郭 棉，张锦友

（1.广东技术师范大学电子与信息学院，广州 510665；2.广东石油化工学院电子信息工程学院，广东茂名 525000）

（*通信作者电子邮箱mian.guo123@gmail.com）

0 引言

随着人工智能和物联网（Internet of Things，IoT）技术的发展，涌现了越来越多的先进物联网应用，例如，虚拟现实、自动驾驶和工业自动化等［1］。这些应用以数据为驱动，通过机器学习算法获取数据价值，进而实现预测、控制以及其他智能化操作。通常，机器学习算法是部署在网络中心的高性能云服务器上的，应用产生的海量数据需要上传到云端的机器学习服务器上才能被处理。然而，该范式已经难以满足物联网应用的海量连接、超低延迟的服务要求。首先，从数据源到云端机器学习服务器的网络传输延迟一般为几百毫秒以上，已成为低延迟的瓶颈［2］；其次，数据往往具有安全性和隐私性要求，仅仅为了数据分析的目的而将数据传输到公共云的方式并不可取［3］。

移动边缘计算（Mobile Edge Computing，MEC）的思想是在数据源的附近部署计算节点［4］，既可以降低网络传输延迟，又可以避免数据离开边缘网络，提高数据安全性，加强隐私保护［5］。移动边缘计算已经被认为是支持先进物联网应用的一种很有发展前景的范式。在移动边缘计算中，计算节点包括具有计算能力的移动节点（例智能手机）［6］和边缘服务器。由于电池和体积的限制，移动节点的计算能力远小于边缘服务器。但是，移动节点比边缘服务器更靠近数据源。考虑到边缘节点的异构计算能力和网络位置，有两种可行的面向移动边缘计算环境的机器学习模型：1）面向边缘计算的集中学习，将机器学习从云迁移到边缘服务器。……