今天读了一篇MEC的综述：A Survey on Mobile Edge Computing: The Communication Perspective. 文章主要包括5个部分。

Introduction

主要介绍了MEC的提出，以及与MCC(Mobile Cloud Computing)的对比。与MCC相比，MEC主要有更低的延迟、为移动设备节省能源、支持上下文感知计算、增强移动应用的隐私性和安全性等优点。

MEC Computation and Communication Models

主要介绍了MEC的一些基础的模型，包括计算任务、通信、移动设备，边缘服务器，在此基础上提出了移动边缘计算的时延和能耗模型。本节介绍典型MEC系统中关键计算/通信的系统模型。该模型提供了一种将复杂的功能和操作抽象为最优化问题的机制。

MEC的系统架构如下图所示。其中主要的组成部分包括移动设备（又称终端用户，客户端，服务订阅者）和MEC服务器。MEC服务器通常是由云和电信运营商部署的小型数据中心，靠近终端用户，可以与无线APs协同定位。通过网关，服务器可以通过互联网连接到数据中心。移动设备和服务器被空中接口隔开，空中接口可以使用先进的无线通信和网络技术建立可靠的无线连接。

Fig 1. MEC系统架构

A.计算任务模型

    在计算任务建模中有许多关键的参数，如延迟，带宽，利用率，上下文感知，通用性和可扩展性。本节主要介绍普遍在MCC 和MEC的文献中使用的两个计算任务模型，分别为二分计算卸载和部分计算卸载。

1）Task Model for Binary Offloading

一个高度集成或相对简单的任务不能够被分割，只能被作为一个整体，在本地执行或卸载至逼边缘服务器执行。这种任务可以用三元式表示。

其中表示任务数据量/bit；表示人任务的deadline/s；表示任务的计算强度/CPU周期数每bit。参数的使用不仅满足了移动应用程序的基本属性，如计算和通信需求，还可以简化对执行延迟和能耗性能的评估。

2）Task Model for Partial Offloading

在现实中，大多数移动应用由许多过程组成，这使实现细粒度(部分)计算卸载成为可能。具体来说，一个程序可以被分割成两部分，一部分在移动设备上执行，另一部分卸载至边缘服务器执行。

最简单的部分任务是数据拆分模型，其中任务的数据量是独立的并且可以被分成许多组，可以在MEC系统中的不同实体中执行。

然而，在许多应用程序中，不同程序/组件之间的依赖关系是不可忽视的，因为它严重影响了执行过程和计算卸载，原因如下：

1.首先，函数或例程的执行顺序不能随意选择，因为某些组件的输出是其他组件的输入。

2.其次，由于软件或硬件的限制，有些函数或例程可以卸载到服务器进行远程执行，而有些函数或例程只能在本地执行，如图像显示函数。

这需要比前面提到的数据拆分模型更复杂的任务模型，该模型可以满足应用程序中不同计算函数和例程之间的相互依赖关系。其中一种模型为任务调用图。这种图是一个典型的有向无环图（DAG）。记作，其中顶点集V表示应用中不同的过程，边集E表示它们之间的依赖关关系。有三种典型的子任务依赖模型，分别为顺序、平行、一般依赖，如图2所示。对于移动启动的应用程序，它的第一步和最后一步（如收集I/O数据和在屏幕上现实计算结果）一般要求在本地执行。因此，图2a-2c中的点1和点N需要在本地执行。此外，每个过程所需的计算工作量和资源，如所需的CPU周期数和所需的内存量，可以在任务调用图的顶点中指定；每个过程的输入和输出数据可以通过对边施加权重来表示。

Fig 2. Typical topologies of the task-call graphs

B.通信模型

    在MCC的相关文献中，移动设备和云服务器之间的通信信道通常被抽象为具有恒定速率或具有给定分布的随机速率的bit pipes.这种简陋的模型具有可追溯性，对于MCC系统的设计或许是合理的，因为MCC系统的重点是解决核心网络中的延迟和大规模云的管理，而不是无线通信延迟。这与MEC系统的应用场景截然不同。对于小规模的边缘云和延迟敏感型的应用，通过设计高效的空中接口来减少通信延迟是主要的设计重点。因此，上文提到的bit-pipe模型是不充分的，它们忽略了无线传播的一些基础性能并且过于简化允许先进的通信技术的实现。具体来说，无线信道与有线信道在以下几个关键方面有所不同:

1)无线传输的广播性质导致一个信号被其他占用相同频谱的信号干扰,从而降低接受SINRs,导致了检测出错误事件的发生。为了处理这种性能劣势，干扰管理已成为无线通信系统设计中最重要的问题之一，并引起了广泛的研究。

2)频谱短缺一直是高速无线接入的主要敌人，这促使了开发新频谱资源的广泛研究，设计新型的收发器架构以及网络范式，来提高频谱的效；发展频谱共享和聚合技术可以促进有效利用破碎和未充分利用的频谱资源。

无线信道在时间上的随机变化，频率和空间对于设计高效的MEC系统来无缝地集成计算卸载控制和无线电资源管理非常重要。例如，当无线信道处于深度衰减状态时，远程执行减少的执行延迟或许不足以弥补由于传输数据率急剧下降而增加的传输延迟。在这种情况之下，最好推迟卸载，直到信道增益良好，或者切换到具有更好卸载质量的替代频率/空间信道。此外，增加传输功率可以提高数据速率，但也会导致更大的传输能耗。基于以上考虑，需要卸载和无线传输的联合设计，基于准确的信道状态信息(CSI)，适应时变信道。

在MEC系统中，通信通常指APs(接入点)和移动设备之间的直接D2D通信。MEC服务器是由云计算/电信运营商部署的小型数据中心，可与无线APs(如公共WiFi路由器和BSs)位于同一位置，以减少资本支出(CAPEX)(如网站租金)。如图1所示,无线Aps不仅为MEC服务器提供无线接口,而且还使通过回程链接访问远程数据中心,帮助MEC服务器进一步卸载一些计算任务至其他MEC服务器或大规模云数据中心。对与那些由于无线接口不足而无法与MEC服务器直接通信的移动设备，与邻近设备的D2D通信提供了将计算任务转发到MEC服务器的机会。此外，D2D通信还能在移动设备集群内实现资源共享和计算负载平衡方面的对等合作。

目前，移动通信领域存在着不同类型的商业化技术，包括near-filed communications (NFC), Bluetooth,WiFi以及蜂窝技术，例如LTE。此外，由LTE的发展与新的无线接入技术相结合实现的5G网络架构，目前正在标准化，并将于2020年投入商业使用。这些技术可以支持从移动设备到Aps或针对不同数据速率和传输范围的点对点移动合作的无线卸载。下表列出了几种典型的无线通信技术的特点。

Table 1. 无线通信技术特点对比

对于NFC，其覆盖范围和数据传输率都非常低，因此NFC适用于对信息交换要求极低的应用，如电子支付和物理访问认证。RFID与NFC相似，但它只允许单向通信。蓝牙是一种更强大的技术，可以在MEC系统中实现短程D2D通信。对与移动设备和边缘服务器之间的远距离通信，Wifi和LTE(或未来的5G技术)是两种主要的技术，能够接入MEC系统并且可根据链路可靠性进行自适应切换。对于MEC中无线技术的部署，通信和网络协议需要重新设计，以集成计算和通讯基础设施，有效地提高比数据传输更复杂的计算效率。

C.移动设备的计算模型

本节主要介绍移动的设备的计算模型，讨论评估计算性能的方法。

      移动设备的CPU是进行本地计算的主要引擎。CPU的性能由CPU的周期频率(又称CPU的时钟频率)控制。先进的移动处理器架构采用先进的动态频率和电压缩放(DVFS)技术，允许CPU周期频率(或电压)的上升(下降)，从而使能源消耗分别增长(降低)。在实际中，的值有上界,其反应了移动设备计算能力的上限。在A节中提出的计算任务模型中，任务的执行延迟被计算为：

    较高的CPU时钟频率可以减少执行延迟，但代价是产生较高的CPU能量消耗。

      由于移动设备的能源为受限的，本地计算的能耗是提高移动计算效率的另一个关键指标。根据电路理论，CPU的功耗可以分为动态功耗、短路功耗、漏电功耗等几个因素，其中动态功耗占主导地位。特别的是，文献中提出动态功耗的值与成比例，其中为电路的供给电压。进一步研究得到，当工作在低电压限制时，CPU芯片的时钟频率与电压近似呈线性比例关系。因此，一个CPU周期的能耗记作,其中为与硬件架构有关的常数。对CPU时钟频率为的任务,其能量消耗记作：

    从(1)(2)中可以看出，移动设备可能不能在规定的ddl内完成一个计算密集型的任务，或由于移动设备执行所产生的能量消耗过高，导致板载电池将很快耗尽。在这种情况下，考虑将任务执行过程卸载到MEC服务器。

      除了CPU，移动设备中其他的硬件组成部件如RAM,闪存也会造成计算延迟和能源消耗，对其详细的讨论超过了本文的研究范围。

D.MEC Servers的计算模型

    本节讨论边缘服务器的计算模型。与MEC的通信或本地计算延迟相比，边缘服务器的计算延迟可以忽略不计。因为在MEC系统中，服务器的计算负载远低于其计算能力，与服务器的远距离导致通信时间较长。

    另一方面，由于边缘服务器的计算资源相对有限，因此在MEC系统的总体设计中，服务器执行时间是不可忽略的。

1)延迟

    本文考虑了两种可能的服务器计算延迟模型，分别对应于确定性和随机服务器计算延迟。

确定性模型：考虑对延迟敏感型应用程序的精确服务器计算延迟，该模型使用VMs和DVFS等技术实现。具体来说，假设边缘服务器为不同的移动设备分配不同的虚拟机，从而允许独立计算。为移动设备分配的边缘服务器的CPU周期频率。

服务器的执行时间，其中为处理已卸载计算负载的CPU周期数。该模型广泛应用于计算资源分配策略的设计。

随机性模型：假设MEC服务器对已卸载的计算工作负载执行负载平衡，即MEC服务器上的CPU周期按比例分配给每个移动设备，以便它们经历相同的执行延迟。此外，除了CPU处理时间之外，计算能力相对较小的MEC服务器的服务器排队时间延迟也应考虑在内，在MEC服务器上，通过虚拟化技术并行计算是不可行的，需要按顺序处理计算工作负载。不失一般性，假设k为移动设备的处理顺序，第k个处理的设备为设备k。因此，包括设备k的排队时延在内的总服务器计算时延记为

(3)

在延迟容忍性的应用中，平均服务器计算时间可以基于随机模型推导出来。例如，任务到达和服务时间分别用泊松分布和指数分布建模。平均服务器计算时间可以用排队论推导出来。最后，对于上述模型，多个虚拟机共享同一个物理设备会引入不同虚拟机的I/O干扰。这导致每个虚拟机的计算延迟更长，记作。

,其中为性能劣化参数，也是延迟的百分比。

1)能耗

边缘服务器的能源消耗是由CPU、存储器、内存和网络接口的使用情况共同决定的，CPU起主导作用。目前有两种可控模型。

基于DVFS（dynamic frequency and voltage scaling）的模型:考虑一个处理K个计算任务的边缘服务器，第k个任务被分配个CPU周期，CPU的周期频率为.CPU的边缘服务器的总能耗记作.

另一个模型:服务器能耗与CPU利用率成线性关系，CPU利用率取决于计算负载。此外，即使对于一个空闲服务器，在CPU全速的情况下，它仍然消耗高达70%的能源消耗。因此边缘服务器的能耗：

其中是一个充分利用的服务器的能耗，是空闲能耗的比例，表示CPU利用率。该模型表明，在低负载情况下，节能MEC应该允许服务器切换到休眠模式，并将计算负载合并到更少的活动服务器中。

Summary and Insights

一些见解：

1）设计一个高效的MEC系统，需要充分利用和整合无线通信和移动计算两个领域的先进技术。

2）对于不同的MEC应用，应该选择不同的计算任务模型。e.g.软ddl任务模型可以应用于社交网络应用，但不能用于对延迟要求很高的应用，如AR。另外，对一个特定的应用，任务模型需要依赖卸载场景而定。

3）无线信道的状况会显著影响计算卸载的能耗。由于边缘服务器与终端靠近，所以MEC有降低传输能耗的潜力。还有一些先进的无线通信技术，干扰消除、自适应功率控制，也可以进一步降低卸载能耗。

4）动态CPU周期频率控制是控制移动设备和边缘服务器计算延迟和能耗的关键技术。具体的说，增加CPU周期频率会减少计算时间，但是会增加计算能耗。所以需要两者折中，达到最优。

5）如果边缘服务器的计算能力较小或计算负载过大的话，计算调度延迟就不能忽视。可以通过设计负载均衡和智能调度策略来减小总的计算延迟。

Fig 3. Summary of MEC models

Resource management in MEC systems

无线电与计算资源的联合管理对于实现高能效、低延迟的MEC具有关键作用。边缘服务器和无线APs(如BSs和WiFi路由器)位于同一位置的网络架构促进了相关技术的实现。

Fig 4.Classification of resource management techniques for MEC.

A. 单用户MEC系统

1）确定任务卸载模型（二分卸载）

在这个单用户MEC系统中，二分卸载即考虑任务是卸载至边缘服务器执行还是留在本地计算。云计算系统中，通信链路通常假定具有固定速率B。假设为任务的计算量（单位CPU周期数），为移动设备的CPU速度，为任务数据量，为云服务器的CPU速度。当且仅当满足下式时，将任务卸载至云端可以在提高延迟性能

这适用于需要计算量大和数据量小的应用程序，或云服务器计算速度快，传输速率足够高。此外，假设为移动设备上的CPU功耗，为传输功率，为当任务i在服务器上运行时设备上的电量消耗。当且仅当满足下式时，卸载任务可以节省移动设备的能耗。

这适用于卸载计算量大，通信延迟小的任务。

然而，无线通信的数据速率不是恒定的，并随着信道增益和传输功率而变化。这就需要设计功率适应和数据调度的控制策略，以简化卸载过程。此外，由于CPU功耗随CPU周期频率呈超线性增长，使用DVFS技术可以使移动执行的计算能量消耗最小化。

2）确定任务卸载模型（数据拆分）

一个相对复杂的移动应用程序的运行可以分解为一组更小的子任务。受到并行计算最近进展的启发，拆分卸载(程序拆分)框架被认为可以进一步的优化MEC的性能。

在文献[95]中，在程序划分中考虑了全粒度，任务输入数据可以被任意地划分为本地执行和远程执行。在保证移动能耗的前提下，通过对卸载比、传输功率和cpu周期频率的联合优化，使移动能耗(或时延)最小化。与二进制卸载问题相比，能量最小化问题和延迟最小化问题都是非凸的。文献[59]将应用程序任务调用图建模，任务调用图指定了不同子任务之间的依赖关系。代码划分方案旨在动态生成用于卸载的最优任务集。利用移动设备和服务器之间负载均衡的概念，提出了一种启发式程序拆分算法，以最小化执行延迟。Kao等人[96]研究了给定资源利用约束条件限制下的延迟最小化问题，并在保证性能的前提下，提出了一个多项式时间下的近似解。为了最大限度地节省计算卸载所带来的能量，在文献[60]中采用整数规划的方法联合优化调度和云卸载决策。

3)随机任务模型

       资源管理策略也被用于具有随机任务模型的MEC系统，该随机任务模型的特点是随机任务到达，其中已到达但尚未执行的任务加入任务缓冲区中的队列。

部分卸载允许灵活的组件/数据拆分。通过将耗时或耗能的子任务卸载到MEC服务器上，与二进制卸载相比，部分卸载可以实现更大的能量节约和更小的计算延迟。图论是根据任务依赖图设计下载调度的有力工具。

Fig 5. 单用户MEC系统的文献研究对比

B. 多用户MEC系统

本节考虑多个移动设备共享一个边缘服务器的MEC系统。

1)多用户联合无线电和计算资源分配

与中心云相比，边缘服务器具有的计算资源较少。因此，设计多用户MEC系统的一个关键的因素是如何为多个移动用户分配有限的无线电和计算资源来实现系统级的目标（如最小化移动设备的总能耗）。本文针对不同的MEC系统研究了集中和分散的资源分配方案。

对于集中资源分配，MEC服务器获取所有的移动信息，包括CSI和计算请求，进行资源分配决策，并将决策信息通知移动设备。在文献[82]中，移动用户分时共享一个独立的边缘服务器，并且具有不同的计算工作量和本地计算能力。提出了以移动能耗总和最小为目标的凸优化问题。通过移动用户的信道状态和本地计算能耗来设计卸载的优先级。