摘要
随着5G网络的到来以及移动设备的快速普及，移动网络数据呈爆炸式增长的趋势。同时，对应用程序低延迟的追求也已成为用户的普遍需求。传统的云计算通过将数据卸载到云中解决了终端设备面临的资源不足问题，但是它无法满足大数据时代人们对计算效率的需求。因此，移动边缘计算（MEC）应运而生。MEC已被设想为第五代移动通信网络（5G）中最有前途的技术之一。通过将计算密集型和时延敏感型的任务卸载到资源丰富的MEC服务器上，它可以显着提高延迟性能并减少移动设备的能耗。本文首先介绍了MEC的概念及其网络架构；然后从边缘缓存、计算卸载和服务迁移这三个方面对MEC关键技术以及亟待解决的问题进行阐述和总结。
1.MEC介绍
随着用户对移动网络的使用要求变得越来越严格，例如超高数据速率和极低的延迟，传统以基站为中心的网络体系结构已无法再满足这些要求。因此，移动蜂窝网络架构正在从以基站（Base Station, BS）为中心发展到以设备为中心[1]和以内容为中心的网络，重心将从核心网移动到网络边缘。移动边缘网络的核心思想是利用SDN（Software Defined Network, 软件定义网络）和NFV（Network Functions Virtualization，网络功能虚拟化）技术使网络功能、计算、存储以及通信资源更接近最终用户，即网络边缘。其中，移动网络中的边缘计算是从移动云计算演变而来的，包括三种不同的边缘计算方案：移动边缘计算（Mobile Edge Computing, MEC）、雾计算（Fog Computing）和微云(cloudlet)[2]。本文主要讨论更加加靠近用户，且分布式分布的移动边缘计算技术。
2014年，欧洲电信标准化协会（ETSI, European Telecommunications Standards Institute）为了将边缘计算融合进移动网络的架构，提出了移动边缘计算。MEC将原本位于云数据中心的服务和功能“下沉”到移动网络边缘（如基站、无线接入点等），在移动网络边缘提供计算、存储、网络和通信资源[3]。MEC强调靠近用户，从而减少网络操作和服务交付的时延，提升用户服务体验。MEC迅速成为5G的一项关键技术，有助于达到5G业务超低时延、超高能效、超高可靠性等关键技术指标。例如，图1展示了基于移动边缘计算的智能电网系统中移动终端与MEC服务器位置关系，其中MEC服务器可以部署在基站附近，更加靠近用户，给智能电网中的用户提供更快更好的服务。
图1 基于移动边缘计算的智能电网系统中移动终端与服务器位置关系
根据ETSI发布的白皮书，可以将MEC的特征总结如下[4]：
1）本地性：部署的MEC服务器可以访问网络资源也可以与网络其余部分隔离开来，独立运行，减少被攻击的可能性。
2）邻近性：MEC部署在离用户最近的位置，移动设备可以将计算任务卸载附近的MEC服务器，满足计算密集型应用程序的需求并实现超短的处理延迟。
3）较低的延迟：MEC服务部署在距离用户设备最近的位置，可以实现用户请求的快速响应。因此，可以实现超低延迟和高带宽的用户服务质量。
4）位置感知：MEC从本地访问网络中的边缘设备接收信息，以发现设备的位置。
网络上下文信息：需要实时数据服务的应用程序可以利用MEC服务器执行调度决策，同时感知网络上下文信息，估计无线电小区的拥塞和网络带宽，以便更好地向客户提供服务。
2.MEC关键技术
2.1 边缘缓存
随着5G网络的到来和智能移动设备的迅速普及，涌现了许多诸如虚拟和增强现实（VR / AR）[5]、在线3D游戏[6]以及多媒体应用程序等新兴应用。新兴应用的快速发展给网络架构带来了越来越大的流量压力。但是研究者发现这些服务请求有一个有趣的特性，即同一区域中的设备经常多次请求相同的内容。为了应对多媒体服务不断增长的需求，研究者将内容缓存作为一种解决方案，以实现对请求的快速响应并减少网络上的流量负载。其中，随着边缘计算（如移动边缘计算）技术的不断发展，边缘缓存被认为是最有前途的解决方案之一。
在边缘缓存中，主动缓存是一种通过在非高峰时段主动缓存流行内容来利用这种流量动态的方法，从而减少了峰值流量需求。由于边缘缓存的缓存单元部署在网络边缘，因此可以利用很多信息来提高缓存效率。例如，可以利用用户的社交结构通过D2D通信来缓存和分发内容。因此，边缘缓存不仅可以实现更快的请求响应，还可以减少网络中相同内容的重复传输。但是，边缘缓存也面临许多挑战。通常，边缘缓存需要解决两个紧密相关的问题：
边缘节点覆盖范围内的内容流行度分布很难估计，因为它可能有所不同并且会随时空变化而变化；
鉴于边缘计算环境中的大型异构设备，分层缓存体系结构和复杂的网络特性进一步困扰了内容缓存策略的设计。
具体而言，仅当已知内容流行度分布时才能推论出最佳边缘缓存策略。但是，用户对内容的偏爱实际上是未知的。因为它们的移动性、个人喜好和连接性可能一直在变化。为了解决以上的问题，诸如深度学习和强化学习等人工智能（AI）技术可以用于边缘缓存策略，以适应网络的动态性。
2.2 计算卸载
计算卸载是MEC的关键技术之一，它允许边缘移动设备在能量、延迟和计算能力等约束下将其全部或者部分计算任务卸载到边缘节点，以打破移动设备在计算能力、电池资源和存储可用性等方面的限制[7]。计算卸载作为MEC的关键技术，目前已有很多相关研究成果，主要包含卸载决策和资源分配两个问题，其中，卸载决策研究的是用户终端要不要卸载、卸载多少和卸载什么的问题。资源分配则是研究将资源卸载到哪里的问题。
首先，卸载决策是指用户决定是否卸载、卸载多少以及卸载什么的问题。如图2所示，用户计算卸载决策结果可分为本地执行、完全卸载和部分卸载三种情况[8]。具体决策结果由用户的能量消耗和完成计算任务时延决定。卸载决策目标主要分为降低时延、降低能量消耗以及权衡时延与能量三个方面。其次，一旦完成了卸载决策，接下来就要考虑合理的资源分配的问题，即卸载在哪里的问题。如果移动用户的计算任务是不可分割的，或可以分割但分割的部分存在联系，这种情况下卸载任务就需要卸载到同一个 MEC服务器。而对于可以分割但分割的部分不存在联系的计算任务，则可以将其卸载到多个MEC服务器。而资源分配问题就是要解决将资源卸载到哪里的问题。
图2 MEC卸载决策
2.3 服务迁移
MEC已经成为实现物联网愿景的关键支持技术。MEC中的另外一个关键技术是解决考虑用户移动性的服务迁移问题。由于边缘服务器覆盖范围有限以及用户终端（例如，智能手机和智能汽车）的不断移动，可能导致网络性能显着下降，这可能进一步导致用户的服务质量（QoS）急剧下降，甚至导致正在进行的边缘服务发生中断。因此，为了确保用户移动时的服务连续性，实现无缝的服务迁移特别重要。
如图3所示[9]，用户可以在连续服务期间漫游在由不同边缘服务器服务的无线区域中。为了保持令人满意的服务性能，需要考虑服务迁移。当用户从一个服务区域移动到另一个服务区域时，我们既可以继续通过边缘连接通过数据中继在原始边缘服务器上运行服务，也可以跟随用户的移动性将服务迁移到另一边缘服务器上。显然，由于网络距离的扩大，前者将导致较长的通信等待时间，而后者将减少服务等待时间，但会产生额外的迁移成本，例如带宽使用不足、潜在的服务中断甚至切换失败代价等。
图3 考虑用户移动性的服务迁移示意图
当用户在几个相邻或重叠的地理区域中移动时，服务迁移应处理：
1）是否应将正在进行的服务迁移到承载此服务的当前边缘服务器之外；
2）如果是，则应将服务迁移到哪个边缘服务器；
3）考虑开销和QoS要求，应如何进行服务迁移过程。
这些问题来自在整个服务迁移过程中迁移成本（例如，迁移成本和传输成本）的权衡，以及用户对迁移后可以实现的QoS期望的提高（即，减少用户的延迟或网络开销）。由于用户移动性和请求模式的高度不确定性以及传输和迁移成本的潜在非线性，因此很难获得最佳的服务缓解。此外，考虑到大量用户和应用程序以及边缘服务器的异构性，服务迁移变得更加复杂，成为MEC中一个亟待解决的关键技术问题。
小结
通过对移动边缘计算（MEC）的深入研究，将有利于解决用户使用网络的高速度、高质量的需求，从而更加愉快的畅游网络。
参考文献
[1]M. Agiwal, A. Roy, and N. Saxena, ‘‘Next generation 5G wireless networks: A comprehensive survey,’’ IEEE Commun. Surveys Tuts., vol. 18, no. 3, pp. 1617–1655, 3rd Quart., 2016.
[2]Wang S , Zhang X , Zhang Y , et al. A Survey on Mobile Edge Networks: Convergence of Computing, Caching and Communications[J]. IEEE Access, 2017, PP(99):1-1.
[3]李阳. 移动边缘计算中节能高效的资源联合优化若干问题研究[D]. 2020.
[4]Abbas N , Zhang Y , Taherkordi A , et al. Mobile Edge Computing: A Survey[J]. IEEE Internet of Things Journal, 2017, PP(99):1-1.
[5]R. Gu, L. Yu and J. Zhang, "MeFILL: A Multi-edged Framework for Intelligent and Low Latency Mobile IoT Services," 2020 IEEE Wireless Communications and Networking Conference (WCNC), Seoul, Korea (South), 2020, pp. 1-6, doi: 10.1109/WCNC45663.2020.9120786.
[6]X. He, J. Liu, R. Jin and H. Dai, "Privacy-Aware Offloading in Mobile-Edge Computing," GLOBECOM 2017 - 2017 IEEE Global Communications Conference, Singapore, 2017, pp. 1-6, doi: 10.1109/GLOCOM.2017.8253985.
[7]Mach P , Becvar Z . Mobile Edge Computing: A Survey on Architecture and Computation Offloading[J]. IEEE Communications Surveys & Tutorials, 2017, PP(3):1-1.
[8]谢人超, 廉晓飞, 贾庆民, et al. 移动边缘计算卸载技术综述[J]. 通信学报, 2018, 039(011):138-155.
[9]Ouyang T , Li R , Chen X , et al. Adaptive User-managed Service Placement for Mobile Edge Computing: An Online Learning Approach[C]// IEEE INFOCOM 2019 - IEEE Conference on Computer Communications. IEEE, 2019.
Wang X , Han Y , Leung V C M , et al. Edge AI: Convergence of Edge Computing and Artificial Intelligence[M]. 2020.
作者：李婷
责编：何洁
声明：本文来自中国保密协会科学技术分会，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。
