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

★中國(guó)地質(zhì)大學(xué)（武漢）計(jì)算機(jī)學(xué)院楊在航，李躍鵬，曾德澤

摘要：邊端融合計(jì)算架構(gòu)由于其算力節(jié)點(diǎn)分布廣、實(shí)時(shí)處理能力強(qiáng)的特點(diǎn)，近年來在各種領(lǐng)域被廣泛使用，但是它在計(jì)算、通信與數(shù)據(jù)安全方面仍然面臨諸多挑戰(zhàn)。編碼計(jì)算因其通信負(fù)載低、計(jì)算開銷小、隱私保障高的特性恰好契合邊端融合場(chǎng)景的需求而得到了學(xué)術(shù)界的廣泛關(guān)注。因此，本文探索了將編碼計(jì)算應(yīng)用于邊端融合計(jì)算架構(gòu)中的發(fā)展趨勢(shì)與關(guān)鍵技術(shù)，并在此基礎(chǔ)上，提出了一種基于編碼計(jì)算的邊端融合任務(wù)卸載策略。

1簡(jiǎn)介

隨著萬物互聯(lián)時(shí)代的到來，大量智能設(shè)備以及諸多新型應(yīng)用得到了大規(guī)模普及，例如智慧城市、虛擬現(xiàn)實(shí)、智能交通等應(yīng)用如雨后春筍般涌現(xiàn)，為智能社會(huì)的發(fā)展注入了新的活力。智能應(yīng)用高速發(fā)展的背后實(shí)際上離不開邊緣計(jì)算作為支撐和基礎(chǔ)。邊緣計(jì)算將計(jì)算與存儲(chǔ)資源下沉到網(wǎng)絡(luò)邊緣處，由于更靠近終端設(shè)備，用戶請(qǐng)求不再需要經(jīng)過長(zhǎng)時(shí)間傳輸?shù)胶诵木W(wǎng)進(jìn)行處理，而是直接在數(shù)據(jù)產(chǎn)生處進(jìn)行計(jì)算，從而大幅度降低了傳輸時(shí)延與能量消耗。邊緣側(cè)設(shè)備與端側(cè)設(shè)備均可共同參與計(jì)算，協(xié)同構(gòu)成邊端融合計(jì)算環(huán)境。然而邊端融合環(huán)境中的設(shè)備大多是由低算力硬件組成，這使得單個(gè)設(shè)備無法獨(dú)自完成這個(gè)任務(wù)。而且，終端設(shè)備大多具有較強(qiáng)的移動(dòng)性，當(dāng)大量終端設(shè)備頻繁地從一個(gè)邊緣服務(wù)器的覆蓋范圍移動(dòng)到另一個(gè)邊緣服務(wù)器的覆蓋范圍內(nèi)時(shí)，整個(gè)環(huán)境呈現(xiàn)出高度動(dòng)態(tài)性。此外，相比于云數(shù)據(jù)中心，邊緣側(cè)和端側(cè)設(shè)備因成本較低無法配備高強(qiáng)度安全保護(hù)策略導(dǎo)致其更容易受到惡意節(jié)點(diǎn)的攻擊。

與此同時(shí)，近年來研究人員將編碼理論應(yīng)用到分布式計(jì)算領(lǐng)域，并提出了一種新的計(jì)算框架，即編碼計(jì)算。編碼計(jì)算旨在借助靈活多樣的編碼方式來降低通信負(fù)載、緩解計(jì)算延遲并保護(hù)數(shù)據(jù)隱私[1]。編碼計(jì)算的出現(xiàn)引起了學(xué)術(shù)界的廣泛討論，被認(rèn)為是解決上述邊端融合計(jì)算所面臨挑戰(zhàn)的一個(gè)有潛力的途徑。例如，Guo[2]等提出了一種面向無人機(jī)群的分布式編碼計(jì)算框架，通過將無人機(jī)群的編碼任務(wù)卸載到邊緣服務(wù)器上，不僅節(jié)省了無人機(jī)群的飛行能耗，而且降低了掉隊(duì)無人機(jī)節(jié)點(diǎn)所引發(fā)的計(jì)算延遲；Parkash[3]等提出了編碼計(jì)算框架CodedFedL，將結(jié)構(gòu)化編碼冗余注入無線邊緣網(wǎng)絡(luò)下的聯(lián)邦學(xué)習(xí)中，以減少離散并加快訓(xùn)練過程；Zhao[4]等提出了一種基于邊緣節(jié)點(diǎn)選擇的子任務(wù)分配方法，以減少編碼邊緣計(jì)算系統(tǒng)的總計(jì)算時(shí)間。

然而應(yīng)用編碼計(jì)算到邊端融合環(huán)境中仍然面臨著不小的阻力。首先，編碼計(jì)算目前主要應(yīng)用于分布式云環(huán)境中，邊端融合環(huán)境所呈現(xiàn)的弱算力、高異構(gòu)、弱連接、廣分布、高動(dòng)態(tài)等特性加大了編碼任務(wù)傳輸和計(jì)算的難度。其次，傳輸并處理編碼所產(chǎn)生的大量冗余數(shù)據(jù)會(huì)給整個(gè)系統(tǒng)帶來極高的能量開銷，邊緣側(cè)和端側(cè)設(shè)備將難以承受這些額外能量開銷所帶來的成本問題。

因此，本文介紹了編碼計(jì)算和將其融入邊端融合計(jì)算的發(fā)展趨勢(shì)以及面臨的挑戰(zhàn)，并探討了一種基于編碼計(jì)算的邊端融合任務(wù)卸載策略。

2邊端融合計(jì)算面臨的挑戰(zhàn)

近年來，邊緣計(jì)算所蘊(yùn)含的巨大潛力，使其已經(jīng)成為學(xué)術(shù)界和工業(yè)界共同關(guān)注的熱點(diǎn)話題。然而邊緣計(jì)算仍處于發(fā)展早期，與相對(duì)成熟的云計(jì)算相比，將其與端側(cè)設(shè)備融合構(gòu)成邊端融合計(jì)算，不論是其自身體系結(jié)構(gòu)局限還是技術(shù)積累，都還存在諸多問題亟需解決。

（1）計(jì)算延遲

邊端融合環(huán)境下的設(shè)備大多是由不可靠的低端硬件構(gòu)成，單個(gè)設(shè)備的性能較差使得任務(wù)逐漸采取分布式計(jì)算完成。但相關(guān)研究[10]發(fā)現(xiàn)即使使用同構(gòu)機(jī)器運(yùn)算相同任務(wù)時(shí)，由于網(wǎng)絡(luò)條件變化、資源競(jìng)爭(zhēng)等因素，每個(gè)機(jī)器所需的計(jì)算時(shí)間也不盡相同，其中部分工作節(jié)點(diǎn)的任務(wù)完成速度非常慢，達(dá)到平均值的5到8倍。因此，一旦邊端融合環(huán)境中存在因工作能力低下導(dǎo)致任務(wù)完成速度較慢的工作節(jié)點(diǎn)時(shí)，等待這些工作節(jié)點(diǎn)的反饋會(huì)給整個(gè)計(jì)算任務(wù)造成不可預(yù)測(cè)的延遲。

（2）通信瓶頸

數(shù)據(jù)洗牌是分布式計(jì)算系統(tǒng)（包括邊端融合環(huán)境）的核心步驟，其目的是在分布式計(jì)算節(jié)點(diǎn)之間交換中間值或原始數(shù)據(jù)[5]。例如，在MapReduce架構(gòu)中，數(shù)據(jù)從Mapper被傳輸?shù)絉educer。通過對(duì)Facebook的Hadoop架構(gòu)進(jìn)行追蹤分析，研究人員發(fā)現(xiàn)平均有33％的作業(yè)執(zhí)行時(shí)間都花費(fèi)在數(shù)據(jù)洗牌上。在TeraSort、WordCount、RankedInvertedIndex和SelfJoin等應(yīng)用程序中，50％～70％的執(zhí)行時(shí)間用于數(shù)據(jù)洗牌。然而，在每一次數(shù)據(jù)洗牌過程中，整個(gè)數(shù)據(jù)集都通過網(wǎng)絡(luò)進(jìn)行通信，頻繁數(shù)據(jù)交互帶來的通信開銷造成了分布式計(jì)算系統(tǒng)的性能瓶頸。

（3）安全與隱私

缺乏對(duì)邊端融合環(huán)境中的數(shù)據(jù)安全與隱私保護(hù)的舉措將會(huì)增加人們的日常風(fēng)險(xiǎn)。假設(shè)一個(gè)家庭在周圍部署了物聯(lián)網(wǎng)，那么人們就可以從感知到的數(shù)據(jù)中了解到這個(gè)家庭的很多隱私信息，例如，通過讀取電力或水的使用情況，人們可以很容易地推測(cè)房子是否空置[6]。造成這種現(xiàn)象的原因一方面是社會(huì)缺乏對(duì)隱私和數(shù)據(jù)的保護(hù)意識(shí)。我們以Wi-Fi網(wǎng)絡(luò)安全為例，在4.39億使用無線連接的家庭中，49%的Wi-Fi網(wǎng)絡(luò)是不安全的，80%的家庭仍然將路由器設(shè)置為默認(rèn)密碼。另一方面是缺乏有效的工具來保護(hù)網(wǎng)絡(luò)邊緣處的數(shù)據(jù)隱私和安全。相比于云環(huán)境，邊端融合環(huán)境中的資源高度受限，這使得傳統(tǒng)的安全保護(hù)方法可能無法被部署，或者被有效應(yīng)用。

（4）移動(dòng)性問題

隨著終端算力的增加，智能手機(jī)、平板、智能汽車等硬件逐漸成為了構(gòu)成邊端融合的算力主力軍。這類設(shè)備最大的特性就是具有極強(qiáng)的移動(dòng)性，當(dāng)終端設(shè)備的移動(dòng)范圍跨越多個(gè)邊緣服務(wù)器的覆蓋范圍時(shí)，終端設(shè)備狀態(tài)的更新以及設(shè)備與應(yīng)用之間的重新連接將是一大難點(diǎn)[7]。

3編碼計(jì)算的出現(xiàn)

目前邊端融合計(jì)算面臨著多個(gè)方面的挑戰(zhàn)，這嚴(yán)重制約了邊端融合計(jì)算的進(jìn)一步發(fā)展與應(yīng)用。幸運(yùn)的是，編碼計(jì)算通過借助靈活多樣的編碼方式有望解決邊端融合計(jì)算中存在的問題。為了方便讀者理解編碼計(jì)算的基本思想，我們將從計(jì)算延遲、通信負(fù)載和安全隱私三個(gè)方面來具體闡述并給出相關(guān)示例。

（1）降低通信負(fù)載編碼。圖1展示了一個(gè)由1個(gè)主節(jié)點(diǎn)和2個(gè)工作節(jié)點(diǎn)組成的分布式計(jì)算系統(tǒng)，其中A1、A2存儲(chǔ)在工作節(jié)點(diǎn)W1中，A3、A3存儲(chǔ)在工作節(jié)點(diǎn)W2中。我們的目標(biāo)是將任務(wù)A3發(fā)送到工作節(jié)點(diǎn)W1，并將任務(wù)A2發(fā)送到工作節(jié)點(diǎn)W2。因此，我們可以設(shè)計(jì)這樣一種編碼，使主節(jié)點(diǎn)將編碼信息A2+A3廣播到2個(gè)工作節(jié)點(diǎn)，一旦工作節(jié)點(diǎn)接收到廣播信息之后就能夠利用本地已存儲(chǔ)的數(shù)據(jù)進(jìn)行解碼。顯然，與未編碼方案相比，編碼方案可以降低50％的通信負(fù)載。

圖1降低通信負(fù)載編碼示例

（2）減少計(jì)算延遲編碼。圖2展示了一個(gè)由1個(gè)主節(jié)點(diǎn)和3個(gè)工作節(jié)點(diǎn)組成的分布式計(jì)算系統(tǒng)，整個(gè)系統(tǒng)的目標(biāo)是計(jì)算矩陣乘法AX。在進(jìn)行數(shù)據(jù)傳輸之前，原始任務(wù)矩陣A被平均劃分為兩個(gè)子矩陣A1和A2，然后將兩個(gè)子矩陣進(jìn)行線性編碼生成新的子矩陣（A1+A2），接著主節(jié)點(diǎn)M將A1、A2和（A1+A2）分別發(fā)送給工作節(jié)點(diǎn)W1、W2和W3。每個(gè)工作節(jié)點(diǎn)接收到子矩陣任務(wù)之后，將子矩陣與X相乘并將計(jì)算結(jié)果返回給主節(jié)點(diǎn)M。通過觀察可知，主節(jié)點(diǎn)只需要接收到任意兩個(gè)計(jì)算結(jié)果就能恢復(fù)出最終結(jié)果，而無需等待掉隊(duì)節(jié)點(diǎn)的反饋。

圖2減少計(jì)算延遲編碼示例

（3）面向安全隱私編碼。圖3展示了一種用于保護(hù)雙邊隱私的編碼計(jì)算示例。具體來說，輸入矩陣被分割成子矩陣并用隨機(jī)矩陣編碼[8]。下面以工作節(jié)點(diǎn)為8、共謀節(jié)點(diǎn)為1來說明編碼過程。

主節(jié)點(diǎn)首先將輸入矩陣A，B進(jìn)行劃分，如式（1）所示：

                                                  （1）

然后分別為A、B各生成一個(gè)隨機(jī)矩陣KA、KB。主節(jié)點(diǎn)為每個(gè)工作節(jié)點(diǎn)i選擇不同的參數(shù)xi，生成的編碼數(shù)據(jù)如式（2）和式（3）：

                                     （2）

                                                                   （3）

工作節(jié)點(diǎn)在接收到編碼數(shù)據(jù)后，每個(gè)工作節(jié)點(diǎn)i計(jì)算，并將計(jì)算結(jié)果返回給主節(jié)點(diǎn)，則每個(gè)工作節(jié)點(diǎn)的計(jì)算任務(wù)相當(dāng)于多項(xiàng)式h（x）在點(diǎn)x=xi的值如式（4）：

                       （4）

由上式可知，多項(xiàng)式h（x）中4項(xiàng)A1B1、A2B1x、A1B2x、A2B2x的系數(shù)可組成最終結(jié)果，而在整個(gè)過程中，任一計(jì)算節(jié)點(diǎn)均未收到原始數(shù)據(jù)，一定程度上保障了數(shù)據(jù)的安全與隱私。因此，主節(jié)點(diǎn)可以采取多項(xiàng)式插值法確定該多項(xiàng)式，從而獲得所需的系數(shù)。

圖3面向安全隱私編碼示例

4基于編碼計(jì)算的邊端融合計(jì)算架構(gòu)

傳統(tǒng)的邊端融合計(jì)算架構(gòu)如圖4（a）所示，邊端融合環(huán)境下無論是邊緣設(shè)備還是終端設(shè)備都可以被抽象為計(jì)算節(jié)點(diǎn)，它們既可以向其余節(jié)點(diǎn)發(fā)送任務(wù)，也可以參與到任務(wù)的計(jì)算中來。例如任務(wù)A可以在主節(jié)點(diǎn)處進(jìn)行劃分并分別卸載到三個(gè)不同的節(jié)點(diǎn)，只有所有計(jì)算結(jié)果成功返回主節(jié)點(diǎn)才能恢復(fù)出最終結(jié)果。但是邊端融合環(huán)境中的節(jié)點(diǎn)大多是由不可靠的低端硬件構(gòu)成，這些節(jié)點(diǎn)極易出現(xiàn)失效或掉隊(duì)現(xiàn)象，這會(huì)給計(jì)算任務(wù)造成不可預(yù)測(cè)的延遲。此外，邊端融合環(huán)境中節(jié)點(diǎn)資源受限并且網(wǎng)絡(luò)條件處于高度動(dòng)態(tài)變化中，這使得原有的數(shù)據(jù)保護(hù)方案難以應(yīng)用到邊端融合環(huán)境中，從而導(dǎo)致了數(shù)據(jù)泄露問題。

將編碼計(jì)算融入至邊端融合計(jì)算是解決上述問題的潛力途徑，其架構(gòu)如圖4（b）所示。該架構(gòu)中主節(jié)點(diǎn)在任務(wù)分發(fā)之前會(huì)對(duì)原始任務(wù)矩陣進(jìn)行編碼，即便在任務(wù)傳輸時(shí)數(shù)據(jù)遭到泄露，攻擊者也只能獲取到編碼之后的數(shù)據(jù)而無法恢復(fù)出原始數(shù)據(jù)。同時(shí)，通過觀察可知，主節(jié)點(diǎn)只需要接收到任意3個(gè)計(jì)算結(jié)果就能恢復(fù)出最終結(jié)果，即便某個(gè)節(jié)點(diǎn)出現(xiàn)掉隊(duì)或者失效現(xiàn)象也不會(huì)對(duì)整個(gè)任務(wù)造成高延遲現(xiàn)象。

圖4邊端融合計(jì)算架構(gòu)演變圖

5案例：基于編碼技術(shù)的邊端融合任務(wù)卸載策略

即便基于編碼計(jì)算的邊端融合計(jì)算架構(gòu)解決了由掉隊(duì)現(xiàn)象帶來的計(jì)算延遲并避免了數(shù)據(jù)泄露問題，但是主節(jié)點(diǎn)在任務(wù)分發(fā)階段仍然延續(xù)了編碼計(jì)算在分布式云環(huán)境中的平均分配原則。需要注意的是，邊端融合環(huán)境中的節(jié)點(diǎn)在計(jì)算性能、地理位置、網(wǎng)絡(luò)條件等方面存在極大的異構(gòu)性，簡(jiǎn)單地將編碼任務(wù)進(jìn)行平均分配無疑會(huì)降低整個(gè)分布式系統(tǒng)的任務(wù)執(zhí)行效率。此外，編碼計(jì)算容易產(chǎn)生大量冗余數(shù)據(jù)，引發(fā)高能耗問題。為此，接下來我們探討一個(gè)基于編碼技術(shù)的邊端融合任務(wù)卸載問題。

如圖5所示，該系統(tǒng)由一個(gè)主節(jié)點(diǎn)和多個(gè)工作節(jié)點(diǎn)構(gòu)成的集合I組成。這些節(jié)點(diǎn)大多是由不可靠的低端硬件組成，并且節(jié)點(diǎn)之間在計(jì)算性能、地理位置和通信能力等方面存在較大的異構(gòu)性。在任務(wù)分發(fā)之前，位于主節(jié)點(diǎn)上的原始任務(wù)矩陣將按行平均劃分為K個(gè)子任務(wù)，在使用MDS碼編碼之后整個(gè)任務(wù)矩陣變?yōu)榱薔行，即N個(gè)子任務(wù)。編碼后的子任務(wù)既可以選擇直接在本地執(zhí)行，也可以卸載到工作節(jié)點(diǎn)上執(zhí)行。當(dāng)選擇卸載到工作節(jié)點(diǎn)上執(zhí)行時(shí)，工作節(jié)點(diǎn)會(huì)有一定幾率出現(xiàn)掉隊(duì)現(xiàn)象從而導(dǎo)致任務(wù)完成時(shí)間增加。一旦主節(jié)點(diǎn)接收到任意K個(gè)返回結(jié)果時(shí)就能恢復(fù)出最終結(jié)果。

圖5編碼任務(wù)部分卸載架構(gòu)圖

（1）系統(tǒng)算法設(shè)計(jì)：針對(duì)邊端融合環(huán)境下的編碼任務(wù)部分卸載問題，我們提出了一種基于迭代貪心的節(jié)點(diǎn)選擇算法。該算法通過對(duì)工作節(jié)點(diǎn)進(jìn)行迭代交換的方式不斷降低整個(gè)系統(tǒng)的能量開銷，算法的具體步驟如表1所示。

表1基于迭代貪心的節(jié)點(diǎn)選擇算法

（2）實(shí)驗(yàn)結(jié)果：為了評(píng)估該系統(tǒng)所使用算法的性能，我們將所提出的算法（IterationGreedyPolicy，IGP）與隨機(jī)卸載算法（RandomOffloadingPolicy，ROP）、全卸載算法（AllOffloadingPolicy，AOP）和本地優(yōu)先算法（LocalComputingPolicy，LCP）進(jìn)行對(duì)比并分別探究了主節(jié)點(diǎn)發(fā)送功率和工作節(jié)點(diǎn)CPU頻率等因素對(duì)于不同方案能量開銷的影響，實(shí)驗(yàn)結(jié)果如圖6、7所示。

圖6不同方案的能量開銷與主節(jié)點(diǎn)發(fā)送功率關(guān)系圖

圖7不同方案的能量開銷與工作節(jié)點(diǎn)CPU頻率關(guān)系圖

調(diào)節(jié)主節(jié)點(diǎn)發(fā)送功率，四種方案能量開銷的變化情況如圖6所示，增大主節(jié)點(diǎn)的發(fā)送功率會(huì)提高傳輸任務(wù)的能量開銷但本地執(zhí)行的能量開銷保持不變。由于AOP方案將所有任務(wù)卸載到工作節(jié)點(diǎn)執(zhí)行，故該方案的能量開銷增幅最大。盡管LCP方案將大部分任務(wù)交由主節(jié)點(diǎn)執(zhí)行，但受制于任務(wù)時(shí)延約束的影響，仍有少部分任務(wù)被卸載到工作節(jié)點(diǎn)執(zhí)行，所以LCP方案的能耗曲線雖保持不斷上漲但增幅較低。我們所提出的IGP方案產(chǎn)生的能量開銷相比于其他方案保持最低，一方面是隨著任務(wù)傳輸能量的提高，會(huì)有越來越多的任務(wù)轉(zhuǎn)移到主節(jié)點(diǎn)上執(zhí)行，另一方面IGP方案存在著工作節(jié)點(diǎn)的迭代交換過程，該過程會(huì)不斷地對(duì)能耗進(jìn)行優(yōu)化調(diào)整。

調(diào)節(jié)工作節(jié)點(diǎn)CPU頻率，四種方案能量開銷的變化情況如圖7所示，提高工作節(jié)點(diǎn)的CPU頻率會(huì)縮短任務(wù)執(zhí)行時(shí)間但主節(jié)點(diǎn)執(zhí)行和發(fā)送任務(wù)的能量開銷保持不變。同時(shí)工作節(jié)點(diǎn)性能的增強(qiáng)不會(huì)改變AOP方案和LCP方案的卸載決策，因此AOP方案與LCP方案的能量開銷自動(dòng)化博覽·邊緣計(jì)算專輯/2023.02/49保持不變，ROP方案的能量開銷仍然呈現(xiàn)一定的波動(dòng)性。我們所提出的IGP方案產(chǎn)生的能量開銷保持最低，并且在1.5GHz至2.7GHz區(qū)間能量開銷不斷降低，隨后保持不變，這是由于部分工作節(jié)點(diǎn)計(jì)算性能較差無法滿足任務(wù)的時(shí)延約束，但這類節(jié)點(diǎn)在地理位置和網(wǎng)絡(luò)條件方面存在優(yōu)勢(shì)，從而導(dǎo)致傳輸任務(wù)產(chǎn)生的能量開銷較低。隨著工作節(jié)點(diǎn)的性能增強(qiáng)，這類節(jié)點(diǎn)也會(huì)逐漸滿足任務(wù)的時(shí)延約束，從而在IGP方案的迭代交換部分能夠?qū)崿F(xiàn)對(duì)于這類節(jié)點(diǎn)的選擇。

6結(jié)語

隨著智能設(shè)備算力的不斷加強(qiáng)，邊端融合計(jì)算架構(gòu)正發(fā)揮著舉足輕重的作用，但應(yīng)用邊端融合計(jì)算到實(shí)際生活中還面臨著諸多挑戰(zhàn)，編碼計(jì)算的出現(xiàn)有望打破僵局。因此，本文介紹了邊端融合計(jì)算架構(gòu)所面臨的挑戰(zhàn)與編碼計(jì)算的基本思想，提出了基于編碼計(jì)算的邊端融合計(jì)算架構(gòu)，并設(shè)計(jì)了一種基于編碼計(jì)算的邊端融合任務(wù)卸載策略作為案例，以此驗(yàn)證編碼計(jì)算與邊端融合計(jì)算架構(gòu)相結(jié)合技術(shù)的可行性。

作者簡(jiǎn)介：

楊在航（1997-），男，湖北人，碩士，現(xiàn)就讀于中國(guó)地質(zhì)大學(xué)（武漢）計(jì)算機(jī)學(xué)院，研究方向?yàn)榫幋a計(jì)算、邊端融合計(jì)算等。

李躍鵬（1994-），男，河南人，博士，現(xiàn)就讀于中國(guó)地質(zhì)大學(xué)（武漢）計(jì)算機(jī)學(xué)院，主要研究方向?yàn)榭尚胚吘売?jì)算等。

曾德澤（1984-），男，四川人，中國(guó)地質(zhì)大學(xué)（武漢）計(jì)算機(jī)學(xué)院教授、博士生導(dǎo)師，主要研究方向?yàn)檫吘売?jì)算、未來網(wǎng)絡(luò)等。

參考文獻(xiàn)：

[1]鄭騰飛,周桐慶,蔡志平,吳虹佳.編碼計(jì)算研究綜述[J].計(jì)算機(jī)研究與發(fā)展,2021,58(10):2187-2212.

[2]GuoY,GuS,ZhangQ,etal.Acodeddistributedcomputingframeworkfortaskoffloadingfrommulti-UAVtoedgeservers[C].2021IEEEWirelessCommunicationsandNetworkingConference(WCNC).IEEE,2021:1-6.

[3]PrakashS,DhakalS,AkdenizMR,etal.Codedcomputingforlow-latencyfederatedlearningoverwirelessedgenetworks[J].IEEEJournalonSelectedAreasinCommunications,2020,39(1):233-250.

[4]ZhaoS.Anode-selection-basedsub-taskassignmentmethodforcodededgecomputing[J].IEEECommunicationsLetters,2019,23(5):797-801.

[5]VargheseB,WangN,BarbhuiyaS,etal.Challengesandopportunitiesinedgecomputing[C].2016IEEEInternationalConferenceonSmartCloud(SmartCloud).IEEE,2016:20-26.

[6]ShiW,CaoJ,ZhangQ,etal.Edgecomputing:Visionandchallenges[J].IEEEInternetofThingsJournal,2016,3(5):637-646.

[7]LiH,ShouG,HuY,etal.Mobileedgecomputing:Progressandchallenges[C].20164thIEEEInternationalConferenceonMobileCloudComputing,Services,andEngineering(MobileCloud).IEEE,2016:83-84.

[8]ChangWT,TandonR.Onthecapacityofsecuredistributedmatrixmultiplication[C].2018IEEEGlobalCommunicationsConference(GLOBECOM).IEEE,2018:1-6.

[9]CaoC,WangJ,WangJ,etal.Optimaltaskallocationandcodingdesignforsecurecodededgecomputing[C].2019IEEE39thInternationalConferenceonDistributedComputingSystems(ICDCS).IEEE,2019:1083-1093.

[10]YadwadkarNJ,HariharanB,GonzalezJE,etal.Multi-tasklearningforstraggleravoidingpredictivejobscheduling[J].TheJournalofMachineLearningResearch,2016,17(1):3692-3728.

摘自《自動(dòng)化博覽》2023年第2期暨《邊緣計(jì)算2023專輯》