鄧曉衡 關(guān)培源 萬志文 劉恩陸 羅 杰 趙智慧 劉亞軍 張洪剛
1(中南大學(xué)信息科學(xué)與工程學(xué)院 長沙 410075) 2(中南大學(xué)軟件學(xué)院 長沙 410075) 3(馬薩諸塞大學(xué)波士頓分校工程系 波士頓 02125-3393)(dxh@csu.edu.cn)
計算的硬件形態(tài)、計算體的連接形式與應(yīng)用的需求發(fā)展相互影響,使得計算范式經(jīng)歷了從大型機(jī)+終端的集中計算模式;到服務(wù)器+PC+計算機(jī)網(wǎng)絡(luò)的自主網(wǎng)絡(luò)計算模式,其表現(xiàn)為集群計算、網(wǎng)格計算,期間還有對等計算等形式;進(jìn)一步的發(fā)展使計算再次回歸集中,形成云平臺、數(shù)據(jù)中心+終端的中心計算模式,表現(xiàn)為云計算與數(shù)據(jù)中心服務(wù)[1-2].云計算通過將ICT資源或信息服務(wù)的基礎(chǔ)設(shè)施中心、平臺和應(yīng)用服務(wù)器等虛擬化直接提供基礎(chǔ)設(shè)施服務(wù),如各種服務(wù)器、數(shù)據(jù)庫、存儲設(shè)備、并行分布式計算系統(tǒng)等;或者形成平臺,如運(yùn)營、支撐和開發(fā)平臺等;或者構(gòu)建服務(wù)應(yīng)用,如提供的軟件、數(shù)據(jù)和信息等各種應(yīng)用.云計算的核心思想是通過將超大容量的資源集中統(tǒng)一管理,根據(jù)用戶的需求與請求,動態(tài)地分配,由于集中的管理模式有良好商業(yè)模式,包括亞馬遜、Google、微軟等IT、互聯(lián)網(wǎng)和通信等行業(yè)大企業(yè)紛紛進(jìn)入云計算領(lǐng)域,云計算也因此蓬勃發(fā)展,應(yīng)用和服務(wù)于各行各業(yè)[3-4].云計算高度發(fā)展,完全集中化,也帶來不可避免的局限性.比如電子商務(wù)平臺、評級服務(wù)、搜索引擎、在線社交網(wǎng)絡(luò)和位置服務(wù)等集中式服務(wù)釋放個人和社交數(shù)據(jù)而導(dǎo)致隱私泄露;從用戶到云完全授權(quán)的應(yīng)用程序和系統(tǒng)控制,要求客戶端到云的單方面信任,阻礙了用戶之間建立更細(xì)粒度的信任;同時,還失去和浪費(fèi)了現(xiàn)代個人設(shè)備的計算、通信和存儲能力;最后,云計算亦無法滿足強(qiáng)實時性需求、大數(shù)據(jù)量交互與處理、本地化位置相關(guān)計算的需求.邊緣計算(edge computing)應(yīng)運(yùn)而生,代表了云計算之后回歸的新的計算范例,其中計算和存儲資源放置在互聯(lián)網(wǎng)的邊緣,靠近移動設(shè)備、傳感器和最終用戶.邊緣計算不是要替代云計算,而是與云計算有機(jī)融合,進(jìn)行權(quán)衡,使用戶獲得最好的體驗.邊緣計算又被稱為或者表現(xiàn)為霧計算(fog computing)、移動邊緣計算(mobile edge computing)等[5-7].研究者使用諸如“朵云”、“微數(shù)據(jù)中心”和“霧”的術(shù)語來指代小的邊緣定位節(jié)點[8-10],代表著和云計算、大數(shù)據(jù)中心概念體系中相對應(yīng)的另一面.
從計算模式的演進(jìn),我們可以發(fā)現(xiàn)其中有一個基本的因素就是模式演化都是為了更加充分、有效地協(xié)同各種資源,包括計算、存儲、通信資源等.物聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)的不斷發(fā)展,意味著網(wǎng)絡(luò)的邊緣有海量的數(shù)據(jù)產(chǎn)生和巨大邊緣就近計算的需求,產(chǎn)生大量的邊緣流量可能對核心網(wǎng)絡(luò)帶寬產(chǎn)生挑戰(zhàn).卡內(nèi)基梅隆大學(xué)計算機(jī)系Satyanarayanan教授指出從發(fā)展的成功程度來看,云計算正在讓位于邊緣計算,未來邊緣計算應(yīng)用以及終端用戶的體驗都將不斷提升[11].邊緣計算將有著廣泛的應(yīng)用前景,業(yè)內(nèi)甚至將邊緣計算和云計算看作未來2種并存、對等的計算模式.學(xué)術(shù)界的研究者們已經(jīng)針對這種計算模式的體系結(jié)構(gòu)、關(guān)鍵理論與科學(xué)問題、技術(shù)挑戰(zhàn)等問題進(jìn)行探索,并形成許多初創(chuàng)成果.為推動邊緣計算的深入研究[12-13],美國自然科學(xué)基金會于2016年首次以邊緣計算為主題設(shè)立研究計劃資助科學(xué)家研究[14];Future Generation Computer Systems,IEEE Networks系列的邊緣計算專輯與綜述論文也于2016年、2017年出版,IEEE和ACM于2016年聯(lián)合發(fā)起召開了首屆邊緣計算研討會.2016年11月30日邊緣計算產(chǎn)業(yè)聯(lián)盟由華為技術(shù)有限公司、中國科學(xué)院沈陽自動化研究所、中國信息通信研究院、Intel、ARM、軟通動力信息技術(shù)(集團(tuán))有限公司在北京宣布成立[15];工業(yè)界Cisco公司提出了“Fog Computing”[16],其理念和邊緣計算完全切合,其更關(guān)注硬件設(shè)施的部署和技術(shù)上解決方案的推廣;當(dāng)前通信領(lǐng)域的5G標(biāo)準(zhǔn)正在制定與形成中,意味著邊緣網(wǎng)絡(luò)的通信速度將進(jìn)一步大幅提升,邊緣計算的解決方案和相關(guān)標(biāo)準(zhǔn)也將成為未來5G標(biāo)準(zhǔn)的重要組成部分.未來邊緣計算的研究和應(yīng)用正處一個即將興起階段,我國的學(xué)術(shù)和工業(yè)界也緊盯研究前沿,推動邊緣計算的科研和產(chǎn)業(yè)創(chuàng)新與發(fā)展,為未來我國能制勝于物聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)和云計算融合的時代奠定堅實基礎(chǔ).
邊緣計算注重廣泛密集分布資源受限的終端、局部匯聚具有較強(qiáng)資源能力的邊緣服務(wù)器、資源超級巨大云計算、數(shù)據(jù)中心服務(wù)器通過多種異構(gòu)無線/有線網(wǎng)絡(luò)連接,實現(xiàn)安全、可靠、高效率的資源共享與管理,達(dá)到資源的優(yōu)化利用,同時滿足用戶的高QoE體驗以及可信安全的需求.要真正充分發(fā)揮邊緣設(shè)施和終端節(jié)點的效能,資源的科學(xué)管理和調(diào)度是核心,用戶的信任和安全是保障.這需要設(shè)計以用戶為中心的面向用戶體驗質(zhì)量(quality of experience, QoE)、安全信任的邊緣計算模型框架,實現(xiàn)高效安全的資源管理、負(fù)載合理地分配,實現(xiàn)數(shù)據(jù)合理快速地移動、服務(wù)友好地加載和遷移,實現(xiàn)設(shè)備與用戶有機(jī)地協(xié)同.這些是邊緣計算能否和云計算有機(jī)融合,協(xié)同形成一個高效、安全可信的計算系統(tǒng),能否有效滿足用戶需求而被廣泛實際應(yīng)用的關(guān)鍵因素和根本條件.
1) 邊緣計算.雖然邊緣計算的計算形式已經(jīng)在一些實際應(yīng)用中表現(xiàn)出來了,但是對于邊緣計算基礎(chǔ)理論的研究正在逐步開展,產(chǎn)業(yè)界也還正在推出不同形式的解決方案,尚未形成統(tǒng)一標(biāo)準(zhǔn).邊緣計算至今也還沒有一個統(tǒng)一的標(biāo)準(zhǔn)定義,現(xiàn)在有不少學(xué)者發(fā)表了關(guān)于邊緣計算的看法.
美國韋恩州立大學(xué)施巍松教授認(rèn)為,邊緣計算是指網(wǎng)絡(luò)邊緣執(zhí)行計算的一種新型計算模型,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[17].如圖1所示,從數(shù)據(jù)生產(chǎn)與消費(fèi)的角度將云計算和邊緣計算對等地對待,邊緣設(shè)備可以根據(jù)實際需要進(jìn)行數(shù)據(jù)存儲、緩存、分析、傳輸?shù)认嚓P(guān)計算操作,從而實現(xiàn)邊緣和云的資源統(tǒng)一協(xié)調(diào).
Fig. 1 Weisong Shi’edge computing paradigm圖1 施巍松教授提出的邊緣計算模型
Fig. 2 Cloud and cloudlet infrastructure with two layers圖2 2層結(jié)構(gòu)的云和微云結(jié)構(gòu)
美國卡內(nèi)基梅隆大學(xué)的Satyanarayanan教授[8]認(rèn)為邊緣計算是一種新的范式,通過將小型的計算和數(shù)據(jù)中心的資源放置在網(wǎng)絡(luò)的邊緣,使得資源接近移動設(shè)備、傳感器和最終用戶,從而滿足用戶實時響應(yīng)、安全隱私、高帶寬等需求,如圖2所示.并通過Cloudlet[8,10,18-19 ]作為一種示例形式,展示了一種2層云與微云架構(gòu)的邊緣計算模型,并通過包括利用谷歌眼鏡在內(nèi)視頻應(yīng)用展示出良好的應(yīng)用效果.
Lopez等認(rèn)為[12]以邊緣為中心的計算作為一種新的范式,將計算應(yīng)用、數(shù)據(jù)和服務(wù)的前沿從集中式節(jié)點推向網(wǎng)絡(luò)邊緣,即邊緣中心計算.如圖3所示,展示了中心計算的代表云計算和邊緣計算的不同模式.
Fig. 3 Comparison between central and edge computing圖3 中心計算與邊緣計算模式對比
2) 移動邊緣計算.移動承載網(wǎng)絡(luò)當(dāng)前功能僅僅提供語音、數(shù)據(jù)通道,應(yīng)用的業(yè)務(wù)占比卻不斷增加,電信標(biāo)準(zhǔn)組織和運(yùn)營商擬通過未來5G網(wǎng)絡(luò)將移動互聯(lián)網(wǎng)及物聯(lián)網(wǎng)業(yè)務(wù)融合,提供一體化服務(wù)提升移動網(wǎng)絡(luò)帶寬的價值.因此,歐洲電信標(biāo)準(zhǔn)協(xié)會ETSI提出移動邊緣計算[20-21](multi-access edge computing, MEC),即在“在移動網(wǎng)邊緣提供IT服務(wù)環(huán)境和云計算能力”[22],將資源靠近移動用戶,以減少網(wǎng)絡(luò)操作和服務(wù)交付的時延,提高用戶體驗.從而實現(xiàn)了基于移動5G網(wǎng)絡(luò),將移動接入網(wǎng)與互聯(lián)網(wǎng)業(yè)務(wù)有機(jī)融合,提供第三方應(yīng)用集成,為移動邊緣入口的服務(wù)創(chuàng)新提供平臺,拓展移動通信運(yùn)營商的市場領(lǐng)域,有效應(yīng)對各種OTT(over the top)應(yīng)用,被看成了電信運(yùn)營商應(yīng)用創(chuàng)新的基石.未來5G網(wǎng)絡(luò)采用的接入方式,如C-RAN(centralized/cloud radio access network)或者D-RAN(distributed radio access network)都會將移動邊緣計算模式作為5G標(biāo)準(zhǔn)組成實現(xiàn)對新的應(yīng)用創(chuàng)新機(jī)制支持.MEC也具備有業(yè)務(wù)本地化、近距離及低時延的業(yè)務(wù)交付、為業(yè)務(wù)提供用戶位置感知及其他網(wǎng)絡(luò)能力的基本特征,如圖4所示,將云計算和云存儲拉近到網(wǎng)絡(luò)邊緣后,可以創(chuàng)造出一個具備高性能、低延遲與高帶寬的計算環(huán)境,提升網(wǎng)絡(luò)中各項內(nèi)容、服務(wù)及應(yīng)用的QoS,用戶也擁有更高的QoE[23].一系列的新技術(shù)將被應(yīng)用于MEC中,比如網(wǎng)絡(luò)功能虛擬化(network function virtualization, NFV)、軟件定義網(wǎng)絡(luò)(software defined network, SDN)、邊緣計算存儲、網(wǎng)絡(luò)切片急速、綠色網(wǎng)絡(luò)通信技術(shù)等,其源于數(shù)據(jù)中心,擴(kuò)展到網(wǎng)絡(luò)邊緣,可以提供更好的靈活性、擴(kuò)展性以及面向終端的用戶體驗和性能.
Fig. 4 Mobile edge computing architecture圖4 MEC體系結(jié)構(gòu)示意圖
3) 移動云計算.移動云計算是基于云計算,將移動計算和云計算緊密結(jié)合,它將云計算集成到移動環(huán)境中,支持用戶以按需、易擴(kuò)展的方式獲得所需的基礎(chǔ)設(shè)施、平臺、軟件(或應(yīng)用)等的一種IT資源或(信息)服務(wù)的交付與使用模式,移動云計算體現(xiàn)的是云計算技術(shù)在移動互聯(lián)網(wǎng)中的應(yīng)用[24].移動云計算的本質(zhì)就是云計算,有效地利用了智能移動終端的處理能力、存儲能力弱小、接入的靈活性和云中心處理、存儲能力超強(qiáng)的特點.移動云計算是非常典型的中心計算模式,對于終端限制極小,只要能聯(lián)網(wǎng)訪問服務(wù)即可,其結(jié)構(gòu)如圖5所示.
Fig. 5 System infrastructure of mobile cloud compuitng圖5 移動云計算的系統(tǒng)結(jié)構(gòu)示意圖
移動云計算幫助移動終端降低硬件要求,便捷完成數(shù)據(jù)存取,利用云平臺實現(xiàn)智能均衡負(fù)載,通過集中管理還可以降低管理成本和按需服務(wù).移動云計算會隨著云計算的不斷發(fā)展而擴(kuò)大應(yīng)用,尤其是提供基于大平臺的面向終端用戶的信息訪問與服務(wù)請求的相關(guān)業(yè)務(wù)[25].但是移動云計算的這種中心強(qiáng)大、邊緣弱小的結(jié)果,對于具有大數(shù)據(jù)吞吐量和頻繁數(shù)據(jù)交互、位置和延遲敏感的邊緣實時大量計算與存儲業(yè)務(wù)則會表現(xiàn)得無能為力,無法滿足用戶的即時響應(yīng)的需求.當(dāng)然,隨著云計算的不斷發(fā)展,由于對于信息查詢等應(yīng)用服務(wù),天然符合了移動云計算的特征,因此也會進(jìn)一步發(fā)展.
Fig. 6 Fog computing architecture圖6 霧計算的結(jié)構(gòu)示意圖
4) 霧計算.霧計算[26-28]是由思科公司最早提出的一個相對于云計算的概念,指的是將云計算擴(kuò)展到企業(yè)或個人網(wǎng)絡(luò)的邊緣,有助于終端設(shè)備和云計算數(shù)據(jù)中心之間的計算,存儲和網(wǎng)絡(luò)服務(wù)的運(yùn)行.霧計算更多強(qiáng)調(diào)基于硬件基礎(chǔ)設(shè)施部署后的關(guān)于通信、計算和存儲資源及服務(wù)在內(nèi)的系統(tǒng),涵蓋終端用戶或接近設(shè)備和系統(tǒng)的管理控制協(xié)同等,霧計算展示出比終端強(qiáng)、但比云弱的計算能力.邊緣計算則更多地體現(xiàn)對于抽象硬件之后的應(yīng)用系統(tǒng)層面的資源表示、協(xié)同、管理以及面向位置、時間、數(shù)據(jù)敏感的各類實例化的服務(wù)與應(yīng)用[29-30].如圖6所示霧計算能對接近終端用戶、密集的地理分布進(jìn)行移動性的支持.霧服務(wù)可以由網(wǎng)絡(luò)托管或甚至在終端設(shè)備(例如機(jī)頂盒或接入點)中托管.主要的好處是邊緣的鄰近與智能的結(jié)合,可獲得多個應(yīng)用的實時或可預(yù)測的等待時間.因此霧計算適合實時數(shù)據(jù)處理和分析.
從互聯(lián)網(wǎng)的角度看系統(tǒng)中的組成節(jié)點,核心層是由數(shù)據(jù)中心和云平臺組成.分布于云和數(shù)據(jù)中心則是下一層中較小的數(shù)據(jù)采集與信息發(fā)布、局部計算服務(wù)器和內(nèi)容分發(fā)網(wǎng)絡(luò);再下一層則是邊緣,由諸如臺式PC、平板電腦、智能電話、無線接入熱點和微型數(shù)據(jù)中心、無線網(wǎng)絡(luò)基站等具有一定計算能力的設(shè)備組成;再下一層則是各類傳感器或者各種計算能力受限的具有聯(lián)網(wǎng)功能的電子產(chǎn)品與器件,其數(shù)量巨大.由多層能力和結(jié)構(gòu)不同的設(shè)備組成的互聯(lián)系統(tǒng),形成一個協(xié)同的整體,為用戶提供服務(wù),能在設(shè)備、網(wǎng)絡(luò)、位置、服務(wù)能力等各方面都異構(gòu)的條件下對用戶透明、安全、可靠,體現(xiàn)了資源協(xié)同與優(yōu)化的無縫、自適應(yīng)和智能化的特點.邊緣計算主要具有5個特點:
1) 邊緣具有廣泛的連通性.邊緣計算環(huán)境中終端設(shè)備數(shù)量巨大,感知環(huán)境,形成廣泛普遍的互聯(lián)互通性.而接近網(wǎng)絡(luò)邊緣的計算、存儲、通信的資源在提供服務(wù)時具有明顯的優(yōu)勢,尤其對于大通量數(shù)據(jù)頻繁交換的場景,這種計算模式比對等計算(P2P)和內(nèi)容分發(fā)網(wǎng)絡(luò)(CDN)具有更強(qiáng)的適應(yīng)性,是兩者的統(tǒng)一,將邏輯和物理的鄰近保持了完美的一致,同時可以和中心協(xié)同.
2) 邊緣實現(xiàn)智能感知與決策.隨著物聯(lián)網(wǎng)的迅猛發(fā)展,終端設(shè)備越來越小型化,計算能力也在不斷增加,邊緣的傳感器和設(shè)備變得越來越強(qiáng)大,能夠按需地感知周圍的環(huán)境,并可以通過多個邊緣設(shè)備的協(xié)同完成對本地數(shù)據(jù)進(jìn)行處理,并形成基于時間和地點等上下文環(huán)境的智能感知的同時還能在本地進(jìn)行智能決策,從而為邊緣計算廣闊的應(yīng)用前景開啟了大門.
3) 基于邊緣的信任與安全保障.云計算通過將資源與信息匯聚到中心,形成了用戶信息、用戶行為的完全掌控,而現(xiàn)實社會中個人并不希望自己隱私信息完全被公司所掌握,而邊緣計算完全可以將個人和社會的敏感數(shù)據(jù)暫時保存于邊緣設(shè)備,而只根據(jù)應(yīng)用需求將最終結(jié)果提交給服務(wù)器端,從而能夠有效保護(hù)個人隱私.因此,以安全和專用的方式控制信任關(guān)系和敏感信息流的管理也必須屬于邊緣.
4) 邊緣交互與控制融合.未來的應(yīng)用是交互式,終端除了完成數(shù)據(jù)采集和局部計算還會根據(jù)應(yīng)用的要求和管理的需要,對云端的資源進(jìn)行利用,同時還需要根據(jù)計算結(jié)果和決策方案對本地的設(shè)備和裝置和應(yīng)用進(jìn)行控制.資源的協(xié)同與控制需要來自邊緣節(jié)點以及云端服務(wù)的相互協(xié)同,選擇性地部署、調(diào)度計算,同步或存儲委托給其他節(jié)點或核心.
5) 邊緣實現(xiàn)用戶與服務(wù)統(tǒng)一.未來的地球、社會、城市、工廠等都會在豐富的感知節(jié)點幫助下,以穿戴移動設(shè)備為支撐,實現(xiàn)面向用戶需求的、以人為中心的應(yīng)用部署,用戶在邊緣可以提出各種服務(wù)請求,也可以接受各類服務(wù),人類游走于邊緣,全面融入整個社會和環(huán)境的信息空間.
因此,隨著技術(shù)的發(fā)展,邊緣計算逐步會演化為以用戶為中心,實現(xiàn)廣泛互聯(lián)、具有隱私信任和安全保障、智能地感知和反饋控制的綜合信息服務(wù).邊緣計算既會保留傳統(tǒng)的P2P、集群計算、云計算等分布式系統(tǒng)的部分特征,同時又具有上述新的特點,面向社會實際需求,伴隨電子技術(shù)、通信技術(shù)、計算技術(shù)而不斷演化發(fā)展.
云計算通過提供廣泛的服務(wù)和幾乎無限的可用資源,形成了大資源平臺,得到廣泛應(yīng)用[1,31-32].1999年物聯(lián)網(wǎng)被提出后迅速發(fā)展,聯(lián)網(wǎng)終端產(chǎn)生大量的數(shù)據(jù),大量的數(shù)據(jù)匯聚到云計算平臺的數(shù)據(jù)中心,同時,很多部署在邊緣的應(yīng)用程序?qū)⑹褂眠@些數(shù)據(jù).思科全球云指數(shù)估計:到2019年由人、機(jī)器和聯(lián)網(wǎng)終端產(chǎn)生的數(shù)據(jù)將達(dá)到500 ZB,而全球數(shù)據(jù)中心IP流量只能達(dá)到10.4 ZB[33].45%由物聯(lián)網(wǎng)產(chǎn)生的數(shù)據(jù)的存儲、處理、分析和運(yùn)行將靠近或者放在網(wǎng)絡(luò)的邊緣進(jìn)行[34].Cisco公司預(yù)測到2020年將會有500億終端連接到網(wǎng)絡(luò)[35].面向海量數(shù)據(jù)分析和處理的IoT應(yīng)用可能要求很短的響應(yīng)時間,有的可能涉及私人數(shù)據(jù)以及有些處理可能應(yīng)對并發(fā)的超大流量的數(shù)據(jù).由于存在大量IoT終端的海量數(shù)據(jù)的傳輸,即使云計算有著超大的資源池,也不能有效支持這些應(yīng)用[36].這是因為許多云計算應(yīng)用是面向用戶的,會經(jīng)常遭遇大數(shù)據(jù)分析處理的場景不一定能滿足本地實時、安全的要求,在物聯(lián)網(wǎng)廣泛應(yīng)用的情況下,終端節(jié)點需要相互交互和共享數(shù)據(jù),使用云計算中心作為一個集中的服務(wù)器,云計算中心僅僅是為用戶之間、物聯(lián)網(wǎng)設(shè)備之間,或者用戶和物聯(lián)網(wǎng)設(shè)備之間提供數(shù)據(jù)通信的一個通道、媒介和中間節(jié)點,去滿足日益增加的用戶設(shè)備之間通信的需求,如智能手機(jī)、平板電腦、智能家電、可穿戴電器和智能傳感器等.這些設(shè)備在地理上處于網(wǎng)絡(luò)的邊緣,遠(yuǎn)離云數(shù)據(jù)中心.這種數(shù)據(jù)的通信或者邊緣數(shù)據(jù)處理的需求會造成大量的網(wǎng)絡(luò)通信資源的開銷以及云計算資源的開銷,有些應(yīng)用往往有很強(qiáng)的實時響應(yīng),云計算往往難以滿足需求,造成通信和計算資源巨大浪費(fèi)[37].同時隨著技術(shù)的進(jìn)步,例如部署在大多數(shù)家庭中強(qiáng)大的專用連接盒、高容量移動終端用戶設(shè)備和強(qiáng)大的無線網(wǎng)絡(luò),以及用戶對信任、隱私和自主性的與日俱增的擔(dān)憂.因此,有可能和必要尋找云中心相對應(yīng)的網(wǎng)絡(luò)邊緣來完成有關(guān)的計算、數(shù)據(jù)分析或者數(shù)據(jù)傳輸,即如前面提到的邊緣計算[18,38].邊緣網(wǎng)絡(luò)不僅僅是數(shù)據(jù)消費(fèi)者,也是數(shù)據(jù)生產(chǎn)者,將數(shù)據(jù)和計算以緊鄰的方式存在,天然地滿足這些需求,具有很好的優(yōu)勢.并且,隨著物聯(lián)網(wǎng)的不斷發(fā)展,終端產(chǎn)生數(shù)據(jù)量不斷急劇增漲,本地位置相關(guān)應(yīng)用不斷豐富,邊緣計算可能和云計算對我們的社會有著同等重要的影響.邊緣計算未來將在云端任務(wù)卸載、數(shù)據(jù)實時分析處理、邊緣數(shù)據(jù)采集和本地內(nèi)容分發(fā)、邊緣交互與協(xié)同等領(lǐng)域具有很好的應(yīng)用前景[39-45].
首先,在計算云端卸載方面,由于邊緣有一定的計算資源,提供了從云端卸載部分工作量到邊緣的機(jī)會[19].一方面,傳統(tǒng)的內(nèi)容分發(fā)網(wǎng)絡(luò)(CDN)中只是將云中心的數(shù)據(jù)在邊緣服務(wù)器上緩存一份,從而節(jié)省云服務(wù)器的計算資源和網(wǎng)絡(luò)路徑上的帶寬消耗,在邊緣計算場景中依舊有效.更重要的一方面,邊緣計算可以完成應(yīng)用和服務(wù)的所有中間過程的處理,而將最后結(jié)果提交到云上,實現(xiàn)計算卸載.比如:基于邊緣計算的移動網(wǎng)上購物服務(wù),客戶操作購物車,購物車的狀態(tài)是動態(tài)變化的,避免了云計算模式下,大量用戶購物車的變化產(chǎn)生巨大量的并發(fā)訪問云中心,造成云服務(wù)器的負(fù)載和通信網(wǎng)路擁塞急劇增加.在城市交通管理中,傳感器節(jié)點可以實時觀察和感知交通運(yùn)動,可以利用邊緣服務(wù)器為車輛提供實時的本地交通狀況信息服務(wù),避免了WAN高延遲,海量數(shù)據(jù)傳輸與分析使得使用云服務(wù)的不可行[46].智能家居中,物聯(lián)網(wǎng)給家庭環(huán)境帶來頗多好處,在家里用一個邊緣網(wǎng)關(guān)來管理聯(lián)網(wǎng)終端,數(shù)據(jù)在本地被采集和處理來減輕網(wǎng)絡(luò)帶寬的負(fù)擔(dān),同時,能更好地管理、交付與隱私保護(hù).
在數(shù)據(jù)邊緣實時分析方面,如視頻分析、移動手機(jī)和網(wǎng)絡(luò)攝像機(jī)的廣泛使用日益普及,由于較長時間的數(shù)據(jù)傳輸延遲和隱私問題,很多場景下云計算不再是適合于需要視頻分析的應(yīng)用程序.比如通過視頻尋找丟失的孩子、協(xié)同追捕嫌犯.在我國大部分縣級及以上城市通過實施天網(wǎng)工程,做到城區(qū)主要部分都部署有攝像頭,市民也通過智能手機(jī)擁有各種照相機(jī),并通過3G,4G以及WiFi網(wǎng)絡(luò)連通起來.通過邊緣計算模式,搜索一個孩子的請求可以在云端生成,然后發(fā)送到目標(biāo)區(qū)域的所有聯(lián)網(wǎng)終端.每一個聯(lián)網(wǎng)終端,如智能手機(jī),可以執(zhí)行請求并搜索本地攝像頭數(shù)據(jù),最后將結(jié)果報告給云端.相比于云計算,邊緣計算模式更可能借助每個終端的數(shù)據(jù)和計算能力從而更快地獲得結(jié)果.比如海洋氣候、城市安防、環(huán)境污染排放監(jiān)測等.海洋監(jiān)測通過探測氣候變化應(yīng)對像海嘯等災(zāi)難性事件,這需要快速預(yù)測機(jī)制和迅速的信息傳播,從而立即實時采取應(yīng)急行動.部署在海洋上的傳感器設(shè)備產(chǎn)生需要高計算資源和高帶寬傳輸通道的大量數(shù)據(jù),廣域網(wǎng)海量數(shù)據(jù)傳輸延遲、云上數(shù)據(jù)處理延遲都將無法滿足實時響應(yīng)的需求,因此在邊緣網(wǎng)絡(luò)服務(wù)器上收集并處理數(shù)據(jù)有助于進(jìn)行快速響應(yīng).
在本地內(nèi)容分發(fā)方面,移動互聯(lián)網(wǎng)和在線社會網(wǎng)絡(luò)的發(fā)展促成了本地信息分享的廣泛應(yīng)用,比如:終端用戶通過照片、視頻捕捉到本地安全或其他信息,可以直接向連接的通信基站的邊緣服務(wù)器共享此信息.又如:在單個移動小區(qū)的用戶中廣播在音樂會中捕獲的實況視頻.在這些內(nèi)容的傳播之前,服務(wù)提供商可以向視頻添加廣告和其他相關(guān)信息.在這種情況下,服務(wù)提供商可以利用部署在Cell基站上的MEC服務(wù)器的計算資源來將信息添加到視頻流.該信息被直接添加到基站上的視頻,而不將視頻重定向到另一個服務(wù)器進(jìn)行相應(yīng)處理并將其發(fā)送回基站,減少了處理的視頻的傳輸延遲.
邊緣的交互與協(xié)同是未來邊緣計算的高級階段,比如在防恐、健康管理領(lǐng)域等.恐怖分子一般特別善于隱藏自己,要識別恐怖分子往往需要最廣泛的信息監(jiān)控,這時廣泛存在和部署的邊緣網(wǎng)絡(luò)成為了最重要的信息采集的基礎(chǔ)部分,這些邊緣網(wǎng)絡(luò)往往地理上處于不同區(qū)域,邏輯上分屬于不同的應(yīng)用系統(tǒng),比如視頻監(jiān)控、酒店管理、交通監(jiān)控等等,防恐邊緣服務(wù)器和其他各類應(yīng)用的邊緣服務(wù)器相互連接或者集成在一起.這樣一旦有異常信息被捕獲,防恐反應(yīng)系統(tǒng)可以立即從觸發(fā)點做出反應(yīng),而不會在云上去分析日志和統(tǒng)計信息等.
隨著物聯(lián)網(wǎng)進(jìn)一步普及與推廣,邊緣計算被廣泛看好,邊緣計算將成為一種普遍的計算模式與云計算共存與有機(jī)融合.學(xué)術(shù)界和產(chǎn)業(yè)界開展了廣泛而深入的探索.
首先,在計算模式和系統(tǒng)框架方面,研究者面向終端-邊緣-中心3個層次協(xié)同的資源管理與共享的應(yīng)用場景,形成了各種計算模型與系統(tǒng)框架.Farris等人[47]提出了一種新穎的聯(lián)合移動物聯(lián)網(wǎng)即服務(wù)的邊緣計算模型,利用終端節(jié)點和邊緣服務(wù)器實現(xiàn)私有/公共移動IoT云的動態(tài)聯(lián)合,兼顧考慮了面向物聯(lián)網(wǎng)云提供商的合作,形成公共/私有云所有者相關(guān)聯(lián)的所有設(shè)備聯(lián)盟,同時將物聯(lián)網(wǎng)云供應(yīng)商分組選擇的問題被建模成合作博弈的納什均衡求解問題;Satria等人[48]依據(jù)過載/故障邊緣服務(wù)器的傳送范圍內(nèi)可用的相鄰邊緣計算服務(wù)器的數(shù)量,提出對應(yīng)的恢復(fù)方案來解決邊緣計算中的失效問題,通過鄰近可用的移動設(shè)備用于中繼過載/故障邊緣計算服務(wù)器的數(shù)據(jù),將分配最優(yōu)ad hoc中繼節(jié)點的問題建模為計算最優(yōu)中繼移動節(jié)點的優(yōu)化問題,求解獲得更多的邊緣計算設(shè)備連接的可能性;Gomes等人[49]提出了一種端到端的云架構(gòu)部署信息中心網(wǎng)絡(luò)和移動Follow-me云組件,進(jìn)而將內(nèi)容遷移建模為優(yōu)化問題,算法結(jié)合不同路由器的內(nèi)容大小,內(nèi)容流行度和緩存容量等因素,通過多屬性決策(MADM)算法來尋找近似解,提出端到端云架構(gòu),M-FMC采用移動性預(yù)測算法優(yōu)化內(nèi)容遷移,具有很好的適應(yīng)性;T?rneberg等人[50]提出了一種在移動云網(wǎng)絡(luò)(MCN)中動態(tài)應(yīng)用部署的系統(tǒng)模型,包括數(shù)據(jù)中心模型、網(wǎng)絡(luò)模型、應(yīng)用模型和用戶模型,對用于管理MCN中的資源的應(yīng)用布置的多個目標(biāo)進(jìn)行建模,目標(biāo)函數(shù)包括節(jié)點的開銷懲罰、執(zhí)行成本和邊緣資源,關(guān)鍵優(yōu)化目標(biāo)是最小化執(zhí)行成本,評估和部署應(yīng)用則通過窮舉搜索算法決定任務(wù)的最佳位置,并確定其參考上界,通過可追蹤迭代局部搜索算法求解;Li等人[51]根據(jù)霧計算與云計算相互關(guān)系與適用場景,提出3層系統(tǒng)架構(gòu),通過對每層的能量消耗和延遲進(jìn)行形式化分析對框架進(jìn)行建模,表示了物聯(lián)網(wǎng)(IoT)環(huán)境中邊緣(霧)和核心(云)之間的相互作用和合作;Satyanarayanan等人[10]提出了一種移動計算和云計算融合的架構(gòu)Cloudlets,使得移動設(shè)備的感知和交互能力可以與云中計算密集型和數(shù)據(jù)密集型處理無縫融合.Cloudlets成為了移動設(shè)備和云中心之間的中間層,設(shè)計一種應(yīng)用自動感知的即插即用的架構(gòu),并通過Google眼鏡增強(qiáng)人類的感知和認(rèn)知驗證了其設(shè)計理念;Gosain等人[52]在一個部署有移動4G邊緣網(wǎng)絡(luò)、高速校園網(wǎng)絡(luò)對計算和存儲資源互聯(lián)網(wǎng)的校園環(huán)境中,構(gòu)建了一個基于GENI邊緣云計算網(wǎng)絡(luò)的架構(gòu),通過第2層網(wǎng)絡(luò)互連,并在美國的50個校園中應(yīng)用,研究者在Wayne州立大學(xué)校園里,在警察巡邏車上運(yùn)行的車輛傳感和控制應(yīng)用允許終端用戶和研究人員收集豐富的數(shù)據(jù)集,用于公共安全監(jiān)控,車輛內(nèi)部狀態(tài)感測和建模,仿真下一代車聯(lián)網(wǎng)技術(shù),這種邊緣計算云基礎(chǔ)設(shè)施非常適用于具有對延遲和帶寬的高靈敏度的新型車聯(lián)網(wǎng);Liu等人[53]提出ParaDrop邊緣計算平臺,在網(wǎng)絡(luò)的邊緣提供計算和存儲資源,允許第三方開發(fā)人員靈活地創(chuàng)建新類型的服務(wù),平臺能夠面向WiFi接入點有效應(yīng)對終端設(shè)備的獨特的上下文知識(例如鄰近度、信道特性);Bhardwaj等人[54]認(rèn)為后端驅(qū)動加載到邊緣是一種解決未來終端設(shè)備與云交互時的帶寬使用和延遲問題的有效方法,進(jìn)而提出一個快速、可擴(kuò)展和安全加載具有邊緣功能的平臺;Nastic等人[55]提出了一個中間件為物聯(lián)網(wǎng)云系統(tǒng)提供多層次服務(wù)的結(jié)構(gòu),中間件采用通用的輕量級資源抽象機(jī)制,支持Edge設(shè)備的特定應(yīng)用定制,通過動態(tài)管理的API以邏輯集中的方式自動配置Edge資源和應(yīng)用程序組件,采用靈活的供給模型,實現(xiàn)Edge資源的自助服務(wù),按需消費(fèi),并成功應(yīng)用于樓宇管理系統(tǒng)領(lǐng)域;Amento等人[56]提出FocusStack的邊緣計算管理系統(tǒng),基于位置的情境感知,在多層地理尋址網(wǎng)絡(luò)上實現(xiàn),解決低效的感知消息傳遞和混合主動性控制的問題,并實現(xiàn)共享視頻應(yīng)用,并展現(xiàn)出很好的效果;Orsini等人[57]利用移動邊緣計算(MEC)或霧計算的基礎(chǔ)設(shè)施組件創(chuàng)建ad hoc移動云,為網(wǎng)絡(luò)的邏輯邊緣提供必要的資源,設(shè)計一種安全、可靠和適應(yīng)性的編程模型和框架,滿足設(shè)計彈性和可擴(kuò)展的基于邊緣的移動應(yīng)用程序的需求;Bonomi等人[58]面對爆炸性擴(kuò)張物聯(lián)網(wǎng)終端,提出一個分層的分布式架構(gòu),涵蓋從網(wǎng)絡(luò)邊緣延伸到邊緣網(wǎng)絡(luò)服務(wù)器,用于處理海量物聯(lián)網(wǎng)數(shù)據(jù);Grieco等人[59]提出了一個可擴(kuò)展和動態(tài)的中間基礎(chǔ)設(shè)施SECS(scalable edge computing services),實現(xiàn)對異構(gòu)機(jī)器的服務(wù)開發(fā)和部署高級Edge計算服務(wù),滿足下一代網(wǎng)絡(luò)的可擴(kuò)展性、高可用性、容錯和可靠性的需求;針對辦公室、家庭及其他場所聯(lián)網(wǎng)設(shè)備的數(shù)量不斷增加,形成大量潛在的計算基礎(chǔ)設(shè)施可用于為終端用戶提供與其與網(wǎng)絡(luò)物理世界的交互的資源和能力,Bhardwaj等人[60]提出一種ECC(edge cloud composites)的虛擬計算平臺,實現(xiàn)最終用戶利用動態(tài)可用的本地和遠(yuǎn)程計算基礎(chǔ)設(shè)施,而不需要為每個場景顯式地重寫和/或重新配置應(yīng)用,并且以最小的最終用戶干預(yù);Lyu等人[61]生成容忍過時網(wǎng)絡(luò)知識的漸近最優(yōu)調(diào)度,從而減輕對反饋的嚴(yán)格要求.擾動的Lyapunov函數(shù)被設(shè)計為隨機(jī)最大化效用,以平衡網(wǎng)絡(luò)吞吐量和公平性.背包問題按照最佳時間表的每個時隙解決,為所有設(shè)備的數(shù)據(jù)和能源積壓提供最新的知識,根據(jù)最新的網(wǎng)絡(luò)知識將最佳時間表封裝,部分過時知識下的解決方案保持漸近最優(yōu),并允許設(shè)備自行提名反饋;Rimal等人[62]探討授權(quán)集成光纖的無線(WiFi)接入網(wǎng)絡(luò),提供ECM功能的可能性,然后分析了基于以太網(wǎng)的WiFi網(wǎng)絡(luò)在邊緣設(shè)備的延遲、響應(yīng)時間效率和電池壽命方面的性能;Luong等人[63]開發(fā)了一個基于深度學(xué)習(xí)的邊緣資源分配的最優(yōu)拍賣模型,構(gòu)建了一個基于最優(yōu)拍賣解析解的多層神經(jīng)網(wǎng)絡(luò)架構(gòu).神經(jīng)網(wǎng)絡(luò)首先執(zhí)行投標(biāo)的單調(diào)變換,然后為計算分配有條件的支付規(guī)則,網(wǎng)絡(luò)功能虛擬化(NFV)技術(shù)是實現(xiàn)5G網(wǎng)絡(luò)目標(biāo)的基本功能;在文獻(xiàn)[64]中Salsano等人首先介紹了Superfluidity項目提出的動態(tài)部署和虛擬功能組合的架構(gòu),接下來考慮基于典型5G場景的案例研究,并詳細(xì)介紹了利用移動邊緣計算(MEC)功能的視頻流服務(wù)的設(shè)計和實現(xiàn).
前述的研究在邊緣計算系統(tǒng)架構(gòu)與系統(tǒng)組成方面的研究做了很好的嘗試,并且在特定應(yīng)用范例上取得較好的效果.不過,目前的體系結(jié)構(gòu)總體上都具有很強(qiáng)特定應(yīng)用的針對性,而對于系統(tǒng)中云層、邊緣層、終端層在帶寬、計算、存儲、能量方面的異構(gòu)性、行為動態(tài)性、信任和安全性、優(yōu)化目標(biāo)的綜合性等的考慮都需要進(jìn)一步深入,如何在面向異構(gòu)多樣的終端節(jié)點的可擴(kuò)展性、面向用戶不同需求的適應(yīng)性以及面向參與者、資源的動態(tài)變化的透明性都有待深入研究,最終構(gòu)建一個安全、高效、可靠的邊緣計算架構(gòu).
在云端計算卸載方面,當(dāng)系統(tǒng)中存在數(shù)量巨大、動態(tài)變化的各類性能、特征不一的終端節(jié)點,如何將計算或者傳輸?shù)娜蝿?wù)進(jìn)行合理卸載遷移具有重要的意義,往往能充分利用資源,降低開銷,因地制宜顯著提高用戶的體驗效果.因此,邊緣計算和云計算技術(shù)應(yīng)該優(yōu)勢互補(bǔ)、相互融合.計算卸載和數(shù)據(jù)綁定是促進(jìn)彈性增強(qiáng)低功耗終端移動設(shè)備(如智能手機(jī))功能的關(guān)鍵技術(shù)之一.終端可以以面向服務(wù)的方式調(diào)用云服務(wù)來異步地完成資源密集、適于集中處理的任務(wù);相反,在數(shù)據(jù)密集、交互密集、計算簡單的任務(wù)適于被分割和分析,分配到邊緣服務(wù)器或者終端節(jié)點進(jìn)行計算和分析,達(dá)到系統(tǒng)效率的最優(yōu)化.Flores等人[65]設(shè)計實現(xiàn)了一種移動云計算模型的卸載和委托框架,進(jìn)行計算卸載和數(shù)據(jù)綁定,在資源一定條件下提高了系統(tǒng)性能;Lyu等人[66]提出了一種卸載請求和許可框架,考慮延遲和資源利用相關(guān)的個人卸載策略,激勵移動設(shè)備參與邊緣計算的任務(wù)中,同時,將多個用戶之間共享有限資源的問題建模為混合整數(shù)線性問題,實現(xiàn)延遲約束下優(yōu)化卸載準(zhǔn)入和資源分配,還實現(xiàn)一個基于動態(tài)規(guī)劃的能量最優(yōu)卸載和資源優(yōu)化方案;Lin等人[67]提出一種廣域數(shù)據(jù)復(fù)制協(xié)議,保證數(shù)據(jù)完全一致性,獲得邊緣計算的低延遲和高可擴(kuò)展性的優(yōu)點,實現(xiàn)動態(tài)內(nèi)容傳輸,且對被帶到邊緣的應(yīng)用是完全透明的;Khan等人[68]提出一個Avatar移動云計算平臺的中間件Moitree,允許未修改的應(yīng)用程序通過移動端和云端無縫地執(zhí)行以及在兩端動態(tài)卸載計算和通信,還可以通過終端分組實現(xiàn)終端設(shè)備的自主協(xié)同;Mao等人[69]提出一個具有能量收集設(shè)備的綠色移動邊緣計算系統(tǒng),基于執(zhí)行成本(其解決執(zhí)行等待時間和任務(wù)失敗)的性能度量設(shè)計有效的計算卸載策略,提出一種低復(fù)雜度在線算法,即基于Lyapunov優(yōu)化的動態(tài)計算卸載(LODCO)算法,共同決定卸載決策,移動執(zhí)行的CPU周期頻率和計算卸載的發(fā)射功率;Tatemura等人[70]通過邊緣計算加速Web服務(wù)工作流執(zhí)行,提出覆蓋Web服務(wù)網(wǎng)絡(luò)(OWSN),基于CDN(內(nèi)容交付網(wǎng)絡(luò))的集成Web服務(wù)管理和執(zhí)行,引入服務(wù)水平要求規(guī)范提供多個服務(wù)水平偏好處理;分布式數(shù)據(jù)密集型工作流執(zhí)行產(chǎn)生數(shù)據(jù)傳輸?shù)木W(wǎng)絡(luò)瓶頸,Ramakrishnan等人[71]使用邊緣資源加速分布式工作流,通過使用代理網(wǎng)絡(luò)減輕網(wǎng)絡(luò)瓶頸,提高TCP/UDP傳輸速率,降低延遲和抖動;面對移動數(shù)據(jù)流量對蜂窩網(wǎng)絡(luò)性能和經(jīng)濟(jì)帶來的挑戰(zhàn),Gao等人[72]提出了一種基于議價的數(shù)據(jù)流量卸載機(jī)制,通過第三方WiFi或毫微微蜂窩接入點(AP)的數(shù)據(jù)卸載降低操作和資本支出,并有效地減輕蜂窩網(wǎng)絡(luò)擁塞,使用納什討價還價理論來模擬和移動蜂窩網(wǎng)絡(luò)運(yùn)營商(MNO)和多個AP所有者(APO)的合作和協(xié)議.
此外,Han等人[73]提出利用綠色內(nèi)容代理卸載移動流量方案,通過啟用設(shè)備到設(shè)備(D2D)通信,基站(BS)通過業(yè)務(wù)卸載來降低其能量消耗,移動用戶通過從其鄰近對等端而不是遠(yuǎn)程BS檢索內(nèi)容來提高其QoS,同時,對利用綠色能量和帶寬的量的約束最大化流量卸載問題建模,并提出一種啟發(fā)式流量卸載(HTO)算法求解近似最優(yōu)解;Sun等人[74]經(jīng)用戶設(shè)備(UE)與其云端代理保持交互,降低端到端(E2E)延遲,根據(jù)收益與開銷進(jìn)行建模,在Cloudlet網(wǎng)絡(luò)提出最大化收益位置選擇策略,選擇性將代理遷移到最佳位置獲得最優(yōu)收益,針對數(shù)據(jù)流從多個源和地理位置產(chǎn)生,通過廣域網(wǎng)將原始數(shù)據(jù)流傳送到中央數(shù)據(jù)中心引起的大量終端節(jié)點產(chǎn)生的網(wǎng)絡(luò)邊緣突發(fā)數(shù)據(jù)量的突發(fā),無法滿足具有可預(yù)測QoS和低延遲要求應(yīng)用的需求;于是Sajjad等人[75]提出一種統(tǒng)一流處理方法SpanEdge,通過在中央和近端數(shù)據(jù)中心分發(fā)流處理應(yīng)用程序來減少或消除WAN鏈路所產(chǎn)生的延遲,在地理分布式基礎(chǔ)設(shè)施中最佳地部署流處理應(yīng)用程序,顯著減少帶寬消耗和響應(yīng)延遲;Satyanarayanan等人[76]針對高速率傳感器數(shù)據(jù)采集與上傳的需求,構(gòu)建了一個互聯(lián)網(wǎng)規(guī)模的存儲庫GigaSight,包含強(qiáng)制實施隱私偏好和訪問控制的眾包視頻內(nèi)容,通過基于VM的云與邊緣的聯(lián)合架構(gòu),在互聯(lián)網(wǎng)的邊緣執(zhí)行視頻分析;Satyanarayanan[77]通過對現(xiàn)實世界事件進(jìn)行概念性的理解,將這些事件升華為更高層次的概念結(jié)構(gòu),將其綜合為一致的上下文敏感視圖,并探討視頻感應(yīng)、眾包和邊緣計算中的趨同趨勢如何被用來創(chuàng)建適于無人駕駛和駕駛車輛的車輛系統(tǒng)中的情景感知的共享實時信息系統(tǒng);Taleb等人[78]提出了一種在智慧城市中增強(qiáng)用戶流式視頻體驗的方法.依靠MEC的概念作為提高QoS的關(guān)鍵因素,通過確保應(yīng)用/業(yè)務(wù)遵循用戶的移動性,實現(xiàn)“Follow Me Edge”概念,維持QoS.該方案強(qiáng)調(diào)MEC服務(wù)的自主創(chuàng)建,以允許隨時隨地以最佳的QoE和較少的延遲訪問數(shù)據(jù).移動邊緣計算(MEC)和無線電力傳輸(WPT)已被確認(rèn)在物聯(lián)網(wǎng)(IoT)的有前途的技術(shù)是為用戶提供增強(qiáng)的計算能力和可持續(xù)的能源供應(yīng)大量的低功耗無線設(shè)備.Wang等人[79]考慮無線供電的多用戶ECM系統(tǒng),其中,多天線接入點(AP)(與ECM服務(wù)器集成的)廣播無線電力給多個用戶,并且每個用戶節(jié)點憑借充電提出了一種統(tǒng)一的MEC-WPT設(shè)計在收獲的能量上執(zhí)行計算任務(wù).使用MEC,這些用戶可以自己在本地執(zhí)行各自的任務(wù),或者基于時分多址(TDMA)協(xié)議將全部或部分用戶卸載到AP.
由于邊緣服務(wù)器和數(shù)量龐大的終端節(jié)點具備可觀的帶寬和計算能力,同時還是數(shù)據(jù)的產(chǎn)生和采集者,研究者在蜂窩網(wǎng)絡(luò)通信、工作流優(yōu)化、計算卸載、內(nèi)容卸載等方面做了很好的探索,并取得了好的效果.然而,在多條件約束,多目標(biāo)優(yōu)化的邊緣計算卸載問題建模與求解,設(shè)計高效的算法充分利用邊緣的資源有效解決問題,實現(xiàn)優(yōu)化卸載對象選擇與任務(wù)分配,減少云-端間無用數(shù)據(jù)傳輸,以及通過經(jīng)濟(jì)手段激勵等方面,還需要突破性的進(jìn)展.
在資源管理與調(diào)度方面,邊緣計算中的資源優(yōu)化調(diào)度是核心問題之一,只有實現(xiàn)了資源的科學(xué)管理、合理調(diào)度與分配,才能面向?qū)嶋H需求,充分發(fā)揮出云、邊緣服務(wù)器、終端的節(jié)點優(yōu)勢,實現(xiàn)利用率、能耗、帶寬、存儲等全方面的優(yōu)化,最好地平衡3層資源的使用,最大限度地節(jié)省資源,提高收益,最好地滿足用戶體驗,當(dāng)前的資源調(diào)度研究主要集中能耗、延時等單個指標(biāo)的優(yōu)化調(diào)度.Ahmed等人[80]在移動邊緣計算系統(tǒng)中提出一種聯(lián)合調(diào)度算法協(xié)調(diào)地分配無線電資源和計算資源,通過在正交頻分復(fù)用接入(OFDMA)的多個移動設(shè)備系統(tǒng)中,構(gòu)建一個邊緣計算云層用于任務(wù)卸載的子載波分配和用于在該云層中的任務(wù)執(zhí)行的CPU時間分配,比單獨頻譜和計算的優(yōu)化能接納更多的卸載請求,同時實現(xiàn)節(jié)能效果顯著;Sardellitti等人[81]通過對MIMO多小區(qū)系統(tǒng)的多個移動用戶(MU)計算卸載到公共云服務(wù)器的問題轉(zhuǎn)化為無線電資源(MU的發(fā)射預(yù)編碼矩陣)和計算資源(由云分配給每個MU的CPU周期/秒)的聯(lián)合優(yōu)化問題,最小化總體用戶的能量消耗,同時滿足延遲約束,并提出一種基于新穎的連續(xù)凸近似技術(shù)的迭代算法,收斂到原始非凸問題的局部最優(yōu)解,并且跨越多個無線接入點AP實現(xiàn)分布式和并行計算;Kiani等人[82]提出了一種新的層次模型,通過引入領(lǐng)域、淺層和深層云的概念,在終端設(shè)備、邊緣層、云層3個層次級別中進(jìn)行設(shè)計,以基于拍賣的利潤最大化方式提供計算資源,然后分配通信資源以滿足用戶的QoS要求;Tran等人[83]介紹和研究了從移動邊緣編排,到協(xié)同緩存和處理,以及多層干擾消除3個代表性的使用案例,證明了所提出的方法在促進(jìn)向5G網(wǎng)絡(luò)演進(jìn)方面的有前景的好處,并討論需要解決的關(guān)鍵技術(shù)挑戰(zhàn)和開放性研究問題,以便將MEC有效整合到5G生態(tài)系統(tǒng)中;Sun等人[84]開發(fā)了一種新的以用戶為中心的能量感知移動性管理(EMM)方案,以便在用戶的長期能耗限制下優(yōu)化無線接入和計算兩者的延遲.基于Lyapunov優(yōu)化和多武器強(qiáng)盜理論,EMM以在線方式工作,沒有未來的狀態(tài)信息,有效地處理了不完善的系統(tǒng)狀態(tài)信息;Mao等人[85]開發(fā)了一個多用戶MEC系統(tǒng)的在線聯(lián)合無線電和計算資源管理算法,目的是最小化移動設(shè)備和MEC服務(wù)器的長期平均加權(quán)和功耗,受任務(wù)緩沖器穩(wěn)定性約束;面向具有時間約束應(yīng)用以及多運(yùn)營商提供服務(wù)環(huán)境,Katsalis等人[86]將服務(wù)重要性作為關(guān)鍵指標(biāo),研究邊緣網(wǎng)絡(luò)部署服務(wù)的調(diào)度,基于時間約束服務(wù)SLA對虛擬機(jī)(VM)調(diào)度決策,同時保證服務(wù)提供商之間的公平.通過Lyapunov優(yōu)化框架來求解該隨機(jī)優(yōu)化問題,最大化具有時間約束SLA的多網(wǎng)絡(luò)運(yùn)營商共享環(huán)境中物理基礎(chǔ)設(shè)施所有者的收益.面向移動設(shè)備上提供滿足要求的增強(qiáng)現(xiàn)實(AR)問題,通過AR移動應(yīng)用在上行鏈路中的數(shù)據(jù)收集,邊緣上的計算和下行鏈路中的數(shù)據(jù)傳遞方面具有固有的協(xié)作屬性,Al-Shuwaili等人[87]提出一種在發(fā)送、接收和處理的數(shù)據(jù)在用戶之間部分共享的資源分配方法,以獲得通信和計算資源的有效利用,與常規(guī)獨立卸載相比,通過連續(xù)凸函數(shù)近似(SCA)方法在移動能量消耗方面顯著優(yōu)化;針對計算任務(wù)調(diào)度策略設(shè)計的大小時間尺度的隨機(jī)優(yōu)化問題,Liu等人[88]采用Markov決策過程方法,計算任務(wù)調(diào)度基于任務(wù)緩沖器的排隊狀態(tài),本地處理單元的執(zhí)行狀態(tài)以及傳輸單元的狀態(tài),通過分析每個任務(wù)的平均延遲和移動設(shè)備的平均功耗,設(shè)計功率約束延遲最小化問題,提出了一種高效的一維搜索算法來找到最優(yōu)任務(wù)調(diào)度策略.
在信任與安全管理方面,在邊緣計算中,涉及到邊緣服務(wù)器、大量終端參與到資源訪問、提供資源完成計算與數(shù)據(jù)傳輸?shù)龋@些資源具有動態(tài)性、異構(gòu)性的特點,而邊緣計算往往缺乏像云計算集中控制的安全機(jī)制,也使得參與者的安全風(fēng)險加大.因此,邊緣計算中的信任管理也成為了邊緣計算任務(wù)能否有身份可信、行為可信、QoS滿足要求的能力可信的用戶來協(xié)同完成的問題,成為實現(xiàn)一個安全可信的資源共享的計算環(huán)境的關(guān)鍵要素之一,關(guān)系到邊緣計算環(huán)境是否真正走向應(yīng)用,也是負(fù)載卸載、資源調(diào)度與共享得以實施的根本條件.信任管理在其他包括云計算、對等計算中得到了廣泛關(guān)注和研究[89-90],但目前在邊緣計算領(lǐng)域研究不多,且大多數(shù)研究只集中在移動云計算的領(lǐng)域,分析用戶之間的信任關(guān)系.Petri等人[91]研究了各種節(jié)點如何創(chuàng)建一個值得信賴的對等點云,其中反饋聚合用于識別自我利益的用戶;Chen等人[92]通過分析呼叫模式推導(dǎo)人類用戶之間的信任關(guān)系;Hussain等人[93]對如何計算邊緣數(shù)據(jù)中心的聲譽(yù)進(jìn)行了研究,采用集中式信任管理方式,其存儲LTE部署的云的信譽(yù),通過此系統(tǒng),用戶可以匿名匿名評估cloudlet的服務(wù);Kantert等人[94]提出一個自我維護(hù)的信任管理系統(tǒng),實現(xiàn)了來自不同管理域的自治服務(wù)器在類似網(wǎng)格的情況下共享其資源,與其他網(wǎng)格部署相反,假設(shè)存在自私的個體或惡意服務(wù)提供者,因此,設(shè)計了以自主和分布式方式計算一組信任度量,實現(xiàn)計算邊緣數(shù)據(jù)中心之間的信任評估和管理.Figueroa等人提出定量信任管理組件,并集成到不可信網(wǎng)絡(luò)設(shè)備的(SOUND)安全平臺[95]上,該平臺由幾個信任社區(qū)組成,其中包含各種主機(jī).每當(dāng)來自不同社區(qū)的2個主機(jī)交互時,他們不僅考慮到他們的相互信任,而且考慮他們社區(qū)之間的信任以及社區(qū)和另一個主機(jī)之間的信任.由于信任社區(qū)和邊緣信任域之間的相似性,可對在邊緣數(shù)據(jù)中心中部署信任管理系統(tǒng)提供參考.Bennani等人[96]定義了用于混合云計算環(huán)境中的基于貝葉斯網(wǎng)絡(luò)的信任模型,私有云可以評估和跟蹤公共云提供的各種服務(wù)的聲譽(yù),該模型能對邊緣計算的整個生態(tài)系統(tǒng)的可用服務(wù)的動態(tài)聲譽(yù)進(jìn)行管理.Jang等人[97]提出SOUL,通過關(guān)聯(lián)的執(zhí)行器透明和統(tǒng)一地訪問設(shè)備和環(huán)境傳感器完成相關(guān)任務(wù),任務(wù)不僅可以在智能手機(jī)上處理,也可以利用邊緣服務(wù)器和遠(yuǎn)程云資源,通過訪問控制允許用戶輕松定義傳感器的訪問權(quán)限,利用用戶的社交關(guān)系并捕獲訪問請求的上下文,從而使得Android平臺上的應(yīng)用程序擴(kuò)展傳感器的使用性能和能源效率;Echeverría等人[98]為非連接的邊緣計算環(huán)境提出了基于安全密鑰生成和交換的可信身份的解決方案,并通過開源實現(xiàn)的戰(zhàn)術(shù)云計算系統(tǒng)進(jìn)行了驗證,大規(guī)模智能環(huán)境(LSE)是開放和動態(tài)的系統(tǒng),通常在廣闊的區(qū)域內(nèi)延伸,并且包括大量具有異構(gòu)性質(zhì)的交互設(shè)備.因此,在部署期間,可擴(kuò)展性和互操作性是需要考慮的關(guān)鍵要求.為此,鑒于新設(shè)備和功能不斷加入LSE,必須增加服務(wù)和對象的發(fā)現(xiàn)和聲譽(yù)評估.Cicirelli等人[99]提出了一個基于代理的方法,利用邊緣計算和社會物聯(lián)網(wǎng)范例來解決上述問題.通過涉及商業(yè)道路環(huán)境的樣本案例研究來評估這種方法的有效性.
面對邊緣計算環(huán)境的異構(gòu)資源的系統(tǒng)共享需要考慮資源性能的匹配、交互雙方行為信任、身份信任、資源提供能力信任等因素,才能有效面對物聯(lián)網(wǎng)中無處不在的終端節(jié)點之間相互交互、共享的挑戰(zhàn),比如像智能手機(jī)等資源受限設(shè)備上運(yùn)行的應(yīng)用,面臨著如何被授權(quán)不同層次地動態(tài)自如地訪問需要的可信的各類節(jié)點的問題,以及防止被不可信節(jié)點欺詐的問題,基于用戶體驗質(zhì)量的信任可靠的邊緣計算資源調(diào)度和共享問題都需要深入開展研究.
云計算和數(shù)據(jù)中心應(yīng)用也不斷推廣,各類傳統(tǒng)應(yīng)用系統(tǒng)都部署在云、數(shù)據(jù)中心,形成了成熟的云-端的計算模式,表現(xiàn)為高度集中;同時,物聯(lián)網(wǎng)技術(shù)迅猛發(fā)展,物聯(lián)網(wǎng)應(yīng)用、終端數(shù)量與種類都急劇增漲,體現(xiàn)出極大分散的特征.云計算面對海量分散的終端的一些應(yīng)用在延遲約束、信任隱私保護(hù)等諸多方面需求難以應(yīng)對,并且運(yùn)行時整個系統(tǒng)開銷大,還造成邊緣資源的浪費(fèi),而邊緣計算技術(shù)在網(wǎng)絡(luò)的邊緣執(zhí)行計算,減少了響應(yīng)延遲,充分利用了邊緣節(jié)點有限資源,系統(tǒng)效率提升.下行數(shù)據(jù)代表云服務(wù),上行數(shù)據(jù)代表物聯(lián)網(wǎng)服務(wù),“邊緣”則是連接起數(shù)據(jù)源和云數(shù)據(jù)中心之間的任意計算和網(wǎng)絡(luò)資源.邊緣計算、霧計算、移動邊緣計算、移動云計算、朵云計算這些概念都是屬于邊緣計算范式,其出發(fā)點相互間有些區(qū)別,霧計算更關(guān)注于邊緣網(wǎng)絡(luò)基礎(chǔ)設(shè)施以及部署計算的平臺,移動邊緣計算則更多關(guān)注聯(lián)網(wǎng)的終端的移動性,移動云計算與朵云計算則考慮的主要是基于邊緣服務(wù)器條件下的集中處理問題.實際上,如何與云中心進(jìn)行協(xié)同也是邊緣計算需要考慮的問題,因為邊緣計算不能完全脫離云計算而獨立存在.數(shù)據(jù)的采集傳輸處理,計算任務(wù)的卸載、裝載與調(diào)度,還包括信任和安全管理,才能支撐系統(tǒng)可擴(kuò)展性、適用性.
邊緣計算的應(yīng)用前景已經(jīng)得到學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注,探索性的研究已經(jīng)廣泛開展.目前,關(guān)于邊緣計算的研究工作主要是針對一個特定需要解決的問題應(yīng)用提出對應(yīng)的解決方案,并進(jìn)行了示例論證,比如移動終端計算卸載、傳輸卸載,物聯(lián)網(wǎng)終端采集的數(shù)據(jù)的傳輸卸載與邊緣實時處理、終端節(jié)點協(xié)同完成任務(wù)等,應(yīng)用的領(lǐng)域涉及到智慧交通管控、智能家居、實時視頻圖像處理、環(huán)境監(jiān)測等,一般都取得比較好的效果.不過,未來邊緣計算真正在工業(yè)界和市場得到廣泛普及的應(yīng)用,還面臨諸多的挑戰(zhàn).
1) 多層次資源、對象的表示與管理
隨著物聯(lián)網(wǎng)的不斷迅猛發(fā)展,接入的終端設(shè)備的數(shù)量會不斷增加,種類更加繁多,設(shè)備接入的方式也是異構(gòu)多樣,提供服務(wù)的方式也會因為場景不同而變化,因此需要對終端的實體與對象、邊緣實體與對象,以及云端的實體與對象等多層次的資源和對象進(jìn)行有效地表示與管理,因此需要面向邊緣計算場景建立命名機(jī)制、尋址與路由機(jī)制等,從而使所有的資源與對象能統(tǒng)一在邊緣計算平臺之中.
2) 高效自適應(yīng)的計算模式與體系結(jié)構(gòu)
云計算之所以得到迅猛發(fā)展在于工業(yè)界努力提供了一種高可用、高可靠、高性能且自由選擇的計算服務(wù),這種服務(wù)可以滿足不同層次和不同需求的用戶,可以是基礎(chǔ)硬件設(shè)施,可以是虛擬的計算環(huán)境,也可以是某種應(yīng)用服務(wù),能全方位滿足各種用戶的需求.而邊緣計算在計算模式與計算系統(tǒng)結(jié)構(gòu)方面面臨巨大的挑戰(zhàn).巨量的異構(gòu)終端接入后成為系統(tǒng)的組成部分,既可以是資源和服務(wù)的提供者,也可以是服務(wù)和應(yīng)用的請求者;同時,這些節(jié)點有些是固定不變和能力巨大的,有些則是可以動態(tài)變化和移動,且上線和下線的時間也是動態(tài)的,如何協(xié)同起系統(tǒng)中各異構(gòu)對象,并確保系統(tǒng)在規(guī)模動態(tài)變化等狀態(tài)保持高度自適應(yīng)性、高魯棒性和高可擴(kuò)展性也成為邊緣計算的計算模式與系統(tǒng)體系結(jié)構(gòu)設(shè)計的另一個重要挑戰(zhàn).
3) 隱私信任與安全保障問題
以邊緣為中心的計算超越了以前嘗試使用E2E(端到端)加密和試圖保護(hù)云中的用戶信息的以用戶為中心的隱私系統(tǒng).以邊緣為中心的架構(gòu)將以新的方式挑戰(zhàn)研究人員.除了加密以保護(hù)私人信息之外,將需要更多的安全代理用于使用諸如重新加密或基于屬性的加密等不同技術(shù)的會合,通信和訪問控制.此外,必須創(chuàng)建用于隱私感知信息共享的新型安全中間件,以促進(jìn)以邊緣為中心的系統(tǒng).
云安全上的許多現(xiàn)有工作,例如加密數(shù)據(jù)存儲、對加密數(shù)據(jù)的查詢,同態(tài)系統(tǒng)可以有助于創(chuàng)建新的以邊緣為中心的服務(wù).與傳統(tǒng)云安全研究的一個重要區(qū)別是:以邊緣為中心的計算可以假定存在可信的或部分可信的穩(wěn)定資源,執(zhí)行一些通信、持久性、查詢甚至是在邊緣部署和控制的應(yīng)用的計算.以邊緣為中心的計算還可以考慮在基于分布式邊緣的覆蓋中的可信節(jié)點與惡意節(jié)點的共存.這將重新需要安全路由、冗余路由、信任拓?fù)浜鸵郧暗腜2P研究應(yīng)用于這種新穎的設(shè)置.另一個關(guān)鍵區(qū)別是:與集中式計算相比,以邊緣為中心的計算防止了信息的集中.以前的關(guān)于信息碎片化與加密的云安全研究可以與分散覆蓋技術(shù)相融合,以確保敏感數(shù)據(jù)的適當(dāng)數(shù)據(jù)保護(hù).此外,安全的云查詢和對覆蓋網(wǎng)絡(luò)中的分段數(shù)據(jù)和索引的計算可以創(chuàng)建關(guān)于敏感信息的隱私的全新模型.
在這些邊緣計算的研究中對于解決問題面對的場景進(jìn)行建模,構(gòu)建了合適的邊緣計算體系結(jié)構(gòu),也包含資源的管理,具體來說涉及到任務(wù)的卸載和資源調(diào)度協(xié)同來共同完成計算任務(wù)2個方面.對于資源優(yōu)化利用建立優(yōu)化模型進(jìn)行求解,不過問題求解的優(yōu)化目標(biāo)總體比較單一,而未來物聯(lián)網(wǎng)的迅速發(fā)展意味著終端的硬件、軟件、計算能力、通信能力、存儲能力都是異構(gòu)的,用戶的需求也會是多樣的[100].因此,未來邊緣計算的核心問題還是面向用戶QoE的資源協(xié)同管理、調(diào)度優(yōu)化問題,進(jìn)而能夠資源完美匹配、充分利用,用戶獲得最滿意的QoE.而在這方面的探索期待進(jìn)一步的推進(jìn);另外,很重要的一個方面是邊緣計算的信任管理問題,這是保證邊緣計算實際應(yīng)用的重要制約因素,在網(wǎng)格計算、P2P計算中相關(guān)的研究較多,而面對邊緣計算場景,個人終端直接參與到計算中來,跟人的社會生活緊密相連,只有保障了個人隱私與信息安全,邊緣計算才能得到全面的發(fā)展[101-103].
邊緣計算正在引起研究者的廣泛關(guān)注,學(xué)術(shù)界和工業(yè)界都在體系機(jī)構(gòu)、計算模型、任務(wù)卸載、資源調(diào)度以及信任管理等方面開展了系列探索研究和試驗系統(tǒng)的部署.基于用戶的體驗質(zhì)量QoE,從系統(tǒng)的信任安全角度出發(fā),充分考慮終端、邊緣、云三方的資源管理與協(xié)同優(yōu)化還需要深入研究,為邊緣計算的廣泛普及奠定堅實的理論基礎(chǔ).
由于云計算具有計算、存儲等資源巨大豐富、安全信任集中管理的特點,但是具有不可靠的延時、缺乏移動支持與位置感知;邊緣計算的資源有限,缺少集中的信任管理,但數(shù)據(jù)和計算相互非常接近,同時還具有動態(tài)移動特性.因此,如何對包括海量終端節(jié)點、邊緣服務(wù)器、云中心所有計算參與者在內(nèi)的計算系統(tǒng)設(shè)計科學(xué)合理的計算架構(gòu)、合理的任務(wù)卸載與遷移策略與機(jī)制、高效的資源調(diào)度與優(yōu)化機(jī)制、有效的信任管理與保障成為邊緣計算需要解決關(guān)鍵問題.
本文第6~9節(jié)對邊緣計算場景進(jìn)行分析,對云、邊緣、終端資源進(jìn)行建模,實現(xiàn)對系統(tǒng)中的對象進(jìn)行命名與標(biāo)識,表示資源的QoS屬性如計算能力、存儲能力、傳輸能力等,同時還要考慮不同層次的屬性比如移動性、行為可靠性以及身份屬性等因素.類似地,需要對任務(wù)和用戶進(jìn)行建模,構(gòu)建基于綜合信任的表示模型,通過身份信任、行為信任、能力信任來綜合表達(dá)資源關(guān)于前述的全面的信息,構(gòu)建融合云、邊緣、終端的3層計算模型.然后,在計算模型的基礎(chǔ)上,基于用戶QoE要求,任務(wù)和資源基于綜合信任度的匹配問題進(jìn)行評估,重點考察延遲、帶寬、存儲、能耗、成本的因素,確定任務(wù)卸載策略.最后通過流計算任務(wù)處理實例,考察在邊緣執(zhí)行任務(wù)時資源的的調(diào)度與分配問題,通過實驗展示出基于綜合信任的模型與系統(tǒng)具有比較好的適應(yīng)性和性能.
邊緣計算涉及到3個層次的對象,包括:唯一遠(yuǎn)程的資源豐富的云中心、一定數(shù)量資源相對豐富的本地邊緣服務(wù)器、數(shù)量龐大的資源受限的終端節(jié)點.計算任務(wù)的完成可以在任意一層對象中完成,也可以通過多層協(xié)同完成,而在此過程中對象還處在動態(tài)變化之中.邊緣計算的目標(biāo)是要滿足用戶QoE的要求,同時從整個大系統(tǒng)的角度來看要節(jié)省計算、傳輸、存儲、能源的開銷.邊緣計算的場景相比集中管理的云計算、單純的P2P計算、傳統(tǒng)的客戶/服務(wù)器計算抑或資源異構(gòu)的網(wǎng)格計算等計算模式的結(jié)構(gòu)都要復(fù)雜,不屬于其中一種模式,而是他們中的一種或多種模式的組合,設(shè)計的計算系統(tǒng)應(yīng)該具有靈活性、可擴(kuò)展性、適應(yīng)性、魯棒性.
根據(jù)上述的分析我們知道,從參與計算的實體對象來說包括了從云到邊緣再到終端3個層次不同物理特征的設(shè)施,還包括了異構(gòu)的連接網(wǎng)絡(luò).從應(yīng)用場景和任務(wù)請求來看,其表現(xiàn)為多樣性.有些任務(wù)具有很強(qiáng)的局部、實時(local,realtime)的特性,計算任務(wù)的完成僅僅需要一些鄰近的終端交互和處理即完成,是一種完全的P2P計算模式[104];有些任務(wù)則具有一定的計算資源需求,終端往往無法完全承擔(dān),同時具有較大交互頻率和數(shù)據(jù)傳輸量,則通過采用C/S結(jié)構(gòu)的自主計算模式,讓邊緣服務(wù)器來完成計算;如果計算任務(wù)與更大的鄰近區(qū)域關(guān)聯(lián),需要更多鄰近的終端節(jié)點和邊緣服務(wù)參與,此時的需要采用網(wǎng)格計算模式;另一種情況是計算任務(wù)屬于計算密集型的,需要強(qiáng)大的云中心來完成計算,這就變成了一種云-端結(jié)構(gòu)的云計算模式,但是如果處理的數(shù)據(jù)和發(fā)起的計算涉及多個終端節(jié)點和多個邊緣服務(wù)器,任務(wù)還需要被合理分配到終端、邊緣服務(wù)器、云中心以獲得最優(yōu)的資源利用率,從而演變成一種集P2P,C/S、云計算混合計算模式.這是物聯(lián)網(wǎng)技術(shù)、云計算、移動通信計算不斷發(fā)展和業(yè)務(wù)需求演變的未來的實際情況.
通過計算模式的研究我們知道邊緣計算模型中的組成對象具有數(shù)量巨大、種類繁多、形式多樣、差異巨大的特征.同時,實體之間由于計算能力的強(qiáng)弱還存在明顯的層次關(guān)系,在不同的層次之間還表現(xiàn)出動態(tài)性的特征,終端節(jié)點相對來說具有移動的動態(tài)性,而邊緣服務(wù)器和云中心則在負(fù)載和可用資源狀態(tài)上表現(xiàn)出動態(tài)性.因此, 1)要將所有參與對象進(jìn)行虛擬化表示,并通過合理的命名機(jī)制保證模型中的對象實體的唯一性;2)對于資源、用戶等模型中的對象進(jìn)行性能屬性、信任性等進(jìn)行評估;3)需要對接入模型的計算請求進(jìn)行用戶QoE要求評估,并對優(yōu)先級以及資源匹配進(jìn)行計算,實現(xiàn)準(zhǔn)入控制和資源合理分配;4)模型需要具有可擴(kuò)展性,對邊緣計算環(huán)境中,由于終端的移動性,以及物聯(lián)網(wǎng)終端不斷增多,需要感知新的終端并接入系統(tǒng);5)魯棒性需求,當(dāng)系統(tǒng)中有節(jié)點失效需要能夠探測到并進(jìn)行隔離,除了硬件故障,服務(wù)還可能由于各種原因而無法響應(yīng),模型應(yīng)該有對應(yīng)失效解決方案,保證系統(tǒng)的可靠性.
以綜合信任度為基礎(chǔ)的資源與用戶的身份、行為以及各種QoS性能特性為邊緣計算的運(yùn)行模式、資源管理調(diào)度策略選擇思想,確定了以人的體驗質(zhì)量QoE為優(yōu)化目標(biāo)的方案設(shè)計準(zhǔn)則.
邊緣計算中,人是其中非常重要的因素,移動智能手機(jī)現(xiàn)在成為了每個人基本必備的邊緣設(shè)備,具有豐富的傳感器以及多種網(wǎng)絡(luò)連接接口.同時,人的應(yīng)用需求直接影響到計算模式,比如發(fā)起一個局部的實時視頻分析或者視頻分享的請求,又比如發(fā)起一個本地相關(guān)信息查詢請求,還比如發(fā)起一個科學(xué)計算服務(wù)請求.個人通過移動端發(fā)起了3類不同特征的請求,第1個請求需要鄰近的節(jié)點進(jìn)行協(xié)同完成,第2個請求則需要邊緣服務(wù)器進(jìn)行響應(yīng),第3個則需要云計算中心提供服務(wù)支持.因此,要以人的需求為中心進(jìn)行應(yīng)用場景進(jìn)行服務(wù)分類,根據(jù)服務(wù)類型匹配對應(yīng)的計算模式,同時對關(guān)聯(lián)的各種計算實體進(jìn)行虛擬化建模表示,圖7可以看出各實體的所處的層次[105],亦可以通過不同場景關(guān)聯(lián)不同層的不同設(shè)備.
Fig. 7 Computing component distribution from centric to edge圖7 邊緣到中心的邊緣計算組件分布
Fig. 8 Multi computing mode in edge computing圖8 多模式的邊緣計算模型
進(jìn)一步要對邊緣計算環(huán)境(edge computing environment, ECE)中實體的性能、行為特點構(gòu)建邊緣計算模型,通過邊緣計算單元(edge computing unit, ECU)、邊緣計算執(zhí)行體(edge computing executer, ECX)、邊緣計算聯(lián)合體(edge computing combo, ECC)來進(jìn)行邊緣計算建模,并構(gòu)建邊緣計算體系結(jié)構(gòu),實現(xiàn)資源按場景需要進(jìn)行共享與協(xié)同優(yōu)化,提高用戶QoE.我們通過對應(yīng)用服務(wù)與應(yīng)用場景分類,同時考慮邊緣計算單元的網(wǎng)絡(luò)連接實際情況,設(shè)計邊緣計算模型如圖8所示.模型中可以看出,邊緣計算單元有3種不同的類型,邊緣設(shè)備(edge device, ED)、邊緣服務(wù)器(edge server, ES)、中心節(jié)點(central node, CN),資源共享與協(xié)同有4種基本的模式,通過執(zhí)行體將協(xié)同的資源關(guān)聯(lián)起來,執(zhí)行體1表示的邊緣設(shè)備與邊緣服務(wù)器之間協(xié)同;執(zhí)行體2表示邊緣設(shè)備通過P2P方式自主協(xié)同;執(zhí)行體3則是一個邊緣終端直接請求云計算中心服務(wù)的資源;執(zhí)行體4則表示在鄰近區(qū)域通過邊緣服務(wù)器互聯(lián)將所覆蓋的區(qū)域的邊緣設(shè)備協(xié)同起來共同完成某項實時位置相關(guān)的任務(wù).該模型只體現(xiàn)了資源協(xié)同的方式,其中信任管理與資源共享與協(xié)同優(yōu)化的算法并未能直接體現(xiàn)出來.
邊緣計算的體系結(jié)構(gòu)如圖9所示,其中,服務(wù)應(yīng)用層主要體現(xiàn)出系統(tǒng)中用戶發(fā)起的服務(wù)請求;應(yīng)用場景驅(qū)動層則是針對邊緣計算的場景建模后,將服務(wù)請求關(guān)聯(lián)到某種服務(wù)場景,以便與相關(guān)資源進(jìn)行協(xié)同;資源管理與協(xié)同層主要負(fù)責(zé)用戶資源請求和系統(tǒng)資源提供的調(diào)度與匹配工作;計算模式匹配層則是將按照適當(dāng)?shù)挠嬎隳J酵瓿捎嬎闾幚?;資源表示層主要負(fù)責(zé)對于物理資源的抽象和表示,便于建模.邊緣計算中,通過邊緣計算單元對計算系統(tǒng)中的資源和用戶進(jìn)行抽象和封裝,其結(jié)構(gòu)如圖10所示,主要包含與外部交互部分有服務(wù)請求接口、服務(wù)提供接口、資源狀態(tài)發(fā)布/請求接口,同時內(nèi)部則包含有身份信息、狀態(tài)信息、局部環(huán)境與鄰居信息等,還包括資源共享與調(diào)度策略、信任評估機(jī)制等.不過,根據(jù)節(jié)點的硬件性能,節(jié)點可能只具備其中部分的功能.
Fig. 9 Architecture of edge computing圖9 邊緣計算體系結(jié)構(gòu)示意圖
Fig. 10 Infrastructure of edge computing unit圖10 邊緣計算單元結(jié)構(gòu)示意圖
通過對邊緣計算建模實現(xiàn)對其組成結(jié)構(gòu)、邊緣架構(gòu)、中間件兼容原有計算系統(tǒng),我們還要考慮新架構(gòu)可能依賴于部署在云計算、數(shù)據(jù)中心中的實際表現(xiàn)為以邊緣為中心的分布式服務(wù),為邊緣節(jié)點的會合、通信、計算、內(nèi)容分發(fā)和存儲建立實現(xiàn)參考與標(biāo)準(zhǔn),提供更為適用的分布式服務(wù),也支持跨云計算數(shù)據(jù)中心和邊緣設(shè)備分發(fā)應(yīng)用程序,同時確保最終用戶的控制和隱私.
各種性能各異、身份不一、行為不同的邊緣計算中的各種基礎(chǔ)設(shè)施,通過虛擬化被建模成系統(tǒng)獨立的節(jié)點,通過有線或無線不同帶寬與可靠性網(wǎng)絡(luò)連接起來,最終形成了一個綜合互聯(lián)的大系統(tǒng).當(dāng)有計算任務(wù)發(fā)起或一個服務(wù)請求發(fā)起時,系統(tǒng)面臨一個需要解決的問題就是如何評判這個任務(wù)或服務(wù)請求的發(fā)起者是否可信,該任務(wù)或者請求對于資源的要求如何評估,從而為資源的分配和調(diào)度提供依據(jù).同時,又如何保證聲稱提供資源的節(jié)點能夠真正提供對應(yīng)的資源,這需要研究邊緣計算的綜合信任保障體系.可信任問題涉及到資源共享與協(xié)同的安全、信任、服務(wù)質(zhì)量及其保障機(jī)制,已經(jīng)成為邊緣計算需要深入研究的關(guān)鍵技術(shù)問題之一,我們需要對資源和用戶的信任度進(jìn)行綜合性的評估,需要研究用戶、資源的身份信任、行為信任以及能力信任,從而建立詳細(xì)的信任評估體系,為資源共享和調(diào)度提供支持.
隨著物聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)以及在線社會網(wǎng)絡(luò)的迅猛發(fā)展,其實線下社會中的許多事務(wù)已經(jīng)完全置于線上進(jìn)行處理,展示出一個虛擬的真實社會的運(yùn)行體系.邊緣計算在這方面的應(yīng)用也會越來越多.而邊緣計算有其特殊性,涉及到云、邊緣和終端3個層面,在云計算系統(tǒng)中,身份信任是建立可靠的身份認(rèn)證和審核基礎(chǔ)上的,具有很高的身份信任度;邊緣服務(wù)器作為一種比較固定安放的基礎(chǔ)設(shè)施其身份信任度也是非??煽康模欢K端節(jié)點有些經(jīng)常處于移動狀態(tài),具有較強(qiáng)的動態(tài)性,因此,其身份信任往往難于確定.當(dāng)然也可以通過注冊后,進(jìn)入邊緣計算環(huán)境中進(jìn)行自動登錄確認(rèn),有些終端可能出于隱私考慮不愿意透露身份信息,則需要新的身份認(rèn)證機(jī)制.另外對于行為信任對于邊緣計算也非常重要,終端節(jié)點對于有些實時性要求高的應(yīng)用非常重要,移動終端協(xié)同完成這類任務(wù)比分配到云計算中心來完成具有更好的用戶體驗和更小資源開銷,如果移動終端節(jié)點只期望從邊緣計算中獲得好處,而不愿意貢獻(xiàn)資源,又或者不能貢獻(xiàn)聲稱的資源,造成協(xié)商的任務(wù)不能按要求完成,因此需要借鑒社會學(xué)以及以往P2P計算系統(tǒng)中關(guān)于個人信任演化的規(guī)律,設(shè)計有效的行為信任機(jī)制.我們將能力信任定義為在邊緣計算被定義為對服務(wù)請求的響應(yīng)能力的總稱,可以包括可用服務(wù)時長、CPU計算能力、能量維持能力、單位服務(wù)時間價格、存儲空間大小、傳輸帶寬大小等.在邊緣計算中,由于不同類型的節(jié)點其能力信任度相差很大,但是能力信任度要能充分發(fā)揮作用還與其他諸多因素相關(guān),比如位置的鄰近性,通信帶寬的限制性,因此能力信任度有絕對值和相對值的區(qū)別.另外,應(yīng)該依據(jù)應(yīng)用場景的分類以及實際一個計算任務(wù)或者請求的實際上下文特征進(jìn)行科學(xué)評估,才能有效評價,并為資源共享提供有力的支撐,需要對根據(jù)節(jié)點資源屬性與應(yīng)用需求相似度和場景相關(guān)性進(jìn)行互信任都評價.
總之,在邊緣計算中,需要建立一套綜合的信任度評估體系,系統(tǒng)的安全與系統(tǒng)可靠高效運(yùn)行提供保障.
面對多樣的應(yīng)用需求情況,以及邊緣計算實體的資源情況和相互關(guān)系,本文提出以身份信任、行為信任、能力信任為核心內(nèi)容的邊緣計算綜合信任保障體系,根據(jù)系統(tǒng)狀態(tài)和應(yīng)用需求形成對系統(tǒng)的信任預(yù)期,據(jù)此構(gòu)造保障邊緣計算單元的身份信任、行為信任、能力信任的基本框架,協(xié)調(diào)和控制邊緣計算單元的活動,支持系統(tǒng)服務(wù)目標(biāo)的實現(xiàn),信任保障體系結(jié)構(gòu)如圖11所示:
Fig. 11 Infrastructure of trust gaurantee in edge computing圖11 邊緣計算信任保障體系示意圖
從圖11中,可以看到用戶發(fā)起的服務(wù)請求實際上是對于資源的身份、行為的信任以及對于資源性能QoS等能力指標(biāo)是有要求的,信任保障體系則實現(xiàn)需求到資源的協(xié)同與匹配,因此邊緣計算信任保障體系要對資源的信任評估,確保符合條件的資源參與到請求服務(wù)的任務(wù)完成中來,資源抽象表示時信任屬性是需要表示的重要指標(biāo),同時還需要信任狀態(tài)監(jiān)測保持相對比較新的狀態(tài),每一個資源其所屬類型互不相同,個體差異大,資源供給能力也不相同,具有不同的約束門限.根據(jù)邊緣計算環(huán)境的基于信任的資源共享與協(xié)同過程中的邊緣計算單元、邊緣計算執(zhí)行體的相互關(guān)系以及內(nèi)在的特征與屬性,結(jié)合有關(guān)的計算模式,建立基于綜合信任保障的邊緣計算模型.
邊緣計算的信任模型包括邊緣計算環(huán)境、邊緣計算聯(lián)合體、邊緣計算執(zhí)行體、邊緣計算單元等概念.邊緣計算環(huán)境由一個三元組表示ECE=(ECU,ECC,ECX),其中ECU是指邊緣計算單元ecu的集合,表示邊緣計算環(huán)境中有不同應(yīng)用需求和不同應(yīng)用場景驅(qū)動的各種資源的總和;ECC是指邊緣計算聯(lián)合體ecc的集合,表示為完成某應(yīng)用服務(wù)而符合信任條件邊緣計算單元集合;ECX是指邊緣計算執(zhí)行體ecx的集合,即為完成特定計算應(yīng)用或任務(wù)通過信任評估符合條件,并且參與資源共享的邊緣計算單元ecu的集合.
(1)
(2)
(3)
可以包括ecu在邊緣計算中聲稱的其功能、功能相關(guān)性能屬性以及提供服務(wù)所具備的可用性、可訪問性、響應(yīng)時間、吞吐量、可用帶寬、存儲空間大小、CPU計算能力等信息.可以設(shè)定U={ecui|i∈N}為邊緣計算元素集,ecui的QoS相關(guān)的能力隸屬度矩陣定義為
(4)
ecui的QoS屬性的權(quán)重系數(shù)具有歸一化特征,其向量定義為
(5)
邊緣計算元素ecui的能力信任度向量由ecui的QoS屬性QoSk的信任度向量和ecui的QoS屬性的權(quán)重系數(shù)向量確定:
(6)
實際的信任評估是非常難基于所有信息來完整、精確評估ecu的綜合信任度,要根據(jù)應(yīng)用請求對于資源的信任需求情況,將資源與請求的匹配度或相似度進(jìn)行計算,從而確定ecu是否屬于某一ecc的ecu的集合,進(jìn)一步確定是否可以成為ecx的一部分被調(diào)度去協(xié)同完成任務(wù).邊緣計算聯(lián)合體表示為ecc=(ECU,req),其中,ECU為面向某一特定服務(wù)請求req而查詢和滿足req要求的所有的邊緣計算單位ecu的集合.它們實質(zhì)上一般為參與到某一互聯(lián)網(wǎng)服務(wù)中來的邊緣設(shè)備ed、邊緣服務(wù)器es或其他中心節(jié)點cn;req為成功實現(xiàn)某一邊緣計算應(yīng)用服務(wù)對于資源的功能、服務(wù)質(zhì)量、可信安全等需求的集合.
邊緣計算執(zhí)行體表示為ecx=(ECU,sat),指為響應(yīng)用戶的請求,提供網(wǎng)絡(luò)應(yīng)用服務(wù),達(dá)到一組綜合信任滿意度sat要求而相互協(xié)同,共同完成任務(wù)的一組邊緣計算單元ecu的集合,同時,信任滿意度sat是指通過服務(wù)請求的信任約束條件,能夠協(xié)同參與完成某一計算任務(wù)、服務(wù)達(dá)到的可信約束條件的程度,單個資源或用戶的滿意度表示為sat=(is,bs,cs),信任滿意度反映了ecu之間交互信息后對對方的可信任狀況作出的滿意度評判,由3個部分組成,其中:is為身份信任滿意度,表示請求ecu對目標(biāo)ecu的真實身份、所擁有的授權(quán)或授權(quán)委托符合了自己預(yù)設(shè)的要求,其取值為0或1,要么滿意,否則不滿意;bs為請求ecu對目標(biāo)ecu的行為的信任程度的一種主觀感受,它表現(xiàn)為對ecu的完全不信任到完全信任過程主觀感受為完全不滿意到完全滿意,其取值為0~1之間的任意值,與歷史的、當(dāng)前的記錄的行為信任度有關(guān),還與調(diào)度情況有關(guān),ecu沒有被調(diào)度,則行為滿意度維持不變,如ecu被調(diào)度,則任務(wù)處理的好壞將成為更新當(dāng)前行為滿意度的依據(jù),可以通過聲譽(yù)的評價機(jī)制進(jìn)行局部評價、全局評價以及基于時間的演化評估,獲得客觀的評價結(jié)果.我們通過模糊多目標(biāo)決策方法確定邊緣計算元素之間模糊信任度的高低,解決邊緣計算元素選擇的決策問題,ecui關(guān)于評價等級ERS={Vj|-L≤j≤L}的Vj的隸屬度為δVj(ecui),記為μi j,決策矩陣為V=(μi j)N×(-L,L),模型需要考慮正、負(fù)理想方案的目標(biāo)相對隸屬度科學(xué)計算問題.用綜合信任度向量來表示一個邊緣計算元素的可信程度能夠充分反映用戶的評價意見,但也存在如何比較多個信任度向量的問題,即當(dāng)多個邊緣計算元素可以滿足一個ecc關(guān)于QoE要求時,應(yīng)該如何選擇的問題.我們采用改進(jìn)的相對比值法,該方法按照相對比值ξ(ecui)從大到小的順序給出U={ecui|i∈N}中的邊緣計算元素的優(yōu)劣排序.
基于上述信任保障體系結(jié)構(gòu)和模型,進(jìn)一步設(shè)計邊緣計算單元的信任度度量與局部信任度更新方法,利用邊緣計算聯(lián)合體共享信任度信息的信任覆蓋網(wǎng)以及全局信任度更新方法,從而實現(xiàn)基于綜合信任的高效邊緣計算.
對于資源綜合信任度進(jìn)行科學(xué)客觀地評估后,能夠為資源、用戶進(jìn)行身份、行為和服務(wù)能力定量評價,為安全高效地實現(xiàn)資源共享調(diào)度以及整個系統(tǒng)優(yōu)化提供了基本指標(biāo)體系.不過,由于邊緣計算環(huán)境中包含有多重特征的資源,計算模式可能包含多種形式的組合,需要設(shè)計資源管理與協(xié)同優(yōu)化解決方案.首先,確定邊緣計算應(yīng)用場景和服務(wù)類型,不同的場景和應(yīng)用類型決定了計算模式的組合與資源共享的方式.比如請求服務(wù)為計算密集型的任務(wù),那么邊緣服務(wù)和終端節(jié)點沒有足夠的資源不適合處理此類型的任務(wù),應(yīng)該將負(fù)載從邊緣卸載,提交到云計算中心完成,從而獲得良好的用戶QoE效果;如果請求的任務(wù)與位置關(guān)聯(lián)度高,信息交互頻繁,且具有一定的計算量,那么,要求邊緣服務(wù)器協(xié)同移動終端節(jié)點共同完成;如果僅僅是移動終端節(jié)點希望感知鄰近環(huán)境的狀態(tài),或者自由隨意的狀態(tài)或信息請求,或計算請求,則只需終端節(jié)點自主協(xié)商共同完成任務(wù)即可.面對紛雜的邊緣計算場景,要建立輕量級的資源信任狀態(tài)維護(hù)和資源拓?fù)錁?gòu)建機(jī)制,為資源調(diào)度和協(xié)同提供支持;為了保證資源的高效利用和最低使用成本,采用基于綜合信任度的資源與任務(wù)匹配度評估與之對應(yīng)的資源調(diào)度算法,并通過計算場景分類以及任務(wù)卸載與裝載評估與實現(xiàn)機(jī)制,實現(xiàn)計算模式的智能匹配,從而達(dá)到資源應(yīng)用于合適場景;需要研究帶有移動預(yù)測的QoE保證的資源調(diào)度機(jī)制,確保在終端節(jié)點在移動條件能在有效傳輸范圍內(nèi)將任務(wù)完成;需要研究系統(tǒng)過載失效的恢復(fù)機(jī)制,因為邊緣計算環(huán)境的動態(tài)性比較強(qiáng),部分節(jié)點失效或狀態(tài)不一致是不可避免的,要設(shè)計魯棒的資源調(diào)度算法;廣泛部署的物聯(lián)網(wǎng)終端成為邊緣計算的重要組成部分,而此時數(shù)據(jù)傳輸往往通過無線網(wǎng)絡(luò)完成,無線資源也成為制約和影響邊緣計算性能的重要因素,因此需要研究無線頻譜資源與計算資源的協(xié)同優(yōu)化調(diào)度機(jī)制,從而取得更優(yōu)的系統(tǒng)性能;邊緣計算既是一種開放的系統(tǒng)也是可以基于經(jīng)濟(jì)收益驅(qū)動的系統(tǒng),需要研究基于成本與收益優(yōu)化的資源共享與調(diào)度算法,激勵資源的充分利用.為了有效改進(jìn)和提高邊緣計算的資源利用的效率,需要研究任務(wù)卸載算法、資源調(diào)度算法等的性能評價模型,進(jìn)行分析,從而更好地指導(dǎo)調(diào)度算法的設(shè)計.
邊緣計算模型和信任保障體系研究方案確定了邊緣計算系統(tǒng)工作的基本規(guī)范,為保障用戶QoE效果,在模型的支持下設(shè)計邊緣計算中任務(wù)卸載和資源調(diào)度的算法.首先,根據(jù)服務(wù)請求確定計算模式,結(jié)合信任保障模型,建立邊緣計算資源調(diào)度問題的模型,進(jìn)而根據(jù)用戶請求的QoE,實現(xiàn)對可用有效資源的篩選,再行設(shè)計高效的算法,進(jìn)行資源調(diào)度,最后對算法進(jìn)行性能評價.在這個過程中,首先要解決任務(wù)卸載的臨界點的判定,即確定任務(wù)的完成是在邊緣還是放在云計算中心來完成.我們根據(jù)服務(wù)請求的類型,如數(shù)據(jù)敏感型、計算密集型、帶寬密集型,確定邊緣對應(yīng)資源是否滿足,做出評判,從而確定資源共享模式.
針對任務(wù)卸載問題,對用戶QoE進(jìn)行分析,然后確定任務(wù)卸載的粒度,也可以根據(jù)任務(wù)完成時間來進(jìn)行確定,在用戶可以接受的QoE基礎(chǔ),以最少的支付成本完成提交的任務(wù).如果邊緣設(shè)備是智能移動終端,我們考慮移動性對于卸載任務(wù)的影響,盡量確保一次移動切換之內(nèi)完成,從而獲得高的性價比.任務(wù)卸載需要考慮同云計算透明訪問提高系統(tǒng)效能.
對于確定在邊緣完成的服務(wù)請求,則在邊緣進(jìn)行資源基于信任的調(diào)度.邊緣服務(wù)器具有較好的計算能力、寬帶連接能力、一定的存儲能力.終端節(jié)點具有移動性、動態(tài)性、資源有限性以及地理的鄰近性.有些任務(wù)需要邊緣服務(wù)器提供計算資源的支持,同時結(jié)合終端節(jié)點的計算和服務(wù)能力;有些任務(wù)的完成則只需要終端節(jié)點的自主協(xié)同,這種系統(tǒng)過程既要滿足用戶QoE要求,同時,還需要考慮移動終端節(jié)點移動性、服務(wù)持續(xù)時間、電量與能耗諸多因素.其資源的調(diào)度與遷移難度很大,問題的建模也相對更加復(fù)雜.本文充分借鑒網(wǎng)格計算、P2P計算領(lǐng)域優(yōu)秀的資源調(diào)度算法,同時可以結(jié)合P2P環(huán)境中基于博弈的系統(tǒng)平衡優(yōu)化的方法[106].
Fig. 12 Resource sharing and cooperation optimizing problem in edge computing圖12 邊緣計算系統(tǒng)的資源共享與協(xié)同優(yōu)化問題示意圖
邊緣計算系統(tǒng)的資源共享與協(xié)同優(yōu)化問題如圖12所示,可以看出其實邊緣計算的資源共享與協(xié)同問題是一個非常復(fù)雜的問題,我們將其設(shè)計為一個優(yōu)化的框架,問題可以規(guī)約成一個多約束多目標(biāo)優(yōu)化問題,對于這類問題已經(jīng)有很多研究,在實際中如此復(fù)雜的問題有時難于求解,對應(yīng)到實際應(yīng)用場景時,問題求解過程中的輸入、約束因素、優(yōu)化目標(biāo)都會進(jìn)一步地明確和簡單化,因此問題求解相對變得可行.目前可以采用資源調(diào)度優(yōu)化算法方面的啟發(fā)式/非啟發(fā)式算法方法已有很多,本文考慮實際情況設(shè)計系列任務(wù)卸載評判、卸載資源分配、邊緣資源調(diào)度算法滿足信任安全約束和成本約束條件去優(yōu)化用戶QoE效果.
基于綜合信任的資源調(diào)度可以描述為一個多維目標(biāo)優(yōu)化問題,邊緣計算執(zhí)行體ecx=(ECU,sat),邊緣計算中,部分ecu產(chǎn)生的服務(wù)請求T={t1,t2,…},問題的目標(biāo)是在可信決策空間sat(is,bs,cs)T分別對應(yīng)身份信任滿意度、行為信任滿意度、能力信任滿意度,以f1(is),f2(bs),f3(cs)作為可信優(yōu)化調(diào)度的目標(biāo)函數(shù),分別代表身份可信滿意度函數(shù),能力可信滿意度函數(shù)和行為可信滿意度函數(shù).因此,希望在邊緣計算元素可信的可行集(is,bs,cs)上得到滿足條件的優(yōu)化調(diào)度方案maxf1(is),maxf2(bs)),maxf3(cs),邊緣計算元素可信映射目標(biāo)函數(shù)fi(sati):對于某個可信指標(biāo)i,某一個提供服務(wù)的邊緣計算元素決策空間為sat(is,bs,cs)T經(jīng)過服務(wù)可信映射目標(biāo)函數(shù)fi(sati)映射后可得到該維目標(biāo)的值.問題的求解我們可以采用約束法、加權(quán)法等.由于約束法相當(dāng)于窮盡求解過程,不宜于實時的調(diào)度系統(tǒng),但往往能獲得比較好的優(yōu)化效果;對于動態(tài)變化的實際邊緣系統(tǒng)則可以采用加權(quán)法.加權(quán)法的一般形式為
(7)
網(wǎng)絡(luò)邊緣產(chǎn)生的數(shù)據(jù)正在急速增加,移動設(shè)備用戶不僅是數(shù)據(jù)的消費(fèi)者,也是數(shù)據(jù)的生產(chǎn)者.數(shù)據(jù)的產(chǎn)生和處理往往是實時和持續(xù)不斷地進(jìn)行,流處理在當(dāng)前的大數(shù)據(jù)時代扮演著一個重要的角色.它可以在數(shù)據(jù)可用時對大量數(shù)據(jù)進(jìn)行分析,并支持實時決策.在流處理中,數(shù)據(jù)流是分布在各個地理位置的多個源生成的連續(xù)的數(shù)據(jù)流.流處理的常見方法是將原始數(shù)據(jù)流傳輸?shù)綌?shù)據(jù)中心進(jìn)行統(tǒng)一處理.然而,對于流處理應(yīng)用,在網(wǎng)絡(luò)邊緣處理數(shù)據(jù)可以明顯降低應(yīng)用程序的響應(yīng)延遲,提升用戶體驗.在網(wǎng)絡(luò)邊緣,我們利用移動的邊緣節(jié)點來執(zhí)行流處理應(yīng)用.為更好說明算法的效果,我們將節(jié)點的身份信任和行為信任假定其取值都相同,提出了一種適用于移動邊緣環(huán)境的調(diào)度算法——移動資源感知(mobile resource awareness, MRA)調(diào)度算法.我們提出基于資源的多維空間距離的請求與服務(wù)的匹配方法,MRA能夠根據(jù)智能終端移動和位置狀態(tài)以及資源需求狀態(tài)在邊緣計算環(huán)境中找到具備合適的計算、存儲、通信資源的節(jié)點進(jìn)行協(xié)同,完成對應(yīng)的流任務(wù)的處理;最后,我們在Storm中實現(xiàn)了我們的調(diào)度算法,在Core平臺中進(jìn)行了邊緣節(jié)點的部署,通過與其他調(diào)度算法相比,MRA算法可以更有效地適應(yīng)節(jié)點資源有限的移動邊緣環(huán)境,MRA算法優(yōu)于其他2種調(diào)度算法.
由于流處理系統(tǒng)主要是主-從架構(gòu),對于流處理應(yīng)用,邊緣服務(wù)器可以看作是接收用戶請求和分配任務(wù)的主節(jié)點,同時邊緣節(jié)點(如智能手機(jī)、路由器等)可以看作是執(zhí)行任務(wù)的從節(jié)點.對于邊緣節(jié)點,存在一些特征,例如可用資源有限、節(jié)點可能是移動的等.在這種移動邊緣環(huán)境中,我們需要一個調(diào)度算法來調(diào)度流處理任務(wù),同時可以提高整個流處理系統(tǒng)的吞吐量.
我們試圖解決的問題是如何最好地將任務(wù)分配給節(jié)點.每個任務(wù)都有一組特定的資源需求,每個節(jié)點都有一組可用資源,同時每個節(jié)點根據(jù)一個移動模型移動.考慮到這些資源需求、資源可用性以及節(jié)點的移動模型,從而提高流處理系統(tǒng)的吞吐量,同時滿足每個任務(wù)的資源需求.因此,這個問題就變成了如何將任務(wù)映射到節(jié)點,以便滿足每個任務(wù)的資源需求,同時不能超出節(jié)點資源的可用性的問題.
我們首先考慮了2種不同類型的資源:CPU和內(nèi)存.我們將CPU資源定義為可用的CPU百分比,內(nèi)存資源被定義為可用的兆字節(jié)數(shù)量.我們將節(jié)點資源分為2類:1)必須完全滿足的強(qiáng)制約束資源;2)不需要完全滿足的松散約束資源.對于松散約束,我們的目標(biāo)是盡量減少超過約束的資源數(shù)量.劃分強(qiáng)制性和寬松約束的基礎(chǔ)是:強(qiáng)制性約束的資源過度使用會導(dǎo)致系統(tǒng)性能顯著下降,而寬松性約束的資源的過度使用則不會導(dǎo)致系統(tǒng)性能顯著下降.在本文中,CPU被認(rèn)為是一種具有松散約束的資源,因為它們可以被過載;內(nèi)存被認(rèn)為是一種具有強(qiáng)制性約束的資源,因為我們不能超過節(jié)點上可用的內(nèi)存總數(shù).
進(jìn)一步,由于流數(shù)據(jù)協(xié)同處理需要將數(shù)據(jù)傳送到參與協(xié)同的節(jié)點,而在節(jié)點移動環(huán)境下,節(jié)點間距離會因為邊緣節(jié)點的移動性而動態(tài)變化,從而影響到數(shù)據(jù)傳輸?shù)臒o線信道和傳輸?shù)膸?我們的調(diào)度算法還需要考慮節(jié)點之間的距離變化帶來的影響.圖13描述了移動邊緣環(huán)境中執(zhí)行流處理任務(wù)的示例.在圖13中,流處理系統(tǒng)由一些邊緣節(jié)點組成.用戶提交拓?fù)渲?,流處理系統(tǒng)根據(jù)調(diào)度器調(diào)度拓?fù)渲械娜蝿?wù).
Fig. 13 Streaming tasks processing in edge computing圖13 流處理任務(wù)在邊緣環(huán)境中分配
(8)
這種選擇和分配問題是背包優(yōu)化問題的復(fù)雜和特殊變化.為了解決各種背包問題,已經(jīng)提出了一些算法,如動態(tài)規(guī)劃[107-108]、樹搜索[109-110]、近似算法[111]等.然而,這些算法的時間復(fù)雜度很高,需要大量時間來計算分布式數(shù)據(jù)流系統(tǒng)中的可用調(diào)度,不適宜于邊緣計算場景.由于諸如Storm之類的流處理系統(tǒng)需要盡可能接近實時地響應(yīng)事件,所以需要快速、簡單地進(jìn)行調(diào)度決策.計算調(diào)度所需的時間越長,應(yīng)用程序的停機(jī)時間就越長.此外,如果Storm集群中發(fā)生故障,需要重新調(diào)度任務(wù),則調(diào)度程序必須能夠快速地生成新的調(diào)度.如果任務(wù)不能被快速地重新安排,整個拓?fù)淇赡軙欢氯?,甚至?xí)l(fā)生消息隊列溢出等災(zāi)難性故障.因此,我們將所有任務(wù)調(diào)度到多個節(jié)點,同時滿足所有任務(wù)的資源需求,另外,這個調(diào)度算法應(yīng)該在彼此靠近的節(jié)點上調(diào)度任務(wù),以減少網(wǎng)絡(luò)延遲.該算法必須快速、簡單,以滿足流處理應(yīng)用的實時性要求.
存在由一組任務(wù){(diào)α1,α2,α3,…}組成的集合T,以及一組節(jié)點{n1,n2,n3,…}.對于每個任務(wù),我們需要從{n1,n2,n3,…}中找到一個節(jié)點來執(zhí)行任務(wù).我們通過計算節(jié)點和任務(wù)之間的匹配度來選擇節(jié)點,這個匹配度如圖13中的distance所示.在圖13的3維坐標(biāo)系中,x軸表示任務(wù)αi的內(nèi)存需求和節(jié)點nj的可用內(nèi)存之間的差值.y軸表示任務(wù)αi的CPU需求與節(jié)點nj的可用CPU之間的差值,z軸表示節(jié)點nj和參考節(jié)點(在節(jié)點選擇部分討論)在2維平面上的歐氏距離,距離近則相互間的通信信道好,可用帶寬高.在圖14中,點Ai j(x,y,z)和原點O之間的3維歐氏距離表示任務(wù)αi和節(jié)點nj之間的匹配程度.如果這個3維歐氏距離越小,則任務(wù)αi與節(jié)點nj之間的匹配程度較大.
Fig. 14 The degree of matching between αi and nj圖14 αi與nj之間的匹配程度示例
MRA算法處理過程如下:獲得任務(wù)選擇過程中需要被調(diào)度的任務(wù)列表,將這個有序任務(wù)列表中的每個任務(wù)分配到一個合適的任務(wù)執(zhí)行節(jié)點,而這個任務(wù)分配過程中需要進(jìn)行任務(wù)的CPU資源、存儲資源、網(wǎng)絡(luò)通信的資源需求與節(jié)點對應(yīng)的可用資源的匹配評估;完成分配和任務(wù)計算,并且同步更新節(jié)點的可用資源(限于篇幅算法偽代碼就不列出).
9.2.1 任務(wù)選擇
任務(wù)選擇首先是對流處理組件排序.在Storm的術(shù)語中,流處理圖被稱為topology,其中包含2種類型的組件,spout和bolt.spout是流處理圖的源節(jié)點,它從外部數(shù)據(jù)源讀取數(shù)據(jù),然后將數(shù)據(jù)轉(zhuǎn)換成元組發(fā)送到topology中.bolt消耗從spout或者其他bolt發(fā)送過來的元組,它可以是一個操作者節(jié)點也可以是一個匯聚節(jié)點.拓?fù)渲械拿總€節(jié)點都可以根據(jù)其并行性參數(shù)執(zhí)行一個或多個任務(wù).通過遍歷拓?fù)洳λ薪M件進(jìn)行排序.組件排序的目的是盡可能將相互通信的組件調(diào)度到同一個節(jié)點上,這可以減少組件之間的通信延遲.我們從一個spout組件開始遍歷拓?fù)?,使用廣度優(yōu)先搜索(BFS)來遍歷拓?fù)洌渲邢噜徑M件將被放置在一起.組件排序之后,再對任務(wù)進(jìn)行排序.首先,我們得到所有組件的最大任務(wù)數(shù),這代表每個組件需要迭代的次數(shù).對于從有序的組件列表迭代出來的每個組件,我們從該組件獲取一個任務(wù),并將這個任務(wù)添加到任務(wù)列表中.然后,我們執(zhí)行下一次迭代并且不斷迭代直到這個最大值減到零為止.
9.2.2 節(jié)點選擇
在獲得有序的任務(wù)列表之后,我們需要將任務(wù)安排到節(jié)點上.如果需要調(diào)度的任務(wù)是任務(wù)列表中的第1個任務(wù),則參考節(jié)點為空,那首先需要確定這個參考節(jié)點.參考節(jié)點是指節(jié)點集合中最靠近其他節(jié)點的節(jié)點.由于邊緣節(jié)點可能是移動的,通過從{n1,n2,n3,…}中選擇離其他節(jié)點最近節(jié)點,我們可以最大化傳輸帶寬并加快元組的處理速度.在找到參考節(jié)點之后,我們可以計算得到如圖13所示的可行節(jié)點和原點之間的匹配距離.注意:為了消除內(nèi)存,CPU和距離d之間不同衡量標(biāo)準(zhǔn)和量綱的影響,我們對內(nèi)存,CPU和距離d進(jìn)行了歸一化.我們得到匹配距離之后,將匹配距離distancenj和節(jié)點nj存儲到TreeMap中.循環(huán)完成之后,TreeMap值的集合的第1個元素就是我們正在尋找的selectedNode.同時,為了確保執(zhí)行任務(wù)的節(jié)點可以彼此靠近,我們需要將參考節(jié)點更新為selectedNode.然后再完成任務(wù)的調(diào)度傳輸和處理,從而完成整個流處理過程.
9.3.1 MRA算法的實驗設(shè)置
我們的目標(biāo)是在一個模擬的邊緣計算環(huán)境中評估我們的調(diào)度算法,在這個邊緣計算環(huán)境中,Storm集群由來自網(wǎng)絡(luò)邊緣的多個移動邊緣節(jié)點組成.我們使用CORE[112]來運(yùn)行我們的實驗.CORE是美國海軍研究實驗室(NRL)制造的網(wǎng)絡(luò)模擬工具,可以用來模擬由多個節(jié)點組成的網(wǎng)絡(luò).在CORE中,用戶可以使用各種不同類型的虛擬節(jié)點來創(chuàng)建自定義網(wǎng)絡(luò)拓?fù)?CORE中的虛擬節(jié)點包括PC、服務(wù)器、路由器、交換機(jī)等[95].節(jié)點可以通過有線鏈路或無線網(wǎng)絡(luò)進(jìn)行連接.有線鏈路可以配置諸如最大帶寬,延遲和抖動等參數(shù).對于無線網(wǎng)絡(luò),我們可以使用可擴(kuò)展的移動自組織網(wǎng)絡(luò)仿真器(EMANE)模塊來模擬真實的無線網(wǎng)絡(luò)場景.
我們進(jìn)行了2組實驗:組1實驗的實驗設(shè)置如圖15所示.在組1實驗中,Storm集群由13個節(jié)點組成.一個節(jié)點被指定為主節(jié)點,即運(yùn)行Storm Nimbus和Zookeeper,而其他12個節(jié)點是從節(jié)點.這些節(jié)點通過無線網(wǎng)絡(luò)連接,無線網(wǎng)絡(luò)模型是EMANE中的IEEE802.11abg模型.在實驗過程中,主節(jié)點保持靜止,其他工作節(jié)點根據(jù)隨機(jī)路徑點模型[113]進(jìn)行移動.我們的實驗評估受到雅虎Storm性能測試[114]的啟發(fā).整個實驗中使用的拓?fù)涫蔷€性拓?fù)?,拓?fù)涞娜蝿?wù)數(shù)量設(shè)置為60個.
組2實驗的實驗設(shè)置如圖16所示.節(jié)點數(shù)量為7個,其中一個節(jié)點為主節(jié)點,其他6個節(jié)點為從節(jié)點,采用線性拓?fù)洌蝿?wù)數(shù)量設(shè)置為30個.
Fig. 15 The experimental setup of the first experiments圖15 組1實驗的實驗設(shè)置
Fig. 16 The experimental setup of the second experiments圖16 組2實驗的實驗設(shè)置
9.3.2 調(diào)度算法的實驗結(jié)果
我們通過比較拓?fù)涞目偼掏铝亢蛦挝煌掏铝縼碓u估MRA算法的性能.對于我們的評估,拓?fù)涞目偼掏铝渴禽敵鯾olt處理的元組總數(shù),拓?fù)涞膯挝煌掏铝渴禽敵鯾olt每10 s處理的元組數(shù)量.我們通過將我們的算法與Storm中的默認(rèn)調(diào)度算法以及RAS調(diào)度算法[115]進(jìn)行比較來評估我們的算法的性能.
Fig. 17 Comparison of unit throughput in the first group of experiments圖17 組1實驗中單位吞吐量的比較
在組1實驗中,1)單位吞吐量.圖17顯示了組1實驗中拓?fù)涞膯挝煌掏铝恐笜?biāo)的比較.從圖17中可以看出,在大約98%的時間內(nèi),我們的MRA算法的單位吞吐量是高于其他2種算法的,其他調(diào)度算法在一小段時間內(nèi)可能會高于我們的算法.出現(xiàn)這種現(xiàn)象的原因是節(jié)點在不斷移動,在短時間內(nèi),單位吞吐量可能會出現(xiàn)激增的情況.另外,默認(rèn)調(diào)度算法的平均單位吞吐量約為16 000,RAS調(diào)度算法約為13 000,MRA算法約為39 000.從這些數(shù)據(jù)可以看出,在元組處理速度方面,我們的MRA算法比其他2個調(diào)度算法都要快很多.2)總吞吐量.拓?fù)涞目傮w吞吐量如圖18所示.從圖18中可以看出,我們的MRA算法明顯優(yōu)于其他2種調(diào)度算法,并且隨著時間的推移,MRA的優(yōu)勢將變得越來越明顯.
Fig. 18 Comparison of total throughput in the first group of experiments圖18 組1實驗中總吞吐量的比較
在組2實驗中,1)單位吞吐量.圖19顯示了組2實驗中拓?fù)涞膯挝煌掏铝恐笜?biāo)的比較.從圖19中可以看出,和組1實驗的實驗結(jié)果類似,我們的MRA算法明顯優(yōu)于其他2種算法.另外,默認(rèn)調(diào)度算法的平均單位吞吐量約為27 000,RAS調(diào)度算法約為20 000,MRA算法約為43 000,大約是其他2種調(diào)度算法的2倍.2)總吞吐量.第2組實驗中拓?fù)涞目傮w吞吐量如圖20所示.從圖20中可以看出,我們的MRA算法在節(jié)點數(shù)量較少的情況下也是明顯優(yōu)于其他2種調(diào)度算法的.
Fig. 19 Comparison of unit throughput in the second group of experiments圖19 組2實驗中單位吞吐量的比較
Fig. 20 Comparison of total throughput in the second group of experiments圖20 組2實驗中總吞吐量的比較
從實驗結(jié)果可以看出MRA算法可以在多個可用的邊緣節(jié)點中根據(jù)資源的動態(tài)性,總是選取最適合的節(jié)點來完成流,從而獲得更好的性能.
本文通過對計算模式演化發(fā)展的特征與規(guī)律的分析,結(jié)合物聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)以及電子技術(shù)的發(fā)展指出邊緣計算興起的緣由.探討和對比了主流的邊緣計算的概念和定義;結(jié)合當(dāng)前業(yè)內(nèi)研究進(jìn)展,分析了邊緣計算的特征,歸納出邊緣計算主要的應(yīng)用場景,并分類詳細(xì)調(diào)研了邊緣計算的研究現(xiàn)狀,指出了邊緣計算的挑戰(zhàn)與前景.本文針對邊緣計算的隱私信任和安全以及資源協(xié)同優(yōu)化的關(guān)鍵問題,提出了基于綜合信任的邊緣計算多層自適應(yīng)的邊緣計算模型與體系結(jié)構(gòu),并基于綜合信任對邊緣計算的資源協(xié)同優(yōu)化問題進(jìn)行了建模,形成了統(tǒng)一的多目標(biāo)優(yōu)化解決方案.最后通過邊緣計算場景中的流計算任務(wù)面向計算、存儲以及動態(tài)移動的通信資源進(jìn)行任務(wù)調(diào)度,優(yōu)化了資源共享效率,仿真實驗驗證了方法的有效性,表明該方法能夠提升用戶的QoE.
[1] Armbrust M, Fox A, Griffith R, et al. A view of cloud computing[J]. Communications of the ACM, 2010, 53(4): 50-58
[2] Montresor A. Reflecting on the past, preparing for the future: From peer-to-peer to edge-centric computing[C] //Proc of the 36th IEEE Int Conf on Distributed Computing Systems (ICDCS). Piscataway, NJ: IEEE, 2016: 22-23
[3] Zeng Jiandian, Wang Tian, Jia Weijia, et al. A survey on sensor-cloud[J]. Journal of Computer Research and Development, 2017, 54(5): 925-939 (in Chinese)
(曾建電, 王田, 賈維嘉, 等. 傳感云研究綜述[J]. 計算機(jī)研究與發(fā)展, 2017, 54(5): 925-939)
[4] Yu Ruiyun, Wang Pengfei, Bai Zhihong, et al. Participatory sensing: People-centric smart sensing and computing[J]. Journal of Computer Research and Development, 2017, 54(3): 457-473 (in Chinese)
(于瑞云, 王鵬飛, 白志宏, 等. 參與式感知: 以人為中心的智能感知與計算[J]. 計算機(jī)研究與發(fā)展, 2017, 54(3): 457-473)
[5] Luan T H, Gao L, Li Z, et al. Fog computing: Focusing on mobile users at the edge[EB/OL]. [2017-10-23]. http://sitic.org/wp-content/uploads/Fog-Computing.pdf
[6] Bonomi F, Milito R, Zhu Jiang, et al. Fog computing and its role in the Internet of things[C] //Proc of Edition of the MCC Workshop on Mobile Cloud Computing. New York: ACM, 2012: 13-16
[7] Dastjerdi A V, Buyya R. Fog computing: Helping the Internet of things realize its potential[J]. Computer, 2016, 49(8): 112-116
[8] Satyanarayanan M, Bahl P, Cáceres R, et al. The case for VM-based cloudlets in mobile computing[J]. IEEE Pervasive Computing, 2009, 8(4): 14-23
[9] Gai Keke, Qiu Meikang, Zhao Hui, et al. Dynamic energy-aware cloudlet-based mobile cloud computing model for green computing[J]. Journal of Network & Computer Applications, 2016, 59(C): 46-54
[10] Satyanarayanan M, Chen Zhuo, Ha K, et al. Cloudlets: At the leading edge of mobile-cloud convergence[C] //Proc of the 6th Int Conf on Mobile Computing, Applications and Services. Los Alamitos, CA: IEEE Computer Society, 2014: 1-9
[11] Satyanarayanan M. Edge computing: A new disruptive force[EB/OL]. [2017-10-23]. http://acm-ieee-sec.org/2017/2017-10-12-sec2017-keynote.html
[12] Lopez P G, Montresor A, Epema D, et al. Edge-centric computing: Vision and challenges[J]. ACM SIGCOMM Computer Communication Review, 2015, 45(5): 37-42
[13] Boulevard B. Edge Computing[OL]. [2017-10-23]. http://vis.pnnl.gov/pdf/fliers/EdgeComputing.pdf
[14] National Science Foundation. NSF/Intel partnership on information-centric networking in wireless edge networks (ICN-WEN)[EB/OL]. [2017-10-23]. https://www.nsf.gov/pubs/2016/nsf16586/nsf16586.html
[15] Yuan Yixue. Cloud computing is heating up, edge computing is up now[N]. China Science, 2016-12-16(4) (in Chinese)
(袁一雪. 云計算正熱,邊緣計算又起[N]. 中國科學(xué)報, 2016-12-16(4))
[16] Vaquero L M, Rodero-Merino L. Finding your way in the fog: Towards a comprehensive definition of fog computing[J]. ACM SIGCOMM Computer Communication Review, 2014, 44(5): 27-32
[17] Shi Weisong, Sun Hui, Cao Jie, et al. Edge computing—An emerging computing model for the Internet of everyting 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(jī)研究與發(fā)展, 2017, 54(5): 907-924)
[18] Renkonen K O, Seppala M. Edge analytics in the Internet of things[J]. IEEE Pervasive Computing, 2015, 14(2): 24-31
[19] Satyanarayanan M. A brief history of cloud offload:A personal journey from odyssey through cyber foraging to cloudlets[J]. Getmobile Mobile Computing & Communi-cations, 2015, 18(4): 19-23
[20] Antipolis S. Multi-access edge computing[OL]. [2017-10-23]. http://www.etsi.org/technologies-clusters/technologies/multi-access-edge-computing
[21] Garvelink B. Mobile edge computing: A building block for 5G[EB/OL]. [2017-10-23]. https://www.telecompaper.com/background/mobile-edge-computing-a-building-block-for-5g--1092281
[22] Antipolis S. Mobile edge computing—A key toward 5G[EB/OL]. [2016-04-26]. http://www.etsi.org/technologies clusters/technologies-edge-computing
[23] Yu Yifan, Ren Chunming, Yuan leifeng, et al. Analysis of mobile edge computing research[J]. Telecommunication Network Technology, 2016, 11: 59-62 (in Chinese)
(俞一帆, 任春明, 阮磊峰, 等. 移動邊緣計算技術(shù)發(fā)展淺析[J]. 電信網(wǎng)技術(shù), 2016, 11: 59-62)
[24] Dinh H T, Lee C, Niyato D, et al. A survey of mobile cloud computing: Architecture, applications, and approaches[J].Wireless Communications & Mobile Computing, 2013, 13(18): 1587-1611
[25] Xie K, Wang X, Xie G, et al. Distributed multi-dimensional pricing for efficient application offloading in mobile cloud computing[EB/OL]. [2017-10-23]. http://ieeexplore.ieee.org/document/7792154/
[26] Byrne J, Casari P, Eardley P, et al. Reliable capacity provisioning for distributed cloud/edge/fog computing applications[C] //Proc of the 26th European Conf on Networks and Communications. Piscataway, NJ: IEEE, 2017: 1-6
[27] Yi Shanhe, Li Cheng, Li Qun. A survey of fog computing: Concepts, applications and issues[C] //Proc of the 2015 Workshop on Mobile Big Data. New York: ACM, 2015: 37-42
[28] Bonomi F, Milito R, Zhu Jiang, et al. Fog computing and its role in the Internet of things[C] //Proc of Edition of the MCC Workshop on Mobile Cloud Computing. New York: ACM, 2012: 13-16
[29] Zhang Zhaosheng, Li Shuyu. A survey of computational offloading in mobile cloud computing[C] //Proc of the 4th IEEE Int Conf on Mobile Cloud Computing, Services, and Engineering. Piscataway, NJ: IEEE, 2016: 81-82
[30] Chiang M, Zhang Tao. Fog and IoT: An overview of research opportunities[J]. IEEE Internet of Things Journal, 2017, 3(6): 854-864
[31] Shuja J, Gani A, Rehman M H U, et al. Towards native code offloading based MCC frameworks for multimedia applications: A survey[J]. Journal of Network & Computer Applications, 2016, 75(C): 335-354
[32] Yaqoob I, Ahmed E, Gani A, et al. Mobile ad hoc cloud: A survey[J]. Wireless Communications & Mobile Computing, 2016, 16(16): 2572-2589
[33] Networking C V. Cisco global cloud index: Forecast and methodology, 2014—2019[EB/OL]. [2017-10-23]. https://docmia.com/d/285608
[34] MacGillivray C, Turner V, Yesner R, et al. IDC futures-cape: Worldwide Internet of things 2016 predictions[OL]. [2017-10-23]. http://www.idc.com/research/viewtoc.jsp?containerId=259856
[35] Evans D. The Internet of things: How the next evolution of the Internet is changing everything[EB/OL]. (2011-01-01) [2017-10-23]. https://www.cisco.com/c/dam/en_us/about/ac79/docs/innov/IoT_IBSG_0411FINAL.pdf
[36] Shi Weisong, Cao Jie, Zhang Quan, et al. Edge computing: Vision and challenges[J]. IEEE Internet of Things Journal, 2016, 3(5): 637-646
[37] Shi W, Dustdar S. The promise of edge computing[J]. Computer, 2016, 49(5): 78-81
[38] Lopez P G, Montresor A, Epema D, et al. Edge-centric computing: Vision and challenges[J]. ACM SIGCOMM Computer Communication Review, 2015, 45(5): 37-42
[39] Rudenko A, Reiher P, Popek G J, et al. Saving portable computer battery power through remote process execution[J]. ACM Sigmobile Mobile Computing & Communications Review, 1998, 2(1): 19-26
[40] Yi Shanhe, Hao Zijiang, Qin Zhengrui, et al. Fog computing: Platform and applications[C] //Proc of the 3rd IEEE Workshop on Hot Topics in Web Systems and Technologies. Piscataway, NJ: IEEE, 2015: 73-78
[41] Ha K, Chen Zhuo, Hu Wenlu, et al. Towards wearable cognitive assistance[C] //Proc of the 12th Int Conf on Mobile Systems. New York: ACM, 2014: 68-81
[42] Chun B G, Ihm S, Maniatis P, et al. CloneCloud: Elastic execution between mobile device and cloud[C] //Proc of the 6th European Conf on Computer Systems. New York: ACM, 2011: 301-314
[43] Hunt G C, Scott M L. The Coign automatic distributed partitioning system[C] //Proc of EDOC’98. Piscataway, NJ: IEEE, 1999: 252-262
[44] Kumar K, Lu Y H. Cloud computing for mobile users: Can offloading computation save energy?[J]. Computer, 2010, 43(4): 51-56
[45] Kosta S, Aucinas A, Hui P, et al. ThinkAir: Dynamic resource allocation and parallel execution in the cloud for mobile code offloading[C] //Proc of IEEE INFOCOM 2012. Piscataway, NJ: IEEE, 2012: 945-953
[46] Zhang Huyin, Wang Jing, Tang Xing. Joint routing and scheduling in cognitive radio vehicular ad hoc networks[J]. Journal of Computer Research and Development, 2017, 54(11): 2445-2455 (in Chinese)
(張滬寅, 王菁, 唐星. 認(rèn)知無線車載自組織網(wǎng)絡(luò)中的聯(lián)合路由調(diào)度[J]. 計算機(jī)研究與發(fā)展, 2017, 54(11): 2445-2455)
[47] Farris I, Militano L, Nitti M, et al. MIFaaS: A mobile-IoT-federation-as-a-service model for dynamic cooperation of IoT cloud providers[J]. Future Generation Computer Systems, 2017, 70: 126-137
[48] Satria D, Park D, Jo M. Recovery for overloaded mobile edge computing[J]. Future Generation Computer Systems, 2017, 70: 138-147
[49] Gomes A S, Sousa B, Palma D, et al. Edge caching with mobility prediction in virtualized LTE mobile networks[J]. Future Generation Computer Systems, 2017, 70: 148-162
[50] T?rneberg W, Mehta A, Wadbro E, et al. Dynamic application placement in the Mobile Cloud Network[J]. Future Generation Computer Systems, 2017, 70: 163-177
[51] Li Wei, Santos I, Delicato F C, et al. System modelling and performance evaluation of a three-tier Cloud of Things[J]. Future Generation Computer Systems, 2017, 70: 104-125
[52] 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
[53] Liu P, Willis D, Banerjee S. ParaDrop: Enabling lightweight multi-tenancy at the network’s extreme edge[C] //Proc of IEEE/ACM Symp on Edge Computing. Piscataway, NJ: IEEE, 2016: 50-57
[54] Bhardwaj K, Shih M W, Agarwal P, et al. Fast, scalable and secure onloading of edge functions using AirBox[C] //Proc of IEEE/ACM Symp on Edge Computing. Piscataway, NJ: IEEE, 2016: 14-27
[55] Nastic S, Truong H L, Dustdar S. A middleware infrastruc-ture for utility-based provisioning of IoT cloud systems[C] //Proc of IEEE/ACM Symp on Edge Computing. Piscataway, NJ: IEEE, 2016: 28-40
[56] Amento B, Balasubramanian B, Hall R J, et al. FocusStack: Orchestrating edge clouds using location-based focus of attention[C] //Proc of IEEE/ACM Symp on Edge Computing. Piscataway, NJ: IEEE, 2016: 179-191
[57] Orsini G, Bade D, Lamersdorf W. Computing at the mobile edge: Designing elastic android applications for computation offloading[C] //Proc of the 8th IFIP Wireless and Mobile Networking Conf (WMNC). Piscataway, NJ: IEEE, 2015: 112-119
[58] Bonomi F, Milito R, Natarajan P, et al. Big Data and Internet of Things: A Roadmap for Smart Environments[M]. Berlin: Springer, 2014: 169-186
[59] Grieco R, Malandrino D, Scarano V. A scalable cluster-based infrastructure for edge-computing services[J]. World Wide Web, 2006, 9(3): 317-341
[60] Bhardwaj K, Sreepathy S, Gavrilovska A, et al. ECC: Edge cloud composites[C] //Proc of the 2nd IEEE Int Conf on Mobile Cloud Computing, Services, and Engineering. Piscataway, NJ: IEEE, 2014: 38-47
[61] Lyu X, Ni W, Tian H, et al. Optimal schedule of mobile edge computing for Internet of things using partial information[J]. IEEE Journal on Selected Areas in Communications, 2017, 35(11): 2606-2615
[62] Rimal B P, Van D P, Maier M. Mobile edge computing empowered fiber-wireless access networks in the 5G era[J]. IEEE Communications Magazine, 2017, 55(2): 192-200
[63] Luong N C, Xiong Zehui, Wang Ping, et al. Optimal auction for edge computing resource management in mobile blockchain networks: A deep learning approach[EB/OL]. [2017-10-23]. https://arxiv.org/abs/1711.02844
[64] Salsano S, Chiaraviglio L, Blefari-Melazzi N, et al. Toward superfluid deployment of virtual functions: Exploiting mobile edge computing for video streaming[C] //Proc of the 29th IEEE Int Teletraffic Congress (ITC 29). Piscataway, NJ: IEEE, 2017: 48-53
[65] Flores H, Srirama S N, Buyya R. Computational offloading or data binding? bridging the cloud infrastructure to the proximity of the mobile user[C] //Proc of the 2nd IEEE Int Conf on Mobile Cloud Computing, Services, and Engineering. Piscataway, NJ: IEEE, 2014: 10-18
[66] You Changsheng, Huang Kaibin, Chae H, et al. Energy-efficient resource allocation for mobile-edge computation offloading[J]. IEEE Trans on Wireless Communications, 2017, 16(3): 1397-1411
[67] Lin Y, Kemme B, Patino-Martinez M, et al. Enhancing edge computing with database replication[C] //Proc of the 26th IEEE Int Symp on Reliable Distributed Systems. Piscataway, NJ: IEEE, 2007: 45-54
[68] Khan M A, Debnath H, Paiker N R, et al. Moitree: A middleware for cloud-assisted mobile distributed apps[C] //Proc of the 4th IEEE Int Conf on Mobile Cloud Computing, Services, and Engineering. Piscataway, NJ: IEEE, 2016: 21-30
[69] Mao Yuyi, Zhang Jun, Letaief K B. Dynamic computation offloading for mobile-edge computing with energy harvesting devices[J]. IEEE Journal on Selected Areas in Communi-cations, 2016, 34(12): 3590-3605
[70] Tatemura J, Hsiung W P, Li W S. Acceleration of web service workflow execution through edge computing[C] //Proc of the 13th Int World Wide Web Conf (WWW). Berlin: Springer, 2003
[71] Ramakrishnan S, Reutiman R, Chandra A, et al. Accelerating distributed workflows with edge resources[C] //Proc of Parallel and Distributed Processing Symp Workshops & PhD Forum. Piscataway, NJ: IEEE, 2013: 2129-2138
[72] Gao Lin, Iosifidis G, Huang Jianwei, et al. Bargaining-based mobile data offloading[J]. IEEE Journal on Selected Areas in Communications, 2014, 32(6): 1114-1125
[73] Han T, Ansari N. Offloading mobile traffic via green content broker[J]. IEEE Internet of Things Journal, 2014, 1(2): 161-170
[74] Sun Xiang, Ansari N. Primal: Profit maximization avatar placement for mobile edge computing[C] //Proc of 2016 IEEE Int Conf on Communications. Piscataway, NJ: IEEE, 2016: 1-6
[75] 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 IEEE/ACM Symp on Edge Computing. Piscataway, NJ: IEEE, 2016: 168-178
[76] Renkonen K O, Seppala M. Edge analytics in the Internet of things[J]. IEEE Pervasive Computing, 2015, 14(2): 24-31
[77] Satyanarayanan M. Edge computing for situational awareness[C] //Proc of 2017 IEEE Int Symp on Local and Metropolitan Area Networks. Piscataway, NJ: IEEE, 2017: 1-6
[78] Taleb T, Dutta S, Ksentini A, et al. Mobile edge computing potential in making cities smarter[J]. IEEE Communications Magazine, 2017, 55(3): 38-43
[79] Wang Feng, Xu Jie, Wang Xin, et al. Joint offloading and computing optimization in wireless powered mobile-edge computing systems[EB/OL]. [2017-10-23]. http://ieeexplore.ieee.org/document/8234686/
[80] Ahmed E, Rehmani M H. Joint subcarrier and CPU time allocation for mobile edge computing[EB/OL]. [2017-10-23]. http://pdfs.semanticscholar.org/302e/3d46b0de4ca9dc cd65447c1469eea0f800e9.pdf
[81] Sardellitti S, Scutari G, Barbarossa S. Joint optimization of radio and computational resources for multicell mobile-edge computing[J]. IEEE Trans on Signal and Information Processing over Networks, 2015, 1(2): 89-103
[82] Kiani A, Ansari N. Towards hierarchical mobile edge computing: An auction-based profit maximization approach[J]. IEEE Internet of Things Journal, 2017, 4(6): 2082-2091
[83] Tran T X, Hajisami A, Pandey P, et al. Collaborative mobile edge computing in 5G networks: New paradigms, scenarios, and challenges[J]. IEEE Communications Magazine, 2017, 55(4): 54-61
[84] Sun Yuxuan, Zhou Sheng, Xu Jie. EMM: Energy-aware mobility management for mobile edge computing in ultra dense networks[J]. IEEE Journal on Selected Areas in Communications, 2017, 35(11): 2637-2646
[85] Mao Yuyi, Zhang Jun, Song S H, et al. Stochastic joint radio and computational resource management for multi-user mobile-edge computing systems[J]. IEEE Trans on Wireless Communications, 2017, 16(9): 5994-6009
[86] Papaioannou T, Katsalis K, Nikaein N, et al. SLA-driven VM scheduling in mobile edge computing[C] //Proc of the 1st IEEE Int Conf on Cloud Computing. Piscataway, NJ: IEEE, 2016
[87] Al-Shuwaili A, Simeone O. Optimal resource allocation for mobile edge computing-based augmented reality applications[EB/OL]. [2017-10-23]. https://arxiv.org/abs/1611.09243v1
[88] Liu Juan, Mao Yuyi, Zhang Jun, et al. Delay-optimal computation task scheduling for mobile-edge computing systems[C] //Proc of 2016 IEEE Int Symp on Information Theory. Piscataway, NJ: IEEE, 2016: 1451-1455
[89] Gong Shangfu, Zhu Jianlei. A survey of reputation and trust mechanism in peer-to-peer network[C] //Proc of 2012 Int Conf on Industrial Control and Electronics Engineering. Piscataway, NJ: IEEE, 2012: 116-119
[90] Yan Zheng, Zhang Peng, Vasilakos A V. A survey on trust management for Internet of things[J]. Journal of Network & Computer Applications, 2014, 42(3): 120-134
[91] Petri I, Rana O F, Rezgui Y, et al. Trust modelling and analysis in peer-to-peer clouds. [J]. International Journal of Cloud Computing, 2012, 1(2/3): 221-239
[92] Chen Shuhong, Wang Guojun, Jia Wenjia. A Trust Model Using Implicit Call Behavioral Graph for Mobile Cloud Computing[M]. Berlin: Springer, 2013: 387-402
[93] Hussain M, Almourad B M. Trust in mobile cloud computing with LTE-based deployment[C] //Proc of 2014 IEEE Int Conf on Ubiquitous Intelligence and Computing, Int Conf on Autonomic and Trusted Computing, Int Conf on Scalable Computing and Communications and ITS Associated Workshops. Piscataway, NJ: IEEE, 2014: 643-648
[94] Kantert J, Edenhofer S, Tomforde S, et al. Representation of trust and reputation in self-managed computing systems[C] //Proc of 2015 IEEE Int Conf on Computer and Information Technology; Ubiquitous Computing and Communications; Dependable, Autonomic and Secure Computing; Pervasive Intelligence and Computing (CIT/IUCC/DASC/PICOM). Piscataway, NJ: IEEE, 2015: 1827-1834
[95] Figueroa M, Uttecht K, Rosenberg J. A SOUND approach to security in mobile and cloud-oriented environments[C] //Proc of 2015 IEEE Int Symp on Technologies for Homeland Security. Piscataway, NJ: IEEE, 2015: 1-7
[96] Bennani N, Boukadi K, Ghedira-Guegan C. A trust management solution in the context of hybrid clouds[C] //Proc of the 23rd IEEE Int WETICE Conf. Piscataway, NJ: IEEE, 2014: 339-344
[97] Jang M, Lee H, Schwan K, et al. SOUL: An edge-cloud system for mobile applications in a sensor-rich world[C] //Proc of IEEE/ACM Symp on Edge Computing. Piscataway, NJ: IEEE, 2016: 155-167
[98] Echeverría S, Klinedinst D, Williams K, et al. Establishing Trusted Identities in Disconnected Edge Environments[C] //Proc of IEEE/ACM Symp on Edge Computing. Piscataway, NJ: IEEE, 2016: 51-63
[99] Cicirelli F, Guerrieri A, Spezzano G, et al. Edge computing and social Internet of things for large-scale smart environ-ments development[EB/OL]. [2017-10-23]. http://ieeexplore.ieee.org/document/8115262/
[100] Xie Kun, Cao Jiannong, Wang Xin, et al. Optimal resource allocation for reliable and energy efficient cooperative communications[J]. IEEE Trans on Wireless Communi-cations, 2013, 12(10): 4994-5007
[101] Deng Xiaoheng, He Lifang, Liu Qiang, et al. EPTR: Expected path throughput based routing protocol for wireless mesh network[J]. Wireless Networks, 2016, 22(3): 839-854
[102] Pan Yan, Deng Xiaoheng, Shen Hailan. Credit distribution for influence maximization in online social networks with time constraint[C] //Proc of 2015 IEEE Int Conf on Smart City/SocialCom/SustainCom. Piscataway, NJ: IEEE, 2015: 255-260
[103] Deng Xiaoheng, He Lifang, Li Xu, et al. A reliable QoS-aware routing scheme for neighbor area network in smart grid[J]. Peer-to-Peer Networking and Applications, 2016, 9(4): 616-627
[104] Xie Kun, Wang Guanxin, Wen Jigang, et al. Cooperative routing with relay assignment in multiradio multihop wireless networks[J]. IEEE/ACM Trans on Networking, 2016, 24(2): 859-872
[105] Varghese B, Wang Nan, Barbhuiya S, et al. Challenges and opportunities in edge computing[C] //Proc of IEEE Int Conf on Smart Cloud. Piscataway, NJ: IEEE, 2016: 20-26
[106] Deng Xiaoheng, Luo Jie, He Lifang, et al. Cooperative channel allocation and scheduling in multi-interface wireless mesh networks[EB/OL]. [2017-10-23]. https://rd.springer.com/article/10.1007/s12083-017-0619-8
[107] Wang Huamin, Tang Yangbin,Yin Gang, et al. Trust mechanisms of Internet software[J]. Science in China (Series E): Information Sciences, 2006, 36(10): 1156-1169 (in Chinese)
(王懷民, 唐揚(yáng)斌, 尹剛, 等. 互聯(lián)網(wǎng)軟件的可信機(jī)理[J]. 中國科學(xué)E輯: 信息科學(xué), 2006, 36(10): 1156-1169)
[108] Andonov R, Poirriez V, Rajopadhye S. Unbounded knapsack problem: Dynamic programming revisited[J]. European Journal of Operational Research, 2000, 123(2): 394-407
[109] Sarkar U K, Chakrabarti P P, Ghose S, et al. Reducing reexpansions in iterative-deepening search by controlling cutoff bounds[J]. Artificial Intelligence, 1991, 50(2): 207-221
[110] Xu Jielong, Chen Zhenhua, Tang Jian, et al. T-storm: Traffic-aware online scheduling in storm[C] //Proc of the 34th IEEE Int Conf on Distributed Computing Systems. Piscataway, NJ: IEEE, 2014: 535-544
[111] Fayard D, Zissimopoulos V. An approximation algorithm for solving unconstrained two-dimensional knapsack problems[J]. European Journal of Operational Research, 1995, 84(3): 618-632
[112] Ahrenholz J. Comparison of CORE network emulation platforms[C] //Proc of MILCOM 2010. Piscataway, NJ: IEEE, 2010: 166-171
[113] Danniswara K, Sajjad H P, Al-Shishtawy A, et al. Stream processing in community network clouds[C] //Proc of the 3rd Int Conf on Future Internet of Things and Cloud. Piscataway, NJ: IEEE, 2015: 800-805
[114
Shi Rui, Yang Xiazong. Research on the node spatial probabilistic distribution of the random waypoint mobility model for ad hoc network[J]. Journal of Computer Research and Development, 2005, 42(12): 2056-2062 (in Chinese)
(時銳, 楊孝宗. 自組網(wǎng)Random waypoint移動模型節(jié)點空間概率分布的研究[J]. 計算機(jī)研究與發(fā)展, 2005, 42(12): 2056-2062)
[115] Evans R. Yahoo’s storm performance test[OL]. [2017-10-01]. https://github.com/yahoo/storm-perf-test