文章目录

  • 前言
  • 1 移动边缘计算的主要研究范畴
  • 1.1 关键问题
  • 1.2 支撑技术
  • 2 MEC架构
  • 2.1 ETSI MEC架构
  • 2.2 其他架构
  • 3 计算迁移
  • 4 服务端的资源分配
  • 5 边缘缓存
  • 5.1 边缘缓存的主要指标
  • 5.2 边缘缓存的主要指标
  • 5.3 缓存策略
  • 6 MEC服务编排与移动性管理
  • 6.1MEC服务编排研究
  • 6.2MEC服务的移动性管理
  • 7 移动边缘计算环境中的典型应用
  • 8 发展趋势与未来挑战
  • 8.1 MEC服务质量的保证
  • 8.2 安全可用性
  • 8.3 功能增强


前言

本文主要是介绍了边缘计算中的移动边缘计算模型，同时对于移动计算中的计算迁移策略，缓存策略，资源分配策略等进行简要罗列，如有错误，还请不吝指教。

1 移动边缘计算的主要研究范畴

1.1 关键问题

1.MEC架构
移动边缘计算能够在网络边缘实现基于软件的MEC应用和云计算服务。同时它的目的是提供基础设施，满足广泛的应用需求。（实现模块化，开放式。提供可编程生态环境。）
2.计算迁移
将计算密集型任务迁移到服务器中运行。为了缩短服务时延，节约移动设备能耗等，提出了一系列的计算迁移算法。（网络状态，设备负载，任务属性等因素。）
3.边缘缓存
内容交付技术？（原始服务器，缓存服务器。）
将MEC服务器作为边缘缓存节点，依据网络状态等因素来动态优化内容交付服务。（可结合用户移动性和访问日志来优化。）
4.服务编排：
对于海量服务器节点的资源进行有效管理。（资源的动态变化）

1.2 支撑技术

1.云计算和容器技术
容器技术：内核轻量级的操作系统层虚拟化技术，能够划分物理机资源，创建多个隔离的用户市里空间。（快速打包机制）

2.软件定义网络（SDK）？
使边缘网络具有智能化、可编程和易于管理的特点。
主要思想：分离网络的控制面和数据面，从而实现了网络流量的灵活控制。（可通过软件编程的形式定义和控制网络，其控制平面和转发平面分离及开放性可编程的特点）
主要优势：在通用硬件上创建网络控制面、通过 API 开放网络功能、远程控制网络设备以及将网络智能从逻辑上解耦和为不同的基于软件的控制器

3.网络功能虚拟化（NFV）
借助软件编程技术将若干网络功能模块虚拟化，并转移到通用计算平台。可提高网络的扩展性和灵活性，以及管理大型的异构设备。
优点：实时优化网络配置和拓扑结构。

4.D2D通信技术（divice to divice）设备间通信
优点：节省大量的信令带宽资源，减少传输延迟 2节省大量能耗 3.提高网络的频谱效率.
频谱效率：定义为净比特率（有用信息速率，不包括纠错码）或最大吞吐量除以通信信道或数据链路的带宽（单位：赫兹）

5.网络切片技术
将一个网络整体分割成多个实例,每个实例都针对特定的应用程序和服务进行优化。
优势：引入了多租户环境，支持灵活配置网络资源、动态分配资源

2 MEC架构

2.1 ETSI MEC架构

它是一种生态系统架构，可分为MEC系统层、MEC服务器管理层和网络层。其中MEC服务器管理层包括MEC服务器和MEC服务器级管理，主要MEC应用程序的执行。MEC系统级管理负责第三方和移动设备的访问。网络层负责实现相应的链接问题。

（具体？：MEC 可以直接由 MD 中的应用程序使用,或者由第三方客户通过面向客户的服务(CFS)端口使用.MD 和 CFS 端口都通过
MEC 系统级管理与 MEC 系统交互.MEC 系统级管理由用户应用程序生命周期管理(LCM)代
理、运行支持系统(OSS)和移动边缘编排器组成.LCM 代理是使 MD 能够请求 APP 相关服务的功能,例如实例 化服务、终止服务、MEC
平台之间的重定位.OSS 负责做出是否授权用户请求的决策.授权的请求将转发给移 动边缘编排器.移动边缘编排器是 MEC
系统级管理的核心功能,它负责维护可用计算/存储/网络资源和 MEC 服
务的整体情况.在这方面,移动边缘编排器根据应用程序需求(例如等待时间)将虚拟化 MEC 资源分配给即将启
动的应用程序.此外,编排器还可以灵活地缩小/增加正在运行中应用程序的可用资源. MEC 系统级管理与 MEC
服务器级管理互连.服务器级管理由移动边缘平台和虚拟化平台组成.前者负责
管理应用程序的生命周期、应用程序规则、服务授权和流量规则等;后者负责分配、管理和释放位于 MEC 服
务器内的虚拟化基础设施提供的虚拟化计算/存储资源.此外,MEC 服务器是参考架构不可或缺的一部分,因为
它代表虚拟化资源,并在虚拟化基础架构之上托管作为虚拟机运行的 MEC 应用程序.）

相关文献：
1 Ahmed A, Ahmed E. A survey on mobile edge computing. In: Proc. of the Int’l Conf. on Intelligent Systems and Control. IEEE, 2016. 1−8

2.2 其他架构

1. OpenFog
OpenFog Consortium. OpenFog architecture overview. White Paper, 2016.https://www.openfogconsortium.org/wp-content/uploads/OpenFog-Architecture-Overview-WP-2-2016.pdf
2. 小型蜂窝云 CESC
1 SESAME project: Small cEllS coordination for multi-tenancy and edge services (SESAME). SESAME Project (Web page), 2018. http://www.sesame-h2020-5g-ppp.eu/

2 Ahmad S, Ahed A, Eshraq A, et al. SESAME project: SESAME: An innovative multi-operator enabled Small Cell based infrastructure that integrates a virtualised execution platform for deploying virtual network functions. SESAME Project 2nd White Paper, 2017. http://http://sesame.org.jo/ sesame_2018/machine-and-beamlines/sesame-publications/sesame-white-book

3. GNF技术与潜在的MEC服务器实现规范
Cziva R, Pezaros DP. Container network functions: Bringing NFV to the network edge. IEEE Communications Magazine, 2017, 55(6):24−31.
4. MEC架构与现有光纤无线网络结合
Rimal BP, Van DP, Maier M. Mobile edge computing empowered fiber-wireless access networks in the 5G era. IEEE Communications Magazine, 2017,55(2):192−200.
5. 上下文感知服务于MEC架构融合
CMCC. Study on context aware service delivery for LTE, 3GPP TSG RAN meeting#71, 3GPP. Technical Report, RP-160633, Gothenburg, 2016

3 计算迁移

迁移场景：
从研究场景的角度来看,目前已提出的各种迁移决策方法可以划 分为单移动设备场景和多移动设备场景.
单移动设备场景： 有计算任务队列长度、MD 本地 计算单元的执行状态、传输单元的状态等
多移动设备场景： 网络带宽资源、MEC 计算资源、移动设备数量

单移动场景：
1）完全迁移：

  1. 基于一维搜索算法实现的迁移决策（应用缓冲区状态，可用的计算资源，MD与MEC服务器之间的信道因素）（缺点：需要服务器的反馈）（优化时延）
    论文：Liu J, Mao Y, Zhang J, et al. Delay-optimal computation task scheduling for mobile-edge computing systems. In: Proc. of the IEEE International Symposium on Information Theory (ISIT). IEEE, 2016. 1451−1455.
  2. 基于Lyapunov优化的动态计算迁移算法(LODCO)，目的是优化应用的执行时延，且能防止计算迁移过程中的数据包丢失情况。（优化时延）
    论文： Mao Y, Zhang J, Letaief KB. Dynamic computation offloading for mobile-edge computing with energy harvesting devices. IEEE Journal on Selected Areas in Communications, 2016,34(12):3590−3605.
  3. 最小化MD端能量消耗的计算迁移算法。（引入马尔科夫决策过程，两种资源分配策略第 1 种是基于在线学习的策略,网 络资源针对 MD 端运行的应用动态地进行适配;第 2 种是基于预先计算的离线策略,）（优化能耗）
    论文：Ulukus S, Yener A, Erkip E, et al. Energy harvesting wireless communications: A review of recent advances. IEEE Journal on Selected Areas in Communications, 2015,33(3):360−381.
  4. 离线迁移策略：确定离线策略和随机离线策略（离线迁移能耗更低）（优化能耗）
    论文： Kamoun M, Labidi W, Sarkiss M. Joint resource allocation and offloading strategies in cloud enabled cellular networks. In: Proc. of the IEEE Int’l Conf. on Communications. IEEE, 2015. 5529−5534.
  5. 权衡 MD 端时延和能耗的计算迁移策略（计算迁移顺序进行（MEC，CC））（能耗和时延间的权衡问题）
    论文： Labidi W, Sarkiss M, Kamoun M. Energy-optimal resource scheduling and computation offloading in small cell networks. In: Proc. of the Int’l Conf. on Telecommunications. IEEE, 2015. 313−318.

2）部分迁移方案：

  1. 基于组合优化方案的最优自适应算法（包括一个不可迁移部分）（优化能耗）
    论文： Chen MH, Liang B, Dong M. A semidefinite relaxation approach to mobile cloud offloading with computing access point. In: Proc. of the IEEE Int’l Workshop on Signal Processing Advances in Wireless Communications. IEEE, 2015. 186−190.
  2. 二进制粒子群优化算法（迁移部分存在关联）（优化能耗）
    论文：Cao S, Tao X, Hou Y, et al. An energy-optimal offloading algorithm of mobile computing based on HetNets. In: Proc. of the Int’l Conf. on Connected Vehicles and Expo. IEEE, 2016. 254−258.
  3. 通信和计算资源的联合优化（能耗和时延间的权衡问题）
    论文：39 Deng M, Tian H, Fan B. Fine-granularity based application offloading policy in small cell cloud-enhanced networks. In: Proc. of the IEEE ICC. IEEE, 2016. 638−643.
  4. 相同迁移请求进行聚合（节省重复数据的能耗）
    论文：41 Muñoz O, Pascual-Iserte A, Vidal J. Optimization of radio and computational resources for energy efficiency in latency-constrained application offloading. IEEE Trans. on Vehicular Technology, 2015,64(10):4738−4755.

多移动设备场景：
1）完全迁移方案：

  1. 基于动态规划的算法（保证MD间的迁移决策公平性，优化资源调度和计算迁移策略）（优化能耗）
    论文：Sehati A, Ghaderi M. Energy-delay tradeoff for request bundling on smartphones.In: Proc. of the IEEE Int’l Conf. on Computer Communications. IEEE, 2017. 1−7.
  2. 通信和计算资源的联合分配算法，（将时间划分为时间片，同时将MD分为两组,一组执行计算迁移，另一组执行本地计算）（优化能耗）
    论文：Labidi W, Sarkiss M, Kamoun M. Joint multi-user resource scheduling and computation offloading in small cell networks. In: Proc. of the IEEE Int’l Conf. on Wireless and Mobile Computing, Networking and Communications. IEEE, 2015. 794−801
  3. 基于凸优化的分布式迭代算法（多个基站的多蜂窝小区场景）（优化能耗）
    论文： Barbarossa S, Sardellitti S, Lorenzo PD. Joint allocation of computation and communication resources in multiuser mobile cloud computing. 2013,395(6):26−30.
  4. EECO基于分类的节能计算迁移算法（根据计算的时间成本MD进行划分，同时利用对于信道和计算能力的需求划分优先级）（优化能耗）
    论文： Sardellitti S, Scutari G, Barbarossa S. Joint optimization of radio and computational resources for multicell mobile cloud computing. In: Proc. of the IEEE Int’l Workshop on Signal Processing Advances in Wireless Communications. IEEE, 2014. 89−103.
  5. 实现纳什均衡的分布式计算迁移算法（多用户多信道）（权衡时延和能耗）
    论文：Zhang K, Mao Y, Leng S, et al. Energy-efficient offloading for mobile edge computing in 5G heterogeneous networks. IEEE Access, 2017,4(99):5896−5907.
  6. MD 端计算迁移决策和服务端计算和通信资源分配的联合优化问题，三步算法（半定松弛SDR，交替优化AO，顺序调整ST）（权衡时延和能耗）
    论文：Chen X, Jiao L, Li W, et al. Efficient multi-user computation offloading for mobile-edge cloud computing. IEEE/ACM Trans. on Networking, 2016,24(5):2795−2808.

2）部分迁移方案：

  1. 基于任务调度的算法（将问题简化为可解决的线性规划问题，启发式算法和穷举搜索）（优化能耗）
    论文： Chen MH, Liang B, Dong M. Joint offloading and resource allocation for computation and communication in mobile cloud with computing access point. In: Proc. of the IEEE Conf. on Computer Communications (IEEE INFOCOM 2017). IEEE, 2017. 1−9.
  2. 基于阈值的资源优化分配策略（二元化迁移决策，优先级）（优化能耗）
    论文： Zhao Y, Zhou S, Zhao T, et al. Energy-efficient task offloading for multiuser mobile cloud computing. In: Proc. of the IEEE/CIC Int’l Conf. on Communications in China. IEEE, 2016. 1−5.
  3. 通信和计算资源的联合优化（系统中 MD 数量越多,用于传输计算任务的时间也就越长）（权衡时延和能耗）
    论文： You C, Huang K, Chae H, et al. Energy-efficient resource allocation for mobile-edge computation offloading. IEEE Trans. on Wireless Communications, 2017,16(3):1397−1411.
  4. 基于 Lyapunov 优化的算法（确定执行本地运算时最优的 CPU 频率,并且 将传输功率和通信带宽优先分配给执行计算迁移决策的 MD）（权衡时延和能耗）
    论文： Muñoz O, Iserte AP, Vidal J, et al. Energy-latency trade-off for multiuser wireless computation offloading. In: Proc. of the Wireless Communications and Networking Conf. Workshops. IEEE, 2014. 29−33.

4 服务端的资源分配

如果MD做出了计算迁移的决策，那么服务端需要对MEC资源进行分配。(任务的并行性)
如果相应任务不支持并行，则分配一个物理节点，否则则进行多个节点合作。

有云中心参与时，可以通过 MEC 和云中心协作来提高服务质量。

  1. 基于阈值的协同调度策略，追求最大化 MEC 中正在运行应用程序的数量，由优先级决定迁移程序的放置位置。
    论文： Zhao T, Zhou S, Guo X, et al. A cooperative scheduling scheme of local cloud and internet cloud for delay-aware mobile cloud computing. In: Proc. of the IEEE GLOBECOM Workshops. IEEE, 2015. 1−6.
  2. 针对多个 MEC 场景下的资源 分配问题，通过构建MEC集群方式进行资源分配。（先单一再全部）（基于合作博弈构建集群，定期重组？）
    论文： Tanzil SMS, Gharehshiran ON, Krishnamurthy V. Femto-cloud formation: A coalitional game-theoretic approach. In: Proc. of the IEEE Global Communications Conf. IEEE, 2015. 1−6.

无云中心参与：

  1. 基于离散马尔科夫决策过程(MDP)框架的最优任务调度策略（基于索引的分配策略，根据自身剩余计算资源生成相应的索引）
    论文：Guo X, Singh R, Zhao T, et al. An index based task assignment policy for achieving optimal power-delay tradeoff in edge cloud systems. In: Proc. of the IEEE Int’l Conf. on Communications. IEEE, 2016. 1−7.
  2. 使用光纤作为传输媒介的全网状拓扑在执行 时延方面是最有优势的，不同的集群聚类策略（基于三种目标：优化时延，优化能耗，负载失衡）（仅考虑了服务端，而没有考虑到移动端）
    论文：
    1）Oueis J, Calvanese-Strinati E, De Domenico A, et al. On the impact of backhaul network on distributed cloud computing. In: Proc. of the Wireless Communications and Networking Conf. Workshops. IEEE, 2014. 12−17.
    2）Oueis J, Strinati EC, Barbarossa S. Small cell clustering for efficient distributed cloud computing. In: Proc. of the IEEE Int’l Symp. on Personal, Indoor, and Mobile Radio Communication. IEEE, 2015. 1474−1479.

5 边缘缓存

边缘缓存： 如何有效地使用MEC服务器的存储资源。对于传统的以内容为中心的网络缓存方案没有考虑到网络的动态性。

5.1 边缘缓存的主要指标

  • 1.系统的整体容量
  • 2.时间延迟
  • 3.能耗效率

5.2 边缘缓存的主要指标

内容流行度的衡量：
对于MEC中服务器中的缓存内容，我们需要考虑内容的流行度以最大化边缘服器中缓存的命中率。

现有的衡量内容流行度的模型为静态模型和动态模型两种。

  • 静态模型：假设内容流行度是静态的，并采用独立参考模型
  • 动态模型：散粒噪声模型的动态流行度衡量模型

5.3 缓存策略

传统的缓存替换策略如最近最少使用(LRU)和最近最少访问频次(LFU) 简单而且高效.但是,它们会忽略内容的下载时延以及内容的数据量。

内容交付网络中常用的另一种主动式缓存策略是 MPV 策略，略根据全球视频流行度的分布来缓存最受欢迎的视 频内容，但缓存命中率低。

以下罗列了一些缓存策略：

  1. 基于用户偏好的缓存策略 （提高系统整体容量）
    Ahlehagh H, Dey S. Video-aware scheduling and caching in the radio access network. IEEE/ACM Trans. on Networking, 2014, 22(5):1444−1462.
  2. 基于增强学习的边缘缓存策略（提高缓存命中率）（由于流行度是随着时间变化的）
    Sengupta A, Amuru SD, Tandon R, et al. Learning distributed caching strategies in small cell networks. In: Proc. of the Int’l Symp. on Wireless Communications Systems. IEEE, 2014. 917−921.
  3. 基于学习的 算法以解决 MEC 节点的缓存替换问题，通过将该问题形式化为马尔科夫决策过程,以分布式的方式解决 了缓存替换的问题
    Gu J, Wang W, Huang A, et al. Distributed cache replacement for caching-enable base stations in cellular networks. In: Proc. of the IEEE Int’l Conf. on Communications. IEEE, 2014. 2648−2653.
  4. 轻量级的协作式缓存管理算法（MEC服务器协作方式提高算法性能）
    Borst S, Gupta V, Walid A. Distributed caching algorithms for content distribution networks. In: Proc. of the Conf. on Information Communications. IEEE Press, 2010.
    1478−1486.
  5. MEC 服务器之间的协作方案,以优化 MEC 和移动设备之间内容缓存和交付的性能表现（通过次梯度优化，Hungrian算法）
    Jiang W, Feng G, Qin S. Optimal cooperative content caching and delivery policy for heterogeneous cellular networks. IEEE Trans. on Mobile Computing, 2017,16(5):1382−1393.
  6. 移动网络中边缘缓存节点之 间的协作
    Wang S, Zhang X, Yang K, et al. Distributed edge caching scheme considering the tradeoff between the diversity and redundancy of cached content. In: Proc. of the IEEE/CIC Int’l Conf. on Communications in China. IEEE, 2016. 1−5.
  7. 缓存和路由 方案（有界逼近算法）
    Poularakis K, Iosifidis G, Tassiulas L. Approximation caching and routing algorithms for massive mobile data delivery. In: Proc. of the Global Communications Conf. IEEE, 2014.
    3534−3539.
  8. 基于分组的缓存策略（考虑存储资源分配,以降低获取内容的平均时延 和总能耗）
    1）Ren D, Gui X, Lu W, et al. GHCC: Grouping-based and hierarchical collaborative caching for mobile edge computing. In: Proc. of the 2018 16th Int’l Symp. on Modeling and Optimization in Mobile, Ad Hoc, and Wireless Networks (WiOpt). IEEE, 2018. 1−6.
    2）Ren D, Gui X, Dai H, et al. Hierarchical resource distribution network based on mobile edge computing. In: Proc. of the 2017 IEEE 23rd Int’l Conf. on Parallel and Distributed Systems (ICPADS). IEEE, 2017. 57−64.

6 MEC服务编排与移动性管理

MEC 的服务质量依赖于服务编排功能以及 MD 与网络架构的交互.。尽可能的进行架构复用，将虚拟化网络功能(VNF)和移动边缘应用程序 托管到相同或相似的基础设施。

6.1MEC服务编排研究

由于动态变化的无线信道状态以及用户移动而引起的资源波动，使得服务编排面临着许多挑战。
1 资源管理，灵活的资源可用性在 MEC 服务的性能表现中起着至关重要的作用

1） vm竞争管理时的各种影响因素
Taleb T, Bagaa M, Ksentini A. User mobility-aware virtual network function placement for virtual 5G network infrastructure. In: Proc. of the 2015 IEEE Int’l Conf. on Communications (ICC). IEEE, 2015. 3879−3884.
2） 云环境下分配资源时的概念及服务特性
Liang H, Cai LX, Huang D, et al. An SMDP-based service model for interdomain resource allocation in mobile cloud networks. IEEE Trans. on Vehicular Technology, 2012,61(5):2222−2232.
3） 多资源分配策略（实现最优系统效益）
Liu Y, Lee MJ, Zheng Y. Adaptive multi-resource allocation for cloudlet-based mobile cloud computing system. IEEE Trans. on Mobile Computing, 2016,15(10):2398−2410.

2 服务部署，在服务部署的过程中,应该考虑 人口密集的地区，还需要考虑潜在的用户移动模型。

1） 最佳边缘云部署优化研究
1． Jia M, Cao J, Liang W. Optimal cloudlet placement and user to cloudlet allocation in wireless metropolitan area networks. IEEE Trans. on Cloud Computing, 2017,5(4):725−737.
2． Bagaa M, Taleb T, Ksentini A. Service-aware network function placement for efficient traffic handling in carrier cloud. In: Proc. of the 2014 IEEE Wireless Communications and Networking Conf. (WCNC). IEEE, 2014. 2402−2407.
2） 固定位置的分布式边缘云平台上vm布局问题（执行服务部署的动态迁移）
Agarwal S, Dunagan J, Jain N, et al. Volley: Automated data placement for geo-distributed cloud services. 2010. https://www. usenix.org/legacy/events/nsdi10/tech/full_papers/agarwal.pdf
3） vnf放置解决方案
Ksentini A, Bagaa M, Taleb T, et al. On using bargaining game for optimal placement of SDN controllers. In: Proc. of the 2016 IEEE Int’l Conf. on Communications (ICC). IEEE, 2016. 1−6.

3 边缘节点的选择：（用户移动性，负载，性能等因素）

4 可靠性（传统的检查点算法，复制MEC服务实例）

6.2MEC服务的移动性管理

如何在用户发生移动的过程中保障 MD 和 MEC 之间会话连接的稳定。

  1. 分布式移动性管理(DMM) （传输代价过高）
    Giust F, Cominardi L, Bernardos CJ. Distributed mobility management for future 5G networks: Overview and analysis of existing approaches. IEEE Communications Magazine, 2015,53(1):142−149.
  2. IP 移动解决方案（ip连续性的迁移）
    Watanabe H, Ohigashi T, Kondo T, et al. A performance improvement method for the global live migration of virtual machine with IP mobility. In: Proc. of the 5th Int’l Conf. on Mobile Computing and Ubiquitous Networking (ICMU 2010), Vol.94. 2010. 1−6.
  3. Follow-Me-Cloud （确保云服务跟随 用户移动的框架）
    Ksentini A, Taleb T, Chen M. A Markov decision process-based service migration procedure for follow me cloud. In: Proc. of the 2014 IEEE Int’l Conf. on Communications (ICC). IEEE, 2014. 1350−1354.
  4. 支持 QoS/QoE 的移动预测模型,进一步完善了 Follow-Me-Cloud 的概念
    Nadembega A, Hafid AS, Brisebois R. Mobility prediction model-based service migration procedure for follow me cloud to support QoS and QoE. In: Proc. of the 2016 IEEE Int’l Conf. on Communications (ICC). IEEE, 2016. 1−6.
  5. 为了补充 Follow-Me-Cloud 的解决方案,Aissioui 等人引入了基于 SDN 的方法
    Aissioui A, Ksentini A, Gueroui AM, et al. Toward elastic distributed SDN/NFV controller for 5G mobile cloud management systems. IEEE Access, 2015,3:2055−2064.
  6. 同时考虑了 VM 迁移以及用户的移动性,引入了基于位置/ ID 分离协议(LISP)的方法（减少迁移中断时间）
    Secci S, Raad P, Gallard P. Linking virtual machine mobility to user mobility. IEEE Trans. on Network and Service Management, 2016,13(4):927−940.

7 移动边缘计算环境中的典型应用

参考边缘计算中的应用——边缘计算梗概。（如VR,AR，动态内容交付，车联网，智能家居，智慧医疗）

8 发展趋势与未来挑战

8.1 MEC服务质量的保证

  • 1.异构性
  • 2.用户移动性
  • 3.可扩展性（移动边缘计 算也许可以引入编排器来灵活管理 MEC 服务器,提高网络的可扩展性）

8.2 安全可用性

1.安全

1）HoneyBot 的防御技术
Mtibaa A, Harras K, Alnuweiri H. Friend or foe? Detecting and isolating malicious nodes in mobile edge computing platforms. In: Proc. of the IEEE Int’l Conf. on Cloud Computing
Technology and Science. IEEE, 2016. 42−49.
2）基于公 钥基础设施(PKI)的解决方案
Law YW, Palaniswami M, Kounga G, et al. WAKE: Key management scheme for wide-area measurement systems in smart grid. IEEE Communications Magazine, 2013,51(1):34−41.
3）基于 DiffieHellman 密钥交换的解决方案
Fadlullah ZM, Fouda MM, Kato N, et al. Toward intelligent machine-to-machine communications in smart grid. IEEE Communications Magazine,2011,49(4):60−65

2.隐私

1）可信 MEC 服务器部署一个众包平台来完成用户的匿名化操作
Abdo JB, Demerjian J, Chaouchi H, et al. Privacy using mobile cloud computing. In: Proc. of the Int’l Conf. on Digital Information & Communication Technology & Its Applications. IEEE, 2015. 178−182.
2）由 MEC 服务器执行智能电表数据的加密以及汇总结果确保了数据的隐私安全,原始数据只能在操作中心执行解密
Lu R, Liang X, Li X, et al. EPPA: An efficient and privacy-preserving aggregation scheme for secure smart grid communications. IEEE Trans. on Parallel & Distributed Systems, 2012,23(9):1621−1631.

8.3 功能增强

1计费策略（.已有研究已证明:当用户关心服务费用时,MEC 服务器的盈利受到计费策略的显著影响）
2.web接口（在当前的网络环境下,移动用户访问 MEC或云中心的 Web接口是无法满足新兴的时延敏感型应用需求的，用户、MEC 和云之间的通信需要新的标准 协议）（HTML5）