边缘计算的架构和挑战与应用探讨.docx

摘要：边缘计算是一种在网络边缘执行计算任务的新型计算模型，相比于云计算模型，能够更加迅速、可靠和节能地响应用户需求。从云计算模型的不足出发，首先介绍了边缘计算的概念和通用构架，随后详细阐述了两个边缘计算参考构架，总结了边缘计算面临的挑战，并介绍了针对这些挑战的研究进展。随着边缘计算相关理论和技术的发展，边缘计算将成为推动物联网服务升级的关键技术，以预测性维护和安防监控为例，对边缘计算的应用进行了介绍。关键词：边缘计算;云计算;框架1引言随着物联网、5G通信等技术的快速发展，万物互联的智能时代正在加速到来。中国经济信息社在2018年9月发布的20172018年中国物联网发展年度报告中提到，2017年物联网设备的数量增长强劲，达到84亿台，首次超过全球人口数量。伴随而来的是数据量的高速增长，数据统计公司StatiSta预测，到2020年，将大约有310亿个物联网设备连接，同时据思科云指数估计，2021年云计算的数据总流量将达到18.9ZB,相比2016年的6.0ZB增长2.15倍，这种情形对当前广泛使用的云计算模型提出了巨大的挑战。边缘计算是一种在靠近物或数据源头的网络边缘提供智能服务的新型计算模型，它能够节省网络流量、提高响应速度和保护用户隐私，在物联网应用中显示出了优于云计算的性能，受到工业界、学术界的高度关注和一致认可。边缘计算于2015年进入快速发展期，并迅速在安防监控、智慧城市、智慧家居等行业实现了应用试点。边缘计算的快速发展得益于学术界的高度关注。近年来，计算机及通信等领域的知名国际学术会议中，关于边缘计算的文章数目和比例逐年上升，其中计算机领域顶级会议ICDCS在2015年、2016年和2017年收录的边缘计算方向的文章比例分别为6.7%>9.3%和12.7%,通信领域顶级会议INFOCOM每年约收录270篇文章，其中2016年和2017年收录边缘计算方向的文章分别为8篇和5篇，2018年收录边缘计算方向的文章高达29篇，可见学术界对边缘计算的热情。此外，2016年ACM与IEEE共同创办了首个以边缘计算为主题的学术会议IEEE/ACMSymPOSiUmOnEdgeCOmPUting(SEC)»以推进边缘计算关键技术的发展。2边缘计算概述2.1 边缘计算的产生背景云计算服务是一种集中式服务，所有数据都通过网络传输到云计算中心进行处理。资源的高度集中与整合使得云计算具有很高的通用性，然而，面对物联网设备和数据的爆发式增长，基于云计算模型的聚合性服务逐渐显露出了其在实时性、网络制约、资源开销和隐私保护上的不足。云计算难以保证实时性要求。云计算模型将全部数据上传至云计算中心进行处理，其处理速度受到网络带宽、中心计算能力、总计算任务量等多因素的影响，且请求至响应的链路较长，各个环节的时延累计可能造成无法接受的处理时延。云计算对网络环境过度依赖。尽管我国4G网络覆盖率已经超过95%,但仍存在海岛、地下室等网络盲区，同时也存在山谷、隧道等无法保证网络质量的区域。由于云计算依赖网络实现数据的传输，在这些场景中其难以提供可靠的服务。云计算的资源开销较大。随着数据量的攀升，数据传输带来的网络流量开销也在逐渐升高，同时云计算中心的计算、存储功能带来了极高的能耗，而这些开销并不是完全必要的。以野生动物保护区中的监控图像处理为例，大量的监控图像中并未包含任何动物，然而云计算模型仍然会对每一张图片进行传输、处理和存储。云计算难以保证用户隐私。云计算处理的数据可能是包含用户隐私的，例如家庭内的监控摄像头、工厂内的生产数据等，尽管存在用户隐私协议等约束，但服务提供商对数据的实际使用情况是不透明的，例如2017年8月，华为技术有限公司被报道根据用户聊天内容自动加载地址、天气等信息，侵犯了用户隐私。为了弥补集中式云计算的不足，边缘计算的概念应运而生，它是指在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的分布式开放平台，就近提供边缘智能服务。由于传输链路的缩短，边缘计算能够在数据产生侧快捷、高效地响应业务需求，数据的本地处理也可以提升用户隐私保护程度。另外，边缘计算减小了服务对网络的依赖，在离线状态下也能够提供基础业务服务。云边协同的联合式服务能够充分利用云计算和边缘计算的联合优势，针对不同特征的业务需求进行灵活的部署和响应，图1是云计算模型与云边协同计算模型的对比。据思科云指数估计，2019年人、机、物产生的数据将达到500ZB,网络带宽将成为云计算的瓶颈，融入边缘计算的云边协同的联合式服务将成为更有效的服务构架。国际数据公司IDC也预测，到2022年，超过40%的云部署结构将容纳边缘计算能力。（八）云计算稹地(b)云边协H计算模型图1云计算模型与云边协同计算模型2.2 边缘计算的概念边缘计算最早可以追溯至内容分发网络(ContentdeliVerynetWork,CDN)中功能缓存的概念，2015年边缘计算进入快速发展期后，以边缘计算为主题的协会与联盟相继成立，各类定义、标准与规范逐渐形成。旨在推动云操作系统的发展、传播和使用的OPenStaCk基金会以及由华为技术有限公司、中国科学院沈阳自动化研究所等联合成立的边缘计算产业联盟(EdgecomputingConsortium,ECO等组织对边缘计算进行了定义，尽管这些定义的描述不尽相同，但在边缘计算的核心概念上达成了共识：边缘计算是指在网络边缘执行计算的一种新型计算模型，这里的边缘是指从数据源到云计算中心之间的任意资源，其操作对象包括来自于云服务的下行数据和万物互联服务的上行数据。与云计算模型不同的是，边缘计算中终端设备与云计算中心的请求与响应是双向的，如图2所示，终端设备不仅向云计算中心发出请求，同时也能够完成云计算中心下发的计算任务。云计算中心不再是数据生产者和消费者的唯一中继，由于终端设备兼顾了数据生产者和消费者的角色，部分服务可以直接在边缘完成响应，并返回终端设备，云计算中心和边缘分别形成了两个服务响应流。云计算中心响应请求数据上传i口白静二口鼠三u=图2边缘计算的双向计算流模型边缘计算的核心是在靠近数据源或物的一侧提供计算、存储和应用服务，这似乎与雾计算将计算和分析能力扩展至网络“边缘”的定义非常相近。雾计算也是云计算模型的延伸，但雾计算的核心是将云计算中心的能力下沉至接近物的一侧，具有更平坦的架构，属于通用性较高的基础设施，仍然依赖于网络，多使用本地服务器或路由器实现。从实现架构来讲，雾计算也属于边缘计算的一种，除了在雾计算中部署通用性较高的基础设施以外，边缘计算还可以将终端设备侧的能力进行升级，依赖于不构成网络的终端节点。3边缘计算架构3.1 边缘计算的通用架构云边协同的联合式网络结构一般可以分为终端层、边缘计算层和云计算层,如图3所示，各层可以进行层间及跨层通信，各层的组成决定了层级的计算和存储能力，从而决定了各个层级的功能。云计算中心图3云边协同的联合式网络结构（1）终端层终端层由各种物联网设备（如传感器、RFlD标签、摄像头、智能手机等）组成，主要完成收集原始数据并上报的功能。在终端层中，只考虑各种物联网设备的感知能力，而不考虑它们的计算能力。终端层的数十亿台物联网设备源源不断地收集各类数据，以事件源的形式作为应用服务的输入。（2）边缘计算层边缘计算层是由网络边缘节点构成的，广泛分布在终端设备与计算中心之间，它可以是智能终端设备本身，例如智能手环、智能摄像头等，也可以被部署在网络连接中，例如网关、路由器等。显然，边缘节点的计算和存储资源是差别很大的，并且边缘节点的资源是动态变化的，例如智能手环的可使用资源是随着人的使用情况动态变化的。因此，如何在动态的网络拓扑中对计算任务进行分配和调度是值得研究的问题。边缘计算层通过合理部署和调配网络边缘侧的计算和存储能力，实现基础服务响应。（3）云计算层在云边计算的联合式服务中，云计算仍然是最强大的数据处理中心，边缘计算层的上报数据将在云计算中心进行永久性存储，边缘计算层无法处理的分析任务和综合全局信息的处理任务也仍然需要在云计算中心完成。除此之外，云计算中心还可以根据网络资源分布动态调整边缘计算层的部署策略和算法。边缘计算的参考框架是众多组织关注的焦点，它将抽象的边缘计算通用框架进行具象,提供了边缘计算框架的实现范式。第3.2节与第3.3节将详细介绍1.inux基金会与边缘计算产业联盟提出的两种参考架构。3.2 EdgeXFoundry2017年4月，1.inUX基金会创立了EdgeXFoundry¾tK,旨在创造一个互操作性强、即插即用和模块化的物联网边缘计算生态系统，提出了专注于物联网边缘的标准化的微服务框架一一EdgeXFoundryo该框架最早孵化于戴尔公司的物联网中间件框架中，现已将代码开源，可供开发者快速地根据自己的服务需求进行重构和部署，其结构如图4所示。架构的设计遵循了以下原则：架构应是与平台无关的，能够与多类别操作系统进行对接；架构需具有高灵活性，其中的任意部分应该都可以进行升级、替换或扩充；架构需具有存储和转发的功能，支持离图4EdgeXFoundry架构EdgeXFOUndry是微服务的集合，这些微服务分为4个层次：设备服务层、核心服务层、支持服务层、应用及导出服务层。以核心服务层为界，整个服务架构可以分为“北侧”和“南侧”。“北侧”包含云计算中心和与云计算中心通信的网络，包含支持服务层与应用及导出服务层。其中，支持服务层包含各种微服务,可提供边缘分析能力，并可以为框架本身提供日志记录、调度和规则引擎等服务;应用及导出服务层则保证了EdgeXFoundry的独立运行，在其不与云计算中心连接时，仍可以对边缘设备的数据进行收集，同时、导出服务层也负责提供网关客户端注册等功能，并对与云计算中心传递的数据格式和规则进行实现。“南侧”包含物理领域中的全部物联网对象以及与它们直接通信的网络边缘。其中，设备服务层提供软件开发工具包(SOftWaredeVeIOPmentki3SDK),以实现与设备的连接和通信，设备可以是网关或其他具有数据汇集能力的设备，同时设备服务层也可以接收来自其他微服务的命令，进而传递到设备。作为中心的核心服务层是实现边缘能力的关键，其中“核心数据服务”提供了持久性存储服务和对设备数据的管理服务。“命令服务”负责将云计算中心的需求驱动至设备端，并提供命令的缓存和管理服务。“中继数据服务”为中继数据(又称元数据，是对数据的属性描述)提供管理和存储服务，信息用于为设备和服务提供配对。“注册及配置服务”为其他微服务提供配置信息。EdgeXFoundry还包含了两个贯穿整个框架且为各层提供服务的基础服务层一安全和系统管理。安全服务中的元件为EdgeXFOUndry中的各类设备提供保护，支持认证授权计费(authenticationauthorization>accounting,AAA)访问控制、高级加密标准(advancedencryptionstandard,AES)数据加密、证书认证、超文本传输安全协议(HTrPS)等保护方法。系统管理工具提供了监控EdgeXFoundry运行情况的能力，在未来可能会提供服务配置、为管理平台提供信息等能力。EdgeXFoundry的主要任务是简化和标准化工业物联网边缘计算，它提供了一个可操作的开源平台，有效降低了边缘计算的准入门槛，小型应用提供商也能够快速地构建和部署边缘计算服务。工业物联网推广组织工业互联网联盟(IndustriannternetConsortium,IIC)已经与1.inUX基金会达成合作协议，共同推进工业物联网边缘服务的普及。3.3边缘计算参考框架3.0除了1.inux基金会外，边缘计算产业联盟也于2018年12月发布了边缘计算白皮书3.0，并提出了边缘计算参考构架3.0(以下简称边缘框架3.0)。边缘计算产业联盟认为，边缘计算服务框架需要达成的目标有：对物理世界具有系统和实时的认知能力，在数字世界进行仿真和推理，实现物理世界与数字世界的协作；基于模型化的方法在各产业中建立可复用的知识模型体系，实现跨行业的生态协作；系统与系统之间、服务与服务之间等基于模型化接口进行交互，实现软件接口与开发语言、工具的解耦；框架应该可以支撑部署、数据处理和安全等服务的全生命周期。边缘框架3.0也具有贯通整个框架的基础服务层，其架构如图5所示，其中安全服务与管理服务的功能与EdgeXFoundry类似，数据全生命周期服务提供了对数据从产生、处理到消费的综合管理。从纵向结构来看，最上侧的是模型驱动的统一服务框架，它能够实现服务的快速开发和部署。下侧按照边缘计算通用架构分为现场设备、边缘和云3层，边缘层又划分为边缘节点和边缘管理器两个层次。边缘节点的形式、种类是多种多样的，为了解决异构计算与边缘节点的强耦合关系，降低物理世界带来的结构复杂性，边缘节点层中的设备资源被抽象为计算、网络和存储3种资源，使用应用程序编程接口(applicationprogramminginterface,API)实现通用的能力调用，控制、分析与优化领域功能模块实现了上下层信息的传输和本地资源的规划。边缘管理器则使用模型化的描述语言帮助不同角色使用统一的语言定义业务，实现智能服务与下层结构交互的标准化。根据功能，边缘框架3.0提供了4种开发框架：实时计算系统、轻量计算系统、智能网关系统和智能分布式系统，覆盖了从终端节点到云计算中心链路的服务开发。边缘框架3.0架构图54边缘计算面临的挑战从边缘计算的定义及架构上可以看出，“边缘”是一个相对云计算中心的概念，这意味着边缘计算的网络覆盖面很广，需要多种资源的协同工作，并且需要与云计算架构实现良好的对接，因而面临着众多挑战。2016年，美国韦恩州立大学的施巍松教授团队提出，边缘计算面临着可编程性、命名、数据抽象、服务管理、隐私及安全和性能指标优化6种挑战，其中，在可编程性、命名、服务管理和隐私及安全问题上，学术界及工业界已经取得了阶段性的成果，本节将对这4种挑战和研究进展进行详细介绍。4.1 可编程性边缘节点组成的计算平台类似于异构平台，边缘节点的计算与存储能力、运行时间、操作系统和支持语言等资源都可能是不同的，这意味着开发者需要根据不同种类边缘设备的资源进行程序开发。边缘计算应该是一个动态、灵活的计算平台，能够根据当前的资源分布动态配置计算任务。显然，与硬件资源高度耦合的传统的开发模式并不适用于边缘计算的场景。为了解决边缘计算的可编程性，需要开发具有高层综合能力的编译工具，使开发者能够使用统一的语言编写程序，由编译平台根据计算任务分配情况自动编译适用于硬件的程序。TVM是一种针对机器学习的跨硬件平台编译器，边缘计算中的机器学习算法主要运行在移动图形处理器(g11hicsprocessingunit,GPU)和现场可编程门阵列(field-programmablegatearray,FPGA)两类嵌入式处理器中，然而它们使用的编程语言和操作系统架构通常是不同的，且程序部署时需要大量的手动工作。TVM能够实现面向GPU与FPGA的机器学习算法动态移植，已经在几家互联网主流企业内部开源和使用。4.2 命名域名系统(domainnamesystem,DNS)等命名机制已经在云计算模型中得到了很好的应用，能够满足当前的大多数网络。但是现有命名机制并不适用于边缘计算，以智能家居中玄关灯随门打开而自动开启为例，边缘计算程序根据玄关灯的唯一ID控制它的开关，如果这个设备被更换，玄关灯的ID将会改变，此时只有更改程序才能实现原有的功能。可见，原有命名机制灵活性较低，因而不能适应边缘计算中动态变化的网络拓扑，同时一些边缘节点的资源不足以支撑原有命名机制的开销。命名数据网络(nameddatanetwork-ing,NDN)使用内容名字代替地址，例如在玄关灯的场景中，NDN不再需要知道玄关灯的地址，只需要将内容名字统一为，控制玄关灯”，网络就可以自动找到控制玄关灯的节点，进行数据传输。尽管NDN能够适应动态的边缘网络，但它与上层使用地址进行内容分发的网络并不匹配，而且存在安全隐患。清华大学与亚利桑那大学的学者在参考文献中提出了一种使用双栈交换机搭建NDN、局域网混合网络的方法，并对双栈交换机的布局进行了优化，在保持基于IP地址的内容分发的同时.，提高了网络的弹性，能够适应边缘计算动态的网络拓扑。4.3 服务管理服务管理是边缘计算中的关键技术，2018年IEEE/ACMSEC收录的文章中有20%与这一话题有关。边缘计算中的服务管理应该满足4种特性：差异化，即各类服务应根据其属性分为不同的优先级；可扩展性，即边缘计算中的节点是动态变化的，服务管理应该能够具有灵活的扩展性；隔离性，即应避免服务之间的耦合，当某个应用程序崩溃时，系统应仍能够保持运行；可靠性，即数据传输、设备自身的可靠性对服务非常重要。除此之外，边缘计算场景中的服务管理还面临着云计算与边缘计算目标不一致的独特问题。参考文献提出了一种基于游戏理论的任务分配框架，利用动态反馈激励机制适应边缘计算的动态网络和解决边缘计算与云计算目标冲突的问题。边缘服务器的布局也对边缘计算的服务管理有非常重要的影响，参考文献提出了一种基于资源需求预测的跨区域资源优化模型，首先对计算任务进行拆分和预测，然后根据预测结果使用启发式优化算法求解服务器的布局策略。4.4 隐私及安全相比于云计算模型，边缘计算模型可以在网络边缘完成一部分数据处理工作，这避免了用户隐私信息在云计算中心或过长的传输链路上被滥用和被窃取的风险,但是边缘计算中多类别、多数量设备的接入也带来了新的隐私及安全问题。首先物联网汇集的数据中很有可能包含用户的隐私，例如在智能家居场景中，宠物监控摄像头包含房屋结构和室内陈设信息。其次，边缘网络的安全性往往是没有保证的，仍然以智能家居为例，有数据显示，有49%的家庭无线网络是不安全的，攻击者可以轻易地破解密码，并窃取信息。即便是部署了安全策略的网络，由于一部分终端设备资源有限而无法部署安全保护方案，仍然会造成网络的不安全。最后，网络边缘的高度动态性也会增加网络的脆弱性。随着用户对隐私与安全的要求越来越严苛，学术界对隐私与安全问题的关注度也越来越高，2017年IEEE/ACMSEC收录安全与隐私主题文章6篇，2018年则多达13篇，可见边缘计算中隐私与安全方向的研究正处于蓬勃发展期。弗吉尼亚大学学者在参考文献中使用了一种基于二分拓扑威胁模型和交互式对抗深度网络的分类算法实现隐私保护，提出了“隐私分区”的概念，将资源分为可信分区和不可信分区，并进行隔离。更有针对性地，加利福尼亚大学BrianDemsky教授的程序设计语言研究小组提出了一种应用于智能家居场景的隐私保护方法一一Vig-ilia,通过限制设备的网络访问增强系统的防御力，VigiIia能在保持很小的资源开销的同时，对网络实现有效的通信限制。5应用案例边缘计算的特点是能够实时、高效、节能地响应用户需求，相比于云计算模型，能够更好地保护用户隐私。边缘计算的应用场景与它的优势息息相关，本节将以预测性维护、智能摄像头为例，对边缘计算在制造业和安防监控领域的应用进行介绍。5.1 预测性维护可靠、高效的维护方案对于制造商来说至关重要，因为设备故障带来的被动停机可能对生产效率和安全造成极大的影响。预测性维护(PrediCtiVemaintenanCe)是工业4.0提出的关键创新点之一，它基于对系统连续的测量和分析，对设备运行状态进行预测和优化维护。当前绝大多数制造商使用预防性维护的方案提高生产线的稳定性，预防性维护通常是以时间为基准进行维护的，通过定期检修，降低一段时间内的设备故障或停机的概率。预防性维修能够降低生产线的总停机时间和设备衰退引起的故障数量，并且具有实施方便、可操作性强的优势。但由于检修时间是根据经验确定的，可能会出现维修不足或过剩的情况。随着物联网、大数据等技术的成熟，预测性维护通过分析设备的实时监测数据，预测设备可能出现的故障，并对故障的原因和解决方案提出建议，使维护更加智能。预测性维护的关键是提前排查故障隐患并解决，这能够降低维护总成本、故障率和总停机时间，提高了设备的可靠性。然而，由于终端数量多、种类繁杂，预测性维护的实际应用面临着处理海量终端的连接和管理、保证分析的实时性和保护工业数据隐私的问题。美国EfficientPlant杂志认为，边缘计算的出现对预测性维护方案的实现具有重要意义，边缘节点强大的感知能力和与设备的近距离能够满足预测性维护的实时性和隐私保护需求。施耐德电气有限公司的分析应用构架工程师MattBoUjOnnier指出，机器学习算法通常只能在云计算中心运行，但在物联网应用中，人们希望算法可以运行在任何有需要的地方。施耐德电气有限公司与微软AZUre公司共同开发的ReaIiftRodPUmP控制器已经在网络边缘实现了设备的运行状态实时分析和预测，目前已经在油田行业中进行试点应用。华为技术有限公司也指出，基于边缘计算的物联网（如EC-IOT、EdgeComputing-IoT）可以有效地构建预测性维护方案，并已经推出了设计和部署预测性维护解决方案的服务。华为技术有限公司使用智能网关提供智能服务，对维护对象的关键指标进行实时监测和分析，预测维护对象可能出现的故障，并进行信息上报。云计算中心则根据多个对象的综合信息进行全面的状态评估，并可以不断迭代和优化边缘节点运行的预测算法，实现动态部署。这种维护方案综合利用了边缘节点与云计算中心的优势，能够满足预测性维护对实时性和隐私保护的要求，同时保证故障预测的准确率。5.2 安防监控视觉是人类认识世界、获取信息的重要途径之一，我国公安机关部署的“天网”监控系统通过在公共区域部署的大量摄像头维持稳定、安全的社会秩序，许多家庭也主动使用家用摄像头、宠物监视器等保障房屋、家庭成员的安全。最初人们只能用人工的方式处理图像信息，然而这种方式往往具有很长的时延和波动的准确率。随着人工智能技术的不断发展，图像数据计算机已经具有非常强大的学习和处理能力，然而传统的云计算模型难以支持图像处理在部分场景的应用，以铁路轨道异物检测为例进行更详细的阐述。首先，由于铁轨铺设在室外且包含隧道、山地等网络质量无法保证的区域，使用云计算模型很可能出现图像丢失或质量损失严重的情况。其次，铁轨异物检测对实时性要求很高，必须及时发现危险并做出报警，云计算处理链路较长，加之没有网络带宽的保证，很可能无法保证检测和报警的实时性。同时，铁轨监控图像具有一定的保密性，一旦上传至云端就存在着被窃取和被篡改的风险，为不法分子所用。最后，我国铁路长度达12.1万千米，如果全部的监控图像数据均上传至云服务器进行分析，势必要求云服务器具有极其强大的处理和计算能力。显然，在实时性要求高、网络质量无法保证且涉及隐私的场景中，基于边缘计算的图像处理能够更好地提供服务。数字技术股份有限公司（以下简称）是以视频为核心的物联网解决方案提供商，在安防监控领域深耕多年。2017年10月，首次公开发布了AlCIoUd的云边协同体系架构，该架构由云计算中心、边缘域和边缘节3个部分组成，将Al推理能力赋能边缘，从而实现快速、高效的感知，云计算中心则聚焦于全局性的认知和分析。“深眸”双目行为分析摄像机是的代表性边缘智能产品，内置高性能GPU和人工智能算法，在离线状态下也能够对穿越警戒线、徘徊、奔跑、离岗等9项行为进行分析和检测，可以应用于银行金库、警卫室、医院等场景。学术界也对边缘计算在安防监控领域的应用持乐观态度，2016年密苏里大学学者在参考文献中提出了一种基于雾计算的城市交通超速监控系统，系统架构由监控应用层、雾计算层和云计算层构成，其中雾计算层包括摄像头、智能平板电脑和智能手机等设备，雾节点可以对可疑目标进行跟踪，并实时计算行驶速度，处理结果将被发送至云计算中心，这种模式可以大量减少网络流量，并提升系统的实时性。由于边缘智能设备的资源通常是有限的，而基于深度学习的人工智能算法往往需要大量的计算和存储资源才能够运行，因此算法的轻量化也是边缘计算应用于安防监控领域的研究热点之一。2016年DeepScale公司提出了一种轻量级的目标检测神经网络一一SqueezeNet,经过压缩后，网络体积低至0.5MB,然而这种算法无法满足检测的实时性。2018年宾汉姆顿大学学者在参考文献中使用了一种轻量级实时检测和跟踪算法，实现了公共区域的行人识别、跟踪和异常行为检测。其中使用的Kerman算法于2018年6月被提出，它使用一种基于决策树的混合滤波器构造了用于人体目标跟踪的轻量级卷积神经网络。6结束语随着物联网成为新一轮科技发展制高点，边缘计算因给物联网领域中的海量数据传输、实时服务响应等复杂挑战提供了新的解决方案,而受到了国内外政府、工业界和学术界的高度关注和认可。以边缘计算为主题的国内外组织和会议的不断涌现显示了边缘计算领域的蓬勃发展，它们推进了边缘计算在工业、无人驾驶、安防监控等各个领域的应用。本文首先介绍了边缘计算的背景、概念和通用架构，并对国内外边缘计算产业联盟提出的工业物联网云边协同参考框架一一EdgeXFoundry和边缘框架3.0进行了详细阐述。为了使边缘计算能够在参考框架的指导下成功应用于各行业场景中，本文对边缘计算当前面对的挑战进行了总结，包括可编程性、命名、服务管理和隐私及安全，学术界与工业界积极应对挑战，并分别从架构、网络、算法、硬件等角度提出了解决方案。最后，本文介绍了边缘计算在预测性维护和安防监控领域的应用与进展。边缘计算将云计算的计算、存储等能力扩展到了网络边缘，提供低时延、高可用和隐私保护的本地计算服务,解决了云计算时延高、受网络环境制约等问题。笔者相信，边缘计算将大力深化各行业中的物联网应用，成为推动智能制造、智慧城市等产业升级的关键技术。边缘计算在智慧交通和智能网联行业的应用分析智慧交通和智能网联是边缘计算应用的典型场景。在“云-边-端”系统架构中，边缘计算承载着云侧算力下沉及端侧计算任务卸载的使命。本文分析了边缘计算在智慧交通及智能网联应用中面临的挑战及发展趋势，研究了不同业务场景下边缘计算需要处理的主要内容，分析了边缘计算在“云-边-端”架构中的重要作用。1引言当前，新一轮科技革命和产业变革蓬勃发展，汽车、交通及信息通信等领域技术加速融合，基于云端集中管理与分析、边缘计算分析决策、端侧数据采集以及C-V2X泛在通信的“云-边.端”系统架构已成为智慧交通与智能网联的行业共识。边缘计算具有降低处理时延、减轻传输和存储压力及本地化服务的优势，在智赞交通与智能网联技术版图中扮演越来越重要的角色。根据国家“十四五”规划、新能源汽车产业发展规划（20212035年）国家综合立体交通网规划纲要关于加快推进新型城市基础设施建设的指导意见等政策指导，我国将重点推动智能网联汽车以及智能化道路的升级改造，加快新型基础设施建设。面向智慧交通与智能网联的新型基础设施建设重点推进构建智能网联汽车计算平台及路侧感知系统，其中边缘计算设施是核心组成部分，基于边缘计算、人工智能等技术实时采集各类感知数据进行智能分析和融合处理，能够有效解决传统基础设施存在的感知数据单一、数据类型异构、置信度及融合度较低等问题，有望实现全天候、全时空的信息感知，从而支撑辅助驾驶、自动驾驶以及交通管控、城市管理等应用场景，具有巨大的市场需求。2边缘计算在智慧交通和智能网联应用面临的挑战和趋势2.1 大算力要求智慧交通系统为实现智能交通管理、自动驾驶和车路协同等重要应用，需要大量数据的支撑与协助，尤其在交通高峰时期，采集、处理及分析大量的实时数据将产生庞大的数据传输量。庞大数据信息量需要边缘侧有更大算力进行分析计算处理。一方面，道路交通环境感知需要接入大量的摄像机、激光雷达、毫米波雷达、气象传感器等感知设备甚至其他车辆数据在边缘侧进行融合分析，并且车路协同等业务需达到亳秒级的处理速率。传感器数量和类型的增加、分辨率的提升以及低时延处理要求对边缘计算提出了大量异构数据高速处理的要求，算法模型的复杂程度亦大幅提升，算力也亟需提升。以单路口为例，支持交通监控及交通执法业务感知需求的智能道路路侧算力需要1050TOPS,支持信息共享及辅助预警等车路协同基础业务感知需求的算力需要5(MOOToPS,支持协同感知与协同决策控制等高等级自动驾驶业务感知需求则需要100300TOPS0另一方面,自动驾驶等级每增加一级，所需算力就会呈现数十倍的上升。如支持1.2级自动驾驶的算力仅需要2-2.5TOPS,但是支持1.3级自动驾驶的算力需求就达到20-30TOPS,支持1.4级自动驾驶的算力需要200TOPS以上，支持1.5级别自动驾驶算力需求则超过2000TPSo从芯片平台角度来看，大算力芯片需要满足以下三个特点，其一是具备高算力，同时要有优秀的能耗比；其二是要有灵活性和扩展性，不仅需要覆盖多种车型和路端，也需要可定制、模块化的平台来满足不同车端和路端场景下的开发需求，同时降低开发成本；其三是在软件层面能够提供配套的工具库。在2021年发布的地平线征程5成为国内首款实现前装量产的128TOPS大算力AI芯片。而在2022年9月，英伟达推出的芯片NVIDlADriVeThor,这款超级芯片可实现最高2000ToPSAl算力以及2000TF1.OPS浮点算力，不断刷新单芯片算力上限，给自动驾驶厂家研发更丰富的应用场景提供更多可能性。2.2 异构计算要求在智慧交通与智能网联应用中，边缘侧需要处理多种不同属性的计算任务，例如多传感器融合、图像及点云特征提取、目标检测与分类识别、目标跟踪、车道级感知定位和路径规划等。以全息路口摄像机视觉图像处理为例，它分为图像获取、特征抽取、特征处理、模式识别和动作反馈等步骤。传统的CPU更倾向于通用计算和复杂动作反馈决策，而对大量图像数据的高速并行实时处理，比如像素处理和梯度检测等需要GPU等专用内核来高速计算。依托异构计算技术能够整合不同架构的内核到单一芯片中，从而适配复杂计算要求。异构计算是多元算力的典型。主要是指不同类型的指令集和体系架构的计算单元组成的系统的计算方式。跨越CPU、GPU、FPGAASIC的异构计算，如今已经成为云计算和边缘计算基础设施建设的重要力量，表1为不同计算单元的特点。异构计算能够将不同架构的运算单元整合到一起进行并行计算，通过上层软件解耦方式来屏蔽硬件多样性，针对不同计算任务选择最适合的专用硬件去做最适合的事，如密集计算或外设管理等，充分发挥不同硬件平台的优势，从而提升计算平台的性能和能耗比，降低计算时延，达到性能和成本的最优化。使用异构计算能够化解算力瓶颈，挖掘和实现算力增长。表1不同计算单元特点计算元类型主特点遗含负任务类R开叁低,收件生态好,WCPU-X86力强尢原育.阐R大，恪高定位，路径规k摄计自主化履度离，体枳小舄决策控任务CPUARMfK9,功此低，的合做产品产算力旬&札目标识别、深度学习任务叠大的计算图形的催力.Iftk浮点岖IIiO并行计H功疑高，体枳尢FPGA处理速度快，慢计灵活性K对开釐能力有一定要以多传惠器合、目标眼却KXftM.卷枳神经网络ASlCtflK9.信息处理和机部学习任务经过特定段计具有更高处SI速度知更低能耗.定制化，产2.3 国产化要求全球智能网联产业正处于从示范逐步走向规模化应用的快速发展期，发展自主可控、领先全球的核心技术是我国实现汽车变革及交通强国目标的战略机遇。2022年国家发布的“十四五”规划提出，要大力发展智慧交通，推动自动驾驶行业稳妥发展，明确将“自主可控”列为国家制造强国战略的必要要求，加快补齐基础软件等瓶颈短板。边缘计算产品在智慧交通和智能网联领域中提供端侧感知、边缘服务、算力供给、协同联动等能力，其重要性不言而喻。但是，边缘计算产品国产化水平低，关键设备、核心元件仍严重依赖进口，影响信息和数据安全，需要推动自主研发，实现边缘计算产品的国产化。边缘计算产品国产化不仅仅是边缘计算硬件国产化，而且需从底层芯片、架构、操作系统到算法全面推进国产化。包括CPU、GPU、内存和运存等硬件核心器件的国产化，同时还包括操作系统国产化、中间件国产化、数据库国产化、深度学习框架国产化等，确保关键核心技术自主可控。打造自主可控的国产化边缘计算产品，这是历史的必然也是时代的使命。3智慧交通与智能网联边缘计算设备主要处理内容分析3.1 交通管理场景应用分析一直以来，基于边缘计算的路侧计算单元或智能感知终端被广泛应用于交通管控、安防保障、智能研判、违法取证等交通管理场景中。全息路口是交通管理智凝化改造典型场景之一，通过智能边缘计算单元将路口多方向的视频、雷达等多维感知数据统一接入、解析、拟合，融合智能传感器、AI算法、边缘计算、高精度地图等技术生成“全面、准确、实时、精细”的交通数据，实现路口的全息感知。通过采集及分析道路交通数据，如车流量、平均速度、排队状态、车头时距、间距、区域停车数、平均延误、空间及时间占有率等数据，解决传统路口单视觉感知、信号灯固时和事后分析等痛点问题，能够为道路交通信号自适应控制、溢出控制、路口仿真等提供精确数据支撑和可视化体验，辅助交警提高管理效能,提升路口通行效率；通过对目标及事件的检测识别、人脸特征识别、车辆号牌识别等，智能判断各种违法行为及突发事件，比如闯红灯、逆行、压线、违章停车、交通事故等，并自动记录事件行为的完整过程，为事件监测、全程监测、交通执法等多场景提供数据支持。此外，在城市视频监控系统的应用上，可以构建融合边缘计算模型和视频监控技术的新型视频监控应用的软硬件服务平台，以提高视频监控系统前端摄像机的智能处理能力，进而提升城市交通管理水平。3.2 高速公路场景应用分析高速公路场景下的边缘计算广泛应用于交通事件、隐患分析、道路养护、机电设备联控、数字李生展现、车辆信息监测与诊断、车载信息增强等业务。通过感知设备实时采集高速公路范围内的路面病害、缺陷及道路设施设备视频图像信息，由Al边缘计算单元自动识别道路病害及设施设备完好情况，生成巡检结果,从而提升巡检效率及安全性，降低运维成本。通过采集道路交通参与者的类型、位置、速度和运行轨迹、车牌信息、交通拥堵情况等要素，利用边缘计算以减少数据在网络中的传输时间，实现对交通状态的精准感知，为车辆安全行驶、交通疏导、交通事件处置等提供数据支撑。3.3 智能网联场景应用分析智能网联场景中，由于驾驶环境的复杂性和动态性，无论智能网联汽车还是路侧感知系统均需通过边缘计算融合多种传感器以实现准确、可靠的环境感知以及毫秒级的处理决策时延。智能网联数据不仅包括通过视频图像、雷达等检测的交通参与主体（人、机动车、非机动车）的状态、速度、方向、位置等信息，以及车辆自身数据如时速、油门、刹车开度、方向灯等信息，还包括交通信号灯、交通管控、环境天气等信息。利用边缘端的Al推理分析能力，运用轨迹跟踪、行为分析、事件触发、违规检测等技术，结合多种智能分析算法的应用，如多传感器时空联合标定算法、视觉目标检测算法、视觉目标追踪算法、车辆特征识别算法、视觉定位算法、雷达目标检测算法、雷达目标追踪算法、异构传感器目标关联算法、目标轨迹融合算法、目标轨迹跟踪算法等。融合了多源异构传感器大量的数据，输出目标结构化数据，实现车-路-云之间低流量高效的信息交互，为交通出行者提供可靠的全天候全方位的交通要素信息，满足赋能自动驾驶以及智慧交通管理的诉求。4边缘计算在智慧交通和智能网联“云-边-端”架构中的作用分析云-边-端架构已经成为智慧交通和智能网联行业应用部署的基本范式。云侧负责集中式管理以及部分数据处理，边侧主要提供边缘端数据