边缘计算是什么？和云计算的区别？计算卸载是什么？

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

摘要

   传统上，计算机是将一个复杂的计算上传到中心服务器执行，但是中心服务器往往离终端设备比较远，进行数据传输就会产生很高的时延，所以就提出了将计算上传到距离终端设备比较近的边缘服务器上面去执行，可以减少传输时延，但是边缘服务器会受到计算资源和网络资源的限制，所以就要进行计算任务的调度来改善整体的能耗。

一、边缘计算产生的背景

   移动通信技术的发展： 接入互联网的移动设备数量激增，产生的数据流量的规模也空前庞大。移动用户数据服务已经逐渐从以连接为中心的通信(如电话和短信)转变为以内容为中心的通信(如多媒体文件共享和视频流)

  移动终端新需求和面临的挑战：

• 海量接入：终端设备、传感器节点数量逐年增加
• 高处理性能：新型移动应用的出现使得业务服务对于移动终端的处理性能产生了严重的依赖。在移动终端上运行实时大数据应用程序的需求和趋势近些年来越来越受到用户的关注。大型应用对移动设备终端的处理能力也提出了更高的要求
• 移动数据交互：将人与人的交互抽象成数据与数据、数据与人的交互
• 低时延、高带宽

  用户服务体验保障面临的挑战：

• 性能要求与资源受限：用户终端设备在计算、存储以及能量方面的限制严重制约了用户本地进行业务处理的可能性
• 用户移动性：用户移动性使得其在利用云服务进行任务卸载处理过程中极易引发小区切换所带来的的数据传输终端和卸载任务的失败
• 多维资源的失衡：目前传统移动通信在存储、传输等方面的资源失衡，造成传输资源和计算资源无法得到合理地利用

1、边缘计算的兴起

  通过将云计算架构中的缓存功能和计算功能下沉到网络边缘，使得用户计算和传输需求在很大程度上靠近用户的网络边缘而得到满足，弥补了用户计算能力不足、能量供给受限和大量数据远距离传输带来的高服务时延以及用户能耗的缺陷。

2、边缘计算的特点

• 分布式与低时延
• 缓解数据上传的压力
• 成本低：边缘服务器更靠近数据源头，即使发生故障，也能够本地快速进行修复，而且不会受到中心服务器故障的影响。并且减少很多的网络传输、计算、存储等环节带来的时延，降低成本
• 安全性高：对于数据安全性来说，最大的危险来源于网络传输的时候，数据进行传输很容易丢失或者被窃取

二、边缘计算和云计算的对比

  比如某个程序，用户在使用时会同步搜集他的地理位置、搜索记录、不同页面的停留时间等，以便筛选出他对什么更感兴趣，进而更精准地为用户投放内容和广告。

  如果使用云计算来完成这个操作，那么程序在搜集到信息后，会把所有的信息先上传到服务器中，然后由云服务器来完成算法，计算识别出用户的兴趣爱好、消费倾向等，服务器根据推算出的结果，再进一步为用户投放内容和广告。

  如果使用边缘计算来完成这个操作，那么程序在搜集完信息后，直接自己计算和识别出用户的兴趣爱好，服务器只需要指定想给哪些用户投放内容和广告，程序就可以直接完成投放，在整个过程中，服务器没有参与搜集信息和计算，服务器只知道最后的结果，没有过程中的数据。

需求及特点	云计算	边缘计算
时延	高	低
网络接入类型	一般为互联网	局域网或者无线局域网
服务器部署位置	网络中的任何位置	网络边缘
移动性支持	低	高
分布	集中式	分布式
适合的应用需求	较多计算资源	较低时延
接入设备	电脑、部分移动设备	智能手机、平板及可穿戴设备
管理	服务提供商	本地服务商
服务器数量	大量	中等

三、边缘计算面对的问题

  中心服务器：计算能力强、计算时延较低、为数据计算提供可靠的保证、可提供庞大的存储空间；但中心服务器对网络环境要求较高，当网络通信较差或者终端设备离中心服务器比较远的时候会产生很高的延迟

  终端设备处理庞大数据：一是将计算任务在终端设备上处理，二是将计算任务上传到边缘服务器或者中心服务器去处理。但是终端设备一般存储较小，就意味着不会有复杂的任务处理模型，处理能力有限，并且终端设备的供电能力不足，续航能力受到限制。

  但是将计算任务上传到服务器处理也会遇到很多问题：终端设备可能使用像ZigBee这种低功耗的方式去和中心服务器进行数据交互，而低功耗就意味着传输速率慢，并且不能覆盖到较远的地方。并且终端设备可能在一些网络信号不好的地方，网络的不稳定性导致了终端设备不能随时将数据上传到服务器。同时，服务器还存在着负载上限，如果中心服务器的终端设备过多，那么服务器的资源可能就不够分配，那么数据处理会产生很高的时延。

  因此，终端设备和服务器就存在着各种条件的制约，很难确定计算任务是在终端设备处理还是上传到服务器处理，就要一个动态的处理办法。

减少数据处理产生的时延和能耗，从以下几个方面考虑：

• 终端设备的数据处理速度和存储容量、供电情况以及网络状态
• 服务器负载等等

  不同的数据处理任务具有不同的计算量以及需要上传到中心服务器的数据传输量，为了使终端设备能够更快的处理数据，需要制定数据调度策略，判断数据是在终端设备上处理还是在中心服务器处理。在现有的调度策略中，以中心服务器为核心的数据调度策略相对较多

四、计算卸载(任务调度)

  边缘计算也存在很多的不足，首先是计算能力不足，终端设备面对海量的数据不能完全满足实际的需求，很多时候还是要进行任务调度，将计算任务卸载到远端服务器去处理。 通过将终端设备上的一些复杂计算的一部分或者全部计算任务转移到资源丰富的计算中心，借助云计算强大的计算能力，是计算速度加快，有效减少应用程序在终端设备的执行时间，节省终端的电量，弥补计算能力差、存储空间有限和电池量有限的问题。

1、三种卸载方式

• 本地计算：不进行任何计算任务的卸载，全部在终端设备上进行
• 任务全卸载：计算任务全部上传到终端设备上进行
• 任务的部分卸载

2、计算卸载的影响因素

• 网络连接方式：WIFI具有很高的带宽和网络传输速率且比较稳定，不会产生较大的波动。4G也有高带宽和高传输速率，但是可能会经常出现网络波动。有些终端设备为了降低功耗，还可能选择NB-IOT、ZigBee的方式就导致任务很难上传到服务器
• 中心服务器因素：连接的终端设备数目、计算资源、存储资源
• 边缘服务器因素：分布广泛，终端设备将数据上传所产生的时延也会有很大的差别，终端设备将数据上传到哪个边缘服务器就要从多方面考虑
• 终端设备的局限性：计算能力不足、电量消耗过快

3、任务调度中的时延

• 传输时延：数据从传输模块发出所需要的时延，与网络带宽和数据量有关
• 传播时延：数据从终端设备到服务器的时延，与发送端和接收端的距离有关，中心服务器一般更远所以会有更多的传播时延
• 计算时延：计算任务的处理市场，与数据量的大小和设备CPU的性能和内存有关，中心服务器产生的计算时延最短

4、数据调度产生的问题

• 计算任务上传问题：一般会将计算任务上传到服务器处理，但是会有传输时延（受数据传输速率影响）和传播时延（边缘服务器一般较近，中心服务器一般比较少且较远，但中心服务器的数据处理速度高于边缘服务器）。还受电池电量的制约，在本地处理的时候，终端设备产生的功耗要高于任务上传的功耗，而且数据处理能力较低产生时延较高。但是上传到服务器也有很高的延迟，虽然功耗比较低但是时延比较高。
• 终端设备与服务器协同工作问题：所以在存在多个终端设备，边缘服务器和中心服务器的情况下，如何协调三者之间的工作，使终端设备的计算时延与能耗能够降低就成了现在一个急需解决的问题。

  通常情况下，由于终端设备的上传功耗小于数据处理功耗，所以当网络条件允许终端设备将计算任务上传到边缘服务器或中心服务器的情况下，将使用服务器上的资源进行计算，如果当前网络条件不允许计算任务上传，那么就使用终端设备的计算资源。 但是由于还要考虑到系统剩余电量的影响，当剩余电量不足的时候，更应该考虑系统能耗的影响，由于计算任务的上传功耗小于数据处理时功耗，所以在某些时候即使计算任务上传处理效率较低，也需要将计算任务进行上传，用来减少能耗的消耗。

5、任务调度中的优化指标

• 时延：现如今越来越多的应用对时延有了更高的要求，可以从降低任务的计算时延、传播时延以及传输时延去考虑
• 带宽：高带宽传输数据意味着低延迟，但是高带宽也意味着大量的资源浪费。数据在边缘处理有两种可能，一种是数据在边缘完全处理结束，然后边缘结点上传处理结果到云端；另外一种结果是数据处理了一部分，然后剩下的一部分内容将会交给云来处理。以上两种方式的任意一种，都能极大的改善网路带宽的现状，减少数据在网络中的传输，进而增强用户体验。
• 能耗：对于给定的任务，需要判定放在本地运算节省资源还是传输给其他节点计算节省资源。如果本地空闲，那么当然在本地计算是最省资源的，如果本地正在忙碌状态，那么把计算任务分给其他节点会更合适一些。权衡好计算消耗的能源和网络传输消耗的能源是一件非常重要的事情。一般当网络传输消耗的资源远小于在本地计算消耗的能源时，我们会考虑使用边缘计算把计算任务卸载到其他空闲的节点上，帮助实现负载均衡，保证每一个结点的高性能。
• 花费：目前在边缘计算上的花费包括但不限于边缘结点的构建和维护、新型模型的开发等。利用边缘计算的模型，大型的服务提供商在处理相同工作的情况下能够获取到更大的利润。

结论

  随着现代信息科技的不断发展，数据呈现出爆炸式的增长，人们在生活中的方方面面都会产生大量的数据。而新兴的各种智能设备在便利着我们生活的同时，产生的数据也越来越多，按照传统的方法，将产生的数据上传到服务器上将会给中心服务器带来巨大的计算压力。只是单纯的增加网络带宽或者增加计算设备的数量已经不能满足数据爆炸式增长的实际情况。通过增加终端设备与边缘服务器，建立一个分布式网络，减少中心服务器的计算压力逐渐成为现在研究的主要方向。通过将网络边缘部分的设备连通起来，在数据的源头部分就能够对数据进行处理，可以极大地减少中心服务器的计算量，减少它的计算压力，并且能够降低数据的处理时间，使用户体验得以提高。所以，构建分布式网络，将数据进行上传就成了一个高效的数据处理方案。 在分布式网络环境下，通过调度算法，统筹管理全网的网络资源与数据处理资源，根据网络的实际情况以及边缘服务器、中心服务器的实际情况将数据进行合理的调度，能够使系统更加高效稳定的运行，并且可以更好的满足客户的实际需求。

思考

1、在MEC模式中，移动设备用户通过一个无线通道将应用程序的数据卸载到MEC服务器。这些数据可能涉及诸如照片、医疗报告、购物或付款等私人信息。因此，如果没有适当的安全机制，MEC范式的好处将很快被恶意对手和网络攻击造成的损害所掩盖。那么如何去克服这些风险？

答：为了克服这些风险，需要一个高效和安全的层来加密传输的数据，并保护它们免受网络攻击。如传统的AES加密方案，以及用遗传算法作为安全层。该层可以防御不同类型的威胁，降低时间复杂度。使用安全层保护计算任务数据的决策是由每个用户在应用程序执行之前根据应用程序数据的隐私需求手动做出的。

2、在卸载场景中，无论是完全卸载还是计算卸载，所有移动设备用户和传输的数据都在争夺有限的通信资源。当移动设备用户数量足够大时，或者当传输的数据大小增加时，每个用户可用的通信带宽就减少了或者会造成网络拥塞，在这种情况下，服务器可能会拒绝一些卸载请求。如何解决此类问题？

答：随着移动设备用户的增加或者平均数据量的增加，共享的通信信道超负荷，通信时间也随之增加。但是，越来越多的应用对任务响应有着时延要求。为了满足用户的需求，可以将任务数据进行压缩，再进行任务的卸载。

参考文献

1、《面向边缘计算的分布式任务调度建模及算法研究》：张恩硕
2、《边缘计算任务卸载及资源优化研究》：兰延文
3、《Profit-Maximized Collaborative Computation Offloading and Resource Allocation in Distributed Cloud and Edge Computing Systems》：Haitao Yuan、MengChu Zhou
4、《Efficient and Secure Multi-User Multi-Task Computation Offloading for Mobile-Edge Computing in Mobile IoT Networks》：WeiZhe Zhang、Yiming Zeng、Hui He、YuChu Tian、Yuanyuan Yang
5、《Task Offloading Scheduling in Mobile Edge Computing Networks》：Zhonglin Wang、Peifeng Li、Shuai Shen、Kun yang