当前全球数字化浪潮蓬勃兴起，边缘计算通过就近提供计算、网络、智能等关键能力，加速赋能经济转型升级，已逐步成为计算体系的新方向、信息领域的新业态、产业转型的新平台，整体上处于高速发展阶段，正从概念普及加速走向务实部署，受到了学术界和产业界的广泛关注。Gartner、IEEE等权威机构将边缘计算作为2020年十大技术方向，中国科学院和中国工程院在《2020研究前沿》、《全球工程前沿2020》中，将边缘计算列入信息领域十大技术前沿。据Research and Market预测，边缘计算市场规模2018~2022年复合增长率超30%；据CB Insights预测，2023年全球边缘计算市场有望达到340亿美元[1]。本文从学术界及产业界两个维度深入剖析边缘计算概念内涵、学术方向、产业路径，综述边缘计算在核心环节发展面临的挑战和问题，研判边缘计算未来发展态势与方向。

1 边缘计算概念与外延

1.1 边缘计算发展驱动力

边缘计算起源最早可以追溯至1998年Akamai提出的内容分发网络CDN[2]，通过分布式部署的缓存服务器，将用户访问指向最新服务器，提升服务响应速度。而在万物互联带来的边缘数据爆发式增长以及新的应用需求驱动下，产业界和学术界更加关注在靠近数据源头的边缘实现计算、智能等多元能力，同时各类ICT技术不断成熟也为边缘计算应用奠定基础。

1.1.1 应用需求驱动力

Machina Research报告显示，随着工业互联网、车联网、AR/VR等垂直领域的蓬勃发展，2025年全球网联设备总数将超过270亿，联网设备的指数级增长导致网络传输能力及中心云处理能力捉襟见肘。根据思科云指数预测[3]，截至2021年，接入网络的终端每年产生数据达847 ZB，数据呈分散性、碎片化，超过50%的数据需要在网络边缘侧分析、处理与存储。云计算虽然有强大的数据处理能力，但是在面对海量的数据以及网络带宽带来的阻碍时，并不能实现全面的计算覆盖，需要对数据就近处理分析以满足实时性要求。

1.1.2 技术创新驱动力

近年来，各类分布式计算模式不断涌现，Gartner 发布的2021年度技术趋势将分布式计算列入其中[4]，核心理念是计算资源能够更靠近发生数据和业务活动的物理位置，计算技术的升级推动边缘计算产生，与量子计算、超级计算等先进计算技术协同联动，实现边缘侧资源快速部署、弹性扩展以及实时响应，满足多样性应用需求。此外，新型网络架构将采用服务化设计，要求资源可按需调用，为不同垂直行业提供快速响应和灵活部署，在5G等新型网络架构中就明确将边缘计算定义为重要组成部分。边缘计算与网络技术不断融合，促进网络能力开放，推动网络智能化、协同化演进，实现计算与网络等多维度资源协同调度优化。

总体来说，边缘计算作为网络技术及计算技术的交汇创新点，带来了计算资源和网络资源的开放性、可调动性、可分配性等预期优势，将技术理念由刚性、粗放逐渐转变为弹性、精细。

1.2 边缘计算概念与内涵

边缘计算发展受到了各方广泛关注，国际标准组织、学术界、产业界均给出了边缘计算的定义，其概念还在不断演进与优化。

1.2.1 标准组织定义

2014年，欧洲电信标准化协会ETSI提出移动边缘计算（Mobile Edge Computing）概念[5]：一种在移动网络边缘提供IT服务环境和计算能力的新型架构。随着研究的持续推进，边缘计算应用范畴已经不局限于移动网络场景，ETSI将“Mobile”改为“Multi-access”[6]， 旨在拓展边缘计算的接入方式，表明边缘计算与特定网络接入方式无关，可以适用于固定互联网、移动通信网、消费物联网、工业互联网等不同场景，已逐步成为跨场景、跨领域的基础共性技术。ISO/IEC  JTC1/SC38对边缘计算的定义[7]：边缘计算是将主要处理和数据存 储放在网络的边缘节点的分布式计算架构。

1.2.2 学术界定义

2009年，卡内基梅隆大学Satyanarayanan教授提出了微云（Cloudlet）概念[8]：通过将计算集群和移动设备本地化部署在同一个局域网中，不经过核心网就可以直接提供计算服务，这开辟了学术界边缘计算研究的先河。2016年，韦恩州立大学施巍松教授给出了边缘计算定义[9]：在网络边缘执行计算的一种新型计算模式，包含 下行的云服务和上行的万物互联服务，边缘定义为数据源和云数据中心之间的任一计算和网络资源节点。

1.2.3 产业界定义

2016年，边缘计算产业联盟（ECC）提出边缘计算定义[10]：边缘计算是在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的分布式开放平台，就近提供边缘智能服务，满足行业数字化在敏捷联接、数据优化、应用智能、安全与隐私保护等方面的关键需求。

1.2.4 边缘计算概念辨析

综上所述，虽然各方对于边缘计算定义有所差异， 但是核心理念都是将计算服务“下沉”，减少服务交付时延和带宽需求。学术界和标准组织从技术研究角度出发认为边缘计算是一种新的计算模式和一种新的技术架构，通过应用网络切片[11]、容器[12]、计算迁移[13]、边缘智能[14]等新技术，实现计算与网络的协同演进。产业界从应用需求角度出发将边缘计算定义为一种新产业平台和一种新的生态体系，汇聚多维资源协同调度，就近响应需求，提高资源利用率，降低应用执行时延。因此， 综合各方定义，边缘计算不仅是新计算模式、新技术架构、新产业平台、新生态体系，也是“四维一体”，通过在网络边缘侧汇聚网络、计算、存储、应用、智能等五类资源及能力，提高服务性能（提速）、开放控制能力（敏捷），提升用户体验，从而激发类似于移动互联网生态的新模式和新应用。

2 边缘计算发展环境

近年来，边缘计算作为产业数字化转型的核心技术，已经成为全球各国的发展共识，从政策引导、标准研制、应用示范等多个维度进行统筹部署和协同推进， 国际竞争日趋激烈。

发达国家主要从三方面积极营造边缘计算发展环境。一是强化技术标准引领，美国国家科学基金会和美国国家标准局，将边缘计算列入项目申请指南，持续推进其关键技术研究[7]，ITU-T SG20、IEC/ISO JTC1 SC41、IEEE均成立了边缘计算研究小组，以推动边缘计算标准化工作[15]。二是加大产业投资力度，欧盟Networld 2020将边缘计算作为重要研究部分列入其中，预计到2026年底，欧盟在边缘计算领域的投资支出将达到1850亿美元[16]。三是加强应用示范引导，日本推动成立EdgeCross协会推动边缘计算在垂直行业落地，韩国目前已经在8个主要城市部署边缘计算节点， 在VR/AR、车联网、无人机与安防监控等场景的应用进行试点，日韩主要通过打造应用示范引导企业应用部署边缘计算。

我国高度重视边缘计算发展，主要聚焦三个维度， 一是强化技术供给，工信部发布《关于推动工业互联网加快发展的通知》、《工业互联网网络建设及推广指南》、《国家车联网产业标准体系建设指南》等文件， 推动建立统一、综合、开放的工业互联网边缘计算标准体系，鼓励相关单位在边缘计算领域进行技术攻关，加速产品研发与产业化。目前，我国边缘计算标准体系初步建立，中国通信标准化协会（CCSA）已经针对边缘计算开展了体系化的标准研究工作，形成在研标准近30 项。二是加强融合应用，国务院、工信部及各地方政府均出台相关政策，大力促进边缘计算等新兴前沿技术在工业互联网、车联网等垂直领域中的应用研究与探索， 形成一批可复制的应用模式，进行全国推广。目前，边缘计算在工业、农业、交通、物流等领域的试点部署日益广泛并已取得明显效益。三是打造产业生态，工业互联网产业联盟、边缘计算产业联盟、中国通信学会边缘计算委员会等平台的产业汇聚和支撑作用显著发挥。2020年，中国信息通信研究院联合产业各方成立边缘计算创新实验室，旨在打造产学研用相结合的技术产业开放平台以及推动边缘计算发展的创新载体。同时，针对边缘计算发展存在产业碎片化以及供给侧研发方向不明确等问题，工业互联网产业联盟启动我国首个边缘计算产业促进项目“边缘计算标准件计划”，加速边缘计算产品形态整合归类及功能规范化。

目前，各国边缘计算发展态势较为均衡，全球边缘计算仍处于发展初期。美、日发达国家和跨国巨头依托其云计算技术的既有优势积极布局边缘计算发展，试图引导全球产业链各方在技术、标准、应用模式；我国加强研究布局、积极构筑边缘计算自主技术产业生态，避免形成新的路径依赖。

3 边缘计算学术研究热点与方向

目前，学术界对边缘计算研究主要聚焦两大类关键技术方向，如表1所示，一是与边缘计算直接相关的边缘原生类技术，目前以计算迁移、边缘智能为代表；二是边缘计算与各类ICT前沿技术交叉的边缘融合类技术， 目前的研究热点包括边缘计算+区块链、算网融合等。

表1 边缘计算热点技术领域总结

3.1边缘原生类技术—— 计算迁移

计算迁移技术有效解决了边缘计算单一节点资源受限而无法满足应用需求的问题，同时有效降低网络带宽压力及应用完成时延。目前对计算迁移的研究，主要分为两类：计算迁移决策机制设计、计算迁移资源优化调度机制。

3.1.1 计算迁移决策机制

计算迁移决策机制主要决定是否要进行迁移以及迁移哪些任务等问题，而迁移决策的目标主要分为三方面。一是以降低时延为目标的计算迁移决策机制研究，在计算迁移过程中，数据传输时间、执行时间等带来的时延是影响边缘计算服务质量的重要因素，时延最小化是计算迁移的重要研究方向。文献[18]利用一维搜索算法对计算应用的缓存队列状态、用户和服务器中计算资源的可用情况以及网络节点间的信道特征进行了综合考虑。在该迁移机制中，用户在每个时隙周期性地对应用队列中的每个任务做出进行本地处理或完整迁移的决策，并在不考虑能耗的前提下最小化迁移机制所产生的计算迁移应用执行时延。二是以降低能耗为目标的计算迁移机制研究，由于边缘侧存在大量电池容量受限的物联网设备，在计算迁移过程中降低能耗也是一个重要研究方向。文献[19]提出利用马尔科夫决策过程（Markov Decision Process, MDP）对每个任务的执行状态进行建模，从而决定是否进行计算迁移，同时考虑迁移失败概率、计算资源可用性等因素的影响，目的是最小化用户能耗以及提高计算效率，并通过求解线性优化问题来获得最优的迁移机制。三是面向多目标优化的计算迁移机制研究，在执行一些复杂应用过程中，能耗和时延均会影响边缘计算服务质量，因此越来越多的研究开始综合考虑能耗和时延的多目标优化。文献[20]基于受限马尔科夫决策过程（Constrained Markov Decision Process，CMDP）对计算迁移机制中的时延和能耗问题进行了数学化的模型描述。在该模型的基础上，首先设计了一套基于在线学习（Online Learning）的计算迁移策略，使计算服务节点能够针对任务请求节点当前所运行的应用类型动态地做出迁移策略的精细化调整。

3.1.2 计算迁移资源优化调度

完成迁移决策后，计算迁移需要考虑资源分配问题，其中，面向多边缘计算节点的资源优化调度研究已经成为主要研究方向。文献[21]基于多节点间链路持续时间预测，提出一种启发式的多节点协作计算迁移资源优化调度方法，有效提升资源利用效率。文献[22]提出面向多节点的计算迁移优化框架，利用半定松弛（Semi-definite Relaxation）方法实现节点间复杂均衡，最大限度降低时延及能耗。

3.2 边缘原生类技术——边缘智能

边缘智能有效促进本地化洞察和智能实时响应，满足了差异化业务需求。目前主要研究聚焦在两个方向： 模型压缩、协同推理。

3.2.1 模型压缩

考虑到边缘计算资源受限、能耗等问题，如何在边缘高效部署深度学习模型是一个非常值得研究的问题。为了减少模型运行时对资源的消耗，并使模型能运行到更轻量级的边缘计算设备上，一般可以对模型进行蒸馏、剪枝、量化等压缩操作。文献[23]提出一种基于权重的剪枝方法，在不影响准确度的前提下裁剪训练模型，再通过训练量化和Huffman编码来增强剪枝恢复模型训练精度，最终将原始模型变为轻量级模型。文献[24]提出在多层神经网络中去除值为零且不影响模型准确度的神经元，减少模型训练对计算及存储资源的需求，可以在边缘计算设备上完成模型训练过程。

3.2.2 协同推理

协同推理利用推理性能较强的云作为推理后端来提升推理效果。对于推理来说，直接在边侧推理可以有更小的时延和更大的吞吐，而直接在云侧推理可以带来更好的推理精度。如何在边侧推理资源有限的情况下，使时延和吞吐不明显降低，提高推理精度已成为重要研究方向。文献[26]提出一种模型切割方法，将深度卷积神经 网络按层分割，通过多级协同的方式完成推理，可以在网络边缘端高效支撑深度学习推理任务。此外还可以采用卷积层的可伸缩融合切片分区（FTP），以最大程度减少内存占用量，同时提高并行性。

3.3 边缘融合类技术——算网融合

传统网络和计算分离模式难以满足工业互联网、车联网、云游戏等新兴应用需求，未来以边缘计算为基础的算网融合一体化发展已成为必然，形成了算网融合重要方向，聚焦算力网络、网络编排等代表性技术，学术界和产业界进行了大量的探索和创新。

3.3.1 算力网络

算力网络通过网络连接并汇聚计算资源，针对不同应用需求统一管理和调度算力资源。文献[27]在研究边缘 计算算力分配和调度需求的基础上，提出了云、网边融合的算力网络方案，实现异构资源在各级节点的灵活调度，满足未来业务需求。文献[28]研究了算力网络分层架 构，并结合算力网络控制技术，提出了分布式控制及集中式控制两种实现方式。文献[29]提出一种轻量化、多集群的分级边缘资源调度方案，基于轻量级的云原生平台，实现了面向算力网络的前端海量边缘设备的统一纳管，并且能够在多种架构的嵌入式平台进行部署。

3.3.2 网络编排

软件定义网络技术为网络控制模式变革带来了新的契机，而面向算网融合新趋势，网络的端到端控制与编排能力将进一步强化。文献[30]提出了基于机器学习的软 件定义智能网络应用，随着人工智能技术的不断突破， 网络编排正由“自动化”向“智能化”转变，为实现算网融合奠定基础。文献[31]通过将业务需求解析为计算需 求和缓存需求，提出一种支持动态编排网络，缓存和计算资源的融合架构，满足不同应用需求。文献[32]总结了 网络编排、网络虚拟化等技术现状，通过业务编排、网络资源编排以及网络虚拟化相互依赖，形成一套闭环的网络编排系统，实现自动化、定制化业务部署。

3.4 边缘融合类技术——边缘计算+区块链

分布式特征的边缘计算与去中心化特征的区块链具有天然的融合基础，将区块链的节点部署在边缘能力节点设备中，一方面通过边缘计算为区块链大量分散的网络服务提供计算资源和存储能力，另一方面区块链技术为边缘计算服务提供可信和安全的环境[33]，因此边缘计算+区块链融合技术已成为热点领域，其中，基于区块链的边缘数据安全、边缘身份认证等技术成为研究热点。

3.4.1 基于区块链的边缘数据安全

在边缘计算应用过程中，数据安全性是必须要考虑的因素。文献[34]提出一种基于区块链分布式任务分配和调度安全策略，消除攻击者使用分布式拒绝服务攻击增加中心服务器的计算负担的可能性，保持数据传输的正确性。文献[35]提出一种基于区块链的数据管理方案，在保证边缘计算节点数据传输效率的同时利用智能合约技术避免第三方参与，保护数据安全。

3.4.2 基于区块链的边缘身份认证

身份辨识可信、身份管理可信、设备访问控制可信是边缘计算节点协作的基础，如何利用区块链技术建立边缘计算可信机制已成为学术界的重点研究对象。文献[36]融合了射频识别RFID技术和区块链技术，提出了一种基于区块链的轻量级边缘计算安全认证机制，能够在确保工业数据的安全可靠访问的同时保障智能工厂中各类边缘计算应用的安全运行。文献[37]通过使用区块链和边缘计算建立高效可信架构，实现对应用数据的访问控制。在该架构内，基于区块链的控制器将运行身份认证及管理策略，记录访问事件的防篡改日志。

4 边缘计算产业发展路径与趋势

按照边缘计算产业推动主体的不同，目前形成了三大发展路径：一是电信运营商主导的5G  MEC发展路径；二是IT企业主导的云原生边缘计算发展路径；三是以设备厂商和工业企业主导的垂直行业边缘计算发展路径。三种发展路径对比如表2所示。 

表2 边缘计算三种发展路径对比

4.1　路径1——5G MEC发展路径 

伴随着5G商用进程不断加速，作为5G架构中的关键部分，MEC受到了广泛关注，主要由电信运营商主导推动。5G MEC实现对大流量数据进行本地分流，提升网络性能和用户体验。

4.1.1 5G MEC标准进展

目前5G MEC是三种发展路线中标准化进程速度最快的路线。ETSI在2014年启动了MEC标准项目。2017年底， ETSI MEC完成了Phase I阶段基于传统4G网络架构部署，定义边缘计算系统应用场景、参考架构等。2019 年完成了PhaseII阶段，将MEC由原来的移动边缘计算（Mobile Edge Computing）改为了多接入边缘计算（Multi-access Edge Computing），聚焦5G、Wi-Fi、固网等新业务及需求[38]。 2017年起，3GPP在R14开始对MEC相关接口及架构进行标准化工作，3GPP在后续标准版本中将继续对5G MEC进行研究，R15、R16、R17对5GC/5G NR/5GS的增强及核心网和NR的要求进行了定义，包括RAN的能力开放、5G增强的移动宽带媒体分发机制、5GC网管增强支持MEC、为典型MEC场景提供部署指南等[39]。

2017年起CCSA在下设的无线通信技术工作委员会TC5开展MEC标准化工作，目前已立项标准近10项， 主要对MEC平台技术要求、能力开放、安全技术要求等方面进行标准化探索。

4.1.2 5G MEC产业进展

电信运营商加快推动边缘计算与网络融合，从管道连接商向业务提供商转变角色。GSMA联合全球22家 运营商发起了Operator Platform项目，推动全球运营 商合作构建电信边缘云平台[40]。AT＆T建立边缘计算测 试区，测试增强移动沉浸式媒体体验的方法，无人驾驶 等边缘计算应用。Vodafone聚焦车联网、工业互联网 等重点领域，开展边缘计算基础设施试验部署和应用试 点。中国移动启动点亮边缘计算“100+”节点行动， 推进边缘计算实践，已部署150余个边缘计算节点。中 国联通推出CUC-MEC边缘计算平台并设计EdgePOD 一体化边缘解决方案，同时在2020年发布首张MEC规 模商用网络。中国电信推出基于5G SA试商用网络打造 MEC开放实验环境，在各行业开展5G+MEC应用合作 创新，已在100多个省市相继落地。 

4.1.3　5G MEC发展面临瓶颈与未来趋势

5G MEC目前已经在多个行业开始试点应用，但整 体发展还处于初期阶段，存在一些问题和挑战：（1） 基础设施建设模式有待探索，目前MEC节点建设主要 由电信运营商独立承担，实际收益尚无法支撑建设成 本，未来将难以应对MEC规模部署建设运营的投入； （2）应用生态尚需培育，目前各方均在垂直行业探索 应用模式，相关产品及服务以多样化和定制化居多，应用生态仍未建立。运营商正在积极推动MEC产品走向松耦合，如中 国移动发起OpenUPF计划，推动N4接口解耦，旨在降低建设成本。同时，MEC平台数据接口、应用程序接 口将趋于标准化，中国联通与西班牙电信、韩国KT成功验证MEC服务的全球漫游和不同边缘平台的联合服 务，有效推动MEC平台互联互通。

4.2　路径2——云原生边缘计算发展路径 

边缘计算作为云计算的延伸和补充已经在云计算 领域形成共识，因此，IT企业希望借助云原生边缘计算 延伸云计算能力，保护原有领域的核心竞争优势，形成 云、边、网、端一体化协同。 

4.2.1　云原生边缘计算标准进展 目前云原生边缘计算标准化工作主要由CCSA主 导，CCSA在下设的互联网与应用工作委员会TC5针对 互联网边缘云平台架构、边云协同技术要求、边缘云服 务信任能力要求进行标准化探索，已立项标准近10项。 

4.2.2　云原生边缘计算产业进展 依托已有云计算技术优势，云计算巨头积极布局 并推出边缘计算相关产品，推动云原生技术不断下沉。亚马逊发布AWS Greengrass边缘计算平台，并同时与Verizon、Vodafone等国际运营商合作推出基于5G的AWS Wavelength边缘计算服务。谷歌发起全球移动边缘云GMEC战略，构建统一的边缘云平台，可供各大电信业者开发各种以网络为中心的应用，协助电信产业进行数字化转型。微软推出了开源Azure IoT edge 的边云协同边缘计算框架，全面布局边缘计算生态。阿里云启动边缘计算云原生开源项目OpenYurt，深度挖掘“边缘计算+云原生落地实施”诉求，打造云、网、边、端一体化的协同计算体系。百度发布DuEdge 开源平台，并建立智能边缘计算框架BAETYL，提供边缘智能能力。腾讯推出边缘接入和加速平台（TSEC）、边缘计算机器（ECM）、边缘计算平台（IECP）等边缘计算栈产品体系。

4.2.3 云原生边缘计算发展面临瓶颈与未来趋势

云原生边缘计算本质上是将传统云计算技术轻量化后，结合边缘原生新技术在边缘侧实现计算、存储、网络等资源的快速响应及可伸缩性。云原生边缘计算在实际部署中主要存在以下挑战：（1）边缘计算作为新兴技术概念，目前生态尚未完全成熟，业界对于云原生边缘计算及MEC概念理解存在混淆，存在代表不同利益群体并互相博弈的生态，运营商MEC平台和IT企业边缘云平台的业务关系仍不明确；（2）边云协同是IT厂商推动中心云走向边缘侧的关键架构，但在实现过程中仍存在缺少统一的应用管理北向接口、应用及服务下发困难、跨边云应用分发机制缺乏等问题。

目前IT厂商正在积极推动边云协同实践，从资源、数据、应用等多个维度推动云计算服务和云原生能力适配并对边缘业务进行赋能实现端、边、云之间紧密结合及协作，加速云原生边缘计算的数字化转型解决方案的构建。

4.3 路径3——垂直行业边缘计算发展路径

边缘计算作为跨场景、跨领域的基础共性技术及产业数字化转型的关键使能技术，受到了垂直行业企业及设备厂商的关注，以工业互联网为例，边缘计算低时延、海量连接、就近计算等特性可以有效满足工业应用需求。此外设备厂商也希望借助垂直行业边缘计算进一步实现业务升级，拓展业务范围。

4.3.1 垂直行业边缘计算标准进展

目前，CCSA下设工业互联网特设组ST8已经针对边缘计算开展了体系化的标准研究工作，在研标准近20项，基本覆盖工业互联网边缘计算的参考架构、核心设备、关键技术、测试规范等关键标准研制。其中，《工业互联网边缘计算总体架构与要求》标准提出了边缘云、边缘网关、边缘控制器的层级化部署架构，为工业企业应用边缘计算提供重要参考。面向工业互联网场景差异化大的特点，工业互联网边缘计算节点模型要求及测试方法系列标准对边缘计算基础设施各项功能提出技术要求及测试规范，实现边缘计算针对不同应用场景的灵活功能组合，为设备厂商研发方向提供指导，帮助工业企业进行产品采购选型提供参考。同时，针对边缘计算与机器视觉、人工智能、时间敏感网络等技术不断融合发展趋势，多项技术融合标准也不断立项研究，加速推动边缘计算在不同领域的应用部署。

4.3.2 垂直行业边缘计算产业进展

设备厂商从单纯提供硬件产品向“设备+边缘计算平台”供给转变。英特尔推出边缘计算系列处理器与加速卡等多样化硬件产品，满足不同行业用户的实时性功能需求及安全需求。华为推出Altas 500边缘计算服务器，助力AI从中心侧向边缘侧与端侧延伸，支持云边协同的训练和推理应用场景。新华三推出边缘计算网关及边缘云一体机等设备，结合UIS-EDGE边缘计算平台提 供边缘实时分析、多协议转换、边缘智能等能力。

边缘计算应用场景日益广泛，逐渐出现清晰细分的、个性化定制的多行业重点应用。我国边缘计算发展势头迅猛，通过两化深度融合、智能制造、工业互联网创新发展工程等专项行动的持续推动，边缘计算与行业融合创新日益广泛，三一重工、格力、海尔、商飞等一批工业企业已开始利用边缘计算模式改变传统的制造方式，企业、行业、区域综合集成应用实践不断涌现[17]。

4.3.3 垂直行业边缘计算发展面临瓶颈与未来趋势

垂直行业作为边缘计算的主要应用场景，产业各方均在积极布局行业边缘计算发展，但在实际部署中仍存在以下挑战：（1）垂直行业产生数据量大且数据结构各不相同，对于边缘计算实现数据存储、实时计算带来极大挑战；（2）目前产业各方都在尝试探索边缘计算应用，形成了基于不同底层架构、针对不同行业应用的各类边缘计算软件平台及硬件产品，因此，边缘计算整体产业呈现碎片化发展，设备接口、数据的标准不一致，缺乏统一的产品规范，跨厂商的互联互通互操作存在挑战。

垂直行业边缘计算将逐步探索实现对异构和多样化的边缘设备进行抽象、管理和运用，通过协议转换、数据预处理等功能，推动实现企业内各层数据的纵向集成及高效处理。

5 结束语

总体来说，边缘计算赋能产业数字化的重要价值受到普遍认同，迎来了新一轮发展机遇。但由于边缘计算属于跨领域融合概念，参与主体众多，在实际部署中存在“三难”问题：一是标准统筹难，5G  MEC、云原生边缘计算、垂直行业边缘计算等发展路径的相关标准组织均从各自领域对边缘计算进行了标准化工作，导致边缘计算标准化工作缺乏统一布局，标准内容上存在一定的冲突和重复，这也成为边缘计算基础设施规模化部署的障碍。二是产业集约化难，目前各个垂直行业在边缘计算领域中独自探索，产业链上下游联系不够紧密， 边缘计算产业呈现碎片化发展。三是规模部署难，目前产业各方正在积极推进边缘计算基础设施规模化应用部署，但成熟且可复制的建设模式尚未形成，需要进一步探索。同时，在商业模式尚不清晰的前提下，运营商、云计算服务商以及工业企业等核心参与者将难以应对边缘计算基础设施建设运营的资金投入。

未来，随着边缘计算逐步进入稳健发展期，5G MEC、云原生边缘计算、垂直行业边缘计算等发展路径将在竞合中发展，呈现两类突出的发展特点：一是协同与融合，单纯使用边缘技术构建的应用难以充分发挥其价值，需要边缘计算与云计算、5G、区块链等其他技术相结合，利用协同效应形成一体化解决方案。未来，边缘计算将一方面不断推动网络向智能化以及协同化方向演进，实现计算与网络等多维度资源的统一协同调度及全局优化；另一方面将不断与云计算协同联动， 实现物理资源的共享，极大提升资源利用率，逐步成为云、网、边、端等协同的关键枢纽环节。二是开放与互通，完整的边缘计算应用服务涉及需求方、模块提供方、设备提供方、平台提供方以及应用提供方等多个环节及角色配合，未来，统一的服务定义、资源封装以及接口协议等标准化工作将不断健全，便于不同角色间的高效配合以及跨厂商产品互联互通，技术逐步走向开放融合。

作者简介：

王哲，高级工程师，博士，现就职于中国信息通信研究院，主要从事工业互联网、边缘计算领域政策、技术标准、产业发展等方面研究，长期支撑工业和信息化部、国家发改委等部委的工业互联网产业政策制定、重大专项指南编制等工作。目前担任CCSA边缘计算技术标准及产业发展推进委员会技术促进组组长、IEEE Transactions on Vehicular Technology，IEEE Access 等国际期刊审稿人，已发表期刊及国际会议论文10余篇，其中SCI检索5篇，申请发明专利及软件著作权4 项，主持并参与起草10余项行业标准制定工作。

参考文献：

[1] 华信咨询. 走近边缘计算[R/OL]. 2020.

[2] Pallis G, Vakali A. Vakali, A.: Insight and Perspectives for Content Delivery Networks[J].

 Communications of the ACM, 2006, 49 (1) : 101 - 106.

[3] Cisco. Global Cloud Index (GCI) [R/OL]. 2018.

[4] Gartner. Gartner Top Strategic Technology Trends for 2021[R/OL]. 2020.

[5] HU Y C, PATEL M, SABELLA D, et al. Mobile Edge Computing—A Key Technology towards 5G[J]. ETSI White Paper, 2015, 11 (11) : 1 - 16.

[6] Taleb T, Samdanis K, Mada B, et al. On Multi-Access Edge Computing: A Survey of the Emerging 5G Network Edge Cloud Architecture and Orchestration[J]. IEEE Communications Surveys & Tutorials, 

2017, 19 (3) : 1657 - 1681.

[7] 王凯, 王静. 工业互联网边缘计算技术发展与行业需求分析[J]. 中国仪器仪表, 2019.

[8] Satyanarayanan M, Bahl P, Caceres R, et al. The Case for VM-Based Cloudlets in Mobile Computing[J]. IEEE Pervasive Computing, 2009, 8 (4) : 14 - 23.

[9] Shi W, Cao J, Zhang Q, et al. Edge Computing: Vision and Challenges[J].

Internet of Things Journal, IEEE, 2016, 3 (5) : 637 - 646.

[10] 边缘计算产业联盟. 边缘计算白皮书[R/OL]. 2016.

[11] 项弘禹, 肖扬文, 张贤, 等. 5G边缘计算和网络切片技术[J]. 电信科学, 2017 (6).

[12] 潘建胜. 基于Docker的CDN边缘计算平台设计与实现[D]. 北京：北京邮电大学, 2018.

[13] 王哲. 面向车联网的移动云服务迁移机制研究[D]. 北京：北京交通大学, 2019. [14] 李肯立, 刘楚波. 边缘智能: 现状和展望[J]. 大数据, 2019, 5 (03) : 69 - 75.

[15] 边缘计算产业联盟&工业互联网产业联盟. 边缘计算参考架构3.0[R/OL]. 2018.

[16] IDC. Worldwide Edge Spending Guide[R/OL]. 2020.

[17] 工业互联网产业联盟. 离散制造业边缘计算解决方案白皮书[R/OL]. 2019.

[18] Liu J, Mao Y, Zhang J, et al. Delay-optimal Computation Task Scheduling for Mobile Edge Computing Systems [C]. Proceedings of IEEE International Symposium on Information Theory (ISIT), -Barcelona, Spain, 2016 : 1451 – 1455.

[19] Zhang Y, Niyato, Wang P. Offloading in Mobile Cloudlet Systems with Intermittent 

Connectivity[J]. IEEE Transactions on Mobile Computing, 2015, 14 (12) : 2516 - 2529.

[20] Kamoun M, Labidi W, Sarkiss M . Joint Resource Allocation and Offloading Strategies 

in Cloud Enabled Cellular Networks[C]. IEEE International Conference on Communications. IEEE, 2018.

[21] Wang Z, Zhong Z, Zhao D, et al. Vehicle-Based Cloudlet Relaying for Mobile Computation Offloading[J]. IEEE Transactions on Vehicular Technology, 2018, PP : 1 - 1.

[22] Dinh T Q, Tang J, La Q D, et al. Offloading in Mobile Edge Computing: 

Task Allocation and ComputationalFrequency Scaling[J]. IEEE Transactions on Communications, 

2017, 65 (8) : 3571 - 3584.

[23] HAN S, Pool J, Tran J, et al. Learning Both Weights and Connections for Efficient Neural

 Network[C]. Advances in Neural Information Processing Systems, 2015 : 1135 - 1143.

[24] Srivastava N, Hinton G, Krizhevsky A, et al. Dropout: A Simple Way to Prevent Neural 

Networks from Overfitting[J]. Journal of Machine Learning Research, 2014, 15 (1) : 1929 - 1958.

[25] Tong L, Li Y, Gao W. A Hierarchical Edge Cloud Architecture for Mobile Computing[C]. 

IEEE INFOCOM 2016 - The 35th Annual IEEE International Conference on Computer 

Communications. IEEE, 2016.

[26] Li E, Zhou Z, Chen X . Edge Intelligence: On-Demand Deep Learning Model Co-Inference with Device-Edge Synergy[C]. the 2018 Workshop. 2018.

[27] 雷波, 刘增义, 王旭亮, 杨明川, 陈运清. 基于云、网、边融合的边缘计算新方案:算力网络[J]. 电信科学, 2019, 35 (09) : 44 - 51.

[28] 何涛, 曹畅, 唐雄燕, 李铭轩, 李建飞. 面向6G需求的算力网络技术[J]. 移动通信, 2020, 44 (06) : 131 - 135.

[29] 李铭轩, 曹畅, 唐雄燕, 何涛, 李建飞, 刘秋妍. 面向算力网络的边缘资源调度解决方案研究[J]. 数据与计算发展前沿, 2020, 2 (04) : 80 - 91.

[30] Zhao Y, Li Y, Zhang X, et al. A Survey of Networking Applications Applying the Software 

Defined Networking Concept Based on Machine Learning[J]. IEEE Access, 

2019, 7 (99) : 95397 - 95417.

[31] Chen Q, Yu F R, Huang T, et al. Joint Resource Allocation for Software-Defined Networking, Caching and Computing[J]. IEEE/ACM Transactions on Networking, 2018 : 274 - 287.

[32] 黄韬, 刘江, 汪硕, 张晨, 刘韵洁. 未来网络技术与发展趋势综述[J]. 通信学报, 2021, (1) : 130 - 150.

[33] 任梦璇, 薛淼, 刘千仞, 任杰, 王光全. 区块链+边缘计算应用研究与探讨[J]. 邮电设计技术, 2020 (11) : 24 - 29.

[34] Tang W, Zhao X, Rafique W, et al. A Blockchain-Based Offloading Approach in Fog Computing Environment[C]. 2018 IEEE Intl Conf on Parallel & Distributed Processing with Applications, IEEE, 2018.

[35] Zhaofeng M, Xiaochang W, Jain D K, et al. A Blockchain-Based Trusted Data Management Scheme in Edge Computing[J]. IEEE Transactions on Industrial Informatics, 2019, PP (99) : 1.

[36] 曹舒雅, 姚英英, 常晓林. 基于区块链的智能工厂RFID系统轻量级身份认证机制[J]. 网络空间安全, 2020 (9) : 70 - 77.

[37] Guo H, Li W, Nejad M, et al. Access Control for Electronic Health Records with Hybrid 

Blockchain-Edge Architecture[C]. 2019 IEEE International Conference on Blockchain (Blockchain). IEEE, 2020.

[38] 吕华章, 陈丹, 王友祥. ETSI MEC标准化工作进展分析[J]. 自动化博览, 2019, 36 (05) : 48 - 52.

[39] 吕华章, 陈丹, 范斌, 王友祥, 乌云霄. 边缘计算标准化进展与案例分析[J]. 计算机研究与发展, 2018, 55 (03) : 487 - 511.

[40] 电信运营商在GSMA的支持下合作构建电信边缘云平台 [EB/OL]. https://blog.csdn.net/sinat_41698914/article/ details/104567380, 2020.

摘自《自动化博览》2021年2月刊