[论文解读] Edge, Fog, and Cloud Computing : An Overview on Challenges and Applications

Thong Vo, Pranjal Dave+2 more|arXiv (Cornell University)|Nov 3, 2022

IoT and Edge/Fog Computing被引用 10

一句话总结

本文全面概述了边缘计算、雾计算和云计算范式，强调其在解决物联网系统中延迟、带宽和可扩展性挑战方面的作用。研究提出，网络边缘和雾层的去中心化计算可实现实时数据处理，减少对云的依赖，并在智慧城市、医疗保健和工业自动化等应用中提升性能，主要优势在于低延迟处理和高效的资源利用。

ABSTRACT

With the rapid growth of the Internet of Things (IoT) and a wide range of mobile devices, the conventional cloud computing paradigm faces significant challenges (high latency, bandwidth cost, etc.). Motivated by those constraints and concerns for the future of the IoT, modern architectures are gearing toward distributing the cloud computational resources to remote locations where most end-devices are located. Edge and fog computing are considered as the key enablers for applications where centralized cloud-based solutions are not suitable. In this paper, we review the high-level definition of edge, fog, cloud computing, and their configurations in various IoT scenarios. We further discuss their interactions and collaborations in many applications such as cloud offloading, smart cities, health care, and smart agriculture. Though there are still challenges in the development of such distributed systems, early research to tackle those limitations have also surfaced.

研究动机与目标

• 分析集中式云计算在处理高速度、高容量物联网数据流方面的局限性。
• 定义并区分边缘计算与雾计算架构与云计算的关系。
• 评估边缘计算与雾计算在智慧城市、医疗保健和农业等实际物联网应用中的有效性。
• 识别阻碍广泛部署的关键挑战，尤其是安全性和多目标系统设计问题。
• 综述早期研究工作，探讨分布式物联网系统中可扩展性、延迟和资源优化的解决方案。

提出的方法

• 从网络与系统设计的角度，调研边缘计算、雾计算和云计算的基础定义与架构模型。
• 利用分层架构模型，通过网关连接各层，分析云、雾和边缘层之间的系统交互。
• 通过分析模型评估卸载策略，以最小化物联网-雾-云管道中的通信延迟。
• 实现并测试基于边缘的缓存与预取机制（例如 Precog），以减少云识别延迟。
• 在测试平台上应用性能分析工具，测量图像处理、视频和机器人任务的实际卸载性能。
• 审查案例研究与工业应用，以验证医疗保健、交通、农业和智能工厂中系统性能的可靠性。

实验结果

研究问题

• RQ1 边缘计算与雾计算架构在延迟敏感型物联网应用中相较于传统云计算有何改进？
• RQ2 在分布式物联网环境中，实现高效数据处理的关键设计原则与系统配置是什么？
• RQ3 边缘、雾与云层之间的卸载策略如何影响端到端延迟与服务质量？
• RQ4 去中心化物联网系统中的主要安全与隐私挑战是什么？提出了哪些缓解策略？
• RQ5 如何将多目标优化集成到边缘与雾计算系统中，以平衡延迟、能耗与资源使用？

主要发现

• 通过在数据源附近处理数据，边缘计算与雾计算显著降低了延迟，提升了视频流媒体和机器人控制等应用的实时响应能力。
• Precog 系统表明，在边缘缓存预分类图像特征可减少冗余上传，从而显著降低云识别延迟。
• 通过网关或基站进行雾级卸载，可为计算能力有限的无人机和移动机器人提供高效计算支持。
• 由于去中心化架构，安全问题仍是关键挑战，侧信道攻击、欺骗攻击和拒绝服务攻击构成主要威胁。
• 多目标系统设计对实际部署至关重要，因为仅优化延迟不足以满足需求，还需平衡能耗、成本与可靠性。
• 在智慧农业、医疗保健和交通领域，应用边缘与雾计算后，响应时间与系统效率均实现可测量的提升。