MEC 标准是双规发展制，一方面 ETSI 着重定义 MEC 的 平台、虚机和 API 管理等标准；另一方面 3GPP 着重定 义 MEC 和其它 5G 核心网元的交互方式，因此 MEC 从 架构上归属核心网。典型的，ETSI 规定了 UPF 网元的位 置即为 MEC 在 5G 网络架构中的位置。 ETSI 2016 年 3 月发布了 ETSI GS MEC 003, 定义了移 动边缘计算的框架和参考架构；后续还定义了 GS MEC  009、GS MEC 010-2、GS MEC 011、GS MEC 012 和 GS MEC 013 等标准，涵盖了应用生命周期管理，移动 边缘应用支持，无线

介绍边缘计算的参考架构，是边缘计算产业联盟对外发布的规范性文件。

本文来自于sdnlab，文章主要介绍了边缘计算出现的原因，什么是边缘计算，边缘计算的发展历程以及一些开源项目等相关内容。边缘计算的雏形是CDN，我们原本通常的做法是把数据挪到计算那头来进行处理。但是，由于数据越来越多，导致数据传输的速度越来越慢，且资源消耗巨大，因此，我们需要将计算挪到边缘处来处理，这就是边缘计算。边缘计算有以下特点：5G的兴起恰逢与物联网（IoT）相关的连接设备和系统的爆炸式增长。智能监控系统、可穿戴设备、自动驾驶、虚拟现实和增强现实等等都带来了大量的数据，这些都是边缘计算产生的沃土。此外明年5G要落地了，网速会增加，万物互联，很多设备会连接在一起，人们开始思考能不能产生一些

变压器绕组的热点温度过高，会导致变压器绝缘脆解、裂化甚至击穿短路。因此及时、准确地预测出变压器绕组的热点温度，对提高变压器运行的安全可靠性至关重要。利用最小二乘双支持向量回归机(LSTSVR)作为边缘计算模型，将变压器油中气体色谱分析数据信息与变压器负载电流、环境温度、顶层油温、上死角温度等变压器运行信息结合，构建监测系统架构，预测变压器的平均油温，并计算出绕组热点温度。将所提方法得到的数据与实测数据进行对比，结果利用LSTSVR模型实现了变压器平均油温及绕组热点温度的准确预测，且该模型的预测精度优于最小二乘支持向量回归机模型，有效地提高了绕组热点温度测量的精度。现场实例也证明了所提方法的有效性和可靠性。

本文来自于sdnlab，介绍了MEC的基础概念，服务场景，架构，部署场景，现实的案例和现存的问题与挑战。在正式开始介绍移动边缘计算（MobileEdgeComputing，MEC）之前，先从我作为一个初学者的角度来谈谈MEC出现的必要性，便于读者理解。这篇文章仅代表我自己的一个学习过程和体会，如果有表述不当的地方，欢迎批评指正。提到MEC，对其略懂一二的人，恐怕能想到的第一个词就是“低时延”，虽然MEC的含义远不止于此，但我认同“快”的确是MEC所能带给我们的最切实际的体验！我们从时代发展的角度来试图窥探一下“快”趋势发展的必然性，在被数字化席卷的今天，人们的生活节奏越来越快，数据还是最有价值

移动边缘计算改变了4G系统中网络和业务分离的状态，通过对传统无线网络增加MEC平台网元，将业务平台（包含内容、服务、应用）下沉到移动网络边缘，为移动用户提供计算和数据存储服务。MEC平台的具体部署方式主要分为两类，包括宏基站场景的部署以及小小区基站场景的部署。（1）宏基站场景部署一般来说，基站的服务范围较广，服务用户较多，且宏基站本身具备一定的计算和存储能力，故MEC在宏基站场景的部署主要为将MEC平台直接嵌入到宏基站的方式。拥有MEC功能的宏基站能够降低网络时延、获取业务的上下文信息并且能很好的支持室外的大区域范围的各类垂直行业应用，车联网、智慧城市等等。（2）小小区基站场景部署考虑到小小区

基于李雅普诺夫优化的移动边缘计算任务卸载策略研究.caj

全球已经掀起行业数字化转型的浪潮， 数字化是基础， 网络化是支撑， 智能化是目标。 通过对人、物、 环境、 过程等对象进行数字化产生数据， 通过网络化实现数据的价值流动， 以数据为生产要素， 通过智能化为各行业创造经济和社会价值。 智能化是以数据的智能分析为基础， 从而实现智能决策和智能操作， 并通过闭环实现业务流程的持续智能优化。

项目结合边缘计算模 型 、Biomedical Informatics 领域相关的人体健康数据识别算法。预期对易发人群的常 见慢性病（糖尿病，心脏病，睡眠障碍）以及潜在的新冠感染导致的相关症状分析识别。基于 AWS FreeRTOs 标准下的 M5StickC 可穿戴设备和 AWS IoT Greengrass 服务，进行探索性的监控能力建设。应用 Amazon CloudWatch 服务完成数据监控、报警服务。利用 Amazon EC2 实例优化 CPU 使用率、磁盘读写、实例调用监控与服务终止。调用 Amazon S3 以及 SageMaker Edge Manager 服务存放机器学习模型，进行数据分析。将传感器收集的源数据在上传到云中心之前先进 行本地预处理，压缩带宽及计算资源占用，建立基础的实时数据反馈能 力。解决传统云计算模型网络带宽负载和计算资源浪费，隐私保护和边 缘节点能源有限等问题。开发基于serverless 后端架构的 web 应用程序，给用户提供实时的可视化健康数据报告

多接入边缘计算(MEC)及关键技术.pdf