文章目录
一、前言
二、移动边缘计算网络及其关键技术
三、传输与计算资源联合决策的计算任务卸载方案
四、基于拍卖模型的移动边缘计算节点选择策略
五、总结
一、前言
移动边缘计算中的关键技术主要有四个：虚拟化、云计算、软件化和计算卸载。其中虚拟化是基础，软件化是虚拟化的抽象体现，云计算和计算卸载则是对软件化的应用。
虚拟化：
在计算机术语中，虚拟化是一种资源管理技术，它将计算机的网络、内存及存储、处理器等实体资源通过抽象、转换后呈现出来，使得资源能够以更低的粒度来访问。
云计算：
计算以虚拟技术为基础，以网络为载体，是一种整合大规模可扩展的计算、存储、数据、等分布式计算资源进行协同工作的超级计算服务模式。
云计算的服务模式可以分为三个层次：基础设施即服务（Ｉｎｆｒａｓｔｒｕｃｔｕｒｅ ａｓ ａ Ｓｅｒｖｉｃｅ，ＩａａＳ）、平台即服务（Ｐｌａｔｆｏｒｍ ａｓ ａ Ｓｅｒｖｉｃｅ，ＰａａＳ）、软件即服务（Ｓｏｆｔｗａｒｅ ａｓ ａ Ｓｅｒｖｉｃｅ， ＳａａＳ）。
软件化：
软件化具有成本低和扩展性高的特点，一方面专用硬件的开发费用十分昂贵，使用软件化可以节省大量的资金，另一方面软件代码可以在通用硬件之间无成本的移植和复制，所以软件化的扩展性和可移植性都十分的高。
计算卸载：
移动边缘计算网络中的计算卸载主要发生在用户侧的ＭＥＣ服务节点上，包括云服务器发现、任务分割、卸载决策、任务提交、任务远端执行以及计算结果反馈等六大步骤。
二、移动边缘计算网络及其关键技术
2.1移动边缘计算网络的工作流程
当用户通过传统网络发起服务请求时，移动终端首先要接入基站。用户的服务请求通过基站的转发再经过核心网连接到目标服务器上。目标服务器处理完用户请求之后，请求结果经过核心网、基站等逐层传递到移动终端上。当同一个基站下的其他用户需要发起相同的内容请求时，上述的调用流程需要重复的进行，重复的内容请求浪费了大量的网络资源。
在移动边缘计算网络中，移动用户首先向ＭＥＣ服务节点请求服务内容。若ＭＥＣ服务节点没有请求内容的缓存时，用户的请求将通过ＭＥＣ服务节点被转发到核心网中，并由远端云网络的目标服务节点为用户提供服务。若ＭＥＣ服务节点上缓存了用户所请求的内容，ＭＥＣ服务节点将直接为用户服务并返回相应的结果。通过该流程知，在移动边缘计算网络中，ＭＥＣ服务节点上一方面可以节省大量重复请求对核心网资源的占用，另外一方面可以降低对内容的服务时延。
对比可总结出移动边缘计算网络的以下几个特点：
1）更低的响应时延
由于ＭＥＣ服务节点的存在，大置的业务内容会缓存在基站侧。与传统的网络相比，ＭＥＣ服务节点上的业务内容大幅度接近用户。大大的缩短了业务的持续时间和响应的时延
2）更少的资源占用
由于ＭＥＣ服务节点有大量的业务内容缓存，所以重复的请求不会再通过核心网传递给目标服务器，而是直接在ＭＥＣ服务节点上获取结果。所以移动边缘计算网络能大量减少核心网中的重复内容请求，从而减少网络资源占用，降低核心网的负担
3）位置感知
移动边缘计算网络还能进行位置的感知。通过ＭＥＣ应用平台的无线网络信息服务可以确定每个终端设备的位置。从而促进基于位置的服务和分析（如地图应用，出行应用）。移动边缘计算网络还可以获取实时的网络参数，可以将这部分的数据提供给应用程序和服务，这样就可以带来基于网络内容感知的差异化移动带宽体验。
综上所述，移动边缘计算网络主要是有更低响应时延和更少的资源占用，能进行用户位置感知的特点
2.2计算卸载流程
1）云服务器发现
目的是要在当前的网络中找到可执行计算任务的云服务器。这些云服务器可以是位于远程数据中心的高性能计算机。在移动边缘计算网络中，云服务器主要指的是MEC服务节点
2）任务分割
在任务分割时，移动应用将会被分为本地执行代码和云端执行代码两个部分。其中涉及本地１／０、涉及用户交互的代码必须在本地执行。而与本地设备交互少、代码量少、计算量大的代码则可以上传到云端执行。
3）卸载决策
卸载决策主要关注是否进行计算卸载。是否进行计算卸载主要依赖于计算任务在云服务器执行的时延、能耗等开销是否小于计算任务在本地执行时开销。
卸载决策分为静态决策和动态决策两种。对于静态决策，应用在运行前就已经决定某个模块是否应该上传到服务器执行。由于需要进行计算卸载的模块己经确定，静态决策具有任务执行速度快的好处，但是静态决策是否有效取决于是否对任务运行的运行环境有准确的判断和预测。
与静态决策不同，动态决策是任务可根据实时网络状况、移动设备本身的运行状况等因素来判断任务是否进行计算卸载。
4）任务提交
任务提交是将计算任务上传到云服务器中。计算任务提交的方式有多种，可以通过３Ｇ／４Ｇ网络进行提交，也可以通过Ｗｉ－Ｆｉ网络提交。
5）任务远端执行
智能移动终端将计算任务卸载到云服务器上以后，云服务器就会立即为该计算任务启动一个虚拟机并执行该任务。
6）计算结果反馈
云服务器把计算结果反馈给智能移动终端后，智能移动终端与云服务器之间的网络连接被释放，计算卸载过程结束。
三、传输与计算资源联合决策的计算任务卸载方案
在一个多用户，多ＭＥＣ服务节点的网络场景中研究／如何为用户选取合适的ＭＥＣ服务节点进行计算卸载的问题。提出了传输和计算资源联合决策的计算任务卸载算法。
传输和计算资源联合决策的计算任务卸载算法主要解决了ＭＥＣ服务节点选择问题和提高用户公平性问题。其中，通过改进匈牙利算法解决ＭＥＣ服务节点选择模型提出的问题，为用户选出传输代价最低的ＭＥＣ服务节点。其次，通过优先服务低吞吐量的用户来提高用户的公平性。
3.1.1改进的匈牙利算法能实现用户以最低的传输代价接入ＭＥＣ服务节点。在匈牙利算法中，用户有可能一直接入虚拟信道。也就是说，如果用户对每一个信道的传输代价都比较大，有可能导致该用户一直在等待，而没有进行计算卸载。结果导致该用户不得不在设备上执行计算任务，从而影响应用的正常使用。
3.1.2提高用户间公平性
匈牙利算法中由于存在饥饿问题，而无法保障保证用户间公平性。本文采用优先服务低吞吐量的用户的方式来解决上述问题
四、基于拍卖模型的移动边缘计算节点选择策略
本文首先描述了多用户、多ＭＥＣ服务节点的网络场景。其次，建立了基于资源受限的ＭＥＣ服务节点匹配模型，该模型以拍卖理论为基础，目标是优化ＭＥＣ服务节点收益，同时充分利用ＭＥＣ服务节点资源。再次，提出了基于二维资源拍卖的用户－服务节点匹配算法，以为用户寻找到合适的计算任务卸载节点。最后通过仿真证明了该算法的有效性，该算法能使ＭＥＣ服务节点在充分利用资源的同时获得较高的收益。
本文把传输资源和计算资源抽象成两种物品，ＭＥＣ服务节点上的计算总容量和传输资源的总容量看成两个背包。用户在拍卖中的出价看成是两个物品的共同受益。从而把ＭＥＣ服务节点资源的配资看成是一个二维的背包问题。通过背包问题可以获得ＭＥＣ服务节点的最大收益。
本小节主要描述算法的实现。对于所有的用户和基站，首先进行用户和基站信息的初始化。初始化信息包括基站个数，基站资源总量，单位资源的大小，用户个数，用户的随机坐标等等。
五、总结
在传输和计算资源联合决策的计算任务卸载方案一章中，本文首先建立了�ＭＥＣ服务节点选择模型。该模型以最小化用户接入ＭＥＣ服务节点的传输代价为目标，联合考虑了传输与计算资源的分配来为用户选取合适的ＭＥＣ服务节点进行计算任务卸载。一个合适的ＭＥＣ服务节点是指服务器上的计算资源能满足用户的计算需求，并且其传输代价较低。其次，提出了基于传输和计算资源联合决策的计算任务卸载算法，该算法通过改进的匈牙利算法保证用户接入ＭＥＣ服务节点的传输代价较低，还通过优先服务低吞吐量用户的方式提高了用户公平性。最后，通过仿真证明了该算法的有效性，该算法能实现较低的传输代价，提高用户的公平性。
在基于拍卖模型的移动边缘计算节点选择策略一章中，在考虑ＭＥＣ服务节点资源受限条件下，提出了多用户、多ＭＥＣ服务节点匹配方案。本文首先描述了多用户、多ＭＥＣ服务节点的网络场景。其次，建立了基于资源受限的ＭＥＣ服务节点匹配模型。该模型通过时延和能耗要求（用户的需求）计算用户在计算卸载时需要的计算资源和传输资源，将资源按照基本单位分割。用户申请的传输和计算资源只能是基本单位的整数倍，简化了资源的分配。另外，模型以拍卖理论为基础，采用了多轮提价拍卖的做法优化了�ＭＥＣ服务节点收益。再次，提出了基于二维资源拍卖的用户－服务节点匹配算法，以为用户寻找到合适的计算任务卸载节点，同时充分利用ＭＥＣ服务节点资源。最后通过仿真证明了该算法的有效性，该算法能使ＭＥＣ服务节点在充分利用资源的同时获得较高的收益。