摘 要

随着移动设备的普及和移动互联网的高速发展，不断涌现出越来越多新的移动应用（例如增强现实、移动游戏），极大的丰富了我们的生活。由于这些应用通常都是对延迟敏感、计算量大，越来越多的研究人员试图将这些应用程序的复杂计算迁移到附近的移动边缘云，以减少延迟。

现有的工作主要考虑解决移动设备与资源丰富的传统云服务器之间的计算划分问题，但是由于移动边缘云MEC的服务器计算资源和边缘云的无线接入带宽都受到限制，所以这些迁移方法都不能更好的适用于移动边缘计算。

本文研究了移动边缘云中的延迟敏感应用的联合计算划分和资源分配问题，即考虑在边缘服务器计算资源和网络带宽资源受限的情境下，如何得到更符合用户需求的迁移决策。本文使用了一种搜索调整算法，来解决这个问题，并创造性的提出了综合节能成本这一概念，用以定量的表示用户对时延和能耗的需求。最后，本文分析了在多种不同的参数情况下该算法的表现。

关键词：移动边缘计算 计算迁移 节约能耗

Abstract

The proliferation of mobile devices and ubiquitous access of the wireless network enables many new mobile applications such as augmented reality, mobile gaming and so on. As the applications are latency sensitive, researchers propose to offload the complex computations of these applications to the nearby mobile edge cloud, in order to reduce the latency.

Existing works mostly consider the problem of partitioning the computations between the mobile device and the traditional cloud that has abundant resources. The proposed approaches can not be applied in the context of mobile edge cloud, because both the resources in the mobile edge cloud and the wireless access bandwidth to the edge cloud are constrained.

In this paper, we study joint computation partitioning and resource allocation problem for latency sensitive applications in mobile edge clouds. In the context of limited MEC server computing resources and network bandwidth resources, how to get the migration decision more in line with the user's needs. We use a SearchAdjustment algorithm to solve this problem. We creatively put forward the concept of integrated energy saving cost. Finally, this paper analyzes the performance of the algorithm under various parameters.

Key Words：Mobile Edge Computing，Calculate the migration，power saving

目录

目录 1

第一章 绪论 1

1.1研究背景及意义 1

1.2国内外研究现状 1

1.3本文的研究内容 3

1.4论文组织结构 3

第二章 移动边缘计算介绍及计算迁移技术 4

2.1移动边缘计算的架构模型 4

2.2计算迁移策略 5

2.3移动边缘计算环境下的计算迁移技术 6

2.3.1计算迁移实现平台 6

2.3.2多用户计算迁移算法 8

2.3.3计算迁移在移动边缘计算环境下的新挑战 8

第3章 系统模型构建 9

3.1系统模型 9

3.1.1任务模型 9

3.1.2通信模型 10

3.2 计算模型 11

3.2.1时间模型 11

3.2.2能耗模型 12

3.3 问题规划及目标函数 13

第4章 基于搜索调整算法的动态计算迁移策略 15

4.1搜索调整算法介绍 15

4.2算法详细描述 17

4.2.1算法中数据结构及定义 17

4.2.1算法的复杂度 22

4.4 测试结果分析 23

4.4.1仿真场景与参数设置 23

4.4.1仿真性能分析 24

第5章 总结与展望 27

5.1工作总结 27

5.2展望 27

参考文献 29

第一章 绪论

1.1研究背景及意义

随着移动设备的普及和移动互联网的高速发展，不断涌现出越来越多对时延敏感的计算密集型移动应用程序（例如增强现实、移动游戏等），极大的丰富了我们的生活。同时，这些应用越来越依赖更高网络速率、更大带宽的接入能力和更低时延、更高的计算速率、更低的本地能耗。面对这些挑战，越来越多的研究人员把目光转向移动边缘计算（Mobile Edge Computing）以寻求更好的解决方案^[1-3]。

MEC技术为无线网络提供IT服务和迁移计算能力，并将应用平台下沉到边缘网络，极大降低了服务交付的时延。移动边缘服务器为移动用户提供了数据存储服务和计算服务，特别适合用户进行计算迁移。计算迁移技术可以将移动设备上复杂的计算任务通过无线网络迁移到远端服务器执行，依靠远端服务器丰富的计算资源，完成计算任务，从而解决移动终端计算能力、电池容量等有限的问题。利用MEC服务器在移动网络中近距离部署的条件，移动边缘计算可以为用户提供便捷的计算服务和随时随地都能接入的超高速网络，从而令计算迁移的传输路径更短、消耗更小。

移动设备与边缘服务器之间的计算任务划分是移动边缘计算的一个重要研究课题。现有的工作集中在单用户的计算划分上，它的目标是为一个特定的用户优化应用程序的完成时间。这些工作假定边缘服务器总是有足够的资源在计算任务迁移到边缘服务器时立即执行计算。然而，这种假设并不适用于大规模的移动云应用。在这些应用程序中，由于大量用户之间的边缘服务器资源竞争，可能会在服务器上执行特定的调度延迟来执行计算迁移。单个用户计算划分决策没有考虑到云上的调度延迟可能会导致显著的性能下降，传统的计算迁移策略已经不能充分发挥移动边缘计算的潜力^[4-5]。

1.2国内外研究现状

在国外学术界，移动边缘计算（MEC）也成了研究的热点，如Neme Csaba等人把MEC环境下的多用户计算迁移问题简化为多人背包问题，他们的目标是获得全部用户的最小平均任务执行时间^[6]。

同时，国内也有ZhangKe等人研究了基于移动边缘计算的高能效的计算迁移算法，提出用联合优化计算迁移策略和无线资源分配的方式来最小化任务执行能耗的迁移算法^[7]。林晓鹏等人综合考虑无线传输资源和云端计算资源状态，为多用户选择合适边缘计算节点来服务，提出了在MEC服务节点资源受限的条件下，多用户计算迁移决策方案，以拍卖理论为基础提出了用户——边缘服务器匹配算法，使在充分利用MEC服务器节点计算资源的同时获得较高的收益^[8]。

过去十几年，已经有大量计算迁移策略相关的研究工作。计算迁移技术随着互联网技术的进步经过了分布式计算、普适计算和云计算三个典型的计算迁移系统阶段^[9]。随着云计算技术的发展和边缘云的出现，迁移计算为移动设备扩展计算资源和降低功耗做出了非常显著的贡献。然而,无线传输网络的信道不稳定性和数据传输的高功耗限制了计算迁移在移动设备中的应用。在这一方向上，国外很多研究人员提出了大量的迁移策略算法。如Mahadev Satyanarayanan等人提出一种基于Cloudlet的计算迁移方法，并采用动态VM合成技术实现并验证了该方法^[10]。Cristian Barca提出了基于移动设备的计算迁移算法，利用附近其他移动设备上的资源来扩展移动终端资源，这些移动设备通过高速网络（例如 Wi-Fi）相互连接形成 Ad-Hoc网络，计算任务被划分到该网络中的各个节点上执行，该方法也有缺乏统一的资源组织方案和管理策略的不足^[11]。

随着移动设备的普及和移动互联网的高速发展，由移动的设备的移动性和移动网络的不稳定性带来的降低服务执行时间及增加能耗问题越来越被研究人员重视。章铁飞等人通过引入数据压缩的方法完善了云迁移计算决策模型,并且基于对未来时段网络期望的预测,提出了一种节能迁移计算决策算法——EPVAD^[12]。Shuiguang Deng等人用遗传算法优化组件服务之间的依赖关系^[13],取得了很大进展。童智高等人提出了一种通过分析用户的行为模式和位置信息来预测用户接下来得使用行为以及预测其可能接入的Edge服务器得算法,然后通过服务预加载来减少延迟^[14]。Yuan Zhang等人提出了一个共同的资源调度和代码划分方案，可以有效地分配资源到多个移动用户的微云，最大限度地提高吞吐量以及降低移动应用程序的执行时间^[15]。Junfeng Guo等人将计算迁移描述为允许并行传输和执行不同的任务的由上传任务，执行任务，和计算结果下载三个阶段组成的模型，并提出了加权和能耗最小化问题，优化分配任务操作序列，为多用户移动边缘计算的能量有效资源分配问题提出了可行的解决方案^[16]。

相比于单用户的计算迁移策略的研究，多用户的计算迁移的研究文献相对较少。YangL和CaoJ等人针对多用户场景下移动云计算资源有限的情况，设计了一套多用户任务执行调度算法，通过对任务开始执行时间点的安排和调度，缓解了用户对计算资源的竞争^[17]。该算法将每个用户的应用划分为线性的任务模块序列，以最优化总用户的应用执行时间为目的，统一的对所有任务模块的执行位置和开始执行时间点做规划，并设计了一个的启发式算法来完成该调度方案。

多用户的计算迁移策略属于一个新的研究问题，目前的研究成果还比较有限。但是，随着移动边缘计算的出现，多个用户在MEC环境下的计算迁移问题会受到越来越多的关注，包括解决计算资源有限的问题、用户间的干扰问题、MEC服务器切换问题等等。

1.3本文的研究内容

本文主要研究移动边缘计算环境下的计算迁移策略，主要工作如下：

本文首先总结了现有移动通信网络的发展状况和即将面对的挑战，引出了移动边缘计算架构的必要性。然后对移动边缘计算的框架设计、计算迁移的基本流程、计算迁移策略的研究现状进行了详细的分析。在此基础上，本文重点研究了以下场景的计算迁移策略：

在多用户计算迁移场景下，边缘服务器的计算资源和无线接入带宽都受到限制，因此本文研究了移动边缘云中的延迟敏感应用的联合计算划分和资源分配问题，即考虑在边缘服务器计算资源和网络带宽资源受限的情境下，如何得到更符合用户需求的迁移决策。本文使用了一种搜索调整算法，来解决这个问题，并创造性的提出了综合节能成本这一概念，用以定量的表示用户对时延和能耗的需求。最后，本文分析了在多种不同的参数情况下该算法的表现。

1.4论文组织结构

本文一共分为五章，按照如下结构组织论文中内容：

第一章为绪论，主要分析了移动设备的普及和移动互联网的高速发展以及用户需求的变化，并总结了现有计算迁移策略面临的挑战。然后，本章简单阐述了移动边缘计算的发展历程及其优势，并且对其研究现状进行了总结。

第二章主要介绍了移动边缘计算及计算迁移技术，本章先针对移动边缘计算的架构模型做了充分的介绍。而后，本章阐述了计算迁移的原理及具体操作步骤。最后本章详细介绍了移动边缘计算环境下的计算迁移技术的新平台、新方法、新挑战。

第三章主要研究了移动边缘计算环境下的多用户计算迁移策略，本章首先选择一种计算密集型的移动应用程序，根据其任务组件之间的依赖关系，建立了一个图结构的任务模型。然后创造性的构建了综合节能成本这一新的概念，用以解决用户对应用时延及能耗的复杂需求。

第四章详细描述了一种搜索调整算法，用以动态的调整计算迁移策略。随后，给出了得到的实验数据及成果。

第五章是对全文内容的总结，并规划了下一阶段的研究内容。

第二章 移动边缘计算介绍及计算迁移技术

2.1移动边缘计算的架构模型

移动边缘计算MEC的架构模型所涉及的组件如图2.1所示，这些组件按层次分为外部相关层、主层和系统管理层。MEC的核心是主层，包含MEC平台和虚拟化基础设施。

图2.1 MEC架构模型图

（1）MEC虚拟化基础设施层

MEC虚拟化基础设施层由硬件资源和虚拟化资源构成，硬件资源基于通用服务器，提供了存储计算和控制功能得硬件实体构成。虚拟化资源是采用网络功能虚拟化技术、虚拟化计算处理、虚拟交换功能、虚拟存储的方式为MEC平台层提供计算、存储和网络资源。

（2）MEC平台层

MEC平台层提供了一系列中间件和基础服务，是在虚拟化基础设施架构上运行MEC应用程序的必要功能的集合，包括无线网络信息服务、位置信息服务、数据分流规则组件、DNS配置组件等。这些组件与服务之间的通讯遵循面向服务的体系结构，利用基础设施作为服务的思想进行MEC虚拟化管理，实现MEC虚拟化资源的组织和配置，为应用层提供资源按需分配、灵活高效、多应用独立运行的运行环境。

（3）MEC应用层

MEC应用层是基于虚拟化基础设施架构，将MEC平台功能组件组合封装后，以虚拟机方式运行的应用程序，例如本地分流、无线缓存、增强现实技术、业务优化、定位等虚拟应用。MEC应用通过标准的接口开放给第三方业务应用或软件开发商，实现无线网络的能力开放与调用。

2.2计算迁移策略

计算迁移技术是由Cyber Foraging最早提出的概念，即将移动终端的计算、存储等任务迁移到附近资源丰富的云端服务器执行，来补充移动端计算、存储和能量等资源的需求。随着移动云计算和边缘计算的发展，计算迁移开始应用于移动云和边缘云环境中，成为移动边缘计算的重要支撑技术。计算迁移的主要目标包括节约智能移动设备能耗、补充移动设备计算处理能力、减少应用程序延迟等。总体上可以将计算迁移概括为环境感知、代理发现、任务调度执行控制、任务划分等步骤。然而，并不是所有计算迁移方案都包含全部步骤，其具体迁移步骤如图2.2所示。

图2.2 计算迁移步骤

2.3移动边缘计算环境下的计算迁移技术

移动边缘计算利用其计算服务器本地化、近距离部署的条件，使得它可以为用户提供丰富且便捷的计算能力和随时随地都能接入的网络环境，可以说，移动边缘计算是最适合提供计算迁移服务的网络架构。

2.3.1计算迁移实现平台

由MEC的框架设计可知，MEC应用是基于虚拟化基础设施架构，以VM方式运行的。当移动设备发起计算迁移请求时，将计算任务发送到MEC服务器端，MEC会生成与该客户端相应的定制VM（独立的程序运行环境），为移动设备提供远端的计算服务。当任务计算完毕，计算结果会返回给移动设备，MEC会执行虚拟机的销毁，回收计算、存储资源。

移动边缘计算的计算迁移主要包括迁移环境感知、任务划分、迁移决策、任务上传、MEC服务器执行、结果返回等六大步骤，其中任务划分、迁移决策是最为核心的两个环节，也是本文主要创新之处。具体的计算迁移流程详见图2.3

图2.3 MEC环境下的计算迁移流程

以下分别介绍这六大步骤：

（１）迁移环境感知

迁移环境感知是计算迁移的准备阶段，给接下去的各步骤提供环境信息。当智能移动终端需要进行计算迁移时，他必须要感知当前网络环境，如边缘计算MEC服务器的状态与信息、闲置虚拟机数量与cpu计算性能、无线网络的信道数量等等。MEC服务器有限的计算资源和通信资源如何分配给需要计算迁移的用户，该阶段为后面的迁移决策提供了划分依据。

（２）任务划分

随着移动设备的普及和移动互联网的高速发展，不断涌现出越来越多计算密集型移动应用程序。通常这些计算任务都可以使用某种划分决策，把一个整体的智能应用程序划分为多个任务组件，这些任务组件分为两类，一类为本地执行任务和一类为可迁移任务。其中本地执行任务组件是固定在智能移动终端上执行的任务组件，比如输入输出任务、调用智能设备自带模块任务、连接外部设备接口任务等。可迁移任务一般是不需要与本地设备交互的数据处理型任务，这些任务往往计算量比较大，需要卸载到边缘服务器上执行。计算任务划分完成后，任务模块之间有数据通信，能够分开执行，是下面步骤中卸载决策过程的主要单位。

（３）迁移决策

移动边缘计算环境下，用户通过移动网络进行计算迁移。然而，当大量用户同时进行计算迁移的时候，信道资源有限，导致进行计算迁移的用户产生等待时延，从而影响计算迁移的性能，不能更好体现计算迁移的优势。同时，移动边缘计算的MEC服务器是在本地端，相比于核心网中的云端服务器，其计算资源是有限的。随着用户数量的增大，MEC服务器有限的计算资源如何分配给需要计算迁移的用户是一个很大的挑战，这也是本文的重点。

（４）任务提交

根据上一步做出的迁移决策，将需要迁移执行的计算任务上传到MEC服务器。移动边缘服务器为移动用户提供了数据存储服务和计算服务，特别适合用户进行计算迁移，这特别体现在任务提交环节。传统的云端服务器位于核心网侧，用户上传的数据需经过无线接入网和多次跳转的核心网回传链路，会带来较高的传输时延。但是，在移动边缘计算环境下，用户把计算任务提交给MEC服务器去执行是一种非常有发展前景的计算迁移方案。MEC服务器既有强大的计算和存储能力，又有靠近用户的高带宽、低时延的优势，还可以依靠无处不在的移动蜂窝网络让用户“随时随地”的提交任务^[18]。

（５）边缘服务器端执行

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：