下载掌阅APP，畅读海量书库
立即打开
当下正处于物联网的大爆发时期，在物联网与人工智能的结合部位，将会产生一系列崭新的机遇。一方面，物联网正在从“连接”走向“智能”；另一方面，人工智能正在从“云端”走向“边缘”，两者正在合力推进物联网向智联网进化。随着智联网时代的到来，作为物联网主要技术之一的“云计算”也随之升级换代，下面将从雾计算、边缘计算和海计算三个方面进行介绍。
1. 基本概念
雾计算（Fog Computing）最初是由美国纽约哥伦比亚大学的斯特尔佛教授（Prof. Stolfo）提出的，当时的意图是利用“雾”来阻挡黑客入侵。雾计算第一次出现在人们的视野中，是2011年在拉斯维加斯举办的第八届车联网国际会议上。思科（Cisco）的Bonomi F. 等人率先提出一种区别于云计算的计算模式，该计算模式将云端的服务和任务扩展到网络边缘，以克服云计算在位置感知、内容实时交付、服务低时延、移动性支持等方面的缺陷。随后，在2012年的移动云计算（Mobile Cloud Computing，MCC）研讨会上，Bonomi F. 等人对雾计算的特性和服务场景做了进一步研讨。作者们定义了雾计算具备的七个特性：支持低延迟服务和位置感知服务、服务节点呈广泛的地理分布特性、支持服务的移动性、服务节点大量部署、无线接入服务占主导地位、支持流媒体等内容实时交付要求、服务节点和接入设备存在异构性。而上述特性使得雾计算可以为诸如车联网、智慧城市、无线传感网等物联网场景的服务和应用提供计算平台。
同年，思科给出了雾计算的明确定义：雾计算是云计算的延伸，在雾计算模式中，数据、处理和应用程序都集中在网络边缘的设备中，而不是几乎全部保存在云中，因此“雾是更贴近地面的云”。惠普实验室指明，“雾计算是由大量异构的分布式设备，通过有线/无线的方式协同完成任务的计算与存储”。
2. 主要优点
1）低时延
不同于远程部署的云，雾通常部署于网络边缘，近距离为终端设备提供计算、存储及网络等服务。对于实时数据的发送，可以通过单跳链路通信完成，大大减小了数据传输时延。相比于将数据传输至云端进行计算，保证了实时数据处理的服务质量，减轻了主干网络通信的压力。
2）节省核心网络带宽
雾作为云和终端的中间层，本就在用户与数据中心的通信通路上。雾可以过滤、聚合用户消息（如不停发送的传感器消息），只将必要的消息发送给云，减小核心网络的压力。
3）高可靠性
为了服务不同区域的用户，相同的服务会被部署在各区域的雾节点上。这也使得高可靠性成为雾计算的内在属性，一旦某一区域的服务异常，用户请求可以快速转向其他临近区域。
4）背景信息了解
因为分布在不同区域，雾计算中的服务可以了解到区域背景信息，如本区域带宽是否紧张，根据这一知识，一个视频服务可以及时决策是否降低本地区视频质量，来避免即将到来的卡顿现象；而对一个地图应用，则可将本地区地图缓存，提高用户体验。
5）低能耗
雾计算具有低能耗的优势，终端设备将任务发送至附近的雾节点处理，终端设备的能耗问题得到解决。在雾计算环境中，分布式部署的雾相比集中式部署的云能效性更高。在云计算环境中，海量数据传输至云需要消耗大量的能量，对于移动设备来说是一个很大的挑战。引入雾计算可解决能耗问题，海量数据无须发送至云端进行分析，靠近数据源的雾节点为降低能耗提供了有效的解决方案。
6）位置感知精确
雾计算主要使用边缘网络中的设备，由于网络边缘分布范围较广，节点数量庞大，密度较高，部署在雾计算环境中的设备能够感知周围环境的详细信息，可以随时获取其中设备的位置信息、正在发生的行为及人员的出席情况等。
7）移动性支持
在雾计算环境中，静止的雾节点不但可以为静止/移动的终端用户提供服务，而且移动的雾节点也可以为静止/移动的终端用户提供服务。移动的雾节点可以是正在行驶的汽车、飞行中的无人机、配有可穿戴设备的行人等。通过采用不同的通信协议及任务迁移等技术，实现雾节点与移动终端设备的信息无缝交互。
8）异构性
随着物联网技术的快速发展，预测在未来不久，将会有数百亿个物理设备连接到物联网。雾节点由位于网络边缘的智能体、网络设备等组成，这些设备的功能及性能都存在很大的差异，同时依赖不同的通信协议和传输介质。雾计算能够在制造现场通过虚拟化技术和面向服务的理念将异构设备进行抽象，形成提供计算、存储与网络服务的高度虚拟化共享平台，为操作技术（Operation Technology，OT）与信息技术（Information Technology，IT）互相融合提供载体，从而有效降低云端与制造系统交互的任务难度。
3. 系统架构 [35]
相较于云计算终端用户层、网络层和云层的三层架构，雾计算的系统在引入中间雾层后架构可以分成五层，分别是终端用户层、接入网络层、雾层、核心网络层和云层，如图1-7所示。不难看出，离底层越近，分布的区域越大，且终端用户数据传输到该层的时延越小。
图1-7 雾计算的系统架构
1）终端用户层
终端用户层主要由用户的手机、便携式电脑等终端设备构成，而且随着传感网技术的发展，传感器节点也将在这一层中发挥重要作用。任务将在这一层中产生，处理后的结果也将返回到这一层。此外，终端设备还需要发现并指定对应任务转发的雾节点。
2）接入网络层
当终端用户层的用户生成内容后，会由接入网络的网络设备将这些信息按照预定的规则发送到对应的雾节点上。在这一层中通信的网络既包含有线局域网，又包含Wi-Fi、5G等无线接入网络。
3）雾层
雾层是雾计算的核心。在雾层中部署有贴近用户的、高密度的计算和存储设备，极大地降低了传统云计算的时延，同时也能给予用户移动性的支持。这些设备被称为雾节点（Fog Node）。可以将雾节点按照其部署位置和功能分成三类：雾边缘节点（Fog Edge Node）、微雾（Foglet）和雾服务器（Fog Server）。
雾边缘节点一般由智能网关、边界路由器等构成，是距离终端用户层最近的雾节点，提供一定程度的计算、存储和通信功能。雾服务器比雾边缘节点具有更强的计算能力和更大的存储空间，能够应对更多的请求。其可直接与远端的云数据中心通过网络连接。微雾在相对复杂的雾层结构中出现，位于雾边缘节点和雾服务器之间，起着预处理、路由等中间件的作用，通过SDN（Software Defined Network）可以实现流量的智能转发，避免拥塞。
4）核心网络层与云层
对于超出雾层计算或存储能力的任务，会被雾服务器通过IP核心网络发往云数据中心。多跳的有线网一般用到SDN技术。
云层主要由远端的云数据中心服务器构成，这些服务器往往具备比雾层服务器更强的计算能力和更大的存储能力，因此，其一般起到数据备份、大计算量任务处理的作用。与雾层类似，云端服务器也是相连的，装载有任务的虚拟机可在云端服务器间来回迁移，以增大执行效率。
4. 资源调度的考虑因素
在雾计算中，任务将被装载在虚拟机（Virtual Machine，VM）或容器（Container）中运行。这些虚拟机或容器可以在物理机之间进行迁移，以更高效地利用物理机的资源。虚拟机或容器迁移的位置依赖于调度算法的设计。在调度算法的设计上，相比于云计算的复杂之处，一方面，雾计算对时延的敏感程度很高，因此，用户到雾节点的时间、任务在不同雾节点中迁移的时间、雾节点将任务转发到云数据中心的时间都可能被纳入考量；另一方面，雾节点除计算节点外可能还设置了存储相关的节点，这些节点的放置方式也会影响到相关的服务质量。因此，在调度算法的设计中需要考虑如下因素。
1）存储容量
存储是雾层的一大功能，对于存储，希望数据能尽量靠近需求，但也同时希望使用尽量少的存储空间。数据获取时间和数据备份数目这两个指标一般会同时出现，作为存储情况的衡量指标。
2）时延
除存储外，雾层中雾节点更多地承担着计算的功能，而时延是对计算能力的一个重要的衡量指标。用往返时延衡量计算时延存在问题。对于计算时延来说，采用如违反服务等级协议（SLA Violation）这样的针对资源短缺程度的衡量方法将更加合理。
3）功耗
这也是对计算能力的一个重要的衡量指标。为提升资源使用效率，任务一般加载在虚拟机中执行，同一设备上的虚拟机将共享该设备的资源。人们寄希望于将尽量多的虚拟机打包到尽量少的设备上，但打包的程度越大，资源短缺的风险越大，从而时延的风险也随之增大。因此，一般会结合功耗和时延对计算能力进行统一的考量。此外，还有一些类似的指标也可以起到相同的效果，如与资源消耗量成正比的二氧化碳排放量。
4）效用
雾计算和云计算一样具有其商业价值。例如，在车联网中利用周围车辆与道路两旁的智能传感器所提供的算力进行计算，而在这里就产生了计价的问题。由于现在还没有一个像云按需服务这样成熟的商业模式，因此，这项指标主要针对具体的情景。
5）网络资源占用与迁移时间
为了获得更高的收益，可以在必要时对虚拟机进行迁移。由于网络资源有限，虚拟机在网络上进行迁移存在代价，而这个代价一般通过网络资源占用和迁移时间来反映。其中，网络资源占用直接衡量带宽资源，而迁移时间不仅间接反映了带宽的情况，还反映了在网络线路传输过程中的时延。由于雾节点之间距离较小，这种时延实际上可以忽略不计，因此，这两种衡量方法均可采用。
5. 相关应用 [35]
由于雾计算比云计算具有贴近用户、能够提供地理分布与移动性支持的特点，因此其适于四种应用类型：一是以大型网络游戏、超高清视频为代表的具有大数据量但要求较低时延的应用；二是以无线传感网为代表的基于地理分布的应用；三是以车联网、可穿戴设备为代表的需要快速反馈的移动应用；四是以智能电网、智能交通指挥系统为代表的大规模分布式决策系统。
1）具有大数据量但要求较低时延的应用
对于大型网络游戏、超高清视频这样的应用来说，雾计算可以像内容分发网络一样，将大数据缓存在靠近用户的位置，从而减少了从远端数据中心获取数据的时延，也节省了网络的带宽。与此同时，雾节点也可以进行一定程度的数据处理，从而减轻了终端设备的计算任务，提升了应用的性能。
2）基于地理分布的应用
雾节点可以部署在靠近传感器的位置以减少从终端设备到雾节点的距离。这样做可以有效减小传感器的传输距离，从而节约了传感器的能耗，保证了数据的质量，降低了数据被窥探的风险。与此同时，雾节点可以协助终端传感设备进行计算，提升了数据的计算效率。
3）快速反馈的移动应用
相比于云计算，雾计算通过安装在移动物体上的传感器与该区域内固定装载的传感器进行协同感知，然后及时交由对应的雾节点进行处理，并将得到的结果立即反馈给用户，可以有效降低时延。这种时延的降低对未来的无人驾驶大有裨益。
4）大规模分布式决策系统
在大规模分布式决策系统中，雾计算可以改善传统的云计算在位置感知、移动性支持和时延上的问题，形成快速有效的物联信息决策系统，以达到更有效、更智能的决策目的。
1. 基本概念 [36]
1）发展历史
早在2003年，美国公司AKMAAI与IBM在内部的研究项目“开发边缘计算应用”中首次提出“边缘计算”（Edge Computing），并在其Web Sphere上提供基于边缘的服务。2004年，新加坡管理大学H. H. Pang首次在公开文献 [37] 中指出了边缘计算将应用程序逻辑和底层数据迁移到网络边缘，旨在提高其可用性和可扩展性。2015年9月，欧洲电信标准化协会（ETSI）发表关于移动边缘计算的白皮书，并在2017年3月将移动边缘计算行业规范工作组正式更名为多接入边缘计算（Multi-access Edge Computing，MEC），致力于更好地满足边缘计算的应用需求和相关标准制定。
2）定义 [38]
边缘计算目前还没有一个严格的、统一的定义，不同研究者从各自的视角来描述和理解边缘计算。美国卡内基梅隆大学的Satyanarayanan教授把边缘计算描述为“边缘计算是一种新的计算模式，这种模式将计算与存储资源（如Cloudlet、微型数据中心或雾节点等）部署在更贴近移动设备或传感器的网络边缘”。美国韦恩州立大学的施巍松等人把边缘计算定义为：“边缘计算是指在网络边缘执行计算的一种新型计算模式，边缘计算中边缘的下行数据表示云服务，上行数据表示万物互联服务，而边缘计算的边缘是指从数据源到云计算中心路径之间的任意计算和网络资源。”
这些定义都强调边缘计算是一种新型计算模式，它的核心理念是“计算应该更靠近数据的源头，可以更贴近用户”。这里“贴近”一词包含多种含义。首先可以表示网络距离近，这样由于网络规模的缩小，带宽、延迟、抖动这些不稳定的因素都易于控制和改进；还可以表示为空间距离近，这意味着边缘计算资源与用户处在同一个情景之中（如位置），根据这些情景，信息可以为用户提供个性化的服务（如基于位置信息的服务）。空间距离与网络距离有时可能并没有关联，但应用可以根据自己的需要来选择合适的计算节点。
2. 主要优点
（1）在网络边缘处理大量临时数据，不再全部上传云端，这极大地减轻了网络带宽和数据中心功耗的压力。
（2）在靠近数据生产者处做数据处理，不需要通过网络请求云计算中心的响应，大大减少了系统延迟，增强了服务响应能力。
（3）边缘计算不再将用户隐私数据上传，而是存储在网络边缘设备上，减少了网络数据泄露的风险，保护了用户数据安全和隐私。
3. 核心技术
1）网络
边缘计算将计算推至靠近数据源的位置，甚至将整个计算部署于从数据源到云计算中心的传输路径上的节点，这样的计算部署对现有的网络结构提出了三个新的要求。其一是服务发现：由于计算服务请求者的动态性，计算服务请求者如何知道周边的服务。其二是如何从设备层支持服务的快速配置。其三是负载均衡：如何根据边缘服务器及网络状况，动态地将边缘设备产生的数据调度至合适的计算服务提供者。
2）隔离技术
隔离技术是支撑边缘计算稳健发展的重要研究技术，边缘设备需要通过有效的隔离技术来保证服务的可靠性和质量。隔离技术需要考虑两个方面的因素：一是计算资源的隔离，即应用程序间不能相互干扰；二是数据的隔离，即不同应用程序应具有不同的访问权限。
3）体系结构
无论是如高性能计算一类传统的计算场景，还是如边缘计算一类的新兴计算场景，未来的体系结构应该是通用处理器和异构计算硬件并存的模式。异构计算硬件牺牲了部分通用计算能力，使用专用加速单元减小了某一类或多类负载的执行时间，并且显著提高了性能功耗比。边缘计算平台通常针对某一类特定的计算场景设计，处理的负载类型较为固定，故目前有很多前沿工作针对特定的计算场景设计边缘计算平台的体系结构。
4）边缘计算操作系统
边缘计算操作系统向下需要管理异构的计算资源，向上需要处理大量的异构数据及多样的应用负载，负责将复杂的计算任务在边缘计算节点上部署、调度及迁移，从而保证计算任务的可靠性及资源的最大化利用。与传统的物联网设备上的实时操作系统Contiki和FreeRTOS不同，边缘计算操作系统更倾向于对数据、计算任务和计算资源的管理框架。
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，如家庭语音助手需要进行自然语言理解、智能驾驶汽车需要对街道目标进行检测和识别、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有很大的比重，使硬件设备更好地执行以深度学习算法为代表的智能任务是研究的焦点，也是实现边缘智能的必要条件，而设计面向边缘计算场景下的高效的算法执行框架是一个重要的方法。开展针对轻量级的、高效的、可扩展性强的边缘设备算法执行框架的研究十分重要，这也是实现边缘智能的重要步骤。
6）数据处理平台
在边缘计算场景下，边缘设备时刻产生海量数据，数据的来源和类型具有多样化的特征，这些数据包括环境传感器采集的时间序列数据、摄像头采集的图片视频数据、车载LiDAR的点云数据等，数据大多具有时空属性。构建一个针对边缘数据进行管理、分析和共享的平台十分重要。
7）安全和隐私
虽然边缘计算将计算推至靠近用户的地方，避免了数据上传到云端，降低了隐私数据泄露的可能性，但是边缘计算仍存在一些安全隐私问题，首先，相较于云计算中心，边缘计算设备在传输路径上具有更高的潜在可能被攻击者入侵；其次，边缘计算节点的分布式和异构性决定了其难以进行统一的管理，从而导致一系列新的安全问题和隐私泄露等问题；最后，边缘计算存在信息系统普遍存在的共性安全问题，如网络安全、系统安全等。
在边缘计算的环境下，安全防护方案有以下几种：其一，对传统安全方案（如密码学、访问控制策略）进行一定的修改，以适用边缘计算；其二，利用机器学习来增强系统的安全防护；其三，近些年也有一些新兴的安全技术可以使用到边缘计算中，如硬件协助的可信执行环境（Trusted Execution Environment，TEE）——在设备上一个独立于不可信操作系统而存在的可信的、隔离的、独立的执行环境，为不可信环境中的隐私数据和敏感计算提供了一个安全而机密的空间，通过将应用运行于可信执行环境中，并且将使用到的外部存储进行加/解密，在边缘计算节点被攻破时，仍然可以保证应用及数据的安全性。
4. 典型应用
1）公共安全中实时数据处理
公共安全从社会的方方面面，如消防、出行，影响着广大民众的生活。随着智慧城市和平安城市的建设，大量传感器被安装到城市的各个角落，提升公共安全。然而，想要进一步提升安全性，最终还得依赖于视频等技术，然而这将导致大量的带宽需求。边缘计算作为近数据源计算，可以大大降低数据带宽，可以用来解决公共安全领域多种数据处理的问题。
2）智能网联车和自动驾驶
随着机器视觉、深度学习和传感器等技术的发展，汽车的功能不再局限于传统的出行和运输工具，而是逐渐变为一个智能的、互联的计算系统，我们称这样新型的汽车为智能网联车（Connected and Automated Vehicles，CAV）。智能网联车的出现催生了一系列新的应用场景，如自动驾驶、车联网及智能交通。Intel在2016年的报告中指出，一辆自动驾驶车辆一天产生的数据为4TB，这些数据无法全部上传至云端处理，需要在边缘节点（汽车）中存储和计算。
3）虚拟现实
虚拟现实（VR）和增强现实（AR）技术的出现彻底改变了用户与虚拟世界的交互方式。为保证用户体验，VR/AR的图片渲染需要具有很强的实时性。研究表明：将VR/AR的计算任务卸载到边缘服务器或移动设备，可以降低平均处理时延。
4）工业物联网
边缘计算应用于工业物联网有三个优势：
（1）改善性能。工业生产中常见的报警、分析等应用靠近数据生产者的地方处理和决策会更快，通过减少与云数据中心的通信可以增加边缘处理的弹性。
（2）保证数据安全和隐私。可以避免数据传输到共享数据中心后数据暴露等带来的安全问题。
（3）降低操作成本。通过在边缘做计算处理，可以减少边缘设备和数据中心的数据传输量和带宽，从而降低了工业生产中由网络、云数据中心计算和存储带来的成本。
5）智能家居
随着物联网技术的发展，智能家居系统得到进一步的发展，其利用大量的物联网设备（如温/湿度传感器、安防系统、照明系统）实时监控家庭内部状态，接受外部控制命令并最终完成对家居环境的调控，以提升家居安全性、便利性、舒适性。边缘计算可以将计算（家庭数据处理）推送至家庭内部网关，减少家庭数据的外流，从而降低数据外泄的可能性，提升系统的隐私性。
6）智慧城市
智慧城市就是利用先进的信息技术，实现城市智慧式的管理和运行。然而，智慧城市的建设所依赖的数据具有来源多样化和异构性的特点，同时涉及城市居民隐私和安全问题，因此应用边缘计算模型，将数据在网络边缘处理是一个很好的解决方案。
1. 基本概念
海计算（Sea Computing）是2009年8月18日，通用汽车金融服务公司董事长兼首席执行官Molina在2009技术创新大会上所提出的全新技术概念 [39] ，中国科学院江绵恒副院长于2010年4月12日在北京国谊宾馆召开的中国科学院战略高技术十二五规划研讨会上也提出了该概念 [40] 。海计算是一种新型物联网计算模型，通过在物理世界的物体中融入计算、存储、通信能力和智能算法，实现物物互联，通过多层次组网、多层次处理将原始信息尽量留在前端，提高信息处理的实时性，缓解网络和平台压力。
海计算为用户提供基于互联网的一站式服务，是一种最简单、可依赖的互联网需求交互模式。用户只要在海计算系统输入服务需求，系统就能明确识别这种需求，并将该需求分配给最优的应用（或内容资源）提供商进行处理，最终返回给用户相匹配的结果。
海计算模式下的物联网技术架构如图1-8所示。海计算通过在物理世界的物体中融入计算与通信设备及智能算法，让物物之间能够互联，在事先无法预知的场景中进行判断，实现物与物之间的交互。海计算一方面通过强化融入各物体的信息装置，实现物体与信息装置的紧密融合，有效地获取物质世界信息；另一方面，通过强化海量的独立个体之间的局部即时交互和分布式智能，使物体具备自组织、自计算、自反馈的海计算功能。海计算的本质是物物之间的智能交流，实现物物之间的交互。云计算是服务器端的计算模式，而海计算代表终端的大千世界，海计算是物理世界各物体之间的计算模式。
图1-8 海计算模式下的物联网技术架构
2. 特点及优势
与云计算的后端处理相比，海计算指的是智能设备的前端处理。海计算的每个“海水滴”就是全球的每个物体，它们具有智能，能够协助感知互动。亿万种物体组成物联网系统，就如同海水滴形成大海一样。简而言之，海计算模式倡导由多个融入了信息装置、具有一定自主性的物体，通过局部交互而形成具有群体智能的物联网系统。
1）特点
一是节能、高效。充分利用局部性原理，可以有效地缩短物联网的业务直径，即覆盖从感知、传输、处理与智能决策到控制的路径，从而降低能耗，提高效率。
二是通用结构。引入融入信息装置的“自主物体”，有利于产生通用的、可批量重用的物联网部件和技术，这是信息产业主流产品的必备特征。
三是分散式结构。海计算物联网强调分散式结构，较易消除单一控制点、单一瓶颈和单一故障点，扩展更加灵活。群体智能使得海计算物联网更能适应需求和环境变化。
海计算有效克服了前端采集设备处理、存储、传输等方面能力受限的天生缺陷，充分发挥了每个信息采集设备的能力，利用海量前端设备的个体智能化和群体智能化应对海量信息处理，为网络和平台提供了更大选择空间，为各类智慧应用的实现提供了更大可能。海计算改变了前端采集、中端传输、后端处理的传统模式，在成本、性能、网络、平台等方面均体现出明显优势，有利于提升业务实现效率和效果，延长系统寿命。
2）优势
一是成本。随着微电子技术和工艺的发展，前端采集设备的智能化并不会带来成本的显著增加，而海计算缓解了网络的传输压力及后端平台的处理、存储压力，减少了网络和平台投资，整体建设成本降低。
二是性能。海计算采用前端采集设备和后端平台相结合的层次处理模式，缩短了信息融合和反馈路径，提高了处理效率，降低了能耗，提高了业务实时性；通过分散式结构避免出现单一控制点、单一瓶颈、单一故障点，拓展性更好，鲁棒性更强。
三是网络。海计算通过前端个体智能处理、群体智能融合及存储本地化显著减少传输信息量，减轻网络负担。
四是平台。海计算通过智能前端设备对原始信息进行处理，得到特征信息或决策信息，并利用底层网络融合完成大部分信息融合处理，实现存储本地化，显著缓解平台的处理和存储压力。
3. 关键技术
海计算涉及自组网、时间同步、短距离通信、协同处理、信息安全等多个关键技术领域。
1）自组网
某些特殊安防场景（如战场监控等）下前端采集设备随机部署，无法进行现场或远程组网配置，影响海计算群体智能的实现，需要能够在设备部署完毕、新设备加入网络、设备退出网络等场景下进行自组网。
在所有设备首次部署完毕之后通过设备搜索、时间同步等技术实现设备间的网络互联，进行正常网络通信。当有新设备加入网络时，网络拓扑结构将发生变化。新设备通过向附近设备发出加入请求及信息交互实现新设备的加入。当有设备主动退出或因故障退出网络时，附近设备发现通过该退出设备的路由断掉，会通过与周围设备进行组网信息的交互实现重新组网。
2）时间同步
信息采集设备之间的时间同步是保证设备间协同处理有效实现的前提。时间同步受发送时间、介质访问时间、接收处理时间等多种因素的影响，不同场景对时间同步的算法复杂度、算法精度等要求各异。目前，针对信息采集设备的时间同步机制研究主要包括集中式同步和分布式同步两种机制：集中式同步机制由根设备生成拓扑树，拓扑树的各级设备与上一级设备同步，不能越级同步，单跳偏差逐跳累积，整个网络的拓扑性差，全网同步收敛速度慢；分布式同步机制无须由根设备生成树，设备之间采用分布式广播同步，通过相邻设备间的信息交互，使设备时间同步到一个虚拟时间上，收敛速度快，扩展性好，鲁棒性强，不会因为根设备失效而导致全网重新同步。
3）短距离通信
智能采集设备间距离较短，通常采用无线方式进行通信。传统的无线技术功耗较高、时延较大，无法满足频繁的设备交互需求。短距离通信技术包含物理层和链路层技术、无线通信技术两部分。物理层和链路层技术包括已有蓝牙（IEEE 802.15.1）、超宽带UWB（IEEE 802.15.3a）和低速低功耗通信（802.15.4）等一些技术。它们为无线通信的实现制定了底层规范，是无线通信有效实现的基础。
而无线通信技术包括ZigBee、ISA100和Wireless HART等技术。它们建立在物理层和链路层技术之上，实现了在短距离情况下智能采集设备间的无线通信和信息交互，为感知层网络的协同信息处理奠定了基础。短距离通信技术采用轻量级的通信协议，功耗、时延性能明显改善，是实现海计算模型下智能采集设备信息交互的关键。
4）协同处理
由于计算、通信、存储等能力受限，单个智能设备采集的原始信息和经过处理的特征或决策信息存在片面性和零散性，无法满足智慧安防对信息完整性的要求，需要通过设备间以及设备与平台间的协同处理实现群体智能，从而获取更完整、可靠的信息。协同处理的信息包括上传数据、下行数据、状态数据、控制数据和功能数据。
更为具体地，上传数据包含结果信息和过程反馈信息；下行数据包含任务说明和服务质量需求；状态数据包含设备性能、场景特征、状态更新等参数；控制数据包含状态控制信息、角色控制信息和任务控制信息；功能数据包含数据级信息、特征级信息和决策级信息。
5）信息安全
传统的互联网信息安全多关注提高算法鲁棒性，而降低算法复杂度的驱动力不强；物联网前端采集设备由于处理能力受限，需要轻量级的信息安全体系。为抵御拥塞攻击、耗尽攻击、黑洞攻击、泛洪攻击等常见攻击，海计算模型下的信息安全技术研究主要集中在密码算法、密钥管理、认证、安全路由、入侵检测、防DOS攻击和访问控制等方面。
理论上，参与信息处理的节点数目越多，融合信息越多，效果就越好，但同时产生的系统开销（包括通信资源、计算资源、能耗等）也越大；节点间交换的信息层次（原始信息层次最低，特征信息次之，决策信息层次最高）越低，包含的信息量越多，需要的通信带宽也越大。在满足系统性能要求的情况下尽量降低系统开销，是海计算有效落地面临的核心问题。
4. 应用案例
无人驾驶汽车就是一个典型的海计算应用，车与车之间、车与红绿灯之间、车与行人之间的情况需要通过即时感知和交互式智能来判定。基于泛在感知的智能化机械加工需要在机床中融入能够感知和处理诸如压力、温度、位置等信息的智能装置，将智能赋予机床，因此海计算应该是机械加工行业发展物联网的一个方向。协调管理家庭中各种设施的智能家居系统也是海计算模型的一个应用场景。一些典型的智能目标监测与识别应用，如战场环境监测、智能交通、入侵检测等，对系统的实时性、准确性具有较高的要求，很难通过“分布式信息采集→云计算平台→反馈控制”这种架构来构建系统；而借助海计算技术，则可以充分挖掘终端节点的计算资源，实现智能实时感知和精确控制。