研究了具有异构类型应用程序的MEC系统中的能量延迟折衷，包括非卸载工作负载，云端卸载工作负载和网络流量。基于Lyapunov优化的算法被提出来共同决定卸载策略，任务分配，CPU时钟速度和选定的网络接口。还表明能耗与V成反比，而潜伏期随V增加而增加，其中V是所提算法中的控制参数。对多核移动设备的MEC系统进行了类似的调查。　　本文综合考虑计算成本和能量成本，研究了移动边缘计算网络的分流决策和资源分配问题。主要研究成果如下:　　1.联合边缘计算节点和数据中心，本文设计了一种计算分流和数据缓存模型。用户对数据速率和服务质量(QoS)的要求也越来越严格。但是，移动设备通常资源有限，因此不可避免地会导致处理从远程互联网内容提供商接收到信息的高延迟。在这种情况下，边缘缓存和传输技术的出现是解决这些问题的有希望的解决方案。最近，移动边缘计算(MEC)同时提供了计算和存储功能无线电接入网络(RAN)并且具有解决巨大数据传输中的等待时间问题的潜力。MEC被认为是下一代5G网络的关键技术之一。通过卸载计算任务并将相关服务数据缓存到物理上最近的MEC服务器，计算体验的质量（例如诱导设备能耗和执行延迟）可以大大提高。　　一般而言，计算卸载的关键部分是为了充分利用MEC的优点（例如，缩短执行延迟和减少能量消耗）来决定卸载过程的适当场合。卸载任务延迟可以通过将MEC与云组合来减少。目标是最小化执行延迟，而在应用缓冲区队列状态方面的最佳卸载决策策略是通过一维搜索算法完成的。最小化能耗的计算卸载决策在文献中提出，其中优化问题被表述为约束马尔可夫决策过程(MDP)。此外，分别研究了移动设备的能耗与多用户系统的执行延迟之间的权衡。在文献中，作者考虑在单个宏小区中的小型基站(BS)进行缓存，并提出最优缓存方案以最大限度地减少宏BS服务的请求数。作者研究了BS缓存中的存储分配问题，许多文献也研究了BS缓存的性能。　　然而，上述方法的缺点是他们一般会分别考虑计算卸载和内容缓存。然而，尽管MEC具有较强的计算和传输能力，但与相对于指数增加的UE数量相比，MEC的相关资源仍然有限。所以我们认为MEC应该与数据中心(DC)合作来提高性能。我们旨在共同利用MEC和DC存储或计算能力来提高缓存性能和效率。我们考虑了具有多个UE的广义MEC系统。通过分析各个任务的执行时延和传输时延，我们以“有限资源的时延最小化问题”为优化目标提出了一套基于遗传算法(Genetic Algorithm，GA)和模拟退火算法(Simulated Annealing，SA)的启发式算法。数值结果表明，我们的方案在本文考虑的多种情况下都能获得比传统方案更低的时延。另外，数值结果也证实:与经典遗传算法和模拟退火算法相比，本文提出的算法可以收敛至一个更优的结果。　　2.本文综合考虑通信资源和计算资源，设计了一个启发式分流决策算法(Heuristic offloading decision algorithm,HODA)。　　诸如电子健康，人脸识别，自然语言处理，交互式游戏和增强现实等资源密集型移动应用正在快速发展，并且越来越多地超出移动设备的有限功能。通过将计算和存储卸载到资源提供商，移动云计算可以缩小移动设备有限功能与资源密集型应用不断增长的需求之间的差距。　　但是，由于设备和云之间需要通信，卸载会导致额外的开销。额外的通信会影响能耗和延迟，因此卸载决策成为一个问题。通过选择本地执行还是远程执行来解决问题，其中每个用户决定卸载或不卸载其他人。假设云无论有多少任务同时执行，总是有足够的资源无延迟地适应卸载的任务。最近，考虑到有限的云资源以及大量移动用户。在多用户的情况下，解决方案会有所不同，以至于一些解决方案只会优化卸载决策，一些只优化通信资源，而其他解决方案只优化计算资源。在联合优化通信和计算资源的情况下，假定所有任务都被卸载。　　我们考虑MEC中的任务卸载问题，将计算资源带到边缘网络，以丰富用户体验。近距离云可以是连接到共址计算中心的宏/微微/毫微微基站，或具有计算能力的智能基站，但可能缺乏资源。因此，随着卸载的移动用户数量的增加，预计会减少瓶颈。而且，在有限资源竞争期间，多个用户之间的卸载竞争使得卸载决策与资源优化相结合成为具有挑战性的问题。具体而言，资源优化取决于卸载用户的结果，而移动用户可根据资源分配结果选择本地卸载或执行任务。在本章中，我们共同优化卸载决策（即哪些用户应该卸载，哪些用户应该使用本地执行）以及资源利用率。　　我们的解决方案考虑到移动设备和计算任务之间的内在异质性。我们设计了一种基于体验质量(QoE)的效用函数，用于衡量与本地执行相比，任务完成时间和卸载能耗的效用。然后，我们将问题表述为一个系统效用最大化问题，它共同优化卸载决策，通信和计算资源。我们将问题简化为子模极大化问题，并通过将其分解成两个子问题来证明其NP硬度:(1)优化通信和计算资源，以及(2)卸载决策。通信和计算资源通过凸和准凸优化进行优化。　　基于资源优化的结果，我们证明了系统效用在卸载决策方面是一个子模块集函数，并通过子模块优化来计算局部最优。我们的算法，启发式卸载决策算法(HODA)，是半分布式的，分两个阶段运行。在第一阶段，每个移动用户独立优化传输功率，并确定是否发送卸载请求。这些卸载请求包括有关移动设备功能的信息，用户首选项以及计算任务的属性。在第二阶段，宏单元通过优先考虑具有最大效用的用户来形成本地最优卸载集。最后，选定的移动用户卸载他们的计算任务。　　移动云计算或使用遥远的或近距离的云来增强移动设备的计算能力，主要支持资源密集型应用。对于遥远的云层(例如Amazon Elastic Compute Cloud，EC2)，计算单元分布在具有巨大计算资源的核心网络中，而邻近的云层在用户附近提供更有限的资源。然而，遥远的云计算消耗了核心网络中的回程资源，因此面临着波动等待时间和能力有限的挑战。移动用户对延迟和抖动很敏感，这在核心网络中很难受到约束。因此，涉及近似云计算架构的Cloudlet概念通过减少卸载延迟和最大限度地降低安全风险来解决这些挑战。与不同的云相比，近端云还具有使用较少回程资源的优势。小云可以位于移动用户附近，例如智能宏基站，小区基站或可访问本地计算服务器的无线接入点。　　无论距离远近，远程计算的卸载任务都会占用通信和计算资源。因此，在多个用户的卸载任务的数量与远程计算的用户体验之间存在折衷。目前的方法从单个移动用户的角度提出了高效的卸载策略，这样所有的远程计算资源都被分配给这个用户。例如，解决方案决定是将整个应用程序卸载到云服务器还是由移动设备执行。相反，其他人将应用程序划分为任务或代码块。移动应用程序由具有线性拓扑的一系列任务表示，并且解决了最小能量任务调度问题。考虑到信道变量及其对任务期限的影响，这更进一步。代替线性拓扑结构，使用有向图表示代码块，并且开发遗传算法来决定如何将它们卸载到多个设备中。我们提出了一种在多个设备之间的自适应后退水平卸载策略，其中解算器可以根据环境动态（例如，波动的等待时间）来调整其卸载决策。　　考虑了与多个移动用户的任务卸载。作者着眼于多个用户之间的卸载决策问题，而没有优化通信和计算资源。在约束下有限的云资源，在线和离线算法都是针对多用户的计算划分开发的。卸载决策问题被表述为由三层架构组成的广义纳什均衡问题，包括本地移动设备，邻近云和远处云。其他着作只关注优化计算资源，但可能不考虑通信资源对卸载的影响。例如，Yang等对数据流应用进行了划分，以便数据处理速度最大化，允许在多个用户之间共享计算实例。移动应用程序被建模为基于用户移动性的定位时工作流程。相反，无线干扰环境中有限的通信资源被考虑到，但是假设无限的计算资源和恒定的发射功率。通信和计算资源是共同优化的，但是，假设所有任务都被卸载以进行远程计算。因此，随着用户和任务数量的增加，这种方法无法进行扩展。我们在我们的模拟研究中证实了这一点，这也是我们提出的优化卸载决策和资源的动机。　　HODA算法中分利用了移动设备能力的可变性和用户偏好，可最大化系统利用率。我们的主要贡献为:分流问题可以转化为一个子模块最大化问题，但是该问题是是一个NP hard问题，因此我们将其拆解为以下两个子问题，获得了分流问题的最优值:1）采用拟凸优化和凸优化实现通信资源和计算资源的联合优化;2）利用子模块集合函数优化实现分流决策。仿真结果表明，提出的HODA算法可以将优化结果控制在最优值附近5％以内。同时，提出的HODA算法将发现局部最优值的复杂度降至O(K3)，其中K为移动用户的数量。因此，随着用户数量的增加，提出的HODA算法可以在更短的时间内获得最优的收敛结果，在实际系统中具有显著的优势。