1.4 5G边缘计算技术

在万物互联的背景下，边缘数据迎来了爆发式增长，为了解决数据传输、计算和存储过程中的计算负载和传输带宽等问题，研究者开始探索在靠近数据生产者的边缘增加数据处理能力，即边缘计算（Edge Computing）。

1.4.1 边缘计算概述

万物互联的到来和无线网络的普及，带来了网络边缘的设备数量和数据产量的快速增长，以云计算模型为核心的集中式处理模式将无法高效地处理边缘设备产生的数据。传统云计算有四个缺点。

（1）实时性不够。万物互联场景下应用对于实时性的要求极高。在传统云计算模型下，应用先将数据上传到云计算中心，云计算中心负责计算，再返回数据计算结果，这一系列操作会提高系统时延。以无人驾驶汽车应用为例，高速行驶的汽车需要毫秒级的反应时间，一旦由于网络问题而加大系统时延，将会造成严重后果。

（2）带宽不足。边缘设备会实时产生海量数据，如果将全部数据传输至云端会给网络带宽带来很大压力。

（3）能耗较大。数据中心消耗大量能源。在2020年，美国所有数据中心的能耗增长4%，达到730亿千瓦时，中国数据中心的用电量已经超过匈牙利和希腊的总用电量。随着用户应用数量的增加和处理数据量的增加，能耗将成为制约云计算中心发展的瓶颈。

（4）不利于数据安全和隐私保护。万物互联中的数据与用户生活联系极为紧密，例如，许多家庭安装室内智能网络摄像头，将视频数据传输到云端，可能会泄露用户隐私。随着欧盟《通用数据保护条例》（GDPR）的生效，数据安全和隐私问题对于云计算公司来说变得更加重要。

为了解决上述问题，边缘计算模型应运而生。边缘计算是一种在网络边缘进行计算的新型计算模式，边缘是指从数据源到云计算中心的任何计算和网络资源，边缘计算操作的对象包括来自云服务的下行数据和来自物联网服务的上行数据。边缘计算模型具有3个明显的优点：①在网络边缘处理大量临时数据，不再将数据全部上传到云端，将会大幅度减轻网络带宽需求和数据中心功耗；②在数据生产者附近进行数据处理，将会显著降低系统时延，增强服务响应能力；③边缘计算将用户隐私数据存储在网络边缘设备上，不再上传至云端，这会降低用户隐私泄露的风险。

目前业界对边缘计算的定义和说法有很多种。ISO/IEC JTC1/SC38对边缘计算的定义是“边缘计算是一种将主要处理和数据存储放在网络的边缘节点的分布式计算形式”。边缘计算产业联盟对边缘计算的定义是“指在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的开放平台，就近提供边缘智能服务，满足行业数字化在敏捷连接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求”。欧洲电信标准化协会（ETSI）对边缘计算的定义为“在移动网络边缘提供IT服务环境和计算能力，强调靠近移动用户，以减少网络操作和服务交付的时延，提高用户体验”。Gartner认为“边缘计算描述了一种计算拓扑，在这种拓扑结构中，信息处理、内容采集和分发均被置于距离信息更近的源头处完成”。维基百科中定义“边缘计算是一种优化云计算系统的方法，在网络边缘执行数据处理，靠近数据的来源”。

2016年，ETSI把早期MEC（Mobile Edge Computing，移动边缘计算）的概念扩展为MAEC（Multi-Access Edge Computing，多接入边缘计算），将边缘计算从电信蜂窝网络进一步延伸至其他无线接入网络（如Wi-Fi）。MEC将云计算平台从移动核心网络内部迁移到移动接入网边缘，实现计算及存储资源的弹性利用，同时保障了超低时延和高带宽，能实现通过无线网络对应用程序中的信息进行实时访问。以边缘计算为基础的边缘云可以最大程度上与中心云采用统一架构、统一接口、统一管理，这样能够最大程度地降低用户开发和运维成本，真正实现将云计算的范畴拓展至距离数据源产生更近的地方，弥补传统架构的云计算在某些应用场景中的不足之处。

多接入边缘计算将业务平台（包含内容、服务、应用）下沉到移动网络边缘，通过处理、分析和存储在网络边缘生成的数据，降低了响应时间，保障了数据安全，为无人驾驶车辆和增强的自动化等超前应用奠定基础。

1.4.2 边缘计算系统架构

ETSI将MEC系统结构划分为三个层面：系统层、主机层和网络层，并支持基于NFV（Network Functions Virtualization，网络功能虚拟化）体系构建，如图1-13所示。

MEC系统层由MEC系统级管理、用户和第三方实体组成。MEC系统级管理的作用包括：①用于掌握已部署的MEC主机、可用资源、可用MEC服务和整个网络拓扑；②加载用户或第三方应用程序包，包括检查包的完整性和真实性，验证应用程序的规则和要求，并在必要时进行调整，以满足运营商的策略；③记录加载的数据包，并准备虚拟基础设施管理器进一步处理应用，使其能够根据应用处理的要求管理虚拟基础设施，如分配、管理和释放虚拟基础设施的虚拟资源；④根据时延、可用资源等，选择或重新选择适当的MEC主机应用程序。

MEC主机层主要包括MEC主机级管理和MEC主机。MEC主机级管理包括移动边缘平台管理器和虚拟化基础架构管理器。MEC主机由三部分组成：移动边缘平台、移动边缘应用程序和虚拟化基础架构。MEC主机级管理主要是移动边缘平台管理和虚拟化基础架构管理，移动边缘平台和移动边缘应用可以提供或使用彼此的服务，例如，移动边缘应用发现和使用移动边缘平台提供的无线网络信息、用户和其他相关的位置信息、带宽管理等服务，同时通知平台可以为用户提供服务。移动边缘平台为移动边缘应用提供操作环境，同时从管理者、应用或服务接收行业规则，然后对数据执行相应的指令进行业务路由。移动边缘平台还从其管理员的域名解析系统接收记录，并配置域名系统（DNS）代理/服务器来管理移动边缘服务。例如，可以在移动边缘平台上的服务列表中注册一个应用，使其成为平台提供的移动边缘服务之一。此外，可以通过移动边缘平台访问永久存储和时间信息。虚拟化基础设施使用通用硬件的计算、存储、网络资源和硬件虚拟化组件来运行多个移动边缘应用，从而降低处理成本，有限的资源可以得到灵活有效地重用和共享；移动边缘应用是基于虚拟化基础设施的虚拟应用，通过标准应用程序接口与第三方应用接口，为用户提供服务。

ETSI MEC功能要素和每个功能要素之间的参考点如图1-14所示。

在具体实施过程中，通用MEC基础设施主要由硬件资源和基于网络功能虚拟化的虚拟化层组成，主要提供IaaS功能。其中，硬件资源主要提供底层的计算、存储和控制功能；硬件虚拟化组件（包括虚拟操作系统、容器等）主要完成计算处理、缓存、虚拟交换以及相应的管理功能。

MEC应用平台主要承载服务的外部接口适配，通过API完成与eNodeB和上层应用层的接口协议封装，主要提供流量卸载、无线网络信息服务、通信服务以及应用和服务注册等功能，具有底层数据包分析、内容路由选择、上层应用注册管理、无线信息交互等相应的基本功能。基于网络功能的虚拟化（虚拟机、容器等），将MEC功能组件层封装的基本功能进一步组合形成虚拟应用，包括无线缓存、本地内容转发、增强现实、业务优化等，通过API与第三方应用连接。

1.4.3 5G边缘计算体系

在4G核心网中，典型的MEC部署方式是通过SGi接口部署在PGW位置的，此时无须修改4G核心网结构，可支持完整的会话管理、计费等操作。终端通过DNS解析MEC的地址，并自行与MEC进行数据交换，如图1-15所示。

这一部署模式虽然避免了数据传递到云计算所需的多级汇聚和传输，但PGW仍然距离终端太远，难以支持超低时延业务，主要用于部署CDN类的内容分流服务。

为了解决低时延问题，可以通过部署本地SGW/PGW方式接入MEC。在这种部署方式下，基站使用终端附着的TAC（Tracking Area Code，跟踪区编码）通过DNS过程来选择本地SGW，以获取MEC的地址，并将数据卸载到MEC进行计算，如图1-16所示。在这种部署方式下，PGW也部署在本地，保证了终端与MEC之间无须经过核心网，就可降低通信时延。但是这一部署方式要求运营商扩展S5接口，以支持对本地PGW的选择。同时，由于终端与MEC之间通过PGW建立连接，运营商无法更细粒度地控制对何种数据进行转交。因此，这一模式只适合对专用终端的全量数据转交给MEC的场景。

为了提高数据转交的可控性，在4G核心网中还可以使用一种SGW-LBO（Local Breakout）的方式，即在本地部署一个SGW，MEC与SGW部署在一起，如图1-17所示。

在这一方案中，MME管理部署在本地的SGW，并通过终端的地理位置（Tracking Area）进行SGW的选择，并通过预定的策略集（如用户标识符、APN、IP包内容、DSCP标记等）进行数据流量的分流。这一模式使得MEC能够部署在离终端比较近的地方，且满足终端同时访问MEC和云端服务，从而能够较好地支持超低时延业务。

基于4G核心网和本地SGW/PGW的边缘计算部署方式能够保持3GPP的PGW完成数据标定，从而保证了终端在移动过程中能够屏蔽IP地址的变化，能够支持应用层面的终端移动性管理。基于本地SGW的边缘计算部署需要扩展SGW，支持特定数据流向MEC转交，其通用性受到一定限制。

5G网络体系与4G不同，5G采用基于服务的体系架构（SBA）分离控制面与用户面，采用软件定义网络（SDN）体制，通过控制面的PCF（Policy Control Function，策略控制功能）和SMF（Session Management Function，会话管理功能）控制UPF（User Plane Function，用户面功能）中的策略，执行数据的流量路由和转向，从而允许更灵活地部署数据平面。因此，MEC架构可以很容易地集成到5G架构中，如图1-18所示。在5G网络中，边缘计算域将提供一个UPF和AS功能，并在SMF的控制下完成终端数据向位于边缘域中的AS进行分流。

除了运营商体系的MEC，5G也支持第三方专用MEC的部署。5G SBA体系中的NEF（Network Exposure Function，网络暴露功能）可作为授权第三方在5G网络中的入口点。因此通过NEF可以配置如何在用户平面中将所需要的应用数据定向到本地数据网络（LDN）中的专用MEC应用，如图1-19所示。

5G SBA体系对控制面和用户面的分离，保证了边缘计算能够使用通用的接口完成边缘服务的部署，无须进行专用接口或设备能力的扩展，能够有效地支持MEC在网络的不同位置进行部署，极大地提高了MEC的灵活性和有效性。

1.4.4 支持自动驾驶的边缘计算

在5G网络体系支持下，面向无人驾驶的边缘计算可以部署在5G专网中，一方面接入路侧智慧道路基础设施，另一方面通过5G UPF接入5G无人驾驶车辆，从而通过部署在5G专网中的MEC提供高实时性的无人驾驶环境认知识别、驾驶决策、选路规划等服务，5GAA提出的5G智能网联自动驾驶体系如图1-20所示。

通过边缘云，自动驾驶车辆可以在自动驾驶过程中，将实时感知结果卸载到边缘计算，进行道路状况、障碍物、周围车辆的行驶信息等的计算，并将决策策略反馈回车辆，从而降低车载计算设备的复杂度。

除了车辆主动向MEC进行计算卸载，MEC自身也可根据终端的移动过程和业务需求，主动进行路侧感知、认知，并向车辆进行主动内容服务。在服务过程中，多个MEC之间可能需要协同，以进行通信资源或计算资源的均衡。例如，在智慧道路环境下，路侧部署的大量传感器可以感知交通环境的实时运行状态，并在MEC上对传感器数据进行处理和服务响应，以满足实时性要求。以自动驾驶所需的高精度地图（High Definition Map，HD Map）为例，高精度地图的基图由于其数据量较大，需要大带宽来传输，因此会对蜂窝网络带来较大压力。由于道路交通状况的动态变化，交通流量的分布具有时空不均匀性，不同基站覆盖范围内的车辆数量不同，会导致通信资源的利用率不同，因此，考虑车辆的未来移动轨迹，可以将车辆所需的高精度地图基图分发到负载低的基站去下载，而将高精度地图的实时状态图层（路侧认知结果）从车辆当前所在基站实时下载，从而确保当前基站对高实时性业务QoS的保障能力，实现全局均衡负载。

1.4.4.1 终端主动计算卸载

在计算卸载过程中，终端（UE）一般由代码解析器、系统解析器和决策引擎组成，计算卸载决策分为3个步骤：首先，代码解析器决定可以卸载什么，具体卸载内容取决于应用类型和代码数据分区；然后，系统解析器负责监控各种参数，如可用带宽、要卸载的数据大小或执行本地应用消耗的能量；最后，决策引擎决定是否卸载。

UE卸载决策结果分为本地执行、完全卸载和部分卸载3种情况，如图1-21所示。具体决策结果由UE能耗和计算任务时延决定。卸载决策目标主要分为三个方面：降低时延、降低能耗以及权衡能耗和时延。目前的卸载决策方案研究进展如表1-3所示。

以降低时延为目标的卸载决策：如果任务在本地执行，所花费的时间仅包含应用程序执行任务的时间；而如果任务卸载到MEC，所花费的时间将涉及三个部分，即把要卸载的数据传输到MEC的时间、在MEC处理任务的时间以及接收从MEC返回数据的时间。因此，将计算任务卸载到MEC造成的时延直接影响用户的服务质量。为了保证服务质量，已经有很多研究以降低时延为目标，涉及不同的优化算法和应用场景。图1-22的计算卸载模型用于确定是否在每个时隙将缓冲任务卸载到MEC服务器。在该模型中，卸载决策主要由三个部分组成：缓冲队列状态、处理单元和传送单元。MEC服务器向发送单元返回信道状态信息，包括缓冲队列的状态、用户设备和MEC之间的计算所消耗的能量以及用户设备和MEC之间的信道状态。最后，计算卸载策略根据优化目标决定是否卸载。可以使用马尔可夫决策过程（Markov Decision Process，MDP）对每个任务的平均时延和设备的平均功耗进行分析，并使用一维搜索算法找到最优随机计算卸载策略。

以降低能量消耗为目标的卸载决策：将计算卸载到MEC服务器所消耗的能量主要包括两个部分，即把卸载数据传输到MEC的传输能量和接收从MEC返回的数据所消耗的能量。能量优化模型中的能量优化是一个持续的优化过程，而不是某个时间点的优化过程。资源分配方案中不仅包括无线资源的分配，还包括计算资源的联合分配，主要取决于信道状态、来自终端的任务队列状态等。决策结果有三种：在UE中处理计算任务、将计算任务卸载到基站或无效状态。为了满足应用时延和优化用户设备的能量消耗，可使用两种资源分配方案：第一种策略基于在线学习，动态调整网络状态以满足UE的任务需求；第二种策略是预先计算的离线策略，需要每个时隙的数据速率和无线信道条件的信息支持。

以权衡能耗和时延为目标的卸载决策：在执行复杂计算任务时（如人脸识别系统、实时视频系统、车联网等），能耗和时延直接影响服务质量，因此在执行卸载任务时如何综合考虑能耗和时延是卸载决策的重要决定因素，需要对部分卸载决策的能耗和执行时延进行权衡分析。卸载过程需考虑以下参数：待处理的总数据量、UE和MEC的计算能力、UE和SCeNB（连接UE和MEC的中间基站）之间的信道状态及UE的能耗。通过调用动态调度机制，允许用户根据任务的计算队列和无线信道状态做出卸载决策，最终通过凸优化方法解决优化问题。

1.4.4.2 MEC主动计算卸载

高精度地图是自动驾驶的核心支撑能力。高精度地图除了需要提供道路基本形态（车道线、车道线曲率、坡度等数据）、道路交通设施以及路侧建筑（符号、收费站、交通灯、交通标志、斑马线、停止线、隧道、路缘石、防护栏、障碍物等）厘米精度的三维表征，还需要提供强实时性的动态数据（天气、交通事故状况、交通态势、非机动车状态等），以充分利用智慧道路部署的路侧系统，实现超视距认知或车路协同的自动驾驶。

为了保障自动驾驶的低时延、高可靠性服务要求，可以在边缘计算环境中部署路侧感知数据处理、超视距认知、高精度地图分发等不同的自动驾驶服务。但是由于车辆的时空分布具有不均匀性，在车辆密度较大时，会出现通信资源缺乏，通信连接的网络服务质量较差，车辆的通信需求无法得到满足；而在车辆密度较小的时候，通信资源会很富余，得不到充分的利用。目前，学术界提出了大量方法来均衡局部区域的负载，它们通常关注于局部范围内的负载均衡问题，无法解决上述描述的全局负载不均衡问题。

多MEC主动计算卸载体系如图1-23所示，包含群智感知、边缘预处理、交通流预测和负载均衡、边缘计算中心数据协作传输等过程。

（1）群智感知。智能交通系统部署的大量路侧基础设施能够提供基于视频图像、毫米波图像、激光点云、轨迹识别结果、事件检测结果等丰富的交通状态内容。这些数据具有数据量大及时延敏感的特点，可以通过5G专网传输到边缘计算中心。

（2）边缘预处理。边缘计算中心在汇集覆盖范围内的数据后，会对数据进行预处理，只把处理结果上传到远程云计算中心。一方面降低了所需的网络回传带宽，另一方面也能从一定程度上保护数据的隐私安全。同时，可综合路侧认知识别结果，得到覆盖区域内车辆的轨迹和交通态势，并把挖掘或者处理的信息传递给远程云计算中心。

（3）交通流预测和负载均衡。远程云计算中心结合历史交通态势，通过挖掘交通数据中潜在的时间相关性和空间相关性，去预测每个区域未来的车流量。并考虑基站的覆盖范围与车辆的轨迹，引导在多个MEC之间进行高精度地图卸载，并调整自动驾驶车辆进行高精度地图获取的时机。

（4）边缘计算中心数据协作传输。边缘计算中心根据调度结果，实现在局部范围内数据协作传输。如图1-23所示，根据预测的交通流，MEC之间会动态卸载和缓存高精度地图，从而实现在负载均衡条件下，自动驾驶车辆在进入目标区域范围之前能够及时获得高精度地图更新。

这种多车、多基站、多MEC负载均衡问题可以被建模为一个非线性规划问题，该优化问题是NP难的，很难寻找一个解析的最优解。为此我们提出一种基于深度学习的交通态势预测和负载均衡模型，如图1-24所示。其中，PCNN模型用于根据道路交通的时空相关性进行交通流量预测，LCNN模型用于根据基站/MEC部署位置进行负载均衡预测。

针对交通流量预测，PCNN首先把城市均匀地分成方格状，并处理车辆监测轨迹数据，获得每个网格在单位时间内流入和流出的车流量。由于卷积神经网络具有局部连接属性，很适合挖掘相邻网格之间的空间相关性，因此基于流入和流出的车流量，采用三维卷积神经网络来挖掘交通流量中的时空关联性。同时，通过输入多个历史时刻，使用三维卷积神经网络能够有效地挖掘时间相关性。进一步，通过堆叠多层神经网络，提取更加复杂、富含语义的特征，有效挖掘宏观范围内的时空关联性，从而实现对交通态势的预测。

基于挖掘的宏观交通态势，考虑车辆的运动轨迹，通过引导车辆从空闲的基站下载数据，在拥堵的基站充当数据源，以V2V的方式把热点内容传递给其他车辆，从而实现全局负载均衡。由于车流的方向性，存在不同方向的调度策略，例如，拥堵的基站可以通过其相邻的8个方格的区域对应的基站去卸载数据，从而减轻当前基站的数据传输压力。因此，负载均衡模型需要输出8个方向相应的卸载策略，这导致负载均衡策略的寻优存在NP难问题。针对这一问题，引入LCNN进行负载均衡策略的学习。首先通过多层卷积神经网络提取丰富的特征，然后利用8个独立的网络分支预测在相应方向上的调度结果。上述负载均衡方法能够取得较高的计算效率，虽然在离线训练阶段需要求解NP难问题，消耗较大的计算资源，但是在线上运行阶段时，数据通过固定的网络层就可以得到较优的调度结果，取得较高的计算效率。

1.4.4.3 智能路侧设备

Apollo智能路侧设备RSCU是百度智能交通底座产品线的重要组成部分，是车路协同场景中路侧基础设施的设备核心组件，主要用于边缘感知融合计算，是路侧感知系统的大脑，如图1-25所示。RSCU实现传感器采集的环境数据解析、融合及V2X报文编辑转发，包含采集传感、计算决策、通信汇聚、安全认证、状态检测等模块。RSCU以一种边缘模式提供计算服务，与中心云计算资源协同构建边云计算架构，是对中心云计算能力的补充和优化，其低时延、分布式、高效率的特性使得其尤其适用于自动驾驶和车路协同应用场景。该方式通过自动化的边缘计算远程控制，降低后期自动驾驶运维过程中的人工成本，从而进一步提升运营的高效性，并降低运维的整体成本，加速自动驾驶的落地实施。

部署在路侧的传感器组合（多组摄像头、毫米波雷达）可采集道路环境视频码流及点云数据，结合RSCU上的AI感知算法对视频码流及点云数据中的车辆、非机动车、行人等交通目标进行检测，形成全量感知对象的3D位置、朝向、类别、速度、轨迹等实时信息，可提供给智能网联汽车做超视距和盲区障碍物的预警提示，延伸智能网联汽车的感知能力，为驾驶安全性服务，降低出行的道路风险。然后，RSCU基于深度学习技术对全量感知数据进行解析，可有效地检测交通参与者的危险行为、道路交通动态变化等突发事件。交通事件信息可供自动驾驶汽车、网联车、云控平台等应用实现危险行为预警、突发事件提示、交通态势掌握，帮助交通参与者做出安全决策。此外，利用信号采集卡接入或视觉感知方式可对路口信号灯进行精确感知，为自动驾驶车、网联车提供闯红灯预警、绿波车速引导等应用所需的信号灯动态数据。