摘 要

近年来，随着无线通信技术的发展，尤其是像增强现实、虚拟现实和在线游戏等新型应用的不断涌现，计算密集型任务和时延敏感型任务在生活中的应用越来越多，对移动设备有了更高的要求。同时，对于传统的云计算而言，由于云平台距离用户较远，造成任务处理的时延较大，无法满足时延敏感型任务的低时延要求。考虑到上述诸多技术缺陷和不足，5G的核心技术移动边缘计算（MEC）被全世界诸多研究机构和学者提出，作为一种潜在的可行方式受到了广泛关注。具体而言，移动边缘计算是指在靠近用户的无线接入网侧就近提供计算、通信、存储资源，用户可将任务从本地卸载到MEC服务器中去执行，一定程度上解决因移动设备计算能力不足导致的设备工作周期短等问题，并可以降低计算任务执行的时延和移动设备的能耗。

然而，受硬件和成本等因素的限制，MEC系统的无线带宽资源和计算资源也是有限的。随着移动用户和接入设备的数量越来越多，大量的计算任务被卸载到MEC服务器中执行造成MEC服务器的资源不足的缺陷日益突出。如何合理选择计算任务的卸载方式和对无线、计算资源进行高效分配来改善系统的性能，为用户提供更好的服务质量，是目前所面临的最大挑战。本论文首先总结了目前国内外所提出的一些移动边缘计算的卸载算法和资源分配算法。在理解移动边缘计算原理的基础上，提出了一种基于优先级策略和资源比例分配策略的移动边缘计算的算法。通过使用MATLAB仿真，分析了使用该算法前后系统总时延的变化。仿真结果证明该算法在一定场景下可以降低系统总时延，改善系统的性能，具有较为广阔的应用前景。

关键词：移动边缘计算 任务卸载 资源分配 服务质量

Abstract

With the development of wireless communication technology, especially emerging applications such as augmented or virtual reality and online games, more and more computing-intensive tasks and delay-sensitive tasks have become the bottleneck for mobile devices. At the same time, since cloud is far away from the user, the task execution delay is large, which cannot meet the delay-sensitive tasks.Therefore, as one of the core technologies of 5G, Mobile Edge Computing (MEC) has been proposed,which refers to providing computing, communication, and storage functions on the side of the wireless access network. The user can offload the tasks from local to MEC server to execute.It can solve the problems caused by insufficient computing power of mobile devices,lower the latency of task execution and the energy loss of mobile equipment,and increase the life of equipment.

However, due to the limitations of hardware and cost, the computing resources of the mobile edge computing server are also limited. With the increasing number of mobile users, a good deal of computing tasks are offloaded to the MEC server for execution.For an MEC system, how to choose the offloading method of computing tasks and rationally allocate wireless and computing resources to improve the performance of the system and meet the needs of users is one of the biggest challenges.This thesis first studies the offloading algorithms and resource distribution algorithms proposed by MEC at home and abroad. Based on understanding the principles of MEC,a strategy considers task priority and equal proportion resource allocation is proposed.By using MATLAB simulation, the algorithm's research is analyzed and the change of the total system delay before and after using the algorithm is analyzed. It is concluded that the algorithm can reduce the total system delay under certain circumstances and ameliorate the systematic performance.

Key Words：MEC Task Offloading Resource Allocation QoS

目录

第1章 绪论 1

1.1研究背景和意义 1

1.2国内外的研究现状 2

1.3本文的研究内容和章节安排 3

第2章 MEC的相关技术和原理介绍 5

2.1 MEC的基本概念 5

2.2 MEC的组成和部署 5

2.2.1 MEC的组成 5

2.2.2 MEC的部署 6

2.3 计算卸载技术 8

2.4 本章小结 9

第3章 数学模型 10

3.1应用模型 10

3.2本地执行模型 10

3.3卸载执行模型 11

3.4系统总时延模型 11

3.5 本章小结 12

第4章 基于优先级策略和资源比例分配策略的移动边缘计算算法研究 13

4.1优先卸载策略 13

4.2资源分配策略 13

4.3基于优先级策略和资源比例分配策略的移动边缘计算算法 14

4.4 仿真分析 15

4.5 本章小结 18

第5章 总结和展望 19

5.1 本文内容总结 19

5.2 工作展望 20

参考文献 21

致谢 23

第1章 绪论

1.1研究背景和意义

移动通信网络从早期低速的2G时代发展到如今高速的5G时代，移动网络已经具有了高速低延迟等特点。同时，随着5G技术、人工智能、智慧物联网等多种新型信息化技术的高效有机融合，催生出了多个新兴的应用场景，如智能制造、智慧交通、智能家居和智慧城市等物联网应用_，这是目前5G技术主要的研究方向之一，还包括像远程医疗和超高清电视等对时延和带宽有着极高要求的应用^[1-3]。这些业务的出现，使人们的生活越来越数字化，但问题也随之而来，随着智能移动设备的普及，手机、平板等设备逐渐走入人们的生活，成为生活必需品，导致移动网络上的数据与业务量急剧增加，产生了更多能耗，给移动网络带来了很大负担。同时，随着在线游戏、人脸识别和社交网络等新兴应用的出现，使得计算密集型任务和时延敏感型任务日益增多，由于移动设备自身的计算能力是有限的，如果让移动设备自己去执行这些计算密集型的任务，会导致移动设备产生巨大的能耗，无法满足任务低时延的要求，用户体验（QoE）无法得到保障^[4-5]。

面对上述问题，人们一开始引入的是移动云计算（MCC）。传统的MCC将移动设备上需要处理的任务通过无线网络迁移到距离用户很远的云计算中心去计算处理，减少了移动设备的计算量，延长了移动设备的使用寿命^[6-8]。通过对资源进行统一调度，一定程度上改善了网络性能。但是，由于移动云中心距离用户较远，将任务卸载到云端的过程中，会对上行链路和回程链路带来巨大的负载，导致网络产生较高的延迟。对于日益增多的计算密集型任务和时延敏感型任务，MCC不再能满足用户的低时延要求，同时也不再适应于目前万物互联的应用场景。