摘要：随着物联网的兴起以及云服务的普及，一种新的计算范式–边缘计算开始出现在我们视野中。边缘计算主张在网络的边缘处理数据，从而减少系统反应时间，保护数据隐私及安全，延长电池使用寿命，节省网络带宽。本文我们将介绍边缘计算的定义，并通过几个案例介绍边缘计算的应用。
一． 介绍
自从2005年云计算出现以来，我们的生活，学习和工作方式都发生了显著的变化。例如软件即服务（SaaS）模式的应用，如Google Apps，Twitte，Facebook等等。
1999年，物联网（IoT）的概念首次被提出，主要用于供应链管理。之后这种“计算机自动感知信息”的概念被广泛应用到其它领域，如医疗保健，家庭，环境以及交通运输等领域。随着物联网的普及，我们将会进入“后-云服务”时代。我们生活中的大量物件将产生惊人的数据量，同时我们也将部署更多的应用来利用这些数据。据思科全球云指数报告，到2019年，人和机器产生的数据总量将达到500泽字节，而全球数据中心IP传输数据总量只有10.4泽字节。到2019年，45%的物联网设备产生的数据会在网络边缘或者靠近边缘的地方进行保存，处理，分析并得到合适的响应。到2020年，将会有500亿的设备连接到互联网上。有些物联网应用需要非常短的反应时间，有些可能涉及隐私数据，还有一些可能会产生大量的数据从而大大加重网络负荷。因此，仅仅通过云计算已经无法满足这些要求。
鉴于云服务的弊端以及物联网应用的需求，我们认为网络边缘设备的角色正在从单纯的数据消费者向数据生产者及消费者转变。本文我们将提出边缘计算的概念，同时分析为什么需要边缘计算以及对边缘计算的展望。通过智能家居，智能城市，云端分流等案例，我们将更加清晰地认识边缘计算。同时本文也提到了一些值得进一步研究的挑战和机会，如可编程性，命名，数据抽象，服务管理，隐私和安全，优化指标等等。
二． 什么是边缘计算
随着网络边缘产生的数据量不断增加，直接在网络的边缘进行数据处理会更加高效。之前已经有人提出了微数据中心，微云，雾计算等概念，本节我们将解释什么是边缘计算以及针对某些计算服务，为什么边缘计算比云计算更有效。
将所有的计算任务放到云端执行是一种有效的方式，因为云端计算能力比边缘设备强很多。虽然数据处理速度很快，但是网络带宽却很有限。随着数据不断增多，数据传输速度变成了提升云计算能力的瓶颈。例如，一架波音787客机每秒会产生5G数据，但是飞机与卫星或基站之间的带宽却不能容纳这么大的数据传输量。一辆自动驾驶汽车每秒能产生1G数据，同时需要对数据进行实时处理并做出正确的动作。如果将全部数据传到云端进行处理，响应时间将会变得非常长，而且支持某片区域内的众多汽车同时工作对当前的网络带宽及可靠性来说也是一个巨大挑战。因此，这就需要在网络边缘设备上直接对数据进行处理。
几乎所有的电子设备都将成为物联网的一部分，它们将扮演着数据制造者和消费者的角色，如空气质量传感器，路灯，微波炉等等。这些设备数量众多，它们会产生大量数据，因此传统云计算方法将无法支持如此巨大的数据。所以物联网设备产生的大量数据就不能全部传到云端，它们需要直接在网络边缘进行处理。
图1显示了传统云计算的结构。数据制造者生成原始数据并传到云端，数据消费者向云端发送请求然后使用数据。但是这种结构无法满足物联网时代的需求。首先，设备产生的数据量太大，会导致大量不必要的带宽和资源消耗。第二，对保护隐私的需求也阻碍了云计算的应用。第三，大多数物联网终端节点都是能量有限的设备，可能由电池供电，而无线通信模块通常比较耗能，所以直接在边缘节点上执行一些计算任务是非常有效的。
在云计算范式中，边缘上的终端设备通常扮演数据消费者的角色，例如在智能手机上看YouTube视频。但是现在人们还扮演着数据制造者的身份，它们利用智能手机拍照片，拍视频，然后分享到YouTube，Facebook，Twitter等等。但是这些图片和视频的数据量太大，如果直接传到网上将占用大量带宽。所以可以直接在终端对图片和视频进行调整，然后再上传云端。另一个例子是可穿戴健康设备，这些设备收集的数据可能比较隐私，因此直接在设备上处理数据而不是上传云端会更好地保护数据隐私。
边缘计算是一种使能技术，它可以在网络边缘对物联网服务的上行数据及云服务的下行数据进行计算。这里的“边缘”指的是在数据源与云端数据中心之间的任何计算及网络资源。例如，智能手机就是个人与云端的“边缘”，而智能家居中的网关就是家庭设备与云端的“边缘”。边缘计算的基本原理就是在靠近数据源的地方进行计算。从这一点来看，边缘计算与雾计算类似，但是边缘计算更侧重“物”一侧，而雾计算则更侧重基础结构方面。我们认为边缘计算会像云计算一样对我们的社会产生巨大的影响。
图2展示了边缘计算中的双向计算流。在边缘计算范式中，物不仅仅是数据消费者，还是数据制造者。在网络边缘，物不仅可以向云端请求服务及内容，还可以进行计算任务。边缘可以进行数据存贮，缓存和处理，同时将云端服务和请求发给用户。为此需要对网络边缘进行合理地设计，满足安全性，可靠性及隐私保护的需求。
与传统云计算相比，将计算任务放置在靠近数据源的地方有许多好处。研究者搭建了一个概念验证平台来运行面部识别应用，当把计算任务从云端移动到边缘时，系统反应时间从900ms降到了169ms。还有研究者使用微云来为穿戴式认知辅助设备分担计算任务，结果表明系统反应时间减少了80-200ms。而且能耗也减少了30-40%。
三． 案例研究
在云计算范式中，大多数计算发生在云端，这种计算范式可能导致较长的系统延迟，从而降低用户体验。在边缘计算中，边缘有一定的计算资源，可以帮助云端分担一部分计算任务。
在传统的内容分发网络（CDN）中，只有数据缓存在边缘服务器上。因为在过去的几十年间，都是内容提供者直接将数据提供在网上。但是在物联网时代，数据由边缘制造并消费。所以在边缘计算中，数据以及对于数据的操作都需要缓存在边缘上。
边缘计算的一个优点可以体现在在线购物服务中。消费者可能经常操作购物车，默认情况下，对购物车的操作会在云端完成，然后更新用户端的购物车界面。根据网速和服务器负荷情况，这个过程可能需要很长时间，对于移动设备来说需要的时间可能更长。随着在移动客户端购物的情况越来越多，为了提升用户体验，可以将购物车更新操作移动到边缘节点。正如前面所说，用户购物车数据以及对购物车的操作都可以缓存在边缘节点。当然用户的购物车数据最终还要同步到云端，但是这些可以在后台运行。
当用户从一个边缘节点移动到另一个边缘节点，这就涉及多节点的协作问题。我们可以简单将数据缓存到用户到达的各个边缘节点，不过各节点的同步问题就需要再进一步研究了。例如：在一小片区域内导航应用可以将导航或者搜索服务移动到边缘；在边缘节点进行内容过滤与整合从而减少数据传输量；实时应用如AR可以使用边缘节点减少反应时间。因此，使用边缘计算可以减少系统延迟，大大提升用户体验。
手机和网络摄像头的普及使得视频分析变成一种新兴技术。云计算不适合做视频分析，因为数据传输的延迟太长以及出于隐私问题的担忧。这里我们提到一个寻找丢失儿童的例子。现在城市里有大量的摄像头，当某儿童丢失时，他/她很可能被某个摄像头捕捉到。但是由于隐私问题以及传输成本，这些摄像头数据通常不能全部传到云端，所以我们很难利用如此大范围的摄像头。即时可以从云端访问这些数据，传输和搜索如此大的数据量也会消耗大量时间，这对寻找丢失儿童来说可能是无法忍受的。我们可以利用边缘计算范式，从云端向目标区域内的设备发送搜索丢失儿童请求。特定区域内的每台设备，如智能手机会在本地摄像头数据中进行搜索，然后只回传搜索结果，这样搜索时间将大大减少。
物联网大大改善了家庭环境。市场上已经出现了一些相关产品，如智能灯，智能电视，扫地机器人等等。但是仅仅通过Wi-Fi等无线通信模块将设备连到云端还远不是智能家居。在智能家居中，除了可连接的设备，还应该在房间，管道，地板，墙面等部署大量的传感器和控制器。它们将产生大量数据，但是考虑到隐私问题和传输压力，这些数据大多需要直接在本地使用。这就使得云计算不再适合智能家居，取而代之的将会是边缘计算。通过在家庭网关上运行边缘操作系统（EdgeOS），家庭设备可以连接到网关，然后部署相关服务进行统一管理。
图3显示了智能家居中的一种EdgeOS结构。EdgeOS可以通过Wi-FI，蓝牙，ZigBee，蜂窝网络等收集屋内的各种数据。不同数据源会在数据抽象层进行融合。数据抽象层上面是服务管理层。这一层需要支持可区分性（Differentiation）， 可扩展性（Extensibility）,隔离（Isolation），可靠性（Reliability）。
边缘计算范式可以应用在智能家居，社区甚至在城市里。主要原因有以下几点：
1． 大数据量：到2019年，一个拥有一百万常住人口的城市每天将产生180PB的数据，这些数据来自于公共安全，医疗健康，交通运输等等。建造一个集中式的云数据中心来处理这些数据是不现实的。边缘计算则是一个有效的解决方案。
2． 低延迟：对于那些需要确定且低延迟时间的应用如医疗设备或者公共安全设备来说，边缘计算也是一种合适的范式，它可以节省传输时间，简化网络结构。相比云端处理来说，在边缘进行数据处理，做决策也会更加高效。
3． 位置感知：对于基于地理位置的应用如交通运输设施管理，边缘计算可以获得更准确的位置信息。可以根据位置收集数据并处理，不需要传到云端。
在工业界和学术界，云可以说是大数据处理的标准计算平台。云计算要求数据传到云端进行处理，但在许多情况下，由于隐私问题和数据传输成本，拥有数据的利益相关者很少愿意分享数据，因此多个利益相关者合作的机会有限。而边缘作为一个小型数据中心，连接了云端和终端用户。协作式边缘连接了多个不同边缘。这种像众议院一样的连接方式可以让不同利益相关者合作及分享数据。
在不久的将来，一个非常有价值的应用是可连接医疗健康应用，如图4所示。举个例子，假如流感爆发了，病人流向医院，同时病人的电子病历将会更新。医院统计并分享流感爆发相关信息，如平均治疗成本，症状，患病人数等等。理论上病人会根据处方去药房拿药，但也有可能病人没有遵医嘱进行治疗，但是医院并不知道病人没有拿药，所以医院不得不担负起再治疗的责任。现在通过协作式边缘，药房可以向医院提供病人的购药记录，从而使医疗责任更加清晰。
同时，药房利用协作式边缘从医院获取患病人数，这样药房可以提前备货，从而获取更多利润。此外药房还可以从制药公司获取药品的价格，位置，库存量。药房还可以获取物流公司的运送价格，从而制定更合适的用药计划。药企可以根据药房送来的用药数据制定合理的生产计划。同时，政府疾控中心还可以通过检测患病人数，向特定区域内的人群发出告警并采取相应措施抑制流感传播。
流感爆发后，保险公司需要根据政策向病人支付医药费。保险公司可以分析患病人数的比例及治疗成本，从而调节下一年的保险费用。如果病人愿意提供个人电子病历，保险公司还可以提供定制化的医疗保健政策。
四． 机遇和挑战
上一节我们介绍了几个边缘计算的应用实例。本节我们将总结边缘计算的挑战并提出一些值得进一步研究的解决方案。主要涉及可编程性，命名，数据抽象，服务管理，隐私和安全，以及优化指标。
1. 可编程性
云计算中，用户编写程序并部署在云端。云提供者负责决定在哪里执行计算任务。用户并不知道应用是如何运行的，这也是云计算的一个优点，云计算的基础设施结构对用户来说是透明的。通常情况下由于程序只运行在云端，是由一种编程语言完成并编译到特定目标平台运行。但是在边缘计算中，计算任务分到各种不同平台的边缘节点上。不同节点运行时间不同，程序开发者面临着巨大的困难。
为了解决边缘计算的可编程性问题，我们提出了计算流的概念。它是指在数据传播途径上对数据的一系列操作。这些操作可以包含应用的全部或局部功能。计算流是由软件定义的计算过程，可以在数据产生设备，边缘节点以及云环境上以一种分布式的高效方式对数据进行处理。正如边缘计算的定义一样，计算应该在边缘完成而不是云端。这种情况下，计算流可以帮助用户决定哪些操作需要执行以及数据如何传播。在哪里执行操作的衡量指标可以是延迟时间，能耗，软硬件限制等等。通过部署计算流，我们认为数据的计算应该尽可能靠近数据源，从而减少数据传输成本。在计算流中，操作可以重新分配，对应的数据和状态也要重新分配。此外，我们还要解决协作问题，如数据同步等。
2. 命名
在边缘计算中，一个重要的假设是物的量非常大。在边缘节点上运行着许多应用，每个应用都有自己的服务组织架构。与所有的计算机系统类似，在边缘计算中，对于程序设计，寻址，物体识别以及数据通信来说，命名原理都是非常重要的。但是现阶段对于边缘计算范式来说还没有确定一种高效的标准化的命名机制。为了与各种异构系统进行通信，边缘开发者需要学习多种网络通信协议。边缘计算的命名原理需要解决物体的可移动性，网络拓扑的高度变化性，隐私和安全保护以及对于大量不确定物体的可扩展性等问题。
传统命名机制如DNS，URI可以满足当前大多数网络要求。但是它们的灵活性不高，无法服务于动态边缘网络。因为边缘上的设备具有高度移动性且资源有限。对于那些资源有限的设备，也无法支持基于IP的命名原理。
新的命名机制如命名数据网络（NDN）及MobilityFirst可以应用在边缘计算中。NDN提供了一种分层命名结构，它拥有很好的扩展性，良好的可读性，便于服务管理。但是为了适合其它通信协议如蓝牙，Zigbee等，还需为其添加额外的代理。NDN的另一个问题是安全性，因为很难将设备硬件信息与服务提供者分离开来。为了提供更好的移动支持能力，MobilityFirst可以将名字与网络地址分隔开，不过需要使用全球唯一标识符（GUID）。MobilityFirst的另一个缺点是不便于服务管理，因为GUID的可读性不好。
对于比较小的固定边缘，如家庭环境，可以通过EdgeOS为每个设备分配网络地址。在一个系统中，每个设备都有唯一一个人类可读的名字，它描述了下列信息：位置，角色，数据描述。例如“厨房.微波炉.温度”。如图5所示，EdgeOS会为其分配相应的标识符及地址。每个物体都有一个唯一的人类可读的名字，从而便于服务管理，物体判断，部件更换。这种命名机制对于用户和服务提供者来说都是十分方便的。例如用户会从EdgeOS接收到诸如“卧室天花板上的灯坏掉了”之类的信息，这样用户可以直接更换灯泡，不需要查找错误代码或者为灯泡重新配置网络地址。这种命名机制为服务提供者提供了更好的可编程性，屏蔽了硬件信息，从而更好地保护数据隐私及安全。唯一标识符与网络地址可以与人类易读的名字一一对应。EdgeOS使用标识符进行物体管理。网络地址如IP地址或MAC地址可以用来支持各种通信协议，如蓝牙，WIFI，Zigbee等等。
数据抽象
EdgeOS上运行着各种应用，每种应用借助服务管理层API提供特定的服务。在无线传感器网络和云计算范式中已经对数据抽象问题有了深入的研究。但是在边缘计算中，这个问题变得更具挑战性。在物联网时代，网络中存在大量数据产生设备。这里我们举智能家居为例，在智能家居环境中，几乎所有的设备都会向EdgeOS发送数据。但是大多数网络边缘上的设备只会周期性地向网关发送数据。例如温度计每隔一分钟发送一次数据，但是在一天之内这些数据只会被真正的用户使用几次。另一个例子是家庭安防摄像头。它会随时记录数据并发送到网关，但是这些数据会保存在数据库中一段时间，并没有人使用，最终被新数据取代。
根据上述情况，我们认为在边缘计算中应该尽可能地减少人的介入，边缘节点应该消费/处理全部的数据，并且以一种积极主动的方式与用户进行交互。这种情况下，网关需要对数据进行预处理，例如噪声去除，事件检测以及隐私保护等等。处理后的数据将发到上层用于提供合适的服务。这个过程面临几个挑战。首先，如图6所示，不同设备传来的数据格式不同。考虑到隐私和安全问题，网关上的应用不应该获取原始数据，它只需要从完整数据表中获取感兴趣的内容即可。数据表的格式可以是ID，时间，名字，数据（如0000,12:34:56pm 01/01/2016，kitchen.oven2.temperature3, 78）。但是传感器数据被隐藏起来了，所以可能影响到数据可用性。第二，有时候很难决定数据抽象的程度。如果过滤掉太多的原始数据，某些应用或服务可能就无法获取足够的信息。但是如果保留太多原始数据，数据存储也会很麻烦。有时候由于传感器精度不高，环境不稳定或者通讯不正常，边缘设备上的数据信息可能并不可靠，所以如何从不可靠的数据中抽象出有用信息也是一个挑战。
收集数据是为应用服务的，为了完成特定的服务，应用需要对物体实施控制，如读写数据。数据抽象层将数据呈现方式以及相应的操作结合起来，并提供了一个公共接口。此外，由于设备的多样性，数据的呈现方式与相应的操作都有所差异，所以找到一种通用的数据抽象方式也并非易事。服务管理
对于网络边缘上的服务管理，为了保证系统稳定，我们认为需要具有以下几个特性：可区分性，可扩展性，隔离，可靠性。
可区分性：随着物联网的快速发展，网络边缘上会部署多个服务。不同服务应该具有不同优先级，关键服务如物体判断和失败报警应该在其它普通服务之前执行。对于健康相关的服务，心跳停止检测应该具有最高的优先级。
可扩展性：可扩展性对于网络边缘来说是一个巨大挑战。相对于移动系统，物联网中的设备更具动态性。用户购买的新设备能否接入原系统将是一个首先要解决的问题。这些问题可以通过设计一个灵活可扩展的服务管理层来解决。
隔离：隔离是网络边缘需要解决的另一个问题。在移动系统中，如果应用崩溃了，整个系统将会重启。在分布式系统中，共享资源可以通过不同的同步机制如锁或令牌环等进行管理。但是在EdgeOS中，这个问题会更复杂。多个应用会共享相同的资源，例如对灯的控制。如果应用崩溃了或者没有响应，用户应该在不破坏整个EdgeOS的情况下依然可以对灯进行控制。当用户从系统中移除控制灯的应用之后，灯仍然需要与EdgeOS保持连接。我们可以通过部署/取消部署框架解决这个问题。如果在应用安装之前系统检测到了冲突，就会向用户发送警告，从而避免潜在的访问问题。另一个问题是如何将用户个人数据与第三方应用隔离开来。例如你的活动追踪应用不能访问你的用电量数据。为了解决这个难题，我们可以在EdgeOS的服务管理层中加入一种访问控制机制。
可靠性：可靠性也是一个重要问题。从服务的角度来看，有时候很难准确识别服务失败的原因。例如，如果一台空调坏了，可能的原因有电源断开，压缩机故障，甚至温度控制器电池耗尽。由于电池耗尽，连接条件恶劣或者部件磨损，传感器节点可能会与系统失去连接。 如果EdgeOS可以提醒用户哪个部件无响应，或者提前警告用户系统中的哪个部件有损坏的风险，这种用户体验非常好。从系统的角度来看，保持整个系统的网络拓扑类型非常重要，系统中的每个部件都可以向EdgeOS发送状态/诊断信息。这样就可以很容易地部署错误检测，设备替换以及数据质量检测等服务。从数据的角度来看，对可靠性的挑战主要来自于传感器数据和通信部分。正如之前研究和讨论过的，网络边缘可能因为各种原因发生故障，发送不可靠的数据。我们也提到了许多用于物联网数据收集的新型通信协议，它们可以支持大量传感器节点和动态网络条件。但是它们的连接可靠性没有蓝牙或者WIFI好。如果数据和通信不可靠，提供可靠的服务将是一个挑战。隐私和安全
在网络边缘，数据隐私和安全保护是一个重要服务。如果物联网应用部署在家庭中，用户的大量隐私数据会被收集。例如我们可以通过读取电量和水量使用数据判断家中是否有人。因此如何在不涉及隐私的情况下提供服务也是一个问题。有些隐私信息可以在处理数据之前剔除，例如遮蔽视频中的面部。我们认为在边缘数据源上进行计算，也就是在家里，可能是一个不错的保护隐私和数据安全的方法。
我们要提高对数据隐私和安全的意识。以WIFI网络为例，在4.39亿家庭网络连接中，49%的WIFI网络不安全，80%的家庭路由器使用默认密码。89%的公共WIFI热点不安全。所有的利益相关者包括服务提供者，系统和应用开发者以及终端用户都需要意识到用户隐私有可能会受到侵害。如果不加防护的话，摄像头，健康监测器甚至WIFI玩具都可能被他人连接。
第二个要提到的问题是数据的所有权。在移动应用中，终端用户的数据由服务提供者保存和分析。但是让数据留在产生数据的地方，让用户拥有数据可以更好地保护隐私。 与健康数据类似，边缘收集的用户数据应该保存在边缘并且由用户决定是否提供给服务提供者。
第三个问题是在网络边缘上，保护隐私和数据安全的有效工具太少。有些设备的资源有限，当前的一些安全防护方法无法部署在上面。而且网络边缘环境多变，因而易受攻击，不好防护。为了保护隐私，有些平台如移动医疗提出统一健康数据保存标准。但是对于边缘计算来说，却缺少处理各种数据的工具。优化指标
在边缘计算中，有多个层次具有计算能力。那么应该如何分配工作负载呢？我们可以考虑以下几个分配策略，如在每层均匀分配负载或者在每层完成尽可能多的任务。极端情况是完全在端点操作或者完全在云端操作。为了选择最佳的分配策略，本节我们将讨论几个优化指标，包括延迟，带宽，能耗和成本。
延迟：延迟是衡量性能的最重要的指标之一，特别是在交互式应用或服务中。云计算中的服务器可以提供强大的计算能力。他们可以在短时间内处理非常复杂的任务，如图像处理，语音识别等等。但是延迟不是由计算时间决定的。长网络延迟会对实时/交互式应用的行为产生深远的影响。为了减少延迟，最好在最近的物理层完成工作。例如在智能城市案例中，我们可以先用手机处理本地相片，然后只需向云端发送丢失儿童相关信息即可，不需要上传全部相片，因此这种方式速度更快。但是在最近的物理层处理工作并不总是最好的方式。我们需要考虑资源使用情况，避免不必要的等待时间，这样才可以建立一个最佳的逻辑层次。比如当用户正在玩游戏时，由于手机的计算资源已经被占用了，此时最好将相片传至最近的网关或微中心进行处理。
带宽：从延迟的角度来看，高带宽可以减少传输时间。对于短距离传输，我们可以建立高带宽来向边缘发送数据。一方面，如果数据可以在边缘进行处理，系统延迟将大大减少，同时也可以节省边缘与云端的带宽。例如在智能家居案例中，通过WIFI或者其他高速传输方式，几乎所有的数据都可以在网关进行处理。此外传输可靠性也得到了提升，因为传输距离比较短。另一方面，虽然边缘不能完成全部工作，不能减少传输距离，但是至少可以通过对数据进行预处理来显著减少上传的数据量。
能耗：对于网络边缘上的设备来说，电池是最珍贵的资源。对于端点层，将一部分工作在边缘完成可以节省能耗。但是关键要在计算能耗和传输能耗间进行权衡。总的来说，我们先要考虑工作负载的能耗特性。计算量大不大？需要使用多少资源？除了网络信号强度之外，数据大小和可用带宽都会影响传输能耗。如果传输开销小于本地计算开销，最好使用边缘计算。但是如果我们关注的是整个边缘计算的过程，而不仅仅是端点，那么总能耗就应该是每层能耗之和。与端点层类似，每层能耗包括本地计算能耗与传输能耗。这样最佳工作分配策略就有可能改变。例如本地数据中心正忙，那么工作应该上传至上层完成。与在端点计算相比，多跳传输会显著增加系统开销，从而增加能耗。
成本：从服务提供者的角度来看，例如YouTube，亚马逊等等，边缘计算为他们提供了更少的延迟和能耗，从而增加数据吞吐量，改善用户体验。因此，他们可以在处理相同工作量的同时，赚去更多的利润。例如，根据大多数居民的兴趣，我们可以将某个热门视频放在建筑层边缘，这样城市层边缘就可以处理更复杂的任务，总数据吞吐量就可以提高。服务提供者的投入就是创建和维护每一层的成本。为了充分利用每一层的本地数据，提供者可以根据数据的位置向用户收费，同时还需要开发新的成本模型来保证服务提供者的利润和用户的可接受性。
工作分配不是一件容易的事。各个衡量指标之间是密切相关的。例如有时由于能量限制，工作负载需要在城市数据中心完成。与构建服务器层相比，能量限制不可避免地会影响延迟。对于不同的工作负载，指标应该具有不同优先级(或权重)，从而选择合理的分配策略。此外,成本分析需要在系统运行时进行。同时还应该考虑并发工作的相互干扰以及资源用量。
五．总结
现在，由于在边缘处理数据能保证更短的响应时间和更好的可靠性，越来越多的服务从云端移至网络边缘，如果在边缘处理大量数据，就可以避免将数据传至云端，从而节省带宽。物联网和移动设备的普及改变了边缘在计算范式中的角色，边缘正从单纯的数据消费者向数据生产者及消费者转变。在网络边缘处理数据会更加高效。本文我们提出了对边缘计算的理解，基本原理是在靠近数据源的地方进行计算和处理。然后我们列举了几个案例如智能家居，智能城市来进一步介绍边缘计算的应用。我们也引入了协作式边缘的概念，因为边缘可以在物理上和逻辑上连接终端用户和云端，所以仍需要支持传统云计算范式，而且它可以连接远距离网络用于数据共享。最后，我们提出了仍值得进一步研究的挑战和机会，包括可编程性，命名，数据抽象，服务管理，隐私和安全防护以及优化指标。不管你见或不见，边缘计算就在那里，我们希望本文可以让更多的人关注边缘计算，用边缘计算改善我们的生活。