孫輝 余瑩

摘要：現(xiàn)有基于集中式大數(shù)據(jù)的公共安全系統(tǒng)較難滿足實時性、精準(zhǔn)性、隱私性及能耗等問題?；谶吘売嬎愕亩嘣创髷?shù)據(jù)的時代已經(jīng)到來，多源數(shù)據(jù)主要包括：社會中政務(wù)和媒體數(shù)據(jù)、各種傳感器收集的數(shù)據(jù)、智能終端產(chǎn)生的自媒體數(shù)據(jù)等。邊緣計算與傳統(tǒng)集中式云計算二者相結(jié)合，可較好地處理這些邊緣異構(gòu)多源數(shù)據(jù)。提出了基于邊緣計算的智能交通系統(tǒng)、基于邊緣計算的公共安全監(jiān)測控制系統(tǒng)以及基于邊緣計算的災(zāi)難預(yù)警與救援系統(tǒng)。

關(guān)鍵詞：邊緣計算;多源異構(gòu);智能終端;協(xié)同

Abstract： Currently， cloud computing-based public safety systems are challenging to meet the requirements of real-time， accuracy， privacy， and energy consumption. The multi-source and heterogeneous-based big data applications that use the edge computing paradigm has become the popular applications. Multi-source-based big data mainly includes： （1） big data for governments and social media data; （2） data collected by various sensors; （3） self-media data from intelligent end devices. Edge computing， which collaborates with traditional cloud computing， can better handle these edge heterogeneous multi-source data. In this paper， three types of edge computing-based systems for heterogeneous multi-source are proposed： an edge computing-enabled intelligent transportation system， an edge computing-based monitoring system in public safety， and a disaster alert and notification system using the edge computing paradigm.

Key words： edge computing; multi-source heterogeneous; intelligent device; collaboration

1 背景

1.1 邊緣計算

隨著物聯(lián)網(wǎng)技術(shù)的發(fā)展，網(wǎng)絡(luò)邊緣設(shè)備數(shù)量的快速增加，萬物互聯(lián)時代已經(jīng)到來?，F(xiàn)有公共安全系統(tǒng)主要建立在云計算模式下，隨著其規(guī)模的擴大，監(jiān)測控制視頻數(shù)據(jù)的處理難以滿足實時性需求;而基于邊緣計算的公共安全系統(tǒng)正逐漸成為主流，監(jiān)測控制數(shù)據(jù)由原有的單一視頻轉(zhuǎn)變?yōu)橐月曇?、視頻、文本等多源數(shù)據(jù)。

邊緣計算指在網(wǎng)絡(luò)邊緣執(zhí)行計算的一種新型計算模型，邊緣計算中的邊緣指從數(shù)據(jù)源到云計算中心路徑間的任意計算和網(wǎng)絡(luò)資源[1]。邊緣大數(shù)據(jù)處理時代，物聯(lián)網(wǎng)設(shè)備的數(shù)據(jù)急劇增加，數(shù)據(jù)類型呈現(xiàn)出復(fù)雜化、多樣化的特征。我們正從以云計算為核心的集中式大數(shù)據(jù)處理時代步入異構(gòu)多源的邊緣式大數(shù)據(jù)處理時代。

相比于云計算模型的集中式大數(shù)據(jù)處理時代，萬物互聯(lián)下的邊緣式大數(shù)據(jù)具有異構(gòu)多源的特征。云計算時代，數(shù)據(jù)量通常維持在拍字節(jié)（PB）級別，而邊緣大數(shù)據(jù)所處理的數(shù)據(jù)量已超過澤字節(jié)（ZB）。根據(jù)思科全球云指數(shù)的預(yù)測：至2020年，全球數(shù)據(jù)中心的流量將達到15.3 ZB[2]。由于基于邊緣數(shù)據(jù)的應(yīng)用程序?qū)崟r性需求較高，原有云中心的計算任務(wù)被（部分或全部）遷移到邊緣計算單元上，以保證數(shù)據(jù)處理的實時性[1]，同時降低數(shù)據(jù)從邊緣設(shè)備傳輸?shù)皆浦行牡膸捸撦d。因此，邊緣計算架構(gòu)目前已經(jīng)逐漸成為異構(gòu)多源大數(shù)據(jù)時代的重要架構(gòu)之一。

1.2 公共安全與邊緣大數(shù)據(jù)

根據(jù)數(shù)據(jù)來源的不同，公共安全領(lǐng)域[3]可利用的邊緣大數(shù)據(jù)包括：政務(wù)和媒體數(shù)據(jù)、傳感器收集的物理空間的數(shù)據(jù)和網(wǎng)絡(luò)空間的數(shù)據(jù)等[4]。政務(wù)和媒體數(shù)據(jù)主要包括政府?dāng)?shù)據(jù)、傳統(tǒng)媒體數(shù)據(jù)等，政府通過其行政權(quán)、司法權(quán)及強制力量可收集大量公共安全相關(guān)數(shù)據(jù)，傳統(tǒng)媒體（如電視臺）依靠其專業(yè)性，在獲取數(shù)據(jù)上也有其獨特的優(yōu)勢。物理空間數(shù)據(jù)主要包括公共場所的攝像頭監(jiān)測控制數(shù)據(jù)、車載攝像頭拍攝到的移動視頻數(shù)據(jù)，環(huán)境傳感器收集到的溫度、壓力、濕度數(shù)據(jù)，煙霧傳感器收集的室內(nèi)煙霧數(shù)據(jù)。這些來自于物理空間的數(shù)據(jù)均可應(yīng)用到公共安全領(lǐng)域，有效融合這些數(shù)據(jù)，是公共安全系統(tǒng)的難題之一。網(wǎng)絡(luò)空間數(shù)據(jù)主要包括自媒體數(shù)據(jù)，如用戶通過Facebook[5]、Twitter[6]、微博、微信等社交平臺分享照片及視頻;日志數(shù)據(jù)，如用戶通過瀏覽器觀看在線視頻數(shù)據(jù)、搜索引擎資源、網(wǎng)上銀行交費等行為數(shù)據(jù)。網(wǎng)絡(luò)數(shù)據(jù)是異構(gòu)多源數(shù)據(jù)重要組成部分，據(jù)統(tǒng)計，YouTube[7]用戶每分鐘上傳視頻內(nèi)容時長達72 h;Twitter用戶每分鐘達近30萬次的訪問量;Instagram[8]用戶每分鐘上傳近22萬張新照片[9]。網(wǎng)絡(luò)空間數(shù)據(jù)是異構(gòu)多源公共安全系統(tǒng)的主要來源。如當(dāng)災(zāi)難發(fā)生后，通過社交網(wǎng)絡(luò)上的數(shù)據(jù)分析災(zāi)民的行為模式，對受災(zāi)城市可能發(fā)生的大規(guī)模災(zāi)民避難、遷移行為進行建模、預(yù)測和模擬，對災(zāi)民的撤離路線進行有效推薦[10]。

1.3 現(xiàn)有公共安全系統(tǒng)特征及問題

目前，物聯(lián)網(wǎng)技術(shù)在視頻監(jiān)測控制、城市交通管理等公共安全領(lǐng)域得到廣泛應(yīng)用;但傳統(tǒng)的公共安全系統(tǒng)僅從傳感器收集數(shù)據(jù)，數(shù)據(jù)來源較單一。物聯(lián)網(wǎng)設(shè)備的計算能力有限，聯(lián)網(wǎng)資源共享和智能化應(yīng)用水平較低，仍處在物聯(lián)網(wǎng)應(yīng)用的初級階段[11]。如2016年二十國集團峰會（G20）期間[12-13]，杭州采取了最高級別安保措施以保障峰會的順利舉辦;但將安全系統(tǒng)擴大到整個城市時，其自動化能力不足，城市的安全監(jiān)測控制主要依靠人力，杭州為此出動的警力達三萬余人。此外，邊緣端設(shè)備所產(chǎn)生的數(shù)據(jù)量越來越大，網(wǎng)絡(luò)帶寬[14]以及云中心的計算資源逐漸達到瓶頸。這限制了傳統(tǒng)公共安全系統(tǒng)規(guī)模的擴展，并且實時性較低，嚴(yán)重影響了公共安全系統(tǒng)對突發(fā)事件的及時處理。

本文中，我們提出利用異構(gòu)多源數(shù)據(jù)來構(gòu)建基于邊緣計算的公共安全系統(tǒng)。邊緣計算單元可及時處理由大量異構(gòu)傳感器采集的海量數(shù)據(jù)[15]，在靠近數(shù)據(jù)源的一端，對數(shù)據(jù)進行預(yù)處理，過濾無用數(shù)據(jù)，降低傳輸帶寬，將有用信息傳輸?shù)皆浦行?。系統(tǒng)自動收集網(wǎng)絡(luò)空間數(shù)據(jù)、政府?dāng)?shù)據(jù)，對多源數(shù)據(jù)進行融合，從而為大規(guī)模城市公共安全系統(tǒng)的構(gòu)建提供了可能。

2 異構(gòu)多源公共安全系統(tǒng)的挑戰(zhàn)

我們提出自然環(huán)境下基于異構(gòu)多源的邊緣計算公共安全系統(tǒng)，該類系統(tǒng)的關(guān)鍵技術(shù)挑戰(zhàn)主要包括以下幾個方面。

2.1 邊緣計算編程模型

異構(gòu)多源公共安全系統(tǒng)的邊緣端大多是異構(gòu)平臺，缺少統(tǒng)一化的編程模型，這給程序員開發(fā)邊緣端軟件帶來了阻力。在云計算模型中，程序員編寫應(yīng)用程序并將其部署到云端，云服務(wù)器提供商維護云計算服務(wù)器，基礎(chǔ)設(shè)施對程序員是透明的。但是，邊緣計算模型從云端遷移部分或全部計算任務(wù)到邊緣端，因為每個節(jié)點的運行時環(huán)境可能不盡相同，傳統(tǒng)編程方式MapReduce[16]、Spark[17]均不適合，這對程序員困難較大。

2.2 數(shù)據(jù)抽象

作為數(shù)據(jù)生產(chǎn)者的傳感器向邊緣計算單元發(fā)送數(shù)據(jù)，計算單元對數(shù)據(jù)進行預(yù)處理（如去除無用信息、事件檢測、隱私保護等），之后數(shù)據(jù)被傳送到云端。由于邊緣傳感器收集的數(shù)據(jù)具有異構(gòu)多源的特性，數(shù)據(jù)格式具有多樣性，這會直接影響數(shù)據(jù)的使用。由于數(shù)據(jù)抽象會導(dǎo)致大量信息的損失，如何保留有用信息、保證數(shù)據(jù)抽象的輕量性及有用信息的高度濃縮，是數(shù)據(jù)抽象的一個難點。

2.3 任務(wù)調(diào)度策略

在異構(gòu)多源公共安全系統(tǒng)中，數(shù)據(jù)、計算、存儲、網(wǎng)絡(luò)等資源具有異構(gòu)性，須要針對不同應(yīng)用實例設(shè)計基于邊緣計算的異構(gòu)資源任務(wù)調(diào)度策略[18]。大多應(yīng)用程序具有多樣性，調(diào)度策略應(yīng)支持多種類型的應(yīng)用程序。但是，在邊緣計算架構(gòu)下，計算資源受限，利用基于邊緣服務(wù)器和邊緣計算節(jié)點的分布式[19]系統(tǒng)以及有限的計算資源[20]，從多角度卸載[21]和分發(fā)子任務(wù)到資源合適的邊緣節(jié)點，降低資源占用，提高執(zhí)行效率，是邊緣計算公共安全系統(tǒng)所面臨的重要挑戰(zhàn)之一。

2.4 信息安全

在內(nèi)容感知、實時計算、并行處理等方面，基于異構(gòu)多源的邊緣計算公共安全系統(tǒng)具有開放性，這使得數(shù)據(jù)安全與隱私問題變得更加突出[22]。R.ROMAN等[23]對幾種移動邊緣范式進行了安全性分析，闡述了一種通用協(xié)作的安全防護體系，這些工作為邊緣計算的安全研究提供了理論借鑒。數(shù)據(jù)隱私保護及安全是異構(gòu)多源公共安全系統(tǒng)提供的一種重要服務(wù)，如基于邊緣計算的城市安全視頻監(jiān)測控制系統(tǒng)，大量的隱私信息被攝像機捕獲，在隱私保護下提供服務(wù)，這對異構(gòu)多源的公共安全系統(tǒng)又一挑戰(zhàn)。

2.5 大規(guī)模系統(tǒng)運維

隨著邊緣數(shù)據(jù)呈現(xiàn)異構(gòu)多源化，系統(tǒng)運維[24]將會成為大型公共安全系統(tǒng)的一個巨大挑戰(zhàn)。異構(gòu)多源公共安全系統(tǒng)與普通系統(tǒng)不同，其在數(shù)據(jù)規(guī)模上是城市級別的，數(shù)據(jù)來源于城市的公共攝像頭、移動車載攝像頭、公共網(wǎng)絡(luò)、政府?dāng)?shù)據(jù)等，一個800像素的攝像機每小時產(chǎn)生的數(shù)據(jù)量是 3.6 GB，即使經(jīng)過邊緣單元的數(shù)據(jù)抽象壓縮，數(shù)據(jù)量仍然較大。要維護如此龐大的異構(gòu)多源數(shù)據(jù)系統(tǒng)，對運維工作者來說也是一個巨大的挑戰(zhàn)。

3 面向異構(gòu)多源數(shù)據(jù)的3種邊緣計算公共安全系統(tǒng)

基于公共安全系統(tǒng)的需求，以及邊緣計算的適用場景，我們在以下3個方面提出關(guān)于公共安全系統(tǒng)的展望。

3.1 基于邊緣計算的智能交通系統(tǒng)

智能交通是一種將先進通信技術(shù)與交通技術(shù)相結(jié)合的物聯(lián)網(wǎng)重要應(yīng)用。智能交通用于解決城市居民面臨的出行問題，如惡劣的交通現(xiàn)狀、擁塞的路面條件、貧乏的停車場地等[25]。智能交通系統(tǒng)可以利用車輛及車輛周邊的傳感器網(wǎng)絡(luò)進行交通信息的交換[26]，并主動做出決策，同時會實時收集來自社交網(wǎng)絡(luò)和政府的數(shù)據(jù)，預(yù)測未來前方車流量，并進行規(guī)避。隨著交通數(shù)據(jù)量的增加，用戶對交通信息的實時性需求也在提高。若將所有數(shù)據(jù)傳輸?shù)皆浦行?，將造成帶寬浪費和延時，也無法優(yōu)化基于位置識別的服務(wù)?；诋悩?gòu)多源的邊緣計算智能交通為上述諸多問題提供了一種較好的解決方案，是邊緣計算公共安全系統(tǒng)重要組成部分之一。

安全性是智能交通行業(yè)最重要的問題?；诋悩?gòu)多源邊緣計算智能交通系統(tǒng)能夠提高智能交通的安全性。若將車載傳感器實時數(shù)據(jù)全部傳輸?shù)皆贫耍⒃贫朔答伣Y(jié)果用于對車輛的控制，將會造成極大的延遲。在無人駕駛或自動駕駛[27]領(lǐng)域，這些平時看上去不起眼的延遲在某些突發(fā)事件發(fā)生時，往往會造成災(zāi)難。為此，智能交通系統(tǒng)加入了邊緣計算模塊，將車載傳感器收集到的數(shù)據(jù)進行本地化處理，并抽象出核心數(shù)據(jù)，使其符合邊緣計算編程模型，并將其傳輸?shù)皆贫颂幚怼＿@不僅能節(jié)省帶寬和能耗，同時能降低網(wǎng)絡(luò)延時，增強系統(tǒng)的實時處理能力。同時，智能交通系統(tǒng)將社交網(wǎng)絡(luò)和政府?dāng)?shù)據(jù)也傳輸?shù)皆贫颂幚?，用于預(yù)測未來一段時間內(nèi)可能發(fā)生的突發(fā)車流變化，如節(jié)假日、大型會議、救護車、警車等。有效調(diào)度異構(gòu)多源數(shù)據(jù)并輔以邊緣計算，能夠極大提高智能交通系統(tǒng)的公共安全性，同時能對智能交通系統(tǒng)進行合理、及時的運維，也是對公眾安全一種保障。

如圖1所示，利用異構(gòu)多源數(shù)據(jù)（電感應(yīng)回路探測器、雷達、攝像機、眾包、社交媒體等），通過深度學(xué)習(xí)[28]的方式預(yù)測出了未來交通流[29]是智能交通數(shù)據(jù)處理的一種趨勢。本系統(tǒng)中的異構(gòu)多源數(shù)據(jù)不僅包括傳感器的信息，還包括其他來源數(shù)據(jù)，對這些數(shù)據(jù)資源進行融合分析，將人們的出行意愿和突發(fā)事件進行數(shù)據(jù)挖掘[30]，可以實現(xiàn)對未來的交通流進行更深層次、更精準(zhǔn)的預(yù)測。如在節(jié)假日期間，因為歷史數(shù)據(jù)未能考慮交通流突變的情況，數(shù)據(jù)分析模型將很可能無法做到良好的預(yù)測;但結(jié)合網(wǎng)絡(luò)空間的數(shù)據(jù)，收集人們在社交網(wǎng)絡(luò)空間上分享的出行意愿，并實時處理，就可以避免車流量高峰，預(yù)測出低流出行路線，這對人們在節(jié)假日的出行安全提供了良好保障。再如，將政府發(fā)布的信息（如大型會議、災(zāi)難性事件），進行多源融合，通過深度神經(jīng)網(wǎng)絡(luò)進行實時分析，將實現(xiàn)對交通流量的預(yù)測，保證智能安全出行。

3.2 基于邊緣計算公共安全監(jiān)測控制系統(tǒng)

城市安全監(jiān)測控制系統(tǒng)廣泛應(yīng)用于新型犯罪及社會管理等公共安全問題。傳統(tǒng)視頻監(jiān)測控制系統(tǒng)前端攝像頭內(nèi)置計算能力較低，而現(xiàn)有智能視頻監(jiān)測控制系統(tǒng)的智能處理能力不足。傳統(tǒng)的大型監(jiān)測控制系統(tǒng)將攝像頭采集的數(shù)據(jù)簡單壓縮或直接傳輸?shù)皆浦行?，而隨著監(jiān)測控制系統(tǒng)的規(guī)模不斷擴大，公共安全監(jiān)測控制領(lǐng)域要求系統(tǒng)能夠提供實時性較高的數(shù)據(jù)。

從異構(gòu)多源融合的角度，我們提出邊緣計算公共安全系統(tǒng)的新架構(gòu)，如加入智能手機攝像頭收集的數(shù)據(jù)、網(wǎng)友發(fā)布的實時求救信息，以及政府發(fā)布的搜查公告、紅色通緝令等。

在邊緣端，邊緣計算下的公共安全監(jiān)測控制系統(tǒng)發(fā)展趨勢是以云計算和物聯(lián)網(wǎng)技術(shù)為基礎(chǔ)，融合邊緣計算架構(gòu)和異構(gòu)多源數(shù)據(jù)，將有邊緣計算能力的硬件集成到傳統(tǒng)攝像頭上，輔以軟件技術(shù)，構(gòu)建基于邊緣計算的新型監(jiān)測控制應(yīng)用的軟硬件服務(wù)平臺。圖2為基于邊緣計算的視頻監(jiān)測控制系統(tǒng)框圖，其中具有邊緣計算功能的模塊作為協(xié)處理單元（簡稱邊緣計算硬件單元）與原有視頻監(jiān)測控制系統(tǒng)的攝像頭終端系統(tǒng)進行系統(tǒng)融合[25]。

針對大型監(jiān)測控制系統(tǒng)故障檢測、視頻監(jiān)測控制系統(tǒng)內(nèi)容可用性、網(wǎng)絡(luò)帶寬有限、云中心負載重等問題，提高監(jiān)測控制系統(tǒng)的智能處理能力，進而實現(xiàn)重大刑事案件和恐怖襲擊活動預(yù)警系統(tǒng)和處置機制，提高公共安全監(jiān)測控制的防范刑事犯罪和恐怖襲擊的能力，降低視頻數(shù)據(jù)網(wǎng)絡(luò)傳輸和云中心負載。

在云中心，本系統(tǒng)收集網(wǎng)絡(luò)空間和政務(wù)信息的數(shù)據(jù)并分析，運用深度學(xué)習(xí)與大數(shù)據(jù)處理技術(shù)，抽象出需要監(jiān)測控制對象的特征，并與從邊緣端傳到云端的數(shù)據(jù)進行比對，達到自動化多目標(biāo)安全監(jiān)測控制的目的。該系統(tǒng)自動調(diào)度從政府與網(wǎng)絡(luò)數(shù)據(jù)中提取的、可能會對公共安全造成危害的敏感人員信息，通過邊緣計算視頻監(jiān)測控制系統(tǒng)，按照邊緣計算編程模型所需的格式將數(shù)據(jù)下發(fā)給公共攝像頭和車載攝像頭，在城市范圍內(nèi)對敏感人員進行目標(biāo)識別，并監(jiān)測控制其行為。通過政府?dāng)?shù)據(jù)獲得嫌疑人的社會關(guān)系網(wǎng)絡(luò)，對嫌疑人及其相關(guān)人員通過人臉識別[31]進行監(jiān)測控制，同時對嫌疑人的不動產(chǎn)和名下汽車車牌進行搜查。此外，通過社交網(wǎng)絡(luò)上的信息對可疑區(qū)域進行重點監(jiān)測控制等。一旦邊緣計算單元檢測出其進行或蓄意進行危害公共安全的行為，就將監(jiān)測控制數(shù)據(jù)傳送給云端，利用云端進行廣播[32]報警。

相比于傳統(tǒng)監(jiān)測控制方案，邊緣計算公共安全監(jiān)測控制系統(tǒng)可提升自動化程度，降低對控制中心的人工依賴，提高信息獲取的實時性。同時，邊緣計算架構(gòu)緩解了視頻數(shù)據(jù)上傳至云端所帶來的帶寬負載和傳輸延遲問題，這將極大加強公共安全系統(tǒng)的監(jiān)測控制能力，為公共安全提供更深層次的保障。

3.3 基于邊緣計算的災(zāi)難預(yù)警與救援系統(tǒng)

在科技高速發(fā)展的同時，人類依然無法在地震、水災(zāi)等自然災(zāi)害發(fā)生前做好精準(zhǔn)性預(yù)測。在災(zāi)難現(xiàn)場，通信網(wǎng)絡(luò)（如固定網(wǎng)絡(luò)、無線通信網(wǎng)絡(luò)等）往往不穩(wěn)定且魯棒性差，如何基于有限的網(wǎng)絡(luò)環(huán)境，將信息高效地傳輸至云端是實現(xiàn)高效、實時救災(zāi)系統(tǒng)的關(guān)鍵之一。基于無人機、視頻、眾包等方式在災(zāi)難環(huán)境下收集信息已成為趨勢。災(zāi)難現(xiàn)場傳感器傳回的視頻、音頻、社交網(wǎng)絡(luò)等數(shù)據(jù)有助于對受災(zāi)后的災(zāi)區(qū)環(huán)境、人群、救災(zāi)通道等進行智能感知，在災(zāi)難響應(yīng)和恢復(fù)救援工作中發(fā)揮著越來越重要的作用。

現(xiàn)有自然災(zāi)害實時預(yù)測方法大體上是通過檢測自然災(zāi)害產(chǎn)生時的某項指標(biāo)，如通過電磁波、天氣狀況、地震云、土壤或地下水的氡氣或氫氣含量、井水水位及動物行為等預(yù)測地震的發(fā)生，這種思路具有很強的爭議性。本文中，我們提出的基于邊緣計算的災(zāi)難預(yù)警系統(tǒng)，可以在某個區(qū)域發(fā)生災(zāi)難時，通過收集這個區(qū)域內(nèi)邊緣傳感器的數(shù)據(jù)（如光學(xué)傳感器、紅外攝像機、麥克風(fēng)等）和網(wǎng)絡(luò)上的數(shù)據(jù)，進行邊緣大數(shù)據(jù)分析，實時準(zhǔn)確地判斷出災(zāi)難發(fā)生的具體類型及輻射范圍，自動地將分析結(jié)果輻射到相鄰區(qū)域。在一定程度上實現(xiàn)了對將要發(fā)生災(zāi)難的相鄰區(qū)域的預(yù)警，為應(yīng)急響應(yīng)和搜救行動的完成獲取相關(guān)信息。

本文中我們構(gòu)想的預(yù)警系統(tǒng)，通過邊緣傳感器收集受災(zāi)發(fā)生現(xiàn)場的實時數(shù)據(jù)，如圖3所示。本文所提出的災(zāi)難救援系統(tǒng)將從無人機、智能機器人、災(zāi)難現(xiàn)場固定傳感器收集來的圖像、音頻等傳感器數(shù)據(jù)（如煙霧傳感器數(shù)據(jù)、溫度傳感器數(shù)據(jù)等），通過邊緣計算模塊進行內(nèi)容感知和數(shù)據(jù)抽象，將處理之后的數(shù)據(jù)上傳至云中心，云中心再將這些傳感器的信息與衛(wèi)星拍攝的衛(wèi)星災(zāi)情圖片、災(zāi)難現(xiàn)場上傳至社交網(wǎng)絡(luò)上的信息等多源數(shù)據(jù)進行實時處理，對受災(zāi)區(qū)域周邊可能會被災(zāi)害輻射到的區(qū)域進行預(yù)警，避免災(zāi)害的擴大。

當(dāng)災(zāi)難發(fā)生時，人們因為焦慮、紀(jì)念、好奇等原因會在網(wǎng)絡(luò)空間發(fā)布信息，這種信息本質(zhì)上是一種信息、觀點、技術(shù)、情緒和行動的聚合。這就產(chǎn)生了社會邊緣大數(shù)據(jù)，為災(zāi)難環(huán)境下，通過大數(shù)據(jù)分析人們的行為信息提供了可能。此外，政府通過社交媒體推送災(zāi)難的相關(guān)信息，網(wǎng)民可以發(fā)表自己的評論，這個過程又會促進社會邊緣大數(shù)據(jù)的擴大。

災(zāi)難發(fā)生后，如何對受災(zāi)群眾進行有效、及時的救援是公共安全系統(tǒng)要考慮的另一個問題。在危機發(fā)生后，網(wǎng)絡(luò)傳輸環(huán)境復(fù)雜，網(wǎng)絡(luò)傳輸不穩(wěn)定。若將災(zāi)難現(xiàn)場傳感器所有信息（如視頻、音頻等）上傳至云中心，網(wǎng)絡(luò)性能將成為信息收集的瓶頸，并影響其他實時救災(zāi)任務(wù)的進行?；谶吘売嬎愕臑?zāi)難救援系統(tǒng)可以實現(xiàn)傳感器異構(gòu)多源數(shù)據(jù)的本地化處理，主動式地適應(yīng)災(zāi)難區(qū)域的網(wǎng)絡(luò)傳輸條件，合理調(diào)度資源，將數(shù)據(jù)高效、安全、實時地上傳至云中心，降低了極端網(wǎng)絡(luò)環(huán)境下傳輸?shù)臄?shù)據(jù)量，減少云中心計算資源消耗，實現(xiàn)災(zāi)情數(shù)據(jù)的及時處理。

云中心將從社交網(wǎng)絡(luò)上收集到的信息與災(zāi)難區(qū)域發(fā)送來的信息進行多源融合，比對、匹配出救災(zāi)線索，為救災(zāi)行動提供指導(dǎo)，進而制定更為安全可行的營救方案。救災(zāi)系統(tǒng)的穩(wěn)定性決定著救災(zāi)的效率，合理規(guī)劃系統(tǒng)運維工作是公共安全系統(tǒng)的保障。

4 結(jié)束語

隨著對公共安全系統(tǒng)功能以及規(guī)模要求的提高，邊緣傳感器數(shù)量增加，我們已經(jīng)進入邊緣大數(shù)據(jù)時代。傳統(tǒng)的云計算架構(gòu)無法在規(guī)模、功能和實時性上滿足公共安全系統(tǒng)的需求，同時傳統(tǒng)公共安全系統(tǒng)無法有效解決異構(gòu)多源的數(shù)據(jù)融合、云中心負載較重、傳輸帶寬較低以及數(shù)據(jù)隱私等問題。本文中，我們闡述了公共安全系統(tǒng)的需求，分析了在邊緣大數(shù)據(jù)時代復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)下邊緣大數(shù)據(jù)的來源，對基于異構(gòu)多源的邊緣計算公共安全系統(tǒng)進行展望，并提出3種系統(tǒng)架構(gòu)：基于邊緣計算的智能交通系統(tǒng)、基于邊緣計算的公共安全檢測控制系統(tǒng)、基于邊緣計算的災(zāi)難預(yù)警與救援系統(tǒng)。物聯(lián)網(wǎng)在智慧城市建設(shè)中受到學(xué)術(shù)界和產(chǎn)業(yè)界的高度重視，邊緣計算的興起為物聯(lián)網(wǎng)增添了智能感知的能力。異構(gòu)多源公共安全系統(tǒng)的發(fā)展將越來越受到重視，而邊緣計算這一關(guān)鍵技術(shù)將在其中發(fā)揮極其重要的作用。

致謝

感謝清華大學(xué)鄭緯民教授對本文相關(guān)研究的幫助和指導(dǎo)。

參考文獻

[1] 施巍松，孫輝，曹杰，等.邊緣計算：萬物互聯(lián)時代新型計算模型[J].計算機研究與發(fā)展， 2017，54（5）：907.DOI： 10.7544/issn1000-1239.2017.20160941

[2] Cisco Cloud Index Supplement. Cloud Readiness Regional Details White Paper[R]. 2017

[3]中國公共安全科技問題分析與發(fā)展戰(zhàn)略規(guī)劃研究. 中國工程科學(xué)， 2007， 9 （4）： 35-40

[4] 鄔賀銓.大數(shù)據(jù)思維[J].科學(xué)與社會，2014，4（1）：1. DOI：10.19524/j.cnki.10-1009/g3.2014.01.001

[5] Company Info | Facebook Newsroom [EB/OL]. [2018-12-01]. https：//newsroom.fb.com/company-info/

[6] Twitter - Company [EB/OL]. [2018-10-01]. https：//about.twitter.com/zh-cn/company.html

[7] YouTube Architecture - High Scalability [EB/OL]. [2018-12-01]. http：//highscalability.com/blog/2008/3/12/youtube-architecture.html

[8] Instagram APKs - APKMirror [EB/OL]. [2018-12-01]. https：//www.apkmirror.com/apk/instagram/instagram-instagram/

[9] Data Never Sleeps 2.0 | Domo [EB/OL]. （2017-10-09）[2018-12-01]. https：//www.domo.com/learn/data-never-sleeps-2/，2017-10-09

[10] 宋軒.大數(shù)據(jù)下的災(zāi)難行為分析和城市應(yīng)急管理[J].中國計算機學(xué)會通訊，2013，（8）

[11]劉攀，趙曉艷，李凱麗.物聯(lián)網(wǎng)測控技術(shù)在公共安全領(lǐng)域的發(fā)展與應(yīng)用[J].中國新通信，2017，19（22）：27. DOI：10.3969/j.issn.1673-4866.2017.22.021

[12]林孝平.上海世博會園區(qū)安全控制系統(tǒng)建設(shè)綜述[J].電信快報，2013，（9）：10

[13] 浙江杭州獲得2016年G20峰會舉辦權(quán).網(wǎng)易新聞[EB/OL].（2015-02-28）[2018-12-01]. http：//news.163.com/ 15/0228/22/AJISSIJ100014SEH.html

[14] BUYYA R， YEO C S， VENUGOPAL S， et al. Cloud Computing and Emerging IT Platforms： Vision， Hype， and Reality for Delivering Computing as the 5th Utility [J]. Future Generation Computer Systems， 2009， 25（6）： 599. DOI：10.1016/j.future.2008.12.001

[15] ORSINI G， BADE D， LAMERSDORF W. Computing at the Mobile Edge： Designing Elastic Android Applications for Computation Offloading[C]//2015 8th IFIP Wireless and Mobile Networking Conference （WMNC）. USA： IEEE， 2015. DOI：10.1109/wmnc.2015.10

[16] DEAN J， GHEMAWAT S. MapReduce： Simplified Data Processing on Large Clusters [J]. Communications of the ACM， 2008， 51（1）： 107-113

[17] ZAHARIA M， CHOWDHURY M， FRANKLIN M J， et al. Spark： Cluster Computing with Working Sets[C]//Proceedings of the 2nd USENIX Conference on Hot Topics in Cloud Computing. USA： USENIX Association Berkeley， 2010

[18] Fitzsimmons J A， Fitzsimmons M J. Service Management： Operations， Strategy， and Information Technology [M]. USA： McGraw-Hill Higher Education， 2004

[19] COULOURIS G， DOLLIMORE J， KINDBERG T， et al. Distributed Systems： Concepts and Design（5th Edition） [M]. USA： Pearson， 2011

[20] CHAITIN G J. On the Length of Programs for Computing Finite Binary Sequences： Statistical Considerations [J]. Journal of the ACM， 1969， 16（1）： 145. DOI：10.1145/321495.321506

[21] KUMAR K， LU Y H. Cloud Computing for Mobile Users： Can Offloading Computation Save Energy？ [J]. Computer， 2010， 43（4）： 51. DOI：10.1109/mc.2010.98

[22] 張佳樂， 趙彥超， 陳兵， 等. 邊緣計算數(shù)據(jù)安全與隱私保護研究綜述[J]. 通信學(xué)報， 2018， 39（3）： 1. DOI：10.11959/j.issn.1000-436x.2018037

[23] ROMAN R， LOPEZ J， MAMBO M. Mobile Edge Computing， Fog et al.： A Survey and Analysis of Security Threats and Challenges [J]. Future Generation Computer Systems， 2018， 78： 680. DOI：10.1016/j.future.2016.11.009

[24] O'BRIEN J A. Management Information Systems： Managing Information Technology in the Networked Enterprise [M]. USA： McGraw-Hill Professional， 1998

[25] 施巍松， 劉芳， 孫輝. 邊緣計算[M]. 北京： 科學(xué)出版社， 2018

[26] DIMITRAKOPOULOS G， DEMESTICHAS P. Intelligent Transportation Systems [J]. IEEE Vehicular Technology Magazine， 2010， 5（1）： 77. DOI：10.1109/mvt.2009.935537

[27] COHEN S. Self-Driving Car [J]. Science and Children， 2017， 54（6）： 96

[28] LECUN Y， BENGIO Y， HINTON G. Deep Learning [J]. Nature， 2015， 521（7553）： 436. DOI：10.1038/nature14539

[29] LV Y， DUAN Y J， KANG W W， et al. Traffic Flow Prediction with Big Data： A Deep Learning Approach [J]. IEEE Transactions on Intelligent Transportation Systems， 2014： 1. DOI：10.1109/tits.2014.2345663

[30] HAND D J. Principles of Data Mining [J]. Drug Safety， 2007， 30（7）： 621. DOI：10.2165/00002018-200730070-00010

[31] TURK M A， PENTLAND A P. Face Recognition Using Eigenfaces[C]//Proceedings.1991 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. USA： IEEE， 1991. DOI：10.1109/cvpr.1991.139758

[32] FALL K R， STEVENS W R. TCP/IP Illustrated， Volume1： The Protocols（2nd Edition）（Addison-Wesley Professional Computing Series）[M]. USA： Addison-Wesley Professional， 2011

作者簡介

孫輝，安徽大學(xué)講師;從事計算機系統(tǒng)、數(shù)據(jù)存儲系統(tǒng)、邊緣計算、基于數(shù)據(jù)的計算、GPGPU高性能數(shù)據(jù)處理等方面的工作;已發(fā)表論文10余篇。

余瑩，安徽大學(xué)計算機科學(xué)與技術(shù)學(xué)院在讀碩士研究生;主要研究方向為計算機系統(tǒng)，邊緣計算及邊緣適用系統(tǒng)。