《Journal of Parallel and Distributed Computing》：Computation offloading in collaborative computing systems: A comprehensive survey on methods, challenges, and future directions
编辑推荐：
近年来，电池供电的移动设备在计算能力上取得了显著进展。然而，处理和分析传感数据仍然需要高计算能力，且密集的计算任务会消耗大量能量，这限制了设备的运行时间。计算卸载通过将计算密集型任务转移到云等资源更丰富的设备上来解决这一问题。尽管云计算被广泛采用，但它存在高延
近年来，电池供电的移动设备在计算能力上取得了显著进展。然而，处理和分析传感数据仍然需要高计算能力，且密集的计算任务会消耗大量能量，这限制了设备的运行时间。计算卸载通过将计算密集型任务转移到云等资源更丰富的设备上来解决这一问题。尽管云计算被广泛采用，但它存在高延迟问题。为了解决这一问题，边缘计算范式应运而生，将服务器部署在更靠近移动设备的地方以降低延迟。此外，设备到设备（D2D）卸载通过利用空闲设备的计算能力，在直接通信范围内协作并转移任务。在此综述中，研究人员将协作系统定义为网络内包括边缘服务器、云和其他移动设备在内的所有设备均能共享信息和资源的系统。计算卸载通常被构建为一个优化问题，旨在优化特定目标，如最小化能耗、延迟或资源分配。由于原始问题通常是NP-hard，研究人员通常使用分解或松弛技术使其更易于处理。在此文章中，任务卸载方法被分为经典方法、启发式方法、元启发式方法和机器学习方法，并进一步细分为集中式、分散式和分布式方法。协作可以垂直或水平进行。垂直协作发生在设备向具有更多资源的计算层寻求帮助时；水平协作则发生在同层设备之间。研究人员对71项关于协作系统中任务卸载的研究进行了全面综述，涵盖了移动边缘计算（MEC）、车用边缘计算（VEC）和无人机辅助移动边缘计算（UAV-MEC），重点关注层内和层间卸载动态，如移动性、多跳卸载和任务依赖性。研究指出，复杂的卸载动态在卸载问题中很少被考虑，现有卸载方法未充分利用协作系统的潜力，且研究缺乏跨方法、网络和配置的交叉验证。
在协作计算系统中，计算卸载被视为解决资源受限的移动终端在处理复杂计算任务时面临能耗与延迟瓶颈的重要机制。随着机器人、增强/虚拟现实（AR/VR）和自动驾驶等领域对实时数据处理需求的日益增长，仅依赖本地计算或传统的云计算已无法满足严格的延迟与可靠性要求。尽管边缘计算和设备到设备（D2D，指设备间直接进行通信与资源共享的技术）协作分担了云端的压力，但目前的研究往往局限于简化的系统模型，未能全面捕捉真实环境的复杂性。现有的计算卸载方法未能充分利用协作计算系统在多层架构下的潜力，同时在处理真实环境中普遍存在的复杂动态特性（如设备移动性、多跳网络以及任务间的依赖关系）时显得力不从心。此外，不同研究大多采用各自定制的特定仿真环境进行评估，缺乏跨方法、跨网络和跨配置的交叉验证基准，导致研究结果的可比性与泛化能力受限。为了系统梳理该领域的现状与发展轨迹，Jussi Kalliola等研究人员对2017年至2025年间发表的71篇相关文献进行了全面综述，相关成果发表在《Journal of Parallel and Distributed Computing》上。该综述深入探讨了协作系统中的计算卸载方法、面临的挑战及未来方向，强调了在动态复杂环境中统一研究范式与建立标准化评估体系的重要性，对推动边缘计算和分布式协作技术的实际部署具有深远的指导意义。
在关键技术与样本队列方面，研究人员主要采用文献计量与系统建模分析方法对从IEEE Xplore、Springer等数据库中检索到的358篇文献进行严格筛选，最终纳入了71篇符合标准的研究。在系统建模层面，研究涉及的关键技术模型包括基于离散时隙的系统模型（定义了端设备U、边缘服务器E与云C的集合及其时间轴）、基于Shannon定理的通信模型（计算设备间的数据传输速率与信噪比SNR关系）、任务模型（如二元组、三元组及有向无环图DAG等任务特征表征方法）、用于评估计算时间与能耗的计算模型，以及涵盖高斯-马尔可夫过程或基于真实数据集的移动性模型。在卸载优化求解技术方面，文章分类探讨了混合整数非线性规划（MINLP，一类包含整数与连续决策变量及非线性函数的优化问题）等NP-hard问题的求解方案。值得注意的是，部分研究在验证移动性模型时引用了来自中国成都（2014年市区180条车辆轨迹）、法国克里特岛以及中国西安的GAIA数据集等真实样本队列来源。
在研究成果方面，文章按技术路线对现有文献进行了系统分类与总结，具体研究结果如下：
经典方法
经典方法（如Lyapunov优化、动态规划DP、交替方向乘子法ADMM等）通常提供确定性最优解，最适用于架构相对简单的移动边缘计算（MEC）和车用边缘计算（VEC）环境。研究人员通过文献分析得出结论，经典方法多用于联合优化资源分配与任务卸载，但在面对具有复杂层内动态（如多跳卸载和任务依赖性）的环境时适配性较差。尽管有研究尝试在包含14至200个端设备的仿真环境中进行验证，甚至个别研究结合了CARLA仿真平台与真实物理设备，但整体上经典方法仍多采用集中式控制，且较少涉及复杂的移动性因素。
启发式方法
启发式方法（如贪婪算法、图匹配算法等）基于特定问题规则快速找到近似解。文献分析表明，这类方法被广泛应用于更复杂的MEC、VEC及无人机辅助移动边缘计算（UAV-MEC，将边缘计算能力集成至无人机的技术）系统中，通常解决任务分配与资源调度等联合优化问题。约半数启发式方法采用集中式控制架构，部分研究扩展到了端-边-云全计算连续体架构并较好地处理了移动性动态。然而，通过综合分析得出结论，尽管部分研究采用了高达1000个端设备的仿真规模或引入了SimuLTE等网络仿真器与真实移动数据集，但启发式方法对多跳网络与任务依赖性的考量仍具有局限性。
元启发式方法
元启发式方法（如蚁群优化ACO、粒子群优化PSO、遗传算法GA及博弈论等）因其可推广的框架在处理复杂协作系统时备受青睐。研究表明，该类方法常采用分布式或分散式控制，不仅应对包含全计算连续体的垂直与水平卸载，还擅长处理基于有向无环图（DAG）建模的任务依赖性与多跳网络动态。研究人员得出结论，在评估方面，元启发式方法多在包含多达1000个端设备的大型仿真环境中进行测试，并广泛结合了HighD等真实移动数据集及合成工作流生成工具，以模拟更真实的节点能力与信道增益，但多数模型仍实施为集中式控制。
机器学习方法
机器学习方法（特别是深度强化学习DRL与多智能体强化学习MARL）在适应复杂和动态网络方面展现出显著优势。文献指出，通过将卸载问题建模为马尔可夫决策过程（MDP，一种用于建模决策问题的数学框架），并结合Q-learning、深度Q网络（DQN）、深度确定性策略梯度（DDPG）等算法，该方法在VEC网络中应用最为集中。研究结果表明，机器学习方法充分融合了移动性、多跳卸载与复杂的层间协作，部分研究还引入了图神经网络（GNN）与注意力机制。然而，其评估环境的规模通常较小（多数为100-150个端设备），尽管有极少研究拓展至1500个端设备或构建了基于Raspberry Pi的真实物理测试平台，但在推理阶段往往依赖去中心化决策，训练时仍需一定程度的系统全局信息。
在总结讨论部分，研究人员指出，当前计算卸载研究在方法多样性与动态适应性上取得了进展，但存在三大核心挑战。首先是网络范式的碎片化。由于微型移动设备与车辆、无人机之间的界限日益模糊，现有针对单一网络（如MEC或VEC）的研究难以直接迁移至真实的异构混合边缘网络中，因此亟需将不同边缘计算网络中的卸载研究统一起来，探索更具泛化能力的通用方法。其次是协作系统复杂性的简化处理问题。现有研究极少将真实的复杂度因素综合考虑，特别是在动态分布式场景下结合任务依赖性、适应无线链路中断的数据中继多跳机制以及全计算连续体（从端、边到云的协同）尚未得到协同探讨。最后是评估方法的标准化缺失。由于缺乏统一的基准测试系统，研究人员往往只能在不同研究自建的仿真环境中进行对比，无法有效评估复杂真实物理环境（如障碍物遮挡造成的信号传播干扰）对网络性能的影响。
翻译研究结论部分：
该综述对协作计算系统中的计算卸载进行了全面分析，探讨了各种方法、架构和关键的卸载动态。研究人员将卸载方法分为经典方法、启发式方法、元启发式方法和基于机器学习的方法，并根据其集中式、分散式或分布式的实现进一步进行了区分。研究结果表明，经典方法主要用于较为简单的协作系统，而启发式、元启发式和基于机器学习的方法则更适用于复杂的多层环境。特别是机器学习方法，由于其对复杂和动态网络的适应性，正日益受到重视。尽管取得了这些进展，仍存在几个关键挑战，特别是在利用全计算连续体的同时纳入移动性、多跳卸载和任务依赖性等层内动态方面。此外，标准化基准测试框架的缺失阻碍了对最新方法的交叉验证，限制了不同研究之间的可比性和可重复性。未来的研究应优先考虑统一跨不同网络的卸载研究以增强互操作性，开发基准测试系统以及基于物理的仿真环境以进行更真实的评估，并推进针对复杂协作系统和混合网络的卸载方法研究。
