《边缘计算》施巍松——第二章读书笔记

第二章 边缘计算基础

2.1 分布式计算

分布式计算：通过互联网将许多计算机节点互联，将单台计算机无法完成的计算任务分解成多个任务分配到网络中的多台计算机中执行，将各个节点的执行结果整合成最终结果并返回
挑战主要来自异构性、可扩展性、容错性及并发性
1.中间件技术
中间件位于操作系统和分布式应用软件的中间，用于屏蔽分布环境中操作系统和网络协议的异构性
面向对象的中间件成为中间件平台的主流技术
2.网络计算技术
网络计算式通过高速网络整合地理上分散的软硬件资源，完成大规模复杂计算和数据处理的任务
分布式计算中两类使用比较广泛的子类型：
在分布式计算资源支持下作为服务被提供的在线计算或存储
另一类是由松散链接的计算机网络构成的一个用来执行大规模计算任务的虚拟超级计算机
从网络体系结构划分，网络计算目前分为两类：
Globus项目为代表的五层沙漏结构——以协议为中心
与Web服务融合的开放网络服务结构——以服务为中心
3.移动Agent技术
此技术可以在异构网络与分布式计算环境中自主、自动地迁移，并于其他Agent互相通信
移动Agent系统中，每个Agent独立工作，在需要的时候可以协作完成任务
4.P2P技术
通过将网络中的终端设备串联，整合网络中的空闲资源，最大限度地实现资源共享、分布计算。在P2P网络中的每个节点贡献共享空闲资源，并利用资源定位机制发现其他节点的可用资源，进行彼此的资源共享。
5.Web service
主要目标：在现有的众多异构平台基础上，构建一个与平台、语言无关的通用技术层，不同平台上的应用程序可以依靠该技术顺利进行

总而言之，分布式计算从基于Hadoop平台实现的MapReduce架构发展到支持流计算为标志的storm分布式系统

2.2边缘计算的基本概念

边缘计算模型：
1.应用程序、服务功能可分割
对于一个任务可以分成若干个子任务而且任务功能可以迁移到边缘端去进行
任务执行需满足可迁移性，任务的可迁移是实现在边缘端进行数据处理的必要条件，只有对数据处理的任务具有可迁移性，才能在边缘端实现数据的边缘处理
2.数据可分布
如果待处理的数据不具有可分布性，则边缘计算模型就变成一种集中式云计算模型。边缘数据的可分布性是针对不同数据源而言的，不同数据源来自产生大量数据的数据生产者
3.资源可分布
因此执行边缘数据所需的计算，存储和通信资源才具有可分布性，只有边缘系统具备数据处理和计算所需的资源，才能实现边缘端对数据进行处理和计算功能

2.3 边缘计算的关键技术

2.3.1 计算迁移

在万物互联背景下，海量边缘设备产生的巨大数据量无法通过现有的带宽资源传输到云中心之后在进行计算。海量的数据传输开销却限制了系统整体性能。
因此边缘计算模型的计算迁移策略应该是以减少网络传输数据量为目的的迁移策略，而不是将计算密集型任务迁移到边缘设备处执行

边缘计算中的计算迁移策略是在网络边缘处，将海量边缘设备采集或产生的数据进行部分或全部计算的预处理操作，过滤无用数据，降低传输带宽。
并根据当下边缘设备的计算力进行动态的任务划分，防止计算任务迁移到一个系统任务过载的情况下影响系统性能
重要问题：任务是否迁移、按照那种决策迁移、迁移那些任务、执行部分迁移还是全部迁移
计算迁移技术应该在能耗、边缘设备计算延时和传输数据量等指标之间寻找最优平衡

2.3.2 5G通信技术

5G技术可以更加高效快捷地应对网络边缘海量连接设备及爆发式增长的移动数据流量，为万物互联的时代提供优化的网络通信技术支持
边缘设备通过处理部分或全部计算任务，过滤无用信息数据和敏感数据后，仍需将中间数据或最终数据上传到云中心，因此5G技术将是降低数据传输延时的必要解决方案

2.3.3 新型存储系统

存储器与处理器之间的速度差异，已成为制约整个系统性能的严重瓶颈
边缘计算存储系统更具有低延迟、大容量、高可靠性等特点
选择非易失存储介质

2.3.4 轻量级函数库和内核

消耗更少的计算和存储资源的轻量级库和算法是边缘计算中不可缺少的关键技术
轻量级函数库（Lightweight Function Library）： 轻量级函数库通常是指一组精简、高效的函数或模块，旨在执行特定的任务或功能。在边缘计算中，由于资源有限，轻量级函数库设计追求在保持功能性的同时尽量减小资源消耗。这样的函数库可以用于在边缘设备上执行特定的计算任务，而不需要引入过多的复杂性和资源开销。

2.3.5边缘计算编程模型

为了实现边缘计算的可编程性，提出一种计算流的概念
沿着数据传输路径，在数据上执行的一些列计算/功能。可以是某个应用程序的全部或者部分函数，其发生在允许应用执行计算的数据传输路径上
边缘计算中编程模型的改变，需要新型运行时库的支持提供一些特定的API程序应用接口，方便程序员进行应用开发，本书
烟花模型——
烟花模型管理者：将组合数据视图的服务请求分解成若干子任务，并发送给每个参与者，每个子任务将在其本地设备上执行相应计算任务。烟花模型节点：为终端用户提供一组预定义的功能接口以便用户访问

2.4 边缘计算与云计算

2.4.1 云计算概念

云计算是一种服务提供模型，通过网络访问数据中心的计算资源，网络资源和存储资源等，为应用提供可伸缩的分布式计算能力。该模型利用现有资源，使用虚拟化技术构建由大量计算机组成的共享资源池，不仅有功能强大的计算和监管能力，而且可以动态地分割和分配计算资源，满足用户的不同需求，提供高效的交付服务

2.4.2 云计算特点

1.服务器规模庞大
2.高可靠性：分布式服务器集群设计，出现单点错误不可避免，引入副本策略、计算节点同构互换等容错机制
3.可扩展性：根据需求动态地分配或释放资源
4.虚拟化：将分布在不同地理位置的资源整合成逻辑统一的共享资源池，可以算是介入互联网请求服务

2.4.3 边缘计算和云计算对比

比较内容	边缘计算	云计算
目标应用	物联网或移动应用	一般互联网应用
服务器节点的设置	边缘网络（网关，WiFi接入点和蜂窝基站）	数据中心
客户端与服务器的通信网络	无线局域网，4G/5G	数据中心
可服务的设备数量	数十亿计	数百万计
提供的服务类型	基于本地信息的服务	基于全局信息的服务

由此可见，边缘计算与云计算相比，边缘计算并不是为了取代云计算，而是对云计算的补充和延伸，为移动计算、物联网等提供更好的计算平台。边缘计算模型需要云计算中心的强大计算能力和海量存储的支持。而云计算也同样需要边缘计算中边缘设备对于海量数据及隐私数据的处理，从而满足实时性、隐私保护和降低能耗等需求。边缘计算的架构是“端设备一边缘一云”三层模型，三层都可以为应用提供资源与服务，应用可以选择最优的配置方案。

2.5 边缘计算与大数据

大数据处理技术包括海量多源数据采集、存储、清洗、分析发掘、可视化、隐私保护等领域关键技术。边缘计算与云计算关键技术的融合是解决大数据的存储、传输和处理等重要问题的主要方法之一。
这类数据统称为医疗大数据，如何利用医疗大数据的价值为智能医疗进行服务，这个是边缘计算模型中需要解决的一种关键技术，即多边缘端协同数据处理。因为这些数据都具有一定的隐私性，因此，在医疗大数据的处理中需要解决的问题是，如何利用边缘计算技术在处理边缘敏感隐私数据的同时，实现共享医疗大数据，从而实现其根本价值
由此可见，边缘式大数据处理时代下，云计算模型结合边缘计算模型将有效解决原有大数据协同问题、数据处理负载、数据传输带宽、数据隐私保护等问题。万物互联背景下边缘计算必将会成为互联网的下一个主流应用场景。
因此开展边缘式大数据处理时代的关键技术研究具有重要的理论价值和实践意义，其有利于降低云计算中心数据计算和传输的负载，同时降低用户请求反馈的延迟。

2.6 边缘计算的优势与挑战

• 万物互联背景下的边缘式大数据处理时代，数据类型变得更加复杂多样，其中万物互联设备的感知数据急剧增加，原有作为数据消费者的用户终端已变成具有可产生数据的生产者，并且在边缘式大数据处理时代，数据处理的实时性要求较高。
  此外，该时期的数据量已超过ZB 级。针对此，由于数据量的增加以及对实时性的需求，边缘式大数据处理时代需将原有云中心的计算任务部分迁移到网络边缘设备上，以提高数据传输性能，保证处理的实时性，同时降低云计算中心的计算负载
• 边缘式大数据处理时代是边缘计算模型与云计算模型的相互结合的时代，二者的有机结合将更大提升边缘计算在边缘式大数据处理过程中的优势，并为万物互联时代的信息处理提供较为完美的软硬件支撑平台。