文章针对在资源受限的MEC系统中设计合理的计算卸载策略以满足用户的需求，是其将要面临的巨大挑战。
文章目录
一、MEC及其卸载技术的研究现状
二、针对单小区提出的计算卸载策略
三、针对多小区提出的计算卸载策略
四、总结
一、MEC及其卸载技术的研究现状
ＭＥＣ通过将远端云数据中心下沉到无线网络边缘，打破了传统的以无线接入网、核心骨干网络、应用网络相互连接而形成的三层架构，实现了无线侧与应用侧的融合，ＭＥＣ的概念描述如图１－１所示。
1.1移动边缘计算的部署方案
①MEC部署在无线节点（基站或无线接入点，ＭＥＣ服务器可以直接内嵌在无线节点内或者直接连接在无线节点后。）这种部署方案对应的场景一般是校园，大型商场，体育场等业务量和覆盖范围较大的热点区域。方案的优点是，每个基站都配有一个ＭＥＣ服务器，能以更便捷且快速的方式获取无线侧信息，不足是由于计费功能一般都在网关执行，因此计费以及合法监听等安全问题需进一步考虑。
②MEC部署在一个聚合点：这种部署方案一般适用于一些覆盖范围及业务量都比较小的基站，比如微小区基站或家用基站，这类基站一般计算需求小，且可能硬件设施不足以内嵌一个大型ＭＥＣ服务器，因此考虑到资源的合理利用性，可以将多个小覆盖范围的基站共同连接到一个汇聚节点，再由汇聚节点统一连接到ＭＥＣ服务器。这种部署方案在室内场景、企业专网和物联网场景下应用较多。
③MEC部署在核心网网关：该方案与第二种方案类似，都是多个基站共用一个ＭＥＣ服务器，不同的是，该方案下的ＭＥＣ服务器部署在核心网网关，优点是可以解决以上两种方案在安全及计费问题上的不足，缺点是由于ＭＥＣ部署在核心网，其与移动用户距离较远，可能产生较大的时延，同时也会占用核心网的资源。
1.2移动边缘计算卸载技术
ＭＥＣ中的计算卸载技术主要流程可分为六大步骤，分别为可卸载节点感知，计算任务划分，卸载决策制定，任务上传，服务器执行计算，计算结果回传，其流程描述如图２－３所示
①可卸载节点感知
当终端／用户有计算卸载的需求后，首先对网络中可以进行卸载的节点进行感知，这些节点一般为ＭＥＣ服务器节点，而从广义上来说，也可以是某些具有一定计算能力的设备，如Ｄ２Ｄ设备。
②计算任务的划分
第一将任务分解成可卸载部分和不可卸载部分，不可卸载部分只能在本地执行
第二对于可卸载部分又可进一步更细粒度的划分，这样便可以结合代码的并行处理等技术，在后面的服务器执行计算阶段，更快的完成计算任务，当然，这样细粒度的子任务划分需要考虑子任务之间的执行顺序／依赖关系。
③卸载决策制定
该环节的作用主要是决定用户的某个任务是选择本地执行，还是ＭＥＣ服务器执行，或者是进一步转发到其他节点执行，以及采用ＭＥＣ卸载执行，需要分配的功率、计算资源、无线资源等是多少，各个子任务的调度顺序如何。
④任务上传
任务上传阶段的目的是将卸载决策步骤中指定的卸载任务通过上行链路传输到ＭＥＣ服务器，上行链路可以是移动蜂窝网络，也可以是wiFI网络
⑤服务器执行计算
在收到上传的待计算任务后，服务器会根据卸载决策中制定的策略（任务执��
行顺序，执行时间，任务分配的计算资源等），通过其虚拟化的基础设施层为每个任务抽象出一个虚拟机来执行具体的计算任务。
⑥计算结果回传
其作用是将服务器执行完的计算任务结果通过下行链路传输到用户终端，由于任务输出的数据量一般远小于任务输入的数据量大小，并且服务器的发送功率也远大于用户终端设备的发送功率，使得该阶段耗费的时延和能耗相对于任务上传阶段和服务器计算阶段都要小的多，因此很多研宄一般把该阶段的传输代价忽略，但是，在某些情况下，比如移动云计算场景中，任务的回传需要经历核心网而产生较大的ｂａｃｋｈａｕｌ时延，因此，这种情况下该阶段花费的代价不能忽略。
二、针对单小区提出的计算卸载策略---基于任务缓存的计算卸载和资源分配联合优化
本文联合考虑了计算卸载、资源分配和任务的主动缓存，在计算资源、无线资源和存储资源的约束下，最小化任务执行的总时延。本文考虑ＭＥＣ服务器和远端云都可以主动地缓存用户计算任务的执行结果，以尽可能的减少任务执行时延。因此执行一项计算任务有四种可选方式：（１）任务在终端本地执行；（２）任务卸载到ＭＥＣ执行；（３）ＭＥＣ服务器缓存了该任务的计算结果，直接从ＭＥＣ缓存空间将任务结果传输给用户，无需经过计算；（４）远端云服务器缓存了该任务的计算结果，从云服务器的缓存空间将任务结果通过核心网传给基站，再由基站传输给用户，无需经过计算。
在第一个阶段，ＭＥＣ服务器的缓存空间没有被填满，为了进一步减小任务执行时延，当用户将计算任务卸载到ＭＥＣ服务器执行后，ＭＥＣ服务器会尽可能多的对任务的计算结果进行缓存（己经缓存过的，不会重复被缓存），同时会记录每个任务的被请求次数。随着卸载的任务数量越来越多，缓存空间逐渐被填满，缓存策略将进入下一个阶段。
在第二个阶段，此时ＭＥＣ的缓存空间已经被填满，有着更高流行度（任务被请求的频率）的计算任务将替换ＭＥＣ原有缓存空间里较低流行度的任务，同时，被替换掉的任务缓存会传输到远端云服务器进行缓存（若远端云己有该任务的缓存，则直接将该数据丢弃即可）。
基于贪心策略的三步式启发式算法
（１）步骤一：任务执行模式预选择
集合N0的规模越小，求解３－１４的复杂度就越低，因此，在该步骤内，通过设计一个任务执行方案的预选择策略，来减小需进行执行模式决策的任务规模。
（２）步骤二：时延增益排序
首先，定义时延增益函数为：
然后，计算NS；中每个任务的时延增益。最后，将任务集合NS；中的任务按照计算出的时延增益降序排列，且排序后的集合定义为NSsort。显然，任务的时延增益越大，任务就越可能选择卸载的方式来执行，以尽可能减少时延。��
（３）步骤三：基于贪婪策略的资源分配��
在步骤一里，我们可以初步的确定任务的本地执行集合为＝�NL，执行云端缓存方案的任务集合为Nc，定义最终选择执行计算卸载的任务集合为NE，它是NSsort的一个子集并且初始为空，在该步骤里，本文将采用一个贪婪算法从中选取任务加入到集合NE；中，并且给NE中的任务分配计算和无线资源
总结：本章首先将优化问题分解为确定任务缓存状态、任务执行模式选择和资源分配两个子问题，然后提出一个联合ＭＥＣ服务器和远端云的任务缓存算法以确定任务的缓存状态，最后，设计了一个基于贪心策略的三步式启发式算法用于求解任务执行模式选择和资源分配子问题
三、针对多小区提出的计算卸载策略---基于SDN的主从MEC协作计算卸载策略
创新点在于基于ＳＤＮ架构的多小区计算负载均衡的思路，主要针对热点区域ＭＥＣ服务器计算能力与用户计算需求不匹配的问题，提出多个小区ＭＥＣ辅助主小区ＭＥＣ服务器协作计算卸载的方案，本文综合考虑了任务执行模式选择和多个ＭＥＣ服务器计算资源分配问题，并建模出一个以计算资源为约束，以最小化系统代价（时延和能耗的加权）为目标的优化问题。针对同时含有互相耦合的二维任务执行决策向量和二维ＭＥＣ服务器计算资源分配向量的混合整数非线性规划问题，本文设计了一种基于模拟退火思想的启发式算法通过不断的迭代和降温达到收敛状态，以求得问题的次优解。仿真结果表明，本方案相对于随机选择任务执行节点的方案、不考虑协作ＭＥＣ服务器的方案及本地执行等方案都能在大多数情况下取得最好的系统性能。
在其中，每个用户的任务有三种可选方式，分别为本地执行、卸载到主ＭＥＣ服务器执行、卸载到从ＭＥＣ服务器执行。联合考虑了任务执行决策和计算资源分配问题并最终形成了一个以最小化系统代价为目标的优化问题，经分析，该问题属于混合整数非线性规划问题，本文设计了一个基于模拟退火思想的启发式算法逼近最优解。
因此，本文中计算任务有三种执行方式，分别为：
（１）卸载到主ＭＥＣ服务器执行：用户通过无线上行信道将任务卸载到主ＭＥＣ服务器进行处理。
（２）卸载到从ＭＥＣ服务器执行：当主ＭＥＣ服务器计算载荷过大，无法满足任务的需求时，每个任务将从可提供计算资源的从ＭＥＣ服务器中选择一个进行卸载，此时任务需要经过主小区的基站转发至对应的从小区。
（３）终端本地执行：当主从ＭＥＣ服务器都无法满足任务的计算需求时，此时需考虑任务在终端本地执行。
假设任务执行决策变量已知，并将选择任务本地执行的任务集合记为Ni，选择将任务卸载到主ＭＥＣ服务器执行的任务集合记为N0，对于Ｍ个从ＭＥＣ服务器，记被任务选择了的服务器集合为k＝（１．２．．．．．K}，其中，k为０到M中的任意整数，记在k中任意一个服务器上运行着的任务集合为Ni，并且有Ni+N0+
=N
模拟退火算法
模拟退火算法是一种常用的求解优化问题的智能算法，它模拟固态物质的降温过程，物质内的分子在高温状态下无序程度较大，随着温度不断下降，分子由于内能减少而逐渐趋于稳定的状态。该算法在每一个迭代时能对上次迭代的解产生一个迭代时能对上次迭代的解产生一个偏差（该偏差与温度有关，随着温度的逐渐降低，偏差逐渐较少趋近于０）并更新一组新解，然后基于这组新解求得目标函数值，若本次求得的目标函数值优于上次迭代结果，则接受本次新解及迭代结果，反之，若劣于上次迭代结果，则以一个与温度有关的概率接受本次新解及迭代结果，最终随着温度的不断降低，新解不再更新，算法逐渐收敛。
本文提出一个基于模拟退火思想的启发式算法对该问题进行求解，该算法在每一次迭代都能产生一组新的满足约束条件的决策变量，并依靠该决策变量通过凸优化的方法求得最优的资源分配变量，经过不断的迭代可以达到收敛，以较低的复杂度获得问题的次优解。
基于模拟退火的启发式算法具体步骤：
总结：本章针对热点区域内移动边缘计算能力与用户计算需求不匹配的场景，提出了一种基于ＳＤＮ的主从ＭＥＣ协作计算卸载策略以达到多小区间计算负载均衡的目的。综合考虑了计算仟务执行模式选择和多个ＭＥＣ服务器计算资源的分配，经过对通信和计算模型的推导，最终形成一个以ＭＥＣ服务器计算资源为约束的系统代价最小化问题。针对建模出的复杂混合整数非线性规划问题，本文设计了一个基于模拟退火的启发式算法，能够通过逐步迭代最终达到收敛，进而获得问题的次优解。