边缘计算梗概

---

前言

此篇文章主要是记录阅读边缘计算相关文献的知识点以及一些个人理解。

一、边缘计算概要

  万物互联时代的到来使得网络边缘设备产生的数据量快速增加，需要有更高的数据传输带宽，同时对于数据处理的实时性也提出了较高的要求，传统云计算无法满足。

---

1.1 何为网络边缘设备（Edge Device）

  网络边缘设备是指向企业或服务提供商核心网络提供入口点的设备。例如：路由器、路由交换机、集成接入设备（IAD）、多路复用器，以及各种城域网（MAN）和广域网（WAN）接入设备。边缘设备也提供到运营商和服务提供商网络的连通性。

补充：边缘设备是提供经身份验证的接入（通常以PPPoA或PPPoE）的更快、更有效的骨干和核心网络路由器。目前趋势是边缘设备智能化、核心设备“笨而快速”，因此边缘路由器通常包括服务质量（QoS）和多业务功能来管理不同类型的流量。因而，核心网络通常为设计有如开放式最短路径优先（OSPF）、多协议标签交换（MPLS）等路由协议的交换机，以实现可靠性和可扩展性，允许边缘路由器具有到核心网络的冗余链路。核心网络之间的链路则不同，例如边界网关协议（BGP）路由器经常用于对等交换。

---

1.2 边缘计算的基本理念

  将计算任务在接近数据源的计算资源上运行以减少数据传输带宽，计算系统的延迟以及缓解云计算中心的压力，同时能够保护数据的安全和隐私。

---

1.3 边缘计算的发展历程

边缘计算的发展历程，将其归纳为技术储备期、快速增长期和稳健发展期３个阶段。

值得注意单个边缘节点计算和存储资源有限且安全性低于云计算中心，如何实现边缘节点之间的安全、高性能协作和智能管理是目前亟待探索和研究的问题

---

二、具体内容

2.1 时代背景

  近年来，随着以移动设备的增多，用户对于数据传输速率和服务质量的需求也在日益增长。由于计算密集型的应用程序（虚拟现实，增强现实，人脸识别等）的增多，同时高计算能力需求下的高能耗激发了移动云计算（MCC）的发展。用户通过访问运营商的核心网（core network，CN）来使用云中心（cloud center，CC）上的计算能力和存储资源。云计算优点：1.将高耗能应用迁移到云中心执行，以延长移动设备的电池寿命。2.支持在移动设备上使用计算密集型的应用。3.为移动设备提供更强的数据存储能力。

  然而随着万物互联时代的快速到来和无线网络的普及，网络边缘的设备数量和产生的数据都快速增长．而物联网（IoT）产生数据的45％都将在网络边缘处理。在这种情形下，以云计算模型为核心的集中式处理模式将无法高效处理边缘设备产生的数据，且延时会较高。为了解决以上的问题，面向边缘设备所产生海量数据计算的边缘计算模型应运而生。

简单归纳原因，主要为以下三点：

• 云计算无法满足数据量暴增

• 计算资源和带宽以及能耗的限制

• 数据的隐私安全性。

---

2.2 传统集中式处理模型

  集中式处理模型将所有数据通过网络传输到云计算中心，利用云计算中心超强的计算能力来集中式解决计算和存储问题，这使得云服务能够创造出较高的经济效益.

---

2.3 边缘计算模型

边缘计算模型：面向边缘设备所产生海量数据计算。（分布式与集中式相结合）（在网络边缘执行计算的一种新型计算模型）（双向计算流）

操作对象：边缘计算操作的对象包括来自于云服务的下行数据和来自于万物互联服务的上行数据

边缘：指从数据源到云计算中心路径之间的任意计算和网络资源（如智能手机、网关、微型数据中心）

边缘设备：具有执行计算和数据分析的处理能力。

体系架构

• 终端层
• 边缘层
• 云层

终端层：接近终端用户的层，主要有各种物联网的设备组成。（智能手机，传感器，读卡器，智能车辆）通过蜂窝网络将收集到的原始数据上传至上层。

边缘层：位于网络边缘，由大量的边缘节点组成。（路由器，网关，交换机等），存储与计算终端上传的数据。与上层通过因特网连接。

云层：由大量高性能的服务器和存储设备组成。可执行较复杂的计算任务。云模块可以有效地管理和调度边缘节点和云计算中心。

补充：蜂窝网络又称移动网络，分为模拟蜂窝网络和数字蜂窝网络。
   蜂窝网络的组成：移动站、基站子系统、网络子系统
   移动站：网络终端设备（手机等）
   基站子系统：移动基站，无线收发设备等

边缘计算模型的优势：

• 1.低时延
• 2.低能耗
• 3.隐私性安全性

---

2.4 二者关系

  云计算模型与边缘计算模型相辅相成，边缘计算需要云计算中心强大的计算能力和存储能力。云计算中心也需要边缘计算中边缘设备对于海量数据和隐私数据的处理。

技术方面	MCC	边缘计算
部署方式	集中式	分布式与集中式
到移动终端距离	远	近
时延	高	低
计算能力	强	有限
存储能力	强	有限

---

2.5 二者优缺点

传统云计算的不足之处：

• 1.实时性不够
• 2.带宽不够：边缘设备实时产生大量数据，将全部数据传输至云端造成了网络带宽的很大压力
• 3.能耗较大：数据中心消耗了极多的能源，随着用户应用程序越来越多，处理的数据量越 来越大，能耗将会成为限制云计算中心发展的瓶颈
• 4.不利于数据安全和隐私，数据传输到云端会增加用户隐私泄露的风险。

边缘计算模型优点：

• 1.实时处理数据和分析，低流量。在网络边缘处理大量数据，不用全部上传云端，减轻云计算中心的压力和网络带宽
• 2.靠近数据源处做数据处理，不用请求云计算中心，减少了计算延迟，增强了服务响应能力。
• 3.用户隐私数据不再上传，提高了数据的安全性，更好保障用户的隐私。
• 4.可扩展性，允许通过物联网设备和边缘数据中心的组合来进行扩展
• 5.位置感知，可发现接入网络内的边缘设备实时位置信息

---

三、边缘计算发展历程

2015年以前，边缘计算处于原始技术积累阶段；
2015-2017年，边缘计算开始被业内熟知，得到了飞速发展；
2018年边缘计算开始稳健发展。

---

3.1 技术储备期

  在此阶段，边缘计算历经“蛰伏—提出—定义— 推广”等发展过程。
  最早于1998年由阿卡迈公司提出内容分发网络（CDN）。它是一种基于互联网的缓存网络，在各地部署缓存服务器，利用中心平台的负载均衡、内容分发、调度等功能，使用户访问距离最近的缓存服务器，一次降低网络的拥挤，来提高用户的访问速度。它强调数据的备份预缓存。

补充： 何为缓存服务器？
缓存服务器就是存放频繁访问内容的服务器 Web缓存服务器的应用模式主要是正向代理和反向代理。
正向代理：代理用户访问internet，即将本来发送给源服务上的请求直接发送给代理服务器处理。
目的：加速用户使用浏览器访问internet的请求响应时间，提高线路的利用率。
它不需要和站点建立联系，只要访问到web缓存即可。通过正向代理，提高了后续用户的访问速度，只需从本地缓存即可获取所需要的信息，减少了重复请求。
反向代理：方向代理主要针对web服务器加速功能。用户访问web服务器时，首先通过缓存服务器，将其对应的请求和内容放入缓存服务器中，为后续的访问提供更快的响应。
缓存方式：直接缓存，反向缓存。
直接缓存：将用户频繁访问的来自internet服务器的web对象拷贝到本地网络中
反向缓存：企业内部服务器的web对象拷贝保存在代理服务器上以提高外界的访问速度。
相关协议（WCCP、ICP、CARP等）

---

3.1.1 Cloudlet

  2009年Satyanarayanan提出Cloudlet。Cloudlet是一个可行的且资源丰富的主机，部署在网络边缘，可与互联网连接，为移动设备提供服务。此时的边缘计算强调下行，即将云服务器的功能下行至边缘服务器，以减少带宽和时延。
  Cloudlet由移动设备、边缘云平台和集中式数据中心组成的。通过将有强大计算能力的服务器放置在网络的关键位置来为周边的移动设备提供计算资源和存储资源。

补充：计算热点——由cloudlet来为用户提供轻量级的云计算服务。
但cloudlet不是移动网络的固有部分所以无法保证服务质量。

---

3.1.2 移动边缘计算

移动边缘计算（mobile edge computing，MEC）：

在接近移动用户的无线接入网范围内来提供相应的信息技术服务和云计算能力的网络结构。（标准化、规范化）（将边缘计算范例集成到移动网络架构中，实现云计算功能与移动网络的高效集成）

由于移动边缘计算接近移动用户，故而可以降低时延，提高用户体验。

移动边缘计算强调在云计算中心与边缘设备之间建立边缘服务器，在边缘服务器上完成终端数据的计算。
移动边缘计算中，边缘云服务器被部署在每个基站或者基站附近，网络运营商负责转发和过滤数据分组。

补充：实际上的移动边缘终端不具备计算能力，而边缘计算模型中的终端被认为具有较强的计算能力，因 此移动边缘计算类似一种边缘计算服务器的架构和层次。
移动边缘计算还具备屏蔽云中断的优势。

---

3.1.3 雾计算

雾计算（fog computing）：迁移云计算中心任务到网络边缘设备执行的一种高度虚拟化计算平台。

雾计算通过减少云计算中心和移动用户间的通信次数来换件网络链路的带框负载和能耗。

特点：

• 1.低时间延迟和位置感知
• 2.地理位置分布广泛
• 3.大量网络节点互连
• 4.支持流数据传输和实时应用。如智能电网、智能交通、无线传感器网络等。

雾计算的架构：

• 1.云层
• 2.雾层
• 3.设备层

其中雾层中的雾节点可谓小型基站、WiFi接入点、用户终端。（雾层可按实际需求拓展为多个层） （QoS——服务质量，QoE——体验质量）

两者区别

雾计算：关注基础设施之间的分布式资源共享问题。同时由于雾计算的计算能力没有集成到移动网络架构中，故而当用户在多个区域内移动时，服务质量和用户体验难以得到保证。
移动边缘计算：除了关注基础设施也关注边缘设备，包括计算、网络和存储资源的管理，以及边端、边边和边云之间的合作。

---

3.1.4 海云计算

海云计算（cloud-sea computing）：

通过云计算系统和海计算系统的协同与集成，来增强传统的云计算能力。 海：指由人类本身、物理世界的设备和子系统组成的终端。

海云计算与移动边缘计算差别：
海云计算关注海与云两端，而边缘计算关注从海到云数据路径间的相关计算、存储和网络资源。

---

3.1.5 协同边缘计算

协同边缘计算使用边缘设备和路由器的网状网络来实现分布式决策。决策通过边缘设备之间共享数据和计算来完成

协同边缘计算与边缘计算差别

协同边缘计算允许多个服务提供商合作和共享数据。节点设备为基站的服务器，同时节点位置也位于基站。
边缘计算节点设备为网关，路由器等，节点位置为从终端设备到云之间。

---

3.2 快速增长期

2016年5月，美国韦恩州立大学施 巍松教授团队给出了边缘计算的一个正式定义：边缘计算是指在网络边缘执行计算的一种新型计算模型，边缘计算操作的对象包括来自于云服务的下行数据和来自于万物互联服务的上行数据，而边缘计算的边缘是指从数据源到云计算中心路径之间的任意计算和网络资 源，是一个连续统。此时工业界也开始积极参与进来。

---

3.3 稳健发展期

2018年1月首部边缘计算专业书籍《边缘计算》出版。
2018年9月在上海召开了世界人工智能大会，以“边缘计算，智能未来”为主题举办了边缘智能主题论坛。
2018年10月CNCF基金会和Eclipse基金会展开合作，将把超大规模云计算环境中已被普遍使用的Kubernetes带入到物联网边缘计算场景中。

补充：
何为kubernetes：
Kebernetes用于管理云平台中多个主机上的容器化的应用。在Kubernetes中，我们可以创建多个容器，每个容器里面运行一个应用实例，然后通过内置的负载均衡策略，实现对这一组应用实例的管理、发现、访问，而这些细节都不需要运维人员去进行复杂的手工配置和处理。

---

四、边缘计算的典型应用

4.1 公共安全中实时数据处理（视频分析）

随着智慧城市与平安城市的建设，大量传感器被安装到城市的各个角落，提升公共安全。边缘计算作为近数据源计算可以大量降低数据带宽，用来处理公共安全领域的视频数据处理问题。

补充：
相关论文延伸：

1. VU：Video usefulness and its application in large-scale video surveillance systems :An early experience
2. Distributed collaborative execution on the edges and its application to AMBER Alerts
3. SafeShareRide:Edge-based attack detection in ridesharing services
4. Edge computing enabled smart firefighting:Opportunities and challenges

---

4.2 智能网联车和自动驾驶（车辆互联）

随着深度学习，传感器等技术的的发展，汽车逐渐变为一个智能的、互联的计算系统，我们称其为智能网联车（CAVs）。

自动驾驶计算场景评测数据集：KITTI
自动驾驶计算视觉算法

1. An open-source slam system for monocular,stereo,and RGB-D cameras
2. SSD:single shot_multibox detector
3. Learning to track:online muti-object tracking by decision making

3类智能网联车应用中的典型计算场景，分别是实时诊断、车载娱乐和第三方应用.前2个计算场景 目前主要被工业界所关注，而学术界有很多在车载第三方应用中使用边缘计算技术的 研 究 工 作，例如利用车上设备实时检测异常驾驶行为,根据司机行为判断司机身份的PreDriveID，通过分析车辆行驶行为数据车内音频数据和手机摄像头数据保证出租车内司机和乘客安全的SafeShareRide等。

相关论文延伸：

1.A survey on driver behavior detection techniques for intelligent transportation systems
2.PredriveID:Pre-trip driver identification from in-vehicle data
3.Edge-based attack detection in ridesharing services

---

4.3 虚拟现实

虚拟现实（VR），增强现实（AR）。
当VR/AR的计算任务卸载到边缘服务器或移动设备时，可以降低平均处理时延。

（MUVR是一个在边缘服务器上支持多用户VR程序的处理框架，其将VR图像渲染卸载到边缘服务器，并尝试重用用户之前的VR图像帧，以降低边缘服务器的计算和通信负担．Furion是一个移动端ＶＲ框架，其将VR负载分为前景交互和背景环境2种，前景交互依然在云端处理，而背景环境渲染卸载到移动端处理，由此实现移动设备上的高质量的 VR应用．Ha等人设计了一个基于VR与边缘计算的可穿戴认知助手，GoolgleClass用于数据收集和接受及显示VR图像；图片渲染、人脸识别等计算任务在 Cloudlet（边缘节点）中执行，有效地解决了可穿戴设备电池容量以及处理能力有限的问题。）

相关论文延伸：116,117,118

1. MUVR：Supporting multi-user mobile virtual reality with resource constrained edge cloud
2. Furion:Engineering high-quality immersive virtual reality on today’s mobile devices
3. Towards wearable cognitive assistance

---

4.4 工业物联网

工业互联网是机器、计算机和人员使用业务转型所取得的先进的数据分析成果来实现智能化的工业操作。
边缘计算应用于工业物联网的优势：

• 改善性能
• 保证数据安全
• 减少操作成本（云中心计算，存储成本）

---

4.5 智能家居

边缘计算可以解决智能家居设备异构性以及数据的安全性问题。（本地处理数据以释放互联网带宽负担）

相关论文延伸：
1.A home operating system for internet of everything
2.PowerAnalyzer: An energy-aware power monitor system aiming at energy-saving
3 A non-intrusive household appliance state recognition system

---

4.6 智慧城市

智慧城市是利用先进的信息技术，实现城市智慧式的管理和运行。由于智慧城市中数据的多样性，异构性和数据的安全性问题，以及数据的海量，不可能采取集中式云数据计算中心来解决，应用边缘计算模型可以很好地解决。

补充：1.大数据量2.低延迟 3.位置感知（边缘计算中的位置感知优于云计算）
相关论文延伸：

1. edge Computing

---

4.7 医疗保健

边缘计算可以辅助医疗保健。如采用边缘技术来进行实时感应运动检测。可协助健康顾问做出相应决策。（智能手机等边缘设备收集患者的生理信息，发送至云服务进行计算存储。）

相关论文延伸：
1.A Fog Computing Assisted Distributed Analytics System to Monitor Fall for Stroke Mitigation

---

4.8 移动大数据分析

无处不在的移动终端设备可以搜集大量数据来为业务进行相应的分析。边缘计算则可以缓解核心网络的压力，通过边缘设备来进行数据的预处理和初步分析。

---

4.9 智能建筑

可以利用边缘计算来控制建筑的温度，气体水平，湿度等。

---

4.10 海洋监测控制

利用边缘计算来对海洋中的传感器中的数据进行就近处理。可以预防海洋灾难。

---

4.11 网页动态优化

传统的网页优化为了满足客户的期望，一般在Web站点上执行，并参考存储在数据库中的用户Web浏览历史。在移动边缘计算中，网页优化器可以托管在边缘服务器上，这样网页内容优化器能够动态地获取准确的位置和运行信息（网络负载、网络状态等），并根据获取的信息进行内容优化。

---

4.12 智能移动设备计算迁移

对于可穿戴的物联网设备，可以将复杂的计算密集型应用（AR等）通过将任务迁移至边缘服务器上来进行优化。

---

4.13 云卸载

边缘计算提供了从云中卸载部分工作负载的机会。（如用户的购物车，将相关操作缓存在边缘节点，同时保证边缘节点的数据与云端同步，如导航应用将服务器部署到局部区域，如边缘节点的数据过滤，如实时应用

---

4.14 协同工作

通过边缘设备来提供公共服务，但相关计算发生在参与者的设备中能较好的确保数据的隐私和完整性。

如互联医疗，患者流向医院，患者的电子病历（EMR）将被更新。医院汇总并分享此次流感爆发的平均费用、症状、人群等信息，理论上患者会按照处方从药房取药。一种可能性是患者没有接受治疗。那么医院就不得不承担再住院的责任，因为它无法得到病人没有服用药丸的证明。现在，通过协作边缘，药房可以向医院提供患者的购买记录，这极大地促进了医疗保健问责制。同时，药房利用医院提供的协同边缘服务检索流感爆发人群。一个明显的好处是药店有足够的库存来获得更多的利润。

---

五、边缘计算面临的问题和支持技术

5.1 编程模型

编程模型可以使得开发者快速开发相关应用程序。在云计算场景中，用户程序在目标平台编写，然后运行到云服务骑上。然而边缘计算模型有着较大区别。他是一种分布式的计算系统，由弹性管理，协同执行和环境异构（节点的计算时间不同）等特点。

边缘计算模型主要包括：1应用程序/服务功能可分隔. 一个任务可以分成若干个子任务并且任务功能可以 迁移到不同的边缘设备去执行
2.数据可分布
3.资源可分布
由于边缘模型大多异构，环境不同，数据不同，且资源受限，故而需要开发新的编程模型。

解决方案：1.计算流：沿数据传播路径应用于数据的一系列函数/计算。（只要定义了在哪里计算，就可以发生在路径任何节点。还需解决同步问题）

相关语言：EveryLite
相关文献：
1.A lightweight scripting language for micro tasks in IoT systems

---

5.2 软硬件选型

由于边缘计算由碎片化和异构化的特点。不同的软硬件有着各自的擅长场景。因此，设计并实现一套能够帮助用户对边缘计算平台进行性能、功耗分析并提供软硬件选型参考的工具十分重要。

---

5.3 基准程序和标准

传统的计算场景都有经典基准测试集（Benchmark），例如并 行计算场景中的 PARSEC、高性能计算场景中的HPCC、大数据计算场景中的BigDataBench。
如何对于针对不同边缘计算场景的系统平台进行全面公平的评测是个问题。
目前：SD-BVS和MEVBench针对移动段设备基于机器视觉负载的基准测试集。
SLAMbench针对移动端机器计算系统的基准测试集。
CAVBench针对智能网联车的基准测试集。

相关文献：

1. SD-VBS:The San Diego vision benchmark suite
2. MEVBench：A mobile computer vision benchmarking suite
3. Introducing SLAMBench，a performance and accuracy benchmarking methodology for SLAM
4. CAVBench:A benchmark suite for connected and autonomous vehicles

---

5.4 动态调度

在云计算场景下，任务调度的一般策略是将计算密集型任务迁移到资源充足的计算节点上执行。但在边缘计算场景下，数据的海量，不同设备的不同计算能力要求边缘计算系统进行动态调配。（任务类型和设备计算能力）
调度层次：1.云计算中心与边缘设备 2.边缘设备之间
云计算中心与边缘设备：1自上而下 2.自下而上

自下而上是在网络边缘处 将边缘设备采集或者产生的数据进行部分或者全部 的预处理，过滤无用数据，以此降低传输带宽；自上而下是指将云计算中心所执行的复杂计算任务进行 分割，然后分配给边缘设备执行，以此充分利用边缘设备的计算资源，减少整个计算系统的延迟和能耗．

针对不同指标优化的调度策略（时延，能耗，带宽，成本）
调度器：Neurosurgeon ：依据深度神经网络的计算任务在移动设备与数据中心进行自动分配。
边缘任务调度框架CoGTA：用于边缘任务间的调度。（针对延迟敏感性的社会感知任务）

动态调度的目标是为应用程序调度 边缘设备上的计算资源，以实现数据传输开销最小 化和应用程序执行性能的最大化．设计调度程序时 应该考虑：任务是否可拆分可调度、调度应该采取什 么策略、哪些任务需要调度等．动态调度需要在边缘设备能耗、计算延时、传输数据量、带宽等指标之间 寻找最优平衡．根据目前的工作，如何设计和实现一 种有效降低边缘设备任务执行延迟的动态调度策略 是一个急需解决的问题．

相关文献：

1. Neurosurgeon:Collaborative intelligence between the cloud and mobile edge
2. Cooperative-competitive task allocation in edge computing for delay-sensitive social sensing

---

5.5 和垂直行业紧密合作

区别于传统的云计算，边缘计算跟贴近数据生产者，设计实现边缘计算系统需要大量专业知识。
相关问题：
1.减少与行业标准间的隔阂
2.完善数据保护和访问机制

在实现数据隐私保护的前提下设计易用的数据访问和共享机制，数据的多样与存放地点导致数据的不易共享和访问

3.提高互操作性,不同设备厂商之间需要制定相关的标准和通用的协作协议以解决异构设备和系统间的互操作性

EdgeBox方案，既可以就是计算通信又可以作为数据中心和摄像头的中间件，完成数据预处理

相关文献：

1. EdgeBox:Live edge video analytics for near real-time event detection

---

5.6 边缘节点落地问题

如何选择相应的商业模式，如何选择边缘节点和边缘计算数据，如何保证可靠性，灵活扩展性，服务的优先性识别等。（在不可靠的情况下如何提供可靠的服务），隔离（私人数据与第三方应用的隔离）
目前连通提出建设边缘云。

---

5.7 边缘计算命名的规范化和标准化

DNS和统一资源标识符能够满足当前大多数网络，但不够灵活，无法满足比边缘网络的动态性。
解决方案：
1.命名数据网络NDN（以内容/数据提供分层名称，可扩展性较好，需要额外代理以适应不同协议。，安全性问题）
2.MobilityFirst（将名称与网络地址分开，高度的灵活，但需要全局唯一标识符（guid）)

---

5.8 数据抽象

为了计算资源的利用率考虑，减少人为参与，让边缘节点消费处理数据并与用户主动交互。
但如何设置相应的数据格式仍旧是个问题包括如何提取有用信息，数据的异构，多样性。

---

5.9 网络

边缘计算将计算推之靠近数据源位置，甚至将整个计算部署与从数据源到云计算中心的传输路径上的节点，这样的部署对现有的网络结构提出了三个新要求。
1、 服务发现，由于边缘计算中计算服务请求者的动态性，使得如何让计算服务请求者发现周边的服务成为一个问题。传统的DNS服务发现机制主要应对与服务静态或者服务地址变化较慢的场景。同时dns对于域名的同步需要一定的时间，在此期间会造成网络抖动。不适合边缘计算场景。

何为服务发现： 在真正发起服务调用前，调用方需要从注册中心拿到相应服务可用的IP和端口列表，即服务发现。
DNS协议是目前最为通用的协议之一，几乎所有操作系统都会有DNS客户端实现。所以，其天然具有跨语言特性。这也是快速接入微服务体系最快的一个方式。要基于DNS做服务发现，首先注册中心的数据应该可以以DNS的数据格式暴露出来，让任何系统的DNS
客户端都可以通过DNS协议获取服务列表。

基于DNS服务发现方式大致归为两类：
1.独立DNS服务器，DNS服务器从注册中心获取所有已注册的服务及对应的IP端口列表。调用方Service A 通过DNS查询某个服务下的IP列表，然后发起调用。
2.DNSFilter：将DNS服务器集成到服务调用方机器或者容器里。这种模式中，首先要保证Service的DNS查询都被拦截到本机的DNS服务器上（127.0.0.1:53），在获取到服务的IP列表后发起调用。

2.快速配置：由于用户和计算设备的动态增加，会造成大量的突发网络流量，受制于广域网的带宽限制，如何从设备层支持服务的快速配置是一个核心问题。

3.负载均衡，边缘设备产生大量的数据，同时边缘服务器提供大量的服务，如何根据边缘服务器以及网络状态来对数据进行合理的调度将是边缘计算中的核心问题。

相应的一种最简单的解决方法是在所有的中间节点上均部署所有的计算服务，但会造成大量的冗余。

补充：
命名数据网络（NDN）是一种将数据和服务进行命名和寻址，以P2P和中心化方式相结合进行自组织的一种数据网络。因此，将NDN引入边缘计算中，通过其建立计算服务的命名并关联数据的流动，从而可以很好地解决计算链路中服务发现的问题。

软件定义网络（SDN）是一种控制面和数据面分离的可编程网络，以及简单网络管理．由于控制面和数据
面分离这一特性，网络管理者可以较为快速地进行路由器、交换器的配置，减少网络抖动性，以支持快速的流量迁移，因此可以很好地支持计算服务和数据的迁移．

---

5.10 隔离技术以及安全和隐私问题

隔离技术：
边缘设备需要通过有效隔离技术来保证服务的可靠性和服务质量。隔离技术需要
1）计算资源的隔离
2）数据的隔离
隔离技术同时还需要考虑第三方程序对用户隐私数据的访问权限问题，比如：车载娱乐程序不应该被允许访问汽车控制总线数据等。

目前主要采用VM虚拟机和Docker容器技术来保证资源隔离

Docker：Docker的存储驱动程序采用容器内分层镜像的结构，使得应用程序可以作为一个容器快速打包和发布，从而保证了应用程序间的隔离性

基于Docker迁移的有效服务切换系统：efficient service handoff across edge servers via
Docker container migration

VM虚拟机： VM切换技术：you can teach elephants to dance: Agile VM handoff for edge computing

安全问题：
虽然边缘计算将计算推至用户附近然而边缘计算设备人具有较高的被攻击的可能。同样，边缘计算节点的分布式和异构型也导致了难以对其进行统一的管理，故而边缘计算也存在普遍的安全性问题如：应用安全，系统安全，网络安全，信息安全等。
对于边缘计算的安全问题同样可以采用传统方案来进行改善，如密码学，访问控制策略。（硬件协助的可信执行环境，使用机器学习来增强系统的安全防护。）
可信执行环境（TEE）指的是在设备上独立于不可信操作系统而存在的可信的、隔离的执行环境。
通过将应用运行与可信执行环境中，并且将用到的外部存储进行加解密，可以在边缘计算节点被攻破时仍保持应用及数据的安全性。（OpenmHealth）

相关论文延伸：

1. Innovative technology for CPU based attestation and sealing
2. Using innovative instructions to create trustworthy software solutions
3. Innovative instructions and software model for isolated execution
4. Platform Embedded Security Technology Revealed: Safeguarding the Future of Computing with Intel Embedded Security and Management Engine
5. Intel64 and IA-32 architectures software developer manauals https://software.intel.com/en-us/articles/intel-sdm
6. AMD memory encryption http://amd-dev.wpengine.netdna-cdn.com/wordpress/media/2013/12/AMD_Memory_Encryption_Whitepaper_v7-Public.pdf
7. AMD Security technology http://www.amd.com/err-us/innovations/software-technologies/security
8. ARM.Security.technology-building a secure system using TrustZone
9. CryptSQLite:Protecting data confidentiality of SQLite with Intel SGX

---

5.11 计算卸载/计算卸载

计算卸载是指终端设备将部分或者全部的计算任务卸载到资源丰富的边缘服务器，以解决终端设备在资源存储和计算性能方面的不足。
卸载决策：1.降低时延 2.降低能耗 3.权衡能耗和时延
（如何卸载，卸载多少，卸载什么）

---

5.12 算法执行框架

随着人工智能的发展，边缘设备需要执行越来越多的智能算法任务，其中机器学习尤其是深度学习算法占了很大比重。设计面向边缘计算场景的高效算法执行框架是一个重要问题。目前的许多针对机器学习算法特性而设计的框架更多应用于云计算中心，无法直接应用于边缘设备。
边缘设备与云计算中心对于算法框架需求的区别：
在云数据中心，算法执行框架更多地执行模型训练的任务，它们的输入是大规模的批量数据集，关注的是训练时的迭代速度、收敛率和框架的可扩展性等．而边缘设备更多地执行预测任务，输入的是实时的小规模数据，由于边缘设备计算资源和存储资源的相对受限性，它们更关注算法执行框架预测时的速度、内存占用量和能效。

（数据中心：模型训练，算法的精确，收敛 （边缘：预测，算法的速度，能效）

相关延伸论文：
1.Google TensorFlow Lite Developer Guide
2.FaceBook Caffe2 https://caff2.ai
3.Introduction to PyTorch
4.A flexible and efficient machine learning library for heterogeneous distributed systems

---

5.13 边缘操作系统（EdgeOS）

边缘操作系统需要向下管理异构的计算资源，向上需要处理大量的异构数据以及应用负载。负责将复杂计算任务部署在边缘计算节点，同时进行调度，迁移，以保证任务的可靠以及资源的利用效率。
区别于传统的物联网设备，它更倾向于对于数据，计算任务，计算资源的管理框架。

根据目前的研究现状，ROS以及基于ROS实现的操作系统有可能会成为边缘计算场景的典型操作系统，但仍需检验和评测。

相关延伸论文：

1. An open-source robot operating system
   2.Exploring the performance of ROS2
   3.A home operating system for Internet of everything
2. The Φ-stack for smart web of things
   5.An open vehicular data analytics platform for CAVs

---

5.14 体系结构

未来的体系结构应当是通用处理器和异构计算硬件并存的模式。
异构硬件：牺牲部分通用计算能力，使用专用加速单元以减少某一类或多类负载的执行时间，并显著提升性能功耗比。
边缘计算平台通常针对于某一类特定的计算场景，处理的负载类型较为固定。
针对边缘计算的相关问题：1.如何高效的管理边缘计算异构硬件 2.如何对这类的系统结构进行公平及全面的评测

相关延伸论文：1. Shifting vision processing closer to the sensor
2.efficient inference engine on compressed deep neural network
3. The Φ-stack for smart web of things
4. Towards autonomous and incremental deep learning for IoT systems
5.Efficient speech recognition engine with sparse LSTM on FPGA
6. Are FPGAs suitable for edge computing

---

5.14 移动性管理

用户终端在不同区之间频繁移动所造成的的问题。
1.资源发现：需要发现适合的边缘计算资源，保证资源发现的速度问题（异构性）
2.资源切换：需要保证服务的连续性（需要迁移过程中自适应设备的计算能力与网络带宽的变化）

相关文献：

1. PRIMAL：Proflt Maximization Avatar Placement for Mobile Edge Computing（选择性虚拟机迁移到最佳位置来优化迁移增益和迁移成本间的平衡）

其余

1. 网络控制：Optimal Decision Making for Big Data Processing at Edge-Cloud Environment :An SDN Perspective（工作负载切片方案）
2. 内容缓存：Toward Efficient Content Delivery for Automated Driving Services :An Edge Computing Solution（用于自动驾驶服务的两级边缘计算框架）
3. 内容自适应Improving Content Delivery Efficiency through Multi-Layer Mobile Edge Adaption （基于Http的多媒体传送架构用于多用户移动网络中）
4. 数据聚合 Energy-Optimal Data Aggregation and IEEE Internet of Things（混合整数规划公示和算法，用于边缘网络中传感器的测量数据能量最优路由和多宿聚合问题，联合聚合和传播）
5. 安全卸载MECPASS:Distributed Denial of Service Defense Architecture for Mobile Networks （MECPASS协作DoS防御架构，减轻来自移动设备的攻击流量）

---

5.14 数据处理平台

在边缘计算的场景下，数据的来源与类型具有多样化的特征，因此构建一个针对边缘数据进行管理、分析和共享的平台十分重要。

相关延伸论文：
1.An open vehicular data analytics platform for CAVs