前言：近年來，隨著新一代信息技術的進步和相關政策的支持，我國制造業正積極地向數字化、智能化、網絡化方向轉型，然而制約制造業轉型的瓶頸仍有很多，例如，工業現場存在眾多“信息孤島”；現有數據資源的可利用率不高，降低了數字化的實用價值；工業現場網絡協議多樣異構，設備互聯互通困難等，這些因素都為制造業轉型發展造成了巨大阻礙。

工業互聯網+邊緣計算通過在靠近工業現場執行側的網絡邊緣構建融合網絡、計算、存儲、應用等核心能力為一體的一種分布式開放體系，提供智能邊緣服務并與云端協同工作，可以滿足制造業在快速系統聯 接、智能數據處理、實時業務分析、安全運營管理等方面的關鍵需求，幫助離散制造業突破數字化和網絡化的局限，實現行業升級轉型^[1]。

任務調度

工業互聯網正在迅速發展，并用于推動涉及大量工業設備的各種工業應用。由于工業設備資源的資源約束，通常將一部分工業應用卸載到具有足夠計算資源的計算系統上執行，如微服務器、云服務器或數據中心。然而，可能需要考慮網絡等待時間和網絡擁塞。邊緣計算以其自身固有的優勢，能夠在一定程度上承接任務卸載。為了探索邊緣計算支持工業應用的潛力，基于邊緣計算實現任務的有效管理能夠極大提升工業應用的性能^[8]。

首先，針對延遲和響應時間方面，一部分學者在此方面進行了深入的研究。Scoca等人^【2】提出了基于啟發式算法實現邊緣服務器的資源調度，該算法用于評估邊緣節點網絡和計算能力并輸出服務和資源之間的最大評分映射。Sajjad等人^【3】提出了新穎的方法SpanEdge，這種方法能夠統一管理分布式的基礎設備（包括云數據中心和邊緣數據中心）的流處理。

SpanEdge通過在中央和邊緣數據中心分部應用程序來減少或消除WAN鏈路引起的延遲。Liu等人^[4]采用馬爾科夫鏈處理移動邊緣計算中存在的雙時間尺度隨機優化問題。通過分析每個任務的延遲和移動設備的功耗，進而將其轉換為延遲約束的能耗最小化問題，并通過了高效的搜索算法來尋找最優的任務調度策略。

其次，針對能耗和任務處理數量方面，Wang等人^[5]考慮單傳感器并最小化能耗的任務調度問題（MESS）和多傳感器并最小化能耗的任務調度問題（MESS），并同時提出了兩種有效的多項式時間的啟發式算法。Song等人^[6]提出了一種用于周期性地在邊緣計算網絡中分配傳入任務的方法。

該方法能夠增加在邊緣計算網絡中處理的任務數量，并用于提供服務質量（QoS）要求。Lyu等人^[7]將動態變換的環境建模為隨機擾動，并提出相應的自適應后退水平卸載策略（ARHOS），該策略能夠根據配置數據的性能偏差和擾動頻率動態的調整縮減因子和決策窗口的大小。同時提出了一種多目標動態規劃方法，以最小化估計成本，并盡力滿足延遲需求。

網絡優化

當前工業網絡中IT網絡和OT網絡是分離的，構建IT和OT融合的全互聯、扁平化、靈活化的工業 網絡體系結構是工業網絡發展的必然趨勢。面向智能化生產、網絡化協同、個性化定制、服務化轉型等典型邊緣計算場景，設計實現具有數據分析、機器學習和實時控制等邊緣計算模型及體系結構是產業界和學術界共同面臨的挑戰^[9]。

在工業互聯網場景下，研究人員通過網絡層優化來降低數據訪問延遲的相關工作大致可分為以下三類：

1

資源管理

• 消除大量設備訪問有限的資源導致的死鎖

邊緣計算服務器通常需要服務大量工業設備，邊緣計算服務器資源分配可能由于大量設備 爭取有限的資源而導致死鎖，消除死鎖是提高系統可靠性的關鍵。Ugwuanyi 等人^[10]提出了一種可靠性資源配置的方法，利用SDN來降低通信開銷，結合銀行家資源請求算法來避免死鎖，通過驗證后證實該算法可以有效地防止系統死鎖，實現可靠性交互。Mishra 等人^[11]提出了一種可持續服務分配的方案，服務分配主要通過客戶端請求虛擬機來完成，文中以能耗和截止時間為 QoS約束，將服務請求問題歸為一個雙目標最小化問題。

2

傳輸時延優化問題

控制系統對于時延尤其敏感，通常，工業控制器都有專有的硬件去完成，但是隨著應用邏輯控制器（App logic controller）和虛擬 PLC（vPLC）等 技術的提出，軟件實現特定硬件功能的方案越來越得到重視。控制器通過網絡實現控制過程，時延是最大的挑戰。Mubeen 等^[12]提出一種時延緩解的策略，用于緩解云端控制器在任意時延的情況（大于小于控制周期）下網絡引起的抖動和時延。

3

查詢存儲優化問題

邊緣計算涉及云、邊、端等多個結構，數據和服務的查詢存儲比單純的云計算更為復雜，尤 其面對高吞吐量計算時，高效的存儲策略將會極大地提高系統效率。Lin等人^[13]提出了一種時間驅動的數據存儲策略，結合云端和邊緣端，提出了一種基于遺傳算法算子的自適應離散粒子群優化算法，降低了數據的傳輸時間。同時，由于邊緣計算系統中往往有大量工業 無線設備，尤其是對于移動節點而言，從移動網絡或遠程服務器下載大量數據對無線網絡來講是 巨大的挑戰。Li 等人^[14]提出了一種利用邊緣計算進行主動緩存的存儲策略，緩存通過云、邊、端等三層緩存結構，根據移動節點的駐留時間、服務器和其他節點的容量，提出了一種考慮位置和移動 軌跡的主動緩存策略。實驗驗證了該策略具有較 高的實時性和良好的性能。

4

基于SDN的普適網絡架構優化

考慮到工廠內的邊緣計算網絡既需要滿足實時可靠，又具有靈活性及可重構，又可以同時集中管理多個管理域的網絡體系架構。李慶等人^[9]提出了基于 SDN 與TSN 的工業互聯網工廠內網絡架構，旨在解決計算資源分布不平衡條件下的自適應計算任務遷移問題，為邊緣計算任務的高效運行提供保障。并嘗試采用一種新穎的方法，將 SDN 的能力、TSN 的時間敏感性與邊緣計算的不足進行技術上的結合，提出了一種應用于工業互聯網工廠內網絡架構，以提高動態環境中的服務質量。

同時，針對工業互聯網場景下的工業網絡數據流管理，葉桓宇等人^[15]提出了基于SDN的軟件定義工業互聯網（SDIN）的工業網絡框架。

首先，對于工廠中的網絡，使用了軟件定義的數據分離架構。并針對傳統工廠網絡固有的“設備孤島”和“信息孤島”問題，優化工廠內各網元節點的路由性能，設計實現了基于動態流表參數的配置方案，提升工廠網絡路由的可靠性。其次，針對工廠里的計算任務，設計實現基于不同生產業務服務質量的優先級隊列卸載方案，以最小化計算卸載時延。

數據存儲與處理

1

邊緣分布式存儲架構

A、中心化分布式存儲架構中心化分布式存儲通常采取主/從式架構：主節點具備豐富的計算和存儲資源，負責存儲節點的管理、存儲任務的調度、數據布局以及數據的一致性維護等。中心化分布式存儲架構可以應用于邊緣數據中心。在離散制造業場景下，邊緣數據中心類似于云存儲數據中心。邊緣數據中心在地理位置上離邊緣設備更近，節點規模更小。邊緣設備中的數據可上傳至邊緣數據中心進行存儲和管理。

B、去中心化分布式存儲架構去中心化分布式存儲沒有中心節點，節點之間具有對等的功能。多個邊緣設備之間可以自組織地建立去中心化分布式存儲網絡。隨著邊緣設備數量激增，該架構具有很大的潛力。如StorjLabs推出了一種去中心化分布式云存儲平臺STORJ^[17]，該平臺使用點對點網絡連接存儲設備，用戶可以在該平臺選擇出租閑置存儲資源。這種去中心化的分布式存儲架構能將很多閑置的存儲資源充分利用起來，以非常低廉的維護和管理成本為邊緣側提供存儲服務。此外，這種結構使數據在邊緣端就近存儲，更容易滿足邊緣計算任務的實時性數據處理需求，比傳統的云存儲服務更加經濟高效。

C、融合中心化和去中心化的分布式存儲架構邊緣數據中心的中心化分布式存儲能更好地保證服務質量和數據的一致性，適合需要高可靠性和高協作性的應用任務。邊緣設備端自組織的去中心化分布式存儲具備造價成本低、可靈活部署等特性。隨著邊緣側的更新或遷移，可依據兩種架構各自的優勢，融合兩種架構，提高邊緣存儲網絡的可靠性和普適性。而兩者的融合需要解決中心化存儲與去中心化存儲的無縫切換問題。

2

云邊協同存儲優化

如果僅對云端或邊緣終端存儲體系結構進行優化，忽略其協同與融合，便無法充分發揮兩者各自的優勢。云-邊協同存儲技術旨在通過邊緣存儲與云存儲的互補，提供更高效的存儲服務。諸多研究表明，通過對邊緣存儲資源的有效使用和管理，提升邊緣計算應用性能^[19-21]。

南京大學的研究人員提出了多信道無線干擾環境下移動邊緣計算的多用戶計算遷移問題，采用博弈論的方法以分布式方式實現高效的卸載計算，使云平臺和邊緣終端的整體性能達到納什均衡，從而最大化地利用邊緣數據中心的計算和存儲資源^[20]。上述工作從資源調配的角度研究了云-邊協同的存儲架構和優化技術。

安全分析與對策

1

物理安全需求

對于邊緣計算設備來說，其在運行過程中，由間接或者自身原因導致的安全問題（如能源 供應；冷卻除塵、設備損耗等），運行威脅雖然沒有自然災害造成的破壞 徹底，但是如果缺乏良好的應對手段，仍然會導致災難性的后果，使得邊緣計算的性能下降，服務中斷和數據丟失。特別是在工業互聯網場景下，工廠對于自身設備的維護和檢修比較專業，但是對于IT設備的運行和維護難以及時處理。

2

網絡安全需求

相較于云計算數據中心，邊緣節點的能力有限，更容易被黑客攻擊。雖然單個被破壞的邊緣節點損害并不大，并且網絡有迅速找到附近可替代節點的調度能力；但如果黑客將攻陷的邊緣節點作為“肉雞”去攻擊其他服務器，進而會對整個網絡造成影響。現有大多安全保護技術計算保護流程復雜，不太適合邊緣計算的場景。所以，設計適合于工業互聯網場景下邊緣計算架構中輕量級的安全保護技術是網絡安全的重大需求。

3

數據安全需求

要對數據的全生命周期進行管理的同時實現這三個安全屬性才能保證數據安全。整個生命周期包括六個階段 ：

• 創建，數據的產生和采集過程；

• 存儲，數據保存到存儲介質的過程；

• 使用，數據被瀏覽、處理、搜索或進行其他操作的過程；

• 共享，數 據在擁有者、合作者、使用者之間交互的過程；

• 存檔，極少使用的數據轉入長期存儲的過程；

• 銷毀，不再使用 的數據被徹底刪除和擦除的過程。

在邊緣計算中，用戶將數據外包給邊緣節點，同時也將數據的控 制權移交給邊緣節點，這便引入了與云計算相同的安全威脅。首先，很難確保數據的機密性和完整性，因為外包數據可能會丟失或被錯誤地修改。其次，未經授權的各方可能會濫用上傳的數據圖謀其他利益。雖然相對于云來說邊緣計算已經規避了多跳路由的長距離傳輸，很大程度地降低了外包風險；因此屬于邊緣計算的數據安全問題也日益突出，如在如此復雜多變的環境中，一個邊緣節點癱瘓后，如何實現安全快速地遷移數據？

4

應用安全需求

應用安全，顧名思義就是保障應用程序使用過程和結果的安全。邊緣式大數據處理時代，通過將越來越多的應用服務從云計算中心遷移到網絡邊緣節點，能保證應用得到較短的響應時間和較高的可靠性，同時大大節省網絡傳輸帶寬和智能終端電能的消耗。但邊緣計算 不僅存在信息系統普遍存在的共性應用安全問題，如拒絕服務攻擊、越權訪問、軟件漏洞、權限濫用、身份假冒等，還由于其自身特性存在其他的應用安全的需求。在邊緣這種多個安全域和接入網絡共存的場景下，為保證應用安全，該如何對用戶身份進行管理和實現資源的授權訪問則變得非常重要。

架構優化

最后，一部分學者提出了先進的邊緣框架和邊緣計算系統。Cheng等人^[22]設計并實現了名為Geelytics系統平臺，該平臺可通過物聯網友好的傳感器和執行器接口實現對一定范圍內數據源的按需邊緣分析。Aliyu等人^[23]提出一種基于軟件定義網絡（SDN）的InterCloud架構，該架構被用于移動邊緣計算場景，并提出了一種自適應資源管理方案，同時基于調度策略的QoS控制框架，該框架使用了具有外部性的聯盟博弈原則。為了優化資源管理，所提出的控制框架自治應方案解決了詞典排序雙準則聯合結構生成（CSG）問題，保證了框架中應用程序的服務級別協議（SLA）。

參考文獻

[1]?王哲, 時曉光, 羅松, 等. 工業互聯網邊緣計算在離散制造業應用展望[J]. 自動化博覽, 2019 (11): 30.

[2]?Scoca, V., Aral, A., Brandic, I., De Nicola, R., & Uriarte, R. B. (2018). Scheduling Latency-Sensitive Applications in Edge Computing. In?Closer?(pp. 158-168).

[3]?Sajjad, H. P., Danniswara, K., Al-Shishtawy, A., & Vlassov, V. (2016, October). Spanedge: Towards unifying stream processing over central and near-the-edge data centers. In?2016 IEEE/ACM Symposium on Edge Computing (SEC)?(pp. 168-178). IEEE.

[4]?Liu, J., Mao, Y., Zhang, J., & Letaief, K. B. (2016, July). Delay-optimal computation task scheduling for mobile-edge computing systems. In?2016 IEEE International Symposium on Information Theory (ISIT)?(pp. 1451-1455). IEEE.

[5]?Wang, J., Tang, J., Xue, G., & Yang, D. (2017). Towards energy-efficient task scheduling on smartphones in mobile crowd sensing systems.?Computer Networks,?115, 100-109.

[6]?Song, Y., Yau, S. S., Yu, R., Zhang, X., & Xue, G. (2017, June). An approach to QoS-based task distribution in edge computing networks for IoT applications. In?2017 IEEE international conference on edge computing (EDGE)?(pp. 32-39). IEEE.

[7]?Lyu, X., & Tian, H. (2016). Adaptive receding horizon offloading strategy under dynamic environment.?IEEE Communications Letters,?20(5), 878-881.

[8]?代振楠. 工業互聯網中基于邊緣計算的任務卸載策略研究[D]. 湖南大學, 2019.

[9]?李慶, 劉金娣, 李棟. 面向邊緣計算的工業互聯網工廠內網絡架構及關鍵技術[J]. 2019.

[10]?Ugwuanyi, E. E., Ghosh, S., Iqbal, M., & Dagiuklas, T. (2018). Reliable resource provisioning using bankers’ deadlock avoidance algorithm in mec for industrial IoT.?IEEE Access,?6, 43327-43335.

[11]?Mishra, S. K., Puthal, D., Rodrigues, J. J., Sahoo, B., & Dutkiewicz, E. (2018). Sustainable service allocation using a metaheuristic technique in a fog server for industrial applications.?IEEE Transactions on Industrial Informatics,?14(10), 4497-4506.

[12]?Mubeen, S., Nikolaidis, P., Didic, A., Pei-Breivold, H., Sandstr?m, K., & Behnam, M. (2017). Delay mitigation in offloaded cloud controllers in industrial IoT.?IEEE Access,?5, 4418-4430.

[13]?Lin, B., Zhu, F., Zhang, J., Chen, J., Chen, X., Xiong, N. N., & Mauri, J. L. (2019). A time-driven data placement strategy for a scientific workflow combining edge computing and cloud computing.?IEEE Transactions on Industrial Informatics,?15(7), 4254-4265.

[14]?Li, X., & Wan, J. (2018). Proactive caching for edge computing-enabled industrial mobile wireless networks.?Future Generation Computer Systems,?89, 89-97.

[15]?葉桓宇. 基于軟件定義工業互聯網的邊緣計算技術研究[D]. 北京郵電大學, 2019.

[16]?SHVACHKO K, KUANG H R, RADIA S, et al. The Hadoop Distributed File System[C]//2010 IEEE 26th Symposium on Mass Storage Systems and Technologies (MSST). USA: IEEE, 2010: 1-10. DOI:10.1109/ MSST.2010.5496972

[17]?WILKINSON S, BOSHEVSKI T, BRANDOFF J, et al. Storj a Peer-to-Peer Cloud Storage Network[EB/OL]. [2019-05-23].https://storj. io/storj2014.pdf

[18]?HA K, PILLAI P, LEWIS G, et al. The Impact of Mobile Multimedia Applications on Data Center Consolidation[C]//2013 IEEE International Conference on Cloud Engineering (IC2E). USA: IEEE, 2013: 166176. DOI:10.1109/IC2E.2013.17

[19]?DROLIA U, GUO K, NARASIMHAN P. Precog: Prefetching for Image Recognition Applications at the Edge[C]//Proceedings of the Second ACM/IEEE Symposium on Edge Computing. USA:ACM, 2017: 17

[20]?CHEN B Q, YANG C Y, WANG G. HighThroughput Opportunistic Cooperative Device-To-Device Communications with Caching[J]. IEEE Transactions on Vehicular Technology, 2017, 66(8): 7527-7539. DOI: 10.1109/tvt.2017.2659701

[21]?CHEN X, JIAO L, LI W Z, et al. Efficient Multi-User Computation Offloading for Mobile-Edge Cloud Computing[J]. ACM Transactions on Networking, 2016, 24(5): 2795-2808. DOI:10.1109/tnet.2015.2487344

[22]?Cheng B, Papageorgiou A, Bauer M. Geelytics: Enabling on-demand edge analytics over scoped data sources[C]//2016 IEEE International Congress on Big Data (BigData Congress). IEEE, 2016: 101-108.

[23]?Aliyu, S. O., Chen, F., He, Y., & Yang, H. (2017, July). A Game-theoretic based QoS-Aware capacity management for real-time edgeiot applications. In?2017 IEEE International Conference on Software Quality, Reliability and Security (QRS)?(pp. 386-397). IEEE.

End

邊緣計算社區長期致力于促進邊緣計算領域內容傳播，讓更多人了解邊緣計算。從5月份開始耗時半年籌辦全球邊緣計算大會，邀請行業主流玩家邊緣計算負責人分享，如果您對5G、邊緣計算，工業互聯網感興趣，那么我們誠摯誠懇邀請您參加，門票有限，希望您盡早報名。

感謝閱讀，歡迎擴散傳播！感謝！

總結

以上是生活随笔為你收集整理的工业互联网+边缘计算的相关研究进展新观察的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。