边缘计算的七大核心技术

计算模式的创新带来技术的升级，边缘计算的快速发展也得益于技术的进步。本节总结了推动边缘计算发展的七大核心技术，包括网络、隔离技术、架构、边缘操作系统、算法执行框架、数据处理平台以及安全和隐私。

1.网络

边缘计算将计算推向更靠近数据源的地方，甚至将整个计算部署在从数据源到云计算中心节点的传输路径上，这样的计算部署对现有的网络结构提出了三个新的要求：

1)服务发现。在边缘计算中，由于计算服务请求者的动态特性，计算服务请求者如何知道周围的服务将是边缘计算在网络层面的核心问题。传统的基于 DNS 的服务发现机制主要处理静态服务。或者在服务地址变化缓慢的场景下。当服务发生变化时，DNS服务器通常需要一定的时间来完成域名服务的同步，在此期间会造成一定的网络抖动，因此不适合大规模、动态的应用。边缘计算场景。

2)快速配置。在边缘计算中，由于用户和计算设备的动态增加，如智能网联汽车，以及用户切换导致计算设备的动态注册和注销，通常需要进行业务迁移，这将导致大量网络流量的突发数量。与云计算中心不同，广域网的网络情况更加复杂，带宽可能有一定的限制。因此，如何从设备层支持服务的快速配置是边缘计算的核心问题。

3)负载平衡。在边缘计算中，边缘设备产生大量数据，边缘服务器提供大量服务。因此，如何根据边缘服务器和网络状况，将这些数据动态调度到合适的计算服务商，将是边缘计算的一个重要问题。核心问题。

对于上述三个问题，最简单的方法之一就是将所有计算服务部署在所有中间节点上。但是核心技术有哪些，这会导致大量的冗余，同时也给边缘计算设备带来了问题。更高的要求。因此，我们以“构建从边缘到云端的计算路径”为例，首先要面对的是如何找到服务来完成计算路径的建立。命名数据网络（NDN）是一种对数据和服务进行命名和寻址，并以 P2P 和集中方式自组织的数据网络。计算链路的建立在一定程度上也是数据关联的建立，即数据要从源头传输到云端。因此，NDN被引入到边缘计算中，通过它建立计算服务的命名，关联数据的流动。因此，可以很好地解决计算环节的服务发现问题。

随着边缘计算的兴起，特别是在移动用户的情况下，例如车载网络，计算服务的迁移比基于云计算的迁移更加频繁，这也会造成大量的数据迁移，从而为网络层提供动态需求。软件定义网络（SDN）于2006年诞生于美国GENI项目资助的斯坦福大学Clean Slate项目，是一种控制平面和数据平面分离、网络管理简单的可编程网络。由于控制平面和数据平面分离的特性，网络管理员可以快速配置路由器和交换机，减少网络抖动，支持流量快速迁移。因此，它可以很好地支持计算服务和数据的迁移。同时，结合NDN和SDN，可以更好地组织和管理其上的网络和服务，从而初步实现计算链路的建立和管理。

2.隔离技术

隔离技术是支持边缘计算稳步发展的研究技术。边缘设备需要使用有效的隔离技术来保证服务的可靠性和服务质量。隔离技术需要考虑两个方面：

1)计算资源的隔离，即应用之间不能互相干扰；

2)数据的隔离，即不同的应用应该有不同的访问权限。

在云计算场景中，某个应用的crash可能会带来整个系统的不稳定，造成严重的后果，而在边缘计算中，情况会变得更加复杂。比如在自动驾驶操作系统中，既要支持车载娱乐，满足用户的需求，又要同时运行自动驾驶任务，满足汽车本身的驾驶需求。这时，如果车载娱乐任务干扰自动驾驶任务，或者影响整个操作系统的性能，就会造成严重后果，直接给生命财产安全造成损失。隔离技术还需要考虑第三方程序对用户隐私数据的访问权限，例如不允许车载娱乐程序访问汽车控制总线数据等。目前在云计算场景中，VM虚拟机而Docker容器技术主要用于保证资源隔离。边缘计算可以借鉴云计算开发经验，研究适合边缘计算场景的隔离技术。

Docker技术，广泛应用于云平台，基于0S级虚拟化，可以实现应用在隔离环境中运行。 Docker的存储驱动采用了容器中分层镜像的结构，使得应用可以在一个容器中快速打包发布，从而保证应用之间的隔离。李等人。建立了基于Docker迁移的有效服务切换系统，利用Docker的分层文件系统支持，提出了适用于边缘计算的高效高效的解决方案。一种容器迁移策略，用于减少数据传输的开销，包括文件系统、二进制内存映像和检查点。哈等人。提出了VM切换技术，实现虚拟机VM计算任务迁移，支持快速透明的资源放置，保证VM虚拟机封装在对安全性和可管理性要求较高的应用中。这种多功能原语还提供了实时迁移的能力，并针对边缘进行了优化。这种基于 VM 的隔离技术提高了应用程序的抗噪能力并提高了边缘计算系统的可用性。

3.架构

无论是高性能计算等传统计算场景，还是边缘计算等新兴计算场景，未来的架构应该是通用处理器和异构计算硬件共存的模式。异构硬件牺牲部分通用计算能力，使用专用加速单元减少一种或多种工作负载的执行时间，显着提高性能功耗比。边缘计算平台通常是针对某类计算场景设计的，处理负载类型相对固定。因此，针对特定计算场景设计边缘计算平台架构的前沿工作很多。

最早由时点脑提出为了将人工智能处理器靠近图像传感器放置，处理器直接从传感器读取数据，避免了访问DRAM中图像数据带来的能耗； , CNNs) 权重方法，模型完全放在 SRAM 中，避免访问 DRAM 中权重数据带来的能量消耗；由于计算能效显着提升（60倍），可应用于移动设备。 EIE：它是一种高效的稀疏神经网络推理引擎，通过并行化稀疏矩阵和共享权重，加速移动设备上稀疏神经网络的执行能效。一套完整的边缘计算技术，其中PhiPU专为物联网设备设计，采用异构多核结构并行处理深度学习任务和常见计算任务（实时操作系统）。 In-Situ AI 是物联网场景的平台。国内深度学习应用的自增量计算框架和架构，通过数据诊断将深度学习任务部署到物联网计算节点，选择数据移动最小的计算模式。除了专用计算硬件的设计，还有一类工作是探索 FPGA 在边缘计算场景中的应用。 ESE [6] 通过 FPGA 提高了移动设备上稀疏长短期记忆网络 (LSTM) 的执行能效，用于加速语音识别应用。它通过负载均衡感知LSTM剪枝和压缩的方法，保证硬件的高利用率，同时在多个硬件计算单元中调度LSTM数据流；它使用 Xilinx XCKU060 FPGA 进行硬件设计和实现。与CPU和GPU相比，它是分开实现的。通过比较FPGA和GPU在运行特定负载时的吞吐量敏感性、结构适应性和计算能效，表明FPGA更适合边缘计算场景。

边缘计算的计算体系结构设计仍然是一个新兴领域，还有很多挑战需要解决，比如如何高效管理边缘计算的异构硬件，如何进行公平和综合的评估等。在第三届边缘计算大会（SEC 2018）上，首次设立了面向边缘计算架构的研讨会：ArchEdge，鼓励学术界和工业界在该领域进行讨论和交流。

4.边缘操作系统

边缘计算操作系统向下需要管理异构计算资源，向上需要处理大量异构数据和多用途应用负载。它需要负责在边缘计算节点上部署、调度和迁移复杂的计算任务，以保证计算任务的可靠性，最大限度地提高资源利用率。与传统物联网设备上的实时操作系统Contikt和FreeRTOS不同，边缘计算操作系统更倾向于数据、计算任务和计算资源的管理框架。

机器人操作系统（ROS）最初是为异构机器人车队的消息通信管理而设计的，现已逐渐发展成为一套提供硬件抽象和驱动的开源机器人开发和管理工具。 、消息通信标准、软件包管理等一系列工具广泛应用于工业机器人、自动驾驶汽车或无人机等边缘计算场景。为解决 ROS 中的性能问题，社区于 2015 年推出了 ROS2.@ > 0，其核心是引入数据分发服务（DDS）来解决 ROS 对主节点的性能依赖。同时，DDS 提供了共享内存机制来提高节点间的通信效率。 EdgeOSH 针对智能家居。设计的边缘操作系统部署在家庭边缘网关中，通过三层功能抽象连接上层应用和下层智能家居硬件。它提出了多种边缘计算任务，服务管理层应具备差异化、灵活性、可扩展性、隔离性和可靠性要求。 PhiOS是智能家居设备的边缘操作系统，在Phi-Stack中提出，引入了轻量级的REST引擎和LUA解释器，帮助用户在家庭边缘设备上部署计算任务。 OPenVDAP是专为汽车场景设计的数据分析平台。它提出了 EdgeOSv，一种用于联网汽车场景的边缘操作系统。该操作系统提供任务灵活性管理、数据共享和安全性。和隐私保护。

根据目前的研究状况，ROS和基于ROS的操作系统可能会成为边缘计算场景的典型操作系统，但仍需要在各种真实计算场景中使用。部署评估和验证。

5.算法执行框架

随着人工智能的快速发展，边缘设备需要执行越来越多的智能算法任务。例如，家庭语音助手需要执行自然任务。语言理解、智能驾驶汽车需要检测识别街道物体、手持翻译设备需要翻译实时语音信息等。在这些任务中，机器学习，尤其是深度学习算法占据了很大的比重，让硬件设备能够更好地执行以深度学习算法为代表的智能任务是研究的重点，也是实现边缘智能的必要条件。为边缘计算场景设计高效的算法执行框架是一个重要的方法。目前针对Execution框架特点设计的机器学习算法有很多，比如谷歌2016年发布的TensorFloE、依赖开源社区发展的Caffe等，但这些框架大多运行在云数据中心，以及它们不能直接应用于边缘设备。如表2所示，云数据中心和边缘设备对算法执行框架的要求存在较大差异。在云数据中心，算法执行框架执行了更多的模型训练任务。他们的输入是大规模的批量数据集，重点是训练时框架的迭代速度、收敛速度和可扩展性。而边缘设备执行更多的预测任务，输入是实时的小规模数据。由于边缘设备的计算资源和存储资源相对有限，他们更加关注算法执行框架预测的速度、内存占用和能效。

为了更好地支持边缘设备执行智能任务，一些专门针对边缘设备的算法执行框架应运而生。 TensorFlow Lite，一种针对移动和嵌入式设备的轻量级解决方案，通过优化移动应用内核、预激活和量化内核等方式，减少执行预测任务时的延迟和内存占用。Caffe2 是 Caffe 的一个更高级的版本核心技术有哪些，它是一个轻量级的添加对移动终端的支持的执行框架。此外，PyTorch、MXNet等主流机器学习算法执行框架也开始提供在边缘设备上的部署方式。

张等人。在不同边缘设备（MacBook Pro、Intel FogNode、NVIDIA Jetson TX2、Raspberry Pi 3 Model B+、Huawfi Nexus 6P）上的 TensorFlow、Caffe2、MXNet、PyTorch 和 TensorFlow Lite 上进行性能对比分析，包括延迟、内存使用、和能源效率。最后发现没有一个框架可以在所有维度上都达到最佳性能，所以执行框架的性能提升空间比较大。 , 高效可扩展的边缘设备算法执行框架的研究非常重要，也是实现边缘智能的重要一步。

6.数据处理平台

在边缘计算场景中，边缘设备一直在产生海量数据。数据的来源和类型多种多样，包括环境传感器。采集的时序数据、摄像头采集的图片和视频数据、车载激光雷达的点云数据等，大部分数据都具有时空属性。构建一个用于在边缘管理、分析和共享数据的平台非常重要。

以智能网联汽车场景为例，汽车逐渐向移动计算平台演进，车载应用越来越多，汽车的各类数据也比较多。 Zhang等人提出的OPenVDAP。是一个开放的车辆数据分析平台。如下图3所示，Open VDAP分为4部分，分别是异构计算平台（VCU）、操作系统（EdgeOSv）、驾驶数据采集器（DDI）和应用程序库（libvdap），车上可以安装并部署该平台，完成车载应用的计算，实现车与云、车与车、车与路边计算单元的通信，保证车内应用的质量车载应用服务。和用户体验。因此，在边缘计算的不同应用场景中，如何有效地管理数据、提供数据分析服务、保证一定的用户体验是一个重要的研究课题。

7.安全和隐私

虽然边缘计算将计算推向了更贴近用户的地方，但避免了数据上传到云端，减少了隐私数据泄露的可能性。然而，与云计算中心相比，边缘计算设备通常位于靠近用户侧或传输路径上，更容易被攻击者入侵。因此，边缘计算节点的安全仍然是一个不容忽视的问题。 . 分布式和异构类型的边缘计算节点也使得它们难以统一管理，从而导致一系列新的安全问题和隐私泄露。边缘计算作为信息系统的一种计算方式，在信息系统中也存在一个通病。现有的常见安全问题，包括：应用安全、网络安全、信息安全和系统安全。

在边缘计算的环境下，通常仍然可以使用传统的安全方案进行保护，例如通过基于密码学的方案进行信息安全保护，通过访问控制策略防止未经授权的访问。但需要注意的是，通常需要对传统解决方案进行一些修改以适应边缘计算的环境。同时，近年来，一些新兴的安全技术（如硬件辅助可信执行环境）可用于边缘计算，以增强边缘计算的安全性。另外，利用机器学习来增强系统的安全防护也是一个不错的解决方案。

可信执行环境 (TEE) 是指设备上独立于不可信操作系统而存在的可信、隔离和独立的执行环境。它为私有数据和敏感计算提供了一个安全保密的空间，而 TEE 的安全性通常由硬件相关的机制来保证。常见的 TEE 包括 Intel Software Guard Extensions、Intel Management Engine、x86 System Management Mode、AMD Memory Encryption Technology、AMD Platform Security Processor 和 ARM TrustZone Technology。通过在可信执行环境中运行应用，并对所使用的外部存储进行加解密，边缘计算节点的应用在边缘计算节点被攻破时仍能保证应用和数据的安全。