*本文包含部分主觀看法，其中對技術的闡述或許有失偏頗，請讀者辯證地看待。另外本人理解與認知水平有限，目前也在不斷學習，故保留自省的權利
當今的世界，網際網路技術高度發達，以眾多產業和網際網路結合的「網際網路＋」的模式適應時代的發展趨勢，得到了較快的發展。新面世的第五代移動通信技術（5G）成為了移動通信網絡發展的關鍵，並且可以實現包括移動邊緣計算（MEC)在內的服務延遲的嚴格計算。
根據百度百科的定義，移動邊緣計算（Mobile Edge Computing, MEC）可利用無線接入網絡就近提供電信用戶IT所需服務和雲端計算功能，而創造出一個具備高性能、低延遲與高帶寬的電信級服務環境，加速網絡中各項內容、服務及應用的快速下載，讓消費者享有不間斷的高質量網絡體驗。簡單的來說，就是電信用戶走到哪裡，都可以根據就近原則連接最近的MEC伺服器，然後使用雲計算等服務。
事實上，隨著移動網際網路的快速發展，越來越多的人們更願意通過行動裝置使用行動網路中的應用，比如辦公、刷小視頻、看球賽等等，因為行動裝置所帶來的便捷是無可比擬的。目前各類應用的APP鋪天蓋地的發展，各類家庭智能設備也越來越多，這些應用與設備均會消耗大量的網絡資源和帶寬。而移動邊緣計算MEC可以將移動接入網與網際網路業務深度融合，既改善用戶體驗，節省帶寬資源，又可以將計算能力下沉到移動邊緣節點，提供第三方應用集成。基於5G的MEC服務，在物聯網、視頻、醫療、零售等行業內，可以充分的實現低延遲、高帶寬的優勢，並且還可以通過實時獲取無線網絡信息和更精準的位置信息來提供更加精準的服務。
在5G網絡下，MEC伺服器通常有四種部署方式，如下所示：
就5G的MEC服務需求來看，為了支持自動駕駛汽車這一類高可靠和低延遲通信（URLLC）服務，MEC與UPF應當和RAN部署在同一位置，這樣MEC伺服器就可以在服務請求區域的位置立即進行處理，如下圖所示。
但是由於5G高頻的特性，需要部署成千上萬的RAN和MEC伺服器，這種部署方式對電信運營商而言需要較大的管理和部署成本。考慮到資本性支出（CAPEX）和運營支出（OPEX），可以將MEC伺服器適當地分布在RAN的周圍，如下圖所示。這種部署方法既可以保證同一聚類中所有RAN的通信延遲符合要求，又可以使MEC伺服器的總工作量可以達到平衡。
若MEC伺服器位於聚類中心，則MEC伺服器與RAN之間的距離小於區域半徑，滿足了通信延遲的要求。若在同一聚類中RAN的總工作量小於MEC伺服器的容量，則可以實現MEC伺服器工作量的平衡。若在特定聚類中出現意外UE突發流量，則可以選擇可以重新充當MEC網關的UPF，從而實現負載平衡。
設想一下，在生活中為了滿足人們的網絡需求，MEC伺服器肯定是越多好。但是這種部署的方式往往存在一個問題——經濟性問題。上文其實已經提到了，對於電信服務商來說，無限制地部署MEC伺服器，就意味著服務成本無限制地增加，這樣對於電信服務商和用戶兩者來說，都會提高相應的花費。那麼如何去有效合理地部署MEC伺服器，就成了一個很重要的問題。來自韓國科學技術聯合大學院大學的Lee等人在研究了MEC伺服器的多種部署方式之後，提出一種叫做LowMEP的實用算法，這種算法可以確保用最少的MEC伺服器達到一定的端對端服務延遲。
Lee等人首先將這個問題建模為能力有限的聚類問題，以此來找到覆蓋所有元素的最小聚類數量和給定約束條件下每一個聚類與其元素之間的關聯。在這個問題中，他們將MEC伺服器當做聚類，將每一個RAN當做元素，其延遲預算與約束相對應。然後提出一種基於貪婪算法的方法，稱為LowMEP。
從經濟利益上看，電信運營商往往會在一定服務延遲下將其MEC伺服器的部署量定的儘可能少。因此Lee等人根據運籌學的相關知識，提出了在所有MEC伺服器的通行延遲和計算延遲均受約束的條件下，MEC伺服器位置向量求最小值的數學問題。如下圖所示：
該模型是一個典型的NP難題。在假設MEC伺服器和RAN位於同一個地點的條件下，Lee等人提出了一種基於貪婪算法的方法來確定每個MEC伺服器的位置及其與RAN的聯繫，從而最大程度減少MEC伺服器的數量，並提供一定的MEC服務等待時間。如下所述。
在LowMEP算法中，R-m代表一組RAN的集合，該集合中的RAN不與任何M集合中的MEC伺服器相關聯。當在RAN的集合Rm中聚集出一個聚類時，集合中工作量最大的RAN被設置成聚類開始的點，然後以最接近起始點的順序搜索集合中的RAN，滿足兩個約束（D,W）的RAN將會包含在聚類中。在重複對每一次剩餘的尚未連接的RAN進行相同操作後，返回MEC伺服器的位置（xM），關聯向量（y）。
Lee等人在驗證LowMEP算法的過程中使用了上海電信提供的真實數據集，其中包含720萬個訪問記錄，有9481個行動裝置連接到3233個RAN上。他們將RAN和MEC伺服器之間的延遲預算設置為0.01ms和0.03ms，並將工作負載預算設置為每天150。然後將K-means算法和EM（期望最大化）算法、LowMEP算法分別應用於數據中然後相互比較，結果如下圖：
不難看出，當延遲預算為0.03ms時，差異很小。因為此時MEC伺服器與RAN之間的距離應該在9km之內。當延遲預算為0.01ms時，LowMEP與EM相比，MEC伺服器的數量減少了20%，與K-means相比減少了11%。所以事實表明，LowMEP在延遲和工作負載預算一定的範圍內確實需要較少的MEC伺服器。
在5G網絡中，MEC伺服器需要儘可能地靠近具有分布式UPF的UE，以用於對延遲敏感的服務。對電信運營商來說，在設置支持URLLC的條件下，找到具有成本效益的MEC伺服器位置非常重要。Lee等人提出的LowMEP實用算法，為當前MEC伺服器部署的經濟問題提出了一個良好的解決方案。使用LowMEP算法來部署MEC伺服器，既可以滿足對於延遲敏感的服務，又可以使運營商降低大量的成本。一定程度上來說，也會降低服務使用者的花費，是一種非常具有經濟性的部署方法，在未來很可能會被大量的電信運營商採用。
參考來源
1.S. Lee, S. Lee and M. Shin, 「Low Cost MEC Server Placement and Association in 5G Networks,」 2019 International Conference on Information and Communication Technology Convergence (ICTC), Jeju Island, Korea (South), 2019, pp. 879-882, doi: 10.1109/ICTC46691.2019.8939566.
2.S. Kekki, W. Featherstone, Y. Fang, P. Kuure, A. Li, A. Ranjan, D. Purkayastha, F. Jiangping, D. Frydman, G. Verin et al., 「MEC in 5G networks,」 Sophia Antipolis, France, ETSI, White Paper, 2018.
3.S. Wang, Y. Zhao, L. Huang, J. Xu, and C.-H. Hsu, 「Qos prediction for service recommendations in mobile edge computing,」 Journal of Parallel and Distributed Computing, 2017.
4.N. Mohan, A. Zavodovski, P. Zhou, and J. Kangasharju, 「Anveshak: Placing edge servers in the wild,」 in Proceed- ings of the 2018 Workshop on Mobile Edge Communica-
tions. ACM, 2018, pp. 7–12.
5.3GPP TS 23.501, 「System Architecture for the 5G Sys- tem,」 2017.
6.MEC技術原理以及典型應用場景分析，電子發燒友網
若轉載文章為原創文章，可在相應文章下或公眾號後臺留言；其他非轉載類文章須在文首以不小於14號字體標明轉載自SDNLAB。