一文读懂云计算、边缘计算、移动边缘计算和自动驾驶的前世今生！

  一千个人眼中有一千个哈姆雷特，对于云计算的认识，也是如此。

云计算兴起的时候，业界谈论的都是云，不知道云，估计都不好意思说是业内人士。

那么，什么是云计算呢？

简单来说，云计算就是将很多计算机资源和服务集中起来，人们只要接入互联网，将能很轻易、方便的访问各种基于云的应用信息，省去了安装和维护的繁琐操作。

当然，个人和企业也能使用云计算中心提供的服务，或者在云端搭建自己所需要的信息服务，只不过需要付费。

这样看来，云计算是不是简单、好用，但现实不是这样的。当个人和企业过渡依赖云计算时，就会出现各种数据的处理都希望往云上面靠的现象，结果呢？数据多了以后，效率降低、时延增大，很多场景用不了，这让业界很是苦恼。

遇到问题可以换种思维嘛！集中式不行就试试分散式，所以又有研究人员提出了边缘计算的概念，这种模式的提出，瞬间解了很多场景的燃眉之急。

1

什么叫边缘计算？

如果说云计算是集中式大数据处理，那么边缘计算就可以理解为边缘式大数据处理。

何为边缘？

通用术语表示就是，邻近、接近。放在这句话中就是，临近计算或接近计算。

想象一下，数据每次都要传到遥远的云端，云端处理完，才能回传回来，很麻烦吧！

边缘计算则在想，为啥要传那么远呢？

数据那么多，传来传去浪费时间不说，还效率不高，要不先在设备端处理数据，筛选掉没用的数据，等数据少了再传给云，这样云端的压力就会骤然减轻了！

所以说，边缘计算应该是对云计算的一种补充和优化！它们两个是共存的状态。

从边缘计算的概念中可以看出，由于距离数据源头近，所以它具有分布式、低延时、效率高等特点。深层次去看，它还具有以下几大特点：

第一，缓解流量压力；边缘计算在进行云端传输时通过边缘节点进行一部分简单数据处理，可以筛选掉没用的信息数据，相当于减少了数据带宽的消耗。

第二，对于芯片性能有高要求；由于边缘计算都是在设备端处理数据的，所以对于芯片性能的要求很高。

第三，节省成本；云计算和边缘计算结合，成本仅占单独使用云计算的40%左右。

第四，提高安全性；边缘计算的数据可采用加密算法后，在打包回传到云端。

目前，边缘计算主要被用于车联网、智能安防以及区块链等场景中，亚马逊、微软及英特尔已经着手布局边缘计算。

说到边缘计算，不得不提一下另一个重要的概念：移动边缘计算（MEC）

概念比较多，我们慢慢来看！

2

为什么提到移动边缘计算？

2013年，IBM联合Nokia Siemens网络共同推出了一款计算平台，可在无线基站内部运行应用程序，向移动用户提供业务。

2014年，欧洲电信标准协会(ETSI)成立移动边缘计算规范工作组，宣布推动移动边缘计算标准化。其基本思想是把云计算平台从移动核心网络内部迁移到移动接入网边缘，实现计算及存储资源的弹性利用。

说到这里，估计诸位还是云里雾里，那么，什么叫移动边缘计算呢？

我们知道，设备直接传输信息需要网络，而移动边缘计算就是利用无线接入网络就近提供电信用户IT所需服务和云端计算功能，而创造出一个具备高性能、低延迟与高带宽的电信级服务环境。说到底，还是一场数据传输时间争夺战，传输时间越短越好。

从运营商的角度来看，网络分为无线接入网、移动核心网以及应用网络三大部分。

其中，无线接入网由基站组成，负责移动终端的接入。

移动核心网由路由器、服务器组成，负责将无线基站连接到外部网络。

应用网络就是各种应用服务器工作的地方，实际上就是服务器、数据中心、PC等。

可以看出，这三种网络完成了我们平时的设备之间数据传输的工作。其中，运营商主要掌握无线接入网和移动核心网两种，应用网络应该掌握在OTT手中。

本来这三种网路结构已经够用了，但随着各种新服务（AR/VR、自动驾驶）的出现，传统网络结构逐渐不堪重负，所以，MEC出现了。

 

图片来源：SDNLAB

MEC背后的逻辑非常简单。将网络业务“下沉”到更接近用户的无线接入网侧，降低数据传输时延，缓解网络堵塞。即离源数据处理、分析和存储越近，数据时延越低。

通过处理、分析和存储在网络边缘生成的数据，运营商和提供商可以提供增强的响应时间和改进的服务，同时还为更先进的概念（如无人驾驶车辆和增强的自动化）奠定基础。

3

自动驾驶为何需要MEC？

要知道，自动驾驶汽车有成百上千个传感器，每驾驶8个小时会产生40TB的数据，这些数据中大多数并不重要，而且把这么大体量的数据传到云端是不切实际的。同时，自动驾驶汽车对于数据传输时延极为敏感，数据传输延迟1ms，都可能导致一场惨剧发生。所以为了降低带宽、保证低时延，MEC便成为了比较适用的网络结构。

在车辆高速度运动过程中，位置信息变化十分迅速。而最末端的移动边缘计算服务器还可以置于车身上，能够精确地实时感知车辆位置的变动，提高通信的可靠性。

移动边缘计算服务器对无人驾驶汽车数据实时进行数据处理和分析，并将分析所得结果以极低延迟（通常是毫秒级）传送给临近区域内其他联网车辆人，以便车辆做出决策。这种方式比其他处理方式更便捷、更自主、更可靠。

此外，MEC还被用于解决自动驾驶汽车数据缓存问题。不久前，韩国庆熙大学计算机科学与工程系的AnselmeNdikumana等人提出了基于深度学习的缓存和MEC中的4C方法来改进自动驾驶汽车中的娱乐服务的解决方案。

他们主要方法概括如下：

为了满足不同乘客在自动驾驶汽车中对不同娱乐内容的需求。首先，采用卷积神经网络（CNN）方法通过面部识别来判断他们的年龄和性别。然后，根据娱乐内容（例如音乐，视频和游戏数据）对于受众年龄以及性别的偏向性，高速缓存对应的娱乐内容。

实现上面的过程，需要MEC和DC（车对数据中心通信）支持自动驾驶汽车。在DC，他们提出了一个MultiLayer感知器（MLP）框架来预测在自动驾驶汽车的特定区域内请求内容的概率。

然后，MLP预测输出部署在紧邻自动驾驶汽车的MEC服务器（RSU）处。在非高峰时段，每个MEC服务器使用MLP输出进行下载，然后缓存具有高请求概率的内容。选择MLP优于其他预测方法，如AutoRegressive（AR）和自回归移动平均（ARMA）模型，MLP有能力处理线性和非线性预测问题。

对于需要缓存的内容，自动驾驶汽车需要从MEC服务器下载MLP输出，然后将其与CNN输出进行比较。为了比较，该方法也结合了k-means和二元分类。

使用MEC中的4C组件进行深度学习，在自动驾驶汽车中制定用于娱乐服务的缓存，以最大限度地减少内容下载延迟。

 目前，由于3G/4G数据传输时延过高达40ms,无法满足自动驾驶10ms的基本需求，所以MEC在3G/4G时代，无法很好的被用于自动驾驶，只有等到5G技术成熟后，MEC才有望走进自动驾驶。

可以预想，在5G时代，MEC可以广泛应用在各个领域，如：交通运输系统、智能驾驶、实时触觉控制、增强现实等领域。

当然，MEC在目前火热的AI领域也将有不错的应用，比如：在图像识别方面，服务器相对于移动终端在处理时间及功耗上有显著优势，处理时间增加100毫秒左右，就能提高10-20%的准确率。这意味着在不改进现有算法的情况下，通过引入MEC技术，就可通过降低服务器与移动终端之间的时延改善识别效果。

4

总结

MEC前景极好，但也给传统的运营模式带来了一定的挑战。

作为一项新兴的技术，MEC不仅是一个网络边缘虚拟化的技术平台，还涉及到整体网络架构、第三方应用部署、移动网络能力开放、管理和编排等多个方面。

所以，未来MEC业务的展开不仅需要华为、中兴通讯、爱立信等通讯设备厂商，也需要英特尔、高通等芯片厂商，以及中国移动、联通、电信等运营商的支持。因此，MEC要实现快速发展，就必须构建完整的生态体系，其商业模式需要各厂商共同开发。