基于软件定义网络的云边协同架构研究综述*

李 波，侯 鹏，牛 力，武 浩，丁洪伟

(云南大学信息学院，云南 昆明 650500)

1 引言

随着5G和物联网时代的到来，海量数据的产生与任务计算对现有网络将会产生极大的冲击[1]。基于Internet的云计算虽然提供了对虚拟共享的可配置计算和存储资源的广泛访问和按需访问，是处理海量数据与计算任务的绝佳平台，但是对于5G时代的诸如在线游戏、虚拟现实和超高清视频流等高速访问超低延时的应用和海量终端互联来说，云计算是无法满足其要求的[2]。与此同时，下一代互联网的关键特征之一是信息越来越多地在本地生成并在本地消费[3]，且大量的边缘设备存在可用计算和存储资源。因此，为应对云计算存在的挑战、网络压力和提升用户体验满足业务需求，业界提出将云计算平台迁移至网络边缘，即边缘计算，发掘网络的内在能力在数据源附近提供边缘服务，以满足在敏捷连接性、实时优化、智能应用、安全性和隐私性方面的关键要求[4]。

当前绝大多数的研究都将云计算和边缘计算隔离开来，分别致力于云计算[5,6]和边缘计算[7-9]的架构和系统分析优化层面，较少关注云计算和边缘计算之间的协同问题。近年来物联网和5G通信的发展让大家开始关注到云计算和边缘计算各自存在的优势与劣势，并开始思考二者优势互补的价值所在，即云边协同[10-15]。通过将网络转发、存储、计算、智能化数据分析等工作放在边缘处理[16]，将超大规模计算、存储和非时延敏感等任务放在云端，云计算与边缘计算的相互配合实现云边协同、全网算力调度和全网统一管控等能力，真正实现无处不在的云[17]。

实现云边协同不仅需要对云边协同网络中的各类资源进行统一的调度管理，在业务编排与服务调度等方面也需要实现集中控制和灵活管理，因此云边协同的最大挑战在于基于云计算技术核心和边缘计算能力，构筑在基础设施之上的集中控制管理平台，形成云边端三体联动计算服务架构。该平台是基于虚拟化实现的，不仅需要考虑云边网络中的各类资源(如通信、计算和存储)的有效协调，而且还需要具备全局的控制和开放性，因此灵活开放可编程的软件定义网络SDN(Software Defined Network)和网络功能虚拟化NFV(Network Functions Virtualization)网络架构被认为是解决当前云计算[18-21]和边缘计算[22,23]协同问题的有效方法。SDN网络所具备的转控分离、集中控制和开放接口等特性能够满足云边协同环境中对安全性、虚拟化、可管理性、移动性和敏捷性的同时需求，可以通过SDN来实现新服务的提供和动态IT基础架构中可靠的应用程序交付。

虽然针对SDN和云边协同之间的研究取得了一定的成果，但是该研究方向还处在初期阶段，基于SDN的云边协同的协同定义、系统解决方案、系统架构等方面缺乏相关的梳理和详细的介绍，也没有详细说明SDN与云边协同面临的问题与挑战。因此，从当前已有成果中总结出系统的基于SDN的云边协同网络，为未来研究提供理论基础和研究方向具有重要意义。本文首先结合云计算和边缘计算中各自存在的优势和不足给出了云边协同的具体内涵、应用场景和应用挑战。针对云边协同体系中存在的挑战，给出了基于SDN的云边协同体系结构，并对该体系结构做了详细的分析，显示了该体系结构的可行性与价值。基于SDN的云边协同体系结构具备的集中协同控制能力能够应对云边协同场景中不同类型的挑战，实现真正的云边协同。

2 云边协同

2.1 云边协同的必要性

云计算技术以廉价且大量的计算服务器提供了强大的计算能力，可以为用户和应用提供按需访问的丰富计算资源和存储资源。但是，云计算中心通常距离用户和终端较远，导致计算任务传输时间过长，并且如果将海量终端的数据都传输至云计算中心必将造成核心网拥塞，极大地浪费了通信资源。因此，云计算并不适合要求低时延、实时操作和高QoS的应用，并且无法支持无缝移动和无处不在的计算覆盖，数据安全性和用户的隐私也不能得到有效保障。

另一方面，虽然边缘计算将云计算功能扩展到了网络边缘，更加接近终端用户且地理位置分散，可以支持低时延、位置感知、高移动性和高QoS的应用服务。但是，边缘计算单元通常没有充足的计算资源和存储资源来满足海量数据的计算和存储，并且由于边缘节点的低功耗、异构性和功能薄弱单一等约束，服务的质量与可靠性还会受到影响[24]。

表1从不同的角度总结了云计算和边缘计算的特点和二者的差异[3]。

Table 1 Comparison of edge computing and cloud computing

从表1可以看出云计算和边缘计算是各有优势的，云计算的主要优势是海量计算和海量存储、计算效率高、广域覆盖，适合计算密集型、非实时性的计算任务和海量数据的并行计算与存储，能够在长周期维护、业务决策支撑等领域发挥优势，并且计算硬件都集中在云计算中心，实行集中式的管理，因此无需在本地维护计算硬件、数据存储和相关软件。边缘计算的主要优势是广泛分布的边缘节点提供了实时的数据处理，边缘计算的过程是一个以用户和应用为中心的过程，弥补了云计算中时延和移动性的缺陷，适合非计算密集型、实时性、移动性数据的处理分析和实时智能化决策，并且作为一种新的网络范式能够满足5G时代计算需求的空前增长和用户体验质量的不断提高，数据的本地化处理相较于云端也更安全。但是，边缘平台的处理性能通常不如云平台[25]，它通常没有足够的内存和处理器来处理大量数据，因此无法执行复杂的操作，例如深度学习[26,27]。

综上，云计算和边缘计算作为2种典型的计算范式各有所长又各有所短，单独依靠云计算或是边缘计算都不足以实现物联网和5G通信愿景。迫切需要研究合适的网络架构和控制机制充分发挥云计算和边缘计算的优势，实现计算的协同。例如增强现实AR(Augmented Reality)应用中应用程序高度本地化，需要低延迟和密集的数据处理，输入数据(如声音、视频、图形或GPS数据)传输至距离较近的边缘服务器，由边缘服务器准确地分析输入数据以区分所请求内容，并将AR数据发送回最终用户，集中的AR数据缓存和计算由远程的云服务器提供。

2.2 云边协同的内涵

云边协同即实现边缘计算与云计算的协同联动，共同释放数据价值。传统的云边协同方式主要是当终端设备产生数据或任务请求后，通过边缘网络将数据上传至边缘服务器，由位于边缘计算中心的边缘服务器执行计算任务。计算量较大、复杂度较高的计算任务将由边缘计算中心向上通过核心网迁移至云计算中心，待云计算中心完成大数据分析后再将结果和数据存储至云计算中心或将计算结果、优化输出的业务规则、模型通过核心网下发至边缘计算中心，由边缘计算中心向下通过边缘网络将计算结果传输至终端设备，边缘根据云计算下发的新业务规则进行业务执行优化处理，由此实现云边协同，如图 1所示[28]。

Figure 1 Cloud-edge collaborative

综合现有文献的研究结果，云边协同的能力与内涵体现在基础设施即服务IaaS(Infrastructure-as-a-Service)、平台即服务PaaS(Platform-as-a-Service)和软件即服务SaaS(Software-as-a-Service)3个层面，实现资源、管理和应用服务3个领域的全面协同,如图 2所示[29]。

Figure 2 Ability and connotation of cloud-edge collaboration

(1)资源协同：EC-IaaS(Edge Computing-IaaS)与云端IaaS主要是对网络底层基础设施和各类资源的协同(包括计算、存储、网络和虚拟化资源)；

(2)管理协同：EC-PaaS(Edge Computing-PaaS)与云端PaaS主要是边缘侧和云端侧计算平台服务中的数据分析、业务编排、应用部署和开放等的协同，可实现数据、智能、应用管理和业务管理协同；

(3)应用服务协同：EC-SaaS(Edge Computing-SaaS)与云端SaaS主要是用户应用层面的服务质量、服务能效等的协同，可实现应用服务协同。

表2列出了详细的云边协同领域、内容和具体的协同操作。云边协同涉及7个方面的协同内容，但并非任何一个场景中都涉及到所有的云边协同内容。在不同的应用场景中，云计算和边缘计算之间的协同内容是有所差异的，具体的协同内容需要根据具体的应用具体分析，而且针对其中的某一种协同，在与不同的实际场景融合过程中也会存在差异。

Table 2 Ability and connotation of cloud-edge collaboration

2.3 云边协同的应用场景

云边协同的主要应用场景与边缘计算、物联网的应用场景联系紧密，文献[29]从边缘计算业务形态的维度，将云边协同的主要价值场景区分为6大主场景。而文献[28]进一步对云边协同应用场景进行了更加详细具体的应用介绍和前景分析，综合总结如表3所示。

以物联网场景中的车联网场景为例(如图3[28]所示)，车辆需要不断与周围的基础设施和环境进行信息交互，大规模的设备交互带来的将是海量的数据，并且因为车辆的高速移动，海量的数据还具有很高的动态性，所以车辆运动过程中数据的采集、处理、存储与数据挖掘等将对计算服务平台提出巨大的挑战[30]。对于海量数据的存储和处理，云计算具有很大的优势，云计算为车联网络提供了可靠的大规模计算资源[31]。但是，车辆的快速移动和不同设施之间的信息交互对数据的传输和处理的实时性提出了非常高的要求，在车辆快速行驶时得到的信息时延越短，意味着车辆和基础设施能够做出更加及时的决策和行动，保证车辆行驶安全[32]。而部署在基站BS(Base Station)或接入点AP(Access Point)上的边缘服务器、车辆、路侧单元和摄像头等基础设施组成的边缘计算网络不仅能够节省大量的通信带宽，还可以满足关键任务的低延迟要求，包括边缘缓存、边缘计算和边缘AI等在内的边缘信息系统将在未来车联网中发挥关键作用。

Table 3 Cloud-edge collaboration application scenarios

此外，云边协同下的车联网环境支持汇总分布在不同边缘设备(包括车辆和车载设备)上的大量数据至云服务器来训练机器学习模型，允许多用户共享模型而无需直接访问源数据。每个用户也可以在本地数据集上训练本地机器学习模型，并将其上传到服务器以进行全局模型聚合[33]。

Figure 3 Internet of vehicles based on cloud-edge collaboration

2.4 云边协同计算平台

如前所述，边缘计算和云计算各有优缺点，且各有独立特点，在具体实现云边协同计算过程中需要构建合适的网络架构和控制机制将其融合到一个统一的计算平台上。该平台首先需要考虑到云和边之间的资源控制和利用率最大化，其次需要考虑数据的最佳路由和任务划分，同时还应当考虑系统的可开放性和灵活性。此外，在云边协同场景中的数据通常具有异构性并且数据量巨大，需要根据各级别的信息，如流量类型、位置信息、处理延迟和传输开销等决定数据的处理位置和处理设备。同时，对于不同场景中的不同应用，云边协同系统需要提供的支撑又各不相同，应用和用户要求也各有差异。因此，云边协同平台对于边缘计算和云计算的发展有着重要的意义和影响[34]。

为了实现云边协同，主流云服务提供商往往在已有的云计算平台基础上，将云计算能力扩展至边缘侧，在边缘侧实现通用的边缘计算环境。云计算环境和边缘计算环境都采用相同的编程模型，使得用户在开发具体应用过程中只需要考虑计算能力的差异，而不必考虑具体的部署环境[34]。

现有的支持云边协同的边缘计算环境包括微软推出的Azure IoT Edge、ARM公司推出的Mbed Edge、百度OpenEdge和阿里巴巴Link IoT Edge等平台，总结如表 4所示。

2.5 云边协同的挑战

如2.2节所述，云边协同具体涉及到资源、管理和应用协同等多个层面。为了构建灵活、高效的云边协同计算环境，需要在不同层面实现云计算和边缘计算的协同，以优势互补的方式克服云计算和边缘计算中各自存在的缺点，放大云计算与边缘计算的价值。表 5列出了在不同层面实现云边协同时面临的主要挑战。

3 基于SDN的云边协同

逻辑上集中的SDN控制平面将提供云端和边缘端的资源和访问网络可用性的全面视图，针对不同类型的任务提供足够带宽的链路并将其转发至资源充足的数据中心[39]。其次SDN与访问接入、WAN和云计算等技术的兼容特性不仅可以使部署在接入网的SDN/NFV支持需求和灵活的服务创建[22]，而且可以在数据中心、云计算和边缘计算中使用该技术配置和编排云服务器和边缘服务器上的服务，极大地降低云边网络管理的复杂度[40]，基于SDN构建的云边协同网络将更好地发挥云计算和边缘计算的优势，满足云边协同网络在资源调度、编排管理和集中控制等方面的需求。

Table 4 Platforms for edge computing and cloud-edge collaboration

SDN的应用层、控制层和基础设施层3个层面与云边协同场景中的资源、管理和应用3个协同领域相互对应，SDN具备的集中控制开放可编程网络特性可以满足云边协同在资源、管理和应用3个协同方面的挑战，SDN拥有解决云边协同挑战的解决策略，如表6所示。

3.1 逻辑架构

实现云计算和边缘计算的有效协同需要在二者中间构建一个协调平台，并将该平台作为一个监视和控制中心，在云计算和边缘计算的动态和不可预测的环境中实时指导任务的划分与执行，并从全局高度进行网络的实时管理和优化，同时还应当具备一定的开放能力，以灵活部署新型应用和新型服务，鼓励创新。云和边中间的协调器也可以抽象为一个中间控制平台，该平台充当桥梁的作用，连接起边缘计算网络和云计算网络，实现对2个网络之间的协同。故在云边协同网络中主要涉及到3部分功能，分别是边缘计算、云计算和协同控制的问题。

SDN具有控制平面和数据平面的固有去耦功能，可通过编程更好地控制网络，并且具有获取瞬时网络状态的能力，允许基于瞬时网络状态和用户定义的策略对网络进行实时集中控制，进一步为云边协同网络带来了优化网络配置和改善网络性能的好处，并且对第三方开放的网络基础能力能够较好地适应云边协同网络中业务的多样性。结合SDN集中控制的核心思想和5G网络的“三朵云”架构，在云边协同架构中，将云边协同架构也抽象成为“三朵云”逻辑架构，并将网络功能抽象为3个平面，分别是边缘云、核心云和控制云,如图 4所示。

Table 5 Challenges of cloud-edge collaboration

Table 6 SDN solution strategyies

Figure 4 Logic architecture of SDN-based cloud-edge collaboration

(1)边缘云：是云边协作中边缘计算的特定技术实施层，包括边缘实时操作系统、虚拟化(Docker，Unikernel等)、定时数据存储、边缘设备管理和边缘数据处理等[15]。由诸多边缘域环境组成，每个域由本地软件定义的边缘控制器控制所有本地资源，负责保持同一本地域内的实体之间的平滑通信，并决定本地请求是本地服务还是应该被转发到云，同时启用SDN解决了边缘设备的异构性和可拓展性。在边缘控制器之上还有一个边缘云控制器实现整个边缘计算网络的集中控制，边缘云控制器相比边缘控制器有更高的视野，可以更加有效地进行边缘计算网络资源调度[41]。

(2)核心云：由单个或多个云计算中心网络构成，负责利用云计算技术管理、调度、整合和优化分布在网络上的各种资源。基于SDN提供一种新的动态网络体系，使得云计算网络可以进行大规模编程和管理，进一步增强云计算中心的伸缩性和动态性，提供新的IT服务增加、使用和交付模式。核心云的集中性在速度、成本和可扩展性方面优于边缘计算的分散性质[42]。

(3)控制云：主要基于逐级控制和全局/局部控制的思想保证组织的整体一致性[43]，实现局部和全局的资源管理和调度，通过灵活的集中控制配合网络中存在的计算资源，实现计算任务的合理接入、计算资源的优化分配和计算任务的最佳执行，快速响应计算请求并实时反馈计算结果，并构建面向业务的网络开放能力接口，从而满足业务的差异化需求。

3.2 基于SDN的云边协同体系结构

SDN是多云环境中最可行的网络技术[16]，本文结合SDN网络体系和云边协同逻辑架构，提出了基于SDN的云边协同架构，如图5所示。

Figure 5 Architecture of SDN-based cloud-side collaboration

基于SDN的云边协同体系架构包括各类概念和基础结构组件，其中每个组件都可以通过API进行配置、操作和管理。从图 5中可以看出该体系结构主要包含以下元素：

(1)软件定义的网络：灵活开放的云边协同网络结构使得网络易管理、可配置和集中控制；

(2)软件定义的存储：创建共享的分布式存储资源，对云边协同网络软硬件资源灵活管理；

(3)软件定义的协议：支持多协议传输，满足不断变化的网络性能要求，提升网络性能；

(4)软件定义的基础架构：全面的、完全集成的混合边缘计算和云计算环境；

(5)软件定义的管理：分级式集中控制，拥有云边协同网络全局视图，优化全局应用、资源管理与维护；

(6)软件定义的安全：软件定义智能化深度防御，自适应虚拟化安全提供多级安全机制；

(7)软件定义的数据中心：数据中心完全由软件自动化控制，灵活控制云边协同网络服务和网络资源。

同时可以看到该架构主要由基础设施层、控制层、应用层和用户层构成。基础设施层由边缘计算中的边缘节点和云计算设备构成，不同的网络设备组成不同的接入网络。首先负责收集网络状态并临时储存信息，然后通过南向接口发送至控制层，其次按照控制层提供的规则负责处理数据和执行任务。控制层由多级控制器构成，该层基于软件实现。通过南北向接口连接基础设施层和应用层，向下逐级控制各个边缘计算环境和云计算环境，实现多个边缘计算环境、多个云计算中心的协调控制，以及边缘计算和云计算之间的协同合作。应用层旨在满足用户要求的SDN应用程序，通过控制层提供的可编程平台，应用程序可以访问和控制底层设备，终端发出的各类任务请求由应用层转发至控制层，由控制层决策调用底层边缘计算和云计算设备实现任务执行，并实现任务的迁移与交付。其中，控制层是整个云边协同网络的核心，通过控制层将云计算层和边缘计算层合并到联合体系结构中。该控制层是一个分层结构，包括较高级别的集中控制器和较低级别的局部控制器2部分。局部控制器控制局部范围内协同网络的资源管理与任务调度和决策，遇到复杂的任务时反馈至更高级别的集中控制器。在较低级别的控制器之外，还需要有全局集中控制器对边缘云控制器和核心云控制器进行统一控制管理，全局集中控制器是整个云边协同网络的大脑，确保整个计算网络中的所有实体高效工作，从更高的视角实现云边协同网络的全局资源管理、网络优化，提升云边协同网络的灵活性[21]。在整个云边协同计算网络中，每一层控制器的控制决策级别都不一样，级别较低的控制决策直接由局部控制器执行，遇到更高级别的决策时，需要将决策反馈到更高级别的控制器直至全局集中控制器执行。此外，局部控制器遇到的任何关键和未解决的问题都将反馈到全局集中控制器，并由全局集中控制器采取行动决策。

3.3 基于SDN的边缘云

基于SDN的边缘云实现了一个或多个区域内的边缘资源和管理边缘计算节点的整合，结合边缘计算节点的分布式特点，集中整合分散的资源进行动态调度和统一管理，弥补边缘设备的异构性，使边缘设备能够相互通信并以统一的方式交换信息，实现连接、数据、管理、控制和应用等方面的协同[22]。

按照功能划分，基于SDN的云边协同架构下边缘云的结构如图 6所示，该架构与基于SDN的云边协同架构对应，同样采用基于SDN控制器分级控制的思想，实现对边缘计算资源的控制。底层的基础设施层包括但不限于：分布式互联网数据中心、运营商通信网络边缘基础设施、边缘侧客户节点(如边缘网关、家庭网关等)等边缘设备及其对应的网络环境[16]。不同类型和不同地域的边缘基础设施构成不同的边缘云，每一个边缘云都是基于SDN架构的完整SDN边缘网络，具备SDN网络特性和边缘计算能力，能够独立完成边缘计算环境下的资源调度和计算服务，并由局部的边缘控制器实现本区域内边缘设备资源协同、任务调度和系统管理等功能。

Figure 6 SDN-based edge computing architecture

例如在校园环境中，学生可能在一天甚至更短的时间内访问不同的园区，移动性和切换是不可避免的。在该场景中，SDN控制器可以跟踪并为用户获取和分配最近的IP地址，由于控制器知道用户和边缘环境信息，能够依据信息数据确定切换的最佳路径，保证传输时间的最小化[44]，并且能够使用历史数据进行预测，将预测结果下发至边缘节点，实现业务的平滑迁移。同时，当移动设备发出应用请求后，由最近的控制器或更高级别的控制器进行任务划分，根据当前边缘计算网络的网络状态决策该任务由单个边缘云完成还是需要不同边缘云之间的协同合作完成，任务划分完成后由边缘云集中控制器将任务转发至底层网络实现单个边缘云或多个边缘云的协同计算。

SDN在边缘计算领域的研究还在持续推进，SDN对边缘计算领域的贡献和相关研究如表7所示[44-55]。

3.4 基于SDN的核心云

基于SDN的核心云实现一个或多个云计算范围内的资源整合与管理协同，其中对所有资源(计算、存储、数据中心、安全性和SLA等)的管理和监控都是由软件定义的[56]，有助于通过SDN控制器处理链接和节点并进行动态配置，对硬件和软件资源灵活管理，消除了云资源配置和管理中的复杂性，并使网络管理员能够动态修改网络配置以支持来自云任务的传入服务请求[40]。

基于SDN的核心云体系架构如图 7所示，其中云计算网络中的各类计算、存储和网络设备构成单个云计算中心，并由核心控制器负责管理本地云计算网络中基础物理资源、虚拟机管理和存储分配功能，并将网络规范解析为配置命令，从而在要启用SDN的交换机上安装策略集，以精细的粒度控制执行最优路由策略和网络范围内的资源优化[57]，实现单个云计算网络中云监控、云部署和云计划等功能，以及服务水平协议等的控制。

不同地域的基础设施构成的不同云计算网络由更高级别核心云控制器提供多云集中管理，当单个云计算中心满足不了任务的需求时进行任务划分和任务卸载，并协同不同地域云计算网络之间的资源实现任务的最佳执行。逻辑上集中的SDN控制平面将提供云资源和访问网络可用性的全面视图，确保在提供足够带宽和服务级别的链路上将云任务定向到资源充足的数据中心[39]，分级控制的云计算网络控制器确保单个云计算中心或多个云计算中心的资源合理调度，满足动态定义网络需求。借助基于SDN API的开放环境，用户可以快速实现不同工业应用程序的开发并将其部署在平台上[15]。SDN对云计算领域的贡献和相关研究总结如表 8所示。

Table 7 SDN’s contribution to the field of edge computing and related research

Figure 7 Architecture of SDN-based core cloud

3.5 基于SDN的边缘智能网关

边缘智能网关作为云平台层和边缘层设备管理服务的通信枢纽，担负着实现边缘计算和边缘层相关功能的作用。它是由基于SDN的云平台统一配置和管理的，但同时边缘智能网关是独立的，以实现云支持的边缘侧系统的正常运行[15]，基于SDN的边缘智能网关如图 8所示。

边缘智能网关通过使用SDN技术和AI算法兼容各类操作系统，根据云平台发布的配置信息，将设备的通信协议适配为同步设备的静态信息，并收集实时动态数据。结合本地、边缘和云端的差异性，在不同位置提供不同的通信协议和不同的AI计算算法。本地数据被存储和分析，然后提供给边缘应用程序，或通过协议转换传递到云平台以进行进一步的分析和处理。开发人员可以通过云平台在网关中部署数据处理模型或APP，进行时间延迟和对安全性敏感的边缘数据分析，减轻向云传输数据的压力，并提高针对不同设备的服务的灵活性[15]。SDN网络的灵活性可开发支持各类通信协议的终端通信交互模块，各模块在SDN控制器下协同工作，并通过开放的API接口进行数据交互和共享。

Table 8 SDN’s contribution to the field of cloud computing and related research

Figure 8 Edge intelligent gateway based on SDN

3.6 案例分析

以视频分析应用为例，当前视频分析应用处理视频数据的通用做法是将监控视频数据流上传到部署在远端云计算中心的视频服务器，由视频服务器进行相关的分析处理和存储，如图9所示。但是，大量的原始视频流数据未经处理直接上传到云端，将对回传带宽和视频服务器存储空间提出更高的要求，尤其是视频监控中那些不具有可用信息的视频数据，且待云端处理后再将结果返回也将增加传输时延，不利于实时性要求较高的服务实现。

Figure 9 Video analysis in SDN-based cloud-edge collaborative scenario

基于SDN的边云协同架构将会极大地提升该应用的效率与质量，工作流程如下所示：

(1)进行基于SDN的云边协同架构建设，并根据实际的终端设备、物理资源和网络等完成前期的控制通道建立、信息收集与存储、路由业务学习和计算交换路径等工作。

(2)由摄像头进行监控视频数据的采集，并根据路由信息将视频数据以无线或者有线的方式转发到距离最近的边缘计算节点，接入边缘云。

(3)在边缘云SDN控制器的控制下，部署在边缘云上的视频分析和管理应用利用边缘云的算力完成视频的分析处理，如视频压缩、时间监测和视频剪辑等。

(4)待边缘侧完成视频处理后，视频分析与管理应用根据网络预先配置向上一级控制器上报监测的特定事件、压缩好的视频或者剪辑好的视频片段。

(5)对于复杂度较低、计算任务量较小、存储空间需求小的任务直接由边缘云完成。对于复杂度非常高、计算任务量较大、存储空间需求大的任务，待边缘云对视频进行预处理后上传信息到全局集中控制器，由全局集中控制器根据网络当前的任务处理情况和实际可用资源生成智能任务决策，将指令下发至边缘云与核心云后由边缘云将预处理后的视频结果发送至核心云，由核心云完成后续的视频分析处理。

(6)核心云超大规模的计算、存储资源可以为后续任务执行提供保障，原视频数据流的高速率大宽带传输，经过边缘云预处理后可以有效降低对回传带宽的消耗，提升视频分析处理效率和质量。

4 基于SDN的云边协同特点及其面临的挑战

在整个基于SDN的云边协同网络框架中，每一个局部区域都是一个SDN网络，具备SDN的基本架构，都可以独立进行并通过开放和可编程接口实现“软件定义”，即整个云边协同网络是由不同层级的SDN网络复合而成的，都是基于SDN架构构成而又逐级控制的。每一层SDN网络都可以通过一组SDN接口(南向、北向、东西向接口)实现彼此之间的通信。

通过逐级SDN控制的架构可以使得整个计算网络的控制负载优化分布，减少全局集中控制器的控制开销，依靠逐级控制器实现局部和全局的不同层次控制决策，缩短转发控制的等待时间，降低延迟，更好地实现实时决策以提高系统性能，并且每层控制器的相对独立又保证了各个区域的相对独立，可以降低计算网络的单点故障风险，提升整个网络的安全性和稳定性。

边缘和云之间的协同依赖于SDN中兼容的中间件，提升云边协同系统的灵活性和适应性，扩大了云边协同的上下文范围。通过SDN管理大型的云边协作系统降低了位于不同位置的服务器的复杂性，使得云边协同网络可以互换使用云计算和边缘计算的资源，实现跨网络的智能流量控制和计算决策[11]。

此外，基于SDN的云边协同网络架构在资源、管理和应用方面还具备如表9所示的特点。

基于SDN云边协同计算网络虽然在资源、管理和应用方面具有诸多优点，但是在单点失效、API规范、互操作性和安全威胁等方面还面临诸多问题与挑战，如表10所示。

Table 9 Features of SDN-based cloud-edge collaboration architecture

Table 10 Challenges of cloud-edge collaboration based on SDN

5 结束语

SDN网络具备的网络优势填补了云边协同之间协调控制的空白，为云边协同网络的实现提供了核心技术支撑，将传统云到端的计算模式演进为“云-边-端”三位一体新型架构[17]。

虽然基于SDN的云边协同网络具体实现时在单点失效、网络扩展性、API接口标准、互操作性和安全威胁等方面还存在诸多挑战和困难，但是可以预见的是，随着技术的成熟与新应用的出现，基于SDN的云边协同融合网络将推动传统的“云-端”网络演进为“云-边-端”的新兴计算结构，更加匹配万物互联时代的智能业务[27]。

本文重点对云边协同领域相关的内涵、场景和平台等研究进展做了总结与分析，基于SDN网络提出了基于SDN的云边协同网络架构，对该架构进行了详细介绍，并对其面临的问题和挑战进行了归纳。通过综述总结SDN对云计算和边缘计算协同领域的影响，探讨分析了该领域内的研究目标和方法，以促进该领域的未来研究，为进一步深入研究云边协同提供有益的参考。