设备具有很小的计算容量，此时的卸载计算优于本地计算，而且波速成形和MIMO技术的使用也减少了卸载时的能量消耗。
对于降低时延，当用户具有大带宽并且MEC服务器具有大的计算容量时，卸载计算优于本地计算。
Partial offloading
组成成分/数据的灵活分割。过卸载耗时耗能的子任务给MEC服务器，相比于二进制卸载，部分卸载能够节省很多能量并且减小计算时延。图理论是非常有用的工具，根据任务关系图进行任务调度。
Stochastic task models
任务到达和信道的时间相关性可以被用来设计合适的动态的计算卸载策略。通过卸载比例控制去维持用户和服务器的缓冲区任务稳定性是至关重要的。

单用户MEC系统研究论文对比
Multiuser MEC Systems
Joint Radio-and-Computational Resource Allocation
[82]多个用户分时占用一个边缘服务器并且有着不同的计算负载和本地计算能力。为了最小化总能耗，提出了一个凸优化问题。关键发现是控制卸载数据规模和时间分配的最优化策略有着简单的阈值结构。尤其是，根据用户信道条件和本地计算能耗提出了一个卸载优先函数。然后，优先级大于或小于阈值的用户会分别执行完整的和最小的卸载，从而满足给定的计算ddl。
【84】为了减少总能耗，MEC系统决定不同用户的移动传输功率并分配CPU服务器周期。最优化策略表明，存在着一种传输能力和分配的CPU周期之间的一对一最优化映射关系。
【99】更加深入研究最优化二进制卸载基于task-call graphs的模型
【110】考虑了MEC系统中多用户视频压缩并且最小化本地压缩，边缘云压缩，分割压缩卸载场景中的延迟。
【111】为了最小化能耗和延迟，通过separable semidefinite relaxation方法，优化卸载决策和通信资源的分配。
【112】上一文章的拓展，考虑了计算资源分配和处理能耗。
【107】在QoS限制下，服务提供者的收益最大化。假定的不同用户的固定资源使用导致一个半MDP问题，被转化成一个现行的LP模型。
【108】假定一个随机任务模型，多用户MEC的能耗和延迟平衡问题，Lyapunov optimization-based online algorithm解决通信和计算资源的联合分配问题。
【109】研究基于C-RAN的多用户MEC系统集中资源管理
基于游戏理论和分解技术的资源分配推动对分布式资源的研究，假定计算任务要么本地执行，要么通过单或多个干扰通道完全卸载。在固定的移动传输能力条件下，为了最小化总能耗，一个整数最优化问题被提出，叫做NP-hard方程。（只所有NP问题都可以在多项式时间复杂度内归约的问题，non-deterministic polynomial）
游戏理论技术被用于发展一种分布式算法从而实现纳什均衡(纳什平衡，又叫做非合作博弈均衡纳什平衡，在一个博弈过程中，无论对方策略如何，当事人一方均会选择某个特定的策略，则该策略被称作支配性策略。如过两个博弈的当事人策略组合分别构成各自的支配策略，那么这个组合就被定义为纳什平衡)。
对于每个用户来说，只有当接受的干扰信号小于阈值，卸载才是有好处的。
更进一步，对于每个用户有着多个任务，并且能够卸载计算任务给连接在同一个边缘服务器的多个Aps场景下实现分布式卸载。除了传输功率，也得考虑Ap扫描的电能和固定的电路效率。只有当一个新用户选择同一个AP能够达到更大的收益时，这个移动设备应该卸载计算任务到该AP上。
基于【85】中的模型，【86】研究移动传输能力和cpu周期分配的协同优化。
为了解决公式化混合整数问题，使用分解技术来最优化资源分配和有序的卸载判断。
尤其是，卸载决定问题被转化为子模块的最大值问题并且可以通过设计一种启发式贪心算法来解决。
相似的分解技术和连续凸优化近似技术被用来设计MEC系统的资源分配算法。
MEC Sever Scheduling
基于假设：用户同步性和本地-边缘计算的平行性
实际研究中需要放宽要求。
首先，不同用户的到达时间不同，总体异步性导致队列时延，因为边缘服务器有限的计算资源并且按照队列顺序进行缓冲和计算。
【118】为了处理任务到达的突发性，服务器调度与上下行链路传输调度相结合，使用排队理论来最小化平均延迟。
第二，即使对于同步的任务到达，执行不同种类的应用仍然会需要不同的延迟水平，要求服务器调度根据延迟需求安排不同的优先级。
【119】在预先资源分配后，MEC服务器需要在计算期间检查不同任务的ddl，并且适应性的调整任务执行顺序来满足不同的延迟需求。
最后，一些计算任务有着不同的独立子任务，程序的调度需要满足任务之间的独立性要求。
【120】中，有着连续子任务安排的任务模型使用最优化项目分区对付多用户，然后计算调度来最小化计算时间。一种试探性算法被提出来解决规定的混合整形问题。尤其是它首先优化不同用户的计算分区，寻找分区中的时间违法限制然后调整。
【116】task-call graph大大复杂了时间表征，为了解决，定义了一种测量每个子任务准备时间的方法：完成前面所有计算任务的最早的时间。然后用分布式算法统一优化移动cpu频率和传输效率从而减少能耗和计算延迟。
Multiuser Cooperative Edge Computing
两个优点使其成为有前景的技术。
首先，MEC系统计算资源有限，当大量卸载的移动用户使用时，可能会超载。这种情况可以通过点对点的移动协作计算减轻服务器负担。
第二，用户之间共享计算资源可以平衡不同用户不均衡的计算负载和计算能力的问题。
【121】研究如何检测和利用其他用户的计算资源，基于D2D
【122】基于D2D提出了异构MCC网络，这一创新框架能增强网络容量和卸载可能性。
【123】而且对于无线传感器网络，协同计算能增强计算容量。首先研究最小功耗下的最优化计算分区，这结果用于设计公平感知，高效节能的协作节点选择。
【124】用户节点之间共享计算能力可以显著减少通信量。
假设任务既可以卸载也可以本地计算，提出一种混合整型最优化问题来最小化系统通信量限制下的总能耗。为了解决这个通信问题分别基于代价和Lyapunov最优化策略提出了两种在线任务调度算法。
【125】部署一个辅助器，提出四槽联合通信协议，辅助器不只是计算用户卸载的部分任务，也充当中继节点来传递任务到MEC服务器。
【126】研究了点对点协同计算系统中的最优化卸载策略，这个系统中有时变的计算资源，基于辅助器CPU的控制文件和缓冲区大小，设计一个卸载可行通道。使用string-pulling策略实现最优卸载，就是拉一根线穿过隧道。
【127】基于lyapunov优化和游戏理论策略提出了一种在线节点卸载框架，可以时小基站之间的合作处理网络中空间分布不均的工作量。
Summary and Insight

各论文研究点对比
考虑有限的无线和计算资源多用户MEC系统，对于系统级的目标（比如最小化总移动能耗，用户获得最大信道收益，低本地计算能耗）有更高的优先级区卸载计算，因为他们可以贡献更大的节能。但是太多的卸载用户，将会导致服务器用户之间的互相通信和计算干扰，将会反过来减少系统收益。
为了高效的减少多用户的总计算延迟，MEC系统的调度设计应该给有更严苛延迟需求和更大计算负载的用户更高的优先级。同时，并行计算可以进一步提升服务器计算速度。
清理大量的分布式计算资源不仅可以缓解网络拥堵，也可以提升资源利用率，实现普适计算。这个愿景可以通过点对点的移动协同边缘计算实现，关键优势包括通过D2D技术实现短距离数据传输和计算资源和结果共享。
MEC Systems With Heterogeneous Servers
异构MEC系统：由一个中心云和多个边缘服务器组成，不同等级的中心云和边缘云之间的合作交互带来了很多研究挑战，最近有很大吸引力的研究是服务器选择、协作的计算迁移。
Sever Selection
关键问题是决定计算卸载的目的地，边缘还是中心云。
【129】提出一种利用边缘服务器近距离低时延和云计算资源丰富的特点最大化卸载成功率。尤其是当MEC计算负载超出给定阈值，延迟容忍的任务会被卸载到中心云来给延迟敏感的任务留下足够的边缘服务器计算资源。
【130】探索了多用户MEc服务器的选择问题，主要挑战来自于大量卸载计算和多用户选择边缘服务器的相关性。为了解决这个问题，构建一个堵塞游戏来最小化总能耗。
【131】提出允许移动设备将任务卸载到多个MEC的框架，并提出semidefinite relaxation-based算法来决定任务分配决定和CPU频率缩放。
Server Cooperation
通过服务器协作的资源共享不仅可以提升资源利用率和提升运营商收益，还可以给移动用户提供资源提上他们的使用体验。
【132】提出包括资源分配，收益管理和运营商协作的框架。首先，确定和随机用户条件下最优化资源分配得到最大收益。第二，考虑利己的云服务提供者，提出一种基于游戏理论的分发式算法来最大化运营商收益，实现纳什均衡。
【133】不同数据中心的资源共享，提出一种联合游戏理论，并通过稳定的保证收敛的博弈论算法验证。
【134】提出一种新的服务器合作方法，边缘服务器同时使用计算和存储资源，通过主动缓存计算结果来最小化计算延迟。相应的任务分配问腿被称为匹配游戏，并通过一种基于延迟接受算法求解。
Computation Migration
研究不同服务器之间的计算迁移，MEC系统之间的计算迁移产生于卸载用户的移动性。当用户移动到接近新的MEC服务器时，网络控制器会选择迁移计算到新的服务器或者还在最初的服务器计算，用新的服务器将计算结果发给使用者。
【135】计算迁移问题被制定为一个基于随机漫步移动模型的MDP问题。显示最优化策略有阈值结构，只有当两个服务器的距离满足两个给定阈值，才会进行计算迁移。
【136】进一步研究，边缘服务器中的工作负载调度和服务迁移集合，使用lyapunov optimization rechniques来最小化平均传输和重新配置成本。
【137】MEC服务器既可以本地处理计算任务的卸载，也可以迁移到中央云服务器。制定了一个优化问题来最小化移动总能耗和计算延迟。使用两阶算法解决此问题，首先通过半定松弛和随机化技术确定每个用户的卸载决策，然后为所有用户执行资源分配优化。
Summary and Insight
考虑有着多个计算任务和异化服务器的MEC系统，为了减少总计算延迟，将延迟不敏感且计算量巨大的任务分配到偏远云服务器，将延迟敏感的在边缘服务器执行。
服务器合作可以显著提高计算效率和资源利用率，还可以平衡计算负载在网络中的分布从而减少总计算延迟同时资源更好的利用。而且，服务器协同设置需要考虑时间和空间上的计算任务到达，服务器计算容量，时变信道和服务器单独收益。
计算迁移是一个高效的MEC移动性管理方法。是否迁移取决于迁移开销，用户和服务器之间的距离，信通条件和服务器计算容量。最好将用户迁移到附近服务器。

有着异构服务器的MEC系统资源管理论文论点总结
Challenges
Two-Timesacle Resource Management
在大多现存论文中，无线信道假设为静态，当信道连通时间小于延迟需要的时候，这一假设就是不合理的。这一问题即使对于单用户确定任务到达MEC系统也是很困难的。
Online Task Partitioning
为了易于优化，现存研究处理任务分区问题时忽略了无线通道的波动，并在执行程序开始前获取任务分区。这种离线任务分区决定，信道条件的改变可能会导致低效的甚至不可行的卸载，会使计算能力严重衰减。为了发展在线任务分区策略，应该将信道统计信息纳入到制定的任务分区问题中，这即使在静态信道情况下也属于NP-hard问题。【97】和【140】中，分别通过连续的或者树拓扑的任务关系图得到近似在线任务分区算法，但没有通用模型的解决方法。
Large-scale Optimization
在同时服务大量移动设备时，合作的多用户MEC服务器运行他们的资源被联合管理。然而，网络规模的增加给资源管理带来了大规模优化问题，关于大量卸载决定和无线电和计算资源分配变量。传统的终于联合无线电和计算资源管理算法需要大量的信息和计算，当应用在大规模MEC系统中时，将会不可避免的产生显著的执行延迟，并削弱MEC范例带来的潜在性能改进，例如减少延迟。为了达到高效资源管理，需要设计低复杂度，较少信号和计算开销的分布式的大规模最优化算法。尽管最近在大规模凸优化问题上的研究【141】提供有力的无线电资源管理工具，但是由于计算负载决定的优化问题的组合性和非凸性，不能直接使用上述算法，所以需要新的算法。

MEC系统的未来研究方向
Part 6 问题，挑战和未来研究方向
Deployment of MEC Systems
MEC系统的选择问题显著不同于BS的选择，边缘服务器的最优布局伴随着计算资源的补充，二者被部署成本限制。
为了迎合市场需求，MEC系统供应商提供的服务器密度很难抉择，很大程度上和建设成本和市场策略有关。大规模的特点使得传统基于模拟的方法不在适用，因而基于大规模网络分析的算法更加被接受。
Site Selection for MEC Servers
服务器建设考虑两个方面建设收入和计算需求，计算需求高人口稠密的地方需要更多的MEC服务器，但这种地方的租费贵，将MEC部署在电信基础设施微基站上是很好的方法。但是这不能解决所有的问题，一方面由于微单位设施的信号质量差，难以保证用户体验满意度。对于有些应用，例如智能家居，将计算资源挪到离终端用户更近的地方是需要的。这可以通过向mirco-cell中注入计算资源的方式实现，但存在一些障碍。
首先，由于物理限制，MEC服务器之类的计算资源远小于微宏基站，使得处理计算密集的任务成为一种挑战。一种可行的策略是简历一个MEC系统分级结构，用不同的通信和计算能力的服务器组成。
其次，一些用户自己布置的小蜂窝基站，没有和MEC制造商合作的动机，所以需要提供激励促使基站拥有着去租借站点。
最后，在微蜂窝基站上部署MEC服务器，可能面对安全问题，比如很容易接触和易受攻击。
不是所有计算热点都有通信热点，我们需要合理选择新地点，部署有无线收发器的边缘服务器，除此之外，地点的选择依赖于计算资源分配策略。高租金的地方最好分配大的计算资源来服务更多用户，获取更大收益。
MEC Network Architecture
未来移动计算网络被设想由三层组成：cloud, edge, service subscriber layer.

通过蜂窝网络中异构网路的分层类推，异构MEC系统也由多层组成。不同层的MEC服务器有着不同的计算能力和通信容量，这种结构不光可以保存异构网络带来的高效传输的特点，还可以通过把计算任务分配给不同层具有处理峰值计算任务的能力。然而计算容量供应的问题尚未解决，due to其他问题，例如运算强度，不同层之间的通信开销，计算负载分发配策略。
其他系列研究专注于提升用户订阅层的潜力，利用非专用的计算资源，减少了部署费用，但会出现资源管理和安全的问题，由于他的专一和自组织性质。
Server Density Planning
MEC的建造需要最优化不同类型的服务器组合，满足给定的预算和计算预期。使用数字仿真来计算这个问题非常的耗时且不可延展。使用随机几何理论在分析无线网络方向非常可行。但需要注意一下问题：
计算时间标量和无线信通的相干时间可能是不同的，这就是无线网络中存在的结果不能快速用到MEC系统中。可行的解决方法是结合马可夫链和随机几何模型来得到平稳计算表现。
计算卸载策略将会影响无线资源管理策略。
计算需求通常是不均匀的成群分布，所以不能使用均匀泊松点过程，需求更先进的点处理方法。如Ginibre a-determinantal point process来获取边缘节点的聚类行为。

Cache-Enabled MEC

视频播放需求大，热门视频可能被反复播放，基于此提出了wireless content caching or Femtocaching 通过将一些内容缓存到BS来避免反复访问。缓存是为了使内容接近用户，MEC是部署边缘服务器来处理计算密集型任务从而提升用户体验，cache-enabled MEC是将二者融合。

这样的系统中，MEC服务器可以缓存一些应用服务和相关数据库，为了解决多用户卸载任务，有一些问题需要解决。
Service caching for MEC resource Allocation
两种可行方法：
第一种是基于空间的受欢迎服务缓存，指的是根据特定地点和周围用户的普遍需求，在不同的MEC中缓存不同种类和数量的服务。这需要建立一个空间应用欢迎程度分布模型，去特征化不同地区各种应用的流行程度。基于此我们采用不同的最优化算法，例如游戏理论和凸优化技术。
第二种是临时欢迎度驱动服务缓存模型，与第一种不同的是，这一模型只在一个时间段里使用欢迎度模型，比如用户喜欢晚饭后玩游戏，这类信息会建议MEC在这个时间段缓存一些游戏服务应用。但是由于频繁的缓存和释放，欢迎度信息是时变的且MEC服务器资源有限，会增加服务器开销。
Data Caching for MEC data Analytics
许多现代移动应用都涉及基于数据分析的集中计算，例如VR需要MEC服务器完成多个复杂处理在很短的时间内，比如识别用户行为，理解用户需求，这些基于数据分析的技术会给边缘服务器带来沉重负荷。这个问题可以通过智能数据缓存解决，即存储频繁使用的数据库。从另一个视角，缓存可能被其他用户使用的计算结果更进一步促进了计算表现。
【139】这一技术成为下一代移动计算结构的引领技术
【165】研究了MEC中协作多比特视频缓存和处理
对于单边缘服务器，一个关键问题是如何平衡大量数据库和有限存储资源。不同于【166】FemtoCaching 网络，数据缓存主要引入了一个新的多通道装置称为缓存使能通道，MEC中的数据缓存会对计算精度，延迟和边缘服务器能耗的影响，但尚未有文章表征。建立模型时需要考虑上述效应。更进一步，建立一个数据库欢迎度分布模型能够统计的描述对不同MEC应用的数据库使用。基于上述模型，可以实现解决最优化问题，最大化可得到的QoS和最小化存储消耗，从而实现先前提到的交易。
大规模使用缓存的MEC网络可以使用随机几何学分析，通过将附近用户作为集群建模。
Mobility Management for MEC
移动性是许多mec应用的固有特性，比如AR辅助博物馆游览。这些应用中，用户的移动和轨迹提供了地点和个人偏好信息，使得边缘服务器可以提升处理信息的能力。用户移动性也带来了显著的困难，比如：首先，MEC是异构的，用户在多个服务器之间切换时复杂的。其次，用户用户不同服务器的切换会引发干扰，使得传输性能下降。最后，频繁切换会提高延迟，降低用户体验。
【169-171】无法直接使用，忽略了计算迁移带来的负载。
【172-175】【172】定义inter-contact和contact rate来模仿用户的移动性，提出一个机会卸载策略解决凸优化问题中的最大化卸载成功率问题。
【173】可以连接的边缘服务器数量用HPPP模仿，然后通过解决设定的MDP问题最小化代价来优化卸载策略。
【174，175】以用户可以连接的一系列网络和二维地点-时间工作流程表位的点的移动性模型。
【176】移动性管理和流量控制结合，为使用时延敏感任务用户提供更好的体验，通过设计智能蜂窝基站合作机制。
【158】在Folliow-Me Cloud中边缘缓存和移动性预测相结合，增强边缘内容缓存的迁移。
【177】提出移动感知无线缓存。
为了更好体验和网络收益，卸载技术和调度策略应该协同考虑，下面是一系列有趣的研究方向。
Mobility-Aware Online Prefetching
传统移动计算卸载设计弊端：
长获取时延，只有当计算任务移交之后，计算卸载才会获取一个任务到另一个服务器，这需要大量获得数据从而导致时延。
Heavy loads
解决方法【178】：在服务计算时间内，用用户轨迹的统计信息和部分未来计算数据预取到预测的下一个服务器中，即所说的在线预取。尽管减少了切换时延并且更高效的卸载，但是带来了新的问题：
轨迹预测模型需要在复杂和精确中做折中
预取数据的选择，通过自适应的传输功率控制，提前读取延迟敏感的计算部分。
Mobility-Aware Offloading Using D2D Communications
D2D提出是为了提高网络容量，减轻蜂窝系统中数据流量负担。可被用于解决用户移动性问题，创造了大量的D2D通讯连接，这些连接允许将用户计算任务卸载到基站侧的边缘服务器，具有大的计算容量。D2D连接提供的短距离通信也减少数据传输的能耗。
然而也带来新的问题，第一是如何综合D2D和蜂窝系统的优点，一种方式是将集中计算数据卸载到BS的边缘服务器（有很大计算容量）从而减少计算时间，然后大数据量和精确计算需求通过D2D通信被附近的用户取回，从而有较高的能量效率。然后，考虑到用户移动性信息，动态信通和不同的用户计算容量，应该优化用于卸载的周围用户的选择。最后大规模的D2D连接将会引入对可靠通讯的严重干扰，所以应该引入干扰消除和认知无线电技术，以及移动性预测来增加卸载率和减少服务延迟。
Mobility-Aware Fault-Tolerant MEC
用户移动性会造成可靠MEC服务器的显著改变，由于变化的环境。计算负载可能失败由于断断续续的连接和快速改变的无线通信。对于时延敏感和资源要求苛刻的应用程序，任何计算错误都会带来严重后果。
主要包括三个主要部分：错误预防、错误检测、错误恢复
错误预防是备份额外可靠链接来避免MEC错误，宏基站和中心云都能被选为防护云，因为他们有大范围网络覆盖允许持续的MEC服务。关键的设计挑战是：如何在QoS和由于单个用户的额外卸载链接产生的能耗中折中，以及多用户MEC应用如何分配保护云。
错误检测是收集错误信息，可以通过设置智能及时检测和MEC服务的接收反馈来实现。使用信通和移动性评估技术去评估错误从而达到减少错误检测时间的目的。
错误恢复是针对检测到的错误，执行恢复技术可以达到持续并加速MEC服务的效果。因错误而暂停的服务可以被切换到更加可靠的在高速卸载情况下具有自适应的功率控制的备用无线连接中。其他可用方法包括迁移负载到临近MEC系统或通过【182】中提到的专门依赖节点。
Mobility-Aware Server Schedulin
对于动态环境下的多用户MEC系统，需要自适应的服务调度，这种调度计划可以结合实时用户信息且不断生成调度顺序。较差计算条件的用户会有更高的计算优先级来满足计算要求。另一种方法是设计动态感知卸载优先的函数，第一步是精确预测用户变化的配置和信道条件，这里主要的挑战是：移动性效果和卸载优先级函数之间的映射。第二部是保留资源，提高调度表现。尤其是为了保障时延敏感的且高移动性的用户的服务质量，MEC服务器会预留专用的计算资源为这些用户提供可靠的计算服务。对于其他时延不敏感用户，MEC服务器可以实现按需(on-demand)配置。对于混合型的，通过在有qos保障下服务的最多用户数来优化调度策略。
Green MEC
节能主要设计方法有：MEC能量均衡的动态精简，MEC的地理卸载均衡，可再生资源在MEC中的应用。
Dynamic Right-Sizing for Energy-Proportional MEC
能耗主要来自通信。提出energy-proportional servers，也就是，能耗应该和计算负载成比例，对于轻计算负载的MEC关闭或减缓操作，但是伴随着节能的同时，服务器在开关两种状态之间的切换会带来一些问题：额外开销与时延、体验恶化、开关的磨损风险增加。总之，这不是一个好的方式。
为了实现有效的动态精简均衡，每个边缘服务器的计算工作量概括需要被准确地预测。MEC服务系统来说，许多原因导致它的工作负载模式多变，所以这要求更精确的预测技术。同时，有更少信息的在线动态精简算法需要被研究。
Geographical Load Balancing for MEC
利用工作方式，温度，电价决定负载运行决策。例如一个MEC集群为一个用户提供服务，计算从中心节点迁移到边缘小结点，可以提升任务量小的服务器能量效率和用户体验，并且延长移动设备电池使用寿命。CLB的实现需要高效的资源管理技术，例如动态精简和VM管理。
使用GLB时需要考虑：首先因为任务迁移需要经过蜂窝核心网，所以当进行GLB判决的时候需要监控和考虑网络拥堵情况，其次为进行无缝任务迁移，一个虚拟机需要提前迁移或者设置到另一个边缘服务器，这可能会造成额外的功耗，第三运营商需要考虑节能和低时延之间的折中，以顾及与服务订阅者双方间的利益，最后现存的传统的云计算赋予边缘服务器额外的选项，即将关键的时延和集中计算任务卸载到远程云数据中心处理，会使优化复杂化。
Renewable Energy-Powered MEC Systems
EH技术的发展，使得太阳能和风能应用到计算系统成为可能。可行性：MEC被期待是密集分布和低功耗的。EH可以延长电池寿命。减少了对人类干预的需求（不用充电）。
挑战：绿色能源感知资源分配和计算卸载。最优化目的从满足用户体验下的最小化能耗变为在可再生资源限制下的最优化表现。Energy side information(ESI)成为决定的关键因素。
EH-powered MEC 服务器，系统操作应该决定需要从边缘卸载到云的任务和边缘计算速度，根据关键网络的拥堵情况和计算负载和ESI，这一问题通过【199】中提出的基于学习的算法解决。
EH-powered mobile devices ，使用基于CSI和ESI的Lyapunov最优化方法提出了一种动态计算卸载策略。
上述均只考虑一个服务器或设备，不能给大规模系统提供解决方法。
多用户大规模设备可以使用绿色能量感知的GLB系统来最优化MEC系统，通过提高各种可回收能源的利用率，这一想法是给DCNs提出的。MEC和DCN的不同使得这个模型更复杂，需要考虑CSI和ESI。
可再生能量的随机性为系统带来了不稳定性，下列是解决方法：
成本低，可密集布置，重叠服务区域可以避免性能下降
有着PMR的太阳能更适合
混合供能提供稳定性
WPT（使用RF波给移动设备供能）在可回收资源不充足时供能。新的能量整型技术需要研发来提升充电效率。由于双重远近问题，需要更精细的算法保证多用户之间的公平性。
Security and Privacy Issues in MEC
MEC固有异构网络使得传统认证机制不可用，支持MEC的通信技术多样性和网络管理机制的软件性质带来了新的安全威胁，边缘服务器可能是窃听者或者攻击者。这些就导致对高效机制的需求：
Trust and Authentication Mechanisms
MEC的固有异构型导致不同的服务器由不同供应商提供，使得传统信任机制不可用。同时边缘服务器服务大量移动设备，使得认证机制复杂度很高。最小化认证机制与设计的分配策略开销十分困难。
Networking Security
MEC中不同网络的证书不同，第一个挑战是用于不同系统登陆的证书分配，在现有的解决方案中，认证机构只能将证书分发给位于其自己的信任域中的所有元素，这使得很难保证不同信任域中通信的隐私和数据完整性。
为了解决这个问题，我们可以使用密码属性作为信任证书，去交换登录密钥。也可以使用定义多个信任域之间进行协商和维护域间的信任证书的联合内容网络（federated content networks）的概念。
除此之外，SDN和NFV技术的引入会简化MEC网络，但是也是易受攻击的，所以需要一个新的安全机制，例如内部程序管理，实时内存管理和集中安全管理、
Secure and Private Computation
为了实现安全隐私计算，边缘平台计算时不用知道原始的用户数据并且计算结果的正确性需要被检验，这可以通过加密算法和认证计算技术实现。一个有趣例子是LP问题的安全计算机制，LP问题被分解为公开计算和私人数据。使用保护隐私的转化方式，用户卸载加密的私人数据来计算，并且服务器返回转化的LP计算结果，采用一些算法检验答案正确性。实现了高效计算LP问题和几乎没有额外功耗。
Part 5 Standardization Efforts and Use Scenarios Of MEC
Referenced MEC Server Framework

MEC platform overview
Technical Challenges and Requirements
Network Integration：MEC服务是部署在通信网络之上的新型服务，MEC平台所以对3GPP的网络架构应该透明；即MEC的引入不影响已有的3GPP规格。
Application Portability：要求MEC应用可以被不同服务器无缝下载和使用，这要求平台的管理，打包和部署上的一致性。
Security：由于整合了计算和IT服务，MEC面临更多安全挑战。同时由于物理上天然的复杂性，物理安全更加受到挑战，所以MEC平台需要逻辑和物理双重保护。安全授权是避免第三方危害的重要措施。
Performance：MEC需要最小化对网络的影响，部署阶段需要提供足够容量。同时由于高度虚拟化，性能可能受损。如何提高虚拟环境效率是一个巨大挑战。
Resilience：MEC系统应该提供一定的弹性，满足网络运营商要求的高可用性。MEC平台和应用应该具有容错能力以免对其他正常的网络操作产生不利影响。
Operation：虚拟化和云技术使各方能够参与MEC系统的管理。因此，管理框架的实施还应考虑潜在部署的多样性。
Regulatory and Legal Considerations：应该满足发法律要求，比如隐私和收费。
除了上面所说，还有用户移动性支持，应用和流量迁移，连接和存储的需求需要考虑。
Use Scenarios
Video Stream Analysis Service：视频分析广泛应用，如车辆识别，面部识别，家庭安全监控，基本包括物体识别和分类。

Augmented Reality Service：AR，博物馆，家用AR，宝可梦goIoT Applications：简化物联网设备的复杂性，将计算任务卸载到远端处理，收回计算结果，从而延长电池寿命。IoT设备获取分布信息计算比较困难，MEC具有高计算性能并且可以收集分布信息，MEC部署可以简化Iot设备的设计。Iot同时有着运行不同设备的异构性，所以管理需要低时延聚合点，可以是MEC服务器。
Connected Vehicles：无人驾驶汽车，无人机

现有的移动网络主要是专为地面用户设计的，无人机将具有非常有限的连接和带宽。因此，重新配置移动网络，以确保无人机和基础设施之间的连接和低延迟，为无人机设计MEC系统至关重要的任务。
除此之外还有，活跃设备追踪，无线域名最优化，内容分配和DNS缓存，企业网络和智慧城市。
MEC in 5G Standardizations
Functionality Supports Offered by 5G Networks
5G应该给MEC提供的功能：
5g应该选择本地数据网络中发送到应用的流量。
5G核心网络选择靠近UE的用户平面功能（UPF： user plane function），以通过接口从本地数据网络传输和执行流量控制，基于UE的描述数据，UE位置和AF中的数据。
5g应该保证会话和服务的连续性，从而实现UF和程序的移动性。
5g应该和AF通过网络曝光功能互相提供信息。
策略控制功能为Qos控制和本地数据网络传输收费提供规则。
Innovative Features in 5G to Facilitate MEC
Support ServiceRequirement：QoS特性（在资源类型，优先级方面，分组延迟预算和分组错误率），描述了QoS流在UE和UPF之间边缘到边缘接收的分组转发处理，它与 5G QoS指标（5QI： 5G QoS Indicator）结合。5G尤其可以满足时延敏感应用的需求和关键任务服务的需求。
Advanced Mobility Management Strategy：引入移动方式来设计5G的移动性管理，可以最优化UE的移动性管理，可以根据UE移动性，本地网络政策，UE协作信息来决策，监控和更新。先进移动性管理策略可以充分利用移动模式从而发展高效无线连接和设计MEC联合无线和计算资源管理策略中。
Capability of Networks Slicing：网络切片是一种允许在公共共享物理结构上创立多个网络架构的方法。每一个网络实例都是为了特点服务的最优化设计，可以实现资源分离和定制化网络操作。网络切片对于ultra-reliable and low latency communication (URLLC), massive machine-type communication (mMTC), and enhanced mobile broad-band (eMBB)是极度需要的算法。借助网络切片，MEC应用可以获得最优化专门网络资源，能够帮助减少延迟和支持密集接入。

A_Survey_on_Mobile_Edge_Computing_The_Communication_Perspective

A_Survey_on_Mobile_Edge_Computing_The_Communication_Perspective相关推荐

最新文章

热门文章