移动边缘计算服务综述

移动边缘计算综述：聚焦服务采纳与提供

1. 引言

近年来，随着云计算（CC）、大数据、移动网络、软件定义网络（SDN）的不断发展以及智能移动终端的升级 [1–11]，移动用户（MUs）数量迅速激增。根据思科的最新预测，2020年全球移动数据流量（MDT）将是2015年的8倍，移动用户数量将达到26.3亿 [12]。然而，与PC等传统设备相比，移动用户在计算能力、存储容量尤其是电池容量方面存在一定的局限性，这极大地限制了服务的进一步推广。移动云计算（MCC）的出现为缓解这些限制提供了良好的契机。MCC为移动用户带来了新型的服务和设施，使其能够充分利用云计算（CC）[13]。

然而，云通常距离移动用户较远，导致移动用户与云之间的数据传输产生较高的网络延迟。为了解决网络延迟问题，提出了一种名为移动边缘计算（MEC）的新范式。移动边缘计算（MEC）可以被视为移动云计算的一个特定案例。

最近已发表了一些关于移动边缘计算的综述[14–17]。文献[14]中提出了一篇聚焦于总体概述的移动边缘计算综述。文献[15]从通信角度提供了移动边缘计算研究的全面综述。王等人在[16]中提出了关于移动边缘计算中服务迁移的全面综述。该综述研究了两个与服务迁移类似的概念，即数据中心的虚拟机实时迁移和蜂窝网络中的切换。王等人[17]对当前移动边缘计算的研究工作进行了详尽的回顾。他们首先给出了一个概述

2. 移动边缘计算概述

2.1. 移动边缘计算的定义、架构和MEC服务

2.1.1. 定义

移动边缘计算（MEC）是一种新型网络范式，可在移动用户（MU）的移动接入网络内提供信息技术服务和云计算（CC）能力，并已成为一项技术。欧洲电信标准协会（ETSI）在2014[18]中提出了MEC的标准化，并指出MEC提供了一个新的生态系统和价值链，能够利用MEC将移动用户的密集型计算任务迁移至附近的边缘服务器（ES）([19, 20])。由于MEC位于无线接入网络（RAN）内部且靠近移动用户，因此能够以更低的延迟实现更高的带宽，从而提升服务质量（QoS）和体验质量（QoE）。

MEC也是5G发展的一项关键技术[21]，有助于满足5G在延迟、可编程性和可扩展性方面的高标准要求。通过在网络边缘部署服务和缓存，MEC不仅可以减少网络拥塞，还能高效响应用户请求。与MEC最相似的概念是边缘计算（EC）。EC指的是在网络边缘执行计算的一种新型计算模式。EC中的边缘数据代表云服务，上行数据代表互联服务。EC的边缘是指从数据源到云计算中心之间的任何计算和网络边缘。MEC强调在云计算中心与边缘设备之间的边缘服务器（ES）上执行对移动用户数据的计算任务，而移动用户本身基本不具备计算能力。相反，在EC模型中的移动用户具有较强的计算能力。因此，MEC可被视为EC模型的一部分[22]。在[23]中，Mach 等人首次描述了 MEC的主要用例和参考场景。并且他们回顾了现有集成概念将MEC功能引入移动网络，并讨论了MEC标准化的进展。他们主要回顾了MEC中以用户为导向的案例，即计算卸载。更具体地说，计算卸载的研究被细分为三个子问题：决策、资源分配和移动性管理。梁 [24] 的研究主要聚焦于5G系统及以后的移动边缘计算。

本文主要关注移动边缘计算，并从MEC服务的角度进行全面综述。更具体地说，我们主要回顾了移动用户的服务采用以及边缘服务器的服务提供。本文中的移动用户可以是手机、平板电脑和其他智能设备。事实上，移动用户是否具备计算能力并不十分重要，移动用户的主要问题在于向边缘服务器卸载任务。同时，边缘服务器的部署和资源分配也非常重要。

2.1.2. 架构

如图 1[25]所示，我们认为MEC架构可以看作是移动用户与云之间的中间层，它更靠近移动用户，为其提供服务，并能与云直接通信。此外，它也可以被视为由移动用户和边缘服务器组成的独立两层架构。移动用户通常指手机、平板电脑、笔记本电脑等。而边缘服务器一般指基站结合服务器或云簇的组合。移动用户将计算任务卸载到边缘服务器，这不仅使移动用户能够高效执行应用场景，还因避免访问公共云而降低了延迟。

2.1.3. 服务

为了更好地理解移动边缘计算，[26]中的作者首先讨论了潜在的服务场景，并确定了支持MEC的网络的设计挑战。MEC服务主要包括多个方面，如服务提供和服务部署。更具体地说，由于移动用户和边缘服务器是移动边缘计算的核心部分，因此我们主要关注面向移动用户的服务采纳和面向边缘服务器的服务提供。对于移动用户而言，如何获得所需的服务（即任务卸载）以满足应用需求更为关键；对于边缘服务器而言，如何有效管理资源（即边缘服务器）至关重要。

2.2. 多种模式的比较

2.2.1. 概念比较综述

边缘计算实现的比较：雾计算、云簇和移动边缘计算在[27]中展示。在[28]中研究了在延迟和可靠性约束下雾环境中分布与主动缓存计算任务的基本问题。我们在第2.2.2节中描述了我们的比较。

2.2.2. 相似术语

在本节中，介绍了移动云计算（MCC）、雾计算（FC）和云簇等相似术语，并进行了比较。

(1) 移动云计算（MCC）

MCC的定义如[29, 30]所示。其主要思想如下。移动云计算（MCC）指的是数据存储和数据处理发生在移动用户（MU）外部的基础设施中。

文献[31]调研了三种移动云计算（MCC）架构，包括公共云[32]、云簇[33]和移动自组织云[34]。文献[35]的作者提出，移动云计算（MCC）的未来将是集成化的云簇与移动边缘计算（MEC）。

我们认为，如果移动云计算（MCC）中的任务卸载目标是云，则移动云计算（MCC）与移动边缘计算（MEC）是不同的。但若卸载目的地为云簇，则它们的概念是相同的。

MEC主要由两部分组成，例如MU和云服务器。通常假设云服务器的资源是无限的，并且距离MU较远，而MEC则更靠近MU。MEC可以减少MU的接入延迟并提高移动用户的服务质量。然而，移动边缘计算中的边缘服务器资源类型和计算能力有限。当移动用户请求无法由边缘服务器执行时，需要进一步决定是由移动用户自身在本地执行该请求，还是将请求转发至云。

(2) 雾计算（FC）

尽管云计算被广泛使用，但由于其固有的问题（即延迟不可靠、缺乏移动性支持和位置感知），仍存在一些问题需要解决。雾计算通过为移动用户提供灵活的资源和服务，能够解决上述问题。雾计算由思科在 2012[36]提出，被定义为一个高度虚拟化的计算平台，将原本在云计算中心执行的任务下放到移动用户侧。瓦奎罗在[37]给出了雾计算的全面定义。雾计算[38]通过在云和移动用户之间引入一个中间层，扩展了基于云的网络架构，该中间层本质上是由部署在网络边缘的雾服务器组成的雾层[39]。雾服务器可以显著降低骨干链路的带宽负载和能耗[40]。此外，雾服务器可与云互连，并利用云的强大计算能力和丰富的应用与服务。在[41]，易等人讨论了雾计算的定义及相关类似概念，介绍了代表性应用场景，并指出了设计和实现雾计算系统时可能遇到的各种问题。易等人[42]探讨了当前雾计算及其类似概念的定义，并提出了一个更全面的定义，同时实现并评估了一个原型雾计算平台。文献[22, 43]中的作者认为移动边缘计算与雾计算可以相互替代，移动边缘计算更侧重于终端侧，而后者更侧重于基础设施侧。本文认为，移动边缘计算与雾计算之间并无本质区别，二者都更靠近移动用户，均可视为对云计算的有效补充，也是实现物联网（IoT）的重要基础。

(3) 云簇

云簇最初由作者在[33]中提出，并广泛应用于普适计算[44]。在现有的综述中，一方面，这种计算模式出现较早；另一方面，移动用户由单个云簇提供服务。因此，该模式被认为是一种独立服务模式。与它们不同，我们认为云小站可以通过多云小站协作的方式为移动用户提供服务，这是服务提供的重要途径。此外，[45, 46]中的作者也支持这一观点。[47]中的作者认为云小站只能用于无线接入环境。然而，我们认为移动边缘计算是一个更广泛的概念，能够支持 Wi‐Fi，并且是对5G的有效补充。因此，我们认为云小站在移动边缘计算中作为边缘服务器在服务提供中发挥着重要作用。更具体地说，云小站在无线局域网和无线城域网中发挥着重要作用。更多细节将在第4节中描述。

3. 面向移动用户（MUs）的服务采用

本节中，我们回顾了关于任务卸载的研究。面向移动用户的服务采用相关文献综述见表3，其中总结了每篇论文的关键点。我们首先简要介绍任务卸载中的决策。

在[48]中，张等人提出了一项关于任务迁移决策的综述，涵盖了决策因素和相关算法。他们指出，这一问题应得到更多关注。在[23]中，作者从本地执行、完全卸载和部分卸载的角度回顾了移动边缘计算中的决策卸载问题。在[49]中提出了一项关于移动系统计算卸载的综述。他们描述了任务卸载的两个目的（即提高性能和节省能源），并从这一角度进行了回顾。与上述研究不同，我们主要从卸载分类的角度关注任务卸载问题。更具体地说，我们将关于卸载的研究划分为两个关键分类：计算卸载和数据卸载。

3.1. 卸载分类

我们在第3.1.1节中回顾计算卸载，在第3.1.2节中回顾数据卸载。计算卸载和数据卸载的主要关注点不同。计算卸载是指移动用户将繁重的计算任务发送到边缘服务器并从边缘服务器接收结果[49]，而数据卸载是指使用新型网络技术传输原本计划通过蜂窝网络进行传输的移动数据[50]。

3.1.1. 计算卸载

计算卸载最初是在移动云计算（MCC）中研究的。移动边缘计算（MEC）中的卸载问题模型与MCC相似，但主要区别在于卸载的目标。通常假设计算卸载的实现依赖于具有公共云的网络架构，而MEC的卸载目标是边缘服务器（ES）。此外，卸载的目标基本相同，即最小化总能源消耗或整体任务执行时间，或两者兼顾。进一步地，MEC计算卸载分为单移动用户计算卸载（Single MUCO）和多移动用户计算卸载（Multi‐MUCO）。

(1) 单用户计算卸载

关于单用户计算卸载的研究有很多，其中较具代表性的如下（[51–58]）。我们从基于云点的单用户计算卸载和基于基站的单MUCO的角度回顾文献。

基于云点的单用户计算卸载 。将应用卸载到最合适的云点非常重要。在[51]中，Roy等人提出了一种针对多云点场景的应用感知的云点选择策略。他们假设不同的云点可以处理不同类型的应用。当请求来自移动用户时，首先验证应用类型，然后根据应用类型从靠近移动用户的多个云点中选择最合适的云点。通过使用所提出的策略，可以降低移动用户的能源消耗和应用执行延迟。在[52]中，提出了一种以分布式方式识别用于计算卸载的云点的机制。该机制主要由两个阶段组成：第一阶段识别位于移动用户Wi‐Fi范围内的云点；第二阶段选择理想的卸载云点。Mukherjee等人在[53]中通过引入代理服务器，提出了一种针对多云点场景的功耗和延迟感知的最优云点选择方法。理论分析表明，与卸载到云端相比，该方法分别减少了约29%‐32%的能耗和33%‐36%的延迟消耗。在[54]中提出了一种两阶段优化策略。首先，提出一种基于混合整数线性

提出了一种混合整数线性规划（MILP）方法，通过优化延迟和平均奖励来为移动用户选择云簇。其次，提出了一种基于MILP的资源分配模型，通过优化奖励和平均资源使用率来分配所选云簇中的资源。

在[55]中，作者为移动用户开发了一种动态卸载框架，考虑了移动用户的本地开销以及边缘服务器的有限通信资源和计算资源。他们将卸载决策问题建模为一个多标签分类问题，并提出了一种深度监督学习（DSL）方法以最小化计算和卸载开销。结果表明，与现有的四种方案（包括无卸载方案、随机卸载方案、完全卸载方案和基于多标签线性分类器的卸载方案）相比，系统成本得以降低。

基于基站的单MUCO 。在[56]中提出了一种从单个移动用户向多个边缘服务器卸载的优化框架。作者考虑了移动用户的两种情况，即固定CPU频率和弹性CPU频率。此外，针对这两种情况分别提出了两种不同方法。结果表明，所提算法实现了接近最优性能。在[57]中研究了任务卸载到移动边缘计算中的延迟与可靠性之间的权衡。提供了一个框架，其中移动用户将任务划分为子任务并将其卸载到多个边缘服务器。在此框架中，构建了一个优化问题，以联合最小化延迟和卸载失败概率。与先前的研究相比，结果表明所提算法在延迟和可靠性这两个目标之间实现了良好的平衡。[58]中，作者专注于基于动态电压调节（DVS）技术的部分计算卸载场景下，联合优化通信资源和计算资源。一方面，考虑了由单个边缘服务器服务的移动用户；另一方面，他们在多个边缘服务器场景中研究了能耗最小化问题和应用执行延迟最小化问题，其中移动用户可以将计算卸载到一组边缘服务器。

(2) 多用户计算卸载

与单个移动用户问题相比，多用户计算卸载更为复杂。考虑到资源是有限的且移动用户之间相互制约，多用户计算卸载难以求解。其中较具代表性的研究如下（[59–70]）。我们从基于云点的单用户计算卸载和基于基站的单用户计算卸载两个角度回顾相关文献。

基于云点的多用户计算卸载 。曹等人 [59]提出了在多信道无线竞争环境下移动云计算中云簇的MUCO问题。他们将该MUCO问题建模为一个非合作博弈，并开发了一种完全分布式的计算卸载算法以达到纳什均衡点（NEP）。最后，验证了所提算法的有效性。

基于基站的多用户计算卸载 。在[60]中，作者首次研究了在多信道无线干扰环境下的移动边缘计算中的移动用户计算卸载问题。他们指出，计算集中式最优解是 NP难的，因此采用博弈论以分布式方式实现ECO。该问题被建模为MUCO博弈。他们分析了博弈的结构，并证明该博弈存在纳什均衡。随后，他们设计了一种用于求解的分布式计算卸载算法。此外，该研究进一步扩展到了移动用户计算卸载场景。结果表明，所提算法能够实现更高性能。在[61]中，毛等人研究了移动用户移动边缘计算系统中两个关键但相互矛盾的目标之间的权衡，即移动用户的功耗和计算任务的执行延迟。基于李雅普诺夫优化方法，提出了一种用于本地执行和计算卸载的在线算法。分析表明，功耗和执行延迟遵循[V(1/V)， O(V)]（其中V是控制参数）。仿真结果验证了理论分析。在[62]中，刘等人利用排队论研究了移动边缘计算中的能耗、执行延迟以及卸载代价问题。提出了一个多目标优化问题（MOOP），旨在最小化这三个目标。通过大量仿真验证了所提方法的有效性。在[63]中，作者考虑了多用户移动边缘计算系统的节能资源分配问题。同时考虑了将计算结果下载回移动用户的资源消耗。此外，作者基于两个分别针对基站执行时间可忽略和不可忽略的计算高效模型，他们通过最优分配通信资源和计算资源，建立了总加权能耗最小化问题。在[64]王等人中，提出了计算卸载与干扰管理的联合考虑，以提升具有移动边缘计算（MEC）的无线蜂窝网络性能。此外，计算卸载决策、物理资源块（PRB）分配以及MEC计算资源分配被建模为优化问题。仿真结果表明了所提方案的有效性。在[65]张等人中，构建了一个优化问题以最小化能耗。基于5G异构网络的多址接入特性，他们设计了一种高效的计算卸载（EECO）方法，通过集成优化的任务卸载与无线资源分配，在满足时延约束的前提下最小化能耗。

在[66]中，作者提出了一种统一的移动边缘计算‐无线能量传输（MEC‐WPT）设计，考虑了一个无线供能的多用户移动边缘计算系统，其中多天线接入点（AP）（集成了移动边缘计算服务器）广播无线能量以对多个移动用户进行充电，每个移动用户依赖所获取的能量来执行计算任务。他们提出了一种最优资源分配方案，旨在满足各移动用户的个体计算延迟约束的同时，最小化接入点的总能耗。作者[67]提出了一个通用的系统模型，该模型考虑了MEC应用场景的端到端计算延迟。还建立了一个可归约为多背包问题（MKP）的多用户MEC卸载模型的评估方法。在[68]中，针对多用户移动边缘计算系统开发了一种在线联合无线与计算资源管理算法，以最小化移动用户和边缘服务器的长期平均加权总功耗，同时受限于任务缓冲区的稳定性。在[69]中，作者关注如何将新执行的移动应用中的计算密集型任务从移动用户动态卸载到边缘服务器，以最小化平均应用完成时间。他们考虑了一个多个移动用户连接到边缘服务器的系统模型。此外，当多个移动用户同时尝试传输数据时，他们还考虑了共享网络上可能发生传输冲突。结果表明，所提出的方法显著优于以往的方法。在[70]中，考虑了一个支持移动边缘计算的多小区无线网络，其中每个基站都配备了一个边缘服务器，可用于通过任务卸载协助移动用户执行计算密集型任务。该问题被建模为联合任务卸载与资源分配，以最大化移动用户的计算卸载收益，该收益通过减少任务的完成时间和能耗来衡量。

3.1.2. 数据卸载（DO）

类似地，数据卸载也可以分为单个移动用户数据卸载（Single MUDO）和多移动用户数据卸载（Multi‐MUDO）。

(1) SingleMUDO

王等人提出多种有效的数据卸载方法，并在不同场景下取得了更好的结果[71, 72]。在[71]中，他们提出了一种移动数据流量卸载（MDTO）模型，该模型能够自适应地决定是否采用机会通信或通过蜂窝网络进行通信。此外，王等人[72]首次致力于在新兴的车载信息物理系统（VCPSs）中推动MDTO的发展，旨在减少感知服务质量的服务的数据流量。他们研究了Wi‐Fi和车载自组织网络（VANET）中的MDTO模型。特别是，他们将MDTO建模为一个多目标优化问题（MOOP），以同时最小化移动数据流量和满足服务质量的服务提供。通过混合整数规划（MIP）获得了最优解。仿真结果表明，所提出的方案最多可卸载84.3%的移动数据流量，并满足全局服务质量保障的需求。周等人[50]讨论了当前移动数据卸载技术的发展。鉴于数据卸载主体的多样性，他们将现有的移动数据卸载技术划分为四类：小小区网络、Wi‐Fi网络、机会型移动网络以及异构网络。在[73]中，作者重点关注边缘处无人机（UAV）的轨迹设计，以协助基站（BSs）进行流量卸载。为此开发了一种迭代算法来求解该混合整数非凸问题。所提方案的有效性得到了验证。

(2) 多用户多边缘卸载（Multi-MUDO）

文献[74]的作者研究了多个移动用户的任务卸载调度及边缘服务器选择问题，提出了一种基于联盟博弈论和定价机制的联合联盟定价数据卸载方法。数值结果表明了该方法的有效性。

4. 面向边缘服务器（ES）的服务提供

在本节中，我们主要回顾面向边缘服务器的服务提供。在第4.1节中，介绍了技术指标，包括第4.1.1节中的开销和第4.1.2节中的负载均衡。接着在第4.2节中，回顾了不同场景下的边缘服务器部署（无线局域网（第4.2.1节）和无线城域网（第4.2.2节））。然后我们在第4.3节总结了资源分配，例如基于云簇的多接入边缘计算系统中的资源分配（第4.3.1节）；基于基站的多接入边缘计算系统中的资源分配（第4.3.2节）被研究。面向ES的服务提供文献综述见表4。

4.1. 技术指标

在本节中，开销在第4节4.1.1中进行了介绍，负载均衡在第4节4.1.2中进行了描述。

4.1.1. 开销

与云不同，边缘服务器的资源是有限的。最大限度地降低边缘服务器的成本并满足用户任务的需求至关重要。因此，开销指标受到关注。在[75]中提出了一种激励相容拍卖机制（ICAM），用于移动用户与云簇之间的资源交易。ICAM能够有效分配满足移动用户服务需求的云簇并确定定价。基于李雅普诺夫优化技术结合加权扰动技术，Fang等人[76]提出了一种新的随机控制算法，用于计算请求接纳与调度、计算服务购买以及计算资源分配的在线决策。特别是，该算法在实践中非常有效。已证明所提出的算法实现了利润优化和系统稳定性。在[77]中，孙等人提出了一种云簇网络架构。每个移动用户可以与其化身进行通信。通过启用实时化身迁移，保持了每个移动用户与其化身之间的低E2E延迟。他们提出了利润最大化化身放置（PRIMAL）策略，以优化迁移收益与迁移成本之间的权衡。PRIMAL的有效性得到了验证。

4.1.2. 负载均衡

负载均衡是评估多接入边缘计算系统的重要指标。贾等人[78]研究了如何在多个云簇之间平衡工作负载，提出了一种快速可扩展算法来解决该问题。此外，通过实验仿真评估了其性能，结果表明该算法在减少任务响应时间方面具有显著潜力。徐等人提出了[79]一种用于雾计算环境中负载均衡的动态资源分配方法。在[80]雾计算场景中的多用户负载均衡问题上，作者提出了一种低复杂度的雾节点聚类算法。

4.2. 边缘服务器部署

在本节中，我们主要回顾边缘服务器（ES）部署问题。在基于基站的移动边缘计算系统中，假设边缘服务器已经部署，并且与基站位于同一位置。因此，我们主要研究基于云点的移动边缘计算系统中边缘服务器（即云簇）的部署问题。我们重点回顾虚拟局域网（VLAN）和无线局域网（WLAN）中的云小站放置情况。第4.2.1节回顾无线局域网（WLAN）中的云小站放置，第4.2.2节回顾无线城域网（WMAN）中的云小站放置。

4.2.1. 无线局域网中的云小站放置

在[81]中，作者对当前移动云小站架构进行了综述。他们还通过提出一种分层分类方法对现有的云小站解决方案进行了分类。文中强调了在无线局域网（WLAN）中部署云小站的需求和挑战。总之，WLAN中移动用户（MUs）的数量相对较少，网络覆盖范围也相对较小。因此，该方法不能直接用于无线城域网（WMAN）。在下一节中，我们将讨论在无线城域网（WMAN）中云小站的放置问题。

4.2.2 无线城域网中的云小站放置

图 3[82]展示了无线城域网。假设有K（K=3）个云朵（云小站A、云小站B和云小站C）需要被放置在K个不同的位置。为简化起见，假设这些云朵将与某些接入点共址。在K个已放置的云朵下，移动用户可以将计算任务卸载到这些云朵上。通过本地接入点。如果云簇与接入点共址，则该接入点处的移动用户将获得最小的云簇接入延迟（即图3中的移动用户(B)和移动用户(C)）；否则，该接入点处的移动用户请求必须中继至附近的云簇进行处理，由于多跳中继的累积延迟，导致云簇接入延迟（即图3中的移动用户(A)）。

云簇特别适用于无线城域网（WMAN）。由多个无线接入点组成的WMAN中的云小站放置问题具有很大的研究前景。有两个经典的优化问题与该放置问题密切相关，即缓存放置[83]和服务器放置[84]。实际上，这两个问题都可以通过直接归约为有容量限制的K‐中位问题[85]来解决。然而，该放置问题与上述两个问题本质上是不同的：在传统问题中，通常假设缓存（或服务器）没有容量限制，或者所有缓存（或服务器）具有相同的容量；而每个云簇的容量可能不同，且不同移动用户的请求也可能需要不同的计算资源。徐等人[82]首次将该问题描述为一种新的容量受限的云小站放置问题。该问题的目标是将K个云小站放置在某些战略位置，以最小化移动用户与云朵之间的平均访问延迟。此外，他们为此问题提出了一种有效的启发式解决方案。表明所提算法具有良好的可扩展性。在[86]贾等人将云簇放置以及移动用户分配给云簇的问题形式化为无线城域网（WMAN）中的问题。他们开发了一种算法，能够在无线城域网中实现云簇的放置，并将移动用户分配给已放置的云簇，同时实现工作负载均衡。他们通过仿真进行了实验，结果证明了该算法的有效性。众所周知，无线城域网中的移动用户是移动的，这就需要能够随时、随地部署和切换服务，以实现移动用户服务请求的最小网络延迟。然而，这种解决方案的成本通常对服务提供商而言过高，并且资源利用率较低。梁等人提出了一种基于K‐均值的位置感知的服务部署算法[87]来解决这一问题。一般来说，该算法根据移动用户的地理位置将移动用户划分为多个移动用户集群，然后将服务实例部署到距离移动用户集群中心最近的边缘服务器上。性能评估表明，该算法不仅能够有效降低网络延迟，还能在满足可容忍的网络延迟的前提下减少服务实例的数量。在[88]杨等人解决了边缘计算环境中的云小站放置问题中的接入点排名问题。接入点排名是云小站放置的重要步骤。他们通过分析接入点的连接特性，提出了一种自适应集成的接入点排序方法。结果验证了其所提方法的有效性。综上所述，云簇在无线城域网中的部署面临巨大挑战，同时也具有广阔的应用前景，是移动边缘计算的重要组成部分。

4.3. 资源分配

在本节中，我们将资源调度问题分为两个小节。

4.3.1 基于云点的移动边缘计算系统中的资源分配

服务部署 。在移动边缘计算中，通过多云小站协作来调度移动用户任务至关重要。在[89]，阿拉尤布等人解决了大规模协作式云簇部署的功耗优化问题，并展示了所提出方法的有效性。在[46]，阿尔库兰等人提出了针对移动边缘计算系统的混合整数线性规划（MILP）优化模型。更具体地，提到了两种类型的云小站（即本地云小站和全局云小站）。移动用户首先将需求发送至本地云小站；若所有本地云小站均无法提供服务，则请求将被转移至全局云小站。他们在多个实际案例中进行了评估，证明该模型可应用于大规模移动边缘计算系统。[90]的研究目的是在有限计算资源（如小区、接入点和宏基站）条件下，在一定延迟内满足网络边缘每个节点的所有计算需求，从而优化总消耗。他们将该问题建模为一个整数规划问题，并进而开发了两阶段优化（TPO）算法和迭代改进（Π）算法来求解。在[91]，姚等人研究了如何以经济高效的方式部署服务器，同时不违反预定义的服务质量。特别是，他们实际上考虑到可用的云点服务器具有异构性，即服务器具有不同的成本和资源容量。该问题被建模为ILP形式，并提出了一种低复杂度启发式算法来解决该问题。大量仿真研究验证了该算法的效率。孟等人[92]考虑了一种由云服务器、云簇和移动用户构成的新型移动云计算架构，以确保低延迟和低能耗。提出了联合优化策略以提升服务质量。他们将无线带宽与计算资源分配模型构建为三阶段斯塔克尔伯格博弈，并采用逆向求解方法进行处理。通过使用迭代算法实现斯塔克尔伯格均衡，验证了该方法的有效性。

虚拟机迁移 。一些基于云的虚拟机（VM）迁移研究已被深入探讨（[31, 93–98]）。然而，这些方案未考虑移动用户（MU）移动性与虚拟机迁移之间的关系，因此无法直接应用于移动边缘计算（MEC）。在[99]中，拉伊等人将一种已知为云簇的移动云计算（MCC）建模，其中移动用户通过作为中间节点的云簇获取服务。专用虚拟机被部署在物理机（PM）上，而该物理机可位于云簇或公共云中。此外，他们还在[100]中提出了一种基于随机奖励网（SRN）的综合性能与可用性模型。孙等人[101]提出了一种绿色能源感知的化身放置（GAP）策略，通过在云簇之间迁移化身来最小化云簇的总电网能耗。结果表明，GAP可节省57.1%和57.6%的电网能耗。罗德里格斯等人[102]提出了一种方法，用于在包含两个云点服务器的场景中最小化服务延迟。不同于以往的研究，该方法同时关注计算单元和通信单元，并通过虚拟机迁移控制处理延迟。结果显示，该方案在所有研究案例中均表现出最低的服务延迟。在[103]中，虚拟机迁移问题被建模为一对一契约博弈模型，并开发了一种基于学习的定价控制机制以有效应对MEC资源分配问题。最后，大量仿真结果验证了所提方法的有效性。在[104]中，提出了两种动态代理虚拟机迁移方法，旨在最小化代理虚拟机与物联网设备之间的端到端延迟，同时降低云簇的总能耗。在[105]中，王等人研究了移动边缘计算中的动态服务迁移问题。他们基于马尔可夫决策过程（MDP）框架构建了一个服务迁移的序贯决策问题，并开发了一种新算法和数值方法进行求解。该方法在真实世界数据集上的有效性得到了验证。在[106]中，研究了一种支持虚拟全双工的小蜂窝网络，结合缓存与移动边缘计算，面向两类异构服务：高数据速率服务和计算敏感型服务。随后，他们将原始混合组合问题转化为凸优化问题，并建立虚拟资源分配模型。此外，通过不同系统配置验证了所提方法的有效性。

5. MEC上的应用

本节回顾了MEC上的应用。MEC应用文献综述见表5。

MEC不仅通过将计算资源推向网络边缘显著降低了网络运营成本并提升了MU的服务质量，还为时间敏感型应用场景提供了可扩展的物联网架构。在[104]中，安萨里等人提出了一种移动边缘物联网（MEIoT）架构，该架构将大量资源（即计算资源和存储资源）部署到物联网设备附近。塔莱布等人[107]提出了一种方法，用于增强智能城市中移动用户视频流体验。该方法依赖MEC概念作为提升服务质量的关键因素，通过保证服务跟随移动用户的移动性，并实现“随行边缘”（Follow Me Edge）的概念来维持服务质量。该方案为减少核心网络流量和确保超短延迟提供了重要解决方案。孙等人[108]提出了一种名为EdgeIoT的新型MEC方法，用于处理移动边缘处的数据流。更具体地说，每个BS都连接到一个雾节点，以本地提供计算资源。基于SDN的蜂窝核心网络被设计用于促进雾节点之间的数据转发。可穿戴设备（如智能手表、眼镜和头盔）正变得越来越流行，并有望成为我们日常生活中不可或缺的一部分。尽管硬件持续升级，移动用户设备的续航时间和功能（如计算、存储）仍需进一步提升。MCC可通过提供服务来增强可穿戴设备的能力。在[109]中，作者对可穿戴设备与云之间的计算卸载进行了全面分析。移动计算与CC的融合依赖于可靠的高带宽E2E网络。这些基本需求在恶劣环境（如军事行动和灾后恢复）中难以保障。在[110]中，作者研究了位于移动用户附近的基于虚拟机的云点如何应对这些挑战。无人机已被用于在基础设施有限的无线系统中为移动用户提供增强覆盖或中继服务。在[111]中研究了一种基于无人机的移动云计算系统，其中移动无人机被赋予计算能力，为移动用户提供计算卸载机会。该系统旨在最小化移动用户的总能耗，并满足卸载应用场景的服务质量要求。卸载通过移动用户与无人机之间的上行链路和下行链路通信实现。他们建立并求解了一个联合优化上行链路和下行链路通信中比特分配的问题。数值结果表明，与本地移动执行相比，可以节省大量能源。此外，董等人[112]提出了一种新型边缘计算赋能的无线接入网络架构，其中前传和回传链路部署在无人机上，以实现快速事件响应和灵活部署。李等人[113]研究了如何在移动边缘计算环境中将可分割的应用场景划分并分配给可用资源，以最小化应用场景的完成时间问题。基于应用场景的负载和可用资源的能力，建立了针对类似光学字符识别的任意可分应用场景的理论模型，并推导出了闭式解。

6. 开放性问题

本节介绍了移动边缘计算面临的挑战。在第6.1节中，介绍了面向移动用户的服务采纳和面向边缘服务器的服务提供的开放性问题，然后我们描述了其他开放性问题，包括第6.2.1节的安全问题和第6.2.2节的仿真工具。

6.1 面向移动用户的服务采用与面向边缘服务器的服务提供的开放性问题

移动边缘计算是一个非常新颖且有前景的研究领域。尽管本文已介绍了许多相关研究，但仍存在一些尚未解决的研究问题。从移动用户的角度来看，有必要进一步设计一种高效算法，以支持多个移动用户选择满足不同服务需求的云簇。从边缘服务器的角度来看，需要对移动用户和云小站放置问题进行联合优化。一方面考虑到云小站资源的有限性，另一方面无线城域网中存在大量移动用户，因此研究低复杂度云小站放置与调度算法至关重要。此外，考虑到移动用户请求的动态变化以及云小站的能耗，多云簇协作方法和虚拟机迁移算法需要进一步研究。移动边缘计算中的服务推荐 [114]也是一个有前景的研究课题。

6.2. 其他问题

6.2.1. 安全问题

[115]的主要目的是全面分析所有边缘范式中固有的安全威胁、挑战和机制。王等人提出基于雾的存储技术以应对网络威胁[116]。不仅需要关注传统的安全问题，移动边缘计算中的许多新安全问题也同样值得关注。移动边缘计算由大量移动设备组成，因此也需要有效保护移动用户的隐私。此外，由于移动边缘计算可被视为一个多节点网络，因此还需要研究边缘计算中节点重要性[117]的评估以及抗毁性[118]的评估。在我们之前的研究[119]中，开发了一种基于决策树的入侵检测系统（IDS）。首先，我们开发了一种预处理算法，将给定数据集中的字符串数字化，然后对整个数据进行归一化处理。其次，我们在入侵检测系统中采用了决策树方法，并将该方法与另外两种方法——朴素贝叶斯和K近邻进行了比较。结果表明了我们所提出的入侵检测系统的有效性和精确性。总而言之，安全与隐私始终是一个基础性的研究课题。我们强调，安全问题需要引起更多关注。

6.2.2. 仿真工具

据我们所知，许多工具如Matlab、JAVA和Python可用于云计算的仿真。此外，CloudSim [120]是用于云的知名工具。在本节中，我们主要回顾用于边缘计算和移动边缘计算的工具。更特别的是，我们还介绍了用于雾计算的工具。文献[121]提出了一种面向边缘计算场景优化的新模拟器工具 EdgeCloudSim。EdgeCloudSim基于CloudSim构建，旨在满足边缘计算研究的特定需求，并在计算和网络能力方面支持必要的功能。Gupta等人[122]提出了一种名为 iFogSim的模拟器，用于建模物联网和雾计算环境。他们描述了两个案例研究，以展示物联网环境的建模以及资源管理策略的比较。此外，在不同场景下验证了该仿真工具包的内存消耗和运行时间的可扩展性。文献[123]中的作者从移动用户的移动性角度讨论了雾计算中的资源分配，并引入了MyiFogSim，这是iFogSim的一个扩展，通过虚拟机在云簇之间的迁移来支持移动性。总之，仿真工具的发展前景十分广阔，能够有效促进移动边缘计算的发展以及实验设计的标准化。

7. 结论

随着移动网络和5G的发展，移动边缘计算近年来已成为一个有前景的领域。它不仅满足了用户更多的业务需求，提升了移动用户的QoS和QoE，还为服务提供商带来了业务收益。本文从服务采纳与提供的角度，对移动边缘计算进行了全面的综述。首先描述移动边缘计算的概述。接着，我们回顾了面向移动用户的服务采纳。然后，我们调研了面向边缘服务器的服务提供。此外，还探讨了MEC上的应用、开放性问题等其他问题。我们强调，应有更多研究关注移动边缘计算的服务。