邊緣存儲的發展現狀與挑戰

劉鐸 楊涓 譚玉娟

摘要：邊緣存儲是支撐邊緣計算的核心存儲技術。與云存儲不同，邊緣存儲將數據從遠距離的云服務器端遷移到離數據更近的邊緣存儲設備端，具有更低的網絡通信開銷、交互延遲和帶寬成本，能為邊緣計算提供實時可靠的數據存儲和訪問。闡述了邊緣存儲的概念，描述了邊緣存儲的典型應用領域，并詳細分析了與邊緣存儲相關的技術研究現狀與挑戰。

關鍵詞：邊緣計算;邊緣存儲;云存儲;分布式存儲架構

Abstract： Edge storage is the core storage technology to support edge computing. Unlike cloud storage， edge storage stores data in the vicinity of data generation devices， reducing network communication overhead and bandwidth costs， providing real-time data access and high reliability. In this paper， the concept of edge storage is introduced， and the typical application areas， as well as the research trends and challenges of edge storage are analyzed.

Key words： edge computing; edge storage; cloud storage; distributed storage architecture

隨著物聯網技術[1]與5G網絡的快速發展，網絡邊緣設備急劇增加，其所產生的數據以爆炸式增長。根據思科可視化網絡指數報告[2]，到2021年，全球IP數據流量將達到3.3 ZB，其中邊緣設備產生的移動數據量占全球數據流量的63%，較2016年增長6.7倍，邊緣設備將成為數據生產的主流。高速增長的邊緣數據對邊緣存儲系統的容量、性能、功耗提出了嚴峻挑戰。另一方面，隨著深度學習[3]和增強現實（AR）技術的廣泛應用，邊緣設備呈現出智能化趨勢，其數據處理需要具備實時性。而傳統云計算模型采用集中式管理[4]，該模式需要數據跨越地理位置限制，具有極大的數據傳輸延遲及網絡波動可能性，難以滿足邊緣應用的實時性需求。

為解決上述問題，邊緣存儲——一種面向邊緣大數據存儲的新型分布式存儲架構被提出。邊緣存儲將數據分散存儲在鄰近的邊緣存儲設備或數據中心，大幅度縮短了數據產生、計算、存儲之間的物理距離，為邊緣計算提供高速低延遲的數據訪問。邊緣計算[5]是一種新型分布式計算模型，通過將傳統云計算架構中的部分任務下沉到智能終端設備或邊緣計算節點執行，提供實時的數據計算服務。邊緣存儲為邊緣計算的發展提供了較為可靠的支撐。

邊緣存儲對邊緣計算的高效數據儲存主要體現在3個方面：第一，邊緣存儲可提供數據預取和緩存服務，以克服云存儲遠距離數據傳輸造成的高延遲、網絡依賴等問題;第二，邊緣存儲可提供鄰近邊緣終端的分布式數據存儲服務，借助數據去重和近似存儲技術[6]，緩解云數據中心的存儲和帶寬壓力，降低數據遭受網絡攻擊的風險;第三，邊緣存儲能夠與云存儲協同提供存儲服務，支持邊緣計算任務在邊緣終端和云端的協同處理，促進邊緣計算與云計算的融合。本文中，我們將首先介紹邊緣存儲的概念，比較邊緣存儲與云存儲的差異;然后介紹邊緣存儲的典型應用場景，包括工業物聯網、車聯網、智慧城市、無人機等;最后分析邊緣存儲相關的技術研究現狀與挑戰。

1 邊緣存儲的概念

邊緣存儲是邊緣計算的延伸概念，主要為邊緣計算提供實時可靠的數據存儲與訪問。目前工業界和學術界對邊緣存儲還未進行詳細定義。本章節中，我們將從邊緣存儲的層次結構和特點闡述邊緣存儲的概念。

1.1 邊緣存儲的層次結構

邊緣存儲由邊緣設備、邊緣數據中心、分布式數據中心3層結構組成，如圖1所示。頂層為分布式數據中心，部署在距離集中式云較遠但互聯網用戶數量多的城市或地區，為用戶提供城域EB級數據存儲服務，也稱作分布式云，通常與大型集中式云數據中心協同執行存儲任務;中間層為邊緣數據中心（EDC），也稱作邊緣云，通常部署在蜂窩基站和人群密集處，為區域內提供TB級實時存儲服務，多個小型物理數據中心通過軟件定義網絡（SDN）可組合成一個邏輯數據中心;底層由數量龐大的邊緣設備組成，涵蓋桌面電腦、智能手機、傳感器、物聯網（IoT）網關、傳感網執行器以及智能路邊單元等多種設備，設備之間可通過無線接入技術相互連接組成邊緣存儲網絡。

1.2 邊緣存儲的特點和優勢

不同于集中式云存儲服務，邊緣存儲將數據存儲從遠距離的云服務器端，遷移到離數據更近的邊緣存儲設備或邊緣數據中心就近存儲，具有更低的網絡通信開銷、交互延遲和帶寬成本，更高的自適應能力與可擴展性。如表1所示，與云存儲相比，邊緣存儲具有如下特點和優勢：

（1）邊緣存儲設備具備地理分布式特性。

邊緣存儲設備和邊緣數據中心在地理上是分布式的。大量地理位置分散的邊緣存儲設備可借助Wi-Fi、藍牙、Zigbee等無線接入技術，與相鄰的存儲設備或邊緣數據中心構成分布式存儲網絡。這種地理分布式結構使數據能夠及時地就近存儲，為邊緣計算關鍵任務的實時性數據存儲和訪問提供了保障。而云數據中心在地理上是集中式的，遠距離的傳輸延遲使得大量邊緣設備的數據存儲和處理需求無法被及時處理;擁塞的網絡、高延遲的服務等都將會導致服務質量（QoS）的急劇下降。

（2）邊緣存儲介質和系統具備異構性。

邊緣存儲具有異構存儲的特點，主要體現為水平邊緣異構和垂直多層次異構。水平邊緣異構是指不同種類的邊緣終端設備通常采用不同的存儲介質，或者基于同一種存儲介質采用不同的存儲系統軟件進行數據存儲。該特性使得邊緣存儲能利用大量的異構存儲介質和存儲系統就近快速地存儲各類邊緣數據。垂直多層次異構是指根據距離大型集中式云數據中心的遠近，邊緣存儲可分為3個層次：邊緣設備、邊緣數據中心、分布式數據中心，不同層次對應不同的存儲系統。該特性使不同層次的存儲系統能夠相互協作，通過多層次、多級別的數據緩存和預取策略優化邊緣數據的存儲和訪問。

（3）邊緣存儲架構具備支持內部部署的特性。

邊緣存儲架構支持在邊緣端設備內部部署存儲系統，與外部網絡進行隔離。獨立存儲數據于內部部署的邊緣存儲系統，具有以下優勢：能夠為邊緣計算任務提供高速的本地數據資源訪問，滿足邊緣應用的實時性需求;能夠在本地最大限度地控制訪問內部存儲設備，監測控制數據存儲的位置，實時調整機密數據的冗余策略;能面向數據源對數據進行加密或其他預處理，增強數據安全性。

（4）邊緣存儲數據具備位置感知的特性。

邊緣存儲就近存儲數據，數據分布與地理位置緊密相關，具備地理位置的強感知特性。依托該特性，邊緣計算任務在處理數據時，無須查詢整個存儲網絡定位數據，極大地減少主干網絡的流量負載。同時，邊緣計算任務可以和所需數據在地理位置上近距離綁定，減少數據在網絡上的傳輸延遲，加快數據的處理速度，為大數據分析平臺[7]提供更好的底層支持。此外，通過對邊緣存儲數據的地理分布情況進行統計和分析，應用服務提供商可以聯系移動用戶與感興趣的企業和事件，提升用戶服務質量。

2 邊緣計算的典型應用領域

與云存儲不同，邊緣存儲適用于與物聯網設備緊密相關、數據傳輸延遲敏感、數據交互次數多、數據傳輸量大的物聯網應用，如工業物聯網、車聯網、智慧城市、無人機、視頻監測控制等。而云存儲則適用于延遲敏感度稍低的互聯網應用，如搜索引擎、社交網絡、網絡硬盤等。邊緣存儲與云存儲應用領域比較如圖2所示。本章節中，我們將對邊緣存儲的幾個典型應用領域進行簡要介紹。

2.1 工業物聯網

工業物聯網（IIoT）由工業系統各種元素和處理其生成數據的高級分析平臺組成。機器對機器（M2M）通信會產生大量工業數據，云端存儲模式不能滿足工業物聯網的需求，而法規禁止將工業數據傳輸到其他或公司計算架構之外的云服務器;因此，需要本地實時數據處理支持。

邊緣存儲支持內部部署，在本地和云之間架起橋梁，實現現場層的高頻數據交換，這是IIoT的重要支撐技術。工業物聯網邊緣存儲平臺通常由后端的邊緣存儲管理系統、存儲設備以及邊緣應用程序組成，提供設備級數據處理，安全地將高度完善的分析技術和邊緣智能引入制造領域，使自動化設備得到進一步擴展。例如，西門子公司發布的Industrial Edge產品，其收集自動化組件數據并存儲在本地，提供本地數據高速讀取和實時處理功能，預處理后的數據轉存至云端，云端將執行計算密集型神經網絡模型訓練，并將改進后的模型部署在邊緣端。由于本地存儲及預處理了大量數據，只需將最終相關數據傳輸到云或IT基礎架構，降低了數據泄露的風險，減少了內存占用和傳輸成本，為工業生產提供持續穩定的生產流程和狀態監測控制，顯著提高生產力。

2.2 車聯網

車聯網是由聯網汽車與交通信息系統互聯形成的巨大交互網絡，車聯網技術允許汽車與車輛內外的其他設備共享互聯網訪問[8]。由于車輛通常處于高速移動狀態，聯網狀態不穩定，邊緣存儲架構在車聯網中具有顯著的優勢。自動駕駛汽車通常通過路測單元（RSU）實現網絡接入和數據處理任務，并依賴于車聯網技術采集路邊信息、接入邊緣計算服務。通過RSU提供邊緣存儲支持，數據的存放更接近數據源，原始數據進一步豐富，車輛動作、決策的相關信息能快速發送到適當的目的地。HU Z.等人提出了一種基于多目標拍賣的機制，解決RSU緩存中的多服務提供商共存問題[9]，仿真結果證明RSU邊緣數據緩存能夠加速車輛的下載任務。

2.3 智慧城市

智慧城市使用信息和通信技術以及物聯網設備來提高城市服務質量和運營效率[10]，改善公民生活水平，降低能耗，其數據大多來自物聯網傳感器和網絡攝像機。目前，視頻監測控制產生的數據正在快速增長。據思科可視化網絡指數[2]統計，2016年網絡視頻監測控制流量平均每月883 PB，相比2015年增加72%。盡管云存儲架構具備豐富的存儲資源，但實時傳輸視頻監測控制數據至云服務器將對網絡造成巨大負擔，采用去中心化邊緣存儲技術可以改善這一情況。傳感器收集的數據無須上傳至遠端的云服務器;而是分散存儲在各個邊緣存儲設備中，為智慧城市提供廉價的存儲空間和更高的數據安全保障。此外，位置感知的存儲模式為智慧城市的決策制訂與實施提供額外數據支持，幫助優化城市功能，推動經濟增長，提高市民生活質量，例如水質監測系統中的傳感器信息能夠用于污染源的檢測和溯源。

2.4 無人機

無人機已由軍用邁向商用，應用范圍也越來越廣[11]，其中飛行數據采集系統是其主要應用。該系統通常需要操作員手動完成飛行控制、數據分析以及任務的規劃和設計等多個操作，過程繁瑣且不利于業務擴展;因此可以使自動化飛行數據采集系統與邊緣數據中心協作，將無人機的控制轉移到邊緣數據中心，通過無人機軟件控制平臺自動化完成數據收集與分析工作。

對于無人機自動化飛行數據采集系統，邊緣存儲的意義在于取代手動數據拷貝流程，數據可以實時存儲在邊緣數據中心（EDC）中并立即執行數據分析算法，控制平臺可根據分析結果靈活調整任務流程。市場上已經有公司開展此類研究，無人機自動化飛行數據采集公司Hanger與EDC服務提供商Vapor IO合作，開展無人機與EDC的協作。通過EDC提供的存儲與網絡支持，無人機能直接將建筑、橋梁、和輸送管道的視頻傳送至EDC進行快速處理和分析，操作員無須手動操作。無人機與EDC的協作，使得飛行數據采集系統更加靈活、更加自動化。

3 研究現狀與挑戰

邊緣存儲技術的研究目前還處于萌芽階段[12]，本章節中，我們將從邊緣存儲的介質和設備、邊緣分布式存儲架構，以及云-邊協同3個方面介紹相關技術研究現狀與挑戰。

3.1 邊緣存儲介質和設備

（1）邊緣存儲介質。

邊緣存儲終端多使用非易失性存儲介質進行數據存儲。目前主流的非易失性存儲介質為閃存（FLASH）[13]，根據實現方法的不同，又分為NOR閃存與NAND閃存。在NOR閃存的內部電路中，各存儲器單元并聯連接，支持快速的數據隨機訪問。其適合于容量要求低、速度要求高、數據只讀的應用，如存儲邊緣設備固定代碼的基本輸入輸出系統（BIOS）應用。NAND閃存內部有一系列串聯的存儲晶體管，相較于NOR閃存，其存儲單元尺寸更小、存儲密度更大。NAND閃存通過對數據塊的編程可以實現更快的寫入和擦除，適合于存儲成本低、存儲密度高、需要進行快速擦寫的應用，其特性正適用于成本低、數據量大的邊緣設備。

近年來，隨著非易失性存儲器（NVM）的快速發展，基于NVM的存儲技術研究得到廣泛關注，如相變存儲器（PCM）[14]、阻變式隨機訪問存儲器（ReRAM）[15]等。將NVM存儲介質使用于邊緣設備也逐漸成為研究熱點。NVM存儲介質集合了動態隨機存取存儲器（DRAM）和閃存的優點，具有較高的存儲密度，可字節尋址、讀延遲低，能持久性存儲數據。NVM的成本預計介于DRAM和Flash之間，可作為DRAM內存或Flash 固態硬盤（SSD）的替換方案。然而，由于材料的限制，NVM自身也存在一些缺陷。與DRAM相比，NVM的寫次數有限，寫入延遲更高;而與閃存相比，NVM的存儲密度較小。因此，NVM 在邊緣存儲中作為內存與外存的一體化解決方案還有很多技術難點需要克服。

（2）邊緣存儲設備。

基于閃存芯片制造的SSD常作為邊緣存儲設備廣泛地應用于各種系統中[16]。SSD被廣泛使用主要得益于其具有很高的輸入/輸出（I/O）性能、低功耗和高可靠性。不過，SSD的I/O讀寫性能具有不對稱性，讀性能往往優于寫性能，在邊緣設備進行大量數據寫入時性能較低。針對這些問題，硬件廠商在邊緣設備內部提供閃存轉化層（FTL），FTL主要負責數據讀寫的地址映射與轉換以及垃圾數據塊的標記與回收，以提高數據的讀寫性能，延長壽命，并向文件系統層屏蔽硬件調度細節，僅提供數據讀寫的邏輯接口。但是，FTL封裝在SSD中，無法根據上層應用的數據集特征進行動態調整，軟件直管的SSD[17]是一種有效解決此問題的思路。在Open-channel SSD中，傳統SSD的FTL功能將在主機端以軟件的方式實現，不再作為固件封裝在邊緣設備中，SSD提供給文件系統硬件調度的物理接口。通過Open-channel SSD，便可以根據上層應用的特征定制其FTL的功能，性能更高，靈活性更大，使邊緣存儲設備更能滿足邊緣設備對數據存儲的需求。

另外，大數據的趨勢正在導致計算范式的變化，尤其是將計算轉移到數據的概念，我們稱之為近數據處理（NDP）方法[18]。NDP是指將計算遷移到離數據更近的地方，減少數據的移動。數據的遷移往往在整個計算過程中占據極大的能耗開銷，數據的搬運效率卻并不會因為摩爾定律的發展而提高，存算一體化逐漸受到研究人員的關注。CHI P.等人提出PRIME[19]架構，即可在內存中實現神經網絡的計算。由于PRIME架構極大地減少了數據的搬移，性能和能耗分別改進了2 360 倍和895 倍。將邊緣存儲與存算一體化緊密結合，依靠設備或介質的計算能力，直接在存儲控制器內部執行計算，在邊緣設備上可極大減少存儲器內部的數據遷移開銷，在網絡傳輸過程中也能極大減少帶寬開銷，這將極大減輕云端的計算壓力。

（3）挑戰：邊緣設備上的數據的抽象。

邊緣設備多樣化，不同邊緣設備上存儲數據的標準不盡相同，為了使數據能在多種邊緣設備之間交互或在邊緣數據中心進行統一分析處理，需要對邊緣數據進行抽象。在邊緣端進行數據抽象極具挑戰性，主要體現在以下3點：其一，邊緣設備的差異性，不同邊緣設備制造商可能采取不同的數據格式標準，邊緣存儲系統需要適配各個設備制造商的數據抽象標準;其二，邊緣數據的多樣性，例如攝像頭捕捉的視頻流數據、溫度傳感器采集的溫度變化曲線、移動用戶訪問文件頻率，以上數據均從邊緣端產生并傳輸至邊緣數據中心存儲，因此邊緣存儲系統需要設計不同的存儲策略，對視頻流數據壓縮處理，對溫度數據可以采取近似存儲處理，對訪問頻率數據可以備份至云端進行大數據分析;其三，邊緣數據預處理的不規范性，邊緣數據在傳輸至邊緣數據中心之前可能經過了數據清洗和有損壓縮，導致部分信息丟失，無法與其他數據進行整合進行大數據分析，因此亟待制定統一的數據抽象和預處理標準。

3.2 邊緣分布式存儲架構

3.2.1 邊緣分布式存儲系統的2種架構

邊緣分布式存儲系統管理海量數據和存儲設備，需要強大的邊緣數據中心或高效的自組織邊緣存儲集群提供硬件支持。不同于傳統的云端存儲服務提供者，邊緣分布式存儲系統在網絡拓撲結構中更靠近邊緣設備，具有更少的通信開銷和更高的服務質量。從組織方式的角度來看，邊緣分布式存儲系統可以分為中心化與去中心化2種架構。

（1）中心化分布式存儲架構。

中心化分布式存儲通常采取主/從式架構：主節點具備豐富的計算和存儲資源，負責存儲節點的管理、存儲任務的調度、數據布局以及數據的一致性維護等;從節點僅具備簡單的數據存儲功能。最典型的中心化分布式存儲技術有分布式文件系統（HDFS）[20]，它以流式數據訪問模式來存儲超大規模的數據文件，NameNode（管理節點）作為主節點管理集群，DataNode（工作節點）作為從節點負責處理數據。中心化分布式存儲架構可以應用于邊緣數據中心。邊緣數據中心類似于云存儲數據中心。與云存儲數據中心相比，邊緣數據中心在地理位置上離邊緣設備更近，節點規模更小。邊緣設備中的數據可上傳至邊緣數據中心進行存儲和管理，云存儲數據中心的數據也可在邊緣數據中心進行緩存和預取。

（2）去中心化分布式存儲架構。

去中心化分布式存儲沒有中心節點，節點之間具有對等的功能。多個邊緣設備之間可以自組織地建立去中心化分布式存儲網絡。隨著邊緣設備數量激增，該架構具有很大的潛力。如Storj Labs推出了一種去中心化分布式云存儲平臺STORJ[21]，該平臺使用點對點網絡連接存儲設備，并借助以太坊區塊鏈技術發行STORJ代幣，用戶可以在該平臺選擇出租閑置存儲資源獲取代幣，或使用代幣購買存儲空間。這種去中心化的分布式存儲架構能將很多閑置的存儲資源充分利用起來，以非常低廉的維護和管理成本為邊緣端提供存儲服務。此外，這種結構使數據在邊緣端就近存儲，更容易滿足邊緣計算任務的實時性數據處理需求，比傳統的云存儲服務更加經濟高效。

3.2.2 融合中心化和去中心化的分布式存儲架構

邊緣數據中心的中心化分布式存儲能更好地保證服務質量和數據的一致性，適合需要高可靠性和高協作性的應用任務。邊緣設備端自組織的去中心化分布式存儲具備造價成本低、可靈活部署等特性。隨著邊緣設備的更新或遷移，可依據2種架構各自的優勢，融合2種架構，提高邊緣存儲網絡的可靠性和普適性。而兩者的融合需要解決中心化存儲與去中心化存儲的無縫切換問題。現今的分布式文件系統無法做到中心化到去中心化的無縫切換，這將嚴重影響邊緣存儲系統的可靠性。例如，當采用中心化設計的邊緣存儲系統斷開與中心服務器連接后，大部分存儲操作將受到限制。若采用去中心化設計，邊緣設備無法利用中心服務器維持數據一致性，不適用多人協作的應用場景。中心化存儲系統和去中心化存儲系統之間如何互聯互通、相互融合是邊緣存儲技術中極具挑戰性的問題。

3.3 “云-邊”協同

在現有的云存儲和邊緣存儲架構上，為了更好地滿足邊緣應用計算和大數據處理的需求，需要云端和邊緣端協同執行存儲任務，以提高數據處理的實時性、可靠性和安全性。本節中，我們將從邊緣數據的預取和緩存，以及云-邊協同調度2方面闡述云端和邊緣端如何協同執行存儲任務的現狀與挑戰。

3.3.1 云-邊協同相關現狀

（1）邊緣數據預取和緩存。

由于邊緣存儲設備離云存儲數據中心較遠，邊緣數據的高效預取和緩存是提高數據訪存性能的關鍵。邊緣存儲設備訪問數據內容之前通常需要將數據從云存儲數據中心的服務器下載到邊緣服務器中，以降低邊緣設備訪問數據的時間，這叫做邊緣數據預取技術。該技術的關鍵點在于如何對預先存儲的數據進行選擇。常用的數據預取算法主要基于訪問時間、頻率、數據大小、優先級和關聯度來建立預取模型。基于訪問時間的預取模型是假設上次被訪問的數據具有較大可能被再次訪問;基于頻率的預取模型采用用戶訪問數據的頻率來預測未來的訪問情況;基于關聯度的預取模型采用機器學習算法挖掘用戶興趣關聯規則作為預測依據。常用的數據預取算法可適用于邊緣數據的預取。此外，也有些新的邊緣數據預取算法被提出。如HA K.等人采用了基于應用場景的預取模型[22]，根據實際應用場景預測數據請求;U.DROLIA等人利用馬爾可夫模型預測用戶可能使用到的神經網絡模型并預取這些模型到邊緣[23]。

邊緣數據緩存技術通過緩存歷史文件的方式加速用戶的訪問速度。當用戶請求的靜態內容沒有存儲在本地緩存中時，用戶向內容分發的網絡（CDN）發送請求;CDN在邊緣高速緩存中搜索請求內容[24]，然后將命中的內容傳遞給用戶。通過此技術能減少回程（Backhaul）網絡的數據傳輸開銷（如圖3所示），降低數據中心的能耗，創造更高的經濟效益。邊緣緩存技術的關鍵在于緩存位置的選擇，依據與邊緣用戶的距離分為3種：邊緣設備、邊緣數據中心和分布式云。將緩存保存在邊緣設備能夠提供數毫秒級的延遲，但邊緣設備存儲容量較小并且距離云端遠;因此緩存命中率較低，緩存未命中的代價較高。同理，緩存在分布式云能夠取得較高的緩存命中率但延遲較高。CHEN B.等人提出一種基于設備到設備（D2D）網絡的邊緣緩存模型[25]，將邊緣用戶按集群劃分，把熱文件緩存在各個集群中，此策略可提升4倍D2D緩存網絡吞吐量。L.RAMASWAMY等人提出合作邊緣緩存網格[26]，該網格由多個分布式的邊緣緩存云組成，如果緩存未命中，邊緣緩存節點能夠從臨近的緩存云中獲取文件數據，無須從云端刷新緩存，減少用戶等待時間。

（2）云-邊協同調度。

如果僅對云端或邊緣終端存儲體系結構進行優化，忽略其協同與融合，便無法充分發揮兩者各自的優勢。對于大規模數據，邊緣存儲與云存儲相互協作才能最大限度發揮云存儲地理集中式和邊緣終端地理分布式的優勢。云-邊協同存儲技術旨在通過邊緣存儲與云存儲的互補，提供更高效的存儲服務。諸多研究表明，通過對邊緣存儲資源的有效使用和管理，能夠緩解云服務器存儲資源緊張[21-24]，有效節省能源[6]，[27]，從而提升邊緣計算應用性能[23]，[25]，[28]。F. JALALI通過對云存儲應用的能耗進行分析，發現將部分應用遷移到邊緣端能夠顯著減少能源消耗[27]。悉尼大學的研究者提出邊緣網絡和云平臺的資源整合框架，該方案設計了用于眾包傳感器云服務的兩級組合模型，抽象了云上傳傳感器數據的時間、空間特性，使用一種基于三維R-樹的時空索引技術，用于快速識別合適的傳感器云服務，并面向服務質量（QoS）指標為邊緣節點選擇最優的云服務組合方案[23]。阿廷根大學與南京大學的研究者研究了多信道無線干擾環境下移動邊緣云計算的多用戶計算卸載問題，采用博弈論的方法以分布式方式實現高效的卸載計算，使云平臺和邊緣終端的整體性能達到納什均衡，從而最大化地利用邊緣數據中心的計算資源[23]。上述工作從資源調配的角度研究了云-邊協同的存儲架構和優化技術。

3.3.2 云-邊協同面臨的挑戰

（1）高效的數據預取以及緩存策略。

邊緣計算任務對低延遲的需求推動了邊緣存儲的發展，所以邊緣數據緩存策略是邊緣數據中心設計過程中首要考慮的問題。邊緣計算需要適當的邊緣預取與緩存技術來加速數據訪問速度，并且需要與云服務器協同完成部分數據同步任務。針對延遲容忍度低并且時效性要求較高的應用，邊緣數據中心需要動態調整任務的優先級，優先滿足延遲敏感應用的存儲需求。傳統基于CDN采取的緩存策略僅將數據緩存在專用服務器上，通過反向代理的方式提供加速服務，該緩存策略無法結合數據的地理分布信息和區域熱度進行調整，不適用于邊緣數據緩存的情況。所以重新設計一種適用于邊緣存儲環境下的數據緩存策略具有重大意義。

（2）邊緣存儲的計費模式。

邊緣存儲需要合理的計費模式。在云計算架構下的計費由核心網負責，而邊緣存儲將存儲服務分散到邊緣數據中心和底層邊緣設備中。由于邊緣存儲網絡涉及多個廠家的多種不同的存儲設備，設備之間通過協同操作提供邊緣存儲服務，邊緣存儲的計費問題十分復雜。在設計出合理的付費模式之前，云服務使用者將慣性維持現有商業行為。因此，探索適合邊緣存儲的付費模式對于推動邊緣存儲商業化非常重要。

4 結束語

邊緣存儲技術目前還處于萌芽階段。5G時代的到來將我們推向了邊緣大數據時代，研究適用于邊緣計算架構的邊緣存儲技術是未來趨勢。邊緣存儲技術支持地理分布式存儲架構、內部部署，并能感知基于地理位置的數據熱度，能夠應對未來日益增長的數據規模、日趨嚴格的數據響應延遲、數據安全和隱私等需求，必將成為實現邊緣數據實時分析處理和有效管理的新途徑。因此，需要進一步推動物聯網、人工智能、智慧城市、微型數據中心等相關技術和應用的推廣和發展。

致謝

感謝重慶大學陳咸彰博士在文章修改過程中提供的寶貴意見，段莫名、張潤宇、吳宇同學也在文獻收集、整理方面提供了大力幫助，謹致謝意！

參考文獻

[1] ASHTON K. That ‘Internet of Things Thing [J]. RFID Journal， 2009， 22（7）： 97-114

[2] Cisco. Cisco Visual Networking Index： Forecast and Methodology [R]. 2017

[3] LECUN Y， BENGIO Y， HINTON G. Deep Learning [J]. Nature， 2015， 521（7553）： 436-444. DOI：10.1038/nature14539

[4] ARMBRUST M， STOICA I， ZAHARIA M， et al. A View of Cloud Computing[J]. Communications of the ACM， 2010， 53（4）： 50. DOI：10.1145/1721654.1721672

[5] 施巍松， 張星洲， 王一帆， 等. 邊緣計算： 現狀與展望[J]. 計算機研究與發展， 2019， 56（1）： 69-89

[6] 吳宇， 楊涓， 劉人萍， 等. 近似存儲技術綜述[J]. 計算機研究與發展， 2018， 55（9）： 2002-2015

[7] 鄭緯民， 陳文光. 大數據分析平臺： 從擴展性優先到性能優先[J]. 中興通訊技術， 2016， 22（2）： 11-13. DOI：10.3969/j.issn.1009-6868.2016.02.003

[8] ZHANG S， CHEN J Y， LYU F， et al. Vehicular Communication Networks in the Automated Driving Era[J]. IEEE Communications Magazine， 2018， 56（9）： 26-32. DOI：10.1109/mcom.2018.1701171

[9] HU Z， ZHENG Z， WANG T， et al. Poster： Roadside Unit Caching Mechanism for Multi-Service Providers[C]//Proceedings of the 16th ACM International Symposium on Mobile Ad Hoc Networking and Computing. USA：ACM， 2015： 387-388

[10] CARAGLIU A， DEL BO C， NIJKAMP P. Smart Cities in Europe[J]. Journal of Urban Technology， 2011， 18（2）： 65-82. DOI：10.1080/10630732.2011.601117

[11] MOTLAGH N H， BAGAA M， TALEB T. UAV-Based IoT Platform： A Crowd Surveillance Use Case[J]. IEEE Communications Magazine， 2017， 55（2）： 128-134. DOI：10.1109/mcom.2017.1600587cm

[12] KASEY P. Top Trends in the Gartner Hype Cycle for Emerging Technologies[EB/OL].[2019-12-20].https：//www.gartner.com/smarterwithgartner/top-trends-in-the-gartner-hype-cycle-for-emerging-technologies-2017/

[13] BEZ R， CAMERLENGHI E， MODELLI A， et al. Introduction to Flash Memory[J]. Proceedings of the IEEE， 2003， 91（4）： 489-502. DOI：10.1109/jproc.2003.811702

[14] BURR G W， BREITWISCH M J， FRANCESCHINI M， et al. Phase Change Memory Technology[J]. Journal of Vacuum Science & Technology B， 2010， 28（2）： 223-262. DOI：10.1116/1.3301579

[15] AKINAGA H， SHIMA H. Resistive Random Access Memory （ReRAM） Based on Metal Oxides[J]. Proceedings of the IEEE， 2010， 98（12）： 2237-2251. DOI：10.1109/jproc.2010. 2070830

[16] CHEN F， KOUFATY D A， ZHANG X. Understanding Intrinsic Characteristics and System Implications of Flash Memory based Solid State Drives[C]// Proceedings of the Eleventh International Joint Conference on Measurement and Modeling of Computer Systems. USA：ACM，2019， 37（1）：181-192

[17] BJORLING M， GONZALEZ J. LightNVM： The Linux Open-Channel SSD Subsystem[EB/OL]. [2018-12-20].file：///C：/Users/susuyeye612/AppData/Local/Microsoft/Windows/Temporary%20Internet%20Files/

Content.IE5/S7313G2Q/Matias_Bj_rling___Javier_Gonzales.pdf

[18] BALASUBRAMONIAN R， CHANG J C， MANNING T， et al. Near-Data Processing： Insights from a MICRO-46 Workshop[J]. IEEE Micro， 2014， 34（4）： 36-42. DOI：10.1109/mm.2014.55

[19] CHI P， LI S， XU C， et al. Prime： A novel processing-in-memory architecture for neural network computation in rera-m-based main memory[C]//2016 ACM/IEEE 43rd Annual International Symposium on Computer Architecture （ISCA）. USA： IEEE， 2016. DOI： 10.1109/ISCA.2016.13

[20] SHVACHKO K， KUANG H R， RADIA S， et al. The Hadoop Distributed File System[C]//2010 IEEE 26th Symposium on Mass Storage Systems and Technologies （MSST）. USA： IEEE， 2010： 1-10. DOI：10.1109/MSST.2010.5496972

[21] WILKINSON S， BOSHEVSKI T， BRANDOFF J， et al. Storj a Peer-to-Peer Cloud Storage Network[EB/OL]. [2019-05-23].https：//storj.io/storj2014.pdf

[22] HA K， PILLAI P， LEWIS G， et al. The Impact of Mobile Multimedia Applications on Data Center Consolidation[C]//2013 IEEE International Conference on Cloud Engineering （IC2E）. USA： IEEE， 2013： 166-176. DOI：10.1109/IC2E.2013.17

[23] DROLIA U， GUO K， NARASIMHAN P. Precog： Prefetching for Image Recognition Applications at the Edge[C]//Proceedings of the Second ACM/IEEE Symposium on Edge Computing. USA：ACM， 2017： 17

[24] NYGREN E， SITARAMAN R K， SUN J. The Akamai Network[J]. ACM SIGOPS Operating Systems Review， 2010， 44（3）： 2. DOI：10.1145/1842733.1842736

[25] CHEN B Q， YANG C Y， WANG G. High-Throughput Opportunistic Cooperative Device-To-Device Communications with Caching[J]. IEEE Transactions on Vehicular Technology， 2017， 66（8）： 7527-7539. DOI：10.1109/tvt.2017.2659701

[26] RAMASWAMY L， LIU L， IYENGAR A. Scalable Delivery of Dynamic Content Using a Cooperative Edge Cache Grid[J]. IEEE Transactions on Knowledge and Data Engineering， 2007， 19（5）： 614-630. DOI：10.1109/tkde.2007.1031

[27] JALALI F. Energy Consumption of Cloud Computing and Fog Computing Applications [EB/OL]. [2018-12-20]. https：//minerva-access.unimelb.edu.au/handle/11343/58849

[28] CHEN X， JIAO L， LI W Z， et al. Efficient Multi-User Computation Offloading for Mobile-Edge Cloud Computing[J]. ACM Transactions on Networking， 2016， 24（5）： 2795-2808. DOI：10.1109/tnet.2015.2487344

作者簡介

劉鐸，重慶大學計算機學院教授、博士生導師;研究方向為智能物聯網系統與邊緣計算、大數據處理與先進存儲;曾主持或作為主研人參與了國家“863”重大項目、重慶市科技攻關重點項目、國家自然科學基金、教育部博士點基金等。

楊涓，重慶大學計算機學院計算機科學與技術專業在讀研究生;研究方向為邊緣存儲、近似存儲等。

譚玉娟，重慶大學計算機學院副教授、碩士生導師;研究方向為重復數據刪除、新型非易性存儲和智能存儲;曾主持或作為主研人員參與了國家“863”重大項目、國家自然科學基金、教育部博士點基金等。