边缘计算
针对边缘计算数据安全问题，提出一种密文搜索与共享方案，在不改变边缘计算架构的和云计算架构的情况下，借助上述边缘计算诸多优势实现用户隐私数据保护，利用边缘节点构建加密倒排索引，在边缘节点和云计算平台之间安全地分享索引和密钥，实现密文搜索、数据安全共享及索引动态更新等功能。最后，与现有方案相比，对性能和安全性进行分析讨论，表明所提方案在密文搜索攻击模型下具有可证明的高安全强度，基于加密倒排索引兼顾了密文搜索效率和文档动态更新功能。
基于卷积神经网络（CNN, convolutional neural network）的视觉深度学习算法的兴起推动了人工智能视觉芯片设计研究的快速发展，而芯片的设计验证工作是人工智能视觉芯片研发的瓶颈。介绍了一种基于硬件仿真系统的人工智能视觉芯片软硬件验证方法，以边缘计算人工智能视觉芯片设计为例，在硬件仿真系统ZeBu上完成了芯片运行的典型深度学习网络MobileNet的仿真验证工作。结果表明，在硬件芯片架构上实现的网络模型在保证精确度的同时，在200 MHz频率时钟下单帧检测时间只需要18.51 ms，与软件平台仿真相比，仿真速度提高了7倍。
随着物联网的快速发展，传统的以云计算为中心的数据处理方式显现出诸多问题，如带宽占用大、高时延等。而边缘计算以低时延、高可靠的数据处理方式成为云计算的有利补充。主要对面向云边协同的 KubeEdge边缘计算系统及其应用展开全面的讨论与分析。首先对KubeEdge边缘计算系统的架构、功能、关键技术进行了详细的介绍；其次将KubeEdge边缘计算系统应用于双臂协作机器人零部件装配的场景，对面向机器人装配场景的 KubeEdge 云边协同系统的功能和性能进行了全面、系统的分析与测试。测试结果显示，基于云边协同的KubeEdge边缘计算系统可以较好地满足机器人零部件装配场景的功能和应用需求，为KubeEdge边缘计算系统的实际应用提供了基础参考。
移动边缘计算（mobile edge computing，MEC）通过将计算任务卸载至边缘服务器，降低网络负荷，减少传输时延，提升用户服务体验。因此，MEC受到了广泛关注，并成为5G的关键技术。资源分配作为MEC的主要问题，在提升能量效率、缩短任务时延和节约成本方面具有非常重大的研究意义。首先，介绍了MEC的基本概念、参考架构和技术优势；然后，从技术层面和经济层面归纳总结了MEC中最新的资源分配和定价策略；最后，讨论了MEC资源分配和定价策略中可能存在的问题与挑战，并提出了一些可行的解决方案，为后续研究发展提供参考。
针对边缘计算的数据隐私性、计算结果正确性和数据处理过程可审计性等需求，提出了一种基于区块链和联邦学习的边缘计算隐私保护方法，不需要可信环境和特殊硬件设施即可在网络边缘处联合多设备实现安全可靠的协同训练。利用区块链赋予边缘计算防篡改和抗单点故障攻击等特性，并在共识协议中融入梯度验证和激励机制，鼓励更多的本地设备诚实地向联邦学习贡献算力和数据。对于联邦学习共享模型参数导致的潜在隐私泄露问题，设计自适应差分隐私机制保护参数隐私的同时减小噪声对模型准确性的影响，并通过时刻统计精确追踪训练过程中的隐私损失。实验结果表明，所提方法能够抵抗30%的中毒攻击，并且能以较高的模型准确率实现隐私保护，适用于对安全性和准确性要求较高的边缘计算场景。
多接入边缘计算（multi-access edge computing，MEC）能为城市轨道交通中的计算密集型业务和时延敏感型业务提供高质量的服务能力，然而轨道交通边缘计算网络中的大量边缘设施暴露在开放式环境中，其隐私保护和传输安全面临着很大的挑战。区块链（blockchain）具有分布式账本、共识机制、智能合约、去中心化应用等功能特性，因此，区块链技术可以为分布式轨道交通边缘计算网络构建系统性的安全防护机制，从而保障网络安全和数据安全，实现高质量的城市轨道交通服务。首先，介绍了区块链的基本概念；其次，设计了轨道交通边缘计算网络架构，提出了融合区块链的轨道交通边缘计算网络安全防护机制和应用实例；最后，对该安全防护机制面临的问题和挑战进行了分析和展望。
云原生计算基于低开销容器化的运行方式非常契合边缘计算，因此，提出将云原生技术应用于边缘计算，发挥云原生的优势，使资源管控对应用开发部署透明化。考虑相较于云计算，边缘计算具有资源广分布、高异构、多碎片特征，亟须算网协同的资源管控。根据云原生相关技术的发展现状，整合软件定义网络与网络功能虚拟化等未来网络技术，提出全栈式云原生边缘计算架构。在此基础上，考虑容器的层次化特性，提出适用于有限边缘计算资源的低开销容器部署方法，分析探讨云原生边缘计算所面临的挑战。
随着物联网和边缘计算的发展，物联网设备可以将计算密集型任务卸载到边缘计算服务器上进行处理。由于物联网设备分布以及计算需求的变化，需要对边缘计算资源进行动态管理。利用最优运输理论对物联网中计算资源分配进行优化，提出一种基于物联网设备分布和边缘计算服务器位置的区域优化划分机制，在边缘计算服务器计算能力的约束下对物联网设备的能耗以及时延性能进行优化。仿真结果表明，与传统泰森多边形划分机制相比，该优化机制有更好的均衡性，并且物联网设备的平均能耗最多降低21%，平均时延最多降低45%。
通过在网络边缘布置大量的边缘服务器，边缘计算能够为用户提供低时延、高带宽的服务。然而，大量布置边缘服务器也带来了高能耗等问题。当用户将任务从终端设备分派到不同的边缘服务器时，边缘服务器的异构性，会产生不同的能耗和时延。因此，如何在众多边缘服务器中选择一个最优的服务器进行任务分派，使得能耗和时延都比较低是具有挑战性的。提出了一种基于在线学习的具有服务质量（QoS, quality of service）保证的能耗感知任务分派方法，它可以通过与环境进行交互来获取实时的信息，从而在分派任务时，在保证QoS可接受的基础上，总体能耗最低。实验结果表明，与其他方法相比，提出的方法可以高效地将任务分派到最优的边缘服务器上，显著降低边缘计算网络的整体能耗。
移动边缘计算（MEC, mobile edge computing）作为将计算基础设施从远程云数据中心推向边缘设备的新架构模式，为满足物联网（IoT, Internet of things）应用时延敏感、计算密集等需求提供了新方案。针对可切分任务在多用户多 MEC 服务器系统中的任务卸载与调度问题进行研究，每个用户任务均可切分为多个相互关联的子任务，且子任务均可在本地执行或被卸载到某 MEC 服务器执行，系统通过对子任务的卸载和调度决策来提高网络性能。使用用户体验（QoE, quality of experience）和用户间公平性来表征网络性能，将优化问题建模为一个可切分任务卸载和调度（J-DTOS, joint dependent task offloading and scheduling）优化问题。该问题是一个NP-hard非线性混合整数规划问题，因此，所提方案进一步通过引入中间变量重新构造了原问题，并基于此提出了一个近似最优解。仿真结果表明，所提的卸载和调度策略能显著提高系统的性能。
随着时延敏感的计算密集型任务呈指数级增长，5G以及未来6G的移动蜂窝网络将构建面向边缘计算的网络切片为时延敏感、计算密集型应用提供服务。由于网络切片间共享系统资源，无线与边缘计算资源的高效管理至关重要。对网络切片生命周期中资源管理的需求进行了研究，针对资源需求归纳了网络切片接入控制技术、网络切片资源分配技术、网络切片终端协作激励技术的研究进展，并给出了这 3 方面技术的未来研究方向，实现了面向边缘计算的网络切片的资源高效管理。
首先介绍了边缘计算（EC）的基本概念和研究现状，并从多视角讨论了边缘计算平台的设计要求；接着聚焦到4个典型的开源平台，并从应用领域、部署方式等方面比较了它们之间的异同点；随后选取了两个典型的应用案例，分别针对它们的优势、搭建进行了概述和分析；最后对边缘计算平台之间的合作、安全、标准化等问题进行了归纳和展望。
面向未来6G移动通信的大规模网络移动边缘计算与缓存技术，首先，介绍了大规模无线网络下移动边缘计算和缓存的架构与原理，并阐释了移动边缘计算和缓存技术在大规模无线网络中的必要性和普适性。接着，从计算卸载、边缘缓存、多维资源分配、用户关联和隐私保护这5个关键问题出发，综述和分析了移动边缘计算和缓存赋能大规模无线网络时会引入的新型关键问题以及对应的解决方案研究，并进一步指出了未来的发展趋势和研究方向。最后，针对隐私保护问题，提出了一种基于联邦学习的隐私保护方案，并通过仿真结果表明所提方案能够同时保护用户数据隐私且改善系统服务质量。
针对工业物联网中边缘计算网络与其余子网的相互依赖特性所导致的网络大规模级联故障问题，考虑到网络修复初期的资源有限性，提出了一种联合考量计算需求与修复开销的网络修复机制。考虑到受损网络结构（拓扑关系与链路容量）和动态特征（边缘计算节点计算需求），基于节点计算量守恒定理构建了链路修复策略集与网络计算迁移的联合分析框架。基于Benders分解算法，将原NP-hard问题转化为相互依赖的主问题与子问题，通过割平面的不断逼近，实现对原问题最优解在多项式时间内的高效探索。结合局部分支法，进一步保障Benders分解算法的上界在迭代过程中的非增特性，加快算法收敛速度。仿真结果表明，所提算法的系统总开销性能优于传统基于拓扑结构的修复算法，并且可以在多场景下保持其性能优势。
随着5G时代的到来，万物互联逐渐成为现实，然而，物联网中的很多终端因计算资源不足导致功能受限。移动边缘计算是一种新型网络计算模式，其终端设备可以将资源敏感型应用卸载到附近计算资源充足的边缘节点，从而降低运行成本/时延，提高服务质量（QoS, quality of service）。针对移动边缘计算资源部署问题进行研究，考虑网络服务提供商（ISP, Internet service provider）支付部署资源的费用，同时向终端设备出租资源以获得收入的场景。由于物联网终端设备的资源需求是快速随机变化的，而边缘计算资源的部署是一个长期缓慢变化的过程，因此，合理的资源部署策略至关重要。提出了一个基于5G网络模型的分层网络结构，其中，计算资源可以部署在基站端、汇聚端以及云端等不同的网络层级。基于该分层网络架构，最优资源部署问题被构建为一个以ISP的利润最大化为优化目标的混合整数规划问题，并基于MATLAB中的CVX工具箱对该问题进行求解。仿真结果表明，所提出的移动边缘计算资源分层部署方案在ISP收入和部署成本方面的性能均优于平坦型资源部署方案。
目前，车载网络正面临着为车辆提供无处不在的连接和大量计算密集型、时延敏感型智能服务的挑战。为了应对这些挑战，非正交多址接入（NOMA, non-orthogonal multiple access）和移动边缘计算（MEC, mobile edge computing）被认为是两种较有前景的技术，它们分别允许多个车辆共享相同的无线资源以及在车辆边缘使用强大的边缘计算资源。在基于 NOMA 的车辆边缘计算网络中，在保证任务处理时延的情况下，提出了任务卸载、用户分簇、计算资源分配和发射功率控制的联合优化问题，使得任务处理成本最小化。由于所提出的问题难以解决，因此将其分解为子问题，并提出了低复杂度和易于实现的方法来解决。仿真结果表明，与其他基准算法相比，该算法在最小化成本方面表现良好。
提出了一个多无人机辅助移动边缘计算系统，系统部署了多个配备计算资源的无人机为本地资源有限的移动用户提供计算卸载机会。每个用户的计算任务分为两部分：一部分卸载到关联的无人机进行计算，剩余部分在本地进行计算。旨在联合优化一个有限周期内的无人机轨迹和用户调度来最小化所有用户间最大的总时延。所提出的问题是一个混合整数非凸优化问题，为了有效求解该问题，通过引入一些辅助变量将其等价地转化为一种更易处理的形式，然后提出了一个惩罚凹凸过程的算法来求解转化后的问题。数值结果表明，与其他基准方案相比，提出的联合优化方案能获得显著的性能增益。
多接入边缘计算（MAC, multi-access edge computing）可有效保障海洋观监测传感器网络（简称传感网）的低时延、高可靠数据传输及其各类相关海事应用。在近海场景下，结合边缘计算资源分布建立多用户单跳单播（MSU, multi-user single-hop unicast）与多用户多跳单播（MMU, multi-user multi-hop unicast）两种卸载模型。利用混合整数非线性规划分离优化目标，有效地分配传输功率，并通过改进传统人工鱼群算法（AFSA, artificial fish swarm algorithm）制定卸载决策。结果表明，相比传统方案，所提优化算法可降低网络时延近19%。在远海场景下，建立远海MSU卸载模型，结合网络连通概率提出合理的信道分配算法。结果表明，所提算法在网络连通时间充足时，可增加允许分配子信道数量，降低网络时延；在网络连通时间有限时，可控制卸载的海洋用户设备数量，保障网络传输时延。
边缘计算在自动驾驶的环境感知和数据处理方面有着极其重要的应用。自动驾驶汽车可以通过从边缘节点获得环境信息来扩大自身的感知范围，也可以向边缘节点卸载计算任务以解决计算资源不足的问题。相比于云计算，边缘计算避免了长距离数据传输所导致的高时延，能给自动驾驶车辆提供更快速的响应，并且降低了主干网络的负载。基于此，首先介绍了基于边缘计算的自动驾驶汽车协同感知和任务卸载技术及相关挑战性问题，然后对协同感知和任务卸载技术的研究现状进行了分析总结，最后讨论了该领域有待进一步研究的问题。
针对边缘计算多应用场景下的隐私保护问题，提出两种基于策略的密钥分配协议，所提出的协议基于约束伪随机函数的概念分别实现了轻量高效和灵活细粒度的策略选择。具体来说，基于GGM伪随机数生成器，构建前缀谓词策略的密钥分配协议，该协议可有效支持轻量高效的密钥分配，适用于单一网络环境下设备资源受限的应用场景。在此基础上，基于多线性对，构建位固定谓词策略的密钥分配协议，该协议可支持灵活细粒度的策略选择，适用于异构网络动态灵活的多设备场景。最后，通过形式化证明分析所提出协议的安全性。
移动边缘计算（Mobile Edge Computing，MEC）通过进一步将电信蜂窝网延伸至其他无线接入网络，可以有效地解决传统网络中回程链路负载过重、时延较长的问题。但由于 MEC 服务节点暴露在网络边缘，且计算能力、存储能力和能量受限，更易受到攻击者的青睐。在分析移动边缘计算面临的安全威胁问题基础上，针对设备安全、节点安全、网络资源及任务和迁移安全等4个不同的安全主体归纳并阐述了移动边缘计算面临的若干关键问题与挑战，总结归纳了现有的安全解决方案。最后，从动态场景下的有限资源防御模型、综合信任基础的资源部署、以用户为中心的服务可靠性保证3个方面，展望了移动边缘计算安全防御面临的开放性问题和未来的发展趋势。
以5G为代表的现代通信网络技术，以及随之而来的移动边缘计算技术在工业互联网领域起到关键的连接作用，将生产要素紧密地结合在一起，发挥协同作业价值。通过描述5G边缘计算的基础发展现状和技术特点，阐释了面向工业互联网领域的应用方式以及与传统模式的对比，并且提出一种面向行业服务的可参考实现方案，总结了可预期的应用场景。
针对车载环境下有限的网络资源和大量用户需求之间的矛盾，提出了智能驱动的车载边缘计算网络架构，以实现网络资源的全面协同和智能管理。基于该架构，设计了任务卸载和服务缓存的联合优化机制，对用户任务卸载以及计算和缓存资源的调度进行了建模。鉴于车载网络的动态、随机和时变的特性，利用异步分布式强化学习算法，给出了最优的卸载决策和资源管理方案。实验结果表明，与其他算法相比，所提算法取得了明显的性能提升。
考虑物理层安全辅助的私密文件传输问题，提出了带有边缘计算服务器的智能基站作为中继协助完成文件压缩、传输与解压的安全传输方案。首先使用空间泊松点过程刻画多个潜在窃听者场景下的安全传输概率，然后构建两跳总安全传输概率约束下的时延及能耗最小化问题。通过一维搜索结合线性规划，得到了最优压缩与解压方案。仿真结果表明，给定安全概率约束下私密信息速率小的链路在传输前需要进行文件压缩，反之不需要压缩，可直接传输。
针对现代商业大厦智能化管理的需求，应用物联网和边缘计算技术，利用自行研发的物联网网关，构建了基于泛在楼宇物联网的智能化建筑管理系统（IBMS,intelligent building management system），泛在楼宇物联网消除了楼宇自动化和信息自动化两个系统之间的界限。通过应用边缘计算，IBMS 提高了系统的现场决策能力和响应速度，同时，对IBMS架构及边缘计算的实现方法进行了探讨。IBMS在深圳市达实智能大厦的应用验证表明了基于泛在物联网的IBMS的可行性和有效性。
为同时提升车辆的计算迁移率和边缘计算服务器的资源利用率，提出了一种基于交通流量预测的车联网边缘计算迁移方案。首先通过设计考虑任务优先级的计算迁移率和资源利用率效用函数，将问题建模为双目标优化问题；然后将问题转化为车辆与边缘计算服务器之间的资源双边拍卖问题，再通过设计交通流量信息感知的报价函数，采用McAfee拍卖算法，进而完成边缘计算迁移。仿真结果表明，通过交通流量预测信息的辅助，所提方案能有效提高车联网的边缘计算迁移率和资源利用率。
针对无人机辅助的边缘计算系统，提出了一种两阶段交替优化算法以最大化系统能量效率，该优化问题复杂且非凸。为此，首先利用Dinkelbach方法将建模的非线性分式规划问题转换为一类等价的参数寻优问题。其次，将其拆分成2个子问题进行交替优化。利用拉格朗日对偶法，给出了中央处理单元频率和数据比特量的闭式解。最后，所获得的解揭示了源节点选择卸载与共享自身数据和无人机中继选择转发计算结果的必要条件，以及实现更高能量效率的方法。仿真结果表明，与传统算法相比，所提算法在能量效率方面可获得最高近 20 倍的性能提升。
为解决移动边缘计算（MEC）网络中面向用户的服务功能链部署（SFC）算法系统开销过大、业务拥塞严重等问题，针对部署MEC服务器的多基站多用户边缘网络，提出了一种面向内容的联合无线多播的SFC部署算法。综合考虑数据流、服务器功能维护功耗、服务器功能服务功耗和无线传输功耗4种系统开销，建立波束成形设计和SFC映射的联合优化模型。首先，利用拉格朗日对偶分解技术，将优化问题解耦为SFC部署和波束成形设计2个独立子问题；其次，利用基于L<sub>p</sub>范数惩罚项的连续凸近似算法，将整数形式的SFC部署问题松弛为一个等价线性规划问题；最后，利用路径跟随技术，将非凸波束向量优化问题转化为一系列凸优化子问题。仿真结果表明，所提算法具有较好收敛性能，并在系统开销方面优于传统的最优单播SFC部署算法和随机多播SFC部署算法。
针对无线供能边缘计算网络，提出了一种兼顾边缘服务器有限计算能力的系统计算能效最大化资源分配方法。具体而言，通过联合优化边缘服务器和用户的计算频率与时间、边缘用户的发射功率与卸载时间、能量收集时间、本地计算时间及专用能量站的发射功率来建立一个系统计算能效最大化的优化问题。由于所建立的问题是一个高度非凸的分式规划问题且难以求解，因此首先通过引入广义分式规划理论将原问题转化为一个减式非凸问题，然后利用一系列辅助变量将其转化为一个等价的凸问题，并据此提出一种迭代算法来获取原问题的最优解。仿真结果验证了所提迭代算法的快速收敛性，并通过与其他方案进行比较，证明了所提的资源分配方案能够取得更高的系统计算能效。
随着全球数据量的激增，集中式云计算无法提供低时延、高效率的视频监控服务。基于此，提出分布式边缘计算模型，在边缘端直接处理视频数据，减少网络的传输压力，缓解中央云服务器的计算负担，降低视频监控系统的处理时延。结合联邦学习算法，采用轻量级神经网络，分场景训练模型，并将其部署于计算能力受限的边缘设备上。实验结果表明，对比通用神经网络模型，所提方法检测准确度提高18%，模型训练时间有效减少。
随着人工智能的飞速发展，全球机器人市场在持续扩大，机器人的能力从执行固定的操作发展到自主感知、理解和决策。但要实现机器人的大规模应用，需要机器人在有限功耗的限制下，具备强大的计算能力和低廉的部署成本。利用边缘计算提供性价比更高的服务，增强机器人本体的计算能力，实现规模化部署是实现这一目标的关键。分析了实现边缘增强的机器人系统面临的挑战，提出了基于边缘计算的云原生机器人系统，并探讨了实现该系统的4种可行的技术方案。提出的系统是由基于机器人本体的智能系统向云-边-端融合的多机器人协同的智能系统发展的趋势，也是实现机器人大规模应用的关键技术。
边缘计算对于运营商而言是一种网络架构和业务模式的创新。5G边缘计算节点由5G UPF和边缘计算平台构成，基于业务对带宽、时延、本地分流的需求，可部署在网络的不同层级。在5G应用场景上，依托边缘计算，可满足差异化垂直行业的客户需求，抢占市场先机，是运营商切入垂直行业的利器。主要研究边缘计算部署的商业模式、计费方案，落地部署策略及方案，包含业务场景、基础设施、硬件体系、选址方法论、建设方案、周边组网方案等。
首先介绍了低压配电网拓扑发现技术现状，其次详细介绍了基于高频同步采集与边缘计算的低压配电网电气拓扑发现技术，包括数据的高频同步采集、利用皮尔逊相关系数法进行台区识别、分析电表之间的互信息、通过生成树算法生成物理拓扑等，最后进行验证和结果展示。与其他通过纯软件算法实现拓扑发现的方法相比，所提方法既能保证数据的同时性又可及时反映拓扑的变化，使得低压台区电气拓扑判断更加精准。
针对云计算密文检索方案的效率问题，提出了基于分块的移动边缘计算密文检索方案。首先，引入了边缘服务器计算文档相似性得分，从而减少了云服务器的计算开销，提升了云服务器的处理效率；其次，在MRSE方案基础上通过分块方法过滤掉大部分与查询无关的关键词，从而提高了计算文档相似性得分的效率。理论分析和实验结果表明，所提方案在已知背景威胁模型下是安全的，与现有方案相比，所提方案在具有相同安全性的同时具有更高的检索效率。
针对移动边缘计算环境下，爆炸式增长的物联网智能移动终端处理计算密集型和时延敏感型新兴移动应用时，面临的高时延、高能耗和低可靠性等问题，提出综合考虑时延和能耗的卸载决策模型和基于信誉值的计算资源博弈分配模型，并分别利用改进粒子群算法和拉格朗日乘数法求解。仿真结果表明，所提方法可满足新兴智能应用对于低时延、低能耗和高可靠性的服务需求，可有效实现计算卸载资源的整体优化配置。
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。
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。
边缘计算
