0 引言

    近年來，計算工作負載一直在遷移，先是從本地數據中心遷移到云，現在日益從云數據中心遷移到更靠近數據邊緣的位置，旨在解決云計算所面臨的問題：線性增長的集中式云計算能力不能適應飛速增長的海量邊緣數據；網絡邊緣設備傳輸大量的數據到云計算中心導致網絡傳輸帶寬的負載量急劇增加，產生較長的網絡延遲；有限電能的網絡邊緣設備傳輸數據到云計算中心會消耗大量的電能；網絡邊緣數據涉及的個人隱私問題尤為突出^[1]。盡管云計算目前面對很多的挑戰，但邊緣計算的提出并不是為了代替云計算承擔計算中心的任務，而是一種與云計算互補的計算模型。邊緣計算有自己的適用環境用來彌補現有云計算所不能適用的萬物互聯的環境，邊緣計算需要借助云計算現有的優勢才能更好地發揮自身的特點。隨著最近業務驅動的IT項目不斷增加，實施物聯網解決方案、邊緣計算環境和非傳統IT的現象也在迅速增多^[2]。從Gartner公司發布的2017年度新興技術成熟度曲線可知，邊緣計算在未來2～5年時間內是處于期望膨脹期，可見邊緣計算的重要性。

    在云計算的體系結構下，提出了3種服務模式：基礎設施即服務（Infrastructure as a Server，IaaS）、平臺即服務（Platform as a Service，PaaS）、軟件即服務（Software as a Service，SaaS），即通常所說的SPI服務模型^[3-5]。這3種服務模式是推動云計算發展的動力，其中軟件即服務模式與用戶的關系最為緊密。但是，這種看似高效的服務模式對于萬物互聯時代大量的邊緣設備來說卻不能很好地適用，主要原因大致有以下幾點：邊緣設備對任務響應大都有實時性要求^[6]；邊緣設備數量巨大，產生的數據量如果要全部上傳到云上占用大量的帶寬^[7]；邊緣設備一般功能較為固定，提供的服務較為單一^[8]，這些原因造成了云計算提供的服務模式不再適用于邊緣計算。因此，邊緣計算需要提供適合于本身特點的服務模式。

1 計算即服務產生的動機

1.1 萬物互聯模型架構

    萬物互聯時代下云計算模型與邊緣計算模型的結構關系^[9]如下。云計算模型側重于搜集數據，進行集中式的大數據處理，通過互聯網可以把云計算模型的各種服務提供給用戶，注重應用的多樣性，如智能應用領域，用戶通過智能終端可以從云上獲取各種各樣的服務，這也是傳統意義上的云服務。但對于應用于特定環境下的邊緣設備來說，并不需要種類繁多的應用，終端用戶需要的是更加優質的服務，針對性更強，更加智能化地提供服務。在特定的環境下，使用邊緣計算模型，才能更好地滿足萬物互聯模型架構^[10]。

1.2 云計算服務模式的不足

    從云計算的SPI服務模型可以看出，該模型較適合集中式計算模式，目前的云計算中心基本都是采用這種服務模式，但在萬物互聯時代具有明顯的不足^[11-13]：

    (1)邊緣終端設備或者邊緣計算中心，僅需要提供計算能力有限的設備就能滿足，一個家庭就能擁有幾十個或更多的邊緣設備，如果再和云計算的基礎設施一樣那樣昂貴，萬物互聯的構想就無法實現了。

    (2)平臺即服務用到邊緣設備效果就不太理想了，原因在于云計算本身的部署很耗費資金，不可能有數以萬計的云服務提供商，云服務提供商可以根據自己的設備提供統一的平臺，并服務大量的用戶。但對于邊緣設備，其應用場景豐富，平臺異構性較大，想要提供統一的接口幾乎不可能，盡管有很多邊緣計算平臺提供商也在為此而努力。

    (3)軟件即服務是云計算模型提供給用戶的核心服務，而對于很多邊緣設備來說，它的資源很有限，而服務較為單一，更多的是對邊緣設備本身的優化，需要設備具有自我學習和輔助學習的能力，其核心在于用戶的體驗，而非多樣性需求。

    因此，云計算模型提供的SPI服務模型已經無法適用于新興的邊緣設備對服務的需求，針對于邊緣計算模型的新的服務模式迫在眉睫。

2 計算即服務的任務模型

    在任務模型中關鍵要素包括延遲、帶寬利用、上下文感知、通用性和伸縮性^[14-16]。盡管開發精確的模型對于任務來說非常復雜，但對于邊緣計算模型，通過數學的優化處理允許簡單任務能達到高精確的要求。在本節中將介紹兩種較為常用的計算任務模型。

2.1 二進制轉移的任務模型

    高度集成或者相對簡單的任務不能被分區，必須作為整體在邊緣設備執行或者轉移到邊緣計算中心服務器處理，稱為二進制轉移。這樣的任務可以用三符號域表示為A(L，T_d，X)，這個三符號域包含以下信息：任務輸入數據大小L（以bit為單位）、完成期限T_d（以s為單位）、計算工作量X（以CPU的時鐘周期為單位）。這些參數的使用不僅能捕獲邊緣設備處理任務的基本屬性(如計算和通信需求)，而且便于執行延遲的簡單評估以及能耗性能的估計。

    任務A(L，T_d，X)需要在硬截止時間T_d之前完成，該模型也可以推廣到處理軟截止時間要求，允許數據量較大的任務在之后完成。在這種情況下，執行1 bit任務的輸入數據所需的計算工作量被建模為隨機變量X。該任務模型給出以下定義：

    定義x₀為正整數，并且定義規則Pr(X>x₀)≤ρ，ρ是一個范圍在(0，1]的實數。依賴Pr(LX>W_ρ)≤ρ，其中W_ρ=Lx₀，在該模型下只要給定L位任務輸入數據，W_ρ就嚴格地限制了計算工作量X。

2.2 局部轉移的任務模型

    在實踐中，許多邊緣任務是由多個子過程組成的，這個特點使得將各個子過程轉移到局部邊緣設備執行成為可能，從而實現細粒度的任務轉移。具體來說，任務可以分為兩個大的局部，一個是由邊緣設備本身處理的任務；另一個是由距離設備較近的邊緣設備或者邊緣計算中心來承擔執行任務，也可以由邊緣計算中心統一協調。

    用于局部轉移的最簡單的任務模型是數據分區模型，其中任務輸入是位獨立的并且可以任意劃分為不同的組，可以實現在邊緣計算系統下的不同實體中執行。但是，不同過程或者組件之間存在明顯的依賴關系，如何處理這種依賴關系將顯著影響執行的效率，主要存在以下兩個關鍵問題：

    (1)函數或者例程的執行順序，因為某些過程或組件的輸出是另一些過程或組件的輸入，對執行順序的控制是實現局部轉移正確性的保證；

    (2)由于邊緣設備軟件和硬件等方面的限制，目前只能做到同構轉移，不能很好地將任務轉移到異構設備中，對邊緣設備軟件和硬件的抽象是實現局部轉移最大利用率的保證。

3 計算即服務的計算模型

    式(3)反映了由計算性能影響到的延遲t_m，f_m表示邊緣設備擁有的計算能力，當LX處理的內容一定的情況下，可以通過調整f_m來調整系統的延遲，增大f_m可以減小延遲，相反減小f_m就會增加延遲，根據CPU能耗可知f_m反映的是能耗。因此，邊緣設備需要在能耗與延遲之間進行合理的分配。當需要低延遲，保證任務實時性時，可以適當增大f_m；反之需要低功耗，保證任務節能性時，可以適當減小f_m，DVFS正是提供這種能力的技術，計算即服務計算模型的關鍵技術。

4 計算即服務的服務模型

    前文給出的任務模型和計算模型主要是圍繞邊緣計算模型應用需求的低延遲和低能耗做工作，本節將介紹在此基礎上結合實際應用中邊緣計算設備的服務特點，抽象出了兩種應用較為廣泛的拓撲結構，下面分別介紹這兩種拓撲結構下的服務模型。

4.1 順序型的服務模型

    如圖1所示，該模型主要針對有明確順序要求的服務下，每個節點用e_(i，j)表示，下標i表示不同階段的任務，下標j僅表示在下標i相同時共同完成i任務的節點編號，該節點的特點是同構體系結構。該模型的優點：可以根據不同的用戶，提供不同的服務，讓服務更加人性化；下標i相同的任務，可以根據二進制轉移或者局部轉移任務模型提供低延遲的服務；可以根據服務對延遲的要求，采用DVFS技術增加或者減少j的數目，結構靈活，最大程度地利用能耗。下面給出該結構下的延遲t_total(最小延遲時間)和能耗E_s(最小耗能)模型：

4.2 中心型的服務模型

    如圖2所示，該模型主要針對無明確順序要求的服務下，每個節點用e_i表示，下標i表示該結構下的節點編號，該模型有兩個中心節點，如e₁分發中心節點、e₂匯集中心節點。分發中心節點根據e_i(i≠1，i≠n)的當前狀態將根據任務特點分配到不同的節點去執行；匯集中心節點將e_i(i≠1，i≠n)的執行結果經過整理后提供給用戶。該模型的優點：由分發中心節點協調任務，能并行處理多個任務，滿足實時性要求；由匯集中心節點提出服務，對外接口統一，提供更友好的服務；各節點分工明確，可以最大程度地利用邊緣設備有限的計算資源。下面給出該結構下的延遲t_total(最小延遲時間)和能耗E_s(最小耗能)模型：

5 結論

    萬物互聯時代下云計算模型的服務模式已經無法適應邊緣計算模型的需求，主要體現在邊緣設備資源的有限性、服務的實時性、決策的智能性上。本文首先從基本概念出發，介紹了什么是邊緣計算，之后進一步介紹萬物互聯模型的架構，該模型下不僅包含云計算模型，而且也涵蓋了邊緣計算模型，指出現有的云計算模型的SPI模式不能很好地應用到邊緣計算模型中，并分析了主要的原因。然后，從計算即服務的任務模型、計算模型以及服務模型進行了抽象。根據任務是否具有順序性特點，給出兩個比較常見的計算即服務的服務模型(順序型的服務模型和中心型的服務模型)，并給出了相應的延遲和能耗評價公式，用于理論分析。

參考文獻

[1] Shi Weisong，Cao Jie，Zhang Quan，et al.Edge computing：vision and challenges[J].IEEE Internet of Things Journal，2016，3(5)：637-646.

[2] Li Shichao，Zhang Ning，Lin Siyu，et al.Joint admission control and resource allocation in edge computing for Internet of Things[J].IEEE Network，2018，32(1)：72-79.

[3] 楊曉軍，臧飛，李春雷.云計算在軍事領域中的應用分析[J].電子技術應用，2018，44(6)：129-132，137.

[4] 史寶珠，李美安，左玉暉.生鮮產品的共享云物流資源優化調度算法[J].電子技術應用，2018，44(5)：5-8，12.

[5] 高世皓，王立華，朱吉芳，等.基于CC3200及微信公眾號的云家居交互系統[J].電子技術應用，2018，44(3)：52-55.

[6] POPLI S，JHA R K，JAIN S.A survey on energy efficient narrowband Internet of Things(NBIoT)：architecture,application and challenges[J].IEEE Access，2018，PP(99)：1-1.

[7] 陳發堂，周述淇，鄭輝.NB-IoT隨機接入過程的分析與實現[J].電子技術應用，2018，44(2)：75-79，87.

[8] 李小文，屈元遠，周述淇，等.NB-IoT物理層隨機接入分析與接收端檢測算法[J].電子技術應用，2018，44(9)：99-103.

[9] Hong Xuehai，Wang Yang.Edge computing technology：development and counter measures[J].Chinese Engineering Science，2018，20(2)：20-26.

[10] 施巍松，孫輝，曹杰，等.邊緣計算：萬物互聯時代新型計算模型[J].計算機研究與發展，2017，54(5)：907-924.

[11] Li He，OTA K，DONG M.Learning IoT in edge：deep learning for the Internet of Things with edge computing[J].IEEE Network，2018，32(1)：96-101.

[12] 何艾洲，鄭霖，屈啟吉.基于6LoWPAN多網關系統的網關部署算法[J].電子技術應用，2018，44(11)：72-75，80.

[13] 鄔明彪，吳桂清，陳清華.基于多個開源系統的6LoWPAN邊界路由器的設計[J].電子技術應用，2018，44(7)：64-67.

[14] Lü Huazhang，Chen Dan，Fan Bin，et al.Standardization progress and case analysis of edge computing[J].Journal of Computer Research and Development，2018，55(3)：487-511.

[15] 張德民，付永莉，楊康.能量獲取框架下的5G綠色通信小區選擇算法[J].電子技術應用，2018，44(10)：118-121，126.

[16] 萬航，王學成.基于改進的公交車骨干網的改進區域路由算法[J].電子技術應用，2018，44(6)：108-112，119.

[17] 閆靜，楊華，任鵬婷，等.能量收集中繼網絡的中繼選擇算法研究[J].電子技術應用，2018，44(5)：98-102.

[18] 馬得森，沈正源，金曉晴，等.一種車聯網分簇方法與簇內中繼選擇方法[J].電子技術應用，2018，44(3)：94-98.

作者信息:

王騰飛1，張瑞權1，李建宏1，王  龍1，侯林清2，王忠陽3

(1.華北計算機系統工程研究所，北京100083；2.北京信息科技大學 計算機學院，北京100101；

3.遼寧理工學院 信息工程學院，遼寧 錦州121013）