文章目录

前言
一、计算迁移简介
- 1.1 何为计算迁移？
- 1.2 计算迁移的一般模型
二、计算迁移的发展
- 2.1 分布式计算
- 2.2 普适计算
- 2.3 云计算
- 2.4 边缘计算
- 2.5 边缘计算中的计算迁移技术
- - 2.5.1 Femtoclouds系统
  - 2.5.2 Replisom系统
  - 2.5.3 ME-VoLTE系统
  - 2.5.4 移动终端对等点之间的计算迁移
  - 2.5.5 边缘网页浏览加速模型
  - 2.5.6 上下文感知协同实时应用
  - 2.5.7 CloudAware
- 2.6 基于不同优化目的边缘计算迁移研究
3 移动边缘计算中的计算迁移面临的挑战

前言

本文主要记录在相关计算迁移论文中的知识点和相关概念。如有错误，请不吝指教。

一、计算迁移简介

1.1 何为计算迁移？

计算卸载/迁移是指终端设备将部分或者全部的计算任务卸载到资源丰富的边缘服务器，以解决终端设备在资源存储和计算性能方面的不足。

主要解决在边缘计算中终端资源受限的问题。
计算迁移的具体原因有：

移动终端资源受限
均衡终端任务负载
降低数据传输量（将计算任务迁移到计算节点执行）
减少设备网络时延（用户可以在任务迁移到计算节点时选择断开网络）

需解决的问题：

将计算体迁移到其他资源丰富的终端运行。（受限于能耗，计算资源，计算能力等）
跨移动终端任务同步。（面临着异构，连续、恢复等问题）
移动设备资源共享的计算模型（移动设备间的计算迁移，这个提供资源的移动终端称为cloudlet）
云数据中心计算任务下行到边缘节点

迁移决策主要分为：

1.完全迁移
2.本地执行
3.部分迁移

影响迁移的因素：用户偏好、网络连接质量、移动设备性能等。

可迁移性，连续性，并行性
具体根据应用的可迁移性：支持迁移的应用可以分为两种类型.第 1 种类型的应用可以被分为多个可迁移的部分,所有的这些部分都可以迁移到远程的服务端去运行.由于每个可迁移部分所需的计算能力和数据量可能不同,因此有必要决定哪些部分应该迁移到MEC.第 2 种类型的应用则包含多个可迁移的部分和一个不可迁移的部分,不可迁移的部分必须在 MD 本地执行. •

根据应用执行的连续性： 一种是非连续性执行的应用,如人脸识别、病毒扫描等,预先知道待处理的数据量;另一种是连续性执行的应用,如在线交互式游戏,由于无法估计待处理的数据量,更不可能预测该类应用的运行时间.显然,对于连续性执行的应用,计算迁移的决策可能相当棘手.

根据迁移任务的并行性： 同一应用的各个计算任务之间的关系可以是并行的也可以是串行的:在前一种情况下,迁移到远程执行的各个任务可以同时迁移以及并行处理;在后一种情况下,计算任务之间的关系是相互依赖的,后一个任务的执行必须要等待前一个任务的结果,不适合执行并行迁移.各个任务之间的关系可以用任务依赖图来表示.

1.2 计算迁移的一般模型

移动设备端运行的应用程序需要包含代码分析器、系统分析器和决策引擎其中代码分析器的职责是确定应用程序/计算任务是否可以迁移以及哪些部分支持迁移迁移(这取决于应用程序类型和计算任务的特征)
系统分析器负责监控各种参数,例如可用带宽、待迁移的数据量或在 MD 本地执行计算任务所消耗的电池能量；
决策引擎基于迁移决策算法决定是否执行计算迁移
计算迁移的运行顺序即代码分析器、系统分析器、决策引擎。

二、计算迁移的发展

计算迁移最早起源于Mahadev提出的Cyber Foraging思想即将资源受限的移动终端上的任务交给移动终端附近的服务器执行。
后续计算迁移划分为分布式计算、普适计算、云计算以及边缘计算四个阶段。

2.1 分布式计算

出现原因：

个人计算机的发展使得单机的计算和存储能力增强
局域网的发展，使得计算迁移成为可能

主要思想： 将空闲的资源以服务的形式提供给他人使用。

分布式计算框架对于计算过程中的通信，数据等进行封装。

部分分布式计算框架：

Hadoop
Storm
Spark

相应贡献：

基于负载共享的软件方法（电源保护策略）
无线环境下的远程执行可行性验证
任务自动划分理念（Coign,应用图形切割算法在网络划分应用程序）

2.2 普适计算

普适计算强调让计算机本身从人们的实现中消失。
普适计算模式下的计算迁移研究可以分为：计算迁移架构、应用划分算法、资源预测方法、应用开发环境和技术。

计算迁移架构： MAUI（基于能量改制的移动终端代码迁移到基础设置中的系统）

应用划分： Chroma（基于策略的远程执行系统，在保留应用程序信息的同时，对于应用程序进行分区）
远程执行： 小设备的移动性和计算服务器的高性能相结合。 Spectra（基于普适计算的终端远程执行系统） Zap(用于应用程序透明迁移的系统)、J-orchestra（基于java的应用程序自动程序分区系统、Slingshot架构

动态分区：将应用程序的一部分迁移到代理上执行（应用划分算法）资源预测算法：在估计先验分布采用自动变点检测的贝叶斯方法性能最佳。

2.3 云计算

何为云：
云实质上就是一个网络。云计算的核心概念就是以互联网为核心，在网站上提供快速且安全的云计算服务与数据存储。

云计算与传统计算的区别：

服务质量好，可用性高，资源利用率和可扩展性强，数据安全，隐私高
会因广域网而由抖动，错误，时延，网络的连接不稳定，访问云资源的经济成本高

在云计算极端的计算迁移有以下三种

基于cloudlet的计算迁移
基于surrogate的计算迁移
基于云的计算迁移

基于cloudlet的计算迁移： 云以cloudlet的方式靠近移动用户，同时cloudlet并不固定，而是以动态的方式来给移动用户提供资源。（防止抖动，错误，时延以及连接不稳定）

基于surrogate的计算迁移（Odessa）：通过在线分析器和执行时间预测器，来为移动用户的应用程序提供计算迁移和冰箱处理。（有较好的适应性，场景复杂，带宽变化等）

基于云的计算迁移（CloneCloud）：采用静态与动态分析相结合，以精细的粒度区分应用程序，并优化终端的执行时间和能耗。

TCEP（任务联合执行策略）针对于应用迁移到云端而引起的大量数据传输引起的能耗问题。（采用一次迁移最优特性）

2.4 边缘计算

为了解决云计算中的时延问题，云服务应该被转移到与用户物理位置邻近的地方——移动网络的边缘。

计算迁移具体可以概括为：代理发现，环境感知，任务划分和执行控制等步骤。

相应的流程如下图所示：

2.5 边缘计算中的计算迁移技术

2.5.1 Femtoclouds系统

Femtoclouds 是一个动态的、自配置的多设备移动云系统，通过协调多个移动设备来拓展cloudlet的计算资源。，同时他还会利用移动用户附近的空闲设备来为用户提供计算服务，减少了传统的将计算迁移到云数据中心产生的网络时延。

Femtoclouds工作原理：移动设备发送设备信息和共享策略给cloudlet，并连接到计算集群中。移动终端将相关任务相关的代码，数据发送到cloudlet上，迁移计算任务，并将任务在计算集群中分配计算。
在任务调度中，采用贪婪启发方法（将任务分配给可用设备）
此系统计算迁移性能主要取决于计算集群中可用的移动设备数量以及设备的剩余资源量。

相关文献：
1 HABAK K, AMMAR M, HARRAS K A, et al. Femto clouds:Leveraging mobile devices to provide cloud service at the edge[C]// 2015 IEEE 8th International Conference on Cloud Computing (CLOUD), June 27-July 2,2015, New York, USA. Piscataway: IEEE Press, 2015: 9-16.

2.5.2 Replisom系统

Replisom是一个移动边缘云架构，他可以减少多个请求云资源的响应时间。
通过内存复制的方式将压缩的计算体复制到边缘云对应的虚拟机中。边缘云定期请求以获取相应的任务。

相关文献：
1.ABDELWAHAB S, HAMDAOUI B, GUIZANI M, et al. Replisom: disciplined tiny memory replication for massive IoT devices in LTE edge cloud[J].
Internet of Things Journal, 2015(99): 1.

2.5.3 ME-VoLTE系统

ME-VoLTE是基于视频电话的移动边缘计算系统，可以在视频通话中减少终端能源消耗。
ME-VoLTE系统将通话过程中的视频编码任务迁移到MEC边缘服务器上执行。

在ME-VoLTE的体系结构中主要有服务调用控制模块和媒体资源模块。
服务调用控制模块：在移动设备和VoLTE网络间发送信号。
媒体资源模块：负责视频的混辑、存储视频的回放和转码。

具体原理：代理将请求发送到服务调用模块，服务调用模块根据当前的可用计算资源和上行强度来决定编码类型，再有边缘网络中的设备来提供编解码器进行编码。

相关文献：

BECK M T, FELD S, FICHTNER A, et al. Me-VoLTE: network functions for energy-efficient video transcoding at the mobile edge[C]// 2015 18th International Conference on Intelligence in Next Generation Networks (ICIN), Feb 17-19, 2015, Paris, France. Piscataway: IEEE Press, 2015: 38-44.

2.5.4 移动终端对等点之间的计算迁移

架构将部分应用程序迁移到附近的节点执行，迁移方案依据计算能力、相邻节点的能量级别以及未来可能的交互。（通过分析几点见的接触时间分布特性可预测两个节点可能发生的交互）
具体原理：在迁移前，自动计算新节点上任务的执行时间、能量消耗和节点间未来交互。如果节省了能耗和时间且能在接触周期内完成，则新节点被确认为任务迁移节点。（递归迁移）
模型效率主要有网络中节点的数量决定。

相关文献：
1.GAO W. Opportunistic peer-to-peer mobile cloud computing at the tactical edge[C]//Military >Communications Conference (MILCOM), Oct 6-8, 2014, Baltimore, USA. New York: ACM Press, 2014: 1614-1620.

2.5.5 边缘网页浏览加速模型

EAB，移动边缘计算原型，以加速Web应用程序的执行。在EAB中，边缘服务器部署在移动客户端以及移动端附近的服务器之间。
原理： 用户向url发送请求时，服务器首先在边缘服务器上被拦截且被过滤一部分内容。而边缘服务器则会对web内容重新布局和呈现。

相关文献：40 TAKAHASHI N, TANAKA H, KAWAMURA R. Analysis of process
assignment in multi-tier mobile cloud computing and application to
edge accelerated Web browsing[C]// 2015 3rd IEEE International
Conference on Mobile Cloud Computing, Services, and Engineering
(MobileCloud), March 30-April 2, San Francisco, USA. Piscataway: IEEE
Press, 2015: 233-234.

2.5.6 上下文感知协同实时应用

基于5G技术特性（近距离服务、上下文感知计算等），通过边缘服务器中间件边缘协作平台来收集用户的位置信息，网络状况等。此架构应用于道路事故场景和机器人远程工作场景。（架构的低延时适合为实时场景服务），由于时延和同步是协同计算模型中性能的重要体现，而上述模型具有低时延特性，因此适合于协同计算。

相关文献：
1.NUNNA S, KOUSARIDAS A, IBRAHIM M, et al. Enabling real-time context-aware collaboration through 5G and mobile edge computing[C]//2015 12th International Conference Information Technology New Generations (ITNG), April 13-14, 2015, Las Vegas, USA. Piscataway: IEEE Press, 2015: 601-605.

2.5.7 CloudAware

CloudAware是一种移动边缘计算的编程模型，应用于开发弹性和可伸缩的移动边缘计算应用程序。它的主要目的是支持与附近设备的临时交互，同时在没有可用的代理或者用移动设备作为回退机制的连接终端时，提供一个持续可用的应用程序(?)。

相应的迁移策略：根据时间优化（最小化计算时间？）和网络连接状态来选择最优的迁移。

相关文献：42 ORSINI G, BADE D, LAMERSDORF W. Computing at the mobile edge: designing elastic android applications for computation offloading[C]// Wireless and Mobile Networking Conferrence, Oct 5-7, 2016, Munich, Germany. Piscataway: IEEE Press, 2016: 112-119.

2.6 基于不同优化目的边缘计算迁移研究

计算迁移策略及算法的优化主要针对能耗，时延，传输代价，节点负载等。

相关研究：

1 单用户MECO系统，通过比较本地计算和优化后的迁移计算的能量消耗来得出最优迁移策略
ZHANG W, WEN Y, GUAN K, et al. Energy-optimal mobile cloud computing under stochastic wireless
channel[J]. Wireless Commun, 2013, 12(9): 4569-4581.
2 基于卷积神经网络的深度Q网络的强化学习算法，从用户过去的数据状态中学习，实现能耗优化，（用户终端在未知情况下的能量消耗优化）
ZHANG C, LIU Z, GU B, et al. A deep reinforcement learning based approach for cost- and energy-aware multi-flow mobile data offloading[J]. IEICE Transactions on Communications, 2018.
3 移动边缘计算迁移面临的可扩展性问题，提出轻量级的请求和准入框架来解决可伸缩性问题，设计了选择性迁移方案，以最小化设备的能量消耗。
LYU X C, TIAN H, JIANG L, et al. Selective offloading in mobile edge computing for the green internet of things[J]. IEEE Network, 2018, 32(1): 54-60.

4 研究了一个多用户的MECO系统，通过将无线和计算资源联合分配来减少迁移时延条件约束下的能量消耗。
STEFANIA S, GESUALDO S, SERGIO B. Joint optimization of radio and computational resources for multicell mobile-edge computing[J]. IEEE Trans on Signal and Information Processing over Networks, 2014, 1(2): 89-103.

5 基于任务负载的阈值迁移策略。（在中心云和边缘云共存时，云之间的调度问题）
ZHAO T, ZHOU S, GUO X. A cooperative scheduling scheme of local cloud and internet cloud for
delay-aware mobile cloud computing[C]//IEEE GlobeCOM Workshops, Dec 6-10, 2015, San Diego, USA. Piscataway: IEEE Press, 2015: 1-6.

6 利用博弈论来实现能量和时延的最小化。
CHEN X, JIAO L, LI W. Efficient multi-user computation offloading for mobile-edge cloud computing[J]. IEEE/ACM Transactions on Networking, 2015, 24(5):2795-2808.

7 通过将部分视频流量卸载到Wi-Fi网络来缓解蜂窝网络拥塞的软件定义架构.（公平共享蜂窝网络资源）
DONGHYEOK H, GIS P, SONG H J. Mobile data offloading system for video streaming services over SDN-enabled wireless networks[J]. ACM Multimedia Systems Conference, 2018: 174-185.

8.权衡迁移时延和可靠性框架（启发式搜索，重构线性化技术，半定松弛来实现相关权衡。）
LIU J H, ZHANG Q. Offloading schemes in mobile edge computing for ultra-reliable low latency communication[J]. IEEE Access, 2018(99): 1

9. 迁移算法优化：边缘基站间的在线计算迁移框架。（最大化边缘计算系统的性能）
CHEN L X, XU J, ZHOU S. Computation peer offloading in mobile edge computing with energy budgets[C]//GlobeCOM IEEE Global Communications Conference, Dec 4-8, 2018, Singapore. Piscataway: IEEE Press, 2018: 1-6.

10 多流数据迁移的问题，一个终端有多个应用程序需要迁移，将多流数据迁移问题构建为限时空离散时间马尔可夫决策过程，通过基于动态规划的算法建立最优策略
ZHANG C, GU B, LIU Z, et al. Cost-and energy-aware multi-flow mobile data offloading using Markov decision process[J]. IEICE Transactions on Communications, 2018.

11 基于激励的博弈论数据下载框架，实现了纳什均衡
MUHAMMAD A, SHAFI U K, RASHID A, et al. Game-theoretic solutions for data offloading in next generation networks[J]. Symmetry Open Access Journal, 2018, 10(8).

12 迁移计算中的用户隐私安全问题，建议使用智能分区或动态迁移，应默认采用“本地优先”方法，在处理敏感数据时避免使用网络
REZA R, TIMOTHY J P, RONALD P, et al. NoCloud: exploring network disconnection through on-device data analysis[J]. IEEE Pervasive Computing, 2018, 17(1): 64-74.

13 TDMA多用户边缘移动终端计算迁移策略系统基于移动终端资源受限问题，提出的一种边缘移动终端计算迁移的资源划分以及迁移策略模型它面向 LTE应用的、基于时分多址（time division multiple access，TDMA）的多用户边缘移动终端迁移策略。通过将迁移时间T分割为多个时段，再将时段分为多个时隙，使其与用户一一对应以区分不同地址的用户信号。（多用户单边缘云）
此时每个时隙包括1.计算迁移或本地计算 2.云计算以及结果返回
考虑带宽和通信质量，权衡计算时延以及终端能耗，利用拉格朗日法求解优化问题，减少迭代次数。
相关文献
乐光学, 朱友康, 刘建生, 等. 基于拉格朗日的计算迁移能耗优化策略研究[J]. 电信科学, 2018, 34(12): 10-23. YUE G X, ZHU Y K, LIU J S, et al. Research on optimizing strategy of computing offloading energy consumption based on Lagrangian method[J]. Telecommunications Science, 2018, 34(12): 10-23.

3 移动边缘计算中的计算迁移面临的挑战

移动边缘计算中的计算迁移面临着几个挑战：如何分割一个应用程序，如判断任务是否应该被迁移以及如何在用户地理位置发生变化时同步应用程序。

边缘计算中的计算迁移概述相关推荐

AR模型中方差计算——Green函数
Green函数在大三学习时间序列时也没有怎么弄懂,此次重新回顾一番,希望能有更深的理解. 在时序分析中,Green函数出现在AR模型的方差计算中,用于计算AR模型的方差. 定义假设xt ...
【论文笔记：场景】边缘计算中分布式协作的动态卸载模型:森林火灾管理的一个用例
[摘要]:随着物联网(IoT)的发展,数据量不断增长并变得更加多样化.将数据传输到云端时存在几个问题,例如网络带宽和延迟的限制.这引起了人们对边缘计算研究的极大兴趣,边缘计算处理和分析数据导致的网络终 ...
资源受限的移动边缘计算系统中计算卸载问题研究
摘要:本文针对边缘计算卸载问题,提出了两个创新点,并进行建模,在模拟实验中都得到了最好的结果.一是在用户-MEC-云端架构中,设计了对计算结果缓存,流行的计算结果进行缓存,再次请求则直接回复,不必计算 ...
计算广告中的常用术语概述
计算广告中的常用术语概述: 新增首次登录或启动游戏的用户活跃日活跃用户数留存假设某段时间的新增用户数为A,经过一段时间后,仍然使用的用户占新增用户A的比例即为留存率.1日留存:日新增用户在+ ...
九州云：云游戏在边缘计算中的实践
12月10日,由边缘计算产业联盟(ECC)主办的2020边缘计算产业峰会(ECIS2020)在北京盛大召开,大会以"智联边云,共创产业新价值"为主题,汇聚1000余名顶级行业专家. ...
SQL Server中的计算列概述
In this article, we will explore computed columns in SQL Server and their configurations. 在本文中,我们将探讨 ...
边缘计算（雾计算）——AI+IoT的热词
https://www.toutiao.com/a6643283169942438413/ 2019-01-06 15:31:36 雾计算是思科创造的一个术语,由OpenFog Consortium支 ...
云计算、边缘计算、雾计算
自从"云计算"与其分支"边缘计算"和"雾计算"推出以来,这三者之间的差异甚至让许多专业人士都感到困惑.但是当涉及到一般消费者.IT 开发人员 ...
大规模医学图像中的计算与学习问题【VALSE Webinar】Panel实录
编者按:相比自然图像,医学图像中又会存在哪些计算与学习问题呢?VALSE Webinar 20-12期邀请闫轲(PAII美国东部研究院).李硕(加拿大西安大略大学).郑国焱(上海交通大学).窦琪 ( ...

边缘计算中的计算迁移概述