0 引言

    近年来，计算工作负载一直在迁移，先是从本地数据中心迁移到云，现在日益从云数据中心迁移到更靠近数据边缘的位置，旨在解决云计算所面临的问题：线性增长的集中式云计算能力不能适应飞速增长的海量边缘数据；网络边缘设备传输大量的数据到云计算中心导致网络传输带宽的负载量急剧增加，产生较长的网络延迟；有限电能的网络边缘设备传输数据到云计算中心会消耗大量的电能；网络边缘数据涉及的个人隐私问题尤为突出^[1]。尽管云计算目前面对很多的挑战，但边缘计算的提出并不是为了代替云计算承担计算中心的任务，而是一种与云计算互补的计算模型。边缘计算有自己的适用环境用来弥补现有云计算所不能适用的万物互联的环境，边缘计算需要借助云计算现有的优势才能更好地发挥自身的特点。随着最近业务驱动的IT项目不断增加，实施物联网解决方案、边缘计算环境和非传统IT的现象也在迅速增多^[2]。从Gartner公司发布的2017年度新兴技术成熟度曲线可知，边缘计算在未来2～5年时间内是处于期望膨胀期，可见边缘计算的重要性。

    在云计算的体系结构下，提出了3种服务模式：基础设施即服务（Infrastructure as a Server，IaaS）、平台即服务（Platform as a Service，PaaS）、软件即服务（Software as a Service，SaaS），即通常所说的SPI服务模型^[3-5]。这3种服务模式是推动云计算发展的动力，其中软件即服务模式与用户的关系最为紧密。但是，这种看似高效的服务模式对于万物互联时代大量的边缘设备来说却不能很好地适用，主要原因大致有以下几点：边缘设备对任务响应大都有实时性要求^[6]；边缘设备数量巨大，产生的数据量如果要全部上传到云上占用大量的带宽^[7]；边缘设备一般功能较为固定，提供的服务较为单一^[8]，这些原因造成了云计算提供的服务模式不再适用于边缘计算。因此，边缘计算需要提供适合于本身特点的服务模式。

1 计算即服务产生的动机

1.1 万物互联模型架构

    万物互联时代下云计算模型与边缘计算模型的结构关系^[9]如下。云计算模型侧重于搜集数据，进行集中式的大数据处理，通过互联网可以把云计算模型的各种服务提供给用户，注重应用的多样性，如智能应用领域，用户通过智能终端可以从云上获取各种各样的服务，这也是传统意义上的云服务。但对于应用于特定环境下的边缘设备来说，并不需要种类繁多的应用，终端用户需要的是更加优质的服务，针对性更强，更加智能化地提供服务。在特定的环境下，使用边缘计算模型，才能更好地满足万物互联模型架构^[10]。

1.2 云计算服务模式的不足

    从云计算的SPI服务模型可以看出，该模型较适合集中式计算模式，目前的云计算中心基本都是采用这种服务模式，但在万物互联时代具有明显的不足^[11-13]：

    (1)边缘终端设备或者边缘计算中心，仅需要提供计算能力有限的设备就能满足，一个家庭就能拥有几十个或更多的边缘设备，如果再和云计算的基础设施一样那样昂贵，万物互联的构想就无法实现了。

    (2)平台即服务用到边缘设备效果就不太理想了，原因在于云计算本身的部署很耗费资金，不可能有数以万计的云服务提供商，云服务提供商可以根据自己的设备提供统一的平台，并服务大量的用户。但对于边缘设备，其应用场景丰富，平台异构性较大，想要提供统一的接口几乎不可能，尽管有很多边缘计算平台提供商也在为此而努力。

    (3)软件即服务是云计算模型提供给用户的核心服务，而对于很多边缘设备来说，它的资源很有限，而服务较为单一，更多的是对边缘设备本身的优化，需要设备具有自我学习和辅助学习的能力，其核心在于用户的体验，而非多样性需求。

    因此，云计算模型提供的SPI服务模型已经无法适用于新兴的边缘设备对服务的需求，针对于边缘计算模型的新的服务模式迫在眉睫。

2 计算即服务的任务模型

    在任务模型中关键要素包括延迟、带宽利用、上下文感知、通用性和伸缩性^[14-16]。尽管开发精确的模型对于任务来说非常复杂，但对于边缘计算模型，通过数学的优化处理允许简单任务能达到高精确的要求。在本节中将介绍两种较为常用的计算任务模型。

2.1 二进制转移的任务模型

    高度集成或者相对简单的任务不能被分区，必须作为整体在边缘设备执行或者转移到边缘计算中心服务器处理，称为二进制转移。这样的任务可以用三符号域表示为A(L，T_d，X)，这个三符号域包含以下信息：任务输入数据大小L（以bit为单位）、完成期限T_d（以s为单位）、计算工作量X（以CPU的时钟周期为单位）。这些参数的使用不仅能捕获边缘设备处理任务的基本属性(如计算和通信需求)，而且便于执行延迟的简单评估以及能耗性能的估计。

    任务A(L，T_d，X)需要在硬截止时间T_d之前完成，该模型也可以推广到处理软截止时间要求，允许数据量较大的任务在之后完成。在这种情况下，执行1 bit任务的输入数据所需的计算工作量被建模为随机变量X。该任务模型给出以下定义：

    定义x₀为正整数，并且定义规则Pr(X>x₀)≤ρ，ρ是一个范围在(0，1]的实数。依赖Pr(LX>W_ρ)≤ρ，其中W_ρ=Lx₀，在该模型下只要给定L位任务输入数据，W_ρ就严格地限制了计算工作量X。

2.2 局部转移的任务模型

    在实践中，许多边缘任务是由多个子过程组成的，这个特点使得将各个子过程转移到局部边缘设备执行成为可能，从而实现细粒度的任务转移。具体来说，任务可以分为两个大的局部，一个是由边缘设备本身处理的任务；另一个是由距离设备较近的边缘设备或者边缘计算中心来承担执行任务，也可以由边缘计算中心统一协调。

    用于局部转移的最简单的任务模型是数据分区模型，其中任务输入是位独立的并且可以任意划分为不同的组，可以实现在边缘计算系统下的不同实体中执行。但是，不同过程或者组件之间存在明显的依赖关系，如何处理这种依赖关系将显著影响执行的效率，主要存在以下两个关键问题：

    (1)函数或者例程的执行顺序，因为某些过程或组件的输出是另一些过程或组件的输入，对执行顺序的控制是实现局部转移正确性的保证；

    (2)由于边缘设备软件和硬件等方面的限制，目前只能做到同构转移，不能很好地将任务转移到异构设备中，对边缘设备软件和硬件的抽象是实现局部转移最大利用率的保证。

3 计算即服务的计算模型

    式(3)反映了由计算性能影响到的延迟t_m，f_m表示边缘设备拥有的计算能力，当LX处理的内容一定的情况下，可以通过调整f_m来调整系统的延迟，增大f_m可以减小延迟，相反减小f_m就会增加延迟，根据CPU能耗可知f_m反映的是能耗。因此，边缘设备需要在能耗与延迟之间进行合理的分配。当需要低延迟，保证任务实时性时，可以适当增大f_m；反之需要低功耗，保证任务节能性时，可以适当减小f_m，DVFS正是提供这种能力的技术，计算即服务计算模型的关键技术。

4 计算即服务的服务模型

    前文给出的任务模型和计算模型主要是围绕边缘计算模型应用需求的低延迟和低能耗做工作，本节将介绍在此基础上结合实际应用中边缘计算设备的服务特点，抽象出了两种应用较为广泛的拓扑结构，下面分别介绍这两种拓扑结构下的服务模型。

4.1 顺序型的服务模型

    如图1所示，该模型主要针对有明确顺序要求的服务下，每个节点用e_(i，j)表示，下标i表示不同阶段的任务，下标j仅表示在下标i相同时共同完成i任务的节点编号，该节点的特点是同构体系结构。该模型的优点：可以根据不同的用户，提供不同的服务，让服务更加人性化；下标i相同的任务，可以根据二进制转移或者局部转移任务模型提供低延迟的服务；可以根据服务对延迟的要求，采用DVFS技术增加或者减少j的数目，结构灵活，最大程度地利用能耗。下面给出该结构下的延迟t_total(最小延迟时间)和能耗E_s(最小耗能)模型：

4.2 中心型的服务模型

    如图2所示，该模型主要针对无明确顺序要求的服务下，每个节点用e_i表示，下标i表示该结构下的节点编号，该模型有两个中心节点，如e₁分发中心节点、e₂汇集中心节点。分发中心节点根据e_i(i≠1，i≠n)的当前状态将根据任务特点分配到不同的节点去执行；汇集中心节点将e_i(i≠1，i≠n)的执行结果经过整理后提供给用户。该模型的优点：由分发中心节点协调任务，能并行处理多个任务，满足实时性要求；由汇集中心节点提出服务，对外接口统一，提供更友好的服务；各节点分工明确，可以最大程度地利用边缘设备有限的计算资源。下面给出该结构下的延迟t_total(最小延迟时间)和能耗E_s(最小耗能)模型：

5 结论

    万物互联时代下云计算模型的服务模式已经无法适应边缘计算模型的需求，主要体现在边缘设备资源的有限性、服务的实时性、决策的智能性上。本文首先从基本概念出发，介绍了什么是边缘计算，之后进一步介绍万物互联模型的架构，该模型下不仅包含云计算模型，而且也涵盖了边缘计算模型，指出现有的云计算模型的SPI模式不能很好地应用到边缘计算模型中，并分析了主要的原因。然后，从计算即服务的任务模型、计算模型以及服务模型进行了抽象。根据任务是否具有顺序性特点，给出两个比较常见的计算即服务的服务模型(顺序型的服务模型和中心型的服务模型)，并给出了相应的延迟和能耗评价公式，用于理论分析。

参考文献

[1] Shi Weisong，Cao Jie，Zhang Quan，et al.Edge computing：vision and challenges[J].IEEE Internet of Things Journal，2016，3(5)：637-646.

[2] Li Shichao，Zhang Ning，Lin Siyu，et al.Joint admission control and resource allocation in edge computing for Internet of Things[J].IEEE Network，2018，32(1)：72-79.

[3] 杨晓军，臧飞，李春雷.云计算在军事领域中的应用分析[J].电子技术应用，2018，44(6)：129-132，137.

[4] 史宝珠，李美安，左玉晖.生鲜产品的共享云物流资源优化调度算法[J].电子技术应用，2018，44(5)：5-8，12.

[5] 高世皓，王立华，朱吉芳，等.基于CC3200及微信公众号的云家居交互系统[J].电子技术应用，2018，44(3)：52-55.

[6] POPLI S，JHA R K，JAIN S.A survey on energy efficient narrowband Internet of Things(NBIoT)：architecture,application and challenges[J].IEEE Access，2018，PP(99)：1-1.

[7] 陈发堂，周述淇，郑辉.NB-IoT随机接入过程的分析与实现[J].电子技术应用，2018，44(2)：75-79，87.

[8] 李小文，屈元远，周述淇，等.NB-IoT物理层随机接入分析与接收端检测算法[J].电子技术应用，2018，44(9)：99-103.

[9] Hong Xuehai，Wang Yang.Edge computing technology：development and counter measures[J].Chinese Engineering Science，2018，20(2)：20-26.

[10] 施巍松，孙辉，曹杰，等.边缘计算：万物互联时代新型计算模型[J].计算机研究与发展，2017，54(5)：907-924.

[11] Li He，OTA K，DONG M.Learning IoT in edge：deep learning for the Internet of Things with edge computing[J].IEEE Network，2018，32(1)：96-101.

[12] 何艾洲，郑霖，屈启吉.基于6LoWPAN多网关系统的网关部署算法[J].电子技术应用，2018，44(11)：72-75，80.

[13] 邬明彪，吴桂清，陈清华.基于多个开源系统的6LoWPAN边界路由器的设计[J].电子技术应用，2018，44(7)：64-67.

[14] Lü Huazhang，Chen Dan，Fan Bin，et al.Standardization progress and case analysis of edge computing[J].Journal of Computer Research and Development，2018，55(3)：487-511.

[15] 张德民，付永莉，杨康.能量获取框架下的5G绿色通信小区选择算法[J].电子技术应用，2018，44(10)：118-121，126.

[16] 万航，王学成.基于改进的公交车骨干网的改进区域路由算法[J].电子技术应用，2018，44(6)：108-112，119.

[17] 闫静，杨华，任鹏婷，等.能量收集中继网络的中继选择算法研究[J].电子技术应用，2018，44(5)：98-102.

[18] 马得森，沈正源，金晓晴，等.一种车联网分簇方法与簇内中继选择方法[J].电子技术应用，2018，44(3)：94-98.

作者信息:

王腾飞1，张瑞权1，李建宏1，王  龙1，侯林清2，王忠阳3

(1.华北计算机系统工程研究所，北京100083；2.北京信息科技大学 计算机学院，北京100101；

3.辽宁理工学院 信息工程学院，辽宁 锦州121013）