./t20191227_935108_taonews.html
专题
首页  >  专题  >  媒体视点  >  名刊精选  >  《张江科技评论》

《张江科技评论》

开博时间:2019-06-06 14:03:00

《张江科技评论》是由上海科学技术出版社与上海市张江高科技园区管理委员联合创办的一本科技评论类杂志。该刊报道评价国内外创新性科学技术的发展趋势及其商业价值,介绍上海在建设全球领先科创中心进程中的制度成果、技术成果、创业成果,推动产学研密切协作,促进科技成果转化,服务经济转型发展。

文章数
分享到:

边缘智能计算与智能边缘计算

2019-12-27 12:18:00

权威机构预测,到2020年,世界上的物联网设备数量将超过200亿台。这些设备小到一些基本的传感器节点,只负责记录传感数据并提交用以支撑云端计算的数据;大到一些基站等边缘节点,能够处理和分析传入的信息,在本地利用有限的资源进行一些简单的任务。在这样的设备规模下,传统的云计算架构已无法满足如此大量的计算任务,边缘计算由此诞生。

基于边缘计算框架,可以使许多智能化的设想,如智慧城市、车联网等付诸实际应用,并使得这些复杂的智能应用实现在边缘端的实时处理。借助于边缘计算,大规模的数据不需要经历云端传输的延时,直接在边缘侧处理,从而极大地提高了用户服务质量,这就是我们所称的边缘智能计算。与此同时,机器学习,特别是深度学习,又是处理这样庞大数据的绝佳方法。通过将这些机器学习方法融入边缘计算架构中,优化边缘缓存、边缘计算任务卸载以及整体边缘上的资源调度,以达到优化整体边缘计算系统性能的效果,这就是智能边缘计算。

边缘智能计算

边缘计算将计算、网络、存储等能力扩展到物联网设备附近的网络边缘侧,而以深度学习为代表的人工智能技术让每个边缘计算的节点都具有计算和决策的能力,这使得某些复杂的智能应用可以在本地边缘端进行处理,满足了敏捷连接、实时业务、数据优化、应用智能、安全与隐私保护等方面的需求。目前,边缘计算与人工智能的互动融合正深入推动智慧城市、智能制造、车联网等应用的发展,促进了产业的实现与落地,为全面提升智能化水平提供了重要保障,给人们的生产生活带来了便利。

智慧城市部署了海量的物联网设备用于服务城市中的各个领域。然而,这些物联网设备产生的海量数据,不仅给云计算中心带来了沉重负担,也占用了大量网络资源。此外,例如监控视频的实时分析,涉及实时性和隐私性要求时,云计算平台往往无法做出任何保证。这时,边缘计算与深度学习相结合,在边缘设备上搭载高性能芯片和深度学习算法,就可以在接近数据源的边缘侧实现对视频中人体、车辆等目标的检测、提取和建模,只需要将处理后的小数据上传到云端即可,既减少了云计算负荷和带宽浪费,也保证了低延迟和数据隐私保护。

智能酒店作为智能家居的延伸,近些年受到了广泛关注,尤其是阿里巴巴集团宣布推出了未来酒店以后。智能酒店系统主要通过边缘网关快速集成各种物联网设备,在边缘端使用人工智能技术,其作为本地节点快速响应本地事件,实现一体化。与传统酒店相比,智能酒店致力于提供无人化的自助服务体验,除了刷脸入住、环境自调节等黑科技外,室内实现了智能语音控制功能,通过客房控制系统(RCU),可以用语音控制电视、空调、窗帘、灯具等设备,如有必要,也可以语音呼叫酒店相关服务。

车联网将车内、车与人、车与车、车与路、车与服务平台连接起来。然而,由于其受到信息和通信技术的严重制约,而且传统的云服务延迟较高,所以车联网对紧急事件的处理能力较差。边缘计算可以将计算资源部署到更靠近终端车辆的地方,来满足计算密集型和低延迟应用的要求,同时深度学习能够动态协调网络、缓存和计算资源,也可以实时对各类传感器数据进行处理分析,辅助驾驶,提升车辆的智能化水平和自动驾驶能力。二者结合减少了数据的往返时间,极大地提高了实时响应、路边服务、附近消息互通等功能的服务质量,为信息服务智能化、车辆控制智能化、交通管理智能化提供了保障。

边缘计算支撑的智能计算

随着时代的发展,每天所产生的数据越来越多,而且一些人工智能模型的日渐成熟,使得越来越多的人工智能应用如智能监控、车联网、自动驾驶等的实现成为可能。然而,由于本地计算能力的不足,这些复杂的计算任务往往需要借助云计算才可以实现。以视频监控为例,在传统的云计算架构中,监控终端需要直接将监控数据传输到云端,但由于实时捕获的照片或视频具有非常大的尺寸和高的生成频率,使用普通的线路进行数据传输无法达到实时的效果,只能通过搭建专用的高速线路来进行数据传输。这样的解决方案一方面成本太高,另一方面由于物联网设备产生的数据量急剧增加,在响应延迟和通信负担方面对云计算构成巨大的挑战。受制于互联网的容量与实时传输的压力,将所有的数据传输到云中进行数据处理已不再是延迟敏感和大规模应用的明智解决方案。这促使了边缘计算的发展。

在边缘计算架构支持下的视频监控应用中,各终端节点协同工作,共同为整个系统做贡献。终端节点如小区监控摄像头、道路交通摄像头等在承担录制与发送视频的同时,其本身也具有一定的计算能力,因而这些终端在进行数据发送之前需要先进行数据的压缩,这样可以保证在有限的数据链路中最大效率地传输数据。边缘服务层由多个基础设施如路由器、基站等组成,这些边缘节点运行一些轻量级的机器学习模型,而这些模型保证可以在边缘节点的运算能力范围内及时处理且不会损失预测识别的精度。这些边缘节点为分布式部署,每个节点只负责其服务范围内的终端节点。云端服务层主要负责整合与更新边缘节点上模型的参数。由于边缘节点得到的模型受限于其局部数据,云端服务器通过整合不同边缘节点的模型数据来获取一个更加全知全能的模型。当边缘节点遇到一个无法识别的目标或识别准确度很低的目标时,边缘节点会立即将数据发送到云端,通过云端更完整的模型与更强大的计算能力来识别未知的目标并将结果返回给边缘侧,同时下发该边缘节点更新后的模型参数。通过各个节点的相互协作,可以充分利用边缘计算的优势来支撑更多时延敏感的应用,同时降低这些应用的开发成本。

智能边缘计算

移动设备上的多媒体应用得到了迅速发展,预计到2021年,全球移动数据流量将增长至每年500 EB(艾字节,相当于1018字节)。用户对于多媒体内容的访问需求不断攀升,为了支撑庞大的数据流量,需要更多的网络资源,这也导致服务器出现流量拥挤的状况,加大了网络负载。

边缘缓存技术能很好地解决流量负载问题,它可以在边缘节点中预缓存终端用户所需的内容,从而降低网络中的流量负载。在边缘缓存技术中,我们通常关注的问题包括缓存什么、在哪里以及何时缓存等几个方面,这需要依赖于对用户需求以及内容流行度的预测,在这方面,深度强化学习有着很好的应用。深度强化学习是人工智能技术的一种,能够通过与环境的交互学习来处理决策问题,而边缘计算技术也赋予边缘节点计算与存储能力,这使得在边缘计算架构中使用人工智能技术成为可能。通过挖掘网络中的用户信息和数据指标,借助深度强化学习技术来学习整合,可以更好地了解用户行为和网络特征,进而使每个边缘节点能够感知其网络环境,在有限存储空间中智能地选择要缓存的内容,提升缓存性能。

人工智能技术除了在边缘缓存机制中发挥作用外,在计算任务卸载中也起到了优化作用。在边缘计算架构中,终端可以将计算任务卸载到附近的边缘节点或者云端执行,然后再接收处理结果。但是,由于网络条件的变化和资源的限制,任务可能无法以低执行成本进行卸载。因此,可以使用深度强化学习技术,在任务卸载过程中学习卸载决策和执行成本,在训练过程中不断地引导深度强化学习模型中最大化相应奖励函数,最终实现计算任务智能化卸载的决策能力,优化计算任务的执行效率。

此外,人工智能技术在边缘计算的资源调度方面发挥着举足轻重的作用。由于边缘节点中通信资源和计算资源的局限性制约了任务处理能力,而深度强化学习技术作为边缘计算平台中的智能决策者,可以对资源进行合理调度,提升资源的利用效率。通过将深度强化学习技术融入边缘计算框架中,优化边缘计算的多个方面,可以为边缘计算提供有力的技术支持。

边缘计算与人工智能技术相辅相成。在边缘智能计算方面,边缘计算为人工智能提供了一个高质量的计算架构,对一些时延敏感、计算复杂的人工智能应用提供了切实可行的运行方案。在智能边缘计算方面,人工智能技术也在边缘计算的许多环节中扮演着决策者的角色,对节点资源起到了优化作用,成为边缘计算的重要技术支柱。

技术的交叉融合往往会带来一些创造性的解决方案。当下边缘计算与人工智能的联系日益加强,二者相互促进、相互依托,为5G时代颠覆性创新成果的诞生奠定了坚实基础。

作者:王晓飞,天津大学智能与计算学部计算机科学与技术学院教授,博士生导师。

韩溢文,天津大学智能与计算学部计算机科学与技术学院博士生。

本文来自《张江科技评论

©2011-2019 版权所有:中国数字科技馆
未经书面许可任何人不得复制或镜像
京ICP备11000850号 京公网安备110105007388号
信息网络传播视听节目许可证0111611号
国家科技基础条件平台