李晓民

(中国移动(成都)产业研究院，成都 610064)

0 引言

随着行业数字化转型和智能设备的急剧增长，在网络边缘产生了海量的数据。而新兴的行业应用，尤其是与深度学习相关的智能应用对数据的处理能力、响应时间和安全性等均提出了苛刻要求。但由于边缘设备的计算和数据存储能力有限，难以在这些设备上部署当前流行的深度学习算法。传统方式是将数据通过网络加载到远程计算基础设施(通常是远程的云服务器)进行处理和计算，再将计算结果通过网络返回前端设备。这种方式虽然降低了前端压力，但是极大地增加了通信代价，恶化了应用的响应时间，也增加了数据的安全隐患。为了解决上述问题，边缘计算技术应运而生。边缘计算将计算资源部署到临近数据生成侧，在靠近数据源的位置进行数据的处理和计算。由于边缘计算已经进行了部分数据处理，因此需要传到云端的数据量大幅减少；边缘设备的位置靠近数据源，可以显著降低数据处理的响应时间，增强应用的实时性；对敏感数据，如果必须通过远端对数据处理，也可利用边缘计算设备对敏感信息进行清理或加密后，再进行数据传输，保障信息的安全性[1]。目前，边缘计算已经成为物联网系统的一种重要范式。例如：Floyer等[2]对比了云系统和边缘-云组合系统在风电场的数据管理和处理成本。边缘-云组合系统相比纯云系统在成本上降低了36%，传输数据量减少了96%。……