《International Journal of Cognitive Computing in Engineering》：Service Placement in Fog Computing: A Systematic Review of Issues, Techniques and Multi-Objective Optimization Approaches
编辑推荐：
这篇系统综述（SLR）聚焦雾计算（Fog Computing）中服务放置（Service Placement）这一NP-hard难题，特别梳理了近年来的多目标优化（Multi-Objective Optimization）研究。文章批判性地分析了包括精确解、启发式、元启发式、博弈论、人工智能（AI）驱动及混合方法在内的多种优化策略，对比了时延、能耗、成本与资源利用率等目标，并综合了相关数据集、仿真工具与评估框架，为开发下一代智能、可扩展且经验证的多目标服务放置策略提供了方法论基础与研究路线图。
随着物联网（IoT）设备数量预计在2030年超过300亿，海量数据在网络边缘生成。传统的集中式云计算架构在应对自动驾驶、智慧医疗、工业自动化和智能交通等任务关键型应用的严苛低时延、高可靠性和最佳带宽利用需求时，往往力不从心。雾计算作为一种变革性范式应运而生，它通过分布式边缘节点将计算、存储和分析能力部署在更靠近数据源的位置，构成了一个去中心化的计算框架，旨在克服云计算的局限。
服务放置：雾计算的核心挑战
在雾计算这种资源有限、运行条件多变的异构分布式环境中，服务放置——即将应用程序服务最优地分配到地理分散的节点上——成为一个至关重要的问题。其有效性直接影响时延、能耗和成本效益等关键性能指标，因此已成为雾计算系统研究和实际部署中的核心课题。该问题本质上是NP-hard的，复杂度高，需要强大且自适应的放置策略。
从单目标到多目标优化的演进
早期研究多集中于优化单个服务质量（QoS）指标，如时延或带宽。然而，现实世界中的需求往往是多目标且相互冲突的，例如同时追求低时延、高能效和低运营成本。现有的许多启发式、元启发式或机器学习（ML）技术仍侧重于单一目标优化，缺乏对多目标间固有权衡（trade-offs）的系统性考量。这限制了其在实际动态、复杂雾环境中的广泛应用。因此，开发能够平衡时延、能耗和资源利用率的多目标优化策略变得日益迫切。
系统综述的方法与发现
本研究采用系统文献综述（SLR）方法，遵循PRISMA框架，对2020年至2025年间127篇经过同行评审的期刊论文进行了全面分析。综述旨在回答三个核心研究问题：雾计算服务放置的关键挑战、目标与新兴趋势是什么？现有的多目标服务放置解决方案有哪些？常用的数据集、仿真工具和评估指标是什么？
分析显示，该领域年度出版物数量持续显著增长，反映出学术界的浓厚兴趣。关键词共现分析表明，“服务放置”与“物联网”、“云计算”、“资源分配”、“优化”及“服务质量”等术语紧密关联，形成了一个多维度的研究网络。
多目标服务放置的技术谱系
研究识别并构建了一个涵盖六类主要方法的技术分类体系，清晰地展示了从确定性优化向学习赋能及混合策略的方法论演进：
- 1.
精确解：包括整数线性规划（ILP）和混合整数线性规划（MILP）等。这类方法数学严谨，能求得全局最优解，但计算复杂度高，可扩展性差，多用于理论基准或小规模场景。
- 2.
启发式方法：如贪婪算法、局部搜索等。这类方法轻量、快速，适合实时应用，但缺乏全局最优性保证，在复杂环境中性能可能下降。
- 3.
元启发式方法：这是当前主导性的技术类别。包括遗传算法（GA）、粒子群优化（PSO）、蚁群优化（ACO）、灰狼优化（GWO）及多目标进化算法如NSGA-II、SPEA2等。它们通过种群智能进行随机搜索，能有效探索解空间，在多个竞争目标间取得良好权衡，特别适用于大规模、动态的优化问题。
- 4.
人工智能驱动方法：这是近年来的显著趋势。深度强化学习（DRL）、图神经网络（GNN）和联邦学习（Federated Learning）等技术被用于对复杂的服务-节点关系进行建模，支持实时、上下文感知的放置决策。例如，有研究结合GNN和DRL（如近端策略优化PPO），实现了毫秒级执行的帕累托最优权衡。然而，这些方法在资源受限的雾环境中部署仍面临高训练成本和模型轻量化挑战。
- 5.
博弈论方法：将服务放置建模为非合作或合作博弈，分析节点或服务提供者之间的策略互动，以寻求均衡解。
- 6.
混合方法：结合上述多种方法（如元启发式与机器学习结合），以取长补短，获得更优的性能和适应性。
评估实践与研究工具
大多数研究通过仿真进行验证，常用的工具包括iFogSim、YAFS（Yet Another Fog Simulator）以及基于Kubernetes的仿真平台。这些工具提供了可重复的实验环境，但通常简化了网络延迟波动、移动性和工作负载剧变等现实因素。因此，未来工作需强调结合仿真与原型部署的混合评估方法，以提升研究的现实性和普适性。
未竟的挑战与未来方向
尽管取得了显著进展，但该领域仍存在重要的研究空白：
- •
移动性感知：对移动物联网设备及其与雾节点连续连接需求的支持尚不充分。
- •
安全与信任机制：在去中心化的雾网络中集成加密、访问控制、入侵检测以及基于区块链的信任模型是关键挑战。
- •
现实世界验证：缺乏在真实大规模雾基础设施中的部署验证。
- •
轻量级AI模型：需要开发适合资源受限雾环境的、能效高的轻量级学习模型。
- •
与前沿技术融合：雾计算与边缘智能（Edge Intelligence）、6G使能的基础设施等新一代网络范式的融合，带来了更动态的拓扑、更严格的QoS权衡，也增加了服务放置的复杂性。
结论
总而言之，雾计算中的服务放置研究正经历着从静态模型到自适应、智能驱动框架的深刻方法论转变。多目标优化已成为应对现实世界复杂性的必然选择。本综述通过整合碎片化的研究流，提供了一个统一的分析框架、方法学基础和研究路线图。未来的发展将依赖于智能算法、优化理论与分布式系统工程学的进一步融合，以推动实现下一代智能、可扩展、自主且可持续的雾计算架构。
