目前，在「google scholar」上使用「edge computing」進行搜索可以找到 3,830,000 條記錄，可見邊緣計算髮展之迅猛。本文主要結合近兩年來華為在邊緣計算的研究和探索過程中對學術界的調研，試圖從多個維度上展現學術界對邊緣計算研究的全貌。
作者|華為雲原生團隊
● 邊緣AI ●
深度學習的蓬勃發展，AI應用越來越普及，例如基於視頻的智能分析應用已經極大的改變了人們的生活。隨著移動計算和物聯網的發展，數據在網絡邊緣發生了指數級的增長，因此需要把AI的能力推到網絡邊緣，減少數據傳輸量的同時提高AI推理的處理速度。
邊緣AI在學術界發展迅猛，當前主要的研究熱點包括：
聯邦學習：聯邦學習是一個機器學習框架。各個企業的自有數據不出本地，而後聯邦系統可以通過加密機制下的參數交換方式，即在不違反數據隱私法規情況下，建立一個虛擬的共有模型，這個虛擬模型就好像大家把數據聚合在一起建立的最優模型一樣。
但在建立虛擬模型的時候，數據本身不移動，也不泄露隱私和影響數據合規。聯邦學習當前主要應用在網際網路金融領域，香港科技大學的楊強老師做了非常多開創性的工作，其綜述性文章對這個領域進行了詳盡的介紹和分析[1]。
遷移學習：遷移學習 (Transfer Learning) 是一種機器學習方法，通過給定目標任務，將其他任務的知識遷移到目標任務，提升目標任務表現。遷移學習可以作為機器學習模型上游，與模型解耦合，適應（不同邊緣設備上的）多源數據，新加坡南洋理工大學的Pan, Sinno Jialin老師的綜述文章[2]對該領域進行了詳細的調研和分析，以供參考。
模型切分：考慮到邊緣計算資源受限、能耗等問題，如何在邊緣高效部署深度學習模型是一個非常值得研究的問題，中山大學陳旭老師將深度卷積神經網絡按層分割，一部分部署到雲上，一部分部署到邊緣，通過邊雲協同的方式完成推理，可以在網絡邊緣端高效支撐深度學習推理任務[3]。
此外，Zhuoran Zhao提出的DeepThings[4]方法，採用卷積層的可伸縮融合切片分區（FTP），以最大程度減少內存占用量，同時提高並行性，取得了非常好的效果，尤其適合於AIoT場景。
模型輕量化：為了減少模型運行時對資源的消耗，或使得模型能運行到更輕量級的設備上，一般可以對模型進行蒸餾、剪枝、量化等操作。南京大學吳建鑫老師在資源受限情況下的視覺學習有非常多的研究[5]。
● 安全隱私 ●
模型保護：為了更靠近數據的源頭，對數據進行分析，需要將模型推送到邊緣，邊緣的運行環境是一個不可信的環境，需要對模型的版權加以保護，防止被未授權的使用，另一方面，模型是用戶的核心資產，需要防止非法獲取而被盜用。南京大學的許封元老師利用TEE技術將深度學習模型運行到一個可信環境中[6]，提高模型和用戶隱私數據的安全性。
此外，Jialong Zhang等基於數字水印的方式，設計一種保護深度學習模型智慧財產權，並可對模型所有權進行外部驗證的技術[7]。首先，生成定製水印和預定義標籤，然後通過訓練將生成的水印嵌入到目標DNN中，最後把水印作為輸入，通過檢查輸出來驗證模型的智慧財產權。
差分隱私：差分隱私是一種保護用戶隱私數據的方式，比如用戶想要使用自己創建的數據集來訓練人臉識別算法，移動設備是不能訓練的，但直接放在雲端訓練又會泄露隱私；使用差分隱私機制來保護訓練的安全在訓練時，神經網絡被使用特殊的方法在用戶端和雲端切開，來保證在數據上和參數上的隱私都是受到保護的[8]。
● 網絡 ●
MEC：多接入邊緣計算（Multi-AccessEdgeComputing），其定義和框架均來自歐洲電信標準協會ETSI，根據ETSI 對 MEC的描述，其是為應用程式開發人員和內容提供商提供了雲計算功能，以及在網絡邊緣的IT服務環境。這種環境的特點是超低延遲和高帶寬，能實現通過無線網絡對應用程式中的信息進行實時訪問。MEC的研究多在以下方面：
QoE：利用RAN提供的位置、網絡負載幫助用戶獲取更好的體驗。此外，University of Michigan 的 Ashkan提出了一個離線的給每個被測APP建立QoE-QoS mapping模型的方法（給每個APP建一個JSON，裡面包含了它如何使用的信息），還有如何利用這個模型來優化QoE-aware traffic management的方法，提高了視頻的響應性和視頻幀率[9]。
同時， LingyanZHANG提出了QCSS[10]，一種QoE感知的用於MEC基礎設施的自適應流服務的控制面。QCSS旨在確保在線流媒體的高QoE為移動用戶提供服務。
MEC站點選址：研究邊緣計算設備在真實城市中的基礎設施上（電信基站、商用路由器和智能路燈）的部署問題[11]。基於一個城市的基礎設施位置信息和兩個移動應用得到的移動路徑信息來對城市級別的邊緣節點的部署可能性，提出了一個充分考慮設備異構性（通信距離，資源大小，價格）的部署算法，以達到用戶QoE和部署價格的平衡。
計算遷移：主要研究任務如何切分、用戶移動時如何同步應用和數據。
移動性支持：當設備處於移動狀態時，由於網絡參數的不同（例如，延遲，帶寬，抖動等）的變化，應用程式的服務質量會降低。移動邊緣計算中的一項具有挑戰性的問題是實現一種移動管理技術，用戶可以使用該技術來 訪問邊緣應用程式而無需斷開連接。
可擴展性：邊緣設備產生大量的數據，同時邊緣伺服器提供了大量的服務.因此，根據邊緣伺服器以及網絡狀況，如何動態地對這些數據進行調度至合適的計算服務提供者，將是邊緣計算中的核心問題。
● 系統&架構 ●
系統和架構方面，涉及系統管理、資源分配、請求調度，服務遷移、邊雲協同等多個方面。
系統管理：隨著移動邊緣伺服器部署的增加，集中管理的方式將導致性能問題。為了應對這些挑戰， WendaTang首先應用對等網絡來管理地理分布的移動邊緣伺服器[12]。
其次，提出了一種新的可感知截止日期且具有成本效益的卸載方法，該方法旨在提高車輛的卸載效率，並允許其他任務按時完成。
資源分配和應用調度：通過邊緣計算的方式，將計算任務從端側設備卸載到邊緣和中心雲，需要考慮能耗、網絡帶寬、傳輸時延等問題，中山大學的陳旭老師在這塊有著豐富的研究成果，如博弈論、納什均衡等在邊緣計算上的研究和使用。香港理工大學的曹建農老師在這一領域進行了多年的研究。
其中，針對移動邊緣雲中對延遲敏感的應用程式的聯合計算分區和資源分配問題，在計算資源和網絡帶寬上都結合了計算分區和二維資源分配。開發了一種新的有效方法：多維搜索和調整（MDSA），一種離線調度算法來解決該問題[13]。
服務遷移：當在邊緣計算平台上卸載服務時，支持移動客戶端的平穩移動非常重要。無中斷的客戶端移動性要求將卸載服務無縫遷移到附近的邊緣伺服器。但是，在WAN環境中跨邊緣伺服器的卸載服務的快速遷移對切換服務設計提出了重大挑戰。
Lele Ma提出了一種新穎的服務切換系統[14]，該系統可以在移動客戶端移動的同時將卸載服務無縫遷移到最近的邊緣伺服器。其通過容器遷移實現，利用容器分層文件系統來減少文件同步開銷，從而不依賴於分布式文件系統。Lucas Chaufournier等人對VM方面的遷移問題進行了研究[15]，提出多路徑TCP來改善虛擬機遷移時間和網絡透明性。
● 中間件 ●
邊緣消息機制：IoT設備產生的海量數據，需要被發給合適的邊緣節點處理，並實時返回結果，Shweta Khare等提出過程-訂閱系統[16]來滿足上述訴求，該系統體平衡了運行在邊緣的，基於主題，發布-訂閱系統的數據發布和處理負載。給出了一組位於同一地點的主題的等待時間預測模型，然後將其用於在代理上進行主題的等待時間感知的放置。
針對k主題共址的優化問題公式，以在滿足每個主題QoS要求的同時最大程度地減少中間人的數量，提出了三種負載平衡啟發式方法。
邊緣存儲：Anna 是 Berkeley 大學研究的一種 Key-Value 存儲[17]。其開創性的使用 lattice 的方式允許用戶自定義衝突解決方式，進而可以自定義一致性級別，在特定場景下極大的提升系統性能，非常適合邊緣數據的可靠性和一致性。此外還有利用IPFS這種點對點的分布式文件系統來應對邊緣存儲的擴展性和應用加速。
大數據：邊緣大數據應用具有低延時、高帶寬的數據處理能力，該方向的研究主要集中在端邊協同數據處理，數據匯聚加速，數據位置感知調度計算，華科的吳松老師則在數據處理架構層面，將FPGA加速器引入邊緣集群，為邊緣計算環境下的流數據處理設計了新的框架。
● 邊緣應用 ●
邊緣計算的典型應用創新包括以下幾個方面：
實時視頻分析：CMU的Junjue Wang等基於無人機的機載處理能力，並結合邊緣的處理能力，可以節省大量無線帶寬，並提高可擴展性，而不影響結果準確性或結果延遲[18]。其可以很好的平衡小型無人機上的實時視頻分析在無線帶寬，處理能力，能耗，結果準確性和及時性的難題。可以應用於搜索與救援，監視和野生動植物保護等領域的搜索任務。
AR/VR/雲遊戲：隨著大規模多人在線遊戲（MMOG）和虛擬現實（VR）技術的普及，VR-MMOG迅速發展，要求更快的遊戲交互和圖像渲染。Wuyang Zhang等提出了一種混合的遊戲架構，它將本地視野更新放在邊緣雲上以加快響應速度，將幀渲染放置在邊緣雲上以獲得高帶寬，並在中心雲上放置全局遊戲狀態更新以實現用戶可伸縮性[19]。此外，Wei Gao等基於邊緣計算，實現分級緩存[20]，以加速AR/VR應用。
車聯網：基於邊緣計算的方式，改善車輛服務並增強車輛的功能，北京郵電大學的王尚廣老師有著豐富的研究成果，比如在任務調度，端邊協同等，並對該領域進行了詳盡的調研以供可以參考[21]。此外，還有研究在邊緣進行車載信息採集做大數據分析[22]，提升用戶體驗，採集司機語音、注意力檢測來提升安全性等。