王曉飛

【摘要】隨著通訊、物聯(lián)網(wǎng)及人工智能等技術(shù)的更新迭代，人類社會(huì)正從萬(wàn)物互聯(lián)走向萬(wàn)物賦能的時(shí)代。邊緣計(jì)算作為一種新興網(wǎng)絡(luò)技術(shù)架構(gòu)，與傳統(tǒng)的云計(jì)算形成了優(yōu)勢(shì)互補(bǔ)，與此同時(shí)，依托人工智能技術(shù)的交融使能形成了智慧邊緣計(jì)算架構(gòu)。在未來(lái)，智慧邊緣計(jì)算能夠有效地將人類從瑣碎的腦力消耗中解脫出來(lái)，深度推進(jìn)人類-社會(huì)-科技-自身的和諧關(guān)系演進(jìn)，為未來(lái)科學(xué)技術(shù)哲學(xué)的發(fā)展提供了方向和動(dòng)力。

【關(guān)鍵詞】邊緣計(jì)算? 云計(jì)算? 物聯(lián)網(wǎng)? 萬(wàn)物互聯(lián)

【中圖分類號(hào)】TP3? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文獻(xiàn)標(biāo)識(shí)碼】A

【DOI】10.16619/j.cnki.rmltxsqy.2020.09.001

5G及后5G時(shí)代：萬(wàn)物互聯(lián)到萬(wàn)物智能的黃金時(shí)代

萬(wàn)物互聯(lián)的發(fā)展歷程。創(chuàng)造是專屬于人類的生產(chǎn)方式，科技則是人們?cè)趯?shí)踐過(guò)程中產(chǎn)生的觀念。馬克思曾說(shuō)過(guò)，這一觀念包含著人與自然、人與人、人與自身的全部關(guān)系。[1]網(wǎng)絡(luò)信息技術(shù)的發(fā)展無(wú)疑改變著這些關(guān)系，即時(shí)通訊、掃碼支付、日推歌單、共享單車、智能定位……人們是客體也是主體，以數(shù)據(jù)的方式得到確認(rèn)，又將享受著數(shù)據(jù)和算法帶來(lái)的便捷與智能。從十九世紀(jì)八十年代誕生的僅支持語(yǔ)音信號(hào)傳輸?shù)牡谝淮ㄓ嵓夹g(shù)，到現(xiàn)在已成熟并廣泛應(yīng)用的第四代通訊技術(shù)，以及正在建設(shè)的第五代通訊技術(shù)，無(wú)線通信技術(shù)已成為構(gòu)建智能世界的主要趨勢(shì)之一，[2]成為了維系人與人、設(shè)備與設(shè)備、人與設(shè)備之間的紐帶，打破了“數(shù)據(jù)（Data）困境”的壁壘，形成各種各樣的信息（Information），萬(wàn)物互聯(lián)正是科技發(fā)展驅(qū)動(dòng)下的必然產(chǎn)物。

萬(wàn)物互聯(lián)使得人們無(wú)需對(duì)每一個(gè)物品下指令就能夠獲得貼心的服務(wù)，對(duì)于工業(yè)和經(jīng)濟(jì)的發(fā)展更是一大推動(dòng)力。報(bào)告顯示，未來(lái)的無(wú)線通信系統(tǒng)將必須容納約1000億個(gè)連接設(shè)備，其中包括人類和機(jī)器通信設(shè)備。其主要目標(biāo)是建立一個(gè)互聯(lián)的社會(huì)，在這個(gè)社會(huì)中，無(wú)人機(jī)、汽車、傳感器、醫(yī)療和可穿戴設(shè)備都將通過(guò)蜂窩網(wǎng)絡(luò)相互連接，與終端用戶交互，提供不同的創(chuàng)新型服務(wù)，如智能城市、智能家居、智能汽車、先進(jìn)的安全和遠(yuǎn)程手術(shù)。[3]但實(shí)現(xiàn)這個(gè)全面互聯(lián)的目標(biāo)所必需的多設(shè)備連接、高速率、低延遲、少干擾也對(duì)網(wǎng)絡(luò)提出了更高的要求。需求催生進(jìn)步，5G技術(shù)帶著顛覆世界的使命向我們走來(lái)，它具有超高速率（峰值速率大于每秒20 Gbit，相當(dāng)于4G的20倍）、低時(shí)延（網(wǎng)絡(luò)時(shí)延從4G的50ms縮減到1ms）、海量設(shè)備連接（滿足1000億量級(jí)的連接）、低功耗的特點(diǎn)。萬(wàn)物互聯(lián)的發(fā)展離不開(kāi)物聯(lián)網(wǎng)的支撐，5G技術(shù)則為其提供了良好的保障。2019年9月，在世界物聯(lián)網(wǎng)博覽會(huì)上，中國(guó)經(jīng)濟(jì)信息社發(fā)布《2018-2019中國(guó)物聯(lián)網(wǎng)發(fā)展年度報(bào)告》，[4]指出了我國(guó)對(duì)物聯(lián)網(wǎng)發(fā)展的政策支持力度不斷加大，闡述了我國(guó)物聯(lián)網(wǎng)應(yīng)用領(lǐng)域和產(chǎn)業(yè)規(guī)模。正是由于國(guó)家政策導(dǎo)向和支持，我國(guó)物聯(lián)網(wǎng)技術(shù)取得了很大的進(jìn)步，萬(wàn)物互聯(lián)的時(shí)代正式形成。

萬(wàn)物智能時(shí)代到來(lái)：人工智能技術(shù)發(fā)展催化物聯(lián)網(wǎng)應(yīng)用落地。萬(wàn)物互聯(lián)加速了信息的融合與聯(lián)動(dòng)，以物聯(lián)網(wǎng)等技術(shù)作為載體，加持人類行為的驅(qū)動(dòng)，不同維度下的信息邊界正在消失，形成了具有時(shí)空性（Spatial-temporal）的知識(shí)（Knowledge），而第四次工業(yè)革命作為人類文明的一個(gè)新時(shí)代出現(xiàn)，不僅帶來(lái)了5G技術(shù)，還促進(jìn)了以人工智能為基礎(chǔ)的技術(shù)領(lǐng)域不斷地快速發(fā)展。如果說(shuō)5G是物聯(lián)網(wǎng)發(fā)展的堅(jiān)實(shí)基礎(chǔ)，人工智能則是物聯(lián)網(wǎng)廣泛應(yīng)用的催化劑，成為了推動(dòng)人類進(jìn)入萬(wàn)物智能時(shí)代的決定性力量。人工智能在醫(yī)療、交通、教育、商業(yè)和信息安全等領(lǐng)域的發(fā)展已經(jīng)影響到人們?nèi)粘Ｉ畹脑S多方面。信息的高度互聯(lián)，也受到了人工智能技術(shù)的加持。

人工智能技術(shù)、云計(jì)算和5G等各項(xiàng)技術(shù)的融入，賦予了機(jī)器“思考”的能力，打破了各類應(yīng)用場(chǎng)景的邊界，將萬(wàn)物互聯(lián)推向了萬(wàn)物智能時(shí)代。智能物聯(lián)網(wǎng)（見(jiàn)圖1）落地應(yīng)用越來(lái)越多，進(jìn)入我們生活的方方面面。例如，2017年阿里巴巴推出了阿里云Link互聯(lián)網(wǎng)平臺(tái)，宣布正式進(jìn)軍物聯(lián)網(wǎng)領(lǐng)域，預(yù)計(jì)未來(lái)5年實(shí)現(xiàn)100億臺(tái)設(shè)備的接入，這些產(chǎn)品涉及智慧城市、智慧物流、智能醫(yī)療等領(lǐng)域。其中包括：在外賣服務(wù)方面，阿里云對(duì)餓了么的配送流程進(jìn)行優(yōu)化，餐廳的廚師做好飯之后，點(diǎn)擊一個(gè)集成IoT SDK的按鈕，后臺(tái)管理系統(tǒng)可以選擇距離餐廳最近的配送員進(jìn)行取餐，大大減少配送人員等餐時(shí)間，提高送餐效率;在城市管理方面，阿里云Link為無(wú)錫鴻山的每一個(gè)路燈、煤氣管道、河流配備了傳感器，使其可以互聯(lián)互通，小鎮(zhèn)的管理者可以輕松實(shí)現(xiàn)城市治理智能化。[5]

此外，很多公司在物聯(lián)網(wǎng)應(yīng)用方面也有很好的成就。例如，英特爾和福建升騰資訊合作完成的自助終端和金融服務(wù)機(jī)器人，提高了無(wú)人銀行的客戶體驗(yàn);[6]在事故預(yù)防方面，英特爾推出了互聯(lián)消防員，他將Quark處理器連接到消防員的呼吸面罩中，根據(jù)消防員的氧氣剩余含量和所處環(huán)境作出最優(yōu)的決策;在人際交往方面，IBM公司推出了一個(gè)物聯(lián)網(wǎng)應(yīng)用——智能泰迪熊，它可以長(zhǎng)時(shí)間追蹤孩子的情緒并向父母發(fā)送相應(yīng)的文本消息，父母可以根據(jù)追蹤得到的結(jié)果實(shí)時(shí)了解孩子的心情，并及時(shí)進(jìn)行回復(fù)。[7]

物聯(lián)網(wǎng)使得原本冷冰冰的物體成為人類意識(shí)的另一種顯現(xiàn)方式，甚至能進(jìn)行思維、判斷，傾聽(tīng)和感知，如果說(shuō)智慧是人類永遠(yuǎn)的向往，智能則是物聯(lián)網(wǎng)的追求目標(biāo)。設(shè)備的爆炸式增長(zhǎng)也為數(shù)字孿生的發(fā)展奠定了基礎(chǔ)。所謂數(shù)字孿生，就是充分利用物理模型、傳感器更新、運(yùn)行歷史等數(shù)據(jù)，集成多學(xué)科、多物理量、多尺度、多概率的仿真過(guò)程，在虛擬空間中完成映射，從而反映相對(duì)應(yīng)的實(shí)體裝備的全生命周期過(guò)程。[8]簡(jiǎn)而言之就是再創(chuàng)造一個(gè)系統(tǒng)或設(shè)備的數(shù)字版的“克隆體”。數(shù)字孿生主要運(yùn)用于工業(yè)的產(chǎn)品設(shè)計(jì)、生產(chǎn)、維護(hù)及維修等環(huán)節(jié)中，如美國(guó)GE公司為每個(gè)引擎、核磁共振等創(chuàng)造了數(shù)字孿生體，利用仿真技術(shù)，在數(shù)字空間完成對(duì)機(jī)器的調(diào)試。除了在工業(yè)領(lǐng)域內(nèi)的應(yīng)用，數(shù)字欒生技術(shù)還可以應(yīng)用于醫(yī)療行業(yè)和“智慧城市”的建設(shè)。如通過(guò)5G等傳輸技術(shù)，成功完成了全國(guó)首例遠(yuǎn)程人體手術(shù)——帕金森病“腦起搏器”植入手術(shù)和將雄安新區(qū)定位于綠色、智能的數(shù)字孿生城市，實(shí)現(xiàn)了物理空間與虛擬數(shù)字空間的融合共生等。[9]

萬(wàn)物智能中的變化和挑戰(zhàn)。隨著移動(dòng)設(shè)備的普及，網(wǎng)絡(luò)環(huán)境中的每個(gè)用戶都已經(jīng)從互聯(lián)網(wǎng)內(nèi)容的消費(fèi)者成為了內(nèi)容的創(chuàng)造者，實(shí)現(xiàn)人人智聯(lián)。[10]隨著互聯(lián)網(wǎng)技術(shù)和電子設(shè)備的發(fā)展，移動(dòng)設(shè)備的多樣性增加，不僅僅是移動(dòng)電話?個(gè)人電腦，其他現(xiàn)有的智能對(duì)象，如智能電表?傳感器、識(shí)別閱讀器和家用電器等也是物聯(lián)網(wǎng)中的重要組成部分。能夠介入到互聯(lián)網(wǎng)中的設(shè)備將越來(lái)越多，數(shù)量呈指數(shù)級(jí)增長(zhǎng)，[11]呈現(xiàn)出了一個(gè)多方合一的新局面，形成網(wǎng)絡(luò)?設(shè)備?人工智能等各專業(yè)領(lǐng)域的知識(shí)融合，但在帶來(lái)巨大變化的同時(shí)，也面臨著更多的挑戰(zhàn)。

首先，物與物的直接連接需要更多樣穩(wěn)定的接入方式。萬(wàn)物互聯(lián)涉及到以太網(wǎng)、電力線通訊等多種通信方式，[12]大部分被連接的設(shè)備還是會(huì)利用無(wú)線通信來(lái)傳輸傳感器和執(zhí)行器的信息。無(wú)線網(wǎng)絡(luò)的接入方式是多種多樣的，比如，WiFi?藍(lán)牙?LoRa（一種長(zhǎng)距離無(wú)線通信技術(shù)）等。多網(wǎng)絡(luò)的異構(gòu)性與不同的接入網(wǎng)絡(luò)和連接能力有關(guān)，隨著網(wǎng)絡(luò)技術(shù)和人類社會(huì)的發(fā)展，大部分區(qū)域?qū)?huì)出現(xiàn)多種無(wú)線通信方式共存的情況，[13]所以尋找更優(yōu)的網(wǎng)絡(luò)接入策略、解決物聯(lián)網(wǎng)無(wú)線網(wǎng)絡(luò)的接入問(wèn)題將成為挑戰(zhàn)之一。

其次，多領(lǐng)域多元素的網(wǎng)絡(luò)框架，就像一個(gè)要同時(shí)處理多種事物的綜合辦公室。在這個(gè)框架中，用戶?信息?過(guò)程和事務(wù)將被同時(shí)考慮，并允許其通過(guò)互聯(lián)網(wǎng)技術(shù)進(jìn)行擴(kuò)展，實(shí)現(xiàn)智能管理、監(jiān)控?定位?識(shí)別等功能，以一個(gè)更有效的方式滿足人們的日常需求。在這個(gè)過(guò)程中，物聯(lián)網(wǎng)既是環(huán)境也是橋梁，應(yīng)推進(jìn)所有內(nèi)容的集成，并填補(bǔ)由內(nèi)容演變帶來(lái)的需求空白，讓人與人、人與物之間的信息溝通更加通暢便捷，做到隨時(shí)感知、隨時(shí)共享、隨時(shí)控制，以達(dá)到更深程度的人人互聯(lián)、服務(wù)互聯(lián)和最終市場(chǎng)所期望的萬(wàn)物互聯(lián)。

再次，如何優(yōu)化頻譜資源的利用率是未來(lái)需要解決的問(wèn)題之一。不同的傳感器擁有不同的感知?處理和通信能力，在異構(gòu)的無(wú)線環(huán)境需要可靠的通信鏈路來(lái)實(shí)現(xiàn)更高效的通信。與4G相比，5G應(yīng)達(dá)到1000倍的系統(tǒng)吞吐量，10倍的頻譜效率，以及更高的數(shù)據(jù)速率和更大的數(shù)據(jù)傳輸量，對(duì)頻譜資源的利用也因此有了更高的要求，[14]同時(shí)，在真實(shí)的物聯(lián)網(wǎng)場(chǎng)景中，存在著多種類型的傳感器，來(lái)自于不同的制造商，并且涵蓋多種協(xié)議，因而，許多問(wèn)題解決方案的設(shè)計(jì)需要獨(dú)立于設(shè)備類型和配置，以應(yīng)對(duì)復(fù)雜多變的感知與傳輸環(huán)境。

最后，設(shè)備及基建設(shè)施面臨巨大的能耗也是亟待解決的挑戰(zhàn)。截至2019年底，我國(guó)已有超過(guò)13萬(wàn)個(gè)5G基站，而5G基站的耗電量是現(xiàn)有4G基站的數(shù)十倍甚至百倍，其中80%用于物聯(lián)網(wǎng)[15]，同時(shí)，考慮設(shè)備電池的壽命，它取決于設(shè)備如何有效地利用各種空閑和休眠模式，在設(shè)計(jì)中需要合理地對(duì)這些模式進(jìn)行安排。然而，物聯(lián)網(wǎng)并不僅僅是建立多方的聯(lián)系，而是進(jìn)一步實(shí)現(xiàn)從連接到智能，除了設(shè)備的連接，設(shè)備的計(jì)算能力才是讓這張網(wǎng)能夠活起來(lái)的關(guān)鍵。[16]

無(wú)論是自然界還是在人類的生產(chǎn)生活中，需求和進(jìn)化都是相輔相成的，隨著技術(shù)的進(jìn)步，需求也在不斷升級(jí)。每一次技術(shù)的革新都影響著人類生活。高速無(wú)線通信互聯(lián)網(wǎng)連接和更高的數(shù)據(jù)率在社會(huì)中有著很高的需求，是智能經(jīng)濟(jì)發(fā)展和社會(huì)與世界的數(shù)字化的一個(gè)重要因素，4G在很多時(shí)候可以滿足當(dāng)前大部分用戶的上網(wǎng)需求，但在物理層和網(wǎng)絡(luò)層的設(shè)計(jì)及其應(yīng)用領(lǐng)域依然存在著無(wú)法滿足當(dāng)前許多需求的問(wèn)題。5G時(shí)代的到來(lái)，在提供新機(jī)遇的同時(shí)，也有著更高的技術(shù)要求，海量設(shè)備的接入，對(duì)數(shù)據(jù)流量和服務(wù)的需求大大增加，與此同時(shí)，也需要更大的穩(wěn)定性和更加廣泛的覆蓋性，這些需求無(wú)疑呼喚著更加成熟靈活的架構(gòu)與算法。

邊緣計(jì)算應(yīng)運(yùn)而生。隨著移動(dòng)通信技術(shù)的快速發(fā)展，邊緣計(jì)算理論和技術(shù)越來(lái)越引起關(guān)注，在這個(gè)數(shù)據(jù)爆炸的時(shí)代，邊緣計(jì)算就也是一種應(yīng)對(duì)數(shù)據(jù)壓力的有效方法。

設(shè)備的智能化和數(shù)據(jù)量的增加，對(duì)帶寬?功率?延遲?隱私等方面的需求逐漸加深，將所有數(shù)據(jù)傳送到云中是不現(xiàn)實(shí)的，因此，利用網(wǎng)絡(luò)“邊緣”對(duì)云端分流，能夠有效減小云端的流量與計(jì)算壓力。[17]例如，考慮設(shè)備的資源、任務(wù)量等約束條件，最小化所有設(shè)備執(zhí)行任務(wù)的總能耗，被描述為，公式中的E表示能量消耗，與處理器模型在實(shí)踐中的能源效率有關(guān)，是任務(wù)分配的二元決策變量，若值為1則表示任務(wù)在本地執(zhí)行。任務(wù)可以選擇在“邊緣”分析、計(jì)算，無(wú)需傳回云端，這樣的方式可以極大減少由于大量數(shù)據(jù)的傳輸?計(jì)算和存儲(chǔ)產(chǎn)生的功耗和時(shí)延，加快內(nèi)容交付和提高移動(dòng)服務(wù)的質(zhì)量。人工智能促使邊緣不僅僅是連接而是變得智能的同時(shí)，邊緣端多種多樣的應(yīng)用場(chǎng)景，如車聯(lián)網(wǎng)、智慧家居等，不斷產(chǎn)生著大量的數(shù)據(jù)，邊緣計(jì)算中的豐富數(shù)據(jù)可以支持人工智能。[18]邊緣計(jì)算與人工智能是互補(bǔ)的，也是相輔相成的，與傳統(tǒng)的算法相比，具有更加靈活的、可擴(kuò)展的分布式計(jì)算的特性。[19]

邊緣生態(tài)系統(tǒng)通過(guò)為人工智能帶來(lái)海量的信息，將為人工智能提供許多新的應(yīng)用場(chǎng)景，邊緣計(jì)算與智能相結(jié)合，推動(dòng)著物聯(lián)網(wǎng)的持續(xù)蓬勃發(fā)展，也預(yù)示著萬(wàn)物賦能的基本趨勢(shì)。每個(gè)人都被裹挾在時(shí)代進(jìn)步的潮流中，無(wú)論你是享受著技術(shù)帶來(lái)的便利，還是早早將目光聚焦于未來(lái)，都已經(jīng)與之融為一體。未來(lái)的變化和挑戰(zhàn)，是從萬(wàn)物互聯(lián)到萬(wàn)物賦能必須要面對(duì)和經(jīng)歷的，但迎接它的更多是一片又一片“藍(lán)?！薄?/p>

萬(wàn)物賦能：邊緣計(jì)算與人工智能交融使能

邊緣智能：無(wú)所不在的智能協(xié)同。邊緣智能依托于邊緣計(jì)算的低時(shí)延、分布式的特性，實(shí)現(xiàn)了將人工智能的自主學(xué)習(xí)、智能決策能力進(jìn)行下放。如圖2所示，邊緣智能基于邊緣計(jì)算的運(yùn)行機(jī)制和網(wǎng)絡(luò)結(jié)構(gòu)，為智能應(yīng)用提供多層次的資源支持和性能優(yōu)化，而邊緣智能對(duì)智能應(yīng)用的優(yōu)化和保障主要體現(xiàn)在以下三個(gè)方面。

第一，優(yōu)化智能應(yīng)用請(qǐng)求的響應(yīng)時(shí)延與資源供給。目前傳統(tǒng)的網(wǎng)絡(luò)架構(gòu)采用了基于云計(jì)算的執(zhí)行模式，通過(guò)將人工智能服務(wù)部署在云端，依托于云端服務(wù)器集群豐富的硬件資源來(lái)處理計(jì)算請(qǐng)求。[20]這雖然解決了硬件資源不足的問(wèn)題，但云端服務(wù)器地理位置偏遠(yuǎn)的特性造成了額外的時(shí)延，導(dǎo)致基于云計(jì)算的架構(gòu)無(wú)法滿足實(shí)時(shí)服務(wù)的需求?？赏ㄟ^(guò)引入邊緣計(jì)算技術(shù)來(lái)支撐人工智能服務(wù)，在網(wǎng)絡(luò)邊緣分布式部署大量的邊緣節(jié)點(diǎn)，從而向資源受限的終端設(shè)備提供支持來(lái)實(shí)現(xiàn)邊緣智能。[21]

邊緣智能已經(jīng)在許多應(yīng)用領(lǐng)域有了優(yōu)異的表現(xiàn)，如圖3所展示的邊緣智能在實(shí)時(shí)視頻分析中的應(yīng)用，實(shí)時(shí)視頻分析在智能工廠、智慧社區(qū)、無(wú)人駕駛等場(chǎng)景中都是不可或缺的關(guān)鍵環(huán)節(jié)，借助邊緣智能實(shí)時(shí)視頻分析可以更加智能、更加高效。在實(shí)時(shí)視頻分析服務(wù)的應(yīng)用過(guò)程中，智能手機(jī)、智能攝像頭等資源受限的終端設(shè)備在捕獲視頻數(shù)據(jù)之后，若無(wú)法支撐人工智能服務(wù)高額的資源消耗，智能終端可以僅執(zhí)行數(shù)據(jù)壓縮[22]、圖像分割[23]等預(yù)處理，然后將數(shù)據(jù)傳輸至邊緣節(jié)點(diǎn)處理。數(shù)量眾多的邊緣節(jié)點(diǎn)一旦接收到來(lái)自終端設(shè)備的服務(wù)請(qǐng)求后便立即開(kāi)始處理，并且在邊緣端還可以進(jìn)行多個(gè)邊緣節(jié)點(diǎn)之間的智能協(xié)作[24]以提供更好的服務(wù)。當(dāng)邊緣端無(wú)法滿足應(yīng)用的資源需求時(shí)，可以將數(shù)據(jù)傳輸至云端處理，但也會(huì)不可避免地造成額外的傳輸時(shí)延，這也是未來(lái)需要解決的問(wèn)題之一。此外，云端除了提供強(qiáng)大的資源支持之外，還能為邊緣端提供人工智能模型的聚合更新能力，[25]從而幫助邊緣節(jié)點(diǎn)對(duì)全局知識(shí)進(jìn)行學(xué)習(xí)和訓(xùn)練。

綜上所述，基于邊緣智能可以將視頻分析服務(wù)部署在更接近請(qǐng)求源的邊緣節(jié)點(diǎn)上，相對(duì)于云端的遠(yuǎn)距離連接，邊緣節(jié)點(diǎn)低傳輸時(shí)延的特性可以實(shí)現(xiàn)視頻分析請(qǐng)求的實(shí)時(shí)處理，促進(jìn)應(yīng)用服務(wù)的敏捷響應(yīng)，而對(duì)于邊緣智能中的計(jì)算密集型任務(wù)請(qǐng)求，則可以通過(guò)將其傳輸至云端來(lái)滿足高額的資源需求。

第二，改進(jìn)智能應(yīng)用數(shù)據(jù)的通訊傳輸與隱私保護(hù)。由于在邊緣計(jì)算平臺(tái)中通常需要大量設(shè)備的協(xié)同運(yùn)行，因而，不同設(shè)備之間不可避免地存在大量數(shù)據(jù)傳輸，這不僅會(huì)給通訊網(wǎng)絡(luò)造成極大的流量負(fù)載，還會(huì)使得數(shù)據(jù)缺乏隱私性保護(hù)。因此，聯(lián)邦學(xué)習(xí)被進(jìn)一步提出，它使得人工智能模型在邊緣計(jì)算架構(gòu)中可以進(jìn)行分布式訓(xùn)練，并且無(wú)需上傳樣本數(shù)據(jù)，只需將訓(xùn)練后的參數(shù)更新上傳，之后再由邊緣節(jié)點(diǎn)聚合參數(shù)更新并進(jìn)行參數(shù)下發(fā)。比如，在周期t時(shí)有s個(gè)終端設(shè)備在本地進(jìn)行訓(xùn)練，每個(gè)終端設(shè)備將會(huì)基于本地?cái)?shù)據(jù)對(duì)模型參數(shù)進(jìn)行訓(xùn)練，其中表示梯度下降步長(zhǎng)，為損失函數(shù)：

在完成本地訓(xùn)練后終端設(shè)備將向邊緣節(jié)點(diǎn)提交更新，這些設(shè)備的訓(xùn)練周期數(shù)之和表示為，而邊緣節(jié)點(diǎn)在接收到更新后會(huì)對(duì)模型參數(shù)進(jìn)行聚合更新并向下行鏈路的終端設(shè)備廣播聚合后的模型參數(shù)：

聯(lián)邦學(xué)習(xí)在邊緣計(jì)算的應(yīng)用賦予了人工智能模型分布式訓(xùn)練的能力，使得智能設(shè)備可以在本地對(duì)數(shù)據(jù)進(jìn)行處理并僅對(duì)參數(shù)的更新信息進(jìn)行傳輸，避免了集中式訓(xùn)練時(shí)需要將大量原始數(shù)據(jù)傳輸匯總的方式，從而進(jìn)一步保障了人工智能模型的訓(xùn)練過(guò)程，在實(shí)現(xiàn)了減輕流量壓力的同時(shí)，強(qiáng)化了數(shù)據(jù)的隱私保護(hù)。

第三，提升智能應(yīng)用服務(wù)的應(yīng)用拓展與部署保障。在人工智能服務(wù)的應(yīng)用實(shí)踐方面，目前國(guó)內(nèi)外已經(jīng)有多種邊緣智能平臺(tái)發(fā)布并投入使用，這進(jìn)一步拓展了人工智能服務(wù)應(yīng)用的廣泛性，而多樣化與有價(jià)值的人工智能服務(wù)能夠拓寬邊緣計(jì)算的商業(yè)價(jià)值，為邊緣智能的實(shí)現(xiàn)提供了基礎(chǔ)和保障。華為公司在2018年設(shè)計(jì)并推出了邊緣智能平臺(tái)IEF，[26]可以將云端服務(wù)器的處理能力延伸至邊緣側(cè)，從而就近提供實(shí)時(shí)的智能服務(wù)。此外，IEF還通過(guò)兼容kubernetes以及docker實(shí)現(xiàn)了輕量化的特性，并且依托于邊云協(xié)同的特性在監(jiān)控平臺(tái)、智能工業(yè)等領(lǐng)域有著良好的前景規(guī)劃。2019年，百度公司宣布開(kāi)源了其邊緣智能計(jì)算平臺(tái)BAETYL，[27]能夠提供身份制定以及規(guī)則策略制定、云端管理下發(fā)、邊緣端部署運(yùn)行等功能，并且平臺(tái)采用了模塊化思想，實(shí)現(xiàn)了用戶按需使用的模式。此外，BAETYL還可以與百度邊緣智能管理套件（Baidu-IntelliEdge）協(xié)同使用，進(jìn)一步推進(jìn)邊緣智能的發(fā)展。AWS Greengrass[28]是由亞馬遜公司在2017年發(fā)布的邊緣智能平臺(tái)，它使得設(shè)備可以在本地對(duì)數(shù)據(jù)進(jìn)行處理以及數(shù)據(jù)篩選，從而只對(duì)必要信息進(jìn)行傳輸，極大地提高了信息傳輸效率。此外，AWS Greengrass還具有優(yōu)異的魯棒性（Robustness），可以在設(shè)備間歇性網(wǎng)絡(luò)連接的情況下使用，能夠適應(yīng)更加復(fù)雜的網(wǎng)絡(luò)環(huán)境。2018年，微軟公司將其邊緣智能平臺(tái)Azure IoT Edge[29]作為開(kāi)源項(xiàng)目開(kāi)放提供，這一平臺(tái)采用了容器的方式運(yùn)行，容器中不僅支持微軟提供的相關(guān)服務(wù)，也支持用戶提供的代碼并且提供了對(duì)容器的監(jiān)控管理功能。

智能邊緣：無(wú)所不能的數(shù)字演進(jìn)。智能邊緣的目的即是將人工智能算法融入邊緣以支持動(dòng)態(tài)的、自適應(yīng)的資源分配與管理。如圖4所示，智能邊緣通過(guò)使用人工智能的學(xué)習(xí)和決策能力來(lái)實(shí)現(xiàn)對(duì)邊緣計(jì)算平臺(tái)中的資源、設(shè)備、請(qǐng)求的智能化管理，來(lái)優(yōu)化提升邊緣計(jì)算平臺(tái)的運(yùn)行效率，而智能邊緣對(duì)于邊緣計(jì)算的優(yōu)化主要包括以下三個(gè)方面。

第一，實(shí)現(xiàn)邊緣計(jì)算平臺(tái)的動(dòng)態(tài)管理與高效運(yùn)行。網(wǎng)絡(luò)中往往包含大量異構(gòu)設(shè)備以及種類繁多的應(yīng)用請(qǐng)求，因此，如何針對(duì)不同的應(yīng)用請(qǐng)求特性，實(shí)現(xiàn)異構(gòu)設(shè)備的自適應(yīng)協(xié)作處理就成為了一個(gè)棘手的問(wèn)題。目前有許多處理這類問(wèn)題的傳統(tǒng)算法，如貪心算法[30]、蟻群算法[31]等。然而，這些傳統(tǒng)算法卻存在許多弊端：一是對(duì)網(wǎng)絡(luò)環(huán)境變化以及異構(gòu)硬件參數(shù)的適應(yīng)性差;二是缺少對(duì)長(zhǎng)期收益的考慮;三是優(yōu)化指標(biāo)相對(duì)單一。因此，傳統(tǒng)算法已經(jīng)無(wú)法適應(yīng)邊緣計(jì)算平臺(tái)的性能發(fā)展需求，要實(shí)現(xiàn)性能瓶頸的突破就必須探索和應(yīng)用具有高效性、實(shí)時(shí)性、動(dòng)態(tài)性的決策算法，而人工智能技術(shù)出色的決策能力可以幫助邊緣計(jì)算平臺(tái)實(shí)現(xiàn)智能化管理。

邊緣計(jì)算平臺(tái)往往采用端—邊—云的多層組織架構(gòu)，所以如何在不同組織層面中的異構(gòu)設(shè)備之間進(jìn)行高效的計(jì)算卸載調(diào)度成為必須考慮的問(wèn)題，而人工智能技術(shù)可以通過(guò)計(jì)算卸載決策實(shí)現(xiàn)將不同層面的異構(gòu)設(shè)備牢牢結(jié)合在一起[32][33]。智能決策模型一般通過(guò)與網(wǎng)絡(luò)環(huán)境的不斷交互進(jìn)行反復(fù)迭代來(lái)不斷提升決策的準(zhǔn)確性，但網(wǎng)絡(luò)環(huán)境的復(fù)雜性和動(dòng)態(tài)性會(huì)導(dǎo)致規(guī)模龐大的狀態(tài)空間。對(duì)此通常使用一個(gè)參數(shù)為w的神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)決策的評(píng)價(jià)函數(shù)值進(jìn)行相似計(jì)算：

其中s表示智能決策模型對(duì)網(wǎng)絡(luò)環(huán)境的觀測(cè)值，a表示所采取的的決策動(dòng)作。之后我們就可以進(jìn)一步定義模型在訓(xùn)練學(xué)習(xí)時(shí)的損失函數(shù)：

其中為常量參數(shù)，r為對(duì)應(yīng)的獎(jiǎng)勵(lì)函數(shù)值?；谏鲜龇治觯悄軟Q策模型就可以基于梯度下降法來(lái)更新參數(shù)：

因此，隨著智能決策模型與網(wǎng)絡(luò)環(huán)境的交互迭代，可以不斷優(yōu)化模型決策的準(zhǔn)確性，提升邊緣計(jì)算平臺(tái)的運(yùn)行效率。

第二，決策邊緣計(jì)算任務(wù)的計(jì)算卸載與協(xié)同處理。如圖5所示，智能邊緣可以依據(jù)計(jì)算任務(wù)不同的特征和屬性來(lái)自適應(yīng)地選擇執(zhí)行模式。對(duì)于計(jì)算需求較小的任務(wù)可以直接在終端設(shè)備執(zhí)行，從而避免數(shù)據(jù)傳輸所導(dǎo)致的時(shí)延以及資源消耗。然而，對(duì)于資源需求較大的計(jì)算任務(wù)，可以通過(guò)人工智能模型對(duì)邊緣計(jì)算平臺(tái)中進(jìn)行智能化管理，從而充分整合利用平臺(tái)中異構(gòu)設(shè)備的資源實(shí)現(xiàn)任務(wù)的協(xié)同高效執(zhí)行。

對(duì)于任務(wù)卸載可以劃分為整體卸載與部分卸載兩種模式。整體卸載會(huì)將傳輸至單一邊緣節(jié)點(diǎn)或云端執(zhí)行，這可以避免對(duì)任務(wù)進(jìn)行分割整合所造成的資源消耗，但當(dāng)計(jì)算任務(wù)規(guī)模較大時(shí)，將任務(wù)傳輸至單一設(shè)備執(zhí)行會(huì)導(dǎo)致執(zhí)行效率低下，可以選擇對(duì)任務(wù)進(jìn)行分割再交由不同的設(shè)備執(zhí)行處理，通多不同設(shè)備的協(xié)同處理實(shí)現(xiàn)異構(gòu)設(shè)備資源的利用整合。

此外，根據(jù)邊緣計(jì)算平臺(tái)中的協(xié)作方式還可以進(jìn)一步分為縱向協(xié)作與水平協(xié)作?？v向協(xié)作將會(huì)聯(lián)合端—邊—云三層的異構(gòu)設(shè)備來(lái)協(xié)同處理計(jì)算任務(wù)，由于不同層級(jí)的設(shè)備資源存在差異會(huì)導(dǎo)致人工智能服務(wù)性能的差異，通過(guò)多層級(jí)的協(xié)作可以實(shí)現(xiàn)對(duì)計(jì)算任務(wù)的各個(gè)環(huán)節(jié)按需供應(yīng)。水平協(xié)作則通常將任務(wù)交由若干個(gè)邊緣節(jié)點(diǎn)處理，通過(guò)在單一層級(jí)中對(duì)計(jì)算任務(wù)進(jìn)行協(xié)同處理，可以在充分利用設(shè)備資源的同時(shí)，減少通訊傳輸造成資源消耗。

第三，降低邊緣計(jì)算數(shù)據(jù)的冗余傳輸與低效存儲(chǔ)。無(wú)論是現(xiàn)在還是未來(lái)，數(shù)據(jù)傳輸?shù)膲毫χ辉霾粶p，但不是所有的數(shù)據(jù)都是有用的，所以為了減少應(yīng)用服務(wù)中的冗余數(shù)據(jù)傳輸、實(shí)現(xiàn)應(yīng)用服務(wù)的敏捷響應(yīng)，邊緣緩存的設(shè)計(jì)也加入了邊緣智能化的大集體。

邊緣緩存方案可以通過(guò)在邊緣節(jié)點(diǎn)緩存熱點(diǎn)內(nèi)容，實(shí)現(xiàn)在出現(xiàn)相關(guān)請(qǐng)求時(shí)能夠快速響應(yīng)。[34]因此，基于邊緣緩存技術(shù)可以對(duì)同一地區(qū)中的相似請(qǐng)求進(jìn)行快速響應(yīng)，從而避免了對(duì)請(qǐng)求的數(shù)據(jù)進(jìn)行多次冗余傳輸?shù)那闆r。

然而，邊緣緩存卻面臨著一個(gè)嚴(yán)峻挑戰(zhàn)，由于邊緣節(jié)點(diǎn)的存儲(chǔ)空間具有局限性而且其服務(wù)范圍內(nèi)的熱點(diǎn)內(nèi)容難以預(yù)測(cè)，因此，無(wú)法實(shí)現(xiàn)緩存的高效命中。這時(shí)，人工智能依然發(fā)揮著重要作用，它可以依據(jù)每個(gè)邊緣節(jié)點(diǎn)的服務(wù)內(nèi)容進(jìn)行定制化的策略設(shè)計(jì)，并可以追蹤熱點(diǎn)內(nèi)容的實(shí)時(shí)變化來(lái)對(duì)策略進(jìn)行智能化調(diào)整[35]，從而確保緩存內(nèi)容的有效性和準(zhǔn)確性。因而，借助人工智能技術(shù)自主化的決策設(shè)計(jì)邊緣緩存方案，可以避免相似請(qǐng)求的冗余數(shù)據(jù)傳輸以及促進(jìn)存儲(chǔ)空間的高效利用，實(shí)現(xiàn)緩存命中率的大幅提升。

總結(jié)與思考

世界每時(shí)每刻都在產(chǎn)生數(shù)據(jù)，就像每天的溫度、濕度，甚至于一棵不起眼的草的顏色深度……這些誕生于物理世界的數(shù)據(jù)，本身只是一堆冰冷的數(shù)字，在我們使用相關(guān)的工具、（如溫度計(jì)、傳感器等）對(duì)其測(cè)量之前，這些數(shù)據(jù)對(duì)我們?nèi)祟惗詻](méi)有任何的價(jià)值。世界上產(chǎn)生的數(shù)據(jù)每年都在以指數(shù)規(guī)模增長(zhǎng)，最好的處理方法就是將70%的數(shù)據(jù)都在網(wǎng)絡(luò)邊緣進(jìn)行處理，通過(guò)分散的方法減輕計(jì)算壓力;另外，這些由設(shè)備產(chǎn)生的數(shù)據(jù)中有太多對(duì)我們無(wú)用的數(shù)據(jù)了，據(jù)思科統(tǒng)計(jì)，到2021年結(jié)束，全球每年產(chǎn)生的數(shù)據(jù)將會(huì)達(dá)到847ZB，而在這樣海量的數(shù)據(jù)中僅有約10%的數(shù)據(jù)才是有用的。

這些數(shù)據(jù)在還沒(méi)有與人類世界產(chǎn)生聯(lián)系時(shí)，它本身還不能算作是信息。但通過(guò)打破數(shù)據(jù)算力壁壘，將物理世界中冰冷無(wú)意義的數(shù)字、冗余海量的數(shù)據(jù)抽取出來(lái)，映射到數(shù)字空間，形成可演算的、對(duì)生活進(jìn)行調(diào)整與反饋的知識(shí)，信息就由此誕生。算力邊界的突破需要借助一系列的智能算法如特征工程和知識(shí)整合的支撐。數(shù)據(jù)和特征決定了機(jī)器學(xué)習(xí)的上限，而模型和算法只是逼近這個(gè)上限而已。這些原本復(fù)雜冗余的數(shù)據(jù)被精簡(jiǎn)為一條條的知識(shí)進(jìn)而映射到數(shù)字空間，知識(shí)的相互作用關(guān)聯(lián)，形成真正有價(jià)值有意義的信息，開(kāi)始與人類世界產(chǎn)生聯(lián)系（見(jiàn)圖6）。

當(dāng)有人類行為參與到信息鑒別與利用時(shí)，這些信息才終算突破了智力邊界，在人類與信息的交互過(guò)程中，通過(guò)智力來(lái)選擇這些對(duì)我們有利的信息，讓有用的信息及時(shí)反饋到我們的行動(dòng)中去，避免進(jìn)行不利的活動(dòng)。例如，從事同樣的農(nóng)耕活動(dòng)，古時(shí)的完全靠人力耕作，后來(lái)依托工具以及使用耕牛，再到如今的機(jī)械化智能化的農(nóng)業(yè)。雖然都是同等的工作，但這中間缺隔著巨大的智力鴻溝，這就是智力邊界。所以，認(rèn)知層邊緣計(jì)算所面臨的主要任務(wù)是如何更好地將人的智能與邊緣算法相結(jié)合，從而提升邊緣側(cè)的算法效率、算法適配性，優(yōu)化信息組合的結(jié)構(gòu)，使這些信息更高效、快速地為人類所用，同時(shí)將作用的結(jié)果反饋給人類，輔助人類進(jìn)行決策，形成人類認(rèn)知層的邊緣計(jì)算。

當(dāng)智力邊緣被突破，數(shù)據(jù)與信息隨著人類的認(rèn)知被更好的利用，激增的有益信息隨著人類的社交網(wǎng)絡(luò)被不斷傳播，如個(gè)人向朋友分享自己喜愛(ài)的事物可以增進(jìn)朋友間的友誼等，當(dāng)個(gè)人的分享需求越來(lái)越多，這種聚集的需求突破了應(yīng)用邊界，就形成了我們所熟知的社交網(wǎng)絡(luò)應(yīng)用。應(yīng)用邊界的突破一定程度上依賴于人的社交關(guān)系，主要存在兩個(gè)相關(guān)的現(xiàn)象：社會(huì)信任（social trust）與社會(huì)互惠（social reciprocity）。社會(huì)信任是指人與人之間的信任關(guān)系，普遍存在于親人、朋友、同學(xué)之中。社會(huì)互惠是指在人類社會(huì)中存在的多個(gè)個(gè)人或團(tuán)體通過(guò)相互合作從而達(dá)成目標(biāo)最大化，各方都有收益的現(xiàn)象，普遍存在于同事、公司之間。一般來(lái)說(shuō)存在這兩類社會(huì)關(guān)系的人群更容易在用戶與用戶之間形成直接的內(nèi)容分享，人類的這種行為就在社交邊緣邊界上搭建了一座溝通的橋梁，使得這些個(gè)人社交的邊緣計(jì)算需求聚集形成了一種邊緣計(jì)算應(yīng)用從而達(dá)到智能邊緣。

最終在實(shí)現(xiàn)這樣的邊緣智能應(yīng)用場(chǎng)景之后，可以繼續(xù)對(duì)這些邊緣計(jì)算應(yīng)用的場(chǎng)景進(jìn)行優(yōu)化與結(jié)構(gòu)調(diào)整，通過(guò)模型共享、遷移學(xué)習(xí)等，用從一個(gè)環(huán)境中學(xué)到的知識(shí)幫助完成新環(huán)境中的學(xué)習(xí)任務(wù)，做到舉一反三。在模型分享過(guò)程中我們將不斷地調(diào)整原來(lái)應(yīng)用的架構(gòu)，進(jìn)行持續(xù)的更新與發(fā)展，最終突破架構(gòu)邊界的限制。那時(shí)，我們將能夠最大限度地去探索這一類人的社會(huì)行為背后的最大價(jià)值與意義，這些本質(zhì)的價(jià)值與意義一方面作用于互聯(lián)網(wǎng)服務(wù)提供商，他們可以在此基礎(chǔ)上調(diào)整他們的邊緣計(jì)算的服務(wù)核心，另一方面這些本質(zhì)的價(jià)值也反饋于用戶自身，實(shí)現(xiàn)自身的價(jià)值，展現(xiàn)最終價(jià)值層邊緣計(jì)算的核心要義。

從算力世界中數(shù)據(jù)的海洋，到集合著成千累萬(wàn)信息的數(shù)字空間，再到人類智力對(duì)信息處理的參與，最終到達(dá)智慧邊緣計(jì)算，用智能的、高效的方式最大限度地處理信息并反饋給人類，這條路似乎還有著無(wú)盡的綿延。但無(wú)論技術(shù)怎樣發(fā)展，這些數(shù)據(jù)都會(huì)從人類和世界中來(lái)，最終也必然被運(yùn)用于人類對(duì)世界的認(rèn)識(shí)和改造中。從萬(wàn)物互聯(lián)到萬(wàn)物賦能，科技的發(fā)展帶來(lái)了人與世界、人與人、人與自身關(guān)系的改變，還帶來(lái)了對(duì)科技發(fā)展進(jìn)行哲學(xué)思考的要求。在未來(lái)，既然智慧邊緣計(jì)算將人類從瑣碎的腦力消耗中解脫出來(lái)了，那么人類就需要用思維完成更重要的任務(wù)：既需要研究在科學(xué)發(fā)展的歷程中人類如何認(rèn)識(shí)科學(xué)，還要反思處于發(fā)展潮流中的人們是如何存在和認(rèn)識(shí)自己的，從而推進(jìn)人類—社會(huì)—科技—自身的和諧關(guān)系，這也為未來(lái)科學(xué)技術(shù)哲學(xué)的發(fā)展提供了方向和動(dòng)力。

（本文系2018年度科技部重點(diǎn)研發(fā)計(jì)劃“社區(qū)風(fēng)險(xiǎn)監(jiān)測(cè)與防范關(guān)鍵技術(shù)研究”和2019年度科技部重點(diǎn)研發(fā)計(jì)劃“基于邊緣智能協(xié)同的物聯(lián)終端系統(tǒng)與應(yīng)用”的階段性成果，項(xiàng)目編號(hào)分別為：2018YFC0809803、2019YFB2101901;天津大學(xué)智能與計(jì)算學(xué)部博士生王晨陽(yáng)對(duì)本文亦有貢獻(xiàn)）

注釋

[1]《馬克思恩格斯選集》第1卷，北京：人民出版社，1972年，第30頁(yè)。

[2]Hong， W.; Baek， K.-H. and Ko， S.， "Millimeter-wave 5G antennas for smartphones： Overview and experimental demonstration"， IEEE Trans. Antennas Propag， Dec 2017， 65（12）， pp. 6250–6261.

[3]Olwal， T. O. ; Djouani， K. and Kurien， A. M.， "A survey of resource management toward 5G radio access networks"， IEEE Commun. Surveys Tuts， 3rd Quart 2016， 18（3）， pp. 1656–1686.

[4]余偉婷：《2018-2019中國(guó)物聯(lián)網(wǎng)發(fā)展年度報(bào)告》，《物聯(lián)網(wǎng)技術(shù)》，2019年第9期，第3頁(yè)。

[5]阿里云：《三個(gè)物聯(lián)網(wǎng)案例，看懂阿里巴巴為何布局最難的物聯(lián)網(wǎng)道路》，http：//news.rfidworld.com.cn/2017_10/4dbde5ad0730344a.html，2017年10月13日更新。

[6]半導(dǎo)體行業(yè)觀察：《英特爾物聯(lián)網(wǎng)的三大戰(zhàn)略》，https：//www.sohu.com/a/254267717_132567，2018年9月17日更新。

[7]智能硬件前沿：《關(guān)于英特爾物聯(lián)網(wǎng)你不可不知的10個(gè)最新動(dòng)向》，https：//www.sohu.com/a/113230704_381605，2016年9月2日更新。

[8]中科院物理所：《什么是數(shù)字孿生？》，https：//baijiahao.baidu.com/s？id=1654063032229950736&wfr=spider&for=pc，2019年12月27日更新。

[9]OFweek工控：《數(shù)字孿生技術(shù)的應(yīng)用價(jià)值，數(shù)字孿生可以應(yīng)用到哪些方面？》，http：//www.elecfans.com/d/916589.html，2019年4月23日更新。

[10]顧嘉：《萬(wàn)物互聯(lián)之前請(qǐng)先做好人人互聯(lián)》，《通信世界》，2017年第21期，第9頁(yè)。

[11]Jara， A. J.; Ladid， L. and Gómez-Skarmeta， A. F.， "The Internet of Everything through IPv6： An Analysis of Challenges"， Solutions and Opportunities， 2013， 4（3）， pp. 97-118.

[12]Sharma， S. K. et al.， "Physical layer aspects of wireless IoT"， International Symposium on Wireless Communication Systems （ISWCS）. IEEE， 2016， pp. 304-308.

[13]Wu， D. et al.， "UbiFlow： Mobility management in urban-scale software defined IoT"， IEEE conference on computer communications （INFOCOM）. IEEE， 2015， pp. 208-216.

[14]Afzal M.K.， et al.， "Unlocking 5G spectrum potential for intelligent IoT： Opportunities， challenge，? and solutions"， IEEE Communications Magazine， 2018， 56（10）， pp. 92-93.

[15]新浪財(cái)經(jīng)綜合：《我國(guó)5G基站已超13萬(wàn)個(gè) 未來(lái)80%應(yīng)用放在物聯(lián)網(wǎng)》，https：//finance.sina.cn/2020-01-20/detail-iihnzhha3773436.d.html，2020年1月20日更新。

[16]Keshavarzi A. and van den Hoek W.， "Edge intelligence—On the challenging road to a trillion smart connected IoT devices"， IEEE Design & Test， 2019， 36（2）， pp. 41-64.

[17]Chen， X. et al.，"Exploiting massive D2D collaboration for energy-efficient mobile edge computing"， IEEE Wireless communications， 2017， 24（4）， pp.? 64-71.

[18]Zhou， Z. et al.， "Edge intelligence： Paving the last mile of artificial intelligence with edge computing"， Proceedings of the IEEE， 2019， 107（8）， pp. 1738-1762.

[19]Wolf， M.， "Machine Learning+ Distributed IoT= Edge Intelligence"， 2019 IEEE 39th International Conference on Distributed Computing Systems （ICDCS）. IEEE， 2019， pp. 1715-1719.

[20]朱珺辰、高俊杰、宋企皋：《大數(shù)據(jù)、人工智能與云計(jì)算的融合應(yīng)用》，《信息技術(shù)與標(biāo)準(zhǔn)化》，2018年第3期，第45～48頁(yè)。

[21]施巍松、孫輝、曹杰等：《邊緣計(jì)算：萬(wàn)物互聯(lián)時(shí)代新型計(jì)算模型》，《計(jì)算機(jī)研究與發(fā)展》，2017年第5期。

[22]Ren， J. et al.， "Distributed and efficient object detection in edge computing： Challenges and solutions"， IEEE Network， 2018， 32（6）， pp. 137-143.

[23]Liu， C. et al.， "A new deep learning-based food recognition system for dietary assessment on an edge computing service infrastructure"， IEEE Transactions on Services Computing， 2017， 11（2）， pp. 249-261.

[24]Li， D. et al.， "Deepcham： Collaborative edge-mediated adaptive deep learning for mobile object recognition"， IEEE/ACM Symposium on Edge Computing （SEC）. IEEE， 2016， pp. 64-76.

[25]Wang， S. et al.， "Adaptive federated learning in resource constrained edge computing systems"， IEEE Journal on Selected Areas in Communications， 2019， 37（6）， pp. 1205-1221.

[26]華為：《智能邊緣平臺(tái)—IEF》， https：//www.huaweicloud.com/product/ief.html，2018年更新。

[27]百度：《Beatyl，將計(jì)算、數(shù)據(jù)和服務(wù)從中心無(wú)縫延伸到邊緣》， https：//baetyl.io/zh/，2019年更新。

[28]亞馬遜：《將本地計(jì)算、消息收發(fā)、數(shù)據(jù)管理、同步和 ML 推理功能引入邊緣設(shè)備》 ，https：//aws.amazon.com/cn/greengrass/，2017年更新。

[29]微軟：《在 IoT Edge 設(shè)備上本地部署的云智能》，https：//azure.microsoft.com/zh-cn/services/iot-edge/，2018年更新。

[30]張海波、李虎、陳善學(xué)等：《超密集網(wǎng)絡(luò)中基于移動(dòng)邊緣計(jì)算的任務(wù)卸載和資源優(yōu)化》，《電子與信息學(xué)報(bào)》，2019年第5期，第183～190頁(yè)。

[31]楊仕豪：《移動(dòng)邊緣計(jì)算環(huán)境下資源放置與分發(fā)問(wèn)題》，《中國(guó)新通信》，2017年第21期，第126～128頁(yè)。

[32]Mach， P. and Becvar， Z.， "Mobile edge computing： A survey on architecture and computation offloading"， IEEE Communications Surveys & Tutorials， 2017， 19（3）， pp. 1628-1656.

[33]Chen， X. et al.， "Optimized Computation Offloading Performance in Virtual Edge Computing Systems via Deep Reinforcement Learning"，? IEEE Internet of Things Journal， 2018， 1-1.

[34]Wang， S. et al.，"A survey on mobile edge networks： Convergence of computing， caching and communications"， IEEE Access， 2017， 5， pp. 6757-6779.

[35]Xiao， L. et al.， "Security in mobile edge caching with reinforcement learning"， IEEE Wireless Communications， 2018， 25（3）， pp. 116-122.

責(zé) 編/肖晗題