邊緣存儲的發(fā)展現(xiàn)狀與挑戰(zhàn)

劉鐸 楊涓 譚玉娟

摘要：邊緣存儲是支撐邊緣計(jì)算的核心存儲技術(shù)。與云存儲不同，邊緣存儲將數(shù)據(jù)從遠(yuǎn)距離的云服務(wù)器端遷移到離數(shù)據(jù)更近的邊緣存儲設(shè)備端，具有更低的網(wǎng)絡(luò)通信開銷、交互延遲和帶寬成本，能為邊緣計(jì)算提供實(shí)時(shí)可靠的數(shù)據(jù)存儲和訪問。闡述了邊緣存儲的概念，描述了邊緣存儲的典型應(yīng)用領(lǐng)域，并詳細(xì)分析了與邊緣存儲相關(guān)的技術(shù)研究現(xiàn)狀與挑戰(zhàn)。

關(guān)鍵詞：邊緣計(jì)算;邊緣存儲;云存儲;分布式存儲架構(gòu)

Abstract： Edge storage is the core storage technology to support edge computing. Unlike cloud storage， edge storage stores data in the vicinity of data generation devices， reducing network communication overhead and bandwidth costs， providing real-time data access and high reliability. In this paper， the concept of edge storage is introduced， and the typical application areas， as well as the research trends and challenges of edge storage are analyzed.

Key words： edge computing; edge storage; cloud storage; distributed storage architecture

隨著物聯(lián)網(wǎng)技術(shù)[1]與5G網(wǎng)絡(luò)的快速發(fā)展，網(wǎng)絡(luò)邊緣設(shè)備急劇增加，其所產(chǎn)生的數(shù)據(jù)以爆炸式增長。根據(jù)思科可視化網(wǎng)絡(luò)指數(shù)報(bào)告[2]，到2021年，全球IP數(shù)據(jù)流量將達(dá)到3.3 ZB，其中邊緣設(shè)備產(chǎn)生的移動數(shù)據(jù)量占全球數(shù)據(jù)流量的63%，較2016年增長6.7倍，邊緣設(shè)備將成為數(shù)據(jù)生產(chǎn)的主流。高速增長的邊緣數(shù)據(jù)對邊緣存儲系統(tǒng)的容量、性能、功耗提出了嚴(yán)峻挑戰(zhàn)。另一方面，隨著深度學(xué)習(xí)[3]和增強(qiáng)現(xiàn)實(shí)（AR）技術(shù)的廣泛應(yīng)用，邊緣設(shè)備呈現(xiàn)出智能化趨勢，其數(shù)據(jù)處理需要具備實(shí)時(shí)性。而傳統(tǒng)云計(jì)算模型采用集中式管理[4]，該模式需要數(shù)據(jù)跨越地理位置限制，具有極大的數(shù)據(jù)傳輸延遲及網(wǎng)絡(luò)波動可能性，難以滿足邊緣應(yīng)用的實(shí)時(shí)性需求。

為解決上述問題，邊緣存儲——一種面向邊緣大數(shù)據(jù)存儲的新型分布式存儲架構(gòu)被提出。邊緣存儲將數(shù)據(jù)分散存儲在鄰近的邊緣存儲設(shè)備或數(shù)據(jù)中心，大幅度縮短了數(shù)據(jù)產(chǎn)生、計(jì)算、存儲之間的物理距離，為邊緣計(jì)算提供高速低延遲的數(shù)據(jù)訪問。邊緣計(jì)算[5]是一種新型分布式計(jì)算模型，通過將傳統(tǒng)云計(jì)算架構(gòu)中的部分任務(wù)下沉到智能終端設(shè)備或邊緣計(jì)算節(jié)點(diǎn)執(zhí)行，提供實(shí)時(shí)的數(shù)據(jù)計(jì)算服務(wù)。邊緣存儲為邊緣計(jì)算的發(fā)展提供了較為可靠的支撐。

邊緣存儲對邊緣計(jì)算的高效數(shù)據(jù)儲存主要體現(xiàn)在3個(gè)方面：第一，邊緣存儲可提供數(shù)據(jù)預(yù)取和緩存服務(wù)，以克服云存儲遠(yuǎn)距離數(shù)據(jù)傳輸造成的高延遲、網(wǎng)絡(luò)依賴等問題;第二，邊緣存儲可提供鄰近邊緣終端的分布式數(shù)據(jù)存儲服務(wù)，借助數(shù)據(jù)去重和近似存儲技術(shù)[6]，緩解云數(shù)據(jù)中心的存儲和帶寬壓力，降低數(shù)據(jù)遭受網(wǎng)絡(luò)攻擊的風(fēng)險(xiǎn);第三，邊緣存儲能夠與云存儲協(xié)同提供存儲服務(wù)，支持邊緣計(jì)算任務(wù)在邊緣終端和云端的協(xié)同處理，促進(jìn)邊緣計(jì)算與云計(jì)算的融合。本文中，我們將首先介紹邊緣存儲的概念，比較邊緣存儲與云存儲的差異;然后介紹邊緣存儲的典型應(yīng)用場景，包括工業(yè)物聯(lián)網(wǎng)、車聯(lián)網(wǎng)、智慧城市、無人機(jī)等;最后分析邊緣存儲相關(guān)的技術(shù)研究現(xiàn)狀與挑戰(zhàn)。

1 邊緣存儲的概念

邊緣存儲是邊緣計(jì)算的延伸概念，主要為邊緣計(jì)算提供實(shí)時(shí)可靠的數(shù)據(jù)存儲與訪問。目前工業(yè)界和學(xué)術(shù)界對邊緣存儲還未進(jìn)行詳細(xì)定義。本章節(jié)中，我們將從邊緣存儲的層次結(jié)構(gòu)和特點(diǎn)闡述邊緣存儲的概念。

1.1 邊緣存儲的層次結(jié)構(gòu)

邊緣存儲由邊緣設(shè)備、邊緣數(shù)據(jù)中心、分布式數(shù)據(jù)中心3層結(jié)構(gòu)組成，如圖1所示。頂層為分布式數(shù)據(jù)中心，部署在距離集中式云較遠(yuǎn)但互聯(lián)網(wǎng)用戶數(shù)量多的城市或地區(qū)，為用戶提供城域EB級數(shù)據(jù)存儲服務(wù)，也稱作分布式云，通常與大型集中式云數(shù)據(jù)中心協(xié)同執(zhí)行存儲任務(wù);中間層為邊緣數(shù)據(jù)中心（EDC），也稱作邊緣云，通常部署在蜂窩基站和人群密集處，為區(qū)域內(nèi)提供TB級實(shí)時(shí)存儲服務(wù)，多個(gè)小型物理數(shù)據(jù)中心通過軟件定義網(wǎng)絡(luò)（SDN）可組合成一個(gè)邏輯數(shù)據(jù)中心;底層由數(shù)量龐大的邊緣設(shè)備組成，涵蓋桌面電腦、智能手機(jī)、傳感器、物聯(lián)網(wǎng)（IoT）網(wǎng)關(guān)、傳感網(wǎng)執(zhí)行器以及智能路邊單元等多種設(shè)備，設(shè)備之間可通過無線接入技術(shù)相互連接組成邊緣存儲網(wǎng)絡(luò)。

1.2 邊緣存儲的特點(diǎn)和優(yōu)勢

不同于集中式云存儲服務(wù)，邊緣存儲將數(shù)據(jù)存儲從遠(yuǎn)距離的云服務(wù)器端，遷移到離數(shù)據(jù)更近的邊緣存儲設(shè)備或邊緣數(shù)據(jù)中心就近存儲，具有更低的網(wǎng)絡(luò)通信開銷、交互延遲和帶寬成本，更高的自適應(yīng)能力與可擴(kuò)展性。如表1所示，與云存儲相比，邊緣存儲具有如下特點(diǎn)和優(yōu)勢：

（1）邊緣存儲設(shè)備具備地理分布式特性。

邊緣存儲設(shè)備和邊緣數(shù)據(jù)中心在地理上是分布式的。大量地理位置分散的邊緣存儲設(shè)備可借助Wi-Fi、藍(lán)牙、Zigbee等無線接入技術(shù)，與相鄰的存儲設(shè)備或邊緣數(shù)據(jù)中心構(gòu)成分布式存儲網(wǎng)絡(luò)。這種地理分布式結(jié)構(gòu)使數(shù)據(jù)能夠及時(shí)地就近存儲，為邊緣計(jì)算關(guān)鍵任務(wù)的實(shí)時(shí)性數(shù)據(jù)存儲和訪問提供了保障。而云數(shù)據(jù)中心在地理上是集中式的，遠(yuǎn)距離的傳輸延遲使得大量邊緣設(shè)備的數(shù)據(jù)存儲和處理需求無法被及時(shí)處理;擁塞的網(wǎng)絡(luò)、高延遲的服務(wù)等都將會導(dǎo)致服務(wù)質(zhì)量（QoS）的急劇下降。

（2）邊緣存儲介質(zhì)和系統(tǒng)具備異構(gòu)性。

邊緣存儲具有異構(gòu)存儲的特點(diǎn)，主要體現(xiàn)為水平邊緣異構(gòu)和垂直多層次異構(gòu)。水平邊緣異構(gòu)是指不同種類的邊緣終端設(shè)備通常采用不同的存儲介質(zhì)，或者基于同一種存儲介質(zhì)采用不同的存儲系統(tǒng)軟件進(jìn)行數(shù)據(jù)存儲。該特性使得邊緣存儲能利用大量的異構(gòu)存儲介質(zhì)和存儲系統(tǒng)就近快速地存儲各類邊緣數(shù)據(jù)。垂直多層次異構(gòu)是指根據(jù)距離大型集中式云數(shù)據(jù)中心的遠(yuǎn)近，邊緣存儲可分為3個(gè)層次：邊緣設(shè)備、邊緣數(shù)據(jù)中心、分布式數(shù)據(jù)中心，不同層次對應(yīng)不同的存儲系統(tǒng)。該特性使不同層次的存儲系統(tǒng)能夠相互協(xié)作，通過多層次、多級別的數(shù)據(jù)緩存和預(yù)取策略優(yōu)化邊緣數(shù)據(jù)的存儲和訪問。

（3）邊緣存儲架構(gòu)具備支持內(nèi)部部署的特性。

邊緣存儲架構(gòu)支持在邊緣端設(shè)備內(nèi)部部署存儲系統(tǒng)，與外部網(wǎng)絡(luò)進(jìn)行隔離。獨(dú)立存儲數(shù)據(jù)于內(nèi)部部署的邊緣存儲系統(tǒng)，具有以下優(yōu)勢：能夠?yàn)檫吘売?jì)算任務(wù)提供高速的本地?cái)?shù)據(jù)資源訪問，滿足邊緣應(yīng)用的實(shí)時(shí)性需求;能夠在本地最大限度地控制訪問內(nèi)部存儲設(shè)備，監(jiān)測控制數(shù)據(jù)存儲的位置，實(shí)時(shí)調(diào)整機(jī)密數(shù)據(jù)的冗余策略;能面向數(shù)據(jù)源對數(shù)據(jù)進(jìn)行加密或其他預(yù)處理，增強(qiáng)數(shù)據(jù)安全性。

（4）邊緣存儲數(shù)據(jù)具備位置感知的特性。

邊緣存儲就近存儲數(shù)據(jù)，數(shù)據(jù)分布與地理位置緊密相關(guān)，具備地理位置的強(qiáng)感知特性。依托該特性，邊緣計(jì)算任務(wù)在處理數(shù)據(jù)時(shí)，無須查詢整個(gè)存儲網(wǎng)絡(luò)定位數(shù)據(jù)，極大地減少主干網(wǎng)絡(luò)的流量負(fù)載。同時(shí)，邊緣計(jì)算任務(wù)可以和所需數(shù)據(jù)在地理位置上近距離綁定，減少數(shù)據(jù)在網(wǎng)絡(luò)上的傳輸延遲，加快數(shù)據(jù)的處理速度，為大數(shù)據(jù)分析平臺[7]提供更好的底層支持。此外，通過對邊緣存儲數(shù)據(jù)的地理分布情況進(jìn)行統(tǒng)計(jì)和分析，應(yīng)用服務(wù)提供商可以聯(lián)系移動用戶與感興趣的企業(yè)和事件，提升用戶服務(wù)質(zhì)量。

2 邊緣計(jì)算的典型應(yīng)用領(lǐng)域

與云存儲不同，邊緣存儲適用于與物聯(lián)網(wǎng)設(shè)備緊密相關(guān)、數(shù)據(jù)傳輸延遲敏感、數(shù)據(jù)交互次數(shù)多、數(shù)據(jù)傳輸量大的物聯(lián)網(wǎng)應(yīng)用，如工業(yè)物聯(lián)網(wǎng)、車聯(lián)網(wǎng)、智慧城市、無人機(jī)、視頻監(jiān)測控制等。而云存儲則適用于延遲敏感度稍低的互聯(lián)網(wǎng)應(yīng)用，如搜索引擎、社交網(wǎng)絡(luò)、網(wǎng)絡(luò)硬盤等。邊緣存儲與云存儲應(yīng)用領(lǐng)域比較如圖2所示。本章節(jié)中，我們將對邊緣存儲的幾個(gè)典型應(yīng)用領(lǐng)域進(jìn)行簡要介紹。

2.1 工業(yè)物聯(lián)網(wǎng)

工業(yè)物聯(lián)網(wǎng)（IIoT）由工業(yè)系統(tǒng)各種元素和處理其生成數(shù)據(jù)的高級分析平臺組成。機(jī)器對機(jī)器（M2M）通信會產(chǎn)生大量工業(yè)數(shù)據(jù)，云端存儲模式不能滿足工業(yè)物聯(lián)網(wǎng)的需求，而法規(guī)禁止將工業(yè)數(shù)據(jù)傳輸?shù)狡渌蚬居?jì)算架構(gòu)之外的云服務(wù)器;因此，需要本地實(shí)時(shí)數(shù)據(jù)處理支持。

邊緣存儲支持內(nèi)部部署，在本地和云之間架起橋梁，實(shí)現(xiàn)現(xiàn)場層的高頻數(shù)據(jù)交換，這是IIoT的重要支撐技術(shù)。工業(yè)物聯(lián)網(wǎng)邊緣存儲平臺通常由后端的邊緣存儲管理系統(tǒng)、存儲設(shè)備以及邊緣應(yīng)用程序組成，提供設(shè)備級數(shù)據(jù)處理，安全地將高度完善的分析技術(shù)和邊緣智能引入制造領(lǐng)域，使自動化設(shè)備得到進(jìn)一步擴(kuò)展。例如，西門子公司發(fā)布的Industrial Edge產(chǎn)品，其收集自動化組件數(shù)據(jù)并存儲在本地，提供本地?cái)?shù)據(jù)高速讀取和實(shí)時(shí)處理功能，預(yù)處理后的數(shù)據(jù)轉(zhuǎn)存至云端，云端將執(zhí)行計(jì)算密集型神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練，并將改進(jìn)后的模型部署在邊緣端。由于本地存儲及預(yù)處理了大量數(shù)據(jù)，只需將最終相關(guān)數(shù)據(jù)傳輸?shù)皆苹騃T基礎(chǔ)架構(gòu)，降低了數(shù)據(jù)泄露的風(fēng)險(xiǎn)，減少了內(nèi)存占用和傳輸成本，為工業(yè)生產(chǎn)提供持續(xù)穩(wěn)定的生產(chǎn)流程和狀態(tài)監(jiān)測控制，顯著提高生產(chǎn)力。

2.2 車聯(lián)網(wǎng)

車聯(lián)網(wǎng)是由聯(lián)網(wǎng)汽車與交通信息系統(tǒng)互聯(lián)形成的巨大交互網(wǎng)絡(luò)，車聯(lián)網(wǎng)技術(shù)允許汽車與車輛內(nèi)外的其他設(shè)備共享互聯(lián)網(wǎng)訪問[8]。由于車輛通常處于高速移動狀態(tài)，聯(lián)網(wǎng)狀態(tài)不穩(wěn)定，邊緣存儲架構(gòu)在車聯(lián)網(wǎng)中具有顯著的優(yōu)勢。自動駕駛汽車通常通過路測單元（RSU）實(shí)現(xiàn)網(wǎng)絡(luò)接入和數(shù)據(jù)處理任務(wù)，并依賴于車聯(lián)網(wǎng)技術(shù)采集路邊信息、接入邊緣計(jì)算服務(wù)。通過RSU提供邊緣存儲支持，數(shù)據(jù)的存放更接近數(shù)據(jù)源，原始數(shù)據(jù)進(jìn)一步豐富，車輛動作、決策的相關(guān)信息能快速發(fā)送到適當(dāng)?shù)哪康牡?。HU Z.等人提出了一種基于多目標(biāo)拍賣的機(jī)制，解決RSU緩存中的多服務(wù)提供商共存問題[9]，仿真結(jié)果證明RSU邊緣數(shù)據(jù)緩存能夠加速車輛的下載任務(wù)。

2.3 智慧城市

智慧城市使用信息和通信技術(shù)以及物聯(lián)網(wǎng)設(shè)備來提高城市服務(wù)質(zhì)量和運(yùn)營效率[10]，改善公民生活水平，降低能耗，其數(shù)據(jù)大多來自物聯(lián)網(wǎng)傳感器和網(wǎng)絡(luò)攝像機(jī)。目前，視頻監(jiān)測控制產(chǎn)生的數(shù)據(jù)正在快速增長。據(jù)思科可視化網(wǎng)絡(luò)指數(shù)[2]統(tǒng)計(jì)，2016年網(wǎng)絡(luò)視頻監(jiān)測控制流量平均每月883 PB，相比2015年增加72%。盡管云存儲架構(gòu)具備豐富的存儲資源，但實(shí)時(shí)傳輸視頻監(jiān)測控制數(shù)據(jù)至云服務(wù)器將對網(wǎng)絡(luò)造成巨大負(fù)擔(dān)，采用去中心化邊緣存儲技術(shù)可以改善這一情況。傳感器收集的數(shù)據(jù)無須上傳至遠(yuǎn)端的云服務(wù)器;而是分散存儲在各個(gè)邊緣存儲設(shè)備中，為智慧城市提供廉價(jià)的存儲空間和更高的數(shù)據(jù)安全保障。此外，位置感知的存儲模式為智慧城市的決策制訂與實(shí)施提供額外數(shù)據(jù)支持，幫助優(yōu)化城市功能，推動經(jīng)濟(jì)增長，提高市民生活質(zhì)量，例如水質(zhì)監(jiān)測系統(tǒng)中的傳感器信息能夠用于污染源的檢測和溯源。

2.4 無人機(jī)

無人機(jī)已由軍用邁向商用，應(yīng)用范圍也越來越廣[11]，其中飛行數(shù)據(jù)采集系統(tǒng)是其主要應(yīng)用。該系統(tǒng)通常需要操作員手動完成飛行控制、數(shù)據(jù)分析以及任務(wù)的規(guī)劃和設(shè)計(jì)等多個(gè)操作，過程繁瑣且不利于業(yè)務(wù)擴(kuò)展;因此可以使自動化飛行數(shù)據(jù)采集系統(tǒng)與邊緣數(shù)據(jù)中心協(xié)作，將無人機(jī)的控制轉(zhuǎn)移到邊緣數(shù)據(jù)中心，通過無人機(jī)軟件控制平臺自動化完成數(shù)據(jù)收集與分析工作。

對于無人機(jī)自動化飛行數(shù)據(jù)采集系統(tǒng)，邊緣存儲的意義在于取代手動數(shù)據(jù)拷貝流程，數(shù)據(jù)可以實(shí)時(shí)存儲在邊緣數(shù)據(jù)中心（EDC）中并立即執(zhí)行數(shù)據(jù)分析算法，控制平臺可根據(jù)分析結(jié)果靈活調(diào)整任務(wù)流程。市場上已經(jīng)有公司開展此類研究，無人機(jī)自動化飛行數(shù)據(jù)采集公司Hanger與EDC服務(wù)提供商Vapor IO合作，開展無人機(jī)與EDC的協(xié)作。通過EDC提供的存儲與網(wǎng)絡(luò)支持，無人機(jī)能直接將建筑、橋梁、和輸送管道的視頻傳送至EDC進(jìn)行快速處理和分析，操作員無須手動操作。無人機(jī)與EDC的協(xié)作，使得飛行數(shù)據(jù)采集系統(tǒng)更加靈活、更加自動化。

3 研究現(xiàn)狀與挑戰(zhàn)

邊緣存儲技術(shù)的研究目前還處于萌芽階段[12]，本章節(jié)中，我們將從邊緣存儲的介質(zhì)和設(shè)備、邊緣分布式存儲架構(gòu)，以及云-邊協(xié)同3個(gè)方面介紹相關(guān)技術(shù)研究現(xiàn)狀與挑戰(zhàn)。

3.1 邊緣存儲介質(zhì)和設(shè)備

（1）邊緣存儲介質(zhì)。

邊緣存儲終端多使用非易失性存儲介質(zhì)進(jìn)行數(shù)據(jù)存儲。目前主流的非易失性存儲介質(zhì)為閃存（FLASH）[13]，根據(jù)實(shí)現(xiàn)方法的不同，又分為NOR閃存與NAND閃存。在NOR閃存的內(nèi)部電路中，各存儲器單元并聯(lián)連接，支持快速的數(shù)據(jù)隨機(jī)訪問。其適合于容量要求低、速度要求高、數(shù)據(jù)只讀的應(yīng)用，如存儲邊緣設(shè)備固定代碼的基本輸入輸出系統(tǒng)（BIOS）應(yīng)用。NAND閃存內(nèi)部有一系列串聯(lián)的存儲晶體管，相較于NOR閃存，其存儲單元尺寸更小、存儲密度更大。NAND閃存通過對數(shù)據(jù)塊的編程可以實(shí)現(xiàn)更快的寫入和擦除，適合于存儲成本低、存儲密度高、需要進(jìn)行快速擦寫的應(yīng)用，其特性正適用于成本低、數(shù)據(jù)量大的邊緣設(shè)備。

近年來，隨著非易失性存儲器（NVM）的快速發(fā)展，基于NVM的存儲技術(shù)研究得到廣泛關(guān)注，如相變存儲器（PCM）[14]、阻變式隨機(jī)訪問存儲器（ReRAM）[15]等。將NVM存儲介質(zhì)使用于邊緣設(shè)備也逐漸成為研究熱點(diǎn)。NVM存儲介質(zhì)集合了動態(tài)隨機(jī)存取存儲器（DRAM）和閃存的優(yōu)點(diǎn)，具有較高的存儲密度，可字節(jié)尋址、讀延遲低，能持久性存儲數(shù)據(jù)。NVM的成本預(yù)計(jì)介于DRAM和Flash之間，可作為DRAM內(nèi)存或Flash 固態(tài)硬盤（SSD）的替換方案。然而，由于材料的限制，NVM自身也存在一些缺陷。與DRAM相比，NVM的寫次數(shù)有限，寫入延遲更高;而與閃存相比，NVM的存儲密度較小。因此，NVM 在邊緣存儲中作為內(nèi)存與外存的一體化解決方案還有很多技術(shù)難點(diǎn)需要克服。

（2）邊緣存儲設(shè)備。

基于閃存芯片制造的SSD常作為邊緣存儲設(shè)備廣泛地應(yīng)用于各種系統(tǒng)中[16]。SSD被廣泛使用主要得益于其具有很高的輸入/輸出（I/O）性能、低功耗和高可靠性。不過，SSD的I/O讀寫性能具有不對稱性，讀性能往往優(yōu)于寫性能，在邊緣設(shè)備進(jìn)行大量數(shù)據(jù)寫入時(shí)性能較低。針對這些問題，硬件廠商在邊緣設(shè)備內(nèi)部提供閃存轉(zhuǎn)化層（FTL），F(xiàn)TL主要負(fù)責(zé)數(shù)據(jù)讀寫的地址映射與轉(zhuǎn)換以及垃圾數(shù)據(jù)塊的標(biāo)記與回收，以提高數(shù)據(jù)的讀寫性能，延長壽命，并向文件系統(tǒng)層屏蔽硬件調(diào)度細(xì)節(jié)，僅提供數(shù)據(jù)讀寫的邏輯接口。但是，F(xiàn)TL封裝在SSD中，無法根據(jù)上層應(yīng)用的數(shù)據(jù)集特征進(jìn)行動態(tài)調(diào)整，軟件直管的SSD[17]是一種有效解決此問題的思路。在Open-channel SSD中，傳統(tǒng)SSD的FTL功能將在主機(jī)端以軟件的方式實(shí)現(xiàn)，不再作為固件封裝在邊緣設(shè)備中，SSD提供給文件系統(tǒng)硬件調(diào)度的物理接口。通過Open-channel SSD，便可以根據(jù)上層應(yīng)用的特征定制其FTL的功能，性能更高，靈活性更大，使邊緣存儲設(shè)備更能滿足邊緣設(shè)備對數(shù)據(jù)存儲的需求。

另外，大數(shù)據(jù)的趨勢正在導(dǎo)致計(jì)算范式的變化，尤其是將計(jì)算轉(zhuǎn)移到數(shù)據(jù)的概念，我們稱之為近數(shù)據(jù)處理（NDP）方法[18]。NDP是指將計(jì)算遷移到離數(shù)據(jù)更近的地方，減少數(shù)據(jù)的移動。數(shù)據(jù)的遷移往往在整個(gè)計(jì)算過程中占據(jù)極大的能耗開銷，數(shù)據(jù)的搬運(yùn)效率卻并不會因?yàn)槟柖傻陌l(fā)展而提高，存算一體化逐漸受到研究人員的關(guān)注。CHI P.等人提出PRIME[19]架構(gòu)，即可在內(nèi)存中實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的計(jì)算。由于PRIME架構(gòu)極大地減少了數(shù)據(jù)的搬移，性能和能耗分別改進(jìn)了2 360 倍和895 倍。將邊緣存儲與存算一體化緊密結(jié)合，依靠設(shè)備或介質(zhì)的計(jì)算能力，直接在存儲控制器內(nèi)部執(zhí)行計(jì)算，在邊緣設(shè)備上可極大減少存儲器內(nèi)部的數(shù)據(jù)遷移開銷，在網(wǎng)絡(luò)傳輸過程中也能極大減少帶寬開銷，這將極大減輕云端的計(jì)算壓力。

（3）挑戰(zhàn)：邊緣設(shè)備上的數(shù)據(jù)的抽象。

邊緣設(shè)備多樣化，不同邊緣設(shè)備上存儲數(shù)據(jù)的標(biāo)準(zhǔn)不盡相同，為了使數(shù)據(jù)能在多種邊緣設(shè)備之間交互或在邊緣數(shù)據(jù)中心進(jìn)行統(tǒng)一分析處理，需要對邊緣數(shù)據(jù)進(jìn)行抽象。在邊緣端進(jìn)行數(shù)據(jù)抽象極具挑戰(zhàn)性，主要體現(xiàn)在以下3點(diǎn)：其一，邊緣設(shè)備的差異性，不同邊緣設(shè)備制造商可能采取不同的數(shù)據(jù)格式標(biāo)準(zhǔn)，邊緣存儲系統(tǒng)需要適配各個(gè)設(shè)備制造商的數(shù)據(jù)抽象標(biāo)準(zhǔn);其二，邊緣數(shù)據(jù)的多樣性，例如攝像頭捕捉的視頻流數(shù)據(jù)、溫度傳感器采集的溫度變化曲線、移動用戶訪問文件頻率，以上數(shù)據(jù)均從邊緣端產(chǎn)生并傳輸至邊緣數(shù)據(jù)中心存儲，因此邊緣存儲系統(tǒng)需要設(shè)計(jì)不同的存儲策略，對視頻流數(shù)據(jù)壓縮處理，對溫度數(shù)據(jù)可以采取近似存儲處理，對訪問頻率數(shù)據(jù)可以備份至云端進(jìn)行大數(shù)據(jù)分析;其三，邊緣數(shù)據(jù)預(yù)處理的不規(guī)范性，邊緣數(shù)據(jù)在傳輸至邊緣數(shù)據(jù)中心之前可能經(jīng)過了數(shù)據(jù)清洗和有損壓縮，導(dǎo)致部分信息丟失，無法與其他數(shù)據(jù)進(jìn)行整合進(jìn)行大數(shù)據(jù)分析，因此亟待制定統(tǒng)一的數(shù)據(jù)抽象和預(yù)處理標(biāo)準(zhǔn)。

3.2 邊緣分布式存儲架構(gòu)

3.2.1 邊緣分布式存儲系統(tǒng)的2種架構(gòu)

邊緣分布式存儲系統(tǒng)管理海量數(shù)據(jù)和存儲設(shè)備，需要強(qiáng)大的邊緣數(shù)據(jù)中心或高效的自組織邊緣存儲集群提供硬件支持。不同于傳統(tǒng)的云端存儲服務(wù)提供者，邊緣分布式存儲系統(tǒng)在網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中更靠近邊緣設(shè)備，具有更少的通信開銷和更高的服務(wù)質(zhì)量。從組織方式的角度來看，邊緣分布式存儲系統(tǒng)可以分為中心化與去中心化2種架構(gòu)。

（1）中心化分布式存儲架構(gòu)。

中心化分布式存儲通常采取主/從式架構(gòu)：主節(jié)點(diǎn)具備豐富的計(jì)算和存儲資源，負(fù)責(zé)存儲節(jié)點(diǎn)的管理、存儲任務(wù)的調(diào)度、數(shù)據(jù)布局以及數(shù)據(jù)的一致性維護(hù)等;從節(jié)點(diǎn)僅具備簡單的數(shù)據(jù)存儲功能。最典型的中心化分布式存儲技術(shù)有分布式文件系統(tǒng)（HDFS）[20]，它以流式數(shù)據(jù)訪問模式來存儲超大規(guī)模的數(shù)據(jù)文件，NameNode（管理節(jié)點(diǎn)）作為主節(jié)點(diǎn)管理集群，DataNode（工作節(jié)點(diǎn)）作為從節(jié)點(diǎn)負(fù)責(zé)處理數(shù)據(jù)。中心化分布式存儲架構(gòu)可以應(yīng)用于邊緣數(shù)據(jù)中心。邊緣數(shù)據(jù)中心類似于云存儲數(shù)據(jù)中心。與云存儲數(shù)據(jù)中心相比，邊緣數(shù)據(jù)中心在地理位置上離邊緣設(shè)備更近，節(jié)點(diǎn)規(guī)模更小。邊緣設(shè)備中的數(shù)據(jù)可上傳至邊緣數(shù)據(jù)中心進(jìn)行存儲和管理，云存儲數(shù)據(jù)中心的數(shù)據(jù)也可在邊緣數(shù)據(jù)中心進(jìn)行緩存和預(yù)取。

（2）去中心化分布式存儲架構(gòu)。

去中心化分布式存儲沒有中心節(jié)點(diǎn)，節(jié)點(diǎn)之間具有對等的功能。多個(gè)邊緣設(shè)備之間可以自組織地建立去中心化分布式存儲網(wǎng)絡(luò)。隨著邊緣設(shè)備數(shù)量激增，該架構(gòu)具有很大的潛力。如Storj Labs推出了一種去中心化分布式云存儲平臺STORJ[21]，該平臺使用點(diǎn)對點(diǎn)網(wǎng)絡(luò)連接存儲設(shè)備，并借助以太坊區(qū)塊鏈技術(shù)發(fā)行STORJ代幣，用戶可以在該平臺選擇出租閑置存儲資源獲取代幣，或使用代幣購買存儲空間。這種去中心化的分布式存儲架構(gòu)能將很多閑置的存儲資源充分利用起來，以非常低廉的維護(hù)和管理成本為邊緣端提供存儲服務(wù)。此外，這種結(jié)構(gòu)使數(shù)據(jù)在邊緣端就近存儲，更容易滿足邊緣計(jì)算任務(wù)的實(shí)時(shí)性數(shù)據(jù)處理需求，比傳統(tǒng)的云存儲服務(wù)更加經(jīng)濟(jì)高效。

3.2.2 融合中心化和去中心化的分布式存儲架構(gòu)

邊緣數(shù)據(jù)中心的中心化分布式存儲能更好地保證服務(wù)質(zhì)量和數(shù)據(jù)的一致性，適合需要高可靠性和高協(xié)作性的應(yīng)用任務(wù)。邊緣設(shè)備端自組織的去中心化分布式存儲具備造價(jià)成本低、可靈活部署等特性。隨著邊緣設(shè)備的更新或遷移，可依據(jù)2種架構(gòu)各自的優(yōu)勢，融合2種架構(gòu)，提高邊緣存儲網(wǎng)絡(luò)的可靠性和普適性。而兩者的融合需要解決中心化存儲與去中心化存儲的無縫切換問題?，F(xiàn)今的分布式文件系統(tǒng)無法做到中心化到去中心化的無縫切換，這將嚴(yán)重影響邊緣存儲系統(tǒng)的可靠性。例如，當(dāng)采用中心化設(shè)計(jì)的邊緣存儲系統(tǒng)斷開與中心服務(wù)器連接后，大部分存儲操作將受到限制。若采用去中心化設(shè)計(jì)，邊緣設(shè)備無法利用中心服務(wù)器維持?jǐn)?shù)據(jù)一致性，不適用多人協(xié)作的應(yīng)用場景。中心化存儲系統(tǒng)和去中心化存儲系統(tǒng)之間如何互聯(lián)互通、相互融合是邊緣存儲技術(shù)中極具挑戰(zhàn)性的問題。

3.3 “云-邊”協(xié)同

在現(xiàn)有的云存儲和邊緣存儲架構(gòu)上，為了更好地滿足邊緣應(yīng)用計(jì)算和大數(shù)據(jù)處理的需求，需要云端和邊緣端協(xié)同執(zhí)行存儲任務(wù)，以提高數(shù)據(jù)處理的實(shí)時(shí)性、可靠性和安全性。本節(jié)中，我們將從邊緣數(shù)據(jù)的預(yù)取和緩存，以及云-邊協(xié)同調(diào)度2方面闡述云端和邊緣端如何協(xié)同執(zhí)行存儲任務(wù)的現(xiàn)狀與挑戰(zhàn)。

3.3.1 云-邊協(xié)同相關(guān)現(xiàn)狀

（1）邊緣數(shù)據(jù)預(yù)取和緩存。

由于邊緣存儲設(shè)備離云存儲數(shù)據(jù)中心較遠(yuǎn)，邊緣數(shù)據(jù)的高效預(yù)取和緩存是提高數(shù)據(jù)訪存性能的關(guān)鍵。邊緣存儲設(shè)備訪問數(shù)據(jù)內(nèi)容之前通常需要將數(shù)據(jù)從云存儲數(shù)據(jù)中心的服務(wù)器下載到邊緣服務(wù)器中，以降低邊緣設(shè)備訪問數(shù)據(jù)的時(shí)間，這叫做邊緣數(shù)據(jù)預(yù)取技術(shù)。該技術(shù)的關(guān)鍵點(diǎn)在于如何對預(yù)先存儲的數(shù)據(jù)進(jìn)行選擇。常用的數(shù)據(jù)預(yù)取算法主要基于訪問時(shí)間、頻率、數(shù)據(jù)大小、優(yōu)先級和關(guān)聯(lián)度來建立預(yù)取模型。基于訪問時(shí)間的預(yù)取模型是假設(shè)上次被訪問的數(shù)據(jù)具有較大可能被再次訪問;基于頻率的預(yù)取模型采用用戶訪問數(shù)據(jù)的頻率來預(yù)測未來的訪問情況;基于關(guān)聯(lián)度的預(yù)取模型采用機(jī)器學(xué)習(xí)算法挖掘用戶興趣關(guān)聯(lián)規(guī)則作為預(yù)測依據(jù)。常用的數(shù)據(jù)預(yù)取算法可適用于邊緣數(shù)據(jù)的預(yù)取。此外，也有些新的邊緣數(shù)據(jù)預(yù)取算法被提出。如HA K.等人采用了基于應(yīng)用場景的預(yù)取模型[22]，根據(jù)實(shí)際應(yīng)用場景預(yù)測數(shù)據(jù)請求;U.DROLIA等人利用馬爾可夫模型預(yù)測用戶可能使用到的神經(jīng)網(wǎng)絡(luò)模型并預(yù)取這些模型到邊緣[23]。

邊緣數(shù)據(jù)緩存技術(shù)通過緩存歷史文件的方式加速用戶的訪問速度。當(dāng)用戶請求的靜態(tài)內(nèi)容沒有存儲在本地緩存中時(shí)，用戶向內(nèi)容分發(fā)的網(wǎng)絡(luò)（CDN）發(fā)送請求;CDN在邊緣高速緩存中搜索請求內(nèi)容[24]，然后將命中的內(nèi)容傳遞給用戶。通過此技術(shù)能減少回程（Backhaul）網(wǎng)絡(luò)的數(shù)據(jù)傳輸開銷（如圖3所示），降低數(shù)據(jù)中心的能耗，創(chuàng)造更高的經(jīng)濟(jì)效益。邊緣緩存技術(shù)的關(guān)鍵在于緩存位置的選擇，依據(jù)與邊緣用戶的距離分為3種：邊緣設(shè)備、邊緣數(shù)據(jù)中心和分布式云。將緩存保存在邊緣設(shè)備能夠提供數(shù)毫秒級的延遲，但邊緣設(shè)備存儲容量較小并且距離云端遠(yuǎn);因此緩存命中率較低，緩存未命中的代價(jià)較高。同理，緩存在分布式云能夠取得較高的緩存命中率但延遲較高。CHEN B.等人提出一種基于設(shè)備到設(shè)備（D2D）網(wǎng)絡(luò)的邊緣緩存模型[25]，將邊緣用戶按集群劃分，把熱文件緩存在各個(gè)集群中，此策略可提升4倍D2D緩存網(wǎng)絡(luò)吞吐量。L.RAMASWAMY等人提出合作邊緣緩存網(wǎng)格[26]，該網(wǎng)格由多個(gè)分布式的邊緣緩存云組成，如果緩存未命中，邊緣緩存節(jié)點(diǎn)能夠從臨近的緩存云中獲取文件數(shù)據(jù)，無須從云端刷新緩存，減少用戶等待時(shí)間。

（2）云-邊協(xié)同調(diào)度。

如果僅對云端或邊緣終端存儲體系結(jié)構(gòu)進(jìn)行優(yōu)化，忽略其協(xié)同與融合，便無法充分發(fā)揮兩者各自的優(yōu)勢。對于大規(guī)模數(shù)據(jù)，邊緣存儲與云存儲相互協(xié)作才能最大限度發(fā)揮云存儲地理集中式和邊緣終端地理分布式的優(yōu)勢。云-邊協(xié)同存儲技術(shù)旨在通過邊緣存儲與云存儲的互補(bǔ)，提供更高效的存儲服務(wù)。諸多研究表明，通過對邊緣存儲資源的有效使用和管理，能夠緩解云服務(wù)器存儲資源緊張[21-24]，有效節(jié)省能源[6]，[27]，從而提升邊緣計(jì)算應(yīng)用性能[23]，[25]，[28]。F. JALALI通過對云存儲應(yīng)用的能耗進(jìn)行分析，發(fā)現(xiàn)將部分應(yīng)用遷移到邊緣端能夠顯著減少能源消耗[27]。悉尼大學(xué)的研究者提出邊緣網(wǎng)絡(luò)和云平臺的資源整合框架，該方案設(shè)計(jì)了用于眾包傳感器云服務(wù)的兩級組合模型，抽象了云上傳傳感器數(shù)據(jù)的時(shí)間、空間特性，使用一種基于三維R-樹的時(shí)空索引技術(shù)，用于快速識別合適的傳感器云服務(wù)，并面向服務(wù)質(zhì)量（QoS）指標(biāo)為邊緣節(jié)點(diǎn)選擇最優(yōu)的云服務(wù)組合方案[23]。阿廷根大學(xué)與南京大學(xué)的研究者研究了多信道無線干擾環(huán)境下移動邊緣云計(jì)算的多用戶計(jì)算卸載問題，采用博弈論的方法以分布式方式實(shí)現(xiàn)高效的卸載計(jì)算，使云平臺和邊緣終端的整體性能達(dá)到納什均衡，從而最大化地利用邊緣數(shù)據(jù)中心的計(jì)算資源[23]。上述工作從資源調(diào)配的角度研究了云-邊協(xié)同的存儲架構(gòu)和優(yōu)化技術(shù)。

3.3.2 云-邊協(xié)同面臨的挑戰(zhàn)

（1）高效的數(shù)據(jù)預(yù)取以及緩存策略。

邊緣計(jì)算任務(wù)對低延遲的需求推動了邊緣存儲的發(fā)展，所以邊緣數(shù)據(jù)緩存策略是邊緣數(shù)據(jù)中心設(shè)計(jì)過程中首要考慮的問題。邊緣計(jì)算需要適當(dāng)?shù)倪吘夘A(yù)取與緩存技術(shù)來加速數(shù)據(jù)訪問速度，并且需要與云服務(wù)器協(xié)同完成部分?jǐn)?shù)據(jù)同步任務(wù)。針對延遲容忍度低并且時(shí)效性要求較高的應(yīng)用，邊緣數(shù)據(jù)中心需要?jiǎng)討B(tài)調(diào)整任務(wù)的優(yōu)先級，優(yōu)先滿足延遲敏感應(yīng)用的存儲需求。傳統(tǒng)基于CDN采取的緩存策略僅將數(shù)據(jù)緩存在專用服務(wù)器上，通過反向代理的方式提供加速服務(wù)，該緩存策略無法結(jié)合數(shù)據(jù)的地理分布信息和區(qū)域熱度進(jìn)行調(diào)整，不適用于邊緣數(shù)據(jù)緩存的情況。所以重新設(shè)計(jì)一種適用于邊緣存儲環(huán)境下的數(shù)據(jù)緩存策略具有重大意義。

（2）邊緣存儲的計(jì)費(fèi)模式。

邊緣存儲需要合理的計(jì)費(fèi)模式。在云計(jì)算架構(gòu)下的計(jì)費(fèi)由核心網(wǎng)負(fù)責(zé)，而邊緣存儲將存儲服務(wù)分散到邊緣數(shù)據(jù)中心和底層邊緣設(shè)備中。由于邊緣存儲網(wǎng)絡(luò)涉及多個(gè)廠家的多種不同的存儲設(shè)備，設(shè)備之間通過協(xié)同操作提供邊緣存儲服務(wù)，邊緣存儲的計(jì)費(fèi)問題十分復(fù)雜。在設(shè)計(jì)出合理的付費(fèi)模式之前，云服務(wù)使用者將慣性維持現(xiàn)有商業(yè)行為。因此，探索適合邊緣存儲的付費(fèi)模式對于推動邊緣存儲商業(yè)化非常重要。

4 結(jié)束語

邊緣存儲技術(shù)目前還處于萌芽階段。5G時(shí)代的到來將我們推向了邊緣大數(shù)據(jù)時(shí)代，研究適用于邊緣計(jì)算架構(gòu)的邊緣存儲技術(shù)是未來趨勢。邊緣存儲技術(shù)支持地理分布式存儲架構(gòu)、內(nèi)部部署，并能感知基于地理位置的數(shù)據(jù)熱度，能夠應(yīng)對未來日益增長的數(shù)據(jù)規(guī)模、日趨嚴(yán)格的數(shù)據(jù)響應(yīng)延遲、數(shù)據(jù)安全和隱私等需求，必將成為實(shí)現(xiàn)邊緣數(shù)據(jù)實(shí)時(shí)分析處理和有效管理的新途徑。因此，需要進(jìn)一步推動物聯(lián)網(wǎng)、人工智能、智慧城市、微型數(shù)據(jù)中心等相關(guān)技術(shù)和應(yīng)用的推廣和發(fā)展。

致謝

感謝重慶大學(xué)陳咸彰博士在文章修改過程中提供的寶貴意見，段莫名、張潤宇、吳宇同學(xué)也在文獻(xiàn)收集、整理方面提供了大力幫助，謹(jǐn)致謝意！

參考文獻(xiàn)

[1] ASHTON K. That ‘Internet of Things Thing [J]. RFID Journal， 2009， 22（7）： 97-114

[2] Cisco. Cisco Visual Networking Index： Forecast and Methodology [R]. 2017

[3] LECUN Y， BENGIO Y， HINTON G. Deep Learning [J]. Nature， 2015， 521（7553）： 436-444. DOI：10.1038/nature14539

[4] ARMBRUST M， STOICA I， ZAHARIA M， et al. A View of Cloud Computing[J]. Communications of the ACM， 2010， 53（4）： 50. DOI：10.1145/1721654.1721672

[5] 施巍松， 張星洲， 王一帆， 等. 邊緣計(jì)算： 現(xiàn)狀與展望[J]. 計(jì)算機(jī)研究與發(fā)展， 2019， 56（1）： 69-89

[6] 吳宇， 楊涓， 劉人萍， 等. 近似存儲技術(shù)綜述[J]. 計(jì)算機(jī)研究與發(fā)展， 2018， 55（9）： 2002-2015

[7] 鄭緯民， 陳文光. 大數(shù)據(jù)分析平臺： 從擴(kuò)展性優(yōu)先到性能優(yōu)先[J]. 中興通訊技術(shù)， 2016， 22（2）： 11-13. DOI：10.3969/j.issn.1009-6868.2016.02.003

[8] ZHANG S， CHEN J Y， LYU F， et al. Vehicular Communication Networks in the Automated Driving Era[J]. IEEE Communications Magazine， 2018， 56（9）： 26-32. DOI：10.1109/mcom.2018.1701171

[9] HU Z， ZHENG Z， WANG T， et al. Poster： Roadside Unit Caching Mechanism for Multi-Service Providers[C]//Proceedings of the 16th ACM International Symposium on Mobile Ad Hoc Networking and Computing. USA：ACM， 2015： 387-388

[10] CARAGLIU A， DEL BO C， NIJKAMP P. Smart Cities in Europe[J]. Journal of Urban Technology， 2011， 18（2）： 65-82. DOI：10.1080/10630732.2011.601117

[11] MOTLAGH N H， BAGAA M， TALEB T. UAV-Based IoT Platform： A Crowd Surveillance Use Case[J]. IEEE Communications Magazine， 2017， 55（2）： 128-134. DOI：10.1109/mcom.2017.1600587cm

[12] KASEY P. Top Trends in the Gartner Hype Cycle for Emerging Technologies[EB/OL].[2019-12-20].https：//www.gartner.com/smarterwithgartner/top-trends-in-the-gartner-hype-cycle-for-emerging-technologies-2017/

[13] BEZ R， CAMERLENGHI E， MODELLI A， et al. Introduction to Flash Memory[J]. Proceedings of the IEEE， 2003， 91（4）： 489-502. DOI：10.1109/jproc.2003.811702

[14] BURR G W， BREITWISCH M J， FRANCESCHINI M， et al. Phase Change Memory Technology[J]. Journal of Vacuum Science & Technology B， 2010， 28（2）： 223-262. DOI：10.1116/1.3301579

[15] AKINAGA H， SHIMA H. Resistive Random Access Memory （ReRAM） Based on Metal Oxides[J]. Proceedings of the IEEE， 2010， 98（12）： 2237-2251. DOI：10.1109/jproc.2010. 2070830

[16] CHEN F， KOUFATY D A， ZHANG X. Understanding Intrinsic Characteristics and System Implications of Flash Memory based Solid State Drives[C]// Proceedings of the Eleventh International Joint Conference on Measurement and Modeling of Computer Systems. USA：ACM，2019， 37（1）：181-192

[17] BJORLING M， GONZALEZ J. LightNVM： The Linux Open-Channel SSD Subsystem[EB/OL]. [2018-12-20].file：///C：/Users/susuyeye612/AppData/Local/Microsoft/Windows/Temporary%20Internet%20Files/

Content.IE5/S7313G2Q/Matias_Bj_rling___Javier_Gonzales.pdf

[18] BALASUBRAMONIAN R， CHANG J C， MANNING T， et al. Near-Data Processing： Insights from a MICRO-46 Workshop[J]. IEEE Micro， 2014， 34（4）： 36-42. DOI：10.1109/mm.2014.55

[19] CHI P， LI S， XU C， et al. Prime： A novel processing-in-memory architecture for neural network computation in rera-m-based main memory[C]//2016 ACM/IEEE 43rd Annual International Symposium on Computer Architecture （ISCA）. USA： IEEE， 2016. DOI： 10.1109/ISCA.2016.13

[20] SHVACHKO K， KUANG H R， RADIA S， et al. The Hadoop Distributed File System[C]//2010 IEEE 26th Symposium on Mass Storage Systems and Technologies （MSST）. USA： IEEE， 2010： 1-10. DOI：10.1109/MSST.2010.5496972

[21] WILKINSON S， BOSHEVSKI T， BRANDOFF J， et al. Storj a Peer-to-Peer Cloud Storage Network[EB/OL]. [2019-05-23].https：//storj.io/storj2014.pdf

[22] HA K， PILLAI P， LEWIS G， et al. The Impact of Mobile Multimedia Applications on Data Center Consolidation[C]//2013 IEEE International Conference on Cloud Engineering （IC2E）. USA： IEEE， 2013： 166-176. DOI：10.1109/IC2E.2013.17

[23] DROLIA U， GUO K， NARASIMHAN P. Precog： Prefetching for Image Recognition Applications at the Edge[C]//Proceedings of the Second ACM/IEEE Symposium on Edge Computing. USA：ACM， 2017： 17

[24] NYGREN E， SITARAMAN R K， SUN J. The Akamai Network[J]. ACM SIGOPS Operating Systems Review， 2010， 44（3）： 2. DOI：10.1145/1842733.1842736

[25] CHEN B Q， YANG C Y， WANG G. High-Throughput Opportunistic Cooperative Device-To-Device Communications with Caching[J]. IEEE Transactions on Vehicular Technology， 2017， 66（8）： 7527-7539. DOI：10.1109/tvt.2017.2659701

[26] RAMASWAMY L， LIU L， IYENGAR A. Scalable Delivery of Dynamic Content Using a Cooperative Edge Cache Grid[J]. IEEE Transactions on Knowledge and Data Engineering， 2007， 19（5）： 614-630. DOI：10.1109/tkde.2007.1031

[27] JALALI F. Energy Consumption of Cloud Computing and Fog Computing Applications [EB/OL]. [2018-12-20]. https：//minerva-access.unimelb.edu.au/handle/11343/58849

[28] CHEN X， JIAO L， LI W Z， et al. Efficient Multi-User Computation Offloading for Mobile-Edge Cloud Computing[J]. ACM Transactions on Networking， 2016， 24（5）： 2795-2808. DOI：10.1109/tnet.2015.2487344

作者簡介

劉鐸，重慶大學(xué)計(jì)算機(jī)學(xué)院教授、博士生導(dǎo)師;研究方向?yàn)橹悄芪锫?lián)網(wǎng)系統(tǒng)與邊緣計(jì)算、大數(shù)據(jù)處理與先進(jìn)存儲;曾主持或作為主研人參與了國家“863”重大項(xiàng)目、重慶市科技攻關(guān)重點(diǎn)項(xiàng)目、國家自然科學(xué)基金、教育部博士點(diǎn)基金等。

楊涓，重慶大學(xué)計(jì)算機(jī)學(xué)院計(jì)算機(jī)科學(xué)與技術(shù)專業(yè)在讀研究生;研究方向?yàn)檫吘壌鎯?、近似存儲等?/p>

譚玉娟，重慶大學(xué)計(jì)算機(jī)學(xué)院副教授、碩士生導(dǎo)師;研究方向?yàn)橹貜?fù)數(shù)據(jù)刪除、新型非易性存儲和智能存儲;曾主持或作為主研人員參與了國家“863”重大項(xiàng)目、國家自然科學(xué)基金、教育部博士點(diǎn)基金等。