下载掌阅APP，畅读海量书库
立即打开
本章简要介绍了边缘计算四个代表性研究方向，即计算卸载、服务部署、边缘智能和面向边缘计算的视频分析，并给出了其对应的挑战和常用的边缘计算调度方法。
❑计算卸载：智能设备尽管得到了广泛的普及，然而在处理一些计算密集应用时，仍然无法满足用户体验，包括响应时延、能量消耗等关键性能指标，因而需要将部分或者全部计算卸载至边缘服务器或者云端进行处理。计算卸载包括两个主要问题：如何将含或不含依赖关系任务划分成多个可卸载的子任务；如何确定卸载力度，即卸载至云端的比例。现有研究大部分研究决策都是基于已知信息，如本地资源、网络状态、服务器状态信息等。然而，DAG任务的调度本身充满挑战性，边缘环境的不确定性使得大部分方法都是无模型决策，设备的异构性使得卸载机制的可移植性变弱。
❑服务部署：为了避免数据经回程网传输而产生过量时延，云中心将计算密集型服务（如云游戏、增强现实、虚拟现实）部署在边缘服务器中。分布根据控制平面设计、放置决策特征、系统状态和用户移动性，将服务部署问题分成了四类。集中式方法虽然能得到全局最优解，然而其需要全局信息，因而其在可扩展性和实时性上表现很差；分布式方法只需要局部信息，因而其能快速做出适合当前环境的部署方案；离线放置需要等到所有信息到来进行决策，而在线决策能通过预测或者学习的方法快速做出反应；静态部署无视边缘环境的变化，灵活度较低，而动态部署根据环境变化，及时替换、释放、迁移服务，进而提高用户体验；用户移动对于服务部署策略也有直接影响，理想服务部署应能支持用户移动，为用户提供不间断服务。服务部署的先决性极大地依赖于信息的可获取性和实时性，网络边缘的动态变化使得服务部署更加频繁，而用户移动的随机性也提高了服务迁移或重新部署的概率，这都使得服务部署充满了挑战。
❑边缘智能：边缘计算和人工智能的结合是必然的，边缘高性能应用的处理需要人工智能提供技术和方法，如强化学习、模仿学习等，而数据之源的网络边缘也为人工智能提供了丰富的训练数据和场景平台，如联邦学习、视频分析、视频增强、虚拟现实。根据AI模型训练和推理的层级，可将边缘大致分为六类。首先考虑边缘智能下的模型训练，主要分为集中式、分布式、混合式训练。作为典型的混合式训练机制，联邦学习中的客户端不需要上传原始数据，只需要将本地训练好的模型参数上传，服务器将收到的模型进行加权聚合，并将聚合后的模型反馈给客户端，经过多轮迭代，模型达到收敛状态。其次考虑智能边缘下的模型推理，当前主流架构有基于边缘服务器、基于边缘设备、基于边-端协同、基于云-边-端协同。从模型自身出发，AI推理往往是计算和存储密集型的，因而降低模型复杂度也能显著降低AI模型在边缘环境下的部署难度。具体来说，可通过模型优化，如参数剪枝、共享、早退等方式，降低参数规模；也可采用模型切割，使之运行在多个层级，充分利用边缘计算的优势。然而，边缘下海量数据的质量直接决定了模型的好坏，同时设备在计算、存储、架构上的异构性也为模型部署增加了难度，降低了模型的可扩展性。
❑面向边缘计算的视频分析：随着深度学习的蓬勃发展，视频分析应用被广泛用于自动驾驶、智慧城市、无人机监控等领域。增强现实在真实的世界中添加虚拟信息，使用户获得沉浸式体验；自动驾驶通过摄像头感知周围环境，并做出快速准确的回应，以保证驾驶的安全；无人机侦查在一些极端环境中，发挥着重要的作用。视频分析中的技术密集型任务，如目标检测、人脸检测等，往往配置有复杂的DNNs，如YOLO和SSD算法。传统云计算框架将视频上传至云端处理，造成显著传输时延。基于边缘计算的视频分析范式考虑在边缘服务器和移动设备上处理大部分任务，因而避免了巨大的回程网耗时。要实现此范式，需要解决两个关键问题。首先，如何将复杂的计算机视觉算法部署到资源受限的移动设备上，不少研究通过模型压缩技术降低模型复杂度，通过模型选择决定最合适的模型，通过分析结果的缓存来减少计算量，通过帧过滤来减少冗余计算。其次，如何在不同层级之间高效调度，不少研究考虑通过横向卸载和纵向卸载来分摊计算量，最小化总处理时延。如今，视频的初始质量越来越高，内容越来越复杂，对边缘设备的配置提出了更高的要求；同时，网络的动态变化依然是边-端高效协同的重要阻碍。
边缘环境在本质上是动态变化的，因而在其之上进行高效的层级调度也需要在线调整；固定策略无法适应新环境，而频繁采用新策略会加大试错成本；从用户角度出发，稳定的性能具有更高的吸引力。针对以上三个挑战，本章分别简要介绍了强化学习、赌博机算法和李雅普诺夫优化算法。