两年前的边缘计算技术峰会上,中国工程院院士邬贺铨就边缘计算(multi-access edge computing,MEC)提出十问,直戳技术演进与产业发展的核心问题,引起业内巨大反响。在过去两年中,边缘计算产业得到了长足发展,市场参与者也是越来越多。在日前举行的“中国移动‘5G+E’网边融合技术峰会”上,邬贺铨院士再问边缘计算。
　　
　　“一问”边缘在哪里?
　　
　　最靠近用户的边缘就是终端,不过虽然MEC功能可下沉到终端,但不宜把终端也看成是MEC。
　　
　　MEC的实际部署位置比较灵活,除了考虑接近数据源以降低时延外,还需考虑业务应用服务的覆盖范围(例如园区),以及业务应用数据本地化的需求(考虑数据安全性)。
　　
　　在移动通信网中,MEC可以在DU,也可以在CU,也可放在CN边缘;在工业企业,MEC可与基站一起设置在企业内部,即UPF在企业,而网络信令仍可在核心网进行安全认证和控制,数据不出企业。也可以设置在运营商的核心网边缘,不论基站是否在企业内部;OTT服务商将终端/数据源到云计算中心路径之间任意节点均可定义为MEC落点,可以是纯软件形态或是集成中间件的硬件网关。
　　
　　“二问”何谓多接入?
　　
　　2016年ETSI把MEC的概念从移动边缘计算(Mobile Edge Computing)扩展为多接入边缘计算(Multi-Access Edge Computing),将边缘计算从电信蜂窝网络进一步扩展至其他接入网络。
　　
　　Multi-Access Edge Computing的多接入并非强调MEC同时服务多个接入系统；也并非指MEC具有多归属功能。多接入可能指MEC可工作在移动通信网也可工作在WLAN，即适应接入的异构性；还可以将多接入理解为MEC可与接入网/城域网中多类网元集成在一起。
　　
　　“三问”MEC是边缘云吗?
　　
　　MEC是边缘云，与云计算是协同互补的关系。云计算把握整体，聚焦于非实时、长周期数据的分析，能够在周期性维护等领域发挥特长，而MEC则专注于局部，聚焦实时、短周期数据的分析，能够更好地支撑本地业务的实时智能化处理与执行。
　　
　　云计算是集约化共享服务的概念,目前MEC如果服务终端及应用不多的话,集约化程度不够。另外,云计算的DaaS、KaaS、PaaS、SaaS都要在MEC配置吗?图1表示了MEC与云计算的关系和不同之处。
　　
　　“四问”MEC与CDN和DC的异同?
　　
　　传统CDN是以缓存分发业务为中心的I/O密集型系统,主要作用是热点内容就近分发,或“分发加速”。而MEC不仅要“加速”,还拥有开放API能力及本地化的计算存储能力,具有一定的智能。因此MEC可看成是具有更靠近无线网边缘的微型CDN功能。
　　
　　现在一些CDN已不仅仅是热点内容缓存,还提供了容器即服务、VM即服务、裸机即服务和无服务器功能的某种组合,看起来更像云服务商。从这一点看,CDN与MEC的界限会模糊,不过从相对数据源的位置看,CDN更像雾计算。

  MEC具有laaS功能特别是虚拟化的网络、存储、计算资源,可见MEC具有一定的数据中心(DC)功能,但DC从能效看宜大容量,因此MEC主要能力不是做微型DC。
　　
　　“五问”MEC计算什么?
　　
　　从ETSI的MEC功能图看,MEC具备laas和Paas功能,即云计算主体功能,但更需强调将MEC功能封装成虚拟的应用(本地分流、无线缓存、AR/VR技术、业务优化、定位等应用),开放给第三方。目前的框架需要补充与云网功能的交互。详见图2。
　　
　　“六问”MEC如何发现服务与配置?
　　
　　服务注册表提供了MEC服务器上可用服务的可见性。它使用服务松散耦合的概念,在应用程序部署中提供灵活性。传统的基于DNS的服务发现机制,主要面向服务静态或者服务地址变化较慢的场景,当服务变化时,DNS的服务器通常需要一定的时间以完成域名服务的同步,并不适合大范围、动态性的MEC场景。
　　
　　在车联网场景下用户和计算设备动态注册和撤销,服务通常也需要跟着进行迁移,将会导致大量突发流量,广域网的带宽不一定能动态适应,如何从设备层支持服务的快速配置?
　　
　　边缘设备产生大量的数据,边缘服务器提供了大量的服务,如何根据边缘服务器以及网络状况动态地对数据进行调度至合适的计算服务提供者?
　　
　　“七问”MEC的业务规划从哪里来?
　　
　　MEC为了快速响应，不仅位置要靠近数据源，而且应该简单，为此MEC只具有小数据处理能力。数学模型与Al算法需要全局性、长周期、大数据训练，这不是MEC的长项，因此MEC需要从外部获得模型与规则。同时，MEC要求模型瘦身，并将模型能力限定在特定子域。
　　
　　目前,一些公司开源了连接云和物联网设备的开发框架,可直接在设备端或MEC开发拥有机器学习能力的应用。例如微软开源了Azure loT Edge Runtime,大疆就利用这个框架实现无人机本地的图像识别功能。高通也借助该平台快速构建移动终端设备上的图像处理能力。

  “八问”计算能力如何在云端配置?
　　
　　(1)终端计算任务向云端迁移
　　
　　终端借助5G传输无需下载安装核心软件,降低对硬件要求和成本,即插即用,流畅体验;物联网所感知的数据通过5G低时延直接上云,IOT与Al无缝融合,AI+IOT=AlOT(智联网),如图3所示。
　　
　　(2)云端计算能力分流到边缘计算与终端
　　
　　工业互联网的边缘计算设置在车间或分厂;物联网模块嵌入Al芯片和操作系统,相当于边缘计算能力下沉到物联网终端,如图4所示。
　　
　　“九问”云边端计算能力如何协同
　　
　　MEC之间需要联系与协同。同一个中心云管理的多个MEC可能忙闲不均，空闲MEC的能力可否调用以支持忙的MEC？在MEC间进行存储计算资源协作并不容易，中心云与MEC间不仅需要收集数据和传递模型，而且还需要中心云对大规模MEC的资源管理能力。
　　
　　MEC需要定期备份到安全的远程位置或中心云,以避免在发生本地灾难时丢失数据。此外,MEC的计费与安全管理可能也需纳入中心云管理范围。
　　
　　“十问”MEC有定式吗?
　　
　　MEC的设置位置灵活,MEC的功能人云亦云,甚至可以包括CDN和微型DC的功能,小到可以落在终端。关键是增强MEC功能的同时需要重视瘦身,否则成本不可控。很多场景下MEC可能没有单独的物理存在,集成到有关设备中以应用层软件形态出现。如果说MEC代表计算能力,将来肯定计算无处不在,也就意味着未来MEC不可见。
　　
　　通信网络功能集中与功能分布不断迭代,最好是集中分布两相宜,难得的是功能的最优分配,但这是很难做到的。目前可以说边缘计算还没有定式,也可以说正因如此,才展现很大的创新空间。
　　
　　最后,邬贺铨院士列举了云边端计算能力优化的实例:
　　
　　•一个城市的视频监控数据直接送到云端AI分析将占用大量计算与存储资源，视频数据非结构化，价值密度很低,大数据≠数据大。如果摄像头带有少量AI能力，可以先提取特征信息,但前端的AI能力十分有限,所提取的特征信息有限或不准确，无法通过后台人的分析来弥补。
　　
　 •人眼有1.2亿个感光细胞(相当于1.2亿个摄像头)经过双极细胞连接100万个神经节细胞,即经过125倍特征压缩。仿照生物视觉系统,构建云边端计算体系，端侧实现视频编码,边缘计算(也可以综合到端侧)实现特征压缩,云端不仅接受特征信息也获得压缩图像,因为有时还需要人眼确认。但云端的存储与带宽可节省50%,算力可以节省90%。
　　
　　•关键技术,全局统一的时空ID；视频编码+特征编码+联合优化；模型可更新+注意可调节+软件可定义。如何合理分配端边云的能力以及视频编码与特征信息的数据量比例是值得重视的挑战。
　　
　　•以海康明眸人脸识别通道为例,该设备可支持10000人脸库,在无需接入云端的情况下,人脸识别通道便可完成1:N的人脸识别和1:1的认证比对,比对时间不到1秒,准确率超过99%。
　　
    以上实例源自:高文院士:城市大脑的‘痛点’与‘突破’,CCF-GAIR2020,2020.08.07
　　
　　编辑：Harris