邊緣計算的實際應用有哪些？典型應用案例分析

邊緣計算在數據源附近提供服務，使其可以在很多移動應用和物聯網應用上發揮出巨大優勢。下面將列舉一些典型的應用案例，結合這些案例可以幫助我們理解邊緣計算的優勢。

1 增強現實

增強現實技術將現實世界的場景與虛擬信息高度集成，生成被人類感官所感知的信息，來達到超越現實的感官體驗。增強現實技術可以使用在智能手機、平板電腦與智能眼鏡等移動設備上，來支持新的應用與服務，如虛擬游戲、3D觀影等。增強現實技術需要對視頻、圖像數據進行處理，這些任務復雜性高，而需要與用戶進行互動的特點又對實時性有了很高的要求。

CMU 與Intel實驗室在2014年開發了一個基于增強現實技術的認知輔助系統(cognitiveassistancesystem)，通過谷歌眼鏡來增強某些病人的認知能力。實現系統需要解決的關鍵問題是如何將處理任務的延遲控制在幾十毫秒，讓感知缺陷的病人也擁有正常人一樣的反應速度?？紤]到重量、大小、續航等因素，可穿戴設備的計算能力很差，處理任務的時間是一般服務器的數倍，直接使用設備內部的資源進行計算是不可行的。將應用部署到云中可以加快任務的處理速度，但端設備到云端的網絡延遲很高且極不穩定，很可能成為整個系統的瓶頸。為了解決這個問題，系統使用了邊緣計算技術，將延遲敏感的計算任務卸載到附近的Cloudlet來降低任務的處理延遲。同時為了保證系統在無法連接網絡時依然可以使用，系統也支持通過藍牙等通信方式將任務卸載到附近的個人設備(如隨身攜帶的筆記本、平板電腦等)。

網絡的延遲與設備性能、能耗的瓶頸是很多移動應用都會遇到的問題，而邊緣計算可以幫助移動應用突破這些瓶頸，讓應用具有更快的響應速度，使用更復雜的算法。

2 圖像識別

美國里海大學與IBM 提出了一個基于深度學習的自適應物體識別框架 DeepCham，該框架適用于移動設備上的物體識別應用，可以大幅提高物體識別的準確率。DeepCham 將邊緣計算節點作為master來控制附近的移動設備訓練深度模型;采用眾包的思想，深度模型訓練所使用的數據集與數據的標記都是由周圍的移動設備提供。這種方式使其可以獲取大量有標記的數據集，進行有監督學習。

在一個特定視域(圖像的光線、背景、視角等)內采集圖像用來訓練深度模型，得到的深度模型對該視域內對象的識別準確率更高。DeepCham 充分 利用這一點，在同一個邊緣計算節點周圍采集圖片來訓練模型，并通過圖片的元數據信息 (位 置、天氣和時間等)來區分不同的視域。這使模型很好地適應周圍的視域，從而使 DeepCham 可以自適應視域的轉換。

適用于特定功能的識別模型要比通用識別模型更好訓練，也有更高的準確性。邊緣計算模式可以在一定程度上減小對模型適用范圍的要求，也為深度學習收集大量特定的學習數據，訓練更加個性化的識別模型。

3 網站性能優化

網站性能優化 (Webperformanceoptimization)是用來提高用戶瀏覽器的網站加載和顯示速度的技術。隨著用戶體驗的重要性不斷增強和用戶對速度的需求日益增長，網站性能優化行業得到快速發展，很多互聯網公司都對外提供網站性能優化的服務與工具，如雅虎的 YSlow 與谷歌的 PageSpeedTools。在用戶請求網頁的過程中，80%～90%的響應時間都發生在前端(下載組件、頁面的渲染與執行等)，在網絡邊緣上的優化才是提高網站性能的關鍵。傳統的網站優化方案是在 Web服務器上利用固定規則優化網站頁面，再通過內容分發網絡加速傳輸。這種方法沒有充分利用邊緣網絡資源，優化方法對所有用戶都是一樣的，沒有考慮到用戶的網絡狀態情況;內容分發網絡雖然是在邊緣網絡上的優化技術，但是它只能加快組件的下載速度，頁面渲染、執行的速度依然取決于設備的計算能力。

為了充分利用邊緣網絡資源，日本電報電話公司(NTT)設計了一種基于邊緣計算的網站加速平臺EAWP(edgeaccelerated Webplatform)，為Web應用開發者提供情景感知的網站優化服務與工具。這個方案中，邊緣服務 器與WIFI接入點、蜂窩網基站等通信設施結合，可以獲取用戶接入網的狀態信息來對網站進行優化。比如，當發現用戶所在的邊緣網絡出現擁塞時，邊緣服務器可以降低頁面質量(如使用低分辨率圖片)來優化訪問的響應時間。同時，為了彌補移動設備計算能力的不足，平臺支持將頁面內容的執行、渲染等復雜的工作卸載到邊緣服務器中執行。EAWP為其他支持HTML 標準的 Web引擎提供等效的運行環境，現有的應用程序可以不需要更改直接在平臺上運行。

4 智慧城市

智慧城市是一種現代化城市模型，運用信息技術與物聯網技術對城市資源做出智能化的管理。智慧城市在近幾年得到了快速發展，IBM，Intel，Google等公司都開始將他們的產品與服務整合到智慧城市的框架中。智慧城市系統要隨時感測、分析、整合城市的各項關鍵信息，會產生大量的原始數據，一座100萬人的城市，平均每天會產生200PB的數據。同時，這些數據在地理上廣泛分布，且大部分數據存儲在本地，這為數據的查找與分析帶來了極大的困難.如果沒有一種高效的解決方案，很容易使城域網被大量的數據堵塞。

Tang等人提出了一種以智慧城市為背景的大數據分析框架，對處理在地理上廣泛分布的數據有很好的效果。數據分析框架分為4層：1)第1層是傳感器網絡，由分散在城市中的傳感器構成，晝夜不停的生成大量原始數據;2)第2層由邊緣節點組成，每個邊緣節點都要控制本地的1組傳感器，邊緣節點可以根據預先設定的模式分析和處理傳感器數據，還可以控制執行器處理任務;3)第3層由中間計算節點組成，每個中間節點要控制一組邊緣節點，將邊緣節點上傳的信息與時空信息相結合來識別一些潛在的突發事件，當突發事件發生時，中間節點還要控制下層設備做出應急反應;4)第4層是云計算中心，對全市的狀態進行監控并進行中心控制，在這一層進行長期的、全市范圍的行為分析。

這個分析框架使用了邊緣計算技術，第2～3層構成了邊緣計算平臺。邊緣計算平臺充分利用了數據傳輸路徑上的計算設備，將眾多互不相關的輕量級任務分配到各個節點，使得任務可以并行執行;同時，原始數據在這兩層加工后已被精煉化，在核心網絡上傳輸的數據量大大減小。邊緣計算技術保證了分析框架的高效運行，減少了需要上傳到云中的數據量，是整個框架高效運行的關鍵。

5 車聯網

車聯網將汽車接入開放的網絡，車輛可以將自己的狀態信息(如油耗、里程等)通過網絡傳到云端進行分析，車輛間也可以自由交換天氣、路況、行人等信息，并進行實時的互動。

韋恩州立大學在 GENIRacks上構建了一個邊緣計算平臺，并在上面部署了實時3D校園地圖、車量狀態檢測、車聯網仿真3個應用。3D 校園地圖通過將校園內監控錄像與行駛車輛的錄像數據融合，通過處理后可以增強為實時3D 地圖，校園安保人員可以無縫地監控校園狀態;車量狀態檢測可以實時記錄車輛的引擎轉速、里程、油耗等狀態，并對數據進行分析，從而檢測車輛的性能，發現車輛的故障;車聯網仿真將眾多的車輛狀態信息匯總，利用這些真實的交通信息可以進行車聯網應用的仿真實驗。

這些應用都會產生大量的傳感器數據，很多數據都需要進行實時處理，而邊緣計算可以在數據源附近對數據進行處理，減少了不必要的網絡傳輸，并提高了應用的響應速度。