边缘计算——权威综述.pdf

所需积分/C币:25 2019-06-07 11:31:48 3.58MB PDF

边缘计算是指在网络边缘执行计算的一种新型计算模型,边缘计算操作的对象包括来自于云服务的下行数据和来自于万物互联服务的上行数据,而边缘计算的边缘是指从数据源到云计算中心路径之间的任意计算和网络资源,是一个连续统。
施巍松等:边缘计算:现状与展望 71 观察将边缘计算的发展分为3个阶段:技术储备期、展中的典型事件(粗体字为中国对边缘计算发展的 快速增长期和稳定发展期.图2列举了边缘计算发贡献) 8 6 5030 5 Technology Rapid 4 Preparation Growth Development Period Period Period 1}423427369475181850 2010201120122013201420152016201720182019 Year Fig. 1 Number of papers retrieved byedge computing"on Google scholar 图1谷歌学术上以“ edge computing”为关键词搜索到的文章数量 Technology Preparation Period 1999,CDN 2005 Function Cache 2009. Cloudlet 2010, Mobile Edge Computing 2012, Fog Compu Cloud-Sea Computing 2013,“ Edge Computing” Concept Rapid growth Period 2015 2016 Sep, ETSI, MEC white paper May, NSF, Edge Computing, Nov Open Fog Consortium Highlight area May, Edge Computing Definition 2017 Oct, Ist ACM/TEEE Symposium on May, Ist China Symposium on Edg omputing omputing Nov, Edge Computing Consortium Aug, TC on Edge Computing, CAA Steady development Period 2018 Jan, <Edge computing>, science Press Sep. world Al Conference Oct, Kubernetes for Edge Computin Fig. 2 Development states of edge computing and the typical events at each stage 图2边缘计算的发展历程及典型事件 1.1技术储备期 国韦恩州立大学施巍松教授的团队就已提出功能缓 在此阶段,边缘计算历经“蛰伏一提出一定义 存的概念,并将其用在个性化的邮箱管理服务中,以 推广”等发展过程.边缘计算最早可以追溯至1998年节省延迟和带宽8.2009年 Satyanarayanan等人提 阿卡迈( Akamai)公司提出的内容分发网络( content出了 Cloudlet的概念, Cloudlet是一个可信且资 delivery network,CDN),CDN是一种基于互联网源丰富的主机,部署在网络边缘,与互联网连接,可 的缓存网络,依靠部署在各地的缓存服务器,通过中以被移动设备访问,为其提供服务, Cloudlet可以像 心平台的负载均衡、内容分发、调度等功能模块,将云一样为用户提供服务,又被称为“小朵云”,此时的 用户的访问指向距离最近的缓存服务器上,以此降边缘计算强调下行,即将云服务器上的功能下行至 低网络拥塞,提高用户访问响应速度和命中率.边缘服务器,以减少带宽和时延 CDN强调内容(数据)的备份和缓存,而边缘计算的 随后,在万物互联的背景下,边缘数据迎来了爆 基本思想则是功能缓存( function cache).2005年美发性增长,为了解决面向数据传输、计算和存储过程 72 计算机研究与发展2019,56(1) 中的计算负载和数据传输带宽的问题,研究者开始 在政府层面上,2016年5月,美国自然科学基 探索在靠近数据生产者的边缘增加数据处理的功金委( National science foundation,NSF)在计算机 能,即万物互联服务功能的上行.具有代表性的是移系统硏究中将边缘计算替换云计算,列为突岀领域 动边缘计算( mobile edge computing,MEC)、雾计( highlight area);8月,NSF和英特尔专门讨论针对 算( fog computing)和海云计算( cloud-sea computing).无线边缘网络上的信息中心网络(NSF/ Intel partner 移动边缘计算是指在接近移动用户的无线 ship on ICn in Wireless Edge Networks,ICN 接人网范围内,提供信息技术服务和云计算能力的wEN);10月,NSF举办边缘计算重大挑战研讨 种新的网络结构,并已成为一种标准化、规范化的会( NSF Workshop on Grand Challenges in Edge 技术由于移动边缘计算位于无线接人网内,并接近 Computing),会议针对3个议题展开研究:边缘 移动用户,因此可以实现较低延时、较高带宽来提高计算未来5~10年的发展目标,达成目标所带来的 服务质量和用户体验移动边缘计算强调在云计算挑战,学术界、工业界和政府应该如何协同合作来应 中心与边缘计算设备之间建立边缘服务器,在边缘 对挑战.这标志着边缘计算的发展已经在美国政府 服务器上完成终端数据的计算任务,但移动边缘终层面上引起了重视 端设备基夲被认为不具有计算能力,而边缘计算模型 在学术界,2016年5月,美国韦恩州立大学施 中的终端设备具有较强的计算能力,因此移动边缘 巍松教授团队给出了边缘计算的一个正式定义 计算类似一种边缘计算服务器的架构和层次,作为 边缘计算是指在网络边缘执行计算的一种新型计算 边缘计算模型的一部分思科公司于2012年提出了模型,边缘计算操作的对象包括来自于云服务的 雾计算山,并将雾计算定义为迁移云计算中心任务 下行数据和来自于万物互联服务的上行数据,而边 到网络边缘设备执行的一种高度虚拟化计算平台 缘计算的边缘是指从数据源到云计算中心路径之间 它通过减少云计算中心和移动用户之间的通信次 的任意计算和网络资源,是一个连续统.并发表了 数,以缓解主干链路的带宽负载和能耗压力.雾计算 Edge computing: Vision and Challenges”一文 和边缘计算具有很大的相似性,但是雾计算关注基 第1次指出了边缘计算所面临的挑战,该文在 础设施之间的分布式资源共享问题,而边缘计算除 了关注基础设施之外,也关注边缘设备,包括计算 2018年底被他引650次.同年10月,ACM和IEEE 开始联合举办边缘计算顶级会议(ACM/IEEE 网络和存储资源的管理,以及边端、边边和边云之间 的合作.与此同时,2012年,中国科学院启动了战略 ymposium on edge computing,SEC)1,这是全 性先导研究专项,称之为下一代信息与通信技术倡球首个以边缘计算为主题的科研学术会议.自此之 iX(Next generation Information and Communication 后, ICDCS, INFOCOM, Middle ware,WWW等重 Tech- nology initiative,NICT倡议),其主旨是开展 要国际会议也开始增加边缘计算的分会( track)或 “海云计算系统项目”的研究12,其核心是通过“ 者专题研讨会( workshop) 计算”系统与“海计算”系统的协同与集成,增强传 工业界也在努力推动边缘计算的发展,2015年 统云计算能力,其中,“海”端指由人类本身、物理世9月,欧洲电信标准化协会(ETS发表关于移动边 界的设备和子系统组成的终端.与边缘计算相比,海 缘计算的白皮书,并在2017年3月将移动边缘 云计算关注“海”和“云”这两端,而边缘计算关注从 计算行业规范工作组正式更名为多接入边缘计算 海”到“云”数据路径之间的任意计算、存储和网络( multi-access edge computing,MEC),致力于更 资源 好地满足边缘计算的应用需求和相关标准制定 2013年,美国太平洋西北国家实验室的Ryan2015年11月,思科、ARM、戴尔、英特尔、微软和普 mOthe在一个2页纸的内部报告中提出“edge林斯顿大学联合成立了 OpenFog联盟,主要致 computing”一词,这是现代“ edge computing”的首于 Fog reference architecture的编写.为了推进 次提出13.此时,边缘计算的涵义已经既有云服务和应用场景在边缘的结合,该组织于2018年12月 功能的下行,还有万物互联服务的上行 并人了工业互联网联盟. 1.2快速增长期 国内边缘计算的发展速度和世界几乎同步,特 2015—2017年为边缘计算快速增长期,在这段别是从智能制造的角度.2016年11月,华为技术有 时间内,由于边缘计算满足万物互联的需求,引起了限公司、中国科学院沈阳自动化研究所、中国信息通 国内外学术界和产业界的密切关注 信研究院、英特尔、ARM等在北京成立了边缘计算 施巍松等:边缘计算:现状与展望 产业联盟( edge computing consortium)1,致力于管此前业内已经对边缘计算报以了很大期望,而 推动“政产学研用”各方产业资源合作,引领边缘计2018年边缘计算被推向前台,开始被大众熟知.这 算产业的健康可持续发展.2017年5月首届中国边 阶段,边缘计算的参与者范围扩大很快,如表1所 缘计算技术研讨会在合肥开幕,同年8月中国自动示,参与者已经基本涵盖了计算机领域的方方面面, 化学会边缘计算专委会成立,标志着边缘计算的发本文将它们分为6类:云计算公司、硬件厂商、CDN 展已经得到了专业学会的认可和推动 公司、通信运营商、科研机构和产业联盟/开源社 1.3稳健发展期 区,并在表1中列举它们近2年在边缘计算领域的 2018年是边缘计算发展过程中的重要节点,尽事件 Table 1 Key players of Edge Computing and the Current events 表1边缘计算主要参与者及其近期事件 Companies Key players Data Events Organizations 2017 A mazon Greengrass"software was published to support edge machine learning[20J 2017 Google Cloud Io T Core"service was published to manage edge devices 21J Cloud 2018 Google Edge TPU was published to run inference at the edgel22J Companies 2018 cros oft Azure lo t Edge"service was published in the Microsoft Build conferenceL231 2018-03 Alibaba 2018 Baidu Intelligence Edge"solution was publishede> published[24] IoT edge computing product "Link Edge"was 2018 ARM Trillium"drived machine learning capabilities for edge devices 26 2018 AMD EPYC 3000 and Ryzen V1000 was published to target the edge scenario 27J Hardware 201 Cisco “ Kinetic”and“ Jasper” was published in Cisco Live conference2 Providers 2018-02 Intel Next-generation Xeon d processor for edge computing environments was published. 29J 2018 VMware Internet of Things strategy with new edge computing solution was published 301 2017 Huawei EC-IOT"solution for edge computing was published 311 2018 Akamai Iot Edge Connect solution was drived 321 CDN 2017 CloudFlare CloudFlare Workers "opened edge computing by micro-services[33_ Companies 2018 Limelight Enhanced version of"EdgePrism"OS allowed operation on the edgel341 2017 ChinaNet Center Edge computing micro-services and edge laaS and PaaS services was launched-35J 2018-10 China mobile Open Computing laboratory for edge computing was established 36 Communication 2018-06 China unicom Edge cloud ecology partner conference was held[37) arriers 2018-02 at&T Edge computing test zone was established in Palo Altol381 2018-0 Deutsche telekom Edge computing service MobileedgeX was established.391 China Academy of nformation and Internet of Things Edge Computing,international standard was led on ITU-T Communications G20L40 Research Technology Institutions Chinese association 2017-08 of automation Edge Computing Technical Committee was establishedl411 China institute 2018-10 of communications 2018 Edge Computing Technology Summit"was held 42J Edge computing The Third ACM/IEEE Symposium on Edge Computing was established in 2016 2016 Consortium and sponsored in 2018.191 2017-12 Aynu alliance Avnu Alliance was collaborated with eCC to promote the development of edge computingl433 Consortiums/ Automotive edge Open AECC was established in 2018 to drive the network and computing infrastructure 2018 Computing Consortium Communities needs of automotive big datal 44J (AECC) Edgecross Consortium was established in 2017, and lat 2018 Edgecross Consortium provide basic edge computing software services in 2018 4>unched edgecross to 2018-10 CNCF, Eclipse Foundation CNCF and Eclipse Foundation pushed Kubernetes to the edgel461 计算机研究与发展2019,56(1) 边缘计算在稳健发展期有4个重要事件,2018设备由于用户开关造成的动态注册和撤销52,服务 年1月全球首部边缘计算专业书籍《边缘计算》出通常也需要跟着进行迁移,而由此将会导致大量的 版7,它从边缘计算的需求与意义、系统、应用、平突发网络流量.与云计算中心不同,广域网的网络情 台等多个角度对边缘计算进行了阐述.2018年9月况更为复杂,带宽可能存在一定的限制.因此,如何 17日在上海召开的世界人工智能大会,以“边缘计从设备层支持服务的快速配置,是边缘计算中的 算,智能未来”为主题举办了边缘智能主题论坛48,个核心问题 这是中国从政府层面上对边缘计算的发展进行了支 3)负载均衡.边缘计算中,边缘设备产生大量 持和探讨.2018年8月两年一度的全国计算机体系的数据,同时边缘服务器提供了大量的服务.因此 结构学术年会以“由云到端的智能架构”为主题,根据边缘服务器以及网络状况,如何动态地对这些 由此可见,学术界的研究焦点已经由云计算开始逐数据进行调度至合适的计算服务提供者,将是边缘 渐转向边缘计算.同时,边缘计算也得到了技术社区计算中的核心问题 的大力支持,具有代表性的是:2018年10月CNCF 针对以上3个问题,一种最简单的方法是,在所 基金会和 Eclipse基金会展开合作,将把在超大规模有的中间节点上均部署所有的计算服务,然而这将 云计算环境中已被普遍使用的 Kubernetes,带入到导致大量的冗余,同时也对边缘计算设备提出了较 物联网边缘计算场景中.新成立的 Kubernetes物联高的要求.因此,我们以“建立一条从边缘到云的计 网边缘工作组将采用运行容器的理念并扩展到边算路径”为例来说,首当其冲面对的就是如何寻找服 缘,促进 Kubernetes在边缘环境中的适用 务,以完成计算路径的建立.命名数据网络( named 本文相信,经过前期的技术储备和最近几年的 data networking,NDN)3是一种将数据和服务进 快速增长,边缘计算将成为学术界和产业界的热门行命名和寻址,以P2P和中心化方式相结合进行自 话题,实现学术界与工业界的融合,加快产品落地,组织的一种数据网络.而计算链路的建立,在一定程 便利大众生活,步入稳健发展时期. 度上也是数据的关联建立,即数据应该从源到云的 传输关系.因此,将NDN引入边缘计算中,通过其 2支持边缘计算的核心技术 建立计算服务的命名并关联数据的流动,从而可以 很好地解决计算链路中服务发现的问题. 计算模型的创新带来的是技术的升级换代,而 而随着边缘计算的兴起,尤其是用户移动的情 边缘计算的迅速发展也得益于技术的进步.本节总况下,如车载网络,计算服务的迁移相较于基于云计 结了推动边缘计算发展的7项核心技术,它们包括算的模式更为频繁,与之同时也会引起大量的数据 网络、隔离技术、体系结构、边缘操作系统、算法执行迁移,从而对网络层面提供了动态性的需求.软件定 框架、数据处理平台以及安全和隐私. 义网络( software defined networking,SDN)545, 2.1网络 于2006年诞生于美国GENⅠ项目资助的斯坦福大 边缘计算将计算推至靠近数据源的位置,甚至学 Clean slate课题,是一种控制面和数据面分离的 于将整个计算部署于从数据源到云计算中心的传输可编程网络,以及简单网络管理.由于控制面和数据 路径上的节点,这样的计算部署对现有的网络结构面分离这一特性,网络管理者可以较为快速地进行 提出了3个新的要求 路由器、交换器的配置,减少网络抖动性,以支持快 1)服务发现.在边缘计算中,由于计算服务请速的流量迁移,因此可以很好地支持计算服务和数 求者的动态性,计算服务请求者如何知道周边的服据的迁移.同时,结合NDN和SDN,可以较好地对 务,将是边缘计算在网络层面中的一个核心问题.传网络及其上的服务进行组织,并进行管理,从而可以 统的基于DNS的服务发现机制,主要应对服务初步实现计算链路的建立和管理问题 静态或者服务地址变化较慢的场景下.当服务变化2.2隔离技术 时,DNS的服务器通常需要一定的时间以完成域名 隔离技术是支撑边缘计算稳健发展的重要硏究 服务的同步,在此期间会造成一定的网络抖动,因此技术,边缘设备需要通过有效的隔离技术来保证 并不适合大范围、动态性的边缘计算场景 务的可靠性和服务质量.隔离技术需要考虑2方面 2)快速配置.在边缘计算中,由于用户和计算1)计算资源的隔离,即应用程序间不能相互干扰; 设备的动态性的增加,如智能网联车5,以及计算2)数据的隔离,即不同应用程序应具有不同的访问 施巍松等:边缘计算:现状与展望 75 权限.在云计算场景下,由于某一应用程序的崩溃可 lutional neural networks,CNNs)权值的方法,将模 能带来整个系统的不稳定,造成严重的后果,而在边型完整放置在SRAM中,避免杈值数据在DRAM 缘计算下,这一情况变得更加复杂.例如在自动驾驶中的存取带来的能耗开销;由于计算能效地大幅度 操作系统中,既需要支持车载娱乐满足用户需求,提升(60倍),使其可以被应用于移动端设备.EIE63 又需要同时运行自动驾驶任务满足汽车本身驾驶需是一个用于稀疏神经网络的高效推理引擎,其通过 求,此时,如果车载娱乐的任务干扰了自动驾驶任稀疏矩阵的并行化以及权值共享的方法加速稀疏神 务,或者影响了整个操作系统的性能,将会引起严重经网络在移动设备的执行能效. Phi-Stack6则提出 后果,对生命财产安全造成直接损失.隔离技术同时了针对边缘计算的一整套技术栈,其中针对物联网 需要考虑第三方程序对用户隐私数据的访问权限问设备设计的 Shipu,使用异构多核的结构并行处理 题,例如,车载娱乐程序不应该被允许访问汽车控制深度学习任务和普通的计算任务(实时操作系统). 总线数据等.目前在云计算场景下主要使用VM虚In- Situ all6是一个用于物联网场景中深度学习应 拟机和υ ocker容器技术等方式保证资源隔离.边缘用的自动增量计算框架和架构,其通过数据诊断,选 计算可汲取云计算发展的经验,研究适合边缘计算择最小数据移动的计算模式,将深度学习任务部署 场景下的隔离技术 到物联网计算节点.除了专用计算硬件的设计,还有 在云平台上普遍应用的 Docker技术可以实现 类工作探索FPGA在边缘计算场景中的应用. 应用在基于OS级虚拟化的隔离环境中运行,ESE6通过FPGA提高了稀疏长短时记忆网络 Docker的存储驱动程序采用容器内分层镜像的结( long short term memory network,LSTM)在移动 构,使得应用程序可以作为一个容器快速打包和发设备上的执行能效,用于加速语音识别应用.其通过 布,从而保证了应用程序间的隔离性.Li等人建立负载平衡感知的方法对ISTM进行剪枝压缩,并保 了一个基于 Docker迁移的有效服务切换系统,证硬件的高利用率,同时在多个硬件计算单元中调 利用 Docker的分层文件系统支持,提出了一种适合度ISTM数据流;其使用 Xilinx XCKu060FPGA 边缘计算的高效容器迁移策略,以减少包括文件系进行硬件设计实现,与CPU和GPU相比,其分别 统、二进制内存映象、检査点在内的数据传输的开实现了40倍和11.5倍的能效提升. Biookaghazadeh 销.Ha等人提出了一种VM切换技术7,实现虚拟等人通过对比FPGA和GPU在运行特定负载时吞 机VM的计算任务迁移,支持快速和透明的资源放吐量敏感性、结构适应性和计算能效等指标,表明 置,保证将VM虚拟机封装在安全性和可管理行要FPGA更加适合边缘计算场景7 求较高的应用中.这种多功能原语还提供了动态迁 针对边缘计算的计算系统结构设计仍然是一个 移的功能,对边缘端进行了优化.这种基于VM的新兴的领域,仍然具有很多挑战亟待解决,例如如何 隔离技术提高了应用程序的抗干扰性,增加了边缘髙效地管理边缘计算异构硬件、如何对这类的系统 计算系统的可用性. 结构进行公平及全面的评测等.在第三届边缘计算 2.3体系结构 会议(SEC2018)上首次设立了针对边缘计算体系 无论是如高性能计算一类传统的计算场景,还结构的 Workshop: Archedge,鼓励学术界和工业界 是如边缘计算一类的新兴计算场景,未来的体系结对此领域进行探讨和交流 构应该是通用处理器和异构计算硬件并存的模2.4边缘操作系统 式8.异构硬件牺牲了部分通用计算能力,使用专 边缘计算操作系统向下需要管理异构的计算资 用加速单元减小了某一类或多类负载的执行时间,源,向上需要处理大量的异构数据以及多用的应用 并且显著提高了性能功耗比硏.边缘计算平台通负载,其需要负责将复杂的计算任务在边缘计算节 常针对某一类特定的计算场景设计,处理的负载类点上部署、调度及迁移,从而保证计算任务的可靠性 型较为固定,故目前有很多前沿工作针对特定的计以及资源的最大化利用.与传统的物联网设备上的 算场景设计边缘计算平台的体系结构 实时操作系统 Contini68和 Freertos6不同,边 ShiDiannao首次提出了将人工智能处理器缘计算操作系统更倾向于对数据、计算任务和计算 放置在靠近图像传感器的位置,处理器直接从传感资源的管理框架. 器读取数据,避免图像数据在DRAM中的存取带 机器人操作系统( robot operating system,RO)m0 来的能耗开销;同时通过共享卷积神经网络(conⅴo-最开始被设计用于异构机器人机群的消息通信管理 76 计算机研究与发展2019,56(1) 现逐渐发展成一套开源的机器人开发及管理工具,任务,输入的是实时的小规模数据,由于边缘设备计 提供硬件抽象和驱动、消息通信标准、软件包管理等算资源和存储资源的相对受限性,它们更关注算法 系列工具,被广泛应用于工业机器人、自动驾驶车执行框架预测时的速度、内存占用量和能效. 辆即无人机等边缘计算场景.为解决ROS中的性能 Table 2 Comparison of Frameworks on Cloud and Edge 问题,社区在2015年推出ROS2.071,其核心为引 表2云数据中心和边缘设备的算法执行框架比较 入数据分发服务( data distribution service,DDS), Factors Cloud servers Edge devices 解决ROS对主节点( master node)性能依赖问题, Input Large-scale, patch Small-scale. real-time 同时DDS提供共享内存机制提高节点间的通信效 Task Train, inference Inference 率. EdgeS则是针对智能家居设计的边缘操作系 Training Speed Inference Latency 统2,其部署于家庭的边缘网关中,通过3层功能 Concerns Convergence rate Memory Resource Usage 抽象连接上层应用和下层智能家居硬件,其提出面 Scalability Energy Efficiency 向多样的边缘计算任务,服务管理层应具有差异性 为了更好地支持边缘设备执行智能任务,一些 ( differentiation)、可扩展性( extensibility)、隔离性专 专门针对边缘设备的算法执行框架应运而生.2017 ( isolation)和可靠性( reliability)的需求 Phi-Stack年,谷歌发布了用于移动设备和嵌入式设备的轻量 中提出了面向智能家居设备的边缘操作系统 级解决方案 TensorFlow litel,它通过优化移动 PhiOs,其引入轻量级的REST引擎和LUA解应用程序的内核、预先激活和量化内核等方法来减 释器,帮助用户在家庭边缘设备上部署计算任务 少执行预测任务时的延迟和内存占有量.Cafe27 Open VDaP是针对汽车场景设计的数据分析平 是 Caffe的更高级版本,它是一个轻量级的执行框 台,其提出了面向网联车场景的边缘操作系统 架,增加了对移动端的支持.此外, Py Torch7和 EdgeS.该操作系统中提供了任务弹性管理、数据 MXNet等8主流的机器学习算法执行框架也都开 共享以及安全和隐私保护等功能. 始提供在边缘设备上的部署方式 根据目前的研究现状,ROS以及基于ROS实 Zhang等人对 TensorFlow, Caffe2, MXNet, 现的操作系统有可能会成为边缘计算场景的典型操 Py Torch和 Tensor flow lite等在不同的边缘设备 作系统,但其仍然需要经过在各种真实计算场景下 部署的评测和检验 (MacBook Pro, Intel FogNode, NVIDIa Jetson 2.5算法执行框架 TX2, Raspberry Pi 3 Model Bt, Huawei Nexus 6P) 上的性能从延迟、内存占用量和能效等方面进行了 随着人工智能的快速发展,边缘设备需要执行 越来越多的智能算法任务,例如家庭语音助手需要 对比和分析,最后发现没有一款框架能够在所有维 进行自然语言理解、智能驾驶汽车需要对街道目标度都取得最好的表现,因此执行框架的性能提升空 检测和识别、手持翻译设备需要翻译实时语音信息 间比较大.开展针对轻量级的、高效的、可扩展性强 等.在这些任务中,机器学习尤其是深度学习算法占 的边缘设备算法执行框架的研究十分重要,也是实 有很大的比重,使硬件设备更好地执行以深度学习 现边缘智能的重要步骤 算法为代表的智能任务是研究的焦点,也是实现边 6数据处理平台 缘智能的必要条件.而设计面向边缘计算场景下的 边缘计算场景下,边缘设备时刻产生海量数据, 高效的算法执行框架是一个重要的方法.目前有许数据的来源和类型具有多样化的特征,这些数据包 多针对机器学习算法特性而设计的执行框架,例如括环境传感器釆集的时间序列数据、摄像头采集的 谷歌于2016年发布的 TensorFlow、依赖开源社图片视频数据、车载LDAR的点云数据等,数据大 区力量发展的Cafe等,但是这些框架更多地运多具有时空属性.构建一个针对边缘数据进行管理 行在云数据中心,它们不能直接应用于边缘设备.如分析和共享的平台十分重要 表2所示,云数据中心和边缘设备对算法执行框架 以智能网联车场景为例,车辆逐渐演变成一个 的需求有较大的区别.在云数据中心,算法执行框架移动的计算平台,越来越多的车载应用也被开发出 更多地执行模型训练的任务,它们的输入是大规模来,车辆的各类数据也比较多.由 Zhang等人提出 的批量数据集,关注的是训练时的迭代速度、收敛率的 Open VDaP2是一个开放的汽车数据分析平台, 和框架的可扩展性等.而边缘设备更多地执行预测如图3所示, Open VDaP分成4部分,分别是异构 施巍松等:边缘计算:现状与展望 77 计算平台(VCU)、操作系统(巸 ages)、驾驶数据了车载应用服务质量和用户体验.因此,在边缘计算 收集器(DDⅠ)和应用程序库( libvdap),汽车可安裝不同的应用场景下,如何有效地管理数据、提供数据 部署该平台,从而完成车载应用的计算,并且实现车分析服务,保证一定的用户体验是一个重要的研究 与云、车与车、车与路边计算单元的通信,从而保证问题 Open VDAP User Space Third-Party Cloud server applications ADAS/, In-Vehicle Real-time ADS I' Infotainment I Diagnostics I i Traffic Ethernet/ I Informationi I Share:.. Optical Fiber Collector,i Ride I Common Model library BEAM VCU System Resources Library Data Sharing Library 9) RSU EdgeS Elastic Management Data Sharing Security PRivacy VCU DDi Vehicle Data 3G/4G/5G1 DSRC/SG Computing Weather Storage Traffic Communication Social media DSRC/SG LO Ethernet/Optical Fiber >3G/4G/5G/DSRC OpenⅤDAP Open VDAP Fig. 3 The architecture of Open VDAP 图3 Open Vda架构图 2.7安全和隐私 计算的安全性.此外,使用机器学习来增强系统的安 虽然边缘计算将计算推至靠近用户的地方,避全防护也是一个较好的方案 免了数据上传到云端,降低了隐私数据泄露的可能 可信执行环境( trusted execution environment, 性80.但是,相较于云计算中心,边缘计算设备通常TEE)8182是指在设备上一个独立于不可信操作系 处于靠近用户侧,或者传输路径上,具有更高的澘在统而存在的可信的、隔离的、独立的执行环境,为不 可能被攻击者入侵,因此,边缘计算节点自身的安全可信环境中的隐私数据和敏感计算提供了一个安全 性仍然是一个不可忽略的问题.边缘计算节点的分而机密的空间,而TEE的安全性通常通过硬件相关 布式和异构型也决定了其难以进行统一的管理,从的机制来保障.常见的TEE包括 Intel软件防护扩 而导致一系列新的安全问题和隐私泄露等问题.作展83、 Intel管理引擎、x86系统管理模式 为信息系统的一种计算模式,边缘计算也存在信息AMD内存加密技术8、AMD平台安全处理器8 系统普遍存在的共性安全问题,包括:应用安全、网和 ARM Trustzone技术.通过将应用运行于可 络安全、信息安全和系统安全等 信执行环境中,并且将使用到的外部存储进行加解 在边缘计算的环境下,通常仍然可以采用传统密,边缘计算节点的应用,可以在边缘计算节点 安全方案来进行防护,如通过基于密码学的方案来被攻破时,仍然可以保证应用及数据的安全性. 进行信息安全的保护、通过访问控制策略来对越权 访问等进行防护.但是需要注意的是,通常需要对传3边缘计算的典型应用 统方案进行一定的修改,以适应边缘计算的环境.同 时,近些年也有一些新兴的安全技术(如硬件协助的 得益于第2节的7项核心技术的发展,边缘计算 可信执行环境)可以使用到边缘计算中,以增强边缘在许多应用场景下取得了好的效果.本节给出已经 78 计算机研究与发展2019,56(1) 基于边缘计算模型设计的6个成功典型应用,通过先处理,避免了安全时间段内的视频上传,从而大量 这些应用来发现边缘计算的研究机遇和挑战,并探地降低了流量的损耗. 讨更多的应用场景 以上工作主要针对系统的有效性,更多地关注 3.1公共安全中实时数据处理 民众安全.而保护维护公共安全的人员,如警察、消 公共安全从社会的方方面面,如消防、出行,影防员等的安全,也至关重要.Wu等人提出了一种适 着广大民众的生活.随着智慧城市和平安城市的用于消防系统的边缘计算系统3.其通过在救火车 建设,大量传感器被安装到城市的各个角落,提升公上部署边缘服务器,接受消防员配备的红外摄像头 共安全.例如武汉的“雪亮工程”建设,计划到2019数据和各种传感器数据(如室内定位系统),实时地 年6月底,全市公共安全视频监控总量将达到150万处理获得消防员位置信息和周边情况,并可视化地 个.得益于“雪亮工程”的建设,全市刑事有效警情同展现给现场指挥,同时也推送给远程控制中心,以保 比下降27.2%,并为群众査找走失老人小孩、追回遗障消防员的人身安全 失贵重物品等服务1万余次2.随着共享经济的兴3.2智能网联车和自动驾驶 起,各种共享经济产品落地并得到发展,如滴滴、Uber 随着机器视觉、深度学习和传感器等技术的发 和共享单车.然而,这些产品同时也存在大量的公共展,汽车的功能不再局限于传统的出行和运输工具, 安全事件.例如顺风车司机对乘客进行骚扰,甚至发而是逐渐变为一个智能的、互联的计算系统,我们称 生刑事案件.因此,2018年9月受顺风车安全事件这样新型的汽车为智能网联车( connected and auto 的影响,滴滴已经临时下线顺风车业务并进行整改, nomous vehicles,CAVs).智能网联车的出现催生 首当其冲的是在司机端加入服务时间段的自动录音出了一系列新的应用场景,例如自动驾驶、车联 功能.然而,想要进一步提升安全性,最终还是得依网100以及智能交通101. Intel在2016年的报告指 赖于视频等技术,然而这将导致大量的带宽需求.按出102,一辆自动驾驶车辆一天产生的数据为4TB 照Uber2017年的使用情况3(45787次/分钟),假这些数据无法全部上传至云端处理,需要在边缘节 设将每次驾乘的视频发送至云端(每次20分钟),每点(汽车)中存储和计算. 天云端将新增9.23PB的视频数据.边缘计算作为 自动驾驶计算场景无疑是目前最热的研究方向 近数据源计算,可以大量地降低数据带宽,将可以用之一,围绕此场景有经典的自动驾驶算法评测数据 来解决公共安全领域视频数据处理的问题 集 KITTIL:13,还有针对不同自动驾驶阶段的经 虽然当前城市中部署了大量的IP摄像头,但是典的视觉算法04106.在工业界目前有许多针对 大部分摄像头都不具备前置的计算功能,而需要将CAVs场景推出的计算平台,例如 NVIDIA DRIVE 数据传输至数据中心进行处理,或者需要人工的方PX2107和 Xilinx Zyng ultraScale+ZCU10618 式来进行数据筛选.Sun等人提出了一种基于边缘同时,学术界有许多前沿工作也开始探索CAVs场 计算的视频有用性检测系统,其可以通过在前端景下的边缘计算平台的系统设计.Liu等人将自动 或者靠近视频源的位置,对视频内容进行判断,从而驾驶分为传感( sensing)、感知( perception)和决策 检测摄像头故障、内容错误以及根据内容对视频质( decision-making)3个处理阶段,并比较3个阶段 量进行动态调整. Zhang等人受启发于安珀警报系在不同异构硬件上的执行效果,由此总结除了自动 统,基于边缘计算技术,开发了安珀警报助手( Amber驾驶任务与执行硬件之间的匹配规则10.Iin等人 alert assistant,A3)6,其可以自动化地在边缘设对比了感知阶段3个核心应用,即定位( localization)、 备上部署视频分析程序,并与附近的边缘设备协同识别( detection)和追踪( tracking)在GPUs, FPGAS 实时地对视频进行处理,同时和周边摄像头进行联和 ASICS不同组合运行的时延和功耗,指导研究人 动,以完成绑匪车辆的实时追踪 员设计端到端的自动驾驶计算平台10.除了硬件 针对滴滴等共享车辆服务近年发生的危害公共系统结构设计,还有一类研究推出完整的软件栈 安全的事件,Iiu等人提出了 Safe Share ridel系统,帮助研究人员实现自动驾驶系统,例如百度的 其会在两者情况下触发视频报警功能——司机驾驶 Apollo和日本早稻田大学的 Autoware-2 行为异常,如偏离轨道和车内发生争吵或者口头呼 如2.6节所述,OpenⅤDAP是一个开放的车载 救. SafeShare ride系统通过将用户手机作为边缘数据分析平台,其提供了车载计算平台、操作系统 端,实时地监控车内情况和司杋情况,做到数据的预函数库等全栈的车载数据计算服务.除了自动驾驶

...展开详情

评论 下载该资源后可以进行评论 1

WanderingSIN 我非常后悔,就是最好的那篇综述
2020-05-06
回复
img
macmacmac

关注 私信 TA的资源

上传资源赚积分,得勋章
最新资源