移动边缘计算卸载策略综述

吕洁娜，张家波，张祖凡，甘臣权

(重庆邮电大学 通信与信息工程学院，重庆 400065)

E-mail:lvjiena_it@163.com

1 引 言

在过去的二三十年里，我们见证了各种革命性移动设备的出现，如：智能手机、智能家居电器等.这些设备带来了移动计算的繁荣，使计算和通信可以随时随地发生[1].随着大数据时代的来临和科技的迅猛发展，众多场景下的移动设备均具有多种新型应用，例如图像处理、AR游戏等，这些应用具有计算密集、时效性强等特点，尤其是基于人工智能的新型应用，其对计算资源的需求极高，这都使移动设备在计算能力、存储和电池寿命方面面临着巨大的挑战.

云计算作为一种集中式计算模型，展现出了无限计算能力和按需资源供应[2,3]的强大力量.因此，为了使移动设备的能力得到提升，引入了移动云计算(Mobile Cloud Computing，MCC)的概念[4].MCC是云计算与移动计算的集成，移动设备通过计算卸载利用云的能力来加速应用程序的执行并减少耗能.MCC一直被认为是一种很有前途的增强移动设备能力的方法，然而，由于云通常远离移动设备会造成较大的延迟，且计算数据在传输到云的这个过程中所消耗的能量也是十分巨大的[5].这些问题对应用程序的运行效率以及用户的服务体验均造成了严重的影响.移动边缘计算与计算卸载技术被提出来解决以上这些问题.

移动边缘计算[6]注重于在移动网络[7]的边缘提供云计算能力和信息技术服务，其被认为是推动5G发展的关键技术[8].移动边缘计算意在将原来置于云计算平台的功能和服务“下放”至移动网络的边缘，并在移动边缘网络中提供处理这些功能和服务所需要的通信、存储和计算等资源，从而使用户可以获得高带宽与超低时延的高质量网络功能服务.计算卸载[9,10]作为边缘计算[11]的关键技术之一，其被定义为终端设备将全部或者部分计算任务传给云计算环境执行的技术.计算卸载将执行计算密集型、时延敏感型等新型应用时所需的资源提供给资源受限的终端设备，以加快应用程序的运行速率及节省能源消耗，从而解决移动设备在资源存储、计算性能以及能效等多方面存在能力不足的问题，增强了移动设备的计算能力的同时也为移动设备减轻了负担.计算卸载的研究一般包括两方面的研究，一是卸载决策，其主要确定是否需要进行卸载以及卸载到哪里；二是资源分配，其旨在解决卸载到移动边缘计算节点后，节点的资源如何分配，或在卸载传输过程中如何分配通信资源能使利益最大化.本文将介绍面向移动边缘计算环境下的计算卸载方面的研究现状，其中对移动边缘计算的基础概念以及计算卸载策略进行了详细的论述，并提出了目前研究仍存在的问题，同时对计算卸载的未来研究趋势做出了展望.

论文的结构总结如下：第二节介绍了移动边缘计算网络的相关概念以及移动边缘计算的基本架构和典型应用场景；第三节介绍了计算卸载的体系结构并结合计算卸载策略的分类逐一对计算卸载技术目前的研究情况进行了分析和对比；第四节描述了计算卸载目前仍待解决的问题与挑战以及对其未来发展趋势做出展望；最后总结本文的工作.

2 移动边缘计算概述

2.1 MEC的概念

边缘计算的概念源于内容分发网络(Content Delivery Network，CDN).随着科技发展，边缘计算的定义已远超出了CDN的基本范畴，其不再仅仅讨论移动边缘计算节点上的内容分发与缓存，还更加强调计算节点以及网络边缘的计算功能.随着数据量的不断攀升和万物互联时代的来临，使得为用户提供低时延、高可靠的优质服务的需求日益增长，为此研究人员开始了更进一步的探索研究，移动边缘计算也随之应运而生.

移动边缘计算(Mobile Edge Computing，MEC)的概念最早出现于2013年.当时国际商业机器公司IBM和Nokia Siemens 网络联合出品了一款计算平台，其可在邻近移动用户的无线基站内部执行计算任务，为用户提供信息技术服务[12].随后，欧洲电信标准化协会(European Telecommunications Standards Institute，ETSI)在2014年成立了移动边缘计算规范工作组，以促进业界对移动边缘计算的研究.于此同时ETSI也正式公布了推动移动边缘计算标准化的MEC发展计划[8].MEC的核心思想是把传统数据中心里的云计算平台从核心网络内部迁至移动网络边缘，以实现各类系统资源的高效利用.MEC中的“M”最初表示的是“mobile”的意思，专指移动网络场景下的边缘计算.随着研究的不断深入，ETSI为了将边缘计算的概念引入到非3GPP接入的应用场景中，其于2016年把MEC的概念重定义为多接入边缘计算(Multi-Access Edge Computing)[13].然而，对移动网络场景下的边缘计算技术进行研究仍然是现阶段边缘计算领域内的研究重点，所以目前业界仍然常将MEC称为“移动边缘计算”.

新兴的移动边缘计算技术旨在支持在网络边缘对少量系统资源(例如：数据、计算能力、服务存储和内容分发)进行普遍且有效的访问.移动边缘计算可以促进一系列操作方面的工作，如：回程通信链路上的负载平衡，增强网络覆盖范围与容量.由于移动边缘计算节点多部署于数据信息源或者用户的邻近位置，从而使得网络对用户请求作出响应时的时间消耗大幅度减少，于此同时也大大降低了核心网络与传输网络出现网络拥挤的几率.移动边缘计算可以潜在地提供高级别的可伸缩性、弹性、可靠性、自动化和安全性[14]，从而使用户的服务质量体验得到极大地提升.

2.2 MEC的基本架构和应用场景

欧洲电信标准化协会(ETSI)在其制定的“MEC全球标准003版本”(GS MEC 003)中对移动边缘计算基于网络功能虚拟化(Network Functions Virtualization，NFV)的参考架构[15]进行了定义.图1为MEC的基本框架，其从宏观角度进行分析，对MEC下不同的功能实体进行了层次划分，主要分为3级：移动边缘系统水平、移动边缘主机水平和移动边缘网络水平.其中，移动边缘系统水平结构由MEC系统级管理、用户以及第三方实体这三者予以实现，其主要责任是对MEC系统进行全方位的把控，以达到统筹全局的目的；移动边缘主机水平结构主要包括MEC主机级管理实体与MEC主机.同时，MEC主机部分也可以做更进一步的划分，分为移动边缘平台、移动边缘应用以及虚拟化基础设施这三部分.移动边缘网络水平主要由外部网络、本地网络以及3GPP 蜂窝网络等相应的外部实体组成，该层的主要作用是展现MEC工作系统与外部网络、蜂窝移动网络或者局域网的接入状态.其中，移动边缘主机水平需要在网络水平的基础上才得以接入网络，而网络水平只有在移动边缘主机水平下才能真正发挥其低延迟、高质量的特性.同时，管理移动边缘主机水平和网络水平主要由移动边缘系统水平负责进行统筹管理.由此可见，移动边缘系统水平、移动边缘主机水平与移动边缘网络水平这三者相互联系，彼此依存，各自均起着重要的作用.

图1 MEC基本架构Fig.1 Basic architecture of mobile edge computing

MEC具有许多的应用场景，其中较为典型的应用场景主要有：第一是与网络信息功能开放以及网络接入有关的本地边缘应用服务，如基于无线网络的定位导航系统[16]；第二是高清视频加速，在网络边缘就近处理视频业务可以大幅度地减少视频用户在观看视频的响应时延，同时MEC丰富的计算功能和强大的计算能力使得其可以对通信链路情况进行实时感知，并依据通信链路情况及时作出转码调整，从而确保视频的流畅程度[17-19]；第三是面向对时延、可靠性以及计算性能等有超高需求的工业物联网、车联网等应用场景下的网络边缘应用服务，例如：交通事故的广播信息等出行安全保障服务以及一些商业性的增值服务，如停车位查询与定位、AR游戏或者其它便民业务等[20,21]；第四是应用于区块链技术，将区块链中的计算密集型任务卸载到边缘处理[22,23]或者通过结合区块链技术的去中心化、共识机制、对等互联等特点对边缘节点进行可信认证和鉴权，提升业务和系统安全性[24,25].

3 移动边缘计算卸载的研究现状

在本节中，我们将分别从体系结构、卸载决策和资源分配这三方面介绍移动边缘计算卸载的研究现状.

3.1 计算卸载的体系结构

边缘计算的目标是通过将计算放在靠近信息源的位置来减少延迟，提高用户服务体验.它通过构建一个由各式各样的计算设备组成的层次结构来实现.新范式下的移动边缘计算的体系结构是一个典型的三层结构，其由云中心、边缘节点和移动终端设备组成，如图2 MEC计算卸载体系结构.新范式的移动边缘计算卸载体系结构主要结合云计算、边缘节点服务器来支持在网络边缘提供服务和增强移动终端设备的综合性能.具体地，在远端的云服务器能够提供稳定而强大的计算能力，可以帮助发现边缘节点[26]、进行资源管理[27]，进行全球大数据分析.边缘节点由公司、商店、医院与学校等不同组织部署，它位于网络的末端与核心网络之间的通信链路上.边缘节点具有优于边缘终端设备的计算功能，并且比云具有更低的延迟.但是，由于边缘节点形式与硬件类型的不同，其具有不同的类别，以下是边缘节点的分类.

图2 MEC计算卸载体系结构Fig.2 Computing offloading architecture for mobile edge computing

1)Cloudlet：Cloudlet的概念是由Satyanarayanan等人在2009年提出的.其在文献[28]和文献[29]中被称为基于云的网络搜寻.它们是资源丰富的服务器亦或是位于移动终端设备单跳附近的服务器集群.Cloudlet重用现代云计算技术，例如基于虚拟机(Virtual Machine，VM)的虚拟化技术.得益于虚拟机技术，Cloudlet可以动态扩展和收缩，最终促进移动用户服务请求的可伸缩性.

2)微型数据中心：微型数据中心是指地理分布的小型数据中心，它们只拥有少量或者中等数量的服务器.通过在世界各地的战略位置部署大量的微型数据中心，可以降低网络延迟、节省带宽消耗、提供可靠的连接，并减少云的开销[30].

3)基站：LTE(Long Term Evolution，长期演进技术)和5G等技术的发展[31]推动了基站的发展，而基站是边缘节点的优质选择.这些增强型基站密集地部署在移动终端设备附近，其除了基本的通信功能外，还可以提供计算服务.现阶段的研究中，基站已经以LET宏基站(evolved Node，eNode)[8]和小型蜂窝微基站[32,33]的形式作为边缘计算节点，并且结合虚拟化技术[34]来扩展计算服务.

4)其他节点类型：在边缘计算的新范式中，移动终端设备既可以成为资源需求方也可以成为资源的提供者，再结合理论：位于连接云和边缘设备的通信链路上的任何计算基础设施都可以被视为边缘节点.由此，车辆车载系统、与蜂窝网相关的物联网网关[35]、甚至智能手机[36]都是边缘节点.

基于图2给出的三层结构，计算卸载通常发生在特定层外部或者内部的各个层之间.此外，卸载也可以在同一层上进行或是将计算送到云中.

3.2 卸载决策分类

卸载的过程中可能会受到外界环境或者卸载系统内部产生的不同因素的影响[37]，如无线信道间的干扰、用户的操作习惯、通信链路连接质量、通信信道的状况以及移动终端设备的整体性能等，所以制定一个合适当前环境的卸载决策方案是计算卸载的关键所在.本文依照边缘计算系统的性能要求以及卸载任务的性能需求介绍卸载决策方案.当前，卸载决策方案常以时延、能耗和系统效用作为卸载指标.由于时延这一性能指标是最直接影响用户使用体验的关键因素，所以卸载决策需要对任务处理时延进行考虑.同时，当整个系统运行的时候可能会出现因为不能及时对当前请求做出响应而导致与其具有依赖关系的应用程序运行终止的情况，从而导致运行效率降低，所以卸载决策必须确保在移动设备端应用程序所能承受的时延范围内执行.此外，减少设备的能量消耗也是需要讨论研究的问题，若能耗过大会导致移动设备电量消耗过快，设备续航能力降低.最小化能耗是指在满足时延约束条件下最小化能耗.另外，有些应用程序需要时延和能耗可以取得一个很好的平衡点使系统的总消耗最小，此时就需要通过对时延和能耗这两个性能指标进行加权求和，并使二者相加的数值最小来实现时延和能耗两者之间的权衡.不同的系统对于卸载决策的需求不同，这时不仅仅是单纯地依赖于时延和能耗的优化，还有其它因素是系统所期望改进与优化的，此时结合系统需求制定效用函数，以优化系统效用的卸载决策应运而生.本节主要从以降低时延为目标、以降低能耗为目标、权衡时延和能耗以及以最大化效用为目标这四个方面进行阐述.该四类卸载决策的对比如表1所示.

表1 四种卸载决策对比Table 1 Comparison of four offloading decisions

3.2.1 以降低时延为目标的卸载决策

文献[38]整合MCC和MEC来制定计算卸载决策.其综合考虑MCC计算资源丰富与MEC传输时延低的特点，提出了一种IHRA方案，用于在多用户情况下做出计算卸载决策以实现部分计算任务卸载到物联网用户终端设备执行，使延迟敏感的应用程序执行时延降低.首先，作者考虑单用户卸载问题.其次，将单用户卸载问题扩展为多用户卸载问题，同时考虑资源约束和多个用户之间的干扰.本文提出的卸载决策算法与基线算法相比，该算法降低了30%的执行延迟且适用于各种应用.

文献[39]研究车辆间的任务卸载问题，提出了一种使车辆在卸载计算任务时能够了解相邻车辆卸载延迟性能的卸载算法——基于多臂强盗理论的自适应学习任务转移算法ALTO，其以分布式方式工作，不需要频繁的状态交换，并且增强了输入意识和现象意识，以适应动态环境，减小平均任务转移延迟.本文在合成场景和实际高速公路场景下均进行仿真，仿真结果表明，与现有的基于置信度上限的学习算法相比，该算法具有较低的时延性能.

为了降低时延，文献[40]提出了LODCO算法——一种基于Lyapunov优化理论的动态计算卸载算法.该方法从任务运行时延以及任务运行故障两方面对卸载决策进行优化，使卸载任务处理时延最小化的同时也保障了数据传输过程中的成功率，从而降低了卸载失败的几率.仿真结果表明该算法在减少时延方面展现出了绝佳的优势，其能够将卸载任务的执行时间整整缩短64%.

文献[41]为了解决边缘计算中任务卸载调度的优化问题，对蝙蝠群算法进行改进，提出一种改进混沌蝙蝠群协同卸载方案，该方案大大减少了任务完成的时延，从而满足任务实时处理的需求.文献[42]提出基于中间节点的边缘计算网络体系结构下的任务卸载策略，实现不同边缘节点之间的负载均衡以及缩短任务完成时间.

近年来，随着机器学习方法的不断发展，其已逐步渗入到了各个领域，其中，强化学习在以降低时延为目标的卸载决策中也等到了很好的应用.文献[43]提出了一种基于深度强化学习的延迟敏感任务卸载算法，以提高任务处理速度，减少任务超时时间.作者联合超时信号和减速信号设计了新的奖励函数来指导算法从环境中学习卸载决策.仿真结果显示，与传统启发式算法比较，所提出的算法具有较低的平均延迟与平均超时时间.文献[44]提出了一种应用于多类型卸载平台场景下的智能卸载和资源分配算法，该算法采用K近邻算法选择任务卸载平台，并采用强化学习算法对非本地计算中的计算资源分配问题进行求解.针对信息技术服务环境中移动边缘计算任务卸载决策的依赖感知问题，文献[45]结合电池耗电量的容忍度与应用程序中的任务依赖性提出了一种基于强化学习的无模型方法，通过与网络环境的交互作用优化卸载决策并降低总执行时延.

以上卸载决策均达到了降低时间延迟的目的，但是未能考虑在进行计算卸载时移动终端设备一端的能耗，终端设备可能出现由于电能不足使得卸载策略无法正常运行的情况，这对用户体验有着巨大的影响.因此，研究者们继续探索卸载决策方案以使能量消耗最小化.

3.2.2 以降低能耗为目标的卸载决策

为了满足车辆网络场景下车辆用户对计算和通信的要求，文献[46]提出了一种应用于车联网(Internet of Vehicles，IoV)中的雾云计算卸载算法，以最小化车辆和计算设施的功耗.作者把车辆场景下的整个雾云系统分解成两部分——前端和后端.在前端(车辆侧)，设计了一种预测组合传输算法以节省能源.此外，针对后端开发了一种深度学习方法来优化工作负载，以最大程度降低后端(雾和云设施)的功耗.仿真结果表明，与纯云模式以及纯雾模式相比，雾云模式具有更为优秀的性能表现，在满足延迟需求的同时，能显著地优化功耗.

文献[47]设计了一种高效节能的基于深度学习的计算卸载方案，解决了移动应用程序组件选择性卸载问题.该方案依据剩余能量、计算负荷、能源消耗、传输数据量以及延迟通信制定成本函数，以获得所有可能组件卸载策略组合的成本，并在一个详尽的数据集上选择最优策略，同时训练一个深度学习网络为所涉及的广泛计算提供备选方案.实验结果显示，该方案具备较高的精确度与较低的能耗.

文献[48-53]针对不同环境场景下的卸载问题从优化能耗方面寻求解决方案.文献[48]采取人工鱼群算法设计在时延约束下进行能耗优化的卸载策略.该策略充分考虑了任务数据传输网络中的链路状况，有效降低了设备的能量消耗，但该策略存在算法复杂度过高的缺陷.在多重资源环境下，文献[49]设计了一种面向多重资源匹配的能耗最小化粒子群任务调度算法，以降低边缘终端设备能耗.文献[50]研究计算任务的部分卸载，为了使移动设备能耗最小化，作者提出了任务可分的移动设备节能优化问题，并利用贪心算法求解.文献[51]研究超密集网络场景下的任务卸载问题，作者在COMED移动边缘计算框架的基础上提出了基于Lyapunov优化理论的任务卸载算法，该算法使基站和设备的整体能耗达到最小.为了解决移动边缘计算中计算卸载决策可能出现的隐私泄露问题，文献[52]提出一种基于Lyapunov优化理论的隐私感知计算卸载算法，该算法计算复杂度低，在保证较高隐私安全的同时维持了较低的终端能耗.文献[53]对深度学习任务卸载问题进行研究，为了更好地部署深度学习应用及优化网络功耗，提出了一个基于混合L1/L2范数的组稀疏波束成形框架.

移动终端设备在电池寿命方面具有很大的局限性，以上以降低能耗为目标的计算卸载策略很大程度地缓解了移动终端设备在电池寿命上的短板.时延和能耗是计算卸载系统中两个十分重要的性能指标，然而，在某些系统中用户更希望系统的时间消耗和能源消耗总和能达到最小来降低系统的整体消耗或者对时间消耗和能源消耗进行权衡，使系统的总消耗处于相对较优且稳定的状态，因此，如何权衡时延和能耗也是边缘计算卸载中一个值得研究的方向.

3.2.3 权衡时延和能耗的卸载决策

文献[54]讨论一个车辆网络移动边缘计算系统，以不完全信息环境下的任务卸载为研究问题，将任务与边缘之间的交互建模为一个匹配博弈问题.卸载的主要目标是在考虑车辆移动性和能源消耗限制的情况下最小化平均延迟.其讨论了无干扰正交多址网络和干扰非正交多址网络两种典型的车辆通信应用场景，提出了两种独立的启发式匹配算法来解决在能源消耗约束条件下最小化延迟的问题.仿真结果表明本文提出的算法在减少平均延迟时间和保持能耗较低均具有成效.

文献[55]考虑了一个多用户MEC系统，其中一个MEC服务器可以处理多个用户设备通过无线信道卸载的计算任务.本文将所有任务事件的处理延迟以及能量消耗的总和作为卸载指标.为了使考虑的MEC系统的总成本最小，作者依据多用户MEC系统模型建立了网络模型、任务模型和计算模型，并将多用户MEC系统中的卸载决策问题建模为优化问题，为解决该问题作者提出了基于Q-Learning和基于深度Q-Learning的解决方案.实验结果显示，与其它基线相比该方案在延迟和能量消耗的总和上有明显的降低.

真实多任务的环境下，任务请求的到达具有不确定性，为了克服任务到达的随机性问题，文献[56]设计了一种基于机器学习技术的随机任务卸载方案，该方案将随机任务分为N个可卸载组件以及2个不可卸载组件，并对划分好的组件使用提出的机器学习算法进行随机任务卸载最优策略的制定.算法分为训练阶段与使用阶段，在训练阶段中，为了完成对任务最优策略的学习，在该阶段采用Q-Learning方法生成任务的最优卸载策略作为深度前馈神经网络的训练样本，以实现对神经网络进行训练；在使用阶段中，通过神经网络前向传播生成新随机到达任务的近似最优卸载策略.仿真结果表明，该方案加快了最优策略的生成，且具有较好的泛化能力.

用户在进行计算任务卸载的过程中会遇到各类安全问题，针对这类问题文献[57]依据MEC网络基础架构设计了基于安全的计算卸载架构，并在该卸载架构的基础上，对整个计算卸载过程进行数学建模，将系统能耗与时延的总开销作为最终优化目标，设计了一种基于量子进化理论的卸载方案.实验结果表明，与常规的卸载方案相比，提出的方案既使MEC系统的总开销降低，又提升了系统的安全性.文献[58]将多用户移动边缘计算场景下的任务卸载问题表述为在资源有限的条件下令时延和能耗加权和最小化的凸优化问题，为了解决该问题作者基于乘子法提出了一种计算卸载机制，以实现移动终端能耗及任务执行时延的最小化.

文献[59-64]针对计算卸载中的能耗和时延的权衡优化问题提出了一些见解与解决方案.其中，文献[59]提出了基于SDN-V辅助的卸载机制，适用于车联网场景.该机制考虑任务多样性，建立关于重要度的数学模型，并依据该模型设计了任务卸载排序算法.最后，构建基于Q-学习的卸载算法以实现对任务卸载中的能耗与时延的优化.文献[60]对于物联网场景下的响应时延和能耗成本之间权衡的优化卸载问题提出了一个Lyapunov优化理论和自适应在线学习方法相结合的解决方案.文献[61]对多用户移动边缘计算卸载系统进行优化，以时延和功耗的长期平均开销为优化目标构建马尔可夫决策问题，并采用凸优化理论进行求解.文献[62]提出了一种基于MEC的内容感知分类卸载策略，使车辆终端产生的消息可以直接在边缘节点处理，保障安全消息的可靠性以及时延与能耗的均衡.文献[63]为了平衡服务器的能量消耗和延迟性能建立了多目标优化策略，并利用内点法与排队论解决该优化问题.文献[64]针对多用户任务卸载问题，提出了基于博弈论的卸载方案，使最优解与理论最优策略近似的同时也大大减少了系统开销.

在以上所列举的卸载决策方案中，大部分的方案旨在满足卸载任务可承受的时延限制的情况下使移动终端设备的能耗最小化或是依据不同任务的需求对能耗和时延进行权衡.然而在实际的卸载过程中不同的系统可能存在不同的性能需求而并非仅仅局限于时延与能耗，所以，近年来出现了一些研究尝试根据具体情况下的需求来寻求合适的卸载决策以实现计算卸载系统的效用最大化.

3.2.4 以最大化效用为目标的卸载决策

车辆网络的场景，多个边缘服务器的不同状态以及多种车辆卸载模式的存在使得高效的任务卸载成为挑战，为了应对该挑战，文献[65]启用了MEC的LTE-V网络，其中定性分析了各种车辆通信模式对任务卸载性能的影响.采用深度Q-Learning方法，提出了在给定时延约束下，以卸载系统效用最大化为优化目标的MEC服务器确定和传输模式选择方案.针对车辆网络中任务数据传输失效的情况，作者制定了一种高效的冗余卸载方案，该提出的方案在保证卸载可靠性的同时也提升了车辆系统的资源利用率.作者基于真实的交通网络数据对所设计的方案进行分析评估.结果表明该方案可以以最佳效用卸载车辆任务，同时还满足了可靠性和等待时间的约束.

任务卸载到边缘服务器易受到外部安全问题威胁，针对该问题，文献[66]提出了一种面向移动边缘计算环境下移动用户安全与成本感知的计算卸载方案，其目标是在风险概率约束下最小化总成本，其中，总成本包括移动设备的能耗、处理延迟及任务丢失概率.具体地，该策略首先利用安全开销模型量化安全时间实现安全工作负载测量.其次，采用风险率约束，将安全感知任务卸载问题描述为一个具有风险率约束的无限马尔科夫链过程.然后，为找到最佳的卸载方案，提出一种基于深度Q网络的安全与成本感知计算卸载算法，该方案为移动用户提供了安全性及成本效率.

文献[22]对区块链场景中的计算密集型任务(数据处理任务与区块链挖掘任务)卸载策略进行研究，针对传统的卸载策略(如：拍卖策略和博弈论策略)未能根据环境的变化对卸载策略进行调整，导致不能实现长期绩效和现有的基于深度强化学习的卸载方法存在高维动作空间导致收敛速度慢的问题，本文提出了结合自适应遗传算法的深度强化学习算法——DRGO算法.该算法在实现系统效用最大化的同时也对区块链任务中的这两个子任务的权衡进行了优化.由仿真结果可知，与三种典型的基准卸载策略相比DRGO算法具有更为良好的性能表现，在各种环境下均具有较强的鲁棒性.

文献[67]将多用户计算卸载决策问题描述为一个非合作博弈，为了实现计算卸载的通信成本和计算成本组成的效用函数的最大化，本文提出了FDCO算法——一种基于机器学习技术的全分布计算卸载方案.文献[68]为了激励停靠车辆用户提供其空闲计算资源来执行服务提供商卸载的计算任务，而设计了一个基于契约论的激励方案，以满足服务提供商和用户的效用需求.文献[69]提出了一个基于合约设计的卸载方案，该方案根据用户体验敏感度的异质性将用户分为不同的类型，并分别为完整信息场景与统计信息场景设计了CPU运算周期数-数据量-价格的合约规则，使用户获得合适的卸载策略的同时实现商业效用最大化.在5G车载网络卸载系统中，文献[70]将车辆任务分为本地子任务和机动子任务，针对机动子任务的卸载，提出了一种基于Lyapunov优化理论的动态卸载决策方案，该方案将动态任务卸载决策与计算资源分配相结合，以最大程度地发挥效用功能.文献[71]针对多用户、多卸载节点、任务结构化环境下的计算卸载问题，设计了两种基于改进遗传算法与贪心策略的近似求解方法，以实现用户的效用需求.

系统效用最大化的卸载决策指标由于能根据具体情况具体分析而得到广泛研究.以上就是根据不同场景设计不同的效用函数，再依据最大化系统效用这一指标制定适合的计算卸载决策以满足用户的需求.

3.3 资源分配分类

移动边缘计算的目的在于在移动网络的边缘提供计算、存储、通信与网络资源，从而满足用户对高带宽、超低时延的优质网络服务日益增长的需求.MEC计算卸载可以扩展移动设备的计算能力并提升用户体验，资源分配则可进一步改善计算卸载性能.当前，计算卸载中的资源分配的研究常考虑计算资源的分配、通信资源的分配以及联合计算和通信的资源分配这三大类.随着科学技术的快速发展，出现了大量计算密集型的新型移动终端应用，由于移动终端设备在计算能力方面存在局限性，急需网络边缘的计算节点为其提供计算能力，而任何设备服务器的计算能力都不是无穷无尽的，所以对计算资源进行合理分配尤为重要.随着大数据时代的来临，各类应用产生的数据量不断攀升，然而在通信成本高且通信能力有限的情况下，对通信资源进行分配可降低传输大量数据时对带宽带来的压力和传输成本.在整个计算卸载过程中数据通信和任务计算是核心步骤，所以联合计算和通信资源分配是大势所趋，其可以对计算卸载的不同阶段的策略和方案进行优化.本节将介绍和对比这三类资源分配的研究.其优劣对比表如表2所示.

3.3.1 计算资源分配

为了保证MEC网络的计算资源效率，文献[72](1)https://arxiv.org/abs/1901.00233提出了一个基于潜在博弈理论的计算资源分配方案以达到降低MEC网络的能耗以及提高计算资源效率的目的.计算资源分配方案包括两个部分:第一部分为基于潜在博弈论的功率控制方案，找出一组最大化MEC网络潜在功能的基站的传输功率；第二部分是基于线性规划的计算资源分配方案，其根据功率控制方案的结果，使MEC网络的平均计算资源分配系数最大.实验结果表明，提出的计算资源分配方案相比于传统方案在计算资源利用率和能源效率方面均有显著提高.

优化算法是解决MEC计算卸载中资源分配问题的可靠方法.但是，由于操作和迭代的复杂性，迭代优化算法并不适用于高实时性的MEC系统.为了解决这一问题，文献[73]设计了一个基于DNN框架来优化实时变化的MEC系统下的计算资源分配的方案.首先利用经典的序列二次规划优化算法得到优化结果，其次，利用获得的优化结果训练DNN以近似序列二次规划(Sequence Quadratic Program，SQP)的行为.该文献不仅关注算法执行后的时延、能量消耗等系统指标，还关注算法本身的效率，实验结果表明，提出的基于DNN的训练方法能较好地逼近SQP，且训练精度高，同时运行时间也提升了数百倍，满足应用的实时性需求.此外，机器学习中的强化学习也是解决计算资源分配的好策略，文献[74]利用深度强化学习算法解决车辆边缘计算系统中计算资源分配决策问题，提出采用丢包正则化与双深度Q网络相结合的方法对深度强化学习算法进行改进，改进后的深度强化学习算法能够较好地逼近穷举搜索方案的性能.文献[75]提出了基于强化学习方法的多节点计算资源分配策略，以实现5G环境下移动边缘服务器端的负载均衡.

文献[76]讨论在工业物联网(Industrial Internet of things，IIoT)场景下的计算资源分配问题.作者将资源分配和网络经济学相结合，提出了两种在MEC中采用动态定价的双重拍卖方案，即基于盈亏平衡的双重拍卖和基于动态定价的双重拍卖，仿真结果表明，所提出的两种拍卖方案均可以显著提高IIoT中MEC的系统效率.文献[77]在计算时延受限的情况下，针对无限和有限边界云计算能力的情况，将最优计算资源分配问题转化为凸优化问题，并使用拉格朗日方法对其进行求解.文献[78]对天牛须粒子群算法进行改进，设计了一种边缘计算中计算资源分配方案，以实现计算资源的协同调度.该方案具备较高的全局搜索能力且能充分满足用户的服务体验质量.

MEC服务器的计算能力并不如云那般强大，其具有一定的能力限制，所以当遇到任务计算需求与设备计算能力不匹配时，计算资源分配是必要的.以上对计算卸载中的计算资源分配的研究表明只要合理地分配计算资源则可以提高计算效率，大大降低计算延迟，给用户和资源提供者带去利益.

3.3.2 通信资源分配

文献[79]通过最大化整个通信网络的频谱效率和系统容量，研究以信息为中心的无线网络中资源分配的最佳策略.由于无线信道环境的未知性与随机性，作者采用马尔可夫决策过程对无线网络环境下的资源分配问题进行建模.考虑连续值状态和动作变量作者提出了新的基于策略梯度的通信资源分配和功率控制方法.作者首先根据缓存内容的位置来判断通信模式应选择D2D模式还是蜂窝模式.其次，利用高斯分布设计参数化策略，以生成连续的随机动作来选择功率.最后，使用Softmax函数来输出信道选择，以实现最大幅度地提高系统容量和频谱效率的同时避免蜂窝用户的彼此干扰.数值实验表明，该方法在启用D2D的MEC系统中具有良好的表现.

针对通信资源分配不公平和MEC网络吞吐量最大化的问题，文献[80]采取纳什议价博弈理论进行解决.首先，引入分时变量，将离散问题转化为连续问题；其次，基于最优的时间分数，提出了匈牙利算法和两波段分割策略的通信资源分配算法，实现子信道匹配与用户按优先级传输，最大程度地满足了用户的时延要求以及提高了网络的总吞吐量.实验结果显示，该方案能显著提高系统的整体效率，并确保各个用户之间的公平性.文献[81]将MEC中多用户计算卸载的带宽分配问题定义为混合整数非线性规划问题，并运用深度Q网络的思想提出了一个寻求该问题最优解的有效算法，该算法具有稳定的收敛性能，且结果具备准确性.文献[82]提出了在移动边缘计算网络中使用深度强化学习来分配通信网络资源的策略.其解决了服务端到端的可靠性问题，同时优化了延迟冲突概率和解码错误概率.在AR场景中，文献[83]结合信道增益与带宽建立凸优化资源分配模型，以实现用户带宽的最优分配.文献[84]提出一种非凸问题的拉格朗日对偶法进行计算卸载中的子载波选择.

表2 三种类型资源分配比较Table 2 Comparison of three types of resource allocation

随着信息时代的发展，信息数据量的爆炸性增长导致数据上传堵塞的情况频发，这无疑给通信网络施加了巨大的压力.以上的研究对计算卸载中的通信资源进行分配，减少了因数据量大而导致网络拥塞的概率，缓解了网络带宽压力.

3.3.3 联合计算和通信资源分配

为了解决如何在多变的移动边缘计算环境下合理分配计算资源和网络资源以满足用户需求的问题，文献[85]将软件定义网络技术运用到MEC体系结构中，对分布式网络基础设施进行逻辑集中控制，为了减少深度强化学习中Q网络参数更新和目标Q值计算之间的依赖性，作者结合深度强化学习中的Nature DQN架构提出了一种智能的基于深度强化学习理论制定的资源分配方案——DRLRA，该方案能够自适应地对网络资源和计算资源进行分配，减少平均服务时间，并可以在不同的MEC环境下平衡资源的使用.实验结果表明，在多变的MEC条件下，DRLRA的性能优于传统的OSPF算法.

物联网中的移动边缘计算卸载具有实时性及复杂性等特点，文献[86]提出使用联邦学习来指导深度强化学习代理的计算与通信资源分配方案，该方案中联邦学习利用本地化数据使物联网系统更具认知能力，并在不需要集中训练数据的情况下，使物联网设备可以很好地学习并获得一个共享深度强化学习代理.提出的联邦学习优化方案在实现计算与通信资源动态自适应分配的同时也解决了深度强化学习代理单独在物联网设备上训练时存在额外能量浪费、训练耗时长的不足.

移动边缘计算系统在时间和空间上均面临着通信和计算资源的不均匀分布，为了业务匹配，相邻的MEC系统可以协作共享其分布式通信和计算资源.文献[87]考虑两个MEC系统，这两个MEC系统分别对应两个无线接入点(Access Point，AP)，每个AP服务于一个用户模型，基于该模型作者提出了一种联合计算和频谱的合作方法，通过联合优化用户的任务卸载决策和两个系统之间共享的频谱带，最小化两个MEC系统的能量消耗加权和.通过采用标准凸优化技术，以半封闭形式获得最优解.数值结果表明，与其它非联合设计的基准方案相比，所提出的联合设计方案使两个系统的能耗均得到显著下降.

文献[88]研究能量收集小蜂窝网络中的通信与计算资源分配问题，由于无线通信环境的动态特性，作者将该动态资源分配问题表示为马尔可夫决策过程.针对马尔可夫过程中状态与动作的连续性，作者提出了一种基于演员-评论家强化学习的在线资源分配算法.仿真结果表明，该算法能够最大限度地提高MEC服务器的任务执行量，并降低系统的能耗与时延.

文献[89]将物联网环境下的计算与通信资源分配问题描述为连续时间马尔可夫决策过程，为解决马尔可夫决策过程的维数曲线问题，作者利用深度强化学习技术，提出一种神经网络结构来逼近系统状态的值函数，从而使得提出的基于拍卖思想的半分布式资源分配算法得以实现.文献[90]设计了一种通信和计算资源联合分配的卸载方案，在单个MEC服务器和多个移动终端设备的场景下，卸载方案依据待计算任务队列的长度以及无线电信道状态判断是否执行卸载.文献[91]构建了一种基于软件定义网络技术辅助的MEC车载网络架构，提出了一种结合Agglomerative Clustering和Q-learning算法的资源分配机制，以实现对车载网络中的无线信道分配、传输功率分配与计算资源调度的联合优化.文献[92]将计算卸载问题表述为无线电与计算资源联合优化问题，提出的迭代算法依据无线链路传输任务的矩阵预编码信息将MEC计算节点上的计算资源分配给各个卸载任务以实现计算的联合优化.文献[93]基于分治思想提出一种根据用户综合需求变化的动态计算资源与频谱分配算法.

计算资源和通信资源是移动边缘计算中两类重要的资源，以上总结的文献中，研究者们将这两种资源联合起来进行分配，使系统资源利用率得到提升的同时也实现对任务处理速率的提高以及缓解数据对通信网络的压力.

4 发展趋势和展望

通过将终端设备上的计算任务卸载到可提供资源的网络边缘计算节点进行处理的方案有助于提高计算效率，减轻移动设备的负担和缓解通信网络的带宽压力.目前移动边缘计算卸载技术研究已经取得了极大的进展，但仍然存在挑战，具有很大的探索潜力.

4.1 卸载决策算法

随着边缘计算的发展，作为边缘计算关键技术之一的计算卸载近年来也受到了许多国内外研究者们的广泛关注.研究人员们基于拍卖理论、博弈论和匹配理论等传统的方法提出了一系列计算卸载决策算法[40,50,76]，其在时延、能耗和效用等性能方面均有良好的表现.然而，随着移动边缘计算应用场景的不断扩展，计算卸载的环境越来越复杂，传统的卸载策略不能根据环境的变化对策略进行调整，不能实现长期绩效.为了使卸载决策对实时变化的环境具有更高的适应能力，近年来，越来越多研究人员将强化学习理论应用于边缘计算卸载策略[39,55,85]，强化学习可以感知环境，并通过与环境进行交互作出决策，更适合实时变换的环境.然而，由于时变环境的高复杂性，使得现有的基于深度强化学习的卸载方法中的动作空间普遍为高维空间，这导致对动作空间的探索变得复杂，从而使得算法收敛速度缓慢.所以设计新的计算卸载策略以填补现有方案的漏洞是必须进行的研究之一.

对于研究新型计算卸载策略主要有以下两个方向：一是对现有的计算卸载算法进行改进与优化，如：深度强化学习中对动作空间进行探索时普遍使用的是贪婪算法，其不适合对高维度动作空间进行探索，会导致深度强化学习算法的收敛速度缓慢.因此可以考虑对深度强化学习算法中的探索动作空间的部分算法进行改进优化，可以采用经典的探索算法，例如：蚁群算法、遗传算法等去进行动作空间的探索.二是寻找其它适合应用于移动边缘计算卸载领域的算法.模仿学习是一个值得考虑的方向，模仿学习是一种以仿效榜样的行为方式为特征的学习模式，通过给予一定的范例来使代理学习作出决策来缓解因高维动作空间导致收敛慢的问题，且适合动态环境.

4.2 安全性

安全性问题在移动边缘计算卸载中是需要重点考虑的技术难点[94-96].MEC的分布式部署导致单点防御能力薄弱，单点被攻破则可能导致全局系统的沦陷.此外，随着互联网技术和边缘计算的高速发展，基于MEC的内容共享、计算协作以及数据和信息交互等功能已显著增加，而此类功能多采用多用户交互的模式，可能会出现恶意用户从数据交互中窃取用户隐私或利用服务平台漏洞攻击网络的情况.因此，设计合理的安全措施以保障数据、系统以及个人隐私等的安全是尤为重要的.另外，由于边缘计算卸载将卸载任务迁移至复杂性更高的边缘网络环境中，使得大部分原来用于解决云计算安全性问题的方案对移动边缘计算都不再奏效.所以，在MEC中如何确保数据信息的安全，从而保障用户以及企业的隐私安全仍然是一个待解决问题.

针对以上MEC中的安全性问题，一方面可以从加强安全性方面考虑MEC的架构设计，从根基上保障MEC的安全；另一方面，MEC可以联合各式各样的安全性解决方案(如：身份签名、数据访问控制等)对MEC安全性解决方案进行设计，通过各项方案之间安全性能的优势互补为系统提供有效的安全保护.此外，基于MEC的计算卸载以及在某些私有网络场景下，用户的隐私保护问题尤为重要，由于隐私保护类属于定制型服务，隐私保护的需求在不同的业务或用户之间存在不同程度的差异，所以可参考将受信平台模块等隐私保护实体引入MEC网络的思路，以解决隐私保护问题.

4.3 卸载节点发现

在移动边缘计算卸载新范式中，移动终端设备、基站、路边单元等均可以成为边缘计算卸载节点.前期的计算卸载研究中认为场景中具有计算能力的边缘节点均可成为当前卸载任务的边缘计算节点，这种设定仅仅适用于小场景.然而，随着边缘计算卸载应用场景的不断扩大，在移动边缘计算网络中并非所有的设备服务器都具有可以成为当前卸载任务的边缘计算节点的条件，这使得制定合理的候选卸载节点发现机制成为一个发展趋势.最近一些研究成果[39,97]多集中在车辆网络场景中，其依据车辆运动方向一致性原则或者根据泊松定理计算出的状态转移矩阵来确定候选卸载节点.然而，以上对卸载节点发现机制的设定都过于理想型化，导致候选卸载节点的遗漏，从而使得卸载决策达不到最优.所以，制定符合场景需求且合理的卸载节点发现机制有助于计算卸载策略的优化.

对于如何制定合理的卸载节点发现机制，我们有如下考虑：由于计算节点的计算能力与应用服务、通信范围以及通信连接时间等因素均可影响任务计算卸载节点的选择，因此可以联合这些决定因素制定卸载节点的筛选规则以确定符合条件的候选边缘计算节点进行卸载策略，或者以这些决定因素作为属性特征，利用聚类算法将边缘计算节点进行聚类，不同的任务选取对应符合其需求的类别节点进行卸载.

4.4 计算卸载数据的依赖性

数据依赖性问题已普遍存在于各个与数据相关的领域.在计算卸载中执行部分卸载时，各部分模块的数据可能是相互独立的也可能是相互依赖的[38]，或一个复杂的应用服务中包含的多个任务之间也可能存在数据依赖.由于最佳数据依赖解决方案必须了解资源需求、访问网络、用户移动性以及重要数据的依赖关系，因此，如何将多个数据依赖子任务进行卸载并保证卸载质量是移动边缘计算卸载面临的严峻挑战之一[98].目前，计算卸载策略的研究中多认为卸载部分之间是相互独立的，鲜少有考虑数据依赖关系的卸载决策方案.然而，在万物互联的时代，任务之间的数据存在依赖关系是不可避免的情况.数据依赖关系如何描述以及如何在数据依赖约束下制定合理的计算卸载决策方案仍是待解决的问题.

基于以上问题我们可以考虑利用有向无环图对各个子任务之间的数据依赖关系进行表述，以获得子任务的执行顺序、状态量迁移与网络带宽等约束，然后基于所获得的约束采用机器学习等方法制定合适的计算卸载决策方案.

综上所述，移动边缘计算在移动网络边缘提供存储、计算、通信与网络资源，计算卸载通过将计算任务卸载到网络边缘进行处理大大地减少任务处理时延的同时也满足了绿色通信所提出的要求，提高了服务质量.虽然，目前提出的计算卸载策略在时延、能耗以及效用利益等性能方面均具有良好的表现，但是这些策略仍存在局限性，传统方法受限于环境的动态性、机器学习的收敛速度慢等因素都提醒我们需要考虑新的卸载决策算法以解决现有方案存在的问题.此外，MEC的安全性问题也是一个迫切需要讨论研究的实质性问题，为了保持安全通信以及保障系统安全，我们需要从各个层级的安全性问题出发制定适用于MEC的安全管理机制.同时，随着边缘计算应用场景的不断扩大，任务可选择卸载的计算节点不再全局化，需要卸载节点发现机制来确定任务的卸载节点集合.数据依赖分为外部依赖和内部依赖，这对于任务卸载都是非常棘手的问题，在大数据时代，数据依赖关系需要被考虑.在实现MEC的广泛应用之前，移动边缘计算以及计算卸载等边缘计算关键技术的解决策略在算法设计、安全性、卸载节点发现、数据依赖等方面仍然需要做更进一步的研究.

5 总 结

近几年来，面向移动边缘计算的研究备受业界人士的瞩目，MEC已成为移动网络领域中的研究重点.作为MEC关键技术之一，计算卸载对解决移动设备在计算功能以及资源存储等方面存在的不足和提高业务与服务性能等方面做出了重大的贡献.本文重点介绍了面向移动边缘计算环境下的计算卸载方面的研究现状，并对目前计算卸载技术仍存在的问题与挑战进行了总结以及分析和展望了计算卸载技术未来的发展方向.希望本文能为相关领域的学者以及未来的研究工作提供一定的参考和帮助.