當前全球數字化浪潮蓬勃興起，邊緣計算通過(guò)就近提供計算、網(wǎng)絡(luò )、智能等關(guān)鍵能力，加速賦能經(jīng)濟轉型升級，已逐步成為計算體系的新方向、信息領(lǐng)域的新業(yè)態(tài)、產(chǎn)業(yè)轉型的新平臺，整體上處于高速發(fā)展階段，正從概念普及加速走向務(wù)實(shí)部署，受到了學(xué)術(shù)界和產(chǎn)業(yè)界的廣泛關(guān)注。Gartner、IEEE等權威機構將邊緣計算作為2020年十大技術(shù)方向，中國科學(xué)院和中國工程院在《2020研究前沿》、《全球工程前沿2020》中，將邊緣計算列入信息領(lǐng)域十大技術(shù)前沿。據Research and Market預測，邊緣計算市場(chǎng)規模2018~2022年復合增長(cháng)率超30%；據CB Insights預測，2023年全球邊緣計算市場(chǎng)有望達到340億美元[1]。本文從學(xué)術(shù)界及產(chǎn)業(yè)界兩個(gè)維度深入剖析邊緣計算概念內涵、學(xué)術(shù)方向、產(chǎn)業(yè)路徑，綜述邊緣計算在核心環(huán)節發(fā)展面臨的挑戰和問(wèn)題，研判邊緣計算未來(lái)發(fā)展態(tài)勢與方向。

1 邊緣計算概念與外延

1.1 邊緣計算發(fā)展驅動(dòng)力

邊緣計算起源最早可以追溯至1998年Akamai提出的內容分發(fā)網(wǎng)絡(luò )CDN[2]，通過(guò)分布式部署的緩存服務(wù)器，將用戶(hù)訪(fǎng)問(wèn)指向最新服務(wù)器，提升服務(wù)響應速度。而在萬(wàn)物互聯(lián)帶來(lái)的邊緣數據爆發(fā)式增長(cháng)以及新的應用需求驅動(dòng)下，產(chǎn)業(yè)界和學(xué)術(shù)界更加關(guān)注在靠近數據源頭的邊緣實(shí)現計算、智能等多元能力，同時(shí)各類(lèi)ICT技術(shù)不斷成熟也為邊緣計算應用奠定基礎。

1.1.1 應用需求驅動(dòng)力

Machina Research報告顯示，隨著(zhù)工業(yè)互聯(lián)網(wǎng)、車(chē)聯(lián)網(wǎng)、AR/VR等垂直領(lǐng)域的蓬勃發(fā)展，2025年全球網(wǎng)聯(lián)設備總數將超過(guò)270億，聯(lián)網(wǎng)設備的指數級增長(cháng)導致網(wǎng)絡(luò )傳輸能力及中心云處理能力捉襟見(jiàn)肘。根據思科云指數預測[3]，截至2021年，接入網(wǎng)絡(luò )的終端每年產(chǎn)生數據達847 ZB，數據呈分散性、碎片化，超過(guò)50%的數據需要在網(wǎng)絡(luò )邊緣側分析、處理與存儲。云計算雖然有強大的數據處理能力，但是在面對海量的數據以及網(wǎng)絡(luò )帶寬帶來(lái)的阻礙時(shí)，并不能實(shí)現全面的計算覆蓋，需要對數據就近處理分析以滿(mǎn)足實(shí)時(shí)性要求。

1.1.2 技術(shù)創(chuàng )新驅動(dòng)力

近年來(lái)，各類(lèi)分布式計算模式不斷涌現，Gartner 發(fā)布的2021年度技術(shù)趨勢將分布式計算列入其中[4]，核心理念是計算資源能夠更靠近發(fā)生數據和業(yè)務(wù)活動(dòng)的物理位置，計算技術(shù)的升級推動(dòng)邊緣計算產(chǎn)生，與量子計算、超級計算等先進(jìn)計算技術(shù)協(xié)同聯(lián)動(dòng)，實(shí)現邊緣側資源快速部署、彈性擴展以及實(shí)時(shí)響應，滿(mǎn)足多樣性應用需求。此外，新型網(wǎng)絡(luò )架構將采用服務(wù)化設計，要求資源可按需調用，為不同垂直行業(yè)提供快速響應和靈活部署，在5G等新型網(wǎng)絡(luò )架構中就明確將邊緣計算定義為重要組成部分。邊緣計算與網(wǎng)絡(luò )技術(shù)不斷融合，促進(jìn)網(wǎng)絡(luò )能力開(kāi)放，推動(dòng)網(wǎng)絡(luò )智能化、協(xié)同化演進(jìn)，實(shí)現計算與網(wǎng)絡(luò )等多維度資源協(xié)同調度優(yōu)化。

總體來(lái)說(shuō)，邊緣計算作為網(wǎng)絡(luò )技術(shù)及計算技術(shù)的交匯創(chuàng )新點(diǎn)，帶來(lái)了計算資源和網(wǎng)絡(luò )資源的開(kāi)放性、可調動(dòng)性、可分配性等預期優(yōu)勢，將技術(shù)理念由剛性、粗放逐漸轉變?yōu)閺椥?、精細?/p>

1.2 邊緣計算概念與內涵

邊緣計算發(fā)展受到了各方廣泛關(guān)注，國際標準組織、學(xué)術(shù)界、產(chǎn)業(yè)界均給出了邊緣計算的定義，其概念還在不斷演進(jìn)與優(yōu)化。

1.2.1 標準組織定義

2014年，歐洲電信標準化協(xié)會(huì )ETSI提出移動(dòng)邊緣計算（Mobile Edge Computing）概念[5]：一種在移動(dòng)網(wǎng)絡(luò )邊緣提供IT服務(wù)環(huán)境和計算能力的新型架構。隨著(zhù)研究的持續推進(jìn)，邊緣計算應用范疇已經(jīng)不局限于移動(dòng)網(wǎng)絡(luò )場(chǎng)景，ETSI將“Mobile”改為“Multi-access”[6]， 旨在拓展邊緣計算的接入方式，表明邊緣計算與特定網(wǎng)絡(luò )接入方式無(wú)關(guān)，可以適用于固定互聯(lián)網(wǎng)、移動(dòng)通信網(wǎng)、消費物聯(lián)網(wǎng)、工業(yè)互聯(lián)網(wǎng)等不同場(chǎng)景，已逐步成為跨場(chǎng)景、跨領(lǐng)域的基礎共性技術(shù)。ISO/IEC  JTC1/SC38對邊緣計算的定義[7]：邊緣計算是將主要處理和數據存 儲放在網(wǎng)絡(luò )的邊緣節點(diǎn)的分布式計算架構。

1.2.2 學(xué)術(shù)界定義

2009年，卡內基梅隆大學(xué)Satyanarayanan教授提出了微云（Cloudlet）概念[8]：通過(guò)將計算集群和移動(dòng)設備本地化部署在同一個(gè)局域網(wǎng)中，不經(jīng)過(guò)核心網(wǎng)就可以直接提供計算服務(wù)，這開(kāi)辟了學(xué)術(shù)界邊緣計算研究的先河。2016年，韋恩州立大學(xué)施巍松教授給出了邊緣計算定義[9]：在網(wǎng)絡(luò )邊緣執行計算的一種新型計算模式，包含 下行的云服務(wù)和上行的萬(wàn)物互聯(lián)服務(wù)，邊緣定義為數據源和云數據中心之間的任一計算和網(wǎng)絡(luò )資源節點(diǎn)。

1.2.3 產(chǎn)業(yè)界定義

2016年，邊緣計算產(chǎn)業(yè)聯(lián)盟（ECC）提出邊緣計算定義[10]：邊緣計算是在靠近物或數據源頭的網(wǎng)絡(luò )邊緣側，融合網(wǎng)絡(luò )、計算、存儲、應用核心能力的分布式開(kāi)放平臺，就近提供邊緣智能服務(wù)，滿(mǎn)足行業(yè)數字化在敏捷聯(lián)接、數據優(yōu)化、應用智能、安全與隱私保護等方面的關(guān)鍵需求。

1.2.4 邊緣計算概念辨析

綜上所述，雖然各方對于邊緣計算定義有所差異， 但是核心理念都是將計算服務(wù)“下沉”，減少服務(wù)交付時(shí)延和帶寬需求。學(xué)術(shù)界和標準組織從技術(shù)研究角度出發(fā)認為邊緣計算是一種新的計算模式和一種新的技術(shù)架構，通過(guò)應用網(wǎng)絡(luò )切片[11]、容器[12]、計算遷移[13]、邊緣智能[14]等新技術(shù)，實(shí)現計算與網(wǎng)絡(luò )的協(xié)同演進(jìn)。產(chǎn)業(yè)界從應用需求角度出發(fā)將邊緣計算定義為一種新產(chǎn)業(yè)平臺和一種新的生態(tài)體系，匯聚多維資源協(xié)同調度，就近響應需求，提高資源利用率，降低應用執行時(shí)延。因此， 綜合各方定義，邊緣計算不僅是新計算模式、新技術(shù)架構、新產(chǎn)業(yè)平臺、新生態(tài)體系，也是“四維一體”，通過(guò)在網(wǎng)絡(luò )邊緣側匯聚網(wǎng)絡(luò )、計算、存儲、應用、智能等五類(lèi)資源及能力，提高服務(wù)性能（提速）、開(kāi)放控制能力（敏捷），提升用戶(hù)體驗，從而激發(fā)類(lèi)似于移動(dòng)互聯(lián)網(wǎng)生態(tài)的新模式和新應用。

2 邊緣計算發(fā)展環(huán)境

近年來(lái)，邊緣計算作為產(chǎn)業(yè)數字化轉型的核心技術(shù)，已經(jīng)成為全球各國的發(fā)展共識，從政策引導、標準研制、應用示范等多個(gè)維度進(jìn)行統籌部署和協(xié)同推進(jìn)， 國際競爭日趨激烈。

發(fā)達國家主要從三方面積極營(yíng)造邊緣計算發(fā)展環(huán)境。一是強化技術(shù)標準引領(lǐng)，美國國家科學(xué)基金會(huì )和美國國家標準局，將邊緣計算列入項目申請指南，持續推進(jìn)其關(guān)鍵技術(shù)研究[7]，ITU-T SG20、IEC/ISO JTC1 SC41、IEEE均成立了邊緣計算研究小組，以推動(dòng)邊緣計算標準化工作[15]。二是加大產(chǎn)業(yè)投資力度，歐盟Networld 2020將邊緣計算作為重要研究部分列入其中，預計到2026年底，歐盟在邊緣計算領(lǐng)域的投資支出將達到1850億美元[16]。三是加強應用示范引導，日本推動(dòng)成立EdgeCross協(xié)會(huì )推動(dòng)邊緣計算在垂直行業(yè)落地，韓國目前已經(jīng)在8個(gè)主要城市部署邊緣計算節點(diǎn)， 在VR/AR、車(chē)聯(lián)網(wǎng)、無(wú)人機與安防監控等場(chǎng)景的應用進(jìn)行試點(diǎn)，日韓主要通過(guò)打造應用示范引導企業(yè)應用部署邊緣計算。

我國高度重視邊緣計算發(fā)展，主要聚焦三個(gè)維度， 一是強化技術(shù)供給，工信部發(fā)布《關(guān)于推動(dòng)工業(yè)互聯(lián)網(wǎng)加快發(fā)展的通知》、《工業(yè)互聯(lián)網(wǎng)網(wǎng)絡(luò )建設及推廣指南》、《國家車(chē)聯(lián)網(wǎng)產(chǎn)業(yè)標準體系建設指南》等文件， 推動(dòng)建立統一、綜合、開(kāi)放的工業(yè)互聯(lián)網(wǎng)邊緣計算標準體系，鼓勵相關(guān)單位在邊緣計算領(lǐng)域進(jìn)行技術(shù)攻關(guān)，加速產(chǎn)品研發(fā)與產(chǎn)業(yè)化。目前，我國邊緣計算標準體系初步建立，中國通信標準化協(xié)會(huì )（CCSA）已經(jīng)針對邊緣計算開(kāi)展了體系化的標準研究工作，形成在研標準近30 項。二是加強融合應用，國務(wù)院、工信部及各地方政府均出臺相關(guān)政策，大力促進(jìn)邊緣計算等新興前沿技術(shù)在工業(yè)互聯(lián)網(wǎng)、車(chē)聯(lián)網(wǎng)等垂直領(lǐng)域中的應用研究與探索， 形成一批可復制的應用模式，進(jìn)行全國推廣。目前，邊緣計算在工業(yè)、農業(yè)、交通、物流等領(lǐng)域的試點(diǎn)部署日益廣泛并已取得明顯效益。三是打造產(chǎn)業(yè)生態(tài)，工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟、邊緣計算產(chǎn)業(yè)聯(lián)盟、中國通信學(xué)會(huì )邊緣計算委員會(huì )等平臺的產(chǎn)業(yè)匯聚和支撐作用顯著(zhù)發(fā)揮。2020年，中國信息通信研究院聯(lián)合產(chǎn)業(yè)各方成立邊緣計算創(chuàng )新實(shí)驗室，旨在打造產(chǎn)學(xué)研用相結合的技術(shù)產(chǎn)業(yè)開(kāi)放平臺以及推動(dòng)邊緣計算發(fā)展的創(chuàng )新載體。同時(shí)，針對邊緣計算發(fā)展存在產(chǎn)業(yè)碎片化以及供給側研發(fā)方向不明確等問(wèn)題，工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟啟動(dòng)我國首個(gè)邊緣計算產(chǎn)業(yè)促進(jìn)項目“邊緣計算標準件計劃”，加速邊緣計算產(chǎn)品形態(tài)整合歸類(lèi)及功能規范化。

目前，各國邊緣計算發(fā)展態(tài)勢較為均衡，全球邊緣計算仍處于發(fā)展初期。美、日發(fā)達國家和跨國巨頭依托其云計算技術(shù)的既有優(yōu)勢積極布局邊緣計算發(fā)展，試圖引導全球產(chǎn)業(yè)鏈各方在技術(shù)、標準、應用模式；我國加強研究布局、積極構筑邊緣計算自主技術(shù)產(chǎn)業(yè)生態(tài)，避免形成新的路徑依賴(lài)。

3 邊緣計算學(xué)術(shù)研究熱點(diǎn)與方向

目前，學(xué)術(shù)界對邊緣計算研究主要聚焦兩大類(lèi)關(guān)鍵技術(shù)方向，如表1所示，一是與邊緣計算直接相關(guān)的邊緣原生類(lèi)技術(shù)，目前以計算遷移、邊緣智能為代表；二是邊緣計算與各類(lèi)ICT前沿技術(shù)交叉的邊緣融合類(lèi)技術(shù)， 目前的研究熱點(diǎn)包括邊緣計算+區塊鏈、算網(wǎng)融合等。

表1 邊緣計算熱點(diǎn)技術(shù)領(lǐng)域總結

3.1邊緣原生類(lèi)技術(shù)—— 計算遷移

計算遷移技術(shù)有效解決了邊緣計算單一節點(diǎn)資源受限而無(wú)法滿(mǎn)足應用需求的問(wèn)題，同時(shí)有效降低網(wǎng)絡(luò )帶寬壓力及應用完成時(shí)延。目前對計算遷移的研究，主要分為兩類(lèi)：計算遷移決策機制設計、計算遷移資源優(yōu)化調度機制。

3.1.1 計算遷移決策機制

計算遷移決策機制主要決定是否要進(jìn)行遷移以及遷移哪些任務(wù)等問(wèn)題，而遷移決策的目標主要分為三方面。一是以降低時(shí)延為目標的計算遷移決策機制研究，在計算遷移過(guò)程中，數據傳輸時(shí)間、執行時(shí)間等帶來(lái)的時(shí)延是影響邊緣計算服務(wù)質(zhì)量的重要因素，時(shí)延最小化是計算遷移的重要研究方向。文獻[18]利用一維搜索算法對計算應用的緩存隊列狀態(tài)、用戶(hù)和服務(wù)器中計算資源的可用情況以及網(wǎng)絡(luò )節點(diǎn)間的信道特征進(jìn)行了綜合考慮。在該遷移機制中，用戶(hù)在每個(gè)時(shí)隙周期性地對應用隊列中的每個(gè)任務(wù)做出進(jìn)行本地處理或完整遷移的決策，并在不考慮能耗的前提下最小化遷移機制所產(chǎn)生的計算遷移應用執行時(shí)延。二是以降低能耗為目標的計算遷移機制研究，由于邊緣側存在大量電池容量受限的物聯(lián)網(wǎng)設備，在計算遷移過(guò)程中降低能耗也是一個(gè)重要研究方向。文獻[19]提出利用馬爾科夫決策過(guò)程（Markov Decision Process, MDP）對每個(gè)任務(wù)的執行狀態(tài)進(jìn)行建模，從而決定是否進(jìn)行計算遷移，同時(shí)考慮遷移失敗概率、計算資源可用性等因素的影響，目的是最小化用戶(hù)能耗以及提高計算效率，并通過(guò)求解線(xiàn)性?xún)?yōu)化問(wèn)題來(lái)獲得最優(yōu)的遷移機制。三是面向多目標優(yōu)化的計算遷移機制研究，在執行一些復雜應用過(guò)程中，能耗和時(shí)延均會(huì )影響邊緣計算服務(wù)質(zhì)量，因此越來(lái)越多的研究開(kāi)始綜合考慮能耗和時(shí)延的多目標優(yōu)化。文獻[20]基于受限馬爾科夫決策過(guò)程（Constrained Markov Decision Process，CMDP）對計算遷移機制中的時(shí)延和能耗問(wèn)題進(jìn)行了數學(xué)化的模型描述。在該模型的基礎上，首先設計了一套基于在線(xiàn)學(xué)習（Online Learning）的計算遷移策略，使計算服務(wù)節點(diǎn)能夠針對任務(wù)請求節點(diǎn)當前所運行的應用類(lèi)型動(dòng)態(tài)地做出遷移策略的精細化調整。

3.1.2 計算遷移資源優(yōu)化調度

完成遷移決策后，計算遷移需要考慮資源分配問(wèn)題，其中，面向多邊緣計算節點(diǎn)的資源優(yōu)化調度研究已經(jīng)成為主要研究方向。文獻[21]基于多節點(diǎn)間鏈路持續時(shí)間預測，提出一種啟發(fā)式的多節點(diǎn)協(xié)作計算遷移資源優(yōu)化調度方法，有效提升資源利用效率。文獻[22]提出面向多節點(diǎn)的計算遷移優(yōu)化框架，利用半定松弛（Semi-definite Relaxation）方法實(shí)現節點(diǎn)間復雜均衡，最大限度降低時(shí)延及能耗。

3.2 邊緣原生類(lèi)技術(shù)——邊緣智能

邊緣智能有效促進(jìn)本地化洞察和智能實(shí)時(shí)響應，滿(mǎn)足了差異化業(yè)務(wù)需求。目前主要研究聚焦在兩個(gè)方向： 模型壓縮、協(xié)同推理。

3.2.1 模型壓縮

考慮到邊緣計算資源受限、能耗等問(wèn)題，如何在邊緣高效部署深度學(xué)習模型是一個(gè)非常值得研究的問(wèn)題。為了減少模型運行時(shí)對資源的消耗，并使模型能運行到更輕量級的邊緣計算設備上，一般可以對模型進(jìn)行蒸餾、剪枝、量化等壓縮操作。文獻[23]提出一種基于權重的剪枝方法，在不影響準確度的前提下裁剪訓練模型，再通過(guò)訓練量化和Huffman編碼來(lái)增強剪枝恢復模型訓練精度，最終將原始模型變?yōu)檩p量級模型。文獻[24]提出在多層神經(jīng)網(wǎng)絡(luò )中去除值為零且不影響模型準確度的神經(jīng)元，減少模型訓練對計算及存儲資源的需求，可以在邊緣計算設備上完成模型訓練過(guò)程。

3.2.2 協(xié)同推理

協(xié)同推理利用推理性能較強的云作為推理后端來(lái)提升推理效果。對于推理來(lái)說(shuō)，直接在邊側推理可以有更小的時(shí)延和更大的吞吐，而直接在云側推理可以帶來(lái)更好的推理精度。如何在邊側推理資源有限的情況下，使時(shí)延和吞吐不明顯降低，提高推理精度已成為重要研究方向。文獻[26]提出一種模型切割方法，將深度卷積神經(jīng) 網(wǎng)絡(luò )按層分割，通過(guò)多級協(xié)同的方式完成推理，可以在網(wǎng)絡(luò )邊緣端高效支撐深度學(xué)習推理任務(wù)。此外還可以采用卷積層的可伸縮融合切片分區（FTP），以最大程度減少內存占用量，同時(shí)提高并行性。

3.3 邊緣融合類(lèi)技術(shù)——算網(wǎng)融合

傳統網(wǎng)絡(luò )和計算分離模式難以滿(mǎn)足工業(yè)互聯(lián)網(wǎng)、車(chē)聯(lián)網(wǎng)、云游戲等新興應用需求，未來(lái)以邊緣計算為基礎的算網(wǎng)融合一體化發(fā)展已成為必然，形成了算網(wǎng)融合重要方向，聚焦算力網(wǎng)絡(luò )、網(wǎng)絡(luò )編排等代表性技術(shù)，學(xué)術(shù)界和產(chǎn)業(yè)界進(jìn)行了大量的探索和創(chuàng )新。

3.3.1 算力網(wǎng)絡(luò )

算力網(wǎng)絡(luò )通過(guò)網(wǎng)絡(luò )連接并匯聚計算資源，針對不同應用需求統一管理和調度算力資源。文獻[27]在研究邊緣 計算算力分配和調度需求的基礎上，提出了云、網(wǎng)邊融合的算力網(wǎng)絡(luò )方案，實(shí)現異構資源在各級節點(diǎn)的靈活調度，滿(mǎn)足未來(lái)業(yè)務(wù)需求。文獻[28]研究了算力網(wǎng)絡(luò )分層架 構，并結合算力網(wǎng)絡(luò )控制技術(shù)，提出了分布式控制及集中式控制兩種實(shí)現方式。文獻[29]提出一種輕量化、多集群的分級邊緣資源調度方案，基于輕量級的云原生平臺，實(shí)現了面向算力網(wǎng)絡(luò )的前端海量邊緣設備的統一納管，并且能夠在多種架構的嵌入式平臺進(jìn)行部署。

3.3.2 網(wǎng)絡(luò )編排

軟件定義網(wǎng)絡(luò )技術(shù)為網(wǎng)絡(luò )控制模式變革帶來(lái)了新的契機，而面向算網(wǎng)融合新趨勢，網(wǎng)絡(luò )的端到端控制與編排能力將進(jìn)一步強化。文獻[30]提出了基于機器學(xué)習的軟 件定義智能網(wǎng)絡(luò )應用，隨著(zhù)人工智能技術(shù)的不斷突破， 網(wǎng)絡(luò )編排正由“自動(dòng)化”向“智能化”轉變，為實(shí)現算網(wǎng)融合奠定基礎。文獻[31]通過(guò)將業(yè)務(wù)需求解析為計算需 求和緩存需求，提出一種支持動(dòng)態(tài)編排網(wǎng)絡(luò )，緩存和計算資源的融合架構，滿(mǎn)足不同應用需求。文獻[32]總結了 網(wǎng)絡(luò )編排、網(wǎng)絡(luò )虛擬化等技術(shù)現狀，通過(guò)業(yè)務(wù)編排、網(wǎng)絡(luò )資源編排以及網(wǎng)絡(luò )虛擬化相互依賴(lài)，形成一套閉環(huán)的網(wǎng)絡(luò )編排系統，實(shí)現自動(dòng)化、定制化業(yè)務(wù)部署。

3.4 邊緣融合類(lèi)技術(shù)——邊緣計算+區塊鏈

分布式特征的邊緣計算與去中心化特征的區塊鏈具有天然的融合基礎，將區塊鏈的節點(diǎn)部署在邊緣能力節點(diǎn)設備中，一方面通過(guò)邊緣計算為區塊鏈大量分散的網(wǎng)絡(luò )服務(wù)提供計算資源和存儲能力，另一方面區塊鏈技術(shù)為邊緣計算服務(wù)提供可信和安全的環(huán)境[33]，因此邊緣計算+區塊鏈融合技術(shù)已成為熱點(diǎn)領(lǐng)域，其中，基于區塊鏈的邊緣數據安全、邊緣身份認證等技術(shù)成為研究熱點(diǎn)。

3.4.1 基于區塊鏈的邊緣數據安全

在邊緣計算應用過(guò)程中，數據安全性是必須要考慮的因素。文獻[34]提出一種基于區塊鏈分布式任務(wù)分配和調度安全策略，消除攻擊者使用分布式拒絕服務(wù)攻擊增加中心服務(wù)器的計算負擔的可能性，保持數據傳輸的正確性。文獻[35]提出一種基于區塊鏈的數據管理方案，在保證邊緣計算節點(diǎn)數據傳輸效率的同時(shí)利用智能合約技術(shù)避免第三方參與，保護數據安全。

3.4.2 基于區塊鏈的邊緣身份認證

身份辨識可信、身份管理可信、設備訪(fǎng)問(wèn)控制可信是邊緣計算節點(diǎn)協(xié)作的基礎，如何利用區塊鏈技術(shù)建立邊緣計算可信機制已成為學(xué)術(shù)界的重點(diǎn)研究對象。文獻[36]融合了射頻識別RFID技術(shù)和區塊鏈技術(shù)，提出了一種基于區塊鏈的輕量級邊緣計算安全認證機制，能夠在確保工業(yè)數據的安全可靠訪(fǎng)問(wèn)的同時(shí)保障智能工廠(chǎng)中各類(lèi)邊緣計算應用的安全運行。文獻[37]通過(guò)使用區塊鏈和邊緣計算建立高效可信架構，實(shí)現對應用數據的訪(fǎng)問(wèn)控制。在該架構內，基于區塊鏈的控制器將運行身份認證及管理策略，記錄訪(fǎng)問(wèn)事件的防篡改日志。

4 邊緣計算產(chǎn)業(yè)發(fā)展路徑與趨勢

按照邊緣計算產(chǎn)業(yè)推動(dòng)主體的不同，目前形成了三大發(fā)展路徑：一是電信運營(yíng)商主導的5G  MEC發(fā)展路徑；二是IT企業(yè)主導的云原生邊緣計算發(fā)展路徑；三是以設備廠(chǎng)商和工業(yè)企業(yè)主導的垂直行業(yè)邊緣計算發(fā)展路徑。三種發(fā)展路徑對比如表2所示。 

表2 邊緣計算三種發(fā)展路徑對比

4.1　路徑1——5G MEC發(fā)展路徑 

伴隨著(zhù)5G商用進(jìn)程不斷加速，作為5G架構中的關(guān)鍵部分，MEC受到了廣泛關(guān)注，主要由電信運營(yíng)商主導推動(dòng)。5G MEC實(shí)現對大流量數據進(jìn)行本地分流，提升網(wǎng)絡(luò )性能和用戶(hù)體驗。

4.1.1 5G MEC標準進(jìn)展

目前5G MEC是三種發(fā)展路線(xiàn)中標準化進(jìn)程速度最快的路線(xiàn)。ETSI在2014年啟動(dòng)了MEC標準項目。2017年底， ETSI MEC完成了Phase I階段基于傳統4G網(wǎng)絡(luò )架構部署，定義邊緣計算系統應用場(chǎng)景、參考架構等。2019 年完成了PhaseII階段，將MEC由原來(lái)的移動(dòng)邊緣計算（Mobile Edge Computing）改為了多接入邊緣計算（Multi-access Edge Computing），聚焦5G、Wi-Fi、固網(wǎng)等新業(yè)務(wù)及需求[38]。 2017年起，3GPP在R14開(kāi)始對MEC相關(guān)接口及架構進(jìn)行標準化工作，3GPP在后續標準版本中將繼續對5G MEC進(jìn)行研究，R15、R16、R17對5GC/5G NR/5GS的增強及核心網(wǎng)和NR的要求進(jìn)行了定義，包括RAN的能力開(kāi)放、5G增強的移動(dòng)寬帶媒體分發(fā)機制、5GC網(wǎng)管增強支持MEC、為典型MEC場(chǎng)景提供部署指南等[39]。

2017年起CCSA在下設的無(wú)線(xiàn)通信技術(shù)工作委員會(huì )TC5開(kāi)展MEC標準化工作，目前已立項標準近10項， 主要對MEC平臺技術(shù)要求、能力開(kāi)放、安全技術(shù)要求等方面進(jìn)行標準化探索。

4.1.2 5G MEC產(chǎn)業(yè)進(jìn)展

電信運營(yíng)商加快推動(dòng)邊緣計算與網(wǎng)絡(luò )融合，從管道連接商向業(yè)務(wù)提供商轉變角色。GSMA聯(lián)合全球22家 運營(yíng)商發(fā)起了Operator Platform項目，推動(dòng)全球運營(yíng) 商合作構建電信邊緣云平臺[40]。AT＆T建立邊緣計算測 試區，測試增強移動(dòng)沉浸式媒體體驗的方法，無(wú)人駕駛 等邊緣計算應用。Vodafone聚焦車(chē)聯(lián)網(wǎng)、工業(yè)互聯(lián)網(wǎng) 等重點(diǎn)領(lǐng)域，開(kāi)展邊緣計算基礎設施試驗部署和應用試 點(diǎn)。中國移動(dòng)啟動(dòng)點(diǎn)亮邊緣計算“100+”節點(diǎn)行動(dòng)， 推進(jìn)邊緣計算實(shí)踐，已部署150余個(gè)邊緣計算節點(diǎn)。中 國聯(lián)通推出CUC-MEC邊緣計算平臺并設計EdgePOD 一體化邊緣解決方案，同時(shí)在2020年發(fā)布首張MEC規 模商用網(wǎng)絡(luò )。中國電信推出基于5G SA試商用網(wǎng)絡(luò )打造 MEC開(kāi)放實(shí)驗環(huán)境，在各行業(yè)開(kāi)展5G+MEC應用合作 創(chuàng )新，已在100多個(gè)省市相繼落地。 

4.1.3　5G MEC發(fā)展面臨瓶頸與未來(lái)趨勢

5G MEC目前已經(jīng)在多個(gè)行業(yè)開(kāi)始試點(diǎn)應用，但整 體發(fā)展還處于初期階段，存在一些問(wèn)題和挑戰：（1） 基礎設施建設模式有待探索，目前MEC節點(diǎn)建設主要 由電信運營(yíng)商獨立承擔，實(shí)際收益尚無(wú)法支撐建設成 本，未來(lái)將難以應對MEC規模部署建設運營(yíng)的投入； （2）應用生態(tài)尚需培育，目前各方均在垂直行業(yè)探索 應用模式，相關(guān)產(chǎn)品及服務(wù)以多樣化和定制化居多，應用生態(tài)仍未建立。運營(yíng)商正在積極推動(dòng)MEC產(chǎn)品走向松耦合，如中 國移動(dòng)發(fā)起OpenUPF計劃，推動(dòng)N4接口解耦，旨在降低建設成本。同時(shí)，MEC平臺數據接口、應用程序接 口將趨于標準化，中國聯(lián)通與西班牙電信、韓國KT成功驗證MEC服務(wù)的全球漫游和不同邊緣平臺的聯(lián)合服 務(wù)，有效推動(dòng)MEC平臺互聯(lián)互通。

4.2　路徑2——云原生邊緣計算發(fā)展路徑 

邊緣計算作為云計算的延伸和補充已經(jīng)在云計算 領(lǐng)域形成共識，因此，IT企業(yè)希望借助云原生邊緣計算 延伸云計算能力，保護原有領(lǐng)域的核心競爭優(yōu)勢，形成 云、邊、網(wǎng)、端一體化協(xié)同。 

4.2.1　云原生邊緣計算標準進(jìn)展 目前云原生邊緣計算標準化工作主要由CCSA主 導，CCSA在下設的互聯(lián)網(wǎng)與應用工作委員會(huì )TC5針對 互聯(lián)網(wǎng)邊緣云平臺架構、邊云協(xié)同技術(shù)要求、邊緣云服 務(wù)信任能力要求進(jìn)行標準化探索，已立項標準近10項。 

4.2.2　云原生邊緣計算產(chǎn)業(yè)進(jìn)展 依托已有云計算技術(shù)優(yōu)勢，云計算巨頭積極布局 并推出邊緣計算相關(guān)產(chǎn)品，推動(dòng)云原生技術(shù)不斷下沉。亞馬遜發(fā)布AWS Greengrass邊緣計算平臺，并同時(shí)與Verizon、Vodafone等國際運營(yíng)商合作推出基于5G的AWS Wavelength邊緣計算服務(wù)。谷歌發(fā)起全球移動(dòng)邊緣云GMEC戰略，構建統一的邊緣云平臺，可供各大電信業(yè)者開(kāi)發(fā)各種以網(wǎng)絡(luò )為中心的應用，協(xié)助電信產(chǎn)業(yè)進(jìn)行數字化轉型。微軟推出了開(kāi)源Azure IoT edge 的邊云協(xié)同邊緣計算框架，全面布局邊緣計算生態(tài)。阿里云啟動(dòng)邊緣計算云原生開(kāi)源項目OpenYurt，深度挖掘“邊緣計算+云原生落地實(shí)施”訴求，打造云、網(wǎng)、邊、端一體化的協(xié)同計算體系。百度發(fā)布DuEdge 開(kāi)源平臺，并建立智能邊緣計算框架BAETYL，提供邊緣智能能力。騰訊推出邊緣接入和加速平臺（TSEC）、邊緣計算機器（ECM）、邊緣計算平臺（IECP）等邊緣計算棧產(chǎn)品體系。

4.2.3 云原生邊緣計算發(fā)展面臨瓶頸與未來(lái)趨勢

云原生邊緣計算本質(zhì)上是將傳統云計算技術(shù)輕量化后，結合邊緣原生新技術(shù)在邊緣側實(shí)現計算、存儲、網(wǎng)絡(luò )等資源的快速響應及可伸縮性。云原生邊緣計算在實(shí)際部署中主要存在以下挑戰：（1）邊緣計算作為新興技術(shù)概念，目前生態(tài)尚未完全成熟，業(yè)界對于云原生邊緣計算及MEC概念理解存在混淆，存在代表不同利益群體并互相博弈的生態(tài)，運營(yíng)商MEC平臺和IT企業(yè)邊緣云平臺的業(yè)務(wù)關(guān)系仍不明確；（2）邊云協(xié)同是IT廠(chǎng)商推動(dòng)中心云走向邊緣側的關(guān)鍵架構，但在實(shí)現過(guò)程中仍存在缺少統一的應用管理北向接口、應用及服務(wù)下發(fā)困難、跨邊云應用分發(fā)機制缺乏等問(wèn)題。

目前IT廠(chǎng)商正在積極推動(dòng)邊云協(xié)同實(shí)踐，從資源、數據、應用等多個(gè)維度推動(dòng)云計算服務(wù)和云原生能力適配并對邊緣業(yè)務(wù)進(jìn)行賦能實(shí)現端、邊、云之間緊密結合及協(xié)作，加速云原生邊緣計算的數字化轉型解決方案的構建。

4.3 路徑3——垂直行業(yè)邊緣計算發(fā)展路徑

邊緣計算作為跨場(chǎng)景、跨領(lǐng)域的基礎共性技術(shù)及產(chǎn)業(yè)數字化轉型的關(guān)鍵使能技術(shù)，受到了垂直行業(yè)企業(yè)及設備廠(chǎng)商的關(guān)注，以工業(yè)互聯(lián)網(wǎng)為例，邊緣計算低時(shí)延、海量連接、就近計算等特性可以有效滿(mǎn)足工業(yè)應用需求。此外設備廠(chǎng)商也希望借助垂直行業(yè)邊緣計算進(jìn)一步實(shí)現業(yè)務(wù)升級，拓展業(yè)務(wù)范圍。

4.3.1 垂直行業(yè)邊緣計算標準進(jìn)展

目前，CCSA下設工業(yè)互聯(lián)網(wǎng)特設組ST8已經(jīng)針對邊緣計算開(kāi)展了體系化的標準研究工作，在研標準近20項，基本覆蓋工業(yè)互聯(lián)網(wǎng)邊緣計算的參考架構、核心設備、關(guān)鍵技術(shù)、測試規范等關(guān)鍵標準研制。其中，《工業(yè)互聯(lián)網(wǎng)邊緣計算總體架構與要求》標準提出了邊緣云、邊緣網(wǎng)關(guān)、邊緣控制器的層級化部署架構，為工業(yè)企業(yè)應用邊緣計算提供重要參考。面向工業(yè)互聯(lián)網(wǎng)場(chǎng)景差異化大的特點(diǎn)，工業(yè)互聯(lián)網(wǎng)邊緣計算節點(diǎn)模型要求及測試方法系列標準對邊緣計算基礎設施各項功能提出技術(shù)要求及測試規范，實(shí)現邊緣計算針對不同應用場(chǎng)景的靈活功能組合，為設備廠(chǎng)商研發(fā)方向提供指導，幫助工業(yè)企業(yè)進(jìn)行產(chǎn)品采購選型提供參考。同時(shí)，針對邊緣計算與機器視覺(jué)、人工智能、時(shí)間敏感網(wǎng)絡(luò )等技術(shù)不斷融合發(fā)展趨勢，多項技術(shù)融合標準也不斷立項研究，加速推動(dòng)邊緣計算在不同領(lǐng)域的應用部署。

4.3.2 垂直行業(yè)邊緣計算產(chǎn)業(yè)進(jìn)展

設備廠(chǎng)商從單純提供硬件產(chǎn)品向“設備+邊緣計算平臺”供給轉變。英特爾推出邊緣計算系列處理器與加速卡等多樣化硬件產(chǎn)品，滿(mǎn)足不同行業(yè)用戶(hù)的實(shí)時(shí)性功能需求及安全需求。華為推出Altas 500邊緣計算服務(wù)器，助力AI從中心側向邊緣側與端側延伸，支持云邊協(xié)同的訓練和推理應用場(chǎng)景。新華三推出邊緣計算網(wǎng)關(guān)及邊緣云一體機等設備，結合UIS-EDGE邊緣計算平臺提 供邊緣實(shí)時(shí)分析、多協(xié)議轉換、邊緣智能等能力。

邊緣計算應用場(chǎng)景日益廣泛，逐漸出現清晰細分的、個(gè)性化定制的多行業(yè)重點(diǎn)應用。我國邊緣計算發(fā)展勢頭迅猛，通過(guò)兩化深度融合、智能制造、工業(yè)互聯(lián)網(wǎng)創(chuàng )新發(fā)展工程等專(zhuān)項行動(dòng)的持續推動(dòng)，邊緣計算與行業(yè)融合創(chuàng )新日益廣泛，三一重工、格力、海爾、商飛等一批工業(yè)企業(yè)已開(kāi)始利用邊緣計算模式改變傳統的制造方式，企業(yè)、行業(yè)、區域綜合集成應用實(shí)踐不斷涌現[17]。

4.3.3 垂直行業(yè)邊緣計算發(fā)展面臨瓶頸與未來(lái)趨勢

垂直行業(yè)作為邊緣計算的主要應用場(chǎng)景，產(chǎn)業(yè)各方均在積極布局行業(yè)邊緣計算發(fā)展，但在實(shí)際部署中仍存在以下挑戰：（1）垂直行業(yè)產(chǎn)生數據量大且數據結構各不相同，對于邊緣計算實(shí)現數據存儲、實(shí)時(shí)計算帶來(lái)極大挑戰；（2）目前產(chǎn)業(yè)各方都在嘗試探索邊緣計算應用，形成了基于不同底層架構、針對不同行業(yè)應用的各類(lèi)邊緣計算軟件平臺及硬件產(chǎn)品，因此，邊緣計算整體產(chǎn)業(yè)呈現碎片化發(fā)展，設備接口、數據的標準不一致，缺乏統一的產(chǎn)品規范，跨廠(chǎng)商的互聯(lián)互通互操作存在挑戰。

垂直行業(yè)邊緣計算將逐步探索實(shí)現對異構和多樣化的邊緣設備進(jìn)行抽象、管理和運用，通過(guò)協(xié)議轉換、數據預處理等功能，推動(dòng)實(shí)現企業(yè)內各層數據的縱向集成及高效處理。

5 結束語(yǔ)

總體來(lái)說(shuō)，邊緣計算賦能產(chǎn)業(yè)數字化的重要價(jià)值受到普遍認同，迎來(lái)了新一輪發(fā)展機遇。但由于邊緣計算屬于跨領(lǐng)域融合概念，參與主體眾多，在實(shí)際部署中存在“三難”問(wèn)題：一是標準統籌難，5G  MEC、云原生邊緣計算、垂直行業(yè)邊緣計算等發(fā)展路徑的相關(guān)標準組織均從各自領(lǐng)域對邊緣計算進(jìn)行了標準化工作，導致邊緣計算標準化工作缺乏統一布局，標準內容上存在一定的沖突和重復，這也成為邊緣計算基礎設施規?；渴鸬恼系K。二是產(chǎn)業(yè)集約化難，目前各個(gè)垂直行業(yè)在邊緣計算領(lǐng)域中獨自探索，產(chǎn)業(yè)鏈上下游聯(lián)系不夠緊密， 邊緣計算產(chǎn)業(yè)呈現碎片化發(fā)展。三是規模部署難，目前產(chǎn)業(yè)各方正在積極推進(jìn)邊緣計算基礎設施規?；瘧貌渴?，但成熟且可復制的建設模式尚未形成，需要進(jìn)一步探索。同時(shí)，在商業(yè)模式尚不清晰的前提下，運營(yíng)商、云計算服務(wù)商以及工業(yè)企業(yè)等核心參與者將難以應對邊緣計算基礎設施建設運營(yíng)的資金投入。

未來(lái)，隨著(zhù)邊緣計算逐步進(jìn)入穩健發(fā)展期，5G MEC、云原生邊緣計算、垂直行業(yè)邊緣計算等發(fā)展路徑將在競合中發(fā)展，呈現兩類(lèi)突出的發(fā)展特點(diǎn)：一是協(xié)同與融合，單純使用邊緣技術(shù)構建的應用難以充分發(fā)揮其價(jià)值，需要邊緣計算與云計算、5G、區塊鏈等其他技術(shù)相結合，利用協(xié)同效應形成一體化解決方案。未來(lái)，邊緣計算將一方面不斷推動(dòng)網(wǎng)絡(luò )向智能化以及協(xié)同化方向演進(jìn)，實(shí)現計算與網(wǎng)絡(luò )等多維度資源的統一協(xié)同調度及全局優(yōu)化；另一方面將不斷與云計算協(xié)同聯(lián)動(dòng)， 實(shí)現物理資源的共享，極大提升資源利用率，逐步成為云、網(wǎng)、邊、端等協(xié)同的關(guān)鍵樞紐環(huán)節。二是開(kāi)放與互通，完整的邊緣計算應用服務(wù)涉及需求方、模塊提供方、設備提供方、平臺提供方以及應用提供方等多個(gè)環(huán)節及角色配合，未來(lái)，統一的服務(wù)定義、資源封裝以及接口協(xié)議等標準化工作將不斷健全，便于不同角色間的高效配合以及跨廠(chǎng)商產(chǎn)品互聯(lián)互通，技術(shù)逐步走向開(kāi)放融合。

作者簡(jiǎn)介：

王哲，高級工程師，博士，現就職于中國信息通信研究院，主要從事工業(yè)互聯(lián)網(wǎng)、邊緣計算領(lǐng)域政策、技術(shù)標準、產(chǎn)業(yè)發(fā)展等方面研究，長(cháng)期支撐工業(yè)和信息化部、國家發(fā)改委等部委的工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)政策制定、重大專(zhuān)項指南編制等工作。目前擔任CCSA邊緣計算技術(shù)標準及產(chǎn)業(yè)發(fā)展推進(jìn)委員會(huì )技術(shù)促進(jìn)組組長(cháng)、IEEE Transactions on Vehicular Technology，IEEE Access 等國際期刊審稿人，已發(fā)表期刊及國際會(huì )議論文10余篇，其中SCI檢索5篇，申請發(fā)明專(zhuān)利及軟件著(zhù)作權4 項，主持并參與起草10余項行業(yè)標準制定工作。

參考文獻：

[1] 華信咨詢(xún). 走近邊緣計算[R/OL]. 2020.

[2] Pallis G, Vakali A. Vakali, A.: Insight and Perspectives for Content Delivery Networks[J].

 Communications of the ACM, 2006, 49 (1) : 101 - 106.

[3] Cisco. Global Cloud Index (GCI) [R/OL]. 2018.

[4] Gartner. Gartner Top Strategic Technology Trends for 2021[R/OL]. 2020.

[5] HU Y C, PATEL M, SABELLA D, et al. Mobile Edge Computing—A Key Technology towards 5G[J]. ETSI White Paper, 2015, 11 (11) : 1 - 16.

[6] Taleb T, Samdanis K, Mada B, et al. On Multi-Access Edge Computing: A Survey of the Emerging 5G Network Edge Cloud Architecture and Orchestration[J]. IEEE Communications Surveys & Tutorials, 

2017, 19 (3) : 1657 - 1681.

[7] 王凱, 王靜. 工業(yè)互聯(lián)網(wǎng)邊緣計算技術(shù)發(fā)展與行業(yè)需求分析[J]. 中國儀器儀表, 2019.

[8] Satyanarayanan M, Bahl P, Caceres R, et al. The Case for VM-Based Cloudlets in Mobile Computing[J]. IEEE Pervasive Computing, 2009, 8 (4) : 14 - 23.

[9] Shi W, Cao J, Zhang Q, et al. Edge Computing: Vision and Challenges[J].

Internet of Things Journal, IEEE, 2016, 3 (5) : 637 - 646.

[10] 邊緣計算產(chǎn)業(yè)聯(lián)盟. 邊緣計算白皮書(shū)[R/OL]. 2016.

[11] 項弘禹, 肖揚文, 張賢, 等. 5G邊緣計算和網(wǎng)絡(luò )切片技術(shù)[J]. 電信科學(xué), 2017 (6).

[12] 潘建勝. 基于Docker的CDN邊緣計算平臺設計與實(shí)現[D]. 北京：北京郵電大學(xué), 2018.

[13] 王哲. 面向車(chē)聯(lián)網(wǎng)的移動(dòng)云服務(wù)遷移機制研究[D]. 北京：北京交通大學(xué), 2019. [14] 李肯立, 劉楚波. 邊緣智能: 現狀和展望[J]. 大數據, 2019, 5 (03) : 69 - 75.

[15] 邊緣計算產(chǎn)業(yè)聯(lián)盟&工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟. 邊緣計算參考架構3.0[R/OL]. 2018.

[16] IDC. Worldwide Edge Spending Guide[R/OL]. 2020.

[17] 工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟. 離散制造業(yè)邊緣計算解決方案白皮書(shū)[R/OL]. 2019.

[18] Liu J, Mao Y, Zhang J, et al. Delay-optimal Computation Task Scheduling for Mobile Edge Computing Systems [C]. Proceedings of IEEE International Symposium on Information Theory (ISIT), -Barcelona, Spain, 2016 : 1451 – 1455.

[19] Zhang Y, Niyato, Wang P. Offloading in Mobile Cloudlet Systems with Intermittent 

Connectivity[J]. IEEE Transactions on Mobile Computing, 2015, 14 (12) : 2516 - 2529.

[20] Kamoun M, Labidi W, Sarkiss M . Joint Resource Allocation and Offloading Strategies 

in Cloud Enabled Cellular Networks[C]. IEEE International Conference on Communications. IEEE, 2018.

[21] Wang Z, Zhong Z, Zhao D, et al. Vehicle-Based Cloudlet Relaying for Mobile Computation Offloading[J]. IEEE Transactions on Vehicular Technology, 2018, PP : 1 - 1.

[22] Dinh T Q, Tang J, La Q D, et al. Offloading in Mobile Edge Computing: 

Task Allocation and ComputationalFrequency Scaling[J]. IEEE Transactions on Communications, 

2017, 65 (8) : 3571 - 3584.

[23] HAN S, Pool J, Tran J, et al. Learning Both Weights and Connections for Efficient Neural

 Network[C]. Advances in Neural Information Processing Systems, 2015 : 1135 - 1143.

[24] Srivastava N, Hinton G, Krizhevsky A, et al. Dropout: A Simple Way to Prevent Neural 

Networks from Overfitting[J]. Journal of Machine Learning Research, 2014, 15 (1) : 1929 - 1958.

[25] Tong L, Li Y, Gao W. A Hierarchical Edge Cloud Architecture for Mobile Computing[C]. 

IEEE INFOCOM 2016 - The 35th Annual IEEE International Conference on Computer 

Communications. IEEE, 2016.

[26] Li E, Zhou Z, Chen X . Edge Intelligence: On-Demand Deep Learning Model Co-Inference with Device-Edge Synergy[C]. the 2018 Workshop. 2018.

[27] 雷波, 劉增義, 王旭亮, 楊明川, 陳運清. 基于云、網(wǎng)、邊融合的邊緣計算新方案:算力網(wǎng)絡(luò )[J]. 電信科學(xué), 2019, 35 (09) : 44 - 51.

[28] 何濤, 曹暢, 唐雄燕, 李銘軒, 李建飛. 面向6G需求的算力網(wǎng)絡(luò )技術(shù)[J]. 移動(dòng)通信, 2020, 44 (06) : 131 - 135.

[29] 李銘軒, 曹暢, 唐雄燕, 何濤, 李建飛, 劉秋妍. 面向算力網(wǎng)絡(luò )的邊緣資源調度解決方案研究[J]. 數據與計算發(fā)展前沿, 2020, 2 (04) : 80 - 91.

[30] Zhao Y, Li Y, Zhang X, et al. A Survey of Networking Applications Applying the Software 

Defined Networking Concept Based on Machine Learning[J]. IEEE Access, 

2019, 7 (99) : 95397 - 95417.

[31] Chen Q, Yu F R, Huang T, et al. Joint Resource Allocation for Software-Defined Networking, Caching and Computing[J]. IEEE/ACM Transactions on Networking, 2018 : 274 - 287.

[32] 黃韜, 劉江, 汪碩, 張晨, 劉韻潔. 未來(lái)網(wǎng)絡(luò )技術(shù)與發(fā)展趨勢綜述[J]. 通信學(xué)報, 2021, (1) : 130 - 150.

[33] 任夢(mèng)璇, 薛淼, 劉千仞, 任杰, 王光全. 區塊鏈+邊緣計算應用研究與探討[J]. 郵電設計技術(shù), 2020 (11) : 24 - 29.

[34] Tang W, Zhao X, Rafique W, et al. A Blockchain-Based Offloading Approach in Fog Computing Environment[C]. 2018 IEEE Intl Conf on Parallel & Distributed Processing with Applications, IEEE, 2018.

[35] Zhaofeng M, Xiaochang W, Jain D K, et al. A Blockchain-Based Trusted Data Management Scheme in Edge Computing[J]. IEEE Transactions on Industrial Informatics, 2019, PP (99) : 1.

[36] 曹舒雅, 姚英英, 常曉林. 基于區塊鏈的智能工廠(chǎng)RFID系統輕量級身份認證機制[J]. 網(wǎng)絡(luò )空間安全, 2020 (9) : 70 - 77.

[37] Guo H, Li W, Nejad M, et al. Access Control for Electronic Health Records with Hybrid 

Blockchain-Edge Architecture[C]. 2019 IEEE International Conference on Blockchain (Blockchain). IEEE, 2020.

[38] 呂華章, 陳丹, 王友祥. ETSI MEC標準化工作進(jìn)展分析[J]. 自動(dòng)化博覽, 2019, 36 (05) : 48 - 52.

[39] 呂華章, 陳丹, 范斌, 王友祥, 烏云霄. 邊緣計算標準化進(jìn)展與案例分析[J]. 計算機研究與發(fā)展, 2018, 55 (03) : 487 - 511.

[40] 電信運營(yíng)商在GSMA的支持下合作構建電信邊緣云平臺 [EB/OL]. https://blog.csdn.net/sinat_41698914/article/ details/104567380, 2020.

摘自《自動(dòng)化博覽》2021年2月刊