摘要：工业互联网是新一代网络信息技术与制造业深度融合的产物，是经济转型升级的关键依托和重要途径。边缘计算是支持工业互联网的关键技术。本文首先说明了边缘计算在工业互联网产业发展过程中的重要意义，然后分别从边缘计算的发展历程、边缘端智能化方法和边缘计算平台三方面介绍了工业互联网边缘计算近年来的研究现状，最后指明了工业互联网边缘计算在今后发展中尚待解决的关键问题。

关键词：工业互联网；智能制造；边缘计算

1 工业互联网边缘计算研究的重要意义

1.1 工业互联网是先进制造业转型升级的关键

工业互联网[1]是连接工业设备和生产的网络，智能化生产、网络化协同、个性化定制和服务化转型是工业互联网的核心内容。作为新型工业化的基础设施和智能制造的关键使能技术，工业互联网已经成为全球制造业抢占的新一轮制高点。

2012年，美国通用电气公司首先提出了工业互联网概念，此后工业互联网在世界范围内得到了广泛发展。目前工业互联网以德国“工业4.0平台”、美国“工业互联网联盟”为典型代表，同时 工业互联网作为我国智能制造发展的重要支撑已经得到了国家的高度认可与重视，“十三五”规划、制造强国、“互联网+”等重大战略都明确提出发展工业互联网，如图1所示。

图1 工业互联网战略规划

1.2 边缘计算是实现工业互联网创新应用的关键

实现工业互联网的创新应用，如智能化生产、网络化协同、个性化定制和服务化转型等并非易事。物联网技术的发展虽然丰富了数据采集的手段，但随之而来的海量数据也对工业系统的实时性等问题提出了新的挑战。

目前基于视觉引导的装配机器人得到了广泛的应用，但是个性化定制过程对装配机器人提出了更高的要求。如图2所示，在实时性方面，个性化定制系统对于装配机器人的空间定位、目标识别、轨迹规划的实时性要求高，部分情况的场景需要在10毫秒以内。工业现场产生大量数据的实时处理需求，单个摄像头1080p格式视频在4Mbps码率下每天产生330G的视频数据，完 全传输至云端需要占用大量带宽，并产生较大的时延， 如果数据分析和控制都在云端进行，则难以满足业务实时性的要求。同时，采用目前流行的深度学习相关技术后，视频处理的计算复杂度很高。分类用AlexNet分析224×224大小的图像需要720MFLOPs计算量，主流边  缘设备（使用酷睿i5 CPU）需要1秒左右，而实际生产过程常用的ResNet50计算量是AlexNet的数十倍，无法保证应用的实时性。

图2 工业互联网边缘计算的基本思想及面对的挑战

边缘计算的提出为解决上述问题提供可能。边缘计算是在靠近物或数据源头的网络边缘侧就近提供边缘智能服务，满足行业数字化在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。因此，边缘计算是实现工业互联网智能化生产、网络化协同、个性化定制和服务化转型等创新应用的关键。2017年，施巍松等[2]从数据处理的角度论述了研究面向网络边缘设备所产生海量数据计算的边缘式大数据处理的必要性、研究现状及所面临的挑战，并指出边缘计算模式能够有效应对边缘式大数据处理时代下，云计算模型无法有效解决的云中心负载、传输带宽、数据隐私保护等问题。2017年，Satyanarayanan等[3]指出近几年工业界和学术界在边缘计算上的投入呈现迅猛增长，并指出这种新型技术能够为移动计算提供高响应云服务，使物联网具备可扩展性并提供有效的隐私保护策略和掩盖云服务短暂中断的能力。

边缘计算强调网络边缘上的计算和存储，无论在地理距离还是网络距离上都更贴近用户。相比于云计算， 边缘计算更能够缓解网络带宽与数据中心的压力、增强服务的响应能力并实现对隐私数据的保护，提升数据的安全性，已经成为研究界和产业界普遍关注的焦点，被用于建立多个领域的应用系统。如，在拼车服务中建立的基于边缘计算的攻击检测系统[4]、在关注延迟的边缘 计算平台上建立的视频分析系统[5]、基于边缘计算的工业机器人系统[6]以及跨越无人驾驶和有人驾驶能够进行 情境感知的共享实时信息系统[7]等。由于边缘节点负责 直接处理来自物理环境的实时信息，为终端用户/设备 提供快速、及时的响应，显然，实现并提升边缘端智能对有效提升边缘计算应用的整体智能化水平和工作效率至关重要。

2 工业互联网边缘计算研究现状

2.1 边缘计算发展历程

虽然2003年IBM就开始提供基于Edge的服务，但直到2014年以后，随着物联网技术、5G技术和人工智能的发展，边缘计算才蓬勃发展起来。边缘计算的发展如图3所示。

图3 边缘计算的发展历程

工业互联网智能制造边缘计算也受到了国家各部委的高度重视。工信部在2017年和2018年连续设立了一系列智能制造综合标准化与新模式应用项目。2017年中国科学院沈阳自动化研究所承担的工信部智能制造综合标准化与新模式应用项目“工业互联网应用协议及数据互认标准研究与试验验证”，从工业互联网边缘计算模型、工业互联网数据统一语义模型、工业互联网互联互通信息安全要求等7个方面对工业互联网智能制造边缘计算标准的制定进行了探索；2018年，工信部工业互联网创新发展工程系列项目中，针对工业互联网边缘计算，专门设立了“工业互联网边缘计算测试床”、“工业互联网边缘计算基础标准和试验验证”等8个项目； 在2018年度科技部国家重点研发计划“网络协同制造和智能工厂”重点专项中，专门针对边缘计算设置了“工业互联网边缘计算节点设计方法与技术”、“典型行业装备运行服务平台及智能终端研制”、“基于开放架构的云制造关键技术与平台研发”等多个项目。

2.2 边缘端智能化方法

机器智能已成为各种应用的核心属性，但是大部分深度学习算法仅限于在云中心执行。近年来，多个边缘端设备的机器学习包陆续发布，被用于将计算卸载到边缘端设备上执行[8~10]。

Zhang等[11]对最近发布的用于边缘端设备的机器学习包进行了性能比较评估，使用户能够为边缘端选择一组合适的边缘设备和软件，将计算卸载到边缘端设备上执行。在云边协作学习方面，目前研究主要集中在借助在线学习和其他学习方法结合的学习技术实现边缘节点智能的动态升级。Zhao等[12]最早提出了在线迁移学习的概念，在线迁移学习是一种动态迁移学习的策略，该学习算法的核心思想是将离线训练好的模型随流数据在线迁移，模型能很好地适应数据的变化。Sahoo等[13]提出了在线学习和深度学习结合的学习算法，该算法为深度学习在线更新提供了理论基础。Xu等[14]针对边缘计算场景中边缘资源调度优化的具体问题设计了在线学习和强化学习结合的方法，该算法为边缘节点自适应环境升级智能提供了理论指导和现实样例。在最新的智能升级研究中，Yazici等[15]在嵌入式设备上做实验，同时运行随机森里、多层感知积和支持向量机等机器学习算法的训练和推理，并比较了三个算法在训练和推理阶段的效率和能耗，最后探讨了运行深度学习算法训练和推理的方向。

目前，边缘计算中决策问题的研究大多集中在边缘侧资源受限情况下的独立决策，如何在工业生产过程中实现适应场景变化的个性化边缘决策仍然是一个开发问题，需要探索适应不同边缘设备与网络特征的学习机制、学习任务部署策略以及基于学习的实时决策方法， 为工业物联网场景中通过云边协作学习提供工业设备与生产的智能化新思路和新方法。

2.3 边缘计算平台

目前，无论是学术界还是工业界都已经构建了多个边缘计算平台，并制定了相应的标准。边缘计算相关标准ETSI对边缘决策的典型的应用场景作了详细的规范和描述，包括智能移动视频加速、监控视频流分析、增强现实、密集计算辅助、车联网、IoT、网关服务以及企业专网应用。

Willis等支持在无线网关上动态安装第三方服务的多租户平台ParaDrop[16]，通过虚拟化实现物理设备、边缘计算设备和云计算中心计算资源的有机结合和灵活分配的PCloud框架[17]，以及支持云-端任务动态迁移的 ECHO平台等。Tang等[18]提出了一种以智慧城市为背景的大数据分析框架，对处理在地理上广泛分布的数据有很好的效果。其中使用边缘计算技术构建的边缘计算平台充分利用数据传输路径上的计算设备，保证了分析框架的高效运行，减少了需要上传到云中的数据量，是整个框架高效运行的关键。美国里海大学与IBM提出了一个基于深度学习的自适应物体识别框架DeepCham[19]，该框架适用于移动设备上的物体识别 应用，可以大幅提高物体识别的准确率，其中边缘计算模式可以在一定程度上减小对模型适用范围的要求，也为深度学习收集大量特定的学习数据，训练更加个性化的识别模型。CMU与Intel实验室在2014年开发了一个基于增强现实技术的认知辅助系统[20]，通过谷歌眼镜 来增强某些病人的认知能力，实现系统需要解决的关键问题是如何将处理任务的延迟控制在几十毫秒，让感知缺陷的病人也拥有正常人一样的反应速度。系统使用了边缘计算技术，将延迟敏感的计算任务卸载到附近的Cloudlet来降低任务的处理延迟。

3 工业互联网边缘计算待解决关键问题

工业互联网边缘计算正在蓬勃发展，但几个关键问题尚未完全解决。目前，对边缘计算的方法研究大多侧重于如何通过算法或模型硬件化方式增强边缘节点的处理能力[21]，而对如何通过边缘节点之间以及边 缘节点和云中心合作的方式提高应用效能的研究还处于起步阶段[22]。如图2所示，边缘计算的基本思想是将 实时性要求高的分析和决策功能下沉至网络边缘侧， 以此提升“感知-分析-决策-控制”一体化系统的实时性。这种方式虽然能够有效提升系统的实时性，但同时带来了一系列问题：

（1）缺乏边缘一体化计算的理论基础：在边缘计算模式中，边缘计算系统成为兼有离散事件和连续变量等运行机制的混杂系统，网络动态性、测量噪声等问题将引发系统的不确定性；同时工业互联网场景中任务常存在高并发的特点，同一时隙内可能存在多个事件，一体化模型计算结果确定性难以保证。

（2）缺乏高效的边缘侧资源管理和任务调度方法：边缘计算模式的核心是将分析和决策功能下沉至网络边缘侧。边缘侧计算资源和网络资源的限制，仅将实

时性要求高的分析和决策功能下沉，以此实现云边协同计算；同时边缘计算需要对边缘侧资源进行高效管理和优化，以此提升系统的实时性。但目前尚缺乏高效的边缘侧资源管理和任务调度方法。

（3）边缘侧设备资源有限，难以独立完成复杂计算任务：受限于现有芯片的处理能力及边缘侧存储设备发展水平，目前，边缘设备仍然难以独立完成复杂的数据处理与分析需求。在工业互联网实际生产环境中，如何融合云和边缘侧计算资源，有效形成生产场景驱动的自适应学习方法以支持边缘个性化决策仍然是一个开放的研究问题。

4 总结

工业互联网时代正在逐步开启，无论是在技术还是产业应用方面，都有巨大的发展空间，而边缘计算为解决工业互联网的数据分析和实时控制提供了有效手段。本文回顾了工业互联网边缘计算的发展历程极其重要意义，并阐述了现阶段的研究现状和待解决的关键问题。希望本文对工业互联网边缘计算相关研究具有一定参考价值。

★基金项目：本文获得国家重点研发计划（2018YFB1700200），国家自然科学基金辽宁联合基金（U1908212）项目资助。

作者简介：

孙海伦（1994-），男，助理研究员，硕士，现就职于中国科学院沈阳自动化研究所，研究方向为边缘计算。

宋纯贺（1981-），男，研究员，博士生导师，博士， 现就职于中国科学院沈阳自动化研究所，研究方向为边缘计算。

于诗矛（1991-），男，助理研究员，硕士，现就职于中国科学院沈阳自动化研究所，研究方向为边缘计算。

曾 鹏（1976-），男，研究员，博士，现任中国科学院沈阳自动化研究所所长助理，研究方向为工业互联网、边缘计算。

参考文献：

[1] Emiliano Sisinni, Abusayeed Saifullah, Song Han, Ulf Jennehag, Mikael Gidlund. Industrial Internet of Things: Challenges,

Opportunities, and Directions[J]. IEEE Transactions on Industrial Informatics, 14 (11) : 4724 - 4734, 2018.

[2] 施巍松, 孙辉, 曹杰, 张权伟. 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, 54 (5) : 907 - 924, 2017.

[3] Satyanarayanan, M. The Emergence of Edge Computing[J]. IEEE Computer, 2017, 50 (1) : 30 - 39.

[4] Liangkai Liu, Xingzhou Zhang, Mu Qiao, Weisong Shi. SafeShareRide: Edgebased Attack Detection in Ridesharing Services[C]. In Proceedings of USENIX Workshop on Hot Topics in Edge Computing, Boston, USA, 2018.

[5] Shanhe Yi, Zijiang Hao, Qingyang Zhang, Quan Zhang, Weisong Shi, Qun Li. LAVEA: Latency-aware Video Analytics on Edge Computing Platform[C]. In Proceedings of 2nd ACM/IEEE Symposium on Edge Computing (SEC), San Jose, 2017.

[6] Youdong Chen, Qiangguo Feng, Weisong Shi. An Industrial Robot System Based on Edge Computing: An Early Experience[C]. In Proceedings of USENIX Workshop on Hot Topics in Edge Computing, Boston, USA, 2018.

[7] Atyanarayanan, M. Edge Computing for Situational Awareness[C]. In Proceedings of the IEEE International Symposium on Local and Metropolitan Area Networks, Osaka, Japan, 2017.

[8] Tianqi Chen, Mu Li, Yutian Li, Min Lin, Naiyan Wang, Min-jie Wang, Tianjun Xiao, Bing Xu, Chiyuan Zhang, Zheng Zhang. Mxnet: A flexible and efficient machine learning library for heterogeneous distributed systems[J]. arXiv preprint:1512.01274, 2015.

[9] Caffe2: A new lightweight, modular, and scalable deep learning framework[EB/OL]. https://caffe2.ai/, 2018.

[10] Introduction to tensorflow lite[EB/OL]. https://vimsky.com/article/3710.html, 2018.

[11] Xingzhou Zhang, Yifan Wang, Weisong Shi. pCAMP: Performance Comparison of Machine Learning Packages on the Edges[C]. In Proceedings of USENIX Workshop on Hot Topics in Edge Computing, Boston, USA, 2018.

[12] Peilin Zhao. OTL: A Framework of Online Transfer Learning[C]. In Proceedings of the 27th International Conference on Machine Learning, 2010 : 76 - 102.

[13] Doyen Sahoo, Quang Pham, Jing Lu, Steven C. H. Hoi. Online Deep Learning: Learning Deep Neural Network on the Fly[C]. In Proceedings of the 27th International Joint Conference on Artificial Intelligence, 2018, 2660 - 2666.

[14] Jie Xu, Lixing Chen, Shaolei Ren. Online Learning for Offloading and Autoscaling in Energy Harvesting Mobile Edge Computing[J]. IEEE Transactions on Cognitive Communications and Networks, 2017, 3 (3) : 361 - 373.

[15] Mahmut Taha Yazici, Shadi Basurra, Mohamed Medhat Gaber. Edge Machine Learning: Enabling Smart Internet of Things Applications[J]. Big Data and Cognitive Computing, 2018: 1 - 17.

[16] Willis D, Dasgupta A, Banerjee S. ParaDrop: A Multi-tenant Platform to Dynamically Install Third Party Services on Wireless Gateways[C]. In Proceedings of ACM Workshop on Mobility in the Evolving Internet Architecture. ACM, 2014 : 43 - 48.

[17] Jang M, Schwan K, Bhardwaj K, et al. Personal clouds: Sharing and Integrating Networked Resources to Enhance End User Experiences[C]. In Proceedings of IEEE INFOCOM, 2014 : 2220 - 2228.

[18] Tang Bo, Chen Zhen, Hefferman G, et al. A Hierarchical Distributed Fog Computing Architecture for Big Data Analysis in Smart Cities[C]. In Proceedings of the 15th ASE Big Data & Social Informatics 2015. New York : ACM, 2015 : 135 – 143.

[19] Li Dawei, Salonidis T, Desai N V, et al. DeepCham: Collaborative Edge-mediated Adaptive Deep Learning for Mobile Object Recognition[C]. In Proceedings of the 1st IEEE / ACM Symp on Edge Computing. Piscataway, NJ : IEEE , 2016 : 64 – 76.

[20] Ha K, Chen Zhuo, Hu Wenlu, et al. Towards Wearable Cognitive Assistance[C]. In Proceedings of the 12th International Conference on Mobile Systems, Applications, and Services. New York : ACM , 2014 : 68 – 81.

[21] Juseong Lee, Hoyoung Tang, Jongsun Park. Energy Efficient Canny Edge Detector for Advanced Mobile Vision Applications[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2018, 28 (4) : 1037 - 1046.

[22] Qingyang Zhang, Quan Zhang, Weisong Shi, Hong Zhong. Distributed Collaborative Execution on the Edges and Its Application on AMBER Alerts[J]. IEEE Internet of Things Journal, 2018, 14 (8) : 1 - 14.

摘自《自动化博览》2021年2月刊