#1文献学习总结---移动边缘计算

文献:Mobile Edge Computing: Survey and Research Outlook

1.介绍

5G移动计算:从云到边缘

MEC是基于一个虚拟化平台实现的,该平台利用了网络功能虚拟化(NFV)、信息中心网络(ICN)和软件定义网络(SDN)方面的最新进展。

NFV 通过创建多个虚拟机来同时执行不同的任务或操作不同的网络功能,使单个边缘设备能够为多个移动设备提供计算服务。

ICN为MEC提供了另一种端到端服务识别范式,从以主机为中心转向以信息为中心,实现上下文感知的计算。

SDN允许MEC网络管理员通过功能抽象来管理业务,实现可扩展和动态计算。

移动边缘计算vs移动云计算

MEC MCC
服务器硬件 拥有适度资源的小规模数据中心 大型数据中心(每个都包含大量高能力的服务器)
服务器位置 与无线网关、WiFi路由器、LTE BSs共定位 安装在专门的建筑里,有几个足球场那么大
部署 密集部署于电信运营商、MEC厂商、企业和家庭用户;需要轻量级配置和规划。 由IT公司(例如谷歌和Amazon)在世界各地的一些地点部署;需要复杂的配置和规划。
与终端用户的距离 小(几十到几百米) 大(可能跨越国界)
回程使用 不经常使用,缓解拥挤 频繁使用,容易造成交通堵塞
系统管理 分级控制(集中/分布式) 集中控制
可支持的延迟 不到几十毫秒 大于100毫秒
应用程序 延迟关键和计算密集型应用,如增强现实、自动驾驶和交互式在线游戏。 容忍延迟和计算密集型应用程序,例如,在线社交网络和移动商务/健康/学习。

MEC优点:低延迟、移动能源节约、情景感知、隐私/安全增强。

移动服务的延迟是三个组成部分的集合:传播、计算和通信延迟,分别取决于传播距离、计算能力和数据速率。

计算密集型任务可以从物联网设备卸载到边缘设备,以降低其能耗。利用终端用户与边缘设备的接近性来跟踪他们的实时信息,如行为、位置和环境。

MEC服务器是分布式部署,规模较小,有价值的信息不太集中,因此成为安全攻击目标的可能性要小得多。其次,许多MEC服务器可以是私有云,这将缓解人们对信息泄露的担忧。

2.MEC计算和通信模型

计算任务模型

二进制卸载的任务模型

高度集成或相对简单的任务不能分区,必须在移动设备上本地整体执行,或卸载到MEC服务器,称为二进制卸载

部分卸载的任务模型

程序可以被划分为两个部分,其中一个部分在移动设备上执行,另一个部分被卸载以便边缘执行。

数据分区模型:其中任务输入位是位独立的,可以任意划分为不同的组,并由MEC系统中的不同实体执行。
(忽视了不同任务、组件之间的依赖性)

任务调用图:典型的有向无环图(DAG),它是一个没有有向环的有限有向图。我们将其表示为G (V, E),其中顶点集V表示应用程序中的不同过程,边集E指定它们的调用依赖关系。
子任务有三种典型的依赖模型,分别是顺序依赖、并行依赖和通用依赖,如下图。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,也可以在任务调用图的顶点上指定,而每个过程的输入/输出数据量可以通过对边缘施加权重来表征。
#1文献学习总结---移动边缘计算_第1张图片

通信模型

在MEC系统中,通信通常发生在ap和移动设备之间,并有可能直接进行D2D通信。

D2D通信:D2D旨在使一定距离范围内的用户通信设备直接通信,以降低对服务基站的负荷,D2D可以在基站控制下进行连接及资源分配,也可以在无网络基础设施的时候进行信息交互。
对于移动设备和MEC服务器之间的远程通信,WiFi和LTE是两种主要技术,使MEC系统能够访问,可根据其链路可靠性自适应切换。
通信技术:
近场通信(NFC):覆盖范围和数据速率非常低,因此该技术适用于需要很少信息交换的应用。
射频识别(RFID):只允许单向通信。
蓝牙:MEC系统中实现近距离D2D通信的一种更强大的技术。
WiFi以及长期演进(LTE):移动设备和MEC服务器之间的远程通信,使MEC系统能够访问,可根据其链路可靠性自适应切换。

移动设备的计算模型

移动设备的CPU是本地计算的主要引擎,除了cpu,移动设备中的其他硬件组件,如随机存取存储器(RAM)和闪存,也会造成计算延迟和能量消耗。

CPU的性能由CPU周期频率fm(也称为CPU时钟速度)控制。
移动CPU架构采用了先进的动态频率和电压缩放(DVFS)技术。
CPU功耗可以分为动态功耗、短路功耗和泄漏功耗3几个因素,其中动态功耗占主导。

移动设备可能无法在规定的期限内完成计算密集型任务,或者移动执行所产生的能量消耗如此之高,以至于板载电池将很快耗尽。在这种情况下,将任务执行过程卸载到MEC服务器是可取的。

公式看不懂哇。。。

MEC服务器的计算模型

确定性服务器计算延迟(延迟敏感应用):虚拟机+DVFS技术;用于设计计算资源分配策略。
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。除了CPU处理时间外,计算能力相对较小的MEC服务器还需要考虑服务器调度排队延迟,这些服务器无法通过虚拟化技术进行并行计算,需要按顺序处理计算负载。

随机服务器计算延迟(延迟容忍应用):根据随机模型导出平均服务器计算时间。任务到达和服务时间分别用泊松过程指数过程建模。

MEC服务器的能耗由CPU、存储、内存和网络接口的使用情况共同决定。

DVFS技术:使移动执行的计算能耗最小化。
根据芯片的性能和功耗需求调整电压和频率,降低动态功耗。
服务器的能量消耗与CPU利用率呈线性关系,CPU利用率取决于计算负载。

节能MEC应允许服务器在负载较轻的情况下切换到休眠模式,并将计算负载合并到较少的活动服务器中。

3.MEC系统中的资源管理

单用户MEC系统

带二进制卸载的确定性任务模型:

适用于需要大量计算和少量数据输入的应用程序,或者当云服务器快速且传输速率足够高时。

例如针对多媒体应用,该任务要求在给定概率⇢的截止日期内完成。一方面,使用DVFS技术对本地执行的能耗进行优化;另一方面,通过数据传输调度最小化任务卸载的预期能耗。

带有部分卸载的确定性任务模型:

由任务调用图来建模的,指定了不同子任务之间的依赖关系,并设计了代码分区方案来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的负载平衡的概念,开发了一种启发式编程分区算法,以最小化执行延迟。

随机任务模型:

为了最大限度地减少移动能耗,同时将违反截止日期要求的执行比例保持在阈值以下,提出了一种基于李雅普诺夫优化技术的动态卸载算法。
基于Lyapunov优化的算法来联合决定卸载策略、任务分配、CPU时钟速度和选择的网络接口。
Lyapunov优化算法(稳定数据队列的同时,尽力最大化/最小化效用函数)

在本地和边缘并行执行可行的前提下,基于马尔可夫决策过程(Markov decision process, MDP)理论设计了时延最优的任务调度策略,该策略基于信道状态控制本地处理和传输单元的状态以及任务缓冲队列长度。

多用户的MEC系统

多个移动设备共享一个边缘服务器组成的多用户MEC系统

无线电和计算资源联合分配

控制卸载数据大小和时间分配的最优策略具有一个简单的基于阈值的结构。具体而言,首先根据移动用户的信道条件和本地计算能耗推导出卸载优先级函数;然后,优先级高于和低于给定阈值的用户分别执行完全卸载和最小卸载(以满足给定的计算期限)。

基于Lyapunov优化的在线算法研究了多用户MEC系统中的能量延迟权衡,该算法联合管理可用的无线电和计算资源。

利用博弈论和分解技术设计的多用户MEC系统的分布式资源分配。
在移动传输功率固定的情况下,提出了一个最小化总能耗和卸载延迟的整数优化问题,证明了该问题是NP-hard的。博弈论技术被应用于开发一个分布式算法,能够实现纳什均衡。
为了解决所提出的混合整数问题,利用分解技术对资源配置和卸载决策进行顺序优化。具体而言,将卸载决策问题简化为子模块最大化问题,并通过设计启发式贪心算法求解。

MEC服务器调度

排队理论—分配不同优先级—自适应调整执行顺序
一些计算任务由几个相互依赖的子任务组成,这些模块的调度必须满足任务依赖的要求。

求解公式混合整数问题的启发式算法:连续子任务安排的任务模型,联合优化多用户的程序分区和服务器计算调度,使平均完成时间最小。

多用户通用依赖关系-任务模型: 模型极大地复杂化了计算时间的表征。

多用户协同边缘计算(D2D通信)

通过点对点移动协作计算来减轻服务器的负担;平衡计算工作量和计算能力在用户之间的不均匀分布。
基于D2D的异构MCC网络,该框架提高了网络容量和卸载概率。

具有异构服务器的MEC系统

服务器选择

启发式调度算法提高卸载成功概率;拥塞博弈使移动用户和边缘服务器的总能量消耗最小化。

服务器合作

资源分配、收益管理、服务提供商合作。

建立联盟博弈模型实现不同服务器之间的资源共享与协作。

计算迁移

MEC服务器可以在本地处理卸载的计算任务,也可以将它们迁移到中央云服务器。
通过半确定松弛和随机化技术确定每个用户的卸载决策,然后对所有用户进行资源分配优化。

4.挑战

Two-Timescale资源管理
在线任务划分
大规模优化

5.MEC研究的展望

MEC系统的部署

MEC服务器的选址:站点租金和计算需求
MEC网络体系结构:云、边缘、服务用户层
服务器密度规划

缓存支持MEC

无线内容缓存或FemtoCaching,通过在BSs中缓存相同的内容来避免对相同内容的频繁复制,在减少内容获取延迟以及减轻网络回程的沉重开销负担方面具有显著优势。

用于MEC资源分配的服务缓存

资源需求:cpu消耗(如云棋、VR)、内存消耗(如在线Matlab)和存储消耗(如VR)应用。

空间流行度驱动的服务缓存:根据不同MEC服务器的特定位置和周围用户的共同兴趣,在不同的MEC服务器上缓存不同的服务组合和数量。
优化算法(博弈论和凸优化技术)设计资源分配策略。

临时流行驱动的服务缓存:利用了时间域的流行度信息,因为计算请求也依赖于时间段。

MEC数据分析的数据缓存

MEC的移动性管理

Mobility-Aware在线预取

利用用户轨迹的统计信息,并在服务器计算时间内将未来计算数据的部分预取到潜在的服务器,称为在线预取。
三个挑战:轨迹预测、选择预取的计算数据

使用D2D通信的移动感知卸载

D2D通信:提高网络容量,减轻蜂窝系统的数据流量负担。

Mobility-Aware容错MEC

故障预防:故障预防是通过备份额外稳定的卸载链路来避免或防止MEC故障。可以选择宏观BSs或中心云作为保护云。
故障检测:故障检测是收集故障信息,可以通过设置智能定时检查或接收MEC业务反馈来实现。
故障恢复:恢复措施以继续和加速MEC服务。

Mobility-Aware服务器调度

传统的MEC服务器调度是根据卸载优先级顺序为用户服务,卸载优先级顺序取决于用户不同的本地计算信息、通道增益和延迟需求。
静态调度不适用于具有移动性的多用户MEC系统

通过自适应服务器调度的设计,可以不时地重新生成调度顺序,并结合实时用户信息。在这种自适应调度机制中,条件较差的用户将被分配更高的卸载优先级,以满足其计算截止日期。

Green MEC

能量比例MEC的动态优化

关闭/降低一些计算负载较轻的边缘服务器的处理速度。

MEC的地理负载均衡

利用工作负载模式、温度和电价的空间多样性,在不同数据中心之间做出工作负载路由决策。
有助于提高轻负载边缘服务器的能源效率和用户体验,可以延长移动设备的电池寿命。

可再生能源动力MEC系统

改变为在可再生能源约束下优化可实现的性能。
可再生能源的随机性可能会带来卸载的不可靠性和故障风险
解决方法:部署成本低、合理选择可再生能源、混合能源供电、无线功率传输。

MEC中的安全和隐私问题

MEC系统本身的异构性:不同类型的边缘服务器可能由多个供应商部署,不同类型的移动设备可能同时存在。
使得传统的为云计算系统设计的信任和认证机制不适用。

信任与认证机制

信任:了解与系统交互的实体的身份。
认证管理:为确保“信任”提供了一种可能的解决方案。

网络安全

证书分发的困难,证书可用于在不同信任域之间协商会话密钥,使用加密属性作为凭证来交换会话密钥。
联邦内容网络:定义了多个信任域如何协商和维护域间凭证。
SDN和NFV等技术:以简化组网管理,并提供隔离。

安全私有计算

加密算法和可验证的计算技术:在不需要知道原始用户数据的情况下执行计算任务,并且可以验证计算结果的正确性。

6. MEC的标准化工作和使用场景

参考MEC服务器框架

#1文献学习总结---移动边缘计算_第2张图片

MEC服务器参考框架,如上图:托管基础设施+应用平台

托管基础设施:硬件组件(如计算、内存和网络资源)、
MEC虚拟化层(它将详细的硬件实现抽象到MEC应用程序平台)。

MEC应用平台:MEC虚拟化管理器、IaaS (Infrastructure as a Service)控制器。
MEC应用平台主要提供流量卸载功能(TOF)、无线网络信息服务(RNIS)、通信服务和业务注册四大类业务。

技术挑战和要求

网络集成、应用程序的可移植性、安全(授权)、性能、弹性、操作、监管和法律考虑、对用户移动的支持,应用/流量迁移,对连接和存储的要求。

使用场景

视频流分析服务(目标检测、分类)

在靠近边缘设备的地方进行视频分析,系统不仅可以享受低延迟的好处,还可以避免视频流上传带来的网络拥塞。

增强现实服务

MEC服务器应该能够通过准确分析输入数据来区分请求的内容,然后将AR数据传回给最终用户。

物联网应用

MEC服务器拥有高性能计算能力,并能够收集分布式信息,其部署将显著简化物联网设备的设计。

连接车辆

MEC是一项关键的使能技术,它将计算和地理分布服务添加到路边BSs(Basic Service Set)中。

主动设备跟踪
支持lan的内容优化
分布式内容和域名系统(DNS)缓存
企业网络
安全城市和智能安全

7.结论

MEC通过将丰富的计算和存储资源推向网络边缘,使云计算能力和IT服务接近最终用户。

你可能感兴趣的:(论文学习,学习,边缘计算,5g)