前言：近年來，隨著新一代信息技術(shù)的進(jìn)步和相關(guān)政策的支持，我國制造業(yè)正積極地向數(shù)字化、智能化、網(wǎng)絡(luò)化方向轉(zhuǎn)型，然而制約制造業(yè)轉(zhuǎn)型的瓶頸仍有很多，例如，工業(yè)現(xiàn)場存在眾多“信息孤島”；現(xiàn)有數(shù)據(jù)資源的可利用率不高，降低了數(shù)字化的實用價值；工業(yè)現(xiàn)場網(wǎng)絡(luò)協(xié)議多樣異構(gòu)，設(shè)備互聯(lián)互通困難等，這些因素都為制造業(yè)轉(zhuǎn)型發(fā)展造成了巨大阻礙。
工業(yè)互聯(lián)網(wǎng)+邊緣計算通過在靠近工業(yè)現(xiàn)場執(zhí)行側(cè)的網(wǎng)絡(luò)邊緣構(gòu)建融合網(wǎng)絡(luò)、計算、存儲、應(yīng)用等核心能力為一體的一種分布式開放體系，提供智能邊緣服務(wù)并與云端協(xié)同工作，可以滿足制造業(yè)在快速系統(tǒng)聯(lián) 接、智能數(shù)據(jù)處理、實時業(yè)務(wù)分析、安全運營管理等方面的關(guān)鍵需求，幫助離散制造業(yè)突破數(shù)字化和網(wǎng)絡(luò)化的局限，實現(xiàn)行業(yè)升級轉(zhuǎn)型[1]。
任務(wù)調(diào)度
工業(yè)互聯(lián)網(wǎng)正在迅速發(fā)展，并用于推動涉及大量工業(yè)設(shè)備的各種工業(yè)應(yīng)用。由于工業(yè)設(shè)備資源的資源約束，通常將一部分工業(yè)應(yīng)用卸載到具有足夠計算資源的計算系統(tǒng)上執(zhí)行，如微服務(wù)器、云服務(wù)器或數(shù)據(jù)中心。然而，可能需要考慮網(wǎng)絡(luò)等待時間和網(wǎng)絡(luò)擁塞。邊緣計算以其自身固有的優(yōu)勢，能夠在一定程度上承接任務(wù)卸載。為了探索邊緣計算支持工業(yè)應(yīng)用的潛力，基于邊緣計算實現(xiàn)任務(wù)的有效管理能夠極大提升工業(yè)應(yīng)用的性能[8]。
首先，針對延遲和響應(yīng)時間方面，一部分學(xué)者在此方面進(jìn)行了深入的研究。Scoca等人【2】提出了基于啟發(fā)式算法實現(xiàn)邊緣服務(wù)器的資源調(diào)度，該算法用于評估邊緣節(jié)點網(wǎng)絡(luò)和計算能力并輸出服務(wù)和資源之間的最大評分映射。Sajjad等人【3】提出了新穎的方法SpanEdge，這種方法能夠統(tǒng)一管理分布式的基礎(chǔ)設(shè)備（包括云數(shù)據(jù)中心和邊緣數(shù)據(jù)中心）的流處理。
SpanEdge通過在中央和邊緣數(shù)據(jù)中心分部應(yīng)用程序來減少或消除WAN鏈路引起的延遲。Liu等人[4]采用馬爾科夫鏈處理移動邊緣計算中存在的雙時間尺度隨機(jī)優(yōu)化問題。通過分析每個任務(wù)的延遲和移動設(shè)備的功耗，進(jìn)而將其轉(zhuǎn)換為延遲約束的能耗最小化問題，并通過了高效的搜索算法來尋找最優(yōu)的任務(wù)調(diào)度策略。
其次，針對能耗和任務(wù)處理數(shù)量方面，Wang等人[5]考慮單傳感器并最小化能耗的任務(wù)調(diào)度問題（MESS）和多傳感器并最小化能耗的任務(wù)調(diào)度問題（MESS），并同時提出了兩種有效的多項式時間的啟發(fā)式算法。Song等人[6]提出了一種用于周期性地在邊緣計算網(wǎng)絡(luò)中分配傳入任務(wù)的方法。
該方法能夠增加在邊緣計算網(wǎng)絡(luò)中處理的任務(wù)數(shù)量，并用于提供服務(wù)質(zhì)量（QoS）要求。Lyu等人[7]將動態(tài)變換的環(huán)境建模為隨機(jī)擾動，并提出相應(yīng)的自適應(yīng)后退水平卸載策略（ARHOS），該策略能夠根據(jù)配置數(shù)據(jù)的性能偏差和擾動頻率動態(tài)的調(diào)整縮減因子和決策窗口的大小。同時提出了一種多目標(biāo)動態(tài)規(guī)劃方法，以最小化估計成本，并盡力滿足延遲需求。
網(wǎng)絡(luò)優(yōu)化
當(dāng)前工業(yè)網(wǎng)絡(luò)中IT網(wǎng)絡(luò)和OT網(wǎng)絡(luò)是分離的，構(gòu)建IT和OT融合的全互聯(lián)、扁平化、靈活化的工業(yè) 網(wǎng)絡(luò)體系結(jié)構(gòu)是工業(yè)網(wǎng)絡(luò)發(fā)展的必然趨勢。面向智能化生產(chǎn)、網(wǎng)絡(luò)化協(xié)同、個性化定制、服務(wù)化轉(zhuǎn)型等典型邊緣計算場景，設(shè)計實現(xiàn)具有數(shù)據(jù)分析、機(jī)器學(xué)習(xí)和實時控制等邊緣計算模型及體系結(jié)構(gòu)是產(chǎn)業(yè)界和學(xué)術(shù)界共同面臨的挑戰(zhàn)[9]。
在工業(yè)互聯(lián)網(wǎng)場景下，研究人員通過網(wǎng)絡(luò)層優(yōu)化來降低數(shù)據(jù)訪問延遲的相關(guān)工作大致可分為以下三類：
1
資源管理
消除大量設(shè)備訪問有限的資源導(dǎo)致的死鎖
邊緣計算服務(wù)器通常需要服務(wù)大量工業(yè)設(shè)備，邊緣計算服務(wù)器資源分配可能由于大量設(shè)備 爭取有限的資源而導(dǎo)致死鎖，消除死鎖是提高系統(tǒng)可靠性的關(guān)鍵。Ugwuanyi 等人[10]提出了一種可靠性資源配置的方法，利用SDN來降低通信開銷，結(jié)合銀行家資源請求算法來避免死鎖，通過驗證后證實該算法可以有效地防止系統(tǒng)死鎖，實現(xiàn)可靠性交互。Mishra 等人[11]提出了一種可持續(xù)服務(wù)分配的方案，服務(wù)分配主要通過客戶端請求虛擬機(jī)來完成，文中以能耗和截止時間為 QoS約束，將服務(wù)請求問題歸為一個雙目標(biāo)最小化問題。
2
傳輸時延優(yōu)化問題
控制系統(tǒng)對于時延尤其敏感，通常，工業(yè)控制器都有專有的硬件去完成，但是隨著應(yīng)用邏輯控制器（App logic controller）和虛擬 PLC（vPLC）等 技術(shù)的提出，軟件實現(xiàn)特定硬件功能的方案越來越得到重視。控制器通過網(wǎng)絡(luò)實現(xiàn)控制過程，時延是最大的挑戰(zhàn)。Mubeen 等[12]提出一種時延緩解的策略，用于緩解云端控制器在任意時延的情況（大于小于控制周期）下網(wǎng)絡(luò)引起的抖動和時延。
3
查詢存儲優(yōu)化問題
邊緣計算涉及云、邊、端等多個結(jié)構(gòu)，數(shù)據(jù)和服務(wù)的查詢存儲比單純的云計算更為復(fù)雜，尤 其面對高吞吐量計算時，高效的存儲策略將會極大地提高系統(tǒng)效率。Lin等人[13]提出了一種時間驅(qū)動的數(shù)據(jù)存儲策略，結(jié)合云端和邊緣端，提出了一種基于遺傳算法算子的自適應(yīng)離散粒子群優(yōu)化算法，降低了數(shù)據(jù)的傳輸時間。同時，由于邊緣計算系統(tǒng)中往往有大量工業(yè) 無線設(shè)備，尤其是對于移動節(jié)點而言，從移動網(wǎng)絡(luò)或遠(yuǎn)程服務(wù)器下載大量數(shù)據(jù)對無線網(wǎng)絡(luò)來講是 巨大的挑戰(zhàn)。Li 等人[14]提出了一種利用邊緣計算進(jìn)行主動緩存的存儲策略，緩存通過云、邊、端等三層緩存結(jié)構(gòu)，根據(jù)移動節(jié)點的駐留時間、服務(wù)器和其他節(jié)點的容量，提出了一種考慮位置和移動 軌跡的主動緩存策略。實驗驗證了該策略具有較 高的實時性和良好的性能。
4
基于SDN的普適網(wǎng)絡(luò)架構(gòu)優(yōu)化
考慮到工廠內(nèi)的邊緣計算網(wǎng)絡(luò)既需要滿足實時可靠，又具有靈活性及可重構(gòu)，又可以同時集中管理多個管理域的網(wǎng)絡(luò)體系架構(gòu)。李慶等人[9]提出了基于 SDN 與TSN 的工業(yè)互聯(lián)網(wǎng)工廠內(nèi)網(wǎng)絡(luò)架構(gòu)，旨在解決計算資源分布不平衡條件下的自適應(yīng)計算任務(wù)遷移問題，為邊緣計算任務(wù)的高效運行提供保障。并嘗試采用一種新穎的方法，將 SDN 的能力、TSN 的時間敏感性與邊緣計算的不足進(jìn)行技術(shù)上的結(jié)合，提出了一種應(yīng)用于工業(yè)互聯(lián)網(wǎng)工廠內(nèi)網(wǎng)絡(luò)架構(gòu)，以提高動態(tài)環(huán)境中的服務(wù)質(zhì)量。
同時，針對工業(yè)互聯(lián)網(wǎng)場景下的工業(yè)網(wǎng)絡(luò)數(shù)據(jù)流管理，葉桓宇等人[15]提出了基于SDN的軟件定義工業(yè)互聯(lián)網(wǎng)（SDIN）的工業(yè)網(wǎng)絡(luò)框架。
首先，對于工廠中的網(wǎng)絡(luò)，使用了軟件定義的數(shù)據(jù)分離架構(gòu)。并針對傳統(tǒng)工廠網(wǎng)絡(luò)固有的“設(shè)備孤島”和“信息孤島”問題，優(yōu)化工廠內(nèi)各網(wǎng)元節(jié)點的路由性能，設(shè)計實現(xiàn)了基于動態(tài)流表參數(shù)的配置方案，提升工廠網(wǎng)絡(luò)路由的可靠性。其次，針對工廠里的計算任務(wù)，設(shè)計實現(xiàn)基于不同生產(chǎn)業(yè)務(wù)服務(wù)質(zhì)量的優(yōu)先級隊列卸載方案，以最小化計算卸載時延。
數(shù)據(jù)存儲與處理
1
邊緣分布式存儲架構(gòu)
A、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)點具備豐富的計算和存儲資源，負(fù)責(zé)存儲節(jié)點的管理、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。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。在離散制造業(yè)場景下，邊緣數(shù)據(jù)中心類似于云存儲數(shù)據(jù)中心。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。
B、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，節(jié)點之間具有對等的功能。多個邊緣設(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StorjLabs推出了一種去中心化分布式云存儲平臺STORJ[17]，該平臺使用點對點網(wǎng)絡(luò)連接存儲設(shè)備，用戶可以在該平臺選擇出租閑置存儲資源。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)和管理成本為邊緣側(cè)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，更容易滿足邊緣計算任務(wù)的實時性數(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。
C、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成本低、可靈活部署等特性。隨著邊緣側(cè)的更新或遷移，可依據(jù)兩種架構(gòu)各自的優(yōu)勢，融合兩種架構(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。
2
云邊協(xié)同存儲優(yōu)化
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。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，提升邊緣計算應(yīng)用性能[19-21]。
南京大學(xué)的研究人員提出了多信道無線干擾環(huán)境下移動邊緣計算的多用戶計算遷移問題，采用博弈論的方法以分布式方式實現(xiàn)高效的卸載計算，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)中心的計算和存儲資源[20]。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)。
安全分析與對策
1
物理安全需求
對于邊緣計算設(shè)備來說，其在運行過程中，由間接或者自身原因?qū)е碌陌踩珕栴}（如能源 供應(yīng)；冷卻除塵、設(shè)備損耗等），運行威脅雖然沒有自然災(zāi)害造成的破壞 徹底，但是如果缺乏良好的應(yīng)對手段，仍然會導(dǎo)致災(zāi)難性的后果，使得邊緣計算的性能下降，服務(wù)中斷和數(shù)據(jù)丟失。特別是在工業(yè)互聯(lián)網(wǎng)場景下，工廠對于自身設(shè)備的維護(hù)和檢修比較專業(yè)，但是對于IT設(shè)備的運行和維護(hù)難以及時處理。
2
網(wǎng)絡(luò)安全需求
相較于云計算數(shù)據(jù)中心，邊緣節(jié)點的能力有限，更容易被黑客攻擊。雖然單個被破壞的邊緣節(jié)點損害并不大，并且網(wǎng)絡(luò)有迅速找到附近可替代節(jié)點的調(diào)度能力；但如果黑客將攻陷的邊緣節(jié)點作為“肉雞”去攻擊其他服務(wù)器，進(jìn)而會對整個網(wǎng)絡(luò)造成影響?，F(xiàn)有大多安全保護(hù)技術(shù)計算保護(hù)流程復(fù)雜，不太適合邊緣計算的場景。所以，設(shè)計適合于工業(yè)互聯(lián)網(wǎng)場景下邊緣計算架構(gòu)中輕量級的安全保護(hù)技術(shù)是網(wǎng)絡(luò)安全的重大需求。
3
數(shù)據(jù)安全需求
要對數(shù)據(jù)的全生命周期進(jìn)行管理的同時實現(xiàn)這三個安全屬性才能保證數(shù)據(jù)安全。整個生命周期包括六個階段 ：
創(chuàng)建，數(shù)據(jù)的產(chǎn)生和采集過程；
存儲，數(shù)據(jù)保存到存儲介質(zhì)的過程；
使用，數(shù)據(jù)被瀏覽、處理、搜索或進(jìn)行其他操作的過程；
共享，數(shù) 據(jù)在擁有者、合作者、使用者之間交互的過程；
存檔，極少使用的數(shù)據(jù)轉(zhuǎn)入長期存儲的過程；
銷毀，不再使用 的數(shù)據(jù)被徹底刪除和擦除的過程。
在邊緣計算中，用戶將數(shù)據(jù)外包給邊緣節(jié)點，同時也將數(shù)據(jù)的控 制權(quán)移交給邊緣節(jié)點，這便引入了與云計算相同的安全威脅。首先，很難確保數(shù)據(jù)的機(jī)密性和完整性，因為外包數(shù)據(jù)可能會丟失或被錯誤地修改。其次，未經(jīng)授權(quán)的各方可能會濫用上傳的數(shù)據(jù)圖謀其他利益。雖然相對于云來說邊緣計算已經(jīng)規(guī)避了多跳路由的長距離傳輸，很大程度地降低了外包風(fēng)險；因此屬于邊緣計算的數(shù)據(jù)安全問題也日益突出，如在如此復(fù)雜多變的環(huán)境中，一個邊緣節(jié)點癱瘓后，如何實現(xiàn)安全快速地遷移數(shù)據(jù)？
4
應(yīng)用安全需求
應(yīng)用安全，顧名思義就是保障應(yīng)用程序使用過程和結(jié)果的安全。邊緣式大數(shù)據(jù)處理時代，通過將越來越多的應(yīng)用服務(wù)從云計算中心遷移到網(wǎng)絡(luò)邊緣節(jié)點，能保證應(yīng)用得到較短的響應(yīng)時間和較高的可靠性，同時大大節(jié)省網(wǎng)絡(luò)傳輸帶寬和智能終端電能的消耗。但邊緣計算 不僅存在信息系統(tǒng)普遍存在的共性應(yīng)用安全問題，如拒絕服務(wù)攻擊、越權(quán)訪問、軟件漏洞、權(quán)限濫用、身份假冒等，還由于其自身特性存在其他的應(yīng)用安全的需求。在邊緣這種多個安全域和接入網(wǎng)絡(luò)共存的場景下，為保證應(yīng)用安全，該如何對用戶身份進(jìn)行管理和實現(xiàn)資源的授權(quán)訪問則變得非常重要。
架構(gòu)優(yōu)化
最后，一部分學(xué)者提出了先進(jìn)的邊緣框架和邊緣計算系統(tǒng)。Cheng等人[22]設(shè)計并實現(xiàn)了名為Geelytics系統(tǒng)平臺，該平臺可通過物聯(lián)網(wǎng)友好的傳感器和執(zhí)行器接口實現(xiàn)對一定范圍內(nèi)數(shù)據(jù)源的按需邊緣分析。Aliyu等人[23]提出一種基于軟件定義網(wǎng)絡(luò)（SDN）的InterCloud架構(gòu)，該架構(gòu)被用于移動邊緣計算場景，并提出了一種自適應(yīng)資源管理方案，同時基于調(diào)度策略的QoS控制框架，該框架使用了具有外部性的聯(lián)盟博弈原則。為了優(yōu)化資源管理，所提出的控制框架自治應(yīng)方案解決了詞典排序雙準(zhǔn)則聯(lián)合結(jié)構(gòu)生成（CSG）問題，保證了框架中應(yīng)用程序的服務(wù)級別協(xié)議（SLA）。
參考文獻(xiàn)
[1] 王哲, 時曉光, 羅松, 等. 工業(yè)互聯(lián)網(wǎng)邊緣計算在離散制造業(yè)應(yīng)用展望[J]. 自動化博覽, 2019 (11): 30.
[2] Scoca, V., Aral, A., Brandic, I., De Nicola, R., & Uriarte, R. B. (2018). Scheduling Latency-Sensitive Applications in Edge Computing. In Closer (pp. 158-168).
[3] Sajjad, H. P., Danniswara, K., Al-Shishtawy, A., & Vlassov, V. (2016, October). Spanedge: Towards unifying stream processing over central and near-the-edge data centers. In 2016 IEEE/ACM Symposium on Edge Computing (SEC) (pp. 168-178). IEEE.
[4] Liu, J., Mao, Y., Zhang, J., & Letaief, K. B. (2016, July). Delay-optimal computation task scheduling for mobile-edge computing systems. In 2016 IEEE International Symposium on Information Theory (ISIT) (pp. 1451-1455). IEEE.
[5] Wang, J., Tang, J., Xue, G., & Yang, D. (2017). Towards energy-efficient task scheduling on smartphones in mobile crowd sensing systems. Computer Networks, 115, 100-109.
[6] Song, Y., Yau, S. S., Yu, R., Zhang, X., & Xue, G. (2017, June). An approach to QoS-based task distribution in edge computing networks for IoT applications. In 2017 IEEE international conference on edge computing (EDGE) (pp. 32-39). IEEE.
[7] Lyu, X., & Tian, H. (2016). Adaptive receding horizon offloading strategy under dynamic environment. IEEE Communications Letters, 20(5), 878-881.
[8] 代振楠. 工業(yè)互聯(lián)網(wǎng)中基于邊緣計算的任務(wù)卸載策略研究[D]. 湖南大學(xué), 2019.
[9] 李慶, 劉金娣, 李棟. 面向邊緣計算的工業(yè)互聯(lián)網(wǎng)工廠內(nèi)網(wǎng)絡(luò)架構(gòu)及關(guān)鍵技術(shù)[J]. 2019.
[10] Ugwuanyi, E. E., Ghosh, S., Iqbal, M., & Dagiuklas, T. (2018). Reliable resource provisioning using bankers’ deadlock avoidance algorithm in mec for industrial IoT. IEEE Access, 6, 43327-43335.
[11] Mishra, S. K., Puthal, D., Rodrigues, J. J., Sahoo, B., & Dutkiewicz, E. (2018). Sustainable service allocation using a metaheuristic technique in a fog server for industrial applications. IEEE Transactions on Industrial Informatics, 14(10), 4497-4506.
[12] Mubeen, S., Nikolaidis, P., Didic, A., Pei-Breivold, H., Sandstr?m, K., & Behnam, M. (2017). Delay mitigation in offloaded cloud controllers in industrial IoT. IEEE Access, 5, 4418-4430.
[13] Lin, B., Zhu, F., Zhang, J., Chen, J., Chen, X., Xiong, N. N., & Mauri, J. L. (2019). A time-driven data placement strategy for a scientific workflow combining edge computing and cloud computing. IEEE Transactions on Industrial Informatics, 15(7), 4254-4265.
[14] Li, X., & Wan, J. (2018). Proactive caching for edge computing-enabled industrial mobile wireless networks. Future Generation Computer Systems, 89, 89-97.
[15] 葉桓宇. 基于軟件定義工業(yè)互聯(lián)網(wǎng)的邊緣計算技術(shù)研究[D]. 北京郵電大學(xué), 2019.
[16] 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
[17] 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
[18] 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: 166176. DOI:10.1109/IC2E.2013.17
[19] 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
[20] CHEN B Q, YANG C Y, WANG G. HighThroughput 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
[21] 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
[22] Cheng B, Papageorgiou A, Bauer M. Geelytics: Enabling on-demand edge analytics over scoped data sources[C]//2016 IEEE International Congress on Big Data (BigData Congress). IEEE, 2016: 101-108.
[23] Aliyu, S. O., Chen, F., He, Y., & Yang, H. (2017, July). A Game-theoretic based QoS-Aware capacity management for real-time edgeiot applications. In 2017 IEEE International Conference on Software Quality, Reliability and Security (QRS) (pp. 386-397). IEEE.
