异构网络中的边缘计算技术研究文献综述

 2022-09-26 17:08:14

  1. 文献综述（或调研报告）：
  2. 前言

移动终端（如智能手机、平板电脑等）的广泛性对移动和无线网络带来了巨大的影响，也带来了世界范围内对移动网络的挑战[1], [2]。这类网络不得不忍受低存储能力、高能量消耗、低带宽和高时延的问题[3]。另外，新型的物联网（IoT）科技的指数级增长将进一步牵制蜂窝和无线网络[4]。MCC作为云计算和移动计算的结合，向移动设备提供了可观的能力并授权它们使用中央云提供的存储、计算和能量资源[5], [6]。但是移动设备的涌现使得MCC面临很多的挑战，如高时延、安全漏洞、低覆盖、和数据传输延迟等。这些挑战在下一代移动网络（如5G）中将会更加困难[7]。另外，MCC不能满足一些实时应用的场景并保证高质量的服务。根据Cisco Visual Networking Index 的最新报告，2020年将会有116亿的移动连接设备被使用[2]。移动设备使用的增长趋势被用户的增加和移动应用的开发所驱使（如iPhone的APP和谷歌的APP）[8], [9]。

在计算范例的时代，边缘计算（或者称雾计算），开始具有重要意义，特别是移动蜂窝网络中的MEC [10]。MEC的主要目标是应对MCC系统中隐藏的挑战。MEC使MCC可以将存储和处理能力等云资源分发到无线接入网（RAN）的边缘。这为终端用户带来了快速强大的计算能力、能耗的降低、存储的能力、移动性、位置和环境感知的支持[11], [12]。从前，一种位于互联网边缘，名为cloudlet的技术被用来分发移动云服务；但是因为它有限的WiFi覆盖范围而存在不足。在一个需要高运算力的环境里，cloudlet可以有效地处理从设备迁移过来的运算密集型任务[12]。MEC具有更好的迁移技术，使网络具有低时延和高带宽的特点，可以作为替代品。

  1. 正文

文献[13]中以最大限度地减少执行延迟为约束条件，通过一维搜索算法实现资源优化。 该算法根据应用程序缓冲区队列状态、UE（用户设备）和MEC服务器的可用处理权限以及UE和 MEC 服务器。计算迁移决策本身是通过计算迁移策略模块在UE上完成的。本模块决定在每个时间段内, 在缓冲区中等待的应用程序是在本地处理, 还是在MEC处理, 同时最大限度地减少执行延迟。

在文献[14]中引入了旨在最小化执行延迟的另一个想法。与之前的研究相比，[14]也减少了应用迁移的失败率。本文考虑UE的动态电压和频率扫描（DVS）[15]和能量收集技术[16]以最小化本地执行期间计算迁移的能量消耗和数据传输时的功率控制优化。在这方面，作者提出了一种基于低复杂度动态计算迁移Lyapunov优化（LODCO）算法。 LODCO在每个时隙中做出迁移决定，随后为UE分配CPU周期（如果执行本地执行）或分配传输功率（如果执行计算迁移）。LODCO针对迁移至MEC的任务，最多能够减少64％的执行时间。此外，该提议能够完全防止丢弃应用程序的情况。

在文献[17]中提出了在满足应用的执行延迟的同时最小化UE处的能量消耗的计算决策。优化问题被公式化为约束马尔可夫决策过程（CMDP）。为了解决优化问题，引入了两种资源分配策略。第一种策略基于在线学习，其中网络动态地适应UE处运行的应用。第二种策略是预先计算的离线策略，它利用了一些与应用相关的知识（例如测量每个时隙数据包的到达率，无线信道条件等）。数值实验表明，对于低到中等到达率（负荷），预先计算的离线策略能够胜过在线策略高达50％。由于文献[17]中提出的资源分配策略显示了其优点，因此作者设计了两种额外的动态离线策略[18]：确定性离线策略和随机化离线策略。结果表明，与仅在UE（节能高达78％）或仅在MEC（高达15％）完成计算的情况相比，两种方法都可以带来显着的节能效果。

通过能量有效的计算（EECO）算法，在文献[19]中实现了与先前论文相同的目标。 EECO分为三个阶段。在第一阶段，UE根据其计算的时间和能量成本特征被分类为：1）当UE不能满足执行等待时间约束时应该将计算转移到MEC的UE，2）应该执行的UE本地计算，因为它们能够在能量消耗低于预定阈值时自己处理它，以及3）迁不迁移均可的UE。在第二阶段中，从其通信信道和计算要求确定的第一和第三组中给予UE优先权。在第三阶段中，根据给定的优先级向UE分配无线电资源。 EECO的计算复杂度为O（max（I2 N，IK N）），其中I是迭代次数，N代表UE的数量，K代表可用信道的数量。根据数值结果，与没有计算迁移相比，EECO能够将能量消耗降低多达15％。此外，证明了随着MEC的计算能力的增加，决定进行计算迁移的UE的数量也将增加。

  1. 结论

MEC概念使计算资源靠近UE，即移动网络的边缘。这使得能够对MEC进行高要求的计算，以便应对应用的严格要求并且减少UE处的能量消耗。MEC倾向于在网络末端为需要高带宽和超低延迟的计算密集型任务的应用提供弹性资源，尤其是在5G网络中。MEC部署可以构建一个涉及第三方合作伙伴，内容提供商，应用程序开发商，OTT播放器，网络供应商和多个移动运营商的生态系统。虽然对MEC的研究获得了进展，但MEC本身仍然是不成熟且高度未经证实的技术。最近的研究主要通过非常简单的场景和模拟或分析评估来验证解决方案。然而，为了证明MEC引入的预期值，还需要在更现实的假设下进行实际测试和试验。

  1. 参考文献

[1] E. Cau et al., “Efficient exploitation of mobile edge computing for virtualized 5G in EPC architectures,” in Proc. 4th IEEE Int. Conf. Mobile Cloud Comput. Services Eng. (MobileCloud), Oxford, U.K., Mar. 2016, pp. 100–109.

剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付

以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章