引言近年来， 随着物联网、云计算、大数据等技术的高速发展， 数据规模呈爆炸式增长［１］． 传统云计算模式需要上传海量级数据到云服务器， 但由于云服务器距离终端设备较远， 传输过程中的传输速率、能量损耗、响应延迟、网络干扰、数据安全等问题都难以避免［ ２ ］． 尽管云计算拥有强大的计算能力， 可以解决终端设备无法完成大量计算以及设备电池损耗的问题， 但是随着智能终端、新型网络应用和服务日新月异的发展， 用户更加追求流畅的体验感， 对数据传输速率、低延迟和服务质量的要求变高， 这就使得云计算难以满足许多技术和场景的需求［３］．并且随着５ Ｇ 的发展， 终端设备和远程云服务器之间的数据交换可能会导致回程网络瘫痪， 仅仅依靠云计算模式难以实现毫秒级的计算和通信延迟． 为了解决因云计算数据中心离终端设备较远带来的延迟和能耗问题， 学者们提出将云的功能向网络边缘端转移． 在接近终端移动设备的网络边缘端，移动边缘计算（ Ｍ ｏ ｂ ｉ ｌ ｅＥ ｄ ｇ ｅＣ ｏ ｍ ｐ ｕ ｔ ｉ ｎ ｇ ， Ｍ Ｅ Ｃ ） 作为提供信息技术服务且具有计算能力的一种新型网络结构和计算范式出现了［４］．Ｍ Ｅ Ｃ 并不是取代云计算， 而是作为云计算的延伸［＂ ７］． 与云计算不同， Ｍ Ｅ Ｃ 中终端设备的计算任务卸载到距离终端设备更近的边缘服务器上运行， 并且边缘服务器可以提供计算、内容缓存等功能． 分布在网络边缘上的服务器（ 也称计算节点、边缘节点）可以减轻终端设备计算压力， 降低与云计算的集中式数据中心交互的频率， 还可以显著减少消息交换中的等待时间ｆｒ ９ ］． 由于边缘服务器有一定的存储空间和计算能力且距离终端设备更近， 计算密集型或对延迟敏感的移动终端设备可以把计算任务卸载到边缘服务器进行计算． 因此， 计算卸载作为Ｍ Ｅ Ｃ 中２１ ０ ８ 计導机攀报 ＿１ 苹的关键技术之一， 备受关Ｓ１＊本文对近年的云计篡穆翁边緣计算和计算：卸载迸行了大量的调研？ 图１ 为近三年来〇〇呢１ ＆ 上哭于云计奪：、Ｍ Ｅ Ｃ 的搜索热度趋势图， 搜索热度用＇〇？１  〇〇分表示， 可见学者对云计算关注度较多＊ 而对Ｍ Ｅ Ｃ 的关柱度较平稳． 图２ 是国内外发表的论文的数量趋势图， 其中实线表示的是Ｇｏ ｏ ｇ ｌ ｅ 学术检索的论文； 虛线表示的是画内期刊数据库检索的论文． 近年来对于云计算的研究下”降趋势比较明显，侧面反映出云计算发展过程存在问题； 有关Ｍ Ｅ Ｃ和计箕卸载的研究处于较平缓的趋势． Ｍ Ｅ Ｃ 可以解决云计算模；式下延迟和能耗丨句题， 为了保证Ｍ Ｅ Ｃ的性能， 计算卸栽方案也是屢待解决的问题．ＨＭｏｂｉ ｌｅ Ｅｄｇｅ Ｃｏｍｐｕｔ ｉ ｎｇＩ Ｃｌｏｕｄ Ｃｏｍｐ ｕｔ ｉｎｇ年份２ ０ １ ８０ ． ８ ４ ９ ８ ６６ ８ ． ９ ２ ３ ３２ ０ １ ９０ ． ７ ７ １ ０ ８６ ９ ． ０ ７ ０ ９２ ０ ２ ００ ． ８ ０ ３ ８ ４６ ２ ． ４ ８ ２ ７搜索热度（ 百分制）厲１ ６ｏ ｏ ｇ ｌ ｅ 纖鬻热度年份图２ 国内＇外植楽勘＾囊趋隸图＿寒计箅卸载方案确：定后ｓ 终端设备或终端用户按照设计的方案将任务卸载到边缘服务器， 然而边缘服务器的资源有限的， 如何针对有限的Ｍ Ｅ Ｃ服务器资瀨进行分配也是一个关键Ｎ 题．Ｍ Ｅ Ｃ 中计算卸载方案和边缘服务器资源分酤这然逐渐成为研究热点． 文就［ １ ０ ］ 对Ｍ Ｅ Ｃ 展开了全面＇的综述； 介绍了无线电和计算资源管理． 文就Ｄ １ ］讨论了ＭＥＣ 的标准化和新进展＊ 并将计算卸载的研究按照三个方向划分并进行介绍： 甘＃ 决策、Ｍ Ｅ Ｃ 计算资源分配、移动性管理， 虽然这些柜关研究取得了一定的成果＊ 但由于调研时问较早， 相关计算知载方案在当时有较好的性能． 例如文献［１ ２ ］ 提出了一种调度器Ｌ Ｅ Ｏ ？ 在不改变推理精度的情况下； 处理卸载任务和调度， 最大化传感器虚用程序的工作；负截： ｓ 其撒濕競率量貪可以餐： 高１ ９  ５４ ｓ 文献［１ ３０ 提出了一个细麗廣感知： 能漏的卸载系统， 最大化代码卸载的德量效益， 节省能耗． 但是文献［ １ ２］卸载属于Ｄ切ｉ ＆ｅ ｔ；？ ｊ－ Ｃｌ ｏ ｕ ｄ （ Ｄ２ Ｃ ） 卸载， 即酱爾徵备卸载任务至云服务器， 云服务器的计算能力强于Ｍ Ｅ Ｃ服务器且云服务器距离终端设备较远可館导致西传延迟较大． ， 增加了用户的等待时间， 不适用于Ｍ Ｅ Ｃ场景ｔｌ ４ａｒ 文献［ １ 幻提出的方案不具有足够的能量效率？ 甩在连续的传感和ＭＥＣ 场蕾随着攀者们的掘人研究， 近年来提出并设计许多性能更优的方氣方臟良茨节？ 于＿酵习智簾计篡：卸载方案ｓｆｒ进行介绍， 文献［１ ？１射计算卸载技术展开综述， 介绍ＴＴ计算卸载， 能耗最小化、服务康釐《Ｑ ｕ ａ ｌ ｉ ｔ ｙ ｏ ｆ Ｓ ｅ ｒ ｖ ｉ ｅｅ ，Ｑ ｏ Ｓｊ ？ 服务体验羅量ｉ ｆ： Ｑ ｕ ａ ｌ ｉ ｔ ｙ  ｏ ｆ ￡沖杜１ 成６ ６ ， 〇〇￡）等方面 ＜并从云边博弈与协作、启发式计算卸载两个方面对计算卸载技术方案分类介绍＞ 文献［ １ ７ ］ 针对移动边缘网络中ＭＥ Ｃ 架构、计算卸载、边缘缓存、服务编排等方面的问题展开综述， 按照． 完全卸载和部分卸载分别介绍了卸载方案算法； 而文献［１ ８ ］ 针对基于机器学习的方案对卸载方案进行综述， 将方案分为基于强化攀习的机制、基于监督学习的机制、基于非盥督学习的机制三类进行介绍， 与文献［１ １ ， １ ６ － １ ８ ］不同ｒ本文从技术上将方案分为基宁启发式算法的传统计算卸载方案和基于在．线学习的智能计算卸载方案， 从三个目标来介绍传统计：算卸载方案， 并介薪最薪基于人工智能技术的保护用户隐私数据的计算卸载方案， 同时提出了计算卸载技术面临的挑战和誠研究方询、综上所述虽然茵内外专象和学者对计算卸载方案进行Ｔ 一定的研究４ 祖缺乏从ＭＥ Ｃ 角度进行系统化的理论梳理． 本文详细介绍： 了目前有关Ｍ ＥＣ计算卸载方案的相关算法设计思路和效果， 并总结了有关计算卸载方案的最新研究进展成果． 通过大量的调研， 从全新的角度并按照计算卸载技术的＇算法设计方式对计算卸载方案分类综述． 本文更进一步地＃细介绍了目前ＭＥ Ｃ 中计算卸载技术的应用＇壤暴、面临的挑战和未来班想方向， 対通衝域的未来研究具有重要意义＞本文第２ 节介绍ＭＥ Ｃ 的基：本概念和架构； 第； Ｊ张依琳等： 移动边缘计１ ２ 期 算 中计算 卸 载 方 案研究综 述 ２ ４ ０ ９节介绍两类计算卸载方案基于启发式算法的传统计算卸载方案和基于在线学习智能计算卸载方案； 第４ 节介绍计算卸载方案确定后随之带来的Ｍ Ｅ Ｃ 服务器资源分配问题； 第５ 节介绍计算卸载技术的应用场景； 第６ 节提出Ｍ Ｅ Ｃ 中计算卸载技术面临的挑战； 第７ 节探讨计算卸载的未来研究方向；在第８ 节对整篇文章进行总结．２Ｍ Ｅ Ｃ 基本概念和架构在本节详细介绍Ｍ Ｅ Ｃ 的背景、基本概念和架构． 首先介绍了欧洲电信标准化协会（ Ｅ ｕ ｒ ｏ ｐ ｅ ａ ｎＴ ｅ ｌ ｅ ｃ ｏ ｍ ｍ ｕ ｎ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｓ Ｓ ｔ ａ ｎ ｄ ａ ｒ ｄ ｓ Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ， Ｅ ＴＴ Ｓ Ｉ ） 对Ｍ Ｅ Ｃ 的定义； 再从服务器硬件、服务器部署位置、系统管理、延迟等方面对Ｍ Ｅ Ｃ 和云计算进行对比； 为了将Ｍ Ｅ Ｃ 与其他近端云计算模式概念进行对比，按照时间顺序介绍三种近端云计算模式的概念； 最后介绍了Ｅ Ｔ Ｓ Ｉ 提出的Ｍ Ｅ Ｃ 的系统架构．２ ．  １ＭＥ Ｃ 基本概念２ ０ １ ４ 年， Ｅ Ｔ Ｓ Ｉ 提出Ｍ Ｅ Ｃ 的概念， 并被定义为“ 在移动网络边缘提供Ｉ Ｔ 服务环境且具有云计算能力的新平台”［１ ９］．  ２ ０ １ ６ 年， Ｅ Ｔ Ｓ Ｉ 把Ｍ Ｅ Ｃ 扩展为Ｍ ｕ ｌ ｔ ｉ Ａ ｃ ｃ ｅ ｓ ｓ Ｅ ｄｇ ｅ Ｃ ｏ ｍ ｐｕ ｔ ｉ ｎｇ ， 即一■ 种多通路边缘计算， 将访问通路从移动通信网络进一步延伸至其他接人网络（ Ｗ ｉ Ｆ ｕ 有线等） ． Ｍ Ｅ Ｃ 的定义修改主要是侧重商业利益中访问通路变化， 其针对移动通信场景的性质并没有改变， 同时， 我们调研中发现大多学者在研究计算卸载方案时都是围绕Ｍ ｏ ｂ ｉ ｌ ｅ Ｅ ｄ ｇ ｅＣ ｏ ｍ ｐ ｕ ｔ ｉ ｎ ｇ 展开， 所以本文仍采用Ｍ ｏ ｂ ｉ ｌ ｅＥ ｄ ｇ ｅＣ ｏ ｍ ｐ ｕ ｔ ｉ ｎ ｇ 的说法（ 后简称Ｍ Ｅ Ｃ Ｙ ５’１ 。１ １］．Ｍ Ｅ Ｃ 具有一定的计算能力、可以提供低延迟的服务并且支持移动性［２ 『２ １］． 并且， Ｍ Ｅ Ｃ 可以持续地管理和控制终端用户中的信息［２ ２］． 在服务器分布上， Ｍ Ｅ Ｃ 服务器主要是部署在靠近终端设备的网络边缘的基站中． 通过将终端设备的任务卸载到边缘服务器执行， 越来越多的新兴移动应用程序将从Ｍ Ｅ Ｃ 中受益［２ ３ ］．Ｍ Ｅ Ｃ 支持３ Ｇ ／ ４ Ｇ ／ ５ Ｇ 、有线网络和Ｗ ｉ Ｆ ｉ 无线等场景， 其潜在应用主要包括： 计算卸载、内容缓存、服务内容优化、协作计算等［２ ４］． Ｍ Ｅ Ｃ 可以为工业、娱乐、个人计算和具有计算和存储能力的其他应用提供优势［２ ５］．２ ．  ２ＭＥ Ｃ 与云计算模式对比与云计算相比， Ｍ Ｅ Ｃ 可以视为云计算的延伸，因为ＭＥＣ 可以将云计算模式延伸到网络边缘， 以弥补云计算中数据存储的安全性不足和服务的高延迟的缺陷［ ２ ６ ］． ＭＥ Ｃ 和云计算系统在计算服务上， 与终端用户的距离和延迟性等方面存在显著差异． 与云计算相比， ＭＥ Ｃ 的优点是： 延迟更低， 能够节省移动设备能耗， 并保护移动应用程序的隐私和增强安全性．在表１ 中， 从服务器硬件和位置、部署方式等方面对Ｍ Ｅ Ｃ 与云计算进行对比． Ｍ Ｅ Ｃ 的服务器硬件设备较终端设备而言较大， 而相对于作为大型数据中心的云计算而言， 其资源较少． 在Ｍ Ｅ Ｃ 中， 服务器通常是运营商部署在距离终端用户较近的位置，例如小型机房、基站等； 但云计算通常由ｒｒ 公司内部部门部署在独立大型的建筑里． Ｍ Ｅ Ｃ 适合计算量高、对延迟敏感的应用， 其距离终端用户或终端设备比较近， 延迟低． 而云计算计算能力相比于Ｍ Ｅ Ｃ 要高， 但其距离终端用户或终端设备较远， 延迟较高，不适合对延迟敏感的应用．表１Ｍ Ｅ Ｃ 与云计算系统对比Ｍ Ｅ Ｃ 云计算服务器硬件 资源适中的小型数据中心 大型数据中心服务器位置在小型机房和基站距离终端用户近在大规模的建筑里距离终端用户远部署 由运营商进行部署 由Ｉ Ｔ 公司进行部署系统管理 分层控制（ 集中／ 分布式） 集中控制延迟 少于几十毫秒 大于一百毫秒应用程序计算量髙的应用和要求低延迟应用， 例如自动驾驶计算量髙但对延迟要求不髙的应用， 例如在线社交网络２ ． ３ 三种近端云计算模式近年来， 学者们和一些组织机构陆续提出了一些近端云计算模式． ２ ０ ０ ５ 年， Ｚ ｈ ａ ｎ ｇ 等人［２ ７］ 提出透明计算的概念， 通过距离终端较近的服务器部署终端所需要的操作系统和应用， 终端向服务器请求服务就不需要考虑其自身的存储空间和计算能力等问题．２ ０ １ １ 年， Ｃ ｉ ｓ ｃ ｏ 公司提出一个新的研究领域， 称为雾计算（ Ｆ ｏ ｇＣ ｏ ｍ ｐ ｕ ｔ ｉ ｎ ｇ ）＃ ％． 他们把雾计算定义为一个高度虚拟化的平台， 可以在终端设备和云计算数据中心之间提供服务， 但不完全处于网络边缘［３ １］． 雾计算的服务器可以连续部署在终端和云计算数据中心之间．２ ０ １ ２ 年， 学术界提出了露计算． Ｗ ａ ｎ ｇ 等人［３ ２］进一步提出了关于露计算的“ 云露” 架构， 为了使Ｗ ｅ ｂ 站点可以在无网络连接的情况下被访问． 露服务器部署在用户电脑的Ｗ ｅ ｂ 服务器上．ｍｉｌ ） 计導机攀报 ＿１ 苹上述三种近端云计算模式针对不同的虛用场董８ 与Ｍ Ｅ Ｃ 的设计方式和服务器部暑位遶有所差别． ＭＥ Ｃ 主要针对移动用户， 将服务器部暑在靠近谀备终端． 以减少网络延迟等．２ ．  ４ＭＥ Ｃ架构厨＇３ 展示了Ｍ Ｅ Ｃ 基本三葛架构， 即云－边端三鎮结构， 分别是云层（ 云计算） 、边缘层（ Ｍ Ｅ Ｃ 服务器） 、终端屋Ｃ 移动终端设备） ． 在Ｍ Ｅ Ｃ 中， 移动终端设＃不可以与菔务器宣接逋債， 需赛通过终端层的基斯或无线接人总与ＭＥ Ｃ 服务器进行通倩？ Ｍ ＥＣ服务器部署在更拿近终端设备的边缘层， 可以提供计算和缓存服务， 避免了终端设备所有任务都向远程云端请求服务造成的延迟和能耗问题．云爵３ＭＥＣ 基本三层攀构如ｆｌ ４ ， Ｅ：Ｔ ＳＩ 提出了Ｍ Ｅ Ｃ 架枸结构， 其由功能元素和光许它ｆ口之间猶互作．＿雜参＃点１１成ｔ ｓ３ ？ 该Ｍ Ｅ Ｃ 架构主要由终端、移动边缘系统层－管理、移动进缘服务层管理、移动边缘服务器四部分组成．图４ＭＥＣ 親构移动边缘服务层管理；由移动边缲平台管理器和虚拟化基础设施管理器组成． 移动边缘平台管理器连接移动边缘菔务器的边缘平台， 所有的移动边缘服务器通过移动边缘乎合相连ｆ 虚拟化基础设施管理器负责分爾、管理和释放位于移动边缘服务器内的虚拟化计箕和存餚资源． 而移动边缘系统Ｈ 管讓主要功能是管理移动终端设备用的？用程序盎命周期、操作玄持系统、移动边缘编排器， 其中操作支持系统与移动终端锻备的两向客户服务门户相连？随着Ｍ Ｅ Ｃ 架构越发成熟， 将Ｍ Ｅ Ｃ 架构应用于物联网系统ｓ 可以解决＃统物联网系统中安全策略无法有效解決的内部：攻击陳题＇續《３ 计算卸载的研究在本节介绍计算：知载技术相关研究． 首先， 介绍了计：箕知载的■基本概念、流程以及计箕卸载的三种情况？ 然后， 逋过对近几年计算卸载方案的研究工作进行对比分析， 按滕箅法的设计思路和应用技术的不同， 将计算卸载方案分为两类介绺基于启发式算法的传统计箕卸载方案和基于隹线学习智能计算知载方案． 本文提岀这种分类依据， 可以让读者更清晰地了解计算卸载方案异同点、优缺点和最前沿的计算甸载解决方案？ 塞于氧发式箅法的传统计算卸载方案主棄是先确定一个优化則氣， 再通过设计尨发式算法来接近最优解． 针对基于皂发式箕法的传统计弇甸载方案按照方案的不同优化属标， 从最小化延迟时间、最小化能耗、权衡延迟时间和能耗这三个方向介绍传统的计算甸载方案？ 随着：人工智能技术的不断发屣， 相关技术应用到计算卸载方案中，侠得餐个系统有较好的性能．与棊于启发式算法的传统计：算卸栽方案分类介绍方法不同， 没有将基于在线学习的智能卸载算法按照延时、能耗的维度划分， 西为大部分智能卸载方案不以延时或能耗为单一优化目标， 而是嫁脅考虑智能卸载的性能？ 養ｆ在； 幾学习的智能卸载方案主愛是通过人工智能相关技术来训练卸载模型从而设计卸载方案ｉ 同时斑用联邦学习模獲可以解决基于启发式算法的传统计算卸载方案中存在的隐私数据及用户移动性等何题？ 本文从应用的主要人工智能技术介辑基于在线學习的智能卸载方案， 向读费介蟹：最前沿的计算卸载的研究方案．３ ． １ 计算卸载的基本概念在ＭＥ Ｃ 中ｓ 计算卸载是指计算任务从终端设舞懷攀动難缘计Ｓ省 霧中 计算等载方■研雜導辑 ２ ４１１备卸载到边缘端或云端． ＊ 于边缘层服务器资源和计箕能力有限． 计算复杂的任务斑卸载到云雇迸行处：理． 利用ＭＥ Ｃ 服务器的资源可以减少终端设备自身计箕负担， 将终端设备的计算