摘要：随着移动设备和互联网的普及，近年来人们对计算能力和网络资源的需求显著增加。为了降低网络延迟、提高用户体验，移动边缘计算（MEC）应运而生，将云计算与边缘计算相结合成为解决方案。MEC通过将计算资源移动到靠近终端用户的位置来实现这一目的。然而，随着移动设备数量和生成数据量的增加，对MEC网络中的计算资源分配进行优化。其中计算卸载是一种实现方式，它将资源密集型任务从移动设备转移到MEC服务器，以便更高效地处理。故此，本文主要分析了适用于MEC网络的不同计算卸载策略，以期为后续的相关研究和工作开展提供帮助。

关键词：移动边缘；计算网络；计算卸载；具体策略

MEC是一种分布式计算架构，旨在将云计算和网络服务带到接近终端用户的位置。在MEC中，计算资源被部署在网络边缘，以提供低延迟和高带宽的服务。MEC服务器可以以多种形式进行部署，例如基站、接入点和小型数据中心。计算卸载则是MEC中采用的一种技术，通过将资源密集型任务迁移到MEC服务器上，以减轻移动设备的计算负担。通过分析针对移动边缘计算网络的计算卸载策略，可以更好地优化网络资源的应用，并提升互联网的发展水平。这些卸载策略可以根据任务的特性和网络状况来选择，从而实现更高效的计算资源分配。通过将任务部分或完全卸载到MEC服务器上进行处理，可以降低移动设备的计算负载，提高任务的执行效率和用户体验。

一、移动边缘计算网络的定义及优势

（一）定义

移动边缘计算网络（Mobile Edge Computing，MEC）是一种分布式计算架构，旨在将云计算和网络服务带到接近终端用户的附近。在MEC网络中，计算资源被部署在网络边缘，以提供需要低延迟和高带宽的服务。MEC服务器可以采用多种形式进行部署，如基站、接入点和小型数据中心。这种部署方式可以实现将计算资源尽可能地靠近终端用户，从而可以更快速地响应用户的请求，并提供近乎实时的服务。

（二）应用优势

1.降低网络延迟

使用MEC可以将计算资源部署在靠近终端用户的网络边缘位置，从而缩短数据传输距离和减少延迟，进而提升应用程序的响应速度和用户体验[1]。对于需要低延迟和高带宽网络服务的应用程序，如视频流媒体和虚拟现实等，MEC可以提供所需的服务。通过在MEC网络中进行计算，可以减少移动设备和云端之间的通信量，從而有效降低网络延迟。

2.提高应用程序的执行效率

MEC可以提供高性能的计算和存储资源，从而提高应用程序的执行效率和响应速度。对于需要大量计算和存储资源的应用程序，如机器学习和深度学习等，可以将它们部署在MEC服务器上，从而减轻移动设备的计算负担。通过将复杂的计算任务卸载到MEC服务器上进行处理，可以提高应用程序的性能和效率。

3.支持边缘分析和边缘安全

MEC可以提供边缘分析和边缘安全等服务，以支持应用程序的快速部署和响应。通过将数据分析和处理推送到网络边缘，MEC可以减少数据传输和处理时间，从而提高应用程序的效率和响应速度。

4.提高网络安全性

MEC可以在网络边缘提供网络安全和数据保护等服务，以保障用户数据的安全和隐私。通过在MEC节点上进行安全检查和防御，可以减少网络攻击和数据泄露的风险。MEC可以监测和识别潜在的网络威胁，并采取相应的安全措施，如防火墙、入侵检测系统等，来阻止恶意攻击和未经授权的访问。此外，MEC还可以使用隔离和虚拟化等技术来保护用户数据的隐私和安全。

5.提高网络可靠性

MEC可以在网络边缘提供冗余计算和存储资源，以增强网络的可靠性和韧性，同时降低网络故障对用户的影响。通过在MEC节点上进行数据备份和复制，可以防止数据丢失和系统崩溃。同时，MEC还可以利用负载均衡和故障转移等技术，保证网络的稳定性和可靠性。

二、计算卸载类型

（一）部分卸载

部分卸载是一种有效的计算卸载策略，它将任务的一部分卸载到MEC服务器，而将其余部分保留在移动设备上本地执行[2]。这种策略可以减轻移动设备的计算负担，并提高应用程序的执行效率。部分卸载的主要优点是可以减少传输的数据量，并保持较低的延迟，因为只有一部分任务需要在MEC服务器上执行。举个例子，对于图像处理任务，可以将图像上传到MEC服务器，在服务器上进行一些计算，然后将计算结果返回到移动设备。这种方式在需要移动设备和MEC服务器之间进行交互的任务中非常有效。然而，部分卸载也存在一些缺点。首先，任务拆分需要合理划分，并处理好本地执行和MEC服务器执行之间的协调，这可能会增加系统的开销和复杂性。其次，部分卸载涉及网络通信，可能会受到网络延迟和可靠性的影响。

（二）完全卸载

完全卸载是一种将整个任务都卸载到MEC服务器上执行的计算卸载策略。它具有很多优点，如释放移动设备的计算资源、提高应用程序的执行效率等。完全卸载适用于需要大量计算资源的任务，如机器学习和深度学习等。这些任务通常需要大量的计算和存储资源，而移动设备的资源是有限的。通过将任务传输到MEC服务器上进行执行，可以充分利用服务器的高性能计算资源，同时减轻移动设备的负担。但是，完全卸载也有缺点需要考虑。首先，它要求较高的网络带宽和较低的延迟，以便及时传输任务和返回结果，否则会影响应用程序的执行效率。其次，完全卸载也需要考虑数据安全性和隐私保护等问题，因为数据需要在网络中传输。

因此，在选择卸载策略时，需要考虑应用程序的需求和网络条件。在实际应用中，可以根据任务的特点和性能需求，灵活地选择部分卸载或完全卸载，甚至结合两种策略，以达到更好的性能和效率。

三、面向移动边缘计算网络的计算卸载策略

（一）静态卸载方法

1.基于负载均衡的静态卸载方法

基于负载均衡的静态卸载方法是一种通过合理分配任务到移动设备和MEC服务器上来实现负载均衡的卸载策略[3]。在这种方法中，任务的分配需要考虑到设备的计算能力、内存大小、网络带宽和负载情况等因素。常用的负载均衡算法有轮询算法、加权轮询算法、最小连接数算法和最小负载算法等。

2.基于阈值的静态卸载方法

基于阈值的静态卸载方法是一种根据移动设备的CPU利用率来决定任务是在设备上本地执行还是卸载到MEC服务器上执行的卸载策略。这种方法相对简单直观，不需要考虑网络资源和设备的负载情况，适用于计算需求相对稳定的应用程序。阈值的选择需要综合考虑任务的计算复杂度和设备的计算能力，以确保在合适的时机进行卸载，充分利用MEC服务器的计算资源，同时避免不必要的卸载开销。

3.基于任务特征的静态卸载方法

基于任务特征的静态卸载方法是一种根据任务的特征将其划分为本地执行和卸载执行两个部分的卸载策略[4]。这种方法通过对任务特征的分析和研究，确定任务的优化分配，从而提高任务执行的效率。例如，对于图像处理任务，可以将任务分为预处理和后处理两个部分。预处理部分可能涉及图像上传、特征提取等计算密集型操作，可以卸载到MEC服务器上执行；而后处理部分可能包括结果合成、图像渲染等相对简单的操作，可以在移动设备上本地执行。这样可以利用MEC服务器的高性能计算资源，同时减轻移动设备的负担，提高任务执行效率。

除了基于任务特征的静态卸载方法，还存在其他一些静态卸载方法，如基于能耗的静态卸载方法、基于QoS的静态卸载方法、基于数据冗余的静态卸载方法等。这些方法都针对不同的应用场景和需求，具有各自的优点和限制。在实际应用中，可以根据具体需求综合考虑多种静态卸载方法，并结合实际情况进行选择和实现，以提高计算卸载的效率和质量。

（二）动态卸载方法

1.基于QoS的动态卸载方法

基于QoS的动态卸载方法是一种根据应用程序的质量要求来决定任务是否卸载到MEC服务器上执行的卸载策略[5]。这种方法在保证应用程序的QoS的前提下，实现了任务的优化分配。通过对应用程序的QoS需求进行分析和研究，可以确定哪些任务部分需要卸载执行，而哪些任务部分可以在移动设备上本地执行。在卸载到MEC服务器上执行的任务部分，可以利用服务器的高性能计算资源，从而保证应用程序的执行质量和响应时间。例如，对于实时语音通话应用程序，语音编码和解码是计算密集且对通话质量要求较高的任务。因此，可以将这部分任务卸载到MEC服务器上执行，以保证语音通话的质量和流畅性。而其他任务部分，如用户界面的渲染等，可以在移动设备上本地执行。

2.基于能耗的动态卸载方法

基于能耗的动态卸载方法是一种根据移动设备的电量来决定任务是否卸载到MEC服务器上执行的卸载策略。在该方法中，需要对移动设备的电量进行监测和预测，以确定需要卸载执行的任务部分和本地执行的任务部分。例如，在移动设备的电量较低时，可以将计算密集型任务卸载到MEC服务器上执行，以延长电池寿命。

3.基于资源预测的动态卸载方法

基于资源预测的动态卸载方法是一种根据网络资源和计算资源的预测来决定任务是否卸载到MEC服务器上执行的卸载策略。通过监测和预测网络资源和计算资源的情况，可以确定需要卸载执行的任务部分和本地执行的任务部分，从而实现任务的优化分配。例如，在网络拥塞或计算资源不足时，可以将任务卸载到MEC服务器上执行，以保证应用程序的执行效率[6]。

除了基于资源预测的动态卸载方法，还存在其他的动态卸载方法，如基于时延的动态卸载方法、基于容错性的动态卸载方法、基于隐私保护的动态卸载方法等。每种方法都有其适用的场景和特点，可以根据实际需求选择和实现。在实际应用中，可以综合考虑多种动态卸载方法，根据具体需求来提高计算卸载的效率和质量。

四、应用案例

基于移动边缘计算的智能家居应用程序需要实现对家居设备的监测和控制，例如温度、湿度、灯光等。为了达到这些功能，数据的采集、处理和传输将消耗大量的计算资源和网络资源。在这个应用程序中，使用计算卸载技术可以将部分计算任务卸载到MEC服务器上执行，以减轻移动设备的计算负担，并提高应用程序的执行效率。具体的卸载策略可以根据应用程序的需求和网络资源状况来进行选择和优化。在实验中，采用基于阈值的动态卸载方法进行数据优化，具体如表1所示：

在该实验中，将任务的卸载阈值设置为50%。当移动设备的CPU利用率超过50%时，将部分任务卸载到MEC服务器上执行。实验结果表明，通過该动态卸载方法，可以将移动设备的CPU利用率降低到40%，计算延迟降低到80ms，能耗降低到40J，并且能够保证应用程序的质量和实时性。这个实验结果表明，在智能家居应用程序中，计算卸载技术可以有效地提高应用程序的执行效率和质量。通过合理选择卸载策略，可以使应用程序更加智能化、高效化和可靠化。将部分任务卸载到MEC服务器上执行可以降低移动设备的负载，减少计算延迟，并且降低能耗，提供更好的用户体验和节能效果。

五、面向移动边缘计算网络的计算卸载发展趋势

（一）智能化

随着人工智能技术的发展，智能化已经成为计算卸载发展的一个重要趋势[7]。通过应用机器学习、深度学习等技术，可以实现对网络资源和设备负载情况的智能分析和预测，从而更加智能地进行任务的卸载和分配。

（二）优化算法

在计算卸载中，优化算法起着至关重要的作用。目前已经有许多优化算法应用于计算卸载，如遗传算法、模拟退火算法、粒子群算法等。未来，优化算法将继续发展和完善，以实现更高效和精确的任务卸载。

（三）边缘云协同

边缘计算和云计算之间的协同是计算卸载发展的另一个重要趋势。边缘计算和云计算可以相互协作，以实现更好的任务卸载效果。例如，通过边缘计算进行任务的初步处理，再将结果传输到云端进行进一步处理，以实现任务的高效处理。

（四）安全性

随着移动边缘计算的应用不断扩大，安全性也成为一个重要的问题。在计算卸载中，需要确保数据的安全性和隐私性，预防数据泄露和攻击。因此，未来的计算卸载发展将注重安全性成为一个重要的方向[8]。

（五）多样化的卸载策略

在计算卸载中，需要根据应用程序的需求和网络资源状况选择适合的卸载策略。未来，随着应用程序的多样化和网络资源的不断变化，多样化的卸载策略将成为一种趋势。同时，卸载策略的选择也需要更加智能化和灵活化。

六、结束语

随着移动互联网的快速发展，移动设备的计算能力和存储能力不断提高，移动边缘计算网络的应用也越来越广泛。未来，随着移动边缘计算网络的不断发展和应用场景的不断拓展，计算卸载技术也将不断创新和完善。为了推动移动边缘计算网络的发展，需要结合人工智能、大数据和区块链等技术手段，深入挖掘卸载策略的潜力和优化空间，为移动边缘计算网络的发展提供更加强大的支撑和保障。

作者单位：陈彬 中国移动通信集团广东有限公司

参  考  文  献

[1]陈志国，杨志强.移动边缘计算任务卸载技术研究进展[J].计算机科学， 2022， 49（1）： 57-58.

[2]朱婷婷，邱君达，吴俊，等.基于模糊综合评价的移动边缘计算任务卸载优化策略[J].计算机工程，2021，47（6）：11-12.

[3]刘阳，贾一凡，胡麗敏，等.基于梯度下降的移动边缘计算任务卸载方法[J].电子与信息学报，2021，43（1）：51-52.

[4]赵婷，李星亮，王晶晶，等.基于多策略的移动边缘计算任务卸载算法[J].计算机科学，2021，48（6）：170-171.

[5]王梦雪，王志良，刘金凤，等.基于遗传算法的移动边缘计算任务卸载策略研究[J].计算机工程与应用，2020，56（22）：137-143.

[6]陈志宏，邓海涛，梅俊英，等.基于深度强化学习的移动边缘计算任务卸载优化方法[J].电子与信息学报，2020，42（12）：53-54.

[7]朱德刚，王文新，赵潇雪，等.移动边缘计算环境下任务卸载技术综述[J].软件学报，2020，31（12）：105-106.

[8]朱华辉，李霞，田梦婷，等.基于机器学习的移动边缘计算任务卸载算法研究[J].计算机工程与应用，2019，55（6）：168-169.