边缘计算迁移研究综述

随着互联网技术的发展，特别是智能移动终端的更新升级，智能手机拥有越来越强大的功能。移动设备要变得更小、更轻，电池寿命变得更长，意味着计算能力会受到限制。但是，用户对移动智能终端的期望越来越高，从而对计算和数据操作能力的要求也在提高，而实现这些功能则会损耗大量电池电量，如何协调这些矛盾是目前智能移动终端发展的技术瓶颈。

在云计算的发展热潮之后，许多云服务（如移动医疗、移动学习、移动游戏和移动管理等）都可以在移动设备上直接使用。移动边缘计算作为一种新技术出现，它在移动用户的近距离范围内提供云和IT服务。在移动边缘计算中，边缘云服务器被部署于每个基站，网络运营商负责转发和过滤数据分组。

计算迁移技术的兴起，为解决移动终端资源受限引入了新的方法。计算迁移在解决以下几种应用情况时作用尤为明显。

（1）将计算体迁移到其他资源丰富的终端上运行

智能移动终端可以实现大部分桌面终端上的应用，因此用户开始将手机视为个人信息处理工具，期望手机能够像常规信息处理设备（如工作站或笔记本电脑等）那样执行所有应用。但是，智能移动终端由于体积、输入操作等的限制，计算资源、存储资源、电池容量和网络连接能力始终有限，无法支持一些大型应用的运行。此时，可以将部分计算体迁移到资源丰富的终端上运行，只需返回计算结果给移动终端就可以达到预期的计算效果。

（2）跨移动终端任务同步

由于用户工作和生活的需要，要在多个不同的物理环境中使用不同的移动设备执行相同的任务，由此产生“一人多机”模式。但是，由于缺乏跨终端的任务迁移支持，任务迁移面临着连续性、异构性、透明性以及如何恢复任务的执行状态等挑战。当用户从一个环境移动到新的环境中时，需要重新手动配置运行环境，这会浪费用户的大量与任务执行无关的注意力资源。而计算迁移可以将一个移动设备上的任务执行状态迁移到其他移动设备，实现跨移动终端的任务同步。

（3）移动设备资源共享的计算模型

新的物联网模式使资源受限的移动设备通过互联网相互连接。但是，这些终端设备处理能力和存储容量有限。计算迁移中，边缘设备将部分计算转移到远程云上执行，从而节省了移动设备的处理能力和能量。然而，将计算迁移到公共云需要公共云和边缘设备之间通过 Internet 进行数据交换，由于网络带宽限制，数据交换过程可能会出现时延。为了克服这一问题，边缘计算的迁移方法被提出，即将移动设备的计算迁移到设备附近的其他移动设备上，它们之间通过 Wi-Fi连接。这种在移动设备附近提供资源的其他移动终端称为cloudlet。

（4）云数据中心计算任务下沉到边缘节点

云数据中心将计算和存储能力等资源“下沉”到网络边缘节点，因距离用户更近，用户请求不再需要经过漫长的传输网络到达核心网才能被处理，而由部署在本地的边缘服务器将一部分流量卸载，降低对传输网和核心网带宽的要求，直接处理并响应用户，满足移动网络高速发展所需的高带宽、低时延的要求并减轻网络负荷，大大降低了通信时延。

边缘计算为应用程序开发人员和供应商提供实时信息（如网络负载、用户位置），这些实时网络信息用于为移动用户提供上下文感知服务，从而丰富用户的使用体验，提升用户满意度。

2 引发计算迁移的原因

计算迁移本身是一个复杂的过程，而迁移是其最显著的特征之一，但是在不同的环境中引发迁移的原因也是不同的，本文总结了几种不同的计算迁移的原因，具体如下。

（1）移动终端资源受限

在复杂的Internet环境中，各种网络设备由于体积、质量等方面的千差万别，它们所承载的计算资源也有大有小，特别是现今智能手机普及度越来越高，人们对智能移动终端的依赖也越来越高，但智能手机由于体积的限制，不能像桌面计算机那样执行人们期望的所有应用。另一方面，移动终端的位置是根据人的需求随机变动的，不同的物理环境中，客户的网络质量不尽相同，这就产生了网络资源的动态变化[7]，需要计算迁移弥补网络连接差所带来的影响。

（2）均衡终端任务负载

当终端一次在本地执行的任务较多时，随着终端被占用的各种资源增加，设备的负载急剧增加，这时任务被执行效率就会变得很低，计算迁移可以减轻资源占用较大的设备的负载，并迁移到其他资源丰富的设备上。

（3）降低数据传输量

在计算任务执行的过程中，计算节点和本地客户端之间会产生大量需要传输的中间数据，这些数据的频繁传输需要耗费大量的网络资源。而将任务迁移到计算节点执行，这些执行计算所需的数据可以直接在计算节点调用，计算节点只需要返回给客户端计算结果，传输的数据量大大减小。

（4）减少设备网络时延

当用户所在的物理环境网络不稳定、时延高时，将计算任务迁移到计算节点执行，客户端不必担心网络环境的变化，任务迁移之后用户不必保持时刻在线。用户可以在任务迁移到计算节点后暂时断开网络连接，待返回结果时连接即可。

3 计算迁移的发展

Mahadev提出的Cyber Foraging思想是计算迁移的最早起源，他提出将资源受限的移动终端上的计算、存储等任务交给终端设备附近的计算、存储能力更强的服务器执行，可以减少移动终端的计算量，提升终端的性能。按照计算迁移的迁移方式，迁移从有限资源环境下的嵌入式计算，发展到小规模的分布式计算，再到普适计算，2008 年以来进入云计算时代， 2016 年则兴起基于终端附近设备的边缘计算。张文丽等按照不同背景，将计算迁移分为分布式计算、普适计算和云计算 3 个阶段。本文基于参考文献并按照时间的先后顺序，将计算迁移的相关研究工作划分为分布式计算阶段、普适计算阶段、云计算阶段和边缘计算阶段。表1 总结了这几个阶段计算迁移研究的内容及实现方法。

3.1 分布式计算

在个人计算机和局域网取得飞速发展的背景下，单台设备的计算和存储能力不断加强，个人计算机大量资源大多数时间空闲，又由于局域网的发展，使得计算迁移成为可能。分布式计算应运而生。分布式计算的思想是将空闲的资源以服务的形式提供给他人使用，利用互联网上的计算机的CPU的闲置处理能力，从而将不同空间的设备的计算能力结合起来，解决大型的计算问题。

但是，分布式计算的实现涉及的情形是非常复杂的，分布式计算对计算过程中的通信、数据获取以及计算结果的返回都有严格的要求。因此需要借助分布式计算框架，对计算细节进行封装，从而保证分布式计算正常运行。

通过使用分布式计算框架，程序员可以很容易地享受分布式计算带来的高速计算的好处，而且还不必对分布式计算过程中的各种问题和计算异常进行控制。本文对当前的分布式计算框架进行了系统的回顾与总结，任务执行过程给予计算迁移启发。分布式框架的介绍及对比见表2。

分布式计算出现于便携式计算机刚发展的阶段，受网络技术发展水平的限制，便携式计算机面临的主要问题是电源的待机时间短、续航能力较差，导致整体性能低。因此，在分布式计算阶段，计算迁移的研究主要是探讨将计算任务迁移到远程执行的可行性。

分布式计算阶段计算迁移研究最主要的贡献有以下3点。

（1）基于负载共享的软件方法。电源管理是这一阶段计算迁移研究的一个重要方向，Othwan等基于硬件方法，提出了一种基于负载共享概念的移动计算终端电源保护策略，用户任务从一个移动主机迁移到一个固定主机执行，可以延长电池寿命，缩短工作响应时间，以减少CPU的功耗。而CPU的利用率对传输过程有重要影响，参考文献用式（1）中CPUutilisation来表示CPU的利用率：

其中，Ji表示CPU执行任务i的时间，T表示总的迁移周期。

（2）无线环境下的远程执行可行性验证。本地运行成本高的任务，通过无线远程执行，这样可以通过固定终端连接来节省电力和电池寿命。Rudenko 等比较了本地执行的进程和远程执行进程的功耗，权衡了通信电源开销与本地处理的电力成本，通过无线通信在便携式计算机设备中的使用，探讨了远程访问和远程执行的可行性。

（3）任务自动划分理念。Hunt等提出了一个分布式应用程序自动分区系统Coign,Coign通过基于场景的分析构建应用程序的组件间通信的图形模型，Coign应用图形切割算法在网络上划分应用程序，并最大限度地减少网络通信导致的执行时延。Coign的核心思想是将计算任务的划分交给系统自身来完成，图1表示Coign的运行时架构，使用Coign，即使终端用户无法访问源代码，也可以将非分布式应用程序转换为优化的分布式应用程序，这样可以极大地减轻开发人员的工作负担。

图1 Coign框架

但是，分布式计算阶段关于计算迁移的研究主要是提出理论设想，并未提出具体的理论框架，也未进行可行性和有效性的验证，因此分布式计算阶段关于计算迁移的研究尚处于萌芽的状态，并未有实质性的进展。

3.2普适计算

20 世纪 70 年代中期，随着个人计算机的普及，人与计算机之间的距离被极大地拉近了。尽管个人计算机并没有展现信息技术的全貌，但它迈出了让计算机普及的第一步。普适计算还是硬件技术、图形用户界面快速发展的一个重要推动力。例如手持和可穿戴设备、无线局域网以及位置传感器都是普适计算阶段推动发展起来的。清华大学徐光祐教授等对普适计算的定义是：“普适计算是信息空间与物理空间的融合，在这个融合的空间中人们可以随时随地、透明地获得数字化的服务”。普适计算强调让计算机本身从人们的视线中消失，让人们注意的中心回归到完成的任务本身。

普适计算模式下计算迁移相关研究可以分为计算迁移架构、应用划分算法、资源预测方法、应用开发环境和技术几个类别。普适计算的研究体系如图2所示。

图2 普适计算的研究体系

在计算迁移架构方面，Eduardo等提出了一个重要研究成果 MAUI，这是一种能够将基于能量感知的移动终端代码迁移到基础设施中的系统，MAUI 系统架构如图3所示。其中解析器负责收集终端的信息参数，提供给求解器，求解器根据参数的变化实时地求解线性规划问题。MAUI 利用托管代码的优势来减轻程序员处理程序分区的负担，同时最大限度地节省迁移代码产生的能耗。

Rajesh 等最早提出了基于策略的远程执行系统Chroma，该系统在保留特定应用程序的信息的同时，能够轻松地对这些应用程序进行分区以进行远程执行，可以在过度负荷的环境中自动使用额外的资源来提高应用程序性能。

图3 MAUI系统架构

远程执行是普适计算的一项重要功能，它将小型设备的移动性与大型计算服务器的处理能力相结合。Jason等提出了一种基于普适计算的终端远程执行系统Spectra，Spectra通过匹配资源供应和需求来协助应用程序实现远程执行，为应用程序的功能该如何执行以及在何处执行提供建议。

Steven 等提出了一种用于应用程序透明迁移的系统Zap，Zap在操作系统之上提供了一个虚拟化层，引入pod，这些pod是一组进程。Zap可以在各个独立的计算机操作系统之间将一组进程 pod 作为一个单元进行迁移，而不会在迁移后留下任何残留状态，无需对操作系统进行任何更改。

Eli 等提出了基于 Java 的应用程序自动程序分区系统 J-Orchestra，该系统通过使用字节码重写、代理直接引用对象等方法，将字节码格式的Java应用程序作为输入，并将它们转换为分布式的应用程序，在不同的 Java 虚拟机上运行。J-Orchestra 在分布式系统中的使用方法很简单，用户只需要指定各种硬件和软件资源的网络位置及其相应的应用程序，因此J-Orchestra具有显著的通用性、灵活性和自动化的优势。

Su等提出了名为Slingshot的架构，该架构通过复制远程应用程序代理来缩短应用程序响应时间。每个应用程序有两类副本，第一类副本在终端用户连接的远程服务器上执行，Slingshot 在附近的代理上部署了第二类副本，代理将每个应用程序的请求广播到所有副本，并返回它收到的第一个响应，这样可以缩短应用程序响应时间。

普适计算关于计算迁移的另一研究是动态分区应用程序，并将应用程序的一部分迁移到强大的代理上执行，即应用划分算法研究。Gu 等基于模糊控制模型提出了一个迁移推理引擎，以自适应地选择应用程序分区策略。

在资源预测算法方面，Rich等通过预测本地和远程系统之间的带宽、信道条件等，并将迁移资源决策模型统一为一个统计决策问题，使用贝叶斯方法评估不同决策策略的效果，得出结论：在估计先验分布采用自动变点检测的贝叶斯方法性能最佳。

3.3 云计算

2007 年，IBM 和 Google 宣布在云计算领域展开合作，云计算作为一种新兴的计算服务模式被产业界和学术界广泛关注.云是一种并行和分布式系统，由一系列相互连接的虚拟计算机组成，它们根据服务提供商和消费者之间建立的服务等级协议，动态地为用户呈现和供应一个或多个统一的计算资源。基于参考文献总结了云计算的演进历程，见表3。

云资源与传统的计算资源相比，具有服务质量好、可用性高、资源的利用率和可扩展性强、数据段安全性和隐私性高的特点。但是云资源的访问也存在一些挑战，由于用户与服务商之间的交互过程经过广域网和无线网，云资源的使用存在以下3个问题：

· 因广域网而带来的抖动、错误和时延；

· 无线网带宽有限、连接不稳定；

· 访问云资源的经济成本较高等。

在云计算阶段计算迁移按实现方法主要有3种，分别为基于 cloudlet 的计算迁移、基于 surrogate的计算迁移和基于云的计算迁移。

Tim 等提出云应该以 cloudlet 的形式向移动用户的物理位置靠近，建议使用一个更细粒度的cloudlet概念来管理组件级别的应用程序，而不是将一个完整的虚拟机从云移动到cloudlet。而且cloudlet 不是固定在移动用户附近的固定的基础设施，而是以动态的方式给LAN中的移动用户提供可用的资源。这种物理位置上的邻近能有效地解决因广域网而带来的抖动、错误、时延以及网络连接不稳定等问题。

Ra等提出的Odessa是基于surrogate的计算迁移系统，Odessa 通过其在线分析器和简单的执行时间预测器，能够自适应地为移动用户的交互型应用程序提供计算迁移和并行处理决策，可以快速适应场景复杂性、计算资源可用性和网络带宽的变化。

CloneCloud是基于云的典型的计算迁移系统，CloneCloud 采用静态分析和动态分析相结合的方法，以精细的粒度自动分区应用程序，同时优化移动终端在特定计算和通信环境下的执行时间和能源使用，能够在一些应用程序上实现高达 20 倍的执行速度，同时大大节省了移动设备的能耗。

表4对基于 cloudlet 的计算迁移、基于surrogate的计算迁移和基于CloneCloud的计算迁移这3种计算迁移系统进行了比较。

伴随移动互联网与云计算技术不断融合，基于移动终端的云计算模式迅速普及。移动终端计算、存储资源受重量、大小和散热等因素的限制，日益复杂的移动应用使得用户的体验质量降低。因此如何突破移动终端计算、存储和电池等资源的受限瓶颈，为它们提供增强计算能力和降低计算时延是至关重要的任务。为向移动用户提供更加丰富的应用，将云计算引入移动环境，移动云计算（mobile cloud computing，MCC）作为一种新的应用模式应运而生，计算迁移应用于云环境中，成为移动云计算的重要支撑技术。

柳兴等针对应用迁移到云端引起大量数据传输导致的能耗问题，提出一种任务联合执行策略（task collaborative execution policy，TCEP），通过把云端与移动终端联合移动应用的优化问题建模为最小化移动终端能耗问题，并采用一次迁移最优特性来改进遗传算法进一步提高算法性能。仿真表明，TCEP 与现有的策略相比，可有效减少最优解的运算时间，同时最小化移动终端能耗。

3.4 边缘计算

近年来，在物联网和5G通信的驱动下，移动计算领域出现了一个范式的转变，从集中式的云计算向分布式的边缘计算转变。为了解决云计算中的时延问题，云服务应该被转移到与用户物理位置邻近的地方—移动网络的边缘，也就是新出现的边缘计算范式。施巍松等对边缘计算的定义是在网络边缘执行计算的一种新型计算模型，而边缘是指从数据源到云计算中心路径之间的任意计算和网络资源。

计算迁移可以概括为代理发现、环境感知、任务划分、任务调度和执行控制等步骤。然而，不是所有计算迁移方案都包含计算迁移的全部步骤。具体迁移步骤如图4所示。

图4 边缘计算迁移步骤

边缘计算可以被理解为云计算的一种特殊情况，在传统的云计算中，用户通过Internet连接访问云服务，而在边缘计算中，计算和存储资源分布于用户的近距离网络拓扑范围内。因此，与云计算相比，边缘计算可以明显地降低时延和抖动。云计算是以完全集中的方式部署，服务器通常集中地放置在一个或几个位置，但边缘计算完全以分布式的方式部署。边缘计算只能够提供有限的计算和存储资源，表5 中概述了云计算和边缘计算在关键技术方面的比较。

边缘计算主要实现将云端的计算、存储等资源优势，引入移动终端，使其突破终端资源限制，提高运行应用程序的性能。它实现了将网格、计算、存储以及应用的融合，通过开放网络能力来降低核心网络时延，使时延可以限制在10 ms级以内，这对那些对时延要求高的应用意义深远，特别是无人驾驶等领域。

边缘计算所涉及的范围非常广，首先边缘计算与节点的信任以及资源协同研究是密不可分的，计算迁移技术是实现边缘计算的重要技术手段，边缘计算中的数据安全与隐私保护问题则关系到边缘计算在各个应用领域的服务质量。笔者分别从技术体系、研究难点和应用方向 3 个层面对边缘计算的研究体系进行总结归纳，图5为边缘计算研究体系。

图5 边缘计算研究体系

4 边缘计算

4.1 边缘计算的研究进展

边缘计算平台运行在与移动终端物理位置相邻近的位置，为移动终端提供IT和云服务。本节将描述边缘计算领域的几个最新研究成果。

4.1.1 Femtoclouds

美国卡内基· 梅隆大学计算机学院的Habak等提出Femtoclouds系统。Femtoclouds是一个动态的、自配置的“多设备移动云系统”，通过协调多个移动设备来扩展 cloudlet 的计算资源。Femtoclouds利用客户附近空闲的移动设备，为本地移动终端提供计算服务，因此减少了传统的将计算迁移到云数据中心过程中产生的网络时延。

Femtoclouds 系统架构如图6所示， Femtoclouds设备由3个部分组成：cloudlet能够创建一个 Wi-Fi 接入点，并充当控制设备；计算机集群是一组愿意共享硬件和资源的移动设备；控制设备与集群中的移动设备协作，为迁移提供计算服务。

图6 Femtoclouds系统架构

控制设备的功能由执行预测模块、在线时间预测模块、任务划分和调度模块来实现。执行预测模块负责估算每个计算任务所引入的执行负载，便于更有效地在不同的节点间分配任务。在线时间预测模块会收集区域中特定的数据，根据用户的集体行为构建一个通用的用户配置文件，预测Femtoclouds用户的在线时间。任务划分和调度模块执行预测模块和在线时间预测模块获得的信息，迭代地将任务划分给执行设备。

移动设备由用户界面模块、计算资源预测模块、用户数据分析模块组成。用户界面模块负责获取用户偏好、共享策略以及个人信息共享策略信息，将获得的信息发送给其他模块。计算资源预测模块负责分析移动设备的剩余计算能力，并将所获取的信息与控制设备共享。用户数据分析模块负责分析用户在不同场景中的行为以及偏好数据，构建一个用户数据概要文件，并只以用户可以接受的粒度与控制设备共享，以保护用户隐私。

控制设备与集群中的移动设备协作，执行在这两个设备中的本地连接预测模块、发现模块。本地连接预测模块负责计算控制设备和每个计算移动设备之间可用的带宽，笔者的方法是使用无线信号强度来获取带宽的初始估计。发现模块负责监测安装了 Femtoclouds 客户端的可用移动设备，一旦移动设备加入集群，它就会向控制设备发送一个注册分组。这个注册分组包含该设备之前对 Femtoclouds 系统贡献的计算能力的信息以及用于确定用户在线时间的配置文件信息。

Femtoclouds的工作原理是：移动设备发送设备信息（移动设备的可用计算资源、可共享的计算资源、使用历史）和共享策略给cloudlet，并通过Wi-Fi网络连接到计算集群。cloudlet可以根据设备的计算资源可用性和电源情况，决定是否接受新设备接入计算集群中。移动终端通过发送计算代码、输入和输出数据到cloudlet上，迁移计算密集型任务。通过计算可用移动设备执行任务所需的时间，将迁移过来的任务在计算集群中进行分配。

在移动设备的任务调度中，Femtoclouds使用贪婪启发式方法来优化模型。在控制器中运行的调度算法对系统的性能至关重要。调度器必须将任务划分给可用的设备，以最大化收益，同时管理设备的运行。先将问题作为一个优化问题，假设对设备能力（计算和带宽）和离开时间完全了解，然后使用贪婪启发式方法来优化模型。对于每个任务，调度程序决定将任务分配给哪个设备，何时将任务发送给设备以及何时返回结果。任务执行调度器的总体目标是最大化整个集群的可用计算能力，表示为：

其中，C是总的计算能力，εi是由第i个任务引入的计算负载。

系统的计算迁移性能取决于计算集群中可用的移动设备的数量以及设备的未使用资源量。

4.1.2 Replisom

Abdelwahab 等提出了 Replisom 系统， Replisom这个名字的灵感来源于DNA复制，它是一个移动边缘云架构，当多个物联网设备想访问云资源时，Replisom可以减少云的响应时间。

图7表示移动边缘计算端到端的内存复制架构，Replisom将内存复制到各自的克隆虚拟机中，而不是在边缘网络中增加新的设备。当多个物联网设备（假设第 i 个设备超过总量 n 个设备）有新的计算任务时，每个设备使用端到端的通信技术将新的任务发送给相邻设备。接收设备将接收的计算体压缩成一个副本。边缘云会定期给相应的物联网设备发送请求（使用预先计划好的授权）。当设备j接收来自边缘云的请求时，作为响应，它将压缩的副本推送到边缘云。

最后，利用压缩采样构造算法，将边缘云中的任务存储到相应的虚拟机中。当多个物联网设备将任务复制到附近的边缘云时，Replisom 体系结构降低了迁移期间的时延和成本。

图7 移动边缘计算端到端的内存复制架构

4.1.3 ME-VoLTE

Beck 等提出了 ME-VoLTE（mobile edge computing enabled voice over LTE），以减少视频通话中移动设备的电池消耗，并为迁移策略的选择提供通信协议。ME-VoLTE 是基于视频电话的移动边缘计算系统，可以在视频通话中减少终端能源消耗。

ME-VoLTE 系统将视频通话过程中的视频编码任务迁移到MEC边缘服务器上执行。图8表示ME-VoLTE 的系统架构，ME-VoLTE 体系结构中的两个主要组件为：服务调用控制模块（proxy/serving call state control function），其任务是在移动设备和VoLTE网络之间发送信号；媒体资源模块是VoLTE网络的一部分，负责视频的混辑、存储视频的回放和视频转码。当一个移动设备想要进行视频电话时，代理会将请求（连同一组代码块）发送到服务调用控制模块。服务调用控制模块根据当前可用的计算资源和上行强度来决定编码类型。在决定编码类型之后，移动设备选择一个编解码器对视频进行编码，这个编码器由边缘网络中的移动设备提供。

图8 ME-VoLTE系统架构

要实现将编码工作迁移到 MEC 服务器上的架构，需要满足 3 个方面的要求。从用户的角度看，新的MEC服务必须透明地集成到现有的体系结构中。第一个要求是，迁移必须在用户和MEC服务器之间进行协商，有两个原因：首先，MEC服务器的计算资源和上行线路带宽是多个用户共享的；因此，为了确保服务质量，MEC服务器根据可用的计算和上行带宽资源，来决定他们愿意提供多少资源。其次，网络运营商不向移动用户收取额外流量费用，这意味着在ME-VoLTE体系结构中，网络计费功能作为协商过程的一部分，必须被集成到架构中。

第二个关键要求是适应移动性。编码任务最初是被迁移到与用户非常接近的MEC服务器，如果用户位置移动，ME-VoLTE 必须能检测用户位置发生的变化，并验证编码参数是否需要调整以适应新的环境。

第三个要求是系统必须考虑网络接口的功耗。由于用户编码工作量减少，视频数据的压缩率远低于传统的VoLTE系统。将这些仅微压缩的媒体流发送到边缘基站和MEC服务器时，会导致用户的传输速率增加。由于ME-VoLTE旨在降低应用程序的功耗，所以这里考虑的关键因素之一是对多媒体流的迁移能力。因此，ME-VoLTE 必须确保卸载不会增加UE的功耗。

4.1.4 移动终端对等点之间的计算迁移

Gao提出了一个计算迁移架构，在网络边缘的移动设备之间迁移计算任务。在战区环境内，处理区域环境的监测数据的应用需要大量的计算资源。该架构将部分应用程序迁移到附近的移动节点执行，以减少计算时间和能源消耗。节点的迁移方案依赖于计算能力、相邻节点的能量级别以及节点之间未来可能发生的交互。通过分析移动节点间接触时间分布特性，可以预测两个节点之间的可能发生的交互。根据这个框架，在迁移发生之前，系统会自动计算新节点上任务的执行时间、能量消耗和节点间未来的交互。如果在新节点上执行任务节省了时间和能耗，并且新节点能确保在接触周期内完成任务，则新节点将被确定为任务迁移节点。该框架具体做出的贡献如下。

· 通过分析确保了移动节点之间计算的迁移，减少了能耗，允许递归计算迁移进一步提高了网络资源的利用效率。

· 还研究了及时将计算结果返回给任务发起者，以确保在大型网络范围内及时完成工作。

· 同时还考虑计算和操作数据的位置，允许多个移动节点在计算执行期间相互协调，以提高网络资源利用率。

图9表示端到端的任务迁移框架，每个移动节点的计算能力都已给出，两个移动节点之间的连线表示两个节点之间的接触模式。当节点A连接的节点K的计算能力远高于A时，A将计算任务TA迁移到K，这样能以更短的时间、更少的能量消耗来完成任务TA。这种计算能耗的节省超过了A和K之间的数据传输成本，从而提高了网络资源利用的整体效率。然后，K作为任务TA的“子发起者”，递归地将 TA的工作量迁移到 E。而 K与D连接时不会将TA迁移到D，即使CD>CK。主要原因是K和D之间的接触频率较低，会降低TA的计算结果及时交付到A的可能性。

该模型的性能取决于边缘网络中相邻节点的数量。如果节点网络中断，模型则不会为其执行迁移任务。

图9 端到端任务迁移框架

4.1.5 边缘网页浏览加速模型

Takahashi等提出了EAB（edge accelerated Web browsing）的移动边缘计算原型，以加速Web应用程序的执行。图10对比了普通安卓浏览器（左）与EAB（右）的架构。在EAB中，边缘服务器被部署在移动客户端以及移动端附近的服务器之间。当移动 Web 浏览用户向 URL 页面发送请求时，服务器端的响应首先在边缘服务器上被拦截。作为响应，边缘服务器会过滤一些内容，边缘服务器的任务一般是抓取 Web 内容、评估Web内容、Web的重新布局和呈现。这个模型比普通的Web浏览模型具有更好的效果。

图10 普通安卓浏览器（左）与EAB（右）架构对比

4.1.6 上下文感知协同实时应用

Nunna 等提出了基于 5G 技术和移动边缘计算的上下文感知协同实时应用架构。由于无线网络的高时延，在某些特定时间内的传统协同应用具有弊端。在笔者所提的架构中，边缘服务器部署于每个边缘节点上。作者利用了近距离服务、上下文感知计算等5G技术的特性来实现协同。边缘服务器的中间件—边缘协作平台通过标准化的API 收集用户详细位置、无线网络状况等重要信息。该架构将应用于道路事故场景和机器人远程工作场景中。

5G网络与MEC集成在一起，将提供一个强大的实时上下文感知协作平台。5G网络的低传输时延，与 MEC 服务的低应用程序响应时间相结合，将使系统非常适合为实时场景服务。5G的近距离服务、上下文感知计算这些特性可以通过安全 API 在基站部署到 MEC 服务器上，从而使上下文感知的临时协作变得可行。

集成MEC与5G构建的协作平台有望在功能上实现通用，平台应该支持不同行业领域所对应的不同服务子系统。为了实现敏捷和可靠的应用程序部署，必须在这些服务子系统中提供安全访问接口。

由于时延和同步是协同计算模型中性能的重要体现，而上述模型具有低时延特性，因此适合于协同计算。目前，上述模型仍然只是一个理论概念，5G技术也还处于发展阶段。

4.1.7 CloudAware

Gabriel 等提出了 CloudAware 系统， CloudAware是一种移动边缘计算的编程模型，应用于开发弹性的和可伸缩的移动边缘计算应用程序。CloudAware 不同于 MEC 领域相关的其他方法，它的主要设计目标是支持与附近设备的临时和短时间交互，以及在没有可用的代理或者用移动设备作为回退机制的连接终端时，提供一个持续可用的应用程序。

图11表示CloudAware的执行平台和架构， CloudAware 采用 Jadex中间件框架来获取分布式、并发执行和上下文感知计算等属性。在CloudAware中，发现服务负责监控可用的网络、网络强度以及每个服务器所提供的代理计算资源。上下文管理器收集用户的任务迁移状态，以估计所需的网络连接。分割器和求解器将应用程序分为不同的组件，在运行时根据时间优化（即最小化计算时间）和网络连接状态选择最优的迁移策略。还包括一个提供同步的协调器。CloudAware 的设计可以实现通过并行化加速计算、通过迁移计算节省能量或带宽并且支持多种移动场景的迁移。

图11 CloudAware执行平台和架构

表6对近年典型的边缘计算研究成果进行了比较。边缘计算的应用场景涉及互联网的方方面面，除了以上几个应用场景外，边缘计算在移动医疗、移动游戏、VR、AR、物联网传感数据异常实时检测、边缘存储以及物联网数据转发等领域有广泛的应用。

学者们对边缘计算迁移系统架构的研究，主要目标集中在增强移动终端计算能力、降低能耗、缩短时延、提高网络资源利用效率等方面，采用的主要方法是优化迁移策略、优化传输效率等，特别是迁移策略的优化，是当前边缘计算研究的主要方向和重点领域。

4.2 基于不同优化目标的边缘计算迁移研究

边缘计算迁移的节能研究需要移动边缘计算和无线通信技术的联合设计，其中最主要的部分是计算迁移策略及算法的优化。通过将计算迁移问题建模为优化问题，主要针对能耗、时延、传输代价、节点负载等。

随着移动设备的发展，终端设备寿命提升，降低能耗，提升用户体验质量。Zhang 等研究了一个单用户MECO系统，通过比较本地计算（带有可变CPU周期）和优化后的迁移计算（可变传输速率）的能量消耗，得出最优迁移策略。Zhang等研究了用户终端移动模式在未知情况下的能耗优化，提出了基于卷积神经网络的深度Q网络的强化学习算法，从用户过去的数据状态中学习，实现能耗优化，缺点是没有对计算时间进行约束。Lyu 等研究了移动边缘计算迁移面临的可扩展性问题，提出了一个轻量级的请求和准入框架来解决可伸缩性问题，设计了选择性迁移方案，以最小化设备的能量消耗。

移动终端增多的同时网络负载加重，可能引起网络时延。为了解决这一问题，结合能耗优化目标，参考文献针对不同类型的多用户系统研究了MECO的资源划分。Stefania等研究了一个多用户的MECO系统，为了减少在迁移时延约束下的终端能量消耗，提出将无线和计算资源进行联合分配。Zhao等研究了在中心云和边缘云共存的情况下，迁移到不同云的最优用户调度问题，提出了一个基于任务负载的阈值迁移策略。Chen 等研究了多用户 MECO 的分布式迁移，利用博弈论来实现能量和时延的最小化。Donghyeok 等提出了一种将部分视频流量卸载到 Wi-Fi 网络来缓解蜂窝网络拥塞的软件定义网络架构，通过有效且公平地共享有限的蜂窝网络资源来提高所有用户的视频质量，提出了追求用户之间的全局系统效用和服务质量公平性的资源分配算法，该架构能够有效降低时延，但是对于终端能耗并没有有效的优化。Liu等提出了一种权衡迁移时延和可靠性的框架，设计基于启发式搜索、重构线性化技术和半定松弛 3 种算法来实现时延和可靠性的权衡，缺点是没有对能耗进行优化。

移动设备的增多使得网络带宽日益紧张。为解决这一问题，You 等和 Mao 等分别研究了自适应的计算迁移方法，并以无线能量传输和采集为目标，设计了基于无缝集成移动云计算和微波功率传输（microwave power transmission， MPT）两种技术的解决方案。Xiang 等研究了单用户的 MECO 系统，将动态迁移与自适应的LTE/Wi-Fi链接选择进行集成，并提出了一种可扩展的近似动态规划（approximate dynamic programming，ADP）算法。

迁移算法优化方面，学者也做出努力。Chen等用 Lyapunov 技术开发了一种边缘基站之间的在线计算迁移框架，以最大化边缘计算系统的性能，但仅涉及了边缘基站之间的协作计算，并没有优化终端的能耗。Zhang 等研究了多流数据迁移的问题，一个终端有多个应用程序需要迁移，将多流数据迁移问题构建为限时空离散时间马尔可夫决策过程，通过基于动态规划的算法建立最优策略，但是该策略计算复杂度高，会在一定程度上损害性能。Muhammad等提出了一种基于激励的博弈论数据下载框架，实现了纳什均衡，但是该框架过分关注移动网络运营商的服务质量，而忽视了终端用户的能耗考虑。

Reza等探讨了迁移计算中的用户隐私安全问题，建议使用智能分区或动态迁移，应默认采用“本地优先”方法，在处理敏感数据时避免使用网络，但是缺乏对富应用程序复杂性的考虑。表7对相关的计算迁移策略的优缺点进行了总结。

综上所述，学者们关于边缘计算迁移策略的研究主要集中在算法设计上，大多数都是仅考虑了计算时延或终端能耗，一些研究的计算复杂度偏高，没有达到全局最优，并不能有效解决移动终端资源受限的问题，特别是能耗问题，因此当前研究中资源划分能耗优化的问题就凸显出来。

4.3 边缘计算典型应用

边缘计算可应用于网页动态优化、物联网计算迁移、移动大数据分析、智能交通等场景。但是这些应用并不能在移动设备或便携式设备上有效地运行，这些应用是计算密集型的，对移动设备的处理能力和存储容量的要求很高。以下简要介绍边缘计算的几个应用场景。

4.3.1 网页动态优化

传统的网页优化为了满足客户的期望，一般在Web站点上执行，并参考存储在数据库中的用户Web浏览历史。网页优化也可以通过获取用户当前的地理位置并分析用户位置信息，根据用户的上下文感知来动态地完成。而在移动边缘计算中，网页优化器可以托管在边缘服务器上，这样网页内容优化器能够动态地获取准确的位置和运行信息（网络负载、网络状态等），并根据获取的信息进行内容优化，如图12所示。基于边缘计算的内容优化提高了网络的性能，提高了体验的质量，并增加了新的服务。

图12 网页动态优化模型

4.3.2 智能移动设备计算迁移

近年，可穿戴物联网设备流行起来，但是这些设备的处理能力非常低，传统的计算密集型应用（如AR和监视系统）无法在这些设备上执行。这个问题可以通过将应用程序拆分为小任务来解决，并且在云设备上执行拆分后的部分任务，但是这同时会引入网络时延和影响执行的准确性。上述场景可以通过将任务迁移至边缘服务器上而非核心网络来优化，迁移至边缘服务器可以一定程度上减小时延。移动边缘计算中的计算迁移面临着几个挑战：如何分割一个应用程序，如判断任务是否应该被迁移以及如何在用户地理位置发生变化时同步应用程序。

4.3.3 边缘计算在大数据分析中的应用

大数据是大量数据的集合，对数据进行结构化和非结构化的分析，可以更好地做出商业决策和战略业务活动。近年来，手机上网成为主流，因此收集智能手机数据，并进行分析，是了解和分析市场的最有效途径，这个过程需要高带宽并且会引入时延。而移动边缘计算平台不再需要浪费大量带宽，就可以执行大数据分析，数据分析可以在网络边缘设备上进行，分析后，只需将结果返回服务器。因此，该场景将减少带宽消耗，提高网络时延。

4.3.4 智慧城市

现代化城市人口密集，城市生活面临着许多问题，智慧城市生活圈如图13所示。以交通为例，城市存在交通拥堵拥堵、道路状况不佳、停车位不足、公共交通能力不足、道路安全等问题，智能交通是解决城市居民所面临的交通问题的有效途径。例如，在路边安装摄像头和传感器设备收集实时数据，可以通过边缘网络实现交通控制。传感器设备可以检测靠近设备的物体（如行人和车辆），并能测量物体的距离和速度，根据收集的数据，以合理的方式转换为智能红绿灯信号控制车流，从而实现交通管制。类似地，智能停车系统可以通过智能终端收集用户的位置信息，通过边缘网络上的设备查询附近的可用车库，用这些数据来建模，指导用户合理使用停车位。

图13 智慧城市生活圈

4.3.5 智慧海洋边缘计算

21世纪以来，随着我国对海洋空间资源的重视程度越来越高，对海洋空间的开发日渐频繁，但是海洋通信的相对落后严重制约了我国海洋战略的实施。传统的海上通信网络如海上无线通信、海洋卫星通信以及基于陆地蜂窝网络的岸基移动通信，存在通信制式互不兼容、通信带宽高低不一、覆盖范围存在盲区和缺乏高效统一的管理机制等缺点。新型智慧海洋通信系统在海上无线通信和卫星通信的基础上，以 5G 通信技术为核心，采用边缘移动通信，以岛礁等作为中继节点建立新的高速通信链路。海洋边缘计算框架如图14所示。

图14 海洋边缘计算框架

5 TDMA多用户边缘移动终端计算迁移策略系统

基于移动终端资源受限问题的讨论与研究，笔者将进一步尝试提出边缘移动终端计算迁移的资源划分及迁移策略模型。

针对上文提出的当前边缘计算迁移策略研究中存在的如下几个问题：

· 大多数迁移策略都只考虑了计算时延或终端能耗；

· 部分研究的计算复杂度偏高；

· 没有达到计算时间和终端能耗的全局最优化。

针对以上问题，本文尝试提出一个面向 LTE应用的、基于时分多址（time division multiple access，TDMA）的多用户边缘移动终端计算迁移策略系统，该系统探讨了多个用户将任务迁移到一个边缘云基站的任务迁移模型，系统模型如图15和图16所示。

图15 系统模型

图16 多用户边缘计算迁移系统

其中，dk比特被迁移，（Dk-dk）比特留在本地计算。用 H 表示信道增益（无线信道对传输距离归一化后的衰落度），σ是复高斯白噪声的方差，pk表示移动终端k的传输功率，系统信道带宽为B。根据香农定理，构建终端k可达到的速率模型rk为：

将分配给终端 k 用于迁移的时隙长度表示为tk，tk≥0，其中tk =0对应于没有迁移的情况， ak为迁移决策时间约束变量。用Ck表示在第k个终端计算1比特输入数据所需的CPU周期数， ek 表示用户本地计算的每个 CPU 周期的能量消耗。那么乘积 Ckek就是每比特的计算所需能量。模型的详细介绍请参考参考文献。资源划分模型可以构建为：

本文尝试将移动终端计算迁移的资源划分问题建模为一个凸优化问题，采用拉格朗日乘子法进行求解。建立一个面向LTE应用的、基于TDMA的多用户边缘计算迁移系统，研究了多个用户将任务迁移到一个边缘云基站的任务迁移模型。在系统的多用户计算迁移能耗凸优化问题中，以计算时间最优为约束条件、以最小化终端本地能耗为目标来设计迁移方案，最终确定一个最优的终端资源划分策略。本文提出的系统及其试验结果数据，详情请参考参考文献。

与已有的计算迁移策略相比，本文提出的参考模型具有以下优势：

· 模型综合考虑网络带宽和通信质量的问题，可以根据实时网络状况选择迁移策略；

· 综合权衡计算时延和终端能耗，保证了边缘迁移的计算质量；

· 拉格朗日方法求解凸优化问题，可以显著减少迭代次数，降低计算复杂度；

· 在模型的多用户计算迁移能耗凸优化问题中，以计算时间最优为约束条件、以最小化终端本地能耗为目标来设计迁移方案，可以实现计算时间和能耗的平衡，达到系统最优。

6 结束语

在云计算发展的热潮之后，许多云服务（如移动医疗、移动学习、移动游戏和移动管理等）都可以在移动设备上直接使用。移动边缘计算是一种新兴的技术，它在移动用户的近距离范围提供云和IT服务。将用户的计算任务迁移到附近其他空闲的移动终端上，达到节省终端能耗、减少网络传输费用等目的。

移动边缘计算平台通过在边缘网络上实现计算和存储来降低网络时延。它还允许应用程序开发人员通过使用实时无线访问网络信息，提供上下文服务（比如协作计算）。移动和物联网设备为计算密集型应用程序执行计算迁移，如计算机视觉、移动游戏等，使用移动边缘计算服务。本文介绍了边缘计算，讨论了一些引发计算迁移的原因，对计算迁移从分布式计算到边缘计算的发展概况进行了梳理，介绍了几个移动边缘计算的应用场景。在此基础上，尝试提出新的计算迁移策略模型以及未来的研究方向。

[作者简介]

朱友康（1992— ），男，江西理工大学理学院硕士生，主要研究方向为边缘计算和计算迁移。

乐光学（1963— ），男，嘉兴学院教授，主要研究方向为多云融合与协同服务、无线mesh网络与移动云计算、混成与嵌入式系统。

杨晓慧（1996— ），女，江西理工大学理学院硕士生，主要研究方向移动云计算。

刘建生（1959— ），男，江西理工大学理学院副教授，主要研究方向为深度学习。