1. MEC与MCC
云计算：
- 将计算、存储和网络管理集中到云中，云中大量的计算和存储资源可以被利用来解决终端用户的计算和存储需求。
- 缺点：长传播延迟。
移动边缘计算（MEC）：
- 移动云计算：高速率、高可靠性的空中接口允许在远程云数据中心运行移动设备的计算服务。
- 从云端到边缘（密集的边缘设备空闲）
- 实现：NFV(VM),ICN(信息为中心),SDN(功能抽象管理，扩展和动态计算)
MEC优势：
- 低延迟：距离短，网络管理操作少，用户少
- 移动能量储存：计算卸载（与EH-IoTs一样，都是为了解决物联网设备的电池维护问题）
- 环境感知：边缘设备与用户的接近度来追踪信息。
- 隐私/安全：分布式部署，小规模，私有Cloudlet
2. MEC的计算和通信模型
计算任务模型：
- 二进制卸载的任务模型：整体，$A\left(L, \tau _{d}, X\right)$，软/硬 deadline
- 部分卸载任务模型：数据分割模型（比特独立），任务调度图（依赖关系：连续，并行，一般依赖）
通信模型：
- 无线信道的比特管模型（MCC，恒定速率或给定分布的随机速率，解决核心网中的延迟和大规模云的管理）
- 无线信道的衰落模型（多径衰落，码间串扰，频谱短缺）
- D2D通信和回程网络（MEC）：在MEC系统中，通信通常在AP和移动设备之间进行，可以直接进行D2D通信；回程链路访问远程数据中心，将计算任务分流到其他MEC服务器或大型云数据中心。
移动设备的计算模型：
- CPU周期频率，DVFS技术，
- 任务执行延时，$t_{m}=\frac{L X}{f_{m}}$
- 移动计算能量消耗：CPU能量消耗 $E _{m}=\kappa L X f _{m}^{2}$，其他部件
- deadline限制和能耗限制 $\longrightarrow$ 将任务卸载到MEC服务器上来降低能耗同时保证低延迟
MEC服务器的计算延时模型：
- 确定性延时（延迟敏感型应用，如无人驾驶）
- 令 $f _ {s,k}$ 表示给移动设备 $k$ 分配的CPU周期频率，服务器的执行时间可以计算：$t _ {s,k}=w _ k / f _ {s,k}$）。
- 服务器调度排队延迟：$T_{s,k}=\sum _{i\leq k} t _{s,i}$
- VM彼此的I/O干扰
- 随机性延时（延迟容忍型应用，如社交通信）：平均延时
MEC服务器的计算能源消耗模型：
- 基于DVFS技术的MEC服务器CPU能源消耗
考虑处理 k 个计算任务的 MEC 服务器，第 k 个任务被分配了 $w _ k$ 个 CPU 周期 (对应$f _ {s,k}$)。因此，MEC 服务器上消耗的 CPU 总能量，用 $E _ s$ 表示：$E _ {s}=\sum _ {k=1} ^ {K} \kappa w _ {k} f _ {s, k}^{2}$
- 基于CPU利用率的能源消耗模型
服务器能耗与 CPU 利用率呈线性关系，CPU 利用率依赖于计算负载。此外，即使对于空闲的服务器，它的平均能耗仍高达 CPU 全速运行的 70%。因此，可以根据以下公式计算MEC服务器处的能耗。其中，$E _{max}$ 是完全利用的服务器的能耗，$\alpha$ 是空闲能耗的分数（70%），$u$ 表示 CPU 的利用率。 $E _{s}=\alpha E _{\max }+(1-\alpha) E _{\max } u $
总结：
- 有效设计：整合无线通信和移动计算。
- 为不同的MEC应用选择合适的计算任务模型至关重要。（硬/软deadline，数据分割模型和任务调度图）
- 信道条件影响用于计算卸载的能量消耗。
- 动态CPU周期频率控制，时延和能耗折衷
- 执行延时和调度延时，负载平衡和智能调度策略。
