面向边缘计算的资源优化技术研究进展
面向邊緣計算的資源優化技術研究進展
屈志昊, 葉保留, 陳貴海, 唐斌, 郭成昊
河海大學計算機與信息學院，江蘇 南京 211100
南京大學計算機科學與技術系，江蘇 南京 210046
中國電子科技集團公司第二十八研究所，江蘇 南京 210007
?
摘要：以云計算模型為代表的集中式數據處理關鍵技術已不能高效、及時地處理邊緣設備產生的數據。針對這一問題，以“數據處理應更靠近數據源頭”為核心理念的邊緣計算模型應運而生。首先介紹了微數據中心、微云、霧計算、移動邊緣計算等計算范型，并討論了邊緣資源整合的優勢。然后，回顧了近年來邊緣計算中與資源優化領域相關的工作，以計算、存儲和通信3種資源為切入點，分別從計算卸載、分布式緩存和高性能傳輸這3個研究熱點，對國內外的研究進展進行總結和討論。最后，展望了該領域未來的發展趨勢和主要的研究方向。
關鍵詞：??邊緣計算 ; 計算卸載 ; 分布式緩存 ; 高性能傳輸
論文引用格式：
屈志昊, 葉保留, 陳貴海, 唐斌, 郭成昊. 面向邊緣計算的資源優化技術研究進展. 大數據[J], 2019, 5(2):17-33
QU Zhihao. State-of-the-art survey on resource optimization in edge computing. Big Data Research[J], 2019, 5(2):17-33
1 引言
近年來，隨著信息技術的不斷進步以及智能終端設備的不斷泛在普及，基于移動物聯網的智能化應用蓬勃發展，并在人們日常生活中的諸多方面發揮著重要的作用，如智能電網、智能家居、智慧醫療、多媒體服務、氣象預測與災害預防、車聯網等。由于智能終端設備的感知能力不斷增強，其感知的數據規模以及數據處理的計算復雜性呈現出爆炸式的增長趨勢，這導致傳統的基于“中心交付方式”的云計算服務模式難以適應該趨勢。據思科公司的數據預測，終端設備規模及其產生的數據規模均呈現出倍數級增長趨勢，到2021年，全球范圍內將有超過500億的終端設備，這些設備每年產生的數據量將達到847 ZB。其中，約10%的數據需要通過計算處理，數據中心計算性能正逐漸達到瓶頸。相比而言，全球數據中心的存儲能力預計僅能達到2.6 ZB，而網絡流量為19.5 ZB。云計算模式下，所有的數據必須上傳至集中式服務器，并在計算后返回相應的設備，終端設備數據的爆炸式增長也加劇了網絡負載，嚴重影響服務質量，導致低響應時延、網絡擁塞等問題。綜上，集中式的云計算模式面臨“算不動、存不下、傳不暢”的挑戰，難以滿足終端環境爆炸式增長的數據處理需求。
為緩解數據中心的處理壓力、消除計算與通信瓶頸、提升系統的服務質量，一種行之有效的方案是將云服務卸載到距離終端用戶更近的位置，這就形成了一種新型的邊緣計算范型，其基本架構如圖1所示。實際上，終端設備的廣泛部署在提升數據感知能力的同時，也為終端環境聚集了大量可用資源，其邊緣計算及存儲能力呈現倍數級增長。同時，萬物互聯時代的到來與邊緣網絡中數據量的飛速增長，促進了終端設備間通信技術的進一步發展，涌現出新型的高數據率、低時延的通信模式，提高了邊緣網絡的網絡傳輸容量。邊緣設備通過通信網絡基礎設施實現設備互聯，并構成一個泛在的邊緣網絡環境，實現數據的相互收集和交換。因此，利用邊緣環境中終端設備的自有資源可以有效地緩解云計算中心的負載。
圖1???邊緣計算基本架構
業界基于“將計算交付到數據感知源、就近提供智能服務”的思想，從不同的角度對邊緣數據處理模型展開了廣泛深入的研究。在學術界，針對物聯網和內容分發網絡（content distribution network，CDN）應用的高通信時延和高帶寬成本問題，加州大學伯克利分校提出了微數據中心（micro data center）概念，將小型化的數據中心部署得更靠近應用側；針對移動計算環境中的網絡時延和帶寬不足的問題，卡內基梅隆大學提出了位于互聯網邊緣的微云（cloudlet），將其作為資源門戶，為移動計算應用提供實時交互和云服務網關功能。在工業界，5G標準中正式將移動邊緣計算納入其中，在接近移動用戶的無線接入網范圍內，提供信息技術服務和云計算能力；思科公司提出了霧計算（fog computing）的概念，在云與移動設備之間引入“霧層”，擴展基于云的網絡結構。美國國防高級研究計劃局（Defense Advanced Research Projects Agency， DARPA）為應對戰術環境中的信息實時處理和共享問題，提出了基于網絡計算節點的分散計算（dispersed computing），它支持按需從周邊節點借用計算資源和網絡資源，從而實現任務的快速處理。
實際上，邊緣計算的核心理念可追溯到對等網絡（peer to peer，P2P）計算和內容分發網絡。作為一種計算泛型，邊緣計算的基本思想是對邊緣設備自有的分布式資源進行充分利用，即在數據感知源建立資源供給機制，為用戶提供就近服務，以緩解服務器/數據中心的壓力，降低網絡傳輸帶寬消耗，并加快數據處理效率，增強服務響應能力。
在萬物互聯及大數據的環境下，雖然邊緣計算范型為計算任務處理帶來了新的機遇，但同時也帶來了很多技術挑戰。邊緣環境中的計算任務處理通常需要邊緣設備基于分布式協作完成，其核心是對邊緣環境中計算、存儲、網絡資源的高效分配，以實現任務及數據的動態部署，從而在減少資源開銷的前提下，滿足用戶對服務質量的需求。數據規模的增長對資源的協同優化提出了更高的要求。與此同時，邊緣網絡基礎設施的弱連接特征（infrastructure-less）使得數據和任務的遷移面臨更加復雜的網絡環境，這加劇了分布式協同的復雜度。
考慮到邊緣環境中的設備異構性、系統動態性，為了實現資源的高效整合，并適應用戶多樣化的服務需求，國內外研究者從計算、存儲、網絡等資源協同優化的角度展開研究，并產生了一系列開創性的進展。為了更好地理解邊緣計算中相關的資源優化技術，本文首先介紹邊緣計算范型和資源優化的基本理念，進一步，針對邊緣環境中計算、存儲、通信3種關鍵資源，從計算卸載、分布式緩存、高性能通信3個方面對現有工作進行總結，最后對未來的研究方向進行展望。
2 邊緣計算基本范型與優勢
2.1 邊緣計算范型
基于云計算的數據處理框架（如Ma-pReduce編程模型、Hadoop分布式文件系統、Spark內存計算框架等）雖日趨成熟并被廣泛應用，但這種集中式的數據處理架構難以適應爆炸性增長的邊緣數據處理需求。為了實現分散任務的高效處理，一種解決方案是利用云計算中心之間的協同。針對多地域分布云存儲系統協同問題，通過設計基于文件相似性的協同傳輸機制，實現多平臺間安全可靠的文件同步，并提高用戶服務體驗，如CoCloud系統和Meta-Sync系統。Chen L等人研究了面向地域分布的多數據中心中的多任務調度技術，基于數據中心間帶寬較低、穩定性差、數據在跨域數據中心間分布不均勻等特點，設計了一種保證公平性的作業調度算法。對于分布式存儲這類對時延及計算要求較低的任務來說，多個云平臺的協同對服務質量有一定的改善，但仍然無法解決邊緣環境中廣泛存在的時延敏感及計算密集型任務的服務質量保證問題。
為了保證海量邊緣數據處理的實時性和有效性，業界先后提出了微數據中心、微云、霧計算、移動邊緣計算等邊緣數據處理模型，圖2給出了這些邊緣數據處理模型的基本架構。
圖2???邊緣數據處理模型的基本架構
（1）微數據中心
微數據中心是一種處在網絡邊緣的小型化或模塊化的數據中心架構，其部署的位置更加靠近數據源，旨在降低面向物聯網和內容分發網絡的通信時延和帶寬成本，同時解決不同類型的工作負載對傳統云計算架構軟硬件資源差異性需求的問題。由荷蘭政府資助的、IBM公司和荷蘭射電天文學研究所合作的DOME項目成功將微數據中心應用于全球規模最大的射電望遠鏡陣列項目，其中采用的每一個2U 19機架單元都整合了64臺高性能服務器、網絡、存儲模塊。Aazam M等人將微數據中心引入物聯網和云平臺之間，旨在對物聯網多類型服務提供資源管理、數據過濾、預處理以及安全措施。
（2）微云
微云處在云平臺和終端設備之間的中間層次，是被部署在網絡邊緣、具有移動性的小型數據中心。微云旨在支持資源密集型和實時交互的移動應用，如增強現實應用、遠程渲染的視頻游戲等。通常微云部署的位置與終端用戶的距離為一跳無線連接，比如部署在蜂窩網基站或者Wi-Fi基站上，為終端用戶的計算任務提供低時延響應。多個微云構建成分布式的移動邊緣計算環境，拓展用戶可用資源，通過提供類似云平臺的動態遷移機制，實現資源的負載均衡。Chen M等人提出一種由邊緣移動設備基于短距離無線鏈路互聯而成的微云架構，每一個移動設備都可以作為計算服務的提供者或者請求者。在這種由多個微云自組織連接構成的網絡中，計算任務可以選擇本地執行、直連的微云執行、基于機會路由傳輸給其他微云執行。Jia M等人為了滿足跨不同計算平臺構建無縫銜接的應用程序體驗需求，提出了基于邊緣網絡中多個微云工作負載均衡的優化，降低了處理結果的返回時延。
（3）霧計算
思科公司在2012年提出霧計算概念，并在2014年發布供研發者使用的霧計算開發套件IOx。隨后，思科公司聯合ARM公司、戴爾公司、英特爾公司、微軟公司和普林斯頓大學，于2015年聯合成立了開放霧計算聯盟（OpenFog Consortium）。霧計算節點由性能相對較弱但地理位置廣泛分散的霧節點構成。作為云計算的延伸，霧計算強調終端用戶與計算承載節點的接近度、時延和骨干網帶寬開銷、自適應移動性和位置感知等，以實現更好的服務質量體驗和邊緣數據特征分析，同時緩解云處理中心的計算負載。近年來，國內外研究者從基本架構、資源管理、任務調度、節能、數據安全等多個方面對霧計算展開了研究，并取得了富有前景的研究成果。
（4）移動邊緣計算
移動邊緣計算最早由歐洲電信標準協會（European Telecommunications Stan-dards Institute，ETSI）提出，其核心思想是在無線電接入網（radio access network， RAN）的基站中提供計算及存儲資源，使得能在更近的位置響應用戶的計算任務和數據請求。此外，移動邊緣計算帶動了一系列相關領域研究的飛速發展，并正式納入5G標準。移動邊緣計算方向也吸引了更多的學者進行大量深入的研究，并與移動智能設備的萬物互聯網理念相結合，產生了眾多富有前景的技術飛躍和廣泛部署的應用平臺。
2.2 邊緣環境資源整合優勢
邊緣環境中包含大量的多樣性邊緣設備，這些邊緣設備通常具有一定的計算能力和存儲能力，同時提供了多個通信接口。以移動邊緣設備為例，它們可以通過蜂窩網鏈路直接連接到宏蜂窩基站，同時基于Wi Fi、藍牙等通信模式構建設備到設備的自組織通信網絡。這些設備空閑的計算、存儲及通信資源在移動邊緣網絡中構成一個巨大的資源池，通過緩存一些計算功能和數據，大量的計算任務和數據請求可以被卸載到由移動邊緣設備構成的自組織網絡中。通過協同利用這些邊緣資源，可以實現邊緣設備任務的快速響應以及數據的高效分發。另外，邊緣環境中包含大量分布式的微型數據中心、部署在宏蜂窩基站上的移動邊緣服務器以及家庭基站和微型基站等邊緣網絡設備，可以有效地緩解集中式數據中心的計算負載和流量負載。此外，密集部署的邊緣網絡設備與宏基站協同形成了無線網絡的全面覆蓋，有效地提升了邊緣網絡的容量。這種多樣性密集部署的無線網絡正是5G中網絡致密化（network densification）的思想，是研究未來網絡架構的一個重要趨勢。
邊緣計算有機地融合了分散在網絡終端上的計算、存儲及通信資源，與傳統宏基站集中式網絡架構相比，移動邊緣網絡主要具有以下3點優勢。
● 低時延：由于數據存儲和數據處理位于距離終端用戶更近的位置，通信的傳輸時延可以被有效地降低。其中最典型的受益案例是計算任務卸載和視頻邊緣緩存。在計算任務卸載場景中，邊緣云和邊緣服務器通常可以為終端用戶提供更高質量的數據傳輸，同時避免集中式服務造成網絡擁塞。在視頻服務的邊緣緩存中，將視頻部署在移動邊緣設備，響應流媒體用戶的服務請求，可以有效地避免視頻在核心網絡和宏基站回程鏈路（backhaul link）的時延，提高視頻的服務質量。
● 低能量開銷：之前的研究工作表明，與集中式任務處理相比，將計算任務卸載到霧計算節點和微云上，可以有效地降低能量開銷。此外，針對流媒體這類數據請求型服務，在邊緣網絡設備或移動智能設備上緩存數據并響應請求，可以有效地避免數據在核心網或基站回程鏈路上的冗余傳輸，而邊緣智能設備或網絡終端緩存單位比特的數據所需的能量開銷要遠低于傳輸帶來的能量開銷。因此，對計算、存儲、通信資源的合理分配利用，可以在整個網絡層面實現綠色節能計算。
● 內容感知：在邊緣環境中，計算任務以及數據請求模式通常具有一定的地域規律性。邊緣網絡中的大量的終端設備距離移動用戶更近，同時具有空余的資源，能夠方便高效地統計、學習出特定區域內用戶的計算任務請求模式、移動模式、行為模式以及視頻數據的請求概率等。這些信息對網絡中的流量監控、路由策略、資源分配調度等具有很好的指導意義，據此網絡提供商和數據中心可以提高自身的資源利用效率，同時保證對終端用戶的服務質量。
3 邊緣計算資源優化技術
3.1 面向計算資源優化的計算卸載
基于云計算的集中式數據處理技術已經不能及時高效地處理邊緣設備產生的數據，根本原因在于線性增長的集中式云計算能力無法匹配倍數級增長的邊緣數據，造成數據處理任務的排隊等待。與此同時，云數據中心有限的存儲能力和帶寬能力使得集中式處理計算任務的性能進一步惡化。如圖3所示，基于邊緣計算模型的理念，可以將計算卸載到距離用戶更近的位置，以解決面向萬物互聯時代的邊緣端大數據處理效率問題。通過建立廣泛分布的移動邊緣云、微云、微數據中心等，任何位置的用戶都可以方便快捷地使用邊緣云服務，有效地緩解數據中心的計算負載和帶寬開銷，同時提升服務的響應能力。在工業界，各個云服務提供商在部署集中式數據中心的同時，也加快了分布式的邊緣云設施的建設，如阿里云的內容分發網絡在全球部署了超過1 500個邊緣服務器。
圖3???邊緣環境中的計算卸載模式
在考慮終端設備產生的計算卸載時，主要面臨兩個關鍵問題：哪些計算需要被卸載到邊緣環境中執行；將計算卸載到哪些邊緣節點執行。對于第一個問題，以移動設備上的視頻游戲、增強現實這類計算為例進行說明。受限于自身的計算能力和電池能力，移動設備難以保證持續良好的質量體驗。而集中式云計算中心雖有強大的計算能力，但由于可能存在的任務排隊以及網絡擁塞，難以提供穩定的較低往返時延。一種行之有效的方案是，將計算卸載到距離移動設備較近的邊緣服務器。對于第二個問題，當有多個計算任務需要卸載到邊緣節點時，盲目的卸載很容易導致部分邊緣節點的負載不均衡。同時，考慮到計算卸載時涉及的數據傳輸，選擇邊緣節點時也需考慮與設備之間的網絡狀況。
Chen X等人考慮了多信道無線干擾環境中面向多用戶的計算卸載問題。由于多個用戶對信道資源以及計算資源存在競爭關系，作者通過博弈模型設計了分布式的計算卸載算法，證明該算法可以在收斂的時間限制下得出納什均衡，并量化分析該算法與集中式解決方案之間的競爭比。同樣基于多用戶的計算卸載問題，Deng M等人采用博弈的方法，基于用戶的通信和計算資源，順序執行計算任務的卸載。You C等人研究了密集的移動計算向基于蜂窩網的邊緣云卸載的問題。在基于時分多址（time division multiple access，TDMA）的用戶接入以及計算等待時間和移動設備能量開銷的約束下，作者將卸載問題刻畫為一個凸優化問題，并給出最優解；在基于正交頻分多址（orthogonal frequency division multiple access，OFDMA）的接入方式下，將其刻畫為混合整數規劃問題，并給出近似最優解。Mao Y等人研究將密集型計算卸載到移動邊緣服務器的問題。為了實現綠色節能計算，作者采用帶有能量收集系統的移動邊緣服務器設備，通過決定是否卸載、邊緣服務器CPU執行頻率以及無線傳輸的發射功率，盡可能地降低計算的執行等待時間。基于移動邊緣計算，Wang Y等人在計算卸載中引入動態電壓縮放（dynamic voltage scaling，DVS）技術。基于計算負載以及性能需求，DVS技術支持設備上的電壓和時鐘頻率動態調整，可以實現更加彈性的計算卸載策略。Wang F等人考慮支持無線供電的多用戶移動邊緣計算場景，多個無線接入點向端用戶提供無線供電，端用戶基于此執行計算任務或將計算卸載到無線接入點上。作者提出了一種最佳資源分配方案，在計算時延約束下，最小化無線接入點的能量開銷。
另外，為了適應數據規模的增長速度，數據處理方式正由傳統的在單個機器上進行集中處理逐漸過渡到在由眾多小規模不可靠機器構成的大規模分布式系統上處理。例如在MapRaduce框架中，需要將計算任務分散到多個節點上執行，同時節點之間需要大量的數據交換。傳統的集群系統中存在的節點失效、計算落后、通信瓶頸問題影響著整體的計算性能。這些問題可以通過編碼技術解決，即通過編碼方法生成冗余計算任務，并保證最終計算結果能夠從任意足夠數目的節點上的計算結果中獲得。節點計算、網絡資源的異構性在邊緣計算環境中更加顯著，研究者也將這一類編碼計算方法推廣到邊緣計算的框架下，以實現計算資源的高效利用以及與存儲、通信資源的統一優化。Aliasgari M等人將編碼方法運用到C-RAN網絡架構中，以保證云端基于網絡功能虛擬化的上行信號的快速解碼。Li S等人對編碼方法在邊緣計算的應用進行了前瞻性分析，并提出了一種通用的編碼邊緣計算方法，其中邊緣計算節點能夠利用計算的編碼結果生成干擾信號迫零的通信消息，從而提升無線頻譜利用率。
3.2 面向存儲資源優化的邊緣緩存
云數據中心通常采用大規模存儲集群對數據進行集中式的存儲管理，存儲能力大，并且存儲節點之間的網絡性能較好。同時，分布式存儲系統通常通過數據冗余存儲應對失效節點，保證數據的可用性。學術界提出，在存儲系統中采用基于編碼的分布式容錯機制，能夠有效地降低存儲開銷，并提升系統的整體容錯能力，對冗余編碼數據的解碼機制能夠保證在部分節點失效時可以進行數據恢復。然而，只依靠數據中心的存儲模式仍然無法滿足倍數級增長的邊緣數據的存儲需求。一種方案是在云存儲系統中引入邊緣節點的協助。Zhao J等人提出一種基于反向拍賣機制的邊緣節點協助存儲模型，邊緣節點將自有的存儲資源當作商品拍賣給云存儲平臺，通過誠信拍賣機制保證整體收益的最大化，提高存儲資源的利用效率。Zhao W等人考慮云存儲系統中的流媒體服務平臺，引入邊緣節點/霧節點，通過邊緣節點貢獻的存儲資源和帶寬資源，并輔以最優副本分布的計算，提高邊緣存儲資源的利用效率。
隨著邊緣數據規模的不斷增長，傳統的基于云數據中心的存儲架構會產生數據中心負載過重、網絡擁塞等問題。云平臺提供商將面臨巨額的帶寬開銷及存儲開銷，同時邊緣用戶的服務質量也難以保證。為了解決這些問題，一種行之有效的方案是邊緣的分布式緩存技術，通過在邊緣網絡上的緩存設備，將熱門的流媒體數據預先緩存到距離用戶更“近”的網絡設備上。由于邊緣環境中設備的多樣性和異構型，數據緩存在網絡中的不同位置將產生不同的開銷與收益。圖4展示了在邊緣網絡的不同位置部署緩存。例如，在CDN服務器上的數據緩存可以考慮數據請求的地域特征，通過在CDN服務器部署數據緩存以及服務器內部的數據遷移實現數據請求的就近響應，降低終端用戶的請求開銷。而在面向移動終端的網絡環境中，考慮到邊緣設備存儲能力的限制，通常采用主動式的緩存方式將熱門的數據進行預先部署，同時將數據分別緩存在不同的層次位置，如無線接入網層、邊緣移動設備層等，在不同層次上避免傳輸冗余。Abani N等人將邊緣緩存擴展到網絡中的各個層面，通過預測用戶移動性并結合信息中心網絡，確定用戶數據請求在網絡中的最佳預取節點，降低響應時延。
圖4???邊緣網絡中分布式緩存的各個層次
在RAN層，Ahlehagh H等人提出基于無線接入網基站的視頻分布式緩存機制，顯著提高了邊緣網絡環境能夠承載的視頻容量以及用戶的視頻播放體驗。由于無線接入網基站與CDN服務器相比，具有較小的緩存空間，作者提出了基于活躍用戶感知的主動式緩存策略，同時基于回程鏈路感知和無線信道的調度技術，設計邊緣緩存策略，以確保邊緣網絡設備同時支持的視頻的傳輸個數最大化。Gomes A S等人考慮在移動邊緣計算環境中融合下一代網絡架構以及信息中心網絡（information cen-tric networking，ICN），通過預測用戶的移動模式，設計了高效率的緩存遷移算法，提高了用戶數據請求在邊緣的命中效率。Tan-don R等人在新型的霧-無線接入網（fog-RAN）架構下，通過引入標準化交付時間這一性能評價指標，確定邊緣緩存的最佳放置以及協同傳輸策略。
另外，小型蜂窩網（如家庭基站和微型基站）的網絡密集化是未來5G網絡架構的一個重要思路，這些小基站具有傳輸代價低、時延低、覆蓋范圍廣泛等特點，也是邊緣環境中應對爆炸式數據需求的富有前景的方法。Zhang J等人在密集的異構無線網絡中引入軟件定義網絡（software defined network，SDN）技術，同時通過邊緣緩存技術，實現比當前LTE網絡更高的吞吐量和改進的能耗。另一種緩存策略的設計思路是，基于數據流行度以及用戶行為的預測、統計，設計數據在小基站上的緩存方案，以提高用戶請求在小基站上的命中率，減輕移動蜂窩網絡中回程鏈路的通信壓力，提升系統吞吐量。Golrezaei N等人首次提出在家庭基站部署緩存的思想，并設計了最小化請求時延的緩存部署優化算法。Poularakis K等人進一步考慮了基站的通信帶寬限制，并針對用戶移動設備的通信能耗指標，提出了一種具有性能保證的低復雜度的啟發式算法。Gharaibeh A等人考慮了小型基站之間的協同緩存機制，并設計了一種高效的在線合作式緩存部署與替換方法。Avrachenkov K等人將小基站上的緩存部署問題等價為博弈論中的潛在博弈（potential game）問題，通過尋找潛在博弈的納什均衡找到全局的最優緩存部署策略。Li J等人在工作中考慮網絡設備提供商與視頻服務提供商之間的競爭關系，通過雙寡頭博弈（Stackelberg game）模型刻畫緩存設備租用及部署策略，從而同時最大化網絡設備提供商和視頻服務提供商的收益。Ma G等人則充分考慮了可能影響到緩存效能的一些關鍵因素，通過真實的數據，說明視頻的熱門度分布、用戶的移動行為及請求模式、小基站緩存策略對服務質量的影響。Dehghan M等人考慮了內容在互聯網和蜂窩網的跨層緩存與分發機制，基于后端服務器路徑擁塞敏感和不敏感兩種情形，聯合優化了內容的緩存部署問題和用戶請求的路由選擇問題。Shnaiwer Y等人針對文件下載場景，基于機會網絡編碼（opportunistic network coding）技術，卸載蜂窩宏基站的流量到家庭基站網絡上，同時提高移動用戶的質量體驗。在這項研究工作中，家庭基站上文件的部署問題被轉化為機會網絡編碼圖優化問題。Hajri S E等人則考慮小基站網絡上主動式緩存部署的能耗問題，通過對移動用戶空間位置屬性以及視頻請求概率的聚類分析，設計了小基站上視頻的緩存部署策略，以提高用戶請求的命中率和整個系統的能量效率。
在邊緣移動設備中，通過利用移動設備自有的存儲資源，同時結合設備到設備（device to device，D2D）的通信模式，業界提出在用戶移動設備之間建立協作緩存機制，可有效提升系統吞吐量，降低集中式數據中心的通信開銷，同時減少邊緣移動設備的蜂窩網流量開銷。Golrezaei N等人提出一種基于D2D通信的邊緣設備緩存架構，邊緣設備可以通過功率控制改變設備間的協作距離。作者指出了設備之間的協作距離與設備間傳輸干擾之間的矛盾，并通過功率控制算法實現了頻譜利用最大化，有效提升了系統吞吐量。Ji M等人面向基于傳統的微波（2 GHz）和毫米波（mmWave）構建的D2D網絡，設計了基于邊緣設備的緩存系統，并且驗證了在異步數據需求情形下緩存可以提高系統吞吐率。Yang C等人在異構無線網絡中，基于協作的用戶緩存對系統吞吐量及用戶訪問時延進行了理論分析。Maddah-Ali M A等人則發現將無線基站的廣播特性與網絡編碼機制結合起來，可以顯著提升緩存效率。此外，由于基于移動邊緣設備的緩存機制需要用戶貢獻自有資源，Chaintreau A等人探討了基于用戶博弈的激勵機制，通過社會福利最大化，給出了移動邊緣網絡中的分布式緩存策略。
3.3 面向通信資源優化的高性能協同傳輸
如圖5所示，邊緣計算環境中包含多樣性的通信方式，與傳統的云處理架構相比，基于毫米波的通信技術和基于移動邊緣設備之間的D2D通信技術是較具特色的兩類傳輸模式。毫米波代表了5G網絡中先進的通信技術，極大地豐富了網絡帶寬。D2D通信基于設備之間的直連鏈路，極大地提高了信道資源的利用效率，提升了邊緣網絡的容量。此外，邊緣環境中的數據傳輸通常與邊緣設備的緩存密切相關，在很多情況下，傳輸優化會與緩存優化相結合。基于此，本節從毫米波通信、D2D通信、基于緩存的協同通信技術3個方面對相關工作進行總結。
圖5???邊緣設備支持的多樣性通信模式
（1）毫米波通信
毫米波通信具有極寬的帶寬和極高的傳輸質量，特別適用于5G架構下針對大規模數據的傳輸任務。由于毫米波的天線方向性和終端用戶的高度移動性，用戶在數據傳輸過程中經常會遭受較長的切換時延和連接時延。為了保證毫米波定向天線覆蓋區域內視頻用戶的服務質量，Qiao J等人將視頻傳輸問題轉化為高速緩存的分配問題，并基于馬爾可夫決策過程為每個用戶動態地分配緩存。此外，嚴苛的傳播條件限制了毫米波在蜂窩網絡中的接入性能。由于定向傳輸必須基于蜂窩發現和同步的過程，在多個方向上的多個傳輸會產生一定量的時延。Filippini I等人提出了一種基于用戶位置感知的蜂窩發現策略，同時隨時記錄障礙信息，為后續的蜂窩發現提供指導。
（2）D2D通信
位置接近的移動邊緣設備可以通過網絡接口構建直連的D2D通信鏈路。由于這種通信方式具有高頻譜利用率、低能量開銷、信道資源復用等特點，近年來得到了廣泛的關注。Kella L等人[60]實現了基于單跳D2D鏈路的視頻文件傳輸平臺，基于用戶之間的合作原則，利用網絡編碼技術和邊緣設備的廣播性能，實現了網絡效用最大化。在移動邊緣云場景中，Abdelwahab S等人設計了協同傳輸模型，以支持服務和應用向移動邊緣設備卸載。通過對無線網絡環境的感知以及利用D2D通信技術，作者提出了Replisom架構，基于壓縮采樣理論中的稀疏恢復技術，解決多個邊緣設備同時傳輸時對無線信道資源的競爭問題，有效地降低了任務卸載過程中的時延和能量開銷。針對移動邊緣環境中無處不在的數據傳輸以及時延敏感型任務，Nunna S等人結合5G和移動邊緣計算架構，提出了一個具有超低時延且基于內容感知的傳輸模型。Cao W等人在將蜂窩網流量卸載到D2D網絡中時，考慮到基站與移動邊緣設備之間的位置關系，提出了一種基于整數規劃的流量卸載方案，并且證明了這種傳輸方案在能耗上的優越性。
（3）基于緩存的協同通信技術
結合邊緣緩存的協同傳輸模式可以有效地提升數據的傳輸效率。然而，考慮到網絡的高度動態性、用戶規模的急劇增長以及網絡傳輸資源的有限性等因素，設計與邊緣網絡緩存相匹配的高效傳輸技術面臨著更大的挑戰。從結合邊緣網絡設備緩存的角度，Ao W C等人結合無線網絡數據傳輸模型，為熱門數據在小基站上部署了多個副本，以保證協同傳輸時達到最高的數據率，同時在小基站上部署冷門數據，保證所有媒體數據的多樣性與可用性。Khreishah A等人則考慮小基站同時傳輸數據時的干擾，結合信道分配算法，設計相應的小基站緩存部署策略，提高了整體的分發效率。從結合未來網絡架構中緩存策略的角度來看，Yuan X等人和Kanai K等人則分別考慮在路由器上和交通工具上部署緩存設備，通過復用內容中心網絡（content centric network，CCN）及命名數據網絡（named data network， NDN）的傳輸協議，結合緩存部署策略，高效地分發流媒體數據。此外，Zhao N等人對5G網絡架構中邊緣網絡設備之間，尤其是大量部署的小基站之間的干擾控制技術面臨的挑戰進行了總結，并展望了利用緩存和計算資源簡化網絡拓撲、提高吞吐量的優化技術。Andreev S等人結合用戶的移動模式和具體的應用需求，揭示了5G網絡中融合通信、計算、緩存的關鍵要素，并面向網絡運營商的收益給出相應的優化模型。
4 結束語
本文對面向邊緣計算的資源優化技術的進展進行了總結。邊緣計算的理念充分利用邊緣端豐富的資源，為終端用戶提供便捷的資源接入與高效的計算任務響應，卸載集中式云計算中心的負載。從邊緣資源優化的角度，本文分別總結了面向計算資源優化的計算卸載方法、面向存儲資源優化的分布式緩存機制以及面向通信資源優化的高性能協同傳輸技術。雖然現有的工作對這一領域展開了廣泛的研究，并取得了一定的進展，但是這些工作大多數關注于邊緣資源的優化，忽略了對云平臺資源的有機結合與協同。此外，多應用復雜環境下的資源調度以及面向真實環境的資源優化方法仍然是邊緣計算中亟須解決的關鍵問題。
未來的研究需要在“云中心-網絡-邊緣端”3個層面的有機融合場景下實現更大范圍的資源協同，同時建立面向云中心與邊緣端的雙向的資源協同優化理論和面向實際環境的資源調度方法。未來的研究方向主要總結為以下幾個方面。
（1）有機融合云計算中心與邊緣計算環境，實現更高效的資源利用
云計算與邊緣計算具有各自的性能優勢，同時可以相互彌補對方的不足。葉保留等人[71]在中國計算機學會（CCF）《2017—2018中國計算機科學技術發展報告》中展望了基于云中心與邊緣端的融合計算模型的未來研究趨勢。將云計算與邊緣計算進行有機融合是當前發展的必然趨勢。然而，現有大多數資源優化方面的研究工作集中在對云資源、邊緣資源中某一方面進行優化，難以有效應用于云端融合。如何針對不同的應用需求，兼顧云數據中心與邊緣環境各自的特點，優化資源的使用，仍面臨巨大的技術挑戰。
（2）面向多樣并發服務，構建高效、負載均衡的動態資源調度機制
現有大多數邊緣計算資源調度方面的工作主要針對特定應用展開，圍繞應用服務需求建立資源調度機制。然而，邊緣計算環境需要支持多種多樣的應用服務，而這些服務對資源的需求各異，且資源間存在共享或競爭的關系。此外，現有資源調度方法較少地考慮了邊緣環境整體的負載均衡。如何面向多樣并發服務，構建高效、負載均衡的動態資源調度機制是邊緣計算中亟須解決的一個關鍵問題。鑒于邊緣環境的復雜性與服務的多樣性，基于機器學習的調度方法值得嘗試。
（3）面向真實環境，建立實際可用、可靠高效的資源調度方法
目前大多數邊緣計算資源調度方面的基礎理論研究對邊緣環境進行了或多或少的假設，而這些假設仍有待進行實證研究與驗證。筆者認為，在邊緣計算研究背景下，需要進一步從系統層面出發，指導資源調度理論研究工作的推進，在此基礎上進行大量的實驗驗證和經驗總結，彌補基于理想環境的資源調度理論與真實環境調度機制設計之間的鴻溝，從而建立實際可用、可靠高效的資源調度方法。
作者簡介
屈志昊（1989- ），男，河海大學計算機與信息學院博士生，主要研究方向為移動邊緣計算、移動流媒體。
葉保留（1976 - ），男，博士，南 京大學計算 機 科學 與 技 術系教 授、博士生導師，中國計算機學會（CCF）理事、分布式計算與系統專業委員會秘書長，主要研究方向為云計算、邊緣計算、無線網絡。
陳貴海（1963- ）男，博士，南京大學計算機科學與技術系教授、博士生導師，CCF會士、分布式計算與系統專業委員會主任，主要研究方向為云計算、邊緣計算、計算機網絡。
唐斌（1986- ），男，博士，南京大學計算機科學與技術系助理研究員，CCF會員，主要研究方向為網絡編碼、無線網絡、邊緣計算。
郭成昊（1981- ），男，博士，就職于中國電子科技集團公司第二十八研究所，主要研究方向為邊緣計算、分布式系統、機器學習。
《大數據》期刊
《大數據（Big Data Research，BDR）》雙月刊是由中華人民共和國工業和信息化部主管，人民郵電出版社主辦，中國計算機學會大數據專家委員會學術指導，北京信通傳媒有限責任公司出版的中文科技核心期刊。
關注《大數據》期刊微信公眾號，獲取更多內容
往期文章回顧
分布式數據庫在金融應用場景中的探索與實踐
共享單車運營分析及決策研究
基于百度貼吧的HIV高危人群特征分析
CCF大專委2019年大數據發展趨勢預測
邊緣計算的架構、挑戰與應用
總結
以上是生活随笔為你收集整理的面向边缘计算的资源优化技术研究进展的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： libevent的使用(socket)
- 下一篇： 对话Linus：Linux 25岁啦