基于边缘的创新将成为焦点

2021年12月8日,负责支持和保护数字化体验且深受全球企业信赖的解决方案提供商阿卡迈技术公司(Akamai)的研究表明,在因新冠疫情而改变的世界中,边缘计算将成为亚太地区商业技术领域的最大变化之一,并且会带来树立差异化竞争优势的巨大机会。从2022年起,全球对于消费者数字体验的重视程度将不断增加。     

人工智能，用向善科技引领变革

如今,人工智能(AI)已是全球公认最具变革性的商业趋势之一。在技术领域,计算机和通信硬件飞速发展,为AI带来重大突破,而云计算、移动设备和边缘计算的发展,让AI获得前所未有的海量数据和运算能力,从而酝酿出巨大的商业变革。但AI并不是一位新客,我们为其超出预期的发展速度感到欣喜,同时,如何看待和应对AI更值得我们思考。     

边缘计算安全综述

针对当前边缘计算广泛应用面临的安全问题,主要结合边缘计算的典型应用,对边缘计算实际应用中的安全威胁和风险因素进行了分析总结,依据边缘计算安全参考架构,重点从边缘用户和边缘节点两个角度对当前采用的安全防护技术进行了分析研究,并就相关安全技术的优势和未来趋势进行了阐述。     

开发边缘计算存储需要考虑的关键因素

实践表明,企业在制定边缘计算存储计划时需要考虑带宽、用例和容量等关键因素.边缘计算和云计算可以并行工作,但有时它们的实现路径会有所不同.例如存储方面,将在边缘创建的大量数据直接保存到云平台中是不切实际的,因此,企业在制定边缘计算存储策略时需要考虑许多因素.     

边缘计算在智慧交通和智能网联行业的应用分析

智慧交通和智能网联是边缘计算应用的典型场景。在“云-边-端”系统架构中,边缘计算承载着云侧算力下沉及端侧计算任务卸载的使命。本文分析了边缘计算在智慧交通及智能网联应用中面临的挑战及发展趋势,研究了不同业务场景下边缘计算需要处理的主要内容,分析了边缘计算在“云-边-端”架构中的重要作用。     

边缘计算和深度学习之间的交融

随着网络终端的不断普及与互联网应用的快速发展,当今网络不仅要应对日益增长的传输流量,也要满足用户多样化的需求指标。云计算在诸如服务延迟与传输开销等方面难以适应趋势,边缘计算(Edge Computing)则将运算资源从云下移到了网络边缘,并通过就近处理数据的方式提升性能。作为人工智能的主要代表之一,深度学习一方面可以被集成到边缘计算的框架中以构建智能边缘,另一方面也能以服务的形式部署在边缘上从而实现边缘智能。本文从边缘计算与深度学习融合的趋势出发,介绍"边缘智能"与"智能边缘"的概念与应用场景,并说明典型的使能技术及其相互联系。     

基于区块链的边缘计算安全架构鲁棒性检测

由于边缘设备产生的数据具有实时感知、并行处理等开放性特征,其运行资源极易受到限制降低安全架构性能,提出一种基于区块链技术的边缘计算安全架构鲁棒性检测方法.通过分析边缘计算安全架构的运行流程与目的,计算区块链函数的奇异性和架构变换极大值,获得安全架构的运行周期,根据紧支集三次B样条构建区块链,分解临近的区块链,确定构建区块时所需要的尺寸,收集鲁棒性检测样本,最后对样本数据进行连续性的划分与离散转化,随着转化结果,初始样本会产生一种周期分散但架构紧凑的变化趋势,依靠该趋势完成边缘计算安全架构的鲁棒性检测.仿真结果表明,能够有效的完成对鲁棒性的检测,同时有着检测速度快的优点.     

移动边缘计算环境下多服务器身份认证技术研究

移动边缘计算环境下多服务器认证(MSA)允许用户在注册中心的单个注册中获取多种服务器的多个服务,以前的单服务器认证需要用户注册所有的服务器才能使用各自功能.由于注册中心需要在每个认证环节都参与认证,因此造成了不必要的通信开销.针对移动边缘计算环境下移动边缘设备的低存储和低计算能力,提出一种基于切比雪夫混沌映射技术的单次...     

移动边缘计算中基于深度强化学习的任务卸载研究进展

移动边缘计算是近年出现的一种新型网络计算模式,它允许将具有较强计算能力和存储性能的服务器节点放置在更加靠近移动设备的网络边缘(如基站附近),让移动设备可以近距离地卸载任务到边缘设备进行处理,从而解决了传统网络由于移动设备的计算和存储能力弱且能量较有限,从而不得不耗费大量时间、能量且不安全地将任务卸载到远方的云平台进行处理的弊端.但是,如何让仅掌握局部有限信息(如邻居数量)的设备根据任务的大小和数量选择卸载任务到本地,还是在无线信道随时间变化的动态网络中选择延迟、能耗均最优的移动边缘计算服务器进行全部或部分的任务卸载,是一个多目标规划问题,求解难度较高.传统的优化技术(如凸优化等)很难获得较好的结果.而深度强化学习是一种将深度学习与强化学习相结合的新型人工智能算法技术,能够对复杂的协作、博弈等问题作出更准确的决策,在工业、农业、商业等多个领域具有广阔的应用前景.近年来,利用深度强化学习来优化移动边缘计算网络中的任务卸载成为一种新的研究趋势.最近三年来,一些研究者对其进行了初步的探索,并达到了比以往单独使用深度学习或强化学习更低的延迟和能耗,但是仍存在很多不足之处.为了进一步推进该领域的研究,文中对近年来国内外的相关工作进行了详细地分析、对比和总结,归纳了它们的优缺点,并对未来可能深入研究的方向进行了讨论.     

加速商用——惠普安腾服务器从概念到应用的转变

Itanium 2系统架构的移植和应用推广力度的不断加大,使Itanium 2的商业应用条件逐渐成熟,而且代号为Madison的第三代Itanium处理器产品也正指日可待。2003年伊始,惠普又率先吹响安腾服务器向商业应用进军的号角——召开亚太区安腾开发者论坛大会。商用时机在到来按照正常的商业技术应用程序,通常一个系统的开发需要一个周期,证明一个系统的稳健性也需要一个周期,说服用户采用这个稳健的系统进行相应应用开发更需要一个周期,这就是商业应用永远要比科学研究应用慢上几拍的原因。所以,安腾也首先选择高性能计算应用作为突破口,2002年惠普的安腾服务器一直针对高性能计算应用进行大力推广和宣     

边缘控制产业与发展趋势研究

边缘计算技术广泛普及并与传统工业自动化技术深度融合,形成边缘控制这一新兴概念。边缘控制依托其开放架构,可与新型工业网络技术、实时虚拟化技术及跨平台编译技术等相结合,在保证实时可靠工业控制的基础上,集成一定的计算能力以满足当前工业现场的场景需求,以期对传统工业控制形成互补或部分替代。本文旨在从边缘控制的概念形成、参考架构、发展路径与趋势及热点技术等几个方面对边缘控制技术进行研讨和分析。     

DCT域图像边缘的快速提取

压缩域的图像分析处理技术已成为多媒体研究领域的一个热点。文中给出了DCT压缩域图像边缘的快速检测方法。该方法直接利用DCT非零系数计算图像边缘点,不需要完全解压缩,与传统象素域边缘检测方法相比,大大降低了计算复杂度,并且能根据需要提取不同精度的边缘图像。该方法在远程目标识别或基于边缘的Web图像检索等方面将能满足一定的实时性要求,具有较好的实用价值。针对JPEG图像,给出了边缘提取的实验结果,并与传统的象素域边缘检测方法进行了比较。     

2022年可能照进现实的科技趋势

达摩院分析了近三年来的770万篇公开论文、8.5万份专利,覆盖159个领域,挖掘其中热点及重点技术突破,深度访谈近100位科学家,提出了2022年可能照进现实的十大科技趋势,覆盖人工智能、芯片、计算和通信等领域.     

边缘计算场景下的异构终端安全接入技术研究

边缘计算能够对海量终端设备的请求进行实时性处理,但是边缘计算的分布性和实时性等特点也为信息安全的防护带来了更多的局限,身份认证和隐私保护是边缘计算的应用和数据的安全防护需要面临的挑战问题。阐述了当前边缘计算终端安全接入时的信息安全需求,分析了其可能面临的信息安全威胁,提出了一种边缘计算场景下“云-边-端”三层体系的异构终端接入认证机制,方案能够支持海量终端的接入认证请求,并且通过匿名身份的方式保障了终端设备的隐私性。     

基于时空图的交通流量统计和交通状态检测

提出了一种新的基于时空图的交通流量统计和交通状态检测方法。首先,通过人机交互的方法设定检测线,并利用检测线计算时空图;然后,对时空图进行边缘提取、图像分割等处理,利用时空图上车辆的边缘、形状和占道率等信息,计算出一段时间内的交通流量。此外,还通过时空图的边缘信息的差异,将当前时间段的交通状态分为通畅、拥挤和堵塞三种不同的情况。实验结果表明,在摄像机安装位置合适的情况下,该方法统计交通流量的误差低于8%,判断交通状态的误差为0,具有很好的商业实用性。     

基于深度强化学习的移动边缘计算资源分配策略

边缘计算作为云计算技术的延伸，可通过增强边缘网络计算能力为用户提供低时延高质量服务。边缘计算中，需要将服务部署于资源受限的边缘服务器，并根据需求合理分配计算资源，以提高边缘服务器的资源利用率。因此，提出基于深度强化学习的服务资源分配方法，利用反正切函数两次映射建立计算资源分配函数，并基于真实数据集进行仿真实验。实验结果表明，该方法能够在保证低时延的情况下，合理分配计算资源。     

油田物联网系统边缘计算研究与实践

随着智能传感器和无线通信技术的发展,油田物联网系统提高了现场生产数据采集的频率和生产过程控制的效率,然而现有物联网系统仍然通过位于远程数据中心的计算资源进行数据处理和控制,网络带宽和通信延迟成为严重的瓶颈。通过对物联网系统的边缘层设备应用边缘计算技术,充分利用边缘网关的计算和存储能力,使用孤立森林算法实现异常数据检测和报警规则学习,同时对温度和阀门开关进行逻辑控制,将之前在云端的处理功能下沉在边缘端实现,降低对网络的要求,满足偏远地区油田生产需要。     

基于DCT压缩域的图像边缘检测算法

目前,大多数边缘检测算法都是在像素域内进行的,而图像数据大多以压缩格式传输和存储,因此要进行边缘检测,必须先经解压缩,变成非压缩格式,再进行处理,这无疑增加了计算量,影响了处理的速度和性能。给出了一种直接在DCT压缩域中进行边缘检测的方法,通过推导出的边缘检测矩阵算子,直接对反量化后的DCT系数进行处理,进而判断出图像边缘点。与传统的像素域边缘检测方法相比,文中算法由于不需要完全解压缩,因而大大降低了计算复杂度。     

曙光带高性能入平民生活——访曙光信息产业有限公司研发部总经理曾宇

十年前,高性能计算还是科研领域的专属,人们仰望而陌生的高技术。十年间,高性能计算走进了应用领域,石油勘探、基因测序、气象分析??。今天,从人们出行打出租车,到看天气预报,再到了解股市行情、看电子书,都有着高性能计算的身影。三年前,曙光成为高性能计算平民化趋势的预见者。三年间,曙光实施着高性能计算平民化的策略,小规模服务器集群进入渠道销售??。今天,曙光认为,高性能计算的应用中,科学计算只约占15%的比例,而商业计算和信息化服务需求则占据了绝对地位。因此曙光要在2005年带队让高性能计算走进平民生活。走入商业计算和信息化服…     

面向边缘计算应用的宽度孪生网络

边缘计算是将计算、存储、通信等任务分配到网络边缘的计算模式. 它强调在用户终端附近执行数据处理过程, 以达到降低延迟, 减少能耗, 保护用户隐私等目的. 然而网络边缘的计算、存储、能源资源有限, 这给边缘计算应用的推广带来了新的挑战. 随着边缘智能的兴起, 人们更希望将边缘计算应用与人工智能技术结合起来, 为我们的生活带来更多的便利. 许多人工智能方法, 如传统的深度学习方法, 需要消耗大量的计算、存储资源, 并且伴随着巨大的时间开销. 这不利于强调低延迟的边缘计算应用的推广. 为了解决这个问题, 我们提出将宽度学习系统(Broad learning system, BLS)等浅层网络方法应用到边缘计算应用领域, 并且设计了一种宽度孪生网络算法. 我们将宽度学习系统与孪生网络结合起来用于解决分类问题. 实验结果表明我们的方法能够在取得与传统深度学习方法相似精度的情况下降低时间和资源开销, 从而更好地提高边缘计算应用的性能.