摘要：隨着物聯網的興起以及雲服務的普及，一種新的計算範式–邊緣計算開始出現在我們視野中。邊緣計算主張在網絡的邊緣處理數據，從而減少系統反應時間，保護數據隱私及安全，延長電池使用壽命，節省網絡帶寬。本文我們將介紹邊緣計算的定義，並通過幾個案例介紹邊緣計算的應用。
一． 介紹
自從2005年雲計算出現以來，我們的生活，學習和工作方式都發生了顯著的變化。例如軟件即服務（SaaS）模式的應用，如Google Apps，Twitte，Facebook等等。
1999年，物聯網（IoT）的概念首次被提出，主要用於供應鏈管理。之後這種“計算機自動感知信息”的概念被廣泛應用到其它領域，如醫療保健，家庭，環境以及交通運輸等領域。隨着物聯網的普及，我們將會進入“後-雲服務”時代。我們生活中的大量物件將產生驚人的數據量，同時我們也將部署更多的應用來利用這些數據。據思科全球雲指數報告，到2019年，人和機器產生的數據總量將達到500澤字節，而全球數據中心IP傳輸數據總量只有10.4澤字節。到2019年，45%的物聯網設備產生的數據會在網絡邊緣或者靠近邊緣的地方進行保存，處理，分析並得到合適的響應。到2020年，將會有500億的設備連接到互聯網上。有些物聯網應用需要非常短的反應時間，有些可能涉及隱私數據，還有一些可能會產生大量的數據從而大大加重網絡負荷。因此，僅僅通過雲計算已經無法滿足這些要求。
鑑於雲服務的弊端以及物聯網應用的需求，我們認爲網絡邊緣設備的角色正在從單純的數據消費者向數據生產者及消費者轉變。本文我們將提出邊緣計算的概念，同時分析爲什麼需要邊緣計算以及對邊緣計算的展望。通過智能家居，智能城市，雲端分流等案例，我們將更加清晰地認識邊緣計算。同時本文也提到了一些值得進一步研究的挑戰和機會，如可編程性，命名，數據抽象，服務管理，隱私和安全，優化指標等等。
二． 什麼是邊緣計算
隨着網絡邊緣產生的數據量不斷增加，直接在網絡的邊緣進行數據處理會更加高效。之前已經有人提出了微數據中心，微雲，霧計算等概念，本節我們將解釋什麼是邊緣計算以及針對某些計算服務，爲什麼邊緣計算比雲計算更有效。
將所有的計算任務放到雲端執行是一種有效的方式，因爲雲端計算能力比邊緣設備強很多。雖然數據處理速度很快，但是網絡帶寬卻很有限。隨着數據不斷增多，數據傳輸速度變成了提升雲計算能力的瓶頸。例如，一架波音787客機每秒會產生5G數據，但是飛機與衛星或基站之間的帶寬卻不能容納這麼大的數據傳輸量。一輛自動駕駛汽車每秒能產生1G數據，同時需要對數據進行實時處理並做出正確的動作。如果將全部數據傳到雲端進行處理，響應時間將會變得非常長，而且支持某片區域內的衆多汽車同時工作對當前的網絡帶寬及可靠性來說也是一個巨大挑戰。因此，這就需要在網絡邊緣設備上直接對數據進行處理。
幾乎所有的電子設備都將成爲物聯網的一部分，它們將扮演着數據製造者和消費者的角色，如空氣質量傳感器，路燈，微波爐等等。這些設備數量衆多，它們會產生大量數據，因此傳統雲計算方法將無法支持如此巨大的數據。所以物聯網設備產生的大量數據就不能全部傳到雲端，它們需要直接在網絡邊緣進行處理。
圖1顯示了傳統雲計算的結構。數據製造者生成原始數據並傳到雲端，數據消費者向雲端發送請求然後使用數據。但是這種結構無法滿足物聯網時代的需求。首先，設備產生的數據量太大，會導致大量不必要的帶寬和資源消耗。第二，對保護隱私的需求也阻礙了雲計算的應用。第三，大多數物聯網終端節點都是能量有限的設備，可能由電池供電，而無線通信模塊通常比較耗能，所以直接在邊緣節點上執行一些計算任務是非常有效的。
在雲計算範式中，邊緣上的終端設備通常扮演數據消費者的角色，例如在智能手機上看YouTube視頻。但是現在人們還扮演着數據製造者的身份，它們利用智能手機拍照片，拍視頻，然後分享到YouTube，Facebook，Twitter等等。但是這些圖片和視頻的數據量太大，如果直接傳到網上將佔用大量帶寬。所以可以直接在終端對圖片和視頻進行調整，然後再上傳雲端。另一個例子是可穿戴健康設備，這些設備收集的數據可能比較隱私，因此直接在設備上處理數據而不是上傳雲端會更好地保護數據隱私。
邊緣計算是一種使能技術，它可以在網絡邊緣對物聯網服務的上行數據及雲服務的下行數據進行計算。這裏的“邊緣”指的是在數據源與雲端數據中心之間的任何計算及網絡資源。例如，智能手機就是個人與雲端的“邊緣”，而智能家居中的網關就是家庭設備與雲端的“邊緣”。邊緣計算的基本原理就是在靠近數據源的地方進行計算。從這一點來看，邊緣計算與霧計算類似，但是邊緣計算更側重“物”一側，而霧計算則更側重基礎結構方面。我們認爲邊緣計算會像雲計算一樣對我們的社會產生巨大的影響。
圖2展示了邊緣計算中的雙向計算流。在邊緣計算範式中，物不僅僅是數據消費者，還是數據製造者。在網絡邊緣，物不僅可以向雲端請求服務及內容，還可以進行計算任務。邊緣可以進行數據存貯，緩存和處理，同時將雲端服務和請求發給用戶。爲此需要對網絡邊緣進行合理地設計，滿足安全性，可靠性及隱私保護的需求。
與傳統雲計算相比，將計算任務放置在靠近數據源的地方有許多好處。研究者搭建了一個概念驗證平臺來運行面部識別應用，當把計算任務從雲端移動到邊緣時，系統反應時間從900ms降到了169ms。還有研究者使用微雲來爲穿戴式認知輔助設備分擔計算任務，結果表明系統反應時間減少了80-200ms。而且能耗也減少了30-40%。
三． 案例研究
在雲計算範式中，大多數計算髮生在雲端，這種計算範式可能導致較長的系統延遲，從而降低用戶體驗。在邊緣計算中，邊緣有一定的計算資源，可以幫助雲端分擔一部分計算任務。
在傳統的內容分發網絡（CDN）中，只有數據緩存在邊緣服務器上。因爲在過去的幾十年間，都是內容提供者直接將數據提供在網上。但是在物聯網時代，數據由邊緣製造並消費。所以在邊緣計算中，數據以及對於數據的操作都需要緩存在邊緣上。
邊緣計算的一個優點可以體現在在線購物服務中。消費者可能經常操作購物車，默認情況下，對購物車的操作會在雲端完成，然後更新用戶端的購物車界面。根據網速和服務器負荷情況，這個過程可能需要很長時間，對於移動設備來說需要的時間可能更長。隨着在移動客戶端購物的情況越來越多，爲了提升用戶體驗，可以將購物車更新操作移動到邊緣節點。正如前面所說，用戶購物車數據以及對購物車的操作都可以緩存在邊緣節點。當然用戶的購物車數據最終還要同步到雲端，但是這些可以在後臺運行。
當用戶從一個邊緣節點移動到另一個邊緣節點，這就涉及多節點的協作問題。我們可以簡單將數據緩存到用戶到達的各個邊緣節點，不過各節點的同步問題就需要再進一步研究了。例如：在一小片區域內導航應用可以將導航或者搜索服務移動到邊緣；在邊緣節點進行內容過濾與整合從而減少數據傳輸量；實時應用如AR可以使用邊緣節點減少反應時間。因此，使用邊緣計算可以減少系統延遲，大大提升用戶體驗。
手機和網絡攝像頭的普及使得視頻分析變成一種新興技術。雲計算不適合做視頻分析，因爲數據傳輸的延遲太長以及出於隱私問題的擔憂。這裏我們提到一個尋找丟失兒童的例子。現在城市裏有大量的攝像頭，當某兒童丟失時，他/她很可能被某個攝像頭捕捉到。但是由於隱私問題以及傳輸成本，這些攝像頭數據通常不能全部傳到雲端，所以我們很難利用如此大範圍的攝像頭。即時可以從雲端訪問這些數據，傳輸和搜索如此大的數據量也會消耗大量時間，這對尋找丟失兒童來說可能是無法忍受的。我們可以利用邊緣計算範式，從雲端向目標區域內的設備發送搜索丟失兒童請求。特定區域內的每臺設備，如智能手機會在本地攝像頭數據中進行搜索，然後只回傳搜索結果，這樣搜索時間將大大減少。
物聯網大大改善了家庭環境。市場上已經出現了一些相關產品，如智能燈，智能電視，掃地機器人等等。但是僅僅通過Wi-Fi等無線通信模塊將設備連到雲端還遠不是智能家居。在智能家居中，除了可連接的設備，還應該在房間，管道，地板，牆面等部署大量的傳感器和控制器。它們將產生大量數據，但是考慮到隱私問題和傳輸壓力，這些數據大多需要直接在本地使用。這就使得雲計算不再適合智能家居，取而代之的將會是邊緣計算。通過在家庭網關上運行邊緣操作系統（EdgeOS），家庭設備可以連接到網關，然後部署相關服務進行統一管理。
圖3顯示了智能家居中的一種EdgeOS結構。EdgeOS可以通過Wi-FI，藍牙，ZigBee，蜂窩網絡等收集屋內的各種數據。不同數據源會在數據抽象層進行融合。數據抽象層上面是服務管理層。這一層需要支持可區分性（Differentiation）， 可擴展性（Extensibility）,隔離（Isolation），可靠性（Reliability）。
邊緣計算範式可以應用在智能家居，社區甚至在城市裏。主要原因有以下幾點：
1． 大數據量：到2019年，一個擁有一百萬常住人口的城市每天將產生180PB的數據，這些數據來自於公共安全，醫療健康，交通運輸等等。建造一個集中式的雲數據中心來處理這些數據是不現實的。邊緣計算則是一個有效的解決方案。
2． 低延遲：對於那些需要確定且低延遲時間的應用如醫療設備或者公共安全設備來說，邊緣計算也是一種合適的範式，它可以節省傳輸時間，簡化網絡結構。相比雲端處理來說，在邊緣進行數據處理，做決策也會更加高效。
3． 位置感知：對於基於地理位置的應用如交通運輸設施管理，邊緣計算可以獲得更準確的位置信息。可以根據位置收集數據並處理，不需要傳到雲端。
在工業界和學術界，雲可以說是大數據處理的標準計算平臺。雲計算要求數據傳到雲端進行處理，但在許多情況下，由於隱私問題和數據傳輸成本，擁有數據的利益相關者很少願意分享數據，因此多個利益相關者合作的機會有限。而邊緣作爲一個小型數據中心，連接了雲端和終端用戶。協作式邊緣連接了多個不同邊緣。這種像衆議院一樣的連接方式可以讓不同利益相關者合作及分享數據。
在不久的將來，一個非常有價值的應用是可連接醫療健康應用，如圖4所示。舉個例子，假如流感爆發了，病人流向醫院，同時病人的電子病歷將會更新。醫院統計並分享流感爆發相關信息，如平均治療成本，症狀，患病人數等等。理論上病人會根據處方去藥房拿藥，但也有可能病人沒有遵醫囑進行治療，但是醫院並不知道病人沒有拿藥，所以醫院不得不擔負起再治療的責任。現在通過協作式邊緣，藥房可以向醫院提供病人的購藥記錄，從而使醫療責任更加清晰。
同時，藥房利用協作式邊緣從醫院獲取患病人數，這樣藥房可以提前備貨，從而獲取更多利潤。此外藥房還可以從製藥公司獲取藥品的價格，位置，庫存量。藥房還可以獲取物流公司的運送價格，從而制定更合適的用藥計劃。藥企可以根據藥房送來的用藥數據制定合理的生產計劃。同時，政府疾控中心還可以通過檢測患病人數，向特定區域內的人羣發出告警並採取相應措施抑制流感傳播。
流感爆發後，保險公司需要根據政策向病人支付醫藥費。保險公司可以分析患病人數的比例及治療成本，從而調節下一年的保險費用。如果病人願意提供個人電子病歷，保險公司還可以提供定製化的醫療保健政策。
四． 機遇和挑戰
上一節我們介紹了幾個邊緣計算的應用實例。本節我們將總結邊緣計算的挑戰並提出一些值得進一步研究的解決方案。主要涉及可編程性，命名，數據抽象，服務管理，隱私和安全，以及優化指標。
1. 可編程性
雲計算中，用戶編寫程序並部署在雲端。雲提供者負責決定在哪裏執行計算任務。用戶並不知道應用是如何運行的，這也是雲計算的一個優點，雲計算的基礎設施結構對用戶來說是透明的。通常情況下由於程序只運行在雲端，是由一種編程語言完成並編譯到特定目標平臺運行。但是在邊緣計算中，計算任務分到各種不同平臺的邊緣節點上。不同節點運行時間不同，程序開發者面臨着巨大的困難。
爲了解決邊緣計算的可編程性問題，我們提出了計算流的概念。它是指在數據傳播途徑上對數據的一系列操作。這些操作可以包含應用的全部或局部功能。計算流是由軟件定義的計算過程，可以在數據產生設備，邊緣節點以及雲環境上以一種分佈式的高效方式對數據進行處理。正如邊緣計算的定義一樣，計算應該在邊緣完成而不是雲端。這種情況下，計算流可以幫助用戶決定哪些操作需要執行以及數據如何傳播。在哪裏執行操作的衡量指標可以是延遲時間，能耗，軟硬件限制等等。通過部署計算流，我們認爲數據的計算應該儘可能靠近數據源，從而減少數據傳輸成本。在計算流中，操作可以重新分配，對應的數據和狀態也要重新分配。此外，我們還要解決協作問題，如數據同步等。
2. 命名
在邊緣計算中，一個重要的假設是物的量非常大。在邊緣節點上運行着許多應用，每個應用都有自己的服務組織架構。與所有的計算機系統類似，在邊緣計算中，對於程序設計，尋址，物體識別以及數據通信來說，命名原理都是非常重要的。但是現階段對於邊緣計算範式來說還沒有確定一種高效的標準化的命名機制。爲了與各種異構系統進行通信，邊緣開發者需要學習多種網絡通信協議。邊緣計算的命名原理需要解決物體的可移動性，網絡拓撲的高度變化性，隱私和安全保護以及對於大量不確定物體的可擴展性等問題。
傳統命名機制如DNS，URI可以滿足當前大多數網絡要求。但是它們的靈活性不高，無法服務於動態邊緣網絡。因爲邊緣上的設備具有高度移動性且資源有限。對於那些資源有限的設備，也無法支持基於IP的命名原理。
新的命名機制如命名數據網絡（NDN）及MobilityFirst可以應用在邊緣計算中。NDN提供了一種分層命名結構，它擁有很好的擴展性，良好的可讀性，便於服務管理。但是爲了適合其它通信協議如藍牙，Zigbee等，還需爲其添加額外的代理。NDN的另一個問題是安全性，因爲很難將設備硬件信息與服務提供者分離開來。爲了提供更好的移動支持能力，MobilityFirst可以將名字與網絡地址分隔開，不過需要使用全球唯一標識符（GUID）。MobilityFirst的另一個缺點是不便於服務管理，因爲GUID的可讀性不好。
對於比較小的固定邊緣，如家庭環境，可以通過EdgeOS爲每個設備分配網絡地址。在一個系統中，每個設備都有唯一一個人類可讀的名字，它描述了下列信息：位置，角色，數據描述。例如“廚房.微波爐.溫度”。如圖5所示，EdgeOS會爲其分配相應的標識符及地址。每個物體都有一個唯一的人類可讀的名字，從而便於服務管理，物體判斷，部件更換。這種命名機制對於用戶和服務提供者來說都是十分方便的。例如用戶會從EdgeOS接收到諸如“臥室天花板上的燈壞掉了”之類的信息，這樣用戶可以直接更換燈泡，不需要查找錯誤代碼或者爲燈泡重新配置網絡地址。這種命名機制爲服務提供者提供了更好的可編程性，屏蔽了硬件信息，從而更好地保護數據隱私及安全。唯一標識符與網絡地址可以與人類易讀的名字一一對應。EdgeOS使用標識符進行物體管理。網絡地址如IP地址或MAC地址可以用來支持各種通信協議，如藍牙，WIFI，Zigbee等等。
數據抽象
EdgeOS上運行着各種應用，每種應用藉助服務管理層API提供特定的服務。在無線傳感器網絡和雲計算範式中已經對數據抽象問題有了深入的研究。但是在邊緣計算中，這個問題變得更具挑戰性。在物聯網時代，網絡中存在大量數據產生設備。這裏我們舉智能家居爲例，在智能家居環境中，幾乎所有的設備都會向EdgeOS發送數據。但是大多數網絡邊緣上的設備只會週期性地向網關發送數據。例如溫度計每隔一分鐘發送一次數據，但是在一天之內這些數據只會被真正的用戶使用幾次。另一個例子是家庭安防攝像頭。它會隨時記錄數據併發送到網關，但是這些數據會保存在數據庫中一段時間，並沒有人使用，最終被新數據取代。
根據上述情況，我們認爲在邊緣計算中應該儘可能地減少人的介入，邊緣節點應該消費/處理全部的數據，並且以一種積極主動的方式與用戶進行交互。這種情況下，網關需要對數據進行預處理，例如噪聲去除，事件檢測以及隱私保護等等。處理後的數據將發到上層用於提供合適的服務。這個過程面臨幾個挑戰。首先，如圖6所示，不同設備傳來的數據格式不同。考慮到隱私和安全問題，網關上的應用不應該獲取原始數據，它只需要從完整數據表中獲取感興趣的內容即可。數據表的格式可以是ID，時間，名字，數據（如0000,12:34:56pm 01/01/2016，kitchen.oven2.temperature3, 78）。但是傳感器數據被隱藏起來了，所以可能影響到數據可用性。第二，有時候很難決定數據抽象的程度。如果過濾掉太多的原始數據，某些應用或服務可能就無法獲取足夠的信息。但是如果保留太多原始數據，數據存儲也會很麻煩。有時候由於傳感器精度不高，環境不穩定或者通訊不正常，邊緣設備上的數據信息可能並不可靠，所以如何從不可靠的數據中抽象出有用信息也是一個挑戰。
收集數據是爲應用服務的，爲了完成特定的服務，應用需要對物體實施控制，如讀寫數據。數據抽象層將數據呈現方式以及相應的操作結合起來，並提供了一個公共接口。此外，由於設備的多樣性，數據的呈現方式與相應的操作都有所差異，所以找到一種通用的數據抽象方式也並非易事。服務管理
對於網絡邊緣上的服務管理，爲了保證系統穩定，我們認爲需要具有以下幾個特性：可區分性，可擴展性，隔離，可靠性。
可區分性：隨着物聯網的快速發展，網絡邊緣上會部署多個服務。不同服務應該具有不同優先級，關鍵服務如物體判斷和失敗報警應該在其它普通服務之前執行。對於健康相關的服務，心跳停止檢測應該具有最高的優先級。
可擴展性：可擴展性對於網絡邊緣來說是一個巨大挑戰。相對於移動系統，物聯網中的設備更具動態性。用戶購買的新設備能否接入原系統將是一個首先要解決的問題。這些問題可以通過設計一個靈活可擴展的服務管理層來解決。
隔離：隔離是網絡邊緣需要解決的另一個問題。在移動系統中，如果應用崩潰了，整個系統將會重啓。在分佈式系統中，共享資源可以通過不同的同步機制如鎖或令牌環等進行管理。但是在EdgeOS中，這個問題會更復雜。多個應用會共享相同的資源，例如對燈的控制。如果應用崩潰了或者沒有響應，用戶應該在不破壞整個EdgeOS的情況下依然可以對燈進行控制。當用戶從系統中移除控制燈的應用之後，燈仍然需要與EdgeOS保持連接。我們可以通過部署/取消部署框架解決這個問題。如果在應用安裝之前系統檢測到了衝突，就會向用戶發送警告，從而避免潛在的訪問問題。另一個問題是如何將用戶個人數據與第三方應用隔離開來。例如你的活動追蹤應用不能訪問你的用電量數據。爲了解決這個難題，我們可以在EdgeOS的服務管理層中加入一種訪問控制機制。
可靠性：可靠性也是一個重要問題。從服務的角度來看，有時候很難準確識別服務失敗的原因。例如，如果一臺空調壞了，可能的原因有電源斷開，壓縮機故障，甚至溫度控制器電池耗盡。由於電池耗盡，連接條件惡劣或者部件磨損，傳感器節點可能會與系統失去連接。 如果EdgeOS可以提醒用戶哪個部件無響應，或者提前警告用戶系統中的哪個部件有損壞的風險，這種用戶體驗非常好。從系統的角度來看，保持整個系統的網絡拓撲類型非常重要，系統中的每個部件都可以向EdgeOS發送狀態/診斷信息。這樣就可以很容易地部署錯誤檢測，設備替換以及數據質量檢測等服務。從數據的角度來看，對可靠性的挑戰主要來自於傳感器數據和通信部分。正如之前研究和討論過的，網絡邊緣可能因爲各種原因發生故障，發送不可靠的數據。我們也提到了許多用於物聯網數據收集的新型通信協議，它們可以支持大量傳感器節點和動態網絡條件。但是它們的連接可靠性沒有藍牙或者WIFI好。如果數據和通信不可靠，提供可靠的服務將是一個挑戰。隱私和安全
在網絡邊緣，數據隱私和安全保護是一個重要服務。如果物聯網應用部署在家庭中，用戶的大量隱私數據會被收集。例如我們可以通過讀取電量和水量使用數據判斷家中是否有人。因此如何在不涉及隱私的情況下提供服務也是一個問題。有些隱私信息可以在處理數據之前剔除，例如遮蔽視頻中的面部。我們認爲在邊緣數據源上進行計算，也就是在家裏，可能是一個不錯的保護隱私和數據安全的方法。
我們要提高對數據隱私和安全的意識。以WIFI網絡爲例，在4.39億家庭網絡連接中，49%的WIFI網絡不安全，80%的家庭路由器使用默認密碼。89%的公共WIFI熱點不安全。所有的利益相關者包括服務提供者，系統和應用開發者以及終端用戶都需要意識到用戶隱私有可能會受到侵害。如果不加防護的話，攝像頭，健康監測器甚至WIFI玩具都可能被他人連接。
第二個要提到的問題是數據的所有權。在移動應用中，終端用戶的數據由服務提供者保存和分析。但是讓數據留在產生數據的地方，讓用戶擁有數據可以更好地保護隱私。 與健康數據類似，邊緣收集的用戶數據應該保存在邊緣並且由用戶決定是否提供給服務提供者。
第三個問題是在網絡邊緣上，保護隱私和數據安全的有效工具太少。有些設備的資源有限，當前的一些安全防護方法無法部署在上面。而且網絡邊緣環境多變，因而易受攻擊，不好防護。爲了保護隱私，有些平臺如移動醫療提出統一健康數據保存標準。但是對於邊緣計算來說，卻缺少處理各種數據的工具。優化指標
在邊緣計算中，有多個層次具有計算能力。那麼應該如何分配工作負載呢？我們可以考慮以下幾個分配策略，如在每層均勻分配負載或者在每層完成儘可能多的任務。極端情況是完全在端點操作或者完全在雲端操作。爲了選擇最佳的分配策略，本節我們將討論幾個優化指標，包括延遲，帶寬，能耗和成本。
延遲：延遲是衡量性能的最重要的指標之一，特別是在交互式應用或服務中。雲計算中的服務器可以提供強大的計算能力。他們可以在短時間內處理非常複雜的任務，如圖像處理，語音識別等等。但是延遲不是由計算時間決定的。長網絡延遲會對實時/交互式應用的行爲產生深遠的影響。爲了減少延遲，最好在最近的物理層完成工作。例如在智能城市案例中，我們可以先用手機處理本地相片，然後只需向雲端發送丟失兒童相關信息即可，不需要上傳全部相片，因此這種方式速度更快。但是在最近的物理層處理工作並不總是最好的方式。我們需要考慮資源使用情況，避免不必要的等待時間，這樣纔可以建立一個最佳的邏輯層次。比如當用戶正在玩遊戲時，由於手機的計算資源已經被佔用了，此時最好將相片傳至最近的網關或微中心進行處理。
帶寬：從延遲的角度來看，高帶寬可以減少傳輸時間。對於短距離傳輸，我們可以建立高帶寬來向邊緣發送數據。一方面，如果數據可以在邊緣進行處理，系統延遲將大大減少，同時也可以節省邊緣與雲端的帶寬。例如在智能家居案例中，通過WIFI或者其他高速傳輸方式，幾乎所有的數據都可以在網關進行處理。此外傳輸可靠性也得到了提升，因爲傳輸距離比較短。另一方面，雖然邊緣不能完成全部工作，不能減少傳輸距離，但是至少可以通過對數據進行預處理來顯著減少上傳的數據量。
能耗：對於網絡邊緣上的設備來說，電池是最珍貴的資源。對於端點層，將一部分工作在邊緣完成可以節省能耗。但是關鍵要在計算能耗和傳輸能耗間進行權衡。總的來說，我們先要考慮工作負載的能耗特性。計算量大不大？需要使用多少資源？除了網絡信號強度之外，數據大小和可用帶寬都會影響傳輸能耗。如果傳輸開銷小於本地計算開銷，最好使用邊緣計算。但是如果我們關注的是整個邊緣計算的過程，而不僅僅是端點，那麼總能耗就應該是每層能耗之和。與端點層類似，每層能耗包括本地計算能耗與傳輸能耗。這樣最佳工作分配策略就有可能改變。例如本地數據中心正忙，那麼工作應該上傳至上層完成。與在端點計算相比，多跳傳輸會顯著增加系統開銷，從而增加能耗。
成本：從服務提供者的角度來看，例如YouTube，亞馬遜等等，邊緣計算爲他們提供了更少的延遲和能耗，從而增加數據吞吐量，改善用戶體驗。因此，他們可以在處理相同工作量的同時，賺去更多的利潤。例如，根據大多數居民的興趣，我們可以將某個熱門視頻放在建築層邊緣，這樣城市層邊緣就可以處理更復雜的任務，總數據吞吐量就可以提高。服務提供者的投入就是創建和維護每一層的成本。爲了充分利用每一層的本地數據，提供者可以根據數據的位置向用戶收費，同時還需要開發新的成本模型來保證服務提供者的利潤和用戶的可接受性。
工作分配不是一件容易的事。各個衡量指標之間是密切相關的。例如有時由於能量限制，工作負載需要在城市數據中心完成。與構建服務器層相比，能量限制不可避免地會影響延遲。對於不同的工作負載，指標應該具有不同優先級(或權重)，從而選擇合理的分配策略。此外,成本分析需要在系統運行時進行。同時還應該考慮併發工作的相互干擾以及資源用量。
五．總結
現在，由於在邊緣處理數據能保證更短的響應時間和更好的可靠性，越來越多的服務從雲端移至網絡邊緣，如果在邊緣處理大量數據，就可以避免將數據傳至雲端，從而節省帶寬。物聯網和移動設備的普及改變了邊緣在計算範式中的角色，邊緣正從單純的數據消費者向數據生產者及消費者轉變。在網絡邊緣處理數據會更加高效。本文我們提出了對邊緣計算的理解，基本原理是在靠近數據源的地方進行計算和處理。然後我們列舉了幾個案例如智能家居，智能城市來進一步介紹邊緣計算的應用。我們也引入了協作式邊緣的概念，因爲邊緣可以在物理上和邏輯上連接終端用戶和雲端，所以仍需要支持傳統雲計算範式，而且它可以連接遠距離網絡用於數據共享。最後，我們提出了仍值得進一步研究的挑戰和機會，包括可編程性，命名，數據抽象，服務管理，隱私和安全防護以及優化指標。不管你見或不見，邊緣計算就在那裏，我們希望本文可以讓更多的人關注邊緣計算，用邊緣計算改善我們的生活。