MEC概述--论文阅读

论文名：A Survey on Mobile Edge Computing: The Communication Perspective

I. INTRODUCTION
A. Mobile Computing for 5G: From Clouds to Edges
MEC的实现基于虚拟平台，该平台使用NFV（网络功能虚拟化）、ICN（信息为中心网络）、SDN（软件定义网络）的最新技术。
NFV（网络功能虚拟化）：
　　本质：NFV没有改变设备的功能，而是改变了设备的形态。NFV的本质是把专用硬件设备变成一个通用软件设备，共享硬件基础设施。
　　价值：快，软件设备的发行安装速度远比硬件设备快，容量伸缩更快，避免硬件采购安装的长周期。可按需实时扩容，实现新需求新业务更快，避免了硬件的冗长开发周期；简，简化了设备形态，统一了底层硬件资源，都是服务器和交换机；省，采用通用服务器和交换机作为基础设施，大大降低设备成本。水平整合改变了原来的竞争格局，各个层次可以分层竞争。

SDN（软件定义网络）：
　　本质：SDN的本质是把网络软件化，提高网络可编程能力和易修改性。SDN没有改变网络的功能，而是重构了网络的架构。
　　价值：快，网络业务自动化和网络自治，更快部署网络业务实例。更快在网络中增加新业务，大量需求仅需要升级控制器软件就可以实现；简，简化了网络协议，大量网络业务协议逐渐消失，用户的策略处理集中在控制器实现；省，通过集中控制，对网络资源进行统筹调度和深度挖掘，提高网络资源利用率，接入更多业务，从垂直整合走向水平整合，使得芯片、设备、控制器各层可以独立分层充分竞争。
　　
ICN（信息为中心网络）：提供一个端到端的MEC服务识别模式，为了实现以内容感知的计算，将以主机为中心转换为以信息为中心。

Examples:通过卸载计算任务到MEC服务器进行云计算。
1）人脸识别应用：图像获取部分在移动设备进行，其余部分被卸载到MEC服务器进行计算。

2）AR应用：视频源和渲染器部分在本地设备执行，其余部分被卸载到MEC服务器中的云执行

B. MEC（Mobile Edge Computing）VS MCC（Mobile Cloud Computing）
MEC与MCC性能比较图：

低时延：移动服务的时延由三部分影响：传播、计算、通信时延。
1）传输距离：MEC使用小小区网络、D2D传输等，传输距离通常为几十米，不超过1千米；MCC通常为几十千米；
2）网络结构：MCC要求信息通过的服务网络包括：无线接入网络、回程网络和因特网，这些网络的流量控制、路由和网络管理操作会导致很大的时延。而MEC由于在边缘云进行通信，所以没有这些问题。
3）计算时延：MCC的计算时延大概是30-100ms，而MEC的计算时延大概能实现1ms。
4）移动能量节省：物联网设备存在的一个挑战是电池能量问题，MEC可以实现将物联网设备的计算任务卸载到边缘云，从而达到节能的目的。
5）感知内容：MEC比MCC多一项感知内容，可以利用边缘设备跟踪用户的实时信息（包括用户行为、位置、环境），基于这些信息可以预判出用户下一步的行为，应用举例：博物馆参观导航、汽车导航、交通流量监控、路径规划、个人旅游管理等。
6）隐私安全增强：首先，由于MEC的分布是小范围的，有价值的信息也基本是分散的，所以MEC服务器不容易成为被攻击对象；其次，大多数MEC服务器都是私人拥有的小云，会减少被大规模泄密的担忧。比如：一个企业自己管理自己企业的云，不用再将信息上传到远端的云。

II. MEC COMPUTATION AND COMMUNICATION MODELS
MEC系统由移动设备（包括终端用户、客户和服务子系统）和MEC服务器组成，通过网关，MEC服务器可以通过因特网连接到数据中心。

A. Computation Task Models
1.二进制卸载任务模型：
三个代表参数：L（输入数据大小，以bits为单位）、τd（完成截止时间，以秒为单位）、X（计算工作量/强度，以每bit的CPU周期为单位）
定义正整数x0，使得Pr(X > x0) ≤ ρ，Pr(LX > Wρ) ≤ ρ，其中Wρ = Lx0，当给出L bit 的输入数据时，Wρ界定了CUP周期数的上限。
注：这些参数不仅仅为了基本的计算和通信需求，也有助于执行时延和能力消耗性能的演进。

2.任务模型的局部卸载：很多移动应用由多个程序或者部分组成，可以将计算任务卸载到多部分进行计算。典型的模型如下：
data-partition model：这是最简单的部分任务卸载模型，输入bit数据是按位独立的并且可以被任意分配到MEC系统的不同实体执行。
task-call graph model:但是理想很圆满，现实很骨感，在大多数应用中，程序和组件之间存在依赖关系，会很大程度上影响计算卸载和程序执行（两个原因：某部分的输出可能的另外的输入、软硬件的限制，某些功能只能在特定部分执行）,这就是task-call graph model（任务调用图模型），这是典型的有向非循环图，用G(V ,E)表示。V表示不同的应用程序，E表示他们之间的访问关系。三种典型的访问依赖关系（连续型、并行型、一般型）如下图所示：

以图（c）为例，移动设备收集IO数据和在屏幕上显示输出结果分别在第一步跟最后一步执行，需要的资源（CPU执行周期、内存大小）被指定在图中的节点上，每个程序的输入输出数据也被特征化为每条边上的权值。

B. Communication Models
1.D2D通信在MEC中应用：
　　在MEC系统中，终端设备不能直接跟MEC服务器进行通信（由于缺乏无线接口），但是可以通过与APs（包括：BS、公共WiFi路由）进行D2D通信，无线APs不仅仅能为MEC服务器提供无线接口，还能通过回程链路接入远程数据中心，能够更进一步帮助MEC服务器卸载计算任务到其他的MEC服务器和大规模云数据中心。另外，D2D还能实现一簇移动设备之间的对等资源共享和计算载荷均衡。
2.MEC系统中可能用到的关键无线通信技术：

小范围的通信技术有：NFC、RFID、Bluetooth等
大范围的通信技术有：WiFi、LTE、5G

C. Computation Models of Mobile Devices
fm:CPU周期频率，也叫CPU时钟速度，反映出CPU计算性能
例如：在A(L, τ, X)计算任务中，执行时延为：

能量消耗：
CPU功耗因素分为三个：动态消耗、短路消耗、功率泄露，其中动态功耗主导其他功耗。
CPU一个周期的能量消耗为：k(fm)*(fm)，k为与硬件结构相关的常数，LX表示输入L bits数据所执行的周期数。
总的能量消耗公式如下所示：

注：对于公式（2）计算出的功耗可能在截止时间以前不能完成复杂的任务，或者能量消耗太大以至于移动设备的便携式电池电量很快耗光，在这种情况下，卸载计算任务给MEC服务器是可行的方法。另外，除了CPU，另外的移动设备的功耗来源于随机接入内存、闪存等也会导致计算时延和功耗。

D. Computation Models of MEC Servers
1.计算时延的两种可能的模型：确定的和随机的服务器计算时延模型。
确定的模型：针对时延敏感的应用
假定：MEC服务器为不同设备分配虚拟机分别进行计算，f（s,k）代表第k个服务器CPU的周期频率，则该第k个服务器计算时间为：，另外服务器还需要考虑调度排队时延，因为服务器不能并行处理，多个设备总时延为：

随机的模型：针对时延可容忍的应用，主要包括平均时延。
计算任务的到达以及服务时间可以分别用泊松和指数建模，多虚拟机共享一个物理机器，可能会造成IO串扰，对每个虚拟机会导致较长的计算时延，可建模为：

为性能退化因子，也即时延提高的百分比。

2.能量消耗的模型：
基于DVFS技术模型：MEC服务器处理K个任务，类似于设备的能量消耗模型，总功耗如下：

基于CPU利用率模型：MEC服务器的计算能量消耗正比于CPU利用率。并且，空闲态的CPU也会消耗在CPU全速运行情况下消耗的能力的70%之多，所以空闲态功耗加上运行态功耗（全速功耗减去空闲态功耗，再乘以利用率u）。

E. Summary and Insights（附模型总结图）
1.MEC的设计需要有效的结合无线通信和移动计算领域；
2.对于不同的MEC应用选择合适的计算任务模型；
比如：软截止时间任务能应用于社交网络，但是不能应用于AR传输；并且，对于特定的应用，任务模型也依赖于具体的卸载场景，比如当输入数据被拆分时，使用数据拆分模型，当每个任务被当做一个整体卸载时，采用调用图模型。
3.无线信道条件很大程度上影响计算卸载的能量消耗。
4.对于控制移动设备和MEC服务器的计算时延和能量消耗，动态CPU频率控制技术是非常关键的。计算时延和能量消耗相互掣肘，有效的CPU周期频率控制能够达到一个折中的效果。
5.除了任务执行时延，在MEC服务器就散容量小或者卸载任务量大的情况下，计算调度时延也不能被忽略，所以需要一个负载平衡和智能的调度策略。

III. RESOURCE MANAGEMENT IN MEC SYSTEMS
A. Single-User MEC Systems
分为三个常用模型：二进制卸载的确定任务模型、局部卸载的确定任务模型、随机任务模型。
1) Deterministic Task Model With Binary Offloading:
仅仅当满足如下公式时，才会提升时延性能：

w:执行一个任务所需的CPU执行周期数；
fm：移动终端的CPU速度（即周期频率，每秒执行多少次）；
d：输入数据大小；
B：通信链路的传输速率；
fs：云服务器的CPU速度。
公式意义：一个任务，在终端执行的时间要大于传输到云服务器执行的时间。

从而可以派生出能量公式：

pm：为移动终端CPU功率消耗；
pt：为传输功率；
pi：为服务器CPU的功率消耗。
公式意义：当具有大量计算量和较少的通信时，需要执行卸载。

存在的问题：
1）无线传输速率不是常量，受时变信道增益和传输功率影响，所以需要设计合适的功率和数据调度控制策略去简化卸载任务过程；
exp:当信道功率增益大于一个阈值，并且服务器CPU计算速度足够快，则期望进行任务卸载。
2）CPU的功耗随着CPU的速度成超线性增长，在移动端使用DVFS技术可以减小执行的计算能量消耗。
exp:采用DVFS技术使得在本地执行的功耗最优化，另一方面，通过数据调度使得卸载任务的能量消耗最小化。

2) Deterministic Task Model With Partial Offloading:
主要思想：通过卸载分割的方式，将复杂的移动应用分解成一系列的子任务。

一些文献中的实现：任务以任务访问图的形式被建模，较早地讨论了各个子任务之间的关系，并通过编码分区方法去最优化产生卸载任务。
文献【95】Mobile-edge computing:Partial computation offloading using dynamic voltage scaling
提出：将输入数据分为本地和远程处理，执行卸载比率、传输功率、CPU周期频率去最小化受移动功耗（或者时延）约束的时延（移动功耗）。
文献【59】Heuristic offloading of concurrent tasks for computation-intensive applications in mobile cloud computing
提出：利用移动设备和MEC服务器之间的负载均衡，提出了启发式的程序分割算法去最小化执行时延。
文献【96】Hermes: Latency optimal task assignment for resource-constrained mobile computing
提出：研究了具有规定资源利用限制的时延最小化问题，提出了具有可靠性能的多项式时间近似解。
文献【60】Optimal joint scheduling and cloud offloading for mobile applications
提出：为了实现通过计算卸载来最大化节能，使用整数规划的方法对调度和云卸载判决进行共同优化。
文献【97】Collaborative task execution in mobile cloud computing under a stochastic wireless channel
提出：考虑信道模型包括（阻塞衰落信道、独立同分布的随机数信道、马尔科夫随机信道），具有时间限制的能量消耗优化问题被创建为最短路径问题，并且一次性执行策略被认为是最优的。

3) Stochastic Task Model:
对于随机任务到达系统的长期性能（比如长期能量消耗和执行时延）之间更具有相关性，并且系统最优操作的时间相关性让设计更具挑战性。

4) Summary and Insight:
二进制卸载：对于能量节省，当用户具有一个理想的信道或者移动设备具有很小的计算容量，此时的卸载计算优于本地计算，而且波速成形和MIMO技术的使用也减少了卸载时的能量消耗；对于降低时延，当用户具有大带宽并且MEC服务器具有大的计算容量时，卸载计算优于本地计算。

部分卸载：允许组件/数据的灵活分割，通过卸载耗时耗能的子任务给MEC服务器，相比于二进制卸载，部分卸载能够节省很多能量并且减小计算时延。根据任务关系图，可以使用图理论进行任务调度。

随机任务模型：任务到达和信道的时间相关性可以被用来设计合适的动态的计算卸载策略。更进一步，通过卸载比例控制去维持用户和服务器的缓冲区任务稳定性是至关重要的。

B. Multiuser MEC Systems
1) Joint Radio-and-Computational Resource Allocation:
与中心计算云相比，MEC服务器的计算资源较少，所以对无线计算资源进行合理分配，从而实现系统级的目的（比如：总能耗最小）。

对于集中资源分配：
文献【82】
提出：多个移动用户分时共享一个MEC服务器，并且具有不同的工作量和本地计算能力，为了最小化整体的能量消耗构建出一个凸优化问题，关键的点是对于控制卸载数据大小和时间分配的优化策略有一个简单的阈值结构，另外，根据用户的信道条件和本地计算能耗提出了一个卸载优化函数。然后，优先级大于或者小于给定阈值的用户将会分别执行完整的或者最低限度的卸载（为了满足给定的截止时间）。
文献【84】
提出：为了降低整体功耗，MEC服务器对不同的用户使用确定的移动传输功率和已制定的CPU周期，最优的解决方案显示，对于每个移动设备，传输功率和已分配的CPU周期的数量之间存在最优的一对一映射关系。
文献【110】
提出：考虑了MEC系统中的视频压缩卸载，并且最小化本地压缩、边缘云压缩、分割压缩卸载场景中的时延。

基于游戏理论和分解技术的资源分配：
假设计算任务分别在本地执行或通过单个和多个干扰通道完全卸载。具有固定的移动传输功率，一个整数规划问题将会被建立去最小化总能耗和卸载时延。取代集中的解决方案，游戏理论技术被应用与开发一个分布式算法，从而实现纳什均衡。进一步说，仅当接收干扰低于阈值，对于每个用户来说，卸载会有益处。更进一步，对于每个用户都有多个任务，并且能够卸载计算任务给连接在同一个边缘服务器的多个APs（如BS）的场景下实现分布式卸载。

为了解决公式化的混合整数问题，利用分解技术去最优化资源分配和卸载判决。特变的，卸载判决问题被转变成子模块极大值的问题，并且可以通过设计贪婪算法去解决。此外，还有凸优化近似技术可以去设计MEC系统分布式资源分配算法。

2) MEC Server Scheduling:
存在的问题：1.不同用户的到达时间一般来说是异步的，对于具有有限计算资源的服务器来说，按照顺序进行缓冲和计算是比较理想的，但是会引入排队时延，为了处理任务到达的突发性，服务器调度与上下行链路调度相结合，使用排队论最小化平均时延；2.甚至对于同步到达的任务，执行不同类型的应用（比如从时延敏感和时延迟钝的应用）时，用户之间的时延要求也有很大不同，这就要求服务器调度去安排基于时延要求的不同优先等级；3.一些计算任务由一些存在依赖关系的子任务组成，所以模型的调度必须满足任务依赖的需求。

3) Multiuser Cooperative Edge Computing:
有两个主要优点：
1.当MEC服务器服务大量需要卸载的移动用户时，其有限的计算资源可能会出现过载的情况，这时，通过移动设备点对点协作通信的方式可以减轻MEC服务器的负担。
2.在用户之间共享资源，能够平衡用户的计算工作量和计算能力分布不均的问题。

文献研究如下：
【122】中提出了基于D2D的异构MCC网络，这一新颖的框架增强了网络容量和卸载能力。
【123】中对于无线传感器网络，提出协作计算网络去增强它的计算容量。
【125】中提出应用一个辅助器，提出四槽联合计算通信合作协议，这里的辅助器不仅仅计算来自用户的卸载任务，而且还扮演一个中继节点，将任务传递到MEC服务器。
【126】中研究了在点对点协作计算系统中的最优卸载策略，这里的计算辅助器有一个时变的计算资源，特别的，基于辅助器CPU的控制文件和缓冲区大小，建立起卸载可行通道，考虑到这个通道，实现最优卸载的方法采用“string-pulling”策略。
【127】中提出了基于Lyapunov优化和游戏理论方法的在线点卸载框架，这能够让小基站之间的合作处理网络中空间分布不均的工作量。

4) Summary and Insight:
对于多用户MEC系统的资源管理方法的比较如下图所示：


结论总结（关于资源分配、MEC服务器调度、移动协作计算）：
1.考虑到MEC系统具有有限的无线和计算资源，对于卸载计算，为实现系统级的目标（比如：最小化移动设备的总功耗、用户获得的最大信道增益、最低的本地计算能量消耗）有一个高的优先级，因为它们能够很大程度上节能。然而，对于大量卸载用户，将会造成用户间的通信和计算干扰，将会反过来减少系统受益。
2.为有效减少多用户总的计算时延，MEC服务器的调度设计应该安排更高的优先级给具有更加严格的时延要求和重计算任务的用户。更进一步，并行计算也能进一步提高服务器的计算速度。
3.清理大量分布式计算资源不仅可以缓解网络拥塞，还可以提高资源利用率，实现普适计算。这个愿景可能会通过点对点移动设备协作边缘计算来实现，最主要的优点包括通过D2D技术的短距离通信、计算资源和结果的共享。

C. MEC Systems With Heterogeneous Servers
异构MEC系统：由一个中心云和多个边缘服务器组成。不同等级的中心云和边缘云之间的合作交互引入了很多研究挑战，最近吸引力广泛的研究在服务器选择、服务器卸载和计算迁移。

1) Server Selection:
为了最大化卸载成功的可能性，提出了一个启发式的调度算法，同时利用低通信时延（由于接近MEC服务器）和低计算时延（因为在中心云能够提供丰富的计算资源）。当MEC服务器的计算量超过给定的阈值，对于时延可包容的任务可以卸载到中心云去进行计算，从而让出足够的边缘服务器资源给时延敏感的任务。

2) Server Cooperation:
通过服务器协作进行的资源共享不仅能够提升资源利用率和提高运营商受益，而且能够提高用户的体验。这个框架包括：资源分配、受益管理、服务提供协作。首先，资源分配在确定性和随机的用户信息的情况下被优化，来最大化总受益；其次，考虑到自私的云服务提供商，一种基于游戏理论的分布式算法被提出去去最大化服务提供商的利润，实现纳什均衡；

举例：为实现不同服务器之间的资源共享与合作，采用具有稳定性和收敛性保证的博弈论算法；更进一步，最近提出的一种新的协作方法，边缘服务器都采用计算和存储资源通过主动地缓存计算结果去最小化计算时延。

3) Computation Migration:
简述：计算移动性主要产生于卸载用户之间的移动性，当用户移动到接近新的MEC服务器时，网络控制器将会选择去迁移计算去新的服务器，或者在原来的服务器计算并将计算结果传递到新的服务器。

4) Summary and Insight:
下表为异构MEC服务器系统资源管理总结：

总结：
1.为了减少计算总时延，将时延不敏感和计算量巨大的任务卸载到远程中心云服务器，而时延敏感的在边缘服务器计算；
2.服务器协作能够提升MEC服务器的计算效率和资源利用率，更重要的是它能够平衡网络中的计算卸载分布以便去减少总的计算时延同时使得资源被更好的利用。而且，服务器协作设计需要考虑时间和空间上的计算任务到达、服务器计算容量、时变信道和服务器单独受益。
3.在MEC移动性管理中，计算迁移是一个有效的方法。是否迁移取决于迁移开销、用户和服务器之间的距离、信道条件、服务器计算容量。具体的说，当用户远离原来的服务器时，最好将计算任务迁移到用户附近的服务器上。

D. Challenges
1) Two-Timescale Resource Management:为了简单起见，在整个任务执行过程中，无线信道被认为是保持静态的，当信道相干时间远小于时延要求的时候，整个假设是非常不合理的。
2) Online Task Partitioning:对于最优化，当前的文献抓住任务分区问题而忽略了无线信道的波动、过程执行开始前的获取任务分区判决。具有这样脱机的任务分区判决，信道条件的改变将会导致无效的甚至是不可行的卸载，这将会使得计算性能严重下降。当前文献提出了近似的在线任务分区算法，分别通过连续的树拓扑的任务访问图，然后通用的任务模型解决方案任然没有被开发。
3) Large-Scale Optimization:多MEC服务器协作允许它们的资源被联合管理，对于同时服务大量的移动设备。然而，网络大小的增加反映出了具有大量卸载判决和无线计算资源分配变量的大范围优化的资源管理问题。为了实现有效的资源管理，要求设计低复杂度并具有较少信令和计算开销的优化算法。

IV. ISSUES, CHALLENGES, AND FUTURE RESEARCH DIRECTIONS
MEC的未来研究方向：

A. Deployment of MEC Systems
MEC服务器的部署不同于传统的基站，因为还要考虑计算资源的规定、网络系统结构、部署密度等。下面将讨论MEC服务器部署的三个方面的问题：
1) Site Selection for MEC Servers:
MEC服务器的选址主要考虑两方面：地址租金和计算需求。一般来说，MEC服务器部署在人员密集的区域，但是人员密集区域的租金也比较高，同时，也可以考虑与运营商合作将MEC服务器部署在基站的位置。

一方面：对于有些应用（比如智能家庭）期望将计算资源移动到离终端更近的地方，这个可以通过注入计算资源进入小小区基站的方式实现。存在一些障碍：1.物理上的限制，有些MEC服务器的计算能力远低于宏基站，计算密集的任务是一个挑战，可行的方法是：建立一个MEC系统分级结构，由不同的通信和计算能力的MEC服务器组成；2.一些小小区基站被家庭用户随意部署，毫微微基站的拥有者没有与MEC提供商合作的动机，所以需要实行奖励机制。3.在毫微微基站中部署MEC服务器可能会出现安全问题，因为毫微微基站很容易受到外部网络攻击，从而大大降低了安全可靠性。

另一方面：计算热点区域并不一定就是通信热点区域，所以我们需要正确地部署具有收发器的MEC服务器在正确的位置上。

因此：在部署MEC系统之前要解决地址选择问题和计算资源配置问题。exp:在租金高的区域，MEC服务器必须服务更多的用户以实现更高的受益。

2) MEC Network Architecture:
通过蜂窝网络中异构网络的分层类推，从直觉上，异构MEC系统也由多层组成，MEC系统的分层不仅仅在异构网络的通信传输上很有效，而且可以通过将计算工作量分布式部署到多层从而具有强大的能力可以处理峰值计算任务，但是计算容量配置问题任然没有解决，因为需要考虑很多因素（比如：工作量密集度、各层的通信开销、工作量分布策略等等。）

另外，可以使用非专用的计算资源（比如：笔记本电脑、手机等）来进行专用的计算，提高计算资源的利用率，减少了部署的费用。但是这会出现资源管理和安全的问题，由于它的专一和自组织性质。

3) Server Density Planning:
决定边缘部署的数量和具有部署成本和计算资源要求统计的不同类型MEC服务器的最优结合是非常关键的。用几何理论对MEC系统进行性能分析是非常可行的，分析存在以下几个挑战：1.计算的时间标量和无线信道的相干时间可能是不同的，这可能会导致无线网络不能快速适应MEC系统，可行的解决方法是使用马尔可夫链结合几何理论去得到稳定的计算行为；2.计算卸载策略会影响无线资源管理策略，这也需要被考虑；3.计算需求通常是不均匀地成群分布，所以不能用均匀泊松点过程处理，要求更先进的点处理方法，比如：Ginibre α-行列式点处理过程，去获取边缘节点的集群行为。

B. Cache-Enabled MEC
视频缓存应用：将受欢迎的重复的内容缓存基站，从而避免过于频繁地从核心网读取数据，从而减少内容请求时延和网络回程开销。

能够缓存的MEC：是将缓存技术与MEC技术相结合。如下图所示，这里的MEC服务器能够缓存一些应用服务（服务缓存）和相关的数据库（数据缓存），并且可以执行多用户计算卸载任务。

为了有效地减小时延，一些关键的问题描述如下：
1) Service Caching for MEC Resource Allocation:
对于不同的应用可能请求访问不同的资源，被分为CPU饥饿（比如云象棋和VR应用）、内存饥饿（在线Matlab应用）、存储器饥饿（VR应用）。如此，资源与需求的错配会带来一个关键的挑战，即对于服务缓存，如何分配异构资源。

提出两种可行的方法：
1.基于空间受欢迎服务的缓存：根据用户的位置以及周围用户相同的兴趣在不同的服务器中缓存不同的组合和服务的数量。举例：游客在博物馆想使用AR眼镜来享受更好的用户体验，因此期望在这个区域内的MEC服务器缓存多种AR服务，以便提供实时服务。为了实现最优的空间服务缓存，需要建立一个空间应用欢迎度分布模型，去特征化每个应用在不同位置的受欢迎程度。（基于这个，我们采用不同的资源分配优化算法，比如博弈论、凸优化）
2.基于临时欢迎度服务缓存：与1.中不同的是，该方法只在一个时间段内利用欢迎度信息，比如用户倾向于在晚饭之后玩移动云游戏，那么这类信息将会建议MEC操作者在这个时间段内缓存一些游戏服务应用。缺点：由于频繁的缓存和释放操作，欢迎度信息是时变的并且MEC服务器具有有限的资源，会增加服务器开销。

2) Data Caching for MEC Data Analytics:
问题：现在很多应用程序都涉及基于数据分析的集中计算，以VR为例，需要MEC服务器实现超短时间周期处理复杂的过程，比如通过模式识别识别用户的动作、通过大数据分析理解用户的请求、通过视频流和其他的技术展现虚拟设置。以上基于技术的数据分析都需要一个综合数据库的支撑，这会给MEC服务器带来存储负担。

解决：通过智能数据缓存技术可以消除这个问题，即存储频繁使用的数据库。更进一步，计算结果的缓存数据也可能被其他用户重复使用，这更进一步提高了整个MEC系统的计算性能。

实现效果：减小计算时延，减轻边缘服务器的负担。

对于在单个MEC边缘服务器的数据缓存：一个关键的问题是在大量的数据库和有限的存储资源之间的折中，与毫微微缓存网络不一样的是，MEC数据缓存会带来在计算精度、时延、边缘服务器功耗上的多方面影响。更进一步，建立一个数据库欢迎度分布模型也能够统计地描述对不同MEC应用的不同数据库设置。

C. Mobility Management for MEC
在一些应用中，用户的移动和轨迹信息会为边缘服务器提供位置和用户个人喜好的信息，从而提高处理用户计算请求的效率。另外，移动性也对于实现普遍存在和可靠的计算提出挑战，原因如下：
1.MEC一般在异构网络下实现（由多个宏基站、小小区基站、WIFI接入点组成），因此用户的移动性会要求频繁地切换；

2.用户在不同小区之间移动将会引发干扰，会使传输性能下降；
3.频繁的切换会提高时延并恶化用户体验。

在考虑MEC系统的移动性时，需要考虑MEC边缘服务器有限的计算能力。通过解决一个凸优化问题，设计一个机会型卸载策略，以最大化任务卸载成功的可能性。

值得注意的是：当下文献聚焦移动感知服务器最优化选择，然而，卸载技术和调度策略也同样重要，如下：
1) Mobility-Aware Online Prefetching:
问题：传统的移动计算卸载设计只有在切换的时候，才会取回计算任务去另一个服务器。为了切换，这个机制将会请求大量数据的过多取回，因此会带来很长的取回时延，而且会造成MEC网络具有沉重的负载。

解决：在服务计算时间内，可以使用用户轨迹和对于可能服务器的未来计算数据的预取的统计信息来处理这个问题，即所说的在线预取。

优点：这个技术不仅能有效地通过移动性预测来减少切换时延，还能够通过扩大传输时间来实现节能计算卸载。

两个挑战：
the first:精确的预测能够在边缘服务器之间实现无缝切换并且减少数据预取冗余（可采用复杂的机器学习算法），因此对于预测精度和算法复杂度之间的折中也十分重要；
the second:预取数据的选择问题，为了最大化边缘用户卸载的可能性，同时适应动态衰落信道中合适的传输功率控制，集中计算部分需要被提前预取。

2) Mobility-Aware Offloading Using D2D Communications:
D2D通信优点：提高网络容量、减轻蜂窝系统中数据流量负担、减少传输功耗（因为短距离传输）。

D2D应用与MEC系统的移动性：创造许多D2D通信链路，这些链路能够让用户的计算卸载到邻近具有计算容量的用户。

D2D在移动性中的问题：
the first:如何综合D2D通信和蜂窝系统的优点，可以将集中的计算任务卸载到基站侧的边缘服务器（具有大的计算容量），以便减少服务器计算时间，同时大数据量的和精确计算的请求被邻近的用户取回，通过D2D通信从而获取较高的能量效率。
the second:周围用户对卸载的选择需要通过考虑用户的移动性信息、动态信道、异构用户的计算容量来进行优化；
the third:大量的D2D通信链路将会引入干扰，所以可以引入干扰消除和认知无线电技术。

3) Mobility-Aware Fault-Tolerant MEC:
引出：间断的连接和快速改变的无线信道可能会造成卸载失败，从而给用户带来极差的用户体验，从而提出移动感知和容错的MEC系统。

包括三个主要部分：错误预防、错误检测、错误恢复。
1.错误预防：通过使用其他的可靠的卸载链路来避免和防止MEC错误，宏基站和中心云也能被选为防护云，因为它们有大范围网络覆盖允许持续的MEC服务。关键的设计挑战是如何对QoS（比如：发送错误的可能性）和由于堆单个用户额外的卸载链路的能量消耗，和对多用户MEC应用如何分配保护云。

2.错误检测：错误检测是去收集错误信息，可以通过设置智能时钟和MEC服务的接收反馈来实现。此外，信道和移动性估计技术也能够应用于去评估错误达到减少错误检测时间的目的。

3.错误恢复：针对检测到的错误，执行恢复技术可以达到继续并加速MEC服务的效果。因错误而暂停的服务可以被转换到更加可靠的在高速卸载情况下具有合适的功率控制的后备无线链路，另外可选的方法还包括：直接将工作任务转移到邻近的小区或者通过专门的中继节点。

4) Mobility-Aware Server Scheduling:
问题：传统的MEC服务器服务用户的调度方法是根据卸载的优先顺序，取决于用户独特的本地计算信息限制、信道增益、时延要求，但是这不能被直接用于多用户的系统（有一个动态的环境：比如时变信道、间歇连接）。所以需要一个与时变用户信息合作的动态调度。

解决：在动态调度机制下，具有差的条件的用户将会被分配一个高的卸载优先级以满足截止时间条件。另一种方法是涉及感知移动性优先级卸载函数，由以下两个步骤实现：第一步是去精确地预测用户的移动性配置和信道条件，这里主要的挑战是：移动性效果和卸载优先级函数之间的映射；第二步是资源预留，能够增强服务器的调度性能。另外，对于时延敏感的用户，MEC服务器也会预留专用的计算资源为这些用户提供可靠的计算服务。对于其他时延不敏感用户，MEC服务器可以实现按需配置。

D. Green MEC
主要考虑节能，主要设计方法有：MEC能量均衡的动态精简、MEC的地理卸载均衡、可再生能源在MEC系统的使用。
1) Dynamic Right-Sizing for Energy-Proportional MEC:
反例：一种实现服务器能量均衡的方法是对计算量较少的MEC服务器进行关闭或者减慢操作，但是伴随着节能的同时，服务器在开关两种状态之间的切换会带来一些问题：首先，会造成切换开销和应用数据迁移时延；其次，由于分配的计算资源量较少，用户体验可能会降低，这反过来可能降低运营商的收入；而且，服务器开关的磨损成本风险也会提高，这也会提高MEC维护商带的成本。总之，这不是一个好的方式。

解决：为了实现有效的动态精简均衡，每个边缘服务器的计算工作量概括需要被准确地预测。对于MEC服务系统来说，每个边缘服务器的服务区域是非常小的，因此它的工作负载模式被很多因素影响，比如服务器的位置、周期、天气、相邻边缘服务器的数量和用户移动性，这会导致快速变化的工作负载模式和要求更精确的预测技术。此外，在线动态均衡算法需要较少的预测信息，需要被发展。

2) Geographical Load Balancing（GLB） for MEC:
举例：一个MEC服务器集群为一个移动用户提供服务，比如一个热点地区（比如餐馆）的任务可以被路由到附件任务量较少的MEC服务器（比如公园）进行处理，一方面会提升任务量较少的服务器的能量效率和用户的体验，另一方面会延长移动设备的电池寿命。另外，GLB的实现要求有效的资源管理技术。

应用GLB需要考虑的因素：1.因为任务迁移需要经过蜂窝核心网，所以当进行GLB判决的时候需要监控和考虑网络拥堵情况；2.为进行无缝任务迁移，一个虚拟机需要提前迁移或者设置到另一个边缘服务器，这可能会造成额外的功耗；3.运营商需要考虑节能和低时延之间的折中；4.现存的传统的云计算赋予边缘服务器额外的选项，即将关键的时延和集中计算任务卸载到远程云数据中心处理，会使优化复杂化。

3) Renewable Energy-Powered MEC Systems:

可再生能源功率的MEC系统主要考虑的问题有：绿色感知能量资源分配和计算卸载。代替满足用户体验的情况下最小化能耗的方式，而对于可再生能源功率的MEC系统的设计原则需要改变。

E. Security and Privacy Issues in MEC
MEC能够实现新的服务类型，同时这也带来新的安全和隐私问题：首先，MEC固有的异构网络使得传统的认证机制不可用；然后，支持MEC的通信技术的多样性和网络管理机制的软件性质带来了新的安全威胁；而且，安全和私有计算机制变得非常需要，因为边缘服务器可能是窃听者或攻击者。

有效的安全隐私机制如下：
1）信任和认证机制：
问题：由于不同类型的边缘服务器来自于不同的供应商，使得传统的信任认证机制不可用，并且由于很多边缘服务器服大量移动设备，这使得信任认证机制比起传统的云计算系统变得非常复杂。

2）网络安全：
问题：MEC系统中，不同的网络（比如：WiFi、LTE、5G都有不同的信任域），在现有的解决方案中，认证机构只能将证书分发给位于其自己的信任域中的所有元素，这使得很难保证不同信任域中通信的隐私和数据完整性。

解决：为了解决这个问题，我们使用密码属性作为信任证书去交换回话密钥。而且定义多个信任域之间进行协商和维护域间的信任证书的联合内容网络的概念也可以被使用。

此外，SDN和NFV等技术引入会简化MEC网络，但是这些软件技术也是易受攻击的。因此需要一个新颖的、健壮的安全机制，比如：内部管理程序、运行时内存分析、集中安全管理。

3）安全和隐私计算：
为了实现安全和隐私的计算，边缘平台在执行计算任务时不需要知道原始的用户数据，并且计算结果需要被认证，这可以通过加密算法和认证计算技术实现。

V. STANDARDIZATION EFFORTS AND USE SCENARIOS OF MEC
A. Referenced MEC Server Framework

B. Technical Challenges and Requirements
1）Network Integration:MEC服务是部署在通信网络之上的新型服务，MEC平台所以对3GPP的网络架构应该透明；
2) Application Portability:要求MEC应用可以无缝地被不同供应商提供的MEC服务器加载和执行，这要求平台应用管理、打包机制、部署、应用管理上的一致性。
3) Security:由于整合了计算和IT服务，MEC系统具有更多的安全挑战；
4) Performance:因此，应该提供足够的容量来处理系统部署阶段中的用户流量。此外，由于高度虚拟化的特性，所提供的性能可能受损，特别是对于那些需要大量使用硬件资源或具有低延迟要求的应用程序。最后，如何提高虚拟化环境的效率将会是一个挑战；
5) Resilience:MEC平台和应用应该具有容错能力，去仿真错误对其他正常的网络操作产生影响；
6) Operation:：虚拟化和云技术使各方能够参与MEC系统的管理。 因此，管理框架的实施还应考虑潜在部署的多样性。
7) Regulatory and Legal Considerations:MEC系统的部署需要满足合法的管理需求，比如隐私和收费。

除了上述之外，还有用户的移动性、应用和流量迁移、连接和存储的要求。

C. Use Scenarios
1) Video Stream Analysis Service:

这里的边缘服务器能够对视频进行管理和分析，仅将有价值的视频剪辑内容上传到云数据中心。

2) Augmented Reality Service:

3) IoT Applications:
对于IoT设备，需要将集中的计算任务卸载到远端去处理（返回处理结果），从而延长电池使用寿命。IoT设备在独自获取分布式信息的时候会出现困难，而MEC服务器具有高性能计算能力并且能够收集分布式信息，MEC服务器的部署将会有效简化IoT设备。物联网的另一个重要特征是运行不同形式协议的设备的异构性，并且它们的管理需要被低时延网关（可以是MEC服务器）实现。

4) Connected Vehicles:
MEC在和车联网、无人机方面的应用：

D. MEC in 5G Standardizations
1) Functionality Supports Offered by 5G Networks:
对5G运营商而言，两大主导设计目标是：减少端到端时延和传输网络中的负载。

为了在5G系统里整合MEC，最近的5G技术规范提出了针对边缘计算所提供的5G网络功能支持，如下所示：
1.5G核心网络应选择要路由到本地数据网络中的应用程序的流量。

2) Innovative Features in 5G to Facilitate MEC: