CCF YOCSEF福州成功举办

《边缘计算的现状与展望》技术论坛

CCF YOCSEF福州于2020年2月12日下午通过腾讯会议（论坛号：CCF-19-YOCSEF福州-1FT）成功举办了题为《边缘计算的现状与展望》的在线技术论坛。论坛由CCF YOCSEF福州现任学术AC陈星（福州大学）和叶阿勇（福建师范大学）担任论坛执行主席。论坛邀请到三位引导嘉宾分别是夏云霓教授（重庆大学），吴华明教授（天津大学）和彭凯博士（华侨大学）各做30分钟学术讲座，在每个学术讲座之后安排的是30分钟的思辨环节。共有37人参与本次论坛，会后的三个思辨环节中大家积极发言、娓娓而谈，充分拓展了三个思辨话题的广度和深度，使得本次在线技术论坛圆满完成预期的目标。

背景

随着物联网的快速发展和５Ｇ无线网络商业化，万物互联的时代已经到来，网络边缘设备产生的庞大的数据量。传统的云计算多数为集中式大数据处理，其逐渐显露出许多弊端：数据呈指数型增长造成较长的网络延迟；网络边缘数据涉及个人隐私，容易造成隐私泄露；大量数据传输到云中心消耗电能．为此，边缘计算模型应运而生，其与云计算相辅相成，应用于云中心和网络边缘端的大数据处理，很好地解决了万物互联时代大数据处理中所存在的上述问题．

主题一：恶劣条件下云边协同的服务组合与工作流调度

论坛第一位分享嘉宾是来自重庆大学计算机学院的夏云霓教授，他为我们带来的主题是《恶劣条件下云边协同的服务组合与工作流调度》。

夏教授从Web服务在电子政务、金融交易、民生服务等领域的广泛范应用出发，提出现有的模型和算法，在建模准确度、预测精度、优化程度等多方面存在的不足之处，进而得出结论：现有的云服务组合调度方法，难以实现恶劣环境（如矿山灾害应急处置信息服务，智慧金融终端）下多QoS指标约束的动态业务流程调度，难以兼顾成本、性能、可靠性等多方面需求。

针对Web 服务缺失QoS 数据分析这一问题，夏教授团队提出于QLF 的缺失QoS 数据预测模型：首先，构造关于待解隐特征的全局损失函数，对待解隐特征进行迭代训练；其次，对隐特征进行细化和筛选，并引入非负特性；再次，研究增量可更新QLF 模型，构造具备高准确度的QLF 模型聚合；最后，研究QLF 模型中隐特征的增量更新规则。

针对面向恶劣环境的QoS 感知服务组合这一问题，夏教授设团队计了基于回声状态网络的多元时间序列Web服务QoS 预测模型和方法；并研究QoS 感知和多维度量化约束的业务流程调度和“边+云混合构架“服务组合算法和策略：设计“免疫-多种群协作进化”机制的服务组合算法，实现考虑时变波动QoS 与“软-硬”混合约束；并引入补偿调度和副本复制策略，以实现流程容错性与SLA 满足率的平衡。

针对QoS 感知的矿山灾害应急处置流程调度和服务组合这一问题，夏教授及其团队调研矿山事故应急指挥体系和应急处置流程/广域金融ATM终端，凝练提取出多种应急场景对应的业务流程模型，实现精确的数学化和形式化描述，提出在易失、易损、易错的云基础设施和Web 服务上构建可信、可靠灾害应急处理业务流程的方法和框架，研究满足高容错性要求的服务重调度和资源冗余部署的方法。

主题二：Intelligent Offoading Decisions for End-Edge-Cloud Offoading

论坛第二位分享嘉宾是来自天津吴华明教授，他为我们带来的主题是《Intelligent Offoading Decisions for End-Edge-Cloud Offoading》。

当前我们移动设备的数量呈现爆发性增长，终端设备日益智能化，其部署了越来越多的应用程序。但是，移动终端受到其电池寿命、计算资源的限制，面对大量的智能应用程序，将会在一定程度上影响用户体验，是以我们迫切需要一种扩展移动设备功能的方法。对此，吴教授提出了移动终端+云计算的处理模型，将本地任务卸载远程云执行。当下的应用程序按照可以接受的延迟时间长短，几乎可以分成延迟可容忍型与延迟敏感型，后者对时延要求较高。所以，我们需要合理配置网络的异构资源，平衡好云服务器以及移动终端之间的关系。随后，吴教授就如何选择正确的时间节点、合适的子任务、恰当的卸载位置以及合理的卸载路径，向我们深入介绍他的研究。最后，吴教授发出展望，未来我们的研究重点将会侧重于End-Edge-Cloud Hybrid Offoading、Hybrid-Cloud Job Scheduling、IoT-End-Cloud Offoading与Deep Learning-based Offoading。

主题三：Mobile Edge Computing: Focusing on Service Adoption and Provision

论坛第三位分享嘉宾是来自华侨大学彭凯老师，他为我们带来的主题是《Mobile Edge Computing: Focusing on Service Adoption and Provision》。

彭老师首先带我们回顾了大数据时代云数据处理的几大关键技术，包括移动云计算、雾计算、微云、边缘计算及移动边缘计算，进而引出他今日的主题移动边缘计算。随后，彭老师向我们介绍了移动边缘计算中的两个关键问题：计算卸载策略以及边缘服务器的管理。在计算卸载策略方面，彭老师结合前人的研究成果，对移动边缘计算中使用了云或微云资源的工作流进行深入的研究，并在能源消耗、时间耗损以及总体成本三个方面取得了不错的进展。他提出一种基于粒子群算法的多目标计算卸载方法，以得到任务卸载的最佳策略，适用于所有混合工作流应用，实验证明该策略是十分可行的。在边缘服务器管理部分，彭老师向我们分别介绍选择合适边缘服务器的要点、边缘服务器的联合优化问题以及服务器部署三个方面。最后，彭老师提出共同优化微云管理和计算分流、用于5G或6G的Cloudlet（边缘服务器）管理、计算分载的安全性和私密性、在不同情况下（例如IOT，IOV）的移动边缘计算等几个开放性问题，与参会人员进行细致的讨论。

思辨环节一：边缘计算能否在短期内落地呢？

在第一个思辨环节中，参会人员就“边缘计算能否在短期内落地呢？”问题展开热烈讨论。其中：

魏毅：这需要看应用场景的具体情况。对于使用边缘计算能带来很大效益且对整体技术架构改动不大的应用场景，边缘计算的短期内落地是可以期待的，例如农业物联网领域。

郑勇杰：边缘计算可以将高带宽、低时延、本地化的业务下沉到网络边缘，解决时延过长、汇聚流量过大等问题，从而为实时性和带宽密集型业务提供更好的支持。在可以预见的未来，随着5G商用的推进以及技术的成熟，边缘计算的应用场景将越来越多，边缘计算技术将得到更大的发展。

李政浩：IDC曾预测过，未来将会有超过50%的数据在边缘侧处理。大量的业务场景对边缘智能已经提出了明确的需求，且开始在应用中落地。万物互联的愿景虽然还未实现，但业界已经有针对性地规划未来的业务场景，根据业务场景的需求来设计边缘智能的各项支撑性技术和方案，可以说业务场景需求是核心导向。总体来说，驱动边缘智能发展的业务场景主要包括两个方面，即网络传输的场景和应用特征产生的场景，从而形成对边缘智能的需求。

张建山：边缘计算已经有一些产业应用已经落地，但更多的应用场景还有待解锁。

林章颖：边缘计算还面临技术挑战，落地前仍有技术困难，短期落地还需要努力。

黄志豪：边缘计算暂时无法短期落地，主要原因体现在隐私保护不足。边缘计算将计算从云迁移到临近用户的一端，直接对数据进行本地处理和决策，在一定程度上避免了数据在网络中长距离的传播，降低了隐私泄露的风险。然而，由于边缘设备获取的是用户第一手数据，能够获得大量的敏感隐私数据。例如，在电信运营商边缘计算场景下，边缘节点的好奇用户极容易收集和窥探到其他用户的位置信息、服务内容和使用频率等。在工业边缘计算、企业和IoT 边缘计算场景下，边缘节点相对于传统的云中心，缺少有效的加密或脱敏措施，一旦受到黑客攻击、嗅探和腐蚀，其存储的家庭人员消费、电子医疗系统中人员健康信息、道路事件车辆信息等将被泄露。

黄星：个人觉得还不能，因为软硬件要求高：虽然边缘计算比云计算的时延小，带宽压力小，但是边缘计算所涉及的是一条产业链，它在软件上面的设计还需要网络安全等辅助，硬件上面除了服务器设备，还需要芯片，车载设备、网络设备等等，保密性和实时性以及稳定性都有着很高的要求。

思辨环节二： 边缘计算真的能给自动驾驶带来春天吗？

在第二个思辨环节中，主持人关于“边缘计算真的能给自动驾驶带来春天吗？”问题发出提问，引起线上来宾思辨。其中：

吴华明：应该可以，边缘计算可以配合云计算，通过云边协同，把自动驾驶所需的复杂计算负载卸载到道路边缘或云端，云计算可以保障计算结果的高效准确，边缘计算可以保证计算反馈的实时性。此外，由于5G等技术的普及，可以应对大量数据的传输，实现人、车、路之间高效的互联互通和信息共享，增强自动驾驶的体验。

杨立坚：随着边缘计算的不断发展，数据管理、车辆之间的通信以及传输时延问题都会得到解决。并且，在未来几年内，5G技术将为公司提供一种扩展其网络容量和边缘计算能力的手段。构建由微数据中心、4G蜂窝塔基础上的计算资源协同、众多5G“小蜂窝”塔组成的复杂密集的网络，可以使自主汽车的未来成为可能和现实，给自动驾驶带来春天。

魏毅：在完全随机的路况环境下，自动驾驶技术面临的最大问题之一是感知问题，目前即使应用强大的算力也不能完美地解决这个问题，因此边缘计算对于这种情况下的自动驾驶技术没有太大的直接帮助。

陈艳：尽管自动驾驶汽车的广泛应用仍面临着许多困难，但科技和汽车行业越来越多地将其视为交通运输的必然未来。真正的问题是网络基础设施能够快速适应这项技术带来的巨大挑战。无论如何，边缘计算将是这个未来的关键部分。

黄志明：自动驾驶技术是一个需要通过云数据中心计算单元、路侧计算单元、车载边缘计算单元相互配合才能实现的技术。随着边缘计算的发展，将给自动驾驶带来更高的安全性和更低的成本。

陈佳晴：就在10年前，无人驾驶汽车占领高速公路的前景似乎还有些遥不可及。尽管自动驾驶汽车的广泛应用仍面临着许多困难，但科技和汽车行业越来越多地将其视为交通运输的必然未来。真正的问题是网络基础设施能够快速适应这项技术带来的巨大挑战。无论如何，边缘计算将是这个未来的关键部分。

陈晓娜：边缘计算将更多的数据计算和存储从“核心”下沉到“边缘”，部署于接近数据源的地方，一些数据不必再经过网络到达云端处理，从而降低时延和网络负荷，也提升了数据安全性和隐私性。这对于时延要求极高、数据处理和存储量极大的自动驾驶领域而言，重要性不言而喻。未来对于靠近车辆的移动通信设备，如基站、路边单元等或均将部署车联网的边缘计算，来完成本地端的数据处理、加密和决策，并提供实时、高可靠的通信能力。

王毅：边缘计算将更多的数据计算和存储从“核心”下沉到“边缘”，部署于接近数据源的地方，一些数据不必再经过网络到达云端处理，从而降低时延和网络负荷，也提升了数据安全性和隐私性。这对于时延要求极高、数据处理和存储量极大的自动驾驶领域而言，起到了重要的作用。

思辨环节三：边缘计算能否完美弥补隐私保护？

在第三个思辨环节中，主持人提出“边缘计算能否完美弥补隐私保护？”这一问题，大家积极讨论，各抒己见。其中：

胡俊钦：边缘计算的出现，很大程度上保障了用户的隐私数据，对隐私保护起到了一定的作用。但是要说完美的保护隐私，那却还不够。边缘计算是通过把用户数据放在本地或者边缘节点上而不是远程云端上，从而避免用户的隐私泄露。但是数据安全很重要的一个威胁在于人为攻击。边缘计算在一定程度上能保护隐私，但同时也使得攻击方式更多样化。由于用户的高移动性，本地设备和边缘节点可能需要频繁的接入和传输。在其接入和传输过程中，很容易受到网络攻击。同时，边缘节点也可能遭受攻击。用户可能在不知情的情况下接入一个已经被别人控制的节点，这也会导致隐私泄露。所以边缘计算还不能完美保护用户隐私。

李鸣：部分公网存在易破解等缺点，容易将个人隐私被盗取，边缘计算可以有效解决这一问题，从而达到保护隐私安全的目的。

黄引豪：不能，通过边缘服务器处理任务，本质上还是将数据提供给服务提供商了，怎么完美保证隐私呢？

魏毅：从技术层面看，隐私保护是一个很大的范畴，边缘计算只是实现隐私保护过程的一个环节。应用边缘计算能改善隐私保护的程度，避免将部分隐私敏感数据直接上传到数据中心，但这并不能完全杜绝隐私泄露。因为在有些情况下，仍然有可能从边缘计算处理过的用户信息中部分恢复用户的隐私数据。

朱芳宁：不能完美弥补，但可以有效弥补。例如可以利用边缘计算进行存储私有化和部署私有化，保证数据私密性，但同时也会占用一定的资源成本，并受到私有协议和传输时效的限制。

赵旭：边缘计算中，由于数据的收集和计算都是基于本地，数据也不再被传输到云端，因此重要的敏感信息可以不经过网络传输，能够有效避免传输过程中的泄漏。但同时也需要注意，边缘计算的分布式架构增加了攻击向量的维度，边缘计算客户端越智能则越容易受到恶意软件感染和安全漏洞攻击，而且由于网络边缘设备的资源有限和网络边缘高度动态的环境，也会使网络更加易受攻击和难以保护，因此，对于有限资源的边缘设备而言，需要数据安全的保护方法才能够更好的进行隐私保护。

郭莹楠：还不能，针对边缘计算身份隐私保护技术的研究仅有一些探索性成果，边缘计算设备更贴近数据源头，与核心网中的云中心相比，边缘计算设备可以收集更多的与用户身份相关的敏感信息，而由于终端设备的计算资源受限，难以执行代价昂贵的隐私保护算法，在边缘计算服务中，如何保证终端用户的身份隐私是亟待解决的问题之一。

曾蓉晖：我认为边缘计算不能完美的弥补隐私保护。随着数据信息的碎片化，现有的许多智能设备可能会将隐藏在原始数据中的用户信息挖掘出来，导致信息泄露。

总结

经过三个多小时的思辨，本次在线技术论坛多方位展示了边缘计算的发展情况，探讨了边缘计算的挑战与机遇，为参会者的研究提供了思路，指明了方向，让参会者对边缘技术有更深刻的理解。未来，我们在边缘计算的发展与应用依旧任重而道远,更需策马扬鞭。