边缘计算
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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（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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
边缘计算
