边缘计算环境下的计算卸载策略研究*

陈 霄，刘 巍，陈 静，程绍驰，夏淋淋

（军事科学院，北京 100091）

0 引言

随着物联网技术和移动通信技术的高速发展，智能化移动终端（智能手机、平板电脑、智能家居设备等）已走进千家万户，极大地便利了人们的生活。与此同时，移动终端的大量增加，必然会带来移动流量的急剧增长，根据思科最新发布的预测报告统计，到2021 年底，全球移动数据流量将达到49 Exa Byte/m，移动端流量将占网络中总流量的84%。各类信息服务和终端应用的推陈出新，用户对网络服务质量和网络请求延时等的要求不断严苛。目前，移动设备的中央处理器信息处理能力已取得较大提升，但是面对时间延时要求高、数据量巨大的处理任务时仍显力不从心。另外，电池容量和存储空间有限，也是制约移动设备处理计算密集型和时间敏感型应用的重要因素。传统的“云-端”信息服务架构，通常将终端设备的数据上传至云计算中心进行集中处理，但是海量的数据传输势必会造成网络资源的大量占用，导致请求时延的增加，极大地影响了用户体验。为解决以上不足，研究人员将计算卸载技术应用到边缘计算中。本文从边缘计算卸载技术的概念出发，梳理了边缘计算卸载的步骤和影响因素，之后聚焦边缘计算卸载技术中的问题——边缘计算卸载策略，详细阐述了目前应用最为广泛的3 种边缘计算卸载策略的原理、研究现状及优缺点，最后基于目前边缘计算卸载技术的研究现状和存在的问题，给出了边缘计算卸载策略研究面临的挑战和未来的研究方向。

1 边缘计算卸载技术及实现步骤

计算卸载技术最初是在移动云计算中提出，移动设备通过核心网将计算密集型的任务卸载到远端的云计算中心处理，弥补了移动设备在计算能力、存储、续航时间等方面的不足，同时突破了移动设备终端异构软硬件的限制，但是该策略需要将大量的数据传输至距离移动设备较远的云计算中心，导致网络资源的极大占用且会带来较高的请求时延。边缘计算将云服务“下沉”到网络边缘，使得边缘服务器距离移动终端设备更近，能够提供就近的计算和存储资源，移动终端设备可通过计算卸载技术，将计算密集型或时间敏感型的一部分或全部任务卸载到边缘服务器上进行处理，能够有效降低网络资源占用率和请求时延，最终提升服务质量和用户体验。

边缘计算环境下的计算卸载是指移动终端设备将本地的全部或一部分计算任务迁移到就近的边缘服务器执行，执行结束后边缘服务器再将计算结果返回到移动终端设备。因此，遵循哪种卸载策略、如何权衡本地终端执行成本和迁移到边缘服务器所占用的通信资源成本，即对计算任务的最优化分割和适时卸载是边缘计算环境下计算卸载技术研究的核心问题。

按照不同的指标划分，计算卸载可分为全部卸载和部分卸载、静态卸载和动态卸载、单节点卸载和多节点卸载。但无论采取何种计算卸载策略，边缘计算环境下的计算卸载基本都遵循以下步骤，如图1 所示。

图1 计算卸载流程图

1）节点搜寻。将移动终端设备上的密集型计算任务卸载到边缘服务器执行，首先就是要在边缘计算环境中搜索可用的边缘计算节点。根据计算任务卸载到边缘服务器的个数可分为单节点卸载和多节点卸载。单节点卸载仅需将计算任务分割成两部分，分别在移动终端设备本地和边缘服务器上执行；多节点卸载需要考虑不同节点的负载情况、计算能力以及与该移动终端设备的网络通信状态。

2）任务分割。任务分割就是采用合适的算法对需要进行处理的任务进行分割，划分为本地执行部分和需要卸载到边缘服务器上执行的部分。通常情况下，本地执行部分一般是必须在本地执行的程序代码，例如用户接口、处理外围设备的程序代码等。边缘服务器上执行的部分通常是一些与本地设备信息交互少且计算量较大的程序代码。

3）卸载决策。卸载决策是计算卸载的核心环节，其决定了是否卸载程序，以及卸载哪部分程序到边缘计算节点。

4）程序传输。将卸载的计算程序传输至边缘计算节点，传输的时效性依赖于通信网络的带宽条件。

5）执行计算。边缘计算节点对卸载到边缘服务器的程序进行计算。通常采用虚拟机方案，边缘服务器会为该卸载的任务启动一个虚拟机，计算任务将驻留在该虚拟机中执行，直至任务运算结束。

6）运算结果回传。将执行计算处理后的结果回传至移动设备终端，至此，卸载过程结束。

2 边缘计算卸载决策分类

计算卸载决策研究的是移动终端设备是否卸载、卸载哪些和卸载多少的问题，因此，移动终端设备进行卸载决策的结果分为3 种情况，即本地执行、部分卸载和全部卸载，如图2 所示。在卸载系统中，移动终端设备通常包括代码解析器、系统解析器和卸载决策引擎，其执行计算卸载决策的步骤如下：1）代码解析器负责确定哪些任务能够卸载，这取决于任务的类型和代码数据的分区情况；2）系统解析器对可用带宽、要卸载的数据大小或执行本地计算的耗能等进行监测；3）卸载决策引擎通过综合分析最终对是否卸载做出决策。

图2 3 种卸载决策

影响决策的因素大致分为以下几种：一是用户意愿，用户意愿是影响计算卸载决策决定性因素，主要取决于计算卸载能达到的效果，如缩短请求时延、节约耗能等；二是移动设备终端的运算性能、续航时间和存储容量；三是通信链路状态，例如通信方式（3G/4G/5G、Wi-Fi）、传输带宽、信道状态等；四是计算任务（应用程序）类型和可卸载性；五是边缘服务器的计算性能、资源使用情况等。而在所有的因素中，最主要的考虑因素是请求时延和能量消耗，因此，下面从最小化请求时延卸载决策、最小化能量消耗卸载决策、基于时延和能耗权衡的卸载决策3 个角度，阐述研究人员对计算卸载决策所做的研究。

2.1 最小化请求时延的卸载决策

基于最小化请求时延卸载决策示意图如图3所示。假设本地执行时延为T，卸载执行时延为T，其中，T为任务卸载时间、边缘服务器计算时间以及计算结果回传到移动终端设备的时间。如果T＜T，则选择本地执行；如果T＞T，则选择卸载到边缘服务器上进行计算的卸载策略。

图3 基于最小化请求时延的卸载决策示意图

从目前国内外关于边缘计算卸载策略的研究情况来看，最小化请求时延卸载决策的研究领域应用最为广泛的计算卸载技术架构如图4 所示。

图4 基于最小化请求时延的卸载决策流程图

该技术架构的核心原理是基于移动终端设备侧和边缘服务器侧缓存任务的队列状态、移动终端设备侧可提供的处理功率，以及两者之间的通信信道特性来进行卸载决策。具体流程如下：待计算的数据模块在移动终端设备本地进行排队，本地负责计算卸载策略的模块通过综合缓冲的队列状态、本地计算处理模块和边缘服务器相关模块反馈的信息，以及通信信道的状态信息（Channel State Information，CSI），对缓冲队列中下一时刻待决策的数据模块进行卸载决策，决定其是本地计算还是传输到边缘服务器执行。

文献［24］根据移动终端设备和边缘服务器缓冲的队列状态、两者的可用计算能力、两者之间的信道基本特性3 方面因素，利用一维搜索算法决定是否将计算任务卸载到边缘服务器上，以实现最小化请求延迟的目标。仿真实验显示，所提出的卸载策略与本地执行策略相比可降低延迟达80%，与全部卸载到边缘服务器执行相比降低约44%的延迟，但文献中提出的卸载策略中终端设备需要获取边缘服务器的反馈进行决策结果，文献中并未考虑获取反馈的信令开销。文献［25］在实现最小化请求延迟目标的基础上，同时考虑降低卸载应用程序时的故障率，设计了一种低复杂度的基于Lyapunov 优化的动态计算卸载（LODCO）算法。该算法以时隙进行分隔，考虑了数据在信道中传递与CPU 上计算的各个因素，在每个时隙执行卸载决策，决定是本地执行还是计算卸载，即分配CPU 周期还是传输功率。仿真实验表明LODCO 算法能够将计算时间减少高达64%。文献［26］中以优化应用程序计算卸载时延为目标，提出了一种基于深度学习的计算卸载方法。其将应用划分为前后有关联的链式子任务，结合本地执行开销、可用的通信资源和计算资源，设计了一个深度监督学习模型，将连续卸载决策问题转化为多标签分类问题。但是该方法需要针对特定的应用进行训练且没有考虑复杂的任务拓扑结构。文献［27］中提出了一种基于启发式路径搜索算法的计算卸载策略。算法以最小化用户请求时延为优化目标，考虑关联子任务之间的数据传输，利用有向无环状图将应用划分为不同的拓扑结构，首先采用部分随机路径方法确定线性拓扑，之后利用贪婪策略确定每一跳任务之间的卸载决策。该策略有效地降低了搜索空间，但具有较大的随机性。文献［28］中综合考虑内容缓存、通信资源分配、卸载决策，以最大限度地减少端到端的平均延迟为优化目标，建立了基于动作- 价值的强化学习模型，利用深度神经网络分别逼近动作和价值估计函数，通过与环境的不断交互迭代优化最终确定计算卸载策略。文献［29］中综合考虑边缘服务器的计算能力和计算卸载延迟，通过建立斯坦伯格博弈模型来模拟移动终端设备和边缘服务器之间的信息交互，以最优化请求时延为目标，设计了一种灵活的分布式定价算法，边缘服务器能够依据自身实时可提供的计算能力来设定价格，以达到减小计算卸载时间延迟的目的。

然而，由于最小化请求时延卸载决策没有考虑到移动终端设备侧的能量消耗，显然以较大的能量消耗来换取过剩的时延要求不利于移动终端设备的可用性，因此，研究人员开展了在满足用户请求时延要去的同时，又能够最小化耗能的计算卸载策略。

2.2 满足请求时延约束下最小化耗能的卸载决策

在不进行计算卸载时，耗能指的是在移动终端设备处执行本地任务的耗能。计算卸载时，能量消耗包括两部分：一部分是将要卸载的数据传输到边缘服务器上需要消耗的能量；另一部分是接收边缘服务器回传运算结果所需要消耗的能量。

图5 给出了在满足请求时延约束下最小化耗能的卸载决策的示意图，其中，E为本地执行消耗的能量，E为执行计算卸载时消耗的能量，T为本地执行时延，T为卸载执行时延，T可允许的最大时延。移动终端设备1 选择本地执行计算任务，是因为本地执行的耗能小于卸载到边缘服务器上发送和回传所需消耗的能量的总和；终端设备2 将计算任务卸载到边缘服务器上执行，是因为发送和回传的耗能之和小于本地执行计算的耗能。可以看出，尽管耗能小的方案对应的请求时延较大，但均满足业务对时延的要求，因此，选择耗能较小的卸载策略。

图5 满足请求时延约束下最小化耗能的卸载决策示意图

文献［30］中提出一种满足请求时延约束下最小化移动终端设备耗能的计算卸载策略。文中将最小化能量消耗的模型转化为有约束的Markov 决策过程，在此模型的基础上，提出了两种资源分配的策略。其中，第1 种是基于在线学习的实时策略，整个网络会根据移动终端设备所携带应用的情况进行实时动态的调整；第2 种是基于先验知识的离线策略，先验知识包括应用的信息、每个时隙的数据速率、通信信道条件等。仿真实验结果表明，所提出的离线策略在中低负载时，在性能上优于在线策略约50%。同时，与仅在移动终端设备端完成计算相比，节能达78%，与全部计算卸载到边缘服务器上计算相比，节能达15%。文献［31］中设计了一种高效节能计算卸载算法（EECO）。该算法分为3 个步骤，首先移动设备终端根据任务的处理时间和能量消耗被分为3 类：第1 类是移动设备终端自身无法满足执行时间的约束，需要卸载到边缘服务器的；第2 类是耗能低于阈值，移动设备终端能够自行完成本地计算的；第3 类是移动设备终端可以本地计算或者计算卸载的。之后根据通信信道状态和应用的计算需求确定第1 类和第3 类应用的计算卸载优先级。最后由边缘服务节点根据给定的优先级进行无线电资源的分配。仿真实验显示，EECO 算法比不进行计算卸载的算法可以降低15%的能耗。文献［32］中在考虑无线信道状态和请求时延的约束的基础上，将应用程序划分为可卸载和不可卸载的子任务，设计了一种基于组合优化的计算卸载方法，但应用程序的划分过程中并未考虑子任务之间的联系。文献［33］中考虑多移动终端设备的应用场景，基于满足请求时延的同时最小化移动终端设备耗能的优化目标，提出了一种基于阈值的最优计算卸载策略。采用时分多址技术，将时间划分为持续秒的时隙，在每个时隙期间，不同的移动终端设备能够根据各自信道的质量、本地执行能耗和终端之间公平性将计算任务卸载到边缘服务器。具体地，若移动终端设备具有比既定阈值更高的优先级，则计算任务全部卸载至边缘服务器上执行；若移动终端设备具有比既定阈值更低的优先级，则仅卸载部分计算任务至边缘服务器以满足请求时延；如果移动终端设备选择计算在本地执行不能满足延迟需求的情况下，这些移动终端设备会被给予更高的优先级，将在本地执行。此外，由于联合分配计算资源和通信资源复杂度较高，文献［34］中提出了一种次优分配算法，将计算资源分配和通信资源分配进行解耦，设计了时分多址和正交频分多址通信模型。实验结果表明，与时分多址方案相比，使用正交频分多址技术方案可降低移动终端设备90%的能量消耗。

2.3 基于时延和能耗权衡的卸载决策

基于时延和能耗权衡的卸载决策本质上是在满足请求时延限制和耗能限制的前提下，通过权衡时延和能耗这两个指标对计算卸载总代价的影响，来寻找一个平衡点使得请求时延和能量消耗的更符合实际的应用背景，最终达到最大化收益。

文献［35］中考虑多用户多信道场景，基于搜索论和博弈算法，提出了一种可实现Nash 均衡的分布式运算卸载策略，该算法适用于将计算任务全部卸载的情况，通过设置权衡参数作为是否选择卸载的评判标准。用户可根据实际的应用场景进行参数的人为设定，以实现用户收益的最大化。仿真实验结果表明，该算法可以减少约10%的移动终端设备耗能。文献［36］中基于缓冲区的稳定性约束建立了最小化功耗的模型，以保证本移动终端设备能够以最优CPU 工作频率执行本地计算任务，并将通信带宽资源和传输功率分配给将任务卸载到边缘服务器上用于计算的移动终端设备，通过提前设定的优先级控制能量消耗。仿真实验结果表明，该策略能够使多移动终端设备在部分卸载情况下降低98%的请求延迟和90%的耗能。文献［37］设计了一种实时的在线优化算法，核心是通过动态规律性地优化服务器缓存和计算卸载，并利用李雅普诺夫优化算法克服了系统状态未知、空间需求藕合和分散协调等问题，并通过仿真实验证明了算法的有效性。

2.4 3 种卸载决策的对比分析

通过对3 种不同卸载决策的研究和对比分析可以得到：1）最小化请求时延的卸载决策将降低任务处理的时间延迟这一性能指标作为首要考虑的问题，以较大的能量消耗来换取较小的时间开销，适用于实时性要求较强的任务处理程序以及应用程序之间依赖关系较强的任务系统，这是因为当系统运行时，可能会发生对当前请求响应不及时而导致与其具有依赖关系的应用程序运行终止，进而降低系统整体运行效率，所以最小化请求时延的卸载决策原则上来说能确保任务系统的运行效率最高，但并未考虑系统的耗能问题。2）满足请求时延约束下最小化耗能的卸载决策，以降低任务处理的能量消耗这一性能指标作为首要考虑的问题，为使得卸载的程序不影响后续程序的运行需要，在最小化能耗的同时满足卸载程序的计算时延限制，通常以系统能容忍的最大时延作为其卸载的时延约束，以此来确保卸载过程中能量消耗最少，适用于能量消耗型的应用程序和供能受限的任务系统。3）基于时延和能耗权衡的卸载决策以降低任务处理的总开销最小（即时延消耗与能量消耗的加权和最小）这一性能指标作为首要考虑的问题，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，最终达到最大化收益，适用于对时延或能耗指标无最小化要求的应用程序和任务系统。

3 边缘计算卸载系统

现有的边缘计算卸载系统如MAUI、Cloudlet、Comet、CloneCloud、Misco和Tango等，依据计算任务划分颗粒度的不同，分为两类：基于应用程序与虚拟机的粗颗粒度计算卸载和基于进程或功能函数的细颗粒度计算卸载。

3.1 细颗粒度计算卸载

细颗粒度计算卸载即部分卸载，是指将应用程序中计算密集的代码或函数按照进程的方式卸载到边缘服务器上执行，这种卸载方式依赖程序员对应用程序事先进行标注和划分，可分为静态卸载和动态卸载两种方式。静态卸载是指在开发过程中就已经预先设置完成了任务的卸载策略。动态卸载是指根据任务交付的实时情况，例如实时感知用户、通信链路状态、边缘服务器状态来动态调整卸载策略。下面以MAUI 卸载系统为例，对细颗粒度计算卸载进行详细描述。

MAUI 卸载系统是以动态方式执行卸载任务迁移的边缘计算卸载系统的典型代表，其以减小消耗能量和减小请求时延为目的，技术架构如图6 所示。终端设备包括Solver，Proxy 以及Profiler 3 个不同组件。其中，Solver 主要是提供卸载决策引擎接口；Proxy 负责计算卸载执行进程中相关数据的发送、回传及适时控制；Profiler 负责收集应用程序数据（如能量和传输要求等采集结果等）并对其进行实时监测。

图6 MAUI 计算卸载系统

边缘服务器端包含Solver、Proxy、Profiler 以及MAUI 控制器4 个组件。其中，Solver 和Proxy 与终端设备对应组件所执行的功能类似；Profiler 则负责对决策引擎进行周期性地优化；MAUI 控制器组件负责处理对传入请求进行身份验证，以及对计算资源进行分配，此外还能够对历史信息进行记录和分析，便于对未来任务的卸载决策进行预测。

MAUI 卸载系统提供了1 个可编程环境，程序员可对应用程序进行标注和划分，以确定哪些任务需要卸载到边缘服务器，之后MAUI 通过其所包含功能组件的协作来计算卸载任务的代价，如卸载所需要的传输耗能，以及任务卸载后能够带来的优势等。另外，MAUI 卸载系统还会周期性地检测网络通信条件，监测通信带宽和时间延迟，通过综合上述内容决定哪些任务应该卸载，哪些应该继续在移动终端设备上进行本地执行。

3.2 粗颗粒度计算卸载

粗颗粒度计算卸载即全卸载，即将应用程序甚至整个程序封装到虚拟机实例后迁移到边缘服务器上，这类卸载系统不需要事先对代码进行标注修改，减轻了程序员的负担，同时也能够避免细颗粒度计算卸载决策额外增加能耗的缺点，但该卸载系统不适用于需要与用户进行频繁交互的应用。下面以Cloudlet 卸载系统为例，对粗颗粒度计算卸载进行详细描述。

Cloudlet 是由卡耐基梅隆大学提出的一种基于动态虚拟机合成技术的计算卸载系统，其主要实现过程如图7 所示。首先，移动终端设备发现并准备启用Cloudlet，发送1 个overlay（launch 虚拟机和base 虚拟机产生的二进制差异）到有base 虚拟机的Cloudlet 上，然后基于base 虚拟机和overlay 创建launch 虚拟机，配置虚拟机实例提供计算服务。当计算结束后，将计算结果回传给移动终端设备，并且释放虚拟机。

图7 Cloudlet 计算卸载系统

可以看出，Cloudlet 卸载系统实现了虚拟机的快速灵活配置、边缘计算节点发现和虚拟机迁移等边缘计算的核心功能。由于终端设备具有移动性，Cloudlet 与终端设备之间的连接是高度动态的，终端设备的随遇接入会导致对Cloudlet 所能提供功能需求的变化，因此，Cloudlet 必须实现灵活的快速配置。在Cloudlet 进行配置前，终端设备需要搜寻能够连接的边缘服务器，然后依据一定的规则，如位置临近或带宽资源等，来选择合适的边缘服务器。虚拟机迁移指的是为了维持服务的正常提供和网络通联，Cloudlet 需要解决移动终端设备在不同边缘服务器之间切换时，服务的不间断性问题。终端设备位置的变化，会脱离原边缘服务器的覆盖范围而进入其他边缘服务器的覆盖范围，可能会造成上层应用的中断。因此，Cloudlet 必须在移动终端设备切换边缘服务器的过程中无缝完成服务的迁移。

4 面临挑战及未来研究方向

4.1 面临的挑战

通过将移动终端设备上的计算任务依据合适的策略卸载到边缘服务器上完成计算，不仅能够降低移动终端设备的计算压力和能量消耗，而且还能降低请求时延，能够极大地提升用户体验。但是在实际环境应用中，也面临着众多挑战。

1）移动性管理的高效性。边缘计算卸载环境下，由于终端用户的移动性，通常在边缘服务器完成计算任务的之前，终端用户就已经离开原来基站的覆盖范围，传统的解决措施是通过虚拟机迁移或功率控制来保证服务的连续性。但是对于终端用户移动性较强的应用场景，频繁的虚拟机迁移必然会导致通信链路和资源的极大浪费，同时带来较大的时间延迟。因此，如何保证边缘计算卸载环境下移动性较强用户终端的服务连续性，是边缘计算卸载决策面临的重大挑战之一。

2）卸载决策算法的适用性。目前现有的卸载决策算法在时延、能耗和效用等性能方面基本能满足应用需求。但是，随着边缘计算应用场景的不断丰富必然会使计算卸载的环境日益复杂，并且由于边缘计算分布式的技术架构使得计算节点所处的环境可能各不相同，如何使卸载决策算法能够根据环境的变化对策略进行适应性调整以实现最大效能，是边缘计算环境下卸载决策面临的重大挑战之一。

3）计算卸载进程中数据的安全性。与集中式的云计算不同，边缘计算分布式的技术架构增加了攻击维度的数量，且在边缘计算环境下，主要靠无线通信网络进行计算任务的卸载和运算结果的回传，易于受到干扰和恶意攻击。如何确保用户的数据在上传、边缘服务器侧计算、运算结果回传过程中的隐私性和安全性，是边缘计算环境下卸载决策面临的重大挑战之一。

4.2 未来研究的方向

针对当前边缘计算卸载策略研究面临的众多挑战，总结出以下3 个未来研究的方向。

1）基于用户移动性预测的计算迁移和运算结果回传。针对该问题，传统的方案是通过虚拟机迁移或功率控制来确保服务的不间断，但对于终端用户移动速度较快的场景，例如车联网场景，短时间内需要切换的基站较多，虚拟机频繁地进行迁移会造成通信资源的极大浪费。针对该问题，有效的技术途径是在边缘服务器为移动设备终端提供计算存储等服务的过程中，利用机器学习和智能预测等技术不断对用户轨迹数据进行统计分析，较为准确地预测其将要到达的边缘服务器覆盖区域，并将数据提前传送到新的边缘服务器。但是预测出的下一个边缘服务器并不一定准确，这需要对用户的行为等信息进行长时间的积累和学习。

2）基于业务的计算卸载决策。针对用户密集的区域，经常会出现大量用户同时发起计算卸载请求的情况，极有可能造成通信信道的拥塞和边缘服务器计算资源的不足，最终影响用户体验。然而在局部区域内大量用户的业务需求通常具有强相关性或重复性，当用户发起计算卸载请求时，如果基站能够根据其业务向边缘服务器提出检索请求，边缘服务器在正在处理或近期处理的任务中检索是否有同样或相关的业务，若有，则可通过一定的算法对本次计算任务进行适当的简化，从而能够显著降低计算卸载过程中的开销。

3）计算卸载进程中数据的安全性。数据加密技术为保证各类计算模式中的数据安全提供了有效的技术途径。针对边缘计算卸载环境下的数据安全问题，研究探索将传统的加密方案与边缘计算分布式的技术架构、终端资源受限、高度动态环境等特性进行有机结合，从而最终实现轻量级、分布式的数据安全防护体系是未来研究的重点方向之一。

5 结论

计算卸载是边缘计算的关键技术之一，主要解决移动终端设备在计算性能、资源存储和能效等方面存在的不足。作为计算卸载技术研究的核心问题——计算卸载决策，主要关注在请求时延和能耗要求下，计算卸载对用户的可行性和有益性。从边缘计算卸载技术的概念出发，梳理了边缘计算卸载的步骤和影响因素，之后详细阐述了目前应用最为广泛的3 种边缘计算卸载策略的原理、研究现状及优缺点，最后基于目前边缘计算卸载技术的研究现状和存在的问题，给出了边缘计算卸载策略研究面临的挑战和未来的研究方向，为相关技术领域的科学研究人员提供借鉴和参考。