6、边缘计算与人工智能：技术融合与应用前景

边缘计算与人工智能：技术融合与应用前景

1. 边缘计算基础与安全

在智慧城市项目中，从医疗设备、移动服务和闭路电视摄像头收集到的公民数据需要防止数据泄露，因为攻击者可能会利用这些数据谋取商业利益。边缘计算将信息技术资源带到网络边缘设备，而近场通信（NFC）使边缘功能能够在软件而非硬件组件上运行，这有助于增强边缘节点的可扩展性，并且由于边缘设备更靠近用户，带宽分配稳定，延迟较低。

1.1 5G核心网络切片

5G技术与边缘计算的融合提升了数字和用户体验，也提高了性能。4G使用长期演进（LTE）无线电技术，而5G倾向于使用新无线电（NR）技术，其基站称为gNodeB（gNB）。

1.2 边缘设备的机器学习模型

许多研究人员的关键思路是开发高效的深度神经网络（DNN）模型，以消除不必要的参数，使计算资源能更好地用于模型推理。例如YOLO和SqueezeNet等预训练模型，可免费用于研究，适用于TensorFlow、PyTorch等框架。模型压缩是在边缘设备上执行模型的另一种技术，压缩后的模型可能会损失一些准确性，但在很多情况下是可以接受的。通过使用多种压缩技术和缓存中间结果以迭代重用，研究人员提高了深度神经网络模型的执行速度。DeepMon是用于边缘设备连续计算机视觉应用的机器学习框架，TensorFlow Lite也采用类似技术在边缘运行模型。

1.3 边缘深度学习

边缘设备是用于与其他边缘设备和服务提供商建立连接的电子设备，资源有限，在边缘设备上集成分析算法和方法是一项挑战。

1.3.1 边缘推理

边缘推理将成为新常态。物联网传感器和设备产生大量数据