邊緣智能計算與智能邊緣計算

■文/王曉飛 韓溢文

權(quán)威機構(gòu)預測，到2020年，世界上的物聯(lián)網(wǎng)設備數(shù)量將超過200億臺。這些設備小到一些基本的傳感器節(jié)點，只負責記錄傳感數(shù)據(jù)并提交用以支撐云端計算的數(shù)據(jù)；大到一些基站等邊緣節(jié)點，能夠處理和分析傳入的信息，在本地利用有限的資源進行一些簡單的任務。在這樣的設備規(guī)模下，傳統(tǒng)的云計算架構(gòu)已無法滿足如此大量的計算任務，邊緣計算由此誕生。

基于邊緣計算框架，可以使許多智能化的設想，如智慧城市、車聯(lián)網(wǎng)等付諸實際應用，并使得這些復雜的智能應用實現(xiàn)在邊緣端的實時處理。借助于邊緣計算，大規(guī)模的數(shù)據(jù)不需要經(jīng)歷云端傳輸?shù)难訒r，直接在邊緣側(cè)處理，從而極大地提高了用戶服務質(zhì)量，這就是我們所稱的邊緣智能計算。與此同時，機器學習，特別是深度學習，又是處理這樣龐大數(shù)據(jù)的絕佳方法。通過將這些機器學習方法融入邊緣計算架構(gòu)中，優(yōu)化邊緣緩存、邊緣計算任務卸載以及整體邊緣上的資源調(diào)度，以達到優(yōu)化整體邊緣計算系統(tǒng)性能的效果，這就是智能邊緣計算。

邊緣智能計算

邊緣計算將計算、網(wǎng)絡、存儲等能力擴展到物聯(lián)網(wǎng)設備附近的網(wǎng)絡邊緣側(cè)，而以深度學習為代表的人工智能技術(shù)讓每個邊緣計算的節(jié)點都具有計算和決策的能力，這使得某些復雜的智能應用可以在本地邊緣端進行處理，滿足了敏捷連接、實時業(yè)務、數(shù)據(jù)優(yōu)化、應用智能、安全與隱私保護等方面的需求。目前，邊緣計算與人工智能的互動融合正深入推動智慧城市、智能制造、車聯(lián)網(wǎng)等應用的發(fā)展，促進了產(chǎn)業(yè)的實現(xiàn)與落地，為全面提升智能化水平提供了重要保障，給人們的生產(chǎn)生活帶來了便利。

智慧城市部署了海量的物聯(lián)網(wǎng)設備用于服務城市中的各個領(lǐng)域。然而，這些物聯(lián)網(wǎng)設備產(chǎn)生的海量數(shù)據(jù)，不僅給云計算中心帶來了沉重負擔，也占用了大量網(wǎng)絡資源。此外，例如監(jiān)控視頻的實時分析，涉及實時性和隱私性要求時，云計算平臺往往無法做出任何保證。這時，邊緣計算與深度學習相結(jié)合，在邊緣設備上搭載高性能芯片和深度學習算法，就可以在接近數(shù)據(jù)源的邊緣側(cè)實現(xiàn)對視頻中人體、車輛等目標的檢測、提取和建模，只需要將處理后的小數(shù)據(jù)上傳到云端即可，既減少了云計算負荷和帶寬浪費，也保證了低延遲和數(shù)據(jù)隱私保護。

智能酒店作為智能家居的延伸，近些年受到了廣泛關(guān)注，尤其是阿里巴巴集團宣布推出了未來酒店以后。智能酒店系統(tǒng)主要通過邊緣網(wǎng)關(guān)快速集成各種物聯(lián)網(wǎng)設備，在邊緣端使用人工智能技術(shù)，其作為本地節(jié)點快速響應本地事件，實現(xiàn)一體化。與傳統(tǒng)酒店相比，智能酒店致力于提供無人化的自助服務體驗，除了刷臉入住、環(huán)境自調(diào)節(jié)等黑科技外，室內(nèi)實現(xiàn)了智能語音控制功能，通過客房控制系統(tǒng)（RCU），可以用語音控制電視、空調(diào)、窗簾、燈具等設備，如有必要，也可以語音呼叫酒店相關(guān)服務。

車聯(lián)網(wǎng)將車內(nèi)、車與人、車與車、車與路、車與服務平臺連接起來。然而，由于其受到信息和通信技術(shù)的嚴重制約，而且傳統(tǒng)的云服務延遲較高，所以車聯(lián)網(wǎng)對緊急事件的處理能力較差。邊緣計算可以將計算資源部署到更靠近終端車輛的地方，來滿足計算密集型和低延遲應用的要求，同時深度學習能夠動態(tài)協(xié)調(diào)網(wǎng)絡、緩存和計算資源，也可以實時對各類傳感器數(shù)據(jù)進行處理分析，輔助駕駛，提升車輛的智能化水平和自動駕駛能力。二者結(jié)合減少了數(shù)據(jù)的往返時間，極大地提高了實時響應、路邊服務、附近消息互通等功能的服務質(zhì)量，為信息服務智能化、車輛控制智能化、交通管理智能化提供了保障。

邊緣計算與深度學習相結(jié)合，在邊緣設備上搭載高性能芯片和深度學習算法，既減少了云計算負荷和帶寬浪費，也保證了低延遲和數(shù)據(jù)隱私保護。

邊緣計算支撐的智能計算

隨著時代的發(fā)展，每天所產(chǎn)生的數(shù)據(jù)越來越多，而且一些人工智能模型的日漸成熟，使得越來越多的人工智能應用如智能監(jiān)控、車聯(lián)網(wǎng)、自動駕駛等的實現(xiàn)成為可能。然而，由于本地計算能力的不足，這些復雜的計算任務往往需要借助云計算才可以實現(xiàn)。以視頻監(jiān)控為例，在傳統(tǒng)的云計算架構(gòu)中，監(jiān)控終端需要直接將監(jiān)控數(shù)據(jù)傳輸?shù)皆贫?，但由于實時捕獲的照片或視頻具有非常大的尺寸和高的生成頻率，使用普通的線路進行數(shù)據(jù)傳輸無法達到實時的效果，只能通過搭建專用的高速線路來進行數(shù)據(jù)傳輸。這樣的解決方案一方面成本太高，另一方面由于物聯(lián)網(wǎng)設備產(chǎn)生的數(shù)據(jù)量急劇增加，在響應延遲和通信負擔方面對云計算構(gòu)成巨大的挑戰(zhàn)。受制于互聯(lián)網(wǎng)的容量與實時傳輸?shù)膲毫?，將所有的?shù)據(jù)傳輸?shù)皆浦羞M行數(shù)據(jù)處理已不再是延遲敏感和大規(guī)模應用的明智解決方案。這促使了邊緣計算的發(fā)展。

在邊緣計算架構(gòu)支持下的視頻監(jiān)控應用中，各終端節(jié)點協(xié)同工作，共同為整個系統(tǒng)做貢獻。終端節(jié)點如小區(qū)監(jiān)控攝像頭、道路交通攝像頭等在承擔錄制與發(fā)送視頻的同時，其本身也具有一定的計算能力，因而這些終端在進行數(shù)據(jù)發(fā)送之前需要先進行數(shù)據(jù)的壓縮，這樣可以保證在有限的數(shù)據(jù)鏈路中最大效率地傳輸數(shù)據(jù)。邊緣服務層由多個基礎(chǔ)設施如路由器、基站等組成，這些邊緣節(jié)點運行一些輕量級的機器學習模型，而這些模型保證可以在邊緣節(jié)點的運算能力范圍內(nèi)及時處理且不會損失預測識別的精度。這些邊緣節(jié)點為分布式部署，每個節(jié)點只負責其服務范圍內(nèi)的終端節(jié)點。云端服務層主要負責整合與更新邊緣節(jié)點上模型的參數(shù)。由于邊緣節(jié)點得到的模型受限于其局部數(shù)據(jù)，云端服務器通過整合不同邊緣節(jié)點的模型數(shù)據(jù)來獲取一個更加全知全能的模型。當邊緣節(jié)點遇到一個無法識別的目標或識別準確度很低的目標時，邊緣節(jié)點會立即將數(shù)據(jù)發(fā)送到云端，通過云端更完整的模型與更強大的計算能力來識別未知的目標并將結(jié)果返回給邊緣側(cè)，同時下發(fā)該邊緣節(jié)點更新后的模型參數(shù)。通過各個節(jié)點的相互協(xié)作，可以充分利用邊緣計算的優(yōu)勢來支撐更多時延敏感的應用，同時降低這些應用的開發(fā)成本。

智能邊緣計算

智能邊緣計算

移動設備上的多媒體應用得到了迅速發(fā)展，預計到2021年，全球移動數(shù)據(jù)流量將增長至每年500 EB（艾字節(jié)，相當于1018字節(jié)）。用戶對于多媒體內(nèi)容的訪問需求不斷攀升，為了支撐龐大的數(shù)據(jù)流量，需要更多的網(wǎng)絡資源，這也導致服務器出現(xiàn)流量擁擠的狀況，加大了網(wǎng)絡負載。

邊緣緩存技術(shù)能很好地解決流量負載問題，它可以在邊緣節(jié)點中預緩存終端用戶所需的內(nèi)容，從而降低網(wǎng)絡中的流量負載。在邊緣緩存技術(shù)中，我們通常關(guān)注的問題包括緩存什么、在哪里以及何時緩存等幾個方面，這需要依賴于對用戶需求以及內(nèi)容流行度的預測，在這方面，深度強化學習有著很好的應用。深度強化學習是人工智能技術(shù)的一種，能夠通過與環(huán)境的交互學習來處理決策問題，而邊緣計算技術(shù)也賦予邊緣節(jié)點計算與存儲能力，這使得在邊緣計算架構(gòu)中使用人工智能技術(shù)成為可能。通過挖掘網(wǎng)絡中的用戶信息和數(shù)據(jù)指標，借助深度強化學習技術(shù)來學習整合，可以更好地了解用戶行為和網(wǎng)絡特征，進而使每個邊緣節(jié)點能夠感知其網(wǎng)絡環(huán)境，在有限存儲空間中智能地選擇要緩存的內(nèi)容，提升緩存性能。

人工智能技術(shù)除了在邊緣緩存機制中發(fā)揮作用外，在計算任務卸載中也起到了優(yōu)化作用。在邊緣計算架構(gòu)中，終端可以將計算任務卸載到附近的邊緣節(jié)點或者云端執(zhí)行，然后再接收處理結(jié)果。但是，由于網(wǎng)絡條件的變化和資源的限制，任務可能無法以低執(zhí)行成本進行卸載。因此，可以使用深度強化學習技術(shù)，在任務卸載過程中學習卸載決策和執(zhí)行成本，在訓練過程中不斷地引導深度強化學習模型中最大化相應獎勵函數(shù)，最終實現(xiàn)計算任務智能化卸載的決策能力，優(yōu)化計算任務的執(zhí)行效率。

此外，人工智能技術(shù)在邊緣計算的資源調(diào)度方面發(fā)揮著舉足輕重的作用。由于邊緣節(jié)點中通信資源和計算資源的局限性制約了任務處理能力，而深度強化學習技術(shù)作為邊緣計算平臺中的智能決策者，可以對資源進行合理調(diào)度，提升資源的利用效率。通過將深度強化學習技術(shù)融入邊緣計算框架中，優(yōu)化邊緣計算的多個方面，可以為邊緣計算提供有力的技術(shù)支持。

邊緣計算與人工智能技術(shù)相輔相成。在邊緣智能計算方面，邊緣計算為人工智能提供了一個高質(zhì)量的計算架構(gòu)，對一些時延敏感、計算復雜的人工智能應用提供了切實可行的運行方案。在智能邊緣計算方面，人工智能技術(shù)也在邊緣計算的許多環(huán)節(jié)中扮演著決策者的角色，對節(jié)點資源起到了優(yōu)化作用，成為邊緣計算的重要技術(shù)支柱。

技術(shù)的交叉融合往往會帶來一些創(chuàng)造性的解決方案。當下邊緣計算與人工智能的聯(lián)系日益加強，二者相互促進、相互依托，為5G時代顛覆性創(chuàng)新成果的誕生奠定了堅實基礎(chǔ)。