边缘AI：物联网和网络物理系统的新兴技术

物联网和网络物理系统3（2023）71Edge AI：一项调查Raghubir Singha，Sukhpal Singh Gillb，*a联合王国巴斯大学计算机科学系b英国伦敦玛丽皇后大学电子工程和计算机科学学院自动清洁装置保留字：边缘AI边缘计算人工智能雾计算机器学习云计算A B标准边缘的人工智能（AI）是在现实世界的设备中利用AI 边缘AI是指在网络边缘的用户附近进行AI计算的做法，而不是像云服务提供商的数据中心这样的集中位置。随着人工智能效率的最新创新，物联网（IoT）设备的激增以及边缘计算的兴起，边缘人工智能的潜力现在已经被释放。这项研究提供了对AI方法和功能的全面分析，因为它们与边缘计算或边缘AI有关。此外，还详细介绍了边缘计算及其范式，包括向边缘AI的过渡，以探索为实现边缘计算而提出的每个变体的背景此外，我们还讨论了在边缘设备上部署AI算法和模型的边缘我们还介绍了各种现代物联网应用中使用的技术，包括自动驾驶汽车、智能家居、工业自动化、医疗保健和监控。此外，还讨论了利用针对资源受限环境优化的机器学习算法。最后，边缘计算和边缘AI领域的重要开放挑战和潜在研究方向已经确定和研究。我们希望这篇文章将成为未来蓝图的共同目标，将重要的利益相关者团结起来，促进边缘AI领域的加速发展1. 介绍随着IT在2000年后的发展，云计算被确立为基于高度资源化的数据中心的互联网的新型计算基础设施。对云计算服务的兴趣和采用有所增加，到2020年，全球云IP流量将占数据中心总流量的90%以上[ 1]。云计算模式的主要优势仍然是“无限”的然而，这项技术面临着关键问题：安全性，服务速度和缓慢的连接，这些问题通常与低带宽/高延迟和抖动相结合，因为移动设备将计算和处理能力加载到云计算服务[3，4]。这些挑战因移动和固定互联网连接设备的持续扩散而加剧[5]。高延迟和窄带宽以及用户体验质量（QoE）降低的问题导致重新构想云的建议：而不是被认为是一个同质实体;云将具有与核心分离的独特[6]的文件。因此，设备可以与本地服务器通信，除非需要与云的核心竞争力联系[7]。这一观点首先被阐述为对快速增长的依赖巨型数据中心托管云计算的挑战[8]。 这些作者认为，地理多样性的多个数据中心将为电子邮件分发等应用提供一个优越的模型，使用“本地”服务器过滤垃圾邮件，并在更靠近其起源点的地方阻止不受欢迎的流量形式[ 9 ]。这实际上形成了第一个基于微软公司提出的“微数据中心”（mDC）部署的“边缘“计算提案，它可以被看作是一个高度分布式的云，专注于移动用户和连接的设备，需要安装硬件站点的全球基础设施，每个站点具有有限数量的服务器（每个中心最多10个），并提供几个TB的内存[8，10]。不久之后，用于咖啡店和餐馆等场所的少量临时和短暂的移动终端用户的“云”的范例”[11]。第三个概念是从需要快速响应的固定互联网连接传感器（“物联网（IoT）”）的日益可用性和使用中发展出来的* 通讯作者。电子工程和计算机科学学院，伦敦玛丽皇后大学，伦敦，E1 4NS，英国。电子邮件地址：rs3022@bath.ac.uk（R. Singh），s.s. qmul.ac.uk（S.S. Gill）。https://doi.org/10.1016/j.iotcps.2023.02.004接收日期：2023年2月8日;接收日期：2023年2月21日;接受日期：2023年2023年3月3日在线发布2667-3452/©2023作者。由爱思唯尔公司出版我代表科爱通信公司，公司这是CC BY许可证下的开放获取文章（creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表物联网和网络物理系统期刊主页：www.keaipublishing.com/en/journals/R. S.S.辛格吉尔物联网和网络物理系统3（2023）7172自2011年以来，移动供应商带来了功能强大的智能移动设备，以改变人们与IT和电信互动的基本方式。由于对智能手机和平板电脑等移动设备的需求显著增加，以及密集型移动应用程序需要高级别的处理并依赖远程数据中心，因此“随时随地”访问移动服务与用户的QoE以及他们的个人隐私和控制感越来越冲突[ 14 ]。就其本质而言，边缘计算必须可由无线网络中的异构设备集合访问（并响应）：Wi-Fi，3G，4G，5G及其他[9]。 为了确保在这种高度灵活和高度可变的系统中实现低延迟和高带宽的关键要素，必须将无线干扰降至最低[15]。 图 1介绍了从万维网（WWW）到边缘人工智能或边缘AI的边缘计算范式的整体历史。移动访问边缘计算（MEC）最初是作为边缘计算范例出现的，其中移动用户不需要访问云计算以获得远程数据中心中的数据或计算能力，而是可以使用“边缘”计算资源。 欧洲电信标准协会（ETSI）在2014年发布的白皮书中讨论了基本原理[15]。MEC的概念仅仅是在移动用户的近距离内提供移动和云计算服务，即，以离地方式提供计算能力，旨在减少延迟，实现尽可能高的吞吐量，并提供对实时网络信息的直接访问[16]。MEC更名为多访问边缘计算，旨在于2017年为非移动设备开发应用程序;这是一个关键的方向变化，其全部影响将在本调查的稍后部分讨论1图图2以三层层次结构展示了四种边缘计算范例，并展示了在终端设备或边缘网络上可以实现的实际功能[17]。光纤通道终端设备（如闭路电视）可以进行一些处理，并将有用的数据发送到雾节点到雾的核心。业务场所的简单Cloudlet服务器可以自己执行处理，而不是在终端设备上或与终端设备一起mDC在本地处理多个用户最后，移动云计算（MCC）的概念重复了云计算的许多功能，但由于移动设备的限制（处理能力和电池寿命），数据处理被转发到云数据中心，因此不是边缘计算。1.1. 边缘AI随着人工智能（AI）效率的最新创新，物联网设备的激增以及边缘计算的兴起，边缘AI的潜力现在已经被释放[19]。这导致了边缘AI迄今为止不可想象的应用，例如协助放射科医生诊断疾病，在高速公路上驾驶汽车，甚至是植物。许多专家和公司正在讨论和采用边缘计算，边缘计算起源于20世纪90年代，内容交付网络采用位于客户附近的边缘服务器来提供Web和游戏视频。今天几乎每个行业都有使用边缘AI可以更好地服务的任务 [22]。事实上，边缘应用正在引领下一代人工智能计算的潮流，这将在许多情况下对我们的日常生活产生积极影响，包括在家里，在工作场所，在教室里，以及在旅行时。AI at the edge是在现实世界的设备中使用AI边缘人工智能是指在网络边缘的用户附近进行人工智能计算的做法，而不是像云服务提供商的数据中心或公司自己的私有数据仓库这样的集中位置。互联网的全球范围意味着任何地区都可能被认为是其1多路接入边缘计算机：http://www.etsi.org/news-events/news/1180-2017-03-news-etsi-.Fig. 1. 边缘计算的发展。外围[25]。它可能是从店面到工厂到医院到无处不在的交通信号，无人驾驶设备和移动电话的一切。提高自动化程度是所有部门的业务目标，因为它可以提高效率，生产力和安全性[26]。计算机程序可以通过学习发现模式并可靠地反复执行相同的动作来帮助这一点[27]。但是，由于世界是混乱的，人类活动跨越了无限数量的空间，很难用一套规则和规则来完全表示它们。边缘人工智能已经发展到这样一个地步，机器人和小工具现在可以与人类认知的“智能”一起工作，由人工智能驱动的智能物联网应用程序可以适应新的情况，并学会成功执行相同或相同的任务。关键维度的最新发展使得在边缘成功部署AI模型成为可能[30]。最终，广义机器学习的基础是由神经网络和人工智能其他领域的进步奠定的[31]。人工智能模型的成功训练和将这些模型部署到边缘操作中是许多组织正在实现的事情[32]。边缘AI需要大规模分散的计算能力[33]。为了运行神经网络，已经应用了大规模并行GPU的最新发展。物联网连接设备的激增在很大程度上导致了当今时代数据量的空前增长[34]。 现在我们已经拥有了在边缘实现人工智能模型所需的数据和设备，由于传感器、智能相机、机器人和其他数据收集工具的激增，我们几乎可以在行业的各个方面开始这样做。物联网还受益于5G/6 G为战场带来的速度、可靠性和安全性的提高[36]。R. S.S.辛格吉尔物联网和网络物理系统3（2023）7173图二. 用户/设备与云计算之间的三层关系，以及边缘计算和移动计算的四种介入模式云计算1.2. 动机这四个边缘计算概念中的每一个，Cloudlet，FC，MEC和mDC，都对互联网的未来有着共同的看法，迫切需要解决云计算（具有有限数量的远程数据中心）与越来越多的移动用户之间的不匹配，这些用户通过边缘计算不断增加边缘设备[37]。然而，文献中讨论的四个概念之间的重叠导致了不同方法之间界限的显著退化。此外，由于边缘计算提供的网络性能改进1.3. 与相关调查的比较E X Survey文章[39- 41 ]介绍了对边缘计算的详细调查，仅关注物联网应用，但[41]还讨论了边缘计算中的资源管理。此外，另一篇调查论文[42]对边缘计算中的资源管理进行了详细的研究。另一项工作[43]只关注边缘计算，并给出了各种未来方向。此外，我们已经确定了三项相关调查[19，21，23]，主要关注边缘AI。除了[ 23 ]之外，大多数关于Edge AI的调查文章都是在2021年之前发表的，但这项[23]工作只是对Edge AI的概述，或者是一项有远见的工作，它只提供了许多相关领域的未来方向，但并不深入。 为了分析、更新和整合现有的研究，并探索边缘计算领域（尤其是边缘AI）的未来趋势和未来观点，需要进行新的创新研究，因为边缘计算的这一领域正在继续向边缘AI扩展。 除了早期研究的发现[19，21，23，39-43]，这项最新研究的见解为评估和确定文献中最重要的研究空白提供了一种新颖而富有创造性的策略。 表1将我们的调查与基于不同标准的现有调查进行比较。1.4. 我们的贡献在这方面，本调查的贡献如下。1) 分析边缘计算范式，特别是边缘AI，并讨论处于不同开发阶段的Cloudlets，FC，MEC和mDC。2) 介绍了在概念验证研究中正在研究的边缘计算和基于边缘AI的应用用例。3) 讨论模型和初始商业服务产品。4) 演示了FC和MEC范式如何在采用WiFi技术的异构网络的多址接入方法中得到统一，并将发展为利用5G和长期演进（LTE）。5) 基于基本计算特征以及应用程序、功能和技术的新点，将边缘AI与云、FC、MEC和mDC进行比较。6) 讨论在边缘设备上部署AI算法和模型的边缘AI方法，这些边缘设备通常是位于网络边缘的资源受限设备。7) 突出未来的研究方向，并为未来的读者提供开放的挑战1.5. 文章结构本文其余部分的结构如图所示。3.第三章。第二节探讨了为实现边缘计算而提出的各个变体的背景，包括边缘AI。第三节分析了计算重载的好处和实验证明，表1我们的工作与现有调查文章的比较作品边缘边缘AI物联网应用标准化性能比较资源管理年[39]第三十九届XX2017[第四十届]XX2019[41个]XXX2019[第四十二届]XX2021[四十三]X2021[19个]XXX2020[21日]XX2020[23日]XX（a）X2022我们的调查（这项工作）XXXXXX2023缩写：×：¼方法支持该属性。只是一个概述/愿景。一R. S.S.辛格吉尔物联网和网络物理系统3（2023）7174图三. 本次调查的组织。边缘服务器，主要用于cloudlet和移动边缘计算。第四节讨论了边缘计算范式和边缘AI的标准化计划。第五节提供了一个新的分析，从应用程序，功能和技术的角度比较了不同的边缘计算范式和边缘AI。第六节详细概述了边缘AI在边缘网络上的有限计算资源和可能的机会。第七节探讨了边缘AI在边缘的潜在优势第八节重点介绍了从边缘计算到边缘AI的过渡趋势，并讨论了当前和未来的边缘AI研究挑战。最后，第九节总结并总结了这篇文章，并指出了Edge AI对现代物联网应用的未来。本调查中使用的首字母缩略词列表见Ap-pendiX A。2. 背景边缘计算建议将数据处理能力从云中的远程整合数据中心转移到通常（但不限于）物理上更接近最终用户的服务器，以便通过无线网络为异构移动终端用户和固定互联网连接的流媒体设备支持高QoE应用[43]。在2009年和2014年之间，边缘计算Cloudlets、Fog Computing、移动边缘计算和微型数据中心的四种范式成为边缘计算概念实施的实际竞争者[44]。不幸的是，涉及这些不同概念的文献不断增加，往往表明不同概念空间的重叠和相互占用[45]。 虽然以前的调查集中在单个边缘计算范式上，但从5G和物联网的应用，功能和技术的角度来看，从定义，架构，范式演变和应用用例方面对实现边缘计算范式的各种方法进行了详细的比较分析[46]。边缘计算的不同领域可以明确定义，以解决具有不同商业模式和技术的不同市场[47]：雾计算作为物联网应用程序的最佳解决方案，以最大限度地减少时间关键型处理和大数据分析所需的时间;移动边缘计算以面向大量移动设备的应用程序为中心，微型数据中心是特定位置或临时站点的工业应用程序的最佳选择，而cloudlet则专用于小型企业场景（如最初设想的那样），或者可以扩展到免费访问和开源软件的公共资助计划[48]。2017年，移动边缘计算被重新命名为多访问边缘计算，以识别概念验证研究中的大型物联网组件，并在高度异构的无线网络中协调边缘计算系统和应用程序[49]。随着人工智能效率的最新创新，物联网设备的激增以及边缘计算的兴起，边缘人工智能的潜力现在已经被释放[50，51]。2.1. 边缘计算边缘计算的主要目标是将资源放在用户以及数据和信息源的近距离内，以帮助克服云计算公认的高延迟，抖动和窄带宽的弱点[11，52]。 这些性能参数对于用户的计算设备以及IoT中的无线接入网络特别重要和相关[53]。服务的敏捷性：游牧移动设备和固定的物联网传感器生成大量数据发送到中央云。然而，由于云的集中式方法，这缺乏各种重要功能，例如上下文和位置感知[47]。如果边缘计算在边缘网络处理数据，那么上下文和位置感知更容易获得和实现[54]。低延迟：减少数据包从节点传输到目的地所需的时间在高处理应用中至关重要，例如增强现实和游戏，其中移动用户期望从内容提供商获得不间断的服务[55]。一致性：边缘计算架构可以确定在本地设备或边缘网络上加载数据的位置[49]。智能传感器做出决策，这提高了整个网络的性能，并只将有用的数据发送到云端[56]。例如，闭路电视摄像机仅在靠近摄像机发生移动时才捕获和传输信息[57]。无单点故障：边缘计算存储有限的资源，允许应用程序控制计算，加载和网络资源，以实现高水平的效率和性能[58]。此外，边缘计算的架构提供了一种分布式方法，如果主要边缘网络资源池发生故障，“瞬间”将流量重定向到替代边缘网络资源[ 32 ]。随着软件定义网络（SDN）和网络功能等新兴技术的出现，●●●●R. S.S.辛格吉尔物联网和网络物理系统3（2023）7175虚拟化（NFV），这可以实现网络的可靠性和鲁棒性，并改善与现有物联网环境的集成[59]。2.2. Edge AI：游戏规则改变者几乎每个行业都感受到了人工智能在数字化转型中的作用[60]。AI和机器学习（ML）正在被行业用于简化流程，增强客户体验并节省开支[61]。除了人工智能的发展，边缘计算的出现对于使企业能够立即在边缘评估和管理数据至关重要[62]。术语如果没有边缘计算，智能城市和智能工厂就不可能实现，边缘计算已成为工业互联网的重要组成部分[50]。智能城市依赖于边缘计算，允许交通灯和其他公共设施上的传感器与智能手机和应用程序进行通信它还可以帮助“智能工厂”中配备传感器的机器近年来，由于边缘设备必须完成的活动越来越复杂，在边缘部署人工智能的潜力已经出现并得到了发展[59]。曾经有一段时间，边缘设备无法用于训练和部署机器学习和深度学习模型[64]。然而，随着更强大的计算的引入，近年来这种边缘设备它还可以实时处理数据，提高隐私和安全水平[66]。微型设备在今天的一代是可能的，有几个智能技术的例子，如恒温器，门铃，房屋和汽车摄像头，以及增强现实（AR）和虚拟现实（VR）眼镜[67]。工业机器人、汽车、智能建筑和石油钻井平台都是自动驾驶汽车，自动机器人，人工智能家用电器（从吸尘器到无人机）和移动设备（从智能手机到安全摄像头）都是边缘AI设备的例子，可以在其系统上运行优化的AI。因此，由于Edge和AI，机器和小工具可以立即理解，学习和处理数据和信息。数据收集、准备和分析可以近乎实时地发生，而不必等待模型输出从云端下载[70]。当AI模型被放在边缘而不是云端时，我们允许边缘AI设备更快地分析数据，更快地做出决策，提高数据处理的安全性，并改善用户体验。许多行业可能会预计由于人工智能驱动的边缘计算而发生重大变化[50]。国际数据公司（IDC）预测，到2025年，将有1500亿台智能边缘设备投入使用[72]。确实，某些形式的边缘计算已经在使用中，但预计在不久的将来，这个数字将爆炸式增长到2025年，Gartner预计75%的企业生成的数据将在传统数据中心或云之外创建和处理，这要归功于物联网的扩展。 截至2019年，全球边缘计算产业估计价值35亿美元。到2027年，这一数字可能会增加到434亿美元[74]。这表明这些设备上的AI计算将以指数级速度增长，允许消费者以安全和最佳的方式在源代码处参与编译代码。上述数字表明，由人工智能驱动的边缘计算所带来的巨大数字变革才刚刚开始。考虑到混合云基础设施和配套应用的复杂性，在实现这种过渡之前必须克服几个障碍[76]。 回报是不可否认的，但今天开始的道路是至关重要的。见图4。 Edge AI：重塑边缘计算的未来。2.3. 边缘AI：重塑边缘计算边缘AI是指在位于或靠近网络边缘的设备上使用AI算法和技术，例如在移动终端，传感器或物联网设备上，而不是依赖于中央云服务器进行处理[77]。 这允许更快，更有效的数据处理，以及改善隐私和安全性[78]。图4表明机器学习算法和技术可以部署在本地设备上或网络边缘，以最大限度地减少处理时间[79]。例如，对于处理速度至关重要的应用程序，如视频和音频流，在线游戏和金融交易，边缘的实时数据处理方法[80]。此外，Edge AI可以提供计算智能来开发智能系统，这些智能系统可以执行通常需要人类智能的任务，例如决策，解决问题，模式识别和学习。计算智能包括各种子领域，包括机器学习，神经网络，模糊系统，进化计算和群体智能[81]。这些技术通常用于机器人、数据挖掘、控制系统和优化问题等应用中计算智能的目标是创建能够适应不断变化的环境并从经验中学习而无需显式编程的智能系统。当设备或机器之间需要直接通信时，可以考虑机器对机器（M2M）方法，而无需人为干预[83]。这种方法可以通过各种无线和有线通信技术来实现，例如蓝牙、Wi-Fi和蜂窝网络。M2M应用的示例包括智能家居自动化、工业自动化和远程监控系统[84]。2.4. 基于边缘计算和边缘AI的应用在本节中，我们将讨论最流行的边缘计算和基于边缘AI的应用程序。2.4.1. 边缘处的重载计算随着物联网技术和4K监控摄像头、虚拟现实和游戏应用等高度移动密集型应用的出现，对高处理能力的要求已经增加。然而，由于无线设备述溶液是R. S.S.辛格吉尔物联网和网络物理系统3（2023）7176þþ图五. 边缘网络负载计算模型。边缘服务器：无线设备可以将一系列任务传送到边缘服务器以进行重加载。因此，这大大减少了延迟，并提高了无线用户和边缘服务器之间的带宽。然而，网络负载的计算仍然面临许多挑战，特别是，无线设备将如何决定哪些任务需要在本地执行，或者哪些任务需要移交给边缘服务器。另一个关键问题是边缘服务器端：如果边缘服务器由于无线设备的高需求而这一点将在第七节中进一步讨论。在图5中示出了利用MEC网络的重加载的计算的基本架构，示出了多个用户与基站通信，并由此与边缘服务器通信。2.4.2. 上下文感知应用以前，当互联网用户经常上网浏览最喜欢的内容时，为了满足用户的请求，互联网提供商使用其数据库中的历史信息，但越来越多的互联网服务提供商可以通过地理位置或应用程序的分析信息提供用户借助边缘计算，内容提供商可以在网络边缘托管服务，并在无线电接入网络内提供准确的用户位置[16]。这可以改善移动用户的QoE [5]。2.4.3. 智能交通许多城市正在尝试实施各种形式的交通管制;例如，当交通管制员做出糟糕的交通决策时，不利的天气条件和道路重建造成的延误都会加剧交通拥堵和燃料使用效率低下[87]。借助边缘计算，边缘服务器可以通过从交通灯处的智能传感器和高速公路上的闭路电视摄像头收集的数据自动管理城市交通[88]。每个传感器检测汽车运动并做出相应的决定，交通灯可以对这些处理过的信息做出反应。另一个关键场景是智能停车，用户将根据其地理位置获取有关城市停车位的信息[89]。目前，智能交通环境使用云计算，所有处理都在远程数据中心完成，但云计算缺乏智能交通的关键安全功能[56]。例如，如果无人驾驶汽车在危险情况下需要停止，它必须将数据上传到云端，然后执行计算过程，并在汽车最终执行指令时向汽车发送“停止”命令[ 90 ]。更快速的解决方案是使计算能力接近，边缘计算可以2.5. Cloudlet范式云的概念来自两个基本前提：首先，移动设备（不包括笔记本电脑和笔记本电脑）是与静态PC和膝上型电脑/笔记本电脑相比，移动设备的计算能力很小;其次，提供“盒子中的数据中心“为私人企业（例如，咖啡店）中的少数移动设备用户提供了利用计算能力的能力[ 11 ]。在最初的语境中，“计算能力”是一套开放获取的软件选项，包含用于文字处理、电子表格数据处理等的Linu x应用程序：AbiWord、GIMP、Gnumeric、Kpre-senter、PathFind和SnapFind。 这些资源将在免维护的虚拟机（VM）环境中进行组合，并为通过短距离WiFi连接暂时访问cloudlet的用户进行使用后清理。小云模式已经在开源平台OpenStack中发展，具有小云发现和即时供应。 Elijah是基于Cloudlet的移动计算的实现，Elijah相关的源代码使用github。2Cloudlet作为一种商业概念未能获得牵引力，小型企业的默认产品已成为移动设备（包括笔记本电脑和笔记本电脑）的免费Wi-Fi[91毫无疑问，这一趋势的驱动力是移动用户对社交媒体近乎普及的使用，其中绝大多数人对“盒子里的数据中心”没有什么兴趣或需求。这反过来又将小云概念发展为在3层层次结构中提供一个链接：移动终端/小云/云[94]。这种安排在认知辅助中的云计算应用中得到了明确的体现[95]。这项概念验证研究利用了Google Glass，将视频从Google Glass设备流式传输到Cloudlet。一个用于认知辅助的开源平台使用虚拟机封装连接到一个订阅机制，以有效地共享从可穿戴设备流传输的传感器数据[47]。cloudlet随后可以与“传统”云连接，用于服务，从逻辑上讲，这种分层架构逐渐将云与其他形式的边缘计算联系起来，特别是作为物联网应用程序高延迟和低带宽问题的本地解决方案[97]。该应用案例考虑了由例如车辆中的仪表板摄像头连续记录的视频图像，但也考虑了从移动设备上的摄像头个人上传的视频内容;在元数据被发送到云之前，云系统被用于处理信息同样的方法也适用于公共机构在城市街道上操作的固定监控摄像头。 本案例研究与FC重叠，如（第2节）中所讨论。II-F）和（从移动设备上传的图像）MEC（第II-G节）。然而，针对移动终端用户的应用是小云模式的演变，作者对如何构建城市环境的小云架构进行了半定量分析，得出的结论是，对于多个用户而言，较小的边缘小云的性能优于较大的集中式城域网[9]。这些发现的含义是，未指定数量的小型云服务器将被定位为提供分散覆盖，以确保高QoE [5]。云架构概念也已应用于侦察，想象一下这种方法将“盒子里的数据中心”发展成一种更具雄心的从云端缓存，但能够缓冲来自移动用户的数据此外，cloudlet设备将足够强大，可以在一个跳内从多个移动设备执行资源密集型应用程序，并将使用云基础设施和标准[91- 93 ]。 这种架构将使数据中心处理“更接近”移动用户，但这并不意味着更接近的物理接近，而是“逻辑接近”，即一个提供有限的计算能力，使快速（更低的延迟）决策2QEMU：https://github.com/cmusatyalab/elijah-qemuR. S.S.辛格吉尔物联网和网络物理系统3（2023）7177这种布置可以最小化延迟和抖动，同时最大化带宽。在实践中，这种更接近可能通过增加处理、存储器和存储来增强Wi-Fi接入点来实现;这种布置的期望副作用将是通过需要更少的功率使用来与微云进行交易来延长预期移动终端的电池寿命[98]。实际上，作者建议将小云作为移动云计算的中间层-例如，与mDC数据中心的部署相反（第二节）。II-H）。换句话说，位于固定位置的原始云已经成为移动用户和云之间的中间层中的许多组件之一，但为移动用户提供更好的性能，无论用户是否连接到地理上更接近的服务器（即“逻辑邻近”效应）。远程云仍然可用，但作为最后手段或用于移动用户访问的延迟容忍资源密集型应用程序。最后，颠覆了云的范式，人们提出了由资源丰富的移动设备形成的云的概念[99]。在这项数学研究中，资源丰富的移动设备的精确定义并不清楚，但可以假设高端平板电脑也包括在内，尽管没有提出将笔记本电脑排除在移动云之外的逻辑理由在（第III-A节）中讨论的文章介绍了一些案例研究，这些案例研究探索了云的实际实现，即：应用程序用例。 这些包括将移动设备链接到大型公共屏幕[100]，应用程序，如面部和语音识别，对象识别，物理模拟和渲染以及增强现实[98]和认知辅助[95]。这样的实验演示已经显示了本地云在加速资源贫乏的移动设备完成计算任务方面的能力[91]。换句话说，并不是缺乏有效的小云功能使得小云范式的商业占用最小，而是缺乏概念-概念商业模型的盈利能力[92]。最终，mDC可能会填补工业实践中特定任务的这一空白[93]。这个概念在早期的研究中至少部分地被考虑过，其中动态微云被提出来自网络中拥有必要计算资源的任何移动设备[101]。该分析提出了一种与Wi-Fi接入点共处一处的基础设施，但也能够在本地发现可以共享计算资源的设备[5]。同样的基本思想已经被详细阐述到FemtoCloud提案中，其中具有显著空闲计算能力的移动设备可以通过安装在设备上的客户端服务进行链接[102]。一个典型的场景可能是一个咖啡店，在那里可以假设一个广泛的可预测的客户群（这也可能适用于公共交通形式，甚至机场航站楼）。作者从详细的数学分析中得出结论，客户端服务在移动处理能力的瞬态架构中调度计算事件和任务时面临一个主要问题，但设计架构实现了可用的配置，并且如果要实现该概念，则可以向用户提供参与的激励[102]。2.6. 雾计算起源可以追溯到思科系统公司的一次会议演示在2012年 [12]。作者考虑了访问云计算资源的设备所固有的问题，并且像云架构一样，建议在最终用户设备和云之间插入一个额外的层：嵌入式系统和传感器首先链接到“现场区域网络”，该网络包括FC（“分布式智能”）元素，该元素这在随后的思科文档得到了更有说服力的阐述：“分析收集数据的设备附近的此外，同一文档指出“任何具有计算，存储和网络连接的设备都可以成为雾节点。示例包括工业控制器、交换机、路由器、嵌入式服务器和视频监控摄像机这种与具有连接性和智能数据分析和数据处理功能的固定设备的明确链接清楚地将FC与cloudlets区分开来[7]。所识别的感兴趣场景包括：无线传感器网络、联网车辆、智能电网分布式网络以及在“边缘”收集数据的任何环境[12，104]。这种方法的巨大价值被注意到，因为以当地为重点的密集地理分布可以更快地分析大数据[105]。车辆网络中的智能交通灯、自动驾驶车辆、监控家庭能源使用的智能仪表、管道监控、风电场、工业系统的闭环控制以及石油和天然气行业的应用很快就被添加到事物和雾函数关系的列表中[106- 108 ]。 FC和云之间的关系被简洁地描述为：“因此，解决这个问题的方案是一个多层架构（至少有3层），其中物联网应用程序部署如下：“物”上的一部分（例如，汽车），雾平台上的第二部分（例如，无线接入网络或LTE基站中的路边机柜或路由器），并且在三层的情况下，主云的中间层中的第三部分（例如，AmazonEC2）正如明确地将连接的事物联系起来一样，FC和云是Open Fog 3对FC的定义：“雾计算是一种系统级的水平架构，它将计算，存储，控制和网络的资源和服务分布在从云到物联网的任何地方。然而，即使到2013年，物联网和FC开始变得明显。FC的特点之一是“对机动性的[110]包括5G移动设备以及物联网，网络物理系统和对FC开放的应用程序中的数据分析。同样，移动用户被认为使用可以从FC中受益的应用程序[111]。2015年一篇文章的标题-移动用户同样也是FC支持“一切即服务”模型的一部分[ 112 ]。笔记本电脑和可穿戴设备也被视为连接到“雾”的移动设备[ 113 ]。然而，在“边缘中心计算”的提案中强调了将FC概念集中在实时数据处理和分析上，而不是人类用户对计算和处理能力的需求[ 14 ]。 这些作者还断言，如果能够在边缘而不是集中在遥远的数据中心管理这些敏感数据，那么对个人和社会敏感数据的安全性的信任将会增加[114]。思科介绍了光纤通道的应用用例，包括雾计算和万物互联（IoE）、视频分析优化。4另一项工作[115]讨论了雾计算部署的五个可能领域：医疗保健，智能电网，智能汽车，紧急计算和增强现实[116]。几位作者[106，117-车载FC是一种将计算设备、车载设备以及边缘计算的能力和资源结合在一起的新提议[122]。虽然增强现实可以被视为更多地属于MEC而不是FC领域，但灾难和紧急情况中的紧急计算是一种FC应用，可以显着加快响应时间并优化响应。目前，对于术语FC有许多不同的定义[123，124]。 困境在于将“物”的定义扩展到个人移动设备，特别是智能手机和平板电脑。一旦3OpenFog：https://opcfoundation.org/markets-collaboration/openfog/4物联网，从云到雾计算：https://blogs.cisco.com/perspectives/iot-from-cloud-to-fog-computingR. S.S.辛格吉尔物联网和网络物理系统3（2023）7178表2ETSI赞助的概念证明（Proofs of Concept）[130]。申请目的应用感知性能优化。其中，视频分析是作为物联网应用用例提出的，其中来自摄像机的视频流用于公共安全和智能城市数据收集POC1POC2第三章通过MEC优化视频用户体验边缘视频演示和视频片段回放完全虚拟化网络识别付费视频订阅者并为这些流分配更高的优先级使移动用户能够接收来自专业体育场摄像机的实时视频流，选择摄像机角度等，丰富粉丝体验探索视频优化，根据用户的无线电条件调整视频流的质量，以提高用户的QoE。[129]. 然而，其他五个真正针对的是移动终端用户。表2显示了ETSI赞助的概念验证（POC），显示了MEC概念的可行性。在2016年9月于慕尼黑（德国）举行的移动接入边缘计算大会上，ETSI之外的类似PoC的研究得到了展示，包括用于联网车辆的低延迟MEC超级计算机、视频分析和电子商务交易管理（IDT，集成设备技术）、使用MEC改善道路安全和交通控制（德国电信）以及移动接入边缘计算提高高流量地区（EE）的客户体验有些，如果POC4灵活的基于IP的服务加快基于IP的内容和流媒体并非所有这些都有很强的物联网联系。2005年POC6医疗保健-动态医院用户警报状态管理&用于高级服务交付的多服务MEC平台可通过无线电信服务在医院使用驻留在共享和公共计算基础设施上的多个MEC平台和应用，以协同服务功能链接，从而增强QoE和运营商可见性由欧盟资助的5G MiEdge（毫米波边缘云作为5G生态系统的推动者）项目主要专注于毫米波5G无线电接入网络。5.本项目有两个主要目标。首先，它考虑毫米波接入和MEC相结合，以减少在网络边缘的计算任务。第二个目标是开发一种新的控制平面，以最大限度地提高移动用户的资源该项目将有助于毫米波的标准化POC7视频分析旨在提供视频监控，通过LTE网络使用MEC分析来自监控摄像头的原始视频流，帮助您在城市和其他物理环境中进行实时监控。3GPP和IEEE中的接入和无线电接入网络集中计划。最终，它将在柏林市和2020年东京奥林匹克体育场展示联合5G测试台。该项目涉及两个私营部门的参与者：德国英特尔公司和意大利电信公司多租户和边缘服务的小型小区协调6固定或移动传感器网络将数据流传输到FC服务器的概念丢失，范式从根本上改变，这将在下面讨论[9]。2.7. 移动边缘计算关于移动边缘计算（MEC）的第一篇论文提供的定义是白皮书还建议 在 欧 洲 电 信 标 准 协 会 （ ETSI ） 内 部 成 立 一 个 新 的 行 业 规 范 组（ISG），开始定义和设计多址MEC的行业规范[13]。这突出了电信在MEC中的作用，可以将其视为将电信行业与移动网络边缘的IT结合在一起[120，125]。也使用了一个变体术语-“移动边缘云计算“，但这在概念上与MEC没有区别：“移动边缘云计算可以在接近移动用户的普适无线电接入网络的边缘提供云计算能力“[ 126 ]。作为其核心概念，MEC将已部署在移动边缘的设备重新定义为移动接入点，即：基站转发流量，但也增加了计算和存储能力，以充当MEC服务器[127]。 四个不同的利益相关者为MEC的早期愿景做出了贡献：连接到基站的移动用户，MEC服务器和网络运营商拥有和维护的其他硬件[128]。与此同时，互联网提供商增加了与云元素（数据中心和内容分发网络）的连接，应用服务提供商在其中托管应用程序。该架构旨在减少延迟，提高带宽和增强移动用户的可扩展性，同时对全新服务的开发进行分析。最初的ETSI白皮书[10]设想了六个用例：主动设备位置跟踪、增强现实内容交付、视频分析、（SEMON）项目是跨部门的，重点是为下一代移动通信提供新该战略是通过蜂窝网络架构中的网络功能虚拟化（NFV）和移动接入边缘计算带来智能移动边缘计算的应用程序由诺基亚推出7推出这些应用程序的主要目的是使企业能够从使用低延迟、低成本和提高带宽资源利用率的应用程序中获益[60]。诺基亚MEC应用的一个例子是视频监控，它使安全人员能够随时随地分析不寻常的活动。尽管MEC的生命历史很短，但它开始迅速进化 除了基站之外，MEC可以利用IP网络中更具成本效益的点，并且可以在分布式MEC平台中采用网络功能虚拟化（NFV）技术[132]。然而，另一个趋势是将物联网纳入MEC方案和实施方案[133]。MEC的原始文档至少部分地设想了这一点，包括将传感器连接到MEC服务器的机器对机器场景[ 15 ];随后在ETSI白皮书中讨论了物联网网关[134]。这是不幸的，因为与雾计算的混淆是可能的，MEC和雾计算随后被不同的作者完全然而，当比较这两种边缘计算范式时，强调了不同的驱动因素，FC和MEC之间的关键区别是无线物联网网络可以被视为FC的主要驱动因素，而蜂窝网络中的低延迟MEC的主要考虑因素 [137]。2.8. 微型数据中心范例与其他边缘计算模型相比，mDC更像是边缘计算的硬件解决方案，而不是新的IT场景[16]。因此，mDC与FC、MEC和Cloudlets兼容，但高度55G MiEdge：https://cordis.europa.eu/project/id/7231716电子邮件：https://cordis.europa.eu/project/id/6715967诺基亚Edge云：https://www.nokia.com/networks/p