物联网中边缘计算关键技术及应用.pdf

674 Radio Communications TechnologyVol.49 No.4 2023doi:10.3969/j.issn.1003-3114.2023.04.011引用格式:朱骥,景春峰,蒯本链,等.物联网中边缘计算关键技术及应用J.无线电通信技术,2023,49(4):674-683.ZHU Ji,JING Chunfeng,KUAI Benlian,et al.Key Technologies and Application of Edge Computing for the Internet of Things J.Radio Communications Technology,2023,49(4):674-683.物联网中边缘计算关键技术及应用朱 骥,景春峰,蒯本链,刘 峰(南京南瑞信息通信科技有限公司,江苏 南京 210003)摘 要:随着物联网技术的快速发展,中心数据处理迁移到网络边缘设备的需求日益增长,云计算与远程中心的距离太远,导致延迟过大。同时,海量边缘设备产生的数据造成网络拥堵,大大增加了中心云的计算压力。因此,边缘计算的概念应运而生。阐述了边缘计算需要发展的三大驱动力,并从延迟、带宽、安全性和能耗四方面比较了云计算和边缘计算的差异,强调了边缘计算的优势。分析了支持边缘计算的几种主要技术,并重点介绍了其在车联网、智慧城市、智能家居、光伏发电等多个领域的应用场景,分析了制约边缘计算发展的因素以及现阶段的不足之处。未来,边缘计算技术有望在下一代通信网络中发挥更多价值。关键词:云计算;边缘计算;物联网;网络功能虚拟化;软件定义网络中图分类号:TN929.11 文献标志码:A 开放科学(资源服务)标识码(OSID):文章编号:1003-3114(2023)04-0674-10Key Technologies and Application of Edge Computing for the Internet of ThingsZHU Ji,JING Chunfeng,KUAI Benlian,LIU Feng(Nanjing NARI Information&Communication Technology Co.,Ltd.,Nanjing 210003,China)Abstract:With the rapid development of Internet of Things technology,the need to migrate central data processing to network edge devices is increasing,the distance between cloud computing and the remote center is too long,resulting in excessive delays.Data genera-ted by massive edge devices caused network congestion and greatly boosted the computational pressure of the central cloud.Thus,the concept of edge computing is born.The review describes three driving forces for edge computing and highlights the advantages of edge computing by comparing cloud and edge computing in terms of latency,bandwidth,security,and power consumption.Then,several main technologies supporting edge computing are analyzed,and its application scenarios in many fields such as Internet of vehicles,smart cit-y,smart home,photovoltaic power generation are emphatically introduced.Finally,some factors that restrict the development of edge computing and the shortcomings of the current stage are analyzed.Future edge computing technologies are expected to play a more valu-able role in next generation communication networks.Keywords:cloud computing;edge computing;internet of things;network function virtualization;software defined networking收稿日期:2023-03-100 引言随着物联网的发展,已进入万物互联的时代,任何支持网络的设备都可以连接到互联网。基于物联网技术,一个越来越复杂的网络正在出现,全新的网络给人们的日常生活和社会服务模式也带来了革命性的改变。随着居民生活水平的提高,人们对自动化集成智能系统更加地依赖,如自动驾驶系统、智能家居应用等。然而,这些先进的应用也带来了较多问题和挑战,主要包括对存储的需求更大、对计算能力的要求更高。虽然云计算等现有的解决方案能够很好地解决部分问题,但随着数据量的日益增长,特别是当 5G 时代到来时,现有服务器的运算能力仍远远不够。基于此,研究人员提出了边缘计算的概念,以缓解中央服务器的计算压力。也就是说,新兴2023年第49卷第4期无线电通信技术675 的边缘计算技术作为一个额外的服务器来承担主服务器的重任,并与主服务器合作,以实现有序且更快的计算速度。为了进一步分析和介绍边缘计算技术的出现动机,下面将介绍推动边缘计算发展的 3 个主要驱动力:每一种技术的提出都是为了满足人们的要求,这也指出了技术进步的一个原动力 扩大服务范围。边缘计算也不例外,其在处理来自终端设备的数据方面有很大帮助。一个典型的例子是计算来自智能系统特定应用的实时数据,然后将数据向上传输,与中央云计算进行即时互动、数据传输。通过这种方式,可以在一个巨大的操作系统下开发更多的子服务,以高效地捕捉和处理信息。由于物联网的高速发展带来了海量的连接,其中每一个分支都需要被严格地监管,边缘计算必须适应于弥补计算资源有限的缺点。物联网中的一个单链表通常由数百个节点组成。为了保证每一步的安全,必须对监视器进行专门的设置和编程。显然,当分布在几个分散的服务器上时,这个工作仍然很重要,更不用说完全依赖中央云计算的情况了。因此,边缘计算在保证物联网的运行方面是有意义的。人们倾向于被新鲜的概念和新奇的经历所吸引,这反映了不局限于现实的野心。虚拟现实就是其中一个引人注目的概念,旨在为人们提供特定场景下的沉浸式体验。具体来说,这代表了一种物联网内部强化连接。例如,在虚拟空间,人们可以接触到被物理距离阻隔的同事,就像他们面对面交谈一样。关键是,即使是这样复杂的结构,边缘计算也可以提供稳定和高效的处理速度背景。1 边缘计算与云计算下面将从四方面对边缘计算和云计算进行比较。时延:传统的云计算应用先将数据传输到云计算中心,然后请求数据处理,并将处理结果再返回给设备。作为物联网的中心,云计算需要存储、处理和分析大量的数据,这就造成了延迟。随着物联网的发展,过度的延迟将导致用户需求难以满足。例如,在车联网应用中,延迟一般要求在 10 ms 以内1。如果云计算不能及时处理数据,道路上的车辆就无法识别道路两侧的红绿灯,或者当事故发生时,用户无法及时发现,继而会造成严重的交通事故或交通拥堵。同样,在沉浸式体验中,如果没有及时反馈,用户将无法感知正确的场景,从而导致用户体验不佳。雾计算的原理与云计算类似,数据被上传到远程中心进行分析和处理。但是,与云计算相比,雾计算将所有数据上传到云端。它设置了很多分散的中心点,可以同时从不同的地方收集不同的数据。它的计算位置离用户更近,大量的信息被收集到网关,然后网关将处理过的数据发送给设备,使其更接近设备。距离设备端最近的是边缘计算,它的信息传播距离通常是一个密集的小型蜂窝网络或设备到设备(Device to Device,D2D)传输的大小2。并且,它只分析终端的数据,减少了上传的时间。虽然云计算的计算能力比边缘计算大许多个数量级,但云计算需要与很多数据共享,因而体现了边缘计算的低延迟。带宽:云设备实时产生大量的数据,而信息的处理主要在核心网的数据中心机房。因此,当信息从网络边缘传输到核心网进行处理后再返回时,需要相当大的带宽来满足计算,否则可能造成网络拥堵。波音 787 产生了更多的实时传输3。相比之下,另一个例子显示了边缘计算的优势。在识别车牌时,边缘计算对前置摄像头上的图像进行预处理,可以减少主干道带宽的压力。而且,这不仅减少了延迟,也避免了视频流上传造成的网络拥堵。此外,物联网的设备会越来越多,海量的数据也会给处理带来压力。无论是传输到云端还是存储在设备端,都会给本地网关带来计算压力。文献4提到了移动边缘计算(Mobile Edge Computing,MEC)、内容分发网络(Content Delivery Network,CDN),这是一种将云计算、移动技术与顶层向下构建模型相结合的解决方案,可显著降低数据回程带宽(约 35%)。隐私/安全:在执行任务时,例如智能家居中的远程监控系统,其中包括家庭个人信息。因为云计算平台是一个远程公共大数据中心,如果所有数据都上传到云端执行任务,私人数据将被共享或丢失,这是用户不愿意看到的。因此,当数据被上传时,应该适当处理数据,以防隐私信息落入他人手676 Radio Communications TechnologyVol.49 No.4 2023中,造成重大损失。边缘平台在不知道原用户数据的情况下执行计算任务,避免了隐私信息的泄露,即使通过加密算法和计算也可以实现。文献2提出了一种分布式部署,将敏感信息的交换放在边缘设备上进行直接访问控制。与云计算相比,边缘计算有自己的安全协议,保护系统不被入侵,可以保护内部数据。此外,边缘系统引入了软件定义网络(Soft-ware Defined Network,SDN)和网络功能虚拟化(Net-work Functions Virtualization,NFV)等技术,实现网络之间的隔离5,以确保安全的网络环境。能耗:云计算中的集中式数据处理将数据传输到中心,消耗大量的能源。随着物联网的发展,用户数量越来越多,数据也会越来越多。大量计算资源的处理和用于数据交换的高网络带宽将导致较高的能耗,特别是有限的设备资源。同时,这期间消耗的电能也不会减少。Sverdlik6的研究表明,中国数据消耗的电力比匈牙利和希腊的总和还要多。尽管边缘计算需要边缘设备进行计算并上传到云端,大量的电力被浪费,但数据量却大大减少。目前,更换电池的做法是可行的,但长期实施并不现实。文献7提出了一个新的用于 MEC 的 D2D 人群框架和一个基于图匹配的最优任务分配策略,将能耗降低了50%以上。2 支持技术2.1 NFV 和 SDN随着边缘计算的深入应用,大量的数据迁移使得计算方式越来越繁琐,造成大量的网络拥堵,因此传统的集中式网络架构已经不能满足用户的要求。SDN8被提出,将控制平面与数据平面分离,集中管理网络状态信息。它将抽象的底层网络设施的通用应用程序接口(Application Program Interface,API)作为系统和应用的调用接口,增强了网络自动化管理能力,并通过自动化的集中网络设备管理,提高了网络的可靠性和安全性。SDN 可以根据网络流量、节点连接、距离等情况,将用户的请求实时传送到最近的服务器节点,缓解网络拥堵的响应时间。为了解决实时分析大量密集数据的问题,文献9提出了基于 SDN 的新型分布式分层网络架构 Soft EdgeNet 模型,利用区块链技术构建了一个可持续的边缘计算网络。SDN 侧重于存储,而边缘计算是基于存储的。因此,将边缘计算与 SDN 相结合可以有效解决存储和计算的时效性问题。中兴通讯提出了 MEC 解决方案4,将存储节点改为边缘计算节点,实现了全面灵活地部署和互联、就近业务部署以及边缘计算和云计算的协作。此外,还可以实现智能调度、实时监控流量,并根据应用和需求调度服务,为用户提供最佳服务。为了满足移动性匹配的需求,建立了一个用户行为跟踪模型4,预测、分析并跟踪用户行为模式。通过这种方式,希望提高预测热点位置和内容的准确性,以减少用户访问内容的延迟,并防止更多的资源被占用,从而实现网络负载均衡,避免网络拥堵。因此,SDN 的出现可以更好地支持计算服务和数据迁移,与之相关的 NFV 可以实现网络转发功能的虚拟化和通用化,提高数据中心的灵活性。NFV和 SDN 的融合将为边缘云应用带来巨大的潜力,使计算、存储和网络资源被推送到边缘,支持未来的物联网应用。由于使用控制和数据转发的独立功能,使用 NFV 来控制和管理其创建的虚拟化网络功能(Virtualised Network Function,VNF)可以大大降低边缘云中 VNF 的成本,从而提高灵活性和可编程性10。同时,NFV 通过提供 SDN 可以运行的基础设施来支持 SDN。它们的融合为快速部署和高效应用提供了可能,整个流程如图 1 所示。图 1 SDN 和 NFV 流程Fig.1 Process of SDN and NFV2.2 命名数据网络边缘计算的一些场景需要大面积的覆盖,这是实现整个数据动态化的必要条件,否则大量的数据迁移会造成网络拥堵。例如,在智慧城市中,每个链路都有特定的连接。智能路灯不仅要采集道路上的2023年第49卷第4期无线电通信技术677 光照强度,还要将检测到的环境数据上传到处理端。如果不能解决数据的动态调度问题,在上传数据时,路灯可能会出现灵敏度下降的情况,无法完全实现功能。因此,为了实现数据的动态调度,满足搜索服务,可以通过引入命名数据网络(Named Data Net-working,NDN),建立计算服务的命名,从而关联数据的流动。文献11提出了物联网-命名数据网络(IoT-NDN),这是一个在网络边缘进行物联网数据处理的新框架,可以在网络层直接处理异构问题。扩展了现有 NDNs 的使用范围,从物联网源中检索数据,开发了最优服务分配,并最小化加权成本函数。然后,将其传输到分布式服务分配程序中,允许边缘节点在本地计算成本函数并做出独立决策。此外,选择边缘节点作为业务执行,实现网络边缘过渡,支持物联网服务提供的动态分布式计算环境,解决移动性问题。图 2 显示了 NDN 的工作原理12,当用户发送兴趣包时,该包带有一个名称,如 re-quest/parc/videos/WidgetA.mpg。路由器会记住请求到达的接口,并通过在其转发信息表中查找该名称来传输兴趣包。如果兴趣包到达一个拥有请求数据的节点,则会发回一段数据,然后通过兴趣包产生的相反路径,将数据传递给用户12。图 2 NDN 工作原理Fig.2 Working mechanism of the NDN2.3 自动编排和动态卸载传统的卸载方法更多地依赖程序员来卸载数据,而直接计算到边缘云可以大大降低边缘服务器的延迟。英特尔伯克利实验室提出了克隆云,它使用静态分析来自动确定可以上传的内容,以减轻程序员的负担13。小朵云(Cloudlet)提出了一种动态的虚拟机组成机制,使移动边缘设备能够与 Cloudlet协调。它使用了一种基于虚拟机的方法,允许用户通过 移 动 设 备 连 接 到 Cloudlet 来 启 动 一 个 虚拟机10。Habak 等人14提出的动态自配置的飞云(Femto cloud ds)系统通过协调多个移动设备来扩展 Cloud-let 计算。在这个系统中,移动设备通过向云端发送代码或输出数据来卸载密集任务。在向移动设备上传任务调度的过程中,Femto cloud ds 采用启发式方法对模型进行优化,极大缓解了边缘计算的扩展计算压力。同时,为了优化资源,Sardellitti14在其连续凸近似算法框架下,通过多个小单元增强节点卸载数据,以减少移动设备能耗和卸载过程的延迟。面对传统地面网络在复杂地形和设备故障等场景中的挑战,Yuan 等人15提出了一种用于多个无人机边缘计算的高效计算资源卸载机制,帮助增强 MEC网络部署的灵活性和鲁棒性,并降低资源管理的复杂性和成本,减少连接延迟。2.4 资源调度边缘网络中存在的各种资源,通过这些资源提供强大的可服务性,完成任务。边缘计算虽然通过提供强大的计算、存储和通信能力,极大地增强了边缘网络的可服务性,但同时也需要制定合适的资源调度策略16。近年来,边缘计算中的资源调度问题引起了业界和学术界的广泛关注。一般来说,资源调度是指参与者用来有效地将资源分配给需要完成的任务,并根据资源的可用性来实现参与者的目标的一组动作和方法。云计算和边缘计算是相辅相成的,因此,边缘计算中的资源调度不仅在用户和边缘之间进行,而且在用户、边缘和云之间进行。Luo 等人16介绍了一个三层异构边缘计算网络,其中第一层是Thing 层,第二层是 Edge 层,第三层是 Cloud 层。在此基础上,提出了边缘计算中资源调度的不同协作方式,分别为 Things-Edge 协作、Things-Edge-Cloud协作、Edge-Edge 协作和 Edge-Cloud 协作。基于这样的结构与协作方式,成功地解决了边缘计算中用户、边缘和云之间的资源调度问题。678 Radio Communications TechnologyVol.49 No.4 20233 物联网中的应用场景3.1 智能交通3.1.1 视频监控随着滴滴打车事件的蔓延,越来越多的人开始更加关注公共安全问题。对此,滴滴采用的方式是在司机设备上增加服务期间的录音功能。但要保证生命安全,这还远远不够;这在很大程度上依赖于视频监控系统,它有广泛的应用,如跟踪目标、车牌识别、人脸识别等。在设备终端,传统视频监控系统的计算能力较低17;而上传到云端的数据需要较高的带宽,且会占用大量不必要的云端存储空间。基于此,应更好地利用边缘计算模型,通过将数据存储在本地,可以对大量视频数据进行分析。只需要将有道路交通事故或违法行为的视频识别并拦截到中心云进行进一步地分析和长期存储,这可以大大减少到云端的数据。同时,可以避免视频流上传造成的网络拥堵。因此,Sun 等人18提出了一种基于边缘计算的新型视频监控系统检测系统,可以提前在视频源附近判断其内容是否有用,从而高度利用视频数据存储空间。安珀警报助手和安全拼车系统在边缘设备上实时进行视频分析和处理,并实现数据预处理,从而避免在安全时间内上传视频,大大减少交通损失,保护用户安全。3.1.2 车联网与自动驾驶随着汽车的高度智能化和物联网技术在智能交通领域的不断渗透,车联网应运而生19,旨在实现车对人、车对车、车与基础设施之间的信息交流。一种情况是汽车本身作为车联网通信的终端,可以利用传感技术感知道路两侧的各种交通标志,并提示驾驶员;当发现路口出现异常情况,联网的汽车能够提前做出判断,将发现的异常数据传输到云端,同时会根据云端保存高精度的地图数据,寻找更优的路线,以避免拥堵。另一种情况是,当驾驶员在驾驶过程中分心时,自动驾驶汽车可以主动探索周围环境,如障碍物、空气质量等,在这种情况下,即便发生危险情况,汽车能够较早地发出警告并帮助用户自动降速。但是,以上两种情况的实现都需要庞大的数据传输,现有计算模式无法及时高效地完成采集车辆的驾驶数据和环境数据的分析与处理。边缘计算的传播距离通常为几十米2,相比之下,云计算需要从终端用户传输到核心网或数据中心,其距离通常非常远,因此边缘计算的传播延迟比云计算短得多。边缘计算服务器可以通过 PyTorch20、MXNet21的算法和机器学习算法执行框架,跟踪从边缘设备到终端用户的实时信息,分析高风险数据和敏感信息,然后向附近的其他车辆发送告警信息。由于无需上传到云端,附近的车辆将在 20 ms 内收到警报22。这样,司机将有更多的反应时间处理突发情况,如避开危险、减速或改变线路,从而减少道路拥堵的可能性。整个过程如图 3 所示。图 3 车联网总体运行过程Fig.3 Overall process of IoV车联网的边缘计算原理如图 4 所示,首先在交通感知层,通过传感器技术、信号处理技术、定位系统等对道路两侧的实时情况进行监测;然后在信息传输层,利用云计算、人工神经网络和机器学习的方法对信息进行预处理和分类;最后,将确定不需要上传到云端的数据直接传输到客户端。图 4 车联网的边缘计算原理Fig.4 Principle of edge computing for IoV2023年第49卷第4期无线电通信技术679 当然,除了车对车的传感器系统外,还有车对路的,即铺设在道路上的传感器网络。它形成于道路两侧,其 中 专 用 短 程 通 信 技 术(Dedicated Short Range Communications,DSRC)和蜂窝通信(LTE-V2X)也对移动目标的识别和通信起到了关键作用23。安装在道路两侧的路侧单元和车载单元24相互作用,将汽车的所有运行状态上传到云端。这种技术类似于在路边安装 WiFi,让汽车通过这个WiFi 进行通信。虽然 LTE-V2X 可以减少碰撞,与DSRC 相比,预警时间缩短了 4 s,但信息交换产生的数据量仍然相当大。因此,在网络边缘增加智能和计算单元,可以实现业务定位和近距离部署,并更好地支持高带宽和低延迟的业务。边缘计算将汽车云分布到网络边缘的移动基站,为其中的应用提供服务器。与花费大量时间上传到云端相比,在本地获得的信息使得数据处理尽可能地接近车辆和道路传感器,从而减少了数据的往返时间,减少带宽需求和成本。准确地说,上传到云端需要归档大量的时间序列数据,同时可能产生大量的数据流,而这在设备的边缘可以更高效地实现。在支持 5G 的车辆到一切(V2X)中,智能车辆还可以作为补充计算资源与边缘计算系统和移动用户进行通信,提高用户的服务质量25。边缘设备需要检测和识别道路目标,所以需要更多的智能算法。Du 等人26首次提出将人工智能处理器置于图像传感器附近,直接从传感器读取数据;同时利用共享卷积神经网络,将模型完全置于静态随机存取存储器中,使计算能效大大提升(60 倍)。此外,谷歌的 TensorFlow Lite27在 2016 年通过优化移动应用的内核,减少了执行预测任务时的延迟和内存占用。智能车联网的发展使车辆的智能化成为研究热点,其中,自动驾驶是汽车行业的发展趋势,也是汽车智能化发展的最终方向。关于自主驾驶的原理,从通俗意义上讲,它就像一个人接受外界的信息,然后通过大脑对信息进行分析和处理,最后完成类似于人类手脚的动作,但这些都是由计算机自己执行的。机器学习的研究对于自动驾驶的实现尤为重要,然而传统的机器学习只能在云计算中心运行。算法应用问题急需解决。Realift Rod28实现了对边缘运行状态的分析处理,它可以利用边缘节点和云计算中心的优势来维护。此外,还设计了一个端到端的自动驾驶计算平台,采用卷积神经网络完成映射,直接从传感器的原始端映射到控制端,无需人工设计。该技术可以实现直线、曲线行驶,速度控制等功能,但现在端到端模型还处于研究阶段,模仿人类控制驾驶技术还需要加强深度学习的研究。3.2 虚拟现实/增强现实人工智能的发展使沉浸式交流体验成为可能。虚拟现实(Virtual Reality,VR)捕捉信息,创造场景,模拟感官,使用户进入虚拟世界。从本质上讲,用户不是在现场,而是在模拟的场景中,由 VR 实现的场景如图 5 所示。而增强现实(Augmented Reality,AR)是当你戴上眼镜后,肉眼看到的景象更加具体。当你进入一所学校时,你不仅可以看到图书馆的具体位置,还可以看到图书馆的空位数,在哪里可以有一个座位或一本书,甚至这本书是否被借出等,这种通过将真实环境与虚拟空间相结合,增强人类对世界感知的技术就是 AR。图 5 VR 实现的场景Fig.5 Scenarios realized by VR随着技术的不断完善,从原来的模拟现实到现在的沉浸式场景,这种沉浸式的交流体验也得到了提升。但这需要大量的数据分析,这就要求基站使用的分析数据要接近 VR,使基站能够在超短的时间内(如 1 ms)通过模式识别用户的行为2,然后用数据挖掘来分析用户的请求,最后通过传感技术提升体验,这将极大增加服务器的负担。边缘计算模式可以作为一个较好的选择,将基站设置在设备端,不仅颠覆了计算路径,解决了数据延迟问题,还充分融合了云计算的自动配置和管理技术。Yang 等人29通过消耗和利用 VR 设备上的缓存资源来减680 Radio Communications TechnologyVol.49 No.4 2023少 VR 设备的计算量,但这也导致了高延迟。为了克服这个问题,提出了任务调度策略,决定边缘计算服务器应该运行哪种计算模型,以最小化延迟约束下的通信资源消耗。Siriwardhana 等人30提出了一种辅助 AR 系统的基于边缘的架构,具有实现端到端之间的低延迟和支持计算卸载的功能。3.3 智慧城市智慧城市源于 IBM 在 2008 年提出的“智慧地球”一词,旨在实现城市的智能管理和运营。智慧城市中包含了太多的物联网数据,如设备传感器、构建系统平台等,这些都需要有一个安全、快速、可靠、高效的计算平台和计算方法作为支撑。此外,智慧城市建设所依赖的数据具有来源多样化、异质化的特点,同时涉及城市居民的隐私安全。因此,应用边缘计算模型是一个很好的解决方案。边缘计算在智慧城市中有很多应用场景。在大楼的电梯里安装传感器,收集电梯承载的乘客数量、运行时间等信息,并将信息上传到平台,通过统计分析,可以优化电梯运行,检查故障原因。在红绿灯杆上安装传感器,可以收集实时车流量、拥堵情况等信息,并利用边缘计算进行分析,对红绿灯进行动态管理,帮助缓解高峰拥堵。边缘计算在城市能源管理中也有很多应用。例如智能路灯,可以有效提高可靠性,降低能耗和维护成本,从而实现城市建筑节能管理。如今,照明、制冷、电器等的过度无序使用导致了大量的电能浪费。传统的人工控制方法无法根据环境需求即时控制照明或冷却系统以保证状态,而边缘计算可以根据实际环境和能效控制策略进行实时控制,实现精细化管理,并定期与云端同步,从而帮助节省大量的能源。3.4 智能家居智能家居已经逐渐渗透到人们生活的方方面面,从以前的扫地机器人到家庭的自动热水系统,再到随时监控家里的情况,防止老人摔倒等意外。越来越多的家庭要求智能家居不仅要满足基本功能,还要求其系统更多、更快、更安全。未来智能家居的应用如图 6 所示。图 6 未来智能家居的应用Fig.6 Future applications in smart home目前的智能家电,如家庭监控,需要通过 App来控制,这就需要依靠云平台的远程控制。因此,用户的数据就需要存储在云平台上。但由于家庭数据的隐私性,大多数用户并不愿意将数据传到云端,尤其是涉及到一些隐私视频时。与向云端传输数据相比,采用边缘计算技术,将家庭视频数据存储在本地边缘计算网关设备上,然后定期向云计算更新控制设备的状态,可以减少家庭数据的外流和数据泄露的可能性。由于网络边缘离物联网设备较近,在网络边缘同时设置很多端口,使终端作为一个共享的边缘节点,可以保持数据的完整性和保密性4。3.5 光伏发电边缘计算技术已应用于智能电网的发电、配电、用电及调度等多个环节,利用边缘计算技术,可以对数据进行随时随地处理与分析,以满足电网对设备的快速响应需求。尤其是随着风力发电、光伏发电为代表的新能源发电装机规模地不断扩大,大量的电力电子设备接入网络将导致原有系统的稳定机理发生变化,因此亟需新能源发电具备基于边缘计算的数据降维和数据运算能力,降低电力设备的响应时延。图 7 为电力边缘计算设备在光伏发电系统的应用案例31,其中每个光伏发电单元安装一台边缘计算设备控制 4 台光伏逆变器,实现对光伏逆变器的输出变量的实时监测,包括输出电压、电流、功率和故障等信息。边缘计算设备同时根据采集数据信息,通过预先内嵌的控制算法判断需要采取的操作,从而能自适应控制光伏逆变器的信号功率。这对降低网络时延、实现信息实时感知和高效处理具有巨大的支撑作用。2023年第49卷第4期无线电通信技术681 图 7 光伏发电的应用Fig.7 Future applications in photovoltaic power generation4 现状与展望4.1 目前形势随着物联网的发展,边缘计算技术取得了重大突破。无需交付云端处理,通过本地设备即可实现数据分析和控制,大大提高了数据处理效率,降低了云端负载,实现了更快的用户响应。目前,边缘计算逐渐被广泛应用于各种应用场景,但也有一些局限性阻碍了边缘技术的普及。硬件选择和成本问题:不同的硬件适用于不同的应用场景,如 Caffe、Jetsontx2 等。其中一些适合边缘计算,但另一些计算能力较弱,因此有必要对不同的硬件进行深入了解,找到适合每一部分的硬件产品,这一工作将花费大量的精力。此外,每个硬件都有成本,当用户选择智能产品时,他们不知道硬件的成本包含其中,所以产品的价格被提高,很难满足公众的消费理念。模型结构问题:由于边缘计算需要满足任务迁移、数据分配、资源分配等必要条件,传统模式无法满足边缘计算的要求。因此,边缘计算直接投入到网络边缘的应用场景中,需要针对不同的应用场景和应用模式设计具体的架构,规划计算和存储资源的配置,从而优化具体应用的能耗和安全性。目标设备的处理器问题:一些边缘计算应用是在目标附近处理数据,以减少数据网络传输、网络延迟和实时信息处理。例如,在智能家居监控系统中,数据需要就近处理,设备的计算能力要求相对较高。因此,有必要分别分析不同应用场景对处理器、功耗和边缘计算设备的要求。此外,边缘计算的开发只能用 C 语言或 C+语言来完成,需要进一步开发使用其他程序语言的应用。边缘计算的系统隐私问题:由于与物联网、互联网之间的连接,边缘计算存在系统隐私问题。此外,边缘计算终端的计算一般是一个相对薄弱的计算系统。它不能像传统计算系统那样采取多层和多种隐私措施。例如,大型硬件往往位于公共环境中,如果没有层层访问控制,设备将被随意入侵。甚至一些边缘计算也直接应用于系统控制,其隐私问题尤为重要32。4.2 边缘计算发展展望随着物联网的延伸,5G 通信技术在网络吞吐量、延迟、连接数和可靠性方面都有了很大的提高,使万物互联成为可能。5G 的到来势必会给边缘计算带来一个大的市场,边缘计算的出现就是为了缓解云端的计算压力,弥补时效性差的问题。边缘计算可以在 5G 无线网络中提供多种业务场景,同时推动 5G 技术进入交通、智能驾驶、车联网、智能制造等垂直行业。未来,边缘计算将成为继物联网和人工智能之后的又一热门技术。此外,机器学习、人工智能技术与边缘计算的结合将使边缘计算在实时响应和数据优化方面更加智能化,这将有助于实现边缘计算在各个领域的数字化和智能化。随着物联网的智能化需求分布到网络边缘,边缘计算将进一步实现物体的自主性和协作性1。最后,针对边缘计算的系统隐私问题,区块链是一个理想且合适的概念,将其与物联网和边缘计算相结合33,能够为边缘计算提供更好的安全保障。5 结论物联网正经历着一个上升的趋势,这意味着网络的扩展趋势。为了确保物联网内部结构的互动效率,边缘计算将成为一项至关重要的技术,具有广阔的发展前景。本文简要介绍了一些用于实现边缘计算的先进技术,以及在物联网各个领域的一些具体应用场景。最后,列出了一些局限性,反映当前对边缘计算的研究。虽然边缘计算的模型还存在一些问题,但在物联网内部,边缘计算永远不会单独工作,这也表明边缘计算和中央云计算的结合是一种趋势。参 考 文 献1 楚俊生,张博山,林兆骥.边缘计算在物联网领域的应用及展望J.信息通信技术,2018,12(5):31-39.2 MAO Y,YOU C,ZHANG J,et al.A Survey on Mobile Edge Computing:The Communication Perspective J.IEEE Communications Surveys&Tutorials,2017,19(4):2322-2358.682 Radio Communications TechnologyVol.49 No.4 20233 施巍松,张星洲,王一帆,等.边缘计算:现状与展望J.计算机研究与发展,2019,56(1):69-89.4 TU Y,DONG Z,YANG H.Key Technologies and Applica-tion of Edge ComputingJ.ZTE Communications,2017,15(2):26-34.5 ETSI.Mobile-edge Computing Introductory Technical White PaperR/OL.(2016-05-16)2023-02-20.https:portal.etsi.org/portals/0/tbpages/mec/docs/mo-bile-edge_ computing _-_ introductory _ technical _ white _pape r_v1%2018-09-14.pdf.6 SVERDLIK Y.Heres How Much Energy All US Data Centers ConsumeEB/OL.(2016-06-27)2023-02-20.https: us-data-centers-consume.7 CHEN X,PU L,GAO L,et al.Exploiting Massive D2D Collaboration for Energy-efficient Mobile Edge ComputingJ.IEEE Wireless Communications,2017,24(4):64-71.8 YAN Q,YU F R,GONG Q,et al.Software-defined Net-working(SDN)and Distributed Denial of Service(DDoS)Attacks in Cloud Computing Environments:A Survey,Some Research Issues,and Challenges J.IEEE Communications Surveys&Tutorials,2015,18(1):602-622.9 SHARMA P K,RATHORE S,JEONG Y S,et al.SoftEd-geNet:SDN Based Energy-efficient Distributed Network Architecture for Edge Computing J.IEEE Communica-tions Magazine,2018,56(12):104-111.10 PAN J,MCELHANNON J.Future Edge Cloud and Edge Computing for Internet of Things Applications J.IEEE Internet of Things Journal,2018,5(1):439-449.11 AMADEO M,RUGGERI G,CAMPOLO C,et al.IoT Serv-ices