边缘计算
移动边缘计算（mobile edge computing,MEC）技术通过为无线接入网提供IT 和云计算能力，使得业务本地化、近距离部署成为可能，从而促使无线网络具备低时延、高带宽的传输能力，并且回传带宽需求的降低极大程度减少了运营成本。同时，MEC通过感知无线网络上下文信息（位置、网络负荷、无线资源利用率等）并向业务应用开放，可有效提升用户的业务体验，并且为创新型业务的研发部署提供平台。首先介绍MEC技术，细化并给出MEC平台框图。此外，针对基于MEC平台的本地分流功能，给出了详细的技术方案，并与3GPP本地分流方案LIPA/SIPTO进行对比分析。更进一步，针对MEC技术在网络应用中可能存在的问题与挑战进行了讨论，为后续研究发展提供参考。
由于能够以低成本提供5G无线网络中多样化的业务场景，网络切片和边缘计算一直以来深受学术界和工业界的提倡。网络切片通过将网络实体划分成多个逻辑独立网络，为不同业务场景提供所需服务，而边缘计算利用网络中用户和边缘网络设备的计算和存储功能，承载部分核心节点中的控制、管理、业务功能，能够提升传统移动宽带业务能力和应对新兴的机器类业务。将网络切片和边缘计算融合，提出了基于边缘计算的接入网络切片，能够满足5G中广泛的用例和商业模型，使得运营商能够根据第三方需求和网络状况以低成本为用户灵活提供个性化的网络服务。
移动边缘计算（MEC）技术将IT服务环境和云计算技术在网络边缘相结合，提高边缘网络的计算和存储能力，减少网络操作和服务交付时延，提升用户服务质量体验，因此受到了广泛关注，并且已经作为关键技术被纳入5G标准。首先介绍了MEC的基本概念、参考架构和技术优势，然后从学术界、产业界和标准制定3个角度出发概括了MEC的研究现状，随后详细介绍了MEC的关键技术、应用场景以及具体的部署方式，最后对MEC的移动性、安全和计费以及隐私保护等现存问题进行了归纳和展望。
针对配用电脱网应急通信需求，设计了新型多模式节点，具备专网与公网技术结合的多模式通信能力，可以实现电力专网、无线自组网及无线公网多模切换。通过数据集中上传至多模终端，多模终端通过模式快速切换，借助公网资源实现网络的快速恢复和数据的持续传输，实现脱网应急通信。同时，提出了一种基于畅通度的智能路由算法，定义边缘网络通信三原则，并通过边缘计算方法，实现对畅通度的计算与更新，保障边缘网络在脱网状态下的智能、高效、可靠运行。
随着物联网、大数据和 5G 网络的快速发展和广泛应用，传统的云计算无法处理网络边缘设备所产生的海量数据，因此，边缘计算应运而生。然而，由于边缘计算的内容感知、实时计算、并行处理等开放特性，使在云计算环境下就已经存在的数据安全与隐私问题变得更加突出。阐述了边缘计算中数据安全与隐私保护的研究背景，提出以数据安全为中心的研究体系架构。围绕数据安全、访问控制、身份认证和隐私保护等关键技术，综述了近年来提出的可能适用于边缘计算数据安全与隐私保护的最新研究成果，并就方案的可扩展性和适用性进行分析讨论。此外，介绍了一些目前比较适用的边缘计算实例。最后，指出一些重要的研究方向和研究建议。
边缘计算将传统的云服务扩展到网络边缘，更贴近用户，适用于具有低时延需求的网络服务。随着边缘计算范式的兴起，其安全问题也得到越来越多的关注。首先介绍了边缘计算范式的基本概念、系统架构以及与其他计算范式的关系。然后分析了当前边缘计算中存在的安全威胁，并针对各种安全威胁探讨了相应的安全技术问题。最后对边缘计算安全技术中关键的入侵检测、访问控制、防御策略、密钥管理技术进行了分析，并提出了进一步研究方向。
针对运营商如何引入边缘计算的问题，提出了一种基于NFV的边缘计算承载方案和部署思路。首先介绍了边缘计算、物联网等新兴技术产业的发展现状和趋势，梳理了边缘计算的概念、应用场景及具体需求，并阐述了NFV与边缘计算的关系；然后讨论了使用NFV对边缘计算平台进行承载和初步部署的思路，为后期边缘计算的规划和部署提供了技术参考。
移动边缘计算(MEC，mobile edge computing)中计算卸载技术即将移动终端的计算任务卸载到边缘网络，解决了设备在资源存储、计算性能以及能效等方面存在的不足。同时相比于云计算中的计算卸载，MEC 解决了网络资源的占用、高时延和额外网络负载等问题。首先介绍了 MEC 的网络架构及其部署方案，并对不同的部署方案做了分析和对比；然后从卸载决策、资源分配和系统实现这3个方面对MEC计算卸载关键技术进行了研究；通过对5G环境及其MEC部署方案的分析提出了两种计算卸载优化方案，总结归纳了目前MEC中计算卸载技术面临的移动性管理、干扰管理以及安全性等方面的核心挑战。
为应对“万物互联”所带来的挑战，移动边缘计算因其独特优势受到学术界和产业界的高度重视。然而，传统IP网络由于其原始设计不足难以为移动边缘计算提供高效的网络服务动态构建能力。为此，基于新兴网络技术，提出一种移动边缘计算场景下网络服务灵活适配的解决方案，旨在实现网络服务的按需、高效部署，满足不同用户的多元化与个性化需求。
移动边缘计算（mobile edge computing，MEC）是一种新兴的计算范式。设备将计算任务卸载到MEC服务器，满足业务时延需求，延长设备电池寿命，解决设备资源受限问题。对目前MEC系统中计算卸载方案的研究现状和成果进行了总结，分析了存在的问题和挑战，并进一步探讨未来MEC计算卸载的研究方向。
边缘计算是一种在网络边缘执行计算任务的新型计算模型，相比于云计算模型，能够更加迅速、可靠和节能地响应用户需求。从云计算模型的不足出发，首先介绍了边缘计算的概念和通用构架，随后详细阐述了两个边缘计算参考构架，总结了边缘计算面临的挑战，并介绍了针对这些挑战的研究进展。随着边缘计算相关理论和技术的发展，边缘计算将成为推动物联网服务升级的关键技术，以预测性维护和安防监控为例，对边缘计算的应用进行了介绍。
以云计算模型为代表的集中式数据处理关键技术已不能高效、及时地处理边缘设备产生的数据。针对这一问题，以“数据处理应更靠近数据源头”为核心理念的边缘计算模型应运而生。首先介绍了微数据中心、微云、雾计算、移动边缘计算等计算范型，并讨论了边缘资源整合的优势。然后，回顾了近年来边缘计算中与资源优化领域相关的工作，以计算、存储和通信3种资源为切入点，分别从计算卸载、分布式缓存和高性能传输这3个研究热点，对国内外的研究进展进行总结和讨论。最后，展望了该领域未来的发展趋势和主要的研究方向。
随着物联网应用的不断展开，大量移动终端设备参与服务计算，传统的云计算模型已经不能满足网络边缘设备产生数据的速度，边缘计算模型应运而生，并成为近几年的研究热点。介绍了边缘计算的概念和物联网的边缘计算参考模型，分析总结了边缘设备容易遭受的攻击，综述了边缘计算中密码安全技术的主要研究成果，并指出：对称密码技术不适用于边缘设备之间的通信，基于身份标识的密码技术较适用于边缘设备到边缘设备的通信，基于配对的密码技术较适用于边缘设备到基站的通信。讨论了两种后量子密码技术在边缘设备中的应用，提出了边缘计算安全技术研究的几个建议。
边缘计算与人工智能这两种高速发展的新技术之间存在着彼此赋能的巨大潜力。通过3个研究案例，展示协同边缘计算和人工智能这两种技术如何促进各自的进一步发展。从边缘计算赋能人工智能的维度，针对深度学习模型在网络边缘侧的部署，提出了基于边端协同的深度学习按需加速框架，通过协同优化模型分割和模型精简策略，实现时延约束下的高精度模型推理。从人工智能赋能边缘计算的维度，针对边缘计算服务的放置问题，提出了基于在线学习的自适应边缘服务放置机制和基于因子图模型的预测性边缘服务迁移方法。
随着物联网技术、高速通信技术、智能芯片技术的发展，协同利用这些技术提高传统电网在设备数据收集、储能策略分析和用电安全监控等方面的效能成为亟待解决的难题。对边缘计算技术如何助力电力企业智能化转型进行了着重分析，讨论了边缘计算在构建低时延、轻量级、高效能和高可靠的智慧电网平台方面的优势，介绍了智慧电网中的各类应用场景和对应的边缘计算解决方案。最后，对国内外两种边缘计算平台及其使用的主要技术和应用场景进行了分析。
云计算和图像处理技术的应用极大地改变了森林火警监测的方式。基于云架构的森林火警监测技术在检测实时性和图像算法可配置性方面均存在不足。为了解决这些问题，设计了一种基于边缘计算的森林火警监测系统。系统采用边缘计算的方式，利用森林监测站的边缘计算机或服务器执行火灾检测的图像处理任务，提高了火灾检测和预警的实时性。另外，系统引入了算法重配置的功能模块，以便火灾识别算法的迭代与更新，减少了系统二次开发的成本，进一步增强了系统的实用性。
为了解决传统移动边缘计算网络无法很好地支持车辆的高速移动性和动态网络拓扑，设计了车辆多址接入边缘计算网络，实现路边单元和智能车辆的协同计算迁移。在该网络架构下，提出了多址接入模式选择和任务分配的联合优化问题，旨在最大化系统的长期收益，同时满足多样化的车联网应用需求，兼顾系统的能量消耗。针对该复杂的联合优化问题，设计了基于深度增强学习的多址接入协同计算迁移策略，该策略能够很好地克服传统Q-learning算法因网络规模增加带来的维度灾难挑战。仿真结果验证了所提算法具有良好的计算性能。
在移动边缘计算系统中，通过将计算任务从移动设备迁移到移动边缘计算服务器，可以大幅度提高计算质量。考虑将可再生能源纳入多用户移动边缘计算系统中，并在模型中加入电池作为能量收集装置以实现能量收集和存储。通过提出的基于强化学习的资源管理算法制定了移动边缘计算系统中的任务分配策略，实现了移动设备成本最优化（包括时延成本和能耗成本）。仿真结果表明，与其他算法相比，该算法显著减少了移动设备的成本。
为应对未来物联网更高计算速率、更低通信时延和更高接入密度的要求，提出了移动边缘计算框架EdgeFlow，考虑了阻塞态和非阻塞态的任务卸载算法。通用软件无线电平台模拟实验表明，EdgeFlow 可以显著提高计算效率、降低通信时延，为解决物联网更高计算需求的问题指明了新的发展方向，奠定了理论与实践基础，可以广泛应用于物联网场景中。
针对移动边缘计算（MEC）提供IT服务环境和云计算能力带来的高带宽、低时延优势，结合LTE免授权频谱（LTE-U）技术，研究了车辆异构网络中基于 MEC 的任务卸载模式决策和资源分配问题。考虑链路差异化要求，即车辆到路边单元（V2I）链路的高容量和车辆到车辆（V2V）链路的高可靠性，将用户服务质量（QoS）建模为容量与时延的组合形式。首先采用改进的 K-means 算法依据不同的 QoS 对请求车辆进行聚类，从而确定通信模式，其次利用基于无竞争期（CFP）的LTE-U，结合载波聚合（CA）技术，使用分布式Q-Learning算法进行信道和功率分配。仿真结果表明，所提机制可以在保证V2V链路可靠性的同时，使得V2I遍历容量最大化。
物联网以其便于搭建及成本低廉等优点，被广泛地应用于环境监测中。在大规模物联网监测系统中，云平台一直被用作远程的数据和控制中心，然而系统中大量的数据上传和处理给云平台的带宽负载和实时性反馈等方面带来了巨大挑战。因此，提出了基于边缘计算的物联网监测系统框架。边缘计算作为该系统的中间层，能够为终端设备提供实时的本地服务，同时能够通过初步分析分流云平台的计算任务进而降低数据上传量。在此基础上，进一步提出了一种利用自编码神经网络实现的异常检测方法。采用实地采集的海洋气候监测数据进行仿真分析，仿真结果表明，本文提出的基于自编码神经网络的异常检测方法能够充分利用采集数据的空间相关性并准确地检测出异常数据。
边缘计算将网络边缘上的计算、存储等资源进行有机融合，构建成统一的用户服务平台，按就近服务原则对网络边缘节点任务请求及时响应并有效处理。由于边缘节点能力、资源、带宽、能源等受限，计算迁移是边缘计算的一个关键问题。综述了移动边缘计算的起因、演进和发展趋势，以从分布式计算、普适计算、云计算到边缘计算的演进历程为主线，对比分析了各阶段计算迁移的特点并对经典模型进行了评述；重点分析了边缘计算的最新研究进展及应用领域，研究并对比分析了基于能耗优化管理的移动边缘计算模型。最后提出了一个面向LTE应用和基于时分多址（time division multiple access，TDMA）的多用户边缘移动终端计算迁移策略系统。
边缘计算是一种在物理上靠近数据生成位置的处理数据的方法，是5G的关键技术之一。网络技术的发展和业务应用的需求共同推动了5G边缘计算的发展。从边缘基础设施、边缘计算网络和边缘平台角度阐述了5G边缘计算技术体系，并对5G边缘计算应用进行了展望。
移动边缘计算作为新架构赋予了边缘端更强的计算、存储和通信能力，但是需要合理的激励机制来提高边缘端用户提供资源的主动性。针对移动智能边缘计算的三大典型应用场景即计算卸载、边缘缓存和数据收集，首先对不同应用场景下的激励机制进行研究，然后从服务质量、网络质量和数据质量3个角度提出了移动智能边缘计算激励机制设计所要解决的核心科学问题，最后深入分析了解决以上问题所面临的技术挑战，并给出了对应的具体解决方案。
日益增长的数据量对数据处理的要求越来越高，于是出现了数据密集型服务。在解决复杂问题时，多个数据密集型服务通常会形成一个服务组合。由于服务组件之间存在大量的数据传输，巨大的传输时延会对系统的整体性能造成影响。在边缘计算环境中，基于否定选择算法，为降低服务组合中的数据传输时间提出了一种优化部署策略。首先，给出了此类数据密集型服务组件部署问题的定义，并为该部署问题构建优化模型；然后，设计了一种否定选择算法来获取最佳的部署方案；为了评估该算法的适用性和收敛性，使用遗传算法和模拟退火算法与其对比，结果显示，提出的算法在这种数据密集型服务组件的部署问题中表现得更为出色。
边缘计算已经成为5G时代重要的创新型业务模式，尤其是其低时延特性，被认为是传统方案所不具备的，因此边缘计算能够提供更多的服务能力且具有更为广泛的应用场景。但边缘计算与处于中心位置的云计算之间的算力协同成为新的技术难题，即需要在边缘计算、云计算以及网络之间实现云网协同、云边协同，甚至边边协同，才能实现资源利用的最优化。在研究边缘计算算力分配和调度需求的基础上，提出了基于云、网、边深度融合的算力网络方案，并针对AI类应用给出了一个典型实施系统，该方案能够有效应对未来业务对计算、存储、网络甚至算法资源的多级部署以及在各级节点之间的灵活调度。
多接入边缘计算在网络边缘提供高性能的网络资源，但由于其位置管理分散，所以对安全性能要求较高。基于拟态防御原理提出了分布式多接入边缘计算的拟态防御架构，通过分割数据与校验填充，转发至多个边缘节点处理，并根据校验分析实现了多模裁决与动态调度的拟态防御机制。仿真结果表明，在增加时延成本的情况下，该架构可有效降低数据被篡改和被泄露的概率。提出了基于置信度与时延成本的边缘节点调度策略，提升了系统的效率与安全性能。
为保障边缘计算的服务质量，提出一种在多约束条件下边缘计算可信协同任务迁移策略。该策略基于任务需求，由边缘计算协同服务盟主节点组织调度协同服务盟员，基于用户任务迁移的K维权重指标，确定协同盟员调度优先级，以盟员负载均衡性为适应函数，通过贪心算法执行盟员任务分配与调度，基于路由捎带选择备用节点，通过迁移优先级评估，实现协同服务异常时的调度和迁移，由此提高边缘计算任务迁移的服务质量，保障任务迁移的可靠性。仿真实验表明，该机制能有效完成协同任务分发与迁移调度，提高边缘计算协同效率，保障网络服务质量。
随着物联网的发展，在未来6G通信中，将会产生众多实时性应用场景。在低时延的数据处理需求的驱动下，移动边缘计算将成为提升用户体验和降低网络成本的重要技术。然而，单一的边缘服务器计算能力有限，很难满足计算密集型应用的低时延数据处理需求。设计了一种异构的多层边缘计算（HetMEC,heterogeneous multi-layer mobile edge computing）网络架构，综合利用云计算中心和多层边缘服务器的计算和传输资源，通过合理分割卸载计算任务，共同为边缘应用提供可靠、高效的计算服务。实验证明，HetMEC网络架构可以有效降低处理时延，提升网络处理速率和稳健性。
针对现有加密图像检索方案未考虑不同密钥加密图像集的情况，基于局部敏感哈希、安全近邻及代理重加密技术提出了基于边缘计算的支持多密钥的加密图像检索系统（包含基础方案和改进方案）。所提方案不但提高了图像查询效率、精度，而且降低了查询用户的额外计算开销。安全性分析表明，所提基础方案仅可抵抗已知密文攻击，而所提改进方案可抵抗已知背景攻击。基于实际数据集的实验性能测试表明，所提方案在实际应用场景中是可行的。
以最大化缓存收益为目标，针对部署缓存的 NOMA 异构网络下的基站用户匹配及功率分配问题，结合消息传递及 DC 规划提出了 NOMA 联合优化算法。首先将约束条件合并到目标函数中，通过计算新的优化问题中函数节点与变量节点间消息传递的边缘得到用户协同结果；然后将原优化问题变形为2个凸函数差的形式，通过DC规划对功率资源进行分配；最后迭代计算得到最终的用户协同及功率分配结果。仿真结果证明所提算法有效地提升了网络性能。
针对基于云服务的虚拟现实对数据传输速率的高要求以及对传输时延的敏感性问题，提出并设计了基于移动边缘计算技术的云VR系统方案，主要包括基于视点的VR处理和混合数模传输优化。首先采用基于金字塔投影的用户视点感知动态推流方法实现基于视点的VR处理；然后引入混合数模技术对传输进行优化改进，并给出了启发式的资源分配优化算法；最后在长期演进（LTE）系统的基础上改造基站协议栈，融入移动边缘计算技术，实现了完整的移动边缘云VR系统。实验结果表明，与已有方案相比，所提方案能够实现更加稳健高效的传输，达到更好的VR用户体验。
智能设备的普及带动了物联网技术的应用和发展，而随之产生的海量物联网数据给传统集中式数据管理带来诸多挑战，如性能、隐私与安全的挑战。因此，提出了一种基于区块链与边缘计算的物联网数据管理架构来支持分布式的物联网数据管理，可以为物联网数据提供分布式存储和访问控制。同时设计了一种内置加密方案来保护数据的安全和隐私，并保障数据的所有权。通过引入边缘计算，解决了区块链系统的可扩展性瓶颈问题。给出了基于该架构的数据存储和数据访问流程，并详细说明了基于智能合约技术的系统实现算法。实验结果表明，与传统基于云的数据管理系统相比，基于该架构实现的物联网数据管理系统的性能更好。
在工业物联网中，现场设备的计算能力有限，基于边缘计算的任务卸载可以有效缓解现场设备的计算压力，提供低时延计算服务。此外，由于网络中不同区域的边缘服务器负载不同，需要合理安排任务卸载以及分配边缘服务器计算资源，从而降低任务完成时延，实现负载均衡。因此，研究了工业物联网中基于边缘计算的任务卸载和资源分配，提出了一种工业物联网中计算任务跨域卸载模型，并构建了一个最小化任务完成时间的混合整数非线性优化问题。将该问题分解为资源分配与任务卸载两个子问题，基于两个子问题特征，通过迭代交替求解，得到资源分配最优解与任务卸载策略。实验结果表明，与不跨域方法相比，所提方法有效地减轻了边缘服务器的负载不均衡，减少了任务完成时延。
5G三大应用场景对网络的时延、带宽、连接、安全等方面提出了更高的要求，驱动着5G将网络、计算、存储、应用等核心能力下沉至网络边缘，而更靠近终端/用户的 5G 站址具有完备的机房、电力、运维等配套资源，将是5G边缘计算部署的最佳选择。基于点多面广的5G站址资源，结合边缘计算部署的体系架构，深入研究了多运营商 5G 边缘计算共享部署的可行性，提出了机房基础设施共享、IaaS 设施共享、PaaS平台共享3种可行的共建共享方案。通过统筹5G边缘计算发展需求，实现边缘计算的共建共享，可以大幅降低边缘计算的建设成本及运营成本，实现边缘计算的快速规模化发展，打造集约高效、经济适用、智能绿色、安全可靠的边缘计算体系。
随着物联网技术的飞速发展，为了更好地发展现代医学，避免信息“孤岛化”危机，满足边缘设备所产生的海量数据在时效性与计算性能等方面的要求，将边缘计算与智慧医疗结合是时代的新趋势。但是，边缘计算具有一定的开放性，容易存在安全隐患，所以面向智慧医疗的边缘计算体系的安全与隐私保护问题越来越受到人们的重视。通过介绍面向智慧医疗的边缘计算体系及其架构，阐述了边缘计算中智慧医疗所遭遇的安全隐患，并介绍了部分学者针对安全隐患提出的解决方案，最后总结了安全防护框架及探讨该框架下安全与隐私保护的具体方案，为智慧医疗边缘计算的可信研究提供一定的帮助。
随着视频监控应用的普及化和功能应用的多样化，以云计算为核心的集中式数据处理模式越来越难以为继。边缘计算就近对视频数据进行预处理，在带宽、存储、时延等方面表现优异，但仍需要边云协同来提升整体性能。从边云协同的视频监控系统架构出发，提出白盒化的边缘节点设计方案和算法训练、推理思路，最后以森林防火、智慧杆塔为例，阐述边缘计算在视频监控业务上的应用实现和价值。
信息化安全监测系统在铁路施工项目中应用广泛，但现有的安全监管模式存在服务器负载高、网络带宽压力大、监测数据不能有效共享、关键监测数据可能被篡改、安全事故责任难以确定等问题。提出了基于边缘计算的铁路施工项目安全监管数据可信共享模式：一方面，构建了施工项目安全监测边缘计算框架，描述了边缘节点数据处理流程；另一方面，建立了基于区块链的数据可信共享框架，设计了安全监管数据共享流程，通过智能合约实现数据可信共享。本文提出的解决方案融合运用边缘计算技术和区块链技术，不仅能够加强行业主管部门对于铁路施工项目的安全监管，还为利益相关方实时共享安全监测数据、提高施工项目安全管理水平提供了新的思路。
边缘计算
