移动边缘计算的计算卸载技术分析研究

万里勇 南昌工学院人工智能学院 南昌市 330108；江西师范大学软件学院 南昌市 330046

0 引言

近年来，随着移动通信技术发展和智能终端设备的普及，各种围绕移动互联网相关应用服务不断出现，用户对移动移动网络服务质量、请求时延和能耗需要也不断提升。然而，由于智能移动终端设备本身在计算资源、存储资源和电池容量等方面受限因素，智能移动终端设备自身在处理计算密集型和时间敏感型的任务时，可能面临能力不足的局面[1]。为此，通过利用移动网络边缘节点分析和处理数据的移动边缘计算（Mobile Edge Computing, MEC）模式应运而生。

移动计算卸载技术作为移动边缘计算的关键技术之一，在降低时延、节省能耗和提高终端用户体验质量等方面，起着至关重要作用。利用计算卸载技术将计算任务卸载到近处的边缘服务器上来进行计算处理，可以解决移动终端自身资源受限的问题[2]。计算卸载技术的研究，已成为边缘计算问题的主要研究方向。

1 计算卸载概念和特征

1.1 计算卸载定义

计算卸载（一般也叫计算迁移）[3]是指将移动终端的计算任务按照一定卸载策略合理分配到资源充足的远程设备处理的过程。

譬如，当智能移动终端设备对处理密集型的数据任务，如人脸识别、视频优化等需要进行复杂性的计算时，设备本身由于资源有限无法处理，这个时候可以借助于移动互联网技术和移动互联网络，将这部分任务下载到远程的服务器上，交由服务器来处理，待数据处理完后，又将计算结果回传给智能终端设备。

1.2 计算卸载特征

计算卸载主要特征，表现为交互性和置换型。

（1）交互性。智能终端设备在处理计算卸载在过程，需要与边缘计算服务器进行相互交互，主要包括计算和存储等。

（2）置换型。智能终端设备在计算卸载过程，需要消耗一部分通信资源，将计算任务借助于移动网络传输到边缘服务器上，借助于边缘服务器的强大硬件资源，完成相关任务的计算工作。

2 计算卸载的步骤和分类

2.1 计算卸载的步骤

在移动通信网络中，计算卸载主要包括代理发现、任务分割、卸载决策、任务提交、任务执行和结果反馈等[4]。

（1）代理发现。智能移动终端要把计算任务卸载到云端服务器上，需要从设备所在移动网络中找到可用的代理资源。

（2）任务分割。任务分割功能就是按照某种算法或策略，将需要卸载的任务进行划分。

（3）卸载决策。卸载决策是计算卸载核心环节。它主要解决两个问题：计算任务是否要卸载和计算任务卸载何处等。

（4）任务提交。当智能移动终端设备完成卸载决策后，就需要把计算任务提交到相应服务器。

（5）任务执行。云端服务器在接收到计算任务后，就会启动相应的虚拟机，来处理计算任务。

（6）结果反馈。云端服务器在完成数据计算处理后，需要将计算结果回传给终端设备。

2.2 计算卸载系统分类

通常情况下，MEC卸载执行方式，分为本地执行计算、卸载到MEC服务器和卸载在云计算中心服务器。现有的计算卸载系统按照计算任务划分粒度的不同，计算机卸载方式分为：粗粒度计算卸载（又称完全卸载）和细粒度计算卸载（又称部分卸载）。计算卸载方式，如图1所示。

图1 移动边缘计算的两种卸载方式

3 计算卸载的关键技术

3.1 计算卸载决策

3.1.1 卸载决策因素

在MCE计算卸载决策中，影响计算卸载的相关因素有很多。然而，在诸多影响因素中，最主要需要考虑的因素是时延（t）和功率（p）。

（1）时延（t）

终端设备本地执行计算时延：

计算任务卸载到服务器执行所需时间：

（2）能耗（t）

终端设备本地执行计算能耗：

计算任务上传能耗：

3.1.2 卸载策略类型

从当前主要研究成果来看，卸载决策类型，主要包括：最小化执行时延的卸载策略、最小化能量损耗的卸载策略和基于时延和能耗权衡的卸载策略[6]。

（1）最小化执行时延的卸载策略。基于最小化执行时延的卸载策略，如图2所示。

图2 基于最小化执行时延的卸载策略

（2）最小化能量损耗的卸载策略。基于最小化能量损耗的卸载策略，如图3所示。

图3 基于最小化能量损耗的卸载策略

（3）基于时延和能耗权衡的卸载策略。由于在不同场景下，对于时延和能耗的要求不一样，因此，在时延和能耗的选择方面需要权衡考虑。比如对于处理实时在线游戏的应用任务中，对于时延的要求则相对较高；而当用户终端的电量处于极低情况下，此时对于能耗的考虑方面，则要求相对较高。因此，基于时延和能耗权衡的卸载策略通常可以通过设置时延和能耗的权重系数来考虑。例如：传输代价（）。其中，和分别表示时延和能耗的权重系数。

3.2 计算资源分配

一旦计算卸载完成后，下一步就需要考虑对计算资源的分配的问题。目前，计算资源分配通常可分为单节点和多节点的计算资源分配。

3.2.1单节点的计算资源分配

单节点的计算资源分配通常有两种方案，分别为基于云计算辅助的单节点计算资源分配方案和基于基站间迁移的单节点计算资源分配。

基于云计算辅助的单节点计算机资源分配方案，如图4所示。

图4 基于云计算辅助的单节点的计算资源分配

当用户将计算任务通过基站提交给M E C服务器后，MEC服务器的调度器会检查MEC的计算资源是否充足，如果资源充足，则计算任务将提交给MEC服务器；否则，将卸载到MCC服务器上进行处理。

基于基站间迁移的单节点计算机资源分配方案，如图5所示。

图5 基于基站间迁移的单节点计算资源分配

UE1将任务卸载到eNB1基站MEC服务器，而UE2将计算任务卸载eNB2基站或eNB3基站的MEC服务器，但由于UE2卸载到eNB3基站的MEC服务器的执行时延小，所以优先选择卸载到eNB3基站的MEC服务器计算。

3.2.2 多节点的计算资源分配

在多节点的计算资源分配中，通常采用基于簇内基站间迁移的计算分配方案，如图6所示。

图6 基于簇内基站间迁移的多节点计算资源分配

UE1和UE2都将计算任务卸载到SCeNB1基站1的MEC服务器，这时导致SCeNB1基站1的MEC服务器计算资源占满，附近的UE3将任务进行分割成两部分，一部分提交SCeNB2基站2的MEC服务器；另一部分提交SCeNB3基站3的M E C服务器；U E4和U E5都将任务卸载到SCeNB2基站2的MEC服务器，UE6将任务卸载到SCeNB3基站3的MEC服务器进行任务处理。

3.3 移动性管理

3.3.1 基于功率控制的移动性管理

目前，针对计算卸载的移动性管理问题，通常有基于功率控制的移动管理和基于虚拟机迁移的移动性管理等两种方案。

基于功率控制的移动性管理，如图7所示。

图7 基于功率控制的移动管理

这种移动性管理方案，主要通过调节基站功率来进行移动管理，从而有效保证服务连续性。

3.3.2 基于虚拟机迁移的移动性管理

基于虚拟机迁移的移动性管理方案，如图8所示。在虚拟机迁移管理过程中，主要考虑两个指标：一是迁移开销，另一个是迁移增益开销。如果，，本次虚拟机迁移不执行操作；反之，执行本次虚拟机的迁移操作，并选择相应基站。如图8中，如果基站1计算进程需要进行虚拟机迁移基站2或基站3时，首先考虑迁移开销和迁移增益，但由于，故不选择迁移；当计算进程搜索到基站n时，由于，所以选择基站n进行卸载。

图8 虚拟迁移的判决方案

4 结束语

本文对移动边缘计算的计算卸载技术进行了分析和阐述。首先，从边缘计算的概念、特征、卸载步骤和卸载系统分类进行了详细的介绍；然后，重点就当前计算卸载中关键技术的3个研究问题进行阐述和说明。目前，移动边缘计算还处在初级阶段，在落地之前还存在很多需要解决的问题，计算卸载技术就是重点关注的问题之一。