■文/王曉飛 韓溢文

權(quán)威機(jī)構(gòu)預(yù)測，到2020年，世界上的物聯(lián)網(wǎng)設(shè)備數(shù)量將超過200億臺。這些設(shè)備小到一些基本的傳感器節(jié)點(diǎn)，只負(fù)責(zé)記錄傳感數(shù)據(jù)并提交用以支撐云端計(jì)算的數(shù)據(jù)；大到一些基站等邊緣節(jié)點(diǎn)，能夠處理和分析傳入的信息，在本地利用有限的資源進(jìn)行一些簡單的任務(wù)。在這樣的設(shè)備規(guī)模下，傳統(tǒng)的云計(jì)算架構(gòu)已無法滿足如此大量的計(jì)算任務(wù)，邊緣計(jì)算由此誕生。

基于邊緣計(jì)算框架，可以使許多智能化的設(shè)想，如智慧城市、車聯(lián)網(wǎng)等付諸實(shí)際應(yīng)用，并使得這些復(fù)雜的智能應(yīng)用實(shí)現(xiàn)在邊緣端的實(shí)時(shí)處理。借助于邊緣計(jì)算，大規(guī)模的數(shù)據(jù)不需要經(jīng)歷云端傳輸?shù)难訒r(shí)，直接在邊緣側(cè)處理，從而極大地提高了用戶服務(wù)質(zhì)量，這就是我們所稱的邊緣智能計(jì)算。與此同時(shí)，機(jī)器學(xué)習(xí)，特別是深度學(xué)習(xí)，又是處理這樣龐大數(shù)據(jù)的絕佳方法。通過將這些機(jī)器學(xué)習(xí)方法融入邊緣計(jì)算架構(gòu)中，優(yōu)化邊緣緩存、邊緣計(jì)算任務(wù)卸載以及整體邊緣上的資源調(diào)度，以達(dá)到優(yōu)化整體邊緣計(jì)算系統(tǒng)性能的效果，這就是智能邊緣計(jì)算。

邊緣智能計(jì)算

邊緣計(jì)算將計(jì)算、網(wǎng)絡(luò)、存儲等能力擴(kuò)展到物聯(lián)網(wǎng)設(shè)備附近的網(wǎng)絡(luò)邊緣側(cè)，而以深度學(xué)習(xí)為代表的人工智能技術(shù)讓每個(gè)邊緣計(jì)算的節(jié)點(diǎn)都具有計(jì)算和決策的能力，這使得某些復(fù)雜的智能應(yīng)用可以在本地邊緣端進(jìn)行處理，滿足了敏捷連接、實(shí)時(shí)業(yè)務(wù)、數(shù)據(jù)優(yōu)化、應(yīng)用智能、安全與隱私保護(hù)等方面的需求。目前，邊緣計(jì)算與人工智能的互動融合正深入推動智慧城市、智能制造、車聯(lián)網(wǎng)等應(yīng)用的發(fā)展，促進(jìn)了產(chǎn)業(yè)的實(shí)現(xiàn)與落地，為全面提升智能化水平提供了重要保障，給人們的生產(chǎn)生活帶來了便利。

智慧城市部署了海量的物聯(lián)網(wǎng)設(shè)備用于服務(wù)城市中的各個(gè)領(lǐng)域。然而，這些物聯(lián)網(wǎng)設(shè)備產(chǎn)生的海量數(shù)據(jù)，不僅給云計(jì)算中心帶來了沉重負(fù)擔(dān)，也占用了大量網(wǎng)絡(luò)資源。此外，例如監(jiān)控視頻的實(shí)時(shí)分析，涉及實(shí)時(shí)性和隱私性要求時(shí)，云計(jì)算平臺往往無法做出任何保證。這時(shí)，邊緣計(jì)算與深度學(xué)習(xí)相結(jié)合，在邊緣設(shè)備上搭載高性能芯片和深度學(xué)習(xí)算法，就可以在接近數(shù)據(jù)源的邊緣側(cè)實(shí)現(xiàn)對視頻中人體、車輛等目標(biāo)的檢測、提取和建模，只需要將處理后的小數(shù)據(jù)上傳到云端即可，既減少了云計(jì)算負(fù)荷和帶寬浪費(fèi)，也保證了低延遲和數(shù)據(jù)隱私保護(hù)。

智能酒店作為智能家居的延伸，近些年受到了廣泛關(guān)注，尤其是阿里巴巴集團(tuán)宣布推出了未來酒店以后。智能酒店系統(tǒng)主要通過邊緣網(wǎng)關(guān)快速集成各種物聯(lián)網(wǎng)設(shè)備，在邊緣端使用人工智能技術(shù)，其作為本地節(jié)點(diǎn)快速響應(yīng)本地事件，實(shí)現(xiàn)一體化。與傳統(tǒng)酒店相比，智能酒店致力于提供無人化的自助服務(wù)體驗(yàn)，除了刷臉入住、環(huán)境自調(diào)節(jié)等黑科技外，室內(nèi)實(shí)現(xiàn)了智能語音控制功能，通過客房控制系統(tǒng)（RCU），可以用語音控制電視、空調(diào)、窗簾、燈具等設(shè)備，如有必要，也可以語音呼叫酒店相關(guān)服務(wù)。

車聯(lián)網(wǎng)將車內(nèi)、車與人、車與車、車與路、車與服務(wù)平臺連接起來。然而，由于其受到信息和通信技術(shù)的嚴(yán)重制約，而且傳統(tǒng)的云服務(wù)延遲較高，所以車聯(lián)網(wǎng)對緊急事件的處理能力較差。邊緣計(jì)算可以將計(jì)算資源部署到更靠近終端車輛的地方，來滿足計(jì)算密集型和低延遲應(yīng)用的要求，同時(shí)深度學(xué)習(xí)能夠動態(tài)協(xié)調(diào)網(wǎng)絡(luò)、緩存和計(jì)算資源，也可以實(shí)時(shí)對各類傳感器數(shù)據(jù)進(jìn)行處理分析，輔助駕駛，提升車輛的智能化水平和自動駕駛能力。二者結(jié)合減少了數(shù)據(jù)的往返時(shí)間，極大地提高了實(shí)時(shí)響應(yīng)、路邊服務(wù)、附近消息互通等功能的服務(wù)質(zhì)量，為信息服務(wù)智能化、車輛控制智能化、交通管理智能化提供了保障。

邊緣計(jì)算與深度學(xué)習(xí)相結(jié)合，在邊緣設(shè)備上搭載高性能芯片和深度學(xué)習(xí)算法，既減少了云計(jì)算負(fù)荷和帶寬浪費(fèi)，也保證了低延遲和數(shù)據(jù)隱私保護(hù)。

邊緣計(jì)算支撐的智能計(jì)算

隨著時(shí)代的發(fā)展，每天所產(chǎn)生的數(shù)據(jù)越來越多，而且一些人工智能模型的日漸成熟，使得越來越多的人工智能應(yīng)用如智能監(jiān)控、車聯(lián)網(wǎng)、自動駕駛等的實(shí)現(xiàn)成為可能。然而，由于本地計(jì)算能力的不足，這些復(fù)雜的計(jì)算任務(wù)往往需要借助云計(jì)算才可以實(shí)現(xiàn)。以視頻監(jiān)控為例，在傳統(tǒng)的云計(jì)算架構(gòu)中，監(jiān)控終端需要直接將監(jiān)控?cái)?shù)據(jù)傳輸?shù)皆贫?，但由于?shí)時(shí)捕獲的照片或視頻具有非常大的尺寸和高的生成頻率，使用普通的線路進(jìn)行數(shù)據(jù)傳輸無法達(dá)到實(shí)時(shí)的效果，只能通過搭建專用的高速線路來進(jìn)行數(shù)據(jù)傳輸。這樣的解決方案一方面成本太高，另一方面由于物聯(lián)網(wǎng)設(shè)備產(chǎn)生的數(shù)據(jù)量急劇增加，在響應(yīng)延遲和通信負(fù)擔(dān)方面對云計(jì)算構(gòu)成巨大的挑戰(zhàn)。受制于互聯(lián)網(wǎng)的容量與實(shí)時(shí)傳輸?shù)膲毫?，將所有的?shù)據(jù)傳輸?shù)皆浦羞M(jìn)行數(shù)據(jù)處理已不再是延遲敏感和大規(guī)模應(yīng)用的明智解決方案。這促使了邊緣計(jì)算的發(fā)展。

在邊緣計(jì)算架構(gòu)支持下的視頻監(jiān)控應(yīng)用中，各終端節(jié)點(diǎn)協(xié)同工作，共同為整個(gè)系統(tǒng)做貢獻(xiàn)。終端節(jié)點(diǎn)如小區(qū)監(jiān)控?cái)z像頭、道路交通攝像頭等在承擔(dān)錄制與發(fā)送視頻的同時(shí)，其本身也具有一定的計(jì)算能力，因而這些終端在進(jìn)行數(shù)據(jù)發(fā)送之前需要先進(jìn)行數(shù)據(jù)的壓縮，這樣可以保證在有限的數(shù)據(jù)鏈路中最大效率地傳輸數(shù)據(jù)。邊緣服務(wù)層由多個(gè)基礎(chǔ)設(shè)施如路由器、基站等組成，這些邊緣節(jié)點(diǎn)運(yùn)行一些輕量級的機(jī)器學(xué)習(xí)模型，而這些模型保證可以在邊緣節(jié)點(diǎn)的運(yùn)算能力范圍內(nèi)及時(shí)處理且不會損失預(yù)測識別的精度。這些邊緣節(jié)點(diǎn)為分布式部署，每個(gè)節(jié)點(diǎn)只負(fù)責(zé)其服務(wù)范圍內(nèi)的終端節(jié)點(diǎn)。云端服務(wù)層主要負(fù)責(zé)整合與更新邊緣節(jié)點(diǎn)上模型的參數(shù)。由于邊緣節(jié)點(diǎn)得到的模型受限于其局部數(shù)據(jù)，云端服務(wù)器通過整合不同邊緣節(jié)點(diǎn)的模型數(shù)據(jù)來獲取一個(gè)更加全知全能的模型。當(dāng)邊緣節(jié)點(diǎn)遇到一個(gè)無法識別的目標(biāo)或識別準(zhǔn)確度很低的目標(biāo)時(shí)，邊緣節(jié)點(diǎn)會立即將數(shù)據(jù)發(fā)送到云端，通過云端更完整的模型與更強(qiáng)大的計(jì)算能力來識別未知的目標(biāo)并將結(jié)果返回給邊緣側(cè)，同時(shí)下發(fā)該邊緣節(jié)點(diǎn)更新后的模型參數(shù)。通過各個(gè)節(jié)點(diǎn)的相互協(xié)作，可以充分利用邊緣計(jì)算的優(yōu)勢來支撐更多時(shí)延敏感的應(yīng)用，同時(shí)降低這些應(yīng)用的開發(fā)成本。

智能邊緣計(jì)算

智能邊緣計(jì)算

移動設(shè)備上的多媒體應(yīng)用得到了迅速發(fā)展，預(yù)計(jì)到2021年，全球移動數(shù)據(jù)流量將增長至每年500 EB（艾字節(jié)，相當(dāng)于1018字節(jié)）。用戶對于多媒體內(nèi)容的訪問需求不斷攀升，為了支撐龐大的數(shù)據(jù)流量，需要更多的網(wǎng)絡(luò)資源，這也導(dǎo)致服務(wù)器出現(xiàn)流量擁擠的狀況，加大了網(wǎng)絡(luò)負(fù)載。

邊緣緩存技術(shù)能很好地解決流量負(fù)載問題，它可以在邊緣節(jié)點(diǎn)中預(yù)緩存終端用戶所需的內(nèi)容，從而降低網(wǎng)絡(luò)中的流量負(fù)載。在邊緣緩存技術(shù)中，我們通常關(guān)注的問題包括緩存什么、在哪里以及何時(shí)緩存等幾個(gè)方面，這需要依賴于對用戶需求以及內(nèi)容流行度的預(yù)測，在這方面，深度強(qiáng)化學(xué)習(xí)有著很好的應(yīng)用。深度強(qiáng)化學(xué)習(xí)是人工智能技術(shù)的一種，能夠通過與環(huán)境的交互學(xué)習(xí)來處理決策問題，而邊緣計(jì)算技術(shù)也賦予邊緣節(jié)點(diǎn)計(jì)算與存儲能力，這使得在邊緣計(jì)算架構(gòu)中使用人工智能技術(shù)成為可能。通過挖掘網(wǎng)絡(luò)中的用戶信息和數(shù)據(jù)指標(biāo)，借助深度強(qiáng)化學(xué)習(xí)技術(shù)來學(xué)習(xí)整合，可以更好地了解用戶行為和網(wǎng)絡(luò)特征，進(jìn)而使每個(gè)邊緣節(jié)點(diǎn)能夠感知其網(wǎng)絡(luò)環(huán)境，在有限存儲空間中智能地選擇要緩存的內(nèi)容，提升緩存性能。

人工智能技術(shù)除了在邊緣緩存機(jī)制中發(fā)揮作用外，在計(jì)算任務(wù)卸載中也起到了優(yōu)化作用。在邊緣計(jì)算架構(gòu)中，終端可以將計(jì)算任務(wù)卸載到附近的邊緣節(jié)點(diǎn)或者云端執(zhí)行，然后再接收處理結(jié)果。但是，由于網(wǎng)絡(luò)條件的變化和資源的限制，任務(wù)可能無法以低執(zhí)行成本進(jìn)行卸載。因此，可以使用深度強(qiáng)化學(xué)習(xí)技術(shù)，在任務(wù)卸載過程中學(xué)習(xí)卸載決策和執(zhí)行成本，在訓(xùn)練過程中不斷地引導(dǎo)深度強(qiáng)化學(xué)習(xí)模型中最大化相應(yīng)獎勵(lì)函數(shù)，最終實(shí)現(xiàn)計(jì)算任務(wù)智能化卸載的決策能力，優(yōu)化計(jì)算任務(wù)的執(zhí)行效率。

此外，人工智能技術(shù)在邊緣計(jì)算的資源調(diào)度方面發(fā)揮著舉足輕重的作用。由于邊緣節(jié)點(diǎn)中通信資源和計(jì)算資源的局限性制約了任務(wù)處理能力，而深度強(qiáng)化學(xué)習(xí)技術(shù)作為邊緣計(jì)算平臺中的智能決策者，可以對資源進(jìn)行合理調(diào)度，提升資源的利用效率。通過將深度強(qiáng)化學(xué)習(xí)技術(shù)融入邊緣計(jì)算框架中，優(yōu)化邊緣計(jì)算的多個(gè)方面，可以為邊緣計(jì)算提供有力的技術(shù)支持。

邊緣計(jì)算與人工智能技術(shù)相輔相成。在邊緣智能計(jì)算方面，邊緣計(jì)算為人工智能提供了一個(gè)高質(zhì)量的計(jì)算架構(gòu)，對一些時(shí)延敏感、計(jì)算復(fù)雜的人工智能應(yīng)用提供了切實(shí)可行的運(yùn)行方案。在智能邊緣計(jì)算方面，人工智能技術(shù)也在邊緣計(jì)算的許多環(huán)節(jié)中扮演著決策者的角色，對節(jié)點(diǎn)資源起到了優(yōu)化作用，成為邊緣計(jì)算的重要技術(shù)支柱。

技術(shù)的交叉融合往往會帶來一些創(chuàng)造性的解決方案。當(dāng)下邊緣計(jì)算與人工智能的聯(lián)系日益加強(qiáng)，二者相互促進(jìn)、相互依托，為5G時(shí)代顛覆性創(chuàng)新成果的誕生奠定了堅(jiān)實(shí)基礎(chǔ)。