移动边缘计算中的多用户计算迁移策略研究与设计文献综述

随着移动设备的普及和移动应用的快速发展，移动设备的计算能力和电池续航能力难以满足日益增长的用户需求。

移动边缘计算（MobileEdgeComputing，MEC）作为一种新兴的计算范式，通过将计算资源部署在网络边缘，为移动用户提供低延迟、高带宽的计算服务，有效地解决了移动设备资源受限的问题。

计算迁移作为MEC的关键技术之一，能够将用户设备上的计算任务卸载到边缘服务器上执行，从而提高任务处理效率、降低设备能耗。

然而，在多用户MEC环境下，由于用户需求、移动性、信道条件等因素的动态变化，设计高效、智能的计算迁移策略面临着巨大的挑战。

本文针对移动边缘计算中的多用户计算迁移问题展开研究，首先介绍了移动边缘计算和计算迁移的基本概念，并分析了多用户场景下计算迁移面临的挑战；然后，对现有的计算迁移策略进行了分类和综述，并重点分析了基于多目标优化和基于深度学习的计算迁移策略；最后，对全文进行了总结，并展望了未来的研究方向。

关键词：移动边缘计算，计算迁移，多用户，多目标优化，深度学习

近年来，随着移动互联网、物联网等技术的快速发展，移动设备数量呈爆炸式增长，移动数据流量激增，对移动网络的容量和延迟提出了更高的要求。

传统的云计算模式由于其集中式的架构和较远的物理距离，难以满足移动应用对低延迟、高带宽的需求。

移动边缘计算（MobileEdgeComputing，MEC）作为一种新兴的计算范式应运而生，它将计算和存储资源部署在网络边缘，更靠近数据源，为用户提供低时延、高带宽、高可靠性的计算服务。

计算迁移是MEC的关键技术之一，它允许将移动设备上的计算密集型任务卸载到附近的边缘服务器上执行，从而降低任务处理时延、节省设备能耗、延长设备续航时间。