[论文解读] A Decade of Research in Fog computing: Relevance, Challenges, and Future Directions

Satish Narayana Srirama|arXiv (Cornell University)|May 3, 2023

IoT and Edge/Fog Computing被引用 5

一句话总结

本综述论文整合了过去十年在雾计算领域的研究，分析了阻碍其大规模部署的技术、非功能性及经济挑战。论文将最先进的解决方案按雾框架、资源管理、联邦学习等集群进行组织，并提出了未来研究方向，整合了联邦学习即服务和量子云计算等新兴趋势，以实现实时、可扩展的雾计算应用。

ABSTRACT

Recent developments in the Internet of Things (IoT) and real-time applications, have led to the unprecedented growth in the connected devices and their generated data. Traditionally, this sensor data is transferred and processed at the cloud, and the control signals are sent back to the relevant actuators, as part of the IoT applications. This cloud-centric IoT model, resulted in increased latencies and network load, and compromised privacy. To address these problems, Fog Computing was coined by Cisco in 2012, a decade ago, which utilizes proximal computational resources for processing the sensor data. Ever since its proposal, fog computing has attracted significant attention and the research fraternity focused at addressing different challenges such as fog frameworks, simulators, resource management, placement strategies, quality of service aspects, fog economics etc. However, after a decade of research, we still do not see large-scale deployments of public/private fog networks, which can be utilized in realizing interesting IoT applications. In the literature, we only see pilot case studies and small-scale testbeds, and utilization of simulators for demonstrating scale of the specified models addressing the respective technical challenges. There are several reasons for this, and most importantly, fog computing did not present a clear business case for the companies and participating individuals yet. This paper summarizes the technical, non-functional and economic challenges, which have been posing hurdles in adopting fog computing, by consolidating them across different clusters. The paper also summarizes the relevant academic and industrial contributions in addressing these challenges and provides future research directions in realizing real-time fog computing applications, also considering the emerging trends such as federated learning and quantum computing.

研究动机与目标

• 分析尽管已有十年研究，阻碍雾计算大规模采用的持久障碍。
• 整合雾计算在技术、非功能性及经济维度上的最新进展。
• 识别雾经济与基础设施激励机制中的缺口，这些缺口限制了实际部署。
• 探讨新兴技术（如联邦学习与量子计算）在推动雾计算发展中的作用。
• 为实现可扩展、实时的基于雾计算的物联网应用，提供可操作的未来研究方向。

提出的方法

• 对来自 Scopus 的 48,000 余篇关于雾计算与边缘计算的出版物进行系统性综述，以识别研究集群。
• 将挑战划分为技术、非功能性及经济集群，并映射至现有解决方案。
• 综合分析雾框架、仿真器、资源管理、部署策略及 QoS 机制的最新进展。
• 分析联邦学习作为隐私保护型机器学习技术在雾环境中的适用性。
• 探索量子云计算对边缘/雾架构及其安全性的潜在影响。
• 开发一个整合的可视化框架（图3），用于快速参考挑战与解决方案的映射关系。

实验结果

研究问题

• RQ1 过去十年中，阻碍雾计算大规模部署的关键技术、非功能性及经济挑战是什么？
• RQ2 学术界与工业界在资源管理、部署与 QoS 等挑战方面，如何应对雾计算中的问题？
• RQ3 联邦学习作为服务在多大程度上可被用于提升基于雾计算的物联网系统中的隐私保护与可扩展性？
• RQ4 量子云计算对未来边缘与雾计算架构可能产生何种影响？
• RQ5 需要哪些经济模型与激励机制，以推动雾网络的采用与大规模试点部署？

主要发现

• 尽管已有超过 48,000 篇关于雾计算与边缘计算的出版物，大规模公共或私有雾网络仍基本未实现，目前仅限于试点研究与仿真器应用。
• 雾计算尚未建立明确的商业案例，移动运营商等基础设施提供商认为其威胁到其核心业务。
• 能源限制与缺乏高效的资源利用率模型仍是关键障碍，尤其对电池供电的雾设备而言。
• 联邦学习正成为雾环境中隐私保护型机器学习的有前景解决方案，已在智能医疗与自动驾驶车辆中得到应用。
• 将联邦学习与轻量化模型结合，并针对能源与计算约束进行优化，是未来关键的研究方向。
• 量子云计算可能通过增强安全性和更快的计算能力影响雾计算，但其与雾计算的集成尚未被探索，亟需早期研究。