作者：施巍鬆教授和其團隊（張星洲、王一帆、張慶陽）
本文整理了已經基於邊緣計算模型設計的6個成功典型應用，通過這些應用來發現邊緣計算的研究機遇和挑戰，並探討更多的應用場景。
1.公共安全中實時資料處理
公共安全從社會的方方面面，如消防、出行，影響著廣大民眾的生活.隨著智慧城市和平安城市的建設，大量感測器被安裝到城市的各個角落，提升公共安全。例如武漢的“雪亮工程”建設，計劃到2019 年6月底，全市公共安全視訊監控總量將達到150萬個。得益於“雪亮工程”的建設，全市刑事有效警情同比下降27. 2％，併為群眾查詢走失老人小孩、追回遺失貴重物品等服務1萬餘次。隨著共享經濟的興起，各種共享經濟產品落地並得到發展，如滴滴、Uber 和共享單車.然而，這些產品同時也存在大量的公共安全事件.例如順風車司機對乘客進行騷擾，甚至發生刑事案件.因此，2018年9月受順風車安全事件的影響，滴滴已經臨時下線順風車業務並進行整改，首當其衝的是在司機端加人服務時間段的自動錄音功能.然而，想要進一步提升安全性，最終還是得依賴於視訊等技術，然而這將導致大量的頻寬需求.按照Uber 2017年的使用情況（45787次/分鐘），假設將每次駕乘的視訊傳送至雲端（每次20分鐘），每天雲端將新增9. 23 PB的視訊資料.邊緣計算作為近資料來源計算，可以大量地降低資料頻寬，將可以用來解決公共安全領域視訊資料處理的問題。
雖然當前城市中部署了大量的IP攝像頭，但是大部分攝像頭都不具備前置的計算功能，而需要將資料傳輸至資料中心進行處理，或者需要人工的方式來進行資料篩選.Sun等人提出了一種基於邊緣計算的視訊有用性檢測系統，其可以通過在前端或者靠近視訊源的位置，對視訊內容進行判斷，從而檢測攝像頭故障、內容錯誤以及根據內容對視訊質量進行動態調整.。Zhang等人受啟發於安珀警報系統，基於邊緣計算技術，開發了安珀警報助手（Amber alert assistant，A3)，其可以自動化地在邊緣裝置上部署視訊分析程式，並與附近的邊緣裝置協同 實時地對視訊進行處理，同時和周邊攝像頭進行聯動，以完成綁匪車輛的實時追蹤。
針對滴滴等共享車輛服務近年發生的危害公共安全的事件，Liu等人提出了 SafeShareRide系統，其會在兩者情況下觸發視訊報警功能——司機駕駛行為異常，如偏離軌道和車內發生爭吵或者口頭呼救.SafeShareRide系統通過將使用者手機作為邊緣端，實時地監控車內情況和司機情況，做到資料的預先處理，避免了安全時間段內的視訊上傳，從而大量地降低了流量的損耗。
以上工作主要針對系統的有效性，更多地關注民眾安全.而保護維護公共安全的人員，如警察、消防員等的安全，也至關重要.Wu等人提出了一種適 用於消防系統的邊緣計算系統。.其通過在救火車上部署邊緣伺服器，接受消防員配備的紅外攝像頭資料和各種感測器資料（如室內定位系統），實時地處理獲得消防員位置資訊和周邊情況，並視覺化地展現給現場指揮，同時也推送給遠端控制中心，以保障消防員的人身安全。
2.智慧網聯車和自動駕駛
隨著機器視覺、深度學習和感測器等技術的發展，汽車的功能不再侷限於傳統的出行和運輸工具，而是逐漸變為一個智慧的、互聯的計算系統，我們稱這樣新型的汽車為智慧網聯車（connected and autonomous vehicles, CAVs)•智慧網聯車的出現催生出了一系列新的應用場景，例如自動駕駛、車聯網以及智慧交通。. Intel在2016年的報告指出，一輛自動駕駛車輛一天產生的資料為4TB，這些資料無法全部上傳至雲端處理，需要在邊緣節點（汽車）中儲存和計算。
自動駕駛計算場景無疑是目前最熱的研究方向 之一，圍繞此場景有經典的自動駕駛演算法評測資料 集KITTI'，還有針對不同自動駕駛階段的經 典的視覺演算法。在工業界目前有許多針對 CAVs場景推出的計算平臺，例如NVIDIADRIVE PX2和 XilinxZynq UltraScale + ZCU106。 同時，學術界有許多前沿工作也開始探索CAVs場景下的邊緣計算平臺的系統設計.Liu等人將自動駕駛分為感測（sensing)、感知（perception)和決策 (decision-making)3個處理階段，並比較3個階段在不同異構硬體上的執行效果，由此總結除了自動駕駛任務與執行硬體之間的匹配規則. Lin等人對比了感知階段3個核心應用，即定位（localization)、 識別（detection)和追蹤（tracking)在 GPUs, FPGAs 和ASICs不同組合執行的時延和功耗，指導研究人員設計端到端的自動駕駛計算平臺。除了硬體 系統結構設計，還有一類研究推出完整的軟體桟幫助研究人員實現自動駕駛系統，例如百度的 Apollo和日本早稻田大學的Autpware。
如上文推動邊緣計算的七項核心技術所述，OpenVDAP是一個開放的車載資料分析平臺，其提供了車載計算平臺、作業系統、 函式庫等全桟的車載資料計算服務.除了自動駕駛，OpenVDAP中還總結了3類智慧網聯車應用中的典型計算場景，分別是實時診斷、車載娛樂和第三方應用.前2個計算場景目前主要被工業界所關注，而學術界有很多在車載第三方應用中使用邊緣計算技術的研究工作，例如利用車上裝置實時檢測異常駕駛行為，根據司機行為判斷司機身份的 PreDriveID，通過分析車輛行駛行為資料、車內音訊資料和手機攝像頭資料保證計程車內司機和乘客安全的 SafeShareRide 等。
3.虛擬現實
虛擬現實（virtual reality，VR)和擴增實境 (augment reality，AR)技術的出現徹底改變了使用者與虛擬世界的互動方式.為保證使用者體驗，VR/AR的圖片渲染需要具有很強的實時性.研究表明：將 VR/AR的計算任務解除安裝到邊緣伺服器或移動裝置，可以降低平均處理時延. MUVR是一個在邊緣伺服器上支援多使用者VR程式的處理框架，其將 VR影象渲染解除安裝到邊緣伺服器，並嘗試重用使用者之前的VR影象幀，以降低邊緣伺服器的計算和通訊負擔.Furi〇n是一個移動端VR框架，其將VR 負載分為前景互動和背景環境2種，前景互動依然在雲端處理，而背景環境渲染解除安裝到移動端處理，由此實現移動裝置上的高質量的VR應用。Ha等人設計了一個基於VR與邊緣計算的可穿戴認知助手， GoogleGlass用於資料收集和接受及顯示VR影象；圖片渲染、人臉識別等計算任務在Cloudlet (邊緣節點）中執行，有效地解決了可穿戴裝置電池容量以及處理能力有限的問題。
4.工業物聯網
工業網際網路是機器、計算機和人員使用業務轉型所取得的先進的資料分析成果來實現智慧化的工業操作.但是在工業物聯網領域的應用實踐中，對於工業實時控制及邊緣裝置安全隱私的要求較高， 並且產生的資料需要本地化處理，因此將邊緣計算應用於工業物聯網成為了行業發展的方向.2018年，工業網際網路聯盟（(IIC)正式釋出了《工業物聯網邊緣計算介紹》白皮書，旨在闡述邊緣計算對於工業物聯網應用的價值，並總結了工業網際網路邊緣計算模型的獨特性和從雲到邊緣計算的關鍵驅動力。
邊緣計算應用於工業物聯網有3個優勢：
1)改善效能，工業生產中常見的報警、分析等應用靠近資料生產者的地方處理和決策會更快，通過減少與雲資料中心的通訊可以增加邊緣處理的彈性。
2)保證資料安全和隱私，可以避免資料傳輸到共享資料中心後資料暴露等帶來的安全隱私問題。
3)減少操作成本，通過在邊緣做計算處理，可以減少邊緣裝置和資料中心的資料傳輸量和頻寬，從而減少了工業生產中由網路、雲資料中心計算和儲存帶來的成本。
Chen等人用邊緣計算技術對薄膜壁焊接的工業級機器人系統做優化，設計了物理資源-邊緣-雲的架構，實驗結果表明：該系統比基於雲端計算的傳統系統實時性更好，並且最多可節省883. 38 Kbps的頻寬，滿足了工業級產品的需求。
5.智慧家居
隨著物聯網技術的發展，智慧家居系統得到進一步的發展，其利用大量的物聯網裝置（如溫溼度感測器、安防系統、照明系統）實時監控家庭內部狀態，接受外部控制命令並最終完成對家居環境的調控，以提升家居安全性、便利性、舒適性.Berg Insight 的調查報告顯示，歐美和北美洲的智慧家居資料將在2019年達到6800萬.然而，隨著智慧家居裝置的越來越多，且這些裝置通常都是異構的，如何管理這些異構裝置將會是一個亟待解決的問題，如裝置的命名、資料的命名以及裝置的智慧聯動，並且，由於家庭資料的隱私性，使用者並不總是願意將資料上傳至雲端進行處理，尤其是一些家庭內部視訊資料。而邊緣計算可以將計算（家庭資料處理)推送至家庭內部閘道器，減少家庭資料的外流， 從而降低資料外洩的可能性，提升系統的隱私性。
工業界的一些企業已經注意到這一點，例如亞馬遜的Echo、三星的SmartThings和谷歌的Google Home，均可作為智慧家居的控制中心.然而，這些裝置，仍然需要一些額外的網路服務，如各種識別服務，不能完全依靠自身去處理資料，從而導致仍存在一定的隱私洩露隱患.微軟和蘋果分別提出了 HomeOS 和HomeKit，其作為智慧家居的框架，可以方便使用者對裝置進行控制，但是仍然缺少一些具體的工作. 開源社群也建立並維護了多個智慧家居系統， 在表3中列舉出其中功能、文件較為完備的3個系統並進行對比。
與此同時，學術界也有大量的學者根據邊緣計算的思想在建設智慧家居系統。曹傑等人提出了一個適用於智慧家居的邊緣計算作業系統(edge operating system for home，EdgeOSH)。受啟發於邊緣計算，作者在家庭中設定邊緣伺服器，並提出了 EdgeOSH 的工作，利用EdgeOSH在網路邊緣側對家庭資料進行處理。EdgeOSH包含多個模組:通訊模組負責智慧家居裝置互聯的，其適配多種智慧家居中常用的協議;資料管理模組管理所有家庭資料，對資料進行融合和處理；自管理模組提供裝置的管理以及智慧家居服務間的管理，以期提供智慧化的家居環境.作者認為命名（naming)和程式設計介面是智慧家居發展中的幾個較為關鍵的問題.因此，作者提供了程式設計介面以方便發者在其上進行開發.同時，命名服務和其他模組進行合作，對資源進行統一的命名，提供方便地管理。
與EdgeOSH —樣，中國科學院計算技術研究所的徐志偉研究員團隊也一樣認為，程式設計介面在智慧家居等物聯網裝置中的應用較為重要。該團隊擴充RESTful設計風格，將其引入物聯網裝置中。通 過RESTful風格的介面，即使是外部使用者也可以方便的訪問智慧家居裝置，從而拉進智慧家居系統和傳統網路的距離。同時在智慧家居邊緣側，其利用非侵入式負荷監測(non-intrusive load monitoring，NILM)技術，關注於家庭的用電狀況，並分析用電情況，提供更高效的節能方案。
6.智慧城市
智慧城市是利用先進的資訊科技，實現城市智慧式的管理和執行.2016年阿里雲提出了“城市大腦”的概念，實質是利用城市的資料資源來更好地管理城市，2017年10月Alphabet旗下城市創新部門Sidewalk Labs建造名為Quayside的高科技新區，並希望該智慧城市專案能夠成為全球可持續和互聯城市的典範.然而，智慧城市的建設所依賴的資料具有來源多樣化和異構化的特點，同時涉及城市居民隱私和安全的問題，因此應用邊緣計算模型，將資料在網路邊緣處理是一個很好的解決方案。
邊緣計算在智慧城市的建設中有豐富的應用場景。在城市路面檢測中，在道路兩側路燈上安裝感測器收集城市路面資訊，檢測空氣質量+、光照強度、噪音水平等環境資料，當路燈發生故障時能夠及時反饋至維護人員。在智慧交通中，邊緣伺服器上通過執行智慧交通控制系統來實時獲取和分析資料，根據實時路況來控制交通訊息燈，以減輕路面車輛擁堵等。在無人駕駛中，如果將感測器資料上傳到雲端計算中心將會增加實時處理難度，並且受到網路制約，因此無人駕駛主要依賴車內計算單元來識別交通訊號和障礙物，並且規劃路徑。EdgeOSc是一種基於邊緣計算的面向智慧城市的系統級作業系統，它分為3個部分，底層的資料感知層、中間的網路互聯層和頂層資料應用管理層。該操作系可以有效管理智慧城市中的多來源資料，，提高了資料共享的範圍和深度，以實現智慧城市中資料價值的最大化。
關注更多邊緣計算前沿動態，盡在邊緣計算社群！