概述
随着移动互联网和物联网技术的快速发展，网络数据流量呈现爆炸性的增长趋势，尤其是视频流量给网络造成了巨大挑战要求当前的网络具有体哦国内更高数据传输速率和更低的网络延迟的能力。
另外，随着边缘计算的发展以及大规模的部署，边缘计算的能量消耗成为了边缘计算服务提供商的重要成本，降低能耗成为了新兴的研究课题。2015年全球通信耗电量达到了世界总发电量的10%，相当于德国和日本两个工业大国的用电量相加，所使用的能源比航空业还多出了50%。今年来5G的各种业务（物联网、AR/VR、无人驾驶等等）兴起，2016-2021五年间，移动数据流量将会增长7倍，随着能耗成本的迅速增长，能量效率已经成为了未来5G性能的重要衡量指标。
相较于传统的云计算，边缘计算需要大量的部署，因此，加强不同边缘节点之间以及边缘计算节点与云节点之间的协作具有重要意义。所以面向协作机制的边缘计算资源管理是一个重要的研究方向。
资源管理技术是边缘计算的关键技术之一，主要解决边缘计算系统中计算、存储和网络资源管理的优化问题。
关键技术
面向QoE优化的资源管理
为了应对新型业务带来的网络挑战（以视频业务为例），业界主要提出了两种方法：
（1）在移动网络中采用自适应比特流（Adaptive Bit Rate，ABR）传输技术进行视频分发，即在移动网络中对视频资源编码为多种比特率版本，每个版本的视频文件都被切分成多个视频块，并根据用户设备的能力、网络连接状况和特定情况，为用户动态选择传送的视频块比特率版本，从而减少视频卡顿和重新缓冲率。
（2）MEC在移动网络边缘向内容提供商和应用开发者提供云计算能力和IT服务环境，可以为终端用户提供超低时延和高带宽服务。
自ABR和MEC技术提出以后，利用MEC实现自适应视频流的缓存、转码与自适应分发受到了业界的广泛关注。在面向视频流的业务时，MEC的存储计算资源以及网络感知能力可以有效支持ABR技术。一方面，MEC的分布式边缘存储资源可以对视频资源进行缓存，并对视频请求进行本地卸载，从而既缩短用户到视频内容的距离，降低传输时延，又减少视频内容的冗余传输；另一方面，在ABR中，用户请求的视频比特率可基于网络条件、设备功能和用户偏好自适应调整，往往需要对视频块进行多个比特率版本的缓存，这样会造成较大的缓存成本，因此可以选择在MEC中缓存一部分较高比特率视频，对于缓存未命中的请求，利用MEC的计算能力和视频转码技术将缓存的视频版本转码为请求的比特率版本。除此之外，MEC还可以利用其网络感知能力 ，实时感知网络数据，从而进行链路感知自适应，极大地改善用户的服务体验质量。总之，自适应视频流业务中利用MEC缓存流行视频块，并在不同比特率版本之间进行转码，实现在网络边缘对用户请求进行响应，已经被认为是解决ABR中视频内容分发的一个重要趋势。
在传统视频流分发系统中，缓存和转码都在云端完成，带来较高的传输时延，且增加回传网和核心网的带宽压力。利用MEC可以有效提高网络整体性能，并显著改善用户体验，但在MEC资源容量有限的前提下，缓存转码资源的滥用会造成MEC负载过重，降低资源效率，影响用户体验，因此需要对不同视频业务的需求和特点进行分析，在各项资源之间进行权衡和分配。使视频缓存转码的效率最优。除此之外，可以利用MEC分布式部署的特点，利用临近MEC服务器的缓存转码资源，协作处理视频请求，优化整个网络的视频分发质量和资源效率。
面向能效优化的资源管理
从能耗角度可将传统的移动网络划分为终端、无线接入网、核心网和源服务器4个部分，用户从向源服务器发出数据请求，到收到从源服务器发送回来的响应数据，整个传输过程需要经过用户终端到基站之间的无线链路以及基站与源服务器之间的回传链路。从网络角度看，用户的每次数据请求理论上都需要经过上述流程才能被响应，但实际上，某一用户往往会对同一内容进行多次访问，不同用户也会对同一内容进行多次访问，这是很普遍的现象。对同一内容进行多次重复的传输，无疑是一种能耗的浪费。
缓存技术的发展为节省网络能耗贡献了重要的力量，缓存的本质体现了一种牺牲存储资源获取带宽资源的思想，即在靠近用户侧的地方部署缓存服务器，将流行度较高的内容缓存下来。
缓存方案在极大地改善传输能耗和传输时延的同时，也存在一些力所不能及之处，如数据的计算处理和网络感知等方面。这时边缘计算这一让网络更加智能地新技术开始大放异彩，并形成了新兴的移动网络架构。边缘计算将移动计算、网络控制和存储下沉到网络边缘，在靠近用户地网络边缘提供计算、缓存和网络感知能力。在基于边缘计算的移动网络中，边缘计算服务器可以同时充当缓存服务器、计算服务器、控制节点等多重身份。
在基于边缘计算地移动网络中，网络的能耗主要包括数据传输能耗、任务计算能耗和缓存能耗3个方面。
- 数据传输能耗：主要包括从边缘计算服务器到用户之间的无线传输能耗和从源服务器到边缘计算服务器之间的回传能耗。
- 任务计算能耗：主要是由边缘计算服务器执行计算任务而产生的能耗。
- 缓存能耗：主要由服务器缓存内容而造成的能耗。缓存能耗包括将数据储存进缓存空间过程中消耗的能量、维持缓存所消耗的能量和从缓存中读取数据所消耗的能量。
面向协作机制的资源管理
边缘计算主要采用分布式的方式部署，而且每个MEC节点具有一点的计算、储存能力，为连接到该节点地终端提供相应的的服务。而当某个节点数据和计算量突然增大时，会出现节点超载等问题，或者流量、计算分布不均匀，某一节点有较大的处理压力和相邻节点大量计算存储资源闲置。因此，基于MEC分布式的部署方式，加强边缘计算节点之间的协作显得非常重要，相邻的MEC服务器之间可以协作进行缓存和计算，当本地MEC服务器没有相应的缓存内容或计算资源紧张时，可以调用其他空闲的MEC服务器。故，不同的MEC服务器之间如何协作共享资源（计算和缓存）成为重要的研究问题。
加强边缘计算节点之间的资源协作需要实现如下几个目标：
- 高效自动化：系统自动完成各项服务功能以及资源调度、故障检测与处理等功能。
- 分布式资源优化：通过多种资源调度策略对系统资源进行统筹安排
- 简洁高效管理
- 虚拟资源与物理资源整合：虚拟资源是在物理资源上实施虚拟化技术后产生的，虚拟化技术能够令一台服务器主机同时运行若干操作系统而其承载的应用不互相干扰。
主要挑战
- 缓存转码带宽资源优化与QoE优化的均衡问题
- 缓存转码带宽资源的能量效率优化问题
- MEC中基于深度学习的缓存和转码
- 基于NFV、SDN和网络切片等新型技术的资源分配问题