邊緣計算是在靠近物或數(shù)據(jù)源頭的網(wǎng)絡邊緣側(cè)，融合網(wǎng)絡、計算、存儲、應用核心能力的開放平臺。邊緣計算與云計算互相協(xié)同，共同助力各行各業(yè)的數(shù)字化轉(zhuǎn)型。它就近提供智能互聯(lián)服務，滿足行業(yè)在數(shù)字化變革過程中對業(yè)務實時、業(yè)務智能、數(shù)據(jù)聚合與互操作、安全與隱私保護等方面的關鍵需求。

根據(jù)國際電信聯(lián)盟電信標準分局ITU-T的研究報告，到2020年，每個人每秒將產(chǎn)生1.7MB的數(shù)據(jù)，IoT可穿戴設備的出貨量將達到2.37億。IDC也發(fā)布了相關預測，到2018年，50%的物聯(lián)網(wǎng)網(wǎng)絡將面臨網(wǎng)絡帶寬的限制，40%的數(shù)據(jù)需要在網(wǎng)絡邊緣側(cè)分析、處理與儲存，到2025年，這一數(shù)字將超過50%。

圖1：邊緣計算與云計算的關系

邊緣計算的巨大價值

美國部署了3000余萬個監(jiān)控攝像頭，每周生成超過40億小時的海量視頻數(shù)據(jù)。物聯(lián)網(wǎng)領域擁有海量的終端設備，如果這些設備產(chǎn)生的數(shù)據(jù)聚在一起，會是個天文數(shù)字。海量數(shù)據(jù)的分析與儲存對網(wǎng)絡帶寬提出了巨大的挑戰(zhàn)，而邊緣計算的誕生，就是為了解決這一問題。

1)分布式和低延遲計算

云計算往往并不是最佳策略，計算需要在更加靠近數(shù)據(jù)源的地方執(zhí)行。這個優(yōu)點可以擴展到任何基于Web的應用程序上：包括 Foursqure和Google Now在內(nèi)的APP能更快的做出響應，所以在移動用戶中變得越來越受歡迎。這說明在更靠近用戶的邊緣節(jié)點上，邊緣計算可以用于改進服務。

許多數(shù)據(jù)流由邊緣設備生成，但是通過“遠處”的云計算處理和分析，不可能做出實時決策。例如使用可穿戴式攝像頭的視覺服務，響應時間需要在25ms至50ms之間，使用云計算會造成嚴重的延遲;再比如工業(yè)系統(tǒng)檢測、控制、執(zhí)行的實時性高，部分場景實時性要求在10ms以內(nèi)，如果數(shù)據(jù)分析和控制邏輯全部在云端實現(xiàn)，則難以滿足業(yè)務要求;還有那些會生成龐大數(shù)據(jù)流的多媒體應用，如視頻或是基于云平臺的網(wǎng)絡游戲，依賴云計算也會為玩家造成類似于等待時間過長的問題，無法滿足用戶的需求。

作為云計算的有益補充，可以利用邊緣節(jié)點(例如，路由器或離邊緣設備最近的基站)，用以減少網(wǎng)絡等待時間。

2)超越終端設備的資源限制

與數(shù)據(jù)中心的服務器相比，用戶終端(例如智能手機)的硬件條件相對受限。這些終端設備以文本、音頻、視頻、手勢或運動的形式獲得數(shù)據(jù)輸入，但由于中間件和硬件的限制，終端設備無法執(zhí)行復雜的分析，而且執(zhí)行過程也極為耗電。因此，通常需要將數(shù)據(jù)發(fā)送到云端，進行處理和運算，然后再把有意義的信息通過中繼返回終端。

然而，并非來自終端設備的所有數(shù)據(jù)都需要由云計算執(zhí)行，數(shù)據(jù)可以利用適合數(shù)據(jù)管理任務的空閑計算資源，在邊緣節(jié)點處過濾或者分析。

3)可持續(xù)的能源消耗

大量研究顯示，云計算會消耗龐大的能源，未來十年數(shù)據(jù)中心所消耗的能源量可能是如今消耗量的3倍。隨著越來越多的應用轉(zhuǎn)移到云，能量需求會日益增長，甚至無法滿足。因此，采用能量效率最大化的計算策略顯得尤為迫切。

一些嵌入式小型設備的基礎信息采集處理完全可以在端完成，即手機傳感器把數(shù)據(jù)傳送到網(wǎng)關后，就通過邊緣計算進行數(shù)據(jù)過濾和處理，沒必要每條原始數(shù)據(jù)都傳送到云，這省去了大量的能源成本。

4)應對數(shù)據(jù)爆炸和網(wǎng)絡流量壓力

邊緣設備的數(shù)量正在超速增長——到2018年，世界上三分之一的人口將擁有智能手機或者可穿戴設備，到2020年，這些設備將生成43萬億GB的數(shù)據(jù)。處理這些數(shù)據(jù)需要進一步擴展數(shù)據(jù)中心，這再次引起了人們對網(wǎng)絡流量壓力的廣泛關注。

通過在邊緣設備上執(zhí)行數(shù)據(jù)分析，可有效應對數(shù)據(jù)爆炸，減輕網(wǎng)絡的流量壓力。邊緣計算能夠縮短設備的響應時間，減少從設備到云數(shù)據(jù)中心的數(shù)據(jù)流量，以便在網(wǎng)絡中更有效的分配資源。

5)智能計算

不僅是消費級的物聯(lián)網(wǎng)終端，邊緣計算還將在工業(yè)應用中發(fā)揮重要作用。計算可以分層執(zhí)行，利用網(wǎng)絡遠端的資源完成。例如，典型的生產(chǎn)流水線可以過濾設備上生成的數(shù)據(jù)，在傳輸數(shù)據(jù)的邊緣節(jié)點上執(zhí)行部分分析工作，之后再通過云端執(zhí)行更加復雜的計算任務。邊緣節(jié)點可以通過分擔云計算的部分任務，增強數(shù)據(jù)中心的計算能力。

業(yè)務流程優(yōu)化、運維自動化與業(yè)務創(chuàng)新驅(qū)動業(yè)務走向智能，邊緣側(cè)智能能夠帶來顯著的效率提升與成本優(yōu)勢。事實上，對于從事工業(yè)自動化工作的人而言，邊緣計算并不陌生。比如，在目前普遍采用的基于PLC、DCS、工控機和工業(yè)網(wǎng)絡的控制系統(tǒng)中，位于底層、嵌于設備中的計算資源，或多或少都是邊緣計算的資源。

目前規(guī)模以上冶金企業(yè)，其信息化已經(jīng)做得頗具成效，但缺少的恰恰是末端智能。冶金方面的數(shù)據(jù)經(jīng)常會出現(xiàn)完整性和一致性的問題，俗稱“臟”數(shù)據(jù)。解決不好這方面的問題，會給能源管理和智能管理環(huán)節(jié)造成很大的困擾。邊緣計算在其中發(fā)揮著重要作用，成為工業(yè)物聯(lián)網(wǎng)技術(shù)的有效補充。

邊緣計算所面臨的挑戰(zhàn)

邊緣計算仍處于起步階段，當前的云計算服務(如Amazon Web Service，Microsoft Azure和Google App Engine)可以支持數(shù)據(jù)密集型的應用程序，但在網(wǎng)絡邊緣進行實時的數(shù)據(jù)處理仍是一個有待開拓的領域。

此外，若想更好的在邊緣節(jié)點上部署應用程序的工作負載，需要考慮以下幾個方面：

部署策略：如何部署工作負載

連接策略：何時使用邊緣節(jié)點

異構(gòu)性：如何處理不同類型的節(jié)點

為了實現(xiàn)邊緣計算，我們認為在硬件、中間件和軟件層面，有以下5個挑戰(zhàn)需要解決。

挑戰(zhàn)1：邊緣節(jié)點上的通用計算能力

理論上，可以在位于邊緣設備和云平臺之間的某幾個節(jié)點上完成邊緣計算，包括接入點、基站、網(wǎng)關、業(yè)務節(jié)點、路由器、交換機等。例如，基站可以根據(jù)工作負載能力，執(zhí)行數(shù)字信號處理(DSP)。但是在實踐中，基站可能并不適合處理分析工作，因為DSP并不是為通用計算設計的。此外，這些節(jié)點是否可以執(zhí)行除了現(xiàn)有工作之外的計算還不太清楚。

由CAVIUM提供的OCTEON Fusion? Family是一個小型“芯片上基站”單元，可擴展從6個到14個的內(nèi)核，以支持32到300+的用戶。這種基站可在非高峰時間使用多個計算核心的運算能力。

許多供應商也已經(jīng)邁出了使用軟件解決方案實現(xiàn)邊緣計算的第一步。例如，諾基亞針對移動邊緣計算(MEC)的軟件解決方案旨在為基站站點提供邊緣計算能力。同樣，思科的IOx為其集成的服務路由器提供了一個邊緣計算環(huán)境。這些解決方案應用于特定硬件，因此不適合部署在異構(gòu)環(huán)境中。

軟件解決方案面臨的一個挑戰(zhàn)是如何開發(fā)跨越不同環(huán)境的可移植的解決方案。某些公司正在研究升級邊緣節(jié)點，以支持通用計算需求。例如，可以升級無線家庭路由器以支持額外的計算任務。英特爾的Smart Cell Platform使用虛擬化技術(shù)，支持額外的計算任務。通用CPU替換專用DSP提供了另一種解決方案，但卻需要巨大的投資。

挑戰(zhàn)2：發(fā)現(xiàn)邊緣節(jié)點

到2020年將有500億的終端和設備聯(lián)網(wǎng)，除了邊緣設備與終端聯(lián)網(wǎng)最大的“異構(gòu)”特征之外，產(chǎn)品生命周期越來越短、個性化需求越來越高、全生命周期管理和服務化的趨勢越來越明顯，這些新趨勢都需要邊緣計算提供強大的技術(shù)支撐。

如何在分布式計算環(huán)境中發(fā)現(xiàn)資源和服務是一個有待拓展的領域。為了充分利用網(wǎng)絡的邊緣設備，需要建立某種發(fā)現(xiàn)機制，找到可以分散式部署的適當節(jié)點。因為可用設備的數(shù)量龐大，這些機制不能依靠人工手動。此外，還需要使用多種異構(gòu)設備滿足最新的計算需求，比如大規(guī)模的機器學習任務。

這些機制必須在不增加等待時間或損害用戶體驗的前提下，實現(xiàn)不同層次和等級的計算工作流中無縫集成，原有的基于云計算的機制在邊緣計算領域不再適用。

挑戰(zhàn)3：分區(qū)和拆分任務

對于邊緣計算來說，最大的難點在于如何動態(tài)、大規(guī)模地部署運算和存儲能力以及云端和設備端如何高效協(xié)同、無縫對接。

不斷發(fā)展的分布式計算已經(jīng)催生了許多技術(shù)用來促進在多個地理位置分區(qū)執(zhí)行任務。任務分區(qū)通常在編程語言或管理工具中明確表示。

然而，利用邊緣節(jié)點來實現(xiàn)分區(qū)計算不僅僅帶來了有效分割計算任務的挑戰(zhàn)，對于如何能在不需要明確定義邊緣節(jié)點的能力或位置，以自動化的方式進行計算的問題上，也遇到了瓶頸。因此，需要一種新型的調(diào)度方式，以便將分割的任務部署到各個邊緣節(jié)點上。

挑戰(zhàn)4：高水準的服務質(zhì)量(QoS)和服務體驗(QoE)

另一個挑戰(zhàn)是需要確保邊緣節(jié)點實現(xiàn)高吞吐量，并且在承接額外計算工作量時運行可靠。例如，當基站過載時，可能影響連接到基站的其他邊緣設備。

因此需要對邊緣節(jié)點的峰值時間全面了解，以便可以用靈活的方式來分割和調(diào)度任務。復雜的算法如何在云端和邊緣設備之間合理分解和整合，需要一個對云管端三者都有控制力的技術(shù)來實現(xiàn)。

挑戰(zhàn)5：開放和安全的使用邊緣節(jié)點

安全橫跨云計算和邊緣計算，需要實施端到端的防護。由于更貼近萬物互聯(lián)的設備，網(wǎng)絡邊緣側(cè)訪問控制與威脅防護的廣度和難度因此大幅提升。邊緣側(cè)安全主要包含設備安全、網(wǎng)絡安全、數(shù)據(jù)安全與應用安全。此外，關鍵數(shù)據(jù)的完整性、保密性是安全領域需要重點關注的內(nèi)容。

如果把終端設備(例如交換機、路由器和基站)當作可共享接入的邊緣節(jié)點，則需要解決許多問題：首先，需要定義邊緣設備使用者和擁有者相關聯(lián)的風險。其次，當設備用于邊緣計算節(jié)點時，設備的原有的功能不能被損害。第三，邊緣節(jié)點上的多重用戶都需要將安全性作為首要關注指標。第四，需要向邊緣節(jié)點的用戶保證最低服務水平。最后，需要考慮工作負載、計算能力、數(shù)據(jù)位置和遷移、維護成本和能源消耗，以便建立合適的定價模型。

邊緣計算的潛在機會

邊緣計算仍處于起步階段，有可能為更高效的分布式計算鋪平道路。盡管在實現(xiàn)邊緣計算時出現(xiàn)了不少挑戰(zhàn)，但邊緣計算將會催生更多的發(fā)展機遇，在此我們明確了5個潛在機會：

機會1：標準、基準和市場

統(tǒng)一數(shù)據(jù)連接和數(shù)據(jù)聚合是業(yè)務智能的基礎，面對當前工業(yè)現(xiàn)場存在的多樣化與異構(gòu)的技術(shù)和標準，離不開跨廠商、跨領域的數(shù)據(jù)集成與互操作。網(wǎng)絡邊緣側(cè)的本地計算服務無疑會在異構(gòu)環(huán)境中迎來IT廠商、IT方案商以及開發(fā)者集成融合服務的挑戰(zhàn)，標準化亟待形成。

許多組織正在定義各種邊緣計算標準，例如美國國家標準和技術(shù)協(xié)會(NIST)、IEEE標準協(xié)會、國際標準化組織(ISO)、云計算標準客戶委員會(CSCC)和國際電信聯(lián)盟(ITU)等。只有當邊緣節(jié)點的性能可以根據(jù)廣泛認可的度量指標可靠的進行基準測試時，才能形成標準。

機會2：架構(gòu)和語言

隨著支持通用計算的邊緣節(jié)點不斷增加，開發(fā)框架和工具包的需求也會隨之增長。邊緣分析與現(xiàn)有流程不同，由于邊緣分析將在用戶驅(qū)動的應用程序中實現(xiàn)，現(xiàn)有框架可能不適合表達邊緣分析的工作流。

編程模型需要利用邊緣節(jié)點支持任務和數(shù)據(jù)的并行，并且同時在多個層級的硬件上執(zhí)行計算。編程語言需要考慮工作流中硬件的異構(gòu)性和各種資源的計算能力。這比云計算的現(xiàn)有模型更加復雜。

機會3：輕量級庫和算法

與大型服務器不同，由于硬件限制，邊緣節(jié)點不支持大型軟件。例如，Intel T3K并發(fā)雙模SoC的小型基站具有4核ARM的CPU和有限內(nèi)存，不足以執(zhí)行復雜的數(shù)據(jù)處理工作。再比如APAChe Spark需要至少8核的CPU和8 GB的內(nèi)存以獲得良好的性能。邊緣分析需要輕量級算法，可以進行合理的機器學習或數(shù)據(jù)處理任務。

例如，Apache Quarks是一種輕量級庫，可以在小型邊緣設備(如智能手機)上使用，以實現(xiàn)實時數(shù)據(jù)分析。但是Quarks支持的基本數(shù)據(jù)處理，例如過濾和窗口聚合，不足以滿足高級分析任務。消耗更少內(nèi)存和使用更小磁盤的機器學習資源庫有利于實現(xiàn)邊緣節(jié)點的數(shù)據(jù)分析。TensorFlow是另一個支持深度學習算法并支持異構(gòu)分布式系統(tǒng)的示例框架，但其邊緣分析的潛力仍有待探索。

機會4：微型操作系統(tǒng)和虛擬化

基于微型操作系統(tǒng)或微型內(nèi)核的研究可以解決在異構(gòu)邊緣節(jié)點上部署應用的挑戰(zhàn)。

有研究表明，跨越多個虛擬設備復用設備硬件的移動容器可以提供與本地硬件接近的性能。容器技術(shù)(如Docker)正在成熟，并且能夠在異構(gòu)平臺上快速部署應用程序。

機會5：產(chǎn)學研合作

邊緣計算為產(chǎn)業(yè)界和學術(shù)界提供了獨特的發(fā)展機會。邊緣計算領域的研究可以由行業(yè)合作伙伴(例如移動運營商和開發(fā)人員、軟件工具開發(fā)商和云服務提供商等)以及感興趣的學術(shù)合作伙伴共同驅(qū)動，以實現(xiàn)雙方的共同利益。