边缘计算平台及应用分析

蒋守花 舒晖 任宇 陈俊

摘 要：随着大数据、人工智能和物联网时代的到来，智能手机、智能手表等移动终端产生数据的增速已远远超过了网络带宽。同时，智能家居、无人驾驶等新应用对网络延迟提出了更高要求。边缘计算因在贴近数据源的网络边缘进行数据处理，绕过了网络带宽和延迟问题，迅速成为近几年的研究热点。首先提出边缘计算的定义，并对边缘计算、云计算、雾计算进行对比分析，给出边缘计算的优势，然后介绍边缘计算基本架构，列举了边缘计算较为经典的两个平台：移动边缘计算平台MEC和微云Cloudlet，最后对边缘计算在智能家居、车联网具体场景中的应用进行了分析。

关键词：边缘计算;云计算;雾计算;物联网;微数据中心

DOI：10. 11907/rjdk. 202073

中图分类号：TP399文献标识码：A 文章编号：1672-7800（2020）010-0205-04

Abstract： With the advent of the era of big data， artificial intelligence and the Internet of Things， the growth rate of data generated by mobile terminals such as smart phones and smart watches has far exceeded the growth rate of network bandwidth. At the same time， new applications such as smart homes and driverless cars place higher demands on network latency. Because edge computing performs data processing at the edge of the network close to the data source， it bypasses network bandwidth and latency issues， which has become a research hotspot in recent years. This paper proposes the definition of edge computing， compares and analyzes edge computing， cloud computing， and fog computing， and summarizes the advantages of edge computing. It introduces the basic framework of edge computing and edge computing data processing models. Moreover， it lists two classic edge computing platforms： mobile edge computing （MEC） and Cloudlet. Finally it analyzes the application of edge computing in smart home and car network scenarios.

Key Words：edge computing; cloud computing; fog computing; Internet of Things; micro data center

0 引言

近年来，大数据、云计算、雾计算等新兴技术的不断发展，为智能技术的发展带来了新的契机，同时也对计算模型提出了更高要求。大数据时代下各种终端每天产生的数据量激增，万物互联在给人们带来极大便利的同时，也存在数据地理位置分散等问题，给数据处理和数据安全技术带来了极大的挑战。虽然云计算为大数据处理提供了集中、高效的平台，但网络带宽增加的速度远不及数据增长速度，而提高网络带宽又会增加更多硬件成本，同时复杂的网络环境会导致数据处理延迟。因此，云计算在发展过程中有网络带宽和网络延迟两大瓶颈需要突破。

边缘计算（Edge Computing）模型在本质上与云计算模型相对，边缘计算中的边缘是指互联网络边缘的计算及存储资源，其更加贴近于人、物或数据源，在网络边缘就对数据进行处理，更加高效、快捷。云计算模型可进行集中式数据处理，所有产生的数据通过网络全部传输到云计算数据中心，通过云平台强大的计算能力对数据进行集中计算与存储。未来是万物联网的时代，思科预计2020年将有500亿设备接入互联网[1]，所有设备产生的数据将超过40泽字节（ZB）。面对如此大规模的待处理数据，相比传统云计算模型，边缘计算具有明显优势：

（1）提高数据处理的实时性。云计算可以解决移动设备在存储、电量等方面的固有缺陷问题，但云计算服务需要应用将数据上传至云计算数据中心，再请求数据中心进行处理，造成了数据处理的延时，同时复杂的网络环境存在链接和路由不稳定等问题，导致云计算模型中数据上传的延迟。边缘计算模型是在移动设备附近进行数据处理，而不需要将数据通过网络上传至数据中心，通过近距离服务大大降低了网络及系统延迟，提高了数据处理的实时性。

（2）极大地缓解网络带宽和云数据中心压力。边缘计算模型在網络边缘进行临时数据的处理，无须将大量临时数据通过网络传输至云端，极大地缓解了网络带宽和云数据中心的压力。

（3）增强移动终端隐私数据的安全性。得益于无线网络的普及，移动终端中各种微应用、微服务产生的隐私数据量激增，因此很多用户会担心自己的银行卡、支付信息等数据安全问题。边缘计算模型很好地解决了这一问题，其将用户隐私数据存储在边缘设备中，不需上传至云端，规避了隐私数据通过网络上传至云端过程中存在的数据泄露风险，增强了数据安全性。

边缘计算由于具备以上优势，且能很好地满足物联网发展需求，近两年得到了许多国内外研究者的密切关注。ACM和IEEE从2016年开始联合举办边缘计算的顶级会议SEC，一些重要国际会议也开始举办边缘计算的Workshop，例如2017年的ICDCS、MiddleWare等[2]。

在国内，各大移动通信运营商将边缘计算模型应用于第五代通信（5G）中，建设了增强移动宽带、海量机器类通信和超可靠低时延通信[3]三大基础应用平台，边缘计算俨然已成为5G发展的关键技术。

本文总结边缘计算的概念，介绍边缘计算和边缘计算数据处理模型的基本架构，对边缘计算相关平台进行对比，最后对边缘计算的经典应用案例进行了分析。

1 边缘计算概念

1.1 边缘计算定义

边缘计算的定义最早是由美国卡耐基梅隆大学的Satyanarayanan教授[4]提出的，其认为边缘计算是一种新型计算模式，与传统集中式云运算不同，边缘计算将计算与存储资源部署在更贴近移动设备或传感器的网络边缘。我国学者对边缘计算的研究大都基于美国韦恩州立大学施巍松教授等[5]对边缘计算的定义：边缘计算是一种新的计算模型，边缘计算的下行数据来自云端，上行数据来自物联网，边缘计算的边缘是指数据源到云端数据中心路径之间的任意计算及网络资源。综上，边缘计算是一种新的计算模式，其执行的计算在靠近人、物或数据源头的网络边缘，数据处理不会受到网络带宽、链接、路由等问题影响，能更快速、高效地响应服务。

网络边缘资源包括个人电脑、手机、平板电脑等用户终端，路由器、交换机、运营商基站等硬件设施，电视、电梯、门禁系统等嵌入式设备，以及微型数据中心、Cloudlet等小型计算中心，这些设备相互独立且数量众多，分布在生活中的各个地方，因此称之为边缘节点。边缘计算就是将这些分散的边缘节点统一起来，为广大用户提供服务。

综上所述，本文将边缘计算定义为：“边缘计算是一种新的计算模式，根据地理距离或网络距离，将与用户临近的资源统一起来，为应用提供计算、存储与网络服务[6]。”

1.2 边缘计算、云计算、雾计算三者区别与联系

边缘计算的产生并不是要取代云计算，而是作为云计算的补充，在更贴近数据源的网络边缘进行数据处理，增强了服务的响应能力，而且数据无须通过网络上传至云端，降低了网络带宽、路由器等网络抖动对数据传输的影响。但是边缘计算不能脱离云计算而独立存在，它们相辅相成，云计算中心为边缘计算提供强大的计算能力以及海量存储支持，而边缘计算为云计算中心提供大量隐私数据的存储服务。

雾计算[7]（Fog Computing）是由思科提出的与边缘计算类似的计算模型，其也是将应用程序产生的数据保存在网络边缘设备中，无须上传、保存在云端。但雾计算与边缘计算之间又存在本质上的区别，边缘计算更强调服务与用户之间的距离，而雾计算更注重将数据源与云计算数据中心统一起来，为用户提供计算、存储等数据处理服务，因此核心网络和边缘设备都是雾计算的基础设施，彼此不可分离。目前，思科利用推出的部署在核心交换机和路由器等设备上的IOX系统对雾计算进行实现[8]，以便于技术人员更好地利用其进行技术开发与程序应用。

虽然雾计算和边缘计算是两种不同的计算模型，但其都是云计算的补充。为了更好地适应物联网发展，并能更好地为用户提供稳定、安全的数据处理服务，它们与云计算相辅相成、缺一不可。

2 边缘计算基本架构

边缘计算基本架构包括边缘设备与边缘网络设施，边缘设备请求的服务不需要通过网络上传至云计算中心进行集中處理，而是在贴近边缘设备的边缘网络设施进行处理，从而增强了数据处理的实时性、稳定性和高效性，如图1所示。

云计算经过近几年的快速发展，已逐渐被人们所熟知，基于云计算的数据处理架构也日趋成熟。但是集中式的云计算数据处理模式已不能满足爆炸式增长的边缘数据处理请求，为了更好地适应目前用户对数据处理实时性、高效性、稳定性的需求，研究者们先后提出了微数据中心（Micro Data Center）、Cloudlet、雾计算、移动边缘计算（Mobile Edge Computing）等边缘数据处理模型[9]。

3 典型边缘计算平台

边缘计算利用数据到云计算中心数据传输路径上的边缘网络资源，这些资源数量众多且相互独立，边缘计算平台将这些资源统一起来，为用户提供实时、高效、稳定的服务。目前关于边缘计算平台的研究很多，下面介绍其中较为突出的移动边缘计算和Cloudlet，其中从Cloudlet还演化出了开放边缘计算联盟[10]。

3.1 移动边缘计算MEC

2014年，电信协会提出移动边缘计算（Mobile Edge Computing）的概念[11]，以下简称MEC，其在移动设备网络边缘进行数据的计算、存储与保存，减少了云计算中心集中处理请求的延时，也降低了网络带宽和云计算数据中心的压力。MEC节点大部分位于大型基站或无线网络控制器处，与用户处于同一个无线局域网中，这种贴近于用户的数据处理方式，使得响应服务更加高效、快捷。移动边缘计算平台架构主要采用“网络层—ME主机层—ME系统层”3层架构模型。ME系统层是MEC 最重要的一层，由运营商网络内的ME 主机以及管理ME 应用必需的ME组件构成，负责管控MEC 的任务分配和系统运行。ME主机层由虚拟化基础设施、ME应用、ME平台和ME主机层管理设施组成。网络层代表移动边缘计算支持的连接方式，由蜂窝移动网络、本地网络、无线WiFi和外部网络组成，如图2所示。

3.2 Cloudlet

Cloudlet的概念是在2009年由卡耐基梅隆大学首次提出的，其部署在网络边缘，并与互联网连接，能实时为直接连接局域网的用户提供服务。由于Cloudlet可以像云计算中心一样为用户提供服务，所以也被称为微云。虽然Cloudlet不是以边缘计算的名义提出的，但其在架构和设计理念上与边缘计算相契合，所以可用来搭建边缘计算平台。

与云计算的计算模型相似，Cloudlet将用户数据直接保存在云端，当移动设备向云端请求服务时集中对数据进行处理，并通过高带宽的一跳路由[12]返回用户请求，尽可能降低网络延时。Cloudlet平台架构主要包括三层，如图3所示。第一层由虚拟机组成，运行用户卸载至边缘节点的应用程序，通过虚拟机弥补与用户可执行环境的差异;第二层由Cloudlet 边缘计算平台组成，实现主机资源虚拟化并编排管理应用虚拟机;第三层由用户数据缓存器组成，主要用于接收用户云端数据。

Cloudlet的主要优势有：对开发者没有任何约束，现有程序基本不需要修改即能在Cloudlet中运行;由于在移动设备网络边缘提供服务，最大限度地降低了网络时延。随着研究的不断深入，Cloudlet还可应用于认知辅助系统[13]、敌对环境中等[14]。

4 边缘计算应用实例

边缘计算主要在人、物和数据源附近提供数据处理服务，使得该计算模式在移动应用和物联网领域得到了广泛运用。本节介绍两种边缘计算应用案例，以展示边缘计算的具体应用场景。

4.1 智能家居

随着科技的不断进步，智能家居例如智能电视、智能监控、智能音箱、智能机器人等已进入越来越多的普通家庭，如果利用传统云计算模型将智能设备请求发送到云端，云数据中心对请求进行集中处理，再返回结果到设备，传输过程中将难以避免出现网络时延问题，隐私数据也可能存在泄漏风险。因此，采用边缘计算模型的智能家居系统非常适合这种场景，边缘计算数据在数据源端进行处理，只要将边缘操作系统（Edge Operation System，EdgeOS）部署在家庭内部网关设备上，无论人们在房间、客厅或浴室，都可以快速得到数据处理结果反馈，从而缩短了服务响应时间，增强了智能家居设备的稳定性，并保障了家庭隐私数据的安全。同时降低了对网络带宽的要求，普通家庭只需百兆网络带宽即可满足日常使用。

4.2 车联网

车联网顾名思义就是将汽车联入互联网中，可将汽车的油耗、里程、转速和故障等信息通过网络上传至云计算数据中心进行分析，车辆之间可以分享道路状况、天气、乘车人等信息，驾驶人员也可根据这些信息决定自己的路线。

韦恩州立大学在GENI Racks上构建了一个边缘计算平台[15]，并在上面部署了实时3D校园地图、车辆状态检测、车联网仿真3個应用。3D校园地图根据校园内监控拍摄的画面和车辆行驶路线等信息，对画面进行相应处理，绘制成实时3D校园地图供乘客使用;车辆状态检测系统根据汽车反馈的油耗、里程、转速等信息，对发生故障的概率进行分析，若检测到车辆发生故障概率较大，则反馈给平台进行登记，尽快安排技术人员对车辆进行检修;车联网仿真将联网车辆各项数据进行汇总，以便今后研究人员利用这些交通信息进行车联网仿真实验。

根据上述分析，车联网在边缘计算模型中较易实现，因为在仿真平台中，如果利用云计算模型将数据通过网络上传至云端，再由数据中心对数据进行集中处理并返回处理结果，将降低服务的实时性，而边缘计算模型在数据源附近进行数据处理，减少了不必要的网络传输，提高了应用的响应速度。

5 结语

在大数据和人工智能时代下，传统云计算模型因具有数据处理实时性不强、对网络带宽和数据中心压力过大，以及隐私数据存储存在安全隐患等缺陷，已不能满足现今社会移动应用和物联网高速发展的要求。为解决这些问题，边缘计算模型应运而生，本文对边缘计算、云计算、雾计算进行对比分析，并介绍了边缘计算相关应用实例。虽然边缘计算模型优势明显，但其不能脱离云计算、雾计算等计算模型单独存在。近年来边缘计算在生活很多领域的应用得到了快速发展，希望今后能够有更多研究人员关注边缘计算，让计算模型能更加完善，应用更加广泛。

参考文献：

[1] EVANS D. The Internet of Things how the next evolution ofthe Internet is changingeverything[EB/OL]. https：//www.cisco.com/c/dam/en_us/about/ac79/docs/innov/IoT_IBSG_041IFINAI.pdf.

[2] 赵梓铭，刘芳，蔡志平，等. 边缘计算：平台、应用与挑战[J]. 计算机研究与发展，2018，55（2）：327-337.

[3] 吕华章，陈丹，范斌，等. 边缘计算标准化进展与案例分析[J]. 计算机研究与发展，2018，55（3）：487-511.

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

[5] SHI W，SUN H，CAO J，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.

[6] CHINA UNICOM. Chinaunicom communication cloud architecture white paper[EB/OL]. http：//www.chinaunicom.com.cn/.

[7] AO W C，PSOUNIS K. Fast content deliveryvia distributed caching and small cellcooperation[J]. IEEE Transactions on MobileComputing，2018，17（5）：1048-1061.

[8] E J L，CUI Y，WANG P，et al. CoCloud：enabling efficient cross—cloud file collaboration based on inefficient webAPIs[C]. IEEE Conference on ComputerCommunications（INFOCOM），2017：56-59.

[9] Open Edge Computing Initiative. Open edge computing[EB/OL]. http：//openedgecomputing.org/.

[10] FILIPPINI I， SCIANCALEPORE V， DEVOTIF， et al. Fast cell discovery in mm-wave 5Gnetworks with context information[J]. IEEE Transactions on Mobile Computing，2018，17（7）：1538-1552.

[11] 林博，張惠民. 基于边缘计算平台的分析与研究[J]. 电脑与信息技术，2019，27（4）：21-47.

[12] WANG S，ZHANG X，ZHANG Y， et al. A survey on mobileedge networks：convergence of computing，caching and communications[J]. IEEE Access，2017（5）：6757-6779.

[13] HASEEB M， AHSAN A， MALIK A W. Cloud to cloudlet—anintelligent recommendation system for efficient resources management： mobile cache[C]. International Conference on Frontiersof Information Technology， 2017：40-45.

[14] CISCO. 思科移动产业VNI预测报告[EB/OL]. https：//www.cisco.com/c/zh_cn/about/press/china/2016.html.

[15] ESCAMILLA-AMBROSIO P J，RODR?GUEZ-MOTA A，AGUIRRE-ANAYA E，et al. Distributing computing in the internet of things： cloud， fog and edge computing overview[C]. The Numerical and Evolutionary Optimization Workshop，2016：87-115.

（责任编辑：黄 健）