邊緣計算：萬物互聯(lián)時代新型計算模型

施巍松 孫 輝 曹 杰 張 權(quán) 劉 偉

1(韋恩州立大學(xué)計算機科學(xué)系 美國底特律 48202) 2(安徽大學(xué)計算機科學(xué)與技術(shù)學(xué)院 合肥 230601) (weisong@wayne.edu)

邊緣計算：萬物互聯(lián)時代新型計算模型

施巍松1孫 輝2曹 杰1張 權(quán)1劉 偉2

1(韋恩州立大學(xué)計算機科學(xué)系 美國底特律 48202)2(安徽大學(xué)計算機科學(xué)與技術(shù)學(xué)院 合肥 230601) (weisong@wayne.edu)

隨著物聯(lián)網(wǎng)的快速發(fā)展和4G/5G無線網(wǎng)絡(luò)的普及，萬物互聯(lián)的時代已經(jīng)到來，網(wǎng)絡(luò)邊緣設(shè)備數(shù)量的迅速增加，使得該類設(shè)備所產(chǎn)生的數(shù)據(jù)已達(dá)到澤字節(jié)(ZB)級別.以云計算模型為核心的集中式大數(shù)據(jù)處理時代，其關(guān)鍵技術(shù)已經(jīng)不能高效處理邊緣設(shè)備所產(chǎn)生的數(shù)據(jù)，主要表現(xiàn)在：1)線性增長的集中式云計算能力無法匹配爆炸式增長的海量邊緣數(shù)據(jù)；2)從網(wǎng)絡(luò)邊緣設(shè)備傳輸海量數(shù)據(jù)到云中心致使網(wǎng)絡(luò)傳輸帶寬的負(fù)載量急劇增加，造成較長的網(wǎng)絡(luò)延遲；3)網(wǎng)絡(luò)邊緣數(shù)據(jù)涉及個人隱私，使得隱私安全問題變得尤為突出；4)有限電能的網(wǎng)絡(luò)邊緣設(shè)備傳輸數(shù)據(jù)到云中心消耗較大電能.為此，以邊緣計算模型為核心的面向網(wǎng)絡(luò)邊緣設(shè)備所產(chǎn)生海量數(shù)據(jù)計算的邊緣式大數(shù)據(jù)處理應(yīng)運而生，其與現(xiàn)有以云計算模型為核心的集中式大數(shù)據(jù)處理相結(jié)合，即二者相輔相成，應(yīng)用于云中心和網(wǎng)絡(luò)邊緣端的大數(shù)據(jù)處理，較好地解決了萬物互聯(lián)時代大數(shù)據(jù)處理中所存在的上述問題.邊緣計算中的“邊緣”是個相對的概念，指從數(shù)據(jù)源到云計算中心數(shù)據(jù)路徑之間的任意計算資源和網(wǎng)絡(luò)資源.邊緣計算的基本理念是將計算任務(wù)在接近數(shù)據(jù)源的計算資源上運行.首先系統(tǒng)地介紹邊緣計算的概念和原理；其次，通過現(xiàn)有研究工作為案例(即云計算任務(wù)遷移、視頻分析、智能家居、智慧城市、智能交通以及協(xié)同邊緣)，實例化邊緣計算的概念；最后，提出邊緣計算領(lǐng)域所存在的挑戰(zhàn).該文希望能讓學(xué)界和產(chǎn)業(yè)界了解和關(guān)注邊緣計算，并能夠啟發(fā)更多的學(xué)者開展邊緣式大數(shù)據(jù)處理時代邊緣計算模型的研究.

邊緣計算；云計算；萬物互聯(lián)；智能家居和城市；協(xié)同邊緣

自2005年，云計算[1]的提出和廣泛應(yīng)用已經(jīng)改變了人們?nèi)粘９ぷ骱蜕畹姆绞?，如軟件即服?wù)(software as a service, SaaS)被廣泛應(yīng)用到谷歌、Twitter、Facebook等著名IT企業(yè)的數(shù)據(jù)中心.可擴展的基礎(chǔ)設(shè)施和支持云服務(wù)的處理引擎技術(shù)已對應(yīng)用服務(wù)程序的運行方式產(chǎn)生了巨大影響，如谷歌的文件系統(tǒng)Google File System[2]、MapReduce編程模型[3]、Apache基金會開發(fā)的分布式文件系統(tǒng)Hadoop[4]、加州大學(xué)伯克利分校AMP實驗室開發(fā)的內(nèi)存計算框架Spark[5]等.

物聯(lián)網(wǎng)技術(shù)(Internet of things, IoT)[6]旨在利用射頻識別技術(shù)、無線數(shù)據(jù)通信技術(shù)等構(gòu)造一種全球物品信息實時共享的實物互聯(lián)網(wǎng).隨后，“無人參與的計算機信息感知”的概念開始逐漸應(yīng)用到可穿戴醫(yī)療、智能家居、環(huán)境感知和智能運輸系統(tǒng)中[7-8].如今，我們已經(jīng)從物聯(lián)網(wǎng)時代邁進萬物互聯(lián) (Internet of everything, IoE)[9]的時代，相比物聯(lián)網(wǎng)而言，萬物互聯(lián)除了“物”與“物”的互聯(lián)，還增加了更高級別的“人”與“物”的互聯(lián)，其突出特點是任何“物”都將具有語境感知的功能、更強的計算能力和感知能力.將人和信息融入到互聯(lián)網(wǎng)中，網(wǎng)絡(luò)將具有數(shù)十億甚至數(shù)萬億的連接節(jié)點.萬物互聯(lián)以物理網(wǎng)絡(luò)為基礎(chǔ)，增加了網(wǎng)絡(luò)智能，在互聯(lián)網(wǎng)的“萬物”之間實現(xiàn)融合、協(xié)同以及可視化的功能.

隨著萬物互聯(lián)的飛速發(fā)展及廣泛應(yīng)用，邊緣設(shè)備正在從以數(shù)據(jù)消費者為主的單一角色轉(zhuǎn)變?yōu)榧骖檾?shù)據(jù)生產(chǎn)者和數(shù)據(jù)消費者的雙重角色，同時網(wǎng)絡(luò)邊緣設(shè)備逐漸具有利用收集的實時數(shù)據(jù)進行模式識別、執(zhí)行預(yù)測分析或優(yōu)化、智能處理等功能.目前，大數(shù)據(jù)處理已經(jīng)從以云計算為中心的集中式處理時代(本文中我們把2005—2015這10年稱之為集中式大數(shù)據(jù)處理時代)正在跨入以萬物互聯(lián)為核心的邊緣計算時代(本文中我們稱之為邊緣式大數(shù)據(jù)處理時代).集中式大數(shù)據(jù)處理時代，更多的是集中式存儲和處理大數(shù)據(jù)，其采取的方式是建造云計算中心，并利用云計算中心超強的計算能力來集中式解決計算和存儲問題.相比而言，在邊緣式大數(shù)據(jù)處理時代，網(wǎng)絡(luò)邊緣設(shè)備會產(chǎn)生海量實時數(shù)據(jù)；并且，這些邊緣設(shè)備將部署支持實時數(shù)據(jù)處理的邊緣計算平臺為用戶提供大量服務(wù)或功能接口，用戶可通過調(diào)用這些接口來獲取所需的邊緣計算服務(wù).

根據(jù)思科全球云指數(shù)的預(yù)估[10]，到2019年，物聯(lián)網(wǎng)產(chǎn)生數(shù)據(jù)的45%將在網(wǎng)絡(luò)邊緣存儲、處理、分析，而全球數(shù)據(jù)中心總數(shù)據(jù)流量預(yù)計將達(dá)到10.4澤字節(jié)(zettabyte, ZB).據(jù)思科互聯(lián)網(wǎng)業(yè)務(wù)解決方案集團預(yù)測[11]，到2020年，連接到網(wǎng)絡(luò)的無線設(shè)備數(shù)量將達(dá)到500億臺.基于萬物互聯(lián)平臺的應(yīng)用服務(wù)需要更短的響應(yīng)時間，同時也會產(chǎn)生大量涉及個人隱私的數(shù)據(jù).在此情況下，傳統(tǒng)云計算模式將不能高效地支持基于萬物互聯(lián)的應(yīng)用服務(wù)程序，而邊緣式大數(shù)據(jù)處理時代下的邊緣計算模型則可較好地解決這些問題.在邊緣計算模型中，網(wǎng)絡(luò)邊緣設(shè)備已經(jīng)具有足夠的計算能力來實現(xiàn)源數(shù)據(jù)的本地處理，并將結(jié)果發(fā)送給云計算中心.邊緣計算模型不僅可降低數(shù)據(jù)傳輸帶寬，同時能較好地保護隱私數(shù)據(jù)，降低終端敏感數(shù)據(jù)隱私泄露的風(fēng)險.因此，隨著萬物互聯(lián)的發(fā)展，邊緣計算模型將成為新興萬物互聯(lián)應(yīng)用的支撐平臺.

萬物互聯(lián)技術(shù)發(fā)展，將使云計算中心的部分應(yīng)用服務(wù)程序遷移到網(wǎng)絡(luò)邊緣設(shè)備.邊緣設(shè)備兼顧數(shù)據(jù)消費者和生產(chǎn)者.本文從概念、原理以及挑戰(zhàn)等方面對邊緣式大數(shù)據(jù)處理時代的支撐平臺，即邊緣計算模型展開介紹.首先闡述邊緣計算的背景；其次介紹邊緣計算的概念；為進一步解釋邊緣計算的概念，結(jié)合我們研究成果，提出未來邊緣計算的6種典型案例，包括云計算任務(wù)遷移、視頻分析、智能家居、智慧城市、智能交通以及協(xié)同邊緣；最后，討論邊緣計算所面臨的挑戰(zhàn)，如編程模型、命名規(guī)則、數(shù)據(jù)抽象、服務(wù)管理、數(shù)據(jù)隱私保護及安全、理論基礎(chǔ)及商業(yè)模型.通過這些闡述，旨在為邊緣計算研究者提供未來的研究方向.

1 邊緣計算的興起

我們將以云計算模型為核心的大數(shù)據(jù)處理階段稱為集中式大數(shù)據(jù)處理時代，該階段特征主要表現(xiàn)為大數(shù)據(jù)的計算和存儲均在云計算中心(數(shù)據(jù)中心)采用集中方式執(zhí)行，因為云計算中心具有較強的計算和存儲能力.這種資源集中的大數(shù)據(jù)處理方式可以為用戶節(jié)省大量開銷，創(chuàng)造出有效的規(guī)模經(jīng)濟效益.但是，云計算中心的集中式處理模式在萬物互聯(lián)的時代表現(xiàn)出其固有的問題，如萬物互聯(lián)背景下，網(wǎng)絡(luò)邊緣設(shè)備所產(chǎn)生的數(shù)據(jù)已達(dá)到海量級別: 1)線性增長的集中式云計算能力無法匹配爆炸式增長的海量邊緣數(shù)據(jù)；2)從網(wǎng)絡(luò)邊緣設(shè)備傳輸?shù)皆茢?shù)據(jù)中心的海量數(shù)據(jù)增加了傳輸帶寬的負(fù)載量，造成網(wǎng)絡(luò)延遲時間較長；3)邊緣設(shè)備數(shù)據(jù)涉及個人隱私和安全的問題變得尤為突出；4)邊緣設(shè)備具有有限電能，數(shù)據(jù)傳輸造成終端設(shè)備電能消耗較大等.

針對于此，萬物互聯(lián)時代如果仍采用集中式大數(shù)據(jù)處理模式下的云計算，現(xiàn)有的云計算相關(guān)技術(shù)并不能完全高效地處理網(wǎng)絡(luò)邊緣設(shè)備所產(chǎn)生的海量數(shù)據(jù).因此，學(xué)術(shù)界和產(chǎn)業(yè)界開始對新的計算模型進行深入地研究，如微數(shù)據(jù)中心[12]、移動邊緣計算[13]、霧計算[14]、Cloudlet[15]、中國科學(xué)院的海云計算[16]等.萬物互聯(lián)應(yīng)用需求的發(fā)展催生了邊緣式大數(shù)據(jù)處理模式，即邊緣計算模型[17]，其能在網(wǎng)絡(luò)邊緣設(shè)備上增加執(zhí)行任務(wù)計算和數(shù)據(jù)分析的處理能力，將原有云計算模型的部分或全部計算任務(wù)遷移到網(wǎng)絡(luò)邊緣設(shè)備上，降低云計算中心的計算負(fù)載，減緩網(wǎng)絡(luò)帶寬的壓力，提高萬物互聯(lián)時代數(shù)據(jù)的處理效率.本節(jié)中，我們首先介紹邊緣計算產(chǎn)生的動機，然后給出邊緣計算的定義及理解.

1.1 邊緣計算產(chǎn)生的動機

1.1.1 云計算服務(wù)的不足

云計算大多采用集中式管理的方法，這使云服務(wù)創(chuàng)造出較高的經(jīng)濟效益，而在萬物互聯(lián)的背景下，應(yīng)用服務(wù)需要低延時、高可靠性以及數(shù)據(jù)安全，而傳統(tǒng)云計算無法滿足這些需求，主要歸因于3個方面：

1) 實時性.萬物互聯(lián)環(huán)境下，邊緣設(shè)備產(chǎn)生大量實時數(shù)據(jù)，云計算性能[18]正逐漸達(dá)到瓶頸.據(jù)IDC預(yù)測[19]，到2020年，全球數(shù)據(jù)總量將大于40 ZB.隨著邊緣設(shè)備數(shù)據(jù)量的增加，網(wǎng)絡(luò)帶寬正逐漸成為云計算的另一瓶頸.僅提高網(wǎng)絡(luò)帶寬并不能滿足新興萬物互聯(lián)應(yīng)用對延遲時間的要求，例如，波音787每秒產(chǎn)生的數(shù)據(jù)超過5 GB[20]，但飛機與衛(wèi)星之間的帶寬不足以支持實時傳輸.裝載在無人駕駛汽車[21]上的傳感器和攝像頭實時捕捉路況信息，每秒產(chǎn)生約1 GB數(shù)據(jù).根據(jù)IHS預(yù)測[22]，到2035年，全球?qū)⒂? 400萬輛無人駕駛汽車，如何實現(xiàn)較短延時將是未來主要研究方向.為此，在接近數(shù)據(jù)源的邊緣設(shè)備上執(zhí)行部分或全部計算是適應(yīng)萬物互聯(lián)應(yīng)用需求的新興計算模式.

2) 隱私保護.當(dāng)用戶使用電子購物網(wǎng)站、搜索引擎、社交網(wǎng)絡(luò)等時，用戶的隱私數(shù)據(jù)將被上傳至云中心[23].Cortes等人研究出一種基于運動追蹤的醫(yī)療體育應(yīng)用服務(wù)[24]，其包含用戶隱私數(shù)據(jù)，如從路由起點信息可以查找到用戶的家庭地址.隨著智能家居的普及，許多家庭在屋內(nèi)安裝網(wǎng)絡(luò)攝像頭，如果直接將視頻數(shù)據(jù)上傳至云數(shù)據(jù)中心，視頻數(shù)據(jù)的傳輸不僅會占用帶寬資源，還增加了泄露用戶隱私數(shù)據(jù)的風(fēng)險.為此，針對現(xiàn)有云計算模型的數(shù)據(jù)安全問題，邊緣計算模型為這類敏感數(shù)據(jù)提供了較好的隱私保護機制，一方面，用戶的源數(shù)據(jù)在上傳至云數(shù)據(jù)中心之前，首先利用近數(shù)據(jù)端的邊緣結(jié)點直接對數(shù)據(jù)源進行處理，以實現(xiàn)對一些敏感數(shù)據(jù)的保護與隔離；另一方面，邊緣節(jié)點與云數(shù)據(jù)之間建立功能接口，即邊緣節(jié)點僅接收來自云計算中心的請求，并將處理的結(jié)果反饋給云計算中心.這種方法可以顯著地降低隱私泄露的風(fēng)險.

3) 能耗.針對云數(shù)據(jù)中心的能耗問題，許多研究者進行了深入的調(diào)查研究[25-26].Sverdlik的研究結(jié)果表明[27]，到2020年美國所有數(shù)據(jù)中心的總能耗將增長4%，在2020年將達(dá)到約730億千瓦時.在我國，環(huán)境360報告表明[28]，僅我國數(shù)據(jù)中心所消耗的電能已經(jīng)超過匈牙利和希臘兩國用電的總和.隨著在云計算中心運行的用戶應(yīng)用程序越來越多，未來大規(guī)模數(shù)據(jù)中心對能耗的需求將難以滿足[29].在云計算中心的能耗優(yōu)化方面，現(xiàn)有的研究內(nèi)容主要集中在如何提高能源使用效率[30-31]和動態(tài)資源管理策略方面[32-33]，以達(dá)到減緩能耗增速、最大程度的節(jié)能.然而，僅提高能效水平等策略，雖然可達(dá)到節(jié)能的目的，但仍不能解決數(shù)據(jù)中心巨大能耗的問題，這一問題在萬物互聯(lián)環(huán)境下將更加突出.為解決這一能耗難題，邊緣計算模型提出將原有云數(shù)據(jù)中心上運行的一些計算任務(wù)進行分解，然后將分解的計算任務(wù)遷移到邊緣節(jié)點進行處理，以此降低云計算數(shù)據(jù)中心的計算負(fù)載，進而達(dá)到降低能耗的目的.

當(dāng)前，線性增長的集中式云計算能力已無法匹配爆炸式增長的海量邊緣數(shù)據(jù)，基于云計算模型的單一計算資源已不能滿足大數(shù)據(jù)處理的實時性、安全性和低能耗等需求，在現(xiàn)有以云計算模型為核心的集中式大數(shù)據(jù)處理基礎(chǔ)上，亟待需要以邊緣計算模型為核心，面向海量邊緣數(shù)據(jù)的邊緣式大數(shù)據(jù)處理技術(shù)，二者相輔相成，應(yīng)用于云中心和邊緣端大數(shù)據(jù)處理，解決萬物互聯(lián)時代云計算服務(wù)不足的問題.

1.1.2 萬物互聯(lián)的興起

傳感器、智能手機、可穿戴設(shè)備以及智能家電等設(shè)備將成為萬物互聯(lián)的一部分，并產(chǎn)生海量數(shù)據(jù)，而現(xiàn)有云計算的帶寬和計算資源還不能高效處理這些數(shù)據(jù).因此，在網(wǎng)絡(luò)邊緣端處理源數(shù)據(jù)，篩選出有效的信息并發(fā)送到云端將成為一種新的計算模型，其有效降低云中心的網(wǎng)絡(luò)帶寬和計算負(fù)載，邊緣計算模型受到學(xué)術(shù)界和產(chǎn)業(yè)界的廣泛關(guān)注.

Fig. 1 Cloud computing paradigm圖1 傳統(tǒng)云計算模型

圖1所示為傳統(tǒng)云計算模型.源數(shù)據(jù)由生產(chǎn)者發(fā)送至云端，終端用戶、智能手機、個人電腦等數(shù)據(jù)消費者向云中心發(fā)送使用請求.圖1中，藍(lán)色實線表示數(shù)據(jù)生產(chǎn)者發(fā)送源數(shù)據(jù)到云中心，紅色實線表示數(shù)據(jù)消費者向云中心發(fā)送使用請求，紅色虛線表示云中心將結(jié)果反饋給數(shù)據(jù)消費者.云計算利用大量計算資源來處理數(shù)據(jù)，但萬物互聯(lián)環(huán)境下，傳統(tǒng)云計算模型不能有效滿足萬物互聯(lián)應(yīng)用的需求，其原因主要有：①直接將邊緣設(shè)備端海量數(shù)據(jù)發(fā)送到云端，造成網(wǎng)絡(luò)帶寬負(fù)載和計算資源浪費；②傳統(tǒng)云計算模型的隱私保護問題將成為萬物互聯(lián)架構(gòu)中云計算模型的障礙；③萬物互聯(lián)架構(gòu)中大多數(shù)邊緣設(shè)備節(jié)點的能源是有限的，并且GSM,WiFi等無線傳輸模塊的能耗較大.

針對于此，利用邊緣設(shè)備已具有的計算能力，將應(yīng)用服務(wù)程序的全部或部分計算任務(wù)從云中心遷移到邊緣設(shè)備端執(zhí)行，降低能源消耗.

1.1.3 從數(shù)據(jù)消費者到生產(chǎn)者

在云計算模型中，邊緣終端設(shè)備通常作為數(shù)據(jù)消費者(如用智能手機觀看在線視頻)，如今智能手機也可生產(chǎn)數(shù)據(jù)，從數(shù)據(jù)消費者到生產(chǎn)者角色的轉(zhuǎn)變要求邊緣設(shè)備具有更強的計算能力，如人們通過Facebook、Twitter、微信等分享照片及視頻.YouTube用戶每分鐘上傳長達(dá)72 h的視頻內(nèi)容；Twitter用戶每分鐘近30萬次的訪問量；Instagram用戶每分鐘上傳近22萬張新照片[34]；微信朋友圈和騰訊QQ空間每天上傳的圖片高達(dá)10億張；騰訊視頻每天播放量達(dá)20億次.這些圖片和視頻數(shù)據(jù)量較大，上傳至云計算中心過程會占用大量帶寬資源.為此，在源數(shù)據(jù)上傳至云中心之前，可在邊緣設(shè)備執(zhí)行預(yù)處理，以減少傳輸?shù)臄?shù)據(jù)量，降低傳輸帶寬的負(fù)載.此外，若在邊緣設(shè)備處理個人身體健康數(shù)據(jù)等隱私數(shù)據(jù)，用戶隱私會得到更好地保護.

1.2 邊緣計算定義

Fig. 2 Edge computing paradigm圖2 邊緣計算模型

邊緣計算是指在網(wǎng)絡(luò)邊緣執(zhí)行計算的一種新型計算模型，邊緣計算中邊緣的下行數(shù)據(jù)表示云服務(wù)，上行數(shù)據(jù)表示萬物互聯(lián)服務(wù)，而邊緣計算的邊緣是指從數(shù)據(jù)源到云計算中心路徑之間的任意計算和網(wǎng)絡(luò)資源.圖2表示基于雙向計算流的邊緣計算模型.云計算中心不僅從數(shù)據(jù)庫收集數(shù)據(jù)，也從傳感器和智能手機等邊緣設(shè)備收集數(shù)據(jù).這些設(shè)備兼顧數(shù)據(jù)生產(chǎn)者和消費者.因此，終端設(shè)備和云中心之間的請求傳輸是雙向的.網(wǎng)絡(luò)邊緣設(shè)備不僅從云中心請求內(nèi)容及服務(wù)，而且還可以執(zhí)行部分計算任務(wù)，包括數(shù)據(jù)存儲、處理、緩存、設(shè)備管理、隱私保護等.因此，需要更好地設(shè)計邊緣設(shè)備硬件平臺及其軟件關(guān)鍵技術(shù)，以滿足邊緣計算模型中可靠性、數(shù)據(jù)安全性的需求.

1.3 邊緣計算優(yōu)勢

邊緣計算模型將原有云計算中心的部分或全部計算任務(wù)遷移到數(shù)據(jù)源的附近執(zhí)行.根據(jù)大數(shù)據(jù)的3V特點，即數(shù)據(jù)量(volume)、時效性(velocity)、多樣性(variety)，通過對比云計算模型為代表的集中式大數(shù)據(jù)處理(如圖3所示)和以邊緣計算模型為代表的邊緣式大數(shù)據(jù)處理(如圖4所示)時代不同數(shù)據(jù)特征來闡述邊緣計算模型的優(yōu)勢.

Fig. 3 Centralized big data processing platform v1.0圖3 集中式大數(shù)據(jù)處理

Fig. 4 Edge computing-based data processing platform v1.0圖4 邊緣式大數(shù)據(jù)處理

集中式大數(shù)據(jù)處理時代，數(shù)據(jù)的類型主要以文本、音視頻、圖片以及結(jié)構(gòu)化數(shù)據(jù)庫等為主，數(shù)據(jù)量維持在PB級別，云計算模型下的數(shù)據(jù)處理對實時性要求不高.萬物互聯(lián)背景下的邊緣式大數(shù)據(jù)處理時代，數(shù)據(jù)類型變得更加負(fù)責(zé)多樣，其中萬物互聯(lián)設(shè)備的感知數(shù)據(jù)急劇增加，原有作為數(shù)據(jù)消費者的用戶終端已變成了具有可產(chǎn)生數(shù)據(jù)的生產(chǎn)者終端，并且邊緣式大數(shù)據(jù)處理時代，數(shù)據(jù)處理的實時性要求較高，此外，該時期的數(shù)據(jù)量已超過ZB級.針對此，邊緣式大數(shù)據(jù)處理時代，由于數(shù)據(jù)量的增加以及對實時性的需求，需將原有云中心的計算任務(wù)部分遷移到網(wǎng)絡(luò)邊緣設(shè)備(如圖4的邊緣云)上，以提高數(shù)據(jù)傳輸性能，保證處理的實時性，同時降低云計算中心的計算負(fù)載.

為此，邊緣式大數(shù)據(jù)處理時代的數(shù)據(jù)特征催生了邊緣計算模型.然而，邊緣計算模型與云計算模型并不是非此即彼的關(guān)系，而是相輔相成的關(guān)系，邊緣式大數(shù)據(jù)處理時代是邊緣計算模型與云計算模型的相互結(jié)合的時代，二者的有機結(jié)合將為萬物互聯(lián)時代的信息處理提供較為完美的軟硬件支撐平臺.

2 邊緣計算典型應(yīng)用實例

應(yīng)用是檢驗新技術(shù)是否有價值的最直接、最有效的方式.同樣，也適用于邊緣計算模型，邊緣計算是否有價值取決于基于邊緣計算的關(guān)鍵應(yīng)用場景，只有通過應(yīng)用才能發(fā)現(xiàn)邊緣計算的發(fā)展中所遇到的各種挑戰(zhàn)和機遇.因此，下面我們給出基于邊緣計算模型的6種實際應(yīng)用案例.通過這些案例可以展望邊緣計算在萬物互聯(lián)背景下的研究機遇和應(yīng)用前景.

2.1 云計算任務(wù)遷移

云計算中，大多數(shù)計算任務(wù)在云計算中心執(zhí)行，這會導(dǎo)致響應(yīng)延時較長，損害用戶體驗.根據(jù)用戶設(shè)備的環(huán)境可確定數(shù)據(jù)分配和傳輸方法，EAWP(edge accelerated Web platform)模型[35]改善了傳統(tǒng)云計算模式下較長響應(yīng)時間的問題.許多研究團隊[36-40]已經(jīng)開始研究解決云遷移在移動云環(huán)境中的能耗問題.邊緣計算中，邊緣端設(shè)備借助其一定的計算資源實現(xiàn)從云中心遷移部分或全部任務(wù)到邊緣端執(zhí)行.

在線購物應(yīng)用中，消費者可能頻繁地操作購物車，默認(rèn)條件下，用戶購物車狀態(tài)的改變先在云中心完成，用戶設(shè)備上購物車內(nèi)產(chǎn)品視圖再更新.這個操作時間取決于網(wǎng)絡(luò)帶寬和云中心負(fù)載狀況.由于移動網(wǎng)絡(luò)的低帶寬，移動端購物車的更新延時較長.目前，使用移動客戶端網(wǎng)購變得流行，因此縮短響應(yīng)延時，改善用戶體驗的需求日益增加.如果購物車內(nèi)產(chǎn)品視圖的更新操作從云中心遷移到邊緣節(jié)點，這樣會降低用戶請求的響應(yīng)延時.購物車數(shù)據(jù)可被緩存在邊緣節(jié)點，相關(guān)的操作可在邊緣節(jié)點上執(zhí)行.當(dāng)用戶的請求到達(dá)邊緣節(jié)點時，新的購物車視圖立即推送到用戶設(shè)備.邊緣節(jié)點與云中心的數(shù)據(jù)同步可在后臺進行.

2.2 邊緣計算視頻監(jiān)控

城市安全視頻監(jiān)控系統(tǒng)主要應(yīng)對因萬物互聯(lián)的廣泛應(yīng)用而引起的新型犯罪及社會管理等公共安全問題.傳統(tǒng)視頻監(jiān)控系統(tǒng)前端攝像頭內(nèi)置計算能力較低，而現(xiàn)有智能視頻監(jiān)控系統(tǒng)的智能處理能力不足.為此，我們以云計算和萬物互聯(lián)技術(shù)為基礎(chǔ)，融合邊緣計算模型和視頻監(jiān)控技術(shù)，構(gòu)建基于邊緣計算的新型視頻監(jiān)控應(yīng)用的軟硬件服務(wù)平臺，以提高視頻監(jiān)控系統(tǒng)前端攝像頭的智能處理能力，進而實現(xiàn)重大刑事案件和恐怖襲擊活動預(yù)警系統(tǒng)和處置機制，提高視頻監(jiān)控系統(tǒng)的防范刑事犯罪和恐怖襲擊的能力.

針對海量視頻數(shù)據(jù)，云計算中心服務(wù)器計算能力有限等問題:1)我們構(gòu)建了一種基于邊緣計算的視頻圖像預(yù)處理技術(shù)(preprocessing).通過對視頻圖像進行預(yù)處理，去除視頻圖像冗余信息，使得部分或全部視頻分析遷移到邊緣處，由此降低對云中心的計算、存儲和網(wǎng)絡(luò)帶寬需求，提高視頻分析的速度，此外，預(yù)處理使用的算法采用軟件優(yōu)化、硬件加速等方法，提高視頻圖像分析的效率.2)為了降低上傳的視頻數(shù)據(jù)，基于邊緣預(yù)處理功能，我們構(gòu)建基于行為感知的視頻監(jiān)控數(shù)據(jù)彈性存儲機制(elastic storage).邊緣計算軟硬件框架為視頻監(jiān)控系統(tǒng)提供具有預(yù)處理功能的平臺，實時提取和分析視頻中的行為特征，實現(xiàn)監(jiān)控場景行為感知的數(shù)據(jù)處理機制；根據(jù)行為特征決策功能，實時調(diào)整視頻數(shù)據(jù)，既減少無效視頻的存儲，降低存儲空間，又最大化存儲“事中”證據(jù)類視頻數(shù)據(jù)，增強證據(jù)信息的可信性，提高視頻數(shù)據(jù)存儲空間利用率.

圖5表示基于邊緣計算的視頻監(jiān)控系統(tǒng)框圖，其中具有邊緣計算功能的模塊作為協(xié)處理單元，簡稱邊緣計算硬件單元(hardware unit)與原有視頻監(jiān)控系統(tǒng)的攝像頭終端系統(tǒng)進行系統(tǒng)融合.

Fig. 5 Edge computing-based video surveillance system圖5 邊緣計算視頻監(jiān)控系統(tǒng)框圖

現(xiàn)有的視頻監(jiān)控系統(tǒng)在記錄視頻數(shù)據(jù)之后，采用直接或簡單視頻處理后傳輸?shù)皆朴嬎阒行?而隨著視頻數(shù)據(jù)呈現(xiàn)海量的特征，公共安全領(lǐng)域的應(yīng)用要求視頻監(jiān)控系統(tǒng)能夠提供實時、高效的視頻數(shù)據(jù)處理.針對此，如圖4所示利用邊緣計算模型將具有計算能力的硬件單元集成到原有的視頻監(jiān)控系統(tǒng)硬件平臺上，配以相應(yīng)的軟件支撐技術(shù)，實現(xiàn)具有邊緣計算能力的新型視頻監(jiān)控系統(tǒng).在邊緣計算模型中，計算通常發(fā)生在數(shù)據(jù)源的附近[41]，即在視頻數(shù)據(jù)采集的邊緣端進行視頻數(shù)據(jù)的處理.

為此，一方面，基于智能算法的預(yù)處理功能模塊，在保證數(shù)據(jù)可靠性的前提下，利用模糊計算模型，對實時采集的視頻數(shù)據(jù)執(zhí)行部分或全部計算任務(wù)，這能夠為實時性要求較高的應(yīng)用請求提供及時的應(yīng)答服務(wù)，而且還降低云計算中心計算和帶寬的負(fù)載；另一方面，我們還設(shè)計了具有可伸縮的彈性存儲功能模塊，利用智能算法感知監(jiān)控場景內(nèi)行為的變化來選擇性存儲視頻數(shù)據(jù)，實現(xiàn)最小空間存儲最大價值的數(shù)據(jù)(如犯罪行為證據(jù)等).最后，在兼容現(xiàn)有智能處理的功能基礎(chǔ)上，增加了“事中”事件監(jiān)測和“事中”事件報告的功能，及時有效地向用戶發(fā)送響應(yīng)信息.

2.3 智能家居

家居生活隨著萬物互聯(lián)應(yīng)用的普及變得越來越智能和便利，如智能照明控制系統(tǒng)、智能電視、智能機器人等.然而，在智能設(shè)備中，僅通過一種WiFi模塊連接到云計算中心的做法，遠(yuǎn)遠(yuǎn)不能滿足智能家居的需求.智能家居環(huán)境中，除了聯(lián)網(wǎng)設(shè)備外，廉價的無線傳感器和控制器應(yīng)部署到房間、管道、地板和墻壁等，出于數(shù)據(jù)傳輸負(fù)載和數(shù)據(jù)隱私的考慮，這些敏感數(shù)據(jù)的處理應(yīng)在家庭范圍內(nèi)完成.

傳統(tǒng)的云計算模型已不能完全適用于智能家居類應(yīng)用，而邊緣計算模型是組建智能家居系統(tǒng)的最優(yōu)平臺.在家庭內(nèi)部的邊緣網(wǎng)關(guān)上運行邊緣操作系統(tǒng)(edge operation system, EdgeOS)，如圖6所示.利用該操作系統(tǒng)，在家庭內(nèi)部較易連接和管理智能家居設(shè)備，并在本地處理這些設(shè)備所產(chǎn)生的數(shù)據(jù)，降低數(shù)據(jù)傳輸帶寬的負(fù)載，同時基于EdgeOS的應(yīng)用服務(wù)程序可向用戶提供更好的資源管理和分配.

Fig. 6 Structure of EdgeOS in the smart home environment圖6 智能家居的邊緣操作系統(tǒng)結(jié)構(gòu)

圖6表示EdgeOS在智能家居中的一種變體.EdgeOS需要從移動設(shè)備中收集數(shù)據(jù)，多種設(shè)備利用不同的通信協(xié)議進行通訊，如WiFi、藍(lán)牙、局域網(wǎng)以及蜂窩網(wǎng)絡(luò)等.不同來源的數(shù)據(jù)在數(shù)據(jù)抽象層進行融合和處理(詳見3.3節(jié)).數(shù)據(jù)抽象層之上是服務(wù)管理層，該層需滿足服務(wù)差異性(differentiation)、可擴展性(extensibility)、隔離性(isolation)及可靠性(reliability)(詳見3.4節(jié))等需求.此外，命名規(guī)則在每層內(nèi)因功能不同而有所差異(詳見3.2節(jié)).

2.4 智慧城市

邊緣計算模型可從智能家居靈活地擴展到社區(qū)甚至城市的規(guī)模.根據(jù)邊緣計算模型中將計算最大程度遷移到數(shù)據(jù)源附近的原則，用戶需求在計算模型上層產(chǎn)生并且在邊緣處理.邊緣計算可作為智慧城市中一種較理想的平臺，主要取決于以下3個方面：

1) 大數(shù)據(jù)量.據(jù)思科全球云指數(shù)預(yù)測[9]，到2019年，一個百萬人口的城市每天將產(chǎn)生180 PB的數(shù)據(jù)，其主要來自于公共安全、健康數(shù)據(jù)、公共設(shè)施以及交通運輸?shù)阮I(lǐng)域.用云計算模型處理這些海量數(shù)據(jù)是不現(xiàn)實的，因為云計算模型會引起較重傳輸帶寬負(fù)載和較長傳輸延時.在網(wǎng)絡(luò)邊緣設(shè)備進行數(shù)據(jù)處理的邊緣計算模型將是一種高效的解決方案.

2) 低延時.萬物互聯(lián)環(huán)境下，大多數(shù)應(yīng)用具有低延時的需求(比如健康急救和公共安全)，邊緣計算模型可以降低數(shù)據(jù)傳輸時間，簡化網(wǎng)絡(luò)結(jié)構(gòu).此外，與云計算模型相比，邊緣網(wǎng)絡(luò)對決策和診斷信息的收集將更加高效.

3) 位置識別.如運輸和設(shè)施管理等基于地理位置的應(yīng)用，對于位置識別技術(shù)，邊緣計算模型優(yōu)于云計算模型.在邊緣計算模型中，基于地理位置的數(shù)據(jù)可進行實時處理和收集，而不必傳送到云計算中心.

2.5 智能交通

智能交通是解決城市居民面臨的出行問題，如惡劣的交通現(xiàn)狀、擁塞的路面條件、貧乏的停車場地、窘迫的公共交通能力等.智能交通控制系統(tǒng)實時分析由監(jiān)控攝像頭和傳感器收集的數(shù)據(jù)，并自動做出決策.這些傳感器模塊用于判斷目標(biāo)物體的距離和速度等.隨著交通數(shù)據(jù)量的增加，用戶對交通信息的實時性需求也在提高，若傳輸這些數(shù)據(jù)到云計算中心，將造成帶寬浪費和延時等待，也不能優(yōu)化基于位置識別的服務(wù).在邊緣服務(wù)器上運行智能交通控制系統(tǒng)來實時分析數(shù)據(jù)，根據(jù)路面的實況，利用智能交通信號燈減輕路面車輛擁堵狀況或改變行車路線.同樣，智能停車系統(tǒng)可收集用戶周圍環(huán)境的信息，在網(wǎng)絡(luò)邊緣分析用戶附近的可用資源，并給出指示.

無人駕駛汽車(如特斯拉、谷歌汽車)是車輛智能化的一種表現(xiàn)形式，其主要依靠車內(nèi)以計算機系統(tǒng)為主的智能駕車儀，通過車載傳感系統(tǒng)感知路面環(huán)境，自動規(guī)劃行車路線并控制車輛到達(dá)預(yù)定目標(biāo)來實現(xiàn)無人駕駛.它能針對實時交通情況做出合理決策，并輔助甚至替代駕駛員駕駛車輛的能力，從而減小駕駛員的勞動強度，使車輛行駛過程變得更安全.傳感器數(shù)據(jù)上傳到云計算中心會增加實時處理的難度，因此，在數(shù)據(jù)源(汽車上)執(zhí)行邊緣計算可加速處理，增強路面環(huán)境決策的實時性.此外，無人機(如大疆)本身的電源有限，如果數(shù)據(jù)傳輸?shù)皆浦行模瑫妮^大的電能，同時實時性也較弱.如空中或地面監(jiān)測的應(yīng)用中，無人機對森林火災(zāi)、倒塌的建筑物以及田地等監(jiān)測所產(chǎn)生的大量數(shù)據(jù)以高清視頻的形式存在，很難實現(xiàn)無線網(wǎng)絡(luò)的實時傳輸以及接收中心的命令.在災(zāi)難環(huán)境混亂的情況下，這些問題就會更加凸顯，邊緣計算較好地解決了這些問題，邊緣端處理無人機感知的數(shù)據(jù)，降低數(shù)據(jù)傳輸?shù)碾娔軗p耗，保證實時性.

此外，對于多飛行器之間的協(xié)調(diào)控制，邊緣計算模型除了能夠?qū)崿F(xiàn)飛行器本身所采集數(shù)據(jù)的實時處理，同時與其他飛行器實時共享這些信息，這樣降低了原有云計算模型下經(jīng)數(shù)據(jù)中心中轉(zhuǎn)的時間，并且減少了因數(shù)據(jù)傳輸所消耗的電能.

2.6 協(xié)同邊緣

云計算中，由于隱私和數(shù)據(jù)傳輸成本，數(shù)據(jù)擁有者很少與他人分享數(shù)據(jù).邊緣可以是物理上具有數(shù)據(jù)處理能力的一種微型數(shù)據(jù)中心，連接云端和邊緣端.協(xié)同邊緣是連接多個數(shù)據(jù)擁有者的邊緣，這些數(shù)據(jù)擁有者在地理上是分布的，但具有各自的物理位置和網(wǎng)絡(luò)結(jié)構(gòu)[42].類似于點對點的邊緣連接方式，在數(shù)據(jù)擁有者之間提供數(shù)據(jù)的共享.

Fig. 7 Collaborative edge example: connected health圖7 協(xié)同邊緣案例：連接醫(yī)療

如圖7所示的互聯(lián)網(wǎng)醫(yī)療涉及到分布式地理數(shù)據(jù)處理，需多企業(yè)間合作和共享數(shù)據(jù).為了消除共享障礙，協(xié)同邊緣融合了由虛擬共享數(shù)據(jù)視圖所創(chuàng)建的分布式地區(qū)數(shù)據(jù).利用預(yù)先定義的服務(wù)接口，終端用戶可虛擬共享數(shù)據(jù)，而服務(wù)應(yīng)用程序向終端用戶提供所需服務(wù).這些服務(wù)由協(xié)同邊緣的參與者提供，計算任務(wù)僅在參與者內(nèi)部執(zhí)行，對終端用戶透明，確保數(shù)據(jù)的隱私性和完整性.

我們以流感病情為例闡述協(xié)同邊緣的優(yōu)勢，互聯(lián)網(wǎng)醫(yī)療中，醫(yī)院總結(jié)、分享流感疫情的信息(如平均花費、臨床特征及感染人數(shù)信息等).醫(yī)院治療流感病人后更新其電子病歷，病人根據(jù)藥方從藥房買藥，若病人未按照醫(yī)囑進行治療，導(dǎo)致重返醫(yī)院治療，醫(yī)院須為病人的二次治療負(fù)責(zé)，由此引起醫(yī)療責(zé)任糾紛，因為醫(yī)院沒有證據(jù)證明病人未按照藥方來治療.利用協(xié)同邊緣，藥房可以將該病人的購買記錄推送到醫(yī)院，這有助于解決醫(yī)療責(zé)任糾紛.此外，利用協(xié)同邊緣，藥房檢索由醫(yī)院提供的流感人數(shù)，根據(jù)現(xiàn)有庫存來存放藥品，以便獲得最大利潤.藥房利用制藥公司提供的數(shù)據(jù)，向物流公司推送一個關(guān)于運輸價格的詢問請求.根據(jù)檢索到的信息，藥房制定總成本最優(yōu)方案和藥物采購計劃.制藥公司可在收到藥房的流感藥品訂單信息之后，重新制定藥品的生產(chǎn)計劃，調(diào)整庫存.疾病控制中心在大范圍區(qū)域內(nèi)監(jiān)控流感人群的變化趨勢，可據(jù)此在有關(guān)區(qū)域內(nèi)發(fā)布流感預(yù)警，采取措施阻止流感的擴散.

基于保險單規(guī)定，保險公司必須報銷流感病人部分醫(yī)療消費.保險公司可以分析流感爆發(fā)期間感染人數(shù)，這與治愈流感所花費的成本作為調(diào)整下一年保單價格的重要依據(jù).而且，如果患者愿意分享，保險公司可根據(jù)患者電子病歷提供個性化的醫(yī)療政策.

可見，從減少操作成本和提高利潤的角度，通過該案例，大多數(shù)參與者(藥店、藥廠等)可以利用協(xié)同邊緣來獲益.個人病例信息作為源數(shù)據(jù)，醫(yī)院擔(dān)任源數(shù)據(jù)收集的角色，對于社會醫(yī)療健康而言，醫(yī)院可以提前做好資源的分配以此來提高服務(wù)效率.

3 挑 戰(zhàn)

第2節(jié)描述了邊緣計算的6種潛在應(yīng)用.為了實現(xiàn)邊緣計算的設(shè)想，我們認(rèn)為計算機系統(tǒng)、網(wǎng)絡(luò)以及應(yīng)用服務(wù)程序的研究和開發(fā)人員需進行緊密的合作和交流.本節(jié)總結(jié)在邊緣計算研究中可能遇到的迫切需要解決的7個關(guān)鍵問題，并結(jié)合我們的研究成果，提出一些解決思路和值得進一步思考的研究方向，主要包括：可編程性、命名規(guī)則、數(shù)據(jù)抽象、服務(wù)管理、數(shù)據(jù)隱私保護及安全、理論基礎(chǔ)以及商業(yè)模式.

3.1 可編程性

云計算模型中，用戶編寫應(yīng)用程序并將其部署到云端.云服務(wù)提供商維護云計算服務(wù)器，用戶對程序的運行完全不知或知之較少，這是云計算模型下應(yīng)用程序開發(fā)的一個優(yōu)點，即基礎(chǔ)設(shè)施對用戶透明.用戶程序通常在目標(biāo)平臺上編寫和編譯，在云服務(wù)器上運行.邊緣計算模型中，部分或全部的計算任務(wù)從云端遷移到邊緣節(jié)點，而邊緣節(jié)點大多是異構(gòu)平臺，每個節(jié)點上的運行時環(huán)境可能有所差異，因此，在邊緣計算模型下部署用戶應(yīng)用程序時，程序員將遇到較大的困難.而現(xiàn)有傳統(tǒng)編程方式MapReduce,Spark等均不適合，需研究基于邊緣計算的新型編程方式.

為了實現(xiàn)邊緣計算的可編程性，我們提出了一種計算流的概念.計算流是指沿著數(shù)據(jù)傳輸路徑，在數(shù)據(jù)上執(zhí)行的一系列計算/功能.計算/功能可以是某個應(yīng)用程序的全部或部分函數(shù)，其發(fā)生在允許應(yīng)用執(zhí)行計算的數(shù)據(jù)傳輸路徑上.該計算流屬于軟件定義計算流的范疇，主要應(yīng)用于源數(shù)據(jù)的設(shè)備端、邊緣節(jié)點以及云計算環(huán)境中，以實現(xiàn)高效分布式數(shù)據(jù)處理.

煙花模型(firework)[43]是我們提出的一種基于邊緣計算的編程模型，其主要包括煙花模型管理器(firework manager)和煙花模型節(jié)點(firework node)兩部分，如圖8所示.萬物互聯(lián)時代，數(shù)據(jù)生產(chǎn)和消費被遷移到邊緣設(shè)備上，增加了大數(shù)據(jù)分布式共享和處理的需求.為此，我們提出了煙花模型，其可實現(xiàn)大數(shù)據(jù)分布式共享和處理，并使私有數(shù)據(jù)可以在數(shù)據(jù)利益相關(guān)者的設(shè)備上處理(如圖7所示不同煙花模型節(jié)點).煙花模型通過創(chuàng)建虛擬的共享數(shù)據(jù)視圖，融合了地理上分布的數(shù)據(jù)源，而數(shù)據(jù)利益相關(guān)者(煙花模型節(jié)點)為終端用戶提供一組預(yù)定義的功能接口以便用戶訪問.

煙花模型的接口形式是一組數(shù)據(jù)集(datasets)和功能(functions),如圖8煙花模型節(jié)點，并且功能與數(shù)據(jù)集綁定.煙花模型使數(shù)據(jù)處理更接近數(shù)據(jù)生產(chǎn)者，避免了從網(wǎng)絡(luò)邊緣設(shè)備到云中心的長距離數(shù)據(jù)傳輸，降低響應(yīng)延遲.在煙花模型中，所有數(shù)據(jù)利益相關(guān)者(煙花模型節(jié)點)都需要注冊其各自的數(shù)據(jù)集及相應(yīng)功能，以便抽象成一種數(shù)據(jù)視圖.已注冊的數(shù)據(jù)視圖對同一個煙花模型中所有參與者均是可見的，任何參與者可以將多個數(shù)據(jù)視圖進行組合，以實現(xiàn)特定情境下的數(shù)據(jù)分析.煙花模型管理器將組合數(shù)據(jù)視圖的服務(wù)請求分解成若干子任務(wù)，并發(fā)送給每一個參與者，每個子任務(wù)將在其本地設(shè)備上執(zhí)行相應(yīng)的計算任務(wù).

Fig. 8 A high level overview of Firework圖8 煙花模型

煙花模型擴展了數(shù)據(jù)的可視化邊界，為協(xié)同邊緣環(huán)境下的分布式數(shù)據(jù)處理提出了一種新的編程模式.煙花模型中每個參與者可以在本地設(shè)備上實現(xiàn)數(shù)據(jù)處理，實現(xiàn)云計算和邊緣計算資源的融合.

此外，需要注意的是邊緣計算模型中協(xié)同問題(如同步、數(shù)據(jù)/狀態(tài)的遷移等)是可編程性方面亟待解決的問題之一.

3.2 命名規(guī)則

邊緣計算模型中一個重要假設(shè)是邊緣設(shè)備的數(shù)目巨大.邊緣節(jié)點平臺上運行多種應(yīng)用程序，每個應(yīng)用程序提供特定功能的服務(wù).與計算機系統(tǒng)的命名規(guī)則類似，邊緣計算的命名規(guī)則對編程、尋址、識別和數(shù)據(jù)通信具有非常重要的作用，而當(dāng)前暫無較為高效的命名規(guī)則.為了實現(xiàn)系統(tǒng)中異構(gòu)設(shè)備間的通信，邊緣計算研究者需要學(xué)習(xí)多種網(wǎng)絡(luò)和通信協(xié)議.此外，邊緣計算的命名規(guī)則需要滿足移動設(shè)備、高度動態(tài)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、隱私安全等需求.

傳統(tǒng)的命名機制如DNS，URI滿足大多數(shù)的網(wǎng)絡(luò)結(jié)構(gòu)，但卻不能靈活地為動態(tài)邊緣網(wǎng)絡(luò)提供服務(wù)，原因在于大多數(shù)的邊緣設(shè)備具有高度移動性和有限資源，而對于該類邊緣設(shè)備而言，基于IP的命名規(guī)則，因復(fù)雜性和開銷太大而難以應(yīng)用到邊緣計算中.

已有研究中，命名數(shù)據(jù)網(wǎng)絡(luò)(named data net-working, NDN)[44]和移動優(yōu)先(MobilityFirst)[45]等新的命名機制可滿足邊緣計算的需求.NDN不僅提供了以數(shù)據(jù)為中心的網(wǎng)絡(luò)分層結(jié)構(gòu)命名規(guī)則和友好的服務(wù)管理，還保障了邊緣計算具有可擴展性.為了適合如藍(lán)牙或ZigBee等通信協(xié)議，NDN需要額外的代理.由于很難將設(shè)備硬件信息與服務(wù)提供商隔離，因此NDN存在一定的安全隱患.移動優(yōu)先技術(shù)將命名和網(wǎng)絡(luò)地址分開，以更好地支持移動性.如果邊緣服務(wù)器上的程序具有較高的移動性，那么移動優(yōu)先技術(shù)的應(yīng)用就會提高邊緣服務(wù)器的效率.但是，在移動優(yōu)先技術(shù)中，命名規(guī)則需要一種全局唯一標(biāo)識符，而在網(wǎng)絡(luò)邊緣環(huán)境(家居環(huán)境)下，固定信息聚合服務(wù)程序不需要這種標(biāo)識符.移動優(yōu)先技術(shù)的另一個缺點是全球唯一標(biāo)識符(globally unique identifier, GUID)不夠人性化，使服務(wù)程序較難管理.

在范圍較小且固定的邊緣環(huán)境下(如家居環(huán)境)，利用邊緣操作系統(tǒng)給每個設(shè)備分配網(wǎng)絡(luò)地址可能是一種解決方案.系統(tǒng)內(nèi)部的每個設(shè)備擁有唯一一個可以描述其位置(where)、角色(who)以及數(shù)據(jù)描述(what)的命名.如圖9所示，邊緣操作系統(tǒng)將分配標(biāo)識符(identifier)和網(wǎng)絡(luò)地址(address)給邊緣設(shè)備，每個設(shè)備的命名是唯一的且用于服務(wù)管理、設(shè)備識別和部件替換.這個命名規(guī)則使用戶和服務(wù)提供者較易管理服務(wù)，同時阻止服務(wù)提供商得到硬件信息，保護隱私數(shù)據(jù).設(shè)備的命名可正確匹配到其標(biāo)識符和網(wǎng)絡(luò)地址，標(biāo)識符用于邊緣操作系統(tǒng)的設(shè)備管理，而網(wǎng)絡(luò)地址如IP地址或MAC地址則用于支持如藍(lán)牙、ZigBee或WiFi等多種網(wǎng)絡(luò)通信協(xié)議.當(dāng)應(yīng)用到城市級別的系統(tǒng)時，命名規(guī)則仍是一個待解決的問題.

Fig. 9 Naming mechanism in EdgeOS圖9 邊緣操作系統(tǒng)的命名機制

3.3 數(shù)據(jù)抽象

邊緣操作系統(tǒng)的應(yīng)用程序通過服務(wù)管理層API來使用數(shù)據(jù)或提供服務(wù).相比云計算，邊緣計算中數(shù)據(jù)抽象更具挑戰(zhàn)性.智能家居中，作為數(shù)據(jù)生產(chǎn)者的智能設(shè)備均向邊緣操作系統(tǒng)發(fā)送數(shù)據(jù)，但部署在家庭周圍的設(shè)備較少，而大多數(shù)網(wǎng)絡(luò)邊緣設(shè)備，均會定時地向網(wǎng)關(guān)發(fā)送感知數(shù)據(jù).如溫度傳感器每分鐘向網(wǎng)關(guān)發(fā)送溫度數(shù)據(jù)，但使用頻率較低.基于此，我們提出減少邊緣計算中人為參與，而由邊緣節(jié)點處理，用一種主動的方式將結(jié)果與用戶交互.該情況下，網(wǎng)關(guān)層實現(xiàn)對數(shù)據(jù)的預(yù)處理(如去噪、事件檢測、隱私保護等)，之后數(shù)據(jù)被發(fā)送至系統(tǒng)上層，作為應(yīng)用服務(wù)所需源數(shù)據(jù)，該過程將遇到3種挑戰(zhàn)：

Fig. 10 Data abstraction issue for edge computing圖10 邊緣計算的數(shù)據(jù)抽象

1) 不同設(shè)備所傳輸數(shù)據(jù)格式的多樣性.如圖10所示，基于數(shù)據(jù)隱私和安全的考慮，源數(shù)據(jù)對網(wǎng)關(guān)運行的任務(wù)是透明的，該類任務(wù)應(yīng)從整合的數(shù)據(jù)表中提取其處理所需的信息.我們提出含有編號(ID)、名字(Name)、時間(Time)和數(shù)據(jù)(Data)的表結(jié)構(gòu)，以便邊緣設(shè)備數(shù)據(jù)可以存入該表，而這會隱藏感知數(shù)據(jù)的細(xì)節(jié)影響數(shù)據(jù)使用.

2) 數(shù)據(jù)抽象程度的不確定性.如果數(shù)據(jù)抽象過濾較多的源數(shù)據(jù)，將導(dǎo)致一些應(yīng)用或服務(wù)程序因無法獲得足夠信息而運行失??；反之，若保留大量源數(shù)據(jù)，數(shù)據(jù)存儲和管理將是系統(tǒng)開發(fā)者所面臨的另一種挑戰(zhàn).此外，邊緣設(shè)備發(fā)送的數(shù)據(jù)具有不可靠性，如何從不可靠信息源中抽象出有用的信息仍是一個技術(shù)挑戰(zhàn).

3) 數(shù)據(jù)抽象的適用性.邊緣設(shè)備端收集數(shù)據(jù)并提供給應(yīng)用程序使用，完成特定的服務(wù)，應(yīng)用程序應(yīng)具有讀、寫設(shè)備的權(quán)限，為用戶的特定需求提供服務(wù).數(shù)據(jù)抽象層將數(shù)據(jù)的表示和操作結(jié)合，并為連接到邊緣操作系統(tǒng)的設(shè)備提供一種公共的交互接口.由于邊緣設(shè)備的異構(gòu)性，數(shù)據(jù)表示及操作也有所不同，這將成為通用數(shù)據(jù)抽象的障礙.

3.4 服務(wù)管理

邊緣計算的服務(wù)管理方面，任意一種可靠系統(tǒng)均具有4種特征:即差異性(differentiation)、可擴展性(extensibility)、隔離性(isolation)及可靠性(reliability)(簡稱DEIR模型)[17].

1) 差異性.隨著萬物互聯(lián)應(yīng)用的快速發(fā)展，我們期望在網(wǎng)絡(luò)的邊緣部署多種服務(wù)，而這些服務(wù)的優(yōu)先級不同.如心力衰竭檢測健康相關(guān)的服務(wù)高于其他娛樂服務(wù)的優(yōu)先級.

2) 可擴展性.網(wǎng)絡(luò)邊緣的可擴展性在未來研究中將是一個巨大的挑戰(zhàn).當(dāng)某個設(shè)備損耗后，新的設(shè)備是否可以繼續(xù)之前的服務(wù)等.針對這些問題，需要設(shè)計一種靈活且可擴展的邊緣操作系統(tǒng)來實現(xiàn)服務(wù)層的管理.

3) 隔離性.隔離性是網(wǎng)路邊緣的重要問題之一.手機操作系統(tǒng)中應(yīng)用程序崩潰通常會導(dǎo)致系統(tǒng)的崩潰或重啟.現(xiàn)有分布式操作系統(tǒng)采用不同的同步機制來管理共享資源，常見方法有加鎖或令牌環(huán)機制.這種問題在邊緣操作系統(tǒng)中將更加復(fù)雜，由于存在多個應(yīng)用共享同一種數(shù)據(jù).如智能家居中照明的控制，如果應(yīng)用程序崩潰但系統(tǒng)能正常運行，用戶仍能對照明進行控制.我們發(fā)現(xiàn)引入/取消部署框架是未來解決這個挑戰(zhàn)的一種研究方向.隔離性的另一個挑戰(zhàn)是如何隔離第三方程序與用戶的隱私數(shù)據(jù)，如活動跟蹤類應(yīng)用程序不具有訪問電量的權(quán)限.為此，邊緣操作系統(tǒng)中服務(wù)管理層應(yīng)增加符合應(yīng)用場景的訪問控制機制.

4) 可靠性.可靠性是邊緣計算模型挑戰(zhàn)之一，從服務(wù)、系統(tǒng)和數(shù)據(jù)的角度給予闡述：

① 服務(wù)角度.在實際場景下，有時較難確定服務(wù)失敗的具體原因，如空調(diào)停止工作，原因可能是電源線斷、壓縮機故障或溫控器的電量用完等.當(dāng)節(jié)點斷開連接時，系統(tǒng)的服務(wù)很難維持，但在節(jié)點出現(xiàn)故障后，可采取方法來降低終止服務(wù)的風(fēng)險.如邊緣操作系統(tǒng)告知用戶哪一部件出現(xiàn)問題.我們發(fā)現(xiàn)，采用無線傳感網(wǎng)或者如PROFINET[46]工業(yè)網(wǎng)絡(luò)可作為可靠性的一種有效解決方案.

② 系統(tǒng)角度.邊緣操作系統(tǒng)能夠較好地維護整個系統(tǒng)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)是非常重要的，系統(tǒng)中每個組件能夠發(fā)送狀態(tài)/診斷信息到邊緣操作系統(tǒng).基于這種特點，用戶可以方便在系統(tǒng)層部署如故障檢測、設(shè)備替換和數(shù)據(jù)質(zhì)量檢測等服務(wù).

③ 數(shù)據(jù)角度.可靠性主要取決于數(shù)據(jù)感知和通信.邊緣設(shè)備故障原因不盡相同，Shi等人[47]研究發(fā)現(xiàn)，低電量等不可靠情況下，邊緣設(shè)備會發(fā)送精度較低的數(shù)據(jù).大數(shù)據(jù)背景下數(shù)據(jù)收集方面，DaCosta[48]提出多種新型通信協(xié)議.這些協(xié)議可較好地適應(yīng)大規(guī)模傳感器節(jié)點和高度動態(tài)網(wǎng)絡(luò)，但相比藍(lán)牙或者WiFi，其連接的可靠性較差.在傳感器數(shù)據(jù)通信不可靠的情況下，如何利用多維參考數(shù)據(jù)源和歷史數(shù)據(jù)，提供可靠的服務(wù)仍是一個難題.

3.5 數(shù)據(jù)隱私保護及安全

數(shù)據(jù)隱私保護及安全是邊緣計算提供的一種重要服務(wù).如在家庭內(nèi)部署萬物互聯(lián)系統(tǒng)，大量的隱私信息會被傳感器捕獲，如何在隱私保護下提供服務(wù)將是一種挑戰(zhàn).我們發(fā)現(xiàn)在數(shù)據(jù)源附近進行計算是保護隱私和數(shù)據(jù)安全的一種有效方法.在邊緣計算中，數(shù)據(jù)隱私保護及安全的研究將面臨以下挑戰(zhàn)：

1) 社會對隱私和安全的意識.本文以WiFi網(wǎng)絡(luò)安全為例.調(diào)查表明[49]，在4億多使用無線連接的家庭中，49%的WiFi網(wǎng)絡(luò)是不安全的，80%家庭仍然使用默認(rèn)密碼設(shè)置他們的路由器.對于公共的WiFi熱點，89%的熱點是不安全的.如果用戶沒有保護好個人隱私數(shù)據(jù)，很容易被他人利用網(wǎng)絡(luò)攝像頭、健康監(jiān)測儀等設(shè)備，窺探個人的隱私數(shù)據(jù).

2) 邊緣設(shè)備兼顧數(shù)據(jù)收集者和所有者.如手機收集的數(shù)據(jù)將在服務(wù)提供商處存儲和分析，而保留邊緣數(shù)據(jù)且讓用戶擁有這些數(shù)據(jù)是一種較好保護隱私數(shù)據(jù)的方案.網(wǎng)絡(luò)邊緣設(shè)備所收集的數(shù)據(jù)應(yīng)存儲在邊緣，并且用戶應(yīng)有權(quán)限制服務(wù)提供商使用這些數(shù)據(jù).為保護用戶隱私，應(yīng)在邊緣設(shè)備中刪除高度隱私的數(shù)據(jù).

3) 數(shù)據(jù)隱私和安全有效工具的缺乏.網(wǎng)絡(luò)邊緣設(shè)備資源有限，現(xiàn)有數(shù)據(jù)安全的方法并不能完全適用于邊緣計算.而且，網(wǎng)絡(luò)邊緣高度動態(tài)的環(huán)境也會使網(wǎng)絡(luò)更易受到攻擊.為加強對隱私數(shù)據(jù)的保護，研究人員對隱私保護平臺進行了研究，如Deborah團隊開發(fā)的Open mHealth平臺[50]，以實現(xiàn)對健康數(shù)據(jù)的標(biāo)準(zhǔn)化處理和存儲，但未來的研究仍需要開發(fā)更多的工具來處理邊緣計算的數(shù)據(jù).

3.6 理論基礎(chǔ)

CAP理論是分布式系統(tǒng)理論的基礎(chǔ)，該理論是分布式系統(tǒng)、特別是分布式存儲領(lǐng)域中被使用最多的理論.Brewer在Inktomi[51]期間研發(fā)搜索引擎、分布式Web緩存時得出關(guān)于數(shù)據(jù)一致性(consis-tency)、服務(wù)可用性(availability)、分區(qū)容錯性(partition-tolerance)的猜想，并在2000年P(guān)ODC會議上提出[52-53]，該猜想在提出2年后被證明成立[54]并作為CAP定理.

因此，基于邊緣計算模型的計算機系統(tǒng)研究中，邊緣計算理論基礎(chǔ)將是學(xué)界和產(chǎn)業(yè)界進行邊緣計算研究所面臨的關(guān)鍵性挑戰(zhàn)之一.邊緣計算是一種綜合性很強的科學(xué)研究，橫跨計算、數(shù)據(jù)通信、存儲、能耗優(yōu)化等多個領(lǐng)域.一方面，邊緣計算理論可以基于一種多目標(biāo)優(yōu)化的理論為基礎(chǔ)，實現(xiàn)計算、數(shù)據(jù)通信以及能耗的綜合最優(yōu)；另一方面，可以分別在計算、通信、能耗等不同維度建立邊緣計算相關(guān)理論基礎(chǔ)，如計算維度上建立計算任務(wù)的負(fù)載均衡理論，指導(dǎo)云中心與邊緣端的任務(wù)分配，實現(xiàn)云中心和邊緣端計算能力的最大使用效率；同時根據(jù)計算負(fù)載均衡和分布式系統(tǒng)理論，邊緣端與云端的數(shù)據(jù)通信，最優(yōu)化網(wǎng)絡(luò)傳輸帶寬；研究分布式多維邊緣端設(shè)備能耗理論模型(如利用多維度李亞普諾夫理論)，建立多邊緣端的能耗效率模型，優(yōu)化邊緣端設(shè)備能耗，提高有限能量資源的利用率，此外，也可以根據(jù)類似李亞普諾夫可靠性理論，建立基于多邊緣設(shè)備的邊緣計算可靠性理論.

邊緣計算的理論基礎(chǔ)當(dāng)前并不成熟，需要綜合計算、數(shù)據(jù)通信、存儲及能耗優(yōu)化等多學(xué)科已有比較完善的理論基礎(chǔ)，提出綜合性或多維度的邊緣計算理論，這是目前我們在開展邊緣計算研究中首要解決的關(guān)鍵性問題.合理的邊緣計算理論基礎(chǔ)對學(xué)界和產(chǎn)業(yè)界未來更好地開展基于邊緣計算模型的應(yīng)用服務(wù)研究和開發(fā)工作具有極為重要的指導(dǎo)意義.

3.7 商業(yè)模式

云計算的商業(yè)模型比較簡單，用戶通過自己的需求向相關(guān)服務(wù)提供商進行購買，具體而言，云計算所提供的云服務(wù)是基于互聯(lián)網(wǎng)相關(guān)服務(wù)的增加、使用和交付模式，通常涉及通過互聯(lián)網(wǎng)來提供動態(tài)易擴展且虛擬化的資源.云計算需求客戶通過網(wǎng)絡(luò)以按需、易擴展的方式獲得所需服務(wù).這種服務(wù)可以是IT基礎(chǔ)設(shè)施和軟件資源以及互聯(lián)網(wǎng)相關(guān)的其他資源或服務(wù)等.云計算的計算能力也可作為一種服務(wù)或商品，通過互聯(lián)網(wǎng)進行流通.

邊緣計算橫跨信息技術(shù)(IT)、通訊技術(shù)(CT)等多個領(lǐng)域，涉及軟硬件平臺、網(wǎng)絡(luò)聯(lián)接、數(shù)據(jù)聚合、芯片、傳感、行業(yè)應(yīng)用等多個產(chǎn)業(yè)鏈角色.邊緣計算的商業(yè)模型更多的將會不僅是以服務(wù)為驅(qū)動，用戶請求相應(yīng)的服務(wù)，而更多的將以數(shù)據(jù)為驅(qū)動，如我們在邊緣計算的煙花模型中提到，每個用戶需求向數(shù)據(jù)擁有者(利益相關(guān)者)提供數(shù)據(jù)請求，然后云中心或是邊緣端數(shù)據(jù)擁有者將處理的結(jié)果反饋給用戶，由原來的中心-用戶的單邊商業(yè)模式轉(zhuǎn)變?yōu)橛脩?中心、用戶-用戶的多邊商業(yè)模式.

邊緣計算的商業(yè)模型取決于參與該模型的多個利益相關(guān)者，如何結(jié)合現(xiàn)有的云計算商業(yè)模型，發(fā)展邊緣計算的多邊商業(yè)模型也是邊緣計算所面臨的重要問題之一.

4 相關(guān)研究工作

隨著大數(shù)據(jù)時代的發(fā)展，為了解決云計算中心計算負(fù)載和數(shù)據(jù)傳輸帶寬的問題，研究者也提出多種關(guān)于計算任務(wù)從云計算中心遷移到網(wǎng)絡(luò)的邊緣的技術(shù)，其中主要典型模型包括：分布式數(shù)據(jù)庫模型、P2P模型、CDN模型、移動邊緣計算模型、霧計算模型以及海云計算.本節(jié)我們將分別闡述不同模型的相關(guān)研究工作.

4.1 分布式數(shù)據(jù)庫模型

分布式數(shù)據(jù)庫系統(tǒng)是數(shù)據(jù)庫技術(shù)和網(wǎng)絡(luò)技術(shù)兩者結(jié)合的結(jié)果.大數(shù)據(jù)時代，數(shù)據(jù)種類和數(shù)量的增長使分布式數(shù)據(jù)庫成為數(shù)據(jù)存儲和處理的核心技術(shù).分布式數(shù)據(jù)庫部署在自組織網(wǎng)絡(luò)服務(wù)器或分散在互聯(lián)網(wǎng)、企業(yè)網(wǎng)或外部網(wǎng)以及其他自組織網(wǎng)絡(luò)的獨立計算機上[55].數(shù)據(jù)存儲在多臺計算機上，分布式數(shù)據(jù)庫操作不局限于單臺機器，而允許在多臺機器上執(zhí)行事務(wù)交易，以此來提高數(shù)據(jù)庫訪問的性能[56].

分布式數(shù)據(jù)庫已成為大數(shù)據(jù)處理的核心技術(shù).按照數(shù)據(jù)庫的結(jié)構(gòu)，分布式數(shù)據(jù)庫包括同構(gòu)[57]和異構(gòu)系統(tǒng)[58].前者數(shù)據(jù)庫實例的運行環(huán)境具有相同的軟件和硬件，同構(gòu)分布式數(shù)據(jù)庫具有單一的訪問接口；后者的運行環(huán)境中硬件、操作系統(tǒng)和數(shù)據(jù)庫管理系統(tǒng)以及數(shù)據(jù)模型等均有所不同.按照處理數(shù)據(jù)類型，分布式數(shù)據(jù)庫主要包括SQL(關(guān)系型)、NoSQL(非關(guān)系型)、基于可擴展標(biāo)記語言(XML)以及NewSQL分布式數(shù)據(jù)庫.其中，NoSQL和NewSQL分布式數(shù)據(jù)庫使用最為廣泛.NoSQL分布式數(shù)據(jù)庫[59]主要為滿足大數(shù)據(jù)環(huán)境下海量數(shù)據(jù)對數(shù)據(jù)庫高并發(fā)、高效存儲訪問、高可靠性和高擴展性的需求，主要分為鍵值存儲類、列存儲數(shù)據(jù)庫、文檔型數(shù)據(jù)庫、圖形數(shù)據(jù)庫等.NewSQL分布式數(shù)據(jù)庫[60-62]是一種具有實時性、復(fù)雜分析、快速查詢等特征的，面向大數(shù)據(jù)環(huán)境下海量數(shù)據(jù)存儲的關(guān)系型分布式數(shù)據(jù)庫，主要包括Google Spanner, Clustrix, VoltDB等.SQL分布式數(shù)據(jù)庫是針對表式結(jié)構(gòu)的關(guān)系型分布式數(shù)據(jù)庫，典型代表有微軟分布式數(shù)據(jù)庫[63]和Oracle分布式數(shù)據(jù)庫[64].基于XML的分布式數(shù)據(jù)庫主要存儲以XML為格式的數(shù)據(jù)，本質(zhì)上是一種面向文檔的類似于NoSQL的分布式數(shù)據(jù)庫[65].

相比于邊緣計算模型，分布式數(shù)據(jù)庫提供了大數(shù)據(jù)環(huán)境下的數(shù)據(jù)存儲，較少關(guān)注其所在設(shè)備端的異構(gòu)計算和存儲能力，主要用以實現(xiàn)數(shù)據(jù)的分布式存儲和共享.分布式數(shù)據(jù)庫技術(shù)所需的空間較大且數(shù)據(jù)的隱私性較低，對基于多數(shù)據(jù)庫的分布式事務(wù)處理而言，數(shù)據(jù)的一致性技術(shù)是分布式數(shù)據(jù)庫均要面臨的重要挑戰(zhàn)[66].邊緣計算模型中數(shù)據(jù)位于邊緣設(shè)備端，具有較高的隱私性、可靠性和可用性.萬物互聯(lián)時代，“終端架構(gòu)具有異構(gòu)性并需支持多種應(yīng)用服務(wù)”將成為邊緣計算模型應(yīng)對大數(shù)據(jù)處理的基本思路.

4.2 P2P(peer-to-peer computing)

P2P計算[67]不僅與邊緣計算緊密相關(guān)，而且還是較早將計算遷移到網(wǎng)絡(luò)邊緣的一種文件傳輸技術(shù).P2P的術(shù)語于2000年首次被提出并用于實現(xiàn)文件共享系統(tǒng)，此后，其逐漸發(fā)展成為分布式系統(tǒng)的重要子領(lǐng)域，其中分散化、最大化可擴展性、容忍較高層節(jié)點流失以及惡意行為防止已經(jīng)成為P2P主要的研究主題，該領(lǐng)域的主要成就包括：1)分布式Hash表，其后來演變?yōu)樵朴嬎隳Ｐ椭衚ey-value分布式存儲一般范式；2)廣義Gossip協(xié)議，其已被廣泛地用于非簡單信息擴散的復(fù)雜任務(wù)處理類應(yīng)用中，如數(shù)據(jù)融合和拓?fù)涔芾恚?)多媒體流技術(shù)，其表現(xiàn)形式有視頻點播、實時視頻、個人通信等.但是，P2P多數(shù)被用于非法文件共享和相關(guān)訴訟的廣泛媒體報道.結(jié)果，實際基于P2P模式的一些商業(yè)技術(shù)未得到承認(rèn).

邊緣計算模式源于P2P，但拓展了一些P2P中原來沒有的新技術(shù)和新手段，將P2P的概念擴展到網(wǎng)絡(luò)邊緣設(shè)備，實現(xiàn)P2P計算和云計算的融合.

4.3 內(nèi)容分發(fā)網(wǎng)絡(luò)(content distribution networks, CDN)

內(nèi)容分發(fā)網(wǎng)絡(luò)是基于互聯(lián)網(wǎng)的緩存網(wǎng)絡(luò)[68]，通過在網(wǎng)絡(luò)邊緣部署緩存服務(wù)器來降低遠(yuǎn)程站點的數(shù)據(jù)下載延時，加速內(nèi)容交付.2004年，研究人員實現(xiàn)了一種新的體系結(jié)構(gòu)模型[69]，提出ACDN原型，作為在傳統(tǒng)CDN的一種改善，幫助內(nèi)容提供商免于預(yù)測預(yù)先配置的資源和決定資源的位置.ACDN允許應(yīng)用部署在任意一臺服務(wù)器上，通過設(shè)計一些新的算法，根據(jù)需要遷移和復(fù)制應(yīng)用到服務(wù)器.

CDN自1998年Akamai公司[70]提出至今，得到了學(xué)術(shù)界和工業(yè)界的高度關(guān)注而快速發(fā)展.如亞馬遜[71]，Akamai等公司擁有了比較成熟的CDN技術(shù)， Akamai公司利用CDN技術(shù)研發(fā)的中國CDN[72]，為我國用戶交付期望獲得的性能和體驗，同時也降低了提供商的組織運營壓力.近年來，我國學(xué)術(shù)界研究CDN優(yōu)化技術(shù)，如清華大學(xué)團隊設(shè)計和實現(xiàn)的邊緣視頻CDN[73]，其提出利用數(shù)據(jù)驅(qū)動的方法來組織邊緣內(nèi)容熱點,基于請求預(yù)測的服務(wù)器峰值轉(zhuǎn)移的復(fù)制策略，實現(xiàn)把內(nèi)容從服務(wù)器復(fù)制到邊緣熱點上為用戶提供服務(wù).產(chǎn)業(yè)界也涌現(xiàn)出許多CDN服務(wù)公司，如chinacache(藍(lán)汛)[74]、網(wǎng)宿[75]等.

內(nèi)容分發(fā)網(wǎng)絡(luò)的緩存服務(wù)器與邊緣計算模型中邊緣服務(wù)器類似，均位于網(wǎng)絡(luò)的邊緣.但是，邊緣計算模型的“邊緣”不限制在邊緣節(jié)點，還包括網(wǎng)絡(luò)邊緣的攝像頭、智能手機、網(wǎng)關(guān)、可穿戴的計算設(shè)備和傳感器等設(shè)備.

4.4 移動邊緣計算(mobile edge computing, MEC)

萬物互聯(lián)的發(fā)展實現(xiàn)了網(wǎng)絡(luò)中多類型設(shè)備(如智能手機、平板、無線傳感器及可穿戴的健康設(shè)備等)的互聯(lián)，而大多數(shù)網(wǎng)絡(luò)邊緣設(shè)備的能量和計算資源有限，這使萬物互聯(lián)的設(shè)計變得尤為困難.移動邊緣計算[76]是在接近移動用戶的無線電接入網(wǎng)范圍內(nèi)，提供信息技術(shù)服務(wù)和云計算能力的一種新的網(wǎng)絡(luò)結(jié)構(gòu)，并已成為一種標(biāo)準(zhǔn)化、規(guī)范化的技術(shù).2014年ETSI 提出對移動邊緣計算術(shù)語的標(biāo)準(zhǔn)化[77]，并指出移動邊緣計算提供了一種新的生態(tài)系統(tǒng)和價值鏈.利用移動邊緣計算，可將密集型移動計算任務(wù)遷移到附近的網(wǎng)絡(luò)邊緣服務(wù)器[78-79].由于移動邊緣計算位于無線接入網(wǎng)內(nèi)并接近移動用戶，因此可以實現(xiàn)較低延時、較高帶寬來提高服務(wù)質(zhì)量和用戶體驗.移動邊緣計算同時也是發(fā)展5G的一項關(guān)鍵技術(shù)[80]，有助于從延時、可編程性、擴展性等方面滿足5G的高標(biāo)準(zhǔn)要求.移動邊緣計算通過在網(wǎng)絡(luò)邊緣部署服務(wù)和緩存，中心網(wǎng)絡(luò)不僅可以減少擁塞，還能高效地響應(yīng)用戶請求.

任務(wù)遷移是移動計算技術(shù)難點之一，已有的優(yōu)化算法主要包括LODCO算法[81]、分布式計算遷移[82]、EPCO和LPCO算法[83]以及Actor模型[84]等.移動邊緣計算已被應(yīng)用到車聯(lián)網(wǎng)、物聯(lián)網(wǎng)網(wǎng)關(guān)、輔助計算、智能視頻加速、移動大數(shù)據(jù)分析等多種場景[85-86].

移動邊緣計算模型強調(diào)在云計算中心與邊緣設(shè)備之間建立邊緣服務(wù)器，在邊緣服務(wù)器上完成終端數(shù)據(jù)的計算任務(wù)，但移動邊緣終端設(shè)備基本認(rèn)為不具有計算能力.相比而言，邊緣計算模型中終端設(shè)備上具有較強的計算能力，因此，移動邊緣計算是一種邊緣計算服務(wù)器，作為邊緣計算模型的一部分.

4.5 霧計算(fog computing)

思科于2012年提出霧計算[42]，并將霧計算定義為遷移云計算中心任務(wù)到網(wǎng)絡(luò)邊緣設(shè)備執(zhí)行的一種高度虛擬化的計算平臺.霧計算在終端設(shè)備和傳統(tǒng)云計算中心之間提供計算、存儲和網(wǎng)絡(luò)服務(wù)，是對云計算的補充.Vaquero等人對霧計算進行了較全面的定義[87]，霧計算[88]通過在云與移動設(shè)備之間引入中間層，擴展了基于云的網(wǎng)絡(luò)結(jié)構(gòu)，而中間層實質(zhì)是由部署在網(wǎng)絡(luò)邊緣的霧服務(wù)器組成的“霧層”[89].霧計算避免云計算中心和移動用戶之間多次通信.通過霧服務(wù)器，可以顯著減少主干鏈路的帶寬負(fù)載和能耗，在移動用戶量巨大時，可以訪問霧服務(wù)器中緩存的內(nèi)容、請求一些特定的服務(wù)[90].此外，霧服務(wù)器可以與云計算中心互連，并使用云計算中心強大的計算能力和豐富的應(yīng)用和服務(wù).

邊緣計算和霧計算[91]概念具有很大的相似性,在很多場合表示同一個意思.如果要仔細(xì)區(qū)分二者，我們認(rèn)為邊緣計算除了關(guān)心基礎(chǔ)設(shè)施，也關(guān)注邊緣設(shè)備，包括Things 的管理等，而霧計算則更多是指基礎(chǔ)設(shè)施.

4.6 海云計算

萬物互聯(lián)背景下，待處理數(shù)據(jù)量達(dá)到ZB級，信息系統(tǒng)的感知、傳輸、存儲和處理的能力需提高3個數(shù)量級，同時整體能耗要保持在2010年的水準(zhǔn)，也就是說，需實現(xiàn)1 000倍每瓦性能的優(yōu)化.針對這一挑戰(zhàn)，中國科學(xué)院于2012年啟動了10年戰(zhàn)略優(yōu)先研究倡議，稱之為下一代信息與通信技術(shù)倡議(next generation information and communication tech-nology initiative, NICT).倡議的主旨是要開展“海云計算系統(tǒng)項目”的研究，其核心是通過“云計算”系統(tǒng)與“海計算[92]”系統(tǒng)的協(xié)同和集成，增強傳統(tǒng)云計算能力，其中，“海”端指由人類本身、物理世界的設(shè)備和子系統(tǒng)組成的終端(客戶端).“海云計算系統(tǒng)項目”目標(biāo)是實現(xiàn)面向ZB級數(shù)據(jù)處理的能效要比現(xiàn)有技術(shù)提高1 000倍，研究內(nèi)容主要包括從整體系統(tǒng)結(jié)構(gòu)層、數(shù)據(jù)中心級服務(wù)器及存儲系統(tǒng)層、處理器芯片級等角度提出系統(tǒng)級解決方案.

與邊緣計算相比而言，海云計算關(guān)注“?！钡慕K端設(shè)備，而邊緣計算是從“海”到“云”之間的任意中間計算資源和網(wǎng)絡(luò)資源，海云計算是邊緣計算的一個非常好的子集實例.

5 總 結(jié)

邊緣式大數(shù)據(jù)處理時代下，云計算模型已無法有效解決云中心負(fù)載、傳輸帶寬、數(shù)據(jù)隱私保護等問題.萬物互聯(lián)應(yīng)用服務(wù)快速發(fā)展催生了邊緣計算，其是萬物互聯(lián)背景下邊緣式大數(shù)據(jù)處理時代的軟硬件關(guān)鍵支撐平臺.邊緣計算模型中數(shù)據(jù)處理模式可以保證較短的響應(yīng)時間和較高的可靠性，同時越來越多的應(yīng)用服務(wù)將從云計算中心遷移到網(wǎng)絡(luò)邊緣設(shè)備端.此外，如果大部分?jǐn)?shù)據(jù)能在邊緣設(shè)備上被處理而不用上傳到云計算中心，這樣就大大節(jié)省傳輸帶寬和設(shè)備端電能的消耗.

本文提出了邊緣計算的定義及其基本原理，列舉邊緣計算的6個應(yīng)用案例.介紹協(xié)同邊緣，因為邊緣可以實現(xiàn)終端用戶與云計算中心物理層或邏輯層的連接.邊緣計算模型仍支持傳統(tǒng)的云計算模型，而且還可連接遠(yuǎn)程計算資源，實現(xiàn)數(shù)據(jù)的共享和協(xié)作.提出邊緣計算面臨的挑戰(zhàn)，包括可編程性、命名規(guī)則、數(shù)據(jù)抽象、服務(wù)管理、數(shù)據(jù)的隱私保護與安全、理論基礎(chǔ)及商業(yè)模式.我們希望通過本文引起產(chǎn)業(yè)界和學(xué)術(shù)界對邊緣計算的關(guān)注.然而，要實現(xiàn)邊緣計算模型這一愿景，除了計算機系統(tǒng)、通信、網(wǎng)絡(luò)和應(yīng)用程序等技術(shù)領(lǐng)域的研究人員參加之外，還需要能夠從這些技術(shù)領(lǐng)域受益的其他機構(gòu)加入，如環(huán)境和公共衛(wèi)生、執(zhí)法、消防、以及公用事業(yè)服務(wù)等.

在過去的幾年里，邊緣計算愿景實現(xiàn)的過程已經(jīng)開始，如2015年10月，霧計算的支持者組成開放霧聯(lián)盟*http://www.openfogconsortium.org.該聯(lián)盟旨在通過匯集公司、高?？蒲袡C構(gòu)、研究者個人等資源，加快霧計算技術(shù)的部署，促進霧計算生態(tài)系統(tǒng)的快速形成.美國聯(lián)邦政府包括國家科學(xué)基金會、美國國家標(biāo)準(zhǔn)局，在2016年都分別把邊緣計算列入了項目申請指南.此外，邊緣計算領(lǐng)域的相關(guān)國際會議已經(jīng)開始興起，如2016年10月在美國華盛頓特區(qū)舉辦的第一屆IEEE/ACM邊緣計算會議(IEEE/ACM Symposium on Edge Computing, SEC)、將于2017年10月舉辦的邊緣計算和霧計算世界聯(lián)合大會等.2016年11月30日，中國成立了產(chǎn)學(xué)研結(jié)合的邊緣計算產(chǎn)業(yè)聯(lián)盟*http://www.ecconsortium.net/，旨在搭建邊緣計算產(chǎn)業(yè)合作平臺，推動運行技術(shù)(operation technology, OT)和信息與通信技術(shù)(information and communications technologies, ICT)產(chǎn)業(yè)開放協(xié)作，引領(lǐng)邊緣計算產(chǎn)業(yè)蓬勃發(fā)展，深化行業(yè)數(shù)字化轉(zhuǎn)型.

我們相信，按照這種發(fā)展趨勢繼續(xù)進行下去，萬物互聯(lián)背景下邊緣計算模型的愿景定在不久的將來成為現(xiàn)實.

致謝 作者感謝《計算機研究與發(fā)展》雜志主編徐志偉研究員的邀請和早期的討論.另外，我們也要感謝李尤慧子博士為本文所做的前期內(nèi)容整理和修正工作，感謝安徽大學(xué)的陳國棟、梁旭、劉永輝同學(xué)為本文所做的資料收集和校驗工作!

[1]Armbrust M, Fox A, Griffith R, et al. A view of cloud computing [J]. Communications of the ACM, 2010, 53(4): 50-58

[2]Ghemawat S, Gobioff H, Leung S T. The Google file system[J]. ACM SIGOPS Operating Systems Review, 2003, 37(5): 29-43

[3]Dean J, Ghemawat S. MapReduce: Simplified data processing on large clusters[J]. Communications of the ACM, 2008, 51(1): 107-113

[4]Shvachko K, Kuang H, Radia S, et al. The Hadoop distributed file system[C] //Proc of the 26th IEEE Symp on Mass Storage Systems and Technologies (MSST). Piscataway, NJ: IEEE, 2010: 1-10

[5]Zaharia M, Chowdhury M, Franklin M J, et al. Spark: Cluster computing with working sets[C] //Proc of HotCloud 2010. Berkeley, CA: USENIX Association, 2010: 10

[6]Ashton K. That ‘Internet of things’ thing[J]. RFiD Journal, 2009, 22(7): 97-114

[7]Sundmaeker H, Guillemin P, Friess P, et al. Vision and challenges for realizing the Internet of things[OL]. [2016-12-03]. http://www.robvankranenburg.com/sites/default/files/Rob%20van%20 Kranenburg/Clusterbook%202009_0.pdf

[8]Gubbi J, Buyya R, Marusic S, et al. Internet of things (IoT): A vision, architectural elements, and future directions [J]. Future Generation Computer Systems, 2013, 29(7): 1645-1660

[9]David E C. The once and future Internet of everything[OL].[2016-12-03]. http://sites.nationalacademies.org/cs/groups/cstbsite/documents/webpage/cstb_160416.pdf

[10]Networking C V. Cisco Global Cloud Index: Forecast and Methodology, 2015—2020[OL].[2016-12-03]. http://www.cisco.com/c/dam/en/us/solutions/collateral/service-provider/global-cloud-index-gci/white-paper-c11-738085.pdf

[11]Evans D. The Internet of things how the next evolution of the Internet is changing everything[OL]. [2016-12-03]. https://www.researchgate.net/publication/306122904_The_Internet _of_Things_How_the_Next_Evolution_of_the_Internet_is_Changing_Everything

[12]Armbrust M, Fox A, Griffith R, et al. A view of cloud computing[J]. Communications of the ACM, 2010, 53(4): 50-58

[13]European Telecommunications Standards Institute (ETSI). Mobile-edge computing[OL].[2016-12-03]. https://portal.etsi.org/Portals/0/TBpages/MEC/Docs/Mobile-edge_Computing_-_Introductory_Technical_White_Paper_V1%2018-09-14.pdf

[14]Dastjerdi A V, Gupta H, Calheiros R N, et al. Fog computing: Principals, architectures, and applications[OL].[2016-12-03]. https://arxiv.org/ftp/arxiv/papers/1601/1601.02752.pdf

[15]Gai Keke, Qiu Meikang, Zhao Hui, et al. Dynamic energy-aware cloudlet-based mobile cloud computing model for green computing[J]. Journal of Network & Computer Applications, 2015, 59(C): 46-54

[16]Xu Zhiwei. Cloud-sea computing systems: Towards thousand-fold improvement in performance per watt for the coming zettabyte era[J]. Journal of Computer Science and Technology, 2014, 29(2): 177-181

[17]Shi Weisong, Cao Jie, Zhang Quan, et al. Edge computing: Vision and challenges[J]. IEEE Internet of Things Journal, 2016, 3(5): 637-646

[18]Buyya R, Yeo C S, Venugopal S, et al. Cloud computing and emerging IT platforms: Vision, hype, and reality for delivering computing as the 5th utility[J]. Future Generation Computer Systems, 2009, 25(6): 599-616

[19]Turner V, Gantz J F, Reinsel D, et al. The digital universe of opportunities: Rich data and the increasing value of the Internet of things [OL]. [2016-12-03]. https://www.emc.com/collateral/analyst-reports/idc-digital-universe-2014.pdf

[20]Finnegan M. Boeing 787s to create half a terabyte of data per flight, says virgin atlantic.[OL].[2016-12-03]. http://www.computerworlduk.com/data/boeing-787s-create-half-terabyte-of-data-per-flight-says-virgin-atlantic-3433595/

[21]Datafloq. Self-Driving cars will create 2 petabytes of data, what are the big data opportunities for the car industry? [OL].[2016-12-03]. https://datafloq.com/read/self-driving-carscreate-2-petabytes-data-annually/172

[22]LeClaire J. IHS predicts 54 million self-driving cars by 2035[OL].[2016-12-03]. http://www.newsfactor.com/story.xhtml?story_id=013001CTNJ8D

[23]Lopez G P, Montresor A, Epema D, et al. Edge-centric computing: Vision and challenges[J]. ACM Sigcomm Computer Communication Review, 2015, 45(5): 37-42

[24]Cortés R, Bonnaire X, Marin O, et al. Stream processing of healthcare sensor data: Studying user traces to identify challenges from a big data perspective[J]. Procedia Computer Science, 2015, 52(1): 1004-1009

[25]Greenberg A, Hamilton J, Maltz D A, et al. The cost of a cloud: Research problems in data center networks[J]. ACM Sigcomm Computer Communication Review, 2009, 39(1): 68-73

[26]Beloglazov A, Abawajy J, Buyya R. Energy-aware resource allocation heuristics for efficient management of data centers for cloud computing[J]. Future Generation Computer Systems, 2012, 28(5): 755-768

[27]Sverdlik Y. Here’s how much energy all US data centers consume [OL].[2016-12-03]. http://www.datacenterknow ledge.com/archives/2016/06/27/heres-how-much-energy-all-us-data-centers-consume/

[28]Worthington S. Chinese data centers use enough electricity for two countries,[OL].[2016-12-03]. https://datacenternews.asia/story/chinese-data-centers-use-enough-electricity-two-countries/

[29]Varghese B, Wang N, Barbhuiya S, et al. Challenges and opportunities in edge computing[C] //Proc of IEEE Int Conf on Smart Cloud (SmartCloud). Piscataway, NJ: IEEE, 2016: 20-26

[30]Cole D. Data center energy efficiency-looking beyond pue[OL]. [2016-12-03]. http://www.nolimitssoftware.com/docs/DataCenter EnergyEfficiency_LookingBeyond.pdf

[31]Sharma M, Arunachalam K, Sharma D. Analyzing the data center efficiency by using PUE to make data centers more energy efficient by reducing the electrical consumption and exploring new strategies [J]. Procedia Computer Science, 2015, 48: 142-148

[32]Lim S H, Sharma B, Tak B C, et al. A dynamic energy management scheme for multi-tier data centers[C] //Proc of the IEEE Int Symp on Performance Analysis of Systems and Software (ISPASS). Piscataway, NJ: IEEE, 2011: 257-266

[33]Gao Yongqiang, Guan Haibing, Qi Zhengwei, et al. Service level agreement based energy-efficient resource management in cloud data centers[J]. Computers & Electrical Engineering, 2014, 40(5): 1621-1633

[34]Domo Inc. Data never sleeps 2.0[OL].[2016-12-08]. https://www.domo.com/blog/2014/04/datanever-sleeps-2-0/

[35]Nippon Telegraph and Telephone Corporation. Announcing the “Edge computing” concept and the “Edge accelerated Web platform” prototype to improve response time of cloud applications[OL].[2016-12-03]. http://www.ntt.co.jp/news2014/1401e/140123a.html

[36]Chun B G, Ihm S, Maniatis P, et al. Clonecloud: Elastic execution between mobile device and cloud[C] //Proc of the 6th Conf on Computer Systems. New York: ACM, 2011: 301-314

[37]Rudenko A, Reiher P, Popek G J, et al. Saving portable computer battery power through remote process execution[J]. ACM SIGMOBILE Mobile Computing and Communications Review, 1998, 2(1): 19-26

[38]Hunt G C, Scott M L. The coign automatic distributed partitioning system[C] //Proc of the 3rd Symp on Operating Systems Design and Implementation. Berkeley, CA: USENIX Association, 1999: 187-200

[39]Kumar K, Lu Y H. Cloud computing for mobile users: Can offloading computation save energy?[J]. Computer, 2010, 43(4): 51-56

[40]Kosta S, Aucinas A, Hui P, et al. Thinkair: Dynamic resource allocation and parallel execution in the cloud for mobile code offloading[C] //Proc of the 31st ACM INFOCOM. Piscataway, NJ: IEEE, 2012: 945-953

[41]Shi Weisong, Dustdar S. The promise of edge computing [J]. Computer, 2016, 49(5): 78-81

[42]Bonomi F, Milito R, Zhu Jiang, et al. Fog computing and its role in the Internet of things[C] //Proc of the 1st Edition of the MCC Workshop on Mobile Cloud Computing. New York: ACM, 2012: 13-16

[43]Zhang Quan, Zhang Xiaohong, Zhang Qingyang, et al. Firework: Big data sharing and processing in collaborative edge environment[C] //Proc of IEEE/ACM Symp on Edge Computing (SEC2016). Piscataway, NJ: IEEE, 2016: 81-82

[44]Zhang L, Estrin D, Burke J, et al. Named data networking (NDN) project[J]. Transportation Research Record Journal of the Transportation Research Board, 2010, 1892(1): 227-234

[45]Raychaudhuri D, Nagaraja K, Venkataramani A. MobilityFirst: A robust and trustworthy mobility-centric architecture for the future Internet[J]. ACM Sigmobile Mobile Computing & Communications Review, 2012, 16(3): 2-13

[46]Feld J. PROFINET-scalable factory communication for all applications[C] //Proc of the 6th IEEE Int Workshop on Factory Communication Systems. Piscataway, NJ: IEEE, 2004: 33-38

[47]Cao Jie, Ren Lingmei, Shi Weisong, et al. A framework for component selection in collaborative sensing application development[C] //Proc of 2014 Int Conf on Collaborative Computing: Networking, Applications and Worksharing (CollaborateCom). Piscataway, NJ: IEEE, 2014: 104-113

[48]DaCosta F. Rethinking the Internet of Things: A scalable approach to connecting everything[M]. Berkeley: Apress, 2013

[49]Perla C B. WiFi network security statistics/graph[OL].[2016-12-03]. http://graphs.net/wifi-stats.html/

[50]Open mHealth. Open mHealth platform[OL].[2016-12-07]. http://www.openmhealth.org /

[51]Brewer E, Inktomi’s wild ride—A personal view of the Internet bubble [OL].[2016-12-07]. https://curiosity.com/videos/inktomis-wild-ride-a-personal-view-of-the-internet-bubble-computer-history-museum/

[52]Fox A, Brewer E A. Harvest, yield, and scalable tolerant systems[C] //Proc of the 7th Workshop on Hot Topics in Operating Systems. Piscataway, NJ: IEEE, 1999: 174-178

[53]Brewer E A. Towards robust distributed systems[OL].[2016-12-03]. http://awoc.wolski.fi/dlib/big-data/Brewer_podc_keynote_2000.pdf

[54]Gilbert S, Lynch N. Brewer’s conjecture and the feasibility of consistent, available, partition-tolerant Web services[J]. ACM Sigact News, 2002, 33(2): 51-59

[55]O’Brien J A, Marakas G M. Management Information Systems[M]. New York: McGraw-Hill Irwin, 2008: 185-189

[56]The Institute for Telecommunication Sciences (ITS). Distributed database[OL].[2016-12-07]. http://www.its.bldrdoc.gov/fs-1037/dir-012/_1750.htm

[57]Liu Ling, ?zsu M T. Homogeneous Distributed Database Systems[M]. Berlin: Springer, 2009

[58]Sujansky W. Heterogeneous database integration in biomedicine[J]. Journal of Biomedical Informatics, 2001, 34(4): 285-298

[59]Grolinger K, Higashino W A, Tiwari A, et al. Data management in cloud environments: NoSQL and NewSQL data stores[J]. Journal of Cloud Computing, 2013, 2(1): 1-24

[60]Stonebraker M. NewSQL: An alternative to NoSQL and old SQL for new OLTP apps[OL].[2016-12-07]. http://cacm.acm.org/blogs/blog-cacm/109710-new-sql-an-alternative-to-nosql-and-old-sql-for-new-oltp-apps/fulltext

[61]Highscalability. Google spanner’s most surprising revelation: NoSQL is out and NewSQL is in[OL].[2016-12-07]. http://highscalability.com/blog/2012/9/24/google-spanners-most-surprising-revelation-nosql-is-out-and.html

[62]Nirmala S, Venkatesh P. NewSQL—The new way to handle big data [OL].[2016-12-07]. http://opensourceforu.com/2012/01/newsql-handle-big-data/

[63]Microsoft Corporation, TechNet Glossary[OL].[2016-12-07]. https://technet.microsoft.com/en-us/library/cc966484.aspx

[64]Ashdown L, Kyte T, Engsig B, et al. Oracle? database concepts 11g release 2 (11.2)[OL].[2016-12-07]. http://docs.oracle.com/cd/E36909_01/server.1111/e25789.pdf

[65]Jagadish H V, Al-Khalifa S, Chapman A, et al. TIMBER: A native XML database[J]. The VLDB Journal, 2002, 11(4): 274-291

[66]Fernandez I. No! to SQL and No! to NoSQL[OL].[2016-12-07]. https://iggyfernandez.wordpress.com/2013/07/28/no-to-sql-and-no-to-nosql/

[67]Milojicic D S, Kalogeraki V, Lukose R, et al. Peer-to-peer computing[OL].[2016-12-03]. https://www.cs.kau.se/cs/education/courses/dvad02/p2/seminar4/Papers/HPL-2002-57R1.pdf

[68]Peng Gang. CDN: Content distribution network[OL].[2016-12-03]. https://arxiv.org/pdf/cs/0411069.pdf

[69]Rabinovich M, Xiao Zhen, Aggarwal A. Computing on the edge: A platform for replicating internet applications[C] //Proc of the 8th Int Conf on Web Content Caching and Distribution. Berlin: Springer, 2004: 57-77

[70]Akamai Technologies. CDN Learning Center[OL].[2016-12-03]. https://www.akamai.com/us/en/cdn/

[71]Amazon AWS. Content Delivery Networks (CDN)[OL].[2016-12-03]. https://www.amazonaws.cn/en/content-delivery/?nc1=h_ls

[72]Akamai Technologies. China CDN [OL]. [2016-12-03]. https://www.akamai.com/us/en/solutions/intelligent-platform/china-content-delivery-network.jsp

[73]Hu Wen, Wang Zhi, Ma Ming, et al. Edge video CDN: A WiFi content hotspot solution[J]. Journal of Computer Science and Technology, 2016, 31(6): 1072-1086

[74]ChinaCache. Webluker CDN [OL].[2016-12-03]. http://www.chinacache.com/

[75]Chinacenter. CDN Acceleration Technologies[OL].[2016-12-03]. http://chinanetcenter.com/

[76]European Telecommunication Standards Institute (ETSI). Executive Briefing-Mobile Edge Computing (MEC) Initiative[OL]. [2016-12-03]. https://portal.etsi.org/Portals/0/TBpages/MEC/Docs/MEC%20Executive%20Brief%20v1%2028-09-14.pdf

[77]European Telecommunication Standards Institute (ETSI). Mobile Edge Computing[OL]. [2016-12-03]. http://www.etsi.org/technologies-clusters/technologies/mobile edge-computing

[78]Zhao Tianchu, Zhou Sheng, Guo Xueying, et al. A cooperative scheduling scheme of local cloud and Internet cloud for delay-aware mobile cloud computing[C] //Proc of 2015 IEEE GLOBECOM Workshops. Piscataway, NJ: IEEE, 2015: 1-6

[79]Sarukkai R R, Mendhekar A. Method and apparatus for accessing targeted, personalized voice/audio Web content through wireless devices: US Patent 6728731[P]. 2004: 4-27

[80]Hu Yunchao, Patel M, Sabella D, et al. Mobile edge computing: A key technology towards 5G[OL]. 2015 [2016-12-06]. http://www.etsi.org/images/files/ETSIWhite Papers/etsi_wp11_mec_a_key_technology_towards_5g.pdf

[81]Mao Yuyi, Zhang Jun, Letaief K B. Dynamic computation offloading for mobile-edge computing with energy harvesting devices[J]. IEEE Journal of Solid-State Circuits, 2016, 51(3): 712-723

[82]Chen Xu, Jiao Lei, Li Wenzhong, et al. Efficient multi-user computation offloading for mobile-edge cloud computing[J]. IEEE/ACM Trans on Networking, 2016, 24(5): 2795-2808

[83]Wang Yanting, Sheng Min, Wang Xijun, et al. Mobile-edge computing: Partial computation offloading using dynamic voltage scaling[J]. IEEE Trans on Communications, 2016, 64(10): 4268-4282

[84]Haubenwaller A M, Vandikas K. Computations on the edge in the Internet of things[J]. Procedia Computer Science, 2015, 52(C): 29-34

[85]Ahmed A, Ahmed E. A survey on mobile edge computing[C] //Proc of the 10th IEEE Int Conf on Intelligent Systems and Control. Piscataway, NJ: IEEE, 2016: 1-8

[86]European Telecommunication Standards Institute (ETSI). Mobile-Edge Computing (MEC): Service Scenarios[OL].[2016-12-03]. http://www.etsi.org/deliver/etsi_gs/MEC-IEG/001_099/004/01.01.01_60/gs_MEC-IEG004v010101p.pdf

[87]Vaquero L M, Rodero-Merino L. Finding your way in the fog: Towards a comprehensive definition of fog computing[J]. ACM SIGCOMM Computer Communication Review, 2014, 44(5): 27-32

[88]Luan T H, Gao Longxiang, Li Zhi, et al. Fog computing: Focusing on mobile users at the edge[OL].[2016-12-07]. https://arxiv.org/pdf/1502.01815.pdf

[89]Klas G I. Fog computing and mobile edge cloud gain momentum open fog consortium, ETSI MEC and cloudlets[J/OL]. [2016-12-03]. http://yucianga.info/wp-content/uploads/2015/11/15_11_22-_Fog_computing_and_mobile_edge_cloud_gain_momentum_Open_Fog_Consortium-ETSI_MEC-Cloudlets_v1_1.pdf

[90]Greyhound. Greyhound launches “BLUE?”—An exclusive WiFi enabled onboard entertainment system[OL]. [2016-12-03]. http://www.prnewswire.com/news-releases/greyhound-launches-blue-an-exclusive-wi-fi-enabled-onboard-entertainment-system-214583791.html

[91]OpenFog Consortium Architecture Working Group. OpenFog architecture overview[OL]. [2016-12-03]. http://www.openfogconsortium.org/wp-content/uploads/OpenFog-Archite cture-Overview-WP-2-2016.pdf

[92]Jiang Mianheng. Urbanization meets informatization: A great opportunity for China’s development[J]. Informatization Construction, 2010 (6): 8-9 (in Chinese)(江綿恒. 城市化與信息化——中國發(fā)展的時代機遇[J]. 信息化建設(shè), 2010 (6): 8-9)

Edge Computing—An Emerging Computing Model for the Internet of Everything Era

Shi Weisong1, Sun Hui2, Cao Jie1, Zhang Quan1, and Liu Wei2

1(Department of Computer Science, Wayne State University, Detroit, USA 48202)2(School of Computer Science and Technology, Anhui University, Hefei 230601)

With the proliferation of Internet of things (IoT) and the burgeoning of 4G/5G network, we have seen the dawning of the IoE (Internet of everything) era, where there will be a huge volume of data generated by things that are immersed in our daily life, and hundreds of applications will be deployed at the edge to consume these data. Cloud computing as the de facto centralized big data processing 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 growing computational needs of massive data generated at the edge of the network; 2) longer user-perceived latency caused by the data movement between the edge and the cloud;3) privacy and security concerns from data owners in the edge; 4) energy constraints of edge devices. These issues in the centralized big data processing era have pushed the horizon of a new computing paradigm, edge computing, which calls 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 of response time requirement, bandwidth cost saving, data safety and privacy, as well as battery life constraint. “Edge” in edge computing is defined as any computing and network resources along the path between data sources and cloud data centers. In this paper, we introduce the definition of edge computing, followed by several case studies, ranging from cloud offloading to smart home and city, as well as collaborative edge to materialize the concept of edge computing. Finally, we present several challenges and opportunities in the field of edge computing, and hope this paper will gain attention from the community and inspire more research in this direction.

edge computing; cloud computing; Internet of everything (IoE); smart home and city; collaborative edge

Shi Weisong, born in 1974. Professor, PhD supervisor. IEEE Fellow, Charles H. Gershenson Distinguished Faculty Fellow, ACM Distinguished Scientist. His main research interests include edge computing, computer systems, and energy-efficiency.

Sun Hui, born in 1983. PhD, assistant professor. His main research interests include computer system, edge computing, performance evaluation, non-volatile memory-based storage systems, file systems, and I/O architectures.

Cao Jie, born in 1989. PhD candidate at Wayne State University, USA. His main research interests include edge computing, smart home, and wireless health.

Zhang Quan, born in 1988. PhD candidate at Wayne State University. His main research interests include edge computing, big data system, stream processing, and energy-efficiency.

Liu Wei, born in 1993. Mater candidate in Anhui University. His main research interests include computer systems, key-value storage system.

2016-12-09；

2017-02-09

國家自然科學(xué)基金面上項目(61572001)；安徽大學(xué)2016年博士科研啟動經(jīng)費項目(J01003214) This work was supported by the General Program of the National Natural Science Foundation of China (61572001) and Anhui University Fund for Doctoral Research (J01003214).

孫輝(sunhui@ahu.edu.cn)

TP391; TP393