前言[1]
隨著萬物互聯時代的到來，網絡邊緣設備產生的數據量快速增加，帶來了更高的數據傳輸帶寬需求，同時，新型應用也對數據處理的實時性提出了更高要求，傳統云計算模型已經無法有效應對，因此，邊緣計算應運而生。
邊緣計算的基本理念是將計算任務在接近數據源的計算資源上運行，可以有效減小計算系統的延遲，減少數據傳輸帶寬，緩解云計算中心壓力，提高可用性，并能夠保護數據安全和隱私。得益于這些優勢，邊緣計算從2012年以來迅速發展。
近年來，隨著萬物互聯時代的快速到來和無線網絡的普及，網絡邊緣的設備數量和產生的數據都快速增長。根據IDC預測，到2020年，全球數據總量將大于20澤字節（ZB），而物聯網產生數據的15%都將在網絡邊緣處理。在這種情形下，以云計算模型為核心的集中式處理模式將無法高效處理邊緣設備產生的數據。集中式處理模型將所有數據通過網絡傳輸到云計算中心，利用云計算中心超強的計算能力來集中式解決計算和存儲問題，這使得云服務能夠創造出較高的經濟效益。
(2019年）每分鐘會產生多少數據？ （來源：DOMO）
但是在萬物互聯的背景下，傳統云計算有幾個不足：
- 實時性不夠
萬物互聯場景下應用對于實時性的要求極高。傳統云計算模型下，應用將數據傳送到云計算中心，再請求數據處理結果，增大了系統延遲。以無人駕駛汽車應用為例，高速行駛的汽車需要毫秒級的反應時間，一旦由于網絡問題而加大系統延遲，將會造成嚴重后果。
2. 帶寬不足邊緣設備實時產生大量數據，將全部數據傳輸至云端造成了網絡帶寬的很大壓力。例如，波音787每秒產生的數據超過5GB，但飛機與衛星之間的帶寬不足以支持實時傳輸。
3. 能耗較大數據中心消耗了極多的能源，根據Sverdlik的研究，到2020年美國所有數據中心能耗將增長4%，達到730億千瓦時，我國數據中心所消耗的電能也已經超過了匈牙利和希臘兩國用電總和。隨著用戶應用程序越來越多，處理的數據量越來越大，能耗將會成為限制云計算中心發展的瓶頸。
4. 不利于數據安全和隱私萬物互聯中的數據與用戶生活聯系極為緊密，例如，許多家庭安裝室內智能網絡攝像頭，視頻數據傳輸到云端，會增加泄露用戶隱私的風險。隨著歐盟“通用數據保護條例”（GDPR）的生效，數據安全和隱私問題對于云計算公司來說變得更加重要。
為了解決以上問題，面向邊緣設備所產生海量數據計算的邊緣計算模型應運而生。邊緣計算是在網絡邊緣執行計算的一種新型計算模型，邊緣計算操作的對象包括來自于云服務的下行數據和來自于萬物互聯服務的上行數據，而邊緣計算的邊緣是指從數據源到云計算中心路徑之間的任意計算和網絡資源，是一個連續統（continuum）。
邊緣計算模型和云計算模型并不是取代的關系，而是相輔相成的關系，邊緣計算需要云計算中心強大的計算能力和海量存儲的支持，而云計算中心也需要邊緣計算中邊緣設備對海量數據及隱私數據的處理。邊緣計算模型具有3個明顯的優點：
- 在網絡邊緣處理大量臨時數據，不再全部上傳云端，這極大地減輕了網絡帶寬和數據中心功耗的壓力；
- 在靠近數據生產者處做數據處理，不需要通過網絡請求云計算中心的響應，大大減少了系統延遲，增強了服務響應能力；
- 邊緣計算將用戶隱私數據不再上傳，而是存儲在網絡邊緣設備上，減少了網絡數據泄露的風險，保護了用戶數據安全和隱私。
得益于這些優勢，邊緣計算近年來得到了迅速發展。
邊緣計算發展歷程[1]
以"edge computing"為關鍵詞在谷歌學術上搜索論文，以年度為橫坐標，論文數為縱坐標，可以看到該熱度曲線可明顯分為三個部分，則可將邊緣計算分為三個階段：
技術儲備期、快速增長期和穩定發展期。
此外，在這三個階段中，分別有如下代表性事件（粗體為中國相關事件）其中最值得注意的事件有：
1998年，Akamai公司提出內容分發網絡（content delivery network,CDN）。邊緣計算的功能緩存（function cache）的雛形。
2013年，美國太平洋西北國家實驗室的 Ryan LaMothes 提出"edge computing"一詞。
2015年，歐洲電信標準化協會(ETSI)發表關于移動邊緣計算的白皮書。并在2017年3月將移動邊緣計算行業規范工作組正式更名為多接入邊緣計算(multi-access edge computing, MEC)。
2016年，ACM 和 IEEE 聯合舉辦邊緣計算頂級會議(ACM/IEEE Symposium on Edge Computing, SEC)[2]。
2016年，11月，華為技術有限公司、中國科學院沈陽自動化研究所、中國信息通信研究所、英特爾、ARM等在北京成立了邊緣計算產業聯盟(edge computing consortium, ECC)。
2017年，5月，首屆中國邊緣計算技術研討會在合肥開幕，同年8月中國自動化學會邊緣計算專委會成立。
邊緣計算定義
在說邊緣計算定義前，不妨看下這個圖：
邊緣計算章魚說（來源：《一本書讀懂邊緣計算》）
這是一個章魚，章魚跟普通動物有一個很大的區別是作為無脊椎動物，章魚擁有巨量的神經元，但60%分布在章魚的八條腿（腕足）上，腦部僅有40%。章魚在捕獵時異常靈巧迅速，腕足之間配合極好，從不會纏繞打結。
這得益于它們類似分布式計算的“多個小腦+一個大腦”。
邊緣計算也屬于一種分布式計算：
在網絡邊緣側的智能網關上就近處理采集到的數據，而不需要將大量數據上傳到遠端的核心管理平臺。
那么回到邊緣計算的定義，邊緣計算目前沒有唯一的定義，以下三種可供參考：
一[3]1. 邊緣計算是指在網絡邊緣執行計算的一種新型計算模型，其邊緣是指從數據源到云計算中心路徑之間的任意資源和網絡資源。
即，邊緣計算是一個連續統（continuum），除“云”之外皆是“邊緣”；
2. 邊緣計算更多地聚集在邊緣設備本身，而霧計算則更多關注基礎設施，從作用范圍角度講，邊緣計算包含霧計算，即霧計算是邊緣計算的一部分；
3. 邊緣計算的基本原理是將計算任務遷移到產生源數據的邊緣設備上。
二[4]邊緣計算是在靠近物或數據源頭的網絡邊緣側，融合網絡、計算、存儲、應用核心能力的開放平臺，就近提供邊緣智能服務，滿足行業數字在敏捷聯接、實時業務、 數據優化、應用智能、安全與隱私保護等方面的關鍵需求。三[5]邊緣計算、霧計算、云計算具有差異性。霧計算將云計算無縫擴展到邊緣，實現安全控制和管理域內特定硬件、軟件、標準計算、存儲和網絡功能，并確保安全、豐富的跨域數據處理應用能力。
邊緣計算主要使用場景[6][7]
注：由于5G與邊緣計算相關應用場景重合性比較大，故此處對二者都進行了介紹。
目前邊緣計算研究熱點應用領域包括內容緩存、場景感知、負載均衡、云基礎設施架構等，對延遲敏感、實時性要求比較高的場景。
比如：云基礎設施 2.0、5G、VR/AR、CDN、車聯網、工業 4.0、物聯網等，通過智能化部署邊緣節點來滿足應用，提供不同服務質量的可靠服務，提升服務質量。
5G 能力、5G 共性業務與 5G 應用的關系（來源：中國移動研究院 ）
十大行業應用對5G網絡能力的依賴程度（來源：中國移動研究院 ）
5G重點應用行業及細分應用領域（來源：中國移動研究院 ）
邊緣計算落地場景分類
正如邊緣計算定義不唯一，不同企業和機構對于邊緣計算應用場景的分類也是不唯一的。
邊緣計算場景分析（來源：華信咨詢《走進邊緣計算產業》）
根據不同評價維度，有多種分類方法：
開放數據中心標準促進委員會[8]根據技術特性匹配度劃分七大技術應用場景（5G、物聯網、人工智能、工業互聯網、車聯網、內容分發網絡和AR/VR）和十五大業務應用場景（醫療、交通、金融、工業、教育、物流、城市、電力、安防、家居、樓宇、娛樂、餐飲、會展與農業）；
工業互聯網產業聯盟[9]根據細分價值市場的維度分為電信運營商邊緣計算、企業與物聯網邊緣計算和工業邊緣計算；根據業務形態分為物聯網、工業、智慧家庭、廣域接入網絡、邊緣云和多接入邊緣計算MEC；
阿里和電子技術標準化研究院[10]根據覆蓋范圍分為全網覆蓋類和本地覆蓋。
5G總體愿景（來源：5G愿景與需求白皮書 ）
邊緣計算分類與主要業務形態（來源：邊緣計算與云計算協同白皮書（2018））
邊云協同的主要場景（來源：邊緣計算與云計算協同白皮書（2018））
邊緣計算落地應用垂直行業
在眾多垂直行業新興業務中，對邊緣計算的需求主要體現在時延、帶寬和安全三個方面。中國移動[11]分析，目前智能制造、智慧城市、直播游戲和車聯網4個垂直領域對邊緣計算的需求最為明確。
邊緣計算業務場景和需求（來源：中國移動邊緣計算白皮書）
智能制造
在智能制造領域，工廠利用邊緣計算智能網關進行本地數據采集，并進行數據過濾、清洗等實時處理。同時邊緣計算還可以提供跨層協議轉換的能力，實現碎片化工業網絡的統一接入。一些工廠還在嘗試利用虛擬化技術軟件實現工業控制器，對產線機械臂進行集中協同控制，這是一種類似于通信領域軟件定義網絡中實現轉控分離的機制，通過軟件定義機械的方式實現了機控分離。
智慧城市
智慧城市，主要包括智慧樓宇、物流和視頻監控等多個方面。邊緣計算可以實現對城市中運行參數進行采集分析。例如，在城市路面檢測中，在道路兩側路燈上安裝傳感器收集城市路面信息，檢測空氣質量、光照強度、噪音水平等環境數據，當路燈發生故障時能夠及時反饋至維護人員。邊緣計算還可以利用本地部署的GPU服務器，實現毫秒級的人臉識別、物體識別等智能圖像分析。
直播游戲
在直播游戲領域，邊緣計算可以為CDN提供豐富的存儲資源，并在更加靠近用戶的位置提供音視頻的渲染能力，讓云桌面，云游戲等新型業務模式成為可能。特別在AR/VR場景中，邊緣計算的引入可以大幅降低AR/VR終端設備的復雜度，從而降低成本，促進整體產業的高速發展。
車聯網
車聯網業務對時延的需求非常苛刻，邊緣計算可以為防碰撞、編隊等自動/輔助駕駛業務提供毫秒級的時延保證，同時可以在基站本地提供算力，支撐高精度地圖的相關數據處理和分析，更好地支持視線盲區的預警業務。
除了上述垂直行業的應用場景之外，邊緣計算還存在一種較為特殊的需求——本地專網。很多企業用戶都希望運營商在園區本地可以提供分流能力，將企業自營業務的流量直接分流至企業本地的數據中心進行相應的業務處理。比如在校園實現內網本地通信和課件共享，在企業園區分流至私有云實現本地 ERP 業務，在公共服務/政務園區提供醫療、圖書館等數據業務。在這一類應用場景中，運營商為客戶的本地邊緣計算業務提供了專線服務。
邊緣計算具體應用實例[12]
邊緣計算落地應用實例眾多。2020年初，受新冠疫情影響，在校學生不能及時返回學校上課，使得“遠程授課和在線課堂”成為熱點，又因互動課堂的業務需求與邊緣計算擅長的領域相吻合，顧以互動課堂場景為例進行介紹：
阿里云互動課堂場景
在線互動課堂場景具有大帶寬、長鏈路傳輸、廣覆蓋的業務特點，同時因為教學的實時性和互動性，對于網絡的低延時和抗抖動能力也有較高的要求。
假設一個位于上海的老師在給遍布全國各地的學生講課，一旦中間網絡發生抖動，就會出現卡頓、音畫不同步、互動延遲等問題，學生提的問題老師沒有及時回答，學生的積極性也會下降，授課效果必然會大打折扣。
在線互動課堂的技術挑戰
第一，網絡延時是互動課堂的核心影響因素之一，該業務場景對網絡丟包敏感，網絡丟包可能直接導致用戶掉線、視頻卡頓、推流失敗等。
第二，學生遍布各地，基于就近接入原則，平臺需要在全國各主要城市部署接入服務器，理論上城市覆蓋數越多，接入效果越好，用戶體驗提升越明顯，但是這會面臨高昂的成本。
第三，在暑期等業務高峰期，流量大幅增長，而傳統IDC機房建設周期為3-6個月，無法及時響應平臺在服務器資源、帶寬資源以及專線資源方面的快速擴容需求，同時大量的資源建設在業務高峰度過之后會面臨閑置，急需利用云的彈性能力來解決難題。
邊緣計算為在線互動課堂帶來的價值
大帶寬、廣覆蓋、強互動、低延時，在線互動課堂與邊緣計算的應用場景天然契合。
首先，邊緣計算可以在更靠近終端的網絡邊緣上提供服務，全域覆蓋的節點資源，仿佛打造了一張覆蓋全國的高質量、低成本的實時視頻轉發網絡。在K12在線輔導業務場景中，空間距離的縮短可以減少復雜的長鏈路傳輸網絡中，各種路由轉發和網絡設備處理的延時和傳輸時間，同時可以更好的避免網絡抖動帶來的掉線和卡頓問題，在互動課堂業務場景中整體低時延、強互動體驗提升明顯。
同時，視頻類大流量業務的處理放到邊緣完成，在大型公開課、名師講堂直播等場景下會產生高并發訪問，通過分布式的架構分散中心處理的壓力，也能夠有效避免網絡擁塞，同時降低將數據傳回源站的帶寬成本。
之前假設的上海老師給全國學生授課的場景中，上海的老師授課媒體流會推到就近的邊緣節點，在邊緣節點直接進行轉碼，轉碼后的媒體流會分發到CDN邊緣節點，當有用戶訪問時直接就近返回內容。
對于常見的跨國授課來說，阿里云邊緣計算也能通過國際高速通道將海外的授課媒體流轉發回國內的云中心，再通過邊緣云智能選路系統以及遍布全國的邊緣轉發網絡，將授課內容實時、高質量的呈現在學生面前。
邊緣計算助力跨國互動授課示意圖（來源：阿里云）
移動邊緣計算（MEC）架構
“移動邊緣計算”或者“多接入邊緣計算”是邊緣計算比較熱門的子領域。
移動邊緣計算 與 移動云計算的區別
移動邊緣計算與移動云計算有什么區別呢？上表中以8個維度進行了闡述。
移動邊緣計算架構
移動邊緣計算（MEC）兩個簡單實例
上圖是移動邊緣計算的兩個簡單實例。左側是人臉識別應用，我們可以將圖像的獲取放在智能終端上，然后將數字圖像傳入邊緣計算服務設備，然后在邊緣端進行算力需求較高的運算（人臉檢測、數據預處理、特征提取、等等）。
移動邊緣計算（MEC）計算與通信建模
移動邊緣計算（MEC）模型總結與未來研究方向
Summary of MEC models 來源：《A Survey on Mobile Edge Computing: The Communication Perspective 》
邊緣智能[13][14][15][16][17]：人工智能（深度學習）與邊緣計算的結合
邊緣計算的雛形是CDN（內容分發網絡），它與 CDN 的最大區別是強調可以在邊緣上進行智能運算。
當下人工智能（特別是深度學習）算法的計算需求增加，但受限于智能終端設備本身體積、能耗等因素，很多大型算法不能在終端上直接運行。
那么這個時候一方面我們可以探索模型壓縮方法減少所需運算量，另一方面我們可以運用邊緣計算的方法將算力在終端、邊緣與云之間進行合理的分配與卸載。
邊緣智能則是人工智能（深度學習）與邊緣計算的一個交叉領域。
來源：Convergence of Edge Computing and Deep Learning A Comprehensive Survey
來源：Convergence of Edge Computing and Deep Learning A Comprehensive Survey
上圖描述深度學習與邊緣計算的幾類關系，為深度學習設計的邊緣計算，在邊緣上訓練的深度學習模型，在邊緣上進行推斷的深度學習模型，部署在邊緣上的深度學習模型。
來源：Convergence of Edge Computing and Deep Learning A Comprehensive Survey
來源：Convergence of Edge Computing and Deep Learning A Comprehensive Survey
主流深度學習計算框架對于邊緣計算的支持
如果要考慮在移動設備或者邊緣上運行深度學習，首先可以考慮主流的深度學習框架，是否支持對應的設備平臺。使用現成的深度學習框架建?？梢源蟠蠊澕s時間和精力。
主流（輕量級）深度學習框架對移動端設備的支持
深度學習模型部署到計算邊緣（訓練與推斷）
深度學習模型需要首先輸入訓練數據進行模型的訓練，然后部署到設備上，最后進行模型的推斷。針對這三個過程，考慮到邊緣端，也有不同的處理方式。
使用邊緣計算進行深度學習訓練
使用邊緣計算進行深度學習推斷
邊緣計算未來趨勢
Gartner公司[18]于2019年發布報告，認為邊緣計算能夠解決數字業務場景下云計算的延遲、帶寬、自主性和隱私需求問題，其具體應用將由人、設備和業務之間的數字業務交互來定義，在未來擁有十分廣闊的發展前景，超過90%的企業都將開啟自身在邊緣計算的獨特應用，并將在未來發展成為一個頗具規模的行業。
學界亦有類似的趨勢。
參考文獻
●A Survey on Mobile Edge Computing: The Communication Perspective， Khaled B.Letaief, arXiv:1701.01090v4
●Deep Learning With Edge Computing: A Review， Jiasi Chen, Xukan Ran, Proceedings of the IEEE 2019
●Convergence of Edge Computing and Deep Learning A Comprehensive Survey ，Victor C.M. Leung, Dusit Niyato, Xueqiang Yan, Xu Chen, arXiv:1907.08349v1
●Edge Intelligence: Paving the Last Mile of Articial Intelligence with Edge Computing， Xu Chen, Junshan Zhang, arXiv:1905.10083v1
●Edge AI: On-Demand Accelerating Deep Neural Network Inference via Edge Computing ，Xu Chen, IEEE Trans On Wireless Network 2019
●邊緣計算技術研究報告，中科院計算所，2018
●邊緣計算：現狀與展望，施巍松，2018
●邊緣計算，施巍松，2017
參考
1.施巍松,張星洲,王一帆,張慶陽. 邊緣計算：現狀與展望[J]. 計算機研究與發展, 2019, 56(1):69-89.
2.SEC 2019 http://acm-ieee-sec.org/2019/
3.《邊緣計算技術研究報告》 http://www.cnic.cas.cn/xwdt/yfdt/201811/t20181108_5166845.html
4.5G典型應用案例集錦-中國移動研究院 https://www.chinaruimu.com/news/industry-dynamics/1899.html