移动边缘计算(MEC，mobile edge computing)中计算卸载技术即 将移动终端的计算任务卸载到边缘网络， 解决了设备在资源存储、计算性能以及能效等方面存在的不足。同时相比于云计算中的计算卸载，MEC解决了 网络资源的占用、高时延和额外网络负载等问题。
移动边缘计算是指在移动网络边缘部署计算和存储资源，为移动网络提供 IT 服务环境和云计算能力，从而为用户提供超低时延和高带宽的网络服务解决方案。
边缘计算的目标是通过将计算放在靠近信息源的位置来减少延迟，提高用户服务体验。
计算卸载是指终端设备将部分或全部计算任务交给云计算环境处理的技术，以解决移动设备在资源存储、计算性能以及能效等方面存在的不足。计算卸载技术主要包括卸载决策、资源分配和卸载系统实现这三方面。
卸载决策主要解决的是移动终端决定如何卸载、卸载多少以及卸载什么的问题；
资源分配重点解决终端在实现卸载后如何分配资源的问题；
卸载系统的实现，侧重于移动用户迁移过程中的实现方案。
MEC 可以被看作是运行在移动网络边缘的云服务平台，通过将部分业务处理和资源调度的功能部署到云服务平台上来实现服务性能和用户体验的提升。
MEC 将原本位于云数据中心的服务和功能 “下沉”到移动网络的边缘，通过在移动网络边缘部署计算、存储、网络和通信等资源，不仅减少了网络操作，而且降低了服务交付时延，提升用户服务体验。同时，大幅增长的网络数据，对回传链路和移动核心网造成了巨大的链路负载，MEC在网络 边缘部署服务器后，可以在边缘对用户进行响应， 降低了对回传网和核心网的带宽要求。
1、MEC计算卸载体系结构新范式下的移动边缘计算 的体系结构是一个典型的三层结构，其由云中心、边缘节点和移动终端设备组成
具体地，在远端的云服务器能够提供稳定而强大的计算能力，可以帮助发现边缘节点 、进行资源管理 ，进行全球大数据分析． 边缘节点由公司、商店、医院与学校等不同组织部署，它位于网络的末端与核心网络之间的通信链路上． 边缘节点具有优于边缘终端设备的计算功能，并且比云具有更低的延迟． 但是，由于边缘节点形式与硬件类型的不同，其具有不同的类别，以下是边缘节点的分类：
１）Cloudlet：它们是资源丰富的服务器亦或是位于移动终端设备单跳附近的服务器集群。Cloudlet重用现代云计算技术，例如基于虚拟机（Virtual Machine，VM）的虚拟化技术。得益于 虚拟机技术，Cloudlet可以动态扩展和收缩，最终促进移动用 户服务请求的可伸缩性．
２）微型数据中心：微型数据中心是指地理分布的小型数据中心，它们只拥有少量或者中等数量的服务器． 通过在世界各地的战略位置部署大量的微型数据中心，可以降低网络延迟、节省带宽消耗、提供可靠的连接，并减少云的开销。
３）基站：LTE（Long term Evolution，长期演进技术）和 5G等技术的发展推动了基站的发展，而基站是边缘节点的优质选择。这些增强型基站密集地部署在移动终端设备附近，除了基本的通信功能外，还提供计算服务。现阶段的研究中，基站已经以 LET 宏基站（ evolved Node,eNode)和小型蜂窝微基站的形式作为边缘计算节点，并且结合虚拟化技术来扩展计算服务。
４）其他节点类型：在边缘计算的新范式中，移动终端设备既可以成为资源需求方也可以成为资源的提供者，再结合理论：位于连接云和边缘设备的通信链路上的任何计算基础设施都可以被视为边缘节点。由此，车辆车载系统、与蜂窝网相关的物联网网关、甚至智能手机都是边缘节点。
基于图2给出的三层结构，计算卸载通常发生在特定层外部或者内部的各个层之间。此外，卸载也可以在同一层上进行或是将计算送到云中。
2.MEC网络架构
3.MEC 部署方案
MEC 的服务是由拥有计算和存储功能的MEC服务器提供的，MEC 服务器在网络中如何部署是首 先要考虑的问题。
在这里我主要研究MMC 部署方案：
核心思想是将 MMC (mobile micro cloud)部署在基站，以降低用户的访问时延，MMC 部署没有引入任何控制实体。如图 4 所示，在 MMC 中，控制功能直接扩展在 MMC 服务器上，直接在MMC 服务器上扩展。各个 MMC之间是互连的，在 VM 迁移时能够更好地保证业务的连续性。但是由于没有集中式控制实体会引入信令开销过大的问题
4.MEC计算卸载技术MEC计算卸载技术是指受资源约束的设备完全或部分地将计算密集型任务卸载到资源充足的云环境中，主要解决了移动设备在资源存储、计算性能以及能效等方面存在的不足。MEC计算卸载技 术不仅减轻了核心网的压力，而且降低了因传输带来的时延。
计算卸载作为 MEC 的关键技术，主要包含卸载决策和资源分配两个问题，
卸载决策：指 UE决定是否卸载、卸载多少以及卸载什么的问题。在卸载系统中，UE一般由代码解析器、系统解析器和决策引擎组成，其执行卸载决策分为3个步骤：首先，代码解析器确定什么可以卸载，具体卸载内容取决于应用程序类型和代码数据分区；然后，系统解析器负责监控各种参数， 如可用带宽、要卸载的数据大小或执行本地应用程序所耗费的能量；最后决策引擎确定是否卸载。UE 卸载决策结果分为本地执行、 完全卸载和部分卸载3种情况。具体决策结果由 UE 能量消耗和完成计算任务时延决定。卸载决策目标主要分为降低时延、降低能量消耗以及权衡时延与能量 3 方面。
1) 以降低时延为目标的卸载决策
如果在本地执行应用任务，所耗费的时间为应用执行任务的时间，而如果将任务卸载到 MEC。所耗费的时间将涉及 3 个部分：将需要卸载的数据传送到 MEC 的时间、在 MEC 处理任务的时间和接收从MEC返回数据的时间。因此，将计算任务卸载到MEC所产生的时延直接影响用户的 QoS，为了保证 QoS，出现了大量以降低时延为目标的研究， 其中涉及不同的优化算法和应用场景。
2) 以降低能量消耗为目标的卸载决策
将计算卸载到MEC服务器消耗的能量主要由两部分组成，一是将卸载数据传送到MEC的传送能量，二是接收MEC返回的数据所消耗的能量。
3) 权衡能耗和时延为目标的卸载决策
在执行复杂的计算任务时，如人脸识别系统， 实时视频系统，车联网等，能耗和时延都直接影响 QoS，因此如何在执行卸载任务的时候综合考虑能耗和时延是进行卸载决策的重要考虑因素。
5.MEC系统资源分配在整个计算卸载过程中数据通信和任务计算是核心步骤，所以联合计算和通信资源分配是大势所趋，其可以对计算卸载的不同阶段的策略和方案进行优化。下面将介绍和对比三类资源分配的研究。
1）计算资源分配：
MEC服务器的计算能力并不如云那般强大，其具有一定 的能力限制，所以当遇到任务计算需求与设备计算能力不匹配时，计算资源分配是必要的。以上对计算卸载中的计算资源分配的研究表明只要合理地分配计算资源则可以提高计算效率，大大降低计算延迟，给用户和资源提供者带去利益。
一旦完成了卸载决策，接下来就要考虑合理的资源分配的问题，即卸载在哪里的问题。如果 UE 的计算任务是不可分割的或可以分割但分割的部分存在联系，这种情况下卸载任务就需要卸载到同一个 MEC 服务器。而对于可以分割但分割的部分不存在联系的计算任务，则可以将其卸载到多个 MEC 服务器。目前资源分配节点主要分为单节点分配和多节点分配。
2）通信资源分配
随着信息时代的发展，信息数据量的爆炸性增长导致数据上传堵塞的情况频发，这无疑给通信网络施加了巨大的压 力。研究对计算卸载中的通信资源进行分配，减少了因数据量大而导致网络拥塞的概率，缓解了网络带宽压力。
研究主要考虑这些方向：最大化整个通信网络的频谱效率和系统容量，研究以信息为中心的无线网络中资源分配的最佳策略。或者通信资源分配不公平和MEC网络吞吐量最大化问题。
3）联合计算和通信资源分配
移动边缘计算系统在时间和空间上均面临着通信和计算 资源的不均匀分布，为了业务匹配，相邻的 MEC系统可以协 作共享其分布式通信和计算资源。
6.发展趋势和展望
1）卸载决策算法
研究人员们基于拍卖理论、博弈论和匹配理论等传统的方法提出了一系列计算卸载决策算法，其在时延、能耗和效用等性能方面均有良好的表现。然而，随着移动边缘计算应用 场景的不断扩展，计算卸载的环境越来越复杂，传统的卸载策略不能根据环境的变化对策略进行调整，不能实现长期绩效． 为了使卸载决策对实时变化的环境具有更高的适应能力，近年来，越来越多研究人员将强化学习理论应用于边缘计算卸载策略 ，强化学习可以感知环境，并通过与环境进行交互作出决策，更适合实时变换的环境． 然而，由于时变环境的高复杂性，使得现有的基于深度强化学习的卸载方法中的动作空间普遍为高维空间，这导致对动作空间的探索变得复杂，从而使得算法收敛速度缓慢． 所以设计新的计算卸载策略 以填补现有方案的漏洞是必须进行的研究之一。
对于研究新型计算卸载策略主要有以下两个方向：一是对现有的计算卸载算法进行改进与优化，如：深度强化学习中对动作空间进行探索时普遍使用的是贪婪算法，其不适合对高维度动作空间进行探索，会导致深度强化学习算法的收敛速度缓慢。因此可以考虑对深度强化学习算法中的探索动作空间的部分算法进行改进优化，可以采用经典的探索算法，例如：蚁群算法、遗传算法等去进行动作空间的探索。二是寻找其它适合应用于移动边缘计算卸载领域的算法。模仿学习是一个值得考虑的方向，模仿学习是一种以仿效榜样的行为方式为特征的学习模式，通过给予一定的范例来使代理学习作出决策来缓解因高维动作空间导致收敛慢的问题，且适合动态环境。
2）安全性
安全性问题在移动边缘计算卸载中是需要重点考虑的技术难点。 MEC的分布式部署导致单点防御能力薄弱，单点被攻破则可能导致全局系统的沦陷。此外，随着互联网技术和边缘计算的高速发展，基于MEC的内容共享、计算协作以及数据和信息交互等功能已显著增加，而此类功能多采用多用户交互的模式，可能会出现恶意用户从数据交互中窃取用户隐私或利用服务平台漏洞攻击网络的情况。因此，设计合理的安全措施以保障数据、系统以及个人隐私等的安全是尤为重要的． 另外，由于边缘计算卸载将卸载任务迁移至复杂性更高的边缘网络环境中，使得大部分原来用于解决云计算安全性问题的方案对移动边缘计算都不再奏效。所以，在MEC中如何确保数据信息的安全，从而保障用户以及企业的隐私安全仍然是一个待解决问题． 针对以上MEC中的安全性问题，一方面可以从加强安全性方面考虑MEC的架构设计，从根基上保障MEC的安 全；另一方面，MEC可以联合各式各样的安全性解决方案（如：身份签名、数据访问控制等）对MEC安全性解决方案进行设计，通过各项方案之间安全性能的优势互补为系统提供有效的安全保护． 此外，基于 MEC的计算卸载以及在某些私有网络场景下，用户的隐私保护问题尤为重要，由于隐私保护类属于定制型服务，隐私保护的需求在不同的业务或用户之间存在不同程度的差异，所以可参考将受信平台模块等隐私保护实体引入MEC网络的思路，以解决隐私保护问题。
3）卸载节点发现
在移动边缘计算卸载新范式中，移动终端设备、基站、路边单元等均可以成为边缘计算卸载节点。前期的计算卸载研究中认为场景中具有计算能力的边缘节点均可成为当前卸载任务的边缘计算节点，这种设定仅仅适用于小场景。然而，随着边缘计算卸载应用场景的不断扩大，在移动边缘计算网络中并非所有的设备服务器都具有可以成为当前卸载任务的边缘计算节点的条件，这使得制定合理的候选卸载节点发现机制成为一个发展趋势。最近一些研究成果多集中在车辆网络场景中，其依据车辆运动方向一致性原则或者根据泊松定理计算出的状态转移矩阵来确定候选卸载节点。然而，以上对卸载节点发现机制的设定都过于理想型化，导致候选卸载节点的遗漏，从而使得卸载决策达不到最优。所以，制定符合场景需求且合理的卸载节点发现机制有助于计算卸载策略的优化。对于如何制定合理的卸载节点发现机制，我们有如下考虑：由于计算节点的计算能力与应用服务、通信范围以及通信连接时间等因素均可影响任务计算卸载节点的选择，因此可以联合这些决定因素制定卸载节点的筛选规则以确定符合条件的候选边缘计算节点进行卸载策略，或者以这些决定因素作为属性特征，利用聚类算法将边缘计算节点进行聚类，不同的任务选取对应符合其需求的类别节点进行卸载。
4）计算卸载数据的依赖性
数据依赖性问题已普遍存在于各个与数据相关的领域。在计算卸载中执行部分卸载时，各部分模块的数据可能是相互独立的也可能是相互依赖的，或一个复杂的应用服务中包含的多个任务之间也可能存在数据依赖。由于最佳数据依赖解决方案必须了解资源需求、访问网络、用户移动性以及重 要数据的依赖关系，因此，如何将多个数据依赖子任务进行卸载并保证卸载质量是移动边缘计算卸载面临的严峻挑战之一。目前，计算卸载策略的研究中多认为卸载部分之间是相互独立的，鲜少有考虑数据依赖关系的卸载决策方案。然 而，在万物互联的时代，任务之间的数据存在依赖关系是不可避免的情况。数据依赖关系如何描述以及如何在数据依赖约束下制定合理的计算卸载决策方案仍是待解决的问题。基于以上问题我们可以考虑利用有向无环图对各个子任务之间的数据依赖关系进行表述，以获得子任务的执行顺序、 状态量迁移与网络带宽等约束，然后基于所获得的约束采用机器学习等方法制定合适的计算卸载决策方案。
总结： 边缘计算在移动网络边缘提供计算、存储和网络资源，可以极大地降低处理时延，终端在卸载计算任务的同时也满足了绿色通信的要求，提升了服务质量。然而，由于终端卸载任务后可能会发生移动，为满足 MEC 处理卸载的计算任务时保持业务的连续性，解决移动性管理问题成为移动边缘计算中计算卸载技术的重要挑战之一。此外，由于 MEC 的分布式部署环境，使原本适用于云计算的安全管理机制已经不再适用于 MEC，因此为了保持安全通信需要从各个层级解决安全问题，比如确保边缘节点安全、网络安全、数据安全、应用安全、安全态势感知、安全管理编排和身份认证感知等。同时， 由于大规模终端计算任务的卸载，使干扰问题不可避免，这就需要通过有效的干扰管理机制来解决， 目前，学术界有很多关于干扰管理的方案，主要涉及计算和网络资源的联合分配问题，合理的资源分配能够控制干扰问题的产生，实现高效通信。在实现 MEC 大规模应用之前，移动边缘计算以及各种边缘计算卸载技术的解决方案在移动性管理、安全、干扰管理、QoE 保障等方面仍需要进一步研究和发展。