边缘计算的架构、挑战与应用

本文阅读材料来自     [1]李林哲,周佩雷,程鹏,史治国.边缘计算的架构、挑战与应用[J].大数据,2019,5(02):3-16.

       随着物联网、5G技术的快速发展，每天产生的大量数据在网络上流动，这对于当前广泛使用的云计算模型是一个巨大的挑战。同时如今的云计算模型存在着一些难以忽视的不足，例如随着数据的爆发式增长，云计算模型的聚合性服务逐渐显露其在实时性、网络制约、资源开销和隐私保护上的不足。

•  云计算难以保证实时性要求。云计算模型将全部数据上传至云计算中心进行处理，其处理速度受到网络带宽、中心计算能 力 、总计 算任务量等多因素的影响，且请求至响应的链路较长，各个环节的时延累计可能造成无法接受的处理时延。
• 云计算对网络环境过度依赖。尽管我国4 G网络覆盖率已经超过95%，但仍存在海岛、地下室等网络盲区，同时也存在山谷、隧 道 等无法保证网络质量的区域 。由于云计算依赖网络实现数据的传输 ，在这些场景中其难以提供可靠的服务。
• 云计算的资源开销较大。随着数据量的攀升，数据传输带来的网络流量开销也在逐渐升高，同时云计算中心的计算、存储功能带来了极高的能耗，而这些开销 并 不是 完全 必 要 的 。以 野 生 动 物 保 护区中的 监 控 图 像 处 理 为 例 ，大 量 的 监 控图 像中 并 未 包 含 任 何 动 物 ，然 而云 计 算模型仍然会对每一张图片进行传输、处理和存储。
• 云计算难以保证用户隐私。云计算处理的数据可能是包含用户隐私的，例如家庭内的监控摄像头、工厂内的生产数据等，尽管存在用户隐私协议等约束，但服务提供商对数据的实际使用情况是不透明的，例如2017年8月，华为技术有限公司被报道根据用户聊天内容自动加载地址、天气等信息，侵犯了用户隐私。

       为了弥补集中云计算的不足，边缘计算的概念应运而生它是指在靠近物或数据源头的网络边缘侧，融合网络、计算 、存储、应用核心能力的分布式开放平台，就 近 提 供 边 缘 智能服务。由于 传输 链 路 的缩 短 ，边缘计算能够在数据产生侧快捷 、高 效 地响应业务需求，数据的本地处理也可以提升用户隐私保护程度 。另外，边缘计算减小了服务对网络的依 赖 ，在 离 线 状 态 下也 能 够 提 供 基 础 业务服务。云边协同的联合式服务能够充分利用云计算和边缘计算的联合优势，针对不同特征的业务需求进行灵活的部署和响应，图1是云计算模型与云边协同计算模型的对比。据思科云指数估计，2019年人、机、物产生的数据将达到500 ZB，网络带宽将成为云计算的瓶颈，融入边缘计算的云边协同的联合式服务将成为更有效的服务构架 。国际数 据 公司IDC也预 测，到2022年，超过40%的云部署结构将容纳边缘计算能力。

          

        边缘计算最早可以追溯至内容分发网络（content delivery network，CDN）中功能缓存的概念，2015年边缘计算进入快速发展期后，以边缘计算为主题的协会与联盟相继成立，各类定义、标准与规范逐渐形成。旨在推动云操作系统的发展、传播和使用的OpenStack基金会以及由华为技术有限公司、中国科学院沈阳自动化研究所等联合成立的边缘计算产业联盟（Edge Computing Consortium，ECC）等组织对边缘计算进行了定义，尽管这些定义的描述不尽相同，但在边缘计算的核心概念上达成了共识：边缘计算是指在网络边缘执行计算的一种新型计算模型，这里的边缘是指从数据源到云计算中心之间的任意资源，其操作对象包括来自于云服务的下行数据和万物互联服务的上行数据。

        与云计算模型不同的是，边缘计算中终端设备与云计算中心的请求与响应是双向的，如图2所示，终端设备不仅向云计算中心发出请求，同时也能够完成云计算中心下发的计算任务[7]。云计算中心不再是数据生产者和消费者的唯一中继，由于终端设备兼顾了数据生产者和消费者的角色，部分服务可以直接在边缘完成响应，并返回终端设备，云计算中心和边缘分别形成了两个服务响应流。

        边缘计算的核心是在靠近数据源或物的一侧提供计算、存储和应用服务，这似乎与雾计算将计算和分析能力扩展至网络“边缘”的定义非常相近。雾计算也是云计算模型的延伸，但雾计算的核心是将云计算中心的能力下沉至接近物的一侧，具有更平坦的架构，属于通用性较高的基础设施，仍然依赖于网络，多使用本地服务器或路由器实现。从实现架构来讲，雾计算也属于边缘计算的一种，除了在雾计算中部署通用性较高的基础设施以外，边缘计算还可以将终端设备侧的能力进行升级，依赖于不构成网络的终端节点。

                                            

       接下来是边缘计算的架构，主要介绍三种架构：边缘计算通用架构、EdgeX foundry架构和边缘计算参考框架3.0.

1，边缘计算的通用框架

        云边协同的网络框架一般分为三个部分：终端层、边缘计算层和云计算层。

                                         

        如图三所示，各层之间可以进行层间和跨层通讯，各层之间的组成决定了各层的存储和计算能力，也决定了各层的功能。

        终端层由各种物联网设备（如传感器、RFID标签、摄像头、智能手机等）组成，主要完成收集原始数据并上报的功能。在终端层中，只考虑各种物联网设备的感知能力，而不考虑它们的计算能力。终端层的数十亿台物联网设备源源不断地收集各类数据，以事件源的形式作为应用服务的输入。

        边缘计算层是由网络边缘节点构成的，广泛分布在终端设备与计算中心之间，它可以是智能终端设备本身，例如智能手环、智能摄像头等，也可以被部署在网络连接中，例如网关、路由器等。显然，边缘节点的计算和存储资源是差别很大的，并且边缘节点的资源是动态变化的，例如智能手环的可使用资源是随着人的使用情况动态变化的。因此，如何在动态的网络拓扑中对计算任务进行分配和调度是值得研究的问题。边缘计算层通过合理部署和调配网络边缘侧的计算和存储能力，实现基础服务响应。

        在云边计算的联合式服务中，云计算仍然是最强大的数据处理中心，边缘计算层的上报数据将在云计算中心进行永久性存储，边缘计算层无法处理的分析任务和综合全局信息的处理任务也仍然需要在云计算中心完成 。除此之外，云计算中心还可以根据网络资源分布动态调整边缘计算层的部署策略和算法。

        边缘计算的参考框架是众多组织关注的焦点，它将抽象的边缘计算通用框架进行具象，提供了边缘计算框架的实现范式。下面将详细介绍Linux基金会与边缘计算产业联盟提出的两种参考架构。

2，Edge Foundry

        2017年 4月 ，Linux基金会创立了EdgeX Foundry社区，旨在创造一个互操作性强 、即插即用和模块化的物联网边缘计算生态系统，提出了专注于物联网边缘的标准化的微服务框架—— E d g e X  Foundry。该框架最早孵化于戴尔公司的物联网中间件框架中，现已将代码开源，可供开发者快速地根据自己的服务需求进行重构和部 署，其结构如图4所示 。架构的设计遵循了以下原则：架构应是与平台无关的 ，能够与多类别操作系统进行对接 ；架构需具有高灵活性，其 中 的任 意 部 分应 该 都 可以 进 行 升 级、替 换 或扩 充；架 构 需具 有 存 储 和 转发 的 功 能 ，支 持 离 线 运 行，并 保 证 计 算 能 力能 够 靠近边缘。

            

        EdgeX Foundry是微服务的集合，这些微服务分为4个层次：设备服务层、核心服务层、支持服务层、应用及导出服务层。以核心服务层为界，整个服务架 构可以分为“北侧 ”和“南侧 ”。“北侧 ”包含云计算中心和与云计算中心通信的网络，包含支持服务层与应用及导出服务层。其中，支持服务层包含各种微服务，可提供边缘分析能力，并可以为框架本身提供日志记录、调度和规 则引擎等服务；应用及导出服务层则保证了EdgeX Foundry的独立运行，在其 不与云计算中心连接时，仍可以 对边缘 设备的数据进行收集，同时，导出服务层也负责提供网关客户端注册等功能，并对与云计算中心传递的数据格式和规则进行实现。“南侧”包含物理领域中的全部物联网对象以及与它们直接通信的网络边缘 。其中，设备服务层提 供软件开发工具包（software development  kit，SDK），以 实 现 与 设 备 的 连 接 和 通信 ，设 备可以 是 网 关 或 其他 具 有 数 据 汇集能力的设备，同时设备服务层也可以接收来自其他微服务的命令，进而传递到设备。作为中心的核心服务层是实现边缘能力的关键 ，其中“核心数据服务”提供了持久性存储服务和对设备数据的管理服务。“命令服务”负责将云计算中心的需求驱动至设备端，并提供命令的缓存和管理服务。“中继数据服务”为中继数据（又称元数据，是对数据的属性描述）提供管理和存储服务，信息用于为设备和服务提供配对。“注册及配置服务”为其他微服务提供配置信息。 

        EdgeX Foundry还包含了两个贯穿整个框架且为各层提供服务的基础服务层——安全和系统管理。安全服务中的元件为EdgeX Foundry中的各类设备提供保护，支持认证授权计费（authentication、authorization、accounting，AAA）访 问 控 制 、高 级 加 密 标 准（a d v a n c e d  encryption standard，AES）数 据加密 、证 书 认 证 、超 文 本 传 输 安 全 协 议（HTTPS）等保护方法。系统管理工具提供了监控EdgeX Foundry运行情况的能力，在未来可能会提供服务配置、为管理平台提供信息等能力。

        EdgeX Foundry的主要任务是简化和标准化工业物联网边缘 计算，它提供了一个可操作的开源平台，有效降低了边缘计算的准入门槛，小型应用提供商也能够快速地构建和部署边缘计算服务。工业物联网推广组织工业互联网联盟（Industrial  Internet Consortium，IIC）已经与Linux基金会达成合作协议，共同推进工业物联网边缘服务的普及。

3，边缘计算参考框架3.0

        除了Linux基金 会外，边 缘 计算产业联盟也于2018年12月发布了《边缘计算白皮书3.0》，并提出了边缘计算参考框架3.0（以下简称边缘框架3.0）。边缘计算产业联盟认为，边缘计算服务框架需要达成的目标有：对物理世界具有系统和实时的认知能力，在数字世界进行 仿真 和推 理，实现 物 理 世界 与 数 字 世界 的 协 作；基 于 模型化的方法在各产业中建立可复用的知识模 型 体系 ，实 现 跨 行 业 的 生 态 协 作；系 统与系 统 之 间 、服 务与服 务之 间 等 基于 模 型 化 接口进 行 交 互 ，实 现 软 件 接口与 开发 语 言 、工 具 的 解 耦；框 架 应 该 可以 支 撑 部 署 、数 据 处 理和安 全 等服务 的全生命周期。

              

        边缘框架3.0也具有贯通整个框架的基础服务层，其架构如图5所示，其中安全服务与管理服务的功能与EdgeX Foundry类似，数据 全 生 命 周 期 服 务 提 供了 对 数据 从 产 生 、处 理 到 消 费 的 综 合 管 理 。从纵 向 结 构 来 看，最 上侧 的 是 模 型 驱 动 的统 一 服 务 框 架 ，它能 够 实 现 服 务 的 快 速开发 和 部 署 。下 侧 按 照 边 缘 计 算 通 用架构 分为现 场 设备、边 缘 和云3层，边 缘 层又划分为边缘节点和边缘管理器两个层次 。边 缘 节点 的 形 式 、种 类 是 多 种 多 样的 ，为了 解 决 异 构 计 算 与 边 缘 节点 的 强耦 合关 系 ，降 低 物 理 世界带 来 的 结 构 复杂性，边缘节点层中的设备资源被抽象为计算 、网络和 存储3种 资 源 ，使 用应 用程序编程接口（application programming  interface，API）实现通用的能力调用，控制、分析与优化领域功能模块实现了上下层信息 的 传 输 和 本 地资 源 的 规 划 。边缘管理器则使用模型化的描述语言帮助不 同 角 色 使 用 统 一 的 语 言 定 义 业 务，实现智能服务与下层结构交互的标准化。根 据 功 能 ，边 缘 框 架3.0提供了4种开发框 架：实 时 计 算 系 统 、轻 量 计 算 系 统 、智 能 网 关 系 统 和 智 能分布 式 系 统 ，覆盖了从 终端节点到云计算中心 链 路的服务开发。

        上面介绍了云计算的不足、边缘计算的种种优点和主流框架，但这并不意味着边缘计算就是完美无缺的，在实际运用中仍然面临着很多挑战，这些挑战目前已经存在一些解决方案，但仍存在很大的优化空间。从边缘计算的定义和架构上可以看出，边缘”是一个相对云计算中心的概念 ，这意味着边缘计算的网络覆盖面很广，需要多种资源的协同工作，并且需要与云计算架构实现良好的对接。2016年，美国韦恩州立大学的施巍松教授团队提出，边缘计算面临着可编程性、命名、数据抽象、服务管理、隐私及安全和性能指标优化6种挑战，其中，在可编程性、命名、服务管理和隐私及安全问题上，学术界及工业界已经取得了阶
段性的成果。其他的目前状况不明，日后查看相关资料后再补充。

        可编程性：边缘节点组成的计算平台类似于异构平台，边缘节点的计算与存储能力、运行时间、操作系统和支持语言等资源都可能是不同的，这意味着开发者需要根据不同种类边缘设备的资源进行程序开发。边缘计算应该是一个动态、灵活的计算平台，能够根据当前的资源分布动态配置计算任务。显然，与硬件资源高度耦合的传统的开发模式并不适用于边缘计算的场景。为了解决边缘计算的可编程性，需要开发具有高层综合能力的编译工具，使开发者能够使用统一的语言编写程序，由编译平台根据计算任务分配情况自动编译适用于硬件的程序。TVM是一种针对机器学习的跨硬件平台编译器，边缘计算中的机器学习算法主要运行在移动图形处理器（graphics processing unit，GPU）和现场可编程门阵列（field-programmable  gate array，FPGA）两类嵌入式 处 理器中，然而它们使用的编程语言和操作系统架构通常是不同的，且程序部署时需要大量的手动工作。TVM能够实现面向GPU与FPGA的机器学习算法动态移植，已经在几家互联网主流企业内部开源和使用。

        命名：域名系统（domain name system，DNS）等命名机制已经在云计算模型中得到了很好的应用，能够满足当前的大多数网络。但是现有命名机制并不适用于边缘计算，以智能家居中玄关灯随门打开而自 动 开启为 例 ，边 缘 计 算 程 序 根 据 玄关灯的唯一I D控 制它的 开 关 ，如 果 这个设备被 更换，玄关灯的ID将会改变，此时只有更改程序才能实现原有的功能。可见，原有命名机制灵活性较低 ，因而不能适应边缘计算中动态变化的网络拓扑，同时一些边缘节点的资源不足以支撑原有命名机制的开销。命名数据网络（named  data networking，NDN）使用内容名字代替地址，例如在玄关灯的场景中，NDN不再需要 知道玄关灯的地址，只需要将内容名字统一为“控制玄关灯”，网络就可以自动找到控制玄关灯的节点，进行 数 据 传 输。尽管NDN能够适应动态的边 缘 网 络 ，但 它与上层使用地址进行内容分发的网络并不匹配 ，而且存在安全隐 患 。清 华 大 学 与亚 利桑 那大 学 的 学 者在参考文献[24]中提出了一 种 使 用双栈交换机搭建NDN、局域网混合网络的方法，并对双栈交换机的布局进行了优化，在保持基于IP地址的内容分发的同时，提高了网络 的 弹 性 ，能 够 适 应 边 缘 计 算 动态的网络拓扑。

        服务管理：服务管理是边缘计算中的关键技术，2018年IEEE/ACM SEC收录的文章中有20%与这一 话 题 有关 。边 缘 计算中的服务管理应该满足4种特 性：差异化 ，即各类服务应根据其属性分为不同的优先级；可扩展性，即边缘计算中的节点是动态变
化的，服务管理应该能够具有灵活的扩展性；隔离性，即应避免服务之间的耦合，当某个应用程序崩溃时，系统应仍能够保持运行；可靠性，即数据传输、设备自身的可靠性对服务非常重要。除此之外，边缘计算场景中的服务管理还面临着云计算与边缘计算目标不一致的独特问题。参考文献提出了一种基于游戏理论的任务分配框架，利用动态反馈激励机制适应边缘计算的动态网络和解决边缘计算与云计算目标冲突的问题。边缘服务器的布局也对边缘计算的服务管理有非常重要的影响，提出了一种基于资源需求预测的跨区域资源优化模型，首先对计算任务进行拆分和预测，然后根据预测结果使用启发式优化算法求解服务器的布局策略。

        隐私与安全：相比于云计算模型，边缘计算模型可以在网络边缘完成一部分数据处理工作，这避免了用户隐 私 信 息在 云 计 算 中 心 或过长的传输链路上被滥用和被窃取的风 险 ，但 是 边 缘 计 算 中多 类 别 、多 数 量设备的接入也带来了新的隐私及安全问 题。首先 物 联 网汇 集 的 数 据中很有可能包含用户的隐私，例如在智能家居 场 景中，宠 物 监 控 摄 像 头 包 含 房屋 结
构和室内陈设信息。其次，边缘网络的安全 性 往 往 是 没 有保 证 的 ，仍 然以智 能 家居为例，有数据显示，有49%的家庭无线
网 络 是 不 安 全 的 ，攻击 者 可以 轻 易地 破解密码，并窃取信息。即便是部署了安全策 略 的 网络，由于 一 部 分 终 端 设 备 资 源有 限而无 法 部 署 安 全 保 护 方 案 ，仍 然 会造 成网络的不安全。最后，网络边缘的高度动态性也会增加网络的脆弱性。随着用户对隐私与安全的要求越来越严苛，学术界对隐私与安全问题的关注度也越来越高，2017年IEEE/ACM SEC收录安全与隐私主题文章6篇，2018年则多达13篇，可见边缘计算中隐私与安全方向的研究正处于蓬勃发展期。弗吉尼亚大学学者在使用了一种基于二分拓扑威胁模型和交互式对抗深度网络的分类算法实现 隐私保护，提出了“隐私分区”的概念，将资源分为可信分区和不可信分区，并进行隔离。更有针对 性地 ，加利福尼亚大学Brian Demsky教授的程序设计语言研究小组提出了一种应用于智能家居
场景的隐私保护方法——Vigilia，通过限制设备的网络访问增强系统的防御力，Vigilia能在保持很小的资源开销的同时，对网络实现有效的通信限制

        边缘计算的特点是能够实时、高效、节 能 地 响 应 用户需 求 ，相 比于 云 计 算 模型，能够更好地保护用户隐私。边缘计算
的应用场景与它的优势息息相关，下面将以预测性维护、智能摄像头为例，对边缘计算在制造业和安防监控领域的应用进行介绍。

 1，预测性维护

        可靠、高效的维护方案对于制造商来说至关重要，因为设备故障带来的被动停机可能对生产效率和安全造成极大的影响。预测性维护（predictive maintenance）是工业4.0提出的关键创新点之一，它基于对系统连续的测量和分析，对设备运行状态进行预测和优化维护。

        当前绝大多数制造商使用预防性维护的方案提高生产线的稳定性，预防性维护通常是以时间为基准进行维护的，通过定期检修，降低一段时间内的设备故障或停机的概率。预防性维修能够降低生产线的总停机时间和设备衰退引起的故障数量，并且具有实施方便、可操作性强的优势。但由于检修时间是根据经验确定的，可能会出现维修不足或过剩的情况。随着物联网、大数据等技术的成熟，预测性维护通过分析设备的实时监测数据，预测设备可能出现的故障，并对故障的原因和解决方案提出建议，使维护更加智能。预测性维护的关键是提前排查故障隐患并解决，这能够降低维护总成本、故障率和总停机时间，提 高了设备 的 可 靠 性 。然而，由于终端数量多 、种 类 繁 杂 ，预 测 性 维 护 的 实际应用面临着处理海量终端的连接和管理、保证分析的实时性和保护工业数据隐私的问题。

        美国Efficient Plant杂 志认 为，边缘计算的出现对预测性维护方案的实现具 有 重 要 意 义 ，边 缘 节点强大的感知能力和与设备的近距离能够满足预测性维护 的 实 时 性 和 隐 私保 护 需 求 。施 耐 德电气有限公司的分析应用构架工程师Matt  Boujonnier指出，机器学习算法通常只能在云计算中心运行，但在物联网应用中，人们希望算法可以运行在任何有需要的地方。施耐德电气有限公司与微软Azure公司共同开发的Realift Rod Pump控制器已经在网络边缘实现了设备的运行状态实时分析和预测，目前已经在油田行业中进 行 试 点 应 用 。华为 技 术有 限 公司也指 出 ，基 于 边 缘 计 算 的 物 联 网（ 如 ECIoT、Edge Computing-IoT）可以有效地 构 建 预 测 性 维 护 方 案 ，并已 经 推 出了设计和部署预测性维护解决方案的服务。华为 技 术 有 限 公 司 使 用智 能 网 关 提供 智 能 服 务，对 维 护 对 象 的 关 键 指 标 进行实时监测和分析，预测维护对象可能出现的故障，并进行 信息上报 。云计算中心则根据多个对象的综合信息进行全面的状 态 评估 ，并 可以不 断 迭 代 和 优 化 边 缘节点运行的预测算法，实现动态部署。这种维护方案综合利用了边缘节点与云计算中心的优势，能够满足预测性维护对实时性和隐私保护的要求，同时保证故障预测的准确率。

2，安防监控

        视觉是人类认识世界、获取信息的重要途径之一，我国公安机关部署的“天网”监控系统通过在公共区域部署的大量摄像头维持稳定、安全的社会秩序，许多家庭也主动使用家用摄像头、宠物监视器等保障房屋、家庭成员的安全。最初人们只能用人工的方式处理图像信息，然而这种方式往往具有很长的时延和波动的准确率。随着人工智能技术的不断发展，图像数据计算机已经具有非常强大的学习和处理能力，然而传统的云计算模型难以支持图像处理在部分场景的应用，以铁路轨道异物检 测为例进行更详细的阐述。首先，由于铁轨铺设在室外且包含隧道、山地等网络质量无法保证的区域，使用云计算模型很可能出现图像丢失或质量损失严重的情况。其次，铁轨异物检测对实时性要求很高，必须及时发 现危险并做出报警，云计算处理链路较长，加之没有网络带宽的保证，很可能无法保证检测和报警的实时性。同时，铁轨监控图像具有一定的保密性，一旦上传至云端就存在着被窃取和被篡改的风险，为不法分子所用。最后，我国铁路长度达12.1万千米，如果全部的监控图像数据均上传至云服务器进行分析，势必要求云服务器具有极其强大的处理和计算能力。显 然，在实时 性要求高、网络质 量 无 法 保 证 且 涉及 隐 私 的 场 景中，基于边缘计算的图像处理能够更好地提供服务。

        杭州海康威视数字技术股份有限公司（以下简称海康威视）是以视频为核心的物联网解决方案提供商，在安防监控领域
深耕多年。2017年10月，海康威视首次公开发布了AI Cloud的云边协同体系架构，该 架 构由云 计 算中 心 、边 缘 域 和 边 缘 节
3个 部分组 成，将AI推理能力赋能边缘，从而实现快 速、高效的感知，云计算中心则聚焦于全局性的认知和分析。“深眸”双目行为分析摄像机是海康威视的代表性边缘智能产品，内置高性能GPU和人工智能算法，在离线状态下也能够对穿越警戒线、徘徊、奔跑、离岗等9项行为进行分析和检测，可以应用于银行金库、警卫室、医院等场景。学术界也对边缘计算在安防监控领域的应用持乐观态度，2016年密苏里大学学者在参考文献[32]中提出了一种基于雾计算的城市交通超速监控系统，系统架构由监控应用层、雾计算层和云计算层构成，其中雾计算层包括摄像头、智能平板电脑和智能手机等设备，雾节点可以对可疑目标进行跟踪，并实时计算行驶速度，处理结果将被发送至云计算中心，这种模式可以大量减少网络流量，并提升系统的实时性。由于边缘智能设备的资源通常是有限的，而基于深度学习的人工智能算法往往需要大量的计算和存储资源才能够运行，因此算法的轻量化也是边缘计算应用于安防监控领域的研究热点之一。2016年DeepScale公司提出了一种轻量级的目标检测神经网络——SqueezeNet，经过压缩后，网络体积低至0.5 MB，然而这种算法无法满足检测的实时性。2018年宾汉姆顿大学学者使用了一种轻量级实时检测和跟踪算法，实现了公共区域的行人识别、跟踪和异常行为检测。其中使用的Kerman算法于2018年6月被提出，它使用一种基于决策树的混合滤波器构造了用于人体目标跟踪的轻量级卷积神经网络。