1.引言

随着移动通信技术的发展和智能终端的普及，各种网络服务和应用不断涌现，用户对网络服务质量、请求时延等网络性能的要求越来越高。尽管现有用户设备(User Equipment, UE)的处理能力越来越强大，但依然无法在短时间内处理计算密集型或时延敏感型计算任务。此外，在UE本地处理这些任务还面临电量快速消耗和自身硬件损耗等问题。这些问题严重影响了应用程序在用户设备上的运行效率和用户体验。为了解决上述问题，业界提出了移动边缘计算卸载技术。

作为移动边缘计算(Mobile Edge Computing, MEC) 的关键技术之一，计算卸载是指移动设备将部分或全部计算任务交给云计算环境处理的技术，用于解决UE在资源存储、计算性能以及能效等方面存在的不足。计算卸载过程主要包括UE 执行卸载决策和网络执行资源分配两个阶段，我们将在下一章节中介绍卸载决策和资源分配过程。

2.计算卸载技术

计算卸载技术主要包括卸载决策和资源分配两方面。其中，卸载决策是指由UE决定如何卸载、卸载数据大小以及卸载内容；资源分配是指如何为已卸载任务分配计算和通信资源。

2.1卸载决策

UE 的卸载决策系统一般由代码解析器、系统解析器和决策引擎三部分组成，其执行卸载决策主要分为以下三个步骤：

代码解析器确定可卸载内容，具体内容取决于应用程序类型和代码数据分区；

系统解析器负责监控各项参数，如可用通信带宽、卸载数据大小或本地执行能耗；

决策引擎做出最终卸载结果。

根据计算任务的执行位置和卸载数据大小， UE卸载决策结果可分为本地执行、 完全卸载和部分卸载三种情况，具体决策结果由UE根据能量消耗和完成计算任务时延决定。卸载决策的目标主要为降低时延、降低能耗以及权衡时延与能耗。

2.2计算资源分配

UE完成卸载决策后，接下来就要由网络解决资源合理分配问题，即卸载到哪里的问题。如果UE的计算任务不可分割或可分割的部分存在联系，这种情况下计算任务就需要被卸载到同一个MEC

服务器。而对于可分割部分不存在联系的计算任务，可将其分别卸载到多个MEC 服务器中并行处理。在单一MEC 服务器中执行计算任务无法实现网络间的资源互补，容易产生负载失衡问题，因此，应尽可能在多节点间卸载计算任务，用于提升计算卸载性能。资源分配主要是为了平衡系统内的计算资源和通信资源利用率，以达到最小化时延、能耗并提高网络整体性能的目标。

3.挑战与展望

在 MEC 中进行计算卸载，不仅能减少UE的计算压力和能耗，还能降低核心网链路的传输时延，但计算卸载在移动性管理、安全性和干扰管理等方面依然面临较多问题与挑战。

3.1移动性管理

在传统的蜂窝网络中，用户在 eNodeB/SCeNB 之间移动时，为保证服务的连续性，有严格的切换流程。类似地，如果将UE 的计算任务卸载到MEC，如何保证服务的连续性是 MEC计算卸载面临的挑战之一。

3.2.安全性

由于计算任务被卸载到分布式边缘网络中，原本用于集中式云计算的许多安全解决方案也不再适用于边缘计算网络。因此，需要设计新的安全解决方案用于保护计算卸载过程中用户的信息安全和隐私。

3.3.干扰管理

若多个接入设备同时向MEC服务器卸载计算任务，则会产生严重的干扰问题， 如何在保证 QoS 的前提下实现资源的合理分配并解决干扰问题是MEC 计算卸载面临的关键挑战之一。

3.4.展望与未来

鉴于第 5 代移动通信(5G)系统启动商用时间不久，MEC 系统的部署还有待完善，而现有大部分计算卸载技术研究还停留在理论建模和数值仿真阶段，我们期待在未来有简单实用的计算卸载技术能够真正实际落地。

参考文献

[1] 谢人超, 廉晓飞, 贾庆民,等. 移动边缘计算卸载技术综述[J]. 通信学报, 2018,039(011):138-155