移动边缘计算卸载技术综述*

韩晓非，宋青芸，韩瑞寅，陈万琼

(1.重庆广通实业发展有限责任公司，重庆 400039；2.重庆邮电大学 通信与信息工程学院，重庆 400065)

0 引 言

随着第五代移动通信系统(5G)时代的到来，三大典型应用场景对数据速率、系统容量和降低成本等提出了更高的要求，用户对服务质量(Quality of Service,QoS)的需求也呈爆炸式增长。在不断增长的用户需求和低时延高吞吐量等性能指标推动下，催生了移动边缘计算(Mobile Edge Computing,MEC)技术的发展。MEC由移动云计算(Mobile Cloud Computing,MCC)技术扩展而来，其将云计算技术“下沉”至移动网络边缘，为用户终端近距离提供服务，具有靠近用户、低延迟、低能耗、高速率和对无线网络实时洞察等特点[1]。因其相比云计算有诸多优势，故在移动边缘技术的支持下许多新兴的应用得以发展，比如自动驾驶、虚拟现实、在线游戏等，为用户提供良好的服务体验(Quality of Experience,QoE)。

移动边缘计算技术主要包括服务器放置技术、资源分配和计算卸载技术以及移动性管理技术等。服务器放置技术主要研究如何选取服务器的最佳放置位置，使得系统的性能达到最优；资源分配和计算卸载技术主要关注对系统的计算资源、存储资源以及通信资源的联合管理并进行卸载决策以达到预期目标；在移动性管理技术方面更多考虑的是用户的移动性以及用户在不同小区移动时发生切换时是否进行任务迁移等问题。最近几年对这些技术的研究逐渐深入，其中计算卸载技术倍受关注，这种技术可以支持用户任务卸载到服务器执行，大大缓解了用户计算资源的紧张。因此，MEC作为一种解决本地计算能力与执行难度矛盾的新兴体系，受到了学术界、工业界的广泛研究。

1 移动边缘计算概述

1.1 MEC概念

MEC是欧洲电信标准协会(European Telecommunication Standards Institute,ETSI)标准化的一项技术。MEC在网络边缘提供了移动计算、缓存等服务，提供计算基础设施，更接近用户生成的数据，避免流量的过度集中，同时也通过缩短回程网络的距离，降低了用户数据的端到端传输时延，从而能在资源有限的终端设备上实现时延敏感型和计算密集型任务。因此，MEC被欧洲5G基础设施公私伙伴关系研究机构认为是实现5G严格关键性能指标的新兴技术之一[2]。

1.2 MEC基本框架

移动边缘计算是一个可以提供计算与存储等功能的开放性平台，为移动网络提供了更快的服务与更强的计算能力，与5G高可靠低时延相契合，助力于物联网的部署以及未来网络的搭建。由ETSI发布的MEC体系结构由MEC基础设施、MEC应用平台、应用管理系统三层逻辑实体组成，如图1所示。

图1 移动边缘计算平台示意图

在MEC逻辑实体的基础上，MEC基本参考框架如图2所示。框架主要包括移动边缘系统层与移动边缘服务器层，其中，移动边缘系统层用于处理对外与应用程序相关的工作，移动边缘服务器层用于处理底层与硬件相关的工作。移动终端中的应用程序和面向客户服务门户都通过移动边缘系统层与MEC进行交换。

图2 移动边缘计算参考架构

1.3 MEC应用场景

移动边缘计算具有低时延与高计算效率的属性，在蓬勃发展的5G网络与物联网等场景中有着广泛的应用前景。本节主要介绍几个典型的应用场景，并分析移动边缘计算产生的应用价值。

(1)计算密集型业务

计算密集型任务的特点是，任务有较短的响应时间需求，并且任务有较高的计算量。由于移动终端受限于有限的电池容量，一些新兴任务(如增强现实/虚拟现实等)在移动终端执行需消耗大量的能源，这将对用户不利；另外，由于移动终端薄弱的计算能力，任务的处理时间也得不到保证。MEC服务器拥有远高于移动终端的计算、存储能力，在处理此类任务时可快速完成，而用户只需要付出卸载任务产生的能耗代价，这样显著提升了用户体验，同时增加了对新业务的普及[1]。

(2)车联网

车联网技术是指车辆依靠无线通信技术，结合网络中所有的车辆实时信息，可以有效避免交通拥堵，提高道路交通的安全性，还可以为车辆带来一些额外的服务。MEC技术可将通信延迟降低到20 ms以内，使得连接的车辆对危险信号能够快速响应，提高了驾驶安全，同时低延迟使得自动驾驶成为可能。

(3)物联网

随着物联网(Internet of Things,IoT)的发展，物联网设备的连接数逐渐增加，推测到2025年，全球物联网总连接数将达到约250亿。众多物联网设备将产生海量数据，但是通常IoT设备不具备处理信息交互所需要的计算能力和存储资源。对此，MEC可提供高计算能力、高存储资源，可以弥补IoT设备算力和存储不足的问题。还有些物联网设备不具有获得任务信息的能力，对此，MEC服务器具有收集分布式信息的能力，可进一步帮助IoT设备降低设计的复杂度。

2 移动边缘计算卸载技术研究现状

MEC的计算卸载技术将计算任务上传到计算能力较强的MEC服务器执行，可以突破终端自身有限的计算资源限制。但是，MEC的计算卸载技术也不可避免会面临MEC服务器资源的有限的问题。这是由于MEC通常部署在小区内基站或网关等靠近用户的一侧，无法像传统MCC一样拥有海量资源。随着各种新兴业务的增长与普及，伴随小区内网络终端设备数量不断增长，MEC资源不足的现象将日渐明显，特别在热点小区(例如机场、高级写字楼、商圈等)内，资源匮乏现象会变得尤为严重。另外，根据已有的相关研究，任务卸载中的资源匮乏主要体现在MEC服务器计算资源匮乏，若没有合理的方案解决计算资源有限的问题，将对移动终端与服务提供商带来很大的影响。一个有效的解决方案是为MEC服务器扩充额外的计算资源，但有研究指出，MEC不是随时都可以获得补充资源。因此，需要分别针对单MEC服务器与多MEC服务器两种卸载场景展开研究。

2.1 单MEC服务器任务卸载技术研究现状

单MEC计算卸载是只针对一个MEC服务器下的卸载技术研究。在实际场景中，受到MEC部署或任务分布不平衡等因素的影响，MEC服务器没有额外资源补充的情况是存在的，此时MEC计算资源总量无法扩充。有关于单MEC卸载的研究，学者们通过拒绝卸载、推迟卸载或优化任务队列等方式缓解MEC过多的工作量。

2.1.1 单MEC服务器卸载决策

MEC中卸载决策主要包括终端任务卸载方式、卸载数据量以及卸载去向几个问题。任务可以选择整体卸载、部分卸载或本地执行的卸载方式，这些卸载方式会受到用户偏好、任务结构、应用程序类型等因素的影响。任务的卸载数据量指移动终端需要卸载执行的任务总量；卸载去向是指需要选择一个目标MEC服务器，然后将任务卸载过去，终端可以将任务卸载到一个或多个MEC服务器执行。

在任务卸载决策的研究中，终端的剩余能量、发射功率、计算能力等都会对卸载决策产生极大的影响，因此就需要考虑终端资源约束下的卸载决策问题。文献[3]针对一个具有有限发射功率终端的任务卸载问题展开研究，方案考虑了MEC缓冲区等待、用户端执行模型以及任务传输模型，通过类似马尔科夫决策过程的方式分析该卸载问题，并提出了单变量搜索算法得以求解该卸载问题。

任务卸载决策和其他一些技术的结合也是当前研究的一个热点。文献[4]考虑了能量收集(Energy Harvesting,EH)在MEC中的应用，为降低卸载成本，对卸载过程通过Lyapunov优化转化为当前时间片的优化问题，接着提出了一种低复杂度算法获得最佳卸载策略。

部分研究考虑对任务进行划分，划分后的子任务可以并行传输和处理，从而提高任务卸载速率，降低处理时延。文献[5]考虑将终端任务分为多个并行计算的子任务，接着将子任务发送到多个MEC服务器或在本地完成计算，并分别在时分多址(Time Division Multiple Access,TDMA)和频分多址(Frequency Division Multiple Access,FDMA)两种传输模式下来卸载数据，最后针对这两个传输场景分别设计了卸载策略。文献[6]考虑将任务划分为可迁移组件和不可迁移组件，提出了一种基于机器学习的随机任务卸载算法最小化移动设备执行代价，通过Q学习得到最佳卸载策略，并以此结果训练深度学习模型。

以上研究分别考虑了任务卸载决策实际场景的各种约束以及它与新技术的结合，通过任务划分达到提高卸载速率、降低执行时延的目的。

2.1.2 单MEC服务器资源分配方案

除了卸载决策之外，资源分配也是MEC研究的一项关键技术。MEC中的资源分配主要涉及到信道资源、计算资源以及存储资源，这三类资源通常由服务提供商(Cloud/Edge Computing Service Provider,CESP)提供。

CESP为不同移动终端分配信道资源，会影响任务的上传阶段。信道资源作为通信系统中宝贵的不可再生资源，如何合理高效利用信道资源一直是MEC领域研究的重要课题。文献[7]和文献[8]都考虑了信道资源分配问题。其中，文献[7]考虑多用户MEC系统在延迟约束下实现最小的系统能耗，通过回归算法解决信道资源分配问题；文献[8]提出了一种基于拍卖的信道与计算资源分配算法，考虑服务方与请求方的供需关系，依此设计了一种二轮拍卖机制，以完成信道资源的分配。

计算资源分配会对任务执行阶段产生影响，影响任务执行时延和能耗。文献[8]不仅关注信道资源，也考虑了计算资源分配，同样借助于拍卖机制完成了计算资源的分配。

存储资源分配分配面向不同任务类型，通过缓存热点任务，可以减少重复的任务请求。在MEC系统中，MEC服务器相较于传统云服务器而言存储资源有限。因此需要合理分配存储资源，在高效缓存的同时减少任务传输延迟。文献[9]为满足无线虚拟现实(Virtual Reality，VR)应用的要求，设计了基于视图合成的VR缓存系统；同时，为最大限度地减少传输延迟，制定了一个分层协作缓存问题，最后提出了一种低复杂性的大小距(Max Min Distance,MMD)缓存算法解决该问题。

以上有关资源分配问题的文献大多通过研究某一类资源或者多类资源的联合分配，以最小化时延或者能耗。

2.1.3 单MEC服务器中联合资源分配的卸载策略

前两小节分别单独介绍了单MEC服务器中卸载决策和资源分配优化方案，在实际的计算卸载中，任务的卸载策略与资源分配是紧密结合、相互渗透的，同时考虑两方面的联合卸载策略可以更显著地提升MEC的性能，提高用户满意度。在联合优化卸载决策和资源分配时，卸载决策往往是二元变量，而资源分配变量往往是连续变量，由此建立的优化问题往往是一个混合整数非线性规划问题(Mixed Integer Non Linear Programming,MINLP)，这会使问题变成一个NP(Nondeterministic Polynomial)难问题，难以直接求解。

针对这一特性，常用的求解方法之一是对原问题进行分解，再分别对子问题求解。文献[10]通过联合优化任务卸载决策、终端上行发射功率和计算资源，最大化用户卸载效益。通过将原问题分解，利用拟凸优化方法求解资源分配问题，再通过改进的启发式算法得到卸载决策的次优解。文献[11]为最大程度降低网络中的能耗，提出了卸载决策、功率分配以及计算资源分配的联合优化问题。原问题被分解为请求卸载问题和资源分配问题，利用MO-NSGA(Multiple Objective-Non dominated Sorting Genetic Algorithm)求解。文献[12]联合考虑了信道和计算资源分配，为保证用户QoS需求，引入资源块(Resource Block,RB)分配算法，同时基于坐标下降法求解计算资源分配，最后通过一种迭代更新算法完成卸载决策。

由于人工智能技术的不断发展，针对这类MINLP问题，目前也有研究采用对原问题进行马尔科夫决策过程(Markov Decision Process,MDP)建模，并借助强化学习方法直接对原问题直接进行求解。文献[13]为最大程度降低 MEC系统中所有终端的能耗成本，在满足延迟约束的条件下同时优化卸载决策、无线通信资源分配与计算资源分配。 原问题被建模为MINLP问题，利用Q学习方法求解联合优化问题。

通过分析以上研究可以发现，通过子问题分解或者强化学习直接求解是解决这类联合优化问题的有效方法。

2.1.4 面对资源有限的单MEC服务器卸载策略

由于物联网设备海量接入，MEC环境中资源有限的问题不断突出，在单MEC服务器中，缺乏额外的计算资源补充，如何利用好自身有限的计算资源，设计合理的卸载策略也是当前研究的热点之一。

通过为计算资源定价，增加价格约束，可以减少不必要的卸载，节约服务器计算资源。文献[14]和文献[15]均考虑通过资源定价来约束卸载。文献[14]通过Stackelberg博弈模拟服务提供商与IoT设备之间的交互，将资源分配和定价建模为混合整数规划问题(Mixed Integer Programming,MIP)，目的是最大化云/边缘计算服务商的收入。文献[15]采用设定价格控制卸载的方案，通过调整价格控制部分任务的卸载，在此基础上提出了统一定价算法以及非统一定价算法。这样的方式不仅可以为MEC实现最大的收益，而且可以控制任务有序执行。

除了对服务器计算资源进行定价外，也有研究通过考虑任务拆分或者部分卸载方式以优化资源分配。文献[16]通过主动干预可拆分任务的方式，综合考虑了任务在MEC上的执行过程以及任务的传输过程，有目的地推迟部分任务的卸载，通过这样的卸载方式保证了多个任务在MEC服务器上占用不重叠的时间片段，避免了任务排队等待带来的时延，高效地利用了MEC的计算资源。文献[17]和文献[18]考虑了任务的部分卸载，通过对任务卸载结构优化来尽可能减少MEC计算资源负载。这种方法相较于二元卸载，多端并行计算的方式带来了效率提升的同时减少了任务的卸载量，一定程度缓解了MEC计算资源有限的问题。

通过借助排队理论，在资源有限情况下合理安排任务卸载也是一种思路。文献[19]为多个即将到达的任务建立排队模型，考虑了用户对任务的优先度判定，依此设计了卸载策略。文献[20]提出了一个多用户随机请求任务模型，并通过基于M/M/1的排队模型表述，制定了尽可能减少所有任务时延的问题。

此外，通过利用缓存流行任务的计算结果，以避免任务重复卸载计算，可以有效提高资源利用效率。文献[21]通过采用任务主动缓存的方案，可以将热点任务缓存到MEC服务器，当热点任务再次请求时，MEC服务器将直接返回结果而不占用计算资源。

以上研究分别从资源定价、任务拆分、排队论和任务缓存的角度考虑资源有限的单MEC场景下任务卸载问题，这也是当前研究的主要方向。

2.2 多MEC任务卸载技术研究现状

与前文单MEC资源有限、无法获得资源补充不同，在多MEC场景下，可以通过协作方式进行卸载。多MEC协作卸载是从宏观网络出发，通过为MEC服务器补充额外资源的方式解决计算资源不足的问题。在MEC网络中，这些额外的计算资源可以来自其他MEC服务器或MCC服务器。

2.2.1 多MEC服务器卸载决策

在多个MEC服务器的场景下，资源分布在各个动态异构的服务器上，若要达到合理的资源利用和计算卸载往往需要考虑服务器之间的相互协作。另外一个需要考虑的问题是用户关联性问题，即在多个MEC场景下综合考虑系统的计算资源和通信资源，每个用户决定选择哪一个MEC服务器去卸载自己的任务，一个不合理的关联与卸载策略可能导致某个服务器负载过重造成拥塞。因此，通过合理选择卸载的服务器可以提升整个系统的通信效率和质量。负载均衡可以很好地处理这种情况，相关的研究也相继出现。

由于计算负载的高度动态性，单个基站无法提供满意的服务。文献[22]提出针对高度动态且异构的计算工作负载，通过部署多个服务器利用SBS之间的协作来提高MEC性能。在控制方式上文献[23]与文献[24]分别采用了软件定义网络(Software Defined Network,SDN)集中控制与分布式控制两种方式。其中，SDN集中控制需要将MEC服务器实时负载信息发送给SDN控制器，再由SDN控制器统一协调；分布式控制决策在每个MEC服务器独立制定，但同时也伴随着大量的实时信息更新。文献[25]中，当移动用户希望通过基站(Base Station,BS)来卸载移动任务时，SDN可以提供对分布式BS和移动设备的集中控制。文献[26]提出利用云服务器集中管理边缘服务器并对资源的分发以及再利用，以谋取更高的社会收益。文献[27]在基于SDN集中控制的超密集网络中研究了多MEC的任务分配问题，并证明该问题是NP难的。

针对MEC中卸载决策控制研究，研究者通常忽略了分布式控制和集中式控制由于信息交互带来的能耗与时延。文献[28]联合考虑云选择和路由优化，提出了一种基于博弈论的低复杂度资源分配策略，每次迭代选择路由最小化边际支付，可以达到博弈均衡。为了减少重路由的次数，引入近似因子，代表重路由额外的花销，通过Lyapunov函数证明了算法的收敛性。文献[29]提出了一个无人机辅助MEC服务器计算模型，其中无人机部署有少量计算资源。通过无人机部署的可用资源，进一步降低了时延和能耗。文献[30]则是在传统的MCC-MEC方案中提出了两点改进，分别设计了近似合作计算卸载方案和基于博弈模型的合作计算卸载方案。通过合作的方式，减少了信息交互产生的时延和能耗。文献[31]在多MEC协同场景下，为解决多任务卸载问题，基于联合博弈理论与定价机制提出了联合卸载方案。文献[32]同样考虑了边缘节点的卸载关系，但只考虑了单个辅助节点，以最小化任务完成时延。文献[33]考虑多服务器情况下流行任务执行结果缓存，提出了一种结合非正交多址接入(Non-orthogonal Multiple Access,NOMA)与缓存的联合方案，避免重复卸载以降低任务执行时延。

以上研究重点是关注多MEC服务器场景下卸载策略的制定，但现实场景中不仅需要考虑负载均衡，系统中的各种资源的合理利用也至关重要。

2.2.2 多MEC服务器中联合资源分配的卸载策略

在不同的场景下，卸载策略往往受资源的约束，合理的资源分配策略可以实现负载均衡以达到预期效果。

文献[34]在物联网场景下，为减轻MEC服务器上任务负担，通过云计算与MEC合作的方式来实现负载均衡，同时考虑了移动用户之间的竞争关系，最后通过一种迭代启发式算法动态做出计算卸载决策。文献[35]研究了在车载物联网场景下缓解MEC服务器压力的问题，将冗余的任务卸载至别的MEC服务器，以达到负载均衡。文献[36]研究了一种多个部署在无线接入点侧的MEC服务器之间的协作关系，将单MEC服务器额外的任务进一步卸载至其他MEC完成计算，通过将任务二次卸载的方式达到负载均衡的效果。文献[37]建立了一个基于时分多址接入的多用户全双工MEC系统，考虑两个半双工用户可以组成一个全双工对，可以共享相同的时隙和频带进行上行和下行传输。为了最小化系统中所有用户的完成时间，提出了一个时间调度、功率控制和用户配对方案的联合优化策略。

3 发展趋势与展望

经过近几年的发展，MEC卸载技术得到了广泛的关注和研究，但是该领域仍存在着一些亟待解决的问题，比如：以往利用传统优化方法的研究大多进行短期优化，没有考虑到系统的长期性能表现；同时，忽略了系统动态变化和用户的移动性对于卸载决策的影响；由于移动边缘计算往往会涉及到用户的敏感数据和隐私，MEC卸载的安全性问题也不容忽视；以往研究大多假设任务间相互独立，忽视了任务间关联性，而这在分布式计算中不可忽视。针对上述问题，下面分别从基于人工智能的MEC卸载技术、MEC安全性问题、MEC任务关联性三个方面介绍未来MEC卸载技术的发展方向。

3.1 基于人工智能的MEC卸载技术

近些年来，人工智能(Artificial Intelligence，AI)技术发展迅速。通过训练和推理，人工智能可以完成实时性决策，并且AI对于动态性系统有着较强的处理能力。通过将人工智能技术与MEC卸载技术相结合，可以有效应对移动边缘计算中网络状态动态变化、任务随机到达以及长期的最优策略等问题。

在实际应用中，用户往往难以观测到完整的系统状态信息，难以构建出完整系统模型，此时利用无模型强化学习算法可以有效解决这类问题。文献[38]提出了一种考虑用户设备可以进行能量收集的计算卸载方案，在MEC模型、计算时延和能耗模型未知的情况下最优化卸载策略。利用深度卷积神经网络压缩状态空间，加快学习速度，并借助强化学习中的迁移学习方法，利用类似场景中的卸载经验来初始化Q值，减少在使用边缘设备进行重复卸载过程中初始阶段的探索时间，从而高效计算。

除了无模型问题，利用AI技术解决无线网络中的动态性问题是当前研究的一个热点。文献[39]针对无线网络环境的动态性和任务请求的分布式特征，将联合计算卸载和资源分配问题公式化为马尔科夫决策过程，并提出了一种基于深度确定性优势策略梯度法(Deep Deterministic Policy Gradient,DDPG)的计算卸载和资源分配算法，以最大程度地降低系统能耗。

以上研究往往基于单智能体算法框架，但在5G超密集网络中将部署大量基站，在这种复杂场景下，每个用户都会被视为智能体进行决策，一个用户的决策将会直接影响其他用户的决策，而目前的单智能体人工智能算法和方案很难使用这种情景。如何统筹所有用户的决策，使得用户之间达到纳什均衡是未来面临的一大挑战，因此亟需研究多智能算法框架来应对这一挑战。文献[40]研究了在异构网络下存在多个云中心的场景，此时各个云中心会互相竞争通信和计算资源。为了避免冲突，降低时延，采用了基于多智能体强化学习(Multi Agents Reinforcement Learning，MARL)的联合数据卸载和资源分配算法，采用分布式方法让每一个云中心独立决定任务卸载和资源分配策略，云中心之间的竞争由MARL结构来描述。

通过无模型强化学习、多智能体强化学习等方法，可以有效适应网络动态变化，提高系统实时性，解决传统算法无法解决的问题。

3.2 MEC安全性

移动边缘计算的出现缓解了边缘用户资源有限的压力，但同时由于将任务卸载给第三方服务器可能会面临着隐私泄露和安全性问题，特别是在移动边缘计算中引入人工智能训练学习模型时更是需要大量的用户个人信息比如位置信息、个人账户信息和设备状态信息等。如果没有一个合理的隐私保护技术，用户可能拒绝将信息提供给第三方边缘服务器从而导致任务卸载失败。

针对移动边缘计算中的安全与隐私问题，最近也引入了一些隐私保护技术，其中研究最广泛的是区块链技术，这是由于区块链技术具有良好的安全性和隐私保护性。区块链具有分布式、去中心化的特点，通过区块链的各种认证机制和共识机制，可以对移动边缘计算的任务卸载过程中的传输数据进行有效保护。

同时，MEC与人工智能结合也需要大量的用户数据来训练学习模型，而这些原始数据往往涉及到用户隐私。传统的集中式训练需要将这些原始数据发送到云服务器，在原始数据上传过程中难免受到恶意节点的攻击导致数据泄露。联邦学习(Federated Learning,FL)作为一种新兴的学习机制，可以避免将用户原始数据上传于集中的服务器，支持用户局部模型本地进行训练，用户只需要将训练好的局部模型参数上传中央控制器，按照一定的聚合规则聚合成新的全局模型，再将全局模型发给各个用户，从而避免了隐私信息的传输，可以大大提高用户信息传输的安全性。

3.3 MEC任务关联性

在MEC的任务卸载方面的研究大多假设各个任务间相互独立，没有考虑任务之间可能存在的依赖关系。任务节点之间数据执行依赖关系使得任务执行有了先后之分，一个任务的输入可能是上一个任务的执行结果，部分计算节点可能要等待其他节点的计算结果才能够继续计算，这就导致计算节点存在大量计算空闲时段没有得到利用，浪费了节点计算资源，也增加了任务执行时延。如何提高资源的利用率就需要将关注点从单个任务流卸载转移到多个任务流之间合作共享，它可以将这些空闲的时段充分利用起来从而达到提高资源利用率的目的，因此对多个任务流之间合作共享的研究是具有价值与意义的。

随着并行技术的发展，每个应用程序可以实现细粒度的划分，划分的程序一部分由边缘服务器执行，一部分留在本地设备执行，以便更加灵活地分配资源提高边缘计算系统的性能——这就是部分卸载模式，其最简单的模型是数据分区模型。这种模型认为任务的输入比特相互独立且可以任意划分为不同的分组，分别由边缘服务器和本地设备执行，但不可忽略的问题是任务划分之后不同任务之间的依赖关系，因为依赖关系决定了任务执行和卸载的顺序。因此，对于更加复杂的关联性任务的研究需要有更加复杂的计算任务模型来描述。

4 结束语

本文从MEC卸载决策、联合资源分配进行卸载决策两个方面分别介绍了单MEC服务器和多MEC服务器卸载技术的研究现状，并针对当前MEC卸载技术尚存在的不足之处对MEC卸载技术的发展进行了展望，介绍了当前基于人工智能进行任务卸载的研究现状，分析了MEC卸载中面临的安全性问题以及相应的解决思路，并对MEC中任务间存在关联性的情况进行了分析。MEC卸载技术作为MEC中一项关键技术，仍然有很多问题亟待解决。在可预见的将来，随着AI技术的逐步成熟以及边缘设备计算能力的不断提高，基于人工智能的MEC卸载技术将获得更大的发展。