邊緣計算綜述

邊緣計算(Endge computing)，同邊緣智能(Edge intelligence，EI),指將人工智能算法從傳統的雲計算中心轉移到網絡邊緣的終端設備。本文搬運自【Edge Intelligence: Paving the Last Mile of ArtificialIntelligence with Edge Computing（Zhi Zhou, Xu Chen, En Li, Liekang Zeng, Ke Luo, Junshan Zhang）】

優勢

1. 終端生成的大量數據需要人工智能來有效挖掘數據價值
2. 深度學習驅動要素： algorithm, hardware, data and application scenarios，而網絡邊緣爲大量數據源頭，可見終端設備需要與人工智能有效結合，兩者相互促進。
3. 邊緣計算減少敏感數據在網絡中的傳輸，提高隱私安全性。

發展

1. 邊緣計算六層劃分：
   其中Cloud-edge指邊緣設備的部分數據交給雲計算中心處理，In-edge指部分數據交給鄰近的邊緣設備協同處理（數據傳輸距離縮減），On-device指在設備單機處理。
   這六層又可以根據模型訓練設備劃分爲三層

邊緣計算模型訓練

1. 架構：中心化、去中心化、混合
2. 評價指標：訓練損失、一致性（去中心化架構下各個終端模型一致性）、私密性、數據交換代價、延遲、能源效率。
3. 目前邊緣計算訓練有如下解決方案：
   

模型推斷

邊緣計算受限於設備性能及能耗問題，前輩們提出瞭如下解決方案。
挑戰：各種各樣的方案，使得應用場景下模型配置參數十分複雜，龐大的搜索空間難以找到最優應用方案。

現狀及展望

• 工業現狀：亞馬遜、谷歌、微軟等都建立了邊緣計算相關平臺，但目前這些平臺都依賴於雲數據中心。
• 平臺與框架的展望：
  1. EI平臺建設需要較強的兼容性，以滿足多樣化的模型需求
  2. 兼容各種深度學習框架的模型
  3. 當前有多種邊緣設備專用編程框架（tensorflow Lite, Caffe2, MXNet），但沒有哪一種優於其他框架，未來需要一款更優的框架。
• 需要對計算資源更友好的模型