边缘计算：平台、应用与挑战

赵梓铭 刘 芳 蔡志平 肖 侬

(国防科技大学计算机学院 长沙 410073)(zhaoziming93@aliyun.com)

近年来，大数据、云计算、智能技术的快速发展，给互联网产业带来了深刻的变革，也对计算模式提出了新的要求.

大数据时代下每天产生的数据量急增，而物联网等应用背景下的数据在地理上分散，并且对响应时间和安全性提出了更高的要求.云计算虽然为大数据处理提供了高效的计算平台，但是目前网络带宽的增长速度远远赶不上数据的增长速度，网络带宽成本的下降速度要比CPU、内存这些硬件资源成本的下降速度慢很多[1]，同时复杂的网络环境让网络延迟很难有突破性提升.因此传统云计算模式需要解决带宽和延迟这两大瓶颈[2].

在这种应用背景下，边缘计算(edge computing)应运而生，并在近两年得到了研究者的广泛关注.边缘计算中的边缘(edge)指的是网络边缘上的计算和存储资源，这里的网络边缘与数据中心相对，无论是从地理距离还是网络距离上来看都更贴近用户.边缘计算则是利用这些资源在网络边缘为用户提供服务的技术，使应用可以在数据源附近处理数据.如果从仿生的角度来理解边缘计算，我们可以做这样的类比：云计算相当于人的大脑，边缘计算相当于人的神经末端.当针刺到手时总是下意识的收手，然后大脑才会意识到针刺到了手，因为将手收回的过程是由神经末端直接处理的非条件反射.这种非条件反射加快人的反应速度，避免受到更大的伤害，同时让大脑专注于处理高级智慧.未来是万物联网的时代，思科预计2020年将有500亿的设备接入互联网[3]，我们不可能让云计算成为每个设备的“大脑”，而边缘计算就是让设备拥有自己的“大脑”.

相比于云计算，边缘计算可以更好地支持移动计算与物联网应用，具有以下明显的优点：

1) 极大缓解网络带宽与数据中心压力.思科在2015—2020年全球云指数[4]中指出，随着物联网的发展，2020年全球的设备将会产生600 ZB的数据，但其中只有10%是关键数据，其余90%都是临时数据无需长期存储.边缘计算可以充分利用这个特点，在网络边缘处理大量临时数据，从而减轻网络带宽与数据中心的压力.

2) 增强服务的响应能力.移动设备在计算、存储和电量等资源上的匮乏是其固有的缺陷，云计算可以为移动设备提供服务来弥补这些缺陷，但是网络传输速度受限于通信技术的发展，复杂网络环境中更存在链接和路由不稳定等问题，这些因素造成的延迟过高、抖动过强、数据传输速度过慢等问题严重影响了云服务的响应能力[5].而边缘计算在用户附近提供服务，近距离服务保证了较低的网络延迟，简单的路由也减少了网络的抖动，千兆无线技术的普及为网络传输速度提供了保证，这些都使边缘服务比云服务有更强的响应能力[6].

3) 保护隐私数据，提升数据安全性.物联网应用中数据的安全性一直是关键问题，调查显示约有78%的用户担心他们的物联网数据在未授权的情况下被第三方使用[7].云计算模式下所有的数据与应用都在数据中心，用户很难对数据的访问与使用进行细粒度的控制.而边缘计算则为关键性隐私数据的存储与使用提供了基础设施，将隐私数据的操作限制在防火墙内，提升数据的安全性.

边缘计算因为其突出的优点，满足未来万物联网的需求，从2016年开始迅速升温，引起国内外的密切关注.ACM和IEEE从2016年开始联合举办边缘计算的顶级会议SEC(IEEEACM Symposium on Edge Computing)，一些重要国际会议也都开始举办边缘计算的Workshop，例如2017年的ICDCS(IEEE International Conference on Distributed Computing Systems)，MiddleWare等.

本文总结了边缘计算的相关概念，对比分析了边缘计算的相关平台，介绍了相关应用，并综述了边缘计算的发展趋势和面临挑战.

1 边缘计算概念

1.1 边缘计算定义

边缘计算目前还没有一个严格的统一的定义，不同研究者从各自的视角来描述和理解边缘计算.美国卡内基梅陇大学的Satyanarayanan教授[8]把边缘计算描述为：“边缘计算是一种新的计算模式，这种模式将计算与存储资源(例如：Cloudlet、微型数据中心或雾节点等)部署在更贴近移动设备或传感器的网络边缘.”美国韦恩州立大学的施巍松等人[9-10]把边缘计算定义为：“边缘计算是指在网络边缘执行计算的一种新型计算模式，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.”

这些定义都强调边缘计算是一种新型计算模式，它的核心理念是“计算应该更靠近数据的源头，可以更贴近用户”.这里“贴近”一词包含多种含义.首先可以表示网络距离近，这样由于网络规模的缩小带宽、延迟、抖动这些不稳定的因素都易于控制与改进.还可以表示为空间距离近，这意味着边缘计算资源与用户处在同一个情景之中(如位置)，根据这些情景信息可以为用户提供个性化的服务(如基于位置信息的服务).空间距离与网络距离有时可能并没有关联，但应用可以根据自己的需要来选择合适的计算节点.

网络边缘的资源主要包括移动手机、个人电脑等用户终端，WiFi接入点、蜂窝网络基站与路由器等基础设施，摄像头、机顶盒等嵌入式设备，Cloudlet，Micro Data Center等小型计算中心等.这些资源数量众多，相互独立，分散在用户周围，我们称之为边缘节点.边缘计算就是要把这些独立分散的资源统一，为用户提供服务.

综上所述，我们把边缘计算定义为：“边缘计算是一种新的计算模式，将地理距离或网络距离上与用户临近的资源统一起来，为应用提供计算、存储和网络服务.”

1.2 边缘计算、云计算、雾计算

边缘计算是一种新型的计算模式，从边缘计算的定义可以看出，边缘计算并不是为了取代云计算，而是对云计算的补充，为移动计算、物联网等提供更好的计算平台.边缘计算可以在保证低延迟的情况下为用户提供丰富的服务，克服移动设备资源受限的缺陷；同时也减少了需要传输到云端的数据量，缓解了网络带宽与数据中心的压力.目前，移动应用越来越复杂，接入互联网的设备越来越多，边缘计算的出现可以很好地应对这些趋势.但并不是所有服务都适合部署在网络边缘，很多需要全局数据支持的服务依然离不开云计算.例如电子商务应用，用户对自己购物车的操作都可以在边缘节点上进行，以达到最快的响应时间，而商品推荐等服务则更适合在云中进行，因为它需要全局数据的支持.边缘计算的架构是“端设备—边缘—云”3层模型，3层都可以为应用提供资源与服务，应用可以选择最优的配置方案.

雾计算[11](fog computing)是另一个与边缘计算相关的概念，它由思科公司在2012年提出，以应对即将到来的万物联网时代.同边缘计算一样，雾计算也是将数据、数据相关的处理和应用程序都集中于网络边缘的设备，而不是全部保存在云端.雾计算的名字也源自于此——雾比云更贴近地面.与边缘计算不同的是，雾计算更强调在数据中心与数据源之间构成连续统一体(cloud-to-things continuum)来为用户提供计算、存储与网络服务，使网络成为数据处理的“流水线”，而不仅仅是“数据管道”.也就是说，边缘和核心网络的组件都是雾计算的基础设施.而边缘计算更强调用户与计算之间的“距离”.目前，思科对雾计算的实现是它推出的IOx系统[12].IOx运行在路由器、交换机这些网络设备上，可以使开发人员轻松的在这些设备上开发应用，部署服务.

虽然雾计算与边缘计算不尽相同，但他们都体现出了万物联网时代对计算模式的要求，实时的服务响应、稳定的服务质量已经渐渐成为用户关注的焦点.从这一点上来看，两者是对同一目标的两种不同的实现方法.边缘计算、雾计算与云计算的对比如表1所示：

Table 1 Comparison of Cloud Computing and Edge Computing表1 边缘计算、雾计算与云计算比较

2 边缘计算平台

边缘计算利用数据传输路径上的计算、存储与网络资源为用户提供服务，这些资源数量众多且在空间上分散，边缘计算平台将对这些资源进行统一的控制与管理，使开发者可以快速地开发与部署应用，成为边缘计算的基础设施.目前关于边缘计算平台的研究有很多，ParaDrop，Cloudlet，PCloud是其中比较有代表性的3个项目，其中从Cloudlet还演化出了Open Edge Computing联盟[13].

2.1 ParaDrop

ParaDrop[14-15]是威斯康星大学麦迪逊分校WiNGS实验室的研究项目，无线网关可以在ParaDrop的支持下扩展为边缘计算平台，可以像普通服务器一样运行应用.ParaDrop适用于物联网应用，例如智能电网(smart grid)、车联网(connected vehicles)、无线传感执行网络(wirless sensor and actuator network)等，可以作为物联网的智能网关平台.在物联网应用中，传感器数据都会汇集到物联网网关中，再传输到云中进行分析.而ParaDrop则在物联网网关中植入单片机使其具备通用计算能力，并通过软件技术使得部署在云端的应用与服务都可以迁移到网关，开发者可以动态定制网关上运行的应用.

ParaDrop的整体结构如图1所示.ParaDrop使用容器技术来隔离不同应用的运行环境，因此1个网关上可以运行多个租户的应用.网关上所有应用的安装、运行与撤销都由云端的后台服务控制，并对外提供1组API，开发者通过API来控制资源的利用及监控资源的状态，而用户通过Web页面与应用进行交互.ParaDrop将Web的服务与数据分离，Web服务由云端的后台服务提供，而传感器采集的原始数据则都存储在网关上，用户可以对云端访问的数据进行控制，保护了用户的数据隐私.

Fig. 1 The full ParaDrop platform图1 ParaDrop平台结构图

ParaDrop的优势主要有：1)敏感数据可以在本地处理，不必上传云端，保护了用户隐私；2)WiFi接入点距离数据源只有一跳，具有低且稳定网络延迟，在WiFi接入点上运行的任务有更短的响应时间；3)减少传输到互联网上的数据量，只有被用户请求的数据才会通过互联网传输到用户设备；4)网关可以通过无线电信号获取一些位置信息，如设备之间的距离、设备的具体位置等，利用这些信息可以提供位置感知的服务；5)遇到特殊情况，无法连接互联网时，应用的部分服务依然可以使用.目前，ParaDrop得到了很好的发展，软件系统已经全部开源，支持ParaDrop的硬件设备也已经准备对外销售.

2.2 Cloudlet

2009年卡内基梅陇大学提出Cloudlet[16]的概念，Cloudlet是一个可信且资源丰富的主机或机群，它部署在网络边缘与互联网连接并可以被周围的移动设备所访问，为设备提供服务.Cloudlet将原先移动计算的2层架构“移动设备—云”变为3层架构“移动设备—Cloudlet—云”. Cloudlet也可以像云一样为用户提供服务，所以它又被称为“小云”(data center in a box). 虽然Cloudlet项目不是以边缘计算的名义提出并运行，但它架构和理念契合边缘计算的理念和思想，可以被用来构建边缘计算平台.

Cloudlet主要用来支持移动计算中的游牧服务[17](cyber foraging)，游牧服务是解决移动设备计算资源不足的重要手段，通过游牧服务移动设备可以将繁重的计算任务卸载到其他资源上.云计算一直是充当这类资源的最佳角色，而Cloudlet的出现为用户提供了新的选择. Cloudlet的软件栈分为3层：第1层由操作系统和Cache组成，其中Cache主要是对云中的数据进行缓存；第2层是虚拟化层，将资源虚拟化，并通过统一的平台OpenStack++[18]对资源进行管理；第3层是虚拟机实例，移动设备卸载的应用都在虚拟机中运行，这样可以弥补移动设备与Cloudlet应用运行环境(操作系统、函数库等)的差异.

与云不同，Cloudlet部署在网络边缘，只服务附近的用户，但Cloudlet也支持应用的移动性，设备可以随着移动切换到最近的Cloudlet.如图2所示，Cloudlet对应用移动性的支持主要依赖3个关键步骤：

1) Cloudlet资源发现(cloudlet discovery).移动中的移动设备可以快速发现周围可用的Cloudlet，并选择最合适的作为卸载任务的载体.

2) 虚拟机配给(VM provisioning)[19].在选定的Cloudlet上启动运行应用的虚拟机，并配置运行环境.

3) 资源切换(VM handoff)[20].将运行应用的虚拟机迁移到另一个Cloudlet上.

A: Cloudlet discovery; B: VM provisioning; C: VM handoffFig. 2 Cloudlet component overview and functions that support application mobility图2 Cloudlet组件总览及应用移动性机制

动态虚拟机合成(dynamic VM synthesis)[16]是Cloudlet支持移动性的关键技术，可以将虚拟机镜像拆分为基底(base)与覆盖层(overlay)，基底与覆盖层可以重新组合为新的虚拟机镜像.基底包含虚拟机的操作系统、函数库等基础软件，这一部分在虚拟机镜像之间都是重复的，且占用空间大；而覆盖层是一个很小的二进制增量文件，只包含用户在原始虚拟机上的一些定制信息，占用空间小.在虚拟机配置和资源切换时，使用动态虚拟机合成技术可以只传输轻量的覆盖层，减少了数据传输量，加快了虚拟机配置和资源切换的速度，保证了应用在Cloudlet中能得到及时的资源供给.

Cloudlet的主要优势有：对应用开发者没有任何约束，现有程序基本不需要修改就能在Cloudlet中运行；加快了很多复杂移动应用的响应速度.随着研究不断完善，Cloudlet在认知辅助系统(cognitive assistance system)[21]、众包(crowdsourcing)[22]、敌对环境(hostile environments)[23]等方面都有很好的应用.为了推动Cloudlet的发展，CMU联合Intel，Huawei等公司建立了Open Edge Computing联盟，为基于Cloudlet的边缘计算平台制定标准化API.目前，该联盟正在将OpenStack扩展到边缘计算平台，使分散的Cloudlet可以通过标准的OpenStack API进行控制和管理.

2.3 PCloud

PCloud[24]是佐治亚理工学院Korvo研究组在边缘计算领域的研究成果.PCloud可以将我们周围的计算、存储、输入输出设备与云计算资源整合，使这些资源可以无缝的为移动设备提供支持.

PCloud的结构图如图3所示.在PCloud中，本地、边缘以及云上的资源通过网络连接，并由特殊的虚拟化层STRATUS[25]将资源虚拟化，构成资源池；系统运行时从资源池中挑选与组合需要的资源.PCloud将资源池化后，由运行时机制负责资源的申请与分配；该机制提供资源描述接口，可以根据应用的要求选择合适的资源并进行组合.资源组合后，PCloud就相当于产生了1个新的实例，该实例可以为外界应用提供服务；虽然该实例的计算资源可能来自多个物理设备，但对于外界应用来说却相当于一体的计算设备.

Fig. 3 PCloud architecture图3 PCloud结构图

实际运行过程中，移动应用通过接口向PCloud描述需要的资源，PCloud会根据该描述与当前可用资源给出最优资源配置，生成实例为应用提供相应的服务.资源评价指标主要包括计算能力和网络延迟等因素，如果是输入输出设备可能还包括屏幕大小、分辨率等因素.

PCloud将边缘资源与云资源有机的结合，使2者相辅相成，优势互补.云计算丰富的资源弥补了边缘设备计算、存储能力上的不足，而边缘设备因为贴近用户可以提供云计算无法提供的低延迟服务.同时也增强了整个系统的可用性，无论是网络故障还是设备故障都可以选择备用资源.基于PCloud平台，Korvo研究组构建了很多应用(例如：SOUL[26])获得了广泛的关注.

2.4 小 结

从应用领域、服务移动性、服务状态、虚拟化技术这4个方面对边缘计算平台进行比较,并总结为表2.

1) 应用领域.虽然这3个平台都可以在网络边缘为用户提供服务，但是他们在设计时所针对的应用领域存在差异.Cloudlet,PCloud针对延迟敏感的移动应用，而ParaDrop则针对物联网应用.

2) 服务的移动性.应用领域的不同导致这2个平台对服务移动性的支持不同.Cloudlet是为移动应用的后台服务提供临时的部署点，为了保证低且稳定的网络延迟，设备的移动会使后台服务也要移动到就近的Cloudlet；就近服务的特性使Cloudlet对移动性的支持特别困难，需要资源发现、虚拟机配置、资源切换这3步相结合，同时还要保证实时性.而在物联网应用中，大多数应用的流程是传感器采集原始数据汇集到无线网关进行初步处理，处理结果上传到云端进行进一步的分析；传感器与无线网关的连接关系一般保持不变，因此ParaDrop不考虑服务移动性问题.PCloud主要是将用户周围的设备与云结合，当用户移动时，周围的设备也可能发生动态变化；PCloud允许边缘设备的动态加入和退出，但设备退出时不能有正在运行的任务，对移动性的支持并不完善.

3) 服务状态.移动应用虽然能将后台服务部署在Cloudlet上，但这种部署只有短暂的一段时间，Cloudlet不会长久保存服务的状态信息，重要的信息都要传输到云端保存，一旦应用离开Cloudlet的服务范围，这些数据会被清除.而ParaDrop则直接存储传感器的原始数据，Web服务需要的数据都需要从本地获取.在PCloud中，边缘设备与云都被看作是统一的计算资源，都会保存和维护应用的相关数据.

4) 虚拟化技术.虚拟化技术方便了资源的管理，是边缘计算平台的必然选择.Cloudlet，PCloud使用虚拟机来虚拟化资源，而ParaDrop则使用容器.主要的原因是移动应用后台服务的执行环境多种多样，无论是基于Windows或是Linux系统的后台服务都应该可以快速迁移到同一个Cloudlet上.虚拟机是对物理机器的虚拟化，可以很好地应对执行环境的变化；容器则依赖特定的操作系统.而物联网应用的后台服务一般不需要灵活的执行环境，边缘计算平台的执行环境与云端保持一致，因此使用容器就可以满足需求，同并且还具备占用资源少、启动快等优点.PCloud使用虚拟机的原因是基于超管理器(hypervisor)的虚拟机技术可以在CPU、硬盘等更细粒度的层次上进行虚拟化，便于资源的拆分利用.

Table 2 Comparison of Cloudlet, ParaDrop and PCloud表2 Cloudlet,ParaDrop与PCloud比较

3 应用案例

边缘计算在数据源附近提供服务，使其可以在很多移动应用和物联网应用上发挥出巨大优势.本节将列举一些典型的应用案例，结合这些案例可以帮助我们理解边缘计算的优势.

3.1 增强现实

增强现实技术将现实世界的场景与虚拟信息高度集成，生成被人类感官所感知的信息，来达到超越现实的感官体验.增强现实技术可以使用在智能手机、平板电脑与智能眼镜等移动设备上，来支持新的应用与服务，如虚拟游戏、3D观影等.增强现实技术需要对视频、图像数据进行处理，这些任务复杂性高，而需要与用户进行互动的特点又对实时性有了很高的要求.

CMU与Intel实验室在2014年开发了一个基于增强现实技术的认知辅助系统(cognitive assistance system)[21]，通过谷歌眼镜来增强某些病人的认知能力.实现系统需要解决的关键问题是如何将处理任务的延迟控制在几十毫秒，让感知缺陷的病人也拥有正常人一样的反应速度.考虑到重量、大小、续航等因素，可穿戴设备的计算能力很差，处理任务的时间是一般服务器的数倍，直接使用设备内部的资源进行计算是不可行的.将应用部署到云中可以加快任务的处理速度，但端设备到云端的网络延迟很高且极不稳定，很可能成为整个系统的瓶颈.为了解决这个问题，系统使用了边缘计算技术，将延迟敏感的计算任务卸载到附近的Cloudlet来降低任务的处理延迟.同时为了保证系统在无法连接网络时依然可以使用，系统也支持通过蓝牙等通信方式将任务卸载到附近的个人设备(如随身携带的笔记本、平板电脑等).

网络的延迟与设备性能、能耗的瓶颈是很多移动应用都会遇到的问题，而边缘计算可以帮助移动应用突破这些瓶颈，让应用具有更快的响应速度，使用更复杂的算法.

3.2 图像识别

美国里海大学与IBM提出了一个基于深度学习的自适应物体识别框架DeepCham[27]，该框架适用于移动设备上的物体识别应用，可以大幅提高物体识别的准确率.DeepCham将边缘计算节点作为master来控制附近的移动设备训练深度模型；采用众包的思想，深度模型训练所使用的数据集与数据的标记都是由周围的移动设备提供.这种方式使其可以获取大量有标记的数据集，进行有监督学习.

在一个特定视域(图像的光线、背景、视角等)内采集图像用来训练深度模型，得到的深度模型对该视域内对象的识别准确率更高.DeepCham充分利用这一点，在同一个边缘计算节点周围采集图片来训练模型，并通过图片的元数据信息(位置、天气和时间等)来区分不同的视域.这使模型很好地适应周围的视域，从而使DeepCham可以自适应视域的转换.

适用于特定功能的识别模型要比通用识别模型更好训练，也有更高的准确性.边缘计算模式可以在一定程度上减小对模型适用范围的要求，也为深度学习收集大量特定的学习数据，训练更加个性化的识别模型.

3.3 网站性能优化

网站性能优化(Web performance optimization)是用来提高用户浏览器的网站加载和显示速度的技术.随着用户体验的重要性不断增强和用户对速度的需求日益增长，网站性能优化行业得到快速发展，很多互联网公司都对外提供网站性能优化的服务与工具，如雅虎的YSlow与谷歌的PageSpeed Tools.在用户请求网页的过程中，80%～90%的响应时间都发生在前端(下载组件、页面的渲染与执行等)，在网络边缘上的优化才是提高网站性能的关键.传统的网站优化方案是在Web服务器上利用固定规则优化网站页面，再通过内容分发网络加速传输.这种方法没有充分利用边缘网络资源，优化方法对所有用户都是一样的，没有考虑到用户的网络状态情况；内容分发网络虽然是在边缘网络上的优化技术，但是它只能加快组件的下载速度，页面渲染、执行的速度依然取决于设备的计算能力.

为了充分利用边缘网络资源，日本电报电话公司(NTT)设计了一种基于边缘计算的网站加速平台EAWP(edge accelerated Web platform)[28]，为Web应用开发者提供情景感知的网站优化服务与工具.这个方案中，边缘服务器与WIFI接入点、蜂窝网基站等通信设施结合，可以获取用户接入网的状态信息来对网站进行优化.比如，当发现用户所在的边缘网络出现拥塞时，边缘服务器可以降低页面质量(如使用低分辨率图片)来优化访问的响应时间.同时，为了弥补移动设备计算能力的不足，平台支持将页面内容的执行、渲染等复杂的工作卸载到边缘服务器中执行.EAWP为其他支持HTML标准的Web引擎提供等效的运行环境，现有的应用程序可以不需要更改直接在平台上运行.

3.4 智慧城市

智慧城市是一种现代化城市模型，运用信息技术与物联网技术对城市资源做出智能化的管理.智慧城市在近几年得到了快速发展，IBM，Intel，Google等公司都开始将他们的产品与服务整合到智慧城市的框架中.智慧城市系统要随时感测、分析、整合城市的各项关键信息，会产生大量的原始数据，一座100万人的城市，平均每天会产生200 PB的数据[4].同时，这些数据在地理上广泛分布，且大部分数据存储在本地，这为数据的查找与分析带来了极大的困难.如果没有一种高效的解决方案，很容易使城域网被大量的数据堵塞.

Tang等人[29]提出了一种以智慧城市为背景的大数据分析框架，对处理在地理上广泛分布的数据有很好的效果.数据分析框架分为4层：1)第1层是传感器网络，由分散在城市中的传感器构成，昼夜不停的生成大量原始数据；2)第2层由边缘节点组成，每个边缘节点都要控制本地的1组传感器，边缘节点可以根据预先设定的模式分析和处理传感器数据，还可以控制执行器处理任务；3)第3层由中间计算节点组成，每个中间节点要控制一组边缘节点，将边缘节点上传的信息与时空信息相结合来识别一些潜在的突发事件，当突发事件发生时，中间节点还要控制下层设备做出应急反应；4)第4层是云计算中心，对全市的状态进行监控并进行中心控制，在这一层进行长期的、全市范围的行为分析.

这个分析框架使用了边缘计算技术，第2～3层构成了边缘计算平台.边缘计算平台充分利用了数据传输路径上的计算设备，将众多互不相关的轻量级任务分配到各个节点，使得任务可以并行执行;同时，原始数据在这两层加工后已被精炼化，在核心网络上传输的数据量大大减小.边缘计算技术保证了分析框架的高效运行，减少了需要上传到云中的数据量，是整个框架高效运行的关键.

3.5 车联网

车联网将汽车接入开放的网络，车辆可以将自己的状态信息(如油耗、里程等)通过网络传到云端进行分析，车辆间也可以自由交换天气、路况、行人等信息，并进行实时的互动.

韦恩州立大学在GENI Racks上构建了一个边缘计算平台[30]，并在上面部署了实时3D校园地图、车量状态检测、车联网仿真3个应用.3D校园地图通过将校园内监控录像与行驶车辆的录像数据融合，通过处理后可以增强为实时3D地图，校园安保人员可以无缝地监控校园状态；车量状态检测可以实时记录车辆的引擎转速、里程、油耗等状态，并对数据进行分析，从而检测车辆的性能，发现车辆的故障；车联网仿真将众多的车辆状态信息汇总，利用这些真实的交通信息可以进行车联网应用的仿真实验.

这些应用都会产生大量的传感器数据，很多数据都需要进行实时处理，而边缘计算可以在数据源附近对数据进行处理，减少了不必要的网络传输，并提高了应用的响应速度.

4 边缘计算面临的挑战

目前，关于边缘计算的研究才刚刚起步，虽然已经取得了一定成果，但从实际应用来说，还存在很多问题需要研究，下面对其中的几个主要问题进行分析.

4.1 多主体的资源管理

边缘计算资源分散在数据的传输路径上，被不同的主体所管理和控制，比如用户控制终端设备、网络运营商控制通信基站、网络基础设施提供商控制路由器、应用服务供应商控制边缘服务器与内容传输网络.云计算中的资源都是集中式的管理，因此云计算的资源管理方式并不适用管理边缘计算分散的资源，而目前关于边缘计算的研究[31-32]也主要集中在对单一主体资源的管理和控制，还未涉及多主体资源的管理.一种比较直观的解决方式是各个主体对资源自我管理，然后通过中间服务(broker service)[33]来进行资源供给.但这种方式只能提供基本的功能，如果要满足使用者的特殊需求(如自动供给)，中介层则需要自己实现部分IaaS(infrastructure as a service)平台功能.这需要依赖各个主体提供的API，只要有1个主体提供的API不够灵活，就很难实现，因此实现灵活的多主体资源管理是一个十分富有挑战性的问题.

4.2 应用的移动管理

边缘计算依靠资源在地理上广泛分布的特点来支持应用的移动性，一个边缘计算节点只服务周围的用户.应用的移动就会造成服务节点的切换.而云计算对应用移动性的支持则是“服务器位置固定，数据通过网络传输到服务器”， 所以在边缘计算中应用的移动管理也是一种新模式，主要涉及以下2个问题：

1) 资源发现.应用在移动的过程中需要快速发现周围可以利用的资源，并选择最合适的资源.当前虽然也有很多成熟的资源发现技术，在云监控(cloud monitor)[34-35]与云中介(service brokerage)[36]中被广泛运用，但边缘计算的资源发现需要适应异构的资源环境，还需要保证资源发现的速度，才能使应用不间断地为用户提供服务.

2) 资源切换.用户移动时，移动应用使用的计算资源可能会在多个设备间切换，而资源切换要将服务程序的运行现场迁移.热迁移技术可以解决这个问题，但是传统热迁移技术的目标是最小化停机时间，而资源切换需要最小化总迁移时间，因为在迁移的过程中用户要忍受升高的延迟.另外，传统的虚拟机迁移是在数据中心的内部进行，设备的计算能力与网络带宽比较固定，而边缘计算资源的异构性与网络的多样性，需要迁移过程自适应设备计算能力与网络带宽的变化.所以，边缘计算需要一套自适应的快速热迁移方案，来满足移动应用资源切换的需求.

4.3 虚拟化技术

为了方便资源的有效管理，边缘计算需要虚拟化技术的支持，为系统选择合适的虚拟化技术是边缘计算的一个研究热点.边缘计算对虚拟化技术的要求体现在如下3个方面：1)边缘计算资源是一种基础设施，要尽可能地保持通用性，所以虚拟化技术应该实现最小化对应用程序运行时环境的约束，不应强制应用使用特定的操作系统、函数库等；2)边缘计算资源的能力有限，不能像计算中心一样为应用提供充足的资源，虚拟化技术应最大化资源利用率，使有限的资源在同一时间内满足更多的请求；3)有些边缘计算资源在处理用户任务的同时还要对外提供其他服务，虚拟化技术应将不同的任务彻底隔离，一个应用的崩溃、内存溢出、高CPU占用不会对其他的任务造成影响.例如在移动边缘计算[37]中，基站能够处理用户的任务，但是这些任务不能影响基站最基本的无线接入功能.这3个方面可能会出现冲突，系统要根据自己的需求在这之间做出权衡.目前，新型的虚拟化技术层出不穷，其中有很多打破了虚拟机和容器的规则与界线，将两者充分融合，同时具备两者的优势，如LXD，Hyper，Rancher OS等.所以，不拘泥于虚拟化技术现有的规则与界线，设计适应边缘计算特点的虚拟化技术也是一大挑战.

4.4 数据分析

数据分析的数据量越大，往往提取出的价值信息就越多.但是收集数据需要时间，价值信息往往也具有时效性，没有人会关注昨天的天气预报.边缘计算使数据可以在汇集的过程中被处理与分析，很多数据如果被过早地分析，可能会丢失很多有价值的信息，所以如何权衡提取信息的价值量与时效性是一个关键性问题.

边缘计算利用的计算节点数量众多，但节点的计算资源有限，很多都是单片机或片上系统，例如Intel小型蜂窝基站上配备T3K片上系统拥有4核ARM处理器和2 GB的内存[38]；而目前流行的Hadoop，Spark等数据分析模型利用的计算资源特点却是“数量相对较少，但资源十分丰富”， 高效运行的Spark需要8核CPU与8 GB内存的计算节点支持，因此Hadoop，Spark等数据分析框架不适应边缘计算的资源环境.现有很多计算框架适用于资源有限的计算节点，如实时数据处理框架Apache Edgent，深度学习框架TensorFlow等，但仍不成熟，有很多问题需要解决.例如Apache Edgent只支持类似过滤，聚集这样的简单操作，而TensorFlow目前的版本只能用于单PC或单移动设备上的计算.

4.5 编程模型

边缘计算资源动态、异构与分散的特性使应用程序的开发十分困难，为减少应用的开发难度，需要可以适应边缘计算资源的编程模型.Hong等人[39]提出了一个边缘计算编程模型，针对地理空间分布的延迟敏感的大规模应用，该模型适应分散、异构的资源环境，并使程序可以根据负载动态伸缩.但是该模型假设资源之间的网络拓扑必须是树状的，无法适应边缘计算资源的动态性.Sajjad等人[40]研究了流处理应用的编程模型，该模型利用空间上分散的计算资源处理数据，将任务区分为本地任务和全局任务，本地任务可以在更靠近数据源的计算节点上执行，从而减少应用在网络上传输的数据量.

5 总结与展望

边缘计算利用数据传输路径上的资源为用户提供服务，作为一种新型的计算模式，边缘计算在很多应用领域都具有巨大的潜力，并对未来万物联网的趋势有着巨大的推动作用.本文介绍了边缘计算的优势，并从计算资源、数据以及与云计算的关系这3方面出发对边缘计算做出定义，也对边缘计算的相关概念进行了分析与比较；随后，介绍了边缘计算的基础设施——边缘计算平台，主要从Cloudlet，ParaDrop，PCloud这3个具有代表性的平台入手，从应用领域、服务移动性、服务状态、虚拟化技术这4个方面进行了分析与比较；接着，通过列举代表性应用，分别展示出边缘计算在物联网应用和移动应用上的优势；最后，梳理了当前边缘计算所面临的一些挑战.

致谢美国韦恩州立大学的施巍松教授对论文进行审阅并提出一些宝贵的建议.在此表示衷心的感谢!

[1]Gray J. Distributed computing economics[J]. Queue, 2004, 6(3): 63-68

[2]Armbrust M, Fox A, Griffith R, et al. Above the clouds: A Berkeley view of cloud computing, UCB/EECS-2009-28[R]. Berkeley: EECS Department, 2009

[3]Evans D. The Internet of Things how the next evolution of the Internet is changing every thing[EB/OL]. [2017-08-15]. https://www.cisco.com/c/dam/en_us/about/ac79/docs/innov/IoT_IBSG_0411FINAL.pdf

[4]Cisco Visual Networking. Cisco global cloud index: Forecast and methodology 2015-2020[EB/OL]. [2017-08-15]. https://www.cisco.com/c/dam/en/us/solutions/collateral/service-provider/global-cloud-index-gci/white-paper-c11-738085.pdf

[5]Ha K, Pillai P, Lewis G, et al. The impact of mobile multimedia applications on data center consolidation[C] //Proc of the 1st IEEE Int Conf on Cloud Engineering. Piscataway, NJ: IEEE, 2012: 166-176

[6]Hu Wenlu, Gao Ying, Ha K, et al. Quantifying the impact of edge computing on mobile applications[C] //Proc of the 7th ACM Sigops Asia-Pacific Workshop on Systems. New York: ACM, 2016: 45-52

[7]Groopman J, Etlinger S. Consumer perceptions of privacy in the Internet of Things: What brands can learn from a concerned citizenry[R]. San Francisco: Altimeter Group, 2015

[8]Satyanarayanan M. The emergence of edge computing[J]. Computer, 2017, 50(1): 30-39

[9]Shi Weisong, Sun Hui, Cao Jie, et al. Edge computing——An emerging computing model for the Internet of everything era[J]. Journal of Computer Research and Development, 2017, 54(5): 907-924 (in Chinese)(施巍松, 孙辉, 曹杰, 等. 边缘计算: 万物互联时代新型计算模型[J]. 计算机研究与发展, 2017, 54(5): 907-924)

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

[11]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

[12]Cisco DEVNET. Cisco IOx[EB/OL]. [2017-08-15]. https://developer.cisco.com/site/iox/

[13]Open Edge Computing Initiative. Open edge computing [EB/OL]. [2017-08-15]. http://openedgecomputing.org/

[14]Liu Peng, Willis D, Banerjee S. ParaDrop: Enabling lightweight multi-tenancy at the network’s extreme edge[C] //Proc of the 1st IEEE/ACM Symp on Edge Computing. Piscataway, NJ: IEEE, 2016: 1-13

[15]Willis D, Dasgupta A, Banerjee S. Paradrop: A multi-tenant platform to dynamically install third party services on wireless gateways[C] //Proc of the 9th ACM Workshop on Mobility in the Evolving Internet Architecture. New York: ACM, 2014: 43-48

[16]Satyanarayanan M, Bahl P, Caceres R, et al. The case for VM-based cloudlets in mobile computing[J]. IEEE Pervasive Computing, 2009, 8(4): 14-23

[17]Satyanarayanan M. A brief history of cloud offload: A personal journey from odyssey through cyber foraging to cloudlets[J]. GetMobile: Mobile Computing and Communications, 2015, 18(4): 19-23

[18]Ha K, Satyanarayanan M. Openstack++ for cloudlet deployment,CMU-CS-15-123[R]. Pittsburgh: CMU School of Computer Science, 2015

[19]Ha K, Pillai P, Richter W, et al. Just-in-time provisioning for cyber foraging[C] //Proc of the 11th Int Conf on Mobile Systems, Applications, and Services. New York: ACM, 2013: 153-166

[20]Ha K, Abe Y, Chen Zhuo, et al. Adaptive vm handoff across cloudlets,CMU-CS-15-113[R]. Pittsburgh: CMU School of Computer Science, 2015

[21]Ha K, Chen Zhuo, Hu Wenlu, et al. Towards wearable cognitive assistance[C] //Proc of the 12th Int Conf on Mobile Systems, Applications, and Services. New York: ACM, 2014: 68-81

[22]Simoens P, Xiao Yu, Pillai P, et al. Scalable crowd-sourcing of video from mobile devices[C] //Proc of the 11th Int Conf on Mobile Systems, Applications, and Services. New York: ACM, 2013: 139-152

[23]Satyanarayanan M, Lewis G, Morris E, et al. The role of cloudlets in hostile environments[J]. IEEE Pervasive Computing, 2013, 12(4): 40-49

[24]Jang M, Schwan K, Bhardwaj K, et al. Personal clouds: Sharing and integrating networked resources to enhance end user experiences[C] //Proc of the 33rd IEEE INFOCOM. Piscataway, NJ: IEEE, 2014: 2220-2228

[25]Jang M, Schwan K. STRATUS: Assembling virtual platforms from device clouds[C] //Proc of the 4th IEEE Int Conf on Cloud Computing. Piscataway, NJ: IEEE, 2011: 476-483

[26]Jang M，Lee H, Schwan K, et al. SOUL: An edge-cloud system for mobile applications in a sensor-rich world[C] //Proc of the 1st IEEE/ACM Symp on Edge Computing. Piscataway, NJ: IEEE, 2016: 155-167

[27]Li Dawei, Salonidis T, Desai N V, et al. DeepCham: Collaborative edge-mediated adaptive deep learning for mobile object recognition[C] //Proc of the 1st IEEE/ACM Symp on Edge Computing. Piscataway, NJ: IEEE, 2016: 64-76

[28]Takahashi N, Tanaka H, Kawamura R. Analysis of process assignment in multi-tier mobile cloud computing and application to edge accelerated Web browsing[C] //Proc of the 3rd IEEE Int Conf on Mobile Cloud Computing, Services, and Engineering. Piscataway, NJ: IEEE, 2015: 233-234

[29]Tang Bo, Chen Zhen, Hefferman G, et al. A hierarchical distributed fog computing architecture for big data analysis in smart cities[C] //Proc of the 15th ASE BigData & SocialInformatics 2015. New York: ACM, 2015: 135-143

[30]Gosain A, Berman M, Brinn M, et al. Enabling campus edge computing using GENI racks and mobile resources[C] //Proc of the 1st IEEE/ACM Symp on Edge Computing. Piscataway, NJ: IEEE, 2016: 41-50

[31]Bhardwaj K, Shih M W, Agarwal P, et al. Fast, scalable and secure onloading of edge functions using AirBox[C] //Proc of the 1st IEEE/ACM Symp on Edge Computing. Piscataway, NJ: IEEE, 2016: 14-27

[32]Nastic S, Truong H L, Dustdar S. A middleware infrastructure for utility-based provisioning of IoT cloud systems[C] //Proc of the 1st IEEE/ACM Symp on Edge Computing. Piscataway, NJ: IEEE, 2016: 28-40

[33]Loreto S, Mecklin T, Opsenica M, et al. Service broker architecture: Location business case and mashups[J]. IEEE Communications Magazine, 2009, 47(4): 97-103

[34]Chaves S A D, Uriarte R B, Westphall C B. Toward an architecture for monitoring private clouds[J]. IEEE Communications Magazine, 2011, 49(12): 130-137

[35]Povedano-Molina J, Lopez-Vega J M, Lopez-Soler J M, et al. DARGOS: A highly adaptable and scalable monitoring architecture for multi-tenant Clouds[J]. Future Generation Computer Systems, 2013, 29(8): 2041-2056

[36]Grozev N, Buyya R. Inter-Cloud architectures and application brokering: Taxonomy and survey[J]. Software Practice & Experience, 2014, 44(3): 369-390

[37]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

[38]Intel. LTE/dual-mode small cell SoC[EB/OL]. [2017-08-15]. https://www.intel.com/content/dam/www/public/us/en/documents/product-briefs/transcede-t3k-product-brief.pdf

[39]Hong K, Lillethun D, Ramachandran U, et al. Mobile fog:A programming model for large-scale applications on the Internet of Things[C] //Proc of the 2nd ACM SIGCOMM Workshop on Mobile Cloud Computing. New York: ACM, 2013: 15-20

[40]Sajjad H P, Danniswara K, Al-Shishtawy A, et al. SpanEdge: Towards unifying stream processing over central and near-the-edge data centers[C] //Proc of the 1st IEEE/ACM Symp on Edge Computing. Piscataway, NJ: IEEE, 2016: 168-178