ISSN 1000-1239 CN 11-1777/TP

    2020边缘计算专题

    默认 最新文章 浏览次数
    Please wait a minute...
    选择: 显示/隐藏图片
    1. 边缘计算专题前言
    卢宇彤
    计算机研究与发展    2020, 57 (9): 1779-1780.   doi: 10.7544/issn1000-1239.2020.qy0901
    摘要686)   HTML31)    PDF (235KB)(508)   

           近年来,随着智能万物互联时代的快速到来和新一代无线通信网络的高速普及,各类新兴智能应用如智慧城市、智能制造、新零售、智能安防等百花齐放.这些新兴数据密集型应用在网络边缘设备产生的数据量正在高速攀升,对数据传输带宽和数据处理的实时性都提出了更高的要求.边缘计算应运而生,通过将计算资源和任务从云端下沉到网络边缘侧,贴近数据源头提供分析处理服务,从而降低数据传输带宽消耗和数据处理延迟,从边缘到中心更好地一体化支撑各类新兴数据密集型的实时应用.

           得益于技术演进而不断提升的带宽效率和实时性双重优势,边缘计算近年来得到了迅速发展,除了在商业上的得到国内外传统云计算巨头如谷歌、微软、亚马逊、百度、腾讯和阿里巴巴的高度青睐,美国、欧盟和我国还从国家层面对边缘计算展开了政策规划和科研布局.在美国,国防部高级研究计划局(DARPA)2017年资助了DCOMP重点项目,研究边缘计算在军事领域应用;美国国家科学基金会(NSF)发布的2020—2022MLWiNS专项,专门支持研究跨边缘网络的分布式机器学习.在欧洲,欧盟地平线(EU Horizon)2020计划自2016年起连续资助了FAR-EDGE,FogGuru和DECENTER 等多个边缘计算相关的重大项目.在我国,广东、北京、上海等多个省市制定的“新基建”战略行动方案均明确指出推动边缘计算基础设施建设.此外,国家重点研发计划“宽带通信和新型网络”和“物联网与智慧城市”等多个专项均将边缘计算作为重点方向列入支持.

           为了分享国内学者在边缘计算方面的最新研究成果,推动国内边缘计算领域前沿技术的交流,加强我国在边缘计算方面的研究,《计算机研究与发展》推出了此次边缘计算专题.本专题共录用了6篇论文,论文作者既有来自于海内外知名高校的资深学者,也有来自于谷歌和英特尔等业界龙头的一线研发人员.所录用的6篇论文分别展示了边缘计算赋能自动驾驶、边缘计算赋能智能家居、边缘计算资源分配、边缘计算任务卸载、边缘机器学习、边缘计算赋能机器人等方面的研究现状和最新成果.希望这组论文能够为相关领域的研究提供一些启发和帮助.

    相关文章 | 计量指标
    2. 基于多模态融合的自动驾驶感知及计算
    张燕咏, 张莎, 张昱, 吉建民, 段逸凡, 黄奕桐, 彭杰, 张宇翔
    计算机研究与发展    2020, 57 (9): 1781-1799.   doi: 10.7544/issn1000-1239.2020.20200255
    摘要1205)   HTML39)    PDF (7063KB)(576)   
    自动驾驶技术的目标是为人类提供一个安全、舒适、高效的驾驶环境.随着自动驾驶系统在真实环境中的部署,如何满足自动驾驶系统实时运行的需求是目前急需解决的问题.而自动驾驶实时运行的挑战主要集中在:在计算资源有限的情况下,融合多模态的感知数据提升感知模块的精度;对任务进行合理的分配,并在不影响精度的情况下对感知任务进行计算优化.总结了近年来自动驾驶技术在感知、计算方面的最新研究进展,建立了自己的智能小车自动驾驶系统Sonic,系统性地分析和比较了自动驾驶感知算法,提出了自己的融合感知算法ImageFusion;并且针对自动驾驶的实时性问题,推出了新的计算优化框架MPInfer.
    相关文章 | 计量指标
    3. 智能家居中的边缘计算
    黄倩怡, 李志洋, 谢文涛, 张黔
    计算机研究与发展    2020, 57 (9): 1800-1809.   doi: 10.7544/issn1000-1239.2020.20200253
    摘要1216)   HTML49)    PDF (2403KB)(867)   
    近年来,智能音箱、扫地机器人已经成为很多用户生活中不可或缺的一部分.随着物联网技术的发展,越来越多的智能设备走进家庭场景,让用户的生活变得更加便捷和舒适.当种类繁多、功能细分的智能设备通过网络进行连接和控制时,为了解决网络延时、数据安全等诸多问题,基于边缘计算的智能家居成为未来趋势.探讨智能家居场景中的边缘计算,介绍围绕感知、通信和计算3个方向所展开的研究.在感知方面,关注边缘节点的泛在感知能力,介绍在非接触式呼吸监测上取得的进展;在通信方面,研究无线感知和无线通信的融合设计,在有限的频谱资源上兼顾感知和通信;在计算方面,关注基于边缘节点的个性化机器学习,在不泄露用户数据的前提下建立个性化机器学习模型.
    相关文章 | 计量指标
    4. 多层次算力网络中代价感知任务调度算法
    刘泽宁, 李凯, 吴连涛, 王智, 杨旸
    计算机研究与发展    2020, 57 (9): 1810-1822.   doi: 10.7544/issn1000-1239.2020.20200198
    摘要860)   HTML11)    PDF (2103KB)(640)   
    随着越来越多数据的产生以及更加强大的算力和算法的运用,物联网应用也变得越来越智能.典型的物联网应用也从简单的数据感知、收集和表示转向复杂的信息提取和分析.这一持续的趋势需要多层次算力资源及网络.多层次算力网络涉及云计算、雾计算、边缘计算和海计算等技术之间的相互协作,分别针对区域级别、本地级别和设备级别的物联网应用.但是,由于计算技术的不同特征以及任务的不同需求,如何有效地进行任务调度是多层次算力网络中的一个关键挑战.此外,如何激发多层次算力资源的积极性也是一个关键问题,这是多层次算力网络得以成形的前提.为解决上述挑战,提出了一个云雾混合多层次算力网络及计算卸载系统,定义了一个由时延、能耗及付费组成的加权代价函数,并建模了一个代价感知任务调度(cost aware task scheduling,CATS)问题.而且,为激发云和雾的积极性,提出了一个基于计算量的付费模型并将付费相关代价也考虑进总代价.具体来说,根据云和雾的不同特性和需求,分别提出了一个静态付费模型和动态付费模型,从而构建了一个混合付费模型.为解决上述CATS问题,提出了一个基于势博弈的分析框架,并设计了一个分布式任务调度算法——CATS算法.数值仿真结果表明,与集中式最优方法相比,CATS算法可以在系统平均代价方面提供近似最优的性能,并让更多用户受益.此外,与静态付费模型相比,动态付费模型可能可以帮助雾获得更多收入.
    相关文章 | 计量指标
    5. 绿色能源驱动的移动边缘计算动态任务卸载
    马惠荣, 陈旭, 周知, 于帅
    计算机研究与发展    2020, 57 (9): 1823-1838.   doi: 10.7544/issn1000-1239.2020.20200184
    摘要746)   HTML18)    PDF (2693KB)(506)   
    移动边缘计算(mobile edge computing, MEC)是近年来出现的一种崭新技术,它能满足更多应用程序所需的计算资源,能使移动网络边缘资源受限的物联网(IoT)设备获得更好的性能.然而,众所周知,边缘基础设施在提高电力使用效率和整合可再生能源方面的能力较差.此外,由于物联网设备的电池容量是有限的,当电池电量耗尽时,所执行任务会被中断.因此,利用绿色能源来延长电池的使用寿命是至关重要的.此外,物联网设备间可以动态、有益地共享计算资源和通信资源.因此,为了提高边缘服务器的能效(power usage efficiency, PUE),实现绿色计算,设计了一种高效的任务卸载策略,提出了一种利用能量收集(energy harvesting, EH)技术和设备间通信(device-to-device communication, D2D)技术的绿色任务卸载框架.该框架旨在最小化任务执行所造成的边缘服务器端电网电力能源成本及云服务器端云资源租用成本.与此同时,引入激励约束,能够有效促进IoT设备间的协作,并防止IoT设备资源被其他设备过度使用.考虑到系统未来信息的不确定性,例如绿色能源的可获得性,提出了一种基于李雅普诺夫优化技术的在线任务卸载算法,该算法仅依赖于系统的当前状态信息.该算法的实现只需要在每个时间片内求解一个确定性问题,其核心思想是将每个时间片的任务卸载问题转化为图匹配问题,并通过调用爱德蒙带花树算法求得近似最优解.对所提出算法的性能进行了严格的理论分析,并通过实验验证了所提出框架的优越性能.
    相关文章 | 计量指标
    6. TensorFlow Lite:端侧机器学习框架
    李双峰
    计算机研究与发展    2020, 57 (9): 1839-1853.   doi: 10.7544/issn1000-1239.2020.20200291
    摘要1380)   HTML53)    PDF (1882KB)(1902)   
    TensorFlow Lite(TFLite)是一个轻量、快速、跨平台的专门针对移动和IoT场景的开源机器学习框架,是TensorFlow的一部分,支持安卓、iOS、嵌入式Linux以及MCU等多个平台部署.它大大降低开发者使用门槛,加速端侧机器学习的发展,推动机器学习无处不在.介绍了端侧机器学习的浪潮、挑战和典型应用;TFLite的起源和系统架构;TFLite的最佳实践,以及适合初学者的工具链;展望了未来的发展方向.
    相关文章 | 计量指标
    7. 机器人4.0: 边缘计算支撑下的持续学习和时空智能
    王志刚, 王海涛, 佘琪, 史雪松, 张益民
    计算机研究与发展    2020, 57 (9): 1854-1863.   doi: 10.7544/issn1000-1239.2020.20200254
    摘要778)   HTML31)    PDF (2293KB)(519)   
    随着全球机器人市场规模的不断扩大,机器人技术正在从机器人3.0时代迈向机器人4.0时代.这除了要求机器人具备感知能力,实现智能协作外,还要求其具有理解和决策的能力,最终实现自主的服务.尽管人工智能研究已经借深度学习技术取得突破性进展,但要实现机器人如人类一样做出决策,依然是非常具有挑战的目标,还有许多难点亟待解决.对有望解决这些问题的3项关键技术——持续学习、时空智能和边缘计算进行了初步探讨:通过持续学习,机器人能够将旧任务的知识快速迁移到新的任务中,并解决灾难性遗忘问题;通过时空智能让机器人对周围的环境建立起从高层到底层的表示,并像人一样从不同的粒度上分享和解决问题;最后充分利用边缘计算提供更高性价比的服务,把各种智能和知识很好地组合起来,实现规模化部署.
    相关文章 | 计量指标