本文和大家分享关于边缘智能综述的那些事儿，各位工程师如果喜欢，记得帮我点赞，收藏，分享，评论，关注！
随着万物互联时代的到来，网络边缘设备产生的数据量快速增加，带来了更高的数据传输带宽需求，同时，新型应用也对数据处理的实时性提出了更高要求，传统云计算模型已经无法有效应对，因此，边缘计算应运而生。
边缘计算的基本理念是将计算任务在接近数据源的计算资源上运行，可以有效减小计算系统的延迟，减少数据传输带宽，缓解云计算中心压力，提高可用性，并能够保护数据安全和隐私。得益于这些优势，边缘计算从2012年以来迅速发展。
近年来，随着万物互联时代的快速到来和无线网络的普及，网络边缘的设备数量和产生的数据都快速增长。根据IDC预测，到2020年，全球数据总量将大于20泽字节（ZB），而物联网产生数据的15%都将在网络边缘处理。在这种情形下，以云计算模型为核心的集中式处理模式将无法高效处理边缘设备产生的数据。集中式处理模型将所有数据通过网络传输到云计算中心，利用云计算中心超强的计算能力来集中式解决计算和存储问题，这使得云服务能够创造出较高的经济效益。
但是在万物互联的背景下，传统云计算有几个不足：
- 实时性不够
万物互联场景下应用对于实时性的要求极高。传统云计算模型下，应用将数据传送到云计算中心，再请求数据处理结果，增大了系统延迟。以无人驾驶汽车应用为例，高速行驶的汽车需要毫秒级的反应时间，一旦由于网络问题而加大系统延迟，将会造成严重后果。
2. 带宽不足
边缘设备实时产生大量数据，将全部数据传输至云端造成了网络带宽的很大压力。例如，波音787每秒产生的数据超过5GB，但飞机与卫星之间的带宽不足以支持实时传输。
3. 能耗较大
数据中心消耗了极多的能源，根据Sverdlik的研究，到2020年美国所有数据中心能耗将增长4%，达到730亿千瓦时，我国数据中心所消耗的电能也已经超过了匈牙利和希腊两国用电总和。随着用户应用程序越来越多，处理的数据量越来越大，能耗将会成为限制云计算中心发展的瓶颈。
4. 不利于数据安全和隐私
万物互联中的数据与用户生活联系极为紧密，例如，许多家庭安装室内智能网络摄像头，视频数据传输到云端，会增加泄露用户隐私的风险。随着欧盟“通用数据保护条例”（GDPR）的生效，数据安全和隐私问题对于云计算公司来说变得更加重要。
为了解决以上问题，面向边缘设备所产生海量数据计算的边缘计算模型应运而生。边缘计算是在网络边缘执行计算的一种新型计算模型，边缘计算操作的对象包括来自于云服务的下行数据和来自于万物互联服务的上行数据，而边缘计算的边缘是指从数据源到云计算中心路径之间的任意计算和网络资源，是一个连续统（continuum）。
边缘计算模型和云计算模型并不是取代的关系，而是相辅相成的关系，边缘计算需要云计算中心强大的计算能力和海量存储的支持，而云计算中心也需要边缘计算中边缘设备对海量数据及隐私数据的处理。
边缘计算模型具有3个明显的优点：
- 在网络边缘处理大量临时数据，不再全部上传云端，这极大地减轻了网络带宽和数据中心功耗的压力；
- 在靠近数据生产者处做数据处理，不需要通过网络请求云计算中心的响应，大大减少了系统延迟，增强了服务响应能力；
- 边缘计算将用户隐私数据不再上传，而是存储在网络边缘设备上，减少了网络数据泄露的风险，保护了用户数据安全和隐私。
得益于这些优势，边缘计算近年来得到了迅速发展。
边缘计算发展历程
以"edge computing"为关键词在谷歌学术上搜索论文，以年度为横坐标，论文数为纵坐标，可以看到该热度曲线可明显分为三个部分，则可将边缘计算分为三个阶段：
技术储备期、快速增长期和稳定发展期。
此外，在这三个阶段中，分别有如下代表性事件（粗体为中国相关事件）
其中最值得注意的事件有：
1998年，Akamai公司提出内容分发网络（content delivery network,CDN）。边缘计算的功能缓存（function cache）的雏形。
2013年，美国太平洋西北国家实验室的 Ryan LaMothes 提出"edge computing"一词。
2015年，欧洲电信标准化协会(ETSI)发表关于移动边缘计算的白皮书。并在2017年3月将移动边缘计算行业规范工作组正式更名为多接入边缘计算(multi-access edge computing, MEC)。
2016年，ACM 和 IEEE 联合举办边缘计算顶级会议(ACM/IEEE Symposium on Edge Computing, SEC)。
2016年，11月，华为技术有限公司、中国科学院沈阳自动化研究所、中国信息通信研究所、英特尔、ARM等在北京成立了边缘计算产业联盟(edge computing consortium, ECC)。
2017年，5月，首届中国边缘计算技术研讨会在合肥开幕，同年8月中国自动化学会边缘计算专委会成立。
边缘计算定义
边缘计算目前没有唯一的定义，以下三个定义可供参考：
1. 边缘计算是指在网络边缘执行计算的一种新型计算模型，其边缘是指从数据源到云计算中心路径之间的任意资源和网络资源。
即，边缘计算是一个连续统 （continuum），除“云”之外皆是“边缘”；
2. 边缘计算更多地聚集在边缘设备本身，而雾计算则更多关注基础设施，
从作用范围角度讲，边缘计算包含雾计算，即雾计算是边缘计算的一部分；
3. 边缘计算的基本原理是将计算任务迁移到产生源数据的边缘设备上。
——《边缘计算》施魏松
边缘计算是在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的开放平台，就近提供边缘智能服务，满足行业数字在敏捷联接、实时业务、 数据优化、应用智能、安全与隐私保护等方面的关键需求。
——边缘计算产业联盟 ECC
边缘计算、雾计算、云计算具有差异性。雾计算将云计算无缝扩展到边缘，实现安全控制和管理域内特定硬件、软件、标准计算、存储和网络功能，并确保安全、丰富的跨域数据处理应用能力。
—— OpenFog 联盟
边缘计算主要使用场景
目前边缘计算研究热点应用领域包括内容缓存、场景感知、负载均衡、云基础设施架构等。
对延迟敏感、实时性要求比较高的场景，比如：云基础设施 2.0、5G、VR/AR、CDN、车联网、工业 4.0、物联网等，通过智能化部署边缘节点来满足应用，提供不同服务质量的可靠服务，提升服务质量。
图 1：5G 能力、5G 共性业务与 5G 应用的关系
表2：5G重点应用行业及细分应用领域
边缘计算相关研究机构
边缘计算产业联盟(Edge Computing Consortium, ECC)
工业互联网联盟(Industrial Internet Consortium, IIC)
汽车边缘计算联盟(Automotive Edge Computing Consortium, AECC)
OpenFog 联盟
Linux 开源社区
电信运营商
微软
亚马逊
Zenlayer
网宿
中兴
……
移动边缘计算定义
（待补充）
移动边缘计算 与 移动云计算的区别
移动边缘计算架构
两个简单实例
移动边缘计算未来研究方向
深度学习与边缘计算的结合
主流计算框架对于边缘计算的支持
深度学习部署到计算边缘
使用边缘计算进行深度学习推断
使用边缘计算进行深度学习训练
参考文献：
- A Survey on Mobile Edge Computing: The Communication Perspective， Khaled B.Letaief, arXiv:1701.01090v4
- Deep Learning With Edge Computing: A Review， Jiasi Chen, Xukan Ran, Proceedings of the IEEE 2019
- Convergence of Edge Computing and Deep Learning A Comprehensive Survey ，Victor C.M. Leung, Dusit Niyato, Xueqiang Yan, Xu Chen, arXiv:1907.08349v1
- Edge Intelligence: Paving the Last Mile of Articial Intelligence with Edge Computing， Xu Chen, Junshan Zhang, arXiv:1905.10083v1
- Edge AI: On-Demand Accelerating Deep Neural Network Inference via Edge Computing ，Xu Chen, IEEE Trans On Wireless Network 2019
- 边缘计算技术研究报告，中科院计算所，2018
- 边缘计算：现状与展望，施巍松，2018
- 边缘计算，施巍松，2017