边缘智能研究进展

摘要: 从智能手机、智能手表等小型终端智能设备，到智能家居、智能网联车等大型应用，再到智慧生活、智慧农业等，人工智能已经逐渐步入人们的生活，改变传统的生活方式. 各种各样的智能设备会产生海量的数据，传统的云计算模式已无法适应新的背景. 边缘计算在靠近数据源的边缘侧实现对数据的处理，可以有效降低数据传输时延、减轻网络传输带宽压力，提高数据隐私安全等. 在边缘计算架构上搭建人工智能模型，进行模型的训练和推理，实现边缘的智能化，对于当前社会至关重要. 由此产生的新的跨学科领域——边缘智能，开始引起了广泛的关注. 全面调研了边缘智能相关研究，首先，介绍了边缘计算、人工智能的基础知识，并引出了边缘智能产生的背景、动机及挑战. 其次，分别从边缘智能所要解决的问题、边缘智能模型研究以及边缘智能算法优化3个角度对边缘智能相关技术研究展开讨论. 然后，介绍边缘智能中典型的安全问题. 最后，从智慧工业、智慧生活及智慧农业3个层面阐述其应用，并展望了边缘智能未来的发展方向和前景.2005年，云计算的提出开启了数据集中式处理的时代[1]. 然而，随着智能手机、智慧城市和智慧农业等人工智能（artificial intelligence，AI）技术的普及，网络边缘接入的智能设备迅速增长，与此同时，产生的数据也呈现出指数增长的趋势. 据思科预测[2]，到2023年，连接到IP网络的设备数量将是全球人口的3倍以上，人均联网设备将达到3.6台，高于2018年人均2.4台. 网络设备总数将达到293亿台，高于2018年的184亿台. 在这种情况下，云计算模型已经无法适应爆炸式增长的数据量. 云计算属于集中式处理数据的方式，因此不适合具有低延时要求的密集型应用[3]，例如无人驾驶和智慧城市等. 其主要原因包括：1）大量的终端设备产生的海量数据若全部上传至云端，会造成很大的带宽压力；2）云端的集中式处理模式不利于数据的隐私保护；3）云端距离终端设备较远，会造成很大的延时，这对于时延敏感型应用十分不利.针对云计算所存在的弊端，提出了边缘计算[4-5]. 边缘计算是指在网络的边缘完成对数据的处理[6]，边缘指的是用户终端与云中心之间的任何计算和存储资源[6]，因此，和云中心相比，边缘侧更靠近用户终端，边缘计算可以实现靠近数据源附近来处理数据[3]. 利用边缘设备的计算能力，将全部或部分计算任务迁移至边缘设备端执行，可以有效解决上述问题.2017年AlphaGo接连战胜人类棋手，将AI带入大众的视线，这也进一步引发了AI的浪潮. 近几年，AI在各领域均有广泛的应用，例如计算机视觉、人脸识别、自然语言处理等[7]. 然而，对于智慧城市、智慧农业、自动驾驶等对成本、隐私性及时延要求更高的场景，借助云服务进行模型的训练和推理会面临很多挑战. 因此，将AI与边缘计算结合是必然的趋势. 这也催生了一个新的研究领域，即边缘智能（edge intelligence，EI）[8].EI可以将AI技术从云中心转移至更靠近数据源的边缘侧，从而实现低时延、分布式和高可靠性的服务[7].EI不完全依赖云中心的计算能力和存储资源，而是充分利用大量的边缘资源[8]. 近年来，EI已经引起了业界和学术界的广泛关注. 例如，2020年，由边缘计算产业联盟举办的2020边缘计算产业峰会在北京召开，汇聚各大高校、企业等知名专家探讨边缘计算前沿技术，包括AI与边缘计算的结合的新技术. 此外，华为、中国信科集团、中兴、英特尔、谷歌等企业，已经实现硬件和软件上的突破，EI的需求.近年来，边缘智能的相关研究引起了学术界广泛关注，Wang等人[7]从边缘上的深度学习应用、边缘中的深度学习推理、面向深度学习的边缘计算、深度学习在边缘进行深度学习训练、将深度学习用于优化边缘计算网络5个技术层面对EI的使能技术进行总结.Zhou等人[8]介绍了EI的动机、定义及用于训练EI模型的架构和新兴技术，重点阐述深度学习模型在边缘智能中的训练和推理. Plastiras等人[9]从安全性、性能、带宽等方面总结了EI的机遇和挑战，并以无人机为例说明了如何利用机遇，解决所面临的挑战. Rausch等人[10]讨论了EI所需的底层基础架构、协调机制及EI的操作平台.Parekh等人[11]讨论了EI的定义、概念、组件、框架以及未来研究方向等. Munir等人[12]讨论了EI的作用及重要性，并结合模型和案例介绍了其在工业物联网中的应用. 但是，目前还没有针对EI在问题研究、模型建立和算法优化等方面进行详细的总结和分析. 本文通过对现有研究进行调研，对EI的相关技术问题（包括问题研究、模型建立和算法优化等）、EI安全问题及相关应用进行了全面的总结.