分布式应用执行：雾计算中的挑战与未来

制作和主办：Elsevier沙特国王大学学报雾计算中的分布式应用执行：分类、挑战和未来方向Maria Ashrafa，Muhammad Shirazb，Almas Abbasia，Saleh Albahlic，a巴基斯坦伊斯兰堡国际伊斯兰大学计算机科学和软件工程系b巴基斯坦伊斯兰堡联邦乌尔都语艺术、科学和技术大学计算机科学系c沙特阿拉伯，Buraydah，Qassim大学计算机学院信息技术系。阿提奇莱因福奥文章历史记录：2021年12月14日收到2022年4月5日修订2022年5月3日接受2022年5月18日网上发售保留字：分布式应用执行雾计算移动边缘计算应用划分任务分配任 务 执 行 任 务 恢复A B S T R A C T随着智能手机行业和物联网设备的巨大进步，边缘计算已经出现，在网络边缘提供计算服务。因此，应用可以以分布式方式执行以满足应用的延迟要求。尽管有这些进步，但与固定的独立设备相比，这些设备仍然被认为具有有限的能量、存储器和计算资源。移动边缘计算将移动云计算扩展到接近最终用户，通过将任务卸载到边缘服务器来降低延迟和带宽利用率。雾计算将节点放置在云和边缘服务器之间。在这些范例中具有挑战性的方法是建立到边缘/雾服务器的卸载决策，以及在运行时针对异构设备的分布式应用执行。本文回顾了资源密集型任务在移动设备上的分布式框架的执行。其目的是确定研究差距，并强调未来可以追求的新的研究方向。应用程序执行涉及应用程序分区、任务分配、任务执行和任务恢复。在本文中，我们为应用程序执行中的每个步骤提出了一个单独的分类法，回顾了最先进的技术，并以分布式方式分析了应用程序执行的关键方面。它进一步研究了这些技术之间的相似性和差异的基础上，应用程序执行的每一步。©2022作者（S）。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。内容1.导言38882.背景38892.1.雾计算38892.2.移动边缘计算38892.3.移动adhoc云和相关概念38902.4.雾/边缘计算的相关调查3.研究方法38913.1.问题表述38913.2.搜索过程和数据收集38924.分布式应用程序执行38925.基于主题分类法3892*通讯作者。电子邮件地址：maria. iiu.edu.pk（M.Ashraf），muhammad. fuuast.edu.pk（M.Shiraz），almas. iiu.edu.pk（A.Abbasi），salbahli@qu.edu.com，salbahli@qu.edu.sa（S. Albahli）。沙特国王大学负责同行审查https://doi.org/10.1016/j.jksuci.2022.05.0021319-1578/©2022作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comM. Ashraf，M.设拉子A. Abbasi等人沙特国王大学学报38885.1.应用程序分区38935.1.1.应用程序分区概述38935.1.2.应用程序划分方法的综合及其比较分析38945.1.3.应用程序分区的总结和经验教训5.2.任务分配38965.2.1.任务分配概览38965.2.2.任务分配方法及其比较分析综述38975.2.3.任务分配中的总结和经验教训5.3.任务执行38995.3.1.任务执行概览38995.3.2.任务执行方法综述及其比较分析38995.3.3.任务执行中的总结和经验教训5.4.任务恢复39015.4.1.任务恢复概述39015.4.2.关于任务恢复办法及其比较分析的综合报告39015.4.3.任务恢复期间的总结和经验教训6.讨论和比较39047.FC环境中应用程序执行的挑战和开放研究问题7.1.应用程序分区39057.2.资源供应39057.3.第3906章任务安排7.4.由于移动性/服务故障导致的任务迁移39067.5.边缘/雾节点上的负载平衡7.6.微服务部署39068.总人数39069.结论3907竞争利益声明确认3907参考文献39071. 介绍尽管物联网和移动设备的发展具有更高的计算和技术进步，但它们仍然被认为是资源约束。根据思科进行的一项研究，到2022年，智能移动设备（包括物联网）的数量将达到123亿，超过当时世界人口的 80 亿， 移动数据流 量将在 2017 年至 2022 年期间 增加七倍（Pepper，2013）。到2023年，人均设备和连接的平均数量将达到3.6个，随着超高清（UHD）或4K视频流的引入，视频设备将高速增长，对网络流量产生乘数效应（思科，2021年）。尽管这些支持普适计算的设备的数量迅速增加，但它们的计算能力仍然不足以满足计算密集型IoT应用的需求（例如，增强现实、面部和语音识别、车辆网络、医疗保健、无人驾驶车辆等）。此外，这些设备大多是电池和存储器约束，这对它们的操作产生不利影响。计算密集型任务的基于云的卸载是普适计算的可行解决方案。它解决了物联网和移动设备的资源约束问题，被称为移动云计算（MCC）（Zhou和Buyya，2018）。MCC允许在中央云服务器上执行计算密集型任务，并将结果发送回请求的移动终端。云服务器提供高度丰富的计算和存储资源，但通常位于很远的地方。这会导致高延迟和不必要的网络流量，因此它们不适合执行实时延迟敏感型应用程序。这引入了移动边缘计算（MEC），将云服务扩展到物联网和移动设备，减少了整体应用程序的执行并节省了网络带宽。与MCC的集中式远程服务器相比，MEC引入了分散式边缘节点的概念。它可以实现计算、存储、网络-在物联网和移动设备附近，在通往云的路径上的合适雾节点上（最好是在源设备附近）进行工作、数据分析、管理和决策。这种模式的主要特征是低延迟、低带宽利用率、网络感知和上下文感知。边缘节点可以是具有处理、存储和网络连接的任何设备，例如控制器、交换机、路由器、视频监控摄像机。在边缘节点上执行应用解决了延迟和带宽利用率问题。 添加边缘节点保持分层结构，IoT/移动设备构成物层、边缘节点、雾节点和云中心，如图所示。1.一、MEC和MCC在应用上有明显的区别和取舍。有时MEC提供最有效的服务，有时使用云服务是必不可少的。边缘和云服务增强了服务功能，如数据预处理，可以在边缘节点执行，而繁重的数据分析和存储可以在云中执行。靠近提供云服务的源节点的边缘节点的添加增加了计算卸载决策的新挑战是将任务卸载到云服务器还是边缘节点或者在本地执行。类似的概念，如cloudlets和移动adhoc clouds（MAC），可以在产生数据的设备附近/设备上处理数据。MAC共享附近一组愿意执行任务的移动设备的资源。它专为移动设备之间存在间歇性连接或无连接的情况而设计。由于移动设备的异构性质、动态网络条件、移动设备的移动性、有限的计算和功率资源以及应用的实时计算需求，MAC引入了各种挑战。Cloudlet是位于边缘设备附近的小型数据中心，提供低延迟计算资源。要执行资源密集型和交互式应用程序，划分为子任务和资源密集型任务M. Ashraf，M.设拉子A. Abbasi等人沙特国王大学学报3889图1.一、雾计算架构的层次视图在更强大的代理节点上执行。代码分区必须是可适应的，以便任务可以在异构移动设备、边缘节点和/或云服务器上同时执行。此外，支持移动性需要任务从一个雾节点迁移到另一个在故障或其移动远离雾节点的范围的情况下。已经提出并开发了几种框架，其通过将应用的计算密集型部分外包给用于远程执行的强大代理来考虑移动应用的部署和执行。本文研究了雾计算（FC）和MEC环境下分布式应用程序执行的最新技术。本次审查的目的是描述在FC和MEC环境中的分布式应用程序执行的创新和进步，并确定相关的研究差距，并强调在未来可以追求的新的研究方向。本文的布局如下。第2节介绍了这一领域的某些概念和相关工作。第三节介绍了研究方法。第4节详细阐述了应用程序执行中涉及的步骤。第5节介绍了分布式应用程序执行的回顾。它进一步阐述了1）应用程序执行中每个步骤的概述，然后是2）文献中框架的综合，最后3）确定差距。第6节基于第3节中介绍的技术问题分析和讨论现有的研究。第7节强调了研究差距和未来可以追求的新研究方向。第8节总结了总体结果，第9节总结了论文。2. 背景本节将研究如何在文献中介绍的各种边缘和雾计算相关研究领域中执行应用程序。其中包括FC、MEC和其他类似的概念，如MAC，它在网络边缘提供服务。我们简要回顾了这些研究领域的定义，并解释了应用程序执行如何适应每个领域。此外，本发明还它阐明了在这一领域提出的有关调查，并说明了我们工作的贡献。2.1. 雾计算雾计算（Bonomi等人， 2012）使云服务更接近网络边缘，从而以分散的方式解决MCC中的延迟和带宽问题，如图2所示。雾节点可以放置在物联网源节点附近，与传统的云计算相比，延迟显著降低。它可以在将数据发送到云端进行更密集的处理和存储之前进行数据预处理。因此，存储、计算、联网、决策制定、数据处理和资源调度不仅发生在云中，而且当数据从IoT设备遍历到云时也可以发生在设备它的目标是为物联网提供强有力的支持。雾计算架构提供了一个分散的层次结构，并支持各种服务，如智能家居，城市，医疗保健，交通，废物管理，农业。为了满足应用程序执行的QoS要求，必须支持这些应用程序在资源受限的移动设备上执行。2.2. 移动边缘计算移动边缘计算利用要在靠近数据源的网络边缘处执行的计算，以解决实时延迟敏感应用的延迟、网络拥塞和隐私约束，如图1所示。二、然而，该名称在2017年更改为多接入边缘计算，以包括其他无线电接入技术。它通过增强计算、存储和管理能力，消除了移动设备的资源限制。它提供了与雾计算相同的目标，并在物联网设备网络的边缘提供集中式云服务。它们被认为是物联网设备或传感器的一跳。一些研究人员认为FC和MEC是类似的概念（Yousefpour等人，二〇一九年;M. Ashraf，M.设拉子A. Abbasi等人沙特国王大学学报3890图二. MAC、MEC和FC架构领域。表1MAC、FC和MCC之间的比较。MAC FC MCC服务器智能移动设备与计算以及作为存储能力拥有中等资源的小型数据中心拥有中等资源的大型数据中心胜任资源位置在物联网设备附近在网络边缘，带有网关、路由器、基站站非常远的专用建筑控制分布式分布式/集中式集中式通信M2M WiFi/蜂窝WiFi/以太网应用人脸识别、灾难恢复、智能交通、智能环境增强现实，人脸识别，在线游戏，自动驾驶社交网络、电子邮件服务、地图和导航Mahmud等人，2020年）。有些人认为MEC是FC的子集，有些人认为它是FC的超集，而其他人则可互换地使用它们（Mahmud等人，2020年）。自主车辆、增强现实、远程监控是MEC的潜在应用领域。使用边缘设备来运行这些应用程序消除了将大量数据流量发送到中央云的需要，从而降低了带宽和延迟成本。2.3. 移动adhoc云和相关概念移动自组织云是一组邻近的移动设备/事物，它们愿意在移动自组织网络中共享它们的资源并提供计算服务，如图2所示。设备通过管理资源、执行任务划分、调度、选择移动节点以及支持移动环境的动态特性来提供计算和存储服务。执行这些附加功能会消耗移动设备的电池和处理时间。类似的概念，如云，露水计算和雾计算存在于文献中。表1给出了MCC、FC和MAC之间的综合比较。因此，这些任务可以在本地执行，或者卸载到使用D2D通信的任何附近边缘计算网络中不仅有摄像头或传感器等静态设备，还有车辆等移动设备，这使得资源管理变得更加困难。边缘设备经由诸如长期演进（LTE）、无线保真（WiFi）的无线电接入网络进行通信，如图2所示。虽然物联网和边缘设备可以提供相对强大的资源，但随着不断增加的资源需求应用，仅仅依靠边缘设备来满足应用执行的QoS要求变得困难因此，使用更强大的雾/边缘计算设备来充分利用边缘计算和雾计算范例。类似地，云服务器用于提供长期存储和强大的计算服务。因此，物联网、边缘、雾和云相互补充，共同执行资源密集型应用程序和大数据分析。2.4. 雾/边缘计算在雾/边缘计算中，在讨论雾计算和相关概念的文献中存在若干调查（YousefpourM. Ashraf，M.设拉子A. Abbasi等人沙特国王大学学报3891表2雾计算环境相关文献综述。调查应用程序分区任务分配任务计划任务恢复分类提供Luo等人（ 2021）@UU×@Marín-Tordera et al.（2017）×@@××Aazam et al. （ 2018）×U×××Khan et al. （ 2019）×@@××Khanet al. （ 2020）×@U×UBellendorf and MannZ（2020）×@U×UMahmud et al. （ 2018a）×UU×U Mahmud et al. （ 2020） ×UU×U Javadzadeh and Rahmani（2020）×@@×UPuliafito et al. （2019）×@@××Singh et al. （2019） ×@×××Salaht等人（2020）UUU×UHosseinioun et al. （2020）××U×@ Hong and Varghese（2019）@U UUUGhobaei-Arani等人（ 2019）×UU×UDuc et al. （2019）×UU@U Nguyen and Dressler（2020）U×××× Rejiba et al. （2019）×××UU Islam et al. （2021）××U×U Bellavista et al. （2018）××U×U Hu et al. （2017）×U×××Alizadeh等人（2020）×@U×UJiang et al. （2019）UUU×U Ferrer et al. （2019）×@U×U Kaur and Aron（2021）×UU×U Yousefpour et al. （ 2019）×@U本次调查UUU UUUU代表对各自问题的深入讨论@代表对相关问题的部分讨论。×表示未讨论相应问题。例如，2019; Mahmud等人，2020; Salaht等人，2020; Elazhary，2019; Huang等人，2019年）。Elazhary（2019）提供了物联网与云计算、移动计算等不同新兴计算范式以及这些领域存在的众多技术的相似性和差异性。Desai和Thakkar（2019）的调查讨论了支持智能电网，智能交通灯和智能建筑控制等物联网应用的雾计算。Marín-Tordera et al. （ 2017 ） 阐 述 了 雾 节 点 的 综 合 作 用 。 Aazam 等 人（2018）讨论了做出卸载决策的标准。它进一步讨论了使能技术，并讨论了可能发生卸载的真实场景。Bellendorf和MannZ（2020）提供了雾计算环境中不同级别的优化、指标分类和目标函数。Salaht等人（2020）对雾计算环境中的服务放置问题进行了详尽的回顾。根据问题的描述，对服务布局问题进行了分类.主要分类涉及分配服务，同时优化目标函数和复制服务，以确保延迟最小化和满意的QoS。雾/边缘计算环境中现有调查的总结如表2所示，并与我们的研究进行了比较。该表清楚地表明，调查考虑了涉及资源管理的应用程序执行过程的一部分，但没有考虑整个应用程序执行过程。与文献中存在的其他调查不同，我们的调查涵盖了整个应用程序执行场景。这项调查的主要贡献是：对MEC和FC环境下的应用程序执行策略进行了全面的回顾，并提出了它们的分类。描述应用程序执行的最重要组件。● 分析应用程序执行策略的关键方面提出了雾计算中应用程序执行的挑战和确定研究差距，并强调了未来的研究方向。3. 研究方法本节解释用于收集论文并为分布式应用程序执行中的各个步骤对它们进行分类的方法。寻找、收集、分类和回顾相关文章对于撰写知识丰富的评论文章至关重要。3.1. 问题表述为了理解分布式应用程序执行在文献中是如何表征的，我们基于雾计算环境中的应用程序执行的范围制定了以下技术问题：TQ1：雾计算环境中分布式应用程序执行考虑的主要问题是什么？TQ2：在分布式应用程序执行中应用了哪些不同类型的应用程序？TQ3：提供了哪些评估工具来评估分布式应用程序的执行？TQ4：用于评估分布式应用程序执行方法的性能指标是什么？TQ5：在做出卸载决策时，考虑的目标是什么？TQ6：雾计算中分布式应用执行的未来研究方向和开放前景是什么这些问题用作检索字符串的起点，也用于评估检索出版物。●●●●●●●●●M. Ashraf，M.设拉子A. Abbasi等人沙特国王大学学报3892在进行搜索和阅读选定的论文后，我们试图找到研究问题的答案。3.2. 搜索过程和数据收集检索过程包括从网上检索数据库中检索.在这篇文章中，Scopus，Web of Science，ACM Digital Library和IEEE XploreLibrary数据库被用作研究来源。检索过程中使用了以下关键词(‘‘Task Placement” OR ‘‘Application Partitioning” OR ‘‘ResourceManagement” OR ‘‘Offloading” OR ‘‘Allocation” OR ‘‘Scheduling”OR ‘‘Resumption” OR ‘‘Task Migration”) AND (‘‘Fog Computing”OR ‘‘Mobile Edge在相关在线数据库中使用这些关键词后，应用纳入排除原则筛选最终出版物。在过滤过程中选择供试品时考虑了以下入选标准：可用英文撰写的出版物。FC/MEC中应用程序执行的可用发布。提供高影响力的期刊和会议出版物。考虑资源密集型分布式应用程序执行的数学模型、技术或框架的可用出版物。除上述入选标准外，还考虑了其他排除标准，包括：数据库中的重复出版物。专注于沟通管理的出版物出版物介绍了已经分析过的拟议技术。在这种情况下，我们考虑了最近的出版物。只考虑应用程序执行的事物和设备的出版物。● 仅考虑数据密集型应用程序的出版物最后，根据其发表时间、研究质量、期刊/会议质量和引用次数对剩余文章进行筛选，共产生106篇研究论文，对这些论文进行了考虑和分析，以帮助回答技术问题。第6节对这些技术问题作了进一步的讨论。4. 分布式应用执行MCC引入了计算卸载，并在MEC中嵌入，以减少延迟敏感的计算密集型和交互式应用程序的延迟任务被卸载到另一个强大的设备上执行。卸载决策基于最小化执行应用的总成本，其涉及应用划分、任务分配、任务执行、在节点故障或节点移动性的情况下的任务迁移，如图3所示。它从应用程序分区开始，其中应用程序的代码被分区（Gad-Elrab和Noaman，2020; Liang等人，2020年; Wu等人，2019），并且计算密集型任务被识别并被卸载到更强大的代理。 在应用程序二进制的情况下，可执行文件被卸载以在雾服务器上执行（Shuja等人， 2018年）。任务分配涉及附近移动设备和可用雾服务器资源映射算法用于将任务映射到满足应用执行的QoS和资源需求的最佳可用节点。该算法可以是集中式或分散式的。集中式资源分配利用具有整个网络的全局信息的集中式代理/协调器。使用纯粹集中的方法并不容易，因为在高度动态的雾计算环境中，很难跟踪所有雾设备处可用的所有资源随着网络中设备数量的增加，该问题呈指数级增长。它还包括雾计算环境的服务弹性、数据安全和隐私。然后是任务的实际调度在设备故障或移动性的情况下，需要恢复服务，并且所有这些步骤再次执行以用于应用程序执行。所有这些步骤对于分布式应用程序执行是相互依赖的，但每个步骤都代表了一个不同的研究视角，需要特别解决实时雾计算环境中的高效应用程序执行。5. 基于主题分类法的分布式应用执行研究综述应用程序执行涉及应用程序的分区，子任务的本地或远程执行的决定，任务在雾节点的调度，并在节点故障或其移动性的情况下恢复服务。本节根据图1研究应用程序执行问题。 3更详细地回 顾 了当前的 框架-图三.应用程序执行中涉及的步骤。●●●●●●●●●M. Ashraf，M.设拉子A. Abbasi等人沙特国王大学学报3893见图4。应用程序分区的分类。作品的基础上的属性的分类，列出他们的比较分析，在文献和关键方面进一步讨论了每一类的应用程序执行。5.1. 应用程序分区应用程序可以被划分，子任务可以在多个雾节点上同时执行，以有效利用网络边缘的资源。这需要一个自适应和鲁棒的应用程序划分方案。在本节中，我们将首先概述应用程序分区。然后总结了现有的应用程序划分的研究和比较分析。最后，总结了应用程序划分的经验教训。5.1.1. 应用程序分区概述本节对所选论文中雾/边缘计算范例中的应用程序分区方法进行分类和回顾。应用程序分区涉及被称为子任务的应用程序的分区 在分布式环境中这些子任务的并发执行由于子任务在不同计算设备处的并行执行而减少了总体应用执行时间（Liu等人， 2015年）。由于应用程序分区策略用于减少延迟和增加分布式计算范例中的资源利用率，因此研究人员必须准备文献中提供的最先进的方法应用程序分区的分类如图所示。四、应用程序的分区并将它们卸载到附近的雾设备并不总是有效的，因为并非所有应用程序（如增强现实、在线游戏）都可以被分区为可以并行执行的独立任务要么将整个应用程序卸载到一个功能更强大的代理，要么将应用程序划分，并将子任务分组以供本地或远程执行。在二进制卸载中，整个应用程序被卸载，以便在远程服务器上执行。应用程序在雾节点上的虚拟机实例上执行，结果被发送回IoT设备。在部分卸载中，任务被划分为子任务，计算密集型子任务在更强大的代理上执行，生成的子任务可以是依赖模块，也可以在运行时具有数据依赖性 通常，从应用程序生成的独立工作流被映射到附近的设备以用于应用程序的远程执行（Abro等人，2019年; Lakhan和Xiaoping，2018年）。生成的工作流可以由程序员注释或自动生成应用程序是使用松散耦合的微服务架构开发的，可以并行部署（Lera等人， 2018年）。采用静态或动态程序分析技术来生成自动工作流，该自动工作流识别模块之间的数据依赖关系和预期的offsets模块。在静态分区方法中，根据计算复杂度、数据大小、电池电量、可用带宽和延迟约束，应用程序被静态地划分为固定数量的分区计算密集型分区被卸载到雾节点以供远程执行。通常，用户界面部署在设备本地，计算密集型任务外包给远程代理。分区决策可能会在运行时动态地改变，以便适应可用资源的上下文，即雾节点处的资源可用性、IoT设备的电池水平、可用带宽（Salehan等人， 2019年）。一些分区算法要求程序员在运行时对应用程序进行分区，而另一些分区算法则要求程序员在运行时对应用程序进行分区。分区方法通过构造一个加权图来决定卸载，在该图中，节点表示要卸载的分区，而边表示要传输的数据在Haghighi和Moayedian（2018）中，通过成本图对卸载决策进行建模。最优卸载方案是在费用图中寻找最短路径，这是NP完全问题，因此采用拉格朗日松弛技术来寻找近似解。他们还考虑设备连接到WiFi或连接到3G时的网络变化，以适应新的混合技术在应用程序准备好执行时考虑当时的约束条件（如可用带宽、可用雾设备数量、CPU负载）对应用程序进行分区。基于图的划分模型用于程序分析。模块之间的数据流由图边缘表示，并且图划分算法用于划分图以识别用于远程执行的潜在模块（Wu等人，2019年）。一些方法使用线性规划方法，其中细粒度任务的顺序列表由线拓扑任务图表示。 由一个任务生成的数据充当下一个任务的输入（Zhang等人，2014; Jia等人， 2014年）。 在运行时，执行分区，并考虑应用程序执行的QoS参数，决定哪些模块在本地执行，哪些模块卸载到更强大的代理（Mahmud等人，2018 b;Fiandrino等人， 2019年）。一些方法使用混合技术来实现划分算法。来自智能移动设备的数据以及应用程序在克隆的云实现上实现（Zhang和M. Ashraf，M.设拉子A. Abbasi等人沙特国王大学学报3894图五. 二进制卸载流程图。Wen，2015）。Li等人（2017）研究了具有不同网络带宽环境的有状态数据流应用程序的计算分区。Zhou et al.（2015）提出了mCloud，通过在附近的cloudlets上卸载代码来提高MCC服务的性能。多标准卸载决策在运行时是上下文感知的（考虑能量消耗、执行时间、资源可用性、可用网络条件）此外，该框架还考虑了故障该框架的关键方面是在需要解决的节点故障的情况可以在框架中研究移动性模型，以获得由cloudlet提供的高效整个应用迁移流程如图5所示。边缘服务器节点是在整个应用程序外包的地方选择的。在成功执行时，将结果返回到IoT/移动终端。静态分区：在静态分区方法中，根据计算复杂度、数据大小、电池电量、可用带宽和延迟约束，应用程序被静态地划分为固定数量的分区。计算密集型分区被卸载到边缘节点用于远程执行。通常情况下，用户界面部署在本地设备上，计算密集型任务外包给远程代理或边缘节点。动态分区：分区决策可以在运行时动态地改变以适应可用资源的上下文，即边缘节点处的资源的可用性、IoT设备的电池水平、可用带宽（Salehan等人， 2019年）。见图6。 部分卸载流程图。一些分区算法要求程序员在运行时对应用程序进行分区，而另一些分区算法则要求程序员在运行时对应用程序进行分区Wu等人（2019）开发了MCOP，这是一种动态应用程序划分算法，可实时适应网络变化。任务的依赖关系表示为有向无环图。卸载决策由一个切割表示，该切割将顶点分成两个不相交的集合。一个集合表示卸载到边缘服务器的任务，另一个集合表示本地执行的任务。该算法使用一个静态分析器来生成加权调用图。每个任务的执行时间和传输时间动态更新。图图6表示MEC中的应用划分的通用流程图。分析器评估IoT/移动终端上的可用资源、应用执行的资源要求、可用网络资源和雾节点上的可用资源如果物联网设备上的资源不足，应用程序将被分区，并卸载到雾节点进行远程执行。如果任务是相关的，则雾节点可能需要彼此交互。在成功完成任务后，将结果返回到IoT/移动终端。在子任务之间存在数据依赖关系的情况下，需要特别考虑调度问题。5.1.2. 应用程序划分方法综述及其比较分析在本节中，我们对文献中存在的划分方法进行了简要的比较分析表3总结了基于图4所示分类法的这些方法的并排比较。它调查了共同点和差异，表3应用程序分区方法的并排比较（2018年）（2019年）Lera等人（2018年）- 微服务静态第一适合递减算法截止日期，服务可用性（Matlab）模拟（YAFS）基于分簇的多用户MEC系统服务可传递闭包到社区映射可以考虑任务依赖性。可以考虑复杂的社区网络。Hu等人（2016年）人脸识别应用程序静态面部LBP功能和匹配算法响应时间，带宽Testbed应用程序分区和执行多雾节点任务服务器映射可以考虑服务器资源。可以执行并行子任务执行Song等人（2019年）人脸识别动态Haar检测器和LBP特征基于抽取器的人脸识别响应时间基于决策树的任务分配请求服务器映射可以考虑服务器资源可以执行并行子任务执行Goudarzi等人（ 2020年）人脸识别工作流动态模因算法时间、能量模拟（iFogSim）并行任务执行。可以考虑负载均衡Goudarzi等人（ 2017年）静态遗传算法仿真（Matlab）能量，执行时间在可接受的时间内进行卸载决策可以考虑边缘节点Abro等人（2019年）AR，医疗保健工作流程动态最小切割算法能量测试台任务分配可以执行并行子任务。任务分配可考虑响应M. Ashraf，M.设拉子A. Abbasi等人沙特国王大学学报源为例应用类型分配法技术性能度量评价工具优势弱点Shadi等人工作流动态启发式能源，测试平台就绪时间应用程序分区，可以考虑故障恢复（2021年）Lakhan和AR，工作流动态截止日期能源，测试平台考虑决定执行地点的最后期限实时系统的划分与任务调度可以执行并行子任务执行。小坪医疗截止日期时间医疗应用可以进行Li等人--动态纳什均衡能源仿真基于图的服务器划分算法可以执行并行子任务执行。3895M. Ashraf，M.设拉子A. Abbasi等人沙特国王大学学报3896这些方法取决于表3中给出的参数。考虑的参数是案例研究，应用类型，parti- tioning方法，技术，性能指标，评估工具，最后突出了它们的优点和缺点Shadi等人（2021）提出了一种就绪时间分区算法，以增强雾设备的功能，该雾设备在考虑网络条件和云状态的情况下准备执行任务时对其进行分区。一个启发式算法是用来作出卸载的决定，旨在最大限度地减少能源消耗和满足用户定义的最后期限。Moon和Lim（2022）研究了任务可以划分为一系列子任务，并由多个MEC并行计算。在此基础上，提出了一种基于划分的作业迁移策略，该策略根据不同节点的负载差异，将过载MEC中的子任务集迁移到一个或多个欠载MEC中，以实现负载均衡。提出了一种改进的QoS算法，以提高系统的低延迟、服务可靠性和吞吐量等QoS要求。Wu等人（2019）提出了最小成本卸载分区算法（MCOP），该算法动态地对应用程序进行分区，同时分析程序，网络和能源因素，这些因素在分区和做出卸载决策时至关重要。卸载决策取决于资源使用情况（CPU速度、带宽使用、要传输的数据量以及云/边缘服务器速度）。Abro等人（2019年）讨论了提出的动态应用程序分区算法，并确定哪些任务应在移动终端上本地执行，并分配给雾节点进行远程执行，同时雾 节 点 上 的 资 源 消 耗 最 小 ， 并 且 不 会 降 低 应 用 程 序 的 体 验 质量（QoE）。Lakhan和Xiaoping（2018）提出了一种基于微服务的动态应用程序分区问题，该问题决定了在移动终端上本地执行的任务，剩余任务被卸载以进行远程执行。Li等人（2019）提出了多用户MEC系统中的动态任务调度和卸载。他们提出了一种基于博弈论的服务器集群任务调度机制。Lera等人（2018）提出了通过使用基于贪婪方法的第一拟合递减算法映射应用程序分区的服务传递闭包来进行服务放置。它们不考虑服务迁移或故障，并且假设设备连接到同一网关。监视系统在网络物理系统中至关重要Huet al.（2016）和Song etal.（2019）提出了在边缘设备上执行计算的人脸识别系统。Hu等人（2016）提出了一种基于雾计算的人脸识别系统，该系统由分布在客户端、雾和云中的五个模块组成。面部图像是使用相机捕获的，并且是使用客户端设备捕获的。人脸检测算法在雾节点上执行，并去除不相关的区域在雾节点上执行预处理、特征提取、面部标识符生成模块只有特征值被传输到云端，以利用其强大的存储能力。Song等人（2019）提出了一种基于决策树的边缘计算人脸识别动态任务分配方法。这两种方法都没有考虑边缘设备的计算能力。此外，可以考虑在边缘节点处并行执行任务。5.1.3. 应用程序分区总结和经验教训根据审查方法，我们研究了三种不同类型的应用程序划分方法。第一种方法将应用程序划分为远程执行的资源密集型任务。其余的在移动终端本地执行。第二种方法将应用程序划分为独立的子任务。这些任务可以并行执行在多个设备上。第三种方法考虑整个应用程序执行，其中应用程序不能在远程代理上分区和执行在性能指标方面，我们发现大多数方法是节能的，通过减少通信延迟来最小化移动终端能耗和应用执行时间。在实时医疗保健或图像识别工作流应用上进行实验，这些应用使用iFogSim、CloudSim、YAFS等模拟器上的虚拟机或容器表示为DAG表3中列出了文献中方法的并排比较、应用性质、使用的分区方法、性能指标、使用的评价工具、其优点和局限性。尽管对雾和边缘计算中的应用划分进行了广泛的研究，但仍然存在一些需要解决的差距。1. 许多研究做出卸载决定，并且可以并行执行的计算密集型任务被卸载到更强大的代理节点以并行执行任务如果应用程序的子任务是独立的，则它们可以并行执行实际上，只有少数应用程序可以划分为独立的模块。必须考虑模块之间的数据依赖关系，以便卸载框架可以划分所有类型的移动应用程序的模块。将应用程序划分为独立的模块对于分布式应用程序执行来说是一个非常具有挑战性的方面此外，许多方法没有考虑同时在多个设备上协作执行任务。2. 许多研究将执行时间和能耗作为性能指标。在做出最佳卸载决策时，诸如可用带宽、CPU负载、可用移动设备的数量和可用存储器的其他参数都可以被考虑在内3. 可以调整重新分区策略，以适应动态网络和应用程序的变化，并更新卸载决策，但这可能会导致运行时的高开销。可以周期性地进行重新分区，环境中的实质性改变，或者当程序被提交以在雾计算环境中执行时。5.2. 任务分配在任务划分后，进行计算卸载决策，以决定其本地或远程执行。选择最合适的在本节中，我们首先概述任务分配。然后对现有的任务分配研究进行了总结。最后，对这些研究进行了比较分析，并总结了任务分配中的经验教训5.2.1. 任务分配概述本节对所选论文中雾/边缘计算范例中的任务分配方法进行分类和回顾任务分配需要将任务分配给具有足够资源的雾节点进行远程执行。由于任务分配策略用于有效的资源任务映射，研究人员必须配备最先进的方法，在文献中。任务分配架构可以是集中式、分布式或混合式的。在集中式架构中（Goudarzi等人，2020;Hussein和Mousa，2020; Ullah和Youn，2020; Guo等人，2019; Kim等人，2019; Pallewatta等人，2019;Ren等人，2020）中央节点/代理器/协调器跟踪网络中存在的所有节点的信息。资源请求被发送到M. Ashraf，M.设拉子A. Abbasi等人沙特国王大学学报3897见图7。任务分配的分类。执行优化算法并执行资源任务匹配的中心节点。优化算法可以是遗传算法、马尔可夫过程（Wen等人， 2017）、线性编程（Gu等人，2015; Skarlat等人，2017; Souza等人， 2016）或Petri网（Ni等人， 2017年）。最常用的是基于线性规划的算法。随着网络中设备数量的增加，很难实现高效的资源任务映射。因此，基于启发式的方法被用于在集中式方法中找到近最优解。分布式方法不需要网络的 全 局 信 息 ， 但 它 们 缺 乏 最 佳 资 源 映 射 （ Pallewatta 等 人 ，2019;Guerrero等人，2019年）。混合架构考虑节点的雾集群或集群，其中集群头具有关于集群中的所有节点以及邻近集群的所有集群头的信息（Al-Khafajiy等人，2019年）。如果必要的资源可用，则簇头负责在簇内做出映射决策;否则，将请求路由到相邻的簇节点（Lera等人，2018; Pallewatta等人，2019年）。可以基于在高度动态的FC环境中连续变化的上下文感知参数（如能量感知、延迟感知、资源感知、网络感知）来做出卸载决策（Farahbakhsh等人，2021年）。在将任务迁移到远程代理之前，将考虑这些上下文感知参数以及offsets程序的大小图图7描绘了任务分配分类。分配资源的决定如果节点处的负载发生变化，则可以修改分配决策以有效地利用所有网络资源。首先，对程序进行分析，以确定其执行所需的资源。这决定了应用程序是CPU密集型、I/O密集型还是内存密集型。然后测量雾计算环境中可用的资源以及可用带宽。5.2.2. 任务分配方法综述及其比较分析在本节中，我们将简要讨论任务分配方法，并在表4中总结了它们的并排比较。它根据表4中给出的参数研究了这些方法的共性和差异。的考虑的参数包括案例研究、体系结构、资源分析、负载平衡、优化算法、评