边缘图智能：互相赋能边缘网络与图智能

近年来，网络边缘的计算设施迅猛增长，推动了边缘计算网络成为支持各种智能服务的基础设施，如个人语音助手、视频安全监控和自动驾驶车辆。同时，人工智能（AI）的前沿技术已将机器学习（ML）扩展到图领域，并推动了图智能（GI）的发展，这解锁了处理、抽象和学习图结构中海量数据的前所未有的能力。鉴于图与网络之间的内在关系，图表示学习与边缘网络的交叉领域，即边缘图智能（Edge GI或EGI），揭示了它们之间的新型互动——GI模型为建模、理解和优化边缘网络开辟了新途径，反过来，边缘网络作为训练、部署和加速GI模型的物理支持。受此精妙闭环驱动，EGI被广泛认为是充分释放边缘计算潜力的有力解决方案，正引起广泛关注。然而，EGI的研究尚处于起步阶段，通信和AI社区内对一个专门的场所分享最新进展的需求日益高涨。为此，本文提倡EGI的概念，探讨其范围和核心原则，并对这一新兴领域的最新研究工作进行全面综述，具体介绍和讨论了：1）边缘计算和图表示学习的基本原理，2）围绕图智能与边缘网络闭环的新兴技术，即“边缘服务于GI”和“GI服务于边缘”，以及3）未来EGI的开放挑战和研究机会。通过跨越通信、网络和图学习领域的鸿沟，我们相信这篇综述能引起更多关注，促进有意义的讨论，并激发对EGI进一步研究的想法。

近年来，边缘网络迅速发展，通过逐步扩展的计算设施在网络边缘连接起来，边缘网络承载的数据、存储和计算资源数量不断增加。它们已成为支持各种应用的基础设施，如智能工业制造、流媒体视频分析、机器人和车辆互联网等。作为集中核心网络的补充对称性，边缘网络位于互联网的末端，覆盖物理附近的用户，提供了用户中心的服务，减少了响应延迟，提高了资源效率，并增强了隐私和安全性。由于这些独特的架构优势，边缘网络已成为先进通信技术的重要实验场。它们在延迟敏感、资源需求高和隐私保护的要求下，特别适合新兴智能服务，并被广泛认为是弥合人工智能（AI）与人类之间“最后一英里”的有前途的解决方案。 与此同时，AI也在快速发展。为了充分释放大数据在各种形式中的潜力，最近的AI进展将表示学习从欧几里得结构扩展到图拓扑，推动了深度学习（DL）的前沿，形成了新的模型流派，即图神经网络（GNN）。与传统的DNN（如CNN、RNN）通常应用1D/2D卷积不同，GNN引入了图嵌入技术，以从图关系中消化信息。具体来说，它在输入图上迭代地应用邻域聚合，并通过神经网络运算符从不同大小的子图中捕捉层次模式。这使得GNN能够抽象和学习特定顶点、链接或整个图的属性，从而推广到未观察到的图。利用这种强大的表达能力，使用GNN进行学习，即图学习（GL），在图分析性能方面表现出色，并支持各种与图相关的任务，从节点分类和链接预测到图同构和分类。

动机与边缘图智能的好处

鉴于图智能（GI）和边缘网络在各自领域的显著成功，图与网络之间的内在联系促使它们走向融合。GI提供了大量的经验学习模型（如卷积和递归GNN，图自动编码器）以及各种学习范式，如迁移学习（TL）和强化学习（RL），从图数据中进行高级学习。相应地，边缘网络通常包含丰富的平台集，包括移动设备、机器人、车辆和边缘节点，这些平台承载了各种基于图的应用，如交通预测和网络资源管理。它们的双向互动，GI增强和优化边缘网络，而边缘网络支持和加速GI计算，形成了互相赋能的闭环，催生了它们的整合互动，即“边缘图智能”或简称“EGI”。具体来说，通过融合GI和边缘计算，EGI在以下三个方面提供了互惠的好处：

互惠性能提升：随着移动和物联网设备的快速普及，边缘网络中生成的数据在数量和模态上急剧增加（如物理信号、数字音频和视觉内容）。据IDC预测，边缘网络中的数十亿物联网设备在2025年将产生超过90 ZB的数据。这自然为修改、训练和微调GI模型提供了数据温床，从而推动GI模型迈向更高程度的智能。反之，鉴于在边缘网络中收集的丰富关系数据，GI使现代图分析能够理解、诊断和优化边缘网络，从而提高网络性能，如鲁棒性和服务质量（QoS）。

互惠能力扩展：作为互联网的最后一英里，边缘网络不断孵化围绕终端用户的开创性用户中心场景，其中许多场景可以抽象为图（如无线传感器网络、车辆互联网）。这些场景作为需求侧的强大动力，推动GI的发展和部署，扩大GI模型的应用范围。反过来，将GI应用于边缘网络解锁了其在确保边缘网络免受异常影响、开发新的基于图的应用以及智能服务图相关任务方面的扩展能力。这归功于GI模型结合图嵌入和卷积的创新机制，使GI能够在图中进行学习和推理，例如高精度节点识别和链接预测。

互惠技术民主化：技术民主化的愿景是使GI和边缘计算更易于使用、理解和友好，惠及更多人，并已成为社会公益的重要议程。为此，GI和边缘网络通过互相赋能来改进彼此。一方面，边缘网络通过将智能计算拉近终端用户，使其更易获取和负担得起，从而民主化GI，使其在各种场景中可用且个性化。另一方面，通过广泛应用GI于边缘网络，边缘网络也得以推广。特别是，鉴于许多GI模型计算密集和数据依赖的特点，边缘计算通过提供低延迟和减少带宽预算的计算资源，展示了其相对于云计算的明显优势，并与GI高度契合。随着围绕终端用户的GI的普及，边缘网络也因而受到关注和部署，以实现推广。

边缘图智能的范围和分级

虽然EGI这个术语较新，但研究和实践已早有开展。自2015年GCN发展以来，GI在AI社区中日益流行，并引发了在各种现实世界图上构建GNN的浪潮。同时，边缘网络和边缘计算也从2019年开始迅速发展，并积极拥抱AI，催生了边缘AI或边缘智能的概念。目前，EGI的互动已引起业界和学术界的广泛关注，推动了许多创新优化、技术和应用在网络边缘的发展，例如交通流量预测、基于位置的推荐和车辆轨迹预测。作为边缘AI的实质性扩展，EGI揭示了其基本问题——边缘网络和AI技术可以融合到多深，以及它们的融合可以带来多少潜力——并通过丰富的现实应用展示了其强大的能力。

尽管如此，对EGI的讨论仍然局限于单方面的维度。现有文献要么回顾了图学习的现状，但对其在边缘网络中的应用讨论有限，要么特别关注将GI技术应用于某些特定的边缘场景（如交通领域、电网），却忽视了一般边缘网络的整体视野。最近的一些文献也回顾了GI在物联网和无线网络背景下的进展，但主要关注在其讨论范围内的GI应用，缺乏对“边缘服务于GI”方面的系统分类，这是EGI闭环的基本支柱之一。虽然边缘计算和通信社区已广泛研究边缘智能系统，但大多数集中于一般AI计算系统或致力于传统DL工作负载（如CNN或RNN），对具有独特能力和特点的GI模型理解甚少。

本文主张EGI不应仅限于在边缘数据上应用GI或在边缘平台上运行GI。相反，GI和边缘网络正在融合，EGI应作为一个整体来看待，以反映GI和边缘网络之间的内在互动。这表明它们的双向赋能需要全面探索，以便确定和衡量EGI的程度。具体来说，根据GI和边缘网络的融合程度，我们可以将EGI分为六个级别，如图2所示：

Level 0：在边缘网络基础设施中隐含的图数据，分析模型对图结构一无所知。边缘计算系统也以无图方式处理数据。换句话说，无论是模型侧还是基础设施侧，都没有明确处理“图”，因此它们被归类为初始级别。

Level 1：从边缘网络收集的数据被建模为图。1级系统比0级更进一步，赋予边缘数据图语义（使用一般计算方法）。

Level 2：以图形式表示的边缘数据通过传统图计算算法（如PageRank和单源最短路径算法）处理。2级系统通过启用图导向计算能力优于1级。

Level 3：边缘网络利用图数据进行GI模型推理，模型可以在云上训练。与较低级别相比，3级系统在边缘网络中引入了AI，并拥抱GI模型。

Level 4：边缘网络利用图数据进行GI模型训练。4级和3级的关键区别在于能够学习边缘原生GI模型，例如通过边缘数据微调模型参数。

Level 5：交互式EGI，GI和边缘网络可以在运行时动态调整其配置，以实现最佳EGI性能。5级系统优于所有其他级别，因为它们可以动态调整GI和边缘网络，而较低级别的都是静态设置。GI和边缘网络的两个视角达到融合，因为它们完全和谐。

EGI的评级主要分为三个区间。第一个区间涵盖0级到2级，其中EGI与AI关系较小，甚至处理非图数据。第二个区间包括3级和4级，其中EGI通过在边缘网络上进行推理或训练，结合了GI模型。第三个区间是5级，位于最高级别，因为其GI和边缘网络深度融合，并且能够动态适应不同的场景。随着EGI系统达到更高的级别，其GI和边缘网络的融合更深入。因此，GI的智能资源和边缘网络的基础设施资源逐步被开发，以提高EGI性能。然而，这也可能带来额外的开发努力和系统开销。这种矛盾意味着在所有情况下没有“银弹”。相反，实际中的EGI应与用户需求保持一致，并考虑特定应用场景和可用资源预算的联合考虑。

摘要和贡献

在本文中，我们深入讨论了GI和边缘网络如何互惠，并对EGI的最新研究工作进行了全面而具体的综述。特别是，围绕图和网络之间的内在联系，本文首次揭示了GI和边缘网络之间的双向互动，并根据它们的互惠互动提供了简洁的评级。根据评级，我们的综述确定了EGI的四个主要推动因素，如图3所示：

边缘GI应用（第四节）：在边缘网络中应用GI的典型应用场景和用例；

边缘网络支持GI（第五节）：GI模型计算的范式，包括在边缘网络上的模型训练和推理；

GI优化边缘网络（第六节）：用于优化边缘网络的实际GI方法，针对其具体功能；

EGI生态系统（第七节）：在硬件、软件和基准测试方面，为高性能EGI计算提供的全栈基础设施支持。

总体而言，这些关键推动因素可以很好地适应闭环，即“边缘服务于GI”和“GI服务于边缘”，如图1所述。在“边缘服务于GI”的过程中，边缘网络为图智能提供物理平台和软件堆栈，作为支持GI模型训练和推理过程的基础设施。更具体地说，GI模型的密集训练工作负载可以通过边缘资源池（如联邦边缘学习）来解决，并开发边缘推理技术以在资源受限和服务水平目标（SLO）要求下部署和加速GI模型。另一方面，在“GI服务于边缘”的过程中，带有这些推理解决方案的GI模型可以高效地在边缘平台上执行，从而启用各种基于图的应用并优化边缘网络的各个方面。除了回顾这些关键推动因素，我们的综述还提供了GI和边缘网络的基本而友好的介绍，不需要GI或边缘计算的先验知识。我们还讨论了未来EGI的各种开放挑战和研究方向，鼓励AI和通信社区共同推动EGI的发展，以惠及更广泛的人群。

本文的其余部分组织如下：首先，第二节和第三节分别简要回顾了图智能和边缘计算网络的基础知识。接下来，后续章节介绍了与四个推动因素相关的研究工作：边缘GI应用（第四节），边缘网络支持GI（第五节），GI优化边缘网络（第六节），以及EGI生态系统（第七节）。最后，第八节讨论了EGI的开放挑战和未来研究机会，第九节作出结论。表1列出了本文中使用的主要缩写。