国产欧美日韩精品a在线观看-国产欧美日韩精品一区二区三区-国产欧美日韩精品综合-国产欧美中文字幕-一区二区三区精品国产-一区二区三区精品国产欧美

當前全球數字化浪潮蓬勃興起，邊緣計算通過就近提供計算、網絡、智能等關鍵能力，加速賦能經濟轉型升級，已逐步成為計算體系的新方向、信息領域的新業態、產業轉型的新平臺，整體上處于高速發展階段，正從概念普及加速走向務實部署，受到了學術界和產業界的廣泛關注。Gartner、IEEE等權威機構將邊緣計算作為2020年十大技術方向，中國科學院和中國工程院在《2020研究前沿》、《全球工程前沿2020》中，將邊緣計算列入信息領域十大技術前沿。據Research and Market預測，邊緣計算市場規模2018~2022年復合增長率超30%；據CB Insights預測，2023年全球邊緣計算市場有望達到340億美元[1]。本文從學術界及產業界兩個維度深入剖析邊緣計算概念內涵、學術方向、產業路徑，綜述邊緣計算在核心環節發展面臨的挑戰和問題，研判邊緣計算未來發展態勢與方向。

1 邊緣計算概念與外延

1.1 邊緣計算發展驅動力

邊緣計算起源最早可以追溯至1998年Akamai提出的內容分發網絡CDN[2]，通過分布式部署的緩存服務器，將用戶訪問指向最新服務器，提升服務響應速度。而在萬物互聯帶來的邊緣數據爆發式增長以及新的應用需求驅動下，產業界和學術界更加關注在靠近數據源頭的邊緣實現計算、智能等多元能力，同時各類ICT技術不斷成熟也為邊緣計算應用奠定基礎。

1.1.1 應用需求驅動力

Machina Research報告顯示，隨著工業互聯網、車聯網、AR/VR等垂直領域的蓬勃發展，2025年全球網聯設備總數將超過270億，聯網設備的指數級增長導致網絡傳輸能力及中心云處理能力捉襟見肘。根據思科云指數預測[3]，截至2021年，接入網絡的終端每年產生數據達847 ZB，數據呈分散性、碎片化，超過50%的數據需要在網絡邊緣側分析、處理與存儲。云計算雖然有強大的數據處理能力，但是在面對海量的數據以及網絡帶寬帶來的阻礙時，并不能實現全面的計算覆蓋，需要對數據就近處理分析以滿足實時性要求。

1.1.2 技術創新驅動力

近年來，各類分布式計算模式不斷涌現，Gartner 發布的2021年度技術趨勢將分布式計算列入其中[4]，核心理念是計算資源能夠更靠近發生數據和業務活動的物理位置，計算技術的升級推動邊緣計算產生，與量子計算、超級計算等先進計算技術協同聯動，實現邊緣側資源快速部署、彈性擴展以及實時響應，滿足多樣性應用需求。此外，新型網絡架構將采用服務化設計，要求資源可按需調用，為不同垂直行業提供快速響應和靈活部署，在5G等新型網絡架構中就明確將邊緣計算定義為重要組成部分。邊緣計算與網絡技術不斷融合，促進網絡能力開放，推動網絡智能化、協同化演進，實現計算與網絡等多維度資源協同調度優化。

總體來說，邊緣計算作為網絡技術及計算技術的交匯創新點，帶來了計算資源和網絡資源的開放性、可調動性、可分配性等預期優勢，將技術理念由剛性、粗放逐漸轉變為彈性、精細。

1.2 邊緣計算概念與內涵

邊緣計算發展受到了各方廣泛關注，國際標準組織、學術界、產業界均給出了邊緣計算的定義，其概念還在不斷演進與優化。

1.2.1 標準組織定義

2014年，歐洲電信標準化協會ETSI提出移動邊緣計算（Mobile Edge Computing）概念[5]：一種在移動網絡邊緣提供IT服務環境和計算能力的新型架構。隨著研究的持續推進，邊緣計算應用范疇已經不局限于移動網絡場景，ETSI將“Mobile”改為“Multi-access”[6]， 旨在拓展邊緣計算的接入方式，表明邊緣計算與特定網絡接入方式無關，可以適用于固定互聯網、移動通信網、消費物聯網、工業互聯網等不同場景，已逐步成為跨場景、跨領域的基礎共性技術。ISO/IEC  JTC1/SC38對邊緣計算的定義[7]：邊緣計算是將主要處理和數據存 儲放在網絡的邊緣節點的分布式計算架構。

1.2.2 學術界定義

2009年，卡內基梅隆大學Satyanarayanan教授提出了微云（Cloudlet）概念[8]：通過將計算集群和移動設備本地化部署在同一個局域網中，不經過核心網就可以直接提供計算服務，這開辟了學術界邊緣計算研究的先河。2016年，韋恩州立大學施巍松教授給出了邊緣計算定義[9]：在網絡邊緣執行計算的一種新型計算模式，包含 下行的云服務和上行的萬物互聯服務，邊緣定義為數據源和云數據中心之間的任一計算和網絡資源節點。

1.2.3 產業界定義

2016年，邊緣計算產業聯盟（ECC）提出邊緣計算定義[10]：邊緣計算是在靠近物或數據源頭的網絡邊緣側，融合網絡、計算、存儲、應用核心能力的分布式開放平臺，就近提供邊緣智能服務，滿足行業數字化在敏捷聯接、數據優化、應用智能、安全與隱私保護等方面的關鍵需求。

1.2.4 邊緣計算概念辨析

綜上所述，雖然各方對于邊緣計算定義有所差異， 但是核心理念都是將計算服務“下沉”，減少服務交付時延和帶寬需求。學術界和標準組織從技術研究角度出發認為邊緣計算是一種新的計算模式和一種新的技術架構，通過應用網絡切片[11]、容器[12]、計算遷移[13]、邊緣智能[14]等新技術，實現計算與網絡的協同演進。產業界從應用需求角度出發將邊緣計算定義為一種新產業平臺和一種新的生態體系，匯聚多維資源協同調度，就近響應需求，提高資源利用率，降低應用執行時延。因此， 綜合各方定義，邊緣計算不僅是新計算模式、新技術架構、新產業平臺、新生態體系，也是“四維一體”，通過在網絡邊緣側匯聚網絡、計算、存儲、應用、智能等五類資源及能力，提高服務性能（提速）、開放控制能力（敏捷），提升用戶體驗，從而激發類似于移動互聯網生態的新模式和新應用。

2 邊緣計算發展環境

近年來，邊緣計算作為產業數字化轉型的核心技術，已經成為全球各國的發展共識，從政策引導、標準研制、應用示范等多個維度進行統籌部署和協同推進， 國際競爭日趨激烈。

發達國家主要從三方面積極營造邊緣計算發展環境。一是強化技術標準引領，美國國家科學基金會和美國國家標準局，將邊緣計算列入項目申請指南，持續推進其關鍵技術研究[7]，ITU-T SG20、IEC/ISO JTC1 SC41、IEEE均成立了邊緣計算研究小組，以推動邊緣計算標準化工作[15]。二是加大產業投資力度，歐盟Networld 2020將邊緣計算作為重要研究部分列入其中，預計到2026年底，歐盟在邊緣計算領域的投資支出將達到1850億美元[16]。三是加強應用示范引導，日本推動成立EdgeCross協會推動邊緣計算在垂直行業落地，韓國目前已經在8個主要城市部署邊緣計算節點， 在VR/AR、車聯網、無人機與安防監控等場景的應用進行試點，日韓主要通過打造應用示范引導企業應用部署邊緣計算。

我國高度重視邊緣計算發展，主要聚焦三個維度， 一是強化技術供給，工信部發布《關于推動工業互聯網加快發展的通知》、《工業互聯網網絡建設及推廣指南》、《國家車聯網產業標準體系建設指南》等文件， 推動建立統一、綜合、開放的工業互聯網邊緣計算標準體系，鼓勵相關單位在邊緣計算領域進行技術攻關，加速產品研發與產業化。目前，我國邊緣計算標準體系初步建立，中國通信標準化協會（CCSA）已經針對邊緣計算開展了體系化的標準研究工作，形成在研標準近30 項。二是加強融合應用，國務院、工信部及各地方政府均出臺相關政策，大力促進邊緣計算等新興前沿技術在工業互聯網、車聯網等垂直領域中的應用研究與探索， 形成一批可復制的應用模式，進行全國推廣。目前，邊緣計算在工業、農業、交通、物流等領域的試點部署日益廣泛并已取得明顯效益。三是打造產業生態，工業互聯網產業聯盟、邊緣計算產業聯盟、中國通信學會邊緣計算委員會等平臺的產業匯聚和支撐作用顯著發揮。2020年，中國信息通信研究院聯合產業各方成立邊緣計算創新實驗室，旨在打造產學研用相結合的技術產業開放平臺以及推動邊緣計算發展的創新載體。同時，針對邊緣計算發展存在產業碎片化以及供給側研發方向不明確等問題，工業互聯網產業聯盟啟動我國首個邊緣計算產業促進項目“邊緣計算標準件計劃”，加速邊緣計算產品形態整合歸類及功能規范化。

目前，各國邊緣計算發展態勢較為均衡，全球邊緣計算仍處于發展初期。美、日發達國家和跨國巨頭依托其云計算技術的既有優勢積極布局邊緣計算發展，試圖引導全球產業鏈各方在技術、標準、應用模式；我國加強研究布局、積極構筑邊緣計算自主技術產業生態，避免形成新的路徑依賴。

3 邊緣計算學術研究熱點與方向

目前，學術界對邊緣計算研究主要聚焦兩大類關鍵技術方向，如表1所示，一是與邊緣計算直接相關的邊緣原生類技術，目前以計算遷移、邊緣智能為代表；二是邊緣計算與各類ICT前沿技術交叉的邊緣融合類技術， 目前的研究熱點包括邊緣計算+區塊鏈、算網融合等。

表1 邊緣計算熱點技術領域總結

3.1邊緣原生類技術—— 計算遷移

計算遷移技術有效解決了邊緣計算單一節點資源受限而無法滿足應用需求的問題，同時有效降低網絡帶寬壓力及應用完成時延。目前對計算遷移的研究，主要分為兩類：計算遷移決策機制設計、計算遷移資源優化調度機制。

3.1.1 計算遷移決策機制

計算遷移決策機制主要決定是否要進行遷移以及遷移哪些任務等問題，而遷移決策的目標主要分為三方面。一是以降低時延為目標的計算遷移決策機制研究，在計算遷移過程中，數據傳輸時間、執行時間等帶來的時延是影響邊緣計算服務質量的重要因素，時延最小化是計算遷移的重要研究方向。文獻[18]利用一維搜索算法對計算應用的緩存隊列狀態、用戶和服務器中計算資源的可用情況以及網絡節點間的信道特征進行了綜合考慮。在該遷移機制中，用戶在每個時隙周期性地對應用隊列中的每個任務做出進行本地處理或完整遷移的決策，并在不考慮能耗的前提下最小化遷移機制所產生的計算遷移應用執行時延。二是以降低能耗為目標的計算遷移機制研究，由于邊緣側存在大量電池容量受限的物聯網設備，在計算遷移過程中降低能耗也是一個重要研究方向。文獻[19]提出利用馬爾科夫決策過程（Markov Decision Process, MDP）對每個任務的執行狀態進行建模，從而決定是否進行計算遷移，同時考慮遷移失敗概率、計算資源可用性等因素的影響，目的是最小化用戶能耗以及提高計算效率，并通過求解線性優化問題來獲得最優的遷移機制。三是面向多目標優化的計算遷移機制研究，在執行一些復雜應用過程中，能耗和時延均會影響邊緣計算服務質量，因此越來越多的研究開始綜合考慮能耗和時延的多目標優化。文獻[20]基于受限馬爾科夫決策過程（Constrained Markov Decision Process，CMDP）對計算遷移機制中的時延和能耗問題進行了數學化的模型描述。在該模型的基礎上，首先設計了一套基于在線學習（Online Learning）的計算遷移策略，使計算服務節點能夠針對任務請求節點當前所運行的應用類型動態地做出遷移策略的精細化調整。

3.1.2 計算遷移資源優化調度

完成遷移決策后，計算遷移需要考慮資源分配問題，其中，面向多邊緣計算節點的資源優化調度研究已經成為主要研究方向。文獻[21]基于多節點間鏈路持續時間預測，提出一種啟發式的多節點協作計算遷移資源優化調度方法，有效提升資源利用效率。文獻[22]提出面向多節點的計算遷移優化框架，利用半定松弛（Semi-definite Relaxation）方法實現節點間復雜均衡，最大限度降低時延及能耗。

3.2 邊緣原生類技術——邊緣智能

邊緣智能有效促進本地化洞察和智能實時響應，滿足了差異化業務需求。目前主要研究聚焦在兩個方向： 模型壓縮、協同推理。

3.2.1 模型壓縮

考慮到邊緣計算資源受限、能耗等問題，如何在邊緣高效部署深度學習模型是一個非常值得研究的問題。為了減少模型運行時對資源的消耗，并使模型能運行到更輕量級的邊緣計算設備上，一般可以對模型進行蒸餾、剪枝、量化等壓縮操作。文獻[23]提出一種基于權重的剪枝方法，在不影響準確度的前提下裁剪訓練模型，再通過訓練量化和Huffman編碼來增強剪枝恢復模型訓練精度，最終將原始模型變為輕量級模型。文獻[24]提出在多層神經網絡中去除值為零且不影響模型準確度的神經元，減少模型訓練對計算及存儲資源的需求，可以在邊緣計算設備上完成模型訓練過程。

3.2.2 協同推理

協同推理利用推理性能較強的云作為推理后端來提升推理效果。對于推理來說，直接在邊側推理可以有更小的時延和更大的吞吐，而直接在云側推理可以帶來更好的推理精度。如何在邊側推理資源有限的情況下，使時延和吞吐不明顯降低，提高推理精度已成為重要研究方向。文獻[26]提出一種模型切割方法，將深度卷積神經 網絡按層分割，通過多級協同的方式完成推理，可以在網絡邊緣端高效支撐深度學習推理任務。此外還可以采用卷積層的可伸縮融合切片分區（FTP），以最大程度減少內存占用量，同時提高并行性。

3.3 邊緣融合類技術——算網融合

傳統網絡和計算分離模式難以滿足工業互聯網、車聯網、云游戲等新興應用需求，未來以邊緣計算為基礎的算網融合一體化發展已成為必然，形成了算網融合重要方向，聚焦算力網絡、網絡編排等代表性技術，學術界和產業界進行了大量的探索和創新。

3.3.1 算力網絡

算力網絡通過網絡連接并匯聚計算資源，針對不同應用需求統一管理和調度算力資源。文獻[27]在研究邊緣 計算算力分配和調度需求的基礎上，提出了云、網邊融合的算力網絡方案，實現異構資源在各級節點的靈活調度，滿足未來業務需求。文獻[28]研究了算力網絡分層架 構，并結合算力網絡控制技術，提出了分布式控制及集中式控制兩種實現方式。文獻[29]提出一種輕量化、多集群的分級邊緣資源調度方案，基于輕量級的云原生平臺，實現了面向算力網絡的前端海量邊緣設備的統一納管，并且能夠在多種架構的嵌入式平臺進行部署。

3.3.2 網絡編排

軟件定義網絡技術為網絡控制模式變革帶來了新的契機，而面向算網融合新趨勢，網絡的端到端控制與編排能力將進一步強化。文獻[30]提出了基于機器學習的軟 件定義智能網絡應用，隨著人工智能技術的不斷突破， 網絡編排正由“自動化”向“智能化”轉變，為實現算網融合奠定基礎。文獻[31]通過將業務需求解析為計算需 求和緩存需求，提出一種支持動態編排網絡，緩存和計算資源的融合架構，滿足不同應用需求。文獻[32]總結了 網絡編排、網絡虛擬化等技術現狀，通過業務編排、網絡資源編排以及網絡虛擬化相互依賴，形成一套閉環的網絡編排系統，實現自動化、定制化業務部署。

3.4 邊緣融合類技術——邊緣計算+區塊鏈

分布式特征的邊緣計算與去中心化特征的區塊鏈具有天然的融合基礎，將區塊鏈的節點部署在邊緣能力節點設備中，一方面通過邊緣計算為區塊鏈大量分散的網絡服務提供計算資源和存儲能力，另一方面區塊鏈技術為邊緣計算服務提供可信和安全的環境[33]，因此邊緣計算+區塊鏈融合技術已成為熱點領域，其中，基于區塊鏈的邊緣數據安全、邊緣身份認證等技術成為研究熱點。

3.4.1 基于區塊鏈的邊緣數據安全

在邊緣計算應用過程中，數據安全性是必須要考慮的因素。文獻[34]提出一種基于區塊鏈分布式任務分配和調度安全策略，消除攻擊者使用分布式拒絕服務攻擊增加中心服務器的計算負擔的可能性，保持數據傳輸的正確性。文獻[35]提出一種基于區塊鏈的數據管理方案，在保證邊緣計算節點數據傳輸效率的同時利用智能合約技術避免第三方參與，保護數據安全。

3.4.2 基于區塊鏈的邊緣身份認證

身份辨識可信、身份管理可信、設備訪問控制可信是邊緣計算節點協作的基礎，如何利用區塊鏈技術建立邊緣計算可信機制已成為學術界的重點研究對象。文獻[36]融合了射頻識別RFID技術和區塊鏈技術，提出了一種基于區塊鏈的輕量級邊緣計算安全認證機制，能夠在確保工業數據的安全可靠訪問的同時保障智能工廠中各類邊緣計算應用的安全運行。文獻[37]通過使用區塊鏈和邊緣計算建立高效可信架構，實現對應用數據的訪問控制。在該架構內，基于區塊鏈的控制器將運行身份認證及管理策略，記錄訪問事件的防篡改日志。

4 邊緣計算產業發展路徑與趨勢

按照邊緣計算產業推動主體的不同，目前形成了三大發展路徑：一是電信運營商主導的5G  MEC發展路徑；二是IT企業主導的云原生邊緣計算發展路徑；三是以設備廠商和工業企業主導的垂直行業邊緣計算發展路徑。三種發展路徑對比如表2所示。 

表2 邊緣計算三種發展路徑對比

4.1　路徑1——5G MEC發展路徑 

伴隨著5G商用進程不斷加速，作為5G架構中的關鍵部分，MEC受到了廣泛關注，主要由電信運營商主導推動。5G MEC實現對大流量數據進行本地分流，提升網絡性能和用戶體驗。

4.1.1 5G MEC標準進展

目前5G MEC是三種發展路線中標準化進程速度最快的路線。ETSI在2014年啟動了MEC標準項目。2017年底， ETSI MEC完成了Phase I階段基于傳統4G網絡架構部署，定義邊緣計算系統應用場景、參考架構等。2019 年完成了PhaseII階段，將MEC由原來的移動邊緣計算（Mobile Edge Computing）改為了多接入邊緣計算（Multi-access Edge Computing），聚焦5G、Wi-Fi、固網等新業務及需求[38]。 2017年起，3GPP在R14開始對MEC相關接口及架構進行標準化工作，3GPP在后續標準版本中將繼續對5G MEC進行研究，R15、R16、R17對5GC/5G NR/5GS的增強及核心網和NR的要求進行了定義，包括RAN的能力開放、5G增強的移動寬帶媒體分發機制、5GC網管增強支持MEC、為典型MEC場景提供部署指南等[39]。

2017年起CCSA在下設的無線通信技術工作委員會TC5開展MEC標準化工作，目前已立項標準近10項， 主要對MEC平臺技術要求、能力開放、安全技術要求等方面進行標準化探索。

4.1.2 5G MEC產業進展

電信運營商加快推動邊緣計算與網絡融合，從管道連接商向業務提供商轉變角色。GSMA聯合全球22家 運營商發起了Operator Platform項目，推動全球運營 商合作構建電信邊緣云平臺[40]。AT＆T建立邊緣計算測 試區，測試增強移動沉浸式媒體體驗的方法，無人駕駛 等邊緣計算應用。Vodafone聚焦車聯網、工業互聯網 等重點領域，開展邊緣計算基礎設施試驗部署和應用試 點。中國移動啟動點亮邊緣計算“100+”節點行動， 推進邊緣計算實踐，已部署150余個邊緣計算節點。中 國聯通推出CUC-MEC邊緣計算平臺并設計EdgePOD 一體化邊緣解決方案，同時在2020年發布首張MEC規 模商用網絡。中國電信推出基于5G SA試商用網絡打造 MEC開放實驗環境，在各行業開展5G+MEC應用合作 創新，已在100多個省市相繼落地。 

4.1.3　5G MEC發展面臨瓶頸與未來趨勢

5G MEC目前已經在多個行業開始試點應用，但整 體發展還處于初期階段，存在一些問題和挑戰：（1） 基礎設施建設模式有待探索，目前MEC節點建設主要 由電信運營商獨立承擔，實際收益尚無法支撐建設成 本，未來將難以應對MEC規模部署建設運營的投入； （2）應用生態尚需培育，目前各方均在垂直行業探索 應用模式，相關產品及服務以多樣化和定制化居多，應用生態仍未建立。運營商正在積極推動MEC產品走向松耦合，如中 國移動發起OpenUPF計劃，推動N4接口解耦，旨在降低建設成本。同時，MEC平臺數據接口、應用程序接 口將趨于標準化，中國聯通與西班牙電信、韓國KT成功驗證MEC服務的全球漫游和不同邊緣平臺的聯合服 務，有效推動MEC平臺互聯互通。

4.2　路徑2——云原生邊緣計算發展路徑 

邊緣計算作為云計算的延伸和補充已經在云計算 領域形成共識，因此，IT企業希望借助云原生邊緣計算 延伸云計算能力，保護原有領域的核心競爭優勢，形成 云、邊、網、端一體化協同。 

4.2.1　云原生邊緣計算標準進展 目前云原生邊緣計算標準化工作主要由CCSA主 導，CCSA在下設的互聯網與應用工作委員會TC5針對 互聯網邊緣云平臺架構、邊云協同技術要求、邊緣云服 務信任能力要求進行標準化探索，已立項標準近10項。 

4.2.2　云原生邊緣計算產業進展 依托已有云計算技術優勢，云計算巨頭積極布局 并推出邊緣計算相關產品，推動云原生技術不斷下沉。亞馬遜發布AWS Greengrass邊緣計算平臺，并同時與Verizon、Vodafone等國際運營商合作推出基于5G的AWS Wavelength邊緣計算服務。谷歌發起全球移動邊緣云GMEC戰略，構建統一的邊緣云平臺，可供各大電信業者開發各種以網絡為中心的應用，協助電信產業進行數字化轉型。微軟推出了開源Azure IoT edge 的邊云協同邊緣計算框架，全面布局邊緣計算生態。阿里云啟動邊緣計算云原生開源項目OpenYurt，深度挖掘“邊緣計算+云原生落地實施”訴求，打造云、網、邊、端一體化的協同計算體系。百度發布DuEdge 開源平臺，并建立智能邊緣計算框架BAETYL，提供邊緣智能能力。騰訊推出邊緣接入和加速平臺（TSEC）、邊緣計算機器（ECM）、邊緣計算平臺（IECP）等邊緣計算棧產品體系。

4.2.3 云原生邊緣計算發展面臨瓶頸與未來趨勢

云原生邊緣計算本質上是將傳統云計算技術輕量化后，結合邊緣原生新技術在邊緣側實現計算、存儲、網絡等資源的快速響應及可伸縮性。云原生邊緣計算在實際部署中主要存在以下挑戰：（1）邊緣計算作為新興技術概念，目前生態尚未完全成熟，業界對于云原生邊緣計算及MEC概念理解存在混淆，存在代表不同利益群體并互相博弈的生態，運營商MEC平臺和IT企業邊緣云平臺的業務關系仍不明確；（2）邊云協同是IT廠商推動中心云走向邊緣側的關鍵架構，但在實現過程中仍存在缺少統一的應用管理北向接口、應用及服務下發困難、跨邊云應用分發機制缺乏等問題。

目前IT廠商正在積極推動邊云協同實踐，從資源、數據、應用等多個維度推動云計算服務和云原生能力適配并對邊緣業務進行賦能實現端、邊、云之間緊密結合及協作，加速云原生邊緣計算的數字化轉型解決方案的構建。

4.3 路徑3——垂直行業邊緣計算發展路徑

邊緣計算作為跨場景、跨領域的基礎共性技術及產業數字化轉型的關鍵使能技術，受到了垂直行業企業及設備廠商的關注，以工業互聯網為例，邊緣計算低時延、海量連接、就近計算等特性可以有效滿足工業應用需求。此外設備廠商也希望借助垂直行業邊緣計算進一步實現業務升級，拓展業務范圍。

4.3.1 垂直行業邊緣計算標準進展

目前，CCSA下設工業互聯網特設組ST8已經針對邊緣計算開展了體系化的標準研究工作，在研標準近20項，基本覆蓋工業互聯網邊緣計算的參考架構、核心設備、關鍵技術、測試規范等關鍵標準研制。其中，《工業互聯網邊緣計算總體架構與要求》標準提出了邊緣云、邊緣網關、邊緣控制器的層級化部署架構，為工業企業應用邊緣計算提供重要參考。面向工業互聯網場景差異化大的特點，工業互聯網邊緣計算節點模型要求及測試方法系列標準對邊緣計算基礎設施各項功能提出技術要求及測試規范，實現邊緣計算針對不同應用場景的靈活功能組合，為設備廠商研發方向提供指導，幫助工業企業進行產品采購選型提供參考。同時，針對邊緣計算與機器視覺、人工智能、時間敏感網絡等技術不斷融合發展趨勢，多項技術融合標準也不斷立項研究，加速推動邊緣計算在不同領域的應用部署。

4.3.2 垂直行業邊緣計算產業進展

設備廠商從單純提供硬件產品向“設備+邊緣計算平臺”供給轉變。英特爾推出邊緣計算系列處理器與加速卡等多樣化硬件產品，滿足不同行業用戶的實時性功能需求及安全需求。華為推出Altas 500邊緣計算服務器，助力AI從中心側向邊緣側與端側延伸，支持云邊協同的訓練和推理應用場景。新華三推出邊緣計算網關及邊緣云一體機等設備，結合UIS-EDGE邊緣計算平臺提 供邊緣實時分析、多協議轉換、邊緣智能等能力。

邊緣計算應用場景日益廣泛，逐漸出現清晰細分的、個性化定制的多行業重點應用。我國邊緣計算發展勢頭迅猛，通過兩化深度融合、智能制造、工業互聯網創新發展工程等專項行動的持續推動，邊緣計算與行業融合創新日益廣泛，三一重工、格力、海爾、商飛等一批工業企業已開始利用邊緣計算模式改變傳統的制造方式，企業、行業、區域綜合集成應用實踐不斷涌現[17]。

4.3.3 垂直行業邊緣計算發展面臨瓶頸與未來趨勢

垂直行業作為邊緣計算的主要應用場景，產業各方均在積極布局行業邊緣計算發展，但在實際部署中仍存在以下挑戰：（1）垂直行業產生數據量大且數據結構各不相同，對于邊緣計算實現數據存儲、實時計算帶來極大挑戰；（2）目前產業各方都在嘗試探索邊緣計算應用，形成了基于不同底層架構、針對不同行業應用的各類邊緣計算軟件平臺及硬件產品，因此，邊緣計算整體產業呈現碎片化發展，設備接口、數據的標準不一致，缺乏統一的產品規范，跨廠商的互聯互通互操作存在挑戰。

垂直行業邊緣計算將逐步探索實現對異構和多樣化的邊緣設備進行抽象、管理和運用，通過協議轉換、數據預處理等功能，推動實現企業內各層數據的縱向集成及高效處理。

5 結束語

總體來說，邊緣計算賦能產業數字化的重要價值受到普遍認同，迎來了新一輪發展機遇。但由于邊緣計算屬于跨領域融合概念，參與主體眾多，在實際部署中存在“三難”問題：一是標準統籌難，5G  MEC、云原生邊緣計算、垂直行業邊緣計算等發展路徑的相關標準組織均從各自領域對邊緣計算進行了標準化工作，導致邊緣計算標準化工作缺乏統一布局，標準內容上存在一定的沖突和重復，這也成為邊緣計算基礎設施規?；渴鸬恼系K。二是產業集約化難，目前各個垂直行業在邊緣計算領域中獨自探索，產業鏈上下游聯系不夠緊密， 邊緣計算產業呈現碎片化發展。三是規模部署難，目前產業各方正在積極推進邊緣計算基礎設施規?；瘧貌渴?，但成熟且可復制的建設模式尚未形成，需要進一步探索。同時，在商業模式尚不清晰的前提下，運營商、云計算服務商以及工業企業等核心參與者將難以應對邊緣計算基礎設施建設運營的資金投入。

未來，隨著邊緣計算逐步進入穩健發展期，5G MEC、云原生邊緣計算、垂直行業邊緣計算等發展路徑將在競合中發展，呈現兩類突出的發展特點：一是協同與融合，單純使用邊緣技術構建的應用難以充分發揮其價值，需要邊緣計算與云計算、5G、區塊鏈等其他技術相結合，利用協同效應形成一體化解決方案。未來，邊緣計算將一方面不斷推動網絡向智能化以及協同化方向演進，實現計算與網絡等多維度資源的統一協同調度及全局優化；另一方面將不斷與云計算協同聯動， 實現物理資源的共享，極大提升資源利用率，逐步成為云、網、邊、端等協同的關鍵樞紐環節。二是開放與互通，完整的邊緣計算應用服務涉及需求方、模塊提供方、設備提供方、平臺提供方以及應用提供方等多個環節及角色配合，未來，統一的服務定義、資源封裝以及接口協議等標準化工作將不斷健全，便于不同角色間的高效配合以及跨廠商產品互聯互通，技術逐步走向開放融合。

作者簡介：

王哲，高級工程師，博士，現就職于中國信息通信研究院，主要從事工業互聯網、邊緣計算領域政策、技術標準、產業發展等方面研究，長期支撐工業和信息化部、國家發改委等部委的工業互聯網產業政策制定、重大專項指南編制等工作。目前擔任CCSA邊緣計算技術標準及產業發展推進委員會技術促進組組長、IEEE Transactions on Vehicular Technology，IEEE Access 等國際期刊審稿人，已發表期刊及國際會議論文10余篇，其中SCI檢索5篇，申請發明專利及軟件著作權4 項，主持并參與起草10余項行業標準制定工作。

參考文獻：

[1] 華信咨詢. 走近邊緣計算[R/OL]. 2020.

[2] Pallis G, Vakali A. Vakali, A.: Insight and Perspectives for Content Delivery Networks[J].

 Communications of the ACM, 2006, 49 (1) : 101 - 106.

[3] Cisco. Global Cloud Index (GCI) [R/OL]. 2018.

[4] Gartner. Gartner Top Strategic Technology Trends for 2021[R/OL]. 2020.

[5] HU Y C, PATEL M, SABELLA D, et al. Mobile Edge Computing—A Key Technology towards 5G[J]. ETSI White Paper, 2015, 11 (11) : 1 - 16.

[6] Taleb T, Samdanis K, Mada B, et al. On Multi-Access Edge Computing: A Survey of the Emerging 5G Network Edge Cloud Architecture and Orchestration[J]. IEEE Communications Surveys & Tutorials, 

2017, 19 (3) : 1657 - 1681.

[7] 王凱, 王靜. 工業互聯網邊緣計算技術發展與行業需求分析[J]. 中國儀器儀表, 2019.

[8] Satyanarayanan M, Bahl P, Caceres R, et al. The Case for VM-Based Cloudlets in Mobile Computing[J]. IEEE Pervasive Computing, 2009, 8 (4) : 14 - 23.

[9] Shi W, Cao J, Zhang Q, et al. Edge Computing: Vision and Challenges[J].

Internet of Things Journal, IEEE, 2016, 3 (5) : 637 - 646.

[10] 邊緣計算產業聯盟. 邊緣計算白皮書[R/OL]. 2016.

[11] 項弘禹, 肖揚文, 張賢, 等. 5G邊緣計算和網絡切片技術[J]. 電信科學, 2017 (6).

[12] 潘建勝. 基于Docker的CDN邊緣計算平臺設計與實現[D]. 北京：北京郵電大學, 2018.

[13] 王哲. 面向車聯網的移動云服務遷移機制研究[D]. 北京：北京交通大學, 2019. [14] 李肯立, 劉楚波. 邊緣智能: 現狀和展望[J]. 大數據, 2019, 5 (03) : 69 - 75.

[15] 邊緣計算產業聯盟&工業互聯網產業聯盟. 邊緣計算參考架構3.0[R/OL]. 2018.

[16] IDC. Worldwide Edge Spending Guide[R/OL]. 2020.

[17] 工業互聯網產業聯盟. 離散制造業邊緣計算解決方案白皮書[R/OL]. 2019.

[18] Liu J, Mao Y, Zhang J, et al. Delay-optimal Computation Task Scheduling for Mobile Edge Computing Systems [C]. Proceedings of IEEE International Symposium on Information Theory (ISIT), -Barcelona, Spain, 2016 : 1451 – 1455.

[19] Zhang Y, Niyato, Wang P. Offloading in Mobile Cloudlet Systems with Intermittent 

Connectivity[J]. IEEE Transactions on Mobile Computing, 2015, 14 (12) : 2516 - 2529.

[20] Kamoun M, Labidi W, Sarkiss M . Joint Resource Allocation and Offloading Strategies 

in Cloud Enabled Cellular Networks[C]. IEEE International Conference on Communications. IEEE, 2018.

[21] Wang Z, Zhong Z, Zhao D, et al. Vehicle-Based Cloudlet Relaying for Mobile Computation Offloading[J]. IEEE Transactions on Vehicular Technology, 2018, PP : 1 - 1.

[22] Dinh T Q, Tang J, La Q D, et al. Offloading in Mobile Edge Computing: 

Task Allocation and ComputationalFrequency Scaling[J]. IEEE Transactions on Communications, 

2017, 65 (8) : 3571 - 3584.

[23] HAN S, Pool J, Tran J, et al. Learning Both Weights and Connections for Efficient Neural

 Network[C]. Advances in Neural Information Processing Systems, 2015 : 1135 - 1143.

[24] Srivastava N, Hinton G, Krizhevsky A, et al. Dropout: A Simple Way to Prevent Neural 

Networks from Overfitting[J]. Journal of Machine Learning Research, 2014, 15 (1) : 1929 - 1958.

[25] Tong L, Li Y, Gao W. A Hierarchical Edge Cloud Architecture for Mobile Computing[C]. 

IEEE INFOCOM 2016 - The 35th Annual IEEE International Conference on Computer 

Communications. IEEE, 2016.

[26] Li E, Zhou Z, Chen X . Edge Intelligence: On-Demand Deep Learning Model Co-Inference with Device-Edge Synergy[C]. the 2018 Workshop. 2018.

[27] 雷波, 劉增義, 王旭亮, 楊明川, 陳運清. 基于云、網、邊融合的邊緣計算新方案:算力網絡[J]. 電信科學, 2019, 35 (09) : 44 - 51.

[28] 何濤, 曹暢, 唐雄燕, 李銘軒, 李建飛. 面向6G需求的算力網絡技術[J]. 移動通信, 2020, 44 (06) : 131 - 135.

[29] 李銘軒, 曹暢, 唐雄燕, 何濤, 李建飛, 劉秋妍. 面向算力網絡的邊緣資源調度解決方案研究[J]. 數據與計算發展前沿, 2020, 2 (04) : 80 - 91.

[30] Zhao Y, Li Y, Zhang X, et al. A Survey of Networking Applications Applying the Software 

Defined Networking Concept Based on Machine Learning[J]. IEEE Access, 

2019, 7 (99) : 95397 - 95417.

[31] Chen Q, Yu F R, Huang T, et al. Joint Resource Allocation for Software-Defined Networking, Caching and Computing[J]. IEEE/ACM Transactions on Networking, 2018 : 274 - 287.

[32] 黃韜, 劉江, 汪碩, 張晨, 劉韻潔. 未來網絡技術與發展趨勢綜述[J]. 通信學報, 2021, (1) : 130 - 150.

[33] 任夢璇, 薛淼, 劉千仞, 任杰, 王光全. 區塊鏈+邊緣計算應用研究與探討[J]. 郵電設計技術, 2020 (11) : 24 - 29.

[34] Tang W, Zhao X, Rafique W, et al. A Blockchain-Based Offloading Approach in Fog Computing Environment[C]. 2018 IEEE Intl Conf on Parallel & Distributed Processing with Applications, IEEE, 2018.

[35] Zhaofeng M, Xiaochang W, Jain D K, et al. A Blockchain-Based Trusted Data Management Scheme in Edge Computing[J]. IEEE Transactions on Industrial Informatics, 2019, PP (99) : 1.

[36] 曹舒雅, 姚英英, 常曉林. 基于區塊鏈的智能工廠RFID系統輕量級身份認證機制[J]. 網絡空間安全, 2020 (9) : 70 - 77.

[37] Guo H, Li W, Nejad M, et al. Access Control for Electronic Health Records with Hybrid 

Blockchain-Edge Architecture[C]. 2019 IEEE International Conference on Blockchain (Blockchain). IEEE, 2020.

[38] 呂華章, 陳丹, 王友祥. ETSI MEC標準化工作進展分析[J]. 自動化博覽, 2019, 36 (05) : 48 - 52.

[39] 呂華章, 陳丹, 范斌, 王友祥, 烏云霄. 邊緣計算標準化進展與案例分析[J]. 計算機研究與發展, 2018, 55 (03) : 487 - 511.

[40] 電信運營商在GSMA的支持下合作構建電信邊緣云平臺 [EB/OL]. https://blog.csdn.net/sinat_41698914/article/ details/104567380, 2020.

摘自《自動化博覽》2021年2月刊