边缘AI
深度学习的蓬勃发展，AI应用越来越普及，例如基于视频的智能分析应用已经极大的改变了人们的生活。随着移动计算和物联网的发展，数据在网络边缘发生了指数级的增长，因此需要把AI的能力推到网络边缘，减少数据传输量的同时提高AI推理的处理速度。
边缘AI在学术界发展迅猛，当前主要的研究热点包括：
联邦学习：联邦学习是一个机器学习框架。各个企业的自有数据不出本地，而后联邦系统可以通过加密机制下的参数交换方式，即在不违反数据隐私法规情况下，建立一个虚拟的共有模型，这个虚拟模型就好像大家把数据聚合在一起建立的最优模型一样。
但在建立虚拟模型的时候，数据本身不移动，也不泄露隐私和影响数据合规。联邦学习当前主要应用在互联网金融领域，香港科技大学的杨强老师做了非常多开创性的工作，其综述性文章对这个领域进行了详尽的介绍和分析。
迁移学习：迁移学习 (Transfer Learning) 是一种机器学习方法，通过给定目标任务，将其他任务的知识迁移到目标任务，提升目标任务表现。迁移学习可以作为机器学习模型上游，与模型解耦合，适应（不同边缘设备上的）多源数据，新加坡南洋理工大学的Pan, Sinno Jialin老师的综述文章[对该领域进行了详细的调研和分析，以供参考。
模型切分：考虑到边缘计算资源受限、能耗等问题，如何在边缘高效部署深度学习模型是一个非常值得研究的问题，中山大学陈旭老师将深度卷积神经网络按层分割，一部分部署到云上，一部分部署到边缘，通过边云协同的方式完成推理，可以在网络边缘端高效支撑深度学习推理任务。
此外，Zhuoran Zhao提出的DeepThings方法，采用卷积层的可伸缩融合切片分区（FTP），以最大程度减少内存占用量，同时提高并行性，取得了非常好的效果，尤其适合于AIoT场景。
模型轻量化：为了减少模型运行时对资源的消耗，或使得模型能运行到更轻量级的设备上，一般可以对模型进行蒸馏、剪枝、量化等操作。南京大学吴建鑫老师在资源受限情况下的视觉学习有非常多的研究。
安全隐私
模型保护：为了更靠近数据的源头，对数据进行分析，需要将模型推送到边缘，边缘的运行环境是一个不可信的环境，需要对模型的版权加以保护，防止被未授权的使用，另一方面，模型是用户的核心资产，需要防止非法获取而被盗用。南京大学的许封元老师利用TEE技术将深度学习模型运行到一个可信环境中，提高模型和用户隐私数据的安全性。
此外，Jialong Zhang等基于数字水印的方式，设计一种保护深度学习模型知识产权，并可对模型所有权进行外部验证的技术。首先，生成定制水印和预定义标签，然后通过训练将生成的水印嵌入到目标DNN中，最后把水印作为输入，通过检查输出来验证模型的知识产权。
差分隐私：差分隐私是一种保护用户隐私数据的方式，比如用户想要使用自己创建的数据集来训练人脸识别算法，移动设备是不能训练的，但直接放在云端训练又会泄露隐私；使用差分隐私机制来保护训练的安全在训练时，神经网络被使用特殊的方法在用户端和云端切开，来保证在数据上和参数上的隐私都是受到保护的。
网络
MEC：多接入边缘计算（Multi-AccessEdgeComputing），其定义和框架均来自欧洲电信标准协会ETSI，根据ETSI 对 MEC的描述，其是为应用程序开发人员和内容提供商提供了云计算功能，以及在网络边缘的IT服务环境。这种环境的特点是超低延迟和高带宽，能实现通过无线网络对应用程序中的信息进行实时访问。MEC的研究多在以下方面：
QoE：利用RAN提供的位置、网络负载帮助用户获取更好的体验。此外，University of Michigan 的 Ashkan提出了一个离线的给每个被测APP建立QoE-QoS mapping模型的方法（给每个APP建一个JSON，里面包含了它如何使用的信息），还有如何利用这个模型来优化QoE-aware traffic management的方法，提高了视频的响应性和视频帧率。
同时， LingyanZHANG提出了QCSS，一种QoE感知的用于MEC基础设施的自适应流服务的控制面。QCSS旨在确保在线流媒体的高QoE为移动用户提供服务。
MEC站点选址：研究边缘计算设备在真实城市中的基础设施上（电信基站、商用路由器和智能路灯）的部署问题。基于一个城市的基础设施位置信息和两个移动应用得到的移动路径信息来对城市级别的边缘节点的部署可能性，提出了一个充分考虑设备异构性（通信距离，资源大小，价格）的部署算法，以达到用户QoE和部署价格的平衡。
计算迁移：主要研究任务如何切分、用户移动时如何同步应用和数据。
移动性支持：当设备处于移动状态时，由于网络参数的不同（例如，延迟，带宽，抖动等）的变化，应用程序的服务质量会降低。移动边缘计算中的一项具有挑战性的问题是实现一种移动管理技术，用户可以使用该技术来 访问边缘应用程序而无需断开连接。
可扩展性：边缘设备产生大量的数据，同时边缘服务器提供了大量的服务.因此，根据边缘服务器以及网络状况，如何动态地对这些数据进行调度至合适的计算服务提供者，将是边缘计算中的核心问题。
系统&架构
系统和架构方面，涉及系统管理、资源分配、请求调度，服务迁移、边云协同等多个方面。
系统管理：随着移动边缘服务器部署的增加，集中管理的方式将导致性能问题。为了应对这些挑战， WendaTang首先应用对等网络来管理地理分布的移动边缘服务器[。
其次，提出了一种新的可感知截止日期且具有成本效益的卸载方法，该方法旨在提高车辆的卸载效率，并允许其他任务按时完成。
资源分配和应用调度：通过边缘计算的方式，将计算任务从端侧设备卸载到边缘和中心云，需要考虑能耗、网络带宽、传输时延等问题，中山大学的陈旭老师在这块有着丰富的研究成果，如博弈论、纳什均衡等在边缘计算上的研究和使用。香港理工大学的曹建农老师在这一领域进行了多年的研究。
其中，针对移动边缘云中对延迟敏感的应用程序的联合计算分区和资源分配问题，在计算资源和网络带宽上都结合了计算分区和二维资源分配。开发了一种新的有效方法：多维搜索和调整（MDSA），一种离线调度算法来解决该问题。
服务迁移：当在边缘计算平台上卸载服务时，支持移动客户端的平稳移动非常重要。无中断的客户端移动性要求将卸载服务无缝迁移到附近的边缘服务器。但是，在WAN环境中跨边缘服务器的卸载服务的快速迁移对切换服务设计提出了重大挑战。
Lele Ma提出了一种新颖的服务切换系统，该系统可以在移动客户端移动的同时将卸载服务无缝迁移到最近的边缘服务器。其通过容器迁移实现，利用容器分层文件系统来减少文件同步开销，从而不依赖于分布式文件系统。Lucas Chaufournier等人对VM方面的迁移问题进行了研究，提出多路径TCP来改善虚拟机迁移时间和网络透明性。
中间件
边缘消息机制：IoT设备产生的海量数据，需要被发给合适的边缘节点处理，并实时返回结果，Shweta Khare等提出过程-订阅系统[16]来满足上述诉求，该系统体平衡了运行在边缘的，基于主题，发布-订阅系统的数据发布和处理负载。给出了一组位于同一地点的主题的等待时间预测模型，然后将其用于在代理上进行主题的等待时间感知的放置。
针对k主题共址的优化问题公式，以在满足每个主题QoS要求的同时最大程度地减少中间人的数量，提出了三种负载平衡启发式方法。
边缘存储：Anna 是 Berkeley 大学研究的一种 Key-Value 存储。其开创性的使用 lattice 的方式允许用户自定义冲突解决方式，进而可以自定义一致性级别，在特定场景下极大的提升系统性能，非常适合边缘数据的可靠性和一致性。此外还有利用IPFS这种点对点的分布式文件系统来应对边缘存储的扩展性和应用加速。
大数据：边缘大数据应用具有低延时、高带宽的数据处理能力，该方向的研究主要集中在端边协同数据处理，数据汇聚加速，数据位置感知调度计算，华科的吴松老师则在数据处理架构层面，将FPGA加速器引入边缘集群，为边缘计算环境下的流数据处理设计了新的框架。
边缘应用
边缘计算的典型应用创新包括以下几个方面：
实时视频分析：CMU的Junjue Wang等基于无人机的机载处理能力，并结合边缘的处理能力，可以节省大量无线带宽，并提高可扩展性，而不影响结果准确性或结果延迟。其可以很好的平衡小型无人机上的实时视频分析在无线带宽，处理能力，能耗，结果准确性和及时性的难题。可以应用于搜索与救援，监视和野生动植物保护等领域的搜索任务。
AR/VR/云游戏：随着大规模多人在线游戏（MMOG）和虚拟现实（VR）技术的普及，VR-MMOG迅速发展，要求更快的游戏交互和图像渲染。Wuyang Zhang等提出了一种混合的游戏架构，它将本地视野更新放在边缘云上以加快响应速度，将帧渲染放置在边缘云上以获得高带宽，并在中心云上放置全局游戏状态更新以实现用户可伸缩性。此外，Wei Gao等基于边缘计算，实现分级缓存，以加速AR/VR应用。
车联网：基于边缘计算的方式，改善车辆服务并增强车辆的功能，北京邮电大学的王尚广老师有着丰富的研究成果，比如在任务调度，端边协同等，并对该领域进行了详尽的调研以供可以参考。此外，还有研究在边缘进行车载信息采集做大数据分析[22]，提升用户体验，采集司机语音、注意力检测来提升安全性等。