Optimal Edge User Allocation in Edge Computing with Variable Sized Vector Bin Packing
在移动边缘计算中，边缘服务器在地理上分布在靠近最终用户的基站周围，以提供高度可访问和高效的计算能力和服务。在移动边缘计算环境中，服务提供商可以在租用的边缘服务器上部署其服务，以减少分配给那些边缘服务器的其最终用户所经历的端到端服务延迟。最佳部署必须最大化分配的最终用户数量，最小化租用的边缘服务器数量，同时确保最终用户所需的服务质量。在本文中，我们将边缘用户分配（EUA）问题建模为装箱问题，并介绍了一种基于词典目标规划技术的新型最佳方法来解决EUA问题。我们已经进行了三个系列的实验，以评估所提出的方法对两个有代表性的基线方法。实验结果表明，我们的方法显着优于其他两种方法。
2019-04-11 cs.DC
Resource Management in Fog/Edge Computing: A Survey
与使用远程和集中的云数据中心资源相反，在网络边缘采用分散的资源来处理更靠近用户设备（例如智能手机和平板电脑）的数据是即将到来的计算范例，称为雾/边缘计算。与云相比，雾/边缘资源通常是资源受限的、异构的和动态的，从而使资源管理成为需要解决的重要挑战。本文回顾了早在1991年的出版物，其中85%的出版物在2013-2018年之间，以识别和分类雾/边缘计算中管理资源的架构，基础设施和底层算法。
2018-09-30 cs.DC
DHT-based Edge and Fog Computing Systems: Infrastructures and Applications
为了支持延迟要求低于云数据中心所能提供的新出现的应用程序，边缘和雾计算范式已经兴起。在这样的系统中，实时即时数据被处理得更靠近网络边缘，而不是远程数据中心。随着边缘和雾计算系统的发展，基于分布式哈希表（DHT）的新型高效解决方案应运而生，并在系统设计中发挥着关键作用。已经提出了几种基于DHT的解决方案，以增强边缘和雾计算基础设施的可扩展性和效率，或者实现特定于应用程序的功能，例如任务和资源管理。本文首次从基础设施和应用的角度对边缘和雾计算系统中最先进的基于DHT的架构进行了全面研究。此外，本文详细介绍了开放的问题，并讨论了未来的研究方向，基于DHT的边缘和雾计算系统。
2022-11-10 cs.DC
Edge Computing in the Dark: Leveraging Contextual-Combinatorial Bandit and Coded Computing
随着边缘计算能力的最新发展，利用边缘云进行事件驱动和时间敏感计算的情况显著增加。然而，大规模边缘计算网络可能会受到不可预测和不可靠的计算资源的严重影响，这可能导致服务质量的高度可变性。因此，设计有效的任务调度策略以保证服务质量和计算查询的及时性是至关重要的。在本文中，我们研究了在未知的边缘云网络上的计算卸载的问题与一系列及时的计算作业。受MapReduce计算范式的启发，我们假设每个计算作业都可以划分为在边缘处理的较小Map函数，并且在从边缘节点收集Map结果之后在用户处计算Reduce函数。我们将每个边缘设备的服务质量（在截止日期内将结果返回给用户的成功概率）建模为上下文（影响边缘设备的因素的集合）的函数。用户决定要卸载到每个设备的计算，目标是在给定的最后期限内接收一组可恢复的计算结果。我们的目标是在黑暗中设计一个高效的边缘计算策略，而不需要了解每个设备的上下文或计算能力。通过利用\emph{coded computing}框架，以解决计算中的故障或掉队者，我们制定了这个问题，使用上下文组合多武装土匪（CC-MAB），并旨在最大化的累积预期奖励。我们提出了一个在线学习策略称为\emph{online coded edge computing policy}，可证明达到渐进最优性能的遗憾损失相比，建议CC-MAB问题的最佳离线政策。
2021-03-04 cs.DC
EC-SAGINs: Edge Computing-enhanced Space-Air-Ground Integrated Networks for Internet of Vehicles
Sun Yat-sen University（中山大学）；Auburn University（奥本大学）；Tianjin University（天津大学）
边缘计算增强型车联网（EC-IoV）能够在车辆和地面边缘计算（TEC）基础设施（例如，5G基站和路边单元）很少或没有人为干预，在智能交通系统中发挥着关键作用。然而，EC-IoV严重依赖于车辆和TEC基础设施之间的连接和交互，因此在TEC基础设施不可用的一些偏远地区（例如，沙漠、孤岛和受灾地区）。在无处不在的连接和全球区域覆盖的驱动下，空间-空中-地面集成网络（SAGIN）有效地支持无缝覆盖和高效的资源管理，代表了边缘计算的下一个前沿。有鉴于此，我们首先回顾了本文中SAGIN的最新边缘计算研究。在讨论了几种现有的轨道和空中边缘计算架构后，我们提出了一个支持边缘计算的空间-空中-地面集成网络（EC-SAGIN）框架，以支持偏远地区车辆的各种车联网服务。该框架的主要目标是尽量减少任务完成时间和卫星资源的使用。为此，提出了一种预分类方案以减小动作空间的大小，并提出了一种深度模仿学习（DIL）驱动的卸载和缓存算法以实现实时决策。仿真结果表明了该方案的有效性。最后，我们还讨论了一些技术挑战和未来的发展方向。
2021-01-15 cs.AI cs.DC cs.NI
A Survey on Edge Computing Systems and Tools
在物联网和5G通信愿景的推动下，边缘计算系统在网络边缘整合计算、存储和网络资源，提供计算基础设施，使开发人员能够快速开发和部署边缘应用。目前边缘计算系统在工业界和学术界都受到了广泛的关注。为了探索新的研究机会，并帮助用户为特定应用选择合适的边缘计算系统，本调查报告全面概述了现有的边缘计算系统，并介绍了代表性项目。根据它们的适用性，对开源工具进行了比较。最后，我们强调了边缘计算系统的能效和深度学习优化。本调查还研究了分析和设计边缘计算系统的开放问题。
2019-11-07 cs.DC cs.NI
Applications of Auction and Mechanism Design in Edge Computing: A Survey
边缘计算作为一种有前途的技术，提供了更低的延迟，更有效的传输和更快的数据处理速度，因为边缘服务器更接近用户设备。每个资源有限的边缘服务器都可以从附近的用户设备卸载延迟敏感和计算密集型任务。然而，边缘计算面临着诸如资源分配、能耗、安全和隐私问题等挑战，拍卖机制可以很好地表征边缘计算中上述约束下边缘服务器和用户设备之间的双向交互。已有的研究表明，拍卖和机制设计方法在保证边缘服务器和用户设备相互满意的同时实现最优分配策略方面表现突出，特别是在资源稀缺的场景中。在本文中，我们介绍了最近在边缘计算中应用拍卖方法的研究的全面调查。首先，简要概述了边缘计算，包括三种常见的边缘计算范式，即，云计算、雾计算和移动边缘计算。然后，我们介绍了边缘计算系统中常用的拍卖方案的基本原理和背景。然后，提供了基于拍卖的方法应用于边缘计算的全面调查，这是由不同的拍卖方法分类。最后，几个开放的挑战和有前途的研究方向进行了讨论。
2021-05-08 cs.DC cs.GT
A Dynamic Distributed Scheduler for Computing on the Edge
本文提出一种持续感知边缘计算环境状态的动态分布式调度器，通过实时调度异构任务以满足延迟、隐私等应用约束，并在真实AI应用评估中优于现有方法。
2023-08-13 cs.DC
Revisiting the Arguments for Edge Computing Research
本文认为，低延迟、高带宽、设备激增、可持续的数字基础设施以及数据隐私和主权继续推动边缘计算研究的需求，尽管其最初的概念是在十多年前制定的。
2021-06-23 cs.DC
EdgeKeeper: Resilient and Lightweight Coordination for Mobile Edge Computing Systems
移动边缘计算（MEC）已经获得了第一响应者和战术团队的极大兴趣，主要是因为他们可以在与云的连接不存在或有限时使用手持移动设备来形成计算集群（用于计算任务，如面部/场景识别，虚拟辅助）。第一响应者或战术环境中的高用户移动性使得MEC具有挑战性，因为无线链路观察到显著的波动。典型的基于云的协调（例如，边缘计算任务所需的基于ZooKeeper的服务发现和协调，设备命名，安全性）无法在这些环境中工作。驱动的弹性和轻量级的协调服务的需要，在本文中，我们设计和实现\ek提供云协调MEC系统。它为分布式边缘计算应用提供命名、网络管理、应用协调和安全性。它在设备之间维护边缘集群，并智能地将其数据存储在一组副本上，以防止节点故障和断开连接。我们为Android和Linux平台提供EdgeKeeper的全系统实现。我们已经将EdgeKeeper与现有MEC应用程序集成，并在现场急救人员进行的广域搜索和救援行动中进行了真实世界的性能评估，这证明它是轻量级的，适合移动设备。
2022-04-23 cs.DC
Proactive and Reactive Autoscaling Techniques for Edge Computing
The University of Melbourne（墨尔本大学）
针对边缘计算中微服务架构需满足严格SLA但现有自动扩缩容算法存在性能与配置复杂性问题，本章概述边缘计算架构并探讨用于满足SLA的扩缩容算法研究及其优缺点。
2025-10-11 cs.DC
A Time-driven Data Placement Strategy for a Scientific Workflow Combining Edge Computing and Cloud Computing
与传统的分布式计算环境（如网格）相比，云计算提供了一种更具成本效益的方式来部署科学工作流。科学工作流的每个任务都需要多个大型数据集，这些数据集位于来自云计算环境的不同数据中心，导致严重的数据传输延迟。边缘计算降低了数据传输延迟，支持科学工作流私有数据集的固定存储方式，但其存储容量存在瓶颈。如何结合边缘计算和云计算的优势，合理安排科学工作流程的数据布局，优化不同数据中心之间的数据传输时间，是一个挑战。传统的数据布局策略在给定的节点数下保持负载均衡，导致数据传输时间较长。提出了一种基于遗传算法算子的自适应离散粒子群优化算法（GA-DPSO），用于优化科学工作流中的数据传输时间。该方法考虑了边缘计算和云计算相结合的数据放置特征。此外，还考虑了边缘节点带宽、边缘节点数量、边缘节点存储容量等因素对传输时延的影响。采用遗传算法的交叉算子和变异算子，避免了传统粒子群算法的早熟收敛，增强了种群进化的多样性，有效减少了数据传输时间。实验结果表明，基于GA-DPSO的数据放置策略能够有效减少边缘计算和云计算相结合的工作流执行过程中的数据传输时间。
2019-01-24 cs.DC
Challenges and Opportunities in Edge Computing
许多基于云的应用程序采用数据中心作为中央服务器来处理由边缘设备（例如智能手机、平板电脑和可穿戴设备）生成的数据。这种模式对通信和计算基础设施的要求越来越高，对服务质量和体验产生了不可避免的不利影响。边缘计算的概念是基于将一些计算负载移向网络边缘，以利用边缘节点（如基站、路由器和交换机）目前尚未开发的计算能力。这份立场文件考虑了计算领域这一新方向所带来的挑战和机遇。
2016-09-07 cs.DC
Online Learning for Offloading and Autoscaling in Renewable-Powered Mobile Edge Computing
移动边缘计算（也称为雾计算）最近已经出现，以使得能够在移动网络的边缘处对延迟敏感的应用进行\emph{in-situ}处理。然而，提供支持移动边缘计算的电网供电成本高昂，甚至不可行（在某些崎岖或欠发达地区），因此在越来越多的情况下，要求现场可再生能源作为主要甚至唯一的电源。尽管如此，可再生能源的高不稳定性和不可预测性使得在可再生能源驱动的移动边缘计算系统中向用户提供高服务质量非常具有挑战性。在本文中，我们解决了将可再生能源纳入移动边缘计算的挑战，并提出了一种有效的基于强化学习的资源管理算法，该算法实时学习动态工作负载卸载（到集中式云）和边缘服务器配置的最佳策略，以最大限度地降低长期系统成本（包括服务延迟和运营成本）。我们的在线学习算法使用（离线）值迭代和（在线）强化学习的分解，从而实现了学习率和运行时性能的显着改善相比，标准的强化学习算法，如Q学习。
2016-09-16 cs.DC
Smart Contract-based Computing ResourcesTrading in Edge Computing
近年来，出现了一种新兴趋势，即一些计算服务正在从云移动到网络边缘。与云计算相比，边缘计算可以提供响应更快、费用更低、安全性更高的服务。接近边缘的大量闲置计算资源也增强了边缘服务的部署。边缘计算为人们提供了一个积极加入计算资源市场的绝佳机会，而不是使用一些主要提供商的云服务。然而，边缘计算也有一些我们必须克服的关键障碍。在本文中，我们设计了一个边缘计算服务平台，可以接收和分发计算资源的最终用户在一个分散的方式。在没有集中式交易控制的情况下，我们提出了一种新的基于分层智能合约的去中心化技术来建立用户之间的交易信任，并提供灵活的智能合约接口来满足用户的需求。我们的系统还考虑并解决了各种安全和隐私的挑战时，利用加密和分布式访问控制机制。我们实现了我们的系统，并进行了广泛的实验，以显示我们所提出的系统的可行性和有效性。
2020-06-29 cs.CR cs.DC
GENIO: Synergizing Edge Computing with Optical Network Infrastructures
提出GENIO平台，将边缘计算集成到现有PON基础设施中，通过增强中心局的计算和存储资源，使电信运营商能利用现有网络作为分布式边缘计算架构，仿真验证了其可行性与优于传统架构的性能。
2025-02-19 cs.DC cs.NI
A Manifesto for Modern Fog and Edge Computing: Vision, New Paradigms, Opportunities, and Future Directions
物联网（IoT）设备的使用正在不断增加，并以快速的方式生成大量数据。云计算是有效处理和管理用户数据的重要范式。此外，引入雾和边缘计算范例以通过减少延迟和响应时间来改善用户服务。本章根据当前的研究趋势，提出了现代雾和边缘计算系统的宣言。此外，雾和边缘计算的架构和应用进行了说明。此外，研究的机会和有前途的未来方向提出了关于新的范式，这将有助于从业者，研究人员和学者继续他们的研究。
2021-09-19 cs.DC
Dependability in Edge Computing
边缘计算是将计算资源放置在互联网的边缘，靠近设备和信息源的实践。这就像CPU上的缓存一样，增加了带宽并减少了应用程序的延迟，但可能会以可靠性和容量为代价。这是因为这些边缘设备通常不像集中式服务器级云资源那样维护良好、可靠、强大或健壮。本文探讨了边缘计算领域的可靠性和部署挑战，当今技术可以解决哪些方面，以及哪些方面需要新的解决方案。解决的第一个问题是故障，包括硬故障（崩溃、挂起等）和软（与性能相关的）和实时约束违反。在这个领域，边缘计算通过减少端到端延迟来增强实时系统容量。然而，就像缓存未命中一样，过载或故障的边缘计算机可能会导致延迟超出可容忍的限度。其次，分散管理和设备篡改可能导致信任链和安全或隐私侵犯。身份验证、访问控制和分布式入侵检测技术必须从当前的云部署中扩展，并且需要针对边缘生态系统进行定制。第三个问题涉及在通常资源受限的边缘设备中处理多租户，以及需要标准化以允许跨供应商产品的互操作性。我们探讨了这三个广泛问题中的每一个的关键挑战，因为它们与边缘计算的可靠性有关，然后假设在这一领域有希望的工作途径。
2017-10-11 cs.DC
Edge AIBench: Towards Comprehensive End-to-end Edge Computing Benchmarking
在边缘计算场景中，不同层上的数据分布和工作负载协作是性能、隐私和安全问题的严重问题。因此，对于边缘计算基准测试，我们必须采取端到端的观点，考虑所有三个层：客户端设备，边缘计算层和云服务器。不幸的是，以前的工作忽略了这一最重要的一点。本文介绍了BenchCouncil在边缘AI基准测试上的协调工作，名为Edge AIBench。总体而言，Edge AIBench模拟了四种典型的应用场景：ICU患者监护仪，监控摄像头，灵巧家庭和自动驾驶汽车，重点关注三个层面的数据分发和工作负载协作。Edge AIBench是开源AIBench项目的一部分，可从http://www.benchcouncil.org/AIBench/index.html公开获取。我们还使用联邦学习框架构建了一个边缘计算测试平台，以解决性能、隐私和安全问题。
2019-08-06 cs.DC cs.PF
Towards Seamless Serverless Computing Across an Edge-Cloud Continuum
本文基于 Knative 构建支持边缘-云无缝部署的无服务器平台，提出边缘编排与动态卸载策略，实验证明其可降低延迟并提升吞吐量。
2024-01-04 cs.DC
EdgeShard: Efficient LLM Inference via Collaborative Edge Computing
针对大语言模型云推理延迟高、成本高和隐私问题，本文提出协作边缘计算框架EdgeShard，通过模型分片和动态规划优化设备选择与分区，在异构原型上实现高达50%延迟降低和2倍吞吐量提升。
2024-05-23 cs.DC
Exploring the Viability of Unikernels for ARM-powered Edge Computing
针对ARM驱动的边缘计算，本文评估OSv、Nanos、Unikraft三种Unikernel系统与Docker的性能效率，揭示其资源消耗少、启动快的优势及优化方向，为边缘计算轻量级方案提供参考。
2024-12-04 cs.DC
CarbonEdge: Leveraging Mesoscale Spatial Carbon-Intensity Variations for Low Carbon Edge Computing
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；University of California, Santa Cruz（加州大学圣克鲁兹分校）；Carnegie Mellon University（卡内基梅隆大学）
CarbonEdge通过优化中尺度边缘数据中心的工作负载部署，减少碳排放并满足延迟要求。
2025-11-23 cs.DC
EdgeAISim: A Toolkit for Simulation and Modelling of AI Models in Edge Computing Environments
本文提出轻量级 Python 工具包 EdgeAISim，扩展 EdgeSimPy 并集成多种强化学习模型，以支持边缘计算资源管理策略的 AI 仿真与功耗优化。
2023-10-09 cs.DC
Distributed Load Orchestration for Vision Computing in Multi-Access Edge Computing
针对5G-MEC校园视频监控在高峰期的节点过载问题，提出基于负载均衡队列组织与截止期限感知优先级的分布式编排策略，并通过仿真验证其可减少转介并改善期限满足率。
2022-12-07 cs.DC
At the Edge of a Seamless Cloud Experience
对于许多设备和用户来说，对低延迟的需求日益增长。传统的云计算范式无法满足这一要求，因此需要一种新的范式。边缘计算提出将计算能力移动到网络边缘，更接近数据的生产和消费。然而，边缘计算提出了新的挑战。在边缘，设备比数据中心更加异构，数据中心的一切都经过优化以实现规模经济。边缘设备可以是移动的，比如汽车，这使得动态拓扑的架构变得复杂。物联网设备产生了大量可以在边缘处理的数据。在本文中，我们讨论了边缘计算面临的主要挑战以及实现无缝云体验的解决方案。我们建议使用容器和WebAssembly等技术来管理应用程序在异构设备上的执行。
2021-11-11 cs.DC
When Mobile Blockchain Meets Edge Computing
区块链作为当前流行的比特币数字货币的骨干技术，已经成为一种很有前途的去中心化数据管理框架。虽然区块链已经在许多应用中被广泛采用，例如，金融、医疗、物流等领域，其在移动服务中的应用仍然有限。这是由于区块链用户需要解决预设的工作量证明难题来添加新数据，即，a block块，to the blockchain块.然而，解决工作量证明在CPU时间和能量方面消耗大量资源，这不适合于资源有限的移动设备。为了促进区块链在未来移动物联网系统中的应用，多路访问移动边缘计算似乎是解决移动用户工作量证明难题的一个吉祥的解决方案。我们首先介绍了移动区块链边缘计算的新概念。然后，我们介绍了一种经济的边缘计算资源管理方法。此外，提出了一个支持移动边缘计算的区块链系统原型，并给出了实验结果来证明所提出的概念。
2018-04-11 cs.DC
EdgeSphere: A Three-Tier Architecture for Cognitive Edge Computing
EdgeSphere提出一种三层架构，利用边缘设备资源就地分析数据，基于Apache Mesos优化调度，应用于实际场景，应对设备能力、连接性和异构性挑战。
2024-05-26 cs.DC
EdgeFaaS: A Function-based Framework for Edge Computing
EdgeFaaS是一种基于函数的边缘计算框架，通过统一管理异构资源，优化函数调度与数据放置，提升边缘计算的响应性、隐私保护和成本效率。
2026-02-16 cs.DC
Edge Intelligence: The Confluence of Edge Computing and Artificial Intelligence
随着通信技术的快速发展和移动设备的大量使用，一种全新的计算模式--边缘计算（Edge Computing）正在兴起。与此同时，随着深度学习的突破和硬件架构的许多改进，人工智能（AI）应用正在蓬勃发展。在网络边缘产生的数十亿数据字节对数据处理和结构优化提出了巨大的需求。因此，存在着将边缘计算和人工智能相结合的强烈需求，这催生了边缘智能。在本文中，我们将边缘智能分为边缘AI（Intelligence-enabled Edge Computing）和边缘AI（人工智能on Edge）。前者侧重于借助流行和有效的AI技术为边缘计算中的关键问题提供更优化的解决方案，而后者则研究如何执行构建AI模型的整个过程，即，模型训练和推理，在边缘。本文从更广阔的视角对这一新的跨学科领域进行了深入的探讨。它讨论了核心概念和研究路线图，这应该为边缘智能未来潜在的研究举措提供必要的背景。
2020-02-10 cs.DC cs.NI
Integration of FogBus2 Framework with Container Orchestration Tools in Cloud and Edge Computing Environments
目前，由于容器技术具有重量轻、部署简单、支持多环境、启动时间短、可扩展、易迁移等优点，在云计算和边缘/雾计算中得到了广泛应用，并解决了不同计算环境下的设备异构问题。在此基础上，作为最流行的容器编排和管理系统之一，Kubernetes几乎主导了云环境。但是，由于它主要是为计算资源充足的集中式资源管理场景而设计的，因此由于硬件限制，该系统在边缘环境中不稳定。因此，为了实现云和边缘/雾混合计算环境下的容器编排，提出了一种可行的基于K3 s构建混合集群的方法，解决了不同环境下虚拟实例因IP地址而无法连接的问题。我们还提出了将FogBus 2框架部署到混合环境中的三种设计模式，包括1）主机网络模式，2）代理服务器和3）环境变量。
2021-12-11 cs.DC
Software Defined Edge Computing for Distributed Management and Scalable Control in IoT Multinetworks
最近，边缘计算已经成为支持物联网多网络中移动访问的一个有前途的范例。然而，异构无线通信方案的共存给此类网络中的移动性管理和接入控制带来了新的挑战。为了保持其计算连续性，软件定义网络（SDN）架构可以应用于分布式边缘网络，其为移动性管理提供一致的框架并为访问控制创建安全机制。在本文中，我们首先回顾了最先进的SDN技术及其在边缘计算中的应用。特别是，我们强调了与边缘计算环境中SDN的移动性管理和访问控制相关的突出问题。我们还介绍了一些有效的解决方案，这些问题，通过提出现实世界的测试床实验，原型和数值分析采用基于SDN的边缘计算范例的物联网多网络。
2021-04-06 cs.DC cs.NI
A Comprehensive Survey on Orbital Edge Computing: Systems, Applications, and Algorithms
本文首次全面综述轨道边缘计算（OEC），涵盖2000至2023年研究，聚焦协议优化、移动性管理与资源分配，并指出技术挑战与未来方向。
2023-06-02 cs.DC
AI-based Fog and Edge Computing: A Systematic Review, Taxonomy and Future Directions
计算中的资源管理是一个非常具有挑战性的问题，涉及到顺序决策。资源限制、资源异构性、工作负载的动态性和多样性以及雾/边缘计算环境的不可预测性使得雾环境中的资源管理更具挑战性。近年来，基于人工智能（AI）和机器学习（ML）的解决方案被用来解决这个问题。能够做出顺序决策的AI/ML方法，如强化学习，似乎最有希望解决这类问题。但是这些算法也有自己的挑战，比如高方差、可解释性和在线训练。不断变化的雾/边缘环境动态需要在线学习的解决方案，以适应不断变化的计算环境。在本文中，我们使用标准的综述方法进行了系统性文献综述（SLR），以分析AI/ML算法的作用以及这些算法在雾/边缘计算环境中资源管理的适用性所面临的挑战。此外，还讨论了用于边缘AI管理的各种机器学习、深度学习和强化学习技术。此外，我们还介绍了基于AI/ML的雾/边缘计算的背景和现状。此外，基于AI/ML的雾/边缘计算的资源管理技术的分类已经提出，并比较现有的技术的基础上提出的分类。最后，在基于AI/ML的雾/边缘计算领域，已经确定并讨论了开放的挑战和有前途的未来研究方向。
2022-12-09 cs.DC
Joint Storage Allocation and Computation Design for Private Edge Computing
近年来，边缘计算（EC）以其高速计算和低延迟特性引起了人们的极大关注。然而，在电子商务的实施过程中存在着许多挑战。首先，由于边缘设备可能不值得信任，因此用户的隐私已经被提出作为主要关注点。在私有边缘计算（PEC）的情况下，用户想要计算其本地矩阵与库中的矩阵之一之间的矩阵乘法，该矩阵冗余地存储在边缘设备中。当利用边缘设备的资源时，隐私性要求每个边缘设备不能知道用户期望哪个存储在其上的矩阵用于乘法。其次，边缘设备通常具有有限的通信和存储资源，这使得它们不可能将所有矩阵存储在库中。在本文中，我们考虑到有限的边缘设备的资源，并提出了一个统一的框架PEC。在该框架内，我们研究了两个高度耦合的问题，（1）存储分配，它决定了哪些矩阵存储在每个边缘设备上，（2）计算设计，它决定了每个边缘设备中的哪些矩阵（或它们的线性组合）被选择参与计算过程并考虑隐私。具体地说，我们给出了一个通用的存储分配方案，然后设计了两个可行的私有计算方案，一般私有计算（GPC）方案和私有编码计算（PCC）方案。特别地，GPC可以应用于一般情况，PCC只能应用于特殊情况，而PCC实现了较小的通信负载。我们从理论上分析了所提出的计算方案，并与其他方案进行了比较。最后，我们进行了大量的模拟，以显示所提出的计划的有效性。
2020-10-18 cs.DC
Scheduling IoT Applications in Edge and Fog Computing Environments: A Taxonomy and Future Directions
雾计算作为一种分布式模式，在网络边缘提供云服务，具有低延迟和高访问带宽，以支持各种物联网应用场景。为了充分利用这种计算模式的潜力，需要可扩展的，自适应的和准确的调度机制和算法，以有效地捕获用户，物联网应用，环境属性和优化目标的动态和需求。本文介绍了在雾计算中调度物联网应用程序的最新文献分类。基于我们的新的分类方案，目前的工作在文献中进行了分析，每个类别的研究差距，并描述各自的未来发展方向。
2022-04-26 cs.DC
An Experimental Study on Microservices based Edge Computing Platforms
物联网（IoT）的快速技术进步使智慧城市的蓝图变得可行，通过整合异构的云/雾/边缘计算范例，在我们的城市和社区中协作提供各种智能服务。由于具有细粒度和松耦合等吸引人的特性，微服务架构已被提出来在大规模分布式物联网系统中提供可扩展和可扩展的服务。最近的研究基于云计算环境下的场景对微服务之间的性能干扰进行了评估和分析。然而，考虑到边缘设备（如计算消耗和网络容量）的限制，它们对于物联网应用并不全面。本文研究了边缘计算平台上的多种微服务部署策略。微服务作为Docker容器开发，全面的实验结果展示了微服务在基准场景上运行的性能和干扰。
2020-04-06 cs.DC
Leveraging User-Diversity in Energy-Efficient Edge-Facilitated Collaborative Fog Computing
受设备上协作神经网络推理等应用的启发，这项工作研究了边缘促进的协作雾计算-其中边缘设备相互协作并与网络边缘协作以完成处理任务-以增强单个边缘设备的计算能力，同时优化协作以提高能效。协作计算使用Map-Reduce分布式计算框架建模，包括由通信阶段分开的两轮计算。考虑到边缘设备在计算和通信能力方面的多样性，计算负载在边缘设备之间进行了最佳分配。此外，边缘设备的本地参数（如CPU时钟频率和RF发射功率）也针对能效进行了优化。相应的优化问题可以被证明是凸的，最优性条件可以通过拉格朗日对偶理论得到。一个注水式的解释分配给每个边缘设备的计算负载的大小。数值实验表明，所提出的最佳协同计算方案的好处比其他各种计划在几个方面。最值得注意的是，所提出的方案表现出成功处理较重计算和/或较小延迟的概率增加，以及高达两个数量级的能效增益。这两项改进都来自于该方案最佳利用边缘设备多样性的能力。
2020-10-21 cs.DC eess.SP
EdgeBench: A Workflow-based Benchmark for Edge Computing
边缘计算已经被开发为出于隐私、成本和服务质量（QoS）原因而利用多层资源。边缘工作负载具有数据驱动和延迟敏感的特点。正因为如此，边缘系统已经发展成为异构和分布式的。边缘工作负载和边缘系统的独特特性激发了EdgeBench，这是一个基于工作流的基准测试，旨在提供探索边缘工作负载和边缘系统的完整设计空间的能力。EdgeBench既可定制又具有代表性。它允许用户自定义边缘工作负载的工作流逻辑、数据存储后端以及各个工作流阶段到不同计算层的分布。为了说明EdgeBench的可用性，我们还实现了两个代表性的边缘工作流，一个是视频分析工作流，另一个是物联网中心工作流，代表了两种不同但常见的边缘工作负载。这两个工作流都使用EdgeBench报告的工作流级别和功能级别指标进行评估，以说明边缘系统和边缘工作负载的性能瓶颈。
2020-10-27 cs.DC cs.PF
Deep Reinforcement Learning-based Scheduling for Optimizing System Load and Response Time in Edge and Fog Computing Environments
针对边缘/雾计算环境中物联网应用调度面临的过载、依赖约束和资源限制等挑战，提出基于深度强化学习的调度算法DRLIS，在FogBus2框架中实现并显著降低了负载均衡、响应时间和加权成本。
2023-10-23 cs.DC
An Overview on Generative AI at Scale with Edge-Cloud Computing
University of Southern California（南加州大学）
本文综述了生成式人工智能与边缘-云计算的融合，通过两个典型应用分析大规模扩展中的技术挑战，并提出训练与部署的设计考量及未来研究方向。
2023-07-09 cs.AI cs.DC cs.SY
Are FPGAs Suitable for Edge Computing?
物联网（IoT）和人工智能应用的快速发展催生了一种新的计算范式--边缘计算。在本文中，我们从吞吐量对工作负载大小的敏感性、架构对算法特征的适应性和能效的角度研究了部署FPGA用于边缘计算的适用性。这一目标是通过在Intel Arria 10 GX 1150 FPGA和Nvidia Tesla K40 m GPU上进行比较实验来实现的。实验结果表明，采用FPGA进行边缘计算比GPU具有三方面的关键优势：1）FPGA可以提供与应用程序工作负载大小无关的一致吞吐量，这对于聚合来自各种物联网传感器的单个服务请求至关重要;（2）FPGA以细粒度和大规模提供空间和时间并行性，这保证了持续的高性能，以加速高并发性和高依赖性算法;以及（3）FPGA具有3-4倍的功耗和高达30.7倍的能效，提供更好的热稳定性和更低的每功能能源成本。
2018-04-17 cs.DC
Relating Edge Computing and Microservices by means of Architecture Approaches and Features, Orchestration, Choreography, and Offloading: A Systematic Literature Review
背景：由边缘计算运行和提供支持的微服务已经在工业界和学术界引起了广泛的关注。自2014年Martin Fowler推广微服务术语以来，已经发表了许多与这些主题相关的研究，以探索边缘的低延迟特性如何与微服务分布式范式的高吞吐量相结合。目标：确定微服务如何与边缘计算协同工作，而它们在边缘上运行时可以利用这些优势。方法：为了更好地理解这种关系，我们首先确定了它的关键概念，它们是：架构方法和功能，微服务组合（编排/编排）和卸载。之后，我们进行了系统性文献综述（SLR）作为调查方法。结果如下：我们回顾了111项选定的研究，并建立了边缘计算微服务的分类，展示了它们当前的架构方法和功能，组合和卸载模式。此外，我们还确定了研究差距和趋势。结论：本文是向前迈出的一步，旨在帮助研究人员和专业人士全面了解微服务和边缘在过去几年中的关系。它还讨论了差距和研究趋势。这款单反相机也将是边缘和微服务领域新研究人员的一个很好的介绍。
2023-01-23 cs.DC
Optimal Offloading Strategies for Edge-Computing via Mean-Field Games and Control
在异构边缘计算场景中的任务的最佳卸载具有很大的实际意义，无论是在自私的和完全合作的设置。在实践中，这样的系统通常非常大，使得合作最优或纳什均衡方面的精确解难以处理。为此，我们采用了一般的平均场公式，以解决无限大系统极限下的竞争和合作卸载问题。我们给出了理论保证的极限解的近似性质，并解决由此产生的平均场问题的数值。此外，我们验证了我们的解决方案的数值，发现我们的近似是准确的系统与几十个边缘设备。因此，我们获得了一个易于处理的方法来设计卸载策略在大型边缘计算场景与许多用户。
2022-09-08 cs.DC
IoTSim-Edge: A Simulation Framework for Modeling the Behaviour of IoT and Edge Computing Environments
本文提出了一种新的模拟器IoTSim-Edge，它可以捕获异构物联网和边缘计算基础设施的行为，并允许用户以简单和可配置的方式测试其基础设施和框架。IoTSim-Edge扩展了CloudSim的功能，以整合边缘和物联网设备的不同功能。使用三个测试案例描述了IoTSim-Edge的有效性。结果显示了IoTSim-Edge在应用组合、面向电池的建模、异构协议建模和移动性建模以及物联网应用的资源配置方面的不同能力。
2019-10-07 cs.DC cs.PL
Edge Computing and Dynamic Vision Sensing for Low Delay Access to Visual Medical Information
提出了一种利用边缘计算和动态视觉传感（DVS）技术降低可视和非可视病历传输延迟的新方法。仿真结果表明，该方案可以减少89.15%至93.23%的传输延迟。分析了边缘设备可以服务的最大患者数量。
2017-11-10 cs.DC eess.IV
Accelerator Virtualization in Fog Computing: Moving From the Cloud to the Edge
云上的硬件加速器可用于增强分析。下一代云的目标是使用加速器将增强的分析功能更接近网络边缘的用户设备，通过最小化端到端延迟和响应时间来提高服务质量。在包括云、边缘和用户设备的多层层次结构中利用云边缘连续体处的资源的集体计算模型被称为雾计算。本文确定了使加速器在边缘可访问的挑战和机遇。雾架构的整体视图是在这一领域进行有意义的研究的关键。
2018-10-14 cs.DC cs.NI
Performance Evaluation of Serverless Edge Computing for Machine Learning Applications
智能医疗、自动驾驶汽车和智能城市等下一代技术需要新的方法来处理物联网（IoT）设备产生的网络流量，以及高效的编程模型来部署机器学习技术。无服务器边缘计算是一种新兴的计算范式，它融合了边缘计算和无服务器计算这两种最新技术，可以解决这些挑战。然而，很少有工作来探索这种技术的能力和性能。本文使用流行的开源框架，即Kubeless，OpenFaaS，Fission和funcX，对无服务器边缘计算系统进行了全面的性能分析。实验考虑了不同的程序设计语言、工作负载和并发用户的数量。机器学习工作负载已被用于评估系统在不同工作条件下的性能，以提供对最佳实践的见解。评估结果揭示了无服务器边缘计算当前面临的一些挑战，以及这项新兴技术在机器学习应用中的开放研究机会。
2022-10-19 cs.DC cs.PF
EdgeBench: Benchmarking Edge Computing Platforms
边缘计算的新兴趋势已经导致一些云提供商发布了自己的平台，用于在网络的“边缘”执行计算。我们比较了两个这样的平台，Amazon AWS Greengrass和Microsoft Azure IoT Edge，使用了一个包含一套性能指标的新基准。我们还将边缘框架的性能与其各自云生态系统中的纯云实现进行了比较。Amazon AWS Greengrass和Azure IoT Edge使用不同的底层技术，边缘Lambda函数与容器，因此我们还详细介绍了可供开发人员使用的平台功能。我们的研究表明，这两种边缘平台都提供了相当的性能，但在边缘应用程序中使用的关键类型的工作负载方面存在重要差异。最后，我们讨论了当前部署这些平台时面临的几个问题和挑战。
2018-11-14 cs.DC cs.NI
Delay-Optimal Distributed Edge Computing in Wireless Edge Networks
分布式边缘计算（DEC）通过将边缘计算与并行计算相结合，利用边缘网络中的分布式设备并行执行计算，可以大幅降低服务延迟。在本文中，我们探讨DEC，利用分布式边缘设备连接的无线网络来执行计算任务卸载从终端设备。特别是，我们研究的基本问题，最大限度地减少执行分布式算法的计算任务的延迟。首先，我们建立了一些最优通信调度策略的结构特性。然后，给出了这些属性，我们的最优计算分配策略，它可以找到一个有效的算法。其次，基于最优计算分配，我们描述了一些特殊情况下的通信的最优调度顺序，并开发了一个有效的算法与有限的逼近比，以找到它的一般情况。最后，基于最优的计算分配和通信调度，我们进一步证明了在某些特殊情况下，可以有效地找到最优的设备选择。我们的研究结果提供了一些有用的见解，最佳的计算通信协同设计。我们使用模拟的理论研究结果的性能进行评估。
2020-02-07 cs.DC cs.NI
Unified, User and Task (UUT) Centered Artificial Intelligence for Metaverse Edge Computing
Nanyang Technological University（南洋理工大学）
Metaverse可以被认为是当今网络的延伸，它集成了物理和虚拟世界，提供了超现实的用户体验。Metaverse的诞生带来了许多生态系统服务，如内容创作，社交娱乐，世界价值转移，智能交通，医疗保健。这些服务是计算密集型的，需要将计算卸载到Metaverse边缘计算服务器（MECS）上。现有的Metaverse边缘计算方法不能高效且有效地处理资源分配，以确保Metaverse生态系统服务所需的流畅、无缝和超现实的Metaverse体验。因此，我们引入了一种新的Metaverse兼容的，统一的，以用户和任务（UUT）为中心的基于人工智能（AI）的移动边缘计算（MEC）范式，这是一个概念，未来的AI控制算法可以建立在这个概念上，以开发一个更加以用户和任务为中心的MEC。
2022-12-19 cs.AI cs.DC cs.IT
A Distributed Virtual Network Function Placement Approach in Satellite Edge and Cloud Computing
卫星边缘计算已成为为偏远地区的物联网设备提供计算服务的一种很有前途的方式，这些地区不在地面网络的覆盖范围内，但由于卫星资源的限制，它不适合大规模的物联网设备。云计算可以为物联网设备提供足够的可用资源，但由于网络延迟高，无法满足延迟敏感型用户的服务需求。协作边缘和云计算是通过结合边缘和云计算的优势，为众多物联网设备提供灵活的服务。研究了协同卫星边缘和云计算环境下，以最小化卫星网络带宽使用率和服务端到端延迟为目标的虚拟网络功能（VNF）配置问题.我们制定的VNF布局问题作为一个整数非线性规划问题，并提出了一个分布式VNF布局（D-VNFP）算法来解决它，因为VNF布局问题是NP-难的。通过实验验证了该算法的有效性。实验结果表明，该算法在解决卫星边缘和云计算环境下的VNF布局问题时，性能优于已有的Greedy和Viterbi算法.
2021-04-06 cs.DC cs.NI
Can Orbital Servers Provide Mars-Wide Edge Computing?
针对火星表面部署计算资源成本高昂的问题，本文提出由轨道服务器组成火星计算星座，借鉴近地轨道边缘计算概念实现火星全域网络与计算覆盖，并分析应用、可行性与未来研究方向。
2023-08-18 astro-ph.IM cs.DC
AI-oriented Medical Workload Allocation for Hierarchical Cloud/Edge/Device Computing
在分层结构的云/边缘/设备计算环境中，工作负载分配会极大地影响整体系统性能。本文讨论了大都市地区急诊室（ER）或重症监护室（ICU）中产生的面向AI的医疗工作量。目标是优化AI工作负载分配到云集群、边缘服务器和终端设备，以便在挽救生命的紧急应用中实现最短的响应时间。特别是，我们为分布式云/边缘/设备计算系统中的AI工作负载开发了一种新的工作负载分配方法。一个有效的调度和分配策略，以减少整体响应时间，以满足多病人的需求。我们应用了来自综合边缘计算基准Edge AIBench的几个ICU AI工作负载。涉及的医疗AI应用包括呼吸短促警报、患者表型分类和生死威胁。我们的实验结果表明，在现实生活中的医疗保健和紧急应用的高效率和有效性。
2020-02-10 cs.DC cs.PF
