作者：施巍松教授和其团队（张星洲、王一帆、张庆阳）
本文整理了已经基于边缘计算模型设计的6个成功典型应用，通过这些应用来发现边缘计算的研究机遇和挑战，并探讨更多的应用场景。
1.公共安全中实时数据处理
公共安全从社会的方方面面，如消防、出行，影响着广大民众的生活.随着智慧城市和平安城市的建设，大量传感器被安装到城市的各个角落，提升公共安全。例如武汉的“雪亮工程”建设，计划到2019 年6月底，全市公共安全视频监控总量将达到150万个。得益于“雪亮工程”的建设，全市刑事有效警情同比下降27. 2％，并为群众查找走失老人小孩、追回遗失贵重物品等服务1万余次。随着共享经济的兴起，各种共享经济产品落地并得到发展，如滴滴、Uber 和共享单车.然而，这些产品同时也存在大量的公共安全事件.例如顺风车司机对乘客进行骚扰，甚至发生刑事案件.因此，2018年9月受顺风车安全事件的影响，滴滴已经临时下线顺风车业务并进行整改，首当其冲的是在司机端加人服务时间段的自动录音功能.然而，想要进一步提升安全性，最终还是得依赖于视频等技术，然而这将导致大量的带宽需求.按照Uber 2017年的使用情况（45787次/分钟），假设将每次驾乘的视频发送至云端（每次20分钟），每天云端将新增9. 23 PB的视频数据.边缘计算作为近数据源计算，可以大量地降低数据带宽，将可以用来解决公共安全领域视频数据处理的问题。
虽然当前城市中部署了大量的IP摄像头，但是大部分摄像头都不具备前置的计算功能，而需要将数据传输至数据中心进行处理，或者需要人工的方式来进行数据筛选.Sun等人提出了一种基于边缘计算的视频有用性检测系统，其可以通过在前端或者靠近视频源的位置，对视频内容进行判断，从而检测摄像头故障、内容错误以及根据内容对视频质量进行动态调整.。Zhang等人受启发于安珀警报系统，基于边缘计算技术，开发了安珀警报助手（Amber alert assistant，A3)，其可以自动化地在边缘设备上部署视频分析程序，并与附近的边缘设备协同 实时地对视频进行处理，同时和周边摄像头进行联动，以完成绑匪车辆的实时追踪。
针对滴滴等共享车辆服务近年发生的危害公共安全的事件，Liu等人提出了 SafeShareRide系统，其会在两者情况下触发视频报警功能——司机驾驶行为异常，如偏离轨道和车内发生争吵或者口头呼救.SafeShareRide系统通过将用户手机作为边缘端，实时地监控车内情况和司机情况，做到数据的预先处理，避免了安全时间段内的视频上传，从而大量地降低了流量的损耗。
以上工作主要针对系统的有效性，更多地关注民众安全.而保护维护公共安全的人员，如警察、消防员等的安全，也至关重要.Wu等人提出了一种适 用于消防系统的边缘计算系统。.其通过在救火车上部署边缘服务器，接受消防员配备的红外摄像头数据和各种传感器数据（如室内定位系统），实时地处理获得消防员位置信息和周边情况，并可视化地展现给现场指挥，同时也推送给远程控制中心，以保障消防员的人身安全。
2.智能网联车和自动驾驶
随着机器视觉、深度学习和传感器等技术的发展，汽车的功能不再局限于传统的出行和运输工具，而是逐渐变为一个智能的、互联的计算系统，我们称这样新型的汽车为智能网联车（connected and autonomous vehicles, CAVs)•智能网联车的出现催生出了一系列新的应用场景，例如自动驾驶、车联网以及智能交通。. Intel在2016年的报告指出，一辆自动驾驶车辆一天产生的数据为4TB，这些数据无法全部上传至云端处理，需要在边缘节点（汽车）中存储和计算。
自动驾驶计算场景无疑是目前最热的研究方向 之一，围绕此场景有经典的自动驾驶算法评测数据 集KITTI'，还有针对不同自动驾驶阶段的经 典的视觉算法。在工业界目前有许多针对 CAVs场景推出的计算平台，例如NVIDIADRIVE PX2和 XilinxZynq UltraScale + ZCU106。 同时，学术界有许多前沿工作也开始探索CAVs场景下的边缘计算平台的系统设计.Liu等人将自动驾驶分为传感（sensing)、感知（perception)和决策 (decision-making)3个处理阶段，并比较3个阶段在不同异构硬件上的执行效果，由此总结除了自动驾驶任务与执行硬件之间的匹配规则. Lin等人对比了感知阶段3个核心应用，即定位（localization)、 识别（detection)和追踪（tracking)在 GPUs, FPGAs 和ASICs不同组合运行的时延和功耗，指导研究人员设计端到端的自动驾驶计算平台。除了硬件 系统结构设计，还有一类研究推出完整的软件桟帮助研究人员实现自动驾驶系统，例如百度的 Apollo和日本早稻田大学的Autpware。
如上文推动边缘计算的七项核心技术所述，OpenVDAP是一个开放的车载数据分析平台，其提供了车载计算平台、操作系统、 函数库等全桟的车载数据计算服务.除了自动驾驶，OpenVDAP中还总结了3类智能网联车应用中的典型计算场景，分别是实时诊断、车载娱乐和第三方应用.前2个计算场景目前主要被工业界所关注，而学术界有很多在车载第三方应用中使用边缘计算技术的研究工作，例如利用车上设备实时检测异常驾驶行为，根据司机行为判断司机身份的 PreDriveID，通过分析车辆行驶行为数据、车内音频数据和手机摄像头数据保证出租车内司机和乘客安全的 SafeShareRide 等。
3.虚拟现实
虚拟现实（virtual reality，VR)和增强现实 (augment reality，AR)技术的出现彻底改变了用户与虚拟世界的交互方式.为保证用户体验，VR/AR的图片渲染需要具有很强的实时性.研究表明：将 VR/AR的计算任务卸载到边缘服务器或移动设备，可以降低平均处理时延. MUVR是一个在边缘服务器上支持多用户VR程序的处理框架，其将 VR图像渲染卸载到边缘服务器，并尝试重用用户之前的VR图像帧，以降低边缘服务器的计算和通信负担.Furi〇n是一个移动端VR框架，其将VR 负载分为前景交互和背景环境2种，前景交互依然在云端处理，而背景环境渲染卸载到移动端处理，由此实现移动设备上的高质量的VR应用。Ha等人设计了一个基于VR与边缘计算的可穿戴认知助手， GoogleGlass用于数据收集和接受及显示VR图像；图片渲染、人脸识别等计算任务在Cloudlet (边缘节点）中执行，有效地解决了可穿戴设备电池容量以及处理能力有限的问题。
4.工业物联网
工业互联网是机器、计算机和人员使用业务转型所取得的先进的数据分析成果来实现智能化的工业操作.但是在工业物联网领域的应用实践中，对于工业实时控制及边缘设备安全隐私的要求较高， 并且产生的数据需要本地化处理，因此将边缘计算应用于工业物联网成为了行业发展的方向.2018年，工业互联网联盟（(IIC)正式发布了《工业物联网边缘计算介绍》白皮书，旨在阐述边缘计算对于工业物联网应用的价值，并总结了工业互联网边缘计算模型的独特性和从云到边缘计算的关键驱动力。
边缘计算应用于工业物联网有3个优势：
1)改善性能，工业生产中常见的报警、分析等应用靠近数据生产者的地方处理和决策会更快，通过减少与云数据中心的通信可以增加边缘处理的弹性。
2)保证数据安全和隐私，可以避免数据传输到共享数据中心后数据暴露等带来的安全隐私问题。
3)减少操作成本，通过在边缘做计算处理，可以减少边缘设备和数据中心的数据传输量和带宽，从而减少了工业生产中由网络、云数据中心计算和存储带来的成本。
Chen等人用边缘计算技术对薄膜壁焊接的工业级机器人系统做优化，设计了物理资源-边缘-云的架构，实验结果表明：该系统比基于云计算的传统系统实时性更好，并且最多可节省883. 38 Kbps的带宽，满足了工业级产品的需求。
5.智能家居
随着物联网技术的发展，智能家居系统得到进一步的发展，其利用大量的物联网设备（如温湿度传感器、安防系统、照明系统）实时监控家庭内部状态，接受外部控制命令并最终完成对家居环境的调控，以提升家居安全性、便利性、舒适性.Berg Insight 的调查报告显示，欧美和北美洲的智能家居数据将在2019年达到6800万.然而，随着智能家居设备的越来越多，且这些设备通常都是异构的，如何管理这些异构设备将会是一个亟待解决的问题，如设备的命名、数据的命名以及设备的智能联动，并且，由于家庭数据的隐私性，用户并不总是愿意将数据上传至云端进行处理，尤其是一些家庭内部视频数据。而边缘计算可以将计算（家庭数据处理)推送至家庭内部网关，减少家庭数据的外流， 从而降低数据外泄的可能性，提升系统的隐私性。
工业界的一些企业已经注意到这一点，例如亚马逊的Echo、三星的SmartThings和谷歌的Google Home，均可作为智能家居的控制中心.然而，这些设备，仍然需要一些额外的网络服务，如各种识别服务，不能完全依靠自身去处理数据，从而导致仍存在一定的隐私泄露隐患.微软和苹果分别提出了 HomeOS 和HomeKit，其作为智能家居的框架，可以方便用户对设备进行控制，但是仍然缺少一些具体的工作. 开源社区也建立并维护了多个智能家居系统， 在表3中列举出其中功能、文档较为完备的3个系统并进行对比。
与此同时，学术界也有大量的学者根据边缘计算的思想在建设智能家居系统。曹杰等人提出了一个适用于智能家居的边缘计算操作系统(edge operating system for home，EdgeOSH)。受启发于边缘计算，作者在家庭中设置边缘服务器，并提出了 EdgeOSH 的工作，利用EdgeOSH在网络边缘侧对家庭数据进行处理。EdgeOSH包含多个模块:通信模块负责智能家居设备互联的，其适配多种智能家居中常用的协议;数据管理模块管理所有家庭数据，对数据进行融合和处理；自管理模块提供设备的管理以及智能家居服务间的管理，以期提供智能化的家居环境.作者认为命名（naming)和编程接口是智能家居发展中的几个较为关键的问题.因此，作者提供了编程接口以方便发者在其上进行开发.同时，命名服务和其他模块进行合作，对资源进行统一的命名，提供方便地管理。
与EdgeOSH —样，中国科学院计算技术研究所的徐志伟研究员团队也一样认为，编程接口在智能家居等物联网设备中的应用较为重要。该团队拓展RESTful设计风格，将其引入物联网设备中。通 过RESTful风格的接口，即使是外部用户也可以方便的访问智能家居设备，从而拉进智能家居系统和传统网络的距离。同时在智能家居边缘侧，其利用非侵入式负荷监测(non-intrusive load monitoring，NILM)技术，关注于家庭的用电状况，并分析用电情况，提供更高效的节能方案。
6.智慧城市
智慧城市是利用先进的信息技术，实现城市智慧式的管理和运行.2016年阿里云提出了“城市大脑”的概念，实质是利用城市的数据资源来更好地管理城市，2017年10月Alphabet旗下城市创新部门Sidewalk Labs建造名为Quayside的高科技新区，并希望该智慧城市项目能够成为全球可持续和互联城市的典范.然而，智慧城市的建设所依赖的数据具有来源多样化和异构化的特点，同时涉及城市居民隐私和安全的问题，因此应用边缘计算模型，将数据在网络边缘处理是一个很好的解决方案。
边缘计算在智慧城市的建设中有丰富的应用场景。在城市路面检测中，在道路两侧路灯上安装传感器收集城市路面信息，检测空气质量+、光照强度、噪音水平等环境数据，当路灯发生故障时能够及时反馈至维护人员。在智能交通中，边缘服务器上通过运行智能交通控制系统来实时获取和分析数据，根据实时路况来控制交通信息灯，以减轻路面车辆拥堵等。在无人驾驶中，如果将传感器数据上传到云计算中心将会增加实时处理难度，并且受到网络制约，因此无人驾驶主要依赖车内计算单元来识别交通信号和障碍物，并且规划路径。EdgeOSc是一种基于边缘计算的面向智慧城市的系统级操作系统，它分为3个部分，底层的数据感知层、中间的网络互联层和顶层数据应用管理层。该操作系可以有效管理智慧城市中的多来源数据，，提高了数据共享的范围和深度，以实现智慧城市中数据价值的最大化。
关注更多边缘计算前沿动态，尽在边缘计算社区！