随着移动设备数量的爆炸性增长以及许多新兴应用的出现,移动网络的流量呈指数级增长.传统的集中式网络架构由于回程链路负载过重、时延较长,无法满足移动用户的需求.因此,提出了将网络能力从核心网开放至边缘网的新体系结构,即移动边缘计算(MEC).移动边缘计算能够在移动蜂窝网络的边缘提供轻量级的云计算和存储能力.对移动边缘计算相关的最新研究成果进行了详尽的回顾:首先,概述了移动边缘计算的发展历程、关键问题和支撑技术;然后,针对MEC架构、计算迁移、边缘缓存和服务编排这4个关键研究问题进行了全面的综述,并讨论了增强现实、虚拟现实、动态内容交付、车联网和物联网等移动边缘计算中的典型应用案例;最后,从移动边缘计算功能增强、服务质量保障和安全可用性这3个方面展望了移动边缘计算的开放式研究挑战和未来的发展趋势.
With the explosive growth of mobile devices and the advent of many new applications, mobile network traffic volume has been growing exponentially. The traditional centralized network architecture cannot accommodate such user demands due to heavy burden on the backhaul links and long latency. Therefore, new architecture, which brings network capability to the edge of network, is proposed, i.e., mobile edge computing (MEC). MEC provides lightweight cloud computing and caching capabilities at the edge of cellular networks. In this survey, an exhaustive review on the state-of-the-art research efforts on mobile edge computing is carried out. First, an overview of mobile edge computing, including development process, research hotpots, and key enablers, is given. Then, a comprehensive survey of issues on mobile edge computing architecture, computation offloading, edge caching and service orchestration at the mobile edge computing is presented. The applications and use cases of mobile edge computing, such as augmented reality, virtual reality, dynamic content delivery, Internet of vehicles, and Internet of things, are discussed. Finally, from the prspectives of function enhancement, quality of service assurance, security, and availability, the open research challenges and future direction of mobile edge computing are presented as well.
近年来, 随着移动设备(智能手机、笔记本电脑和平板电脑等)在人们的学习、娱乐、社交等日常生活中扮演着越来越重要的角色[
为了解决MCC环境下时间延迟过高的问题, 新出现的边缘计算范例考虑将云服务部署在MD的附近, 即移动网络的边缘.边缘计算可以被理解为是MCC的一种特殊情况.在传统的MCC中, MD通过移动运营商的核心网来访问并使用云服务[
MCC和边缘计算概念的比较
Comparison of MCC and edge computing concepts
技术方面 | MCC | 边缘计算 |
部署方式 | 集中式 | 分布式和集中式 |
到MD的距离 | 远 | 近 |
时延 | 高 | 低 |
计算能力 | 强大 | 有限 |
存储能力 | 强大 | 有限 |
第一个使计算和存储资源靠近MD的概念是2009年提出的Cloudlet[
与Cloudlet相比, 边缘计算中另一个更广为人知的概念被称为雾计算.思科在2012年提出了雾计算, 以便在网络边缘处理数10亿智慧互联设备上的应用[
从移动用户的角度来看, 因Cloudlet和雾计算的计算能力没有天然地集成到移动网络架构中, 因此当移动用户频繁地在多个小区之间移动时, QoS和QoE难以得到保障.欧洲电信标准协会(European Telecommunications Standards Institute, 简称ETSI)新成立的2014行业规范组(Industry Specification Group, 简称ISG)提出了将边缘计算范例集成到移动网络架构中的新概念——移动边缘计算(mobile edge computing, 简称MEC)[
MEC的典型架构
Typical mobile edge computing architecture
本文对当前移动边缘计算的主要研究工作进行归类和梳理, 形成了如
移动边缘计算研究体系
Mobile edge computing research system
该研究体系主要包括4层:最顶层介绍了移动边缘计算的应用前景, 如增强现实、虚拟现实、物联网等; 第2层则是移动边缘计算中的关键研究问题, 主要包括MEC架构、计算迁移、边缘缓存和服务编排; 第3层为关键研究问题对应的技术要点、MEC架构设计中的系统及服务器管理、计算迁移研究中的迁移决策及资源分配机制、边缘缓存研究中的数据存储及内容交付技术、服务编排研究中的异构资源协同调度技术; 最底层则是支撑移动边缘计算研究的基础技术, 如云计算和容器技术、软件定义网络、网络功能虚拟化等.
(1) MEC架构
移动边缘计算的引入, 与传统移动网络向5G网络的自然演进是同时进行的.MEC能够在网络边缘实现基于软件的MEC应用程序和云计算服务.移动边缘计算并不打算为单个特定的应用程序提供独立的解决方案, 与云计算相似, 边缘计算的目的也是提供基础设施, 以便在用户和设备附近提供计算和存储能力, 满足广泛的应用需求.特别是, MEC实现了模块化、开放式的解决方案, 提供了可编程的生态系统, 改善了用户体验, 同时允许应用服务提供商获取与用户相关的更多信息.因此, 在所有的关键研究问题中, MEC架构设计是最基础的.
(2) 计算迁移
在资源受限的移动设备上运行计算密集型的应用程序会消耗大量的资源和能量, 为了解决该问题, 计算迁移的概念应运而生[
(3) 边缘缓存
尽管现有的内容交付技术可以优化内容传输服务, 提高内容服务器的可用性, 减少网络延迟, 但是传统的内容交付服务无法跟随用户状态的改变而迅速做出相应的调整.利用MEC服务器作为边缘缓存节点, 可以基于网络状态、无线信道负载动态地优化内容交付服务.而从移动用户的角度来看, 由于MEC服务器位于网络的边缘, 非常接近移动设备的位置, 因此可以结合用户移动性和内容访问日志来优化使用体验.
(4) 服务编排
在移动网络环境中集成MEC平台, 带来了与服务编排相关的诸多挑战.因为网络中的服务器节点增多, 导致系统需要对各个MEC服务器的资源(计算资源、存储资源)进行有效的管理.同时, 由于用户的移动性, 引发了无线电网络资源的动态变化.同时, MEC应支持应用程序的生命周期管理, 即, 按需授权第三方应用的实例化或终止应用程序的服务请求.以用户的体验质量和服务可靠性为目标, 结合资源管理和服务部署方案来编排MEC平台的服务是至关重要的.
(1) 云计算和容器技术
简单地来说, 移动边缘计算的概念是将云计算功能延伸到移动网络的边缘.云计算技术的进步, 使得在诸如基站和网关等大量通用服务器上部署虚拟机变得更加容易.云计算能够提供强大的处理能力和海量的存储资源.云计算和物联网的整合已被证明有利于提供新的服务[
与传统云计算中的虚拟机(virtual machine, 简称VM)技术不同, 新兴的容器技术是一种内核轻量级的操作系统层虚拟化技术.它能够划分物理机的资源, 创建多个与VM相比尺寸小得多的隔离用户空间实例.由于容器的轻量级特性, 其能够在执行应用程序或服务时, 提供简单的实例化.借助于容器技术的使用, 能够实现MEC服务的便携式运行, 为移动用户带来很大的便利.此外, 由于容器技术提供了快速打包的机制, 服务端也能非常方便地将服务部署到大规模互联的MEC平台.
(2) 软件定义网络
软件定义网络(software defined network, 简称SDN)技术使边缘网络具有智能化、可编程和易于管理的特点[
(3) 网络功能虚拟化
网络功能虚拟化(network function virtualization, 简称NFV)技术是未来5G网络的重要组成部分, 它和SDN技术是相辅相成的.NFV的目的是借助软件编程技术将若干网络功能模块虚拟化, 并将其从专用的硬件平台转移到通用计算平台.被虚拟化的网络功能模块可以提供与传统移动网络相同的服务.因此, 移动网络的可扩展性和灵活性得到了提高, 管理大型异构设备的能力也得到了改善.借助NFV技术, 网络运营商的经济成本和运营开销可能会减少.NFV的使用, 改变了移动通信行业的格局, 并带来了许多益处, 如缩短上市时间、实时优化网络配置和拓扑结构、支持多租户共享等[
(4) D2D通信技术
随着移动设备端的功能变得更强大以及更智能, 在未来的网络通信中, MD将发挥更积极的作用.其中一项重要的技术便是D2D(device to device)通信技术.在许多应用场景中(如游戏和社交网络), 距离相近的设备具有共享内容或彼此交互的需求.D2D通信技术能够在如下几个方面提高网络效率, 提高应用的使用体验:首先, 它节省了大量信令带宽资源, 并减少了传输延迟; 其次, 与借助基站执行设备间的交互相比, 它可以节省大量的能耗; 此外, 由于路径损耗远低于基站到MD之间的通信损耗, D2D技术可以提高网络信道的频谱效率.
(5) 网络切片技术
网络切片已经成为了实现网络平台灵活化的关键概念, 它支持具有不同服务需求的新兴业务在网络平台运行.网络切片技术能够将一个网络整体分割成多个实例, 每个实例都针对特定的应用程序和服务进行优化.网络分片的优势在于引入了多租户环境, 支持灵活配置网络资源, 根据网络功能、无线接入类型(RAT)和应用程序的需求特点的动态分配资源.结合网络切片技术的MEC模型, 将会在未来的5G网络架构中扮演关键的角色.
移动边缘计算研究领域涵盖广泛, 涉及移动网络、移动计算、无线网络等多个领域的相关技术.目前, 学术界已经发表了数篇与移动边缘计算相关的综述文章.Cloudlet的作者Satyanarayanan等人指出[
与上述英文文献的不同之处在于, 文本关注近年来移动边缘计算的研究进展, 描述了移动边缘计算概念的发展历程, 并在第2节~第5节围绕MEC架构、计算迁移、边缘缓存和服务编排这4个关键问题的研究成果进行综述.然后, 在第6节对移动边缘计算中的典型应用场景, 如增强现实、虚拟现实、物联网等, 进行深入分析.最后, 在第7节讨论移动边缘计算的发展趋势以及未来的研究挑战, 以期对其在国内的研究起到一定的推动作用.
MEC架构的融入与传统移动网络向5G系统的自然演进是同时进行的.为了在网络边缘实现基于软件的移动边缘应用和云计算服务, MEC实现了模块化、开放式的解决方案, 提供了可编程的生态系统, 同时允许应用程序提供商获取有关用户的更多信息, 以期达到提升用户体验的目的.本节概述了ETSI目前为止在MEC架构研究方面所做的努力, 在第2.1节和第2.2节介绍了ETSI的MEC框架及架构.除了ETSI的架构之外, 还有一些其他团队的研究成果, 同样比较新颖和有趣, 本文将在第2.3节对它们进行综述.
ETSI MEC框架[
ETSI描述的参考架构由功能元件和允许它们之间相互作用的功能模块组成[
MEC可以直接由MD中的应用程序使用, 或者由第三方客户通过面向客户的服务(CFS)端口使用.MD和CFS端口都通过MEC系统级管理与MEC系统交互.MEC系统级管理由用户应用程序生命周期管理(LCM)代理、运行支持系统(OSS)和移动边缘编排器组成.LCM代理是使MD能够请求APP相关服务的功能, 例如实例化服务、终止服务、MEC平台之间的重定位.OSS负责做出是否授权用户请求的决策.授权的请求将转发给移动边缘编排器.移动边缘编排器是MEC系统级管理的核心功能, 它负责维护可用计算/存储/网络资源和MEC服务的整体情况.在这方面, 移动边缘编排器根据应用程序需求(例如等待时间)将虚拟化MEC资源分配给即将启动的应用程序.此外, 编排器还可以灵活地缩小/增加正在运行中应用程序的可用资源.
MEC系统级管理与MEC服务器级管理互连.服务器级管理由移动边缘平台和虚拟化平台组成.前者负责管理应用程序的生命周期、应用程序规则、服务授权和流量规则等; 后者负责分配、管理和释放位于MEC服务器内的虚拟化基础设施提供的虚拟化计算/存储资源.此外, MEC服务器是参考架构不可或缺的一部分, 因为它代表虚拟化资源, 并在虚拟化基础架构之上托管作为虚拟机运行的MEC应用程序.
除了架构的制定, ETSI MEC行业支持组织还专注于如何评估MEC性能增益的关键指标、最佳实践和指南(与没有MEC服务器的传统系统相比)[
除了ETSI MEC之外, 另一个旨在推动边缘/雾计算架构发展的行业机构OpenFog, 同样为MEC架构的落地做出了相应的努力.OpenFog于2015年11月推出, 其目标是“根据开放标准技术定义分布式计算的通用框架”.其主要目的是借助网络的边缘节点实现开放式计算、控制和数据存储, 以充分利用本地分布式云集群的性能优势.OpenFog使用多个边缘云平台, 从信息处理的角度引入逻辑层次结构, 同时考虑云平台的联合, 定义了雾和云之间以及雾和雾之间的接口[
欧盟资助的SESAME项目[
网络功能虚拟化(NFV)被认为是实现MEC基础设施的支撑技术之一.Cziva等人[
Rimal等人[
3GPP正在探索上下文感知服务与MEC架构的融合.这项研究工作在RAN 3工作组中进行了讨论, 以确保高数据传输速率和低时间延迟[
(1) 计算迁移的一般模型
从节省移动设备能耗、拓展移动设备计算能力的角度来看, 关于MEC的关键技术是计算迁移.因为计算迁移可以将应用程序中全部/部分的计算任务迁移到MEC服务器去执行, 减少了移动设备用于执行计算任务的能耗.同时, 由于MEC服务器的计算能力远远胜过移动设备, 这使得应用程序能够获得更好的性能表现.那么, 如何在实践中使用和管理计算迁移?通常, 在移动设备端运行的应用程序需要包含代码分析器、系统分析器和决策引擎这3个组件:代码分析器的职责是确定应用程序/计算任务是否可以迁移以及哪些部分支持迁移迁移(这取决于应用程序类型和计算任务的特征); 然后, 系统分析器负责监控各种参数, 例如可用带宽、待迁移的数据量或在MD本地执行计算任务所消耗的电池能量; 最后, 决策引擎基于迁移决策算法决定是否执行计算迁移.
移动边缘计算环境下计算迁移的一般模型
General model for computation offloading in mobile edge computing environment
(2) 计算迁移的方案
对于移动设备端, 计算迁移的关键部分是做出计算迁移决策.如
计算迁移决策的3种方案
Three schemes of computation offloading decision
(3) 影响计算迁移决策的因素
计算迁移决策是一个非常复杂的过程, 会受到用户偏好、网络连接质量、移动设备性能等因素的影响[
● 根据应用的可迁移性.支持迁移的应用可以分为两种类型.第1种类型的应用可以被分为多个可迁移的部分, 所有的这些部分都可以迁移到远程的服务端去运行.由于每个可迁移部分所需的计算能力和数据量可能不同, 因此有必要决定哪些部分应该迁移到MEC.第2种类型的应用则包含多个可迁移的部分和一个不可迁移的部分, 不可迁移的部分必须在MD本地执行.
● 根据应用执行的连续性.一种是非连续性执行的应用, 如人脸识别、病毒扫描等, 预先知道待处理的数据量; 另一种是连续性执行的应用, 如在线交互式游戏, 由于无法估计待处理的数据量, 更不可能预测该类应用的运行时间.显然, 对于连续性执行的应用, 计算迁移的决策可能相当棘手.
● 根据迁移任务的并行性.同一应用的各个计算任务之间的关系可以是并行的也可以是串行的:在前一种情况下, 迁移到远程执行的各个任务可以同时迁移以及并行处理; 在后一种情况下, 计算任务之间的关系是相互依赖的, 后一个任务的执行必须要等待前一个任务的结果, 不适合执行并行迁移.各个任务之间的关系可以用任务依赖图来表示.
(4) 服务质量的衡量
计算资源是移动网络的重要资源.近些年出现了许多计算密集型的应用, 如增强现实、高清视频流传输和交互式游戏等.但是, 移动设备的计算能力是有限的.尽管计算迁移能够为移动用户的使用体验带来多种多样的有益影响, 但不同的应用程序可能有不同的性能需求, 如下所示为计算迁移的研究工作中常见的服务质量衡量指标.
● 时延.时延是影响用户体验的重要性能指标.下一代5G网络对于时延的需求是1ms的往返时间, 这比4G网络的10ms往返时间缩短了近10倍[
● 能耗.在现有的文献中, 已有很多评估移动边缘计算能耗效率的研究工作, 提出了多种优化方案以最小化网络侧和移动设备侧的能量消耗.对于未来5G网络环境下的计算迁移, 应该同时考虑用于计算和传输任务的能量开销.
● 时延和能耗之间的权衡.时延和能耗这两个性能指标, 单纯地优化时延忽略移动端的能量消耗, 会导致电池电量迅速下降, 进而导致CPU降频运行, 降低用户的使用体验; 同理, 单纯地优化能耗也会降低用户的使用体验.因此, 需要恰当地解决能耗和时延之间权衡的问题.
(5) 研究场景
计算迁移是边缘计算的关键研究问题之一, 它能够打破移动设备的资源限制, 拓展移动设备的计算能力、电池电量和存储能力等.根据当前的研究现状, 从研究场景的角度来看, 目前已提出的各种迁移决策方法可以划分为单移动设备场景和多移动设备场景.
● 单移动设备场景.在单移动设备场景下, 影响计算迁移决策的因素主要有计算任务队列长度、MD本地计算单元的执行状态、传输单元的状态等.MD端的决策引擎需要收集与这些因素相关的数据, 并且基于这些数据对应用的执行时延和能量消耗做出预测, 最终决定是否执行计算迁移.我们将在第3.2.1节重点综述计算迁移问题在单移动设备场景下的研究工作.
● 多移动设备场景.多移动设备场景下的计算迁移问题要比单用户场景下更加复杂.在多移动设备场景下, 影响迁移决策的因素要更加复杂一些, 因为网络带宽资源、MEC计算资源、移动设备数量都是在动态变化的.我们将在第3.2.2节重点综述计算迁移问题在多移动设备场景下的研究工作.
从移动用户的角度出发, 关于计算迁移研究的核心是如何做出合适的迁移决策.我们将在下面的第3.2.1节和第3.2.2节总结不同场景(单移动设备场景和多移动设备场景)下计算迁移决策的研究现状.
将计算任务迁移到MEC所带来的一个优势是可以减少应用的运行时延或节省MD的能量消耗.在MD不执行计算迁移的情况下, 运行时延仅包含应用程序在MD本地处理所花费的时间.在MD执行计算迁移的情况下, 应用的运行时延包括以下3个部分:1)迁移任务到MEC的传输时间; 2)任务在MEC上的计算时间; 3)接收任务计算结果的时间.同样地, 对于应用程序运行期间所消耗的能量:如果MD不执行计算迁移, 应用运行期间的能耗就仅包括MD端的本地执行能耗; 如果MD执行计算迁移, 应用运行期间的能耗就要包括本地执行能耗和传输能耗.
本节总结了单移动设备场景下计算迁移决策问题的研究.我们从迁移方案的角度出发, 将单移动设备场景下已有的研究工作分为两类:一类是完全迁移方案, 另一类是部分迁移方案.
(1) 完全迁移方案
早期的完全迁移方案大多以优化时延为主要目标.Liu等人[
Mao等人[
除了时延之外, 能耗也是影响MD端做出计算迁移决策的重要因素.Kamoun等人[
综合考虑时延和能耗这两个性能指标, Chen等人[
(2) 部分迁移方案
上述文献的研究工作都属于完全迁移方案的范畴, 没有考虑计算任务/应用程序的可分割性.本节综述了单移动设备场景下部分迁移方案的研究工作.根据待迁移的计算任务/应用程序的可分割性, 部分迁移方案一般可以分为两种类型:如
部分迁移方案示例
Examples of partial offloading
Cao等人[
如果计算任务是可分割的, 那么当任务之间有依赖关系的时候, 部分迁移决策的过程会更加复杂一些.Deng等人[
Munoz等人[
在上述所有关于迁移决策的论文中, MD迁移到MEC的数据传输请求都是被单独看待的.与上述论文的不同之处在于, Sehati等人[
本节总结了多移动设备场景下迁移决策问题的研究.第3.2.1节所述的单移动设备场景是一种偏向理想化的场景, 因为在真实的世界中, MEC服务器能够同时为大量的移动设备提供类似于云计算的服务.本节总结了多移动设备场景下计算迁移决策问题的研究.我们依然从迁移方案的角度出发, 将多移动设备场景下已有的研究工作分为两类:一类是完全迁移方案, 另一类是部分迁移方案.
(1) 完全迁移方案
针对多移动设备场景下的迁移决策问题, Labidi等人[
Barbarossa等人[
上述文献只讨论了单个基站的场景, 连接到不同基站之间的MD不存在干扰.因此, Sardellitti等人[
除了上述方法之外, 基于分类的方法也具有很好的性能表现.Zhang等人[
Chen等人[
针对多个MD连接到同一个基站时, MD端计算迁移决策和服务端计算和通信资源分配的联合优化问题, Chen等人[
(2) 部分迁移方案
针对多移动设备场景下的部分迁移决策问题, Zhao等人[
You等人[
Munoz等人[
针对部分迁移决策中时延和功耗之间权衡的问题, Mao等人[
计算迁移决策方法的对比分析
Comparison of existing papers addressing computation offloading decisions
文献 | 迁移方案 | 目标 | 所提出的方法 | 场景 | 实验方法 | 效果 |
[ |
完全迁移 | 优化时延 | 一维搜索算法 | 单MD | 模拟 | 时延缩短80% |
[ |
完全迁移 | 优化时延 | 基于Lyapunov优化的算法 | 单MD | 模拟 | 时延缩短64% |
[ |
完全迁移 | 优化能耗 | 基于在线学习和离线预测的算法 | 单MD | 模拟 | 能耗节省78% |
[ |
完全迁移 | 优化能耗 | 确定性和随机性的离线决策算法 | 单MD | 模拟 | 能耗节省78% |
[ |
完全迁移 | 权衡时延和能耗 | 基于半定松弛随机映射的启发式算法 | 单MD | 模拟 | 总开销降低70% |
[ |
部分迁移 | 优化能耗 | 基于组合优化方法的自适应算法 | 单MD | 模拟 | 能耗节省47% |
[ |
部分迁移 | 优化能耗 | 基于粒子群优化的算法 | 单MD | 模拟 | 能耗节省25% |
[ |
部分迁移 | 权衡时延和能耗 | 通信和计算资源的联合优化 | 单MD | 模拟 | N/A |
[ |
完全迁移 | 优化能耗 | 基于决策后学习的确定性在线算法 | 多MD | 模拟 | N/A |
[ |
完全迁移 | 优化能耗 | 通信和计算资源的联合优化 | 多MD | 模拟 | N/A |
[ |
完全迁移 | 优化能耗 | 基于凸优化的分布式迭代算法 | 多MD | 模拟 | N/A |
[ |
完全迁移 | 优化能耗 | EECO算法 | 多MD | 模拟 | 能耗节省15% |
[ |
完全迁移 | 权衡时延和能耗 | 基于博弈论的计算迁移决策算法 | 多MD | 模拟 & 真实 | 能耗节省40% |
[ |
完全迁移 | 权衡时延和能耗 | 基于半定松弛随机映射的启发式算法 | 多MD | 模拟 | 总开销降低45% |
[ |
部分迁移 | 优化能耗 | 基于任务调度的算法 | 多MD | 模拟 | 能耗节省40% |
[ |
部分迁移 | 优化能耗 | 基于阈值的资源优化分配策略 | 多MD | 模拟 | N/A |
[ |
部分迁移 | 权衡时延和能耗 | 通信和计算资源的联合优化 | 多MD | 模拟 | 能耗节省90% |
[ |
部分迁移 | 权衡时延和能耗 | 基于Lyapunov优化的算法 | 多MD | 模拟 | 时延缩短98% |
如果移动设备端已经做出了计算迁移决策, 那么服务端(即MEC服务器)必须对MEC资源进行适当的分配.与计算迁移决策相似的地方在于, MEC资源的分配同样会受到任务并行性的影响.如果被迁移的计算任务/应用程序是不支持并行计算的, 则只能分配一个物理节点执行计算任务.而如果被迁移的计算任务/应用程序是支持并行执行的, 那么可以通过多个MEC节点合作的方式来处理迁移的任务/应用.我们将在第3.3.1节和第3.3.2节分别综述有/无云中心参与场景下MEC资源分配问题的研究现状.
在有云中心参与的场景下, 若MEC节点的计算资源不足, 可以通过MEC和云中心协作的方式来提高移动边缘计算的服务质量.Zhao等人[
MEC资源分配示例
An example of MEC resource allocation
迁移的应用程序首先交付给MEC内的本地调度器.调度器检查本地MEC节点是否有足够的计算资源:如果MEC节点具有足够的可用资源, 则将运行着该应用程序的虚拟机分配给该MEC节点; 但是, 如果MEC服务器提供的计算能力不足, 则调度器将该应用程序委托给远程的云中心.为了最大化在MEC中处理的应用程序的数量同时满足其延迟要求, 作者提出了基于优先级的合作策略, 为每个优先级级别定义了几个缓冲区阈值.因此, 如果缓冲区已满, 应用程序将被发送到云中心.
Zhao等人的研究工作是在单个MEC场景下分配计算资源.Tanzil等人[
在无云中心的场景下, 服务端的资源分配只能在MEC服务器之间进行.一方面, 从移动设备的角度出发, 资源分配方法中最重要的问题是选择合适的MEC服务器执行计算迁移; 另一方面, 站在MEC服务器的立场上, 如何合理地构建MEC集群才能达到系统整体性能的优化, 是服务端需要重点考虑的问题.
Guo等人[
无云中心的场景下, MEC服务器需要通过协同工作的方式完成资源的合理分配.在构建MEC集群时, 节点的选择不仅会显着影响服务时延, 还会影响计算节点的能耗.因此, Oueis等人[
针对MEC集群的构建方法, Oueis等人[
● 第1种聚类策略以优化服务时延为目标选择MEC服务器.由于系统模型中的所有MEC服务器被假设为相互连接(即全网络拓扑), 所以基本上所有MEC服务器都可以提供计算资源.由于计算增益远大于传输开销, 这导致系统总体的服务时延降低了22%.
● 第2种聚类策略的目标是优化集群的总体能耗.在这种情况下, 每一个MD迁移的计算任务仅仅选择一个最优的MEC服务器执行计算, 因此, 减少了MEC服务器之间用于数据传输的开销(能耗降低61%).然而, 第2种聚类策略会增加系统整体的服务时延, 同时会导致MEC服务器之间负载失衡.
● 最后一种聚类策略则是将优化集群中每个MEC服务器的能耗作为目标, 以解决第2种聚类策略中MEC服务器之间负载失衡的问题.
上述研究工作的缺陷在于, 构建MEC集群的策略仅考虑了服务端, 忽略了移动设备端的需求.Oueis等人[
MEC资源分配方法的对比分析
Comparison of existing papers addressing allocation of MEC resources
文献 | 目标 | 所提出的方法 | 场景 | 实验方法 | 效果 |
[ |
最大化提供服务的应用程序数量 | 基于优先级的合作策略 | 有云中心 | 模拟 | 时延缩短25% |
[ |
优化时延 & 避免使用云中心 | 基于激励措施的合作策略 | 有云中心 | 模拟 | 时延缩短50% |
[ |
优化时延 & 优化MEC能耗 | 基于等效离散MDP框架的策略 | 无云中心 | 模拟 | N/A |
[ |
优化时延 & 优化MEC能耗 | 3种聚类策略 | 无云中心 | 模拟 | 时延缩短22% |
[ |
优化时延 & 优化MEC能耗 | 为所有活动用户构建群集 | 无云中心 | 模拟 | 提高了用户满意率 |
[ |
优化时延 & 优化MEC能耗 | 同时进行集群构建与用户调度 | 无云中心 | 模拟 | 提高了用户满意率 |
计算迁移和资源分配的研究工作主要是为了解决如何高效使用MEC计算资源的问题.而如何有效使用MEC服务器的存储资源, 存在着很多难点有待进一步攻克.传统的以内容为中心的网络缓存方案没有考虑流量负载的动态变化等移动网络特性.在本节中, 我们将综述移动边缘计算环境下针对边缘缓存问题的研究工作, 主要包括边缘缓存的性能目标、缓存内容流行度的衡量方法、缓存策略.
边缘缓存能够带来的有益之处是多种多样的.不同的应用程序或系统可能有着不同的性能需求, 如下所示为边缘缓存的常见性能目标.
(1) 系统整体容量.现有的边缘缓存方面的工作已经证明:在网络边缘缓存热门的内容可以显著提高系统整体容量.例如, Ahlehagh等人[
(2) 时间延迟.由于边缘节点与移动设备之间的距离很近, 利用网络边缘的MEC服务器执行内容缓存可以显著减少内容传输延迟.Tandon等人[
(3) 能耗效率.能耗效率是未来5G网络的另一个重要性能指标.Liu等人[
MEC具备在网络的边缘提供存储资源的能力.为了决定在MEC服务器中要缓存什么内容, 应该考虑内容的流行度, 尽量最大化边缘缓存的命中率, 即用户的内容请求在MEC服务器的缓存里命中的概率.我们将现有文献中衡量内容流行度的模型分为静态模型和动态模型两种.
(1) 静态模型.目前, 大多数关于边缘缓存的研究工作都假设内容流行度是静态的, 并采用独立参考模型:内容请求是基于独立的泊松过程产生的, 该过程的速率与基于二八法则的内容流行度相关[
(2) 动态模型.静态模型无法反映随着时间的流逝而发生变化的真实内容流行度.Traverso等人[
在现有的边缘缓存研究中, 已经提出了多种不同的缓存策略和算法.大多数的研究工作都是根据移动网络的特性, 对传统的有线网络中的一些缓存策略进行了修订.此外, 还提出了一些新的缓存方案, 如基于用户偏好、增强学习或多节点合作的缓存策略.
传统的缓存替换策略如最近最少使用(LRU)和最近最少访问频次(LFU), 已经被大量的研究工作采用[
Ahlehagh等人[
事实上, 内容流行度是随时间变化的, 并且是无法事先预知的.因此, 对于内容流行度的及时跟踪和估计是一个重要问题.基于机器学习技术, Sengupta等人[
早期的边缘缓存策略研究通常都是基于非合作方式的策略.Ahlehagh等人[
随着边缘缓存策略研究的深入, 研究工作者们开始考虑通过MEC服务器协作的方式来提高算法的性能表现.Borst等人[
针对边缘缓存问题进行的研究工作, 主要解决了移动设备如何访问并使用MEC存储资源的问题.
边缘缓存策略的对比分析
Comparison of existing papers addressing edge caching problems
文献 | 缓存方案 | 目标 | 所提出的方法 | 实验方法 | 效果 |
[ |
非合作方案 | 提高系统整体容量 | 基于用户偏好 | 仿真 | 系统整体容量提升300% |
[ |
非合作方案 | 提高缓存命中率 | 基于增强学习 | 仿真 | N/A |
[ |
非合作方案 | 减少总传输开销 | 基于马尔科夫决策过程 | 仿真 | 总传输开销减少70% |
[ |
合作方案 | 提高缓存命中率 | 基于线性规划 | 仿真 | N/A |
[ |
合作方案 | 优化服务时延 | 基于整数线性规划 | 仿真 | 时延缩短32% |
[ |
合作方案 | 提高系统整体容量 | 二阶多项式时间算法 | 仿真 | N/A |
[ |
合作方案 | 减少总传输开销 | 自适应粒子群优化算法 | 仿真 | 总传输开销减少54% |
[ |
合作方案 | 提高缓存命中率 | 缓存和路由联合设计 | 仿真 | N/A |
[ |
合作方案 | 降低时延和能耗 | 基于分组的策略 | 仿真 | N/A |
MEC的服务质量依赖于服务编排功能以及MD与网络架构的交互.由于MEC是基于虚拟化平台的, 那么MEC中管理和编排功能够尽可能地复用基于NFV的基础架构, 将虚拟化网络功能(VNF)和移动边缘应用程序托管到相同或相似的基础设施.目前, ETSI MEC正在研究如何在NFV环境中实现MEC, 并在未来的5G网络中定义管理和编排框架[
将MEC平台集成到移动网络环境中带来了与服务编排相关的许多挑战, 主要原因是动态变化的无线信道状态以及由用户移动性引发的资源波动.MEC系统应支持应用程序生命周期管理, 即根据第三方的需求实例化或终止应用程序.当一个MEC平台执行服务编排时, 资源管理、服务放置以及边缘节点的选择, 对于提高网络资源利用率、提升用户体验质量和服务可靠性是至关重要的.本节从以下4个方面对MEC服务编排的研究现状进行了总结.
(1) 资源管理
灵活的资源可用性在MEC服务的性能表现中起着至关重要的作用.Taleb等人[
(2) 服务部署
将MEC服务部署在多个边缘云平台上, 对于用户QoE来说是至关重要的.在服务部署的过程中, 应该考虑人口密集的地区, 例如吸引大量用户的购物中心.此外, 服务的部署还需要考虑潜在的用户移动模型, 以确保相关用户始终在时延、计算能力等方面获得所需的性能.Jia等人[
(3) 边缘节点选择
在边缘节点的选择研究工作中, 通常从性能的角度(例如时延)出发, 将MD分配到距离最近的MEC平台.但是, 这种策略可能会导致效率低下, 引发性能瓶颈, 尤其是在不考虑MEC服务器负载时.对于移动设备来说, 由于用户移动和无线信道状态的不确定性, 边缘服务器节点的选择变得至关重要.
(4) 可靠性
编排MEC服务的另一个重要问题是可靠性.传统的方案中, 通常使用检查点算法解决计算系统中的容错问题, 它负责维护应用程序状态的常规快照, 可用于在出错时恢复应用程序, 保障服务的可靠性.然而, 由于移动环境下信道状态的动态变化特征, 可能需要频繁地使用检查点算法, 从而提高系统的可靠性.解决可靠性问题的另一种可行方案是复制MEC服务实例.与传统的检查点算法相比, 该方案能够节省更多的时间.
在用户使用MEC服务期间, 如何在用户发生移动的过程中保障MD和MEC之间会话连接的稳定, 是服务编排之外另一个需要重视的问题.在用户发生移动的情况下, MD的位置会频繁地改变(例如从一个MEC节点到另一个MEC节点).在这种场景下, 保障MEC服务处于最佳QoE状态变得极具挑战性, 尤其是对于时延敏感型的应用.分布式移动性管理(DMM)[
虽然学术界在VM迁移方面已经做了许多的研究工作, 但从服务质量的角度来看, VM迁移的过程会带来重大的技术挑战[
当网络中两个节点里的任何一个在移动期间发生IP地址变化时, 引入DNS和NAT等技术可应对两节点之间IP对话崩溃的问题[
此外, 为了补充Follow-Me-Cloud的解决方案, Aissioui等人[
由于新兴应用在数据传输速率、服务时延等方面的需求越来越严格, 因此, 新兴应用的普及是网络架构发生演变的主要推动力量.本节将总结一些基于移动边缘计算的新兴应用和使用案例.
增强现实技术(AR)和虚拟现实技术(VR)被认为是改变我们生活方式的最有前途的应用.AR/VR应用程序需要使用一些实时的用户状态信息, 例如用户所面对的位置和方向.此外, 为了保障AR/VR应用的高服务质量, 该类型应用程序通常需要较强的计算能力、较低的时延以及较高的带宽来完成任务迁移.MEC服务器能够利用本地上下文信息, 同时具有较强的处理能力, 非常适合AR/VR应用.Simone等人[
据观察, 视频流量占到当前网络中移动数据总流量的一半以上, 而且这一比例仍在上升, 这导致移动网络回程链路面临着传统集中式网络架构中的拥塞问题.在网络的边缘执行内容缓存, 可以根据链路状态信息和用户的情景感知信息提供动态的内容交付服务[
除了多媒体内容交付之外, 移动边缘计算技术在网站性能优化中也起着关键作用, 例如缓存HTML内容、重新组织网页布局以及调整页面组件大小.移动用户发出的HTTP请求会经过MEC服务器; 然后, MEC服务器通过执行多种任务来加载用户移动设备界面上的网页或基于Web的应用程序.由于MEC服务器部署在边缘设备附近, 因此Web应用的请求和响应非常节省时间.
移动边缘计算可以在车辆连接、V2X通信和汽车安全服务中发挥重要作用, 例如实时警告高速公路的路面是否结冰以及协调机动车更改车道[
互联网的接入, 使得车辆能够与道路上的其他车辆互相连接.在路边部署MEC平台, 可以实现移动车辆之间的双向通信.一辆车可以与其他近距离的车辆通信, 并告知他们预期的风险事故或交通堵塞.此外, MEC可以实现与局域传感器同步的分布式网络环境[
随着智能传感器、互联网协议和通信技术的进步, 物联网(IoT)正在逐步走进人们的日常生活[
实时处理和事件响应对于医疗保健类的应用非常重要.像其他行业一样, 医疗行业也可以利用边缘计算得到帮助, 例如避免患有中风的病人跌倒.为了检测和防止跌倒, 学术界已经进行了大量的研究, 例如通过引入智能手机、智能手表和谷歌眼镜等人机交互设备.Cao等人[
由于智能电网的基础设施是由多种组件构成的, 因此, 对智能电网环境中生成的数据进行分析是一项非常具有挑战性的任务.移动边缘计算的使用, 可以提高数据吞吐量、缩短响应时间和传输延迟[
智能家居系统已成为未来家庭生态系统的新趋势.智能家居是一种占地空间和本地化通信受限的小型物联网系统.将MEC服务器部署在靠近智能对象的物联网网关, 将使未来网络中的M2M直接交互成为可能[
移动边缘计算是未来5G移动网络架构下的重要组成部分.与现有的3G/4G移动蜂窝网络相比, 它具有许多新功能, 拥有更好的QoE和灵活性.因此在未来的研究工作中, 移动边缘计算会面临着各种各样的机遇和挑战.在本节中, 我们总结了移动边缘计算中的开放式研究挑战, 并阐述了未来可能的研究方向.
(1) 异构性
在未来的移动网络环境下, 随着物联网和新兴应用的发展, 网络、信道和基础设施的异构性将会成为一个关键问题.在当前的研究现状中, 网络环境通常被假设为是同构的(MEC服务器配备有相同的计算资源、存储资源).虽然现有的模型对于仿真实验和分析来说很简单, 但它并没有充分反映移动网络异构性的特点.因此, 应该假设在异构网络的环境下模拟与移动边缘计算相关的一些实验.
(2) 用户移动性
用户移动性是移动边缘计算中的关键挑战, 它对计算迁移决策有着不可忽视的影响.最近的一些研究成果[
(3) 可扩展性
与传统的计算范例相比, 可扩展性是移动边缘计算的一项重要特征.随着5G通信技术和IoT技术的发展, 越来越多的终端设备(如物联网中的传感器设备)需要服务的可扩展性.近年来, 边缘设备的数量不断增加, 如果大量设备同时访问MEC服务器, 将会形成带宽瓶颈, 最终导致服务中断.参考移动云计算中的做法, 移动边缘计算也许可以引入编排器来灵活管理MEC服务器, 提高网络的可扩展性[
(1) 安全
在移动边缘计算环境下, MEC服务器需要使用移动设备的一些信息, 这将会引发一些新的安全挑战[
用于MCC环境的安全解决方案可能不适合移动边缘计算, 因为云是集中式的计算架构, 而边缘计算则是分散式的, MEC的工作环境将面临许多不同的新威胁.比如, 不同级别的网关和智能设备的认证就是移动边缘计算环境中的一个重要的安全问题.针对MEC环境下的认证问题, 学术界也提出了一些新的解决方案, 如基于公钥基础设施(PKI)的解决方案[
(2) 隐私
如何在不侵犯用户隐私的前提下通过MEC服务器访问并使用移动设备的资源, 是MEC环境下的一个全新挑战.已存在的机制可以为移动边缘计算中各个MEC服务器之间隐私机制的设计指明方向.例如在智能电网中, 由MEC服务器执行智能电表数据的加密以及汇总结果确保了数据的隐私安全, 原始数据只能在操作中心执行解密[
(1) 计费策略
在移动边缘计算中, 存储、计算和通信资源会根据用户的需求动态分配.因此, MEC的最优计费策略与传统计算模型有很大的不同.移动边缘计算环境会涉及到多种服务提供者, 这些服务提供者的报价是不同的.每一种服务提供者有着不同的支付方式、不同的客户管理方式和不同的服务政策.例如, 用户设备上的游戏应用必须使用边缘计算资源、移动网络和游戏服务.用户必须为游戏支付费用, 该费用应该平等地分配给游戏服务中参与设计的所有实体.已有研究已证明:当用户关心服务费用时, MEC服务器的盈利受到计费策略的显著影响[
(2) Web接口
在当前的网络环境下, 移动用户访问MEC或云中心的Web接口是无法满足新兴的时延敏感型应用需求的.当前的Web接口通常不是为该类应用设计的, 因此存在兼容性问题.用户、MEC和云之间的通信需要新的标准协议.最新版本的HTML5专为新出现的移动设备而设计, 如平板电脑或智能手机.但是该技术依然需要进行性能调教和功能测试方面的研究, 以便为未来的移动边缘计算场景做好准备.
移动边缘计算能够将传统核心网络的计算和存储能力纳入到无线电接入网络的范围之内.在这种新兴架构中, 传统的基站不仅可以执行流量控制, 还可以部署具备轻量级资源的MEC服务器, 为移动用户提供具有上下文感知、位置感知特点的服务.移动边缘计算的主要目标是为移动端的应用程序提供更小的时延和更高的带宽利用率.随着5G通信技术的发展和移动互联网的广泛应用, 移动边缘计算受到了学术界的广泛关注, 并在MEC架构、计算迁移、边缘缓存以及服务编排等方面开展了深入研究, 取得了一系列重要研究成果.本文对这些成果进行了系统的归纳和总结, 并进一步指出了未来的一些研究发展方向.然而, 随着虚拟/增强现实、动态内容交付、物联网等新兴应用的不断涌现, 以及移动应用向医疗、教育、公共服务等领域的进一步渗透, 移动边缘计算在可靠性、高效性和安全性方面还面临着许多新的技术挑战, 也为研究者提供了一系列新的研究方向.
Ahmed E, Gani A, Khan MK, et al. Seamless application execution in mobile cloud computing:Motivation, taxonomy, and open challenges. Journal of Network & Computer Applications, 2015, 52:154-172.
Dinh HT, Lee C, Niyato D, et al. A survey of mobile cloud computing:Architecture, applications, and approaches. Wireless Communications & Mobile Computing, 2013, 13(18):1587-1611.
Barbarossa S, Sardellitti S, Lorenzo PD. Communicating while computing:distributed mobile cloud computing over 5G heterogeneous networks. IEEE Signal Processing Magazine, 2014, 31(6):45-55.
Khan AUR, Othman M, Madani SA, et al. A survey of mobile cloud computing application models. IEEE Communications Surveys & Tutorials, 2014, 16(1):393-413.
Satyanarayanan M, Bahl P, Davies N. The case for VM-based cloudlets in mobile computing. IEEE Pervasive Computing, 2009, 8(4):14-23.
Bonomi F, Milito R, Zhu J, et al. Fog computing and its role in the internet of things. In: Proc. of the Workshop on Mobile Cloud Computing (MCC). ACM Press, 2012. 13-16.
Zhu J, Chan D S, Prabhu M S, et al. Improving Web sites performance using edge servers in fog computing architecture. In: Proc. of the IEEE 7th Int'l Symp. on Service-oriented System Engineering. IEEE Computer Society, 2013. 320-323.
Stojmenovic I, Wen S. The fog computing paradigm: Scenarios and security issues. In: Proc. of the 2014 Federated Conf. on Computer Science and Information Systems. IEEE, 2014. 1-8.
Stojmenovic I. Fog computing: A cloud to the ground support for smart things and machine-to-machine networks. In: Proc. of the 2014 Australasian Telecommunication Networks and Applications Conf. (ATNAC). IEEE, 2014. 117-122.
Liu Y, Fieldsend JE, Min G. A framework of fog computing:Architecture, challenges, and optimization. IEEE Access, 2017, 5:25445-25454.
Mach P, Becvar Z. Mobile edge computing:A survey on architecture and computation offloading. IEEE Communications Surveys & Tutorials, 2017, 19(3):1628-1656.
https://portal.etsi.org/portals/0/tbpages/mec/docs/mobile-edge computing-Introductory technical white paper v1%2018-09-14.pdf]]>
Tanaka H, Yoshida M, Mori K, et al. Multi-access edge computing:A survey. Journal of Information Processing, 2018, 26:87-97.
Zhang WL, Guo B, Shen Y, et al. Computation offloading on intelligent mobile terminal. Chinese Journal of Computers, 2016, 38(5):1021-1038(in Chinese with English abstract).
张文丽, 郭兵, 沈艳, 等.智能移动终端计算迁移研究.计算机学报, 2016, 38(5):1021-1038.
Botta A, Donato WD, Persico V. On the integration of cloud computing and Internet of things. In:Proc. of the Int'l Conf. on Future Internet of Things and Cloud. IEEE, 2014. 23-30.
Jararweh Y, Doulat A, Darabseh A, et al. SDMEC: Software defined system for mobile edge computing. In: Proc. of the IEEE Int'l Conf. on Cloud Engineering Workshop. IEEE. 88-93.
Salman O, Elhajj I, Kayssi A, et al. Edge computing enabling the Internet of things. In: Proc. of the 2015 IEEE 2nd World Forum on Internet of Things (WF-IoT). IEEE, 2015. 603-608.
https://www.researchgate.net/publication/275037832_Network_Functions_Virtualisation_NFV_Network_Operator_Perspectives_on_Industry_Progress]]>
Satyanarayanan M. The emergence of edge computing. Computer, 2017, 50(1):30-39.
Shi W, Cao J, Zhang Q, et al. Edge computing:vision and challenges. IEEE Internet of Things Journal, 2016, 3(5):637-646.
Ahmed A, Ahmed E. A survey on mobile edge computing. In:Proc. of the Int'l Conf. on Intelligent Systems and Control. IEEE, 2016. 1-8.
Roman R, Lopez J, Mambo M. Mobile edge computing, Fog et al.:A survey and analysis of security threats and challenges. Future Generation Computer Systems, 2016, 78:680-698.
Mobile Edge Computing (MEC). Framework and reference architecture. V1.1.1, ETSI GS MEC Standard 003, 2016.
Mobile Edge Computing (MEC). MEC metrics best pratice and guidelines. V0.1.0, ETSI GS MEC-IEG Standard 006, 2016.
https://www.openfogconsortium.org/wp-content/uploads/OpenFog-Architecture-Overview-WP-2-2016.pdf]]>
http://www.sesame-h2020-5g-ppp.eu/]]>
http://http://sesame.org.jo/sesame_2018/machine-and-beamlines/sesame-publications/sesame-white-book]]>
Cziva R, Pezaros DP. Container network functions:Bringing NFV to the network edge. IEEE Communications Magazine, 2017, 55(6):24-31.
Rimal BP, Van DP, Maier M. Mobile edge computing empowered fiber-wireless access networks in the 5G era. IEEE Communications Magazine, 2017, 55(2):192-200.
CMCC. Study on context aware service delivery for LTE, 3GPP TSG RAN meeting#71, 3GPP. Technical Report, RP-160633, Gothenburg, 2016.
Agiwal M, Roy A, Saxena N. Next generation 5G wireless networks:A comprehensive survey. IEEE Communications Surveys & Tutorials, 2017, 18(3):1617-1655.
Liu J, Mao Y, Zhang J, et al. Delay-optimal computation task scheduling for mobile-edge computing systems. In:Proc. of the IEEE International Symposium on Information Theory (ISIT). IEEE, 2016. 1451-1455.
Mao Y, Zhang J, Letaief KB. Dynamic computation offloading for mobile-edge computing with energy harvesting devices. IEEE Journal on Selected Areas in Communications, 2016, 34(12):3590-3605.
Ulukus S, Yener A, Erkip E, et al. Energy harvesting wireless communications:A review of recent advances. IEEE Journal on Selected Areas in Communications, 2015, 33(3):360-381.
Kamoun M, Labidi W, Sarkiss M. Joint resource allocation and offloading strategies in cloud enabled cellular networks. In:Proc. of the IEEE Int'l Conf. on Communications. IEEE, 2015. 5529-5534.
Labidi W, Sarkiss M, Kamoun M. Energy-optimal resource scheduling and computation offloading in small cell networks. In:Proc. of the Int'l Conf. on Telecommunications. IEEE, 2015. 313-318.
Chen MH, Liang B, Dong M. A semidefinite relaxation approach to mobile cloud offloading with computing access point. In:Proc. of the IEEE Int'l Workshop on Signal Processing Advances in Wireless Communications. IEEE, 2015. 186-190.
Cao S, Tao X, Hou Y, et al. An energy-optimal offloading algorithm of mobile computing based on HetNets. In:Proc. of the Int'l Conf. on Connected Vehicles and Expo. IEEE, 2016. 254-258.
Deng M, Tian H, Fan B. Fine-granularity based application offloading policy in small cell cloud-enhanced networks. In:Proc. of the IEEE ICC. IEEE, 2016. 638-643.
Muñoz O, Pascual-Iserte A, Vidal J. Joint allocation of radio and computational resources in wireless application offloading. In:Proc. of the Future Network and Mobile Summit. IEEE, 2014. 1-10.
Muñoz O, Pascual-Iserte A, Vidal J. Optimization of radio and computational resources for energy efficiency in latency-constrained application offloading. IEEE Trans. on Vehicular Technology, 2015, 64(10):4738-4755.
Sehati A, Ghaderi M. Energy-delay tradeoff for request bundling on smartphones. In:Proc. of the IEEE Int'l Conf. on Computer Communications. IEEE, 2017. 1-7.
Labidi W, Sarkiss M, Kamoun M. Joint multi-user resource scheduling and computation offloading in small cell networks. In:Proc. of the IEEE Int'l Conf. on Wireless and Mobile Computing, Networking and Communications. IEEE, 2015. 794-801.
Barbarossa S, Sardellitti S, Lorenzo PD. Joint allocation of computation and communication resources in multiuser mobile cloud computing. 2013, 395(6): 26-30.
Sardellitti S, Scutari G, Barbarossa S. Joint optimization of radio and computational resources for multicell mobile cloud computing. In: Proc. of the IEEE Int'l Workshop on Signal Processing Advances in Wireless Communications. IEEE, 2014. 89-103.
Zhang K, Mao Y, Leng S, et al. Energy-efficient offloading for mobile edge computing in 5G heterogeneous networks. IEEE Access, 2017, 4(99):5896-5907.
Chen X, Jiao L, Li W, et al. Efficient multi-user computation offloading for mobile-edge cloud computing. IEEE/ACM Trans. on Networking, 2016, 24(5):2795-2808.
Chen MH, Liang B, Dong M. Joint offloading and resource allocation for computation and communication in mobile cloud with computing access point. In: Proc. of the IEEE Conf. on Computer Communications (IEEE INFOCOM 2017). IEEE, 2017. 1-9.
Zhao Y, Zhou S, Zhao T, et al. Energy-efficient task offloading for multiuser mobile cloud computing. In: Proc. of the IEEE/CIC Int'l Conf. on Communications in China. IEEE, 2016. 1-5.
You C, Huang K. Multiuser resource allocation for mobile-edge computation offloading. In: Proc. of the 2016 IEEE Global Communications Conf. (GLOBECOM). IEEE, 2016. 1-6.
You C, Huang K, Chae H, et al. Energy-efficient resource allocation for mobile-edge computation offloading. IEEE Trans. on Wireless Communications, 2017, 16(3):1397-1411.
Muñoz O, Iserte AP, Vidal J, et al. Energy-latency trade-off for multiuser wireless computation offloading. In: Proc. of the Wireless Communications and Networking Conf. Workshops. IEEE, 2014. 29-33.
Mao Y, Zhang J, Song SH, et al. Power-delay tradeoff in multi-user mobile-edge computing systems. In: Proc. of the 2016 IEEE Global Communications Conf. (GLOBECOM). IEEE, 2016. 1-6.
Zhao T, Zhou S, Guo X, et al. A cooperative scheduling scheme of local cloud and internet cloud for delay-aware mobile cloud computing. In: Proc. of the IEEE GLOBECOM Workshops. IEEE, 2015. 1-6.
Tanzil SMS, Gharehshiran ON, Krishnamurthy V. Femto-cloud formation: A coalitional game-theoretic approach. In: Proc. of the IEEE Global Communications Conf. IEEE, 2015. 1-6.
Guo X, Singh R, Zhao T, et al. An index based task assignment policy for achieving optimal power-delay tradeoff in edge cloud systems. In: Proc. of the IEEE Int'l Conf. on Communications. IEEE, 2016. 1-7.
Oueis J, Calvanese-Strinati E, De Domenico A, et al. On the impact of backhaul network on distributed cloud computing. In: Proc. of the Wireless Communications and Networking Conf. Workshops. IEEE, 2014. 12-17.
Oueis J, Strinati EC, Barbarossa S. Small cell clustering for efficient distributed cloud computing. In: Proc. of the IEEE Int'l Symp. on Personal, Indoor, and Mobile Radio Communication. IEEE, 2015. 1474-1479.
Oueis J, Strinati EC, Barbarossa S. The fog balancing: load distribution for small cell cloud computing. In: Proc. of the Vehicular Technology Conf. IEEE, 2015. 1-6.
Ahlehagh H, Dey S. Video-aware scheduling and caching in the radio access network. IEEE/ACM Trans. on Networking, 2014, 22(5):1444-1462.
Tandon R, Simeone O. Cloud-aided wireless networks with edge caching: Fundamental latency trade-offs in fog radio access networks. In: Proc. of the IEEE Int'l Symp. on Information Theory. IEEE, 2016. 2029-2033.
Liu D, Yang C. Will caching at base station improve energy efficiency of downlink transmission? In: Proc. of the Signal and Information Processing. IEEE, 2015. 173-177.
Zhang J, Zhang X, Wang W. Cache-enabled software defined heterogeneous networks for green and flexible 5G networks. IEEE Access, 2016, 4(4):3591-3604.
Paschos G, Bastug E, Land I, et al. Wireless caching:technical misconceptions and business barriers. IEEE Communications Magazine, 2016, 54(8):16-22.
Breslau L, Cao P, Fan L, et al. Web caching and Zipf-like distributions: Evidence and implications. In: Proc. of the IEEE Conf. on Computer Communications, Vol.1. 1999. 126-134.
Traverso S, Ahmed M, Garetto M, et al. Temporal locality in today's content caching:Why it matters and how to model it? ACM SIGCOMM Computer Communication Review, 2013, 43(5):5-12.
Cha M, Kwak H, Rodriguez P, et al. Analyzing the video popularity characteristics of large-scale user generated content systems. IEEE/ACM Trans. on Networking, 2009, 17(5):1357-1370.
Ioannou A, Weber S. A survey of caching policies and forwarding mechanisms in information-centric networking. IEEE Communications Surveys & Tutorials, 2016, 18(4):2847-2886.
Ahlehagh H, Dey S. Video caching in radio access network: Impact on delay and capacity. In: Proc. of the 2012 IEEE Wireless Communications and Networking Conf. (WCNC). IEEE, 2012. 2276-2281.
Sengupta A, Amuru SD, Tandon R, et al. Learning distributed caching strategies in small cell networks. In: Proc. of the Int'l Symp. on Wireless Communications Systems. IEEE, 2014. 917-921.
Gu J, Wang W, Huang A, et al. Distributed cache replacement for caching-enable base stations in cellular networks. In: Proc. of the IEEE Int'l Conf. on Communications. IEEE, 2014. 2648-2653.
Borst S, Gupta V, Walid A. Distributed caching algorithms for content distribution networks. In: Proc. of the Conf. on Information Communications. IEEE Press, 2010. 1478-1486.
Jiang W, Feng G, Qin S. Optimal cooperative content caching and delivery policy for heterogeneous cellular networks. IEEE Trans. on Mobile Computing, 2017, 16(5):1382-1393.
Yu R, Qin S, Bennis M, et al. Enhancing software-defined RAN with collaborative caching and scalable video coding. In: Proc. of the 2016 IEEE Int'l Conf. on Communications (ICC 2016). IEEE, 2016. 1-6.
Wang S, Zhang X, Yang K, et al. Distributed edge caching scheme considering the tradeoff between the diversity and redundancy of cached content. In: Proc. of the IEEE/CIC Int'l Conf. on Communications in China. IEEE, 2016. 1-5.
Poularakis K, Iosifidis G, Tassiulas L. Approximation caching and routing algorithms for massive mobile data delivery. In: Proc. of the Global Communications Conf. IEEE, 2014. 3534-3539.
Ren D, Gui X, Lu W, et al. GHCC: Grouping-based and hierarchical collaborative caching for mobile edge computing. In: Proc. of the 201816th Int'l Symp. on Modeling and Optimization in Mobile, Ad Hoc, and Wireless Networks (WiOpt). IEEE, 2018. 1-6.
Ren D, Gui X, Dai H, et al. Hierarchical resource distribution network based on mobile edge computing. In: Proc. of the 2017 IEEE 23rd Int'l Conf. on Parallel and Distributed Systems (ICPADS). IEEE, 2017. 57-64.
https://www.etsi.org/deliver/etsi_gr/MEC/001_099/017/01.01.01_60/gr_MEC017v010101p.pdf]]>
Taleb T, Bagaa M, Ksentini A. User mobility-aware virtual network function placement for virtual 5G network infrastructure. In: Proc. of the 2015 IEEE Int'l Conf. on Communications (ICC). IEEE, 2015. 3879-3884.
Liang H, Cai LX, Huang D, et al. An SMDP-based service model for interdomain resource allocation in mobile cloud networks. IEEE Trans. on Vehicular Technology, 2012, 61(5):2222-2232.
Liu Y, Lee MJ, Zheng Y. Adaptive multi-resource allocation for cloudlet-based mobile cloud computing system. IEEE Trans. on Mobile Computing, 2016, 15(10):2398-2410.
Jia M, Cao J, Liang W. Optimal cloudlet placement and user to cloudlet allocation in wireless metropolitan area networks. IEEE Trans. on Cloud Computing, 2017, 5(4):725-737.
Bagaa M, Taleb T, Ksentini A. Service-aware network function placement for efficient traffic handling in carrier cloud. In: Proc. of the 2014 IEEE Wireless Communications and Networking Conf. (WCNC). IEEE, 2014. 2402-2407.
https://www.usenix.org/legacy/events/nsdi10/tech/full_papers/agarwal.pdf]]>
Ksentini A, Bagaa M, Taleb T, et al. On using bargaining game for optimal placement of SDN controllers. In: Proc. of the 2016 IEEE Int'l Conf. on Communications (ICC). IEEE, 2016. 1-6.
Giust F, Cominardi L, Bernardos CJ. Distributed mobility management for future 5G networks:Overview and analysis of existing approaches. IEEE Communications Magazine, 2015, 53(1):142-149.
Bittencourt LF, Lopes MM, Petri I, et al. Towards virtual machine migration in fog computing. In: Proc. of the 201510th Int'l Conf. on P2P, Parallel, Grid, Cloud and Internet Computing (3PGCIC). IEEE, 2015. 1-8.
Watanabe H, Ohigashi T, Kondo T, et al. A performance improvement method for the global live migration of virtual machine with IP mobility. In: Proc. of the 5th Int'l Conf. on Mobile Computing and Ubiquitous Networking (ICMU 2010), Vol.94. 2010. 1-6.
Samdanis K, Taleb T, Schmid S. Traffic offload enhancements for eUTRAN. IEEE Communications Surveys & Tutorials, 2012, 14(3):884-896.
Ksentini A, Taleb T, Chen M. A Markov decision process-based service migration procedure for follow me cloud. In: Proc. of the 2014 IEEE Int'l Conf. on Communications (ICC). IEEE, 2014. 1350-1354.
Nadembega A, Hafid AS, Brisebois R. Mobility prediction model-based service migration procedure for follow me cloud to support QoS and QoE. In: Proc. of the 2016 IEEE Int'l Conf. on Communications (ICC). IEEE, 2016. 1-6.
Aissioui A, Ksentini A, Gueroui AM, et al. Toward elastic distributed SDN/NFV controller for 5G mobile cloud management systems. IEEE Access, 2015, 3:2055-2064.
Secci S, Raad P, Gallard P. Linking virtual machine mobility to user mobility. IEEE Trans. on Network and Service Management, 2016, 13(4):927-940.
Gramaglia M, Digon I, Friderikos V, et al. Flexible connectivity and QoE/QoS management for 5G networks: The 5G NORMA view. In: Proc. of the 2016 IEEE Int'l Conf. on Communications Workshops (ICC). IEEE, 2016. 373-379.
Ceselli A, Premoli M, Secci S. Cloudlet network design optimization. In: Proc. of the IFIP Networking Conf. (IFIP Networking 2015). IEEE, 2015. 1-9.
Mangiante S, Klas G, Navon A, et al. VR is on the edge: How to deliver 360° videos in mobile networks. In: Proc. of the Workshop on Virtual Reality and Augmented Reality Network. ACM Press, 2017. 30-35.
Dastjerdi AV, Gupta H, Calheiros RN, et al. Fog Computing:Principles, Architectures, and Applications. Morgan Kaufmann Publishers, 2016. 61-75.
Schneider M, Rambach J, Stricker D. Augmented reality based on edge computing using the example of remote live support. In: Proc. of the IEEE Int'l Conf. on Industrial Technology. IEEE, 2017. 1277-1282.
Zhu J, Chan DS, Prabhu MS, et al. Improving web sites performance using edge servers in fog computing architecture. In: Proc. of the 2013 IEEE 7th Int'l Symp. on Service-oriented System Engineering. IEEE, 2013. 320-323.
Mäkinen O. Streaming at the edge: Local service concepts utilizing mobile edge computing. In: Proc. of the Int'l Conf. on Next Generation Mobile Applications, Services and Technologies. IEEE, 2016. 1-6.
http://yucianga.info/?p=938]]>
Sabella D, Vaillant A, Kuure P, et al. Mobile-edge computing architecture:The role of MEC in the Internet of things. IEEE Consumer Electronics Magazine, 2016, 5(4):84-91.
Datta SK, Bonnet C, Haerri J. Fog computing architecture to enable consumer centric Internet of things services. In: Proc. of the IEEE Int'l Symp. on Consumer Electronics. IEEE, 2015. 1-2.
Al-Fuqaha A, Guizani M, Mohammadi M, et al. Internet of things:A survey on enabling technologies, protocols, and applications. IEEE Communications Surveys & Tutorials, 2015, 17(4):2347-2376.
Gazis V, Leonardi A, Mathioudakis K, et al. Components of fog computing in an industrial Internet of things context. In: Proc. of the 201512th Annual IEEE Int'l Conf. on Sensing, Communication, and Networking-Workshops (SECON Workshops). IEEE, 2015. 1-6.
Satyanarayanan M, Simoens P, Xiao Y, et al. Edge analytics in the Internet of things. IEEE Pervasive Computing, 2015, 14(2):24-31.
Corcoran P, Datta SK. Mobile-edge computing and the Internet of things for consumers:Extending cloud computing and services to the edge of the network. IEEE Consumer Electronics Magazine, 2016, 5(4):73-74.
Cao Y, Chen S, Hou P, et al. FAST: A fog computing assisted distributed analytics system to monitor fall for stroke mitigation. In: Proc. of the IEEE Int'l Conf. on Networking, Architecture and Storage. IEEE, 2015. 2-11.
Kumar N, Zeadally S, Rodrigues JJPC. Vehicular delay-tolerant networks for smart grid data management using mobile edge computing. IEEE Communications Magazine, 2016, 54(10):60-66.
Bonomi F, Milito R, Zhu J, et al. Fog computing and its role in the Internet of things. In: Proc. of the Edition of the MCC Workshop on Mobile Cloud Computing. ACM Press, 2012. 13-16.
Vallati C, Virdis A, Mingozzi E, et al. Mobile-edge computing come home connecting things in future smart homes using LTE device-to-device communications. IEEE Consumer Electronics Magazine, 2016, 5(4):77-83.
Secci S, Raad P, Gallard P. Linking virtual machine mobility to user mobility. IEEE Trans. on Network & Service Management, 2017, 13(4):927-940.
Plachy J, Becvar Z, Mach P. Path selection enabling user mobility and efficient distribution of data for computation at the edge of mobile network. Computer Networks, 2016, 108:357-370.
Cau E, Corici M, Bellavista P, et al. Efficient exploitation of mobile edge computing for virtualized 5G in EPC architectures. In: Proc. of the IEEE Int'l Conf. on Mobile Cloud Computing, Services, and Engineering. IEEE, 2016. 100-109.
Mtibaa A, Harras K, Alnuweiri H. Friend or foe? Detecting and isolating malicious nodes in mobile edge computing platforms. In: Proc. of the IEEE Int'l Conf. on Cloud Computing Technology and Science. IEEE, 2016. 42-49.
Deng H, Li W, Agrawal DP. Routing security in wireless ad hoc networks. IEEE Communications Magazine, 2002, 40(10):70-75.
Law YW, Palaniswami M, Kounga G, et al. WAKE:Key management scheme for wide-area measurement systems in smart grid. IEEE Communications Magazine, 2013, 51(1):34-41.
Fadlullah ZM, Fouda MM, Kato N, et al. Toward intelligent machine-to-machine communications in smart grid. IEEE Communications Magazine, 2011, 49(4):60-65.
Lu R, Liang X, Li X, et al. EPPA:An efficient and privacy-preserving aggregation scheme for secure smart grid communications. IEEE Trans. on Parallel & Distributed Systems, 2012, 23(9):1621-1631.
Abdo JB, Demerjian J, Chaouchi H, et al. Privacy using mobile cloud computing. In: Proc. of the Int'l Conf. on Digital Information & Communication Technology & Its Applications. IEEE, 2015. 178-182.
Zhao T, Zhou S, Guo X, et al. Pricing policy and computational resource provisioning for delay-aware mobile edge computing. In: Proc. of the IEEE/CIC Int'l Conf. on Communications in China. IEEE, 2016. 1-6.