文摘
云计算和移动计算边缘(MEC)提供了一个广泛的计算服务的移动应用程序。特别是移动边缘计算使计算和存储基础设施提供最终用户紧密在蜂窝网络的边缘。小基站部署建立移动边缘网络可以创造云基础设施。大量的企业和个人依靠移动边缘和云提供的服务以满足他们的计算和存储需求。基于用户行为和需求,计算任务首先卸载从移动用户移动边缘网络,然后执行一个或多个特定的基站在移动网络边缘。MEC架构能够处理大量的设备,进而产生大量的流量。在这项工作中,我们首先提供一个整体的概述MCC / MEC技术,包括远程计算技术的背景和演变。然后,本文的主要部分调查研究最新的卸载机制的概念,把粒度,计算卸载技术。此外,我们讨论了卸载机制在静态和动态环境和优化技术。我们进一步讨论的挑战和潜在的MEC研究未来的发展方向。
1。介绍
有巨大的进步,进化计算技术领域的。尽管增强,生态系统的计算能力和能源消耗,如智能手机或物联网(物联网)设备接近,强大的计算机,使用强大的cpu。密集型的增长和实时应用程序,比如与增强现实应用,多媒体,视频编辑,人脸识别,和游戏,增加了计算的要求,这些生态系统的能源消耗。生态系统的局限性等电池电量低、低存储数据的能力,最重要的是有限的处理能力需要在基本层面上解决在密集的应用程序发展的时代1]。计算卸载机制一直是最好的解决方案,推动生态系统将密集计算功能的远程计算资源如edge-based服务器,如图1巨大的计算资源和可以执行的操作速度比本地生态系统资源(2- - - - - -6]。
历史的远程计算指向1990年代早期在远程执行和进程间通信开始出现在充分利用资源在集群计算机和管理消息传递交通(7,8]。尽管远程计算的好处,减少的并联运行挑战当时的流行概念。然而,互联网的发展提供了一种新的途径进一步发展远程执行的概念,这使得建立一个新的基础称为面向服务的体系结构(SOA)。移动Web服务(多工作站系统)包括SOA随着便携式设备,使增强计算能力和节能通过允许相互之间共享服务和软件的移动设备和其他设备(9]。然而,它依赖于一个静态的网络性能不稳定的缺点。
后,有研究表明附近移动资源的使用特别服务通过使用短程无线通信来提高性能。此外,使用临时无线网络是利用开发移动ad hoc网络(MANET)在1990年代中期。马奈提供了一个自配置移动网络设备,但具有网络功能的适应性问题由于移动网络环境内的设备,并提供从一个协作池中有限的资源开发与其他移动设备。普适计算的发展在接下来的几年里发起了宽领域计算平台,使计算迁移任何设备之间通过使用各种网络在移动用户的状态(10]。这进一步打开的可能性合并计算资源提供连续服务通过一个广泛的资源,如桌面、移动设备和服务器。近年来,云计算的起始开辟了一个新的可靠的技术性能增强的基础在移动设备11,12]。
计算与移动云计算卸载(MCC)起步较晚(2009),这是只基于移动设备端和主要的云服务器端卸载任务(13,14]。MCC,然而,在计算卸载技术主要的云不接近移动设备一起在卸载操作,导致延迟的问题在媒体的中间件连接和重大缺陷呈现用户流动不可能在卸载任务(15- - - - - -18]。(2014年底),介绍了移动边界计算(MEC)作为一种手段来帮助解决延迟问题,在卸货过程中发生在MCC (19]。MEC的特征是需要小的延迟和提供高负载能力而被附近的用户和他们的设备(5]。传输和计算延迟发现mec很小,这是最接近用户与远程资源的传统计算卸载在MCC。
计算卸载技术现在广泛用于解决智能手机限制和提供有效的计算(20.]。传统的客户机-服务器体系结构、网格计算或多处理器系统的常规系统迁移他们的计算最近的服务器资源利用率的降低,增强的性能和负载平衡(12]。自推出以来,利用计算卸载技术已超出其最初的范围。移动设备的计算卸载技术有别于传统的计算卸载技术,它不仅利用移动设备最近的可用资源。相反,专门出售是在一个环境外最近的计算环境。
计算卸载显著提高MEC的性能和MCC同时最小化执行延迟和能量。同样,MEC卸载方便的计算要求终端设备通过将计算节点网络优势。计算卸载一直在讨论一些研究和调查,分别针对MEC的分类和MCC。最好的作者的知识,联合计算卸载技术和分类在MCC和MEC场景没有调查。为了解决这个问题,我们专注于先进的MCC和MEC,比较详细的分类。与现有的调查比较的调查提出了表1。
我们提出以下小说贡献的调查:(我)我们制定一个详细的分类计算卸载MEC的计算资源和MCC场景包括环境、优化场景,粒度和问题。(2)我们提供一个详细的文献综述计算卸载在MCC和MEC。(3)我们用不同的参数比较上市文献综述。(iv)我们辩论的挑战和未来研究方向,MEC MCCC卸载。
本文的其余部分组织如下:部分2介绍了详细分类的研究领域。部分3提供了一个详细的讨论最先进的研究在MCC和MEC。部分4提供了对比计算卸载MCC和MEC。部分5辩论的挑战和未来的研究方向,最后,我们的调查结论部分6。
2。分类
本节提供的详细分类计算卸载在MCC,雾,MEC。这个分类的目的是提供多个卸载环境的知识,和优化场景问题和粒度。图2说明了分类与主要分类(a)计算资源,(b)环境(静态和动态),(c)优化场景,(d)粒度,(e)计算卸载的应用程序。的参数分类解释如下。
2.1。计算资源
介绍了远程计算资源的概念,即。,mobile cloud computing, fog computing, and mobile edge computing as shown in Figure3。我们将介绍远程计算资源的概念如下:
2.1.1。移动计算
移动计算是数据和应用程序的执行在便携式设备和移动设备,当两个或两个以上的移动设备之间的数据传输被称为移动通信。软件、信息、应用程序和另一种形式的技术指令被部署在一个小型便携设备,分布广泛,通过各种无线连接连接。分布式资源,集中位于每个设备使用,连接通过使用移动计算技术。人们之间越来越流行的移动设备增加了预期的质量和服务水平提供(25- - - - - -27]。
2.1.2。云计算
云计算是计算服务在一个单一的集中式计算环境,配置必要的部分环境按服务需求的三种类型的服务:软件即服务(SAAS)、平台即服务(PAAS)或基础架构即服务(IAAS) [28]。云计算提供的服务完全是依赖于哪些服务要求的用户。服务是由设备的类型,共享资源和卸载函数和来自用户设备的内容。这生了移动云计算的概念。移动云计算(MCC)是分布式计算的移动应用程序,卸载一些计算功能通过网络云,云的单一环境内提供的资源根据每个用户的需要。这产生一个机会使用移动边缘计算(MEC)周边资源的MCC功能的改善网络问题自封闭边缘移动设备和云是如此远离移动设备(29日]。
2.1.3。移动云计算(MCC)
移动云计算(MCC)是一个新兴和创新技术利用不同云的统一资源从而利用云计算的弹性性质,为移动设备提供无限的永远存在的服务无论位置服务的需求,并适应客户服务水平的要求(30.]。这些服务是相互之间共享云计算和移动设备通过网络。世纪挑战集团提供了一个广泛的移动设备用户的环境中移动设备数据的计算处理和存储在云中完成已分配的专门设备内的特定的移动设备,而不是担心,不管所使用的各种移动设备提供MCC服务(31日]。世纪挑战集团的发展背后的推动力量是使无限的计算在移动设备上同时最小化当前移动计算技术所固有的挑战。
2.1.4。雾计算
雾的计算是一个远程计算范式作为云之间的一个中间层和薄云,所以云计算服务可以扩展接近生态系统(32,33]。云数据中心往往无法满足的存储和处理要求数十亿geodistributed物联网设备和传感器与拥挤的网络的结果,高在服务交付延迟,和糟糕的服务质量(QoS)。边缘计算支持的强大的计算资源可以减少网络延迟和渲染附近的薄云由边缘用户访问通过单高速无线局域网。减少延迟在卸载,薄云将正确的卸载决定与最小延迟快速得到任务的结果,和朵云将在最近的边缘层边缘用户。雾计算将在边缘层之间的中间层(薄云)和云层(云)34,35]。
2.1.5节讨论。移动计算边缘(MEC)
移动边缘计算(MEC)是一种创新的架构,使云计算的功能在移动网络的边缘。关于MEC的主要思想是将资源最终用户和附近的云计算服务在本地终端用户的请求。MEC帮助计算卸载过程得到低延迟在卸载任务,减少了网络中的流量低加速到云服务器的请求。MEC架构是由ETSI提出他们认为云功能,如存储和计算,将结合边缘网络设备如小细胞接入点,宏观基站、无线网络控制器,和宏观基站(36]。薄云的想法是在2009年作为一个值得信赖的当地丰富的计算资源或多核资源丰富,这都与互联网通过无线局域网和附近的移动设备用户使用(37]。薄云使用wi - fi网络将计算任务,这有助于节省大量的能量从移动设备相比,卸载通过手机3 g / LTE网络(38,39]。薄云机制延长移动设备的电池寿命,从而减少网络延迟;另一方面,它可以提高质量的经验(体验质量)的终端用户40]。因此,部署薄云将类似于wi - fi热点配置并将接近边缘用户。
上面的讨论表明,MCC服务器可以用于卸载的应用程序需要巨大的计算和存储资源。MEC服务器可以用于延迟关键应用程序由于在近距离用更少的计算和存储资源。
2.2。优化方案
在边缘环境中,最好的地方卸载任务分配是一项具有挑战性的任务,因为必须考虑多个标准,包括资源限制和邻近的薄云[41]。方法旨在解决这个问题分为以下类别:经典优化,metaheuristic,博弈理论和机器学习。
2.2.1。经典的优化
经典的方法可以产生更好的准确性为代价高计算耗时。问题是非线性的,或者有一个巨大的规模,古典方法被困在当地的最适条件。
2.2.2。Metaheuristic优化
因此,研究人员转向metaheuristics的使用,因为它提供了一个接近最优解与合理的计算42]。最近,许多先进解决方案关于边缘的卸载过程的优化网络。卸载任务MCC / MEC平台已经收到大量的注意力从研究团体(43- - - - - -48]。但是,已发表的研究没有考虑执行优化延迟任务优先级与约束和用户移动性;最近工作(这也被观察到20.,49- - - - - -52]。
现有的卸载工作优化的分配任务优势资源可以根据优化目标分类如下:(i)最小化响应时间(延迟)在任务执行12,53- - - - - -57)和(2)最大化用户设备的节能46,58- - - - - -63年]。一些研究还考虑能源消耗和延迟,选择平衡(64年- - - - - -68年]。相关工作的比较总结如表所示2。
2.2.3。博弈理论
博弈论是最重要的优化方法也被称为科学的策略。使用这种方法,作者的91年)解决资源分配问题在计算卸载一个非常低的计算复杂度。另一项研究解决问题的合作朵云资源调度机制来降低运营商的成本和保护用户体验在MEC集中控制器(92年]。
2.2.4。机器学习
机器学习包括深度学习成功是公认有效的优化方法传统的优化方案。这些方法做出更好的决策,而卸载MEC或MCC服务器的任务。此外,资源分配包括信道访问,CPU周期、时间分配和其他资源分配问题可以有效解决这些计划(93年]。
2.3。把环境
卸载环境动力学可以分为应用程序模块和优化目标。
2.3.1。应用程序模块
框架在移动云计算集中在关于卸载问题决策和应用程序分区在卸载任务主要从移动设备到云不考虑用户移动或变化,在卸载操作期间可能发生的网络连接(18,94年,95年]。他们已经解决了卸载决策问题和应用程序分区问题使用机制,包含三个关键要素:(一)分割者,分析器(b)和(c)解算器(96年]。这种机制有助于决定是否有利于卸载任务云方面还是在本地执行它在移动设备上(97年]。计算卸载的过程在MCC是描绘在图4。
(1)分割者。的分区用于注释部分应用程序被认为是一个offloadable任务。一个带注释的分区是通过从应用程序代码的计算分析结果。它决定基于代码是否移动环境下的访问本地资源,。移动环境下由本机资源,包括访问I / O接口,GPS,相机,本地服务,包括特定的移动环境中,或任何其他硬件嵌入式移动设备(97年]。
(2)分析器。分析器是用于监视卸载参数将有助于解决框架做出最后决定是否将该任务。因此,分析器会做出最后的决定的一个重要因素在解算器部分。分析器可以监控决策参数,比如cpu或能源。一些框架使用监控软件如ThinkAir框架,它使用权力导师软件跟踪各种各样的与项目有关的参数起。它提取的总体执行时间为一个特定的方法,CPU周期,和内存分配一个特定的线程,方法调用数据,并执行指令数(95年]。其他一些框架使用监控设备,如克隆云框架利用季风电力设备监控三个系统变量:CPU活动(活动和空闲状态),屏幕(开/关状态)和网络接口在活动状态(传输/接收)或闲置状态。他们将这些变量转化为权力画通过函数P (CPU、可控硅、净)三元组到能源的价值。这生成两个成本模型,当CPU上本地移动设备上,当CPU空闲在卸载过程中(94年]。功耗可以估计的成本
第二成本模型的能耗与克隆服务器与移动设备屏幕上和闲置的CPU计算只能耗与网络活跃在迁移操作如下:
(3)解算器。计算的解算器卸载在MCC框架的一部分提供可行的卸载的决定基于分区和决策指标由从分析器或直接利用分析器使用参数参数优化解决方案的决定。解算器可以分类根据其位置,是否位于移动设备,在遥远的云/服务器,或在两个97年]。在这部作品中,解算器是用来分配一个值基于最小化决策变量的某个分区的应用程序的预期成本。它是用来做出最终决定卸载的框架和位于用户的移动设备94年]。另一个工作使用一个线性规划求解器的移动设备和云如图5解决全局优化问题由使用注释和图表等输入注释的调用图模型的分区模型的框架。在当地执行期间使用的能源,远程执行,为本地和远程执行时间被作为解决决策指标如图6。
(98年)应用程序(98年)调用图G= (V,E)使用的解算器开发优化问题作为一个调用栈执行计划,其中(V)表示的顶点集合作为一个方法调用堆栈,每个顶点属于一组(V),边缘被表示为e= (u, ),显示调用的方法(u)方法( )。执行一个顶点(能源和时间 )作为一个移动设备上本地方法为代表 ,和 ,分别时间在云中执行远程方法表示 。的边缘e= (u, ),时间和精力成本采取转让必要的程序的状态在电话(u)( )被标注为和 ,分别。每个方法也与参数注释表示如果能够迁移到服务器端。毛伊岛解算器使用指示符变量 ,(0)时,它表明方法( )一个移动设备上本地执行。否则,执行(1)值表示远程服务器端。(左)是一个默认延迟约束:如果所有方法( )在移动设备上执行,执行的不得超过5%,超过当地的延迟在移动设备上。毛伊岛解决独立解决0 - 1整数线性规划问题如下:
其他的框架在MCC使用二进制变量的相同的机制决定不考虑网络波动(18,94年- - - - - -96年,98年]。移动边缘计算是克服网络波动后会发生卸载决定(52]。
2.3.2。优化目标
近期作品在移动计算边缘处理的动态计算卸载关注任务卸载优化问题的优势。计算卸载的目标可以分为三类:(a)减少延迟(最小化延迟任务卸载的边缘,(b)节能、成本和(c)减少ISP。
(1)最小化延迟。通过动态计算卸载计算密集型任务的MCC服务器,可以大大提高计算的质量经验的上下文中执行延迟。然而,传输延迟在MCC可能降低性能。为此,MEC中扮演着关键角色通过将计算节点在网络的边缘。这个场景中有效地降低传输延迟,同时保留执行时间(99年]。
(2)节约能源。动态计算卸载有效地节省能量通过允许及时卸载决定根据不同的参数,包括结束节点的计算能力、计算节点和信道条件。进一步提高电池的生活边缘节点,动态计算卸载允许能量收集方法与卸载(22]。
(3)降低ISP成本。服务迁移靠近用户MEC,朵云,雾计算。结果,用户请求不穿越多个ISP成本减少网络拥塞和ISP服务用户请求(99年]。
2.4。粒度
卸载粒度时,使不同级别的任务需要在云中卸载或边缘服务器。这些粒度可以分为两类,包括细粒度和粗粒。
2.4.1。细粒度
首先定义了一个细粒度的移动代码剥离结构One hundred.,101年),也被称为部分卸载方案。这种方法依赖于开发人员注释卸载部分,在应用程序中,这种方法的主要目的是提高能源利用效率的移动设备。这一目标是通过把注释部分等方法或线程获得能量利用效率。精密的粒度是一个有用的应用程序卸载类型任务,使用移动设备的硬件外,不能卸载移动设备,如使用扬声器或者移动设备的屏幕。
2.4.2。粗粒
这种方法的粗粒度的卸载是第二个粒度。在这种方法中,完整的应用程序/计划,或一个过程,或一个完整的虚拟机卸载到远程计算资源,它被称为完整的卸载方法(25,102年]。
2.5。卸载应用程序
有多个应用程序卸载存在于MEC和MCC。这些应用程序分为本地计算,实时应用程序、资源饥饿的应用程序,定期卸载和非周期的卸载。在下面几节中,我们将讨论每个类别。
2.5.1。本地计算
计算服务器的作用是可以卸载的资源紧张的任务有效地最大化计算的比特率。这种机制的整体计算率减少到最低限度的计算部分。然而,一些应用程序需要本地计算,因为他们的极端敏感性的延迟。这些应用程序倾向于执行最后的节点(103年]。
2.5.2。实时应用程序
虽然一些应用程序是时间敏感,这些应用程序可能仍然是最后卸载服务器进行有效的计算,同时保证调度的任务。然而,有必要安排这些任务及时有效的减少延迟,可能会影响这些应用程序。
2.5.3。资源饥饿的应用程序
资源饥饿的应用程序,包括增强现实、虚拟现实,和多媒体应用,需要巨大的计算和存储资源。这些应用程序可以有效地在移动云计算服务器执行所需的资源。然而,延迟约束这些基于云的系统可能会降低性能。MEC显著提高中扮演着关键角色资源饿了应用程序的性能,减少延迟。在该机制中,减少资源的边缘服务器可以改善一些资源管理技术(104年]。
2.5.4。周期和非周期的卸载
一些应用程序需要定期计算数据。这些应用程序可能交通监测和监督。由于持续的监控,这些应用程序结束他们的计算任务的服务器保存电池传感器节点的生命周期监测环境中涉及。卸载也可以非周期的,结束设备分流计算密集型任务时需要。这些应用程序不需要周期计算的任务(105年,106年]。
2.6。卸载网络
网络状态在很大程度上影响计算卸载而迁移任务计算服务器。这些国家应考虑而迁移的计算密集型任务。在这项研究中我们考虑下面的网络。
2.6.1。无线传感器网络
无线传感器网络(网络)是动态网络与移动和固定传感器放置监控区域的物理条件。由于特别的性质基础上,传感器节点通常需要MEC的融合和MCC完成计算任务。边缘服务器可以放在一个传感器网络,需要定期将数据和计算(20.]。
2.6.2。手机网络
蜂窝网络的用户观看视频内容的利用不同的社交媒体应用程序托管在遥远的云数据中心。托管的内容发布商和边缘网络促进了ISP将交通从核心网络服务用户请求访问的网络(107年,108年]。交通将从核心网络降低了ISP成本和降低访问延迟。
2.6.3。物联网
物联网(物联网)是一组计算设备与网络可访问性。传感器和嵌入式设备通过网络与通信接口提供自动化和易于使用的软件接口。神往的往往是资源受限需要合并MEC和MCC。
2.6.4。车载网络
车辆在高速移动包括娱乐和导航应用程序与用户经常求助于移动设备的数据服务。MEC、雾和朵云服务驻留在路边单元(RSU)可以用于卸载从车载网络数据和计算服务109年]。
3所示。国家的艺术
在本节中,我们目前最先进的详细研究。我们把这个文献综述分为(我)计算卸载在MCC和(2)计算在MEC卸载。这个部门的目的是强调卸载机制和特征之间的差异MCC和MEC之间。
3.1。计算在MCC卸载
作者在41)提出了一个新颖的框架,包括基于队列的算法和混合启发式优化任务分配过程中在MCC (41]。框架的架构分为两个主要阶段。在第一阶段,一个队列模型用于表示云和薄云在队列结构以减少用户的任务的下降率。在这一阶段,基于队列的决定标志(QDM)单位利用估计的概率任命每个任务薄云或公共云。这样做是为了减少平均响应时间。本单元的输入是薄云/云的能力,所有的用户请求,最初的队列。本单元的功能依赖于从队列模型驱动理论。QDM输出和每个用户之间的通信的持续时间和薄云/云是后续阶段的输入。在第二阶段,2个自然启发算法包括遗传算法(GA)和蚁群优化(ACO)杂化使搜索过程中发现算法任务分配,认为每个用户之间的通信的持续时间和薄云/云最终想要的结果是减少offloadable任务和功耗的消费时间在手机电池。
在[110年),计算卸载在MCC制定作为一个优化问题。灰太狼优化器(拥有)111年]是一种优化算法受狩猎行为和领导的层次拥有。在这篇文章中,研究人员提出了一个适应版本拥有找到最佳的解决方案为计算卸载MCC工作流。在练习,拥有迭代生成候选解决方案,试图最小化任务执行时间在移动设备的工作流程和能源消耗。特别关注移动云计算环境中,研究人员施加巨大的努力来获得高质量的保证和资源最优利用的移动设备。
作者在75年)提出了一种基于动态电压和频率的联合优化方法扩展技术和鲸鱼优化算法(WOA) [71年),优化任务完成时间和能源消耗的移动设备。在评估这两个优化目标,有几个因素考虑的位置执行任务,任务的执行序列,操作电压和频率。此外,WOA的适应度函数利用多目标,重量分数分配任务完成时间和能源消耗。实验结果证明了联合优化方法是一种很有前途的和有效的方法能够提供足够的解决方案以无缝的方式运行移动云计算系统对节能和并行任务调度。
在最近的一篇文章中(86年),一个高效的基于队列的杂交模型蚁群优化和人工蜂群优化算法,称为(QAnt-Bee)提出的卸载的任务分配给最准确的薄云在MCC环境中通过优化任务的处理延迟和能源消费,和拒绝的卸载任务。资源分配是一个完整的np难问题。
顾et al。85年]提出了一种改进的版本的粒子群优化(MPSO)更有效地优化资源分配的任务在更短的时间内出售计划。在MPSO,任务运动策略,允许的运动任务在当前薄云到另一个位置。在优化的背景下,这一策略允许解决方案来交换他们的变量来增加勘探率,从而避免成为被困在当地的最适条件。实验结果表明,MPSO算法可以产生更好的和更有效的解决方案相比,PSO。
3.2。计算卸载MEC
在移动计算边缘(MEC),一些算法已经应用于解决卸货的问题以及传输能量的分配任务。这篇文章(72年)研究问题的计算卸载MEC的5 g系统。特别是,本文侧重于提高系统的能源消耗实体卸载所需的任务。问题是制定作为一个优化问题,能源消耗最小化,考虑延迟需求。在制定模型,任务传输(fronthaul和回程)和计算在MEC服务器被认为是。为了解决这个问题,作者提出使用人工鱼群算法(AFSA)。这种启发式算法提供了全局收敛性,获得全局优化的解决方案在考虑的问题。该算法的效率是评价并与其他相关算法。
摘要(53)研究任务分配的问题男人多任务和多用户的情况。特别是,本文考虑最小化延迟执行任务的人。问题是制定作为一个优化问题中任务属性,用户移动性和网络约束被认为是作为一个约束满足问题。然后,作者提出了一个启发式算法来解决这个问题。该算法所得如下。首先,用户发送一条消息,其中包括一般信息关于他们的任务,中央控制器。尤其是,这消息包含数据大小,执行负载,本地执行时间和可能的输出数据的大小。中央控制器然后将每个任务分配给一个sBS延迟是最短的。sBS,需要执行两个或两个以上的任务,执行任务的最小执行时间。此外,中央控制器下否则这些任务不执行。 The process continues until each task is allocated to the optimal sBS. If the local execution time remains shorter than that of the optimal sBS, the task is executed locally at the user end. It should be noted that the proposed algorithm considers user mobility prediction during the allocation process. A set of simulation experiments were conducted to evaluate the performance of the proposed algorithm, and the results showed that the task execution delay is significantly reduced when user mobility is considered.
摘要(74年)研究任务卸载的问题随着MEC传输功率分配系统。它发现执行延迟和被认为是减少能耗,整体性能提高。问题是制定作为一个优化问题旨在最小化加权和的执行延迟和能量消耗。本文首先使用了流水车间调度来实现最优任务卸载对于一个给定的传输功率。此外,它采用凸优化来确定最优传输能量出售的决定对于一个给定的任务。结果表明,延迟性能改善当广播和计算资源都相对平衡。此外,该算法大大减少了能源消耗,同时提供算法延迟性能。
摘要(76年)研究任务的问题在MEC卸载和资源分配。问题是制定作为一个上下两层的优化问题,卸载的决定被认为是为上层优化问题,而资源分配被认为是低级优化问题。此外,上层问题的目标是最小化所有用户的能源消耗,和低级问题的目标是最小化总计算所有用户。这上下两层的问题,解决了使用一个上下两层的优化方法。特别是ACS(蚁群系统是解决计算问题的概率技术可以减少找到好的路径通过图表)首次用于生成上层的卸载决策优化问题。如果这些决定被认为是可行的,那么单调优化方法来计算最优的资源分配。获得的联合评估解决方案的性能。这一过程持续进行直到取得了最佳组合。仿真结果表明,概率技术提供了有效的解决方案两套实例约有400手机用户。
研究人员(66年)考虑任务卸载的问题以及资源分配在MEC系统。其目的是减少能源消耗和货币成本对于移动用户。从博弈论的角度问题被认为是。因此,作者提出了一个博弈模型,包括云计算和无线资源分配算法。仿真结果表明,该算法最小化成本较低的复杂度。此外,与现有的算法相比,较大的任务数据的大小,减少能源消耗和完成时间。还有其他的研究,采用相同的分类的优化目标,比如那些努力减少延迟(54),那些努力最大化节约能源(59- - - - - -62年),和那些与这两个目标(65年- - - - - -67年,112年]。
研究最小化执行延迟任务这样的MEC工作减少延迟的单用户执行任务,它使用single-dimensioned搜索算法。该算法的结果是一个政策做一个卸载决定基于队列的应用程序缓冲区。与这个属性的无线媒体被认为是(54]。
另一项研究中考虑了不同空间位置的延迟而卸载。sBs选择的用户负责任务的执行卸载,但是用户设备发送的结果通过另一个sBs具有最高的RSSI的无线连接。虽然空间多样性的考虑是显著的,但工作只考虑卸载完成一个任务(55]。
另一方面,用户的流动性影响调度在这工作提出了一个框架来减少任务执行调度在移动边缘网络用户移动性。他们认为用户的信息流动和信息的任务和sBSs资源和使用轻量级启发式解决方案能够快速调度任务卸载期间sBSs不同用户方程(53]。这个框架的任务调度的主要目的是最大限度地增加MEC的使用,以减少延迟时间与所有用户卸载任务以sBS。他们认为一组用户U中每个用户(我)的计算任务(j)将分配到一组基站sBS。在用户移动的路线,有一系列的sBS在用户路径和(k)属于路径之一包含一组sBS。每个任务的应该执行一次时间仅沿着边缘用户轨迹 。这个问题建模为一个优化问题如下:
关于优化节能最大化的研究中,这项研究证明了一个框架来减少能源消耗从移动设备通过优化传输时间和大小的数据加载到边缘网络美联社在卸载过程中(113年]。另一个工作考虑的动态性通道的状态通过无线方式传输任务,提出了一种任务调度方案和卸载它们。方案设计以这样一种方式,它可以正确地使用无线连接和用户缓冲区,这任务执行的能源消耗是降低(59]。
在另一个工作,一个框架将演示了计算,移动计算,为多个设备和构造设计,以减少能源消耗在这些设备60]。拥有先进的工作关于这个主题的另一个研究考虑到可能发生的碰撞和干涉由于多个用户尝试访问单一sBs,从而产生高能消费用户设备。在某种程度上,卸载在博弈论和多个用户建模表明,这总是兼容纳什均衡(61年]。这项工作能耗最小化移动设备通过中央集权的多用户MEC的框架体系。他们利用正交频分多址(OFDMA)和时分多址(TDMA),减少移动设备的能源消耗的目的(62年]。最后,另一个工作对于优化框架来收获移动设备使用的能源消耗的能量从一个基站或能够卸载任务sBSs节能的目的相同46]。
在这项研究中,把调度任务进行了优化和优化配置的力量传播MEC系统几个数量的独立任务。减少延迟在计算加权和随着能量的消耗,提出了一种算法,即低复杂性的次优算法。见这个工作,这个算法的实现达到了最小延迟执行重要的节能设备。找出最佳的复杂性和延迟之间的权衡,使用一个轻量级的近似(66年]。这项工作显示了使用序贯博弈模型与多个阶段实现并发需求关于能源和在同一时间延迟67年]。
其他一些研究执行联合优化能源消耗和延迟执行的任务。通过这些,看到任务延误最小化,其中大部分可以更快的在移动设备上执行比边缘网络,有助于MEC的高功耗。这些作品的一些指定级别限制能源消耗和减少延误的任务没有穿越限量。例如,这项工作提供了一个灵活的卸载方案,考虑到单用户,减少执行延迟获取能源的设备,这些设备增加卸载算法的复杂性(65年]。
4所示。卸载对比MCC和MEC
考虑这样一个场景,一个机器人必须警觉之前打一个障碍。在此用例中,有必要执行障碍识别任务迅速以最小延迟只可能在MEC范例。如果这个任务卸载到MCC服务器,由于延迟警报可能会被推迟。相反,一些应用程序需要巨大的计算能力,更适合MCC卸载,云服务器高效的服务于应用程序有足够的存储和计算能力。
移动边缘计算是要克服一些限制的移动云计算延迟的问题在卸载等主要的云计算和能源消费在MCC陪同的延迟和假设在MCC在卸载过程中稳定的网络环境。延迟的问题是关于移动云计算的一个主要限制。花费大量的延迟将数据迁移到云。传输数据的延迟MCC主要是通过三个资源筹集,其中包括连接访问点和移动设备之间的延迟,在接入点和核心网络,核心网络和云服务器之间。连接APs和移动设备之间的延迟取决于各种因素,如无线信道的质量损失的路径,用户共享带宽,和干扰。同时将数据传输到核心网络的接入点,延迟的主要原因是回程链路容量由于低数据率。云服务器和核心网络之间的延迟取决于广域网的延迟,这依赖于啤酒花的数量和它们之间的距离。
考虑这样一个场景,一个机器人必须警觉之前打一个障碍。在此用例中,有必要执行警觉任务迅速以最小延迟只可能在MEC范例。如果这个任务卸载到MCC服务器,警惕可能会推迟由于延迟。虽然一些应用程序需要巨大的计算能力预测和模式匹配等,这些应用程序可能不会执行MEC服务器由于有限的资源。因此,MCC有效地提供这些应用程序有足够的存储和计算能力。
一旦任务卸载到云服务器,服务器进行整个计算所需的任务和传输任务的结果返回给移动设备通过核心网络和APs。相比之下,在MEC的情况下,大部分或全部任务处理边缘。这导致显著减少延迟到云服务器端传输数据时从APs通过核心网络。通过部署移动边计算,延迟可以减少从60%到90%的中国电信进行的现场试验。他们表明MEC MCC相比可以减少88%的延迟对于改善现实应用程序(114年,115年]。的能源消耗在MCC,伴随着延迟计算任务由移动设备卸载到云服务器通过APs和核心网络经历明显的延迟。满足实时应用程序和计算密集型应用程序的延迟需求,移动设备可以卸载的一小部分任务在执行一个移动设备上本地的大部分任务,导致高消费的电池供电的移动设备。
相反,在MEC,较低的延迟使卸载一个更大的部分或全部计算任务到边缘,这将有助于减少能源消耗的手机电池。MEC有助于延长移动设备的电池寿命,和MEC节省42%的能源消费与MCC如上所述116年]。最后,计算卸载在MCC认为网络是一个稳定的环境中,这意味着在卸载后决定,任务迁移到云的主要方面没有考虑到网络波动,可能发生在卸载过程中,如用户移动性卸货期间,将断开移动设备之间的连接端和云(94年,98年,117年]。相反,MEC有助于得到最好的解决方案在最坏情况下的网络任务卸载期间波动和研究人员在MEC试图找到解决各种网络问题影响计算卸载机制(53,118年- - - - - -122年]。
5。研究的挑战和未来的发展方向
有效计算卸载患有多重的问题应该考虑MEC和MCC性能更好。任务卸载在边缘网络已经收到了很多的关注研究社区,正如我们所看到的在相关工作表中2。然而,现有相关工作仍有未决问题需要解决的offloadable任务的分布式环境。在本节中,我们将重点介绍一些重要的问题和建议未来的发展方向有前途的面积计算卸载。
5.1。依赖关系
卸载应用程序并发任务MEC使卸载更复杂。如前所述在多个任务调度的研究(123年- - - - - -125年),应用生态系统(移动设备)可以由几个任务依赖性,建模为有向无环图熟练的技艺。task-call图用于确定应用程序中的任务之间的依赖关系(51]。当我们观察到在现有MCC / MEC的作品,目前的研究尚未解决的问题卸载依赖任务边缘在考虑用户移动在一个分布式环境和任务约束(70年,73年,78年,88年]。
5.2。流动性
流动的意识仍然是一个重要的问题在移动云/边缘计算网络因为不同边缘节点的发送/接收工作(?)。边缘网络上现有的大部分工作任务分配的假设用户是固定在任务分配和移动设备之间的通信和边缘节点总是可用的(126年- - - - - -128年]。的作者(46]讨论了任务的分配与资源分配多个用户在一个边缘服务器,同时假设用户可以随时随地访问边缘服务器,这在现实世界中是不现实的。另一项研究[128年)建议在线解决方案的部署流基于多用户系统的任务分配的优势。
他们预测的应用程序响应时间使用队列基于理论模型,然后建立一个优化模型,以降低延迟。然而,他们不考虑用户移动性优势。另一项研究[53假设所有属性是提前知道:任务属性,网络环境和用户移动性(独立offloadable任务)。他们开发一个优化模型,以减少延迟在任务执行,和他们认为用户移动性和一个集中的服务器(静态环境)与预定义的属性。然而,这样的场景是有限的边缘在一个分布式环境。最后,目前的工作在网络边缘(列于表2)没有考虑分布式卸载offloadable工作相关的任务和任务约束与multioffloading系统在网络边缘用户的移动性。
5.3。和计算节点异构任务
之前的大部分工作集中在假设同类任务。通过这些假设,卸载变得简单。然而,在现实场景中,异构计算任务;例如,有些是先发制人,其他人则无优先。同样,MEC和MCC有不同的计算节点计算能力条件的CPU周期。这些异构的环境作为计算卸载的局限性需要考虑(14,104年]。
5.4。安全性和隐私
有多种计算卸载期间的安全问题。一个是完整性、机密性和计算节点和终端设备之间的身份验证。在这种情况下,安全问题在MCC和MEC是相似的。然而,MEC服务器的特性和计算能力有限使边缘计算效率较低的安全上下文(109年]。另一方面是边缘的低效率设备执行安全算法。为了解决这个问题,这些安全功能应该卸载到MEC服务器。这需要更多的安全保护机制由于动态环境和异构终端设备(的性质129年,130年]。卸载安全任务MEC服务器上打开了许多隐私问题,和结束节点保护隐私MCC(相比更具挑战性30.]。
5.5。决定在本地和远程计算
无线衰落信道和本地和远程计算之间的动态环境决定更具挑战性。有必要决定卸载之前决定转移到计算服务器的任务来增强MCC或MEC的总体计算速率。机器学习和强化机制可能适用于预测无线信道的衰落特性和动态的环境。然而,这些机制开放一些更多的研究挑战包括线上和线下培训低效的终端设备(131年]。
5.6。决定在部分和全部卸载
之前的大部分工作集中在部分作用是可以卸载方案,资源紧张的一部分任务卸载到MCC或MEC服务器。基于这些研究还考虑本地计算的动态信道条件和混合方案用于卸载。然而,部分卸载和本地计算的混合方案并不总是有效的。特别是部分和本地计算之间的决定取决于系统的参数,如在距离计算的比特数计算服务器(103年]。同样,在动态衰落环境中,完全卸载有效最大化MEC的性能和MCC的计算速度。然而,部分和全部任务之间的决定卸载需要进一步探讨。
6。结论和未来的工作
总的来说,有大量的出售网络技术优势。最大的两个类别(i)卸载在静态环境和(2)在动态环境中卸载的边缘。这两种技术的优化目标可分为三种类型:(i)优化减少延迟任务卸载的边缘,(2)优化节能最大化问题在任务卸载到边缘,和(3)的组合优化的能源消耗和执行延迟任务的优势。现有相关工作在MCC / MEC还有开放的问题(我)依赖任务卸载在分布式环境的边缘和(2)在分布式环境的边缘mobility-awareness问题。在未来的工作中,我们的目标是开发启发式和完全分布式卸载算法的平均完成时间最小化offloadable依赖任务与任务约束同时考虑用户的移动性,从而影响边缘节点的可达性。
数据可用性
没有数据被用来支持本研究。
信息披露
本研究进行的就业穆罕默德Maray哈立德国王大学Junaid通讯卫星大学。
的利益冲突
作者宣称没有利益冲突。