北京郵電大學(xué)信息與通信工程學(xué)院唐子豪，馬文龍，許方敏，趙成林

1　引言

隨著(zhù)工業(yè)4.0的興起，工業(yè)生產(chǎn)正朝著(zhù)智能化和自動(dòng)化的方向快速發(fā)展。作為支撐這一轉型的關(guān)鍵技術(shù)，云邊協(xié)同網(wǎng)絡(luò )通過(guò)結合云計算與邊緣計算的優(yōu)勢，實(shí)現了數據處理的高效與實(shí)時(shí)性，極大地提升了工業(yè)生產(chǎn)的靈活性和可靠性。本綜述探討了云邊協(xié)同網(wǎng)絡(luò )在工業(yè)生產(chǎn)中的應用現狀，提出了確定性云邊協(xié)同架構，調研了其中的關(guān)鍵技術(shù)，并討論了其在實(shí)施過(guò)程中所面臨的挑戰與未來(lái)的發(fā)展方向。

2　云邊協(xié)同網(wǎng)絡(luò )概述

邊緣計算作為繼云計算后的新型計算范式，其核心思想是將計算和存儲資源從數據中心遷移至網(wǎng)絡(luò )邊緣，以滿(mǎn)足工業(yè)場(chǎng)景對實(shí)時(shí)性、低延遲和高可靠性的需求。在智能制造、工業(yè)物聯(lián)網(wǎng)等應用中，邊緣計算通過(guò)實(shí)時(shí)處理任務(wù)、減輕網(wǎng)絡(luò )負載和提升安全性，逐漸成為支撐工業(yè)互聯(lián)網(wǎng)的關(guān)鍵技術(shù)。

盡管邊緣計算將云計算功能延伸到了網(wǎng)絡(luò )邊緣，支持低時(shí)延、位置感知和高質(zhì)量服務(wù)（QoS），但在工業(yè)生產(chǎn)中，設備和傳感器產(chǎn)生的巨大數據量和邊緣計算單元有限的資源成為了難以避免的矛盾。此外，邊緣節點(diǎn)的異構性導致了節點(diǎn)容量、速度、響應時(shí)間和能耗等差異，影響服務(wù)質(zhì)量和可靠性^[1]。例如，某些工業(yè)任務(wù)需毫秒級響應，而其他復雜任務(wù)需長(cháng)時(shí)間計算，這要求節點(diǎn)具備不同處理能力。為實(shí)現高效的數據處理和資源利用，合理使用云邊協(xié)同的計算模式得到了大量研究者的關(guān)注。

在工業(yè)生產(chǎn)中，云邊協(xié)同通過(guò)合理分配計算任務(wù)，可以有效滿(mǎn)足不同的時(shí)延要求。例如，在智能工廠(chǎng)中，邊緣計算處理設備的實(shí)時(shí)監控和故障預警，云端則進(jìn)行長(cháng)期數據分析和預測，優(yōu)化生產(chǎn)流程。這種模式下，設備數據傳輸至邊緣進(jìn)行實(shí)時(shí)計算，復雜任務(wù)交給云處理，最終結果反饋給邊緣，再輸出到終端，如圖1所示^[2]。

圖1 云邊協(xié)同架構示意圖

在云邊協(xié)同的過(guò)程中，邊緣計算處理實(shí)時(shí)數據，并為云端提供關(guān)鍵信息；而云計算則處理非實(shí)時(shí)、長(cháng)周期的數據，并負責邊緣應用的全生命周期管理^[3]，其關(guān)鍵在于資源、業(yè)務(wù)、服務(wù)、數據等層面的協(xié)同。在智能制造過(guò)程中，通過(guò)資源協(xié)同，可以有效調度邊緣計算單元的計算資源，確保生產(chǎn)過(guò)程中的實(shí)時(shí)任務(wù)得到及時(shí)處理，同時(shí)也能優(yōu)化云端的數據分析任務(wù)，以提高整體生產(chǎn)效率；應用協(xié)同通過(guò)統一接入、分布式部署和生命周期管理，涉及云、邊、管、端等各個(gè)層面，確保系統的高效運作，提升生產(chǎn)線(xiàn)的可靠性和響應能力；服務(wù)協(xié)同為工業(yè)應用的構建提供靈活的對接機制，能夠快速適應生產(chǎn)環(huán)境中的變化需求，如實(shí)時(shí)產(chǎn)量調度、設備狀態(tài)監測等^[4]。

3　面向工業(yè)生產(chǎn)的確定性云邊協(xié)同網(wǎng)絡(luò )架構

確定性云邊協(xié)同網(wǎng)絡(luò )在實(shí)現了工業(yè)設備、邊緣計算和云計算之間的高效協(xié)同的基礎上融入了確定性網(wǎng)絡(luò )，借助確定性網(wǎng)絡(luò )的特殊流確定性服務(wù)保障機制，完成關(guān)鍵任務(wù)流的確定性傳輸。其架構如圖2所示，從底層到頂層分為三層：工業(yè)基礎設備層、確定性云邊協(xié)同層管控、云邊協(xié)同工業(yè)應用層^[5]。

圖2 確定性云邊協(xié)同網(wǎng)絡(luò )架構

最底層的工業(yè)基礎設備層包括傳感器、控制器、工業(yè)機器人和生產(chǎn)設備等，這些設備直接參與工業(yè)生產(chǎn)過(guò)程，產(chǎn)生大量實(shí)時(shí)數據。這些數據通過(guò)確定性云邊協(xié)同管控層的處理和分析，反饋到云邊協(xié)同工業(yè)應用層，支持智能制造和遠程控制等應用的實(shí)現。

中間的確定性云邊協(xié)同管控層實(shí)現了工業(yè)確定性算力網(wǎng)絡(luò )和云平臺層的協(xié)同工作。工業(yè)確定性算力網(wǎng)絡(luò )負責算力感知、資源管理、資源預留、任務(wù)調度、路徑規劃、服務(wù)保障、時(shí)間同步和傳輸控制等功能，確保網(wǎng)絡(luò )的確定性和可靠性。其通過(guò)與云服務(wù)器、云管理平臺和數據倉庫的協(xié)同，實(shí)現資源的高效管理和任務(wù)的精確調度。其中的邊緣計算層由邊緣服務(wù)器、邊緣節點(diǎn)和本地存儲設備組成，負責處理靠近數據源的計算任務(wù)，減少數據傳輸到云端的延遲，提高響應速度。邊緣計算層與云平臺層和確定性云邊協(xié)同管控層的協(xié)同工作，實(shí)現了數據的本地處理和快速響應，同時(shí)也減輕了云端的計算壓力。

最上層的應用層支持工業(yè)APP、遠程控制、監控平臺和預測分析等智能應用。這些應用利用云計算的強大處理能力，實(shí)現復雜的數據分析和智能決策支持。云平臺層作為架構的核心，由云服務(wù)器、云管理平臺和數據倉庫組成，負責提供計算資源、數據存儲和管理服務(wù)。云服務(wù)器提供必要的計算資源，云管理平臺負責資源的分配和管理，而數據倉庫則用于存儲和管理海量數據。

該架構通過(guò)三層不同類(lèi)型的云邊協(xié)同，實(shí)現了云計算、邊緣計算和工業(yè)基礎設備層之間的緊密協(xié)作，不僅提高了數據處理的效率，還確保了工業(yè)網(wǎng)絡(luò )的確定性和可靠性，為更高效、智能的工業(yè)自動(dòng)化和生產(chǎn)管理提供了堅實(shí)的網(wǎng)絡(luò )基礎。

基于上述架構的工業(yè)互聯(lián)網(wǎng)云邊協(xié)同應用平臺的工作流程如圖3所示。計算任務(wù)數據來(lái)源于工業(yè)設備層，包括各種控制系統和生產(chǎn)設備，它們通過(guò)數據采集終端將數據傳輸至邊緣智能網(wǎng)關(guān)。在這里，數據經(jīng)過(guò)初步處理和存儲，并通過(guò)云邊協(xié)同模塊實(shí)現與云端的數據和服務(wù)整合。數據開(kāi)發(fā)階段涉及對數據的深入加工、建模和分析，以提取有價(jià)值的信息。應用開(kāi)發(fā)階段則側重于構建和部署基于這些數據的應用程序。云邊協(xié)同確保了數據、應用和服務(wù)在云端與邊緣端之間的有效管理和流動(dòng)。最終，處理后的數據和應用集成到生產(chǎn)作業(yè)中，如MES和SCADA系統，以提高生產(chǎn)效率和智能化水平。整個(gè)流程體現了一個(gè)從數據采集到云端處理，再到邊緣智能處理，最后反饋到生產(chǎn)作業(yè)的完整閉環(huán)，旨在實(shí)現工業(yè)生產(chǎn)的自動(dòng)化和智能化^[6]。

圖3 工業(yè)互聯(lián)網(wǎng)云邊協(xié)同應用平臺工作原理

4　工業(yè)生產(chǎn)中的確定性云邊協(xié)同網(wǎng)絡(luò )關(guān)鍵技術(shù)

4.1　工業(yè)確定性網(wǎng)絡(luò )自適應流量整形機制

在工業(yè)確定性網(wǎng)絡(luò )中，通常使用確定性網(wǎng)絡(luò )如Detnet的資源預留與顯式路由機制來(lái)保證流量的確定性傳輸，將時(shí)延抖動(dòng)降低至達到對應的Qos指標。然而，工業(yè)生產(chǎn)中會(huì )出現在極短時(shí)間內端口接收大量突發(fā)數據，其瞬時(shí)速率可能遠超端口帶寬，導致時(shí)延劇增，嚴重影響工業(yè)自動(dòng)化設備的實(shí)時(shí)性和可靠性。針對這一微突發(fā)現象，可以采用自適應流量整形機制解決。該機制的核心思路包括：

（1）在網(wǎng)絡(luò )邊緣設備對低時(shí)延流量進(jìn)行整形，提前平滑流量突發(fā)。

（2）對中間轉發(fā)設備的端口低時(shí)延流量進(jìn)行速率感知并進(jìn)行動(dòng)態(tài)調整，確保流量平穩傳輸。

（3）在每個(gè)設備接口上維護合適的緩存深度，通過(guò)自適應調整緩存，實(shí)現報文的快速有序轉發(fā)^[7]。

這種機制，可以有效抑制微突發(fā)，保持流量的規則性，從而顯著(zhù)降低網(wǎng)絡(luò )時(shí)延的波動(dòng)，提升工業(yè)網(wǎng)絡(luò )的確定性和可靠性，適用于各種工業(yè)網(wǎng)絡(luò )域的轉發(fā)設備，能夠為工業(yè)自動(dòng)化場(chǎng)景提供穩定、低時(shí)延的網(wǎng)絡(luò )支持，保障生產(chǎn)過(guò)程的高效和精準運行。

4.2　資源管理優(yōu)化技術(shù)

在工業(yè)場(chǎng)景中，確定性云邊協(xié)同網(wǎng)絡(luò )的優(yōu)化指標涉及云邊兩側與確定性服務(wù)。邊緣節點(diǎn)的性能指標包括延遲、能耗、公平性和系統穩定性^[8]。其中，能耗主要來(lái)自工業(yè)設備和邊緣計算節點(diǎn)，公平性關(guān)注資源共享時(shí)不同設備和系統的性能平衡。系統穩定性則要求避免因資源分配不當導致的生產(chǎn)中斷。由于云端距離工業(yè)終端設備的距離較遠，并且接入量較大，為了實(shí)現低延遲與大量設備的承載，其性能指標注重任務(wù)響應時(shí)間、吞吐量和連接數，而可用性需考慮云端發(fā)生故障時(shí)的容錯率。確定性服務(wù)則需要對時(shí)延、抖動(dòng)、帶寬和冗余鏈路等指標進(jìn)行優(yōu)化。

邊緣側的多維資源包括計算資源、通信資源和存儲資源。計算資源涉及CPU周期數或工作頻率，通信資源包括無(wú)線(xiàn)頻譜資源和鏈路容量，存儲資源則關(guān)注數據存儲和訪(fǎng)問(wèn)的效率。云端數據中心資源用于工業(yè)設備數據的處理與分析，其虛擬資源包括了運用虛擬化技術(shù)實(shí)現的工業(yè)平臺與應用。確定性網(wǎng)絡(luò )的資源預留機制則為確定性流量提供帶寬資源。

此外，在動(dòng)態(tài)優(yōu)化中，資源優(yōu)化策略需適應任務(wù)到達、無(wú)線(xiàn)信道衰落等動(dòng)態(tài)參數的變化，以保持網(wǎng)絡(luò )性能最優(yōu)。

圖4 多維資源優(yōu)化模型

4.3 　跨云邊端協(xié)同計算方法

在工業(yè)生產(chǎn)中，設備的種類(lèi)繁多，包括傳感器、機器人、PLC控制器等，這些設備在計算能力和資源上存在顯著(zhù)差異。為此，設計跨云邊端的協(xié)同計算方法顯得尤為必要。針對設備的異構性，跨云邊端協(xié)同計算方法需要考慮不同設備的計算需求。

一種方法是根據設備的計算能力和資源利用率進(jìn)行任務(wù)分配，將計算密集型的任務(wù)分配給計算能力較強的云端節點(diǎn)，而將數據密集型的任務(wù)分配給邊緣節點(diǎn)。這不僅能夠有效利用邊緣和云端的資源，還能降低延遲，提高實(shí)時(shí)性。

此外，另一種有效的協(xié)同計算策略是任務(wù)切分與協(xié)同執行，即將一個(gè)大型任務(wù)切分為多個(gè)子任務(wù)，并將這些子任務(wù)分配給不同的設備進(jìn)行并行處理，最終將各設備的計算結果合并。這種方法可以充分利用邊緣節點(diǎn)、云端和終端設備的各自?xún)?yōu)勢，提高任務(wù)處理效率，尤其在智能制造等工業(yè)生產(chǎn)場(chǎng)景中，對于提高生產(chǎn)效率、減少延遲和優(yōu)化資源利用具有重要意義^[9]。

4.4　云邊協(xié)同網(wǎng)絡(luò )自治

云邊協(xié)同網(wǎng)絡(luò )可以采用多智能體強化學(xué)習的云邊協(xié)同自治跨數據中心網(wǎng)絡(luò )架構實(shí)現工業(yè)生產(chǎn)場(chǎng)景中的智能化數據流管理。自治框架如圖5所示，由各類(lèi)工業(yè)設備、傳感器、自動(dòng)化控制系統以及其他異構設備組成，所有設備能夠通過(guò)互聯(lián)網(wǎng)進(jìn)行數據交互。在這一架構中，感知平面包括傳感器、機器人、自動(dòng)化生產(chǎn)線(xiàn)、無(wú)人機等數據生成與接收節點(diǎn)，通過(guò)多種接口與網(wǎng)絡(luò )連接，實(shí)時(shí)收集生產(chǎn)數據。

圖5 多智能體云邊協(xié)同自治體系

全局自治層由集中控制的智能體負責全局數據流的調度與帶寬的公平分配，它能夠進(jìn)行集中式流量調度，但依賴(lài)于邊緣自治層的協(xié)同工作，以便在分布式控制平面中實(shí)現快速響應和局部?jì)?yōu)化。

邊緣自治層則位于各分布式邊緣數據中心，通過(guò)邊緣智能體實(shí)時(shí)管理不同類(lèi)型的數據流，確保數據傳輸的高效性與低延遲。邊緣自治層運用分布式人工智能算法，基于多智能體強化學(xué)習實(shí)現自治決策，確保設備之間的協(xié)同與優(yōu)化^[10]。

5　確定性工業(yè)云邊協(xié)同網(wǎng)絡(luò )的挑戰

云邊協(xié)同實(shí)現了云計算和邊緣計算在資源、應用和服務(wù)等不同層面的協(xié)同，以?xún)?yōu)勢互補的方式一定程度上克服了云計算與邊緣計算各自存在的缺點(diǎn)，但要構建靈活、高效的云邊協(xié)同計算環(huán)境，確保網(wǎng)絡(luò )在復雜的工業(yè)環(huán)境中穩定運行，仍面臨著(zhù)諸多挑戰。

5.1　網(wǎng)絡(luò )安全風(fēng)險與隱私保護

在工業(yè)應用中，網(wǎng)絡(luò )安全至關(guān)重要，特別是邊緣設備產(chǎn)生的數據傳輸到云端時(shí)的安全性、云端防御邊緣攻擊的能力，以及數據的存儲和傳輸安全都是關(guān)注重點(diǎn)，必須確保網(wǎng)絡(luò )隔離、數據加密，以及節點(diǎn)之間的認證和授權機制，以防止數據泄露、惡意攻擊或系統故障導致的生產(chǎn)停滯和設備損壞。為解決這些問(wèn)題，可采用零知識證明、同態(tài)加密等技術(shù)保護用戶(hù)隱私，同時(shí)通過(guò)數據脫敏和加密確保數據在存儲和傳輸中的安全性^[11,12]。

5.2　資源調度機制復雜

在云邊協(xié)同網(wǎng)絡(luò )中，由于資源類(lèi)型多樣且分布廣泛，資源調度問(wèn)題在工業(yè)場(chǎng)景中尤其復雜。同時(shí)由于設備的異構性和任務(wù)的多樣性，管理系統必須考慮設備的性能差異、任務(wù)的特定需求及能耗優(yōu)化。有效的資源管理策略需動(dòng)態(tài)匹配和優(yōu)化異構資源，適應各種任務(wù)的需求，從而提升系統性能^[13]。應對這一問(wèn)題可以通過(guò)引入人工智能和機器學(xué)習技術(shù)，并結合大數據分析和實(shí)時(shí)監控，實(shí)現更智能和精準的資源調度。這不僅提高了資源利用率，還優(yōu)化了能效，通過(guò)預測分析自動(dòng)調整資源分配，確保生產(chǎn)過(guò)程的效率和連續性。

5.3　無(wú)線(xiàn)網(wǎng)絡(luò )導致的不確定性

在云邊協(xié)同網(wǎng)絡(luò )中，無(wú)線(xiàn)網(wǎng)絡(luò )的不確定性，包括信號波動(dòng)、干擾和帶寬不穩定，會(huì )直接影響到數據傳輸的延遲、丟包率和吞吐量，從而為系統的性能和穩定性帶來(lái)了顯著(zhù)的挑戰。此外，無(wú)線(xiàn)網(wǎng)絡(luò )的開(kāi)放性和不穩定性也加劇了數據安全風(fēng)險，尤其是在需要頻繁進(jìn)行數據傳輸的云邊協(xié)同場(chǎng)景中。在工業(yè)物聯(lián)網(wǎng)等實(shí)際應用場(chǎng)景中，無(wú)線(xiàn)網(wǎng)絡(luò )的中斷或不穩定可能會(huì )導致關(guān)鍵任務(wù)無(wú)法按時(shí)完成，降低了系統的可靠性。為緩解無(wú)線(xiàn)網(wǎng)絡(luò )不確定性對云邊協(xié)同網(wǎng)絡(luò )的影響，可以采用前沿的無(wú)線(xiàn)通信技術(shù)（如5G、6G、Wi-Fi7等）和網(wǎng)絡(luò )切片技術(shù)，改善信號處理算法，優(yōu)化網(wǎng)絡(luò )協(xié)議，從而提高網(wǎng)絡(luò )的穩定性和可靠性。

5.4　大規模網(wǎng)絡(luò )控制與管理

在大規模工業(yè)網(wǎng)絡(luò )中，隨著(zhù)接入設備和節點(diǎn)數量的增加，網(wǎng)絡(luò )拓撲的動(dòng)態(tài)變化和節點(diǎn)間的通信延遲增加了控制的難度，傳統的控制策略難以適應網(wǎng)絡(luò )狀態(tài)的變化；同時(shí)，分布式協(xié)調有著(zhù)較高的通信開(kāi)銷(xiāo)和同步問(wèn)題，又進(jìn)一步增加了系統的復雜性。面對這一挑戰，可以采用自適應網(wǎng)絡(luò )控制算法，結合機器學(xué)習動(dòng)態(tài)調整網(wǎng)絡(luò )策略，通過(guò)拓撲感知與優(yōu)化算法合理進(jìn)行任務(wù)調度和資源分配，確保網(wǎng)絡(luò )拓撲的穩定性和數據流的高效傳輸。此外，可以設計容錯與故障恢復機制，確保網(wǎng)絡(luò )在出現故障時(shí)，系統能夠及時(shí)恢復，保障網(wǎng)絡(luò )的穩定性。

6　結語(yǔ)

本文綜述了云邊協(xié)同網(wǎng)絡(luò )在工業(yè)生產(chǎn)中的應用及其關(guān)鍵技術(shù)。文章首先介紹了云邊協(xié)同的概念，強調了其在實(shí)時(shí)任務(wù)處理、減輕網(wǎng)絡(luò )負載和提升安全性方面的優(yōu)勢，詳細討論了云邊協(xié)同網(wǎng)絡(luò )的三層六類(lèi)協(xié)同，并提出了一種融合確定性網(wǎng)絡(luò )的云邊協(xié)同架構，為未來(lái)的工業(yè)互聯(lián)網(wǎng)中的智能制造與工業(yè)應用開(kāi)發(fā)提供了參考環(huán)境；其次，文章探討了云邊協(xié)同在工業(yè)生產(chǎn)中的關(guān)鍵技術(shù)，如自適應流量整形、資源管理優(yōu)化、跨云邊端協(xié)同計算方法、云邊協(xié)同網(wǎng)絡(luò )自治；最后，文章指出了云邊協(xié)同網(wǎng)絡(luò )面臨的挑戰，包括網(wǎng)絡(luò )安全風(fēng)險、復雜的資源調度機制、無(wú)線(xiàn)網(wǎng)絡(luò )的不確定性與大規模網(wǎng)絡(luò )控制管理的問(wèn)題，并提出了可能的解決方案，為未來(lái)云邊協(xié)同網(wǎng)絡(luò )在工業(yè)互聯(lián)網(wǎng)領(lǐng)域實(shí)現更廣泛、更深入的應用，推動(dòng)工業(yè)生產(chǎn)的智能化升級提供了參考。

作者簡(jiǎn)介：

唐子豪（2001-），男，現就讀于北京郵電大學(xué)，主要研究方向為確定性網(wǎng)絡(luò )、工業(yè)互聯(lián)網(wǎng)。

馬文龍（2000-），男，現就讀于北京郵電大學(xué)，主要研究方向為故障檢測、算力網(wǎng)絡(luò )。

許方敏（1982-），男，副教授，博士，現任教于北京郵電大學(xué)，主要研究方向為物聯(lián)網(wǎng)網(wǎng)絡(luò )、未來(lái)網(wǎng)絡(luò )技術(shù)。

趙成林（1964-），男，教授，博士，現任教于北京郵電大學(xué)，主要研究方向為短距無(wú)線(xiàn)傳輸技術(shù)、認知無(wú)線(xiàn)電技術(shù)、毫米波技術(shù)、工業(yè)互聯(lián)網(wǎng)網(wǎng)絡(luò )。

參考文獻：

[1]陳娟,王陽(yáng),吳宗玲,等.基于深度強化學(xué)習的云邊協(xié)同任務(wù)遷移與資源再分配優(yōu)化研究[J].計算機科學(xué),2024,51(S2):713-722.

[2]張雅潔,陸旭,李曦,等.電力物聯(lián)網(wǎng)下基于云邊協(xié)同的計算任務(wù)放置算法[J].電力信息與通信技術(shù),2024,22(10):38-47.

[3]李波,侯鵬,牛力,等.基于軟件定義網(wǎng)絡(luò )的云邊協(xié)同架構研究綜述[J].計算機工程與科學(xué),2021,43(2):242-257.

[4]韓淑宇,孫建剛,呂舜銘,等.基于邊緣云形態(tài)的云邊協(xié)同研究與設計[A].中國電機工程學(xué)會(huì )電力信息化專(zhuān)業(yè)委員會(huì ),國家電網(wǎng)公司信息通信分公司.2022電力行業(yè)信息化年會(huì )論文集[C].2023.

[5]賈慶民,胡玉姣,張華宇,等.確定性算力網(wǎng)絡(luò )研究[J].通信學(xué)報,2022,43(10):55-64.

[6]馬睿.面向智能制造的云邊端協(xié)同平臺搭建與任務(wù)卸載策略研究[D].濟南:山東大學(xué),2023.

[7]劉鵬,杜宗鵬,李永競,等.端到端確定性網(wǎng)絡(luò )架構和關(guān)鍵技術(shù)[J].電信科學(xué),2021,37(9):64-73.

[8]景澤偉.邊緣計算網(wǎng)絡(luò )中任務(wù)調度與資源分配研究[D].西安:西安電子科技大學(xué),2023.

[9]周旭,李琢.面向算力網(wǎng)絡(luò )的云邊端協(xié)同調度技術(shù)[J].中興通訊技術(shù),2023,29(04):32-37.

[10]張世焱.云邊協(xié)同網(wǎng)絡(luò )中的多資源管理機制研究[D].北京:北京郵電大學(xué),2024.

[11]徐恩慶,董恩然.云計算與邊緣計算協(xié)同發(fā)展的探索與實(shí)踐[J].通信世界,2019,(9):46-47.

[12]張淼,張英威,席珺琳,等.智能物聯(lián)網(wǎng)中的邊緣計算與數據處理[J].通訊世界,2024,31(3):132-135.

[13]王其朝,金光淑,李慶,等.工業(yè)邊緣計算研究現狀與展望[J].信息與控制,2021,50(3):257-274.

摘自《自動(dòng)化博覽》2025年2月刊