[论文解读] Industrial Internet of Things (IIoT) Applications of Edge and Fog Computing: A Review and Future Directions

GSS Chalapathi, Vinay Chamola+2 more|arXiv (Cornell University)|Dec 2, 2019

IoT and Edge/Fog Computing被引用 13

一句话总结

本文综述了面向工业互联网物联网（IIoT）应用的边缘计算与雾计算范式，展示了其通过将数据处理向工业设备更近端去中心化，从而降低延迟、提高可靠性并增强可扩展性的能力。该研究展示了在采矿、农业、医疗保健和智能电网等领域的实际IIoT应用场景，表明其相较于传统云架构在性能和运营效率方面均有显著提升。

ABSTRACT

With rapid technological advancements within the domain of Internet of Things (IoT), strong trends have emerged which indicate a rapid growth in the number of smart devices connected to IoT networks and this growth cannot be supported by traditional cloud computing platforms. In response to the increased capacity of data being transferred over networks, the edge and fog computing paradigms have emerged as extremely viable frameworks that shift computational and storage resources towards the edge of the network, thereby migrating processing power from centralized cloud servers to distributed LAN resources and powerful embedded devices within the network. These computing paradigms, therefore, have the potential to support massive IoT networks of the future and have also fueled the advancement of IoT systems within industrial settings, leading to the creation of the Industrial Internet of Things (IIoT) technology that is revolutionizing industrial processes in a variety of domains. In this paper, we elaborate on the impact of edge and fog computing paradigms on IIoT. We also highlight the how edge and fog computing are poised to bring about a turnaround in several industrial applications through a use-case approach. Finally, we conclude with the current issues and challenges faced by these paradigms in IIoT and suggest some research directions that should be followed to solve these problems and accelerate the adaptation of edge and fog computing in IIoT.

研究动机与目标

• 分析边缘计算与雾计算在解决传统云架构IIoT系统可扩展性与延迟限制方面的作用。
• 评估在采矿、农业和智能电网等工业环境中去中心化计算带来的性能优势。
• 识别在边缘与雾IIoT部署中面临的安全性、数据所有权、能效与成本等关键挑战。
• 提出未来研究方向，以优化IIoT边缘/雾架构中的任务卸载、资源管理与系统互操作性。

提出的方法

• 本文对现有IIoT系统及边缘/雾计算框架进行了全面综述，重点关注架构模型与部署模式。
• 对比分析了边缘与雾节点与集中式云模型在能耗、带宽使用与成本效率等方面的系统指标。
• 采用用例驱动方法，通过分析采矿、智能电表、智能停车与铁路系统等实际部署案例，展示其实际效益。
• 探讨了分布式数据处理带来的数据所有权与隐私挑战，尤其是在跨国司法管辖区域之间的数据流动问题。
• 提出任务划分与工作卸载的政策框架，综合考虑计算负载、能耗与带宽约束。
• 整合案例研究洞察，评估工业部署中系统的可靠性、容错能力与服务质量（QoS）的改进。

实验结果

研究问题

• RQ1 与集中式云计算相比，边缘与雾计算范式如何提升工业物联网系统中的延迟与可靠性？
• RQ2 在哪些关键工业应用场景中，边缘与雾计算能为IIoT部署带来可衡量的性能与效率提升？
• RQ3 在分布式IIoT边缘/雾架构中，与数据安全、隐私及跨国数据监管相关的重大挑战有哪些？
• RQ4 能效、成本与带宽约束如何影响工业环境中边缘与雾计算系统的架构设计与可扩展性？
• RQ5 为优化IIoT边缘/雾环境中任务卸载、资源分配与系统互操作性，需要哪些未来研究方向？

主要发现

• 边缘与雾计算通过在数据源附近处理数据，显著降低了往返延迟，大幅提升了对时间敏感型工业应用的响应速度。
• 在采矿作业中，采用无线传感器与RFID追踪的IIoT系统使生产水平最高提升了400%，得益于更优的实时监控与控制能力。
• 基于NB-IoT的智能电表系统实现了实时电力消耗数据采集，使电网运营商能够动态优化供电策略。
• 集成NB-IoT与自动支付方案的智能停车系统，通过实时车位检测与交易处理，提升了停车泊位利用率。
• 雾节点与边缘节点比云服务器更具能效优势，且可由可再生能源供电，从而降低二氧化碳排放，增强环境可持续性。
• 尽管具备诸多优势，边缘与雾系统仍面临更高的部署成本与因节点间通信增加而带来的带宽需求提升，尤其在协作性、分布式工作负载场景下更为显著。