基于SDN的移动边缘计算网络设计与应用研究开题报告

1. 研究目的与意义（文献综述）

1.1 研究目的及意义

随着移动互联网的快速发展，移动数据流量正在呈现一种爆炸式的增长，给核心网络带来了较大的流量压力；同时不断涌现的增强现实、高清视频分发等时延敏感业务对网络提出了更高的性能需求。传统的移动云计算技术在远端云平台进行数据流处理、计算的方式己经不再适合。移动边缘计算（mec）是一种在移动网络边缘实现云计算能力和it服务环境的网络体系架构，通过将第三方应用以及部分核心业务处理与调度的功能部署到靠近用户侧的网络边缘，提供低时延、高带宽的网络环境，能够有效提升时延敏感业务的用户qoe。为了有效融合边缘网络和云计算，实现灵活组网，需要在网络中引入具有编排分布式环境能力的控制机制。软件定义网络（sdn）的优势符合这些要求，其全部的数据流控制、业务编排以及其他管理任务都由对最终用户透明的中央sdn控制器完成。将sdn添加到平台可以使网络具有更大的灵活性和动态性。 sdn允许底层网络的全局视图，因此可以应用流量导向规则来实现复杂的服务链场景。它可用于管理互连分布式mec服务器的网络。

边缘设备的资源限制需要云计算层上的主要负载的转变，边缘与云设备之间大量的数据移动和通信对底层网络造成额外的负担。底层网络在向终端用户提供低时延服务时扮演主要角色，为了减轻底层网络的负担，计算卸载（offloading）成为了现代通信发展的重要课题。边缘计算卸载即用户终端（ue）将计算任务卸载到mec网络中，主要解决设备在资源存储、计算性能以及能效等方面的不足。从而有效的缓解了底层网络的负载。目前，计算卸载的性能通常以时间延迟和能量消耗作为衡量指标。

2. 研究的基本内容与方案

2.1 研究目标

对基于sdn的边缘计算网络的计算卸载进行研究，利用强化学习对最佳计算卸载策略进行探究，减轻边缘云互动对底层网络的负担。移动边缘计算中计算卸载技术将移动终端的计算任务卸载到边缘网络,解决了设备在资源存储、计算性能以及能效等方面存在的不足。同时相比于云计算中的计算卸载,mec解决了网络资源的占用、高时延和额外网络负载等问题。

计算卸载的过程中会受到不同因素的影响，如用户的使用习惯、无线电信道的通信情况、回程连接的质量、移动设备的性能和云服务器的可用性等，因此计算卸载的关键在于指定适合的卸载决策。边缘计算社区按照需要进行计算卸载的任务的性能需求，对计算卸载策略进行了简单介绍。目前，计算卸载的性能通常以时间延迟和能量消耗作为衡量指标。时间延迟和能量消耗的计算具体分为以下两种情况。

3. 研究计划与安排

1. 第1－3周：查熟悉掌握基本理论，完成英文资料的翻译，熟悉开发环境。

2. 第4－5周：阅相关文献资料，明确研究内容，了解研究所需理论基础。

确定方案，完成开题报告。

4. 参考文献（12篇以上）

4、参考文献[1]王宇. 基于SDN的移动边缘计算网络设计与应用研究.北京邮电大学.2018.3[2] Kuljeet Kaur, Sahil Garg, Gagangeet Singh Aujla, Neeraj Kumar, Joel J. P. C. Rodrigues, and Mohsen Guizani. Edge Computing in the Industrial Internet of Things Environment: Software-Defined-Networks-Based Edge-Cloud Interplay.2018[3] Zhao Chen, Member, IEEE and Xiaodong Wang, Fellow, IEEE. Decentralized Computation Ofoading for Multi-User Mobile Edge Computing: A Deep Reinforcement Learning Approach.2018[4] X. Sun and N. Ansari, “EdgeIoT: Mobile edge computing for the internet of things,” IEEE Commun. Mag., vol. 54, no. 12, pp. 22–29, 2016[5] K. Zhang, Y. Mao, S. Leng, Y. He, and Y. Zhang, “Mobile-edge computing for vehicular networks: A promising network paradigm with predictive off-loading,” IEEE Veh. Technol. Mag, vol. 12, no. 2, pp. 36–44, 2017.[6] M. Satyanarayanan, “The emergence of edge computing,” Computer, vol. 50, no. 1, pp. 30–39, 2017[7] W. Shi, J. Cao, Q. Zhang, Y. Li, and L. Xu, “Edge computing: Vision and challenges,” IEEE Internet of Things Journal, vol. 3, no. 5, pp. 637–646, 2016.[8] Y. Mao, C. You, J. Zhang, K. Huang, and K. B. Letaief, “A survey on mobile edge computing: The communication perspective,” IEEE Commun. Surveys Tuts., vol. 19, no. 4, pp. 2322–2358, 2017[9] K. Kumar and Y.-H. Lu, “Cloud computing for mobile users: Can ofoading computation save energy?” Computer, vol. 43, no. 4, pp. 51–56, 2010[10]S. Kosta, A. Aucinas, P. Hui, R. Mortier, and X. Zhang, “Thinkair: Dynamic resource allocation and parallel execution in the cloud for mobile code ofoading,” in Proc. IEEE INFOCOM, 2012, pp. 945–953.[11] D. Huang, P. Wang, and D. Niyato, “A dynamic ofoading algorithm for mobile computing,” IEEE Trans. Wireless Commun., vol. 11, no. 6, pp. 1991–1995, 2012.[12] M. Chen and Y. Hao, “Task ofoading for mobile edge computing in software dened ultra-dense network,” IEEE J. Sel. Areas Commun., vol. 36, no. 3, pp. 587–597, 2018. [13] X. Chen, “Decentralized computation ofoading game for mobile cloud computing,” IEEE Trans. Parallel Distrib. Syst., vol. 26, no. 4, pp. 974–983, 2015[14] J. Du, L. Zhao, J. Feng, and X. Chu, “Computation ofoading and resource allocation in mixed fog/cloud computing

systems with min-max fairness guarantee,” IEEE Trans. Commun., vol. 66, no. 4, 2018. .

[15] H. Guo, J. Liu, J. Zhang, W. Sun, and N. Kato, “Mobile-edge computation ofoading for ultra-dense iot networks,” IEEE Internet of Things Journal, 2018