欢迎访问一起赢论文辅导网
本站动态
联系我们

手机:15327302358
邮箱:peter.lyz@163.com

Q Q:
910330594  
微信paperwinner
工作时间:9:00-24:00

机械论文
当前位置:首页 > 机械论文
移动边缘计算中计算卸载方案研究综述_张依琳
来源:一起赢论文网     日期:2022-08-02     浏览数:237     【 字体:

 引言近年来, 随着物联网、云计算、大数据等技术的高速发展, 数据规模呈爆炸式增长[1]. 传统云计算模式需要上传海量级数据到云服务器, 但由于云服务器距离终端设备较远, 传输过程中的传输速率、能量损耗、响应延迟、网络干扰、数据安全等问题都难以避免[ 2 ]. 尽管云计算拥有强大的计算能力, 可以解决终端设备无法完成大量计算以及设备电池损耗的问题, 但是随着智能终端、新型网络应用和服务日新月异的发展, 用户更加追求流畅的体验感, 对数据传输速率、低延迟和服务质量的要求变高, 这就使得云计算难以满足许多技术和场景的需求[3].并且随着5 G 的发展, 终端设备和远程云服务器之间的数据交换可能会导致回程网络瘫痪, 仅仅依靠云计算模式难以实现毫秒级的计算和通信延迟. 为了解决因云计算数据中心离终端设备较远带来的延迟和能耗问题, 学者们提出将云的功能向网络边缘端转移. 在接近终端移动设备的网络边缘端,移动边缘计算( M o b i l eE d g eC o m p u t i n g , M E C ) 作为提供信息技术服务且具有计算能力的一种新型网络结构和计算范式出现了[4].M E C 并不是取代云计算, 而是作为云计算的延伸[" 7]. 与云计算不同, M E C 中终端设备的计算任务卸载到距离终端设备更近的边缘服务器上运行, 并且边缘服务器可以提供计算、内容缓存等功能. 分布在网络边缘上的服务器( 也称计算节点、边缘节点)可以减轻终端设备计算压力, 降低与云计算的集中式数据中心交互的频率, 还可以显著减少消息交换中的等待时间fr 9 ]. 由于边缘服务器有一定的存储空间和计算能力且距离终端设备更近, 计算密集型或对延迟敏感的移动终端设备可以把计算任务卸载到边缘服务器进行计算. 因此, 计算卸载作为M E C 中21 0 8 计導机攀报 _1 苹的关键技术之一, 备受关S1*本文对近年的云计篡穆翁边緣计算和计算:卸载迸行了大量的调研? 图1 为近三年来〇〇呢1 & 上哭于云计奪:、M E C 的搜索热度趋势图, 搜索热度用'〇?1  〇〇分表示, 可见学者对云计算关注度较多* 而对M E C 的关柱度较平稳. 图2 是国内外发表的论文的数量趋势图, 其中实线表示的是Go o g l e 学术检索的论文; 虛线表示的是画内期刊数据库检索的论文. 近年来对于云计算的研究下”降趋势比较明显,侧面反映出云计算发展过程存在问题; 有关M E C和计箕卸载的研究处于较平缓的趋势. M E C 可以解决云计算模;式下延迟和能耗丨句题, 为了保证M E C的性能, 计算卸栽方案也是屢待解决的问题.HMobi le Edge Comput i ngI Cloud Comp ut ing年份2 0 1 80 . 8 4 9 8 66 8 . 9 2 3 32 0 1 90 . 7 7 1 0 86 9 . 0 7 0 92 0 2 00 . 8 0 3 8 46 2 . 4 8 2 7搜索热度( 百分制)厲1 6o o g l e 纖鬻热度年份图2 国内'外植楽勘^囊趋隸图_寒计箅卸载方案确:定后s 终端设备或终端用户按照设计的方案将任务卸载到边缘服务器, 然而边缘服务器的资源有限的, 如何针对有限的M E C服务器资瀨进行分配也是一个关键N 题.M E C 中计算卸载方案和边缘服务器资源分酤这然逐渐成为研究热点. 文就[ 1 0 ] 对M E C 展开了全面'的综述; 介绍了无线电和计算资源管理. 文就D 1 ]讨论了MEC 的标准化和新进展* 并将计算卸载的研究按照三个方向划分并进行介绍: 甘# 决策、M E C 计算资源分配、移动性管理, 虽然这些柜关研究取得了一定的成果* 但由于调研时问较早, 相关计算知载方案在当时有较好的性能. 例如文献[1 2 ] 提出了一种调度器L E O ? 在不改变推理精度的情况下; 处理卸载任务和调度, 最大化传感器虚用程序的工作;负截: s 其撒濕競率量貪可以餐: 高1 9  54 s 文献[1 30 提出了一个细麗廣感知: 能漏的卸载系统, 最大化代码卸载的德量效益, 节省能耗. 但是文献[ 1 2]卸载属于D切i &e t;? j- Cl o u d ( D2 C ) 卸载, 即酱爾徵备卸载任务至云服务器, 云服务器的计算能力强于M E C服务器且云服务器距离终端设备较远可館导致西传延迟较大. , 增加了用户的等待时间, 不适用于M E C场景tl 4ar 文献[ 1 幻提出的方案不具有足够的能量效率? 甩在连续的传感和MEC 场蕾随着攀者们的掘人研究, 近年来提出并设计许多性能更优的方氣方臟良茨节? 于_酵习智簾计篡:卸载方案sfr进行介绍, 文献[1 ?1射计算卸载技术展开综述, 介绍TT计算卸载, 能耗最小化、服务康釐《Q u a l i t y o f S e r v i ee ,Q o Sj ? 服务体验羅量i f: Q u a l i t y  o f £沖杜1 成6 6 , 〇〇£)等方面 <并从云边博弈与协作、启发式计算卸载两个方面对计算卸载技术方案分类介绍> 文献[ 1 7 ] 针对移动边缘网络中ME C 架构、计算卸载、边缘缓存、服务编排等方面的问题展开综述, 按照. 完全卸载和部分卸载分别介绍了卸载方案算法; 而文献[1 8 ] 针对基于机器学习的方案对卸载方案进行综述, 将方案分为基于强化攀习的机制、基于监督学习的机制、基于非盥督学习的机制三类进行介绍, 与文献[1 1 , 1 6 - 1 8 ]不同r本文从技术上将方案分为基宁启发式算法的传统计算卸载方案和基于在.线学习的智能计算卸载方案, 从三个目标来介绍传统计:算卸载方案, 并介薪最薪基于人工智能技术的保护用户隐私数据的计算卸载方案, 同时提出了计算卸载技术面临的挑战和誠研究方询、综上所述虽然茵内外专象和学者对计算卸载方案进行T 一定的研究4 祖缺乏从ME C 角度进行系统化的理论梳理. 本文详细介绍: 了目前有关M EC计算卸载方案的相关算法设计思路和效果, 并总结了有关计算卸载方案的最新研究进展成果. 通过大量的调研, 从全新的角度并按照计算卸载技术的'算法设计方式对计算卸载方案分类综述. 本文更进一步地#细介绍了目前ME C 中计算卸载技术的应用'壤暴、面临的挑战和未来班想方向, 対通衝域的未来研究具有重要意义>本文第2 节介绍ME C 的基:本概念和架构; 第; J张依琳等: 移动边缘计1 2 期 算 中计算 卸 载 方 案研究综 述 2 4 0 9节介绍两类计算卸载方案基于启发式算法的传统计算卸载方案和基于在线学习智能计算卸载方案; 第4 节介绍计算卸载方案确定后随之带来的M E C 服务器资源分配问题; 第5 节介绍计算卸载技术的应用场景; 第6 节提出M E C 中计算卸载技术面临的挑战; 第7 节探讨计算卸载的未来研究方向;在第8 节对整篇文章进行总结.2M E C 基本概念和架构在本节详细介绍M E C 的背景、基本概念和架构. 首先介绍了欧洲电信标准化协会( E u r o p e a nT e l e c o m m u n i c a t i o n s S t a n d a r d s I n s t i t u t e, E TT S I ) 对M E C 的定义; 再从服务器硬件、服务器部署位置、系统管理、延迟等方面对M E C 和云计算进行对比; 为了将M E C 与其他近端云计算模式概念进行对比,按照时间顺序介绍三种近端云计算模式的概念; 最后介绍了E T S I 提出的M E C 的系统架构.2 .  1ME C 基本概念2 0 1 4 年, E T S I 提出M E C 的概念, 并被定义为“ 在移动网络边缘提供I T 服务环境且具有云计算能力的新平台”[1 9].  2 0 1 6 年, E T S I 把M E C 扩展为M u l t i A c c e s s E dg e C o m pu t i ng , 即一■ 种多通路边缘计算, 将访问通路从移动通信网络进一步延伸至其他接人网络( W i F u 有线等) . M E C 的定义修改主要是侧重商业利益中访问通路变化, 其针对移动通信场景的性质并没有改变, 同时, 我们调研中发现大多学者在研究计算卸载方案时都是围绕M o b i l e E d g eC o m p u t i n g 展开, 所以本文仍采用M o b i l eE d g eC o m p u t i n g 的说法( 后简称M E C Y 5’1 。1 1].M E C 具有一定的计算能力、可以提供低延迟的服务并且支持移动性[2 『2 1]. 并且, M E C 可以持续地管理和控制终端用户中的信息[2 2]. 在服务器分布上, M E C 服务器主要是部署在靠近终端设备的网络边缘的基站中. 通过将终端设备的任务卸载到边缘服务器执行, 越来越多的新兴移动应用程序将从M E C 中受益[2 3 ].M E C 支持3 G / 4 G / 5 G 、有线网络和W i F i 无线等场景, 其潜在应用主要包括: 计算卸载、内容缓存、服务内容优化、协作计算等[2 4]. M E C 可以为工业、娱乐、个人计算和具有计算和存储能力的其他应用提供优势[2 5].2 .  2ME C 与云计算模式对比与云计算相比, M E C 可以视为云计算的延伸,因为MEC 可以将云计算模式延伸到网络边缘, 以弥补云计算中数据存储的安全性不足和服务的高延迟的缺陷[ 2 6 ]. ME C 和云计算系统在计算服务上, 与终端用户的距离和延迟性等方面存在显著差异. 与云计算相比, ME C 的优点是: 延迟更低, 能够节省移动设备能耗, 并保护移动应用程序的隐私和增强安全性.在表1 中, 从服务器硬件和位置、部署方式等方面对M E C 与云计算进行对比. M E C 的服务器硬件设备较终端设备而言较大, 而相对于作为大型数据中心的云计算而言, 其资源较少. 在M E C 中, 服务器通常是运营商部署在距离终端用户较近的位置,例如小型机房、基站等; 但云计算通常由rr 公司内部部门部署在独立大型的建筑里. M E C 适合计算量高、对延迟敏感的应用, 其距离终端用户或终端设备比较近, 延迟低. 而云计算计算能力相比于M E C 要高, 但其距离终端用户或终端设备较远, 延迟较高,不适合对延迟敏感的应用.表1M E C 与云计算系统对比M E C 云计算服务器硬件 资源适中的小型数据中心 大型数据中心服务器位置在小型机房和基站距离终端用户近在大规模的建筑里距离终端用户远部署 由运营商进行部署 由I T 公司进行部署系统管理 分层控制( 集中/ 分布式) 集中控制延迟 少于几十毫秒 大于一百毫秒应用程序计算量髙的应用和要求低延迟应用, 例如自动驾驶计算量髙但对延迟要求不髙的应用, 例如在线社交网络2 . 3 三种近端云计算模式近年来, 学者们和一些组织机构陆续提出了一些近端云计算模式. 2 0 0 5 年, Z h a n g 等人[2 7] 提出透明计算的概念, 通过距离终端较近的服务器部署终端所需要的操作系统和应用, 终端向服务器请求服务就不需要考虑其自身的存储空间和计算能力等问题.2 0 1 1 年, C i s c o 公司提出一个新的研究领域, 称为雾计算( F o gC o m p u t i n g )# %. 他们把雾计算定义为一个高度虚拟化的平台, 可以在终端设备和云计算数据中心之间提供服务, 但不完全处于网络边缘[3 1]. 雾计算的服务器可以连续部署在终端和云计算数据中心之间.2 0 1 2 年, 学术界提出了露计算. W a n g 等人[3 2]进一步提出了关于露计算的“ 云露” 架构, 为了使W e b 站点可以在无网络连接的情况下被访问. 露服务器部署在用户电脑的W e b 服务器上.mil ) 计導机攀报 _1 苹上述三种近端云计算模式针对不同的虛用场董8 与M E C 的设计方式和服务器部暑位遶有所差别. ME C 主要针对移动用户, 将服务器部暑在靠近谀备终端. 以减少网络延迟等.2 .  4ME C架构厨'3 展示了M E C 基本三葛架构, 即云-边端三鎮结构, 分别是云层( 云计算) 、边缘层( M E C 服务器) 、终端屋C 移动终端设备) . 在M E C 中, 移动终端设#不可以与菔务器宣接逋債, 需赛通过终端层的基斯或无线接人总与ME C 服务器进行通倩? M EC服务器部署在更拿近终端设备的边缘层, 可以提供计算和缓存服务, 避免了终端设备所有任务都向远程云端请求服务造成的延迟和能耗问题.云爵3MEC 基本三层攀构如fl 4 , E:T SI 提出了M E C 架枸结构, 其由功能元素和光许它f口之间猶互作._雜参#点11成t s3 ? 该M E C 架构主要由终端、移动边缘系统层-管理、移动进缘服务层管理、移动边缘服务器四部分组成.图4MEC 親构移动边缘服务层管理;由移动边缲平台管理器和虚拟化基础设施管理器组成. 移动边缘平台管理器连接移动边缘菔务器的边缘平台, 所有的移动边缘服务器通过移动边缘乎合相连f 虚拟化基础设施管理器负责分爾、管理和释放位于移动边缘服务器内的虚拟化计箕和存餚资源. 而移动边缘系统H 管讓主要功能是管理移动终端设备用的?用程序盎命周期、操作玄持系统、移动边缘编排器, 其中操作支持系统与移动终端锻备的两向客户服务门户相连?随着M E C 架构越发成熟, 将M E C 架构应用于物联网系统s 可以解决#统物联网系统中安全策略无法有效解決的内部:攻击陳题'續《3 计算卸载的研究在本节介绍计算:知载技术相关研究. 首先, 介绍了计:箕知载的■基本概念、流程以及计箕卸载的三种情况? 然后, 逋过对近几年计算卸载方案的研究工作进行对比分析, 按滕箅法的设计思路和应用技术的不同, 将计算卸载方案分为两类介绺基于启发式算法的传统计箕卸载方案和基于隹线学习智能计算知载方案. 本文提岀这种分类依据, 可以让读者更清晰地了解计算卸载方案异同点、优缺点和最前沿的计算甸载解决方案? 塞于氧发式箅法的传统计算卸载方案主棄是先确定一个优化則氣, 再通过设计尨发式算法来接近最优解. 针对基于皂发式箕法的传统计弇甸载方案按照方案的不同优化属标, 从最小化延迟时间、最小化能耗、权衡延迟时间和能耗这三个方向介绍传统的计算甸载方案? 随着:人工智能技术的不断发屣, 相关技术应用到计算卸载方案中,侠得餐个系统有较好的性能.与棊于启发式算法的传统计:算卸栽方案分类介绍方法不同, 没有将基于在线学习的智能卸载算法按照延时、能耗的维度划分, 西为大部分智能卸载方案不以延时或能耗为单一优化目标, 而是嫁脅考虑智能卸载的性能? 養f在; 幾学习的智能卸载方案主愛是通过人工智能相关技术来训练卸载模型从而设计卸载方案i 同时斑用联邦学习模獲可以解决基于启发式算法的传统计算卸载方案中存在的隐私数据及用户移动性等何题? 本文从应用的主要人工智能技术介辑基于在线學习的智能卸载方案, 向读费介蟹:最前沿的计算卸载的研究方案.3 . 1 计算卸载的基本概念在ME C 中s 计算卸载是指计算任务从终端设舞懷攀动難缘计S省 霧中 计算等载方■研雜導辑 2 411备卸载到边缘端或云端. * 于边缘层服务器资源和计箕能力有限. 计算复杂的任务斑卸载到云雇迸行处:理. 利用ME C 服务器的资源可以减少终端设备自身计箕负担, 将终端设备的计算

[返回]
上一篇:基于协同进化的混合变量多目标粒子群优化算法求解无人机协同多任务分配问题
下一篇:基于角度内插仿真的飞机目标多角度SAR数据集构建方法研究