第一章 绪论
1.1 研究背景及意义
移动通信技术的不断发展及其在整个社会日常生活中的融合，对近几年的经济和社会发展产生了明显的影响。智能设备、可穿戴设备、传感器和通信技术的进步使得智能城市、医疗保健、虚拟现实/增强现实、交互式多媒体、物联网和认知辅助等应用在未来更加成熟，大量用户设备的连接和新型应用的诞生导致数据流量大幅增长。根据 2020 年思科白皮书[1]，如图 1.1 所示，预计 2018 年至 2023年，全球互联网用户呈现不断上涨的趋势，年增长率为 6％。到 2023 年，全球移动设备下载的应用程序将达到近 3 亿个，每天将生产万亿 GB 的数据。未来第五代移动通信网络还必须面对新的需求，例如更多需要复杂计算的应用程序、更低的任务执行等待时间、更低的设备能耗、更高的服务质量（Quality of Service，简称 QoS）和体验质量（Quality ofExperience，简称 QoE）[2]，这给移动智能终端带来进一步的挑战。
图 1.1 全球互联网用户增长
1.2 移动边缘计算概述
1.2.1 移动边缘计算发展
在移动云计算之后，美国 Satyanarayanan 教授等人[11]于 2009 年提出了第一个边缘计算概念，称为微云计算（Cloudlet）。其思想是将一些具备高计算能力的云服务器放在更靠近用户的网络边缘，以便为附近的用户提供服务。Cloudlet中“计算热点”概念类似于 WiFi 热点，其代替了 Internet 连接而为用户提供云服务[9]。但是每当利用微云服务时，用户设备都必须在移动网络和 WiFi 之间来回进行切换，人们认为大量的用户设备通过 WiFi 连接访问 Cloudlet 是不利的[7]。此外，WiFi 的覆盖仅是本地的，对移动性的支持有限，因此 Cloudlet 难以提高移动用户的服务质量[9]。
之后诞生了一个边缘计算相关概念，业界称其为雾计算（Fog Computing）[12]。雾计算被广泛应用于物联网中，其采用了分布式的计算资源框架，在云计算网络中心与物联网设备之间建立了连接，能够更好地为用户提供低延迟的高可靠服务。雾计算由大量具有临时存储、处理和网络通信功能的网络设备组成，例如路由器、网关、交换机等，这些设备被称为雾节点。雾节点可以实现实时决策，灵活调度和管理网络中的存储资源和分散的计算资源。雾计算既可以选择分散在网络边缘的雾节点处理数据，还可以将那些时间敏感的物联网应用程序上传到云中进行计算。雾计算具有低延迟、实时计算和低传输负载等优势，能够满足各种需求。工业界和学术界都越来越关注雾计算，其原因是它具有推动物联网应用程序发展的潜力。
从移动用户的角度来看，所有上述边缘计算概念的显著缺点是都未集成到移动网络的体系结构当中。欧洲电信标准协会提出了移动边缘计算[8]，将边缘计算功能与移动网络架构进行集成。他们正在不断开发系统架构并标准化许多对移动边缘计算必不可少的应用程序接口。移动边缘计算在网络边缘添加了智能处理和计算单元，并在无线访问网络侧添加了计算、存储和处理功能。也就是说，它在移动网络边缘提供了安全的服务环境和计算资源，从而帮助移动设备完成时间紧迫且计算量大的任务。
..............................
第二章 MEC 中计算卸载和资源分配策略
2.1 计算卸载
2.1.1 计算卸载概述
随着 5G 时代的到来以及物联网的飞速发展，移动设备上运行的应用程序越来越复杂，其产生了大量计算密集型和时间敏感型的任务[2]。然而，移动设备受其自身 CPU 计算能力和电池容量限制，使得在本地设备处理这些任务变得非常困难。
为了应对上述问题，移动边缘计算中引入计算卸载的概念[9]。计算卸载是指将用户设备中那些复杂的计算任务从云端下沉到边缘服务器，借助边缘服务器中的计算资源，加快用户设备上应用的计算速度，实现低延迟传输和低能耗服务。在计算卸载过程中，计算任务需求、云服务器计算资源容量、网络通信状况等都是计算卸载效率的影响因素。
对于用户计算任务，计算卸载的关键部分是决定任务是否卸载，当任务确定卸载时，还要确定卸载多少，如何卸载以及什么时候卸载的问题。如图 2.1 所示，从卸载流程的角度对计算卸载进行分类，用户卸载决策可分为本地执行、完全卸载以及部分卸载[16]。
图 2.1 卸载决策
2.2 资源分配
2.2.1 资源分配概述
计算卸载可以缓解MEC系统中移动设备的计算压力并提高用户QoS和QoE，而资源分配则通过有效分配网络资源来进一步提高系统卸载性能。任务在卸载过程中会受到网络中各种资源的制约，主要为计算资源和通信资源。资源分配问题主要是解决 MEC 系统中有限的计算资源和通信资源如何分配的问题。
在云计算中，云数据中心对计算资源统一进行分配和管理。然而，在 MEC系统中，计算资源呈分散状态，分布在网络边缘的各个服务器上，难以进行分配和管理，同时 MEC 服务器中计算资源非常有限。因此，如何分配和管理 MEC 服务器中的计算资源是 MEC 发展中急需解决的问题。此外，任务卸载过程中还会占用一定的系统带宽，以及用户设备无线电资源约束。在通信资源有限的情况下，如何分配通信资源以降低通信成本也尤为重要。
2.2.2 资源分配算法研究现状
资源分配问题是 MEC 所面临的挑战之一，高效的资源分配策略在提高系统的资源利用率上起到非常关键的作用。本节将介绍现有 MEC 系统中计算资源和通信资源分配算法的研究现状。
Paymard 等人[34]在单小区功率域非正交多路访问（PD-NOMA）的 MEC 系统中，提出了一种高效的可感知传输的任务分配和计算资源分配算法。考虑了具有联合上行链路和下行链路 MEC 系统的部分卸载过程，提出了一种低复杂度的替代优化算法，解决了上行链路/下行链路发射功率和子载波，计算资源以及任务调度的分配问题。仿真实验表明所提出的算法能够收敛于局部最优解，并与现有的联合计算和任务分配算法相比，网络性能提高了近 30％。
........................
第三章 资源受限 MEC 系统联合计算卸载和资源分配策略.................................24
3.1 系统模型和问题描述.............................24
3.1.1 网络场景.........................................24
3.1.2 通信模型...................................25
第四章 分布式协作的联合计算卸载和资源分配策略........................41
4.1 系统模型和问题描述............................41
4.1.1 网络场景.......................................41
4.1.2 通信模型...................................43
第五章 总结和展望.....................................58
5.1 工作总结........................................58
5.2 研究展望...............................................59
第四章 分布式协作的联合计算卸载和资源分配策略
4.1 系统模型和问题描述
在本节中，首先对多用户多小区 MEC 网络场景进行介绍，然后制定系统通信模型和计算模型，最后描述所建立的优化问题。
4.1.1 网络场景
图 4.1 展示了多用户多小区 MEC 网络场景。在此网络场景中，MEC 服务器部署在每个小区的宏基站（MacroBS, 简称 MBS）中，以向用户提供计算卸载服务。小区内移动设备通过任务卸载策略将计算任务发送到其他执行模块，包括本地设备 CPU、本地区域 MEC 服务器和附近区域 MEC 服务器。每个用户通过移动网络中的无线信道访问 MEC 服务器，相邻两个小区 MBS 之间通过高速回程链路（Backhaul）相互连接[60]。本章主要针对小区 1 中用户计算任务进行优化，暂不考虑其他小区的计算任务优化。当本地区域 MEC 服务器计算资源不能够满足内部用户任务卸载需求时，附近小区 2 中 MEC 服务器仍有剩余计算资源，则可将本地计算任务转移到附近的 MEC 服务器上，此时小区 2 内 MEC 服务器充当辅助计算作用。
图 4.1 多用户多小区 MEC 网络场景
第五章 总结和展望
5.1 工作总结
随着 5G 时代的到来，许多新应用程序和服务需要实现低延迟和低能耗。MEC主要通过边缘服务器，就近为每个无线接入网中用户提供具有低延迟以及高带宽的计算服务，显著提高了用户 QoS。然而 MEC 服务器具有有限的计算资源，如何在确保令人满意的用户体验的同时实现高效的任务卸载并合理分配资源至关重要。
本文主要针对 MEC 系统中任务卸载和资源分配问题展开研究。首先经过对任务卸载策略研究现状的分析，可得时延和能耗是影响卸载效率的两个重要指标，同时还考虑到 MEC 服务器计算资源分配的问题。研究内容和贡献总结如下：
（1）针对多用户单小区 MEC 网络场景，提出了联合优化计算卸载和资源分配策略。主要目标是最大程度减少任务执行时延和能耗成本，本文将优化问题进行拆分求解。先基于拉格朗日乘子法得到资源分配子问题的解，然后提出一个基于贪心算法的计算卸载算法来求解计算卸载子问题，最后通过联合优化算法得出问题最终解，同时证明了该算法相比传统分支定界算法具有更低计算复杂度。仿真实验表明，相比本地执行、全卸载以及 DPH 卸载的基准方案，所提算法能实现更低的系统成本。
（2）针对多用户多小区 MEC 网络场景，提出了分布式协作的联合计算卸载和资源分配策略。考虑到用户密集小区内本地 MEC 服务器不能满足任务计算需求的情况，而附近区域的 MEC 服务器仍有剩余计算资源，通过将计算任务转移到附近区域进行计算，以减轻本地 MEC 服务器的计算压力。该系统中任务执行模式分为有本地设备执行、卸载到本地区域 MEC 服务器、卸载到附近区域 MEC服务器三种方式。首先建立三种任务执行方式对应的时延和能耗加权和成本模型，问题优化目标是最小化本地区域内所有任务执行总成本。本章提出了一个基于二进制粒子群的启发式算法，通过不断迭代直至收敛寻找问题的次优解。仿真实验表明，该算法能在收敛性较好，并且大大降低了执行总成本。
参考文献（略）