边缘计算 第3章 边缘计算典型应用

《边缘计算：edgecomputing》第3章边缘计算典型应用本章教学活动设计2212345建议课时知识目标技能目标教学重点教学难点1234课前学习任务布置智慧城市3.1

未来智慧城市的基础设施建设将进一步呈现物联网化，无数传感器设备将安装在城市中的每个角落，涉及城市安全、智能交通、智能能源、智慧农业、智能环保、智能物流、智能健康等多个领域。3.1智慧城市

根据边缘计算模型中将计算最大程度迁移到数据源附近的原则，用户需求在计算模型上层产生并且在边缘处理。边缘计算可作为智慧城市中一种较理想的平台，主要取决于以下三个方面：

3.1智慧城市

据思科全球云指数预测，到2019年，一个百万人口的城市每天将产生180PB的数据，其主要来自于公共安全、健康数据、公共设施以及交通运输等领域。云计算模型无法满足对这些海量数据的处理，因为云计算模型会引起较重传输带宽负载和较长传输延时。在网络边缘设备进行数据处理的边缘计算模型将是一种高效的解决方案。

①大数据量万物互联环境下，大多数应用具有低延时的需求（比如健康急救和公共安全），边缘计算模型可以降低数据传输时间，简化网络结构。此外，与云计算模型相比，边缘计算模型对决策和诊断信息的收集将更加高效。

②低延时如运输和设施管理等基于地理位置的应用，对于位置识别技术，边缘计算模型优于云计算模型。在边缘计算模型中，基于地理位置的数据可进行实时处理和收集，而不必传送到云计算中心。

③位置识别智能制造3.2智能制造（intelligentmanufacturing，IM）是一种由智能机器和人类专家共同组成的人机一体化智能系统，它在制造过程中能进行智能活动，诸如分析、推理、判断、构思和决策等。

智能制造的定义

智能制造技术是工业4.0时代最重要的特征之一，而智能制造是世界制造业未来发展的重要方向，依靠技术创新，实现由“制造大国”到“制造强国”的历史性跨越。

3.2智能制造

工业4.0是基于现代信息技术和互联网技术兴起的产业，其核心就是通过信息物理系统（cyberphysicalsystem，CPS）实现人、设备与产品的实时连通、相互感知和信息交互，从而构建一种高度灵活的智能化和数字化的智能制造模式。什么是工业4.0？

如何推动智能制造的发展，首先要构建完善的信息物理系统。这是智能制造的基础支撑技术。而根据边缘计算的定义，工业领域CPS也属于边缘计算的范畴，物理系统通常位于工业特定系统的边缘，而在边缘同时具有计算、通信以及本地感知数据的存储能力正是边缘计算的基本特征。如何推动智能制造的发展？

智能交通3.3智能交通是一种将先进通信技术与交通技术相结合的物联网重要应用。基于边缘计算智能交通技术为诸多问题提供一种较好的解决方案。什么是智能交通？

安全性是智能交通行业最重要的问题，尤其在当前最热门的无人驾驶系统或自动驾驶系统中，安全性是首要解决的问题。而边缘计算的应用可以在自动驾驶汽车上，对车载传感器所采集的数据进行本地化处理而不需要上传到云端。

①边缘计算能够提高智能交通的安全性虽然云端具有较强的计算能力，但是如果将实时采集的数据发送到云端处理，将结果反馈到车载控制系统来实时监测车辆的状态，那么在突然事故中，将存在致命的延迟，这也是自动驾驶汽车还未被广泛采用的原因。然而，边缘计算可以保证采集的数据利用本地车载端的计算能力进行数据处理，同时利用云端的计算能力，建立车载端数据模型，提高事件分析的准确性，有效利用现有智能交通的云端资源，同时提高智能交通系统的安全性。在边缘服务器上运行智能交通系统来实时分析数据，根据路面的实况，利用智能交通信号灯减轻路面车辆拥堵状况或改变行车路线。同样，基于边缘计算的智能停车系统可收集用户周围环境的信息，在网络边缘分析用户附近的可用资源，并给出指示。②边缘计算扩展了智能交通的适用性此外，现有城市轨道交通系统中屏幕门的关闭是由列车司机眼识别，整列车所有车门都要等待最后一个上车的人上车才能关闭，现有的整个屏蔽门系统只受列车中央控制系统管理。如果在每个屏蔽门上配置边缘计算单元，使其能够独立、安全地控制屏蔽门开合，使得城市轨道交通自动驾驶成为可能。华为公司为巴士在线提供整体智慧公交车联网解决方案，在每一台公交车上部署车载智能移动网关，能够缓存一些数据信息，使得汽车在网络信号环境不好的地方也能保持平稳的运营。此外该系统搭载统一运营平台，对分布在不同地点的多媒体终端进行统一调度，实现立体化、差异化的精准营销，为乘客提供更好的乘车体验。同样，地铁也可以搭载类似设备，在网络环境较好的车站缓存信息，在网络信号不太稳定的两站之间的行驶区域就能使乘客有更好的用户体验。③边缘计算能够提高智能交通的用户体验因此，在智能车辆终端，即数据源（车载单元）执行边缘计算可加速数据处理，增强路面环境决策的实时性。智能家居3.4家居生活随着万物互联应用的普及变得越来越智能和便利。起初的智能家居以电器的远程控制为主，随着物联网的发展，智能家居设备涉及的范围不断扩大，对设备联动场景的要求更高。智能家居的兴起

边缘计算作为智能家居的系统平台优势主要包括以下三方面：边缘计算的优势

1低延时智能家居设备对用户命令的及时反馈很大程度上影响着用户对智能家居的满意度。例如开关灯、查看监控摄像头等操作，都具有低延时的需求。边缘计算避免有限的网络带宽对数据传输的影响，降低数据传输时间，使系统能够更高效地收集、分析数据并作出相应的反馈。2隐私保护智能家居设备获取的数据与用户的隐私息息相关。如果这些涉及用户隐私的数据被不法分子利用，会对用户造成财产或心理上的损失，甚至可能会有生命危险。将数据的传输和使用控制在家庭范围内，将敏感信息从源数据中剥离，是对用户隐私的一种保护措施。3大数据量一个完备的智能家居每天产生的数据量是惊人的。仅仅是一个监控摄像头一天就可以产生几十GB的数据。如果所有的家庭数据都上传到云端，无疑会对网络带宽和云端存储空间造成巨大的负担。利用边缘计算平台，视频等各种数据在本地就可得到有用信息的筛选和处理，智能家居能够进行高效运作。

针对智能家居的边缘计算系统（edgeoperatingsystemforsmarthome，EdgeOSH）在家庭内部的边缘网关上运行，智能家居设备可以集成在该操作系统中，便于连接和管理。利用该操作系统，设备产生的数据可以在本地得到处理和脱敏，从而降低数据传输带宽的负载和延迟，并保护用户的隐私。同时由于编程接口的统一化，基于EdgeOSH的应用服务程序可向用户提供更好的资源管理和分配。智能家居的边缘操作系统EdgeOSH

图3-1六种开源系统比较协同边缘3.5协同边缘是连接多个数据拥有者的边缘，这些数据拥有者在地理上是分布的，但具有各自的物理位置和网络结构。类似于点对点的边缘连接方式，在数据拥有者之间提供数据的共享。什么是协同边缘？

下面以流感病情为例阐述协同边缘的优势，互联网医疗中，医院总结、分享流感疫情的信息（如平均花费、临床特征及感染人数信息等）。协同边缘的优势

图3-2协同边缘案例：互联网医疗另一种面向边缘计算的协同实例在移动目标识别的应用中，传统的目标识别算法操作受环境中特定视觉任务的鲁棒性影响，主要的挑战是：传统的目标识别算法面临的主要挑战

很难预先知道环境中有哪些对象可用预先训练这样一种适合该环境的包容性识别模型。①模型包容性每个移动视域区域具有高可变性，如图像分辨率、灯光、背景、视点和后处理等，一种或多种原因会对计算机视觉算法精度产生负面影响。而当前最流行的深度学习利用大规模数据集上执行多层神经网络算法的方式为传统移动目标识别问题提出一种新的解决思路，如最近提出的卷积神经网络（CNN）。②视觉的区域变换美国理海大学的Li提出一种基于深度学习的自适应移动目标识别框架deepchameleon（简称DeepCham），是一种边缘主机服务器与移动边缘终端协同框架，主要应用于移动环境中。移动目标识别框架deepchameleon

为了更有效地将深度神经网络应用到边缘端设备，同时利用云端的计算能力，美国哈佛大学的SuratTeerapittayanon团队提出一种基于云端、边缘端以及用户端的分布式神经网络框架（distributeddeepneuralnetworks，DDNN），实现三者之间的协同处理。DDNN分布式神经网络框架

基于边缘计算的协同处理模型还有YoungbinIm等提出的基于HTTP自适应流媒体（HTTPadaptivestreaming），HAS的FLARE架构，其利用边缘计算模型弥补现有HAS架构中网络端与用户端协同工作的不足。FLARE架构

云计算任务前置3.6根据用户设备的环境可确定数据分配和传输方法，基于边缘加速的网页平台（edgeacceleratedwebplatform，EAWP）模型改善传统云计算模式下较长响应时间的问题。基于边缘加速的网页平台

购物车数据可被缓存在边缘节点，相关的操作可在边缘节点上执行。当用户的请求到达边缘节点时，新的购物车视图立即推送到用户设备。边缘节点与云中心的数据同步可在后台进行。基于边缘加速的网页平台

在移动视频转码应用中，端部署中具有有限性；无线信道易不稳定。这些因素导致用户体验较差。移动视频转码应用存在的问题

一些改善视频传输的方法，如自适应比特率流、可伸缩视频编码（SVC）、渐进式下载等，而这些技术不能预先对视频进行处理。鉴于各种视频流预处理的难度，视频转码已成为视频数据传输的一种优化技术。改善视频传输的方法

JongwonYoon等提出一种在无线边缘运行低成本的视频转码解决方案。通过在无线边缘运行该转码技术，可为突发的网络动态提供更敏捷的适应性，能够将客户请求快速反馈，该转码方法具有透明性、低成本和可扩展性。基于边缘运行的低成本视频转码解决方案

美国乔治·华盛顿大学的Li团队基于一种面向移动边缘计算的新的优化维度——质量评价（quality-of-result，QoR），提出了一种MobiQoR架构。MobiQoR架构

边缘计算视频监控系统3.7城市安全视频监控系统主要应对因万物互联的广泛应用而引起的新型犯罪及社会管理等公共安全问题。城市安全视频监控系统

首先，构建一种基于边缘计算的视频图像预处理技术。其次，为了降低上传的视频数据，基于边缘预处理功能，构建基于行为感知的视频监控数据弹性存储机制。城市安全视频监控系统

图3-3基于边缘计算的视频监控系统框图一方面，基于智能算法的预处理功能模块，在保证数据可靠性的前提下，利用模糊计算模型，对实时采集的视频数据执行部分或全部计算任务，这能够为实时性要求较高的应用请求提供及时的应答服务，而且还降低云计算中心计算和带宽的负载。边缘计算带来的优势

另一方面，还需要设计具有可伸缩的弹性存储功能模块，利用智能算法感知监控场景内行为的变化，选择性存储视频数据，实现最小空间存储最大价值的数据。边缘计算带来的优势

基于边缘摄像头的多目标识别是公共安全领域内，视频数据边缘处理的一种典型应用。典型应用

图3-4摄像机网络中的目标跟踪算法实现框图图3-5摄像机网络中标监控示意图基于边缘计算的灾难救援3.8在灾难现场的危险环境中，基于无人机、图像传感器、众包等方式获取信息已势在必行。灾难现场传回的图片和视频信息，有助于快速感知受灾后的灾区环境、人群、道路等，在灾难响应和恢复救援工作中发挥着越来越重要的作用。基于边缘计算的灾难救援

社群感知和响应系统Caltech，通过收集和共享来源于互联网设备的图片，对地震危险进行实时感知。社群感知和响应系统Caltech

极大缓解网络带宽拥塞、更好地支持延迟敏感型应用、减少数据中心压力，有助于克服灾难环境时传输网络被破坏、带宽不稳定等带来的问题。灾难救援利用边缘计算的优势

图3-6基于边缘计算的图像搜索框架智能消防的关键在于利用物联网集成数据，主要由三部分组成：