多媒体移动边缘计算概述

1. 引言

在过去十年中，不断增长和扩展的移动设备（如智能手机）加速了信息与通信技术的发展，特别是云计算和无线通信。在云计算领域，目前许多云服务（如文件共享、内容分发网络（CDN）服务和机器学习）由多家云服务商提供，例如谷歌¹⁾、亚马逊²⁾和微软³⁾。在无线通信方面，移动设备配备了多种网络接口，如长期演进技术（LTE）、无线局域网和蓝牙，能够随时随地连接到云端。因此，移动设备尤其是智能手机被选为移动服务的主要平台，如今智能手机用户可以通过无线网络轻松体验丰富的多媒体应用，如4K视频流、增强现实（AR）和虚拟现实（VR）。

此外，不仅智能手机，还有传感器设备和监控摄像头也通过无线网络连接。在物联网（IoT）服务中，包括网络摄像头在内的传感器设备被安装在各处，能够监控城市街道、社会基础设施和自然环境实时地。由于传感器设备的计算资源和电池有限，传感数据和采集的视频被上传至“集中式”云⁴⁰⁾进行分析。这种行为是“计算卸载”的典型示例。计算卸载是指通过有线/无线网络将计算任务转移到外部计算环境（如云服务器）中，并在外部计算环境中执行，而非在本地设备上执行。

根据思科报告⁴⁾，思科预测移动流量从2016年至2021年将增长七倍，且2021年移动视频约占全部移动数据的80%。因此，由于集中式云的存在，大量传感器数据和丰富内容可能会引发过载计算和严重网络拥塞，尤其是在云侧骨干网络，并导致云端与终端设备之间数据交换的更长延迟。

为了减轻云端的计算负载并减少骨干网流量，提出了基于云微粒的计算卸载⁵⁾。云微粒（类似于微型云或私有云）部署在用户物理邻近的位置，例如商店和餐厅，并通过无线局域网进行访问（即云微粒覆盖小范围区域）。尽管云微粒可提供低延迟网络连接，但这种小型云具有有限计算能力，且仅能覆盖少量用户。

最近，为了覆盖更大区域，并提供低延迟连接和强大计算能力，提出了边缘计算（MEC）和雾计算⁶⁾⁷⁾。

如图所示，在MEC和雾计算中，我们将计算资源（称为“边缘服务器”）部署在移动设备附近的网络边缘位置，例如边缘路由器、无线通信基站和接入点处，从而向移动设备（或移动边缘计算用户）提供云计算能力。因此，由于边缘服务器位于用户附近，MEC和雾计算相比云端能够实现更低的延迟，同时提供与云端相似的计算环境。

尽管已有若干论文对边缘/雾计算³⁹⁾⁴¹⁾⁴²⁾进行了综述，但本文从多媒体（物联网）应用的角度总结了移动边缘计算（MEC）的概念和特点。需要注意的是，本文平等地涵盖了MEC和雾计算，因为它们具有非常相似的概念。此外，尽管作为MEC标准化组织之一的欧洲电信标准协会（ETSI）最近将MEC重新定义为“多接入”边缘计算（Multi-access Edge Computing），我们仍将其视为“移动”边缘计算（Mobile）。

本文其余部分组织如下。第2节介绍了移动边缘计算概述，并引出了MEC的三大功能特性：内容分发与缓存、计算卸载和大数据分析。第3节重点阐述了针对上述三大特性在多媒体移动边缘计算方面的近期研究工作。第4节讨论了多媒体移动边缘计算面临的新兴研究挑战。最后，第5节给出了结论。

2. 移动边缘计算

2.1. 移动边缘计算概述

在本节中，我们介绍移动边缘计算概述。根据奥尔西尼⁴³⁾的说法，边缘计算最初由阿卡迈在2004⁶⁾提出。在这篇论文中，阿卡迈将其内容分发网络的边缘节点部署了内容缓存功能。目前，移动边缘计算被赋予了更复杂的能力：不仅具备存储能力，还具备计算能力。根据欧洲电信标准协会的定义，移动边缘计算在网络边缘提供云计算能力和IT服务环境⁸⁾。

如第1节所述，移动边缘计算的主要目标是为移动用户（例如智能手机用户、汽车甚至传感器设备）提供低延迟的移动计算平台。为了实现这一目标，在移动边缘计算中，如图1所示，我们将计算资源（即“边缘服务器”）部署在移动边缘计算用户物理邻近的位置（例如，边缘服务器将部署在演进型通用陆地无线接入网络（E-UTRAN）内⁹⁾¹⁴⁾¹⁵⁾）。

与云计算不同，边缘服务器分布于网络边缘，这种去中心化架构有助于减轻骨干网流量负载，并提供低延迟的移动计算平台。

正如许多研究人员所报道的，MEC¹⁰⁾~¹³⁾具有前景广阔的应用场景，我们总结了MEC的三大功能特性：a）内容分发与缓存，b）计算卸载，c）大数据分析，并在图2中展示了这些功能特性。

如图所示，在内容分发与缓存中，边缘服务器充当内容服务器的角色，配备有内容缓存能力。在计算卸载中，边缘服务器执行从用户转移过来的处理任务，而非由用户自身执行。在这种情况下，主要的处理任务是图像处理。由于每个MEC用户都需要进行处理任务（即MEC为MEC用户提供个人移动服务），因此MEC还会执行调度以优化用户的处理延迟。在大数据分析中，类似于计算卸载，MEC也执行诸如数据分析（包括图像处理）等处理任务。进一步扩展到计算卸载，此时MEC从多模态传感器收集各种各样的传感器数据并进行数据融合。需要注意的是，这些能力是MEC的典型示例，而移动服务则由这些能力的不同组合构成。

2.2. 内容分发与缓存

首先，类似于阿卡迈的边缘计算⁶⁾，内容分发与缓存是移动边缘计算（MEC）的重要能力之一（如图2所示）。根据思科视觉网络指数⁴⁾报告显示，视频流服务是主要的移动应用之一，而亚马逊²⁾等主要云服务商在其云计算平台上提供内容分发网络服务。然而，由于采用集中式云服务器，丰富的视频内容（例如4K视频）容易引发骨干网拥塞，从而导致用户体验质量（QoE）下降（例如长时间的视频播放卡顿）。

在移动边缘计算（MEC）中，为了减少冗余的视频流量，边缘服务器配备视频缓存和编码能力，向移动边缘计算用户分发视频。由于边缘服务器在物理上邻近用户，与云端相比，用户能够以低延迟获取视频。此外，由于边缘服务器使用多比特率对视频进行转码（例如基于HTTP的动态自适应流（DASH）¹⁶⁾），因此可以根据每个边缘用户的网络性能优化其服务质量（QoS）。

2.3. 计算卸载

其次，计算卸载也是移动边缘计算的重要能力（如图2所示）。边缘服务器为其移动边缘计算用户提供自身的计算资源，为增强现实、虚拟现实和自动驾驶汽车等对延迟敏感的应用提供低延迟计算。由于计算能力、存储容量和电池的限制，智能手机和传感器设备等本地设备无法承担主要计算任务。

此类延迟敏感型应用的平台。通常，这些应用需要高复杂度的图像处理，例如物体识别和跟踪。尽管云服务器能够执行此类资源密集型处理，但上传图像/视频会浪费时间并消耗大量网络带宽。因此，将任务卸载到移动边缘计算（MEC）不仅可以提供低延迟的移动计算，还能节省骨干网流量和设备的电池寿命，是一种颇具前景的平台。

2.4. 大数据分析

第三，大数据分析（包括视频分析）是移动边缘计算（MEC）的独特能力（如图2所示）。在即将到来的物联网世界中，各种传感器（包括监控摄像头和可穿戴设备）通过无线连接接入互联网，并周期性地生成感知/采集数据。在诸如监控和预测异常事件等物联网应用中，必须对这些周期性数据进行高效分析。此外，如前一小节所述，物联网应用还需要大量计算资源（例如视频监控系统），而传感器设备本身无法完成此类任务。因此，由边缘服务器执行大数据分析。由于边缘服务器部署在移动基站处，传感器设备通过移动基站上传数据，使得在边缘服务器上收集传感器数据具有显著优势。这也意味着边缘服务器的分析覆盖范围与基站的覆盖区域相同，这种位置感知特性也为数据分析带来了优势。

边缘服务器获得分析结果（例如警告）后，只需将结果发送至云端，即可减少网络资源消耗并改善网络延迟，因为这些结果通常由微小消息组成。

3. 多媒体移动边缘计算的研究工作

在本节中，我们重点介绍关于多媒体移动边缘计算的最新研究工作，这些工作分为三个类别，以对应前一节的内容：a) 视频分发与缓存，b) 向移动云的计算卸载，c) 多媒体物联网。

3.1. 视频分发与缓存

首先，在视频分发与缓存方面，已有大量研究致力于在网络边缘进行主动式内容分发/缓存的方法论。

韩等人提出了一种机会内容推送方案，该方案通过预测用户的移动路线，并将请求的内容分发到位于用户移动路线上Wi-Fi热点处的边缘服务器¹⁷⁾。

洛布扎尼泽等人提出了一种基于视频流行度预测的主动视频缓存方案，该方案使用一种名为潜在狄利克雷分配的主题建模工具和一种名为Apriori的频繁模式挖掘算法¹⁸⁾。陈提出了一种协作缓存方案，以在用户能力异构性和网络状况条件下优化自适应速率控制¹⁹⁾。作者将边缘服务器用作内容缓存和转码平台，并通过考虑缓存存储和计算能力的限制，求解最小化骨干网流量的优化问题。伊斯拉姆等人提出了名为Void的边缘云系统，用于音视频分发和转码²⁰⁾。作者将所提出的系统部署到私有云和亚马逊EC2上，并评估了系统性能。

此外，在以信息为中心的网络（ICN）中，边缘缓存是主要研究课题之一。瓦西拉科斯等人提出了一种选择性邻居缓存方案，该方案通过考虑用户移动性来选择最优边缘节点²¹⁾。类似地，饶等人提出了一种主动缓存方法，以在命名数据网络（NDN）中实现无缝用户侧移动性支持²²⁾。本文作者还提出了一种利用交通系统的主动内容缓存方案²³⁾。在该方案中，我们在火车站部署了边缘服务器，并通过Wi-Fi热点将50个视频分发到边缘服务器和移动设备上。

从这些研究工作来看，边缘服务器有助于减少骨干视频流量、内容检索延迟，并提升视频分发的用户体验质量：更短的播放卡顿时间和更高的响应时间。

3.2. 移动云计算中的计算卸载

接下来，在计算卸载领域，大量研究集中在卸载调度策略上。本质上，向“边缘”卸载与向“云端”卸载之间没有显著差异。因此，本小节也针对云计算的卸载策略进行讨论。

吉罗德等人研究了通过与云协作的移动视觉搜索系统²⁴⁾。作者提出了三种卸载策略：仅上传压缩图像、上传图像特征描述符而非图像本身，以及仅当本地缓存中没有匹配结果时才上传描述符。库马尔等人讨论了云卸载的节能性能²⁵⁾。作者对计算卸载的能耗进行了建模。

奎尔沃等人提出了一种名为MAUI²⁶⁾的能量感知应用卸载系统。MAUI监控每个正在执行的应用程序的能耗，并结合设备能量特性和网络状况，通过考虑优化问题来调度应用卸载时机。作者使用人脸识别和视频游戏等实际应用验证了MAUI的节能性能。陈等人提出了CloneCloud，该系统具备自动应用分割和向云端迁移的功能²⁷⁾。与MAUI类似，CloneCloud在考虑云计算和通信资源的基础上，优化执行时间和设备能耗。S. 科斯塔等人提出了一种名为ThinkAir的移动计算框架，它是MAUI和CloneCloud的改进版本²⁸⁾。

ThinkAir通过在云端采用虚拟机（VM）实现了按需资源分配和并行执行。为实现这些功能，ThinkAir克服了MAUI和CloneCloud的可扩展性问题。此外，ThinkAir还考虑云服务支付成本以优化卸载调度。陈等人提出了一种基于博弈论的卸载策略²⁹⁾。高桥提出了基于云和边缘服务器混合的边缘加速网页浏览系统³⁰⁾。该系统通过将网页内容获取和网页渲染卸载到边缘服务器，有效降低了基于网页的应用的执行时间。

从这些研究工作来看，计算卸载主要有助于优化本地设备的执行时间和电池寿命。大多数研究推导出优化公式以确定卸载调度。

3.3. 多媒体物联网

第三，在多媒体物联网中，针对物联网服务的多媒体系统开展了大量研究，例如视频监控系统、云游戏和增强现实。

在视频监控系统中，王回顾了智能多摄像头视频监控系统³¹⁾。根据该综述，视频监控系统集成了多种图像处理技术：计算机视觉和模式识别。在该综述中，作者列出了近年来关于多摄像头校准、计算摄像头视图的拓扑结构、多摄像头跟踪、目标重识别以及多摄像头活动分析等方面的技术。由于这些技术彼此密切相关，数据融合和协同感知是实现鲁棒视频监控的关键技术。

类似地，朱等人基于多传感器数据融合技术进行了多视角动作识别³²⁾。

在交互式多媒体应用中，王等人分析了移动云计算中云移动媒体特别是云移动游戏面临的挑战³³⁾。作者提出了一种新的移动游戏用户体验质量度量方法，并在实时云游戏会话中进行了用户体验的定量评估。根据他们的研究结果，响应时间对用户体验质量有严重影响。类似地，Satyanarayanan等人报告了网络延迟和抖动对可视化应用渲染流畅性（帧率）的影响⁵⁾。他们的结果显示，即使在轻微延迟情况下（33毫秒），帧率也会急剧下降。因此，随着网络延迟增加，用户体验严重恶化。Ha等人提出了一种基于增强现实的辅助系统，利用谷歌眼镜设备为认知衰退的用户提供帮助³⁴⁾。为了执行实时图像处理（如人脸识别和物体识别），该系统利用云端和边缘服务器进行计算卸载。作者得出结论：端到端低延迟通信对于提供实时认知辅助至关重要。Floris等人提出了一种用于多媒体物联网应用的QoE模型³⁵⁾。为了验证所提出的QoE模型，作者评估了车载多媒体应用的QoE性能，结果表明所提出的QoE模型与主观质量评估具有高度相关性。

从这些研究工作来看，典型多媒体物联网应用具有延迟敏感性，这些应用不仅需要高性能计算环境，还需要低延迟无线通信。因此，通过低延迟网络向边缘服务器卸载是一种有前景的方法。

4. 研究挑战

MEC是一项新兴技术，仍存在若干研究挑战。在本节中，我们从四个方面简要总结多媒体移动边缘计算的研究挑战：a) 可扩展性，b) 资源管理，c) 移动性管理 和 d) 安全。

4.1. 可扩展性

MEC的可扩展性是新兴研究问题之一。特别是在多媒体物联网应用中，如前一小节所述，由于计算延迟，用户体验将很容易下降，通信量不断增加。尽管边缘服务器将覆盖提供不同服务质量要求的各种服务，但与云服务器相比，边缘服务器的计算能力有限。此外，包括物联网传感器设备在内的移动设备数量正在增长，其中大多数预计将连接到边缘服务器并进行大数据分析。在这种情况下，MEC必须确保满足服务质量要求，以提供可靠的计算平台。

因此，应当讨论MEC的可扩展性。例如，MEC能力的局限性将是有用的信息，这些讨论将首次涉及MEC部署场景。

4.2. 资源管理

与MEC中的可扩展性问题相关，计算与通信资源管理也是一个必要的研究课题。资源管理主要存在两个研究挑战：资源共享和动态资源调度。与云计算不同，由于MEC将边缘服务器分布式部署，计算资源分布无处不在，并通过各种网络条件提供服务。为了在保证用户体验的同时提供多样化服务，资源共享至关重要³⁶⁾。此外，尽管如第3节所述，已有大量关于计算卸载的研究，但边缘服务器的资源可能会动态变化。因此，对这类分布式且波动的资源进行高效管理成为一个新兴课题。

得益于网络和计算虚拟化技术的发展，例如软件定义网络（SDN）/网络功能虚拟化（NFV）和OpenStack，这些技术成为克服挑战的有前景的技术之一³⁷⁾。资源使用预测方法以及移动多媒体应用的基于代码的分割方法也将是调度计算卸载的有益研究课题。

4.3. 移动性管理

将计算任务迁移到MEC用户侧，例如智能手机用户和汽车，为这些用户提供高质量的多媒体应用具有挑战性。这是因为移动通信质量会随着用户的移动性而容易发生波动。尽管与云端相比，MEC能够提供更可靠且更高速的移动连接，但MEC仍可能遇到此类质量下降的问题。此外，在移动计算卸载场景中，边缘服务器必须考虑用户接下来的移动（即切换到下一个边缘服务器）以调度计算卸载。这是因为，当先前的边缘服务器完成包括视频分发在内的处理时，移动用户可能会移动到下一个边缘服务器。

因此，为了维持服务质量，移动边缘计算或移动服务必须管理/预测用户的下一步移动，并主动执行移动计算。

对于公共交通系统，例如火车或公共汽车，由于其具有固定的时间表，因此可以很容易地预测交通系统的下一步动作。对于这些乘客而言，主动分发视频到边缘服务器可以提升用户体验²³⁾。然而，对于行人来说，预测他们的移动较为困难，但结合导航系统也可能是一种可行的方法³⁸⁾。

4.4. 安全

安全在移动边缘计算中也是一个具有挑战性的问题。由于当前的多媒体应用需要更多个人数据来实现个性化用户需求，因此移动边缘计算中的安全角色非常重要。为了提供个性化服务，移动边缘计算会收集大量个人数据给移动用户，并且必须保护这些应用和存储的个人数据。此外，移动边缘计算用户，特别是传感器设备和监控摄像头，也需要具备认证机制才能访问边缘服务器³⁹⁾。

此外，我们简要总结了欧洲电信标准协会（ETSI）提出的以下安全挑战：确保边缘服务器隔离、经过认证和安全的通信，以及防止恶意方修改平台软件和固件¹⁵⁾。

5. 结论

本文总结了移动边缘计算概述，并阐述了多媒体移动边缘计算的重要能力：面向视频分发的边缘缓存、计算卸载以及多媒体物联网。针对这三项能力，我们简要回顾了近期的研究工作：如何实现边缘缓存，如何调度计算卸载至云端，以及通信质量下降对多媒体物联网用户体验的影响。最后，为了增强这一具有前景的移动云计算平台，我们探讨了多媒体移动边缘计算的新兴研究问题。