自然環(huán)境下基于異構多源的邊緣計算公共安全系統(tǒng)

孫輝 余瑩

摘要：現有基于集中式大數據的公共安全系統(tǒng)較難滿足實時性、精準性、隱私性及能耗等問題?；谶吘売嬎愕亩嘣创髷祿臅r代已經到來，多源數據主要包括：社會中政務和媒體數據、各種傳感器收集的數據、智能終端產生的自媒體數據等。邊緣計算與傳統(tǒng)集中式云計算二者相結合，可較好地處理這些邊緣異構多源數據。提出了基于邊緣計算的智能交通系統(tǒng)、基于邊緣計算的公共安全監(jiān)測控制系統(tǒng)以及基于邊緣計算的災難預警與救援系統(tǒng)。

關鍵詞：邊緣計算;多源異構;智能終端;協(xié)同

Abstract： Currently， cloud computing-based public safety systems are challenging to meet the requirements of real-time， accuracy， privacy， and energy consumption. The multi-source and heterogeneous-based big data applications that use the edge computing paradigm has become the popular applications. Multi-source-based big data mainly includes： （1） big data for governments and social media data; （2） data collected by various sensors; （3） self-media data from intelligent end devices. Edge computing， which collaborates with traditional cloud computing， can better handle these edge heterogeneous multi-source data. In this paper， three types of edge computing-based systems for heterogeneous multi-source are proposed： an edge computing-enabled intelligent transportation system， an edge computing-based monitoring system in public safety， and a disaster alert and notification system using the edge computing paradigm.

Key words： edge computing; multi-source heterogeneous; intelligent device; collaboration

1 背景

1.1 邊緣計算

隨著物聯(lián)網技術的發(fā)展，網絡邊緣設備數量的快速增加，萬物互聯(lián)時代已經到來?，F有公共安全系統(tǒng)主要建立在云計算模式下，隨著其規(guī)模的擴大，監(jiān)測控制視頻數據的處理難以滿足實時性需求;而基于邊緣計算的公共安全系統(tǒng)正逐漸成為主流，監(jiān)測控制數據由原有的單一視頻轉變?yōu)橐月曇簟⒁曨l、文本等多源數據。

邊緣計算指在網絡邊緣執(zhí)行計算的一種新型計算模型，邊緣計算中的邊緣指從數據源到云計算中心路徑間的任意計算和網絡資源[1]。邊緣大數據處理時代，物聯(lián)網設備的數據急劇增加，數據類型呈現出復雜化、多樣化的特征。我們正從以云計算為核心的集中式大數據處理時代步入異構多源的邊緣式大數據處理時代。

相比于云計算模型的集中式大數據處理時代，萬物互聯(lián)下的邊緣式大數據具有異構多源的特征。云計算時代，數據量通常維持在拍字節(jié)（PB）級別，而邊緣大數據所處理的數據量已超過澤字節(jié)（ZB）。根據思科全球云指數的預測：至2020年，全球數據中心的流量將達到15.3 ZB[2]。由于基于邊緣數據的應用程序對實時性需求較高，原有云中心的計算任務被（部分或全部）遷移到邊緣計算單元上，以保證數據處理的實時性[1]，同時降低數據從邊緣設備傳輸到云中心的帶寬負載。因此，邊緣計算架構目前已經逐漸成為異構多源大數據時代的重要架構之一。

1.2 公共安全與邊緣大數據

根據數據來源的不同，公共安全領域[3]可利用的邊緣大數據包括：政務和媒體數據、傳感器收集的物理空間的數據和網絡空間的數據等[4]。政務和媒體數據主要包括政府數據、傳統(tǒng)媒體數據等，政府通過其行政權、司法權及強制力量可收集大量公共安全相關數據，傳統(tǒng)媒體（如電視臺）依靠其專業(yè)性，在獲取數據上也有其獨特的優(yōu)勢。物理空間數據主要包括公共場所的攝像頭監(jiān)測控制數據、車載攝像頭拍攝到的移動視頻數據，環(huán)境傳感器收集到的溫度、壓力、濕度數據，煙霧傳感器收集的室內煙霧數據。這些來自于物理空間的數據均可應用到公共安全領域，有效融合這些數據，是公共安全系統(tǒng)的難題之一。網絡空間數據主要包括自媒體數據，如用戶通過Facebook[5]、Twitter[6]、微博、微信等社交平臺分享照片及視頻;日志數據，如用戶通過瀏覽器觀看在線視頻數據、搜索引擎資源、網上銀行交費等行為數據。網絡數據是異構多源數據重要組成部分，據統(tǒng)計，YouTube[7]用戶每分鐘上傳視頻內容時長達72 h;Twitter用戶每分鐘達近30萬次的訪問量;Instagram[8]用戶每分鐘上傳近22萬張新照片[9]。網絡空間數據是異構多源公共安全系統(tǒng)的主要來源。如當災難發(fā)生后，通過社交網絡上的數據分析災民的行為模式，對受災城市可能發(fā)生的大規(guī)模災民避難、遷移行為進行建模、預測和模擬，對災民的撤離路線進行有效推薦[10]。

1.3 現有公共安全系統(tǒng)特征及問題

目前，物聯(lián)網技術在視頻監(jiān)測控制、城市交通管理等公共安全領域得到廣泛應用;但傳統(tǒng)的公共安全系統(tǒng)僅從傳感器收集數據，數據來源較單一。物聯(lián)網設備的計算能力有限，聯(lián)網資源共享和智能化應用水平較低，仍處在物聯(lián)網應用的初級階段[11]。如2016年二十國集團峰會（G20）期間[12-13]，杭州采取了最高級別安保措施以保障峰會的順利舉辦;但將安全系統(tǒng)擴大到整個城市時，其自動化能力不足，城市的安全監(jiān)測控制主要依靠人力，杭州為此出動的警力達三萬余人。此外，邊緣端設備所產生的數據量越來越大，網絡帶寬[14]以及云中心的計算資源逐漸達到瓶頸。這限制了傳統(tǒng)公共安全系統(tǒng)規(guī)模的擴展，并且實時性較低，嚴重影響了公共安全系統(tǒng)對突發(fā)事件的及時處理。

本文中，我們提出利用異構多源數據來構建基于邊緣計算的公共安全系統(tǒng)。邊緣計算單元可及時處理由大量異構傳感器采集的海量數據[15]，在靠近數據源的一端，對數據進行預處理，過濾無用數據，降低傳輸帶寬，將有用信息傳輸到云中心。系統(tǒng)自動收集網絡空間數據、政府數據，對多源數據進行融合，從而為大規(guī)模城市公共安全系統(tǒng)的構建提供了可能。

2 異構多源公共安全系統(tǒng)的挑戰(zhàn)

我們提出自然環(huán)境下基于異構多源的邊緣計算公共安全系統(tǒng)，該類系統(tǒng)的關鍵技術挑戰(zhàn)主要包括以下幾個方面。

2.1 邊緣計算編程模型

異構多源公共安全系統(tǒng)的邊緣端大多是異構平臺，缺少統(tǒng)一化的編程模型，這給程序員開發(fā)邊緣端軟件帶來了阻力。在云計算模型中，程序員編寫應用程序并將其部署到云端，云服務器提供商維護云計算服務器，基礎設施對程序員是透明的。但是，邊緣計算模型從云端遷移部分或全部計算任務到邊緣端，因為每個節(jié)點的運行時環(huán)境可能不盡相同，傳統(tǒng)編程方式MapReduce[16]、Spark[17]均不適合，這對程序員困難較大。

2.2 數據抽象

作為數據生產者的傳感器向邊緣計算單元發(fā)送數據，計算單元對數據進行預處理（如去除無用信息、事件檢測、隱私保護等），之后數據被傳送到云端。由于邊緣傳感器收集的數據具有異構多源的特性，數據格式具有多樣性，這會直接影響數據的使用。由于數據抽象會導致大量信息的損失，如何保留有用信息、保證數據抽象的輕量性及有用信息的高度濃縮，是數據抽象的一個難點。

2.3 任務調度策略

在異構多源公共安全系統(tǒng)中，數據、計算、存儲、網絡等資源具有異構性，須要針對不同應用實例設計基于邊緣計算的異構資源任務調度策略[18]。大多應用程序具有多樣性，調度策略應支持多種類型的應用程序。但是，在邊緣計算架構下，計算資源受限，利用基于邊緣服務器和邊緣計算節(jié)點的分布式[19]系統(tǒng)以及有限的計算資源[20]，從多角度卸載[21]和分發(fā)子任務到資源合適的邊緣節(jié)點，降低資源占用，提高執(zhí)行效率，是邊緣計算公共安全系統(tǒng)所面臨的重要挑戰(zhàn)之一。

2.4 信息安全

在內容感知、實時計算、并行處理等方面，基于異構多源的邊緣計算公共安全系統(tǒng)具有開放性，這使得數據安全與隱私問題變得更加突出[22]。R.ROMAN等[23]對幾種移動邊緣范式進行了安全性分析，闡述了一種通用協(xié)作的安全防護體系，這些工作為邊緣計算的安全研究提供了理論借鑒。數據隱私保護及安全是異構多源公共安全系統(tǒng)提供的一種重要服務，如基于邊緣計算的城市安全視頻監(jiān)測控制系統(tǒng)，大量的隱私信息被攝像機捕獲，在隱私保護下提供服務，這對異構多源的公共安全系統(tǒng)又一挑戰(zhàn)。

2.5 大規(guī)模系統(tǒng)運維

隨著邊緣數據呈現異構多源化，系統(tǒng)運維[24]將會成為大型公共安全系統(tǒng)的一個巨大挑戰(zhàn)。異構多源公共安全系統(tǒng)與普通系統(tǒng)不同，其在數據規(guī)模上是城市級別的，數據來源于城市的公共攝像頭、移動車載攝像頭、公共網絡、政府數據等，一個800像素的攝像機每小時產生的數據量是 3.6 GB，即使經過邊緣單元的數據抽象壓縮，數據量仍然較大。要維護如此龐大的異構多源數據系統(tǒng)，對運維工作者來說也是一個巨大的挑戰(zhàn)。

3 面向異構多源數據的3種邊緣計算公共安全系統(tǒng)

基于公共安全系統(tǒng)的需求，以及邊緣計算的適用場景，我們在以下3個方面提出關于公共安全系統(tǒng)的展望。

3.1 基于邊緣計算的智能交通系統(tǒng)

智能交通是一種將先進通信技術與交通技術相結合的物聯(lián)網重要應用。智能交通用于解決城市居民面臨的出行問題，如惡劣的交通現狀、擁塞的路面條件、貧乏的停車場地等[25]。智能交通系統(tǒng)可以利用車輛及車輛周邊的傳感器網絡進行交通信息的交換[26]，并主動做出決策，同時會實時收集來自社交網絡和政府的數據，預測未來前方車流量，并進行規(guī)避。隨著交通數據量的增加，用戶對交通信息的實時性需求也在提高。若將所有數據傳輸到云中心，將造成帶寬浪費和延時，也無法優(yōu)化基于位置識別的服務?；诋悩嫸嘣吹倪吘売嬎阒悄芙煌樯鲜鲋T多問題提供了一種較好的解決方案，是邊緣計算公共安全系統(tǒng)重要組成部分之一。

安全性是智能交通行業(yè)最重要的問題。基于異構多源邊緣計算智能交通系統(tǒng)能夠提高智能交通的安全性。若將車載傳感器實時數據全部傳輸到云端，并將云端反饋結果用于對車輛的控制，將會造成極大的延遲。在無人駕駛或自動駕駛[27]領域，這些平時看上去不起眼的延遲在某些突發(fā)事件發(fā)生時，往往會造成災難。為此，智能交通系統(tǒng)加入了邊緣計算模塊，將車載傳感器收集到的數據進行本地化處理，并抽象出核心數據，使其符合邊緣計算編程模型，并將其傳輸到云端處理。這不僅能節(jié)省帶寬和能耗，同時能降低網絡延時，增強系統(tǒng)的實時處理能力。同時，智能交通系統(tǒng)將社交網絡和政府數據也傳輸到云端處理，用于預測未來一段時間內可能發(fā)生的突發(fā)車流變化，如節(jié)假日、大型會議、救護車、警車等。有效調度異構多源數據并輔以邊緣計算，能夠極大提高智能交通系統(tǒng)的公共安全性，同時能對智能交通系統(tǒng)進行合理、及時的運維，也是對公眾安全一種保障。

如圖1所示，利用異構多源數據（電感應回路探測器、雷達、攝像機、眾包、社交媒體等），通過深度學習[28]的方式預測出了未來交通流[29]是智能交通數據處理的一種趨勢。本系統(tǒng)中的異構多源數據不僅包括傳感器的信息，還包括其他來源數據，對這些數據資源進行融合分析，將人們的出行意愿和突發(fā)事件進行數據挖掘[30]，可以實現對未來的交通流進行更深層次、更精準的預測。如在節(jié)假日期間，因為歷史數據未能考慮交通流突變的情況，數據分析模型將很可能無法做到良好的預測;但結合網絡空間的數據，收集人們在社交網絡空間上分享的出行意愿，并實時處理，就可以避免車流量高峰，預測出低流出行路線，這對人們在節(jié)假日的出行安全提供了良好保障。再如，將政府發(fā)布的信息（如大型會議、災難性事件），進行多源融合，通過深度神經網絡進行實時分析，將實現對交通流量的預測，保證智能安全出行。

3.2 基于邊緣計算公共安全監(jiān)測控制系統(tǒng)

城市安全監(jiān)測控制系統(tǒng)廣泛應用于新型犯罪及社會管理等公共安全問題。傳統(tǒng)視頻監(jiān)測控制系統(tǒng)前端攝像頭內置計算能力較低，而現有智能視頻監(jiān)測控制系統(tǒng)的智能處理能力不足。傳統(tǒng)的大型監(jiān)測控制系統(tǒng)將攝像頭采集的數據簡單壓縮或直接傳輸到云中心，而隨著監(jiān)測控制系統(tǒng)的規(guī)模不斷擴大，公共安全監(jiān)測控制領域要求系統(tǒng)能夠提供實時性較高的數據。

從異構多源融合的角度，我們提出邊緣計算公共安全系統(tǒng)的新架構，如加入智能手機攝像頭收集的數據、網友發(fā)布的實時求救信息，以及政府發(fā)布的搜查公告、紅色通緝令等。

在邊緣端，邊緣計算下的公共安全監(jiān)測控制系統(tǒng)發(fā)展趨勢是以云計算和物聯(lián)網技術為基礎，融合邊緣計算架構和異構多源數據，將有邊緣計算能力的硬件集成到傳統(tǒng)攝像頭上，輔以軟件技術，構建基于邊緣計算的新型監(jiān)測控制應用的軟硬件服務平臺。圖2為基于邊緣計算的視頻監(jiān)測控制系統(tǒng)框圖，其中具有邊緣計算功能的模塊作為協(xié)處理單元（簡稱邊緣計算硬件單元）與原有視頻監(jiān)測控制系統(tǒng)的攝像頭終端系統(tǒng)進行系統(tǒng)融合[25]。

針對大型監(jiān)測控制系統(tǒng)故障檢測、視頻監(jiān)測控制系統(tǒng)內容可用性、網絡帶寬有限、云中心負載重等問題，提高監(jiān)測控制系統(tǒng)的智能處理能力，進而實現重大刑事案件和恐怖襲擊活動預警系統(tǒng)和處置機制，提高公共安全監(jiān)測控制的防范刑事犯罪和恐怖襲擊的能力，降低視頻數據網絡傳輸和云中心負載。

在云中心，本系統(tǒng)收集網絡空間和政務信息的數據并分析，運用深度學習與大數據處理技術，抽象出需要監(jiān)測控制對象的特征，并與從邊緣端傳到云端的數據進行比對，達到自動化多目標安全監(jiān)測控制的目的。該系統(tǒng)自動調度從政府與網絡數據中提取的、可能會對公共安全造成危害的敏感人員信息，通過邊緣計算視頻監(jiān)測控制系統(tǒng)，按照邊緣計算編程模型所需的格式將數據下發(fā)給公共攝像頭和車載攝像頭，在城市范圍內對敏感人員進行目標識別，并監(jiān)測控制其行為。通過政府數據獲得嫌疑人的社會關系網絡，對嫌疑人及其相關人員通過人臉識別[31]進行監(jiān)測控制，同時對嫌疑人的不動產和名下汽車車牌進行搜查。此外，通過社交網絡上的信息對可疑區(qū)域進行重點監(jiān)測控制等。一旦邊緣計算單元檢測出其進行或蓄意進行危害公共安全的行為，就將監(jiān)測控制數據傳送給云端，利用云端進行廣播[32]報警。

相比于傳統(tǒng)監(jiān)測控制方案，邊緣計算公共安全監(jiān)測控制系統(tǒng)可提升自動化程度，降低對控制中心的人工依賴，提高信息獲取的實時性。同時，邊緣計算架構緩解了視頻數據上傳至云端所帶來的帶寬負載和傳輸延遲問題，這將極大加強公共安全系統(tǒng)的監(jiān)測控制能力，為公共安全提供更深層次的保障。

3.3 基于邊緣計算的災難預警與救援系統(tǒng)

在科技高速發(fā)展的同時，人類依然無法在地震、水災等自然災害發(fā)生前做好精準性預測。在災難現場，通信網絡（如固定網絡、無線通信網絡等）往往不穩(wěn)定且魯棒性差，如何基于有限的網絡環(huán)境，將信息高效地傳輸至云端是實現高效、實時救災系統(tǒng)的關鍵之一。基于無人機、視頻、眾包等方式在災難環(huán)境下收集信息已成為趨勢。災難現場傳感器傳回的視頻、音頻、社交網絡等數據有助于對受災后的災區(qū)環(huán)境、人群、救災通道等進行智能感知，在災難響應和恢復救援工作中發(fā)揮著越來越重要的作用。

現有自然災害實時預測方法大體上是通過檢測自然災害產生時的某項指標，如通過電磁波、天氣狀況、地震云、土壤或地下水的氡氣或氫氣含量、井水水位及動物行為等預測地震的發(fā)生，這種思路具有很強的爭議性。本文中，我們提出的基于邊緣計算的災難預警系統(tǒng)，可以在某個區(qū)域發(fā)生災難時，通過收集這個區(qū)域內邊緣傳感器的數據（如光學傳感器、紅外攝像機、麥克風等）和網絡上的數據，進行邊緣大數據分析，實時準確地判斷出災難發(fā)生的具體類型及輻射范圍，自動地將分析結果輻射到相鄰區(qū)域。在一定程度上實現了對將要發(fā)生災難的相鄰區(qū)域的預警，為應急響應和搜救行動的完成獲取相關信息。

本文中我們構想的預警系統(tǒng)，通過邊緣傳感器收集受災發(fā)生現場的實時數據，如圖3所示。本文所提出的災難救援系統(tǒng)將從無人機、智能機器人、災難現場固定傳感器收集來的圖像、音頻等傳感器數據（如煙霧傳感器數據、溫度傳感器數據等），通過邊緣計算模塊進行內容感知和數據抽象，將處理之后的數據上傳至云中心，云中心再將這些傳感器的信息與衛(wèi)星拍攝的衛(wèi)星災情圖片、災難現場上傳至社交網絡上的信息等多源數據進行實時處理，對受災區(qū)域周邊可能會被災害輻射到的區(qū)域進行預警，避免災害的擴大。

當災難發(fā)生時，人們因為焦慮、紀念、好奇等原因會在網絡空間發(fā)布信息，這種信息本質上是一種信息、觀點、技術、情緒和行動的聚合。這就產生了社會邊緣大數據，為災難環(huán)境下，通過大數據分析人們的行為信息提供了可能。此外，政府通過社交媒體推送災難的相關信息，網民可以發(fā)表自己的評論，這個過程又會促進社會邊緣大數據的擴大。

災難發(fā)生后，如何對受災群眾進行有效、及時的救援是公共安全系統(tǒng)要考慮的另一個問題。在危機發(fā)生后，網絡傳輸環(huán)境復雜，網絡傳輸不穩(wěn)定。若將災難現場傳感器所有信息（如視頻、音頻等）上傳至云中心，網絡性能將成為信息收集的瓶頸，并影響其他實時救災任務的進行?；谶吘売嬎愕臑碾y救援系統(tǒng)可以實現傳感器異構多源數據的本地化處理，主動式地適應災難區(qū)域的網絡傳輸條件，合理調度資源，將數據高效、安全、實時地上傳至云中心，降低了極端網絡環(huán)境下傳輸的數據量，減少云中心計算資源消耗，實現災情數據的及時處理。

云中心將從社交網絡上收集到的信息與災難區(qū)域發(fā)送來的信息進行多源融合，比對、匹配出救災線索，為救災行動提供指導，進而制定更為安全可行的營救方案。救災系統(tǒng)的穩(wěn)定性決定著救災的效率，合理規(guī)劃系統(tǒng)運維工作是公共安全系統(tǒng)的保障。

4 結束語

隨著對公共安全系統(tǒng)功能以及規(guī)模要求的提高，邊緣傳感器數量增加，我們已經進入邊緣大數據時代。傳統(tǒng)的云計算架構無法在規(guī)模、功能和實時性上滿足公共安全系統(tǒng)的需求，同時傳統(tǒng)公共安全系統(tǒng)無法有效解決異構多源的數據融合、云中心負載較重、傳輸帶寬較低以及數據隱私等問題。本文中，我們闡述了公共安全系統(tǒng)的需求，分析了在邊緣大數據時代復雜網絡結構下邊緣大數據的來源，對基于異構多源的邊緣計算公共安全系統(tǒng)進行展望，并提出3種系統(tǒng)架構：基于邊緣計算的智能交通系統(tǒng)、基于邊緣計算的公共安全檢測控制系統(tǒng)、基于邊緣計算的災難預警與救援系統(tǒng)。物聯(lián)網在智慧城市建設中受到學術界和產業(yè)界的高度重視，邊緣計算的興起為物聯(lián)網增添了智能感知的能力。異構多源公共安全系統(tǒng)的發(fā)展將越來越受到重視，而邊緣計算這一關鍵技術將在其中發(fā)揮極其重要的作用。

致謝

感謝清華大學鄭緯民教授對本文相關研究的幫助和指導。

參考文獻

[1] 施巍松，孫輝，曹杰，等.邊緣計算：萬物互聯(lián)時代新型計算模型[J].計算機研究與發(fā)展， 2017，54（5）：907.DOI： 10.7544/issn1000-1239.2017.20160941

[2] Cisco Cloud Index Supplement. Cloud Readiness Regional Details White Paper[R]. 2017

[3]中國公共安全科技問題分析與發(fā)展戰(zhàn)略規(guī)劃研究. 中國工程科學， 2007， 9 （4）： 35-40

[4] 鄔賀銓.大數據思維[J].科學與社會，2014，4（1）：1. DOI：10.19524/j.cnki.10-1009/g3.2014.01.001

[5] Company Info | Facebook Newsroom [EB/OL]. [2018-12-01]. https：//newsroom.fb.com/company-info/

[6] Twitter - Company [EB/OL]. [2018-10-01]. https：//about.twitter.com/zh-cn/company.html

[7] YouTube Architecture - High Scalability [EB/OL]. [2018-12-01]. http：//highscalability.com/blog/2008/3/12/youtube-architecture.html

[8] Instagram APKs - APKMirror [EB/OL]. [2018-12-01]. https：//www.apkmirror.com/apk/instagram/instagram-instagram/

[9] Data Never Sleeps 2.0 | Domo [EB/OL]. （2017-10-09）[2018-12-01]. https：//www.domo.com/learn/data-never-sleeps-2/，2017-10-09

[10] 宋軒.大數據下的災難行為分析和城市應急管理[J].中國計算機學會通訊，2013，（8）

[11]劉攀，趙曉艷，李凱麗.物聯(lián)網測控技術在公共安全領域的發(fā)展與應用[J].中國新通信，2017，19（22）：27. DOI：10.3969/j.issn.1673-4866.2017.22.021

[12]林孝平.上海世博會園區(qū)安全控制系統(tǒng)建設綜述[J].電信快報，2013，（9）：10

[13] 浙江杭州獲得2016年G20峰會舉辦權.網易新聞[EB/OL].（2015-02-28）[2018-12-01]. http：//news.163.com/ 15/0228/22/AJISSIJ100014SEH.html

[14] BUYYA R， YEO C S， VENUGOPAL S， et al. Cloud Computing and Emerging IT Platforms： Vision， Hype， and Reality for Delivering Computing as the 5th Utility [J]. Future Generation Computer Systems， 2009， 25（6）： 599. DOI：10.1016/j.future.2008.12.001

[15] ORSINI G， BADE D， LAMERSDORF W. Computing at the Mobile Edge： Designing Elastic Android Applications for Computation Offloading[C]//2015 8th IFIP Wireless and Mobile Networking Conference （WMNC）. USA： IEEE， 2015. DOI：10.1109/wmnc.2015.10

[16] DEAN J， GHEMAWAT S. MapReduce： Simplified Data Processing on Large Clusters [J]. Communications of the ACM， 2008， 51（1）： 107-113

[17] ZAHARIA M， CHOWDHURY M， FRANKLIN M J， et al. Spark： Cluster Computing with Working Sets[C]//Proceedings of the 2nd USENIX Conference on Hot Topics in Cloud Computing. USA： USENIX Association Berkeley， 2010

[18] Fitzsimmons J A， Fitzsimmons M J. Service Management： Operations， Strategy， and Information Technology [M]. USA： McGraw-Hill Higher Education， 2004

[19] COULOURIS G， DOLLIMORE J， KINDBERG T， et al. Distributed Systems： Concepts and Design（5th Edition） [M]. USA： Pearson， 2011

[20] CHAITIN G J. On the Length of Programs for Computing Finite Binary Sequences： Statistical Considerations [J]. Journal of the ACM， 1969， 16（1）： 145. DOI：10.1145/321495.321506

[21] KUMAR K， LU Y H. Cloud Computing for Mobile Users： Can Offloading Computation Save Energy？ [J]. Computer， 2010， 43（4）： 51. DOI：10.1109/mc.2010.98

[22] 張佳樂， 趙彥超， 陳兵， 等. 邊緣計算數據安全與隱私保護研究綜述[J]. 通信學報， 2018， 39（3）： 1. DOI：10.11959/j.issn.1000-436x.2018037

[23] ROMAN R， LOPEZ J， MAMBO M. Mobile Edge Computing， Fog et al.： A Survey and Analysis of Security Threats and Challenges [J]. Future Generation Computer Systems， 2018， 78： 680. DOI：10.1016/j.future.2016.11.009

[24] O'BRIEN J A. Management Information Systems： Managing Information Technology in the Networked Enterprise [M]. USA： McGraw-Hill Professional， 1998

[25] 施巍松， 劉芳， 孫輝. 邊緣計算[M]. 北京： 科學出版社， 2018

[26] DIMITRAKOPOULOS G， DEMESTICHAS P. Intelligent Transportation Systems [J]. IEEE Vehicular Technology Magazine， 2010， 5（1）： 77. DOI：10.1109/mvt.2009.935537

[27] COHEN S. Self-Driving Car [J]. Science and Children， 2017， 54（6）： 96

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

[29] LV Y， DUAN Y J， KANG W W， et al. Traffic Flow Prediction with Big Data： A Deep Learning Approach [J]. IEEE Transactions on Intelligent Transportation Systems， 2014： 1. DOI：10.1109/tits.2014.2345663

[30] HAND D J. Principles of Data Mining [J]. Drug Safety， 2007， 30（7）： 621. DOI：10.2165/00002018-200730070-00010

[31] TURK M A， PENTLAND A P. Face Recognition Using Eigenfaces[C]//Proceedings.1991 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. USA： IEEE， 1991. DOI：10.1109/cvpr.1991.139758

[32] FALL K R， STEVENS W R. TCP/IP Illustrated， Volume1： The Protocols（2nd Edition）（Addison-Wesley Professional Computing Series）[M]. USA： Addison-Wesley Professional， 2011

作者簡介

孫輝，安徽大學講師;從事計算機系統(tǒng)、數據存儲系統(tǒng)、邊緣計算、基于數據的計算、GPGPU高性能數據處理等方面的工作;已發(fā)表論文10余篇。

余瑩，安徽大學計算機科學與技術學院在讀碩士研究生;主要研究方向為計算機系統(tǒng)，邊緣計算及邊緣適用系統(tǒng)。