Edge Intelligence: The Confluence of Edge Computing and Artificial Intelligence

• 摘要
  • 在本文中，我们将Edge Intelligence分为AI for edge（Intelligence-enabled Edge Computing）和AI on edge（边缘人工智能）。
    • AI for edge 前者侧重于借助流行且有效的人工智能技术为边缘计算中的关键问题提供更优的解决方案，
    • AI on edge 后者则研究如何在边缘进行构建人工智能模型的全过程，即模型训练和推理。
• 引言
  • 本文将机器学习在无线边缘的应用分为三个部分：MAC 层的资源管理、网络层的组网 和 移动性管理以及应用层 的定位。
  • 目前，还没有正式的、国际公认的边缘智能定义。为了解决这个问题，一些研究者提出了他们的定义。例如，Zhou 等人我认为，边缘智能的范围不应仅限于在边缘服务器或设备上运行人工智能模型，而是在边缘和云的协作中 [7]（又是自己看过的论文）。他们定义了六个级别的边缘智能，从云边缘协同推理（级别 1）到所有设备（级别 6）。张等人将边缘智能定义为使边缘能够执行 AI 算法的能力 [8]。在表 I 中，我们总结了关于边缘智能的相关调查论文。
  • 1）AI for Edge 是一个研究方向，致力于借助有效的 AI 技术，为边缘计算中的约束优化问题提供更好的解决方案。在这里，AI 被用来赋予 Edge 更多的智能和最优性。因此，可以将其理解为智能边缘计算（IEC）。
  • 2）AI on Edge 研究如何在 Edge 上运行 AI 模型。它是一种设备-边缘-云协同运行人工智能模型训练和推理的框架，旨在从海量、分布式的边缘数据中提取满足算法性能、成本、隐私、可靠性、效率等要求的洞察。因此，它可以被解释为边缘人工智能（AIE）。
• 人工智能和边缘计算的联系
  • 边缘计算面临不同层次的资源分配问题，如 CPU 周期频率、访问权限、射频、带宽等。因此，需要各种强大的优化工具来提高系统效率。人工智能技术有能力处理这项任务。（我的理解主要还是AI for Edge 比较多）
    • 从本质上讲，人工智能模型从真实场景中提取无约束优化问题，然后使用随机梯度下降（SGD）方法迭代寻找渐近最优解。无论是统计学习方法还是深度学习方法，都可以为边缘提供帮助和建议。此外，强化学习，包括多臂 Bandit 理论、多智能体学习和深度 Q 网络（DQN），在边缘资源分配问题中发挥着越来越重要的作用。
  • 边缘计算为人工智能提供场景和平台。
• 彻底去中心化：如图 3 所示，彻底去中心化试图移除中央聚合器以避免任何可能的泄漏。尽管联邦学习不需要消费者的私人数据，但模型更新仍然包含私人信息，因为仍然需要协调训练的服务器的某种信任。为了完全避免隐私泄露，区块链技术和博弈论方法可以帮助实现完全去中心化。通过利用区块链，尤其是智能合约，不再需要用于模型聚合的中央服务器。因此，可以避免模型聚合引发的崩溃。此外，可以保护用户隐私。我们相信基于区块链的联邦学习将成为未来几年的热门领域和繁荣方向。存在将其付诸实践的作品。在 [65] 中，提出的基于区块链的联邦学习架构 BlockFL 将边缘节点作为矿工。矿工交换并验证每个设备贡献的所有本地模型更新，然后运行工作量证明 (PoW)。最先完成 PoW 的矿工生成一个新区块，并从区块链网络中获得挖矿奖励。最后，每个设备从最新的块更新其本地模型。在本文中，区块链与联邦学习有效结合，构建可信赖的边缘学习环境。
• 65 Hyesung Kim et al. “On-Device Federated Learning via Blockchain and its Latency Analysis..” (2018).