目录
边缘计算简介
边缘计算是指利用靠近数据生成的网络边缘侧的设备（如移动设备、基站、边缘服务器、边缘云等）的计算能力和存储能力，使得数据和任务能够就近得到处理和执行。
一个典型的边缘计算系统为包括"端一边一云"的三层架构，即终端层、边缘层、云计算层。
-
终端层： 包括传感器、执行器、固定设备、移动设备等节点，一般可称为用户。用户通过各种类型的网络（如4G、5G、WiFi等）等与边缘层中的接入点相连，实现终端层与边缘之间互联互通，用户与边缘节点之间可以互相传输数据和控制信息。
-
边缘层：位于终端层和云之间，向下提供支持终端设备接入的接口，向上与域云对接。边缘层包括接入点、边缘服务器、无线基站、边缘云等具备计算能力和存储能力的设备，一般可称为边缘节点。边缘层向下负责接收、处理和转发来自终端的数据量，为用户提供模型训练、智能感知、知识推理、数据分析和实时控制等时间敏感的服务。向上可以把计算负载迁移到云端进行处理并接收云上的处理结果。边缘节点还常可作为控制器或调度器对网络实行流量调度，任务调度等。
-
云计算层： 为远程云数据中心，提供巨量的计算能力，可从边缘层接收数量流和任务，处理或执行完毕后向边缘层返回处理执行结果。云还可以作为整个系统的控制器和调度器，向边缘层发送控制信息，从全局范围对网络资源、服务部署、任务卸载策略等进行优化。
边缘计算为云计算的拓展，与传统云计算相比，边缘计算的优势有以下几点：
- 减轻骨干网压力： 边缘层的存在和功能避免了用户直接向云端传输大量数据和任务，有效地减轻了骨干网的负载压力
- 降低时延： 用户产生的任务可以在边缘节点上就近执行，相比于上传至云平台处理大大降低了任务的响应时间
- 减小成本： 在本地就近执行任务花费的成本原小于将任务上传至云平台，经济效益更尚
参考：《边缘网络下的分布式模型训练和任务卸载机制研究》
任务卸载简介
用户通过将计算密集型的任务卸载到边缘节点上执行，节省自身的能量消耗并加快计算任务完成速度。任务卸载的一个基本问题是根据用户和边缘节点的计算资源、通信连接、移动性等决定是否卸载，或者决定卸载任务的哪一部分至边缘节点执行，由此产生了三种类型的任务卸载：
- 本地执行
当边缘层服务不可用，或卸载不成功时，用户不向边缘节点卸载计算任务，任务将在用户本地完全执行 - 全部卸载
用户卸载任务至边缘层并完全执行 - 部分卸载
任务的一部分在本地执行，而其余部分则被转移到边缘层执行
任务卸载的一个问题是卸载决策，系统控制器／管理器负责监控各种参数，如可用带宽、要卸载的数据大小、边缘节点的资源和负载、用户／边缘节点执行应用程序所消耗的能量等，然后根据系统优化目标决策如何卸载任务。常见的任务卸载优化目标有以下几种：
- 最小化任务响应时间：任务响应延迟即任务上传时间、任务在边缘节点上执行时间和执行结果下发时间之和。具体优化目标可为最小化平均响应时间或最小化任务的最大响应时间。
- 最小化能量消耗：用户和边缘节点发送／接收任务以及执行任务都会产生能量消耗，因此任务卸载决策也需要考虑能耗因素。优化目标通常为在满足响应时间约束的同时，最小化边缘节点或用户的能耗。
- 能量消耗和响应延迟之间的权衡：一般来说，越对延迟敏感任务，越倾向于最小化响应时间，而越计算密集的任务，越倾向于最小化能量消耗。因此优化目标中可以引入一个权重参数衡量卸载决策更倾向于最小化能量消耗还是响应时间
参考：《边缘网络下的分布式模型训练和任务卸载机制研究》
边缘存储系统
边缘存储系统：指在特定区域内由多个边缘服务器连接而成的存储系统，为用户提供低延迟的服务
参考：《Enabling Balanced Data Deduplication in Mobile Edge Computing》