終于有人把云邊協(xié)同講明白了

作者：韓銳、劉馳 2022-03-08 18:53:46
云計算
云原生 大數(shù)據(jù)時代的一個顯著特點就是云端與邊緣端的協(xié)同計算。通過邊緣端與云端的協(xié)同計算，能夠?qū)Ρ姸嗟挠脩魯?shù)據(jù)進(jìn)行歸納以及推理，從而挖掘出更多的有用信息，而這些信息可以幫助決策者進(jìn)行決策，減少風(fēng)險。這些都離不開云計算與邊緣計算。

創(chuàng)新互聯(lián)公司專業(yè)為企業(yè)提供元寶山網(wǎng)站建設(shè)、元寶山做網(wǎng)站、元寶山網(wǎng)站設(shè)計、元寶山網(wǎng)站制作等企業(yè)網(wǎng)站建設(shè)、網(wǎng)頁設(shè)計與制作、元寶山企業(yè)網(wǎng)站模板建站服務(wù)，十余年元寶山做網(wǎng)站經(jīng)驗，不只是建網(wǎng)站，更提供有價值的思路和整體網(wǎng)絡(luò)服務(wù)。

正如前面所述，云計算是一種基于云的計算方式，這里的云指的是通過網(wǎng)絡(luò)連接的軟硬件資源。依賴互聯(lián)網(wǎng)，可以將各種共享的軟硬件資源分配給多個計算機(jī)以及其他終端使用，這使得終端設(shè)備可以將耗費計算資源多的應(yīng)用程序、計算過程放到云上進(jìn)行，大大增加了終端設(shè)備的運行效率。

一、云邊協(xié)同是什么

邊緣計算是一種分布式運算的架構(gòu)，不同于云計算，它將之前由中心服務(wù)器負(fù)責(zé)的任務(wù)加以分解，并且將這些分解之后的任務(wù)片段分發(fā)至網(wǎng)絡(luò)的邊緣端，由邊緣端去負(fù)責(zé)運算。邊緣計算降低了相關(guān)信息的傳輸時間，減小了延遲。

云計算雖然可以將大型的計算任務(wù)放到云端去進(jìn)行運算，但是對于需要低延遲的應(yīng)用來說，則會遇到網(wǎng)絡(luò)帶寬瓶頸等問題。邊緣計算可以將任務(wù)放到邊緣端來進(jìn)行，因此邊緣計算受到了本地邊緣終端計算能力的限制。

為了解決上述云計算與邊緣計算的缺點，云邊協(xié)同應(yīng)運而生。云邊協(xié)同將云計算與邊緣計算緊密地結(jié)合起來，通過合理地分配云計算與邊緣計算的任務(wù)，實現(xiàn)了云計算的下沉，將云計算、云分析擴(kuò)展到邊緣端。隨著技術(shù)的發(fā)展，云邊協(xié)同一定會在未來的互聯(lián)網(wǎng)產(chǎn)業(yè)之中占有一席之地。

二、云邊協(xié)同下的數(shù)據(jù)安全場景

隨著云計算與邊緣計算的發(fā)展，數(shù)據(jù)安全問題也成為一個重要的研究課題。針對數(shù)據(jù)安全保護(hù)，首先需要明確數(shù)據(jù)安全保護(hù)的相關(guān)場景。在云邊協(xié)同的環(huán)境下，主要考慮兩種數(shù)據(jù)安全場景：訓(xùn)練與查詢。

在云邊協(xié)同訓(xùn)練場景下，可以有以下應(yīng)用實例。

(1)云邊協(xié)同人臉識別模型訓(xùn)練

對于一個機(jī)器學(xué)習(xí)模型來說，訓(xùn)練樣本的數(shù)量會影響到最終模型的效果。而在大數(shù)據(jù)時代下，各種各樣的智能設(shè)備都可以進(jìn)行數(shù)據(jù)樣本的采集。然而如果將采集的設(shè)備傳輸?shù)皆贫诉M(jìn)行模型訓(xùn)練則會面臨一些問題：一是帶寬與延遲的消耗;二是數(shù)據(jù)保存在云端則會有嚴(yán)重的隱私泄露隱患。

在這種場景下，云邊協(xié)同進(jìn)行模型的訓(xùn)練則是一個很好的選擇。得益于邊緣端的數(shù)據(jù)收集能力，最終訓(xùn)練出來的模型的泛化性能會更好。其中邊緣端負(fù)責(zé)數(shù)據(jù)的收集以及部分的模型訓(xùn)練，云端負(fù)責(zé)將邊緣端的模型更新聚合并且發(fā)送回邊緣端。而傳統(tǒng)的人臉識別模型訓(xùn)練通常是先收集人臉數(shù)據(jù)，然后對人臉數(shù)據(jù)進(jìn)行標(biāo)注，同時在中心服務(wù)器進(jìn)行人臉識別模型訓(xùn)練，最后將訓(xùn)練得到的模型部署到邊緣端。

在上述訓(xùn)練過程中，需要由數(shù)據(jù)收集邊緣端收集數(shù)據(jù)，同時與中心服務(wù)器進(jìn)行直接的數(shù)據(jù)交互，而直接的數(shù)據(jù)交互勢必導(dǎo)致隱私的泄露問題。相比于傳統(tǒng)的人臉識別模型訓(xùn)練，云邊協(xié)同下的人臉識別模型訓(xùn)練(見圖1)不需要將人臉數(shù)據(jù)上傳至中心服務(wù)器，而這防止了某種程度的隱私泄露問題，然而云邊協(xié)同下的人臉識別模型訓(xùn)練仍然面臨著許多問題，例如訓(xùn)練數(shù)據(jù)的標(biāo)注問題以及如何更好地進(jìn)行分布式訓(xùn)練，這些問題都需要進(jìn)一步研究與解決。

圖1　云邊協(xié)同人臉模型訓(xùn)練

(2)云邊協(xié)同推薦系統(tǒng)

云邊協(xié)同下的推薦系統(tǒng)訓(xùn)練利用邊緣端收集的數(shù)據(jù)在邊緣端本地進(jìn)行訓(xùn)練，同時將模型的更新信息上傳至云端進(jìn)行模型的整合，本地的模型訓(xùn)練避免了用戶的行為習(xí)慣、瀏覽數(shù)據(jù)等信息被上傳至云邊，減少了隱私泄露的可能。而傳統(tǒng)的推薦系統(tǒng)的實現(xiàn)，則需要服務(wù)提供商(例如淘寶、微博等)主動采集用戶的瀏覽數(shù)據(jù)、瀏覽偏好、搜索數(shù)據(jù)等信息，從而進(jìn)行推薦模型的訓(xùn)練，最后根據(jù)訓(xùn)練的模型來對用戶進(jìn)行有針對的推薦。而這種數(shù)據(jù)收集不可避免的會產(chǎn)生安全隱私問題。盡管以云邊協(xié)同的方式進(jìn)行推薦系統(tǒng)的相關(guān)訓(xùn)練可以在某種程度上避免服務(wù)商在云端收集用戶的瀏覽記錄等隱私數(shù)據(jù)，以達(dá)成數(shù)據(jù)安全保護(hù)的目標(biāo)，但是該方法仍然面臨著一些問題需要解決，例如邊緣端設(shè)備的性能制約、云邊通信的帶寬制約等，而這些問題都需要更進(jìn)一步的研究。

(3)傳統(tǒng)能源行業(yè)下的云邊協(xié)同數(shù)據(jù)處理

云邊協(xié)同技術(shù)不僅僅可以應(yīng)用于上述的大數(shù)據(jù)場景，對于傳統(tǒng)的能源行業(yè)來說，它涉及的各種設(shè)備相對復(fù)雜，邊緣端傳感器較多，若是將收集數(shù)據(jù)全部發(fā)送至云端，則會面臨較大的帶寬壓力，因此轉(zhuǎn)型難度較大。而傳統(tǒng)行業(yè)下的數(shù)據(jù)處理往往比較依賴于人工，這也給傳統(tǒng)行業(yè)的轉(zhuǎn)型帶來了困難。接下來以石油行業(yè)為例，簡述石油行業(yè)下云邊協(xié)同的相關(guān)場景以及數(shù)據(jù)安全問題。不同于傳統(tǒng)的人工錄入等方法，在云邊協(xié)同的環(huán)境下，針對石油開采，可以將傳感器、各種開采設(shè)備等收集到的信息進(jìn)行整合并且發(fā)送到具有簡單數(shù)據(jù)處理能力的邊緣端進(jìn)行數(shù)據(jù)的自動化錄入、數(shù)據(jù)預(yù)處理、數(shù)據(jù)實時分析等操作，然后將處理之后的數(shù)據(jù)發(fā)送到云端進(jìn)行更完全的數(shù)據(jù)分析以及決策，最后將決策結(jié)果發(fā)送回邊緣端指導(dǎo)石油的開采等操作，如圖2所示：

圖2 云邊協(xié)同下的石油開采

相比于傳統(tǒng)的石油開采方法，云邊協(xié)同下的數(shù)據(jù)處理大幅度提高了數(shù)據(jù)處理的效率，并且減少了決策所用的時間。盡管如此，云邊協(xié)同下的數(shù)據(jù)處理仍有一定的隱私泄露風(fēng)險，在上述場景中，盡管邊緣端承擔(dān)了一定的數(shù)據(jù)分析操作，減輕了帶寬以及云端的壓力，但是數(shù)據(jù)的更進(jìn)一步分析仍需要云端的參與，因此在數(shù)據(jù)傳輸或者云端分析的過程中仍然有隱私泄露的風(fēng)險。

在云邊協(xié)同查詢場景下，有以下應(yīng)用實例：

(1)云邊協(xié)同人臉支付

隨著“刷臉付”時代的到來，人臉識別的精度已經(jīng)到達(dá)了可以進(jìn)行商用的程度。受限于邊緣端支付設(shè)備的計算能力與存儲能力，不可能完全將人臉識別模型部署于邊緣端進(jìn)行人臉識別，因此“刷臉付”必須要通過云邊協(xié)同的方式來實現(xiàn)，如圖3所示。其中邊緣端負(fù)責(zé)用戶人臉數(shù)據(jù)的捕獲以及預(yù)處理，以減少對網(wǎng)絡(luò)帶寬的負(fù)荷。云端負(fù)責(zé)人臉識別以及支付服務(wù)的相關(guān)邏輯。在上述人臉支付場景下，邊緣、云端、數(shù)據(jù)傳輸過程中都可能會出現(xiàn)隱私泄露的問題，例如邊緣端設(shè)備有可能會被破解成為惡意的邊緣端等，因此需要使用相應(yīng)的隱私保護(hù)技術(shù)來防止隱私的泄露。

圖3　云邊協(xié)同人臉支付

(2)云邊協(xié)同智慧交通系統(tǒng)

隨著私家車越來越多，更多的車流量帶來的是對交通系統(tǒng)更大的壓力。當(dāng)前的智慧交通的一個研究方向是自動駕駛，然而自動駕駛受限于復(fù)雜的路況以及車輛的計算能力等因素，不可能在現(xiàn)階段進(jìn)行大規(guī)模的部署。而另一個研究方向則是利用道路上的各種攝像頭傳感器等設(shè)備進(jìn)行數(shù)據(jù)的收集并且將它們上傳到邊緣端進(jìn)行簡單的數(shù)據(jù)分析以及決策，同時在云端進(jìn)行總體統(tǒng)籌以及數(shù)據(jù)分析，以實現(xiàn)云邊協(xié)同下的智慧交通系統(tǒng)。例如通過攝像頭收集信息并且利用機(jī)器學(xué)習(xí)算法來智能判別道路交通違法行為，以實現(xiàn)效率上的提升。然而借助攝像頭、傳感器等設(shè)備收集的道路交通信息往往也有可能泄露道路行人的隱私信息，而這對智慧交通的發(fā)展帶來了挑戰(zhàn)。

關(guān)于作者：

韓銳，北京理工大學(xué)特別研究員，博士生導(dǎo)師。專注于研究面向典型負(fù)載(機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、互聯(lián)網(wǎng)服務(wù))的云計算系統(tǒng)優(yōu)化，在 TPDS、TC、TKDE、TSC等領(lǐng)域頂級(重要)期刊和INFOCOM、ICDCS、ICPP、RTSS等會議上發(fā)表超過40篇論文，Google學(xué)術(shù)引用1000 余次。

劉馳，北京理工大學(xué)計算機(jī)學(xué)院副院長，教授，博士生導(dǎo)師。智能信息技術(shù)北京市重點實驗室主任，國家優(yōu)秀青年科學(xué)基金獲得者，國家重點研發(fā)計劃首席科學(xué)家，中國電子學(xué)會會士，英國工程技術(shù)學(xué)會會士，英國計算機(jī)學(xué)會會士。

本文摘編自《云邊協(xié)同大數(shù)據(jù)：技術(shù)與應(yīng)用》，經(jīng)出版方授權(quán)發(fā)布。(ISBN：9787111701002)轉(zhuǎn)載請保留文章出處。

當(dāng)前名稱：終于有人把云邊協(xié)同講明白了
網(wǎng)頁網(wǎng)址：http://www.dlmjj.cn/article/cdisihe.html