Device-Enhanced MEC: Multi-Access Edge Computing MEC Aided by End Device Computation and Caching: A Survey
摘要
- 多路访问边缘计算 Multi-access Edge Computing MEC
- 用UE的计算和存储资源 能够增强MEC
- 终端设备社区和已安装的MEC资源 为终端设备提供服务
- 分成两块: 计算卸载、缓存
- 最大化吞吐量 最小化时延、能量、利用率 安全性
- 局限性
- 研究方向
- 最近提出了多路访问边缘计算(MEC),以帮助移动终端设备以低延迟提供计算和数据密集型服务。终端设备不断增长的服务需求可能使MEC安装不堪重负,而成本限制限制了已安装MEC计算和数据存储容量的增长。同时,移动终端设备不断增长的计算能力和存储能力是可用于增强MEC的宝贵资源。本文全面调查了设备增强型MEC的主题领域,即共同利用终端设备社区和已安装的MEC的资源为终端设备提供服务的机制。我们将设备增强型MEC机制分为用于计算卸载的机制和用于缓存的机制。我们根据目标性能目标进一步细分卸载和缓存机制,其中包括吞吐量最大化,延迟最小化,节能,效用最大化和增强的安全性。我们确定了现有设备增强型MEC机制的主要局限性,并概述了未来的研究方向。
I. 介绍
-
用户设备增加 随之而来的是计算和数据需求大幅增长
-
新兴服务 会被大量终端设备使用 MEC压力过大
-
MEC安装 计算和存储的成本越来越高
-
UEs能够贡献自己的计算和存储能力 和MEC一起为终端设备提供服务
-
D2D 加速其同伴处理 可直接通过D2D 减少蜂窝网络和MEC基础架构上的流量负载
-
MEC 大多考虑终端设备卸载任务到MEC
-
MEC 和 雾计算类似 雾计算的设备比MEC多一点 包括交换机、路由器、AP等
-
D2D
- 原则和基础架构
- 特别的通信架构
- 设备发现
- 中继辅助
- 移动性
- 干扰
- 信道模型
- 流量分配
- 安全性
-
移动自组织云范式 建立在D2D通信链路上 提供计算和缓存 给边缘的终端设备
-
文章研究的是 MEC服务器和其他终端设备(D2D通信自组织云)资源协作在一起
-
设备增强型MEC MEC和D2D通信的交集
- 概念
- 场景
- 近邻性的好处
- 用户激励措施
- D2D通信和服务质量的挑战
-
多接入边缘计算 设备增强型MEC计算分流
- 计算卸载 计算分流
- APP的服务等待时间
- 消耗的设备能量
- 安全性
- 计算缓存
- 音频 视频流
- 缓存内容能够分发给周围设备 减少到原始服务器的请求流量
- 计算卸载 计算分流
II. 边缘计算和D2D通信的背景
A. 边缘计算出现
-
Multi-Access Edge Computing
-
先Mobile Cloud Computing MCC,但是由于设备距离远 和回程带宽限制 无法满足时延要求
-
把计算和存储资源放在近可能靠近 移动终端的位置 MEC
-
2016 ETS ISG mobile edge computing ——> multi-access edge computing
-
减少时延 和 回程数据流量
-
UE提供位置和行为的实时信息 有助于启用上下文感知服务
B. MEC范式
-
SDN(software defined networking)
- 能够使用商品和现成的硬件来创建可编程且具有应用感知能力的智能网络
- 管理网络的控制平面和数据平台
- 确保同制造商 和 供应商的关键 是 两个平面之间有开放接口
- 逻辑集中 有助于解决网络问题 路由 隧道等
- 灵活控制 网络流量 缓存网络服务
-
NFV(network function virtualization)
- 利用虚拟化技术来实现网络功能的灵活设计、部署和管理
- 与底层物理网络设备无关
-
ICN(information centric networking)
- 最初用来主机和主机之间的通信 如今 内容分发
- 缩小网络的原始设计 和 当前应用的差距 并不断增加流量
- 优化 缓存和内容分发
- 主要的是 内容和缓存
C. D2D
-
两个相邻UE之间直接进行数据交换 无需中央控制点
-
优点:提升频谱效率、 增加设备间的数据速率、 降低能耗 、减少时延
-
计算负载 转移 缓存 视频文件缓存
-
挑战:
- 收集精确的信道信息 评估信道和控制信道
- 安全方面 容易被攻击
- 自私的剥削行为 不贡献自己的通信资源 却过多的使用其他UE的资源
- 干扰性
- 移动性
-
实际用例场景
- 国家安全和公共安全: 在灾难情况下 蜂窝网络基础设施破坏 D2D通信不需要固定的基础架构
- 近邻和本地服务: 游戏社交服务 增加对有效的短距离通信的需求 需要低时延 能耗 保密性高 传文件
- 车与车之间通信: 车对车 车对基础设施 车对网络通信 现在主要是安全、智能交通系统、防撞、电动汽车的充电
III. 终端设备增强MEC计算卸载
A. 概述
- UE可以把任务卸载到MEC服务器 或者周围UE 满足时延 、电池寿命
- UE可部分卸载任务到MEC 也可通过其他UE作为中转节点 让其他用户计算
- 终端设备可以扮演三个角色
- 帮助节点 帮助计算
- 中继节点 转发
- 帮助节点和中继节点
- 目标:最小化等待时间和能耗 或者 专注于安全性
B. 最小化时延
- MEC系统宕机 会降低提供的服务质量
- 针对执行过多计算任务而过载的MEC服务器或者失败的MEC服务器 提出两种解决方法
- 过载或故障的MEC服务器任务 卸载到 传输范围内的可用MEC服务器
- MEC服务器相邻的UE作为临时中继点 故障MEC这新MEC之间提供连接
- 每个UE可在本地计算 或者卸载到帮助节点以及远程 任务并行但不可分 137
- 目标:时延 限制:UE和能量限制
- 问题:
- UE的移动性和动态信道问题 通信方法也有多种
- 需要同时考虑上下行链路
- 中继节点不仅能传输数据 也能计算 136
- 激励UE共享 138
- CUEs 任务产生者 给一些带宽给HUEs 让其帮助计算
- HUEs 任务帮助者 以计算资源为代价 增加总体通信带宽
- CUEs 用全部带宽上传任务到MEC 或者留一部分给HUEs 帮忙计算
- 问题:HUEs协助一个CUEs 不考虑移动
C. 能量最小化
-
139 两个UE的基本三节点MEC系统
- 降低总能耗
- 时延约束
- 任务可划分
- 没有用到多路访问信道的容量 简单拓扑
-
140 有大量设备用于联合计算和通信资源共享
- 降低能耗
- 图匹配策略
- 没有考虑到D2D集群的能效、D2D连接不断变化
-
141 顺序博弈
-
142 潜能博弈
-
143 长期的UE激励约束 避免随心所欲
- 三种任务类型 纯计算任务(图像处理) 纯通信任务(文件下载) 计算任务和通信任务混合(视频流)
- 任务柏松分布 先到先的 录入任务
-
144 联合计算 先传到MEC 在通过D2D到雾计算设备
- 每个UE有固定的雾计算辅助设备(资源有限) D2D链路
- 本地 雾计算设备 MEC设备 三种选择
- 没有考虑 通信考校 数据恢复开销 安全性 激励机制
-
145 设备增强MEC计算和联网框架
- 连续时隙 MDP 能耗和时延
- 1个主设备UE 能够进行能量收集
- 其他UE辅助
- 没考虑到UE移动性
-
146 全双工的中继节能节点
- 带FD天线的UE作为集群头 充当中继 把任务上传到BS
- 集群头选择 采用CRP流程(Chinese Restaurant Process) 综合多个指标
- 避免干扰 上下行链路 都在正交频谱上工作
D. 能量和时延联合优化
E. 容量增强
- 153 总计算能力的最大化
- 最小化所需的MEC资源
- 最大化UE D2D配对的子问题
F. 保密性增强
G. 总结
-
主要目标:
- 最小化等待时间
- 最小化能耗
- 增强安全性
-
计算任务 可分和不可分
-
卸载方法:
- D2D通信
- 中继分流
- 卸载到MEC服务器
-
无线信道特性 和 UE资源 随机
-
移动性
-
Lyapunov优化算法 基于当前系统状态 稳定队列的漂移加罚函数
-
卸载决策问题:
- 全面考虑 无线通信链路 动态
- 设备间的异构性 和动态可用性
-
任务分配问题:
- 集中式 BS集中控制
- 适用于小型网络
- 难以适应网络动态 需要频繁收集数据并进行后续集中处理
- 分布式
- 大型网络
- 需要考虑网络动态
- 需要将决策的某些范围委托给本地节点的混合决策方法
- 集中式 BS集中控制
-
检查任务接纳策略与任务分流计划之间的相互作用以及继续执行任务的有效方法
-
新信道访问技术
-
激励机制 考虑安全风险
-
实验 考虑实际情况
IV. 终端设备带缓存的增强型MEC
A. 概述
- 移动视频流和社交网络 占很大的流量比例 数据密集型的持续增长 淹没MEC缓存资源
- 利用无线终端设备中的存储 补充MEC基础架构
- UE对数据密集型视频流,网页和相关社交网络应用程序的请求
- MEC缓存服务器
- 本地UE缓存
- 其他附近的UE缓存共同满足
- D2D通信来开发UE之间的社交关系及其共同利益可以成为在具有丰富社交关系的UE缓存中预缓存流行内容项的关键推动力
- 内容放置 致力于设计用于将内容项文件最佳地**存储(放置)**在BS和UE的缓存中的方法。
- 内容交付 集中于将请求的文件传输到终端设备
B. 最大化吞吐量
-
内容放置
- 一种放置 由带有中央控制器的BS进行最佳控制 BS知道每个UE位置
- 还有一种 缓存随机 当UE要求视频文件时 将请求发送到附近的UE 如果内容在群集中可用,则将在两个UE之间建立D2D通信链接。
- 183 集群大小是关键 UE发射功率决定
- 184 具有移动意识的内容放置
- 185 基于随机几何的协作缓存放置 专门用于视频文件
- 动机 一些非常流行的视频文件 通常占主导地位
- 社会信任方案
- 186 用户节点和中继节点的缓存 中继全双工 用户、基站半双工
- 用户先从周边的UE 和中继节点中找内容
- 没有的话 通过中继节点到BS
- 187 编码角度 移动性
-
内容分发
-
188 多视图视频中的异步问题 UE的社会特性
-
189 ICWN(Information-centric wireless networkong) MDP
-
几个由缓存功能、通过核心网络的MEC
-
UE广播确定内容是否在附近的UE中
-
蜂窝通信 UE 经BS与 另一UE
-
D2D通信 直接通过流量 占用下行链路资源 共享相同资源块
-
考虑到干扰
-
-
C. 能量最小化
- 致力于最小化UE传输功率
- 主要集中在任务分发上
- 社交网络是内容缓存的关键
- 190 共享下行链路 与189类似
- 191 能耗最小并维护电池寿命的连续性
- 以用户为中心的缓存和传输方法
- 协作距离 内的UE充当帮助者
- 辅助节点的发送速率可变
- 192 移动性和异步需求分布式内容交付方法
- 146 多播缓存
- 当UE有请求时,它们首先将请求发送到关联的DCH。
- 如果在关联的DCH中找不到内容,则关联的DCH尝试使用D2D通信从最近的DCH(具有内容)中获取内容
- 然后将内容通过D2D多播发送到发出请求的UE
- 如果没有在任何DCH中缓存内容,则BS将内容多播到UE
D. 联合优化吞吐和能量消耗
E. 最小化时延
- 缓存节点之间相互合作 改善延迟和缓存命中
- 194 文件流行度遵循静态Zipf分布
- BS间 设备间 跨层合作
- 服务网关集中控制 有限缓存容量BS和UE组成
- 无干扰
- 195 文件受欢迎程度的变化 内容替换
F. 最大化利用率
- 内容放置
- 196 基于统计信道状态信息 激励价格 Stackelberg 博弈论
- 197
- 主动节点从BS下载文件并与相邻UE共享文件
- 静默节点直接从附近的活动节点缓存文件
- 缓存成本问题包括数据成本和共享成本,其中数据成本包括从BS下载文件的成本以及与BS连接的基本成本。
- 198 侧重于移动感知缓存
- 奖励信用 或 货币
- 用户移动性 随机游走
- 梯度投影法
- 内容交付
- 199 缓存策略和激励方案的联合设计
- 包括 缓存和协定设计
- 上下文信息包括:每个内容项的UE期望 共享其内容的UE兴趣程度 UE间的传输延迟
- 不同的UE 意愿不同 剩余电池 共享内容愿望
- BS效用函数:BS保存的内容传输量 和 支付的报酬 差值
- 梯度投影
- 199 缓存策略和激励方案的联合设计
- 联合内容放置和交付
- 任务缓存
- 202 由复杂的计算任务产生的数据集的缓存
G. 其他评估
H. 总结
- 现有的设备增强型MEC缓存方法
- 优先确定通过D2D通讯链接在其他终端设备上进行内容放置交付
- 然后在MEC服务器上进行布局和交付
- 然后再从中心云进行交付
- 主要目标:
- 最小化能耗
- 最大化吞吐量
- 成本降低
- 需要权衡前面的几种
- 方法
- 博弈论
- 随机几何 具有随机拓扑结构的网络中 缓存技术
- 启发式
- 机器学习
- 现在大多 均质泊松点过程(Homogeneous Possion Point Process) 针对广泛的网络场景和环境验证空间分布模型
- 缓存放置和缓存交付 协同完成
- 缓存策略
- 集中式 BS处实现 统计 UE的位置,偏好和请求以及内容的流行度和信道状态
- 问题
- UE间信道干扰
- UE缓存容量
- UE间社交联系
- UE移动性
- 有效的激励措施 和保护用户和内容项的隐私之前权衡
- 多BS场景 BS协作
- 实验
V. 开放的问题和未来
A. 控制和管理
- 设备增强的MEC管理框架
- 框架能以实时的方式 交换终端设备的计算或者有缓存功能的信息 才能做出决策
- 每个用户都是自私的 要设置独立的解决方案 不能自动或大规模运行
- 可能的途径:SDN 控制和管理
- 重要方面:时延 信号延迟 需要结合快速局部决策 和 全部协调
- 需要考虑到异构性 UE的可发现性 通信范围
- 干扰管理
- 多个UE将任务转移 会使用相同的时隙、频率信道 产生干扰
- 异构网络中的干扰
- 可能的途径:模式决策与卸载和缓存决策结合起来,根据干扰水平进行调整
- 移动性管理
- UE移动会导致 中断D2D链接 增加等待时间 浪费电池能量
- 移动性 可从社会图得出的信息
- 更新和预测计算资源的可用性 和可靠性是关键
- 动态场景下的缓存,内容副本应存在多个BS中 保持可接受的缓存性能 容量限制困难
- 主动缓存 内容流行度 Zipf模型 但是移动 无法定义流行度配置文件
- 根据移动性水平 如何让确定最佳副本数 如何确定流行度
- 下载视频文件 可拆成多个 D2D链接下载
B. 性能提高和扩展性
-
协作计算的卸载和缓存
- 增强现实等应用程序 受益于缓存的大型数据文件 还要需要大量的计算资源
- 没有通过终端设备资源进行增强
- 开发和评估设备增强的MEC方法,以协同解决缓存和计算卸载问题
-
社交特性敏感的有效合作
- 利用UE的社交特性通常可以促进D2D网络中的有效数据交换 位置变化
- 需要设计能够根据移动性变化动态调整网络
- 社交网络 发现机制 需要注重安全性
- 保持社交意识 会消耗UE一些能耗 D2D需要低能耗短距离通信 注重节能
-
学习算法
- 机器学习算法 迭代和策略搜索 强化学习可用于通信频道 注重省时
- 实际内容受欢迎程度矩阵 可根据大数据分析得出
-
编码
-
在高度异构的设备增强型MEC中探索
-
传输 通信技术 重传等
-
特定应用 如视频流调度中的编码
-
编码分布式 复制计算 由于有些计算分流不可靠
-
通常 少数大型任务卸载到MEC服务器 大量小型任务卸载到其他终端
-
涉及大型的相对可靠的MEC缓存服务器 和 众多的潜在不可靠的终端设备
-
C. 安全和隐私
- UE的个人信息 数据安全性和隐私性被侵犯
- UE可能会失去参与合作的兴趣
- 基于社交关系 兴趣、位置划分组 取决于安全级别 但是会不愿与陌生人进行协作 导致潜在损失
- 内容缓存的安全性 内容缓存的合理需求和额外开销的权衡
D. 性能评估和测试
- 评估框架和基准工作量
- 定量的比较各种方法
- 真实模拟
VI. 总结
-
设备增强型MEC ,通过无线终端设备的计算和存储资源来扩展MEC计算和存储(缓存)资源
-
扩大了可用的资源池 无需增加MEC基础设施投资
-
需要对参与的终端设备的所有者 进行激励 如付款
-
在密集网络中 相邻的终端设备 贡献计算和存储资源的可能性增加
-
计算分流 和 缓存 两个大类别
-
目标: 吞吐 等待时机 能耗 安全 实用
-
问题:移动性、激励机制、控制管理框架