Mobile Edge Computing学习笔记（三）MEC用例与offloading研究综述

idea总是来的很突然，之前的研究方向混合了MEC，突然就来了offloading的灵感，记录一下相关的文章。Mobile Edge Computing: A Survey on Architecture and Computation Offloading。

前言

offloading永远是MEC非常重要的part，MEC的产生，是因为用户设备计算和电力资源有限，有很多超大计算量的应用跑不起来，此时需要把任务卸载到云端，但是云端又很远，传过来传过去很耗时，所以MEC才会出现。MEC将计算和存储资源引入移动网络的边缘，使其能够在满足严格延迟要求的同时在UE上运行高要求的应用程序。这篇文章先是MEC的主要用例和场景，和一些标准的东西。重点：本文将计算卸载的研究分为三个重点领域:1)计算卸载的决策;2) MEC内计算资源的分配;3)移动管理。

MEC简介

在传统的MCC（移动云计算）中，云服务是通过Internet连接[3]来访问的，而在边缘计算中，计算/存储资源应该接近UEs(即网络拓扑)。因此，与MCC相比，MEC可以提供更低的延迟和抖动。此外，虽然MCC是完全集中的方法，计算机群通常放置在一个或几个位置，但边缘计算应该以完全分布式的方式部署。另一方面，边缘计算相对于MCC只提供有限的计算和存储资源，

文章需要了解的一些简称，ps:翻译不到家：

• UE：user equipment：用户设备
• QoS：quality of service：服务质量
• QoE：Quality of Experience：用户体验
• MCC: mobile cloud computing：移动云计算
• CC:centralized clouds：中心云
• CN: core network–主干网络
• IOT:internet of things:物联网

一、用例和服务场景

1：面向消费者的服务

第一个用例类别是面向消费者的，因此，应该直接有益于最终用户。一般来说，用户从MEC中获得的利润主要是通过计算卸载，这使得新出现的应用程序能够在UEs（熟悉这个缩写，用户设备）中运行。从计算卸载中受益的应用程序之一是Web加速浏览器，其中大部分浏览功能(Web内容评估、优化传输等)都被卸载到MEC;见中Web加速浏览器向MEC卸载的实验结果。此外，人脸/语音识别或图像/视频编辑也适用于MEC，因为这些都需要大量的计算和存储。最重要的是，运行低延迟应用程序(如在线游戏或远程桌面)的用户可能会从邻近的MEC中获益。在这种情况下，特定应用程序的新实例在适当的移动边缘主机上启动，以减少应用程序在UE的延迟和资源需求。

2：面向第三者：😀

第二个用例类别由运营商和第三方可以从中受益的服务表示。对操作员或第三方有利的用例的一个例子是，从用户或传感器收集大量数据。这些数据首先在MEC进行预处理和分析。然后，预处理的数据被发送到遥远的中央服务器进行进一步的分析。这可以用于安全和安全目的，例如监视某个区域(例如，停车场监视)。

二、MEC计算卸载决策

1：全部卸载

全部卸载的主要目标是：尽量减少执行延迟，在满足预定的延迟约束条件下，最小化UE处的能量消耗，或者在能量消耗和执行延迟之间找到一个合适的平衡点。

（1）最小化执行延迟

执行延迟包含三个部分：

• 卸载数据到MEC的传输时间
• MEC的计算时间
• 从MEC拿回计算书的传输时间

下图是一个仅考虑计算延迟的卸载决策示例。其中$D_0,D_1$分别是分流的延迟和本地计算的延迟，只考虑延迟，那么谁的延迟小就采取哪种策略。

目前备受好评的一个做法：引入一个缓冲区，一个一维搜索算法根据应用程序缓冲区排队状态、UE和MEC服务器上可用的处理能力以及UE和MEC服务器之间通道的特性，找到最优的卸载决策策略。计算卸载决策本身通过计算卸载策略模块在UE处完成。该模块在每个时隙中决定在缓冲区中等待的应用程序是在本地处理还是在MEC处理，同时最小化执行延迟

在现代网络中，电池的快速耗竭给网络带来了巨大的障碍，因此，上述卸载决策并没有考虑UE的能耗

（2）满足执行时间限制的条件下最小化能量消耗

主要目标是在满足应用程序执行延迟约束的情况下，最小化UE处的能源消耗。一方面，由于不需要在本地进行计算，所以将计算任务交给MEC可以节省UE的电池电量。另一方面，传输和接收数据都需要一定的能量消耗。下图是根据能量进行卸载的过程：$E_1,E_0$分别是本地计算和卸载所需要的能量消耗，下面两个用户设备都能满足$D_0<D_{max}$，也就是满足执行时间限制，此时他们选择能量消耗最小的方式决定是否卸载。

（3）二者折衷

比较经典的文章是Efficient Multi-User Computation Offloading for Mobile-Edge Cloud Computing。卸载决策是倾向于最小化能耗还是执行延迟由一个权重参数决定。论文的主要目的有两个;1)根据权重参数选择任务是否向MEC进行卸载;2)在进行计算卸载时，选择最合适的无线信道进行数据传输。

2：部分卸载

一部分自己计算，一部分卸载这个样子

（1）满足时间延迟要求下进行能量消耗最小化

比较经典的文章，将应用程序分为一个不可卸载部分和N个可卸载部分，如下图所示。主要目的是确定哪些可卸部件应卸给MEC。

在这里有一个需要注意的问题就是任务之间的依赖关系

上图中的依赖关系是一种执行先后次序的依赖，

(2）折衷

三、计算资源的分配

如果决定将应用程序全部或部分卸载给MEC(如前一节所述)，则必须对计算资源进行适当分配。与计算卸载决策类似，计算位置的选择也受到卸载应用程序并行化/分区的能力的影响。如果应用程序不能并行化/分区，则只能为计算分配一个物理节点，因为应用程序不能被分割成几个部分(在图14中，UE1将整个应用程序卸载到eNB，因为这个应用程序不能被分区)。在相反的情况下，卸载的应用程序可能由分布在多个计算节点上的资源来处理.

1:单个节点的资源分配

当用户上传任务时它被放在一个堆栈里，如果此时又可用计算能力的节点。就将节点分配，否则传送到中心云端。

2：多个节点的资源分配

与前一节相比，这里考虑在多个计算节点上分配计算资源。论文根据主要目标分为几个部分:1)最小化计算节点的执行延迟和/或功耗;2)平衡通信和计算负载

（1）执行延迟与功耗

首先节点试图独立服务它们自己的问题，因为这会导致最短的通信延迟。（例如，在下图中，SCeNB1将计算资源分配给UE1和UE2等）只有当SCeNB不能单独处理应用程序时，它才会被转发到同一集群中的所有SCeNB（UE3的计算是在SCeNB2和SCeNB3处完成的）。。数值结果表明，与仅在服务场景下进行计算相比，该方案能够将执行延迟降低50%。

（2）平衡通信与计算负载

分配计算资源的目的仅仅是最小化执行延迟和/或计算节点的功耗。然而，这可能会导致各个计算节点之间的负载分配不均和回程超载。没有什么研究兴趣~我还是跳了吧