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

摘要：工業互聯網是新一代網絡信息技術與制造業深度融合的產物，是經濟轉型升級的關鍵依托和重要途徑。邊緣計算是支持工業互聯網的關鍵技術。本文首先說明了邊緣計算在工業互聯網產業發展過程中的重要意義，然后分別從邊緣計算的發展歷程、邊緣端智能化方法和邊緣計算平臺三方面介紹了工業互聯網邊緣計算近年來的研究現狀，最后指明了工業互聯網邊緣計算在今后發展中尚待解決的關鍵問題。

關鍵詞：工業互聯網；智能制造；邊緣計算

1 工業互聯網邊緣計算研究的重要意義

1.1 工業互聯網是先進制造業轉型升級的關鍵

工業互聯網[1]是連接工業設備和生產的網絡，智能化生產、網絡化協同、個性化定制和服務化轉型是工業互聯網的核心內容。作為新型工業化的基礎設施和智能制造的關鍵使能技術，工業互聯網已經成為全球制造業搶占的新一輪制高點。

2012年，美國通用電氣公司首先提出了工業互聯網概念，此后工業互聯網在世界范圍內得到了廣泛發展。目前工業互聯網以德國“工業4.0平臺”、美國“工業互聯網聯盟”為典型代表，同時 工業互聯網作為我國智能制造發展的重要支撐已經得到了國家的高度認可與重視，“十三五”規劃、制造強國、“互聯網+”等重大戰略都明確提出發展工業互聯網，如圖1所示。

圖1 工業互聯網戰略規劃

1.2 邊緣計算是實現工業互聯網創新應用的關鍵

實現工業互聯網的創新應用，如智能化生產、網絡化協同、個性化定制和服務化轉型等并非易事。物聯網技術的發展雖然豐富了數據采集的手段，但隨之而來的海量數據也對工業系統的實時性等問題提出了新的挑戰。

目前基于視覺引導的裝配機器人得到了廣泛的應用，但是個性化定制過程對裝配機器人提出了更高的要求。如圖2所示，在實時性方面，個性化定制系統對于裝配機器人的空間定位、目標識別、軌跡規劃的實時性要求高，部分情況的場景需要在10毫秒以內。工業現場產生大量數據的實時處理需求，單個攝像頭1080p格式視頻在4Mbps碼率下每天產生330G的視頻數據，完 全傳輸至云端需要占用大量帶寬，并產生較大的時延， 如果數據分析和控制都在云端進行，則難以滿足業務實時性的要求。同時，采用目前流行的深度學習相關技術后，視頻處理的計算復雜度很高。分類用AlexNet分析224×224大小的圖像需要720MFLOPs計算量，主流邊  緣設備（使用酷睿i5 CPU）需要1秒左右，而實際生產過程常用的ResNet50計算量是AlexNet的數十倍，無法保證應用的實時性。

圖2 工業互聯網邊緣計算的基本思想及面對的挑戰

邊緣計算的提出為解決上述問題提供可能。邊緣計算是在靠近物或數據源頭的網絡邊緣側就近提供邊緣智能服務，滿足行業數字化在敏捷聯接、實時業務、數據優化、應用智能、安全與隱私保護等方面的關鍵需求。因此，邊緣計算是實現工業互聯網智能化生產、網絡化協同、個性化定制和服務化轉型等創新應用的關鍵。2017年，施巍松等[2]從數據處理的角度論述了研究面向網絡邊緣設備所產生海量數據計算的邊緣式大數據處理的必要性、研究現狀及所面臨的挑戰，并指出邊緣計算模式能夠有效應對邊緣式大數據處理時代下，云計算模型無法有效解決的云中心負載、傳輸帶寬、數據隱私保護等問題。2017年，Satyanarayanan等[3]指出近幾年工業界和學術界在邊緣計算上的投入呈現迅猛增長，并指出這種新型技術能夠為移動計算提供高響應云服務，使物聯網具備可擴展性并提供有效的隱私保護策略和掩蓋云服務短暫中斷的能力。

邊緣計算強調網絡邊緣上的計算和存儲，無論在地理距離還是網絡距離上都更貼近用戶。相比于云計算， 邊緣計算更能夠緩解網絡帶寬與數據中心的壓力、增強服務的響應能力并實現對隱私數據的保護，提升數據的安全性，已經成為研究界和產業界普遍關注的焦點，被用于建立多個領域的應用系統。如，在拼車服務中建立的基于邊緣計算的攻擊檢測系統[4]、在關注延遲的邊緣 計算平臺上建立的視頻分析系統[5]、基于邊緣計算的工業機器人系統[6]以及跨越無人駕駛和有人駕駛能夠進行 情境感知的共享實時信息系統[7]等。由于邊緣節點負責 直接處理來自物理環境的實時信息，為終端用戶/設備 提供快速、及時的響應，顯然，實現并提升邊緣端智能對有效提升邊緣計算應用的整體智能化水平和工作效率至關重要。

2 工業互聯網邊緣計算研究現狀

2.1 邊緣計算發展歷程

雖然2003年IBM就開始提供基于Edge的服務，但直到2014年以后，隨著物聯網技術、5G技術和人工智能的發展，邊緣計算才蓬勃發展起來。邊緣計算的發展如圖3所示。

圖3 邊緣計算的發展歷程

工業互聯網智能制造邊緣計算也受到了國家各部委的高度重視。工信部在2017年和2018年連續設立了一系列智能制造綜合標準化與新模式應用項目。2017年中國科學院沈陽自動化研究所承擔的工信部智能制造綜合標準化與新模式應用項目“工業互聯網應用協議及數據互認標準研究與試驗驗證”，從工業互聯網邊緣計算模型、工業互聯網數據統一語義模型、工業互聯網互聯互通信息安全要求等7個方面對工業互聯網智能制造邊緣計算標準的制定進行了探索；2018年，工信部工業互聯網創新發展工程系列項目中，針對工業互聯網邊緣計算，專門設立了“工業互聯網邊緣計算測試床”、“工業互聯網邊緣計算基礎標準和試驗驗證”等8個項目； 在2018年度科技部國家重點研發計劃“網絡協同制造和智能工廠”重點專項中，專門針對邊緣計算設置了“工業互聯網邊緣計算節點設計方法與技術”、“典型行業裝備運行服務平臺及智能終端研制”、“基于開放架構的云制造關鍵技術與平臺研發”等多個項目。

2.2 邊緣端智能化方法

機器智能已成為各種應用的核心屬性，但是大部分深度學習算法僅限于在云中心執行。近年來，多個邊緣端設備的機器學習包陸續發布，被用于將計算卸載到邊緣端設備上執行[8~10]。

Zhang等[11]對最近發布的用于邊緣端設備的機器學習包進行了性能比較評估，使用戶能夠為邊緣端選擇一組合適的邊緣設備和軟件，將計算卸載到邊緣端設備上執行。在云邊協作學習方面，目前研究主要集中在借助在線學習和其他學習方法結合的學習技術實現邊緣節點智能的動態升級。Zhao等[12]最早提出了在線遷移學習的概念，在線遷移學習是一種動態遷移學習的策略，該學習算法的核心思想是將離線訓練好的模型隨流數據在線遷移，模型能很好地適應數據的變化。Sahoo等[13]提出了在線學習和深度學習結合的學習算法，該算法為深度學習在線更新提供了理論基礎。Xu等[14]針對邊緣計算場景中邊緣資源調度優化的具體問題設計了在線學習和強化學習結合的方法，該算法為邊緣節點自適應環境升級智能提供了理論指導和現實樣例。在最新的智能升級研究中，Yazici等[15]在嵌入式設備上做實驗，同時運行隨機森里、多層感知積和支持向量機等機器學習算法的訓練和推理，并比較了三個算法在訓練和推理階段的效率和能耗，最后探討了運行深度學習算法訓練和推理的方向。

目前，邊緣計算中決策問題的研究大多集中在邊緣側資源受限情況下的獨立決策，如何在工業生產過程中實現適應場景變化的個性化邊緣決策仍然是一個開發問題，需要探索適應不同邊緣設備與網絡特征的學習機制、學習任務部署策略以及基于學習的實時決策方法， 為工業物聯網場景中通過云邊協作學習提供工業設備與生產的智能化新思路和新方法。

2.3 邊緣計算平臺

目前，無論是學術界還是工業界都已經構建了多個邊緣計算平臺，并制定了相應的標準。邊緣計算相關標準ETSI對邊緣決策的典型的應用場景作了詳細的規范和描述，包括智能移動視頻加速、監控視頻流分析、增強現實、密集計算輔助、車聯網、IoT、網關服務以及企業專網應用。

Willis等支持在無線網關上動態安裝第三方服務的多租戶平臺ParaDrop[16]，通過虛擬化實現物理設備、邊緣計算設備和云計算中心計算資源的有機結合和靈活分配的PCloud框架[17]，以及支持云-端任務動態遷移的 ECHO平臺等。Tang等[18]提出了一種以智慧城市為背景的大數據分析框架，對處理在地理上廣泛分布的數據有很好的效果。其中使用邊緣計算技術構建的邊緣計算平臺充分利用數據傳輸路徑上的計算設備，保證了分析框架的高效運行，減少了需要上傳到云中的數據量，是整個框架高效運行的關鍵。美國里海大學與IBM提出了一個基于深度學習的自適應物體識別框架DeepCham[19]，該框架適用于移動設備上的物體識別 應用，可以大幅提高物體識別的準確率，其中邊緣計算模式可以在一定程度上減小對模型適用范圍的要求，也為深度學習收集大量特定的學習數據，訓練更加個性化的識別模型。CMU與Intel實驗室在2014年開發了一個基于增強現實技術的認知輔助系統[20]，通過谷歌眼鏡 來增強某些病人的認知能力，實現系統需要解決的關鍵問題是如何將處理任務的延遲控制在幾十毫秒，讓感知缺陷的病人也擁有正常人一樣的反應速度。系統使用了邊緣計算技術，將延遲敏感的計算任務卸載到附近的Cloudlet來降低任務的處理延遲。

3 工業互聯網邊緣計算待解決關鍵問題

工業互聯網邊緣計算正在蓬勃發展，但幾個關鍵問題尚未完全解決。目前，對邊緣計算的方法研究大多側重于如何通過算法或模型硬件化方式增強邊緣節點的處理能力[21]，而對如何通過邊緣節點之間以及邊 緣節點和云中心合作的方式提高應用效能的研究還處于起步階段[22]。如圖2所示，邊緣計算的基本思想是將 實時性要求高的分析和決策功能下沉至網絡邊緣側， 以此提升“感知-分析-決策-控制”一體化系統的實時性。這種方式雖然能夠有效提升系統的實時性，但同時帶來了一系列問題：

（1）缺乏邊緣一體化計算的理論基礎：在邊緣計算模式中，邊緣計算系統成為兼有離散事件和連續變量等運行機制的混雜系統，網絡動態性、測量噪聲等問題將引發系統的不確定性；同時工業互聯網場景中任務常存在高并發的特點，同一時隙內可能存在多個事件，一體化模型計算結果確定性難以保證。

（2）缺乏高效的邊緣側資源管理和任務調度方法：邊緣計算模式的核心是將分析和決策功能下沉至網絡邊緣側。邊緣側計算資源和網絡資源的限制，僅將實

時性要求高的分析和決策功能下沉，以此實現云邊協同計算；同時邊緣計算需要對邊緣側資源進行高效管理和優化，以此提升系統的實時性。但目前尚缺乏高效的邊緣側資源管理和任務調度方法。

（3）邊緣側設備資源有限，難以獨立完成復雜計算任務：受限于現有芯片的處理能力及邊緣側存儲設備發展水平，目前，邊緣設備仍然難以獨立完成復雜的數據處理與分析需求。在工業互聯網實際生產環境中，如何融合云和邊緣側計算資源，有效形成生產場景驅動的自適應學習方法以支持邊緣個性化決策仍然是一個開放的研究問題。

4 總結

工業互聯網時代正在逐步開啟，無論是在技術還是產業應用方面，都有巨大的發展空間，而邊緣計算為解決工業互聯網的數據分析和實時控制提供了有效手段。本文回顧了工業互聯網邊緣計算的發展歷程極其重要意義，并闡述了現階段的研究現狀和待解決的關鍵問題。希望本文對工業互聯網邊緣計算相關研究具有一定參考價值。

★基金項目：本文獲得國家重點研發計劃（2018YFB1700200），國家自然科學基金遼寧聯合基金（U1908212）項目資助。

作者簡介：

孫海倫（1994-），男，助理研究員，碩士，現就職于中國科學院沈陽自動化研究所，研究方向為邊緣計算。

宋純賀（1981-），男，研究員，博士生導師，博士， 現就職于中國科學院沈陽自動化研究所，研究方向為邊緣計算。

于詩矛（1991-），男，助理研究員，碩士，現就職于中國科學院沈陽自動化研究所，研究方向為邊緣計算。

曾 鵬（1976-），男，研究員，博士，現任中國科學院沈陽自動化研究所所長助理，研究方向為工業互聯網、邊緣計算。

參考文獻：

[1] Emiliano Sisinni, Abusayeed Saifullah, Song Han, Ulf Jennehag, Mikael Gidlund. Industrial Internet of Things: Challenges,

Opportunities, and Directions[J]. IEEE Transactions on Industrial Informatics, 14 (11) : 4724 - 4734, 2018.

[2] 施巍松, 孫輝, 曹杰, 張權偉. 邊緣計算：萬物互聯時代新型計算模型[J]. 計算機研究與發展, 54 (5) : 907 - 924, 2017.

[3] Satyanarayanan, M. The Emergence of Edge Computing[J]. IEEE Computer, 2017, 50 (1) : 30 - 39.

[4] Liangkai Liu, Xingzhou Zhang, Mu Qiao, Weisong Shi. SafeShareRide: Edgebased Attack Detection in Ridesharing Services[C]. In Proceedings of USENIX Workshop on Hot Topics in Edge Computing, Boston, USA, 2018.

[5] Shanhe Yi, Zijiang Hao, Qingyang Zhang, Quan Zhang, Weisong Shi, Qun Li. LAVEA: Latency-aware Video Analytics on Edge Computing Platform[C]. In Proceedings of 2nd ACM/IEEE Symposium on Edge Computing (SEC), San Jose, 2017.

[6] Youdong Chen, Qiangguo Feng, Weisong Shi. An Industrial Robot System Based on Edge Computing: An Early Experience[C]. In Proceedings of USENIX Workshop on Hot Topics in Edge Computing, Boston, USA, 2018.

[7] Atyanarayanan, M. Edge Computing for Situational Awareness[C]. In Proceedings of the IEEE International Symposium on Local and Metropolitan Area Networks, Osaka, Japan, 2017.

[8] Tianqi Chen, Mu Li, Yutian Li, Min Lin, Naiyan Wang, Min-jie Wang, Tianjun Xiao, Bing Xu, Chiyuan Zhang, Zheng Zhang. Mxnet: A flexible and efficient machine learning library for heterogeneous distributed systems[J]. arXiv preprint:1512.01274, 2015.

[9] Caffe2: A new lightweight, modular, and scalable deep learning framework[EB/OL]. https://caffe2.ai/, 2018.

[10] Introduction to tensorflow lite[EB/OL]. https://vimsky.com/article/3710.html, 2018.

[11] Xingzhou Zhang, Yifan Wang, Weisong Shi. pCAMP: Performance Comparison of Machine Learning Packages on the Edges[C]. In Proceedings of USENIX Workshop on Hot Topics in Edge Computing, Boston, USA, 2018.

[12] Peilin Zhao. OTL: A Framework of Online Transfer Learning[C]. In Proceedings of the 27th International Conference on Machine Learning, 2010 : 76 - 102.

[13] Doyen Sahoo, Quang Pham, Jing Lu, Steven C. H. Hoi. Online Deep Learning: Learning Deep Neural Network on the Fly[C]. In Proceedings of the 27th International Joint Conference on Artificial Intelligence, 2018, 2660 - 2666.

[14] Jie Xu, Lixing Chen, Shaolei Ren. Online Learning for Offloading and Autoscaling in Energy Harvesting Mobile Edge Computing[J]. IEEE Transactions on Cognitive Communications and Networks, 2017, 3 (3) : 361 - 373.

[15] Mahmut Taha Yazici, Shadi Basurra, Mohamed Medhat Gaber. Edge Machine Learning: Enabling Smart Internet of Things Applications[J]. Big Data and Cognitive Computing, 2018: 1 - 17.

[16] Willis D, Dasgupta A, Banerjee S. ParaDrop: A Multi-tenant Platform to Dynamically Install Third Party Services on Wireless Gateways[C]. In Proceedings of ACM Workshop on Mobility in the Evolving Internet Architecture. ACM, 2014 : 43 - 48.

[17] Jang M, Schwan K, Bhardwaj K, et al. Personal clouds: Sharing and Integrating Networked Resources to Enhance End User Experiences[C]. In Proceedings of IEEE INFOCOM, 2014 : 2220 - 2228.

[18] Tang Bo, Chen Zhen, Hefferman G, et al. A Hierarchical Distributed Fog Computing Architecture for Big Data Analysis in Smart Cities[C]. In Proceedings of the 15th ASE Big Data & Social Informatics 2015. New York : ACM, 2015 : 135 – 143.

[19] Li Dawei, Salonidis T, Desai N V, et al. DeepCham: Collaborative Edge-mediated Adaptive Deep Learning for Mobile Object Recognition[C]. In Proceedings of the 1st IEEE / ACM Symp on Edge Computing. Piscataway, NJ : IEEE , 2016 : 64 – 76.

[20] Ha K, Chen Zhuo, Hu Wenlu, et al. Towards Wearable Cognitive Assistance[C]. In Proceedings of the 12th International Conference on Mobile Systems, Applications, and Services. New York : ACM , 2014 : 68 – 81.

[21] Juseong Lee, Hoyoung Tang, Jongsun Park. Energy Efficient Canny Edge Detector for Advanced Mobile Vision Applications[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2018, 28 (4) : 1037 - 1046.

[22] Qingyang Zhang, Quan Zhang, Weisong Shi, Hong Zhong. Distributed Collaborative Execution on the Edges and Its Application on AMBER Alerts[J]. IEEE Internet of Things Journal, 2018, 14 (8) : 1 - 14.

摘自《自動化博覽》2021年2月刊