logo资料库

边缘计算_万物互联时代新型计算模型_施巍松.pdf

发布时间：2022-06-11 发布人：admin 分类：说明书 资料大小：0.84M 资料格式：pdf 举报 版权申诉
第1页 / 共18页
第2页 / 共18页
第3页 / 共18页
第4页 / 共18页
第5页 / 共18页
第6页 / 共18页
第7页 / 共18页
第8页 / 共18页
资料共18页，剩余部分请下载后查看
    书书书计算机研究与发展ＤＯＩ：１０．７５４４?ｉｓｓｎ１０００－１２３９．２０１７．２０１６０９４１Ｊｏｕｒｎａｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｒｅｓｅａｒｃｈ　ａｎｄ　Ｄｅｖｅｌｏｐｍｅｎｔ　５４（５）：９０７－９２４，２０１７　收稿日期：２０１６－１２－０９；修回日期：２０１７－０２－０９　基金项目：国家自然科学基金面上项目（６１５７２００１）；安徽大学２０１６年博士科研启动经费项目（Ｊ０１００３２１４）Ｔｈｉｓ　ｗｏｒｋ　ｗａｓ　ｓｕｐｐｏｒｔｅｄ　ｂｙ　ｔｈｅ　Ｇｅｎｅｒａｌ　Ｐｒｏｇｒａｍ　ｏｆ　ｔｈｅ　Ｎａｔｉｏｎａｌ　Ｎａｔｕｒａｌ　Ｓｃｉｅｎｃｅ　Ｆｏｕｎｄａｔｉｏｎ　ｏｆ　Ｃｈｉｎａ（６１５７２００１）ａｎｄ　ＡｎｈｕｉＵｎｉｖｅｒｓｉｔｙ　Ｆｕｎｄ　ｆｏｒ　Ｄｏｃｔｏｒａｌ　Ｒｅｓｅａｒｃｈ（Ｊ０１００３２１４）．　通信作者：孙辉（ｓｕｎｈｕｉ＠ａｈｕ．ｅｄｕ．ｃｎ）边缘计算：万物互联时代新型计算模型施巍松１　孙　辉２　曹　杰１　张　权１　刘　伟２１（韦恩州立大学计算机科学系　美国底特律　４８２０２）２（安徽大学计算机科学与技术学院　合肥　２３０６０１）（ｗｅｉｓｏｎｇ＠ｗａｙｎｅ．ｅｄｕ）Ｅｄｇｅ　Ｃｏｍｐｕｔｉｎｇ　Ａｎ　Ｅｍｅｒｇｉｎｇ　Ｃｏｍｐｕｔｉｎｇ　Ｍｏｄｅｌ　ｆｏｒ　ｔｈｅ　Ｉｎｔｅｒｎｅｔ　ｏｆ　ＥｖｅｒｙｔｈｉｎｇＥｒａＳｈｉ　Ｗｅｉｓｏｎｇ１，Ｓｕｎ　Ｈｕｉ　２，Ｃａｏ　Ｊｉｅ１，Ｚｈａｎｇ　Ｑｕａｎ１，ａｎｄ　Ｌｉｕ　Ｗｅｉ　２１（Ｄｅｐａｒｔｍｅｎｔ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ，Ｗａｙｎｅ　Ｓｔａｔｅ　Ｕｎｉｖｅｒｓｉｔｙ，Ｄｅｔｒｏｉｔ，ＵＳＡ４８２０２）２（Ｓｃｈｏｏｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ａｎｈｕｉ　Ｕｎｉｖｅｒｓｉｔｙ，Ｈｅｆｅｉ　２３０６０１）Ａｂｓｔｒａｃｔ　Ｗｉｔｈ　ｔｈｅ　ｐｒｏｌｉｆｅｒａｔｉｏｎ　ｏｆ　Ｉｎｔｅｒｎｅｔ　ｏｆ　ｔｈｉｎｇｓ（ＩｏＴ）ａｎｄ　ｔｈｅ　ｂｕｒｇｅｏｎｉｎｇ　ｏｆ　４Ｇ?５Ｇｎｅｔｗｏｒｋ，ｗｅ　ｈａｖｅ　ｓｅｅｎ　ｔｈｅ　ｄａｗｎｉｎｇ　ｏｆ　ｔｈｅ　ＩｏＥ（Ｉｎｔｅｒｎｅｔ　ｏｆ　ｅｖｅｒｙｔｈｉｎｇ）ｅｒａ，ｗｈｅｒｅ　ｔｈｅｒｅ　ｗｉｌｌ　ｂｅ　ａ　ｈｕｇｅ　ｖｏｌｕｍｅｏｆ　ｄａｔａ　ｇｅｎｅｒａｔｅｄ　ｂｙ　ｔｈｉｎｇｓ　ｔｈａｔ　ａｒｅ　ｉｍｍｅｒｓｅｄ　ｉｎ　ｏｕｒ　ｄａｉｌｙ　ｌｉｆｅ，ａｎｄ　ｈｕｎｄｒｅｄｓ　ｏｆ　ａｐｐｌｉｃａｔｉｏｎｓ　ｗｉｌｌ　ｂｅｄｅｐｌｏｙｅｄ　ａｔ　ｔｈｅ　ｅｄｇｅ　ｔｏ　ｃｏｎｓｕｍｅ　ｔｈｅｓｅ　ｄａｔａ．Ｃｌｏｕｄ　ｃｏｍｐｕｔｉｎｇ　ａｓ　ｔｈｅ　ｄｅ　ｆａｃｔｏ　ｃｅｎｔｒａｌｉｚｅｄ　ｂｉｇ　ｄａｔａｐｒｏｃｅｓｓｉｎｇ　ｐｌａｔｆｏｒｍ　ｉｓ　ｎｏｔ　ｅｆｆｉｃｉｅｎｔ　ｅｎｏｕｇｈ　ｔｏ　ｓｕｐｐｏｒｔ　ｔｈｅｓｅ　ａｐｐｌｉｃａｔｉｏｎｓ　ｅｍｅｒｇｉｎｇ　ｉｎ　ＩｏＥ　ｅｒａ，ｉ．ｅ．，１）ｔｈｅ　ｃｏｍｐｕｔｉｎｇ　ｃａｐａｃｉｔｙ　ａｖａｉｌａｂｌｅ　ｉｎ　ｔｈｅ　ｃｅｎｔｒａｌｉｚｅｄ　ｃｌｏｕｄ　ｃａｎｎｏｔ　ｋｅｅｐ　ｕｐ　ｗｉｔｈ　ｔｈｅ　ｅｘｐｌｏｓｉｖｅ　ｇｒｏｗｉｎｇｃｏｍｐｕｔａｔｉｏｎａｌ　ｎｅｅｄｓ　ｏｆ　ｍａｓｓｉｖｅ　ｄａｔａ　ｇｅｎｅｒａｔｅｄ　ａｔ　ｔｈｅ　ｅｄｇｅ　ｏｆ　ｔｈｅ　ｎｅｔｗｏｒｋ；２）ｌｏｎｇｅｒ　ｕｓｅｒ－ｐｅｒｃｅｉｖｅｄｌａｔｅｎｃｙ　ｃａｕｓｅｄ　ｂｙ　ｔｈｅ　ｄａｔａ　ｍｏｖｅｍｅｎｔ　ｂｅｔｗｅｅｎ　ｔｈｅ　ｅｄｇｅ　ａｎｄ　ｔｈｅ　ｃｌｏｕｄ；３）ｐｒｉｖａｃｙ　ａｎｄ　ｓｅｃｕｒｉｔｙ　ｃｏｎｃｅｒｎｓｆｒｏｍ　ｄａｔａ　ｏｗｎｅｒｓ　ｉｎ　ｔｈｅ　ｅｄｇｅ；４）ｅｎｅｒｇｙ　ｃｏｎｓｔｒａｉｎｔｓ　ｏｆ　ｅｄｇｅ　ｄｅｖｉｃｅｓ．Ｔｈｅｓｅ　ｉｓｓｕｅｓ　ｉｎ　ｔｈｅ　ｃｅｎｔｒａｌｉｚｅｄｂｉｇ　ｄａｔａ　ｐｒｏｃｅｓｓｉｎｇ　ｅｒａ　ｈａｖｅ　ｐｕｓｈｅｄ　ｔｈｅ　ｈｏｒｉｚｏｎ　ｏｆ　ａ　ｎｅｗ　ｃｏｍｐｕｔｉｎｇ　ｐａｒａｄｉｇｍ，ｅｄｇｅ　ｃｏｍｐｕｔｉｎｇ，ｗｈｉｃｈｃａｌｌｓ　ｆｏｒ　ｐｒｏｃｅｓｓｉｎｇ　ｔｈｅ　ｄａｔａ　ａｔ　ｔｈｅ　ｅｄｇｅ　ｏｆ　ｔｈｅ　ｎｅｔｗｏｒｋ．Ｌｅｖｅｒａｇｉｎｇ　ｔｈｅ　ｐｏｗｅｒ　ｏｆ　ｃｌｏｕｄ　ｃｏｍｐｕｔｉｎｇ，ｅｄｇｅ　ｃｏｍｐｕｔｉｎｇ　ｈａｓ　ｔｈｅ　ｐｏｔｅｎｔｉａｌ　ｔｏ　ａｄｄｒｅｓｓ　ｔｈｅ　ｌｉｍｉｔａｔｉｏｎ　ｏｆ　ｃｏｍｐｕｔｉｎｇ　ｃａｐａｂｉｌｉｔｙ，ｔｈｅ　ｃｏｎｃｅｒｎｓ　ｏｆｒｅｓｐｏｎｓｅ　ｔｉｍｅ　ｒｅｑｕｉｒｅｍｅｎｔ，ｂａｎｄｗｉｄｔｈ　ｃｏｓｔ　ｓａｖｉｎｇ，ｄａｔａ　ｓａｆｅｔｙ　ａｎｄ　ｐｒｉｖａｃｙ，ａｓ　ｗｅｌｌ　ａｓ　ｂａｔｔｅｒｙ　ｌｉｆｅｃｏｎｓｔｒａｉｎｔ．“Ｅｄｇｅ”ｉｎ　ｅｄｇｅ　ｃｏｍｐｕｔｉｎｇ　ｉｓ　ｄｅｆｉｎｅｄ　ａｓ　ａｎｙ　ｃｏｍｐｕｔｉｎｇ　ａｎｄ　ｎｅｔｗｏｒｋ　ｒｅｓｏｕｒｃｅｓ　ａｌｏｎｇ　ｔｈｅｐａｔｈ　ｂｅｔｗｅｅｎ　ｄａｔａ　ｓｏｕｒｃｅｓ　ａｎｄ　ｃｌｏｕｄ　ｄａｔａ　ｃｅｎｔｅｒｓ．Ｉｎ　ｔｈｉｓ　ｐａｐｅｒ，ｗｅ　ｉｎｔｒｏｄｕｃｅ　ｔｈｅ　ｄｅｆｉｎｉｔｉｏｎ　ｏｆ　ｅｄｇｅｃｏｍｐｕｔｉｎｇ，ｆｏｌｌｏｗｅｄ　ｂｙ　ｓｅｖｅｒａｌ　ｃａｓｅ　ｓｔｕｄｉｅｓ，ｒａｎｇｉｎｇ　ｆｒｏｍ　ｃｌｏｕｄ　ｏｆｆｌｏａｄｉｎｇ　ｔｏ　ｓｍａｒｔ　ｈｏｍｅ　ａｎｄ　ｃｉｔｙ，ａｓｗｅｌｌ　ａｓ　ｃｏｌｌａｂｏｒａｔｉｖｅ　ｅｄｇｅ　ｔｏ　ｍａｔｅｒｉａｌｉｚｅ　ｔｈｅ　ｃｏｎｃｅｐｔ　ｏｆ　ｅｄｇｅ　ｃｏｍｐｕｔｉｎｇ．Ｆｉｎａｌｌｙ，ｗｅ　ｐｒｅｓｅｎｔ　ｓｅｖｅｒａｌｃｈａｌｌｅｎｇｅｓ　ａｎｄ　ｏｐｐｏｒｔｕｎｉｔｉｅｓ　ｉｎ　ｔｈｅ　ｆｉｅｌｄ　ｏｆ　ｅｄｇｅ　ｃｏｍｐｕｔｉｎｇ，ａｎｄ　ｈｏｐｅ　ｔｈｉｓ　ｐａｐｅｒ　ｗｉｌｌ　ｇａｉｎ　ａｔｔｅｎｔｉｏｎｆｒｏｍ　ｔｈｅ　ｃｏｍｍｕｎｉｔｙ　ａｎｄ　ｉｎｓｐｉｒｅ　ｍｏｒｅ　ｒｅｓｅａｒｃｈ　ｉｎ　ｔｈｉｓ　ｄｉｒｅｃｔｉｏｎ．Ｋｅｙ　ｗｏｒｄｓ　ｅｄｇｅ　ｃｏｍｐｕｔｉｎｇ；ｃｌｏｕｄ　ｃｏｍｐｕｔｉｎｇ；Ｉｎｔｅｒｎｅｔ　ｏｆ　ｅｖｅｒｙｔｈｉｎｇ（ＩｏＥ）；ｓｍａｒｔ　ｈｏｍｅ　ａｎｄ　ｃｉｔｙ；ｃｏｌｌａｂｏｒａｔｉｖｅ　ｅｄｇｅ摘　要　随着物联网的快速发展和４Ｇ?５Ｇ无线网络的普及，万物互联的时代已经到来，网络边缘设备数量的迅速增加，使得该类设备所产生的数据已达到泽字节（ＺＢ）级别．以云计算模型为核心的集中式大
    数据处理时代，其关键技术已经不能高效处理边缘设备所产生的数据，主要表现在：１）线性增长的集中式云计算能力无法匹配爆炸式增长的海量边缘数据；２）从网络边缘设备传输海量数据到云中心致使网络传输带宽的负载量急剧增加，造成较长的网络延迟；３）网络边缘数据涉及个人隐私，使得隐私安全问题变得尤为突出；４）有限电能的网络边缘设备传输数据到云中心消耗较大电能．为此，以边缘计算模型为核心的面向网络边缘设备所产生海量数据计算的边缘式大数据处理应运而生，其与现有以云计算模型为核心的集中式大数据处理相结合，即二者相辅相成，应用于云中心和网络边缘端的大数据处理，较好地解决了万物互联时代大数据处理中所存在的上述问题．边缘计算中的“边缘”是个相对的概念，指从数据源到云计算中心数据路径之间的任意计算资源和网络资源．边缘计算的基本理念是将计算任务在接近数据源的计算资源上运行．首先系统地介绍边缘计算的概念和原理；其次，通过现有研究工作为案例（即云计算任务迁移、视频分析、智能家居、智慧城市、智能交通以及协同边缘），实例化边缘计算的概念；最后，提出边缘计算领域所存在的挑战．该文希望能让学界和产业界了解和关注边缘计算，并能够启发更多的学者开展边缘式大数据处理时代边缘计算模型的研究．关键词　边缘计算；云计算；万物互联；智能家居和城市；协同边缘中图法分类号　ＴＰ３９１；ＴＰ３９３　　自２００５年，云计算［１］的提出和广泛应用已经改变了人们日常工作和生活的方式，如软件即服务（ｓｏｆｔｗａｒｅ　ａｓ　ａ　ｓｅｒｖｉｃｅ，ＳａａＳ）被广泛应用到谷歌、Ｔｗｉｔｔｅｒ、Ｆａｃｅｂｏｏｋ等著名ＩＴ企业的数据中心．可扩展的基础设施和支持云服务的处理引擎技术已对应用服务程序的运行方式产生了巨大影响，如谷歌的文件系统Ｇｏｏｇｌｅ　Ｆｉｌｅ　Ｓｙｓｔｅｍ［２］、ＭａｐＲｅｄｕｃｅ编程模型［３］、Ａｐａｃｈｅ基金会开发的分布式文件系统Ｈａｄｏｏｐ［４］、加州大学伯克利分校ＡＭＰ实验室开发的内存计算框架Ｓｐａｒｋ［５］等．物联网技术（Ｉｎｔｅｒｎｅｔ　ｏｆ　ｔｈｉｎｇｓ，ＩｏＴ）［６］旨在利用射频识别技术、无线数据通信技术等构造一种全球物品信息实时共享的实物互联网．随后，“无人参与的计算机信息感知”的概念开始逐渐应用到可穿戴医疗、智能家居、环境感知和智能运输系统中［７－８］．如今，我们已经从物联网时代迈进万物互联（Ｉｎｔｅｒｎｅｔｏｆ　ｅｖｅｒｙｔｈｉｎｇ，ＩｏＥ）［９］的时代，相比物联网而言，万物互联除了“物”与“物”的互联，还增加了更高级别的“人”与“物”的互联，其突出特点是任何“物”都将具有语境感知的功能、更强的计算能力和感知能力．将人和信息融入到互联网中，网络将具有数十亿甚至数万亿的连接节点．万物互联以物理网络为基础，增加了网络智能，在互联网的“万物”之间实现融合、协同以及可视化的功能．随着万物互联的飞速发展及广泛应用，边缘设备正在从以数据消费者为主的单一角色转变为兼顾数据生产者和数据消费者的双重角色，同时网络边缘设备逐渐具有利用收集的实时数据进行模式识别、执行预测分析或优化、智能处理等功能．目前，大数据处理已经从以云计算为中心的集中式处理时代（本文中我们把２００５—２０１５这１０年称之为集中式大数据处理时代）正在跨入以万物互联为核心的边缘计算时代（本文中我们称之为边缘式大数据处理时代）．集中式大数据处理时代，更多的是集中式存储和处理大数据，其采取的方式是建造云计算中心，并利用云计算中心超强的计算能力来集中式解决计算和存储问题．相比而言，在边缘式大数据处理时代，网络边缘设备会产生海量实时数据；并且，这些边缘设备将部署支持实时数据处理的边缘计算平台为用户提供大量服务或功能接口，用户可通过调用这些接口来获取所需的边缘计算服务．根据思科全球云指数的预估［１０］，到２０１９年，物联网产生数据的４５％将在网络边缘存储、处理、分析，而全球数据中心总数据流量预计将达到１０．４泽字节（ｚｅｔｔａｂｙｔｅ，ＺＢ）．据思科互联网业务解决方案集团预测［１１］，到２０２０年，连接到网络的无线设备数量将达到５００亿台．基于万物互联平台的应用服务需要更短的响应时间，同时也会产生大量涉及个人隐私的数据．在此情况下，传统云计算模式将不能高效地支持基于万物互联的应用服务程序，而边缘式大数据处理时代下的边缘计算模型则可较好地解决这些问题．在边缘计算模型中，网络边缘设备已经具有足够的计算能力来实现源数据的本地处理，并将结果发送给云计算中心．边缘计算模型不仅可降低数据传输带宽，同时能较好地保护隐私数据，降低终端敏感数据隐私泄露的风险．因此，随着万物互联的８０９计算机研究与发展　２０１７，５４（５）
    发展，边缘计算模型将成为新兴万物互联应用的支撑平台．万物互联技术发展，将使云计算中心的部分应用服务程序迁移到网络边缘设备．边缘设备兼顾数据消费者和生产者．本文从概念、原理以及挑战等方面对边缘式大数据处理时代的支撑平台，即边缘计算模型展开介绍．首先阐述边缘计算的背景；其次介绍边缘计算的概念；为进一步解释边缘计算的概念，结合我们研究成果，提出未来边缘计算的６种典型案例，包括云计算任务迁移、视频分析、智能家居、智慧城市、智能交通以及协同边缘；最后，讨论边缘计算所面临的挑战，如编程模型、命名规则、数据抽象、服务管理、数据隐私保护及安全、理论基础及商业模型．通过这些阐述，旨在为边缘计算研究者提供未来的研究方向．１　边缘计算的兴起我们将以云计算模型为核心的大数据处理阶段称为集中式大数据处理时代，该阶段特征主要表现为大数据的计算和存储均在云计算中心（数据中心）采用集中方式执行，因为云计算中心具有较强的计算和存储能力．这种资源集中的大数据处理方式可以为用户节省大量开销，创造出有效的规模经济效益．但是，云计算中心的集中式处理模式在万物互联的时代表现出其固有的问题，如万物互联背景下，网络边缘设备所产生的数据已达到海量级别：１）线性增长的集中式云计算能力无法匹配爆炸式增长的海量边缘数据；２）从网络边缘设备传输到云数据中心的海量数据增加了传输带宽的负载量，造成网络延迟时间较长；３）边缘设备数据涉及个人隐私和安全的问题变得尤为突出；４）边缘设备具有有限电能，数据传输造成终端设备电能消耗较大等．针对于此，万物互联时代如果仍采用集中式大数据处理模式下的云计算，现有的云计算相关技术并不能完全高效地处理网络边缘设备所产生的海量数据．因此，学术界和产业界开始对新的计算模型进行深入地研究，如微数据中心［１２］、移动边缘计算［１３］、雾计算［１４］、Ｃｌｏｕｄｌｅｔ［１５］、中国科学院的海云计算［１６］等．万物互联应用需求的发展催生了边缘式大数据处理模式，即边缘计算模型［１７］，其能在网络边缘设备上增加执行任务计算和数据分析的处理能力，将原有云计算模型的部分或全部计算任务迁移到网络边缘设备上，降低云计算中心的计算负载，减缓网络带宽的压力，提高万物互联时代数据的处理效率．本节中，我们首先介绍边缘计算产生的动机，然后给出边缘计算的定义及理解．１．１　边缘计算产生的动机１．１．１　云计算服务的不足云计算大多采用集中式管理的方法，这使云服务创造出较高的经济效益，而在万物互联的背景下，应用服务需要低延时、高可靠性以及数据安全，而传统云计算无法满足这些需求，主要归因于３个方面：１）实时性．万物互联环境下，边缘设备产生大量实时数据，云计算性能［１８］正逐渐达到瓶颈．据ＩＤＣ预测［１９］，到２０２０年，全球数据总量将大于４０ＺＢ．随着边缘设备数据量的增加，网络带宽正逐渐成为云计算的另一瓶颈．仅提高网络带宽并不能满足新兴万物互联应用对延迟时间的要求，例如，波音７８７每秒产生的数据超过５ＧＢ［２０］，但飞机与卫星之间的带宽不足以支持实时传输．装载在无人驾驶汽车［２１］上的传感器和摄像头实时捕捉路况信息，每秒产生约１ＧＢ数据．根据ＩＨＳ预测［２２］，到２０３５年，全球将有５　４００万辆无人驾驶汽车，如何实现较短延时将是未来主要研究方向．为此，在接近数据源的边缘设备上执行部分或全部计算是适应万物互联应用需求的新兴计算模式．２）隐私保护．当用户使用电子购物网站、搜索引擎、社交网络等时，用户的隐私数据将被上传至云中心［２３］．Ｃｏｒｔｅｓ等人研究出一种基于运动追踪的医疗体育应用服务［２４］，其包含用户隐私数据，如从路由起点信息可以查找到用户的家庭地址．随着智能家居的普及，许多家庭在屋内安装网络摄像头，如果直接将视频数据上传至云数据中心，视频数据的传输不仅会占用带宽资源，还增加了泄露用户隐私数据的风险．为此，针对现有云计算模型的数据安全问题，边缘计算模型为这类敏感数据提供了较好的隐私保护机制，一方面，用户的源数据在上传至云数据中心之前，首先利用近数据端的边缘结点直接对数据源进行处理，以实现对一些敏感数据的保护与隔离；另一方面，边缘节点与云数据之间建立功能接口，即边缘节点仅接收来自云计算中心的请求，并将处理的结果反馈给云计算中心．这种方法可以显著地降低隐私泄露的风险．３）能耗．针对云数据中心的能耗问题，许多研究者进行了深入的调查研究［２５－２６］．Ｓｖｅｒｄｌｉｋ的研究结果表明［２７］，到２０２０年美国所有数据中心的总能耗将增长４％，在２０２０年将达到约７３０亿千瓦时．９０９施巍松等：边缘计算：万物互联时代新型计算模型
    在我国，环境３６０报告表明［２８］，仅我国数据中心所消耗的电能已经超过匈牙利和希腊两国用电的总和．随着在云计算中心运行的用户应用程序越来越多，未来大规模数据中心对能耗的需求将难以满足［２９］．在云计算中心的能耗优化方面，现有的研究内容主要集中在如何提高能源使用效率［３０－３１］和动态资源管理策略方面［３２－３３］，以达到减缓能耗增速、最大程度的节能．然而，仅提高能效水平等策略，虽然可达到节能的目的，但仍不能解决数据中心巨大能耗的问题，这一问题在万物互联环境下将更加突出．为解决这一能耗难题，边缘计算模型提出将原有云数据中心上运行的一些计算任务进行分解，然后将分解的计算任务迁移到边缘节点进行处理，以此降低云计算数据中心的计算负载，进而达到降低能耗的目的．当前，线性增长的集中式云计算能力已无法匹配爆炸式增长的海量边缘数据，基于云计算模型的单一计算资源已不能满足大数据处理的实时性、安全性和低能耗等需求，在现有以云计算模型为核心的集中式大数据处理基础上，亟待需要以边缘计算模型为核心，面向海量边缘数据的边缘式大数据处理技术，二者相辅相成，应用于云中心和边缘端大数据处理，解决万物互联时代云计算服务不足的问题．１．１．２　万物互联的兴起传感器、智能手机、可穿戴设备以及智能家电等设备将成为万物互联的一部分，并产生海量数据，而现有云计算的带宽和计算资源还不能高效处理这些数据．因此，在网络边缘端处理源数据，筛选出有效的信息并发送到云端将成为一种新的计算模型，其有效降低云中心的网络带宽和计算负载，边缘计算模型受到学术界和产业界的广泛关注．Ｆｉｇ．１　Ｃｌｏｕｄ　ｃｏｍｐｕｔｉｎｇ　ｐａｒａｄｉｇｍ图１　传统云计算模型图１所示为传统云计算模型．源数据由生产者发送至云端，终端用户、智能手机、个人电脑等数据消费者向云中心发送使用请求．图１中，蓝色实线表示数据生产者发送源数据到云中心，红色实线表示数据消费者向云中心发送使用请求，红色虚线表示云中心将结果反馈给数据消费者．云计算利用大量计算资源来处理数据，但万物互联环境下，传统云计算模型不能有效满足万物互联应用的需求，其原因主要有：①直接将边缘设备端海量数据发送到云端，造成网络带宽负载和计算资源浪费；②传统云计算模型的隐私保护问题将成为万物互联架构中云计算模型的障碍；③万物互联架构中大多数边缘设备节点的能源是有限的，并且ＧＳＭ，ＷｉＦｉ等无线传输模块的能耗较大．针对于此，利用边缘设备已具有的计算能力，将应用服务程序的全部或部分计算任务从云中心迁移到边缘设备端执行，降低能源消耗．１．１．３　从数据消费者到生产者在云计算模型中，边缘终端设备通常作为数据消费者（如用智能手机观看在线视频），如今智能手机也可生产数据，从数据消费者到生产者角色的转变要求边缘设备具有更强的计算能力，如人们通过Ｆａｃｅｂｏｏｋ、Ｔｗｉｔｔｅｒ、微信等分享照片及视频．ＹｏｕＴｕｂｅ用户每分钟上传长达７２ｈ的视频内容；Ｔｗｉｔｔｅｒ用户每分钟近３０万次的访问量；Ｉｎｓｔａｇｒａｍ用户每分钟上传近２２万张新照片［３４］；微信朋友圈和腾讯ＱＱ空间每天上传的图片高达１０亿张；腾讯视频每天播放量达２０亿次．这些图片和视频数据量较大，上传至云计算中心过程会占用大量带宽资源．为此，在源数据上传至云中心之前，可在边缘设备执行预处理，以减少传输的数据量，降低传输带宽的负载．此外，若在边缘设备处理个人身体健康数据等隐私数据，用户隐私会得到更好地保护．１．２　边缘计算定义Ｆｉｇ．２　Ｅｄｇｅ　ｃｏｍｐｕｔｉｎｇ　ｐａｒａｄｉｇｍ图２　边缘计算模型边缘计算是指在网络边缘执行计算的一种新型计算模型，边缘计算中边缘的下行数据表示云服务，上行数据表示万物互联服务，而边缘计算的边缘是０１９计算机研究与发展　２０１７，５４（５）
    指从数据源到云计算中心路径之间的任意计算和网络资源．图２表示基于双向计算流的边缘计算模型．云计算中心不仅从数据库收集数据，也从传感器和智能手机等边缘设备收集数据．这些设备兼顾数据生产者和消费者．因此，终端设备和云中心之间的请求传输是双向的．网络边缘设备不仅从云中心请求内容及服务，而且还可以执行部分计算任务，包括数据存储、处理、缓存、设备管理、隐私保护等．因此，需要更好地设计边缘设备硬件平台及其软件关键技术，以满足边缘计算模型中可靠性、数据安全性的需求．１．３　边缘计算优势边缘计算模型将原有云计算中心的部分或全部计算任务迁移到数据源的附近执行．根据大数据的３Ｖ特点，即数据量（ｖｏｌｕｍｅ）、时效性（ｖｅｌｏｃｉｔｙ）、多样性（ｖａｒｉｅｔｙ），通过对比云计算模型为代表的集中式大数据处理（如图３所示）和以边缘计算模型为代表的边缘式大数据处理（如图４所示）时代不同数据特征来阐述边缘计算模型的优势．Ｆｉｇ．３　Ｃｅｎｔｒａｌｉｚｅｄ　ｂｉｇ　ｄａｔａ　ｐｒｏｃｅｓｓｉｎｇ　ｐｌａｔｆｏｒｍ　ｖ１．０图３　集中式大数据处理Ｆｉｇ．４　Ｅｄｇｅ　ｃｏｍｐｕｔｉｎｇ－ｂａｓｅｄ　ｄａｔａ　ｐｒｏｃｅｓｓｉｎｇ　ｐｌａｔｆｏｒｍ　ｖ１．０图４　边缘式大数据处理集中式大数据处理时代，数据的类型主要以文本、音视频、图片以及结构化数据库等为主，数据量维持在ＰＢ级别，云计算模型下的数据处理对实时性要求不高．万物互联背景下的边缘式大数据处理时代，数据类型变得更加负责多样，其中万物互联设备的感知数据急剧增加，原有作为数据消费者的用户终端已变成了具有可产生数据的生产者终端，并且边缘式大数据处理时代，数据处理的实时性要求较高，此外，该时期的数据量已超过ＺＢ级．针对此，边缘式大数据处理时代，由于数据量的增加以及对实时性的需求，需将原有云中心的计算任务部分迁移到网络边缘设备（如图４的边缘云）上，以提高数据传输性能，保证处理的实时性，同时降低云计算中心的计算负载．为此，边缘式大数据处理时代的数据特征催生了边缘计算模型．然而，边缘计算模型与云计算模型并不是非此即彼的关系，而是相辅相成的关系，边缘式大数据处理时代是边缘计算模型与云计算模型的相互结合的时代，二者的有机结合将为万物互联时代的信息处理提供较为完美的软硬件支撑平台．２　边缘计算典型应用实例应用是检验新技术是否有价值的最直接、最有效的方式．同样，也适用于边缘计算模型，边缘计算是否有价值取决于基于边缘计算的关键应用场景，只有通过应用才能发现边缘计算的发展中所遇到的各种挑战和机遇．因此，下面我们给出基于边缘计算模型的６种实际应用案例．通过这些案例可以展望边缘计算在万物互联背景下的研究机遇和应用前景．２．１　云计算任务迁移云计算中，大多数计算任务在云计算中心执行，这会导致响应延时较长，损害用户体验．根据用户设备的环境可确定数据分配和传输方法，ＥＡＷＰ（ｅｄｇｅａｃｃｅｌｅｒａｔｅｄ　Ｗｅｂ　ｐｌａｔｆｏｒｍ）模型［３５］改善了传统云计算模式下较长响应时间的问题．许多研究团队［３６－４０］已经开始研究解决云迁移在移动云环境中的能耗问题．边缘计算中，边缘端设备借助其一定的计算资源实现从云中心迁移部分或全部任务到边缘端执行．在线购物应用中，消费者可能频繁地操作购物车，默认条件下，用户购物车状态的改变先在云中心完成，用户设备上购物车内产品视图再更新．这个操作时间取决于网络带宽和云中心负载状况．由于移动网络的低带宽，移动端购物车的更新延时较长．目前，使用移动客户端网购变得流行，因此缩短响应延时，１１９施巍松等：边缘计算：万物互联时代新型计算模型
    改善用户体验的需求日益增加．如果购物车内产品视图的更新操作从云中心迁移到边缘节点，这样会降低用户请求的响应延时．购物车数据可被缓存在边缘节点，相关的操作可在边缘节点上执行．当用户的请求到达边缘节点时，新的购物车视图立即推送到用户设备．边缘节点与云中心的数据同步可在后台进行．２．２　边缘计算视频监控城市安全视频监控系统主要应对因万物互联的广泛应用而引起的新型犯罪及社会管理等公共安全问题．传统视频监控系统前端摄像头内置计算能力较低，而现有智能视频监控系统的智能处理能力不足．为此，我们以云计算和万物互联技术为基础，融合边缘计算模型和视频监控技术，构建基于边缘计算的新型视频监控应用的软硬件服务平台，以提高视频监控系统前端摄像头的智能处理能力，进而实现重大刑事案件和恐怖袭击活动预警系统和处置机制，提高视频监控系统的防范刑事犯罪和恐怖袭击的能力．针对海量视频数据，云计算中心服务器计算能力有限等问题：１）我们构建了一种基于边缘计算的视频图像预处理技术（ｐｒｅｐｒｏｃｅｓｓｉｎｇ）．通过对视频图像进行预处理，去除视频图像冗余信息，使得部分或全部视频分析迁移到边缘处，由此降低对云中心的计算、存储和网络带宽需求，提高视频分析的速度，此外，预处理使用的算法采用软件优化、硬件加速等方法，提高视频图像分析的效率．２）为了降低上传的视频数据，基于边缘预处理功能，我们构建基于行为感知的视频监控数据弹性存储机制（ｅｌａｓｔｉｃｓｔｏｒａｇｅ）．边缘计算软硬件框架为视频监控系统提供具有预处理功能的平台，实时提取和分析视频中的行为特征，实现监控场景行为感知的数据处理机制；根据行为特征决策功能，实时调整视频数据，既减少无效视频的存储，降低存储空间，又最大化存储“事中”证据类视频数据，增强证据信息的可信性，提高视频数据存储空间利用率．图５表示基于边缘计算的视频监控系统框图，其中具有边缘计算功能的模块作为协处理单元，简称边缘计算硬件单元（ｈａｒｄｗａｒｅ　ｕｎｉｔ）与原有视频监控系统的摄像头终端系统进行系统融合．Ｆｉｇ．５　Ｅｄｇｅ　ｃｏｍｐｕｔｉｎｇ－ｂａｓｅｄ　ｖｉｄｅｏ　ｓｕｒｖｅｉｌｌａｎｃｅ　ｓｙｓｔｅｍ图５　边缘计算视频监控系统框图　　现有的视频监控系统在记录视频数据之后，采用直接或简单视频处理后传输到云计算中心．而随着视频数据呈现海量的特征，公共安全领域的应用要求视频监控系统能够提供实时、高效的视频数据处理．针对此，如图４所示利用边缘计算模型将具有计算能力的硬件单元集成到原有的视频监控系统硬件平台上，配以相应的软件支撑技术，实现具有边缘计算能力的新型视频监控系统．在边缘计算模型中，计算通常发生在数据源的附近［４１］，即在视频数据采集的边缘端进行视频数据的处理．为此，一方面，基于智能算法的预处理功能模块，在保证数据可靠性的前提下，利用模糊计算模型，对实时采集的视频数据执行部分或全部计算任务，这能够为实时性要求较高的应用请求提供及时的应答服务，而且还降低云计算中心计算和带宽的负载；另一方面，我们还设计了具有可伸缩的弹性存２１９计算机研究与发展　２０１７，５４（５）
    储功能模块，利用智能算法感知监控场景内行为的变化来选择性存储视频数据，实现最小空间存储最大价值的数据（如犯罪行为证据等）．最后，在兼容现有智能处理的功能基础上，增加了“事中”事件监测和“事中”事件报告的功能，及时有效地向用户发送响应信息．２．３　智能家居家居生活随着万物互联应用的普及变得越来越智能和便利，如智能照明控制系统、智能电视、智能机器人等．然而，在智能设备中，仅通过一种ＷｉＦｉ模块连接到云计算中心的做法，远远不能满足智能家居的需求．智能家居环境中，除了联网设备外，廉价的无线传感器和控制器应部署到房间、管道、地板和墙壁等，出于数据传输负载和数据隐私的考虑，这些敏感数据的处理应在家庭范围内完成．传统的云计算模型已不能完全适用于智能家居类应用，而边缘计算模型是组建智能家居系统的最优平台．在家庭内部的边缘网关上运行边缘操作系统（ｅｄｇｅ　ｏｐｅｒａｔｉｏｎ　ｓｙｓｔｅｍ，ＥｄｇｅＯＳ），如图６所示．利用该操作系统，在家庭内部较易连接和管理智能家居设备，并在本地处理这些设备所产生的数据，降低数据传输带宽的负载，同时基于ＥｄｇｅＯＳ的应用服务程序可向用户提供更好的资源管理和分配．Ｆｉｇ．６　Ｓｔｒｕｃｔｕｒｅ　ｏｆ　ＥｄｇｅＯＳ　ｉｎ　ｔｈｅ　ｓｍａｒｔ　ｈｏｍｅｅｎｖｉｒｏｎｍｅｎｔ图６　智能家居的边缘操作系统结构图６表示ＥｄｇｅＯＳ在智能家居中的一种变体．ＥｄｇｅＯＳ需要从移动设备中收集数据，多种设备利用不同的通信协议进行通讯，如ＷｉＦｉ、蓝牙、局域网以及蜂窝网络等．不同来源的数据在数据抽象层进行融合和处理（详见３．３节）．数据抽象层之上是服务管理层，该层需满足服务差异性（ｄｉｆｆｅｒｅｎｔｉａｔｉｏｎ）、可扩展性（ｅｘｔｅｎｓｉｂｉｌｉｔｙ）、隔离性（ｉｓｏｌａｔｉｏｎ）及可靠性（ｒｅｌｉａｂｉｌｉｔｙ）（详见３．４节）等需求．此外，命名规则在每层内因功能不同而有所差异（详见３．２节）．２．４　智慧城市边缘计算模型可从智能家居灵活地扩展到社区甚至城市的规模．根据边缘计算模型中将计算最大程度迁移到数据源附近的原则，用户需求在计算模型上层产生并且在边缘处理．边缘计算可作为智慧城市中一种较理想的平台，主要取决于以下３个方面：１）大数据量．据思科全球云指数预测［９］，到２０１９年，一个百万人口的城市每天将产生１８０ＰＢ的数据，其主要来自于公共安全、健康数据、公共设施以及交通运输等领域．用云计算模型处理这些海量数据是不现实的，因为云计算模型会引起较重传输带宽负载和较长传输延时．在网络边缘设备进行数据处理的边缘计算模型将是一种高效的解决方案．２）低延时．万物互联环境下，大多数应用具有低延时的需求（比如健康急救和公共安全），边缘计算模型可以降低数据传输时间，简化网络结构．此外，与云计算模型相比，边缘网络对决策和诊断信息的收集将更加高效．３）位置识别．如运输和设施管理等基于地理位置的应用，对于位置识别技术，边缘计算模型优于云计算模型．在边缘计算模型中，基于地理位置的数据可进行实时处理和收集，而不必传送到云计算中心．２．５　智能交通智能交通是解决城市居民面临的出行问题，如恶劣的交通现状、拥塞的路面条件、贫乏的停车场地、窘迫的公共交通能力等．智能交通控制系统实时分析由监控摄像头和传感器收集的数据，并自动做出决策．这些传感器模块用于判断目标物体的距离和速度等．随着交通数据量的增加，用户对交通信息的实时性需求也在提高，若传输这些数据到云计算中心，将造成带宽浪费和延时等待，也不能优化基于位置识别的服务．在边缘服务器上运行智能交通控制系统来实时分析数据，根据路面的实况，利用智能交通信号灯减轻路面车辆拥堵状况或改变行车路线．同样，智能停车系统可收集用户周围环境的信息，在网络边缘分析用户附近的可用资源，并给出指示．无人驾驶汽车（如特斯拉、谷歌汽车）是车辆智能化的一种表现形式，其主要依靠车内以计算机系统为主的智能驾车仪，通过车载传感系统感知路面３１９施巍松等：边缘计算：万物互联时代新型计算模型
    环境，自动规划行车路线并控制车辆到达预定目标来实现无人驾驶．它能针对实时交通情况做出合理决策，并辅助甚至替代驾驶员驾驶车辆的能力，从而减小驾驶员的劳动强度，使车辆行驶过程变得更安全．传感器数据上传到云计算中心会增加实时处理的难度，因此，在数据源（汽车上）执行边缘计算可加速处理，增强路面环境决策的实时性．此外，无人机（如大疆）本身的电源有限，如果数据传输到云中心，会消耗较大的电能，同时实时性也较弱．如空中或地面监测的应用中，无人机对森林火灾、倒塌的建筑物以及田地等监测所产生的大量数据以高清视频的形式存在，很难实现无线网络的实时传输以及接收中心的命令．在灾难环境混乱的情况下，这些问题就会更加凸显，边缘计算较好地解决了这些问题，边缘端处理无人机感知的数据，降低数据传输的电能损耗，保证实时性．此外，对于多飞行器之间的协调控制，边缘计算模型除了能够实现飞行器本身所采集数据的实时处理，同时与其他飞行器实时共享这些信息，这样降低了原有云计算模型下经数据中心中转的时间，并且减少了因数据传输所消耗的电能．２．６　协同边缘云计算中，由于隐私和数据传输成本，数据拥有者很少与他人分享数据．边缘可以是物理上具有数据处理能力的一种微型数据中心，连接云端和边缘端．协同边缘是连接多个数据拥有者的边缘，这些数据拥有者在地理上是分布的，但具有各自的物理位置和网络结构［４２］．类似于点对点的边缘连接方式，在数据拥有者之间提供数据的共享．Ｆｉｇ．７　Ｃｏｌｌａｂｏｒａｔｉｖｅ　ｅｄｇｅ　ｅｘａｍｐｌｅ：ｃｏｎｎｅｃｔｅｄ　ｈｅａｌｔｈ图７　协同边缘案例：连接医疗如图７所示的互联网医疗涉及到分布式地理数据处理，需多企业间合作和共享数据．为了消除共享障碍，协同边缘融合了由虚拟共享数据视图所创建的分布式地区数据．利用预先定义的服务接口，终端用户可虚拟共享数据，而服务应用程序向终端用户提供所需服务．这些服务由协同边缘的参与者提供，计算任务仅在参与者内部执行，对终端用户透明，确保数据的隐私性和完整性．我们以流感病情为例阐述协同边缘的优势，互联网医疗中，医院总结、分享流感疫情的信息（如平均花费、临床特征及感染人数信息等）．医院治疗流感病人后更新其电子病历，病人根据药方从药房买药，若病人未按照医嘱进行治疗，导致重返医院治疗，医院须为病人的二次治疗负责，由此引起医疗责任纠纷，因为医院没有证据证明病人未按照药方来治疗．利用协同边缘，药房可以将该病人的购买记录推送到医院，这有助于解决医疗责任纠纷．此外，利用协同边缘，药房检索由医院提供的流感人数，根据现有库存来存放药品，以便获得最大利润．药房利用制药公司提供的数据，向物流公司推送一个关于运输价格的询问请求．根据检索到的信息，药房制定总成本最优方案和药物采购计划．制药公司可在收到药房的流感药品订单信息之后，重新制定药品的生产计划，调整库存．疾病控制中心在大范围区域内监控流感人群的变化趋势，可据此在有关区域内发布流感预警，采取措施阻止流感的扩散．基于保险单规定，保险公司必须报销流感病人部分医疗消费．保险公司可以分析流感爆发期间感染人数，这与治愈流感所花费的成本作为调整下一年保单价格的重要依据．而且，如果患者愿意分享，保险公司可根据患者电子病历提供个性化的医疗政策．可见，从减少操作成本和提高利润的角度，通过该案例，大多数参与者（药店、药厂等）可以利用协同边缘来获益．个人病例信息作为源数据，医院担任源数据收集的角色，对于社会医疗健康而言，医院可以提前做好资源的分配以此来提高服务效率．３　挑　　战第２节描述了边缘计算的６种潜在应用．为了实现边缘计算的设想，我们认为计算机系统、网络以及应用服务程序的研究和开发人员需进行紧密的合作和交流．本节总结在边缘计算研究中可能遇到的迫切需要解决的７个关键问题，并结合我们的研究成果，提出一些解决思路和值得进一步思考的研究方向，主要包括：可编程性、命名规则、数据抽象、服务管理、数据隐私保护及安全、理论基础以及商业模式．３．１　可编程性云计算模型中，用户编写应用程序并将其部署４１９计算机研究与发展　２０１７，５４（５）
    分享到：
    赞 收藏

    相关推荐

    资料库

    云计算

    共收录203份资料，累计6个分类，关注成员有19位，主要包括：mesos,kubernetes,Openstack,Docker,平台管理,微服务

    热门标签

    mesos kubernetes Openstack Docker 平台管理 微服务

    最新资料