文献综述（或调研报告）：
移动边缘计算由移动云计算演化而来，在靠近移动用户的无线接入网侧提供IT服务环境和云计算能力。在MEC环境中，用户与边缘服务器的距离更近，任务卸载带来的传输时延大大降低，而且服务请求在边缘就能响应，能有效的缓解核心网的负担。近两年来，由于移动边缘计算的近距离、超低延时、高带宽等特性，对于移动边缘计算的研究愈趋火热。在任务卸载决策和资源分配方面，根据不同的需求和应用场景，人们提出了不同的解决方案。
因为本次毕业设计主要是研究移动边缘计算在车联网中的应用，因此阅读的文献的重点主要集中在车联网应用场景以及低复杂度的卸载策略。
文献[1]提出了一种基于价格的分布式方法来管理用户的卸载计算任务。博弈论算法用于模拟边缘云与用户之间的交互，其中边缘云根据其有限的计算能力设定价格以最大化其收入，并且对于给定的价格，每个用户在本地做出卸载决策以最小化其自身成本。最终根据资源卸载不同选择所带来的开销提出了一种优化算法。文献[2]提出了一种基于博弈论的联盟定价方案。研究人员应用联盟来安排移动设备的数据卸载以及描述移动设备和MEC服务器之间的卸载关系。以上两种都是给予MEC服务器一定的卸载开销来进行算法的论述和验证。文献[3]中提出了两种方案作为MEC卸载策略的解决方案，即近似协同计算卸载方案，以及博弈论理论协同计算卸载方案。文献[4]提出的卸载策略专门针对车联网，由于汽车在路上行驶的速度很快，所以应用其中的卸载策略必须具有较低的复杂度，否则就无法及时完成车载用户所提出的卸载要求。[4]中的研究员利用支持向量机的学习方法提出了一种适用于车联网应用环境的卸载策略。关于其中所用到的支持向量机相关的知识在文献[5]中体现。文献[6]是一篇关于MEC发展现状的综述性文章。
文献[7], [8], [9]讨论了用户任务应该在本地还是云端执行的问题。文献[8]和[9]的目的都是能耗和时延的加权和最小，文献[8]中每个用户有多个任务，考虑得更为全面。文献[9]采用博弈论的手法来解决最优化问题并证明了纳什平衡的存在性。文献[8]计算了服务端任务处理的理论上限，并证明自己的算法能很好的接近理论值，其将二次约束条件下非凸二次函数通过松弛手法，转化为可分离的半定规划问题。文献[10]提出了一种折中的方案，任务可以在本地处理一部分，然后卸载到云端执行剩余部分。但是，上面论文中提出的方案，任务延时只是作为参考条件，不能保证每个任务的延时都能得到保障。文献[11]同时考虑了任务卸载与计算资源的分配，假设无线带宽为固定的常数，在满足任务严格的时间约束条件下，使得任务执行的成本最小。文献[12]在满足时延的条件下，提出了无线信道和计算资源的分配方案，使得用户的能耗最小。上述文章从各个角度提出了任务卸载需要考虑到的条件，从不同的方面提出了任务卸载的算法，文章中的数据仿真都证明了提出的算法有一定的优越性。
[1] Liu, M.and Y. Liu. Price-Based Distributed Offloading for Mobile-Edge Computing With Computation Capacity Constraints [J]. IEEE Wireless Communication Letters, 2018, 7(3):420-423.
[2] Zhang T. Data Offloading in Mobile Edge Computing: A Coalition and Pricing Based Approach [J]. IEEE Acess,2018, 6:2760-2767.
[3] Guo H. and J. Liu. Collaborative Computation Offloading for Multiaccess Edge Computing Over Fiber–Wireless Networks [J]. IEEE Transactions on Vehicular Technology, 2018, 67(5):4514-4525.
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
