霧計(jì)算的概念、相關(guān)研究與應(yīng)用

賈維嘉，周小杰

（上海交通大學(xué)電子信息與電氣工程學(xué)院，上海 200240）

1 引言

隨著人們對計(jì)算和存儲(chǔ)資源需求的不斷提升，個(gè)人計(jì)算機(jī)在很大程度上已經(jīng)不能滿足人們的需求。對此，云計(jì)算帶來的按需付費(fèi)（pay as you go）的模式使人們可以用一種相對低廉的價(jià)格獲取所需的計(jì)算和存儲(chǔ)資源[1]。然而云計(jì)算需要將數(shù)據(jù)發(fā)往密集的云中心進(jìn)行處理，在實(shí)際應(yīng)用場景上不可以提供移動(dòng)性的支持，這對車聯(lián)網(wǎng)、無線接入網(wǎng)等移動(dòng)場景下的網(wǎng)絡(luò)來說是一種限制[2]。與此同時(shí)，由數(shù)據(jù)的長距離傳輸所帶來的不可接受的時(shí)延也使云計(jì)算不適用于時(shí)延敏感的應(yīng)用[2]。更進(jìn)一步地，長距離的傳輸也使數(shù)據(jù)被攻擊的可能性提升，從而影響數(shù)據(jù)的安全性[3]。

對此，需要在本地部署帶有計(jì)算和存儲(chǔ)功能的設(shè)備以縮短終端用戶到計(jì)算和存儲(chǔ)資源的距離。因此，霧計(jì)算的概念應(yīng)運(yùn)而生。通過在遠(yuǎn)程的云和設(shè)備之間引入中間霧層，以部署本地化的計(jì)算和存儲(chǔ)資源[2]。霧層不僅可以自己向用戶直接提供服務(wù)，還可以利用云層更為強(qiáng)大的計(jì)算和存儲(chǔ)能力協(xié)同進(jìn)行服務(wù)[4]。相較于傳統(tǒng)的云計(jì)算模型，這種方法無疑更加適合車聯(lián)網(wǎng)[5]、無線接入網(wǎng)[6]等移動(dòng)場景和時(shí)延敏感的應(yīng)用[7]。對此，CISCO?提出了霧計(jì)算的設(shè)想[8]，HP?實(shí)驗(yàn)室在其之上更進(jìn)一步地提出了霧計(jì)算的概念[9]。不難看出，這樣的想法與過往的如移動(dòng)計(jì)算（mobile computing）[10]、移動(dòng)云計(jì)算（mobile cloud computing）[11]、邊緣計(jì)算（edge computing）[12]等計(jì)算模式存在著一定的相似性。因此，本文對從云到霧的過程進(jìn)行相應(yīng)闡述，并將霧計(jì)算與這些相似的計(jì)算模式進(jìn)行了比較。

霧計(jì)算作為一個(gè)新興的研究熱點(diǎn)，其各部分的功能受到了廣泛的研究。其關(guān)鍵主要在于網(wǎng)絡(luò)管理與霧層資源調(diào)度上。在網(wǎng)絡(luò)管理上需要完成終端設(shè)備發(fā)現(xiàn)、任務(wù)數(shù)據(jù)轉(zhuǎn)發(fā)的功能；而在資源調(diào)度上，考慮的是如何安排任務(wù)取得盡可能高的收益。對于這2個(gè)關(guān)鍵問題的闡述也是本文的重點(diǎn)所在。

由于霧計(jì)算相較于云計(jì)算適用于移動(dòng)場景和時(shí)延敏感的應(yīng)用，因此，以智能交通為代表的需要移動(dòng)性支持的應(yīng)用和以大數(shù)據(jù)無線傳感網(wǎng)絡(luò)為代表的對于時(shí)延敏感，又需要相對較大處理能力的應(yīng)用適合通過霧計(jì)算的方式進(jìn)行處理[13]。對此，前人提出了不少霧計(jì)算在這些應(yīng)用上的應(yīng)用實(shí)例和實(shí)現(xiàn)平臺。

2 霧計(jì)算

2.1 霧計(jì)算的由來

霧計(jì)算的概念最早由 CISCO?提出，其在云和終端設(shè)備之間引入中間霧層部署運(yùn)算、存儲(chǔ)等設(shè)備。中間霧層主要面向一個(gè)較小的區(qū)域提供計(jì)算、存儲(chǔ)、網(wǎng)絡(luò)傳輸服務(wù)[2]。對此，CISCO?提出了IOx框架，使用戶可以在上面開發(fā)部署應(yīng)用[8]。在此基礎(chǔ)上，HP?實(shí)驗(yàn)室對于霧計(jì)算給出了更為明確的定義：“霧計(jì)算是由大量異構(gòu)普遍存在的無線（有時(shí)為無線自組織）分布式設(shè)備通過網(wǎng)絡(luò)相互協(xié)作在無第三方干預(yù)的情況下共同完成計(jì)算和存儲(chǔ)任務(wù)的場景。這些任務(wù)可能是關(guān)于網(wǎng)絡(luò)等基本功能的，也可能是關(guān)于具體應(yīng)用的。用戶可以通過有償租用這些分布式設(shè)備來獲取這樣的服務(wù)[9]”。這個(gè)定義中不僅包含了 CISCO?先前所提出的霧計(jì)算的計(jì)算、存儲(chǔ)、網(wǎng)絡(luò)傳輸服務(wù)這3個(gè)功能，還包括了霧計(jì)算相較于云計(jì)算的分布式，通過無線網(wǎng)絡(luò)進(jìn)行協(xié)作、自組織等特點(diǎn)。

由此可見，霧計(jì)算的概念由云計(jì)算引申而來。這2種計(jì)算模式間的主要差別在于與終端用戶的接近程度、能否支持地理分布與能否支持邊緣的數(shù)據(jù)分析和挖掘這3個(gè)方面[14]。此外，眾多學(xué)者還在服務(wù)質(zhì)量、訪問控制、時(shí)延功耗等方面對于霧計(jì)算和云計(jì)算進(jìn)行了比較[6～7,9,15～18]。表 1對霧計(jì)算和云計(jì)算在通信訪問方式、控制管理、服務(wù)質(zhì)量、采用設(shè)備以及目標(biāo)用戶這5個(gè)方面的差別進(jìn)行了總結(jié)。

根據(jù)比較的結(jié)果不難發(fā)現(xiàn)，霧計(jì)算這一模式相當(dāng)于把云拉到地上，在本地部署帶有計(jì)算和存儲(chǔ)功能的設(shè)備，以縮短終端用戶到計(jì)算存儲(chǔ)資源的距離。這樣部署的本地化設(shè)備雖然可以降低時(shí)延、提供移動(dòng)性的支持，但也受限于自身的計(jì)算和存儲(chǔ)能力。霧計(jì)算并不是云計(jì)算的替代品，而是通過這些本地化的設(shè)備不僅可以自己向用戶直接提供服務(wù)，還可以利用云層更為強(qiáng)大的計(jì)算和存儲(chǔ)能力協(xié)同進(jìn)行服務(wù)[4]。除云計(jì)算外，移動(dòng)計(jì)算、移動(dòng)云計(jì)算、邊緣計(jì)算等概念與霧計(jì)算有一定的相似之處。

2.2 霧計(jì)算的相似概念

2.2.1 移動(dòng)計(jì)算與移動(dòng)云計(jì)算

移動(dòng)云計(jì)算的前身是移動(dòng)計(jì)算。移動(dòng)計(jì)算顧名思義就是在手機(jī)、便攜式電腦等移動(dòng)設(shè)備上進(jìn)行計(jì)算存儲(chǔ)的模式[10]。但這種計(jì)算模式下任務(wù)主要在移動(dòng)終端設(shè)備中進(jìn)行計(jì)算和存儲(chǔ)，會(huì)遇到資源稀缺性、電源不足和連接不穩(wěn)定等問題，不足以應(yīng)付圖像處理、自然語言處理等計(jì)算任務(wù)[19]，因而提出移動(dòng)云計(jì)算，將計(jì)算任務(wù)由移動(dòng)端發(fā)送到云端，再由云端將結(jié)果傳回移動(dòng)端。相較于傳統(tǒng)的云計(jì)算，其對移動(dòng)性提供了支持[20]，但沒有改變云計(jì)算需要將計(jì)算任務(wù)傳送到云端所帶來的時(shí)延和對于網(wǎng)絡(luò)所帶來的巨大負(fù)載[21]。與此同時(shí)，設(shè)備上傳任務(wù)到云端所帶來的發(fā)送功耗和資費(fèi)成本有時(shí)也是不可接受的[10]。對此，霧計(jì)算在本地化引入計(jì)算存儲(chǔ)設(shè)備，通過在本地形成小的數(shù)據(jù)中心[22]，可以在不失去移動(dòng)性支持、保證一定程度的處理能力下，很好地解決上面提到的時(shí)延、功耗和資費(fèi)等問題[23]。

表1 霧計(jì)算和云計(jì)算的比較

2.2.2 邊緣計(jì)算

邊緣計(jì)算的初衷也是由于大部分的任務(wù)在網(wǎng)絡(luò)的邊緣產(chǎn)生，將其傳輸?shù)竭h(yuǎn)端的云數(shù)據(jù)中心時(shí)延過大，因此考慮在數(shù)據(jù)的邊緣外加計(jì)算和存儲(chǔ)設(shè)備，接受任務(wù)并與云數(shù)據(jù)中心進(jìn)行協(xié)同處理[12]。因而其與霧計(jì)算有很大的相似性[15]。其中，邊緣計(jì)算中的邊緣是相對于用戶層來說的概念，而霧計(jì)算的霧是相對于云層的概念。邊緣計(jì)算更加關(guān)注用戶，而霧計(jì)算更加關(guān)注霧層服務(wù)提供商、霧層中各設(shè)備的擁有者與管理者[24]。

2.2.3 分布式云數(shù)據(jù)中心與迷你數(shù)據(jù)中心

顧名思義，分布式云數(shù)據(jù)中心（distributed cloud data center）、迷你數(shù)據(jù)中心（mini datacenter）就是將服務(wù)器分布在各地，建立小的數(shù)據(jù)中心[25]。相較于將用于計(jì)算和存儲(chǔ)的服務(wù)器分布在世界各地，霧計(jì)算可以緩解傳統(tǒng)云計(jì)算將服務(wù)器集中部署帶來的傳輸距離大、容易遭受分布式拒絕服務(wù)攻擊（DDoS, distributed denial of service）等問題。與此同時(shí)，也更能因地制宜地提高能源使用效率。但這樣的數(shù)據(jù)中心和霧計(jì)算在部署的密度上通常有著不小的差距。分布式云數(shù)據(jù)中心之間的距離一般很大，往往相距106m以上，仍然不能有效降低時(shí)延[26]，而霧計(jì)算的服務(wù)器之間相距很小，能將時(shí)延控制在可控范圍內(nèi)。

2.2.4 微云

微云（cloudlet）和霧計(jì)算也有很大的相似性，它也是在靠近用戶的位置分布式地部署計(jì)算設(shè)備，為用戶時(shí)延敏感、帶寬有限的應(yīng)用提供服務(wù)。其一開始基于移動(dòng)計(jì)算所提出，因此，同樣具備對移動(dòng)性的支持[27]。但它與霧計(jì)算主要有2個(gè)不同之處：1) 微云主要針對的是計(jì)算任務(wù)，而霧計(jì)算除計(jì)算外還可通過智能網(wǎng)關(guān)（smart gateway）、路由器等設(shè)備支持存儲(chǔ)、路由等服務(wù)[16]；2) 微云基于移動(dòng)計(jì)算所提出，主要針對移動(dòng)設(shè)備，但是霧計(jì)算除了移動(dòng)設(shè)備外，對于固定的設(shè)備也適用[15]。

2.2.5 內(nèi)容分發(fā)網(wǎng)絡(luò)

內(nèi)容分發(fā)網(wǎng)絡(luò)（CDN, content delivery network）通過分布式的緩存服務(wù)器（cache server）進(jìn)行信息存儲(chǔ)，以減少用戶對于信息獲取的時(shí)間。相較于霧計(jì)算，內(nèi)容分發(fā)網(wǎng)絡(luò)的通用性不夠強(qiáng)（一般只緩存特定的信息），而且計(jì)算能力也比較弱[16]。

綜上所述，從這些比較中不難發(fā)現(xiàn)，霧計(jì)算在降低時(shí)延、移動(dòng)性支持和信息安全上相比于傳統(tǒng)的計(jì)算模式有著不小的優(yōu)勢。霧計(jì)算相當(dāng)于在移動(dòng)云計(jì)算的基礎(chǔ)上在靠近設(shè)備終端的位置上引入了由密集的服務(wù)器構(gòu)成的中間霧層。

3 霧計(jì)算的系統(tǒng)架構(gòu)

3.1 霧計(jì)算的系統(tǒng)架構(gòu)介紹

相較于云計(jì)算終端用戶層、網(wǎng)絡(luò)層和云層的3層架構(gòu)，霧計(jì)算的系統(tǒng)在引入中間霧層后架構(gòu)可以分成5層，分別是終端用戶層（end user layer）、接入網(wǎng)絡(luò)層（access network layer）、霧層（fog layer）、核心網(wǎng)絡(luò)層（core network layer）和云層（cloud layer），如圖1所示。不難看出，離底層越近，分布的區(qū)域越大，且終端用戶數(shù)據(jù)傳輸?shù)皆搶拥臅r(shí)延越小[14]。表2給出了這5層的主要設(shè)備和主要功能。

圖1 霧計(jì)算的系統(tǒng)架構(gòu)

3.1.1 終端用戶層

終端用戶層主要由用戶的手機(jī)、便攜式電腦等終端設(shè)備構(gòu)成[14]，而且隨著傳感器網(wǎng)絡(luò)技術(shù)的發(fā)展，傳感器節(jié)點(diǎn)也將在這一層中發(fā)揮重要作用[28]。這些設(shè)備既有可能是安放在某處的固定設(shè)備，如放在交通燈上、道路兩旁的傳感器[29]，也有可能是移動(dòng)的終端，如用戶的手機(jī)、便攜式電腦[14]。在這一層中，這些設(shè)備將起到內(nèi)容的生產(chǎn)者（content producer）和內(nèi)容的消費(fèi)者（content consumer）的作用。任務(wù)將在這一層中產(chǎn)生，處理后的結(jié)果也將返回到這一層。此外，終端設(shè)備還需要發(fā)現(xiàn)并指定對應(yīng)任務(wù)轉(zhuǎn)發(fā)的霧節(jié)點(diǎn)[23]。

3.1.2 接入網(wǎng)絡(luò)層

當(dāng)終端用戶層的用戶生成內(nèi)容后，會(huì)由接入網(wǎng)絡(luò)的網(wǎng)絡(luò)設(shè)備將這些信息按照預(yù)定的規(guī)則發(fā)送到對應(yīng)的霧節(jié)點(diǎn)上。由于底層設(shè)備既包含有線設(shè)備，又包含無線設(shè)備，因此在這一層中通信的網(wǎng)絡(luò)既包含有線局域網(wǎng)，又包含Wi-Fi、5G等無線接入網(wǎng)絡(luò)[6]。

表2 霧計(jì)算各層主要設(shè)備與功能

3.1.3 霧層

這是霧計(jì)算的核心。在霧層中部署有貼近用戶的、高密度的計(jì)算和存儲(chǔ)設(shè)備[30]，極大地降低了傳統(tǒng)云計(jì)算的時(shí)延，同時(shí)也能給予用戶移動(dòng)性的支持。這些設(shè)備被稱為霧節(jié)點(diǎn)（fog node）?？梢詫㈧F節(jié)點(diǎn)按照其部署位置和功能分成3類：霧邊緣節(jié)點(diǎn)（fog edge node）、微霧（foglet）和霧服務(wù)器（fog server）[17]。霧邊緣節(jié)點(diǎn)一般由智能網(wǎng)關(guān)、邊界路由器等構(gòu)成[31]，是距離終端用戶層最近的霧節(jié)點(diǎn)，提供一定程度的計(jì)算、存儲(chǔ)和通信功能。對于一些簡單的任務(wù)，可以在上面直接進(jìn)行處理并返回結(jié)果，但對于較為復(fù)雜的任務(wù)，這些節(jié)點(diǎn)的處理能力往往不能滿足要求，只能起到數(shù)據(jù)預(yù)處理、預(yù)分析等作用，然后將處理后的結(jié)果發(fā)往霧服務(wù)器進(jìn)行進(jìn)一步的處理。而霧服務(wù)器相比于霧邊緣節(jié)點(diǎn)具有較強(qiáng)的計(jì)算能力和較大的存儲(chǔ)空間，能夠應(yīng)對較多的請求。其可直接與遠(yuǎn)端的云數(shù)據(jù)中心通過網(wǎng)絡(luò)進(jìn)行連接，因而對于超出霧服務(wù)器處理能力的請求將會(huì)被發(fā)往云數(shù)據(jù)中心。對于相對復(fù)雜的霧層結(jié)構(gòu)來說，在霧邊緣節(jié)點(diǎn)和霧服務(wù)器之間可能還有其他的霧節(jié)點(diǎn)，這些節(jié)點(diǎn)既不直接與底層的終端設(shè)備相連，也不直接通過網(wǎng)絡(luò)與遠(yuǎn)端云數(shù)據(jù)中心相連，而是在霧邊緣節(jié)點(diǎn)和霧服務(wù)器之間起著預(yù)處理、路由等中間件（middleware）的作用，這些節(jié)點(diǎn)被稱為微霧，通過SDN（software defined network）可以實(shí)現(xiàn)流量的智能轉(zhuǎn)發(fā)，避免擁塞。對此，文獻(xiàn)[32]設(shè)計(jì)了基于 SDN的霧節(jié)點(diǎn)通信方法，并用 MQTT作為其通信協(xié)議。與此同時(shí)，對于一些相對簡單的霧層結(jié)構(gòu)，可能存在有些節(jié)點(diǎn)既直接與底層的終端設(shè)備相連，也直接通過網(wǎng)絡(luò)與遠(yuǎn)端云數(shù)據(jù)中心相連，那么這些節(jié)點(diǎn)將同時(shí)起到霧服務(wù)器和霧邊緣節(jié)點(diǎn)的功能。

對于霧節(jié)點(diǎn)來說，其需要提供存儲(chǔ)計(jì)算等服務(wù)，其內(nèi)部可以分成底層硬件和上層服務(wù)2層[14]，這2層通過API相連。底層硬件又可以細(xì)分為硬件與虛擬層（hardware & virtualization layer）和硬件資源分配與監(jiān)控層（hardware allocation & monitor layer）。在硬件與虛擬層中包括內(nèi)存、CPU等實(shí)體和虛擬的硬件設(shè)備；而在硬件資源分配與監(jiān)控層中則是對實(shí)體和虛擬的資源進(jìn)行監(jiān)控，如進(jìn)行系統(tǒng)監(jiān)控、網(wǎng)絡(luò)管理、負(fù)載均衡等。上層服務(wù)同樣可以分成服務(wù)層（service layer）和應(yīng)用層（application layer）2層，服務(wù)層可以直接通過API與底層硬件進(jìn)行交互，提供加密驗(yàn)證、計(jì)價(jià)等服務(wù)；而應(yīng)用層基于服務(wù)層，內(nèi)有用戶定義的應(yīng)用程序。

3.1.4 核心網(wǎng)絡(luò)層與云層

對于超出霧層計(jì)算或存儲(chǔ)能力的任務(wù)，會(huì)被霧服務(wù)器通過IP核心網(wǎng)絡(luò)發(fā)往云數(shù)據(jù)中心。相比于接入網(wǎng)絡(luò)，這里一般是多跳的有線網(wǎng)。同樣地，SDN技術(shù)也將在網(wǎng)絡(luò)資源管理、流量高效轉(zhuǎn)發(fā)上發(fā)揮巨大的作用[16]。

而云層主要由遠(yuǎn)端的云數(shù)據(jù)中心服務(wù)器構(gòu)成，這些服務(wù)器往往具備霧層服務(wù)器更強(qiáng)的計(jì)算能力和更大的存儲(chǔ)能力，因此，其一般起到數(shù)據(jù)備份、大計(jì)算量任務(wù)處理的作用。與霧層相類似，云端的服務(wù)器也是相連的，裝載有任務(wù)的虛擬機(jī)可在云服務(wù)器間來回遷移，以增大執(zhí)行效率[23]。

3.2 霧計(jì)算系統(tǒng)架構(gòu)的設(shè)計(jì)與實(shí)現(xiàn)

在具體實(shí)現(xiàn)上，CISCO?提出了 IOx框架，使用戶可以在上面開發(fā)部署應(yīng)用[8]。而對于一些小型的基于霧的應(yīng)用，文獻(xiàn)[33]用樹莓派實(shí)現(xiàn)了一個(gè)小型的通用霧計(jì)算平臺。此外，針對一些類似于智慧城市、智能交通等的特定的應(yīng)用場景，現(xiàn)有工作也設(shè)計(jì)了一些面向?qū)ｉT應(yīng)用場景的霧計(jì)算平臺[34]。此類平臺將在第5節(jié)詳細(xì)敘述。而對于虛擬仿真平臺方面，文獻(xiàn)[35]提出了一個(gè)名為 iFogSim的仿真平臺。該仿真平臺通過Java語言進(jìn)行實(shí)現(xiàn)。在該仿真平臺上可以對終端設(shè)備、云計(jì)算中心與網(wǎng)絡(luò)鏈路進(jìn)行配置，并根據(jù)自己的需要實(shí)現(xiàn)不同場景下的霧計(jì)算資源調(diào)度與管理算法，并可通過時(shí)延、功耗、網(wǎng)絡(luò)資源占用、控制成本等指標(biāo)對設(shè)計(jì)的算法進(jìn)行性能的衡量。雖然這給調(diào)度算法研究者帶來了福音，但是其功能仍比較有限，仿真效果與實(shí)際效果仍存在比較大的差別。

4 霧計(jì)算的研究問題

相比于云計(jì)算這樣的計(jì)算模式，霧計(jì)算中引入了中間霧層。這一方面使網(wǎng)絡(luò)變得更為復(fù)雜，需要更加高效地進(jìn)行管理；另一方面也使部分的任務(wù)可以直接在霧層進(jìn)行處理從而提升效率。前者保障的是傳輸上的高效性，后者保證的是任務(wù)在計(jì)算和存儲(chǔ)上的高效性。

4.1 霧計(jì)算中的網(wǎng)絡(luò)管理

霧計(jì)算中引入了中間霧層，因此，網(wǎng)絡(luò)結(jié)構(gòu)顯得更為復(fù)雜，變成了終端節(jié)點(diǎn)到霧層的接入網(wǎng)絡(luò)、霧層設(shè)備間的局域網(wǎng)絡(luò)與霧層到云層之間的廣域核心網(wǎng)絡(luò)這3層。其中，終端節(jié)點(diǎn)到霧層的接入網(wǎng)絡(luò)主要為Wi-Fi、藍(lán)牙、5G等無線網(wǎng)絡(luò)；而霧層設(shè)備間的局域網(wǎng)絡(luò)與霧層到云層之間的廣域核心網(wǎng)絡(luò)則主要為有線網(wǎng)絡(luò)。

4.1.1 霧計(jì)算的無線接入網(wǎng)絡(luò)

霧計(jì)算的接入網(wǎng)絡(luò)與移動(dòng)云計(jì)算、分布式數(shù)據(jù)中心的接入網(wǎng)絡(luò)相同，均通過無線信道進(jìn)行傳輸。相比于云計(jì)算主要通過有線網(wǎng)絡(luò)的模式更能提供移動(dòng)性的支持，霧計(jì)算相比于移動(dòng)云計(jì)算與分布式數(shù)據(jù)中心也存在其特點(diǎn)。在霧計(jì)算中終端節(jié)點(diǎn)只需要將任務(wù)上傳至最近的霧節(jié)點(diǎn)。這樣的直接好處是節(jié)省了任務(wù)傳輸?shù)臅r(shí)間和終端節(jié)點(diǎn)的功耗并降低了數(shù)據(jù)在傳輸過程中受到威脅的可能性。而間接上由于一個(gè)霧節(jié)點(diǎn)對應(yīng)的傳感器數(shù)目的減少，也使無線網(wǎng)絡(luò)的結(jié)構(gòu)變得更為簡潔，感知的內(nèi)容變得更為有序。

對此，文獻(xiàn)[16]提出了一種基于面向應(yīng)用和地理位置的底層網(wǎng)絡(luò)協(xié)議。在這個(gè)方案中，某個(gè)霧節(jié)點(diǎn)只服務(wù)一個(gè)指定的區(qū)域，同時(shí)提供有限的服務(wù)，一方面保證了這個(gè)區(qū)域的網(wǎng)絡(luò)信號強(qiáng)度，另一方面一個(gè)較小區(qū)域內(nèi)的服務(wù)的特性和需求往往是可預(yù)測的，從而保證了網(wǎng)絡(luò)服務(wù)質(zhì)量。文獻(xiàn)[36]同樣利用這種地域相似性的特點(diǎn)，考慮在內(nèi)容分發(fā)的情境下通過點(diǎn)到點(diǎn)、尋找最近的霧節(jié)點(diǎn)和本地分布式協(xié)同這3種模式進(jìn)行數(shù)據(jù)分發(fā)。其中，點(diǎn)到點(diǎn)模式中用戶將從一定區(qū)域內(nèi)支持點(diǎn)到點(diǎn)的設(shè)備中獲取數(shù)據(jù)；最近的霧節(jié)點(diǎn)模式則是從最近的霧節(jié)點(diǎn)中進(jìn)行數(shù)據(jù)獲取，對于不支持點(diǎn)到點(diǎn)或一定范圍內(nèi)沒有其他擁有該內(nèi)容的點(diǎn)到點(diǎn)的設(shè)備的情況下只能用此方法；而本地分布式協(xié)同模式則是向區(qū)域內(nèi)所有有此內(nèi)容的霧節(jié)點(diǎn)進(jìn)行請求[6]。其通過對接入網(wǎng)絡(luò)的建模分析，提出了一種自適應(yīng)模式選擇機(jī)制，并通過蒙特卡洛模擬加以驗(yàn)證。

這種內(nèi)容的有序除了帶來上述的好處外，還為內(nèi)容的抽象帶來了可能。由于其可以在一定程度上預(yù)測終端節(jié)點(diǎn)的需求，因此，可以采用霧節(jié)點(diǎn)主動(dòng)向終端節(jié)點(diǎn)發(fā)送預(yù)測值的方法，使終端節(jié)點(diǎn)只需要傳輸與預(yù)測值不一致的參數(shù)，來進(jìn)一步降低其功耗。

4.1.2 霧計(jì)算的有線網(wǎng)絡(luò)

在霧計(jì)算中，霧節(jié)點(diǎn)既可以依靠自己的計(jì)算能力處理任務(wù)，也可以將任務(wù)遷移到更為合適的其他霧節(jié)點(diǎn)或云數(shù)據(jù)中心。由于霧節(jié)點(diǎn)均是預(yù)先部署的，因此，霧節(jié)點(diǎn)的數(shù)據(jù)轉(zhuǎn)發(fā)行為可以很方便地進(jìn)行集中控制。這為高效的數(shù)據(jù)轉(zhuǎn)發(fā)提供了可能，非常適合采用SDN這種進(jìn)行網(wǎng)絡(luò)集中管理的技術(shù)[16]。通過分離邏輯控制層與物理轉(zhuǎn)發(fā)層，對網(wǎng)絡(luò)進(jìn)行集中管理，相比于傳統(tǒng)的類似于OSPF的網(wǎng)絡(luò)協(xié)議能夠提升數(shù)據(jù)分組的投遞率（delivery ratio），減輕擁塞，降低時(shí)延[37]。

然而SDN技術(shù)雖然有不少優(yōu)勢，但也同時(shí)具備一些挑戰(zhàn)。首先是控制器的部署和協(xié)同問題，即對一個(gè)現(xiàn)有網(wǎng)絡(luò)需要多少控制器，這些控制器部署在什么位置的問題。對此，文獻(xiàn)[38]對于現(xiàn)存的多種拓?fù)浣Y(jié)構(gòu)進(jìn)行了研究，并根據(jù)時(shí)延得出了部署的方案。但這種方案對于霧計(jì)算來說仍然存在問題，原因在于霧計(jì)算中節(jié)點(diǎn)的種類繁多，所執(zhí)行的功能各異，可能存在不同種類的控制器，而這些控制器如何進(jìn)行協(xié)同是一個(gè)問題。其次是霧計(jì)算中對于時(shí)延、移動(dòng)性等有比較高的要求，而傳統(tǒng)的SDN的控制開銷比較大，如何對SDN協(xié)議進(jìn)行設(shè)計(jì)優(yōu)化也是亟待研究的問題。此外，將有線網(wǎng)絡(luò)與無線接入網(wǎng)絡(luò)進(jìn)行整合，通過SDN進(jìn)行控制也是非常有前景的一項(xiàng)研究。文獻(xiàn)[6]對于SDN在接入網(wǎng)絡(luò)上進(jìn)行部署的可行性進(jìn)行了討論，其認(rèn)為SDN可以擴(kuò)展到接入網(wǎng)絡(luò)中，更高效地管理接入網(wǎng)絡(luò)。但這種擴(kuò)展目前仍不成熟，原因在于SDN需要進(jìn)行集中控制而底層設(shè)備是分布的。并且SDN要求設(shè)備周期性地向控制器匯報(bào)狀態(tài)，這種控制開銷也是不可接受的。

由于需要大量部署霧節(jié)點(diǎn)，因此，為節(jié)約成本，每個(gè)霧節(jié)點(diǎn)的資源相對有限，容易受到惡意流量的攻擊。這使霧計(jì)算中的訪問控制與入侵檢測顯得尤為關(guān)鍵。

在訪問控制上，需要防止對任何資源進(jìn)行未授權(quán)的訪問。由于霧計(jì)算中大多為時(shí)延敏感的應(yīng)用，因此，霧計(jì)算中的訪問控制的關(guān)鍵在于提升效率。對此，文獻(xiàn)[39]設(shè)計(jì)了一個(gè)基于策略的訪問控制方法，對于不同的資源類型的要求，在霧節(jié)點(diǎn)上進(jìn)行協(xié)同訪問控制，以提升單節(jié)點(diǎn)的處理效率。

而在入侵檢測中，需要及時(shí)發(fā)現(xiàn)內(nèi)部攻擊、泛洪攻擊等攻擊行為。對此，文獻(xiàn)[40]對于云計(jì)算中的入侵檢測進(jìn)行了總結(jié)。但傳統(tǒng)的應(yīng)用于云計(jì)算的檢測方法不一定都能應(yīng)用到霧計(jì)算上，因?yàn)殪F計(jì)算相比于云計(jì)算的運(yùn)算能力有限，且在霧計(jì)算中計(jì)算效率很關(guān)鍵。為此，文獻(xiàn)[41,42]對于霧計(jì)算中內(nèi)部攻擊的形式進(jìn)行了討論。文獻(xiàn)[43]設(shè)計(jì)了一套對智能電網(wǎng)中異常流量進(jìn)行高效識別和處理的算法。

4.2 霧計(jì)算中的資源調(diào)度

在霧計(jì)算中，任務(wù)將被裝載在虛擬機(jī)（VM,virtual machine）或容器（container）中運(yùn)行[14]。這些虛擬機(jī)或容器可以在物理機(jī)之間進(jìn)行遷移，以更高效地利用物理機(jī)的資源。虛擬機(jī)或容器遷移的位置依賴于調(diào)度算法的設(shè)計(jì)。在調(diào)度算法的設(shè)計(jì)上，相比于云計(jì)算的復(fù)雜之處，一方面，霧計(jì)算對時(shí)間的敏感程度很高，因此，用戶到霧節(jié)點(diǎn)的時(shí)間、任務(wù)在不同霧節(jié)點(diǎn)中遷移的時(shí)間、霧節(jié)點(diǎn)將任務(wù)轉(zhuǎn)發(fā)到云數(shù)據(jù)中心的時(shí)間都可能被納入考量。另一方面，霧節(jié)點(diǎn)除了計(jì)算節(jié)點(diǎn)外可能還設(shè)置了存儲(chǔ)相關(guān)的節(jié)點(diǎn)，這些節(jié)點(diǎn)的放置方式也會(huì)影響到相關(guān)的服務(wù)質(zhì)量。因此，在進(jìn)行調(diào)度算法的設(shè)計(jì)上需要考慮如下因素。

1) 存儲(chǔ)容量（storage capacity）

存儲(chǔ)是霧層的一大功能，霧層相比于云層的存儲(chǔ)優(yōu)勢在于用戶可以直接從霧層中獲取所需數(shù)據(jù)，從而降低了數(shù)據(jù)獲取的時(shí)延。與此同時(shí)，對于計(jì)算任務(wù)，其所需的源數(shù)據(jù)也可能分散在各霧節(jié)點(diǎn)上。對于存儲(chǔ)則希望數(shù)據(jù)能盡量靠近需求，但也同時(shí)希望使用盡量少的存儲(chǔ)空間[37]。對此，最為經(jīng)典的評價(jià)指標(biāo)是數(shù)據(jù)獲取時(shí)間。數(shù)據(jù)獲取時(shí)間可以直接反映數(shù)據(jù)的局部性，但一味追求局部性可能導(dǎo)致一份數(shù)據(jù)同時(shí)存放在很多不必要的地方，而這可以通過限制數(shù)據(jù)備份數(shù)目進(jìn)行控制。因此，這2個(gè)指標(biāo)一般會(huì)同時(shí)出現(xiàn)作為存儲(chǔ)情況的衡量。

2) 時(shí)延（delay）

除存儲(chǔ)外，霧層中霧節(jié)點(diǎn)更多地承擔(dān)著計(jì)算的功能，而時(shí)延是對于計(jì)算能力的一個(gè)重要的衡量指標(biāo)。霧計(jì)算相比于云計(jì)算，計(jì)算任務(wù)可以在霧節(jié)點(diǎn)上進(jìn)行而不必將任務(wù)上傳到云數(shù)據(jù)中心，從而有效地降低了時(shí)延。對此最為準(zhǔn)確的定義方式是往返時(shí)延（round-trip time），即從任務(wù)開始在終端設(shè)備進(jìn)行上傳到終端設(shè)備收到任務(wù)返回結(jié)果所用的時(shí)間。這樣的定義在同樣的任務(wù)進(jìn)行橫向比較下直觀且方便，但這種方法沒有考慮到任務(wù)計(jì)算量大小與任務(wù)所需傳輸?shù)臄?shù)據(jù)量大小的差異。即使采用單位時(shí)間執(zhí)行的指令數(shù)目，也可能因?yàn)橛脩艟唧w實(shí)現(xiàn)的原因使人們并不能保證該程序以一個(gè)恒定的 CPU利用率進(jìn)行處理，從而使這種衡量方法在衡量計(jì)算時(shí)延上存在問題[44]。對于計(jì)算時(shí)延來說，采用如違反服務(wù)等級協(xié)議（SLA violation）[45]這樣的對于資源短缺程度的衡量方法將更為合理[46]。在違反服務(wù)等級協(xié)議中，對于短缺程度的定義為其中，m為任務(wù)的數(shù)目，ri(t)為第i項(xiàng)任務(wù)在t時(shí)間所請求的資源量，ai(t)為第i項(xiàng)任務(wù)在t時(shí)間所實(shí)際分配到的資源量。由式(1)可知，資源占用率的程度越高，時(shí)延程度越大。這兩者在一定條件下存在著線性關(guān)系。對此，證明如下。

假設(shè)每個(gè)任務(wù)相互獨(dú)立，所請求的資源量為Xi，均值為μi，所分配的資源量為Xi+εi，那么在違反服務(wù)等級協(xié)議下資源短缺程度的期望值為

由于資源量不足，而產(chǎn)生時(shí)延的指令數(shù)的期望值為

顯然，資源短缺程度的期望值與時(shí)延的指令數(shù)的期望值呈正比，而由于時(shí)延的指令數(shù)又與時(shí)延的時(shí)間呈正比，因此，可得出資源短缺程度的期望值與時(shí)延的時(shí)間呈正比。

不難發(fā)現(xiàn)，這樣的衡量方法無法反映網(wǎng)絡(luò)中的差分服務(wù)的時(shí)延代價(jià)，也無法反映非線性的時(shí)延代價(jià)。因此，對于時(shí)延代價(jià)的定義還有進(jìn)一步研究的空間。

3) 功耗（power consumption）

這也是對于計(jì)算能力的一個(gè)重要的衡量指標(biāo)。為提升資源使用效率，任務(wù)一般加載在虛擬機(jī)中執(zhí)行，同一設(shè)備上的虛擬機(jī)將共享該設(shè)備的資源。圖2展示了一些服務(wù)器的功耗參數(shù)。

圖2 服務(wù)器功耗參數(shù)

從圖2中不難看出，對于一臺設(shè)備來說，其功耗與CPU資源的占用率大致遵循線性關(guān)系。因此，可通過如下的定義進(jìn)行功耗的建模

其中，m為服務(wù)器總數(shù)，分別為第i臺服務(wù)器的空閑時(shí)功耗與滿載時(shí)功耗，ai(t) 、ci分別為該臺服務(wù)器占用的資源量與資源總量。從圖2中還可以看出，CPU占用率為0時(shí)的功耗遠(yuǎn)大于休眠時(shí)的功耗。因此，人們寄希望于將盡量多的虛擬機(jī)打包到盡量少的設(shè)備上面，但打包的程度越大，資源短缺的風(fēng)險(xiǎn)越大，從而時(shí)延的風(fēng)險(xiǎn)也隨之增大。因此，一般會(huì)結(jié)合功耗和時(shí)延對計(jì)算能力進(jìn)行統(tǒng)一的考量。此外，還有一些類似的指標(biāo)也可以起到相同的效果，例如，與資源消耗量呈正比的二氧化碳排放量。

4) 效用（utility）

霧和云一樣具有其商業(yè)價(jià)值。雖然當(dāng)前霧計(jì)算的部署大多具有特定的應(yīng)用場景，且以私用霧為主。但隨著霧計(jì)算的普及，將任務(wù)上傳至私有的霧節(jié)點(diǎn)不一定能滿足自身的需求?？赡芪磥砣藗兛梢韵褡庥迷品?wù)器一樣租用霧節(jié)點(diǎn)，例如，在車聯(lián)網(wǎng)中利用周圍車輛與道路兩旁的智能傳感器所提供的算力進(jìn)行計(jì)算，而在這里面就產(chǎn)生了計(jì)價(jià)的問題。但由于現(xiàn)在還沒有一個(gè)像云按需服務(wù)這樣成熟的商業(yè)模式，因此，這項(xiàng)指標(biāo)主要針對具體的情景，但相信其未來會(huì)是一個(gè)研究的重點(diǎn)。

5) 網(wǎng)絡(luò)資源占用與遷移時(shí)間（network utilization/migration time）

為了達(dá)到更高的收益，可以在必要時(shí)對虛擬機(jī)進(jìn)行遷移。由于網(wǎng)絡(luò)資源有限，虛擬機(jī)在網(wǎng)絡(luò)上進(jìn)行遷移存在代價(jià)，而這個(gè)代價(jià)一般通過網(wǎng)絡(luò)資源占用和遷移時(shí)間來反映。其中，網(wǎng)絡(luò)資源占用直接衡量帶寬的資源，而遷移時(shí)間不僅間接反映了帶寬的情況，與此同時(shí)還反映了在網(wǎng)絡(luò)線路傳輸過程中的時(shí)延。但由于霧節(jié)點(diǎn)之間距離較小，這種時(shí)延實(shí)際上可以忽略不計(jì)，因此，這2種衡量方法均可采用。

霧計(jì)算中的調(diào)度策略如表 3[13,47～55]所示，現(xiàn)有很多研究從上面這些因素出發(fā)對于調(diào)度策略進(jìn)行了研究（表3中√表示該項(xiàng)研究中考慮了這項(xiàng)指標(biāo)，括號內(nèi)為對該指標(biāo)的描述，×表示該項(xiàng)研究中沒考慮這項(xiàng)指標(biāo)）。不可忽視的是，霧計(jì)算相比于云計(jì)算調(diào)度的難度更大，原因在于霧計(jì)算相較于云計(jì)算各項(xiàng)指標(biāo)的波動(dòng)更為明顯，如何應(yīng)付這樣的明顯波動(dòng)是調(diào)度算法在實(shí)際應(yīng)用上的一個(gè)主要問題。對此，可以通過霧節(jié)點(diǎn)只服務(wù)于有限范圍的有限應(yīng)用，利用在應(yīng)用特征上的局部相似性，通過人工智能的方法加以分析和預(yù)測[23]，其或多或少存在對任務(wù)情況的假設(shè)（例如，假設(shè)任務(wù)的到來服從速率為λ的泊松分布[50]或服從均值為μ、協(xié)方差矩陣為 Σ的高斯混合分布[56]）與參數(shù)的人為設(shè)定的傳統(tǒng)算法的表現(xiàn)不佳。對此，可認(rèn)為不需預(yù)先假設(shè)分布并可根據(jù)任務(wù)的實(shí)際情況進(jìn)行在線學(xué)習(xí)（online learning）的強(qiáng)化學(xué)習(xí)（reinforcement learning）方法是一種很好的解決方案。在該方法中會(huì)對歷史的分流行為進(jìn)行打分，并不斷引導(dǎo)將任務(wù)按照分高的策略進(jìn)行分流。

與此同時(shí)，由于霧計(jì)算中需要考慮的因素較多、狀態(tài)復(fù)雜，不少學(xué)者采用深度學(xué)習(xí)進(jìn)行問題的降維。文獻(xiàn)[57]將深度強(qiáng)化學(xué)習(xí)用到網(wǎng)絡(luò)資源調(diào)度中。文獻(xiàn)[58]提出了在云數(shù)據(jù)中心中一種權(quán)衡整體資源分配和電源管理問題的新穎層次框架，采用深度強(qiáng)化學(xué)習(xí)（DRL, deep reinforcement learning）技術(shù)，結(jié)合自動(dòng)編碼器（auto-encoding）、LSTM等神經(jīng)網(wǎng)絡(luò)，可以有效地在功耗和處理時(shí)延間取得最佳權(quán)衡。此外，還有一個(gè)不足之處在于，之前的算法幾乎都是基于獨(dú)立任務(wù)的優(yōu)化。而在實(shí)際情況下，任務(wù)之間是存在著依賴關(guān)系的。這些依賴關(guān)系會(huì)對任務(wù)執(zhí)行的順序和任務(wù)分配的位置有著直接的影響。對此，文獻(xiàn)[59]提出了基于任務(wù)依賴關(guān)系的云數(shù)據(jù)中心的任務(wù)調(diào)度方法。文獻(xiàn)[55]在霧數(shù)據(jù)中心的調(diào)度中也考慮到了依賴關(guān)系，但是只考慮了時(shí)間因素，沒能考慮功耗、網(wǎng)絡(luò)質(zhì)量等因素。但是如果依靠深度學(xué)習(xí)進(jìn)行在線學(xué)習(xí)，從而達(dá)到自適應(yīng)將極其消耗計(jì)算資源，這在霧計(jì)算中的適用性仍存在著疑問。當(dāng)前高效低耗的自適應(yīng)調(diào)度算法仍是一個(gè)重要的研究課題。

表3 霧計(jì)算中的調(diào)度策略

5 霧計(jì)算的應(yīng)用

由于霧計(jì)算相比于云計(jì)算具有貼近用戶、能夠提供地理分布與移動(dòng)性支持的特點(diǎn)，因此其適于4種應(yīng)用類型：1)以大型網(wǎng)絡(luò)游戲、超高清視頻的加載為代表的具有大數(shù)據(jù)量但要求較低時(shí)延的應(yīng)用；2)以無線傳感網(wǎng)絡(luò)為代表的基于地理分布的應(yīng)用；3)以車聯(lián)網(wǎng)、可穿戴設(shè)備為代表的需要快速反饋的移動(dòng)應(yīng)用；4)以智能電網(wǎng)、智能交通指揮系統(tǒng)為代表的大規(guī)模分布式?jīng)Q策系統(tǒng)[13]。

5.1 霧計(jì)算的應(yīng)用場景

5.1.1 具有大數(shù)據(jù)量但要求較低時(shí)延的應(yīng)用

對于大型網(wǎng)絡(luò)游戲、超高清視頻這樣的應(yīng)用來說，霧計(jì)算可以像內(nèi)容分發(fā)網(wǎng)絡(luò)一樣，將大數(shù)據(jù)緩存在靠近用戶的位置，從而減少了從遠(yuǎn)端數(shù)據(jù)中心獲取數(shù)據(jù)的時(shí)延，也節(jié)省了網(wǎng)絡(luò)的帶寬。與此同時(shí)，霧節(jié)點(diǎn)也可以進(jìn)行一定程度的數(shù)據(jù)處理，從而降低了終端設(shè)備的計(jì)算任務(wù)，提升了應(yīng)用的性能[37]。

5.1.2 基于地理分布的應(yīng)用

霧節(jié)點(diǎn)可以部署在靠近傳感器的位置以減少從終端設(shè)備到霧節(jié)點(diǎn)的距離[4]。這樣做可以有效降低傳感器的傳輸距離，從而節(jié)約了傳感器的能耗，保證了數(shù)據(jù)的質(zhì)量，降低了數(shù)據(jù)被窺探的風(fēng)險(xiǎn)。與此同時(shí)，霧節(jié)點(diǎn)可以協(xié)助終端傳感設(shè)備進(jìn)行計(jì)算，提升了數(shù)據(jù)的計(jì)算效率。對此，在2015年11月，ARM、思科、戴爾、英特爾等公司在北美建立了國際霧計(jì)算產(chǎn)學(xué)研聯(lián)盟（OpenFog聯(lián)盟）。而在2017年4月，國際霧計(jì)算產(chǎn)學(xué)研聯(lián)盟（OpenFog聯(lián)盟）大中華區(qū)在上海成立。該聯(lián)盟意在針對物聯(lián)網(wǎng)制訂出嚴(yán)格的功能和架構(gòu)要求以及詳盡的應(yīng)用程序接口和性能標(biāo)準(zhǔn)，以指導(dǎo)實(shí)施可互操作的設(shè)計(jì)，加速霧計(jì)算的商用化[60]。

5.1.3 快速反饋的移動(dòng)應(yīng)用

相比于云計(jì)算，霧計(jì)算通過安裝在移動(dòng)物體上的傳感器與該區(qū)域內(nèi)固定裝載的傳感器進(jìn)行協(xié)同感知，然后及時(shí)交由對應(yīng)的霧節(jié)點(diǎn)進(jìn)行處理，并將得到的結(jié)果立即反饋給用戶，可以有效降低時(shí)延。對此，文獻(xiàn)[5]將霧計(jì)算引入車聯(lián)網(wǎng)，并發(fā)掘了車輛本身作為霧節(jié)點(diǎn)的巨大潛力，其認(rèn)為北上廣深等大城市汽車的保有量大，在任意的區(qū)域內(nèi)都有足夠多的汽車能夠提供足夠強(qiáng)大的算力，從而用戶的任務(wù)可以直接轉(zhuǎn)發(fā)到鄰近的汽車上進(jìn)行處理，而不必都傳輸?shù)竭h(yuǎn)端的云數(shù)據(jù)中心。這種時(shí)延的降低對于未來的無人駕駛大有裨益。文獻(xiàn)[61]設(shè)計(jì)了一款基于霧計(jì)算的健康監(jiān)測系統(tǒng)。該系統(tǒng)的測量結(jié)果可以直接在本地的智能網(wǎng)關(guān)進(jìn)行處理，從而可以對人體的突發(fā)病癥及時(shí)報(bào)警。

5.1.4 大規(guī)模分布式?jīng)Q策系統(tǒng)

在大規(guī)模分布式?jīng)Q策系統(tǒng)中，霧計(jì)算可以改善傳統(tǒng)的基于云計(jì)算在位置感知、移動(dòng)性支持和時(shí)延上的問題，形成快速有效的物聯(lián)信息決策系統(tǒng)，以達(dá)到更有效、更智能的決策的目的。其中，典型的應(yīng)用有智能交通、智能電網(wǎng)和智能建筑。在智能交通中，通過在車輛上與道路兩旁部署的傳感器，可以及時(shí)發(fā)現(xiàn)駕駛員的危險(xiǎn)駕駛行為，及時(shí)做出預(yù)警并進(jìn)行合適的處罰[62]。同時(shí)也可以利用車速、道路狀況等傳感得到的信息，自動(dòng)調(diào)節(jié)交通燈的顏色，使無車輛時(shí)自動(dòng)關(guān)閉交通燈，還可根據(jù)實(shí)際情況（行人、救護(hù)車）調(diào)控交通燈的顏色，并及時(shí)向駕駛員發(fā)出警告以減速[29]。而在智能電網(wǎng)中，通過在網(wǎng)絡(luò)的邊緣部署能量平衡的應(yīng)用，可以智能調(diào)度風(fēng)能、水能等能源的使用方式，從而提升能源的使用效率[63]。在智能建筑中，將建筑中的傳感器進(jìn)行聯(lián)網(wǎng)，通過智能網(wǎng)關(guān)對傳感得到的數(shù)據(jù)進(jìn)行處理，并根據(jù)處理后的數(shù)據(jù)和預(yù)先指定的規(guī)則進(jìn)行控制。

5.2 霧計(jì)算應(yīng)用的相關(guān)研究

5.2.1 智能駕駛示范應(yīng)用

智能駕駛示范應(yīng)用如圖3所示，在傳統(tǒng)的駕駛模式中，車輛利用GPS傳感器從衛(wèi)星處獲取位置信息，并將該信息發(fā)往導(dǎo)航軟件的云數(shù)據(jù)中心。數(shù)據(jù)中心在收集數(shù)據(jù)后經(jīng)過計(jì)算得到導(dǎo)航信息并將信息通過網(wǎng)絡(luò)發(fā)至車輛。受限于網(wǎng)絡(luò)的時(shí)延和安全性，這樣得到的信息較為粗放，只能呈現(xiàn)出車輛經(jīng)過哪些道路的大致的行駛路徑，而不能對車輛在實(shí)時(shí)路況下的加速、減速、避讓等行為做出判斷，從而無法實(shí)現(xiàn)無人駕駛。而智能駕駛相比于傳統(tǒng)駕駛模式，可以通過攝像頭、超聲等傳感設(shè)備獲取道路的實(shí)際情況，實(shí)現(xiàn)車輛的無人駕駛。在這些場景中需要解決的關(guān)鍵問題在于對收集到的信息進(jìn)行快速傳輸、處理與驗(yàn)證。

圖3 智能駕駛示范應(yīng)用

在霧計(jì)算的具體應(yīng)用中，時(shí)延的瓶頸極可能出現(xiàn)在網(wǎng)絡(luò)傳輸與任務(wù)處理上。對于網(wǎng)絡(luò)傳輸來說，據(jù)4.1節(jié)所述，在霧計(jì)算中主要涉及終端用戶到霧節(jié)點(diǎn)、霧節(jié)點(diǎn)之間與霧節(jié)點(diǎn)到云數(shù)據(jù)中心這3個(gè)部分的網(wǎng)絡(luò)。由于霧節(jié)點(diǎn)需要負(fù)責(zé)時(shí)延敏感的任務(wù)的處理，因此，終端用戶到霧節(jié)點(diǎn)的無線接入網(wǎng)絡(luò)的傳輸質(zhì)量尤為關(guān)鍵。在智能駕駛中，車輛的導(dǎo)航信息對于時(shí)延的需求不大，因此，可以交由遠(yuǎn)端云數(shù)據(jù)中心進(jìn)行處理。但要在行駛過程中實(shí)現(xiàn)對其他車輛與行人的避讓對于時(shí)延的需求很高，稍有時(shí)延極有可能車毀人亡，因此，必須在近地的霧節(jié)點(diǎn)中進(jìn)行數(shù)據(jù)的收集與處理[64]。但當(dāng)前無線網(wǎng)絡(luò)的傳輸速度與信號質(zhì)量仍不能達(dá)到這樣的需求。未來當(dāng) 5G技術(shù)成熟并商用后，利用5G比4G快數(shù)10倍的傳輸速度，可以使霧計(jì)算在智能駕駛等對于時(shí)延極其敏感的應(yīng)用上成為可能。因此，結(jié)合5G技術(shù)的霧計(jì)算將會(huì)是非常重要的研究方向。

而在任務(wù)處理上，4.2節(jié)對現(xiàn)有的資源調(diào)配算法進(jìn)行總結(jié)，從而使霧計(jì)算服務(wù)提供商可以更高效、更有效益地完成任務(wù)。由于車輛本身的計(jì)算能力可能有限，因此，任務(wù)有可能遷移至車外的霧節(jié)點(diǎn)中進(jìn)行執(zhí)行。當(dāng)前不論是虛擬機(jī)的遷移還是容器的遷移都需要移動(dòng)大量的信息，而這很可能帶來不可接受的時(shí)延。且當(dāng)前對于霧計(jì)算的虛擬化技術(shù)研究仍處于空白階段。此外，由于霧計(jì)算需要應(yīng)付實(shí)際的網(wǎng)絡(luò)環(huán)境，而該環(huán)境變化較為劇烈且存在一定的時(shí)空性。對此不宜預(yù)先假設(shè)分布，而需要采用自適應(yīng)的算法加以解決。當(dāng)前自適應(yīng)的算法主要通過強(qiáng)化學(xué)習(xí)算法進(jìn)行實(shí)現(xiàn)，但該方法要達(dá)到自適應(yīng)的效果極其消耗計(jì)算資源，因此，其在霧計(jì)算中的適用性仍存在著疑問。此外，由于在智能駕駛中車輛的位置隨時(shí)間會(huì)發(fā)生較大的變化，而這種變化也可能會(huì)帶來額外的傳輸時(shí)延。因此，如何采用一個(gè)高效低耗的自適應(yīng)調(diào)度算法來選擇合適的霧節(jié)點(diǎn)進(jìn)行遷移，使信息的消費(fèi)者能夠盡快地拿到數(shù)據(jù)是其中一個(gè)亟待解決的問題。

由于在智能駕駛中霧節(jié)點(diǎn)主要部署在開放的場景中，因此如果有不法分子進(jìn)行信息的竊取，甚至是信息的篡改很可能造成災(zāi)難性影響[65]。例如，如果后車已經(jīng)做出了準(zhǔn)備超車的決定，但前車沒有及時(shí)收到該信息或者收到了錯(cuò)誤的信息而沒能及時(shí)避讓就很可能釀成交通事故。這關(guān)鍵在于保障消息的完整性和可用性。雖然當(dāng)前已有文獻(xiàn)對于霧計(jì)算中可能出現(xiàn)的攻擊行為[4,65]進(jìn)行分析，但當(dāng)前所提出的解決方案在具體應(yīng)用上的時(shí)延和頑健性仍未得到測試。因此在霧計(jì)算中高效的加密和驗(yàn)證算法也將是研究的重點(diǎn)。

5.2.2 工業(yè)互聯(lián)網(wǎng)示范應(yīng)用

當(dāng)前工業(yè)生產(chǎn)主要基于云計(jì)算進(jìn)行。但在實(shí)踐中發(fā)現(xiàn)由于云服務(wù)器的時(shí)延過大，很多精細(xì)化的操作（例如微型元件的切割）無法按時(shí)完成。此外，企業(yè)在底層所收集到的數(shù)據(jù)量不斷上升也使企業(yè)的骨干網(wǎng)備受考驗(yàn)。工業(yè)互聯(lián)網(wǎng)示范應(yīng)用如圖 4所示，為了解決此類問題，企業(yè)可以在終端設(shè)備和云數(shù)據(jù)中心之間部署霧層計(jì)算和存儲(chǔ)設(shè)備，以處理時(shí)延敏感的應(yīng)用與大數(shù)據(jù)特征的提取。這除了對時(shí)延和安全性有要求外，還對平臺的統(tǒng)一性和云霧間協(xié)同提出了更高的要求[66]。

圖4 工業(yè)互聯(lián)網(wǎng)示范應(yīng)用

首先，由于工業(yè)生產(chǎn)環(huán)境涉及的底層元件較為復(fù)雜，為使這些元件的數(shù)據(jù)能夠很好地收集并進(jìn)行控制，需要制作統(tǒng)一的控制平臺對云霧端架構(gòu)進(jìn)行有效的覆蓋和連接[14]。同時(shí)，實(shí)現(xiàn)軟件定義霧節(jié)點(diǎn)群組，對云平臺、異構(gòu)網(wǎng)絡(luò)和海量終端設(shè)備進(jìn)行承上啟下的有效覆蓋和連接，形成具備云端融合能力的標(biāo)準(zhǔn)API接口及規(guī)范。但在當(dāng)前對于統(tǒng)一接口的研究仍處于起步階段。與此同時(shí)，對于控制器部署數(shù)量以及位置的問題研究仍不充分，無法將網(wǎng)絡(luò)、存儲(chǔ)和計(jì)算等資源進(jìn)行統(tǒng)一管理。而這些都是未來亟待解決的問題。

其次，工業(yè)生產(chǎn)環(huán)境中的霧節(jié)點(diǎn)除了要應(yīng)對時(shí)延敏感的應(yīng)用外，還需要對提交到云數(shù)據(jù)中心進(jìn)行處理的數(shù)據(jù)進(jìn)行初步的特征提取，以降低企業(yè)骨干網(wǎng)的負(fù)荷。這就涉及云霧端融合的關(guān)鍵技術(shù)。在該技術(shù)中需要研究霧層要將什么樣的任務(wù)提交到云數(shù)據(jù)中心，以什么狀態(tài)提交到云數(shù)據(jù)中心，提交到云數(shù)據(jù)中心的哪個(gè)服務(wù)器，通過怎樣的路由進(jìn)行提交等核心問題。

6 結(jié)束語

霧計(jì)算作為云計(jì)算引申出的新型計(jì)算模式，其相比于傳統(tǒng)的計(jì)算模式具有低時(shí)延、能提供地理分布與移動(dòng)性的支持等特點(diǎn)。本文對霧計(jì)算的概念、架構(gòu)、研究問題與應(yīng)用進(jìn)行了綜述，并相信霧計(jì)算未來在基于地理分布、移動(dòng)性等應(yīng)用和大規(guī)模分布式?jīng)Q策系統(tǒng)上有著巨大的發(fā)展?jié)摿?。而在理論研究方面，未來的重要研究點(diǎn)仍將主要集中在霧層中，尤其是高效的網(wǎng)絡(luò)通信協(xié)議、系統(tǒng)安全算法、霧層虛擬化技術(shù)、云霧端融合技術(shù)等方向。與此同時(shí)，在霧計(jì)算的應(yīng)用中，既要保證算法的效率又要保證算法的頑健性，而這也是霧計(jì)算應(yīng)用上急需攻關(guān)的重要課題。

[1] ARMBRUST M, FOX A, GRIFFITH R, et al. A view of cloud computing[J]. Communications of the ACM, 2010, 53(4)∶50-58.

[2] BONOMI F, MILITO R, ZHU J, et al. Fog computing and its role in the internet of things[C]//Edition of the Mcc Workshop on Mobile Cloud Computing. 2012∶13-16.

[3] HASHIZUME K, ROSADO D G, FERNáNDEZ-MEDINA E, et al.An analysis of security issues for cloud computing[J]. Journal of Internet Services and Applications, 2013, 4(1)∶5.

[4] STOJMENOVIC I, WEN S. The fog computing paradigm∶ scenarios and security issues[C]// Federated Conference on Computer Science and Information Systems. 2014∶1-8.

[5] HOU X, LI Y, CHEN M, et al. Vehicular fog computing∶ a viewpoint of vehicles as the infrastructures[J]. IEEE Transactions on Vehicular Technology, 2016, 65(6)∶3860-3873.

[6] PENG M, YAN S, ZHANG K, et al. Fog-computing-based radio access networks∶ issues and challenges[J]. IEEE Network, 2015,30(4)∶46-53.

[7] LU R, ZHU H, LIU X, et al. Toward efficient and privacy-preserving computing in big data era[J]. IEEE Network, 2014, 28(4)∶46-50.

[8] BONOMI F. Connected vehicles, the internet of things, and fog computing[C]//The Eighth ACM International Workshop on Vehicular Inter-Networking (VANET). 2011∶ 13-15.

[9] VAQUERO L M, RODERO-MERINO L. Finding your way in the fog[J]. ACM SIGCOMM Computer Communication Review, 2014,44(5)∶27-32.

[10] FERNANDO N, SENG W L, RAHAYU W. Mobile cloud computing∶a survey[J]. Future Generation Computer Systems, 2013,29(1)∶84-106.

[11] DINH H T, LEE C, NIYATO D, et al. A survey of mobile cloud computing∶ architecture, applications, and approaches[J]. Wireless Communications & Mobile Computing, 2013, 13(18)∶1587-1611.

[12] DAVIS A, PARIKH J, WEIHL W E. Edge computing∶ extending enterprise applications to the edge of the internet[C]// International Conference on World Wide Web-Alternate Track Papers & Posters.2004∶180-187.

[13] DENG R, LU R, LAI C, et al. Optimal workload allocation in fog-cloud computing toward balanced delay and power consumption[J]. IEEE Internet of Things Journal, 2017, 3(6)∶1171-1181.

[14] YI S, HAO Z, QIN Z, et al. Fog computing∶ platform and applications[C]// Hot Topics in Web Systems and Technologies. 2015∶73-78.

[15] FIRDHOUS M, GHAZALI O, HASSAN S, et al. Fog computing∶ will it be the future of cloud computing?[C]// International Conference on Informatics & Applications. 2014∶ 1-8.

[16] LUAN T H, GAO L, LI Z, et al. Fog computing∶ focusing on mobile users at the edge[J]. arXiv Preprint, arXiv∶ 1502.01815, 2015.

[17] LI J, JIN J, YUAN D, et al. EHOPES∶ data-centered fog platform for smart living[C]//Telecommunication Networks and Applications Conference. 2015∶308-313.

[18] HAJIBABA M, GORGIN S. A review on modern distributed computing paradigms∶ cloud computing, jungle computing and fog computing[J]. Journal of Computing & Information Technology, 2014,22(2)∶69.

[19] SATYANARAYANAN M. Fundamental challenges in mobile computing[J]. ACM Symposium on Principles of Distributed Computing,1996∶1-7.

[20] LI W, ZHAO Y, LU S, et al. Mechanisms and challenges on mobility-augmented service provisioning for mobile cloud computing[J].IEEE Communications Magazine, 2015, 53(3)∶89-97.

[21] TULI A, HASTEER N, SHARMA M, et al. Exploring challenges in mobile cloud computing∶ an overview[C]// Confluence 2013∶ the Next Generation Information Technology Summit. 2013∶496-501.

[22] NISHIO T, SHINKUMA R, TAKAHASHI T, et al. Service-oriented heterogeneous resource sharing for optimizing service latency in mobile cloud[C]// International Workshop on Mobile Cloud Computing &NETWORKING. 2013∶19-26.

[23] BITTENCOURT L F, LOPES M M, PETRI I, et al. Towards virtual machine migration in fog computing[C]// International Conference on P2P, Parallel, Grid, Cloud and Internet Computing. 2015∶1-8.

[24] SHI W, CAO J, ZHANG Q, et al. Edge computing∶ vision and challenges[J]. IEEE Internet of Things Journal, 2016, 3(5)∶637-646.

[25] CHURCH K, GREENBERG A, HAMILTON J. On delivering embarrassingly distributed cloud services[C]//Hotnets. 2008∶ 55-60.

[26] GU C, LIU C, ZHANG J, et al. Green scheduling for cloud data centers using renewable resources[J]. Proceedings-IEEE INFOCOM,2015, 2015∶ 354-359.

[27] 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.

[28] YANNUZZI M, MILITO R, SERRAL-GRACIA R, et al. Key ingredients in an IoT recipe∶ fog computing, cloud computing, and more fog computing[C]// IEEE International Workshop on Computer Aided Modeling and Design of Communication Links and Networks.2014∶325-329.

[29] LUAN T H, CAI L X, CHEN J, et al. VTube∶ towards the media rich city life with autonomous vehicular content distribution[C]// Sensor,Mesh and Ad Hoc Communications and Networks. 2011∶359-367.

[30] GARCIA L P, MONTRESOR A, EPEMA D, et al. Edge-centric computing∶ vision and challenges[J]. ACM Sigcomm Computer Communication Review, 2015, 45(5)∶37-42.

[31] JUTILA M. An adaptive edge router enabling Internet of things[J].IEEE Internet of Things Journal, 2016, 3(6)∶1061-1069.

[32] XU Y, MAHENDRAN V, RADHAKRISHNAN S. Towards SDN-based fog computing∶ MQTT broker virtualization for effective and reliable delivery[C]// International Conference on Communication Systems and Networks. 2016∶1-6.

[33] KRISHNAN Y N, BHAGWAT C N, UTPAT A P. Fog computing—network based cloud computing[C]// International Conference on Electronics and Communication Systems. 2015∶250-251.

[34] BRUNEO D, DISTEFANO S, LONGO F, et al. Stack4Things as a fog computing platform for smart city applications[C]// IEEE INFOCOM 2016-IEEE Conference on Computer Communications Workshops.2016∶848-853.

[35] GUPTA H, VAHIDDASTJERDI A, GHOSH S K, et al. iFogSim∶ a toolkit for modeling and simulation of resource management techniques in the Internet of things, edge and fog computing environments[J]. Software∶ Practice and Experience, 2017, 47(9)∶ 1275-1296.>

[36] YAN S, PENG M, WANG W. User access mode selection in fog computing based radio access networks[J]. arXiv present, arXiv∶1602.00766, 2016.

[37] YI S, LI C, LI Q. A survey of fog computing∶ concepts, applications and issues[C]// The Workshop on Mobile Big Data. 2015∶37-42.

[38] HELLER B, SHERWOOD R, MCKEOWN N. The controller placement problem[C]// Workshop on Hot Topics in Software Defined Networks. 2012∶7-12.

[39] DSOUZA C, AHN G J, TAGUINOD M. Policy-driven security management for fog computing∶ preliminary framework and a case study[C]// IEEE International Conference on Information Reuse and Integration. 2015∶16-23.

[40] MODI C, PATEL D, BORISANIYA B, et al. Review∶ a survey of intrusion detection techniques in cloud[J]. Journal of Network &Computer Applications, 2013, 36(1)∶42-57.

[41] KULKARNI S, SAHA S, HOCKENBURY R. Preserving privacy in sensor-fog networks[C]// Internet Technology and Secured Transactions. 2015∶96-99.

[42] STOLFO S J, SALEM M B, KEROMYTIS A D. Fog computing∶mitigating insider data theft attacks in the cloud[C]// IEEE Symposium on Security and Privacy Workshops. 2012∶125-128.

[43] VALENZUELA J, WANG J, BISSINGER N. Real-time intrusion detection in power system operations[J]. IEEE Transactions on Power Systems, 2013, 28(2)∶1052-1062.

[44] STONE M. Cross-validatory choice and assessment of statistical predictions[M]// Introduction to chaos∶ Institute of Physics Pub.1999∶111-147.

[45] FARAHNAKIAN F, LILJEBERG P, PLOSILA J. Energy-efficient virtual machines consolidation in cloud data centers using reinforcement learning[C]// Euromicro International Conference on Parallel,Distributed, and Network-Based Processing. 2014∶500-507.

[46] HAN Z, TAN H, CHEN G, et al. Dynamic virtual machine management via approximate Markov decision process[C]// IEEE Conference on Computer Communications. 2016∶ 1-9.

[47] BEATE OTTENW?LDER, KOLDEHOFE B, ROTHERMEL K, et al.MigCEP∶ operator migration for mobility driven distributed complex event processing[C]// ACM International Conference on Distributed Event-Based Systems. 2013∶183-194.

[48] DO C T, TRAN N H, PHAM C, et al. A proximal algorithm for joint resource allocation and minimizing carbon footprint in geo-distributed fog computing[C]// International Conference on Information NET-WORKING. 2015∶324-329.

[49] ZHANG H, XIAO Y, BU S, et al. Fog computing in multi-tier data center networks∶ a hierarchical game approach[C]// IEEE International Conference on Communications. 2016∶1-6.

[50] ZENG D, GU L, GUO S, et al. Joint optimization of task scheduling and image placement in fog computing supported software-defined embedded system[J]. IEEE Transactions on Computers, 2016, 65(12)∶3702-3712.

[51] HUANG C Y, XU K. Reliable realtime streaming in vehicular cloud-fog computing networks[C]//IEEE/CIC International Conference on Communications in China. 2016∶1-6.

[52] ZHANG H, ZHANG Q, DU X. Toward vehicle-assisted cloud computing for smartphones[J]. IEEE Transactions on Vehicular Technology,2015, 64(12)∶5610-5618.

[53] OUEIS J, STRINATI E C, BARBAROSSA S. The fog balancing∶ load distribution for small cell cloud computing[C]// Vehicular Technology Conference. 2015∶1-6.

[54] HONG H J, TSAI P H, HSU C H. Dynamic module deployment in a fog computing platform[C]// Network Operations and Management Symposium. 2016∶1-6.

[55] PHAM X Q, HUH E N. Towards task scheduling in a cloud-fog computing system[C]//Network Operations and Management Symposium(APNOMS). 2016∶ 1-4.

[56] YANG J, ZHANG S, WU X, et al. Online learning-based server provisioning for electricity cost reduction in data center[J]. IEEE Transactions on Control Systems Technology, 2016, PP(99)∶1-8.

[57] MAO H, ALIZADEH M, MENACHE I, et al. Resource management with deep reinforcement learning[C]// ACM Workshop on Hot Topics in Networks. 2016∶50-56.

[58] LIU N, LI Z, XU J, et al. A hierarchical framework of cloud resource allocation and power management using deep reinforcement learning[C]//2017 IEEE 37th International Conference on Distributed Computing Systems (ICDCS). 2017∶ 372-382.

[59] ZHU X, CHEN H, YANG L T, et al. Energy-aware rolling-horizon scheduling for real-time tasks in virtualized cloud data centers[C]//High Performance Computing and Communications & 2013 IEEE International Conference on Embedded and Ubiquitous Computing(HPCC_EUC). 2013∶ 1119-1126.

[60] OpenFog Consortium Architecture Working Group. OpenFog reference architecture for fog computing[J]. OPFRA001, 2017, 20817∶ 162.

[61] CAO Y, HOU P, BROWN D, et al. Distributed analytics and edge intelligence∶ pervasive health monitoring at the era of fog computing[C]// The Workshop on Mobile Big Data. 2015∶43-48.

[62] ROY S, BOSE R, SARDDAR D. A fog-based dss model for driving rule violation monitoring framework on the Internet of things[J]. International Journal of Advanced Science & Technology, 2015, 82∶23-32.

[63] FADLULLAH Z M, KATO N. On optimally reducing power loss in micro-grids with power storage devices[M]// Evolution of Smart Grids.Springer International Publishing. 2015∶ 1361-1370.

[64] KOPETZ H, POLEDNA S. In-vehicle real-time fog computing[C]//IEEE/IFIP International Conference on Dependable Systems and Networks Workshop. 2016∶162-167.

[65] KHAN S, PARKINSON S, QIN Y. Fog computing security∶ a review of current applications and security solutions[J]. Journal of Cloud Computing, 2017, 6(1)∶19.

[66] LOM M, PRIBYL O, SVITEK M. Industry 4.0 as a part of smart cities[C]//Smart Cities Symposium Prague. 2016∶1-6.