[论文解读] Challenges and Opportunities in Edge Computing

Blesson Varghese, Nan Wang+3 more|arXiv (Cornell University)|Sep 7, 2016

IoT and Edge/Fog Computing参考文献 30被引用 56

一句话总结

本文提出将边缘计算作为解决方案，通过利用基站、路由器等网络边缘节点中未被充分利用的计算资源，降低延迟、卸载云工作负载并提高能效。它识别出五个关键挑战——异构硬件、实时数据处理、能效、可扩展框架和部署复杂性——并概述了五项机遇，包括轻量级算法、微内核和产学合作，以实现大规模高效、低延迟且可持续的分布式计算。

ABSTRACT

Many cloud-based applications employ a data centre as a central server to process data that is generated by edge devices, such as smartphones, tablets and wearables. This model places ever increasing demands on communication and computational infrastructure with inevitable adverse effect on Quality-of-Service and Experience. The concept of Edge Computing is predicated on moving some of this computational load towards the edge of the network to harness computational capabilities that are currently untapped in edge nodes, such as base stations, routers and switches. This position paper considers the challenges and opportunities that arise out of this new direction in the computing landscape.

研究动机与目标

• 识别推动从集中式云计算向边缘计算转变的核心动因，包括低延迟需求和移动设备的资源限制。
• 分析在网络边缘部署通用计算所面临的挑战，如硬件异构性、资源有限性以及缺乏标准化框架。
• 探索轻量级算法、微内核、虚拟化以及产学合作在实现高效边缘分析和应用部署方面的机遇。
• 强调需要为边缘特定工作负载设计新型编程模型和工具包，其与传统科学数据分析存在差异。
• 倡导建立协作研究生态系统，弥合学术创新与边缘计算实际部署之间的差距。

提出的方法

• 提出从集中式云处理向去中心化的边缘节点（如基站、路由器）转变，以减少往返延迟和网络拥塞。
• 分析实时应用需求（例如可穿戴视觉系统响应时间要求为25–50ms），并证明基于云的处理超出可接受延迟（例如堪培拉与伯克利之间延迟达175ms）。
• 指出边缘节点可执行数据过滤和轻量级分析，相比将原始数据发送至云端，可减少数据传输和能耗。
• 评估现有工具（如Apache Quarks和TensorFlow）在边缘环境中的兼容性，强调需要轻量级、内存高效的实现方案。
• 提出容器化（如Docker）和微内核作为在资源受限的边缘硬件上实现高效、隔离且快速应用部署的机制。
• 建议建立开放的产学联盟，共同开发反映实际约束和可扩展性需求的标准、框架和部署模式。

实验结果

研究问题

• RQ1 与集中式云处理相比，边缘计算如何降低实时移动和可穿戴应用中的延迟？
• RQ2 在异构、资源受限的边缘节点上实现通用计算的关键技术与架构挑战是什么？
• RQ3 如何设计轻量级算法和库，以支持在CPU、内存和电源受限的边缘设备上进行机器学习和数据分析？
• RQ4 虚拟化和微内核在提升边缘基础设施上的部署效率、启动时间和资源隔离方面发挥什么作用？
• RQ5 学术界与产业界如何有效协作，以开发可扩展、真实且可投入生产的边缘计算系统？

主要发现

• 通过在终端用户设备一跳之内的位置处理数据，边缘计算可将延迟从175ms（例如堪培拉与伯克利之间）降低至50ms以下。
• 当前基于云的模型对低延迟敏感的应用（如按需游戏、实时视频流和可穿戴视觉系统）不可持续，因其存在高往返延迟。
• 基站和路由器等边缘节点具备未被利用的计算能力，可用于在传输前过滤和分析数据，从而减轻网络负载并降低能耗。
• 现有大数据框架（如Apache Spark）因CPU和内存需求过高而不适合边缘部署，需采用轻量级替代方案（如Apache Quarks）。
• 容器技术（如Docker）在边缘节点上实现高效、可移植且隔离的应用部署方面展现出潜力，但其最优集成仍需进一步研究。
• 产学合作对于弥合理论研究与实际部署之间的差距至关重要，因为学术机构通常缺乏生产规模基础设施的访问权限。