边缘计算的实际应用有哪些？典型应用案例分析

边缘计算在数据源附近提供服务，使其可以在很多移动应用和物联网应用上发挥出巨大优势。下面将列举一些典型的应用案例，结合这些案例可以帮助我们理解边缘计算的优势。

1 增强现实

增强现实技术将现实世界的场景与虚拟信息高度集成，生成被人类感官所感知的信息，来达到超越现实的感官体验。增强现实技术可以使用在智能手机、平板电脑与智能眼镜等移动设备上，来支持新的应用与服务，如虚拟游戏、3D观影等。增强现实技术需要对视频、图像数据进行处理，这些任务复杂性高，而需要与用户进行互动的特点又对实时性有了很高的要求。

CMU 与Intel实验室在2014年开发了一个基于增强现实技术的认知辅助系统(cognitiveassistancesystem)，通过谷歌眼镜来增强某些病人的认知能力。实现系统需要解决的关键问题是如何将处理任务的延迟控制在几十毫秒，让感知缺陷的病人也拥有正常人一样的反应速度。考虑到重量、大小、续航等因素，可穿戴设备的计算能力很差，处理任务的时间是一般服务器的数倍，直接使用设备内部的资源进行计算是不可行的。将应用部署到云中可以加快任务的处理速度，但端设备到云端的网络延迟很高且极不稳定，很可能成为整个系统的瓶颈。为了解决这个问题，系统使用了边缘计算技术，将延迟敏感的计算任务卸载到附近的Cloudlet来降低任务的处理延迟。同时为了保证系统在无法连接网络时依然可以使用，系统也支持通过蓝牙等通信方式将任务卸载到附近的个人设备(如随身携带的笔记本、平板电脑等)。

网络的延迟与设备性能、能耗的瓶颈是很多移动应用都会遇到的问题，而边缘计算可以帮助移动应用突破这些瓶颈，让应用具有更快的响应速度，使用更复杂的算法。

2 图像识别

美国里海大学与IBM 提出了一个基于深度学习的自适应物体识别框架 DeepCham，该框架适用于移动设备上的物体识别应用，可以大幅提高物体识别的准确率。DeepCham 将边缘计算节点作为master来控制附近的移动设备训练深度模型;采用众包的思想，深度模型训练所使用的数据集与数据的标记都是由周围的移动设备提供。这种方式使其可以获取大量有标记的数据集，进行有监督学习。

在一个特定视域(图像的光线、背景、视角等)内采集图像用来训练深度模型，得到的深度模型对该视域内对象的识别准确率更高。DeepCham 充分 利用这一点，在同一个边缘计算节点周围采集图片来训练模型，并通过图片的元数据信息 (位 置、天气和时间等)来区分不同的视域。这使模型很好地适应周围的视域，从而使 DeepCham 可以自适应视域的转换。

适用于特定功能的识别模型要比通用识别模型更好训练，也有更高的准确性。边缘计算模式可以在一定程度上减小对模型适用范围的要求，也为深度学习收集大量特定的学习数据，训练更加个性化的识别模型。

3 网站性能优化

网站性能优化 (Webperformanceoptimization)是用来提高用户浏览器的网站加载和显示速度的技术。随着用户体验的重要性不断增强和用户对速度的需求日益增长，网站性能优化行业得到快速发展，很多互联网公司都对外提供网站性能优化的服务与工具，如雅虎的 YSlow 与谷歌的 PageSpeedTools。在用户请求网页的过程中，80%～90%的响应时间都发生在前端(下载组件、页面的渲染与执行等)，在网络边缘上的优化才是提高网站性能的关键。传统的网站优化方案是在 Web服务器上利用固定规则优化网站页面，再通过内容分发网络加速传输。这种方法没有充分利用边缘网络资源，优化方法对所有用户都是一样的，没有考虑到用户的网络状态情况;内容分发网络虽然是在边缘网络上的优化技术，但是它只能加快组件的下载速度，页面渲染、执行的速度依然取决于设备的计算能力。

为了充分利用边缘网络资源，日本电报电话公司(NTT)设计了一种基于边缘计算的网站加速平台EAWP(edgeaccelerated Webplatform)，为Web应用开发者提供情景感知的网站优化服务与工具。这个方案中，边缘服务 器与WIFI接入点、蜂窝网基站等通信设施结合，可以获取用户接入网的状态信息来对网站进行优化。比如，当发现用户所在的边缘网络出现拥塞时，边缘服务器可以降低页面质量(如使用低分辨率图片)来优化访问的响应时间。同时，为了弥补移动设备计算能力的不足，平台支持将页面内容的执行、渲染等复杂的工作卸载到边缘服务器中执行。EAWP为其他支持HTML 标准的 Web引擎提供等效的运行环境，现有的应用程序可以不需要更改直接在平台上运行。

4 智慧城市

智慧城市是一种现代化城市模型，运用信息技术与物联网技术对城市资源做出智能化的管理。智慧城市在近几年得到了快速发展，IBM，Intel，Google等公司都开始将他们的产品与服务整合到智慧城市的框架中。智慧城市系统要随时感测、分析、整合城市的各项关键信息，会产生大量的原始数据，一座100万人的城市，平均每天会产生200PB的数据。同时，这些数据在地理上广泛分布，且大部分数据存储在本地，这为数据的查找与分析带来了极大的困难.如果没有一种高效的解决方案，很容易使城域网被大量的数据堵塞。

Tang等人提出了一种以智慧城市为背景的大数据分析框架，对处理在地理上广泛分布的数据有很好的效果。数据分析框架分为4层：1)第1层是传感器网络，由分散在城市中的传感器构成，昼夜不停的生成大量原始数据;2)第2层由边缘节点组成，每个边缘节点都要控制本地的1组传感器，边缘节点可以根据预先设定的模式分析和处理传感器数据，还可以控制执行器处理任务;3)第3层由中间计算节点组成，每个中间节点要控制一组边缘节点，将边缘节点上传的信息与时空信息相结合来识别一些潜在的突发事件，当突发事件发生时，中间节点还要控制下层设备做出应急反应;4)第4层是云计算中心，对全市的状态进行监控并进行中心控制，在这一层进行长期的、全市范围的行为分析。

这个分析框架使用了边缘计算技术，第2～3层构成了边缘计算平台。边缘计算平台充分利用了数据传输路径上的计算设备，将众多互不相关的轻量级任务分配到各个节点，使得任务可以并行执行;同时，原始数据在这两层加工后已被精炼化，在核心网络上传输的数据量大大减小。边缘计算技术保证了分析框架的高效运行，减少了需要上传到云中的数据量，是整个框架高效运行的关键。

5 车联网

车联网将汽车接入开放的网络，车辆可以将自己的状态信息(如油耗、里程等)通过网络传到云端进行分析，车辆间也可以自由交换天气、路况、行人等信息，并进行实时的互动。

韦恩州立大学在 GENIRacks上构建了一个边缘计算平台，并在上面部署了实时3D校园地图、车量状态检测、车联网仿真3个应用。3D 校园地图通过将校园内监控录像与行驶车辆的录像数据融合，通过处理后可以增强为实时3D 地图，校园安保人员可以无缝地监控校园状态;车量状态检测可以实时记录车辆的引擎转速、里程、油耗等状态，并对数据进行分析，从而检测车辆的性能，发现车辆的故障;车联网仿真将众多的车辆状态信息汇总，利用这些真实的交通信息可以进行车联网应用的仿真实验。

这些应用都会产生大量的传感器数据，很多数据都需要进行实时处理，而边缘计算可以在数据源附近对数据进行处理，减少了不必要的网络传输，并提高了应用的响应速度。