邊緣計算：新型計算范式綜述與應用研究*

鄭逢斌，朱東偉,2，臧文乾，楊勁林，朱光輝

1.河南大學 計算機與信息工程學院，河南 開封 475000

2.中科空間信息（廊坊）研究院，河北 廊坊 065000

3.中國科學院 空天信息創新研究院，北京 100094

4.北京航天泰坦科技股份有限公司，北京 100071

5.無錫航天江南數據系統科技有限公司，江蘇 無錫 214122

1 引言

隨著物聯網、5G 通信和無線網絡等技術的飛速發展，網絡邊緣接入的設備數量快速增長，網絡邊緣設備產生的數據也呈現出爆炸式增長的趨勢。據思科預測[1]，2020 年連接到網絡的無線設備數量將超過500 億臺。據IDC（Internet Data Center）預測[2]，2020年全球數據總量也將超過40 ZB。在這種情形下，以云計算模型為核心的集中式處理方式將無法適應邊緣數據爆炸式增長的趨勢。集中式處理模型的工作方式是，將設備產生、收集到的所有數據通過網絡傳輸到云計算中心，借助云計算中心超強的計算能力來集中式解決存儲、處理和分析等問題。這種工作方式對延遲和網絡抖動不敏感的大規模批處理業務適用，這也是云計算服務能夠在近幾年創造出高經濟效益的原因。然而，在未來萬物互聯的環境下，隨著無人駕駛、增強現實技術/虛擬現實技術（AR/VR）、智能交通等新興應用的出現，傳統云計算已無法滿足這些應用對于網絡延遲、抖動、安全性等問題的需求。

邊緣計算思想的出現，打破了傳統云計算集中式處理數據的工作方式。如何解決當前新興應用及萬物互聯情形下云計算無法滿足和實現的需求是邊緣計算研究工作者關注的重點。從仿生學角度理解邊緣計算[3]，可以做以下類比：云計算架構中，具有超強計算能力的云服務中心相當于人的大腦，更貼近人類的邊緣計算服務相當于人的神經末梢。手受到傷害時會快速收回，這一過程未經過大腦處理，而是由分布在手上的神經末梢處理的，這一非條件反射的存在能夠讓人們在受到傷害時及時脫離危險，同時也能讓大腦專注于處理更高級別的事務。萬物互聯的時代里，數以億計的邊緣設備僅僅依靠云計算這個單一大腦是遠遠不夠的，邊緣計算就是讓設備擁有自己的大腦，為人們提供更優質的服務。

與傳統的云計算相比，邊緣計算模型具有4 個明顯優勢：

（1）網絡邊緣設備產生的數據不再全部上傳至云中心，而是先在邊緣服務器節點上對數據進行預處理，然后將經過預處理后的少量有價值數據上傳，極大減輕海量邊緣設備產生的數據給網絡帶寬造成的壓力。

（2）數據處理在邊緣設備上進行，不再全部依靠云計算中心，借助于部署在靠近用戶的邊緣節點上的處理器對采集到的數據進行處理，省去了數據上傳環節以及與云中心的交互環節，提高了系統的響應能力。

（3）用戶產生的敏感數據存儲在邊緣設備上，而不是在云數據中心存儲，降低了敏感數據在上傳云數據中心過程中被不法分子竊取的風險，用戶隱私數據安全問題得到保障。

（4）在邊緣計算模型中，邊緣數據無需上傳到云計算中心進行處理，不僅減少了網絡邊緣設備傳輸數據到云計算中心的能耗，同時也大大降低了云計算中心的能耗。

得益于邊緣計算的以上優勢，近年來，以智能交通、智慧家居為代表的新型應用得以快速發展。這些應用對網絡延時和抖動敏感、需要實時交互、數據隱私和安全性方面要求較高[4]，運用邊緣計算架構能夠很好地滿足以上要求，因此越來越多基于邊緣計算的應用實例和實現平臺被相繼提出。

2 邊緣計算與云計算

2.1 云計算

2.1.1 云計算概述

“云計算”起源于1988 年約翰·蓋奇首次提出的“網絡就是計算機”，最早作為一個概念在20 世紀90年代末被亞馬遜（Amazon）提出，當初該理念只是被認為能夠在超級計算機上使用。隨著因特網發展壯大，尤其是Google 為代表的搜索巨頭的出現，云計算展現出強大活力。2006 年3 月，亞馬遜公司首次推出彈性計算云（elastic compute cloud，EC2）服務，推動了互聯網的第三次革命。早期云計算僅僅是指簡單的分布式計算，能夠解決任務分發、計算結果的合并等問題，通過這種技術，可以在幾秒內完成數以萬計的數據處理任務。發展至今，云計算已成為集分布式計算、效用計算、負載均衡、并行計算、網絡存儲、熱備份冗雜和虛擬化等計算機技術的一種強大的網絡服務平臺，為用戶提供服務。云計算模型如圖1。

2.1.2 云計算存在的不足

隨著物聯網技術的興起和眾多對延時、網絡帶寬、隱私安全等敏感的新型應用的出現，采用集中式管理方式的云計算服務越來越表現乏力。具體如下：

（1）網絡帶寬不足。物聯網環境下，海量邊緣設備的接入，使得邊緣數據量呈現出爆炸式增長的趨勢，如果將邊緣設備產生的大量實時數據全部傳輸至云計算中心處理，將給網絡帶寬造成巨大壓力。例如，高校門口的行人監測和行為分析系統會采集到大量的實時視頻數據，如果將這些視頻數據全部上傳到云中心，將占用巨大的網絡帶寬資源，導致帶寬資源不足。

Fig.1 Cloud computing model圖1 云計算模型

（2）難以支持實時性要求。云計算架構中，要求全部數據上傳至云中心進行處理，其處理速度不僅受到網絡帶寬的影響，同時還受到云計算中心計算能力、總計算任務量等多重因素的影響[5]。另外，請求應答機制的過長鏈路，同樣會帶來較長的時延問題，無法滿足無人駕駛、虛擬現實等新興應用在實時性方面的要求。例如，波音787 每秒產生的數據都超過5 GB[6]，由于數據量龐大加之傳輸鏈路過長，傳統云計算環境下很難滿足實時交互需求。

（3）難以保證用戶隱私數據安全。智能家居設備產生的數據與用戶生活聯系極為緊密，如果將安裝在用戶家庭中的智能網絡攝像頭產生的視頻數據傳輸到云端，必然會給不法分子可乘之機，用戶敏感數據安全性問題得不到保障。例如，不法分子通過網絡爬蟲方式就能輕易盜取用戶家中智能攝像頭上傳到云數據中心的視頻數據，通過分析得出某個時間段用戶家中是否有人的信息，進而在用戶家中無人時進行盜竊。

（4）能耗和資源開銷較大。2016 年我國數據中心消耗的電量超過1 200 億千瓦時，超過了同年三峽大壩全年的總發電量（約1 000 億千瓦時），同時也已經超過匈牙利和希臘兩國用電總和[7]。據Sverdlik 的研究[8]，預計2020 年美國所有數據中心能耗也將達到730 億千瓦時，占整個國家總耗電量的10%。隨著數據量的爆炸式增長，數據中心的存儲、處理能力也將面臨巨大壓力，然而有些資源開銷并不是完全必要的。例如，云計算系統中很多采集到的監控圖像和視頻中并未包含有價值的信息，但這些數據仍然會被上傳到數據中心進行分析、處理和存儲，不僅造成了數據上傳過程中不必要的能源消耗，還會造成云服務器計算資源和存儲資源的浪費。

邊緣計算模型的出現，較好地解決了以上問題。邊緣計算場景下，智能攝像頭產生的實時視頻數據不再上傳至云中心，而是由部署在攝像頭附近的邊緣服務器存儲、處理和分析，緩解了網絡帶寬資源壓力，滿足了用戶對于實時交互方面的需求，用戶的隱私數據能夠得到保障，同時還解決了不必要的能源消耗和資源浪費問題。邊緣計算是在貼近用戶側的網絡邊緣執行計算的一種集網絡、計算、存儲為一體的新型分布式計算模型，該模型將具有計算能力的設備和微型數據中心部署在更貼近用戶移動設備、數據采集器、傳感器等的網絡邊緣，主要處理邊緣設備所產生的海量邊緣數據，在靠近物或者數據源頭的網絡邊緣為用戶提供邊緣智能服務[9]。經過邊緣設備的預處理，無價值圖像不再被上傳到云計算中心，篩選出的有價值圖像才會被上傳到云中心進行存儲和備份。

2.2 邊緣計算

2.2.1 邊緣計算概述

邊緣計算起源于傳媒領域，由于邊緣計算模型的就近端服務特點能夠切合該領域在實時、智能和隱私保護等方面的需求，一經提出就很快成為學術界和商業界關注的焦點。美國韋恩州立大學的施巍松團隊[10-11]將邊緣計算定義為：“邊緣計算是指在網絡邊緣執行計算的一種新型計算模式，邊緣計算中邊緣的下行數據表示云服務，上行數據表示萬物互聯服務，而邊緣計算的邊緣是指從數據源到云計算中心路徑之間的任意計算和網絡資源。”其中該團隊提出的基于雙向計算流的邊緣計算模型如圖2。在該模型中，用戶設備產生的數據能夠上傳到云中心，用戶不再僅僅充當數據消費者身份，而是集數據消費者和數據生產者雙重身份于一身。

2.2.2 邊緣計算的優勢

Fig.2 Edge computing model圖2 邊緣計算模型

邊緣計算架構中，在靠近數據源頭位置部署海量的智能節點，這些智能節點具有存儲能力并且能夠處理輕量級別的任務，類似“微云”，在靠近用戶的“低云端”為人們提供智能服務。由于它無論在物理層面還是網絡層面都更加靠近用戶，因此在響應速度方面遠遠超過傳統云計算。云計算架構中，待處理的數據需全部上傳到云計算中心，龐大的數據量給網絡帶寬造成了無法忽視的壓力，這也成為了云計算發展的瓶頸[12]。邊緣計算的出現解決了這一問題，邊緣計算架構中，用戶待處理的數據不再全部上傳到云計算中心，通過部署在網絡邊緣的智能節點，用戶的問題得以快速解決的同時大大減輕了網絡帶寬的壓力，并且大幅度降低了網絡邊緣端智能設備的能耗。

2.3 邊緣計算與云計算的關系

以高度中心化為最初設計思想的計算模式云計算看似與本質上去中心化的新型計算模式邊緣計算水火不容，但云計算與邊緣計算并不是非此即彼、完全對立的關系。邊緣計算的出現并不是為了取代云計算，而是對云計算服務的延伸和補充。邊緣計算可以給用戶提供多種快響應服務，與傳統云計算相比，無論在響應速度方面還是在能源節省方面，邊緣計算都占據優勢。然而，并非所有互聯網服務都適合在網絡邊緣部署，例如目前普遍使用的網上購物應用，由于需要全局數據的支持，類似于商品個性化推薦、購買熱度較高產品展示等服務依然需要放在云端。針對用戶購物車的服務則更適合放在邊緣節點上，用戶可以享受邊緣節點提供的快響應服務，快速刷新購物車視圖，給用戶帶來更流暢的操作體驗，而邊緣節點與云端數據的同步問題則放在后臺處理。故而，云計算與邊緣計算各有所長，未來萬物互聯網絡環境下，必定是兩者協同工作、各展所長。云計算與邊緣計算屬性對比如表1。

Table 1 Comparison of attributes between edge computing and cloud computing表1 邊緣計算與云計算屬性對比

3 邊緣計算架構

3.1 邊緣計算架構

現階段，移動邊緣計算（mobile edge computing，MEC）、霧計算、微云、邊緣云等方面是邊緣計算研究的熱點，得益于物聯網行業和5G 的發展，移動邊緣計算越來越成為眾多行業關注的重點。移動邊緣計算不僅是一種針對大規模物聯網應用的新型編程模型[13]，發展至今，移動邊緣計算更是成為了推動移動寬帶網絡的關鍵技術，與軟件定義網絡（software defined network，SDN）、網絡功能虛擬化（network functions virtualization，NFV）具有同樣的重要性，是下一代移動通信網絡的關鍵技術之一[9]。MEC 作為物聯網及低時延、高可靠等垂直行業通信的關鍵使能者，在多個行業都有著眾多應用場景[14]。歐洲電信標準協會（European Telecommunications Standards Institute，ETSI）定義了MEC 的計算架構，該架構共分為三層：MEC 系統層、MEC 主機層、網絡層，如圖3。MEC 系統層包括用戶應用程序生命周期代理、移動邊緣編排器和運行支持系統（operation support systems，OSS）。MEC 能夠直接由移動設備（mobile device，MD）中的應用程序使用或者通過面向客戶的服務（customer facing services，CFS）端口完成與第三方客戶的交互。MEC 主機層由移動邊緣平臺和虛擬化平臺構成，移動邊緣平臺負責管理應用程序規則、程序的生命周期、服務授權和流量規則等；虛擬化平臺完成分配、管理和釋放位于MEC 服務器內的虛擬化基礎設施提供的虛擬化資源（包括計算資源和存儲資源），該層與MEC 系統層相連。網絡層則提供了與各種訪問的連接，包括3GPP 移動網絡、本地網絡和其他外部網絡訪問。架構中展示了MEC 的主要功能要素及各個功能要素之間的參考節點信息。

Fig.3 Mobile edge computing architecture圖3 移動邊緣計算架構

3.2 邊緣計算平臺

Fig.4 MEC server deployment scenario圖4 MEC 服務器部署場景

MEC 標準計算架構的出現推動了MEC 服務平臺標準化進程，邊緣計算參考架構白皮書[15]及呂華章等人[16]對MEC 服務平臺進行了詳細闡述。平臺分為移動邊緣主機、移動邊緣平臺管理、移動邊緣設備部署、虛擬基礎設施管理等功能模塊。移動邊緣主機模塊主要負責移動邊緣平臺服務能力的提供和開放、虛擬基礎設施的數據面轉發能力開放和移動邊緣應用的部署等；移動邊緣平臺管理模塊主要負責移動邊緣應用全生命周期管理、移動邊緣平臺網元（network element，NE）管理、移動邊緣應用規則和需求管理等；移動邊緣設備部署模塊完成了移動邊緣應用在全局范圍內的部署、實例化和標準化工作；虛擬基礎設施管理模塊實現了基礎設施的虛擬資源合理分配、管理、配置和虛擬資源性能、故障信息收集與上報等功能。白皮書中還給出了邊緣計算服務的幾種部署場景建議，如圖4。現階段，邊緣計算服務器是作為獨立設備部署的。MEC 服務器可以在靠近LTE 宏基站（eNode B）的無線接入網（radio access network，RAN）側部署（圖4 中的第一種模型），這種方案的優勢在于可以更方便地通過監聽、解析S1 接口（基站與分組核心網之間的通訊接口）的信令來獲取基站側無線相關信息，時延最小，能夠為學校、商業街、小區等附近的用戶提供快響應服務。缺點在于覆蓋的基站數相對較少（適用于本地分流場景），涉及到的計費和合法監聽等安全性問題較為復雜。也可以部署在核心網絡（core network，CN）中（圖4 中的第二種模型），作為云計算的“下層云”為用戶提供服務，該方案的優點在于MEC 服務器能夠與PDN 網關（PDN gateway，P-GW）集成在一起，無需考慮RAN部署方案下的計費和安全性等問題，用戶終端發起的數據業務經過eNode B、匯聚節點、S-GW、P-GW+MEC 服務器，然后到互聯網。但該方案存在距離用戶較遠、時延相對較大和占用核心網資源等問題。由于設備的獨立性，邊緣計算服務的部署位置相當靈活，可以根據具體業務需求、應用場景等來決定具體部署位置。

3.3 Cloudlet、PCloud、ParaDrop

早在2009 年，卡耐基梅隆大學（Carnegie Mellon University，CMU）就提出了Cloudlet[17]概念，它的架構和設計思想都與邊緣計算類似。Cloudlet 是部署在網絡邊緣、與互聯網連接且可以給移動設備提供海量服務的可信主機或機群。通過Cloudlet 資源發現（cloudlet discovery）、虛擬機配置（VM provisioning）[18]、資源切換（VM handoff）[19]等關鍵技術，Cloudlet 做到了對邊緣應用移動性的支持。PCloud[20]是另一個目前較成熟的邊緣計算平臺，該平臺由佐治亞理工學院（Georgia Institute of Technology，Georgia Tech）的Korovo 研究組提出。PCloud 能夠整合數據源附近的計算、存儲、輸入輸出設備和云計算資源，實現資源間交互、協同工作，為網絡邊緣移動設備提供支持。PCloud 依靠一種特殊的虛擬化層STRATUS[21]對資源進行虛擬化操作，形成虛擬化資源池，系統工作時，根據需求從資源池中選取資源。PCloud 虛擬資源池依靠系統運行機制對資源進行統一申請和分配，并向外界提供資源描述接口。PCloud 內部結構看似復雜，但是對用戶來說，僅相當于一種智能化的計算設備。PCloud實現了邊緣計算與云計算的有機結合，充分利用了兩者的優勢。威斯康星大學麥迪遜分校（University of Wisconsin-Madison，UW-Madison）WiNGS 實驗室提出的ParaDrop[22-23]是一種適用于物聯網應用的邊緣計算平臺。他們在ParaDrop 的支持下成功將WiFi 接入點擴展成了邊緣計算平臺，在該平臺上能夠運行各種各樣的應用，達到了一般服務器運行應用的能力。ParaDrop 依靠植入的單片機使普通網關具有通用計算能力；通過軟件技術將云端應用與服務遷移至WiFi 接入點；并借助容器技術對不同應用的運行環境進行隔離，使開發者擁有了在網關上動態定制和管理應用的能力。表2 對上述三種邊緣計算平臺在服務器狀態、移動支持、虛擬化技術和適用領域四方面進行了詳細對比。

Table 2 Comparison of attributes among Cloudlet,PCloud and ParaDrop表2 Cloudlet、PCloud、ParaDrop 屬性對比

表2 中服務狀態的軟硬是根據服務狀態存在的形式區分的，軟狀態（soft-state）可以理解為無狀態（stateless）的一種特殊情況（如Cloudlet 上部署的移動應用服務，該類服務的狀態信息不會被Cloudlet 長久保存，應用離開Cloudlet 服務范圍的同時，這些數據就會從云端清除），而硬狀態（hard-state）則對應的是有狀態（stateful），這種情況下的傳感器原始數據、連接信息等都是在本地保存和獲取。Cloudlet 能夠給移動應用的后臺服務提供臨時的部署點，通過資源發現、虛擬技術、資源切換技術實現對移動性的支持。PCloud 能夠實現用戶設備與云的智能結合，支持邊緣設備動態加入和退出（退出時不允許有正在運行的任務）。面向物聯網的ParaDrop 中，傳感器采集的數據在無線網關處匯集和初步處理，傳感器和無線網關的連接狀態保持不變，因此無需考慮服務移動性的問題。在虛擬化技術方面，Cloudlet 和PCloud 使用虛擬機，ParaDrop 則使用容器，原因是物聯網應用的服務對執行環境的靈活性要求不高，使用容器還能達到占用資源少和啟動快的優點。由于以上特點，使得Cloudlet 適用于計算密集型的移動應用領域，ParaDrop 更適用于數據密集型的物聯網領域，PCloud 則可以根據場景需要在移動應用領域中靈活應用。

4 邊緣計算應用場景

新技術的產生必將伴隨著新型應用的產生，應用是衡量新技術是否可行、有價值的重要標準，發展邊緣計算將面臨的各種挑戰和機遇都能通過應用凸顯出來。隨著邊緣計算在理論上的逐漸成熟，越來越多的基于邊緣計算的應用相繼出現在人們的視野中。本章將通過邊緣計算在網站性能優化、智能工廠、智能家居、邊緣視頻緩存、購物車視圖優化、梅賽德斯-奔馳文化中心視頻直播六個場景中的應用對邊緣計算深入理解。

4.1 網站性能優化

網站性能優化是一種提高用戶網站資源加載速度和顯示速度的技術，流暢的加載和響應速度往往能給用戶帶來良好的上網體驗。網頁在用戶設備上加載的過程中，超過85%的響應時間都發生在前端，包括下載必要的組件資源、頁面渲染工作等。因此，提高網站性能的關鍵是在網絡邊緣側。EAWP（edge accelerated Web platform）[24]是日本電話電報公司（Nippon Telegraph and Telephone Corp，NTT）設計的一種基于邊緣計算的網站性能優化平臺，能夠為從事Web開發的工作者提供有效的網站性能優化工具和服務。EAWP 利用邊緣服務器和網關接入點、基站等通信設施的結合來獲取用戶接入網的狀態信息，進而對網站進行優化。例如，當收集到用戶網絡不佳或者擁塞信息時，邊緣服務器能夠智能調整頁面質量（降低分辨率等）來降低響應時長，當網絡情況好轉以后，重新對頁面質量進行調整。

4.2 智能工廠

智能工廠是邊緣計算在物聯網中較為典型的應用實例，邊緣計算的參與使得IT（internet technology）和OT（operational technology）系統深度融合成為可能。工業智能機器人是實現智能制造的基礎，它們往往需要具備對復雜的工作環境以及當前工作進程綜合分析和判斷的能力以及與其他機器人協作完成復雜工作任務的能力。因此，每個機器人都需要配備智能控制器才能執行復雜的計算任務，這會大幅度增加制造成本。借助邊緣計算思想，將所有機器人的智能控制器功能集中部署在生產車間的邊緣服務器上，在滿足工業生產時延要求的同時還能實現集中控制機器人之間的聯動協同，大大降低了工業生產的成本。

4.3 智能家居

人們對于“宜居、舒適、便利、安全”的生活環境的追求從未停止，借助新興技術往往能夠使人們更快速地實現目標。現階段，智能家電基本上都是單一智能化的，比如智能照明、智能空調、智能安防、智能衛浴等，它們借助于云平臺實現遠程控制，一旦網絡出現故障，用戶將無法進行控制，并且智能單品并未實現多個智能設備之間的聯動協調工作。使用邊緣計算技術和無線傳感器技術將使智能家具之間的智能聯動和穩定運行成為可能，部署在用戶家中的邊緣服務器節點通過有線/無線傳感器收集到的信息，包括室內溫度、亮度、空氣濕度及室外攝像頭采集的影像信息等進行綜合分析，然后對智能家電發出具體指令，完成對用戶家中照明控制、溫度調節、報警機制等的智能聯動調控。

4.4 邊緣計算視頻緩存

新興互聯網應用的快速發展，造成互聯網流量持續增長。據預測[25]，全球IP 總流量將在2016—2021年間增長3 倍，從2016 年的年均1.2 ZB（96 EB/月）增長到2021 年的3.3 ZB（278 EB/月）。圖5 是全球互聯網總流量年度月均值統計及預測。其中，互聯網流量中視頻占比將從2016 年的73%提升至82%，并且這一比例將會逐年增大。

Fig.5 Annual average monthly statistics/forecast of global Internet traffic圖5 全球互聯網總流量年度月均值統計/預測

龐大的視頻數據流量將會占用非常多的網絡帶寬資源，在帶寬資源有限的情況下，利用邊緣計算平臺進行本地視頻緩存無疑是切實可行的方案。將具有視頻分析、緩存功能的MEC 平臺部署在大學城、居民區、商業街等人流密集、對視頻播放請求頻繁的區域，利用邊緣計算智能分析功能（根據搜索熱度）[26]將熱播電視劇、電影等下載頻繁的視頻資源緩存到附近MEC 服務器上。當用戶請求視頻播放時，該視頻資源就相當于從本地加載，節省帶寬的同時也大大降低了用戶的響應時長。另外，MEC 平臺中基于RAN 側感知的內容優化方案，可以根據網絡實時信息（網絡負載、鏈路質量、數據吞吐率等）對內容進行動態優化，大幅度提升體驗質量（quality of experience，QoE）和網絡效率。

4.5 邊緣計算購物車視圖刷新

隨著網絡信息技術和智能設備的不斷發展，電子商務慢慢融入人們的生活，網上購物越來越成為人們生活中不可或缺的新興購物方式，帶來的便利不言而喻。消費者在進行線上購物時，選取的商品暫存在購物車中，當購物車中的商品變動時，現行購物應用的解決方案是，先請求云數據中心進行數據同步，得到返回信息后，對消費者購物車視圖進行刷新。這樣，消費者購物車更新速度完全依賴網絡環境和云中心的負載情況，由于移動網絡帶寬較低以及云中心任務負載大，移動端購物車的更新時延普遍較長，用戶體驗差。如果把更新消費者購物車視圖的服務從云中心卸載到邊緣節點上，以上問題就能得到解決。在邊緣計算方案中，購物車數據在邊緣節點緩存，用戶在頻繁操作購物車時，不需要經過中心網絡和云服務器，購物車視圖在本地刷新，延時低，系統流暢度高，用戶體驗好。當用戶操作完成后，邊緣節點數據與云中心數據在后臺執行同步操作，如圖6。

4.6 邊緣計算網絡視頻直播

Fig.6 Edge computing mobile shopping cart view refresh圖6 邊緣計算移動端購物車視圖刷新

網絡視頻直播系統是一種多媒體網絡平臺，旨在將正在進行的賽事、會議、演出、教學等現場音視頻實況通過網絡實時傳遞給遠端觀眾。傳統視頻直播系統服務器端口盡管普遍采用的是百兆或者千兆網絡，但是由于音視頻文件過大，整個過程延時問題依然不容忽視。

為解決以上問題，上海梅賽德斯-奔馳文化中心引入了多接入邊緣計算技術。采用中國聯通邊緣視頻編排網絡技術方案部署邊緣節點，如圖7。場內拍攝的視頻存儲在專用的邊緣云中，場內觀眾可以通過移動設備訪問邊緣云中存儲的視頻信息，避免了連接中央云帶來的時延。采用EVO（edge video orchestration）解決方案能夠將網絡視頻直播時延控制在毫秒級別，是普通網絡視頻直播平均時延的1.6%，并且可以同時支持億級別的場外互聯網觀眾觀看高清直播。

Fig.7 Mercedes-Benz cultural center edge computing application model圖7 梅賽德斯-奔馳文化中心邊緣計算應用模型

除了以上應用場景外，邊緣計算在增強現實和虛擬現實[27]、動態內容交付[28]、車聯網[29]、其他物聯網場景[30-36]、預測性維護[37]、安防監控[38]場景中同樣表現出蓬勃發展的趨勢，本文不再贅述。

5 發展邊緣計算面臨的挑戰

隨著物聯網和5G 通信技術的快速發展，邊緣計算越來越成為科研人員研究的熱點，各種有關邊緣計算的理論[39]和新型邊緣計算應用[40]涌現出來的同時，發展邊緣計算亟待解決的問題也相應凸顯出來。本章從服務管理、應用管理、計算資源管理、數據管理四方面討論發展邊緣計算面臨的研究挑戰。

5.1 服務管理

與云計算服務管理不同，邊緣計算服務管理涉及多方面的問題。云計算中向用戶提供的服務集中于云計算中心，用戶無需關心服務內部結構和管理問題，通過服務提供商提供的接口，用戶以付費方式使用云中心的各種服務和計算資源。邊緣計算服務則較為復雜，服務商需要面對以下三個問題：

（1）異構問題。邊緣計算架構中，各個邊緣計算節點的網絡環境、信道和基礎設施等均存在明顯的差異性和異構性特點。一般而言，MEC 服務器也不具有相同的計算資源、存儲環境。引入虛擬化技術，或許能夠成為解決該問題的一種途徑，虛擬化技術不僅要做到對應用程序的最小化運行環境約束，更需要滿足邊緣節點資源最大化利用率的要求，并且在具體實施過程中還會遇到不少未預見的難題。在這種情況下，如何處理好異構性問題成為發展邊緣計算亟待解決的問題之一。

（2）移動問題。邊緣計算中，伴隨著用戶的移動，計算任務遷移工作會在不同的邊緣節點、甚至是MEC 服務器之間頻繁發生。這種情況必然導致節點與節點之間、節點與服務器之間、服務器與服務器之間的大量數據交換，需要占用較多帶寬資源，然而在移動帶寬資源有限的情況下，這種做法顯然是不可取的。如何處理用戶在移動過程中移動設備MD 與MEC 服務器之間的無縫銜接問題，也是發展邊緣計算亟待解決的問題。

（3）擴展問題。近年來，隨著物聯網技術的快速發展，接入互聯網中的邊緣設備數量劇增，這要求邊緣計算服務必須具備靈活的擴展性。引入云計算中的編排器概念也許可以提高網絡的可擴展性[41]，但是這一理論并不完全適用于邊緣計算復雜的網絡環境。因此，設計出具有靈活擴展性的邊緣計算服務仍然是一個亟待解決的問題。

5.2 應用移動性管理

邊緣計算場景中，不同的MEC 服務器上安裝的服務不盡相同，計算資源也存在很大的差別。用戶在移動過程中，連接的MEC 服務器在頻繁變化，如果用戶正在使用某個MEC 服務上的服務，當服務器切換到一個未安裝該服務的服務器上時，或者新的服務器缺乏必要的計算資源時，都可能導致服務中斷，影響用戶體驗。以上共涉及兩方面的問題：一是資源快速發現問題；二是資源快速遷移問題。當前有很多較成熟的資源發現技術被廣泛應用于云監控中[42]，這些技術或許能夠引入邊緣計算，但是要注意邊緣計算中的異構資源環境問題，并且要保證資源發現的速度。如何讓周圍可用的服務、計算資源等被移動過程中的應用快速發現以及如何在周圍無可用服務和資源時實現服務和資源在整個邊緣生態系統中的靈活調度也是一個急需解決的問題。

5.3 計算資源管理

邊緣計算中的資源管理問題是另一個發展邊緣計算的關鍵性問題。云計算中的資源是統一放在云計算中心的，由服務管控機制統一調度與分配，管理起來較為方便。然而，邊緣計算中的計算資源分散在整個數據的傳輸路徑上，可能受到不同主題的管理與控制。計算資源的分散分布狀態及多種管理機制的參與使得目前云計算中使用的計算資源管理機制無法很好地在邊緣計算中應用。針對該問題，一種較為簡單的解決思路是各個管理機制獨立自我管理資源，通過添加中間服務[43]的方式進行資源供給,但是該方式只能提供最基本的功能，無法滿足用戶的較高級別的需求。例如，自動供給、自動選擇合適的資源等。另外，邊緣計算中各個計算節點的網絡狀況、計算能力各不相同。相比云計算，邊緣計算中的計算資源又非常有限，因此設計出一種適用于邊緣計算的管控與調配機制，使邊緣計算中的計算資源達到最大化利用率和整個系統最小化延遲的平衡，同樣是發展邊緣計算急迫解決的問題。

5.4 數據管理

數據管理在邊緣計算中同樣占有非常重要的地位，包括兩方面的內容：數據分析、數據隱私保護和安全。

（1）數據分析。隨著邊緣設備的海量增加，邊緣數據量也隨之爆炸式增長。一般而言，數據量越大，能提取和利用的信息量就越大，但信息往往具有時效性，人們不會對昨天的路況信息感興趣。由于邊緣計算架構對數據處理的特殊性（數據處理能夠在數據收集到數據匯聚的整個過程中發生），如果數據被過早地分析和處理，可能會造成有價值信息的丟失，通過大數據分析技術和深度學習框架TensorFlow等對某一領域的數據進行綜合分析得出數據特點，進而找到該類數據最佳提取有用信息的時間點或許能夠突破該問題，但是目前還沒出現較成熟的模型。因此在不同的邊緣計算場景下，找到提取有用信息的時間點與信息時效性的平衡點仍是一個需要解決的問題。

（2）數據隱私保護和安全。在未來萬物互聯的場景下，數據隱私保護和安全問題尤為重要。用戶家庭中部署的邊緣智能系統中的智能傳感器可以捕獲大量的用戶隱私信息，如房間布局、家中人員的動態活動信息等。如果這些信息被不法分子獲取到，用戶的生命、財產將受到威脅。雖然邊緣計算模型具有在網絡邊緣處理數據的能力，減少了用戶隱私信息在過長的傳輸鏈路上被竊取的風險，但大量終端設備的接入給邊緣計算中數據的隱私和安全問題帶來了新的挑戰[44-45]。

6 結束語

作為云計算概念的延伸，邊緣計算以有線/無線網絡資源為傳輸途徑，以智能數據采集終端為感知前端，在整個數據匯聚過程中實現對數據的智能分析和處理，集云、網、端、智為一體，成為一種繼云計算之后的又一新型計算模型。本文分析了云計算在新型物聯網環境下存在的不足以及邊緣計算的優勢并對比分析了兩者的關系，接著以ETSI 定義的MEC計算架構為基礎詳細分析了MEC 標準化平臺和Cloudlet、PCloud、ParaDrop 平臺，并對它們在服務器狀態、移動支持、虛擬化技術和適用領域方面進行了對比分析，然后給出了幾種邊緣計算具體應用場景，幫助讀者進一步理解邊緣計算。最后，總結了發展邊緣計算亟待解決的幾類關鍵性問題，給科研工作者指出了研究方向。