趙梓銘 劉 芳 蔡志平 肖 儂

(國防科技大學(xué)計算機學(xué)院 長沙 410073)(zhaoziming93@aliyun.com)

近年來，大數(shù)據(jù)、云計算、智能技術(shù)的快速發(fā)展，給互聯(lián)網(wǎng)產(chǎn)業(yè)帶來了深刻的變革，也對計算模式提出了新的要求.

大數(shù)據(jù)時代下每天產(chǎn)生的數(shù)據(jù)量急增，而物聯(lián)網(wǎng)等應(yīng)用背景下的數(shù)據(jù)在地理上分散，并且對響應(yīng)時間和安全性提出了更高的要求.云計算雖然為大數(shù)據(jù)處理提供了高效的計算平臺，但是目前網(wǎng)絡(luò)帶寬的增長速度遠(yuǎn)遠(yuǎn)趕不上數(shù)據(jù)的增長速度，網(wǎng)絡(luò)帶寬成本的下降速度要比CPU、內(nèi)存這些硬件資源成本的下降速度慢很多[1]，同時復(fù)雜的網(wǎng)絡(luò)環(huán)境讓網(wǎng)絡(luò)延遲很難有突破性提升.因此傳統(tǒng)云計算模式需要解決帶寬和延遲這兩大瓶頸[2].

在這種應(yīng)用背景下，邊緣計算(edge computing)應(yīng)運而生，并在近兩年得到了研究者的廣泛關(guān)注.邊緣計算中的邊緣(edge)指的是網(wǎng)絡(luò)邊緣上的計算和存儲資源，這里的網(wǎng)絡(luò)邊緣與數(shù)據(jù)中心相對，無論是從地理距離還是網(wǎng)絡(luò)距離上來看都更貼近用戶.邊緣計算則是利用這些資源在網(wǎng)絡(luò)邊緣為用戶提供服務(wù)的技術(shù)，使應(yīng)用可以在數(shù)據(jù)源附近處理數(shù)據(jù).如果從仿生的角度來理解邊緣計算，我們可以做這樣的類比：云計算相當(dāng)于人的大腦，邊緣計算相當(dāng)于人的神經(jīng)末端.當(dāng)針刺到手時總是下意識的收手，然后大腦才會意識到針刺到了手，因為將手收回的過程是由神經(jīng)末端直接處理的非條件反射.這種非條件反射加快人的反應(yīng)速度，避免受到更大的傷害，同時讓大腦專注于處理高級智慧.未來是萬物聯(lián)網(wǎng)的時代，思科預(yù)計2020年將有500億的設(shè)備接入互聯(lián)網(wǎng)[3]，我們不可能讓云計算成為每個設(shè)備的“大腦”，而邊緣計算就是讓設(shè)備擁有自己的“大腦”.

相比于云計算，邊緣計算可以更好地支持移動計算與物聯(lián)網(wǎng)應(yīng)用，具有以下明顯的優(yōu)點：

1) 極大緩解網(wǎng)絡(luò)帶寬與數(shù)據(jù)中心壓力.思科在2015—2020年全球云指數(shù)[4]中指出，隨著物聯(lián)網(wǎng)的發(fā)展，2020年全球的設(shè)備將會產(chǎn)生600 ZB的數(shù)據(jù)，但其中只有10%是關(guān)鍵數(shù)據(jù)，其余90%都是臨時數(shù)據(jù)無需長期存儲.邊緣計算可以充分利用這個特點，在網(wǎng)絡(luò)邊緣處理大量臨時數(shù)據(jù)，從而減輕網(wǎng)絡(luò)帶寬與數(shù)據(jù)中心的壓力.

2) 增強服務(wù)的響應(yīng)能力.移動設(shè)備在計算、存儲和電量等資源上的匱乏是其固有的缺陷，云計算可以為移動設(shè)備提供服務(wù)來彌補這些缺陷，但是網(wǎng)絡(luò)傳輸速度受限于通信技術(shù)的發(fā)展，復(fù)雜網(wǎng)絡(luò)環(huán)境中更存在鏈接和路由不穩(wěn)定等問題，這些因素造成的延遲過高、抖動過強、數(shù)據(jù)傳輸速度過慢等問題嚴(yán)重影響了云服務(wù)的響應(yīng)能力[5].而邊緣計算在用戶附近提供服務(wù)，近距離服務(wù)保證了較低的網(wǎng)絡(luò)延遲，簡單的路由也減少了網(wǎng)絡(luò)的抖動，千兆無線技術(shù)的普及為網(wǎng)絡(luò)傳輸速度提供了保證，這些都使邊緣服務(wù)比云服務(wù)有更強的響應(yīng)能力[6].

3) 保護(hù)隱私數(shù)據(jù)，提升數(shù)據(jù)安全性.物聯(lián)網(wǎng)應(yīng)用中數(shù)據(jù)的安全性一直是關(guān)鍵問題，調(diào)查顯示約有78%的用戶擔(dān)心他們的物聯(lián)網(wǎng)數(shù)據(jù)在未授權(quán)的情況下被第三方使用[7].云計算模式下所有的數(shù)據(jù)與應(yīng)用都在數(shù)據(jù)中心，用戶很難對數(shù)據(jù)的訪問與使用進(jìn)行細(xì)粒度的控制.而邊緣計算則為關(guān)鍵性隱私數(shù)據(jù)的存儲與使用提供了基礎(chǔ)設(shè)施，將隱私數(shù)據(jù)的操作限制在防火墻內(nèi)，提升數(shù)據(jù)的安全性.

邊緣計算因為其突出的優(yōu)點，滿足未來萬物聯(lián)網(wǎng)的需求，從2016年開始迅速升溫，引起國內(nèi)外的密切關(guān)注.ACM和IEEE從2016年開始聯(lián)合舉辦邊緣計算的頂級會議SEC(IEEEACM Symposium on Edge Computing)，一些重要國際會議也都開始舉辦邊緣計算的Workshop，例如2017年的ICDCS(IEEE International Conference on Distributed Computing Systems)，MiddleWare等.

本文總結(jié)了邊緣計算的相關(guān)概念，對比分析了邊緣計算的相關(guān)平臺，介紹了相關(guān)應(yīng)用，并綜述了邊緣計算的發(fā)展趨勢和面臨挑戰(zhàn).

1 邊緣計算概念

1.1 邊緣計算定義

邊緣計算目前還沒有一個嚴(yán)格的統(tǒng)一的定義，不同研究者從各自的視角來描述和理解邊緣計算.美國卡內(nèi)基梅隴大學(xué)的Satyanarayanan教授[8]把邊緣計算描述為：“邊緣計算是一種新的計算模式，這種模式將計算與存儲資源(例如：Cloudlet、微型數(shù)據(jù)中心或霧節(jié)點等)部署在更貼近移動設(shè)備或傳感器的網(wǎng)絡(luò)邊緣.”美國韋恩州立大學(xué)的施巍松等人[9-10]把邊緣計算定義為：“邊緣計算是指在網(wǎng)絡(luò)邊緣執(zhí)行計算的一種新型計算模式，邊緣計算中邊緣的下行數(shù)據(jù)表示云服務(wù)，上行數(shù)據(jù)表示萬物互聯(lián)服務(wù)，而邊緣計算的邊緣是指從數(shù)據(jù)源到云計算中心路徑之間的任意計算和網(wǎng)絡(luò)資源.”

這些定義都強調(diào)邊緣計算是一種新型計算模式，它的核心理念是“計算應(yīng)該更靠近數(shù)據(jù)的源頭，可以更貼近用戶”.這里“貼近”一詞包含多種含義.首先可以表示網(wǎng)絡(luò)距離近，這樣由于網(wǎng)絡(luò)規(guī)模的縮小帶寬、延遲、抖動這些不穩(wěn)定的因素都易于控制與改進(jìn).還可以表示為空間距離近，這意味著邊緣計算資源與用戶處在同一個情景之中(如位置)，根據(jù)這些情景信息可以為用戶提供個性化的服務(wù)(如基于位置信息的服務(wù)).空間距離與網(wǎng)絡(luò)距離有時可能并沒有關(guān)聯(lián)，但應(yīng)用可以根據(jù)自己的需要來選擇合適的計算節(jié)點.

網(wǎng)絡(luò)邊緣的資源主要包括移動手機、個人電腦等用戶終端，WiFi接入點、蜂窩網(wǎng)絡(luò)基站與路由器等基礎(chǔ)設(shè)施，攝像頭、機頂盒等嵌入式設(shè)備，Cloudlet，Micro Data Center等小型計算中心等.這些資源數(shù)量眾多，相互獨立，分散在用戶周圍，我們稱之為邊緣節(jié)點.邊緣計算就是要把這些獨立分散的資源統(tǒng)一，為用戶提供服務(wù).

綜上所述，我們把邊緣計算定義為：“邊緣計算是一種新的計算模式，將地理距離或網(wǎng)絡(luò)距離上與用戶臨近的資源統(tǒng)一起來，為應(yīng)用提供計算、存儲和網(wǎng)絡(luò)服務(wù).”

1.2 邊緣計算、云計算、霧計算

邊緣計算是一種新型的計算模式，從邊緣計算的定義可以看出，邊緣計算并不是為了取代云計算，而是對云計算的補充，為移動計算、物聯(lián)網(wǎng)等提供更好的計算平臺.邊緣計算可以在保證低延遲的情況下為用戶提供豐富的服務(wù)，克服移動設(shè)備資源受限的缺陷；同時也減少了需要傳輸?shù)皆贫说臄?shù)據(jù)量，緩解了網(wǎng)絡(luò)帶寬與數(shù)據(jù)中心的壓力.目前，移動應(yīng)用越來越復(fù)雜，接入互聯(lián)網(wǎng)的設(shè)備越來越多，邊緣計算的出現(xiàn)可以很好地應(yīng)對這些趨勢.但并不是所有服務(wù)都適合部署在網(wǎng)絡(luò)邊緣，很多需要全局?jǐn)?shù)據(jù)支持的服務(wù)依然離不開云計算.例如電子商務(wù)應(yīng)用，用戶對自己購物車的操作都可以在邊緣節(jié)點上進(jìn)行，以達(dá)到最快的響應(yīng)時間，而商品推薦等服務(wù)則更適合在云中進(jìn)行，因為它需要全局?jǐn)?shù)據(jù)的支持.邊緣計算的架構(gòu)是“端設(shè)備—邊緣—云”3層模型，3層都可以為應(yīng)用提供資源與服務(wù)，應(yīng)用可以選擇最優(yōu)的配置方案.

霧計算[11](fog computing)是另一個與邊緣計算相關(guān)的概念，它由思科公司在2012年提出，以應(yīng)對即將到來的萬物聯(lián)網(wǎng)時代.同邊緣計算一樣，霧計算也是將數(shù)據(jù)、數(shù)據(jù)相關(guān)的處理和應(yīng)用程序都集中于網(wǎng)絡(luò)邊緣的設(shè)備，而不是全部保存在云端.霧計算的名字也源自于此——霧比云更貼近地面.與邊緣計算不同的是，霧計算更強調(diào)在數(shù)據(jù)中心與數(shù)據(jù)源之間構(gòu)成連續(xù)統(tǒng)一體(cloud-to-things continuum)來為用戶提供計算、存儲與網(wǎng)絡(luò)服務(wù)，使網(wǎng)絡(luò)成為數(shù)據(jù)處理的“流水線”，而不僅僅是“數(shù)據(jù)管道”.也就是說，邊緣和核心網(wǎng)絡(luò)的組件都是霧計算的基礎(chǔ)設(shè)施.而邊緣計算更強調(diào)用戶與計算之間的“距離”.目前，思科對霧計算的實現(xiàn)是它推出的IOx系統(tǒng)[12].IOx運行在路由器、交換機這些網(wǎng)絡(luò)設(shè)備上，可以使開發(fā)人員輕松的在這些設(shè)備上開發(fā)應(yīng)用，部署服務(wù).

雖然霧計算與邊緣計算不盡相同，但他們都體現(xiàn)出了萬物聯(lián)網(wǎng)時代對計算模式的要求，實時的服務(wù)響應(yīng)、穩(wěn)定的服務(wù)質(zhì)量已經(jīng)漸漸成為用戶關(guān)注的焦點.從這一點上來看，兩者是對同一目標(biāo)的兩種不同的實現(xiàn)方法.邊緣計算、霧計算與云計算的對比如表1所示：

Table 1 Comparison of Cloud Computing and Edge Computing表1 邊緣計算、霧計算與云計算比較

2 邊緣計算平臺

邊緣計算利用數(shù)據(jù)傳輸路徑上的計算、存儲與網(wǎng)絡(luò)資源為用戶提供服務(wù)，這些資源數(shù)量眾多且在空間上分散，邊緣計算平臺將對這些資源進(jìn)行統(tǒng)一的控制與管理，使開發(fā)者可以快速地開發(fā)與部署應(yīng)用，成為邊緣計算的基礎(chǔ)設(shè)施.目前關(guān)于邊緣計算平臺的研究有很多，ParaDrop，Cloudlet，PCloud是其中比較有代表性的3個項目，其中從Cloudlet還演化出了Open Edge Computing聯(lián)盟[13].

2.1 ParaDrop

ParaDrop[14-15]是威斯康星大學(xué)麥迪遜分校WiNGS實驗室的研究項目，無線網(wǎng)關(guān)可以在ParaDrop的支持下擴(kuò)展為邊緣計算平臺，可以像普通服務(wù)器一樣運行應(yīng)用.ParaDrop適用于物聯(lián)網(wǎng)應(yīng)用，例如智能電網(wǎng)(smart grid)、車聯(lián)網(wǎng)(connected vehicles)、無線傳感執(zhí)行網(wǎng)絡(luò)(wirless sensor and actuator network)等，可以作為物聯(lián)網(wǎng)的智能網(wǎng)關(guān)平臺.在物聯(lián)網(wǎng)應(yīng)用中，傳感器數(shù)據(jù)都會匯集到物聯(lián)網(wǎng)網(wǎng)關(guān)中，再傳輸?shù)皆浦羞M(jìn)行分析.而ParaDrop則在物聯(lián)網(wǎng)網(wǎng)關(guān)中植入單片機使其具備通用計算能力，并通過軟件技術(shù)使得部署在云端的應(yīng)用與服務(wù)都可以遷移到網(wǎng)關(guān)，開發(fā)者可以動態(tài)定制網(wǎng)關(guān)上運行的應(yīng)用.

ParaDrop的整體結(jié)構(gòu)如圖1所示.ParaDrop使用容器技術(shù)來隔離不同應(yīng)用的運行環(huán)境，因此1個網(wǎng)關(guān)上可以運行多個租戶的應(yīng)用.網(wǎng)關(guān)上所有應(yīng)用的安裝、運行與撤銷都由云端的后臺服務(wù)控制，并對外提供1組API，開發(fā)者通過API來控制資源的利用及監(jiān)控資源的狀態(tài)，而用戶通過Web頁面與應(yīng)用進(jìn)行交互.ParaDrop將Web的服務(wù)與數(shù)據(jù)分離，Web服務(wù)由云端的后臺服務(wù)提供，而傳感器采集的原始數(shù)據(jù)則都存儲在網(wǎng)關(guān)上，用戶可以對云端訪問的數(shù)據(jù)進(jìn)行控制，保護(hù)了用戶的數(shù)據(jù)隱私.

Fig. 1 The full ParaDrop platform圖1 ParaDrop平臺結(jié)構(gòu)圖

ParaDrop的優(yōu)勢主要有：1)敏感數(shù)據(jù)可以在本地處理，不必上傳云端，保護(hù)了用戶隱私；2)WiFi接入點距離數(shù)據(jù)源只有一跳，具有低且穩(wěn)定網(wǎng)絡(luò)延遲，在WiFi接入點上運行的任務(wù)有更短的響應(yīng)時間；3)減少傳輸?shù)交ヂ?lián)網(wǎng)上的數(shù)據(jù)量，只有被用戶請求的數(shù)據(jù)才會通過互聯(lián)網(wǎng)傳輸?shù)接脩粼O(shè)備；4)網(wǎng)關(guān)可以通過無線電信號獲取一些位置信息，如設(shè)備之間的距離、設(shè)備的具體位置等，利用這些信息可以提供位置感知的服務(wù)；5)遇到特殊情況，無法連接互聯(lián)網(wǎng)時，應(yīng)用的部分服務(wù)依然可以使用.目前，ParaDrop得到了很好的發(fā)展，軟件系統(tǒng)已經(jīng)全部開源，支持ParaDrop的硬件設(shè)備也已經(jīng)準(zhǔn)備對外銷售.

2.2 Cloudlet

2009年卡內(nèi)基梅隴大學(xué)提出Cloudlet[16]的概念，Cloudlet是一個可信且資源豐富的主機或機群，它部署在網(wǎng)絡(luò)邊緣與互聯(lián)網(wǎng)連接并可以被周圍的移動設(shè)備所訪問，為設(shè)備提供服務(wù).Cloudlet將原先移動計算的2層架構(gòu)“移動設(shè)備—云”變?yōu)?層架構(gòu)“移動設(shè)備—Cloudlet—云”. Cloudlet也可以像云一樣為用戶提供服務(wù)，所以它又被稱為“小云”(data center in a box). 雖然Cloudlet項目不是以邊緣計算的名義提出并運行，但它架構(gòu)和理念契合邊緣計算的理念和思想，可以被用來構(gòu)建邊緣計算平臺.

Cloudlet主要用來支持移動計算中的游牧服務(wù)[17](cyber foraging)，游牧服務(wù)是解決移動設(shè)備計算資源不足的重要手段，通過游牧服務(wù)移動設(shè)備可以將繁重的計算任務(wù)卸載到其他資源上.云計算一直是充當(dāng)這類資源的最佳角色，而Cloudlet的出現(xiàn)為用戶提供了新的選擇. Cloudlet的軟件棧分為3層：第1層由操作系統(tǒng)和Cache組成，其中Cache主要是對云中的數(shù)據(jù)進(jìn)行緩存；第2層是虛擬化層，將資源虛擬化，并通過統(tǒng)一的平臺OpenStack++[18]對資源進(jìn)行管理；第3層是虛擬機實例，移動設(shè)備卸載的應(yīng)用都在虛擬機中運行，這樣可以彌補移動設(shè)備與Cloudlet應(yīng)用運行環(huán)境(操作系統(tǒng)、函數(shù)庫等)的差異.

與云不同，Cloudlet部署在網(wǎng)絡(luò)邊緣，只服務(wù)附近的用戶，但Cloudlet也支持應(yīng)用的移動性，設(shè)備可以隨著移動切換到最近的Cloudlet.如圖2所示，Cloudlet對應(yīng)用移動性的支持主要依賴3個關(guān)鍵步驟：

1) Cloudlet資源發(fā)現(xiàn)(cloudlet discovery).移動中的移動設(shè)備可以快速發(fā)現(xiàn)周圍可用的Cloudlet，并選擇最合適的作為卸載任務(wù)的載體.

2) 虛擬機配給(VM provisioning)[19].在選定的Cloudlet上啟動運行應(yīng)用的虛擬機，并配置運行環(huán)境.

3) 資源切換(VM handoff)[20].將運行應(yīng)用的虛擬機遷移到另一個Cloudlet上.

A: Cloudlet discovery; B: VM provisioning; C: VM handoffFig. 2 Cloudlet component overview and functions that support application mobility圖2 Cloudlet組件總覽及應(yīng)用移動性機制

動態(tài)虛擬機合成(dynamic VM synthesis)[16]是Cloudlet支持移動性的關(guān)鍵技術(shù)，可以將虛擬機鏡像拆分為基底(base)與覆蓋層(overlay)，基底與覆蓋層可以重新組合為新的虛擬機鏡像.基底包含虛擬機的操作系統(tǒng)、函數(shù)庫等基礎(chǔ)軟件，這一部分在虛擬機鏡像之間都是重復(fù)的，且占用空間大；而覆蓋層是一個很小的二進(jìn)制增量文件，只包含用戶在原始虛擬機上的一些定制信息，占用空間小.在虛擬機配置和資源切換時，使用動態(tài)虛擬機合成技術(shù)可以只傳輸輕量的覆蓋層，減少了數(shù)據(jù)傳輸量，加快了虛擬機配置和資源切換的速度，保證了應(yīng)用在Cloudlet中能得到及時的資源供給.

Cloudlet的主要優(yōu)勢有：對應(yīng)用開發(fā)者沒有任何約束，現(xiàn)有程序基本不需要修改就能在Cloudlet中運行；加快了很多復(fù)雜移動應(yīng)用的響應(yīng)速度.隨著研究不斷完善，Cloudlet在認(rèn)知輔助系統(tǒng)(cognitive assistance system)[21]、眾包(crowdsourcing)[22]、敵對環(huán)境(hostile environments)[23]等方面都有很好的應(yīng)用.為了推動Cloudlet的發(fā)展，CMU聯(lián)合Intel，Huawei等公司建立了Open Edge Computing聯(lián)盟，為基于Cloudlet的邊緣計算平臺制定標(biāo)準(zhǔn)化API.目前，該聯(lián)盟正在將OpenStack擴(kuò)展到邊緣計算平臺，使分散的Cloudlet可以通過標(biāo)準(zhǔn)的OpenStack API進(jìn)行控制和管理.

2.3 PCloud

PCloud[24]是佐治亞理工學(xué)院Korvo研究組在邊緣計算領(lǐng)域的研究成果.PCloud可以將我們周圍的計算、存儲、輸入輸出設(shè)備與云計算資源整合，使這些資源可以無縫的為移動設(shè)備提供支持.

PCloud的結(jié)構(gòu)圖如圖3所示.在PCloud中，本地、邊緣以及云上的資源通過網(wǎng)絡(luò)連接，并由特殊的虛擬化層STRATUS[25]將資源虛擬化，構(gòu)成資源池；系統(tǒng)運行時從資源池中挑選與組合需要的資源.PCloud將資源池化后，由運行時機制負(fù)責(zé)資源的申請與分配；該機制提供資源描述接口，可以根據(jù)應(yīng)用的要求選擇合適的資源并進(jìn)行組合.資源組合后，PCloud就相當(dāng)于產(chǎn)生了1個新的實例，該實例可以為外界應(yīng)用提供服務(wù)；雖然該實例的計算資源可能來自多個物理設(shè)備，但對于外界應(yīng)用來說卻相當(dāng)于一體的計算設(shè)備.

Fig. 3 PCloud architecture圖3 PCloud結(jié)構(gòu)圖

實際運行過程中，移動應(yīng)用通過接口向PCloud描述需要的資源，PCloud會根據(jù)該描述與當(dāng)前可用資源給出最優(yōu)資源配置，生成實例為應(yīng)用提供相應(yīng)的服務(wù).資源評價指標(biāo)主要包括計算能力和網(wǎng)絡(luò)延遲等因素，如果是輸入輸出設(shè)備可能還包括屏幕大小、分辨率等因素.

PCloud將邊緣資源與云資源有機的結(jié)合，使2者相輔相成，優(yōu)勢互補.云計算豐富的資源彌補了邊緣設(shè)備計算、存儲能力上的不足，而邊緣設(shè)備因為貼近用戶可以提供云計算無法提供的低延遲服務(wù).同時也增強了整個系統(tǒng)的可用性，無論是網(wǎng)絡(luò)故障還是設(shè)備故障都可以選擇備用資源.基于PCloud平臺，Korvo研究組構(gòu)建了很多應(yīng)用(例如：SOUL[26])獲得了廣泛的關(guān)注.

2.4 小 結(jié)

從應(yīng)用領(lǐng)域、服務(wù)移動性、服務(wù)狀態(tài)、虛擬化技術(shù)這4個方面對邊緣計算平臺進(jìn)行比較,并總結(jié)為表2.

1) 應(yīng)用領(lǐng)域.雖然這3個平臺都可以在網(wǎng)絡(luò)邊緣為用戶提供服務(wù)，但是他們在設(shè)計時所針對的應(yīng)用領(lǐng)域存在差異.Cloudlet,PCloud針對延遲敏感的移動應(yīng)用，而ParaDrop則針對物聯(lián)網(wǎng)應(yīng)用.

2) 服務(wù)的移動性.應(yīng)用領(lǐng)域的不同導(dǎo)致這2個平臺對服務(wù)移動性的支持不同.Cloudlet是為移動應(yīng)用的后臺服務(wù)提供臨時的部署點，為了保證低且穩(wěn)定的網(wǎng)絡(luò)延遲，設(shè)備的移動會使后臺服務(wù)也要移動到就近的Cloudlet；就近服務(wù)的特性使Cloudlet對移動性的支持特別困難，需要資源發(fā)現(xiàn)、虛擬機配置、資源切換這3步相結(jié)合，同時還要保證實時性.而在物聯(lián)網(wǎng)應(yīng)用中，大多數(shù)應(yīng)用的流程是傳感器采集原始數(shù)據(jù)匯集到無線網(wǎng)關(guān)進(jìn)行初步處理，處理結(jié)果上傳到云端進(jìn)行進(jìn)一步的分析；傳感器與無線網(wǎng)關(guān)的連接關(guān)系一般保持不變，因此ParaDrop不考慮服務(wù)移動性問題.PCloud主要是將用戶周圍的設(shè)備與云結(jié)合，當(dāng)用戶移動時，周圍的設(shè)備也可能發(fā)生動態(tài)變化；PCloud允許邊緣設(shè)備的動態(tài)加入和退出，但設(shè)備退出時不能有正在運行的任務(wù)，對移動性的支持并不完善.

3) 服務(wù)狀態(tài).移動應(yīng)用雖然能將后臺服務(wù)部署在Cloudlet上，但這種部署只有短暫的一段時間，Cloudlet不會長久保存服務(wù)的狀態(tài)信息，重要的信息都要傳輸?shù)皆贫吮４妫坏?yīng)用離開Cloudlet的服務(wù)范圍，這些數(shù)據(jù)會被清除.而ParaDrop則直接存儲傳感器的原始數(shù)據(jù)，Web服務(wù)需要的數(shù)據(jù)都需要從本地獲取.在PCloud中，邊緣設(shè)備與云都被看作是統(tǒng)一的計算資源，都會保存和維護(hù)應(yīng)用的相關(guān)數(shù)據(jù).

4) 虛擬化技術(shù).虛擬化技術(shù)方便了資源的管理，是邊緣計算平臺的必然選擇.Cloudlet，PCloud使用虛擬機來虛擬化資源，而ParaDrop則使用容器.主要的原因是移動應(yīng)用后臺服務(wù)的執(zhí)行環(huán)境多種多樣，無論是基于Windows或是Linux系統(tǒng)的后臺服務(wù)都應(yīng)該可以快速遷移到同一個Cloudlet上.虛擬機是對物理機器的虛擬化，可以很好地應(yīng)對執(zhí)行環(huán)境的變化；容器則依賴特定的操作系統(tǒng).而物聯(lián)網(wǎng)應(yīng)用的后臺服務(wù)一般不需要靈活的執(zhí)行環(huán)境，邊緣計算平臺的執(zhí)行環(huán)境與云端保持一致，因此使用容器就可以滿足需求，同并且還具備占用資源少、啟動快等優(yōu)點.PCloud使用虛擬機的原因是基于超管理器(hypervisor)的虛擬機技術(shù)可以在CPU、硬盤等更細(xì)粒度的層次上進(jìn)行虛擬化，便于資源的拆分利用.

Table 2 Comparison of Cloudlet, ParaDrop and PCloud表2 Cloudlet,ParaDrop與PCloud比較

3 應(yīng)用案例

邊緣計算在數(shù)據(jù)源附近提供服務(wù)，使其可以在很多移動應(yīng)用和物聯(lián)網(wǎng)應(yīng)用上發(fā)揮出巨大優(yōu)勢.本節(jié)將列舉一些典型的應(yīng)用案例，結(jié)合這些案例可以幫助我們理解邊緣計算的優(yōu)勢.

3.1 增強現(xiàn)實

增強現(xiàn)實技術(shù)將現(xiàn)實世界的場景與虛擬信息高度集成，生成被人類感官所感知的信息，來達(dá)到超越現(xiàn)實的感官體驗.增強現(xiàn)實技術(shù)可以使用在智能手機、平板電腦與智能眼鏡等移動設(shè)備上，來支持新的應(yīng)用與服務(wù)，如虛擬游戲、3D觀影等.增強現(xiàn)實技術(shù)需要對視頻、圖像數(shù)據(jù)進(jìn)行處理，這些任務(wù)復(fù)雜性高，而需要與用戶進(jìn)行互動的特點又對實時性有了很高的要求.

CMU與Intel實驗室在2014年開發(fā)了一個基于增強現(xiàn)實技術(shù)的認(rèn)知輔助系統(tǒng)(cognitive assistance system)[21]，通過谷歌眼鏡來增強某些病人的認(rèn)知能力.實現(xiàn)系統(tǒng)需要解決的關(guān)鍵問題是如何將處理任務(wù)的延遲控制在幾十毫秒，讓感知缺陷的病人也擁有正常人一樣的反應(yīng)速度.考慮到重量、大小、續(xù)航等因素，可穿戴設(shè)備的計算能力很差，處理任務(wù)的時間是一般服務(wù)器的數(shù)倍，直接使用設(shè)備內(nèi)部的資源進(jìn)行計算是不可行的.將應(yīng)用部署到云中可以加快任務(wù)的處理速度，但端設(shè)備到云端的網(wǎng)絡(luò)延遲很高且極不穩(wěn)定，很可能成為整個系統(tǒng)的瓶頸.為了解決這個問題，系統(tǒng)使用了邊緣計算技術(shù)，將延遲敏感的計算任務(wù)卸載到附近的Cloudlet來降低任務(wù)的處理延遲.同時為了保證系統(tǒng)在無法連接網(wǎng)絡(luò)時依然可以使用，系統(tǒng)也支持通過藍(lán)牙等通信方式將任務(wù)卸載到附近的個人設(shè)備(如隨身攜帶的筆記本、平板電腦等).

網(wǎng)絡(luò)的延遲與設(shè)備性能、能耗的瓶頸是很多移動應(yīng)用都會遇到的問題，而邊緣計算可以幫助移動應(yīng)用突破這些瓶頸，讓應(yīng)用具有更快的響應(yīng)速度，使用更復(fù)雜的算法.

3.2 圖像識別

美國里海大學(xué)與IBM提出了一個基于深度學(xué)習(xí)的自適應(yīng)物體識別框架DeepCham[27]，該框架適用于移動設(shè)備上的物體識別應(yīng)用，可以大幅提高物體識別的準(zhǔn)確率.DeepCham將邊緣計算節(jié)點作為master來控制附近的移動設(shè)備訓(xùn)練深度模型；采用眾包的思想，深度模型訓(xùn)練所使用的數(shù)據(jù)集與數(shù)據(jù)的標(biāo)記都是由周圍的移動設(shè)備提供.這種方式使其可以獲取大量有標(biāo)記的數(shù)據(jù)集，進(jìn)行有監(jiān)督學(xué)習(xí).

在一個特定視域(圖像的光線、背景、視角等)內(nèi)采集圖像用來訓(xùn)練深度模型，得到的深度模型對該視域內(nèi)對象的識別準(zhǔn)確率更高.DeepCham充分利用這一點，在同一個邊緣計算節(jié)點周圍采集圖片來訓(xùn)練模型，并通過圖片的元數(shù)據(jù)信息(位置、天氣和時間等)來區(qū)分不同的視域.這使模型很好地適應(yīng)周圍的視域，從而使DeepCham可以自適應(yīng)視域的轉(zhuǎn)換.

適用于特定功能的識別模型要比通用識別模型更好訓(xùn)練，也有更高的準(zhǔn)確性.邊緣計算模式可以在一定程度上減小對模型適用范圍的要求，也為深度學(xué)習(xí)收集大量特定的學(xué)習(xí)數(shù)據(jù)，訓(xùn)練更加個性化的識別模型.

3.3 網(wǎng)站性能優(yōu)化

網(wǎng)站性能優(yōu)化(Web performance optimization)是用來提高用戶瀏覽器的網(wǎng)站加載和顯示速度的技術(shù).隨著用戶體驗的重要性不斷增強和用戶對速度的需求日益增長，網(wǎng)站性能優(yōu)化行業(yè)得到快速發(fā)展，很多互聯(lián)網(wǎng)公司都對外提供網(wǎng)站性能優(yōu)化的服務(wù)與工具，如雅虎的YSlow與谷歌的PageSpeed Tools.在用戶請求網(wǎng)頁的過程中，80%～90%的響應(yīng)時間都發(fā)生在前端(下載組件、頁面的渲染與執(zhí)行等)，在網(wǎng)絡(luò)邊緣上的優(yōu)化才是提高網(wǎng)站性能的關(guān)鍵.傳統(tǒng)的網(wǎng)站優(yōu)化方案是在Web服務(wù)器上利用固定規(guī)則優(yōu)化網(wǎng)站頁面，再通過內(nèi)容分發(fā)網(wǎng)絡(luò)加速傳輸.這種方法沒有充分利用邊緣網(wǎng)絡(luò)資源，優(yōu)化方法對所有用戶都是一樣的，沒有考慮到用戶的網(wǎng)絡(luò)狀態(tài)情況；內(nèi)容分發(fā)網(wǎng)絡(luò)雖然是在邊緣網(wǎng)絡(luò)上的優(yōu)化技術(shù)，但是它只能加快組件的下載速度，頁面渲染、執(zhí)行的速度依然取決于設(shè)備的計算能力.

為了充分利用邊緣網(wǎng)絡(luò)資源，日本電報電話公司(NTT)設(shè)計了一種基于邊緣計算的網(wǎng)站加速平臺EAWP(edge accelerated Web platform)[28]，為Web應(yīng)用開發(fā)者提供情景感知的網(wǎng)站優(yōu)化服務(wù)與工具.這個方案中，邊緣服務(wù)器與WIFI接入點、蜂窩網(wǎng)基站等通信設(shè)施結(jié)合，可以獲取用戶接入網(wǎng)的狀態(tài)信息來對網(wǎng)站進(jìn)行優(yōu)化.比如，當(dāng)發(fā)現(xiàn)用戶所在的邊緣網(wǎng)絡(luò)出現(xiàn)擁塞時，邊緣服務(wù)器可以降低頁面質(zhì)量(如使用低分辨率圖片)來優(yōu)化訪問的響應(yīng)時間.同時，為了彌補移動設(shè)備計算能力的不足，平臺支持將頁面內(nèi)容的執(zhí)行、渲染等復(fù)雜的工作卸載到邊緣服務(wù)器中執(zhí)行.EAWP為其他支持HTML標(biāo)準(zhǔn)的Web引擎提供等效的運行環(huán)境，現(xiàn)有的應(yīng)用程序可以不需要更改直接在平臺上運行.

3.4 智慧城市

智慧城市是一種現(xiàn)代化城市模型，運用信息技術(shù)與物聯(lián)網(wǎng)技術(shù)對城市資源做出智能化的管理.智慧城市在近幾年得到了快速發(fā)展，IBM，Intel，Google等公司都開始將他們的產(chǎn)品與服務(wù)整合到智慧城市的框架中.智慧城市系統(tǒng)要隨時感測、分析、整合城市的各項關(guān)鍵信息，會產(chǎn)生大量的原始數(shù)據(jù)，一座100萬人的城市，平均每天會產(chǎn)生200 PB的數(shù)據(jù)[4].同時，這些數(shù)據(jù)在地理上廣泛分布，且大部分?jǐn)?shù)據(jù)存儲在本地，這為數(shù)據(jù)的查找與分析帶來了極大的困難.如果沒有一種高效的解決方案，很容易使城域網(wǎng)被大量的數(shù)據(jù)堵塞.

Tang等人[29]提出了一種以智慧城市為背景的大數(shù)據(jù)分析框架，對處理在地理上廣泛分布的數(shù)據(jù)有很好的效果.數(shù)據(jù)分析框架分為4層：1)第1層是傳感器網(wǎng)絡(luò)，由分散在城市中的傳感器構(gòu)成，晝夜不停的生成大量原始數(shù)據(jù)；2)第2層由邊緣節(jié)點組成，每個邊緣節(jié)點都要控制本地的1組傳感器，邊緣節(jié)點可以根據(jù)預(yù)先設(shè)定的模式分析和處理傳感器數(shù)據(jù)，還可以控制執(zhí)行器處理任務(wù)；3)第3層由中間計算節(jié)點組成，每個中間節(jié)點要控制一組邊緣節(jié)點，將邊緣節(jié)點上傳的信息與時空信息相結(jié)合來識別一些潛在的突發(fā)事件，當(dāng)突發(fā)事件發(fā)生時，中間節(jié)點還要控制下層設(shè)備做出應(yīng)急反應(yīng)；4)第4層是云計算中心，對全市的狀態(tài)進(jìn)行監(jiān)控并進(jìn)行中心控制，在這一層進(jìn)行長期的、全市范圍的行為分析.

這個分析框架使用了邊緣計算技術(shù)，第2～3層構(gòu)成了邊緣計算平臺.邊緣計算平臺充分利用了數(shù)據(jù)傳輸路徑上的計算設(shè)備，將眾多互不相關(guān)的輕量級任務(wù)分配到各個節(jié)點，使得任務(wù)可以并行執(zhí)行;同時，原始數(shù)據(jù)在這兩層加工后已被精煉化，在核心網(wǎng)絡(luò)上傳輸?shù)臄?shù)據(jù)量大大減小.邊緣計算技術(shù)保證了分析框架的高效運行，減少了需要上傳到云中的數(shù)據(jù)量，是整個框架高效運行的關(guān)鍵.

3.5 車聯(lián)網(wǎng)

車聯(lián)網(wǎng)將汽車接入開放的網(wǎng)絡(luò)，車輛可以將自己的狀態(tài)信息(如油耗、里程等)通過網(wǎng)絡(luò)傳到云端進(jìn)行分析，車輛間也可以自由交換天氣、路況、行人等信息，并進(jìn)行實時的互動.

韋恩州立大學(xué)在GENI Racks上構(gòu)建了一個邊緣計算平臺[30]，并在上面部署了實時3D校園地圖、車量狀態(tài)檢測、車聯(lián)網(wǎng)仿真3個應(yīng)用.3D校園地圖通過將校園內(nèi)監(jiān)控錄像與行駛車輛的錄像數(shù)據(jù)融合，通過處理后可以增強為實時3D地圖，校園安保人員可以無縫地監(jiān)控校園狀態(tài)；車量狀態(tài)檢測可以實時記錄車輛的引擎轉(zhuǎn)速、里程、油耗等狀態(tài)，并對數(shù)據(jù)進(jìn)行分析，從而檢測車輛的性能，發(fā)現(xiàn)車輛的故障；車聯(lián)網(wǎng)仿真將眾多的車輛狀態(tài)信息匯總，利用這些真實的交通信息可以進(jìn)行車聯(lián)網(wǎng)應(yīng)用的仿真實驗.

這些應(yīng)用都會產(chǎn)生大量的傳感器數(shù)據(jù)，很多數(shù)據(jù)都需要進(jìn)行實時處理，而邊緣計算可以在數(shù)據(jù)源附近對數(shù)據(jù)進(jìn)行處理，減少了不必要的網(wǎng)絡(luò)傳輸，并提高了應(yīng)用的響應(yīng)速度.

4 邊緣計算面臨的挑戰(zhàn)

目前，關(guān)于邊緣計算的研究才剛剛起步，雖然已經(jīng)取得了一定成果，但從實際應(yīng)用來說，還存在很多問題需要研究，下面對其中的幾個主要問題進(jìn)行分析.

4.1 多主體的資源管理

邊緣計算資源分散在數(shù)據(jù)的傳輸路徑上，被不同的主體所管理和控制，比如用戶控制終端設(shè)備、網(wǎng)絡(luò)運營商控制通信基站、網(wǎng)絡(luò)基礎(chǔ)設(shè)施提供商控制路由器、應(yīng)用服務(wù)供應(yīng)商控制邊緣服務(wù)器與內(nèi)容傳輸網(wǎng)絡(luò).云計算中的資源都是集中式的管理，因此云計算的資源管理方式并不適用管理邊緣計算分散的資源，而目前關(guān)于邊緣計算的研究[31-32]也主要集中在對單一主體資源的管理和控制，還未涉及多主體資源的管理.一種比較直觀的解決方式是各個主體對資源自我管理，然后通過中間服務(wù)(broker service)[33]來進(jìn)行資源供給.但這種方式只能提供基本的功能，如果要滿足使用者的特殊需求(如自動供給)，中介層則需要自己實現(xiàn)部分IaaS(infrastructure as a service)平臺功能.這需要依賴各個主體提供的API，只要有1個主體提供的API不夠靈活，就很難實現(xiàn)，因此實現(xiàn)靈活的多主體資源管理是一個十分富有挑戰(zhàn)性的問題.

4.2 應(yīng)用的移動管理

邊緣計算依靠資源在地理上廣泛分布的特點來支持應(yīng)用的移動性，一個邊緣計算節(jié)點只服務(wù)周圍的用戶.應(yīng)用的移動就會造成服務(wù)節(jié)點的切換.而云計算對應(yīng)用移動性的支持則是“服務(wù)器位置固定，數(shù)據(jù)通過網(wǎng)絡(luò)傳輸?shù)椒?wù)器”， 所以在邊緣計算中應(yīng)用的移動管理也是一種新模式，主要涉及以下2個問題：

1) 資源發(fā)現(xiàn).應(yīng)用在移動的過程中需要快速發(fā)現(xiàn)周圍可以利用的資源，并選擇最合適的資源.當(dāng)前雖然也有很多成熟的資源發(fā)現(xiàn)技術(shù)，在云監(jiān)控(cloud monitor)[34-35]與云中介(service brokerage)[36]中被廣泛運用，但邊緣計算的資源發(fā)現(xiàn)需要適應(yīng)異構(gòu)的資源環(huán)境，還需要保證資源發(fā)現(xiàn)的速度，才能使應(yīng)用不間斷地為用戶提供服務(wù).

2) 資源切換.用戶移動時，移動應(yīng)用使用的計算資源可能會在多個設(shè)備間切換，而資源切換要將服務(wù)程序的運行現(xiàn)場遷移.熱遷移技術(shù)可以解決這個問題，但是傳統(tǒng)熱遷移技術(shù)的目標(biāo)是最小化停機時間，而資源切換需要最小化總遷移時間，因為在遷移的過程中用戶要忍受升高的延遲.另外，傳統(tǒng)的虛擬機遷移是在數(shù)據(jù)中心的內(nèi)部進(jìn)行，設(shè)備的計算能力與網(wǎng)絡(luò)帶寬比較固定，而邊緣計算資源的異構(gòu)性與網(wǎng)絡(luò)的多樣性，需要遷移過程自適應(yīng)設(shè)備計算能力與網(wǎng)絡(luò)帶寬的變化.所以，邊緣計算需要一套自適應(yīng)的快速熱遷移方案，來滿足移動應(yīng)用資源切換的需求.

4.3 虛擬化技術(shù)

為了方便資源的有效管理，邊緣計算需要虛擬化技術(shù)的支持，為系統(tǒng)選擇合適的虛擬化技術(shù)是邊緣計算的一個研究熱點.邊緣計算對虛擬化技術(shù)的要求體現(xiàn)在如下3個方面：1)邊緣計算資源是一種基礎(chǔ)設(shè)施，要盡可能地保持通用性，所以虛擬化技術(shù)應(yīng)該實現(xiàn)最小化對應(yīng)用程序運行時環(huán)境的約束，不應(yīng)強制應(yīng)用使用特定的操作系統(tǒng)、函數(shù)庫等；2)邊緣計算資源的能力有限，不能像計算中心一樣為應(yīng)用提供充足的資源，虛擬化技術(shù)應(yīng)最大化資源利用率，使有限的資源在同一時間內(nèi)滿足更多的請求；3)有些邊緣計算資源在處理用戶任務(wù)的同時還要對外提供其他服務(wù)，虛擬化技術(shù)應(yīng)將不同的任務(wù)徹底隔離，一個應(yīng)用的崩潰、內(nèi)存溢出、高CPU占用不會對其他的任務(wù)造成影響.例如在移動邊緣計算[37]中，基站能夠處理用戶的任務(wù)，但是這些任務(wù)不能影響基站最基本的無線接入功能.這3個方面可能會出現(xiàn)沖突，系統(tǒng)要根據(jù)自己的需求在這之間做出權(quán)衡.目前，新型的虛擬化技術(shù)層出不窮，其中有很多打破了虛擬機和容器的規(guī)則與界線，將兩者充分融合，同時具備兩者的優(yōu)勢，如LXD，Hyper，Rancher OS等.所以，不拘泥于虛擬化技術(shù)現(xiàn)有的規(guī)則與界線，設(shè)計適應(yīng)邊緣計算特點的虛擬化技術(shù)也是一大挑戰(zhàn).

4.4 數(shù)據(jù)分析

數(shù)據(jù)分析的數(shù)據(jù)量越大，往往提取出的價值信息就越多.但是收集數(shù)據(jù)需要時間，價值信息往往也具有時效性，沒有人會關(guān)注昨天的天氣預(yù)報.邊緣計算使數(shù)據(jù)可以在匯集的過程中被處理與分析，很多數(shù)據(jù)如果被過早地分析，可能會丟失很多有價值的信息，所以如何權(quán)衡提取信息的價值量與時效性是一個關(guān)鍵性問題.

邊緣計算利用的計算節(jié)點數(shù)量眾多，但節(jié)點的計算資源有限，很多都是單片機或片上系統(tǒng)，例如Intel小型蜂窩基站上配備T3K片上系統(tǒng)擁有4核ARM處理器和2 GB的內(nèi)存[38]；而目前流行的Hadoop，Spark等數(shù)據(jù)分析模型利用的計算資源特點卻是“數(shù)量相對較少，但資源十分豐富”， 高效運行的Spark需要8核CPU與8 GB內(nèi)存的計算節(jié)點支持，因此Hadoop，Spark等數(shù)據(jù)分析框架不適應(yīng)邊緣計算的資源環(huán)境.現(xiàn)有很多計算框架適用于資源有限的計算節(jié)點，如實時數(shù)據(jù)處理框架Apache Edgent，深度學(xué)習(xí)框架TensorFlow等，但仍不成熟，有很多問題需要解決.例如Apache Edgent只支持類似過濾，聚集這樣的簡單操作，而TensorFlow目前的版本只能用于單PC或單移動設(shè)備上的計算.

4.5 編程模型

邊緣計算資源動態(tài)、異構(gòu)與分散的特性使應(yīng)用程序的開發(fā)十分困難，為減少應(yīng)用的開發(fā)難度，需要可以適應(yīng)邊緣計算資源的編程模型.Hong等人[39]提出了一個邊緣計算編程模型，針對地理空間分布的延遲敏感的大規(guī)模應(yīng)用，該模型適應(yīng)分散、異構(gòu)的資源環(huán)境，并使程序可以根據(jù)負(fù)載動態(tài)伸縮.但是該模型假設(shè)資源之間的網(wǎng)絡(luò)拓?fù)浔仨毷菢錉畹模瑹o法適應(yīng)邊緣計算資源的動態(tài)性.Sajjad等人[40]研究了流處理應(yīng)用的編程模型，該模型利用空間上分散的計算資源處理數(shù)據(jù)，將任務(wù)區(qū)分為本地任務(wù)和全局任務(wù)，本地任務(wù)可以在更靠近數(shù)據(jù)源的計算節(jié)點上執(zhí)行，從而減少應(yīng)用在網(wǎng)絡(luò)上傳輸?shù)臄?shù)據(jù)量.

5 總結(jié)與展望

邊緣計算利用數(shù)據(jù)傳輸路徑上的資源為用戶提供服務(wù)，作為一種新型的計算模式，邊緣計算在很多應(yīng)用領(lǐng)域都具有巨大的潛力，并對未來萬物聯(lián)網(wǎng)的趨勢有著巨大的推動作用.本文介紹了邊緣計算的優(yōu)勢，并從計算資源、數(shù)據(jù)以及與云計算的關(guān)系這3方面出發(fā)對邊緣計算做出定義，也對邊緣計算的相關(guān)概念進(jìn)行了分析與比較；隨后，介紹了邊緣計算的基礎(chǔ)設(shè)施——邊緣計算平臺，主要從Cloudlet，ParaDrop，PCloud這3個具有代表性的平臺入手，從應(yīng)用領(lǐng)域、服務(wù)移動性、服務(wù)狀態(tài)、虛擬化技術(shù)這4個方面進(jìn)行了分析與比較；接著，通過列舉代表性應(yīng)用，分別展示出邊緣計算在物聯(lián)網(wǎng)應(yīng)用和移動應(yīng)用上的優(yōu)勢；最后，梳理了當(dāng)前邊緣計算所面臨的一些挑戰(zhàn).

致謝美國韋恩州立大學(xué)的施巍松教授對論文進(jìn)行審閱并提出一些寶貴的建議.在此表示衷心的感謝!

[1]Gray J. Distributed computing economics[J]. Queue, 2004, 6(3): 63-68

[2]Armbrust M, Fox A, Griffith R, et al. Above the clouds: A Berkeley view of cloud computing, UCB/EECS-2009-28[R]. Berkeley: EECS Department, 2009

[3]Evans D. The Internet of Things how the next evolution of the Internet is changing every thing[EB/OL]. [2017-08-15]. https://www.cisco.com/c/dam/en_us/about/ac79/docs/innov/IoT_IBSG_0411FINAL.pdf

[4]Cisco Visual Networking. Cisco global cloud index: Forecast and methodology 2015-2020[EB/OL]. [2017-08-15]. https://www.cisco.com/c/dam/en/us/solutions/collateral/service-provider/global-cloud-index-gci/white-paper-c11-738085.pdf

[5]Ha K, Pillai P, Lewis G, et al. The impact of mobile multimedia applications on data center consolidation[C] //Proc of the 1st IEEE Int Conf on Cloud Engineering. Piscataway, NJ: IEEE, 2012: 166-176

[6]Hu Wenlu, Gao Ying, Ha K, et al. Quantifying the impact of edge computing on mobile applications[C] //Proc of the 7th ACM Sigops Asia-Pacific Workshop on Systems. New York: ACM, 2016: 45-52

[7]Groopman J, Etlinger S. Consumer perceptions of privacy in the Internet of Things: What brands can learn from a concerned citizenry[R]. San Francisco: Altimeter Group, 2015

[8]Satyanarayanan M. The emergence of edge computing[J]. Computer, 2017, 50(1): 30-39

[9]Shi Weisong, Sun Hui, Cao Jie, et al. Edge computing——An emerging computing model for the Internet of everything era[J]. Journal of Computer Research and Development, 2017, 54(5): 907-924 (in Chinese)(施巍松, 孫輝, 曹杰, 等. 邊緣計算: 萬物互聯(lián)時代新型計算模型[J]. 計算機研究與發(fā)展, 2017, 54(5): 907-924)

[10]Shi Weisong, Cao Jie, Zhang Quan, et al. Edge computing: Vision and challenges[J]. IEEE Internet of Things Journal, 2016, 3(5): 637-646

[11]Bonomi F, Milito R, Zhu Jiang, et al. Fog computing and its role in the Internet of Things[C] //Proc of the 1st Edition of the MCC Workshop on Mobile Cloud Computing. New York: ACM, 2012: 13-16

[12]Cisco DEVNET. Cisco IOx[EB/OL]. [2017-08-15]. https://developer.cisco.com/site/iox/

[13]Open Edge Computing Initiative. Open edge computing [EB/OL]. [2017-08-15]. http://openedgecomputing.org/

[14]Liu Peng, Willis D, Banerjee S. ParaDrop: Enabling lightweight multi-tenancy at the network’s extreme edge[C] //Proc of the 1st IEEE/ACM Symp on Edge Computing. Piscataway, NJ: IEEE, 2016: 1-13

[15]Willis D, Dasgupta A, Banerjee S. Paradrop: A multi-tenant platform to dynamically install third party services on wireless gateways[C] //Proc of the 9th ACM Workshop on Mobility in the Evolving Internet Architecture. New York: ACM, 2014: 43-48

[16]Satyanarayanan M, Bahl P, Caceres R, et al. The case for VM-based cloudlets in mobile computing[J]. IEEE Pervasive Computing, 2009, 8(4): 14-23

[17]Satyanarayanan M. A brief history of cloud offload: A personal journey from odyssey through cyber foraging to cloudlets[J]. GetMobile: Mobile Computing and Communications, 2015, 18(4): 19-23

[18]Ha K, Satyanarayanan M. Openstack++ for cloudlet deployment,CMU-CS-15-123[R]. Pittsburgh: CMU School of Computer Science, 2015

[19]Ha K, Pillai P, Richter W, et al. Just-in-time provisioning for cyber foraging[C] //Proc of the 11th Int Conf on Mobile Systems, Applications, and Services. New York: ACM, 2013: 153-166

[20]Ha K, Abe Y, Chen Zhuo, et al. Adaptive vm handoff across cloudlets,CMU-CS-15-113[R]. Pittsburgh: CMU School of Computer Science, 2015

[21]Ha K, Chen Zhuo, Hu Wenlu, et al. Towards wearable cognitive assistance[C] //Proc of the 12th Int Conf on Mobile Systems, Applications, and Services. New York: ACM, 2014: 68-81

[22]Simoens P, Xiao Yu, Pillai P, et al. Scalable crowd-sourcing of video from mobile devices[C] //Proc of the 11th Int Conf on Mobile Systems, Applications, and Services. New York: ACM, 2013: 139-152

[23]Satyanarayanan M, Lewis G, Morris E, et al. The role of cloudlets in hostile environments[J]. IEEE Pervasive Computing, 2013, 12(4): 40-49

[24]Jang M, Schwan K, Bhardwaj K, et al. Personal clouds: Sharing and integrating networked resources to enhance end user experiences[C] //Proc of the 33rd IEEE INFOCOM. Piscataway, NJ: IEEE, 2014: 2220-2228

[25]Jang M, Schwan K. STRATUS: Assembling virtual platforms from device clouds[C] //Proc of the 4th IEEE Int Conf on Cloud Computing. Piscataway, NJ: IEEE, 2011: 476-483

[26]Jang M，Lee H, Schwan K, et al. SOUL: An edge-cloud system for mobile applications in a sensor-rich world[C] //Proc of the 1st IEEE/ACM Symp on Edge Computing. Piscataway, NJ: IEEE, 2016: 155-167

[27]Li Dawei, Salonidis T, Desai N V, et al. DeepCham: Collaborative edge-mediated adaptive deep learning for mobile object recognition[C] //Proc of the 1st IEEE/ACM Symp on Edge Computing. Piscataway, NJ: IEEE, 2016: 64-76

[28]Takahashi N, Tanaka H, Kawamura R. Analysis of process assignment in multi-tier mobile cloud computing and application to edge accelerated Web browsing[C] //Proc of the 3rd IEEE Int Conf on Mobile Cloud Computing, Services, and Engineering. Piscataway, NJ: IEEE, 2015: 233-234

[29]Tang Bo, Chen Zhen, Hefferman G, et al. A hierarchical distributed fog computing architecture for big data analysis in smart cities[C] //Proc of the 15th ASE BigData & SocialInformatics 2015. New York: ACM, 2015: 135-143

[30]Gosain A, Berman M, Brinn M, et al. Enabling campus edge computing using GENI racks and mobile resources[C] //Proc of the 1st IEEE/ACM Symp on Edge Computing. Piscataway, NJ: IEEE, 2016: 41-50

[31]Bhardwaj K, Shih M W, Agarwal P, et al. Fast, scalable and secure onloading of edge functions using AirBox[C] //Proc of the 1st IEEE/ACM Symp on Edge Computing. Piscataway, NJ: IEEE, 2016: 14-27

[32]Nastic S, Truong H L, Dustdar S. A middleware infrastructure for utility-based provisioning of IoT cloud systems[C] //Proc of the 1st IEEE/ACM Symp on Edge Computing. Piscataway, NJ: IEEE, 2016: 28-40

[33]Loreto S, Mecklin T, Opsenica M, et al. Service broker architecture: Location business case and mashups[J]. IEEE Communications Magazine, 2009, 47(4): 97-103

[34]Chaves S A D, Uriarte R B, Westphall C B. Toward an architecture for monitoring private clouds[J]. IEEE Communications Magazine, 2011, 49(12): 130-137

[35]Povedano-Molina J, Lopez-Vega J M, Lopez-Soler J M, et al. DARGOS: A highly adaptable and scalable monitoring architecture for multi-tenant Clouds[J]. Future Generation Computer Systems, 2013, 29(8): 2041-2056

[36]Grozev N, Buyya R. Inter-Cloud architectures and application brokering: Taxonomy and survey[J]. Software Practice & Experience, 2014, 44(3): 369-390

[37]Ahmed A, Ahmed E. A survey on mobile edge computing[C] //Proc of the 10th IEEE Int Conf on Intelligent Systems and Control. Piscataway, NJ: IEEE, 2016: 1-8

[38]Intel. LTE/dual-mode small cell SoC[EB/OL]. [2017-08-15]. https://www.intel.com/content/dam/www/public/us/en/documents/product-briefs/transcede-t3k-product-brief.pdf

[39]Hong K, Lillethun D, Ramachandran U, et al. Mobile fog:A programming model for large-scale applications on the Internet of Things[C] //Proc of the 2nd ACM SIGCOMM Workshop on Mobile Cloud Computing. New York: ACM, 2013: 15-20

[40]Sajjad H P, Danniswara K, Al-Shishtawy A, et al. SpanEdge: Towards unifying stream processing over central and near-the-edge data centers[C] //Proc of the 1st IEEE/ACM Symp on Edge Computing. Piscataway, NJ: IEEE, 2016: 168-178