孫輝 余瑩

摘要：現(xiàn)有基于集中式大數(shù)據(jù)的公共安全系統(tǒng)較難滿足實(shí)時(shí)性、精準(zhǔn)性、隱私性及能耗等問題。基于邊緣計(jì)算的多源大數(shù)據(jù)的時(shí)代已經(jīng)到來，多源數(shù)據(jù)主要包括：社會(huì)中政務(wù)和媒體數(shù)據(jù)、各種傳感器收集的數(shù)據(jù)、智能終端產(chǎn)生的自媒體數(shù)據(jù)等。邊緣計(jì)算與傳統(tǒng)集中式云計(jì)算二者相結(jié)合，可較好地處理這些邊緣異構(gòu)多源數(shù)據(jù)。提出了基于邊緣計(jì)算的智能交通系統(tǒng)、基于邊緣計(jì)算的公共安全監(jiān)測控制系統(tǒng)以及基于邊緣計(jì)算的災(zāi)難預(yù)警與救援系統(tǒng)。

關(guān)鍵詞：邊緣計(jì)算;多源異構(gòu);智能終端;協(xié)同

Abstract： Currently， cloud computing-based public safety systems are challenging to meet the requirements of real-time， accuracy， privacy， and energy consumption. The multi-source and heterogeneous-based big data applications that use the edge computing paradigm has become the popular applications. Multi-source-based big data mainly includes： （1） big data for governments and social media data; （2） data collected by various sensors; （3） self-media data from intelligent end devices. Edge computing， which collaborates with traditional cloud computing， can better handle these edge heterogeneous multi-source data. In this paper， three types of edge computing-based systems for heterogeneous multi-source are proposed： an edge computing-enabled intelligent transportation system， an edge computing-based monitoring system in public safety， and a disaster alert and notification system using the edge computing paradigm.

Key words： edge computing; multi-source heterogeneous; intelligent device; collaboration

1 背景

1.1 邊緣計(jì)算

隨著物聯(lián)網(wǎng)技術(shù)的發(fā)展，網(wǎng)絡(luò)邊緣設(shè)備數(shù)量的快速增加，萬物互聯(lián)時(shí)代已經(jīng)到來?，F(xiàn)有公共安全系統(tǒng)主要建立在云計(jì)算模式下，隨著其規(guī)模的擴(kuò)大，監(jiān)測控制視頻數(shù)據(jù)的處理難以滿足實(shí)時(shí)性需求;而基于邊緣計(jì)算的公共安全系統(tǒng)正逐漸成為主流，監(jiān)測控制數(shù)據(jù)由原有的單一視頻轉(zhuǎn)變?yōu)橐月曇?、視頻、文本等多源數(shù)據(jù)。

邊緣計(jì)算指在網(wǎng)絡(luò)邊緣執(zhí)行計(jì)算的一種新型計(jì)算模型，邊緣計(jì)算中的邊緣指從數(shù)據(jù)源到云計(jì)算中心路徑間的任意計(jì)算和網(wǎng)絡(luò)資源[1]。邊緣大數(shù)據(jù)處理時(shí)代，物聯(lián)網(wǎng)設(shè)備的數(shù)據(jù)急劇增加，數(shù)據(jù)類型呈現(xiàn)出復(fù)雜化、多樣化的特征。我們正從以云計(jì)算為核心的集中式大數(shù)據(jù)處理時(shí)代步入異構(gòu)多源的邊緣式大數(shù)據(jù)處理時(shí)代。

相比于云計(jì)算模型的集中式大數(shù)據(jù)處理時(shí)代，萬物互聯(lián)下的邊緣式大數(shù)據(jù)具有異構(gòu)多源的特征。云計(jì)算時(shí)代，數(shù)據(jù)量通常維持在拍字節(jié)（PB）級別，而邊緣大數(shù)據(jù)所處理的數(shù)據(jù)量已超過澤字節(jié)（ZB）。根據(jù)思科全球云指數(shù)的預(yù)測：至2020年，全球數(shù)據(jù)中心的流量將達(dá)到15.3 ZB[2]。由于基于邊緣數(shù)據(jù)的應(yīng)用程序?qū)?shí)時(shí)性需求較高，原有云中心的計(jì)算任務(wù)被（部分或全部）遷移到邊緣計(jì)算單元上，以保證數(shù)據(jù)處理的實(shí)時(shí)性[1]，同時(shí)降低數(shù)據(jù)從邊緣設(shè)備傳輸?shù)皆浦行牡膸捸?fù)載。因此，邊緣計(jì)算架構(gòu)目前已經(jīng)逐漸成為異構(gòu)多源大數(shù)據(jù)時(shí)代的重要架構(gòu)之一。

1.2 公共安全與邊緣大數(shù)據(jù)

根據(jù)數(shù)據(jù)來源的不同，公共安全領(lǐng)域[3]可利用的邊緣大數(shù)據(jù)包括：政務(wù)和媒體數(shù)據(jù)、傳感器收集的物理空間的數(shù)據(jù)和網(wǎng)絡(luò)空間的數(shù)據(jù)等[4]。政務(wù)和媒體數(shù)據(jù)主要包括政府?dāng)?shù)據(jù)、傳統(tǒng)媒體數(shù)據(jù)等，政府通過其行政權(quán)、司法權(quán)及強(qiáng)制力量可收集大量公共安全相關(guān)數(shù)據(jù)，傳統(tǒng)媒體（如電視臺）依靠其專業(yè)性，在獲取數(shù)據(jù)上也有其獨(dú)特的優(yōu)勢。物理空間數(shù)據(jù)主要包括公共場所的攝像頭監(jiān)測控制數(shù)據(jù)、車載攝像頭拍攝到的移動(dòng)視頻數(shù)據(jù)，環(huán)境傳感器收集到的溫度、壓力、濕度數(shù)據(jù)，煙霧傳感器收集的室內(nèi)煙霧數(shù)據(jù)。這些來自于物理空間的數(shù)據(jù)均可應(yīng)用到公共安全領(lǐng)域，有效融合這些數(shù)據(jù)，是公共安全系統(tǒng)的難題之一。網(wǎng)絡(luò)空間數(shù)據(jù)主要包括自媒體數(shù)據(jù)，如用戶通過Facebook[5]、Twitter[6]、微博、微信等社交平臺分享照片及視頻;日志數(shù)據(jù)，如用戶通過瀏覽器觀看在線視頻數(shù)據(jù)、搜索引擎資源、網(wǎng)上銀行交費(fèi)等行為數(shù)據(jù)。網(wǎng)絡(luò)數(shù)據(jù)是異構(gòu)多源數(shù)據(jù)重要組成部分，據(jù)統(tǒng)計(jì)，YouTube[7]用戶每分鐘上傳視頻內(nèi)容時(shí)長達(dá)72 h;Twitter用戶每分鐘達(dá)近30萬次的訪問量;Instagram[8]用戶每分鐘上傳近22萬張新照片[9]。網(wǎng)絡(luò)空間數(shù)據(jù)是異構(gòu)多源公共安全系統(tǒng)的主要來源。如當(dāng)災(zāi)難發(fā)生后，通過社交網(wǎng)絡(luò)上的數(shù)據(jù)分析災(zāi)民的行為模式，對受災(zāi)城市可能發(fā)生的大規(guī)模災(zāi)民避難、遷移行為進(jìn)行建模、預(yù)測和模擬，對災(zāi)民的撤離路線進(jìn)行有效推薦[10]。

1.3 現(xiàn)有公共安全系統(tǒng)特征及問題

目前，物聯(lián)網(wǎng)技術(shù)在視頻監(jiān)測控制、城市交通管理等公共安全領(lǐng)域得到廣泛應(yīng)用;但傳統(tǒng)的公共安全系統(tǒng)僅從傳感器收集數(shù)據(jù)，數(shù)據(jù)來源較單一。物聯(lián)網(wǎng)設(shè)備的計(jì)算能力有限，聯(lián)網(wǎng)資源共享和智能化應(yīng)用水平較低，仍處在物聯(lián)網(wǎng)應(yīng)用的初級階段[11]。如2016年二十國集團(tuán)峰會(huì)（G20）期間[12-13]，杭州采取了最高級別安保措施以保障峰會(huì)的順利舉辦;但將安全系統(tǒng)擴(kuò)大到整個(gè)城市時(shí)，其自動(dòng)化能力不足，城市的安全監(jiān)測控制主要依靠人力，杭州為此出動(dòng)的警力達(dá)三萬余人。此外，邊緣端設(shè)備所產(chǎn)生的數(shù)據(jù)量越來越大，網(wǎng)絡(luò)帶寬[14]以及云中心的計(jì)算資源逐漸達(dá)到瓶頸。這限制了傳統(tǒng)公共安全系統(tǒng)規(guī)模的擴(kuò)展，并且實(shí)時(shí)性較低，嚴(yán)重影響了公共安全系統(tǒng)對突發(fā)事件的及時(shí)處理。

本文中，我們提出利用異構(gòu)多源數(shù)據(jù)來構(gòu)建基于邊緣計(jì)算的公共安全系統(tǒng)。邊緣計(jì)算單元可及時(shí)處理由大量異構(gòu)傳感器采集的海量數(shù)據(jù)[15]，在靠近數(shù)據(jù)源的一端，對數(shù)據(jù)進(jìn)行預(yù)處理，過濾無用數(shù)據(jù)，降低傳輸帶寬，將有用信息傳輸?shù)皆浦行摹Ｏ到y(tǒng)自動(dòng)收集網(wǎng)絡(luò)空間數(shù)據(jù)、政府?dāng)?shù)據(jù)，對多源數(shù)據(jù)進(jìn)行融合，從而為大規(guī)模城市公共安全系統(tǒng)的構(gòu)建提供了可能。

2 異構(gòu)多源公共安全系統(tǒng)的挑戰(zhàn)

我們提出自然環(huán)境下基于異構(gòu)多源的邊緣計(jì)算公共安全系統(tǒng)，該類系統(tǒng)的關(guān)鍵技術(shù)挑戰(zhàn)主要包括以下幾個(gè)方面。

2.1 邊緣計(jì)算編程模型

異構(gòu)多源公共安全系統(tǒng)的邊緣端大多是異構(gòu)平臺，缺少統(tǒng)一化的編程模型，這給程序員開發(fā)邊緣端軟件帶來了阻力。在云計(jì)算模型中，程序員編寫應(yīng)用程序并將其部署到云端，云服務(wù)器提供商維護(hù)云計(jì)算服務(wù)器，基礎(chǔ)設(shè)施對程序員是透明的。但是，邊緣計(jì)算模型從云端遷移部分或全部計(jì)算任務(wù)到邊緣端，因?yàn)槊總€(gè)節(jié)點(diǎn)的運(yùn)行時(shí)環(huán)境可能不盡相同，傳統(tǒng)編程方式MapReduce[16]、Spark[17]均不適合，這對程序員困難較大。

2.2 數(shù)據(jù)抽象

作為數(shù)據(jù)生產(chǎn)者的傳感器向邊緣計(jì)算單元發(fā)送數(shù)據(jù)，計(jì)算單元對數(shù)據(jù)進(jìn)行預(yù)處理（如去除無用信息、事件檢測、隱私保護(hù)等），之后數(shù)據(jù)被傳送到云端。由于邊緣傳感器收集的數(shù)據(jù)具有異構(gòu)多源的特性，數(shù)據(jù)格式具有多樣性，這會(huì)直接影響數(shù)據(jù)的使用。由于數(shù)據(jù)抽象會(huì)導(dǎo)致大量信息的損失，如何保留有用信息、保證數(shù)據(jù)抽象的輕量性及有用信息的高度濃縮，是數(shù)據(jù)抽象的一個(gè)難點(diǎn)。

2.3 任務(wù)調(diào)度策略

在異構(gòu)多源公共安全系統(tǒng)中，數(shù)據(jù)、計(jì)算、存儲、網(wǎng)絡(luò)等資源具有異構(gòu)性，須要針對不同應(yīng)用實(shí)例設(shè)計(jì)基于邊緣計(jì)算的異構(gòu)資源任務(wù)調(diào)度策略[18]。大多應(yīng)用程序具有多樣性，調(diào)度策略應(yīng)支持多種類型的應(yīng)用程序。但是，在邊緣計(jì)算架構(gòu)下，計(jì)算資源受限，利用基于邊緣服務(wù)器和邊緣計(jì)算節(jié)點(diǎn)的分布式[19]系統(tǒng)以及有限的計(jì)算資源[20]，從多角度卸載[21]和分發(fā)子任務(wù)到資源合適的邊緣節(jié)點(diǎn)，降低資源占用，提高執(zhí)行效率，是邊緣計(jì)算公共安全系統(tǒng)所面臨的重要挑戰(zhàn)之一。

2.4 信息安全

在內(nèi)容感知、實(shí)時(shí)計(jì)算、并行處理等方面，基于異構(gòu)多源的邊緣計(jì)算公共安全系統(tǒng)具有開放性，這使得數(shù)據(jù)安全與隱私問題變得更加突出[22]。R.ROMAN等[23]對幾種移動(dòng)邊緣范式進(jìn)行了安全性分析，闡述了一種通用協(xié)作的安全防護(hù)體系，這些工作為邊緣計(jì)算的安全研究提供了理論借鑒。數(shù)據(jù)隱私保護(hù)及安全是異構(gòu)多源公共安全系統(tǒng)提供的一種重要服務(wù)，如基于邊緣計(jì)算的城市安全視頻監(jiān)測控制系統(tǒng)，大量的隱私信息被攝像機(jī)捕獲，在隱私保護(hù)下提供服務(wù)，這對異構(gòu)多源的公共安全系統(tǒng)又一挑戰(zhàn)。

2.5 大規(guī)模系統(tǒng)運(yùn)維

隨著邊緣數(shù)據(jù)呈現(xiàn)異構(gòu)多源化，系統(tǒng)運(yùn)維[24]將會(huì)成為大型公共安全系統(tǒng)的一個(gè)巨大挑戰(zhàn)。異構(gòu)多源公共安全系統(tǒng)與普通系統(tǒng)不同，其在數(shù)據(jù)規(guī)模上是城市級別的，數(shù)據(jù)來源于城市的公共攝像頭、移動(dòng)車載攝像頭、公共網(wǎng)絡(luò)、政府?dāng)?shù)據(jù)等，一個(gè)800像素的攝像機(jī)每小時(shí)產(chǎn)生的數(shù)據(jù)量是 3.6 GB，即使經(jīng)過邊緣單元的數(shù)據(jù)抽象壓縮，數(shù)據(jù)量仍然較大。要維護(hù)如此龐大的異構(gòu)多源數(shù)據(jù)系統(tǒng)，對運(yùn)維工作者來說也是一個(gè)巨大的挑戰(zhàn)。

3 面向異構(gòu)多源數(shù)據(jù)的3種邊緣計(jì)算公共安全系統(tǒng)

基于公共安全系統(tǒng)的需求，以及邊緣計(jì)算的適用場景，我們在以下3個(gè)方面提出關(guān)于公共安全系統(tǒng)的展望。

3.1 基于邊緣計(jì)算的智能交通系統(tǒng)

智能交通是一種將先進(jìn)通信技術(shù)與交通技術(shù)相結(jié)合的物聯(lián)網(wǎng)重要應(yīng)用。智能交通用于解決城市居民面臨的出行問題，如惡劣的交通現(xiàn)狀、擁塞的路面條件、貧乏的停車場地等[25]。智能交通系統(tǒng)可以利用車輛及車輛周邊的傳感器網(wǎng)絡(luò)進(jìn)行交通信息的交換[26]，并主動(dòng)做出決策，同時(shí)會(huì)實(shí)時(shí)收集來自社交網(wǎng)絡(luò)和政府的數(shù)據(jù)，預(yù)測未來前方車流量，并進(jìn)行規(guī)避。隨著交通數(shù)據(jù)量的增加，用戶對交通信息的實(shí)時(shí)性需求也在提高。若將所有數(shù)據(jù)傳輸?shù)皆浦行?，將造成帶寬浪費(fèi)和延時(shí)，也無法優(yōu)化基于位置識別的服務(wù)?；诋悩?gòu)多源的邊緣計(jì)算智能交通為上述諸多問題提供了一種較好的解決方案，是邊緣計(jì)算公共安全系統(tǒng)重要組成部分之一。

安全性是智能交通行業(yè)最重要的問題?；诋悩?gòu)多源邊緣計(jì)算智能交通系統(tǒng)能夠提高智能交通的安全性。若將車載傳感器實(shí)時(shí)數(shù)據(jù)全部傳輸?shù)皆贫?，并將云端反饋結(jié)果用于對車輛的控制，將會(huì)造成極大的延遲。在無人駕駛或自動(dòng)駕駛[27]領(lǐng)域，這些平時(shí)看上去不起眼的延遲在某些突發(fā)事件發(fā)生時(shí)，往往會(huì)造成災(zāi)難。為此，智能交通系統(tǒng)加入了邊緣計(jì)算模塊，將車載傳感器收集到的數(shù)據(jù)進(jìn)行本地化處理，并抽象出核心數(shù)據(jù)，使其符合邊緣計(jì)算編程模型，并將其傳輸?shù)皆贫颂幚?。這不僅能節(jié)省帶寬和能耗，同時(shí)能降低網(wǎng)絡(luò)延時(shí)，增強(qiáng)系統(tǒng)的實(shí)時(shí)處理能力。同時(shí)，智能交通系統(tǒng)將社交網(wǎng)絡(luò)和政府?dāng)?shù)據(jù)也傳輸?shù)皆贫颂幚?，用于預(yù)測未來一段時(shí)間內(nèi)可能發(fā)生的突發(fā)車流變化，如節(jié)假日、大型會(huì)議、救護(hù)車、警車等。有效調(diào)度異構(gòu)多源數(shù)據(jù)并輔以邊緣計(jì)算，能夠極大提高智能交通系統(tǒng)的公共安全性，同時(shí)能對智能交通系統(tǒng)進(jìn)行合理、及時(shí)的運(yùn)維，也是對公眾安全一種保障。

如圖1所示，利用異構(gòu)多源數(shù)據(jù)（電感應(yīng)回路探測器、雷達(dá)、攝像機(jī)、眾包、社交媒體等），通過深度學(xué)習(xí)[28]的方式預(yù)測出了未來交通流[29]是智能交通數(shù)據(jù)處理的一種趨勢。本系統(tǒng)中的異構(gòu)多源數(shù)據(jù)不僅包括傳感器的信息，還包括其他來源數(shù)據(jù)，對這些數(shù)據(jù)資源進(jìn)行融合分析，將人們的出行意愿和突發(fā)事件進(jìn)行數(shù)據(jù)挖掘[30]，可以實(shí)現(xiàn)對未來的交通流進(jìn)行更深層次、更精準(zhǔn)的預(yù)測。如在節(jié)假日期間，因?yàn)闅v史數(shù)據(jù)未能考慮交通流突變的情況，數(shù)據(jù)分析模型將很可能無法做到良好的預(yù)測;但結(jié)合網(wǎng)絡(luò)空間的數(shù)據(jù)，收集人們在社交網(wǎng)絡(luò)空間上分享的出行意愿，并實(shí)時(shí)處理，就可以避免車流量高峰，預(yù)測出低流出行路線，這對人們在節(jié)假日的出行安全提供了良好保障。再如，將政府發(fā)布的信息（如大型會(huì)議、災(zāi)難性事件），進(jìn)行多源融合，通過深度神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)時(shí)分析，將實(shí)現(xiàn)對交通流量的預(yù)測，保證智能安全出行。

3.2 基于邊緣計(jì)算公共安全監(jiān)測控制系統(tǒng)

城市安全監(jiān)測控制系統(tǒng)廣泛應(yīng)用于新型犯罪及社會(huì)管理等公共安全問題。傳統(tǒng)視頻監(jiān)測控制系統(tǒng)前端攝像頭內(nèi)置計(jì)算能力較低，而現(xiàn)有智能視頻監(jiān)測控制系統(tǒng)的智能處理能力不足。傳統(tǒng)的大型監(jiān)測控制系統(tǒng)將攝像頭采集的數(shù)據(jù)簡單壓縮或直接傳輸?shù)皆浦行?，而隨著監(jiān)測控制系統(tǒng)的規(guī)模不斷擴(kuò)大，公共安全監(jiān)測控制領(lǐng)域要求系統(tǒng)能夠提供實(shí)時(shí)性較高的數(shù)據(jù)。

從異構(gòu)多源融合的角度，我們提出邊緣計(jì)算公共安全系統(tǒng)的新架構(gòu)，如加入智能手機(jī)攝像頭收集的數(shù)據(jù)、網(wǎng)友發(fā)布的實(shí)時(shí)求救信息，以及政府發(fā)布的搜查公告、紅色通緝令等。

在邊緣端，邊緣計(jì)算下的公共安全監(jiān)測控制系統(tǒng)發(fā)展趨勢是以云計(jì)算和物聯(lián)網(wǎng)技術(shù)為基礎(chǔ)，融合邊緣計(jì)算架構(gòu)和異構(gòu)多源數(shù)據(jù)，將有邊緣計(jì)算能力的硬件集成到傳統(tǒng)攝像頭上，輔以軟件技術(shù)，構(gòu)建基于邊緣計(jì)算的新型監(jiān)測控制應(yīng)用的軟硬件服務(wù)平臺。圖2為基于邊緣計(jì)算的視頻監(jiān)測控制系統(tǒng)框圖，其中具有邊緣計(jì)算功能的模塊作為協(xié)處理單元（簡稱邊緣計(jì)算硬件單元）與原有視頻監(jiān)測控制系統(tǒng)的攝像頭終端系統(tǒng)進(jìn)行系統(tǒng)融合[25]。

針對大型監(jiān)測控制系統(tǒng)故障檢測、視頻監(jiān)測控制系統(tǒng)內(nèi)容可用性、網(wǎng)絡(luò)帶寬有限、云中心負(fù)載重等問題，提高監(jiān)測控制系統(tǒng)的智能處理能力，進(jìn)而實(shí)現(xiàn)重大刑事案件和恐怖襲擊活動(dòng)預(yù)警系統(tǒng)和處置機(jī)制，提高公共安全監(jiān)測控制的防范刑事犯罪和恐怖襲擊的能力，降低視頻數(shù)據(jù)網(wǎng)絡(luò)傳輸和云中心負(fù)載。

在云中心，本系統(tǒng)收集網(wǎng)絡(luò)空間和政務(wù)信息的數(shù)據(jù)并分析，運(yùn)用深度學(xué)習(xí)與大數(shù)據(jù)處理技術(shù)，抽象出需要監(jiān)測控制對象的特征，并與從邊緣端傳到云端的數(shù)據(jù)進(jìn)行比對，達(dá)到自動(dòng)化多目標(biāo)安全監(jiān)測控制的目的。該系統(tǒng)自動(dòng)調(diào)度從政府與網(wǎng)絡(luò)數(shù)據(jù)中提取的、可能會(huì)對公共安全造成危害的敏感人員信息，通過邊緣計(jì)算視頻監(jiān)測控制系統(tǒng)，按照邊緣計(jì)算編程模型所需的格式將數(shù)據(jù)下發(fā)給公共攝像頭和車載攝像頭，在城市范圍內(nèi)對敏感人員進(jìn)行目標(biāo)識別，并監(jiān)測控制其行為。通過政府?dāng)?shù)據(jù)獲得嫌疑人的社會(huì)關(guān)系網(wǎng)絡(luò)，對嫌疑人及其相關(guān)人員通過人臉識別[31]進(jìn)行監(jiān)測控制，同時(shí)對嫌疑人的不動(dòng)產(chǎn)和名下汽車車牌進(jìn)行搜查。此外，通過社交網(wǎng)絡(luò)上的信息對可疑區(qū)域進(jìn)行重點(diǎn)監(jiān)測控制等。一旦邊緣計(jì)算單元檢測出其進(jìn)行或蓄意進(jìn)行危害公共安全的行為，就將監(jiān)測控制數(shù)據(jù)傳送給云端，利用云端進(jìn)行廣播[32]報(bào)警。

相比于傳統(tǒng)監(jiān)測控制方案，邊緣計(jì)算公共安全監(jiān)測控制系統(tǒng)可提升自動(dòng)化程度，降低對控制中心的人工依賴，提高信息獲取的實(shí)時(shí)性。同時(shí)，邊緣計(jì)算架構(gòu)緩解了視頻數(shù)據(jù)上傳至云端所帶來的帶寬負(fù)載和傳輸延遲問題，這將極大加強(qiáng)公共安全系統(tǒng)的監(jiān)測控制能力，為公共安全提供更深層次的保障。

3.3 基于邊緣計(jì)算的災(zāi)難預(yù)警與救援系統(tǒng)

在科技高速發(fā)展的同時(shí)，人類依然無法在地震、水災(zāi)等自然災(zāi)害發(fā)生前做好精準(zhǔn)性預(yù)測。在災(zāi)難現(xiàn)場，通信網(wǎng)絡(luò)（如固定網(wǎng)絡(luò)、無線通信網(wǎng)絡(luò)等）往往不穩(wěn)定且魯棒性差，如何基于有限的網(wǎng)絡(luò)環(huán)境，將信息高效地傳輸至云端是實(shí)現(xiàn)高效、實(shí)時(shí)救災(zāi)系統(tǒng)的關(guān)鍵之一。基于無人機(jī)、視頻、眾包等方式在災(zāi)難環(huán)境下收集信息已成為趨勢。災(zāi)難現(xiàn)場傳感器傳回的視頻、音頻、社交網(wǎng)絡(luò)等數(shù)據(jù)有助于對受災(zāi)后的災(zāi)區(qū)環(huán)境、人群、救災(zāi)通道等進(jìn)行智能感知，在災(zāi)難響應(yīng)和恢復(fù)救援工作中發(fā)揮著越來越重要的作用。

現(xiàn)有自然災(zāi)害實(shí)時(shí)預(yù)測方法大體上是通過檢測自然災(zāi)害產(chǎn)生時(shí)的某項(xiàng)指標(biāo)，如通過電磁波、天氣狀況、地震云、土壤或地下水的氡氣或氫氣含量、井水水位及動(dòng)物行為等預(yù)測地震的發(fā)生，這種思路具有很強(qiáng)的爭議性。本文中，我們提出的基于邊緣計(jì)算的災(zāi)難預(yù)警系統(tǒng)，可以在某個(gè)區(qū)域發(fā)生災(zāi)難時(shí)，通過收集這個(gè)區(qū)域內(nèi)邊緣傳感器的數(shù)據(jù)（如光學(xué)傳感器、紅外攝像機(jī)、麥克風(fēng)等）和網(wǎng)絡(luò)上的數(shù)據(jù)，進(jìn)行邊緣大數(shù)據(jù)分析，實(shí)時(shí)準(zhǔn)確地判斷出災(zāi)難發(fā)生的具體類型及輻射范圍，自動(dòng)地將分析結(jié)果輻射到相鄰區(qū)域。在一定程度上實(shí)現(xiàn)了對將要發(fā)生災(zāi)難的相鄰區(qū)域的預(yù)警，為應(yīng)急響應(yīng)和搜救行動(dòng)的完成獲取相關(guān)信息。

本文中我們構(gòu)想的預(yù)警系統(tǒng)，通過邊緣傳感器收集受災(zāi)發(fā)生現(xiàn)場的實(shí)時(shí)數(shù)據(jù)，如圖3所示。本文所提出的災(zāi)難救援系統(tǒng)將從無人機(jī)、智能機(jī)器人、災(zāi)難現(xiàn)場固定傳感器收集來的圖像、音頻等傳感器數(shù)據(jù)（如煙霧傳感器數(shù)據(jù)、溫度傳感器數(shù)據(jù)等），通過邊緣計(jì)算模塊進(jìn)行內(nèi)容感知和數(shù)據(jù)抽象，將處理之后的數(shù)據(jù)上傳至云中心，云中心再將這些傳感器的信息與衛(wèi)星拍攝的衛(wèi)星災(zāi)情圖片、災(zāi)難現(xiàn)場上傳至社交網(wǎng)絡(luò)上的信息等多源數(shù)據(jù)進(jìn)行實(shí)時(shí)處理，對受災(zāi)區(qū)域周邊可能會(huì)被災(zāi)害輻射到的區(qū)域進(jìn)行預(yù)警，避免災(zāi)害的擴(kuò)大。

當(dāng)災(zāi)難發(fā)生時(shí)，人們因?yàn)榻箲]、紀(jì)念、好奇等原因會(huì)在網(wǎng)絡(luò)空間發(fā)布信息，這種信息本質(zhì)上是一種信息、觀點(diǎn)、技術(shù)、情緒和行動(dòng)的聚合。這就產(chǎn)生了社會(huì)邊緣大數(shù)據(jù)，為災(zāi)難環(huán)境下，通過大數(shù)據(jù)分析人們的行為信息提供了可能。此外，政府通過社交媒體推送災(zāi)難的相關(guān)信息，網(wǎng)民可以發(fā)表自己的評論，這個(gè)過程又會(huì)促進(jìn)社會(huì)邊緣大數(shù)據(jù)的擴(kuò)大。

災(zāi)難發(fā)生后，如何對受災(zāi)群眾進(jìn)行有效、及時(shí)的救援是公共安全系統(tǒng)要考慮的另一個(gè)問題。在危機(jī)發(fā)生后，網(wǎng)絡(luò)傳輸環(huán)境復(fù)雜，網(wǎng)絡(luò)傳輸不穩(wěn)定。若將災(zāi)難現(xiàn)場傳感器所有信息（如視頻、音頻等）上傳至云中心，網(wǎng)絡(luò)性能將成為信息收集的瓶頸，并影響其他實(shí)時(shí)救災(zāi)任務(wù)的進(jìn)行?；谶吘売?jì)算的災(zāi)難救援系統(tǒng)可以實(shí)現(xiàn)傳感器異構(gòu)多源數(shù)據(jù)的本地化處理，主動(dòng)式地適應(yīng)災(zāi)難區(qū)域的網(wǎng)絡(luò)傳輸條件，合理調(diào)度資源，將數(shù)據(jù)高效、安全、實(shí)時(shí)地上傳至云中心，降低了極端網(wǎng)絡(luò)環(huán)境下傳輸?shù)臄?shù)據(jù)量，減少云中心計(jì)算資源消耗，實(shí)現(xiàn)災(zāi)情數(shù)據(jù)的及時(shí)處理。

云中心將從社交網(wǎng)絡(luò)上收集到的信息與災(zāi)難區(qū)域發(fā)送來的信息進(jìn)行多源融合，比對、匹配出救災(zāi)線索，為救災(zāi)行動(dòng)提供指導(dǎo)，進(jìn)而制定更為安全可行的營救方案。救災(zāi)系統(tǒng)的穩(wěn)定性決定著救災(zāi)的效率，合理規(guī)劃系統(tǒng)運(yùn)維工作是公共安全系統(tǒng)的保障。

4 結(jié)束語

隨著對公共安全系統(tǒng)功能以及規(guī)模要求的提高，邊緣傳感器數(shù)量增加，我們已經(jīng)進(jìn)入邊緣大數(shù)據(jù)時(shí)代。傳統(tǒng)的云計(jì)算架構(gòu)無法在規(guī)模、功能和實(shí)時(shí)性上滿足公共安全系統(tǒng)的需求，同時(shí)傳統(tǒng)公共安全系統(tǒng)無法有效解決異構(gòu)多源的數(shù)據(jù)融合、云中心負(fù)載較重、傳輸帶寬較低以及數(shù)據(jù)隱私等問題。本文中，我們闡述了公共安全系統(tǒng)的需求，分析了在邊緣大數(shù)據(jù)時(shí)代復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)下邊緣大數(shù)據(jù)的來源，對基于異構(gòu)多源的邊緣計(jì)算公共安全系統(tǒng)進(jìn)行展望，并提出3種系統(tǒng)架構(gòu)：基于邊緣計(jì)算的智能交通系統(tǒng)、基于邊緣計(jì)算的公共安全檢測控制系統(tǒng)、基于邊緣計(jì)算的災(zāi)難預(yù)警與救援系統(tǒng)。物聯(lián)網(wǎng)在智慧城市建設(shè)中受到學(xué)術(shù)界和產(chǎn)業(yè)界的高度重視，邊緣計(jì)算的興起為物聯(lián)網(wǎng)增添了智能感知的能力。異構(gòu)多源公共安全系統(tǒng)的發(fā)展將越來越受到重視，而邊緣計(jì)算這一關(guān)鍵技術(shù)將在其中發(fā)揮極其重要的作用。

致謝

感謝清華大學(xué)鄭緯民教授對本文相關(guān)研究的幫助和指導(dǎo)。

參考文獻(xiàn)

[1] 施巍松，孫輝，曹杰，等.邊緣計(jì)算：萬物互聯(lián)時(shí)代新型計(jì)算模型[J].計(jì)算機(jī)研究與發(fā)展， 2017，54（5）：907.DOI： 10.7544/issn1000-1239.2017.20160941

[2] Cisco Cloud Index Supplement. Cloud Readiness Regional Details White Paper[R]. 2017

[3]中國公共安全科技問題分析與發(fā)展戰(zhàn)略規(guī)劃研究. 中國工程科學(xué)， 2007， 9 （4）： 35-40

[4] 鄔賀銓.大數(shù)據(jù)思維[J].科學(xué)與社會(huì)，2014，4（1）：1. DOI：10.19524/j.cnki.10-1009/g3.2014.01.001

[5] Company Info | Facebook Newsroom [EB/OL]. [2018-12-01]. https：//newsroom.fb.com/company-info/

[6] Twitter - Company [EB/OL]. [2018-10-01]. https：//about.twitter.com/zh-cn/company.html

[7] YouTube Architecture - High Scalability [EB/OL]. [2018-12-01]. http：//highscalability.com/blog/2008/3/12/youtube-architecture.html

[8] Instagram APKs - APKMirror [EB/OL]. [2018-12-01]. https：//www.apkmirror.com/apk/instagram/instagram-instagram/

[9] Data Never Sleeps 2.0 | Domo [EB/OL]. （2017-10-09）[2018-12-01]. https：//www.domo.com/learn/data-never-sleeps-2/，2017-10-09

[10] 宋軒.大數(shù)據(jù)下的災(zāi)難行為分析和城市應(yīng)急管理[J].中國計(jì)算機(jī)學(xué)會(huì)通訊，2013，（8）

[11]劉攀，趙曉艷，李凱麗.物聯(lián)網(wǎng)測控技術(shù)在公共安全領(lǐng)域的發(fā)展與應(yīng)用[J].中國新通信，2017，19（22）：27. DOI：10.3969/j.issn.1673-4866.2017.22.021

[12]林孝平.上海世博會(huì)園區(qū)安全控制系統(tǒng)建設(shè)綜述[J].電信快報(bào)，2013，（9）：10

[13] 浙江杭州獲得2016年G20峰會(huì)舉辦權(quán).網(wǎng)易新聞[EB/OL].（2015-02-28）[2018-12-01]. http：//news.163.com/ 15/0228/22/AJISSIJ100014SEH.html

[14] BUYYA R， YEO C S， VENUGOPAL S， et al. Cloud Computing and Emerging IT Platforms： Vision， Hype， and Reality for Delivering Computing as the 5th Utility [J]. Future Generation Computer Systems， 2009， 25（6）： 599. DOI：10.1016/j.future.2008.12.001

[15] ORSINI G， BADE D， LAMERSDORF W. Computing at the Mobile Edge： Designing Elastic Android Applications for Computation Offloading[C]//2015 8th IFIP Wireless and Mobile Networking Conference （WMNC）. USA： IEEE， 2015. DOI：10.1109/wmnc.2015.10

[16] DEAN J， GHEMAWAT S. MapReduce： Simplified Data Processing on Large Clusters [J]. Communications of the ACM， 2008， 51（1）： 107-113

[17] ZAHARIA M， CHOWDHURY M， FRANKLIN M J， et al. Spark： Cluster Computing with Working Sets[C]//Proceedings of the 2nd USENIX Conference on Hot Topics in Cloud Computing. USA： USENIX Association Berkeley， 2010

[18] Fitzsimmons J A， Fitzsimmons M J. Service Management： Operations， Strategy， and Information Technology [M]. USA： McGraw-Hill Higher Education， 2004

[19] COULOURIS G， DOLLIMORE J， KINDBERG T， et al. Distributed Systems： Concepts and Design（5th Edition） [M]. USA： Pearson， 2011

[20] CHAITIN G J. On the Length of Programs for Computing Finite Binary Sequences： Statistical Considerations [J]. Journal of the ACM， 1969， 16（1）： 145. DOI：10.1145/321495.321506

[21] KUMAR K， LU Y H. Cloud Computing for Mobile Users： Can Offloading Computation Save Energy？ [J]. Computer， 2010， 43（4）： 51. DOI：10.1109/mc.2010.98

[22] 張佳樂， 趙彥超， 陳兵， 等. 邊緣計(jì)算數(shù)據(jù)安全與隱私保護(hù)研究綜述[J]. 通信學(xué)報(bào)， 2018， 39（3）： 1. DOI：10.11959/j.issn.1000-436x.2018037

[23] ROMAN R， LOPEZ J， MAMBO M. Mobile Edge Computing， Fog et al.： A Survey and Analysis of Security Threats and Challenges [J]. Future Generation Computer Systems， 2018， 78： 680. DOI：10.1016/j.future.2016.11.009

[24] O'BRIEN J A. Management Information Systems： Managing Information Technology in the Networked Enterprise [M]. USA： McGraw-Hill Professional， 1998

[25] 施巍松， 劉芳， 孫輝. 邊緣計(jì)算[M]. 北京： 科學(xué)出版社， 2018

[26] DIMITRAKOPOULOS G， DEMESTICHAS P. Intelligent Transportation Systems [J]. IEEE Vehicular Technology Magazine， 2010， 5（1）： 77. DOI：10.1109/mvt.2009.935537

[27] COHEN S. Self-Driving Car [J]. Science and Children， 2017， 54（6）： 96

[28] LECUN Y， BENGIO Y， HINTON G. Deep Learning [J]. Nature， 2015， 521（7553）： 436. DOI：10.1038/nature14539

[29] LV Y， DUAN Y J， KANG W W， et al. Traffic Flow Prediction with Big Data： A Deep Learning Approach [J]. IEEE Transactions on Intelligent Transportation Systems， 2014： 1. DOI：10.1109/tits.2014.2345663

[30] HAND D J. Principles of Data Mining [J]. Drug Safety， 2007， 30（7）： 621. DOI：10.2165/00002018-200730070-00010

[31] TURK M A， PENTLAND A P. Face Recognition Using Eigenfaces[C]//Proceedings.1991 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. USA： IEEE， 1991. DOI：10.1109/cvpr.1991.139758

[32] FALL K R， STEVENS W R. TCP/IP Illustrated， Volume1： The Protocols（2nd Edition）（Addison-Wesley Professional Computing Series）[M]. USA： Addison-Wesley Professional， 2011

作者簡介

孫輝，安徽大學(xué)講師;從事計(jì)算機(jī)系統(tǒng)、數(shù)據(jù)存儲系統(tǒng)、邊緣計(jì)算、基于數(shù)據(jù)的計(jì)算、GPGPU高性能數(shù)據(jù)處理等方面的工作;已發(fā)表論文10余篇。

余瑩，安徽大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院在讀碩士研究生;主要研究方向?yàn)橛?jì)算機(jī)系統(tǒng)，邊緣計(jì)算及邊緣適用系統(tǒng)。