边缘计算支持无人机火灾检测

物联网生态系统中用于无人机支持的早期火灾检测的边缘计算

摘要

无人驾驶航空器（无人机）促进了物联网（IoT）生态系统在智慧城市和智能环境应用中的发展。本文提出将边缘和雾计算原理应用于基于无人机的森林火灾检测领域，通过一种分层架构实现。该三层生态系统结合了云计算的强大资源、雾计算的丰富资源以及无人机的感知能力。这些层次高效协作，以应对早期森林火灾检测应用场景中的关键挑战。初步实验评估结果表明，所提出的方法能够有效管理和动态分配CPU/内存、电池续航及网络资源等关键资源。

关键词 —物联网，边缘计算，雾计算，云计算，无人机，火灾检测，动态资源分配

一、引言

正如《2017年欧洲、中东和北非年度欧盟森林火灾报告》[1]中所述，2017年将被铭记为自记录开始以来欧洲最具破坏性的年份之一。在欧盟境内，近70万公顷的土地被烧毁，南欧地区人员伤亡惨重。该报告还指出，由于气候变化，预计极端天气条件（如持续热浪、干旱和强风）将更频繁、更严重地影响欧洲的许多森林。因此，在野性超级大火带来的自然威胁日益加剧的情况下，森林火灾扑灭对于保护和保存自然资源起着至关重要的作用。将损失降至最低的一个关键因素是森林火灾的早期检测与扑灭。为此，人们已投入大量努力，以监测、探测并在火灾失控前迅速将其扑灭[2]。

云计算、传感器网络、物联网和大数据分析等领域的最新技术发展相互协同，改善了我们在多个社会领域的生活方式。近年来，支持智能计算功能的无人机（UAV）森林火灾扑救技术取得了显著进展，使得利用小型无人机进行森林火灾检测成为一种自然而日益现实的选择[3]。无人机相对便宜、易于使用，具有高机动性，可在不同天气条件下覆盖各种地形，无论白天或夜晚均可执行任务，最重要的是，其任务可自主完成，几乎无需或完全无需人工干预。配备遥感和数据通信设施的无人机在监测、探测和扑灭森林火灾方面展现出巨大潜力。然而，无人机的潜在优势取决于多种因素，例如飞机类型、传感器类型、任务目标以及无人机所应用领域的现行监管要求[4]。特别是在消防领域，无人机技术仍面临诸多障碍，需加以解决才能应用于完全实际运行的环境。

其中一个障碍是无人机平台上可用的能源资源和处理资源有限。在干旱期间对大面积田野和森林进行空中监测以降低野火风险，需要增加无人机的能源资源以延长任务耐久性，而这一点很难实现。

在物联网计算环境中，资源受限设备上的优化资源利用挑战也得到了解决。为了支持涉及大量地理分布的物联网设备/传感器的实时和延迟敏感型应用的需求，新兴的“边缘计算”范式已被引入[5]。边缘计算在设备与网关之间以及云与终端设备之间建立了一层智能化处理单元，以可扩展、上下文感知和互操作的方式应对处理挑战。本文提出了一种创新方法，采用物联网边缘计算范式来支持森林火灾的早期检测。

本文的其余部分结构如下。第二节介绍了当前的研究现状，第三节讨论了该领域的关键需求以及所提出的高层架构。第四节给出了在底层资源约束下最小化火灾检测决策时间的形式化问题模型。第五节详细阐述了旨在评估所提出架构的紧急检测实验设计。第六节展示了初步评估结果，第七节则给出了结论和未来计划。

II. 文献中的基于无人机的应急检测

在[6]中提出了一种早期方法，利用无人机支持森林火灾探测与扑救。该论文详细阐述了无人机应用的潜力，并区分了火灾发生前、发生期间和发生后的不同场景。作者展示了无人机在火灾发生前的应用（如监测植被、评估水分胁迫及相应的风险指数），以及在森林火灾早期检测、确认、定位和监测中的作用。最后，在火灾发生后，无人机还可用于测量过火区域的范围并评估整体火灾后果。作者提出一种协同感知系统，该系统配备红外传感器、可见光相机和火焰探测器，并安装于多种类型的无人机上。在[7]中提出了一种火灾检测与动态跟踪算法，该算法基于在不同颜色空间中进行火灾图像分割分析，利用火焰的色度特征提取火焰像素。所提出的算法包括中值滤波、颜色空间转换、大津法阈值分割以及其他形态学操作。在[8]中提出了类似的方法，引入了一个称为森林火灾探测指数的色彩指数，用于评估无人机捕获的图像。该指数基于植被分类方法，并被改进以识别火焰和烟雾的色调。该方法的一个有趣之处在于仅使用低成本相机和传感器，旨在使无人机使用的成本效益优于传统现有的森林火灾探测系统。

在[9]中提出了一种面向无人机编队的分布式控制算法，可自主且主动地以分布式方式跟踪火势蔓延边界。该方法还支持无人机之间的信息交换，确保保持安全距离以避免飞行中碰撞，并支持对野火边界的捕获图像分辨率进行动态调整。在[10]中对基于无人机的森林火灾扑救技术领域的当前进展进行了详细综述。综述涵盖了适用于无人机进行森林火灾监测、检测和扑救的技术，包括用于火灾检测、诊断与预测的信息通信技术、图像振动消除以及无人机的协同控制。此次综述的一个重要结论是，为了实现高效的森林火灾监测、检测甚至扑救，必须在多个位置利用多源信息并具备高更新频率。

为此，最近的研究方法试图结合物联网领域中的创新概念，以提高无人机使用的效率。例如，飞行物联网络[11]专注于利用空中计算基础设施向移动用户提供服务和应用。该网络提出了一种新型应用，即无人机作为“数据骡子”，在自然灾害后为农村地区提供服务，并应对与大数据分析、态势感知以及计算基础设施的渐进式可扩展性相关的挑战。在[12]中，提出了一种基于无人机的物联网平台，用于从高海拔进行人脸识别。相关实验表明，如果无人机能够卸载其计算任务，则其能耗显著降低，将短视频传输到本地边缘服务器，而不会对识别性能造成任何下降。在[13]中，针对基于无人机的增值物联网服务潜力进行了全面综述。作者指出，由于其普遍适用性，无人机将在物联网（IoT）愿景中发挥重要作用，甚至可能成为众多应用领域（如应急管理、精准农业、森林火灾监测、建筑监控、货物运输）中的关键物联网使能者。然而，在充分应对各种相关挑战之前，尚无法实现上述无人机应用愿景，这些挑战包括实时数据处理需求、监管/标准化问题以及地面人员的公共安全与隐私保护问题。

III. 需求与架构

上述技术综述表明，为了使无人机能够应用于实际的森林火灾探测任务中，仍有许多尚未解决的挑战需要应对。另一方面，现有在物联网生态系统中已被证明高效的数据处理机制，可以很好地适应并服务于基于无人机的火灾检测领域。通过对系统性技术综述成果（如[13]和[10]）以及应急处理领域专家报告[14]的研究得出结论：物联网范式能够针对基于无人机的火灾检测中的以下关键需求提供高效的解决方案：

早期事件检测与识别 ：在野火失控之前及时检测并加以控制具有重要意义。据专家称，典型的野火通常每几分钟面积就会翻倍，而在大风或极度干燥的条件下，其增长速度可能更快[15]。利用传感器（例如视觉传感器网络）和GPS系统来检测火灾事件并确定火灾位置是一项复杂的任务，必须确保高检测概率、低误报率，以及在各种环境条件下的增强自适应能力。

资源利用优化 ：当前的多旋翼无人机相比固定翼飞行器表现出更高的灵活性和容错能力。然而，多旋翼无人机依赖电力源，平均续航时间为10至50分钟[14]。因此，为了在不危及火灾早期和准确检测的前提下延长任务续航能力，显著降低传感、通信和数据处理资源的使用以减少能耗至关重要。

集中式智能决策 ：大范围监测和火灾检测是复杂的任务，需要一个能够处理大量部署的传感器所提供的信息，并同时避免误报警或未能检测到关键事件的决策支持系统。整体工作的协调与控制要求所有必要信息以集中式方式提供，且不会导致计算和通信资源使用的过载。传感设备的大规模部署可能会在系统以周期性时间间隔同时生成数据或由于事件（例如森林火灾检测）发生时，会导致拥塞问题。

符合法规要求 ：无人机技术的有效和安全部署必须由明确的监管规则推动，以消除物理碰撞、任意路径规划或侵犯个人隐私的风险。

为满足上述需求，提出了一种基于分布式代理的分层架构，旨在通过充分利用物联网生态系统中的先进特性，实现有效的基于无人机的火灾探测。该方法主要关注评估无人机在处理、能量和通信资源方面的使用/消耗情况，以实现对监控区域内的火灾事件进行早期且准确的检测。图1展示了所提出的架构示意图。

所提出解决方案的一个关键特性是建立网络边缘服务器的低延迟访问。基于这种边缘计算方法，资源受限的无人机及其传感器能够选择性地将耗能任务（如图像识别）卸载到附近部署在相应雾服务器上的专用服务。更具体地说，每个雾服务器都配备了所提出软件的代理版本。该代理版本包含一个混合控制器‐虚拟机监控器（CH）组件，能够创建、运行、扩展和停止特定应用的虚拟服务。为此采用了Docker平台，灵活轻量的Docker容器支持上述服务的实现。该架构的关键是日志服务组件（同样实现在代理中），负责监控图像处理请求量、网络流量以及服务器CPU/内存资源可用性，并将信息反馈给CH组件。基于这些数据并利用新型控制理论技术，CH能够在任意时刻计算并确保服务器资源对容器化服务的主动最优分配。通过这种方式，避免了资源过度（或不足）配置，在雾服务器上始终实现高可用性，同时保证最短响应时间延迟。

第二次卸载决策发生在雾层，此时上述数据已可用。为此，在容器化服务中部署了图像分类模块，旨在检测潜在紧急情况。无人机捕获的图像将根据是否检测到森林火灾事件进行分类。随后，仅将有关检测事件的部分数据（例如，分类结果）发布到云后端进行进一步分析。这种受控的数据流不仅优化了雾节点与云节点之间链路的带宽利用率，还有助于解决安全和隐私问题；因为潜在的敏感数据不会泄露给3rd方，原则上这些数据存储在部署代理软件的场地内。即使在检测到紧急事件的情况下，发布到云的数据量也受到限制。在所属实体的监督下，整个流程已去除所有侵犯隐私的信息。

最后，在云层部署了一个中央存储库，用于接收来自分布式网关的通知。已采用NGSI数据模型[16]和API，以确保代理与集中式数据存储库之间的高效且互操作的通信。Orion Context Broker1, 是一种实现NGSI API的FIWARE通用使能器，被用于对来自分布式节点的信息进行同步和异步管理。每个节点都配备有一个代理，能够基于FIWARE数据模型对感知数据进行建模，并将这些数据传输到云[17]。此外，在云端部署了一个基于语义推理机的决策引擎，能够整合来自多种异构源的数据——不仅限于无人机‐网关，从而提取额外知识，支持对关键情况的早期检测。以下是对部署在雾节点上的各个组件的描述：

控制器‐虚拟机监控器 ：操控部署在雾服务器上的、用于实现虚拟服务的Docker容器。CH组件收集工作负载与利用率数据。

图像分类服务 ：使用谷歌的Tensorflow [18]深度学习框架对无人机拍摄的图像进行分类。该开源深度学习框架具有内置库，可用于训练能够识别包含感兴趣事件（即火灾、烟雾）图像的深度神经网络（DNN）。训练过程包括通过大量此类图像对DNN进行离线监督输入。来自边缘的传入卸载数据随后根据其估计的关键性被相应地分类为离散类别。该服务的实例部署在Docker容器内。选择容器而非虚拟机作为虚拟化手段，是因为容器具有整体较低开销、更小的占用空间和轻量级垂直可扩展性。

日志服务 ：在实验执行期间监控各种系统参数（例如CPU/存储/带宽利用率、时间间隔等）。

NGSI客户端 ：将数据从自定义数据模型（例如无人机传感器）转换为NGSI数据模型。该转换器处理（近）实时数据流或以批处理模式处理存储的数据集。此外，提供同步和异步通信机制，同时确保与云组件的身份验证和授权。

位于云节点部署的各个组件的描述如下：

Orion上下文代理 ：负责维护从代理接收到的数据，支持与代理和/或其他合格消费者之间的发布/订阅操作。它确保身份验证和授权。

决策服务 ：该服务处理从雾层卸载的数据，这些数据的关键性已超过预设阈值，因此可能表明存在正在发生的紧急情况。推理机制负责基于聚合的卸载数据自动推断有关此类情况的知识。更具体地说，一个包含卸载数据的在线知识库（KB）会持续扩展来自该服务的推断知识。这些“额外”知识是通过在知识库上应用特定逻辑规则而产生的。这些规则仅是一系列明确定义的条件，当条件满足时，即根据预定义等级（低、中、高）确定紧急情况的级别。

IV. 正式问题陈述

如前所述，雾计算层是位于边缘和云计算层之间的中间层，为整体通信提供透明通信和资源分配的关键机制。与云计算不同，边缘和雾计算资源并不充裕，因此必须具备动态资源分配和扩展机制，以满足时间或任务关键型物联网应用的需求。在本节中，提出了一种最优资源分配问题的高层模型，该模型允许在三层之间进行可用资源的按需分配。

在我们研究的问题设定中，雾层包含Ni,…,2,= 1个节点，每个节点可能服务iMj,…,2,= 1个边缘节点（在我们的用例中，所有边缘节点均建立在附属于无人机的轻量资源设备上）。每个边缘节点负责监控特定的农村地区，捕获指定区域的航拍图像，并将这些图像作为输入来判断是否发生了火灾紧急情况。边缘节点ije所捕获图像的速率为ijr（单位：字节/秒），该速率将用于确定潜在火灾紧急情况的发生。通过适当的训练软件处理这些捕获的图像需要ijp处理资源。如果图像处理在边缘层本地执行，则决策时间为 E ij t（包括将决策传输到云的时间）；如果在雾层执行处理，则决策时间为 F ij t（包括将决策传输到云的时间）从边缘传输图像到雾节点以及将决策传输到云所需的时间，如果图像处理在云层面进行，则决策时间是 C ij t（包括从边缘节点传输图像到云所需的时间）。当然，这些参数不仅极大地依赖于由边缘节点ije产生的待处理数据速率ijr，还依赖于其他多个参数，例如各层中涉及节点的CPU/内存属性、连接不同层节点的电信基础设施和可用网络资源等。

在此框架中，最优资源分配问题旨在最小化无人机所捕获的所有图像的平均决策时间z。相应的目标函数可表述如下：

( ) = = = ⋅ + ⋅ + ⋅ ⋅ = N i M j C ij C ij F ij F ij E ij E ij N i i i t d t d t d M z 1 1 1 1

其中， =1 E ijd 表示图像处理由节点ij e在边缘层本地执行的情况； =1 F ijd 表示由边缘节点ij e捕获的图像在雾层由节点fi 进行处理的情况；以及 =1 C ijd 表示由边缘节点 ij e捕获的图像在云层面进行处理的情况。这些情况受到各层资源可用性的多种约束。假设 M ijP 表示边缘节点ij e的可用处理资源，M iP表示雾节点fi 的可用处理资源， M ijN 表示边缘节点ij e可用的网络基础设施所能支持的最大数据传输速率， M iN 表示雾节点fi 可用的网络基础设施所能支持的最大数据传输速率， M ijE 表示边缘节点ij e的电池续航。还假设关于资源分配的决策将在持续时间为T的时间间隔内定期执行。

如果最终， E ijE表示在边缘节点ije上执行持续时间为T的图像处理负载时所消耗的能耗， F ijE表示当图像处理负载在雾层执行持续时间为T时在边缘节点ije上所消耗的能耗（而ije上的实际能耗是由于将图像传输到相应的雾节点fi所致），以及 C ijE 表示当图像处理负载在云层面执行持续时间为T时在边缘节点ije上所消耗的能耗（而ije上的实际能耗是由于将图像传输到云所致），则旨在最小化平均决策时间的最优资源分配问题可正式表述如下：

( ) ( ) ( ) {0,1} , , , 1, , , 0 , 0 , , 0 , 0 , , 0 受限于 1 min 1 1 1 1 1 ∈ ∀ = + + ∀ ≤ ⋅ + ⋅ + ⋅ ≤ ∀ ≤ ⋅ ≤ ∀ ≤ ⋅ ≤ ∀ ≤ ⋅ ≤ ∀ ≤ ⋅ ≤ ⋅ + ⋅ + ⋅ ⋅ = = = = = = C ij F ij E ij C ij F ij E ij M ij C ij C ij F ij F ij E ij E ij M i M j ij F ij M ij ij E ij M i M j ij F ij M ij ij E ij N i M j C ij C ij F ij F ij E ij E ij N i i d d d ij d d d ij E E d E d E d i N r d ij N r d i P p d ij P p d t d t d t d M z i i i

当然，为了使上述模型可用，还需要明确指定根据所有相关节点上可用的CPU、内存、网络和能源资源来计算 E ij t、 F ij t和 C ij t值的函数。

V. 应急检测演示设计

该实验旨在多个站点（试验床）上使用数量不等的无人机，执行监测广阔农村地区的任务，以尽早发现潜在的火灾事件，并支持启动一系列应对紧急情况的措施。该方法模拟了一个集中式指挥控制中心的运行，该中心负责协调传感资源的使用、评估检测到的紧急事件并协调后续行动。无人机感知数据（例如可见光和红外图像、位置、温度、空气质量）可传输至基站或集中式云服务，以便进行联合处理。一旦检测到火灾事件，将向无人机发送新的任务指令，例如降低速度、提高采样率、启用附加传感器、增加发送至基站的消息频率、更新任务航点——围绕兴趣点飞行等。这些新指令旨在从该区域收集更多数据并进行核实，以更高的准确率判断火灾事件是否真实发生，并避免误报情况。对图像进行更高频率的采样需要更多的处理资源，这些资源应在雾服务器上自动分配。推理过程产生的图像分类得分以及事件的地理位置坐标将被转发至云服务。位于云中的决策引擎应能基于预定义等级（例如：低、中、高）自动检测紧急情况的严重程度。当提供的信息更丰富时，推理结果的预期置信度更高，评估结果也更准确。该方法考虑了以下性能指标：更快识别紧急情况、更准确评估事态、有限的人力资源参与。演示实现包括以下三个主要阶段：

1. 初步实验 旨在验证部署在单个测试平台上的所提出架构实现，该实验使用有限数量的传感器，且这些传感器尚未部署在无人机上。在此阶段，未采用先进的智能卸载过程。这有助于确定各性能指标的参考阈值，随后将其作为基线值，用于评估引入所提出的智能机制后获得的结果。

2. 实验的第二轮 逐步利用增加的数据源数量。这些实验侧重于在雾和云层面评估和完善语义推理支持。在此阶段，全面版本的实验旨在让更多数量的无人机、传感器以及总体数据源参与其中。这些实验主要关注所提出智能分布和资源分配优化机制的评估，以及实验数据的收集与准备，以支持精确控制功能的确定。

3. 在最后一轮实验中 ，多个远程站点的大量无人机参与其中，从而能够对所提出的卸载和优化机制进行全面评估。需要指出的是，采用NGSI开放标准对实验期间收集的数据集进行建模，可实现这些数据集向相应数据门户平台（例如，CKAN 2）的传播，使其可供更广泛的研究社区使用。

实验的第二和第三阶段将在H2020 RAWFIE3项目提供的测试平台联盟内实施。RAWFIE测试平台属于未来互联网研究实验（FIRE+）计划的一部分，旨在通过整合大量无人车辆试验床，为物联网（IoT）设备在车辆、空中及海洋环境中的研究实验提供研究设施。RAWFIE平台为实验人员提供智能工具[19]，以开展和监控涉及无人机的实验，并具备安全控制部署在多个地点的各种车辆群体的机制。为了模拟对森林区域的巡逻，将启用CATUAV（西班牙）和CESA‐DRONES（法国）试验床。

所提出的架构的初步实现及其计划评估已经完成。我们针对原型实现的框架进行了评估，评估指标包括事件发生到系统检测到该事件之间的平均耗时（即响应时间）、网络边缘的总能耗以及产生的网络流量。为此，描述并分析了三种场景，涵盖了在节点级别图像处理方面可采用的主要策略（如图2所示）：

1. 所有图像均在无人机节点上进行处理，仅当高概率检测到紧急情况时才通知云节点（“仅边缘”）。
2. 由无人机捕获的所有图像均被转发至云，并 exclusively 在云端进行处理以检测紧急情况（“仅云端”）。
3. 无人机节点捕获的所有图像被转发至雾节点并在该节点进行后续处理。仅当高概率检测到紧急情况时才通知云（“仅雾端”）。

“仅边缘”)
“仅雾端”)
“仅云端”)

VI. 实验评估

本节介绍了实验的设置以及实验执行的结果，并对获得的结果进行了相应的评估和比较。如前所述，该评估对应于所提出的架构实现的第一阶段。

A. 实验设置

在上述三个实验场景中使用的基本硬件设置包括三个移动客户端、一个无线接入点、一个雾服务器和一个基于第三节所述架构的云服务器。为了准确模拟无人机合理的计算与网络能力及其任务持续时间，采用了三台配备四核 ARM Cortex‐A53、1.2GHz处理器、1GB内存、摄像头模块v2和802.11ac双频WiFi适配器的树莓派3B型，并由10000mAh移动电源供电；接入点（AP）采用ALIX.3系统板。雾服务器使用位于NETMODE试验台场地内的本地台式机4，配备英特尔i7四核2.7GHz处理器和8GB可用内存。云服务器则采用来自Imec的一个物理节点虚拟墙测试平台5已预留，配备2x四核英特尔E5520（2.2GHz）CPU和12GB内存。该服务器的位置特意选择在远离我们场地的地方，以实现对云的无偏模拟。为了精确监控和评估边缘节点的实时能耗，现场安装了BOSS 220智能插座。

关于仿真配置本身，每个实验场景持续15分钟。树莓派由BOSS 220智能插座供电，并通过802.11ac通信连接到ALIX.3板，该板作为本地无线和有线接入点以及互联网网关。在仅边缘场景中，所有图像均在树莓派上本地顺序处理，分类结果通过ALIX.3板接入点发送至云上的NGSI组件。该方法实现了每分钟处理三张图像的平均速率。在仅云场景中，所有图像均通过ALIX.3板接入点发送至远程服务器进行处理，图像处理完成后，分类结果通过回环接口直接提供给NGSI。在仅雾场景中，所有图像通过ALIX.3发送至边缘服务器，其中树莓派通过无线网络连接，本地服务器通过以太网连接。每次图像分类完成后，结果通过ALIX.3网关发送至远程服务器上的NGSI。在这两个场景中，如果请求连续且顺序提交，则平均每分钟可处理十五张图像。因此，为了使结果具有可比性，我们通过在每次卸载请求之间插入空闲时间，将这两个场景的请求速率限制为每分钟三个请求。

图3、图4、图5和图6所示的结果用于评估三种场景的效率。图3显示了平均功耗以及处理和卸载操作的每请求能耗（即减去节点空闲功耗）。图4展示了请求响应时间（按升序排列）及其平均值，图4还以对数尺度显示了传输到云的平均数据量。

B. 仅边缘场景

在此第一种场景中，我们展示了资源受限的无人机节点承担全部处理负载的边缘情况，评估该决策对系统响应时间、节点电池续航以及向云生成的网络流量的影响（图2(a)）。无人机节点负责周期性地拍摄现场图像，并本地执行图像分类服务。如果检测到紧急情况的概率高于预定义阈值，即当分类得分超过50%时图像被分类为含火灾图像，在我们的案例中，此信息会传输到云，以供决策模块进行进一步分析。

正如预期，边缘节点在执行图像分类过程等计算密集型任务时表现吃力，结果也证实了这一点；如图3所示，无人机的功耗是其他两种场景下的两倍。当考察每请求能耗时，这种差异更加显著，我们观察到，在仅边缘场景中，其值比处理任务卸载至雾端或云端时高出约十二倍。此外，系统做出决策所需的时间也明显更长；从图4可以看出，该性能指标在仅边缘场景中平均为19.5秒/请求，而与此同时，云端和仅雾场景分别仅为4秒/请求和4.5秒/请求。然而，在讨论向云端产生的平均网络流量时，当前场景则具有优势（图5）；这种行为是可预期的，因为边缘节点仅向云端传输最少的信息，即分类得分。

C. 仅云场景

在此场景中，研究了相反的边缘情况，即所有数据处理均在云中进行；无人机捕获的每张图像都被传输到云中，并由图像分类服务进行评估（图2(c)）。分类信息进一步在同样运行于云中的决策模块中进行分析。如预期所示，这种情况导致边缘节点的功耗和能耗较低，因为无人机仅周期性地将图像卸载到远程服务器。云中分配的资源（相对于分类过程的需求而言是“无限”的）能够轻松承担图像处理任务，同时使该场景在这三种情况中实现最低的响应时间。这些结果再次被描绘如下：在图3、4、5和6中。然而，这些节省并非没有代价；如图6所示，与其它场景相比，传输到云的传输的数据平均量显著更大，这是将整个图像卸载到远程服务器这一决策的结果。

D. 仅雾计算场景

最后，在最后一个实验场景中，对所提出的中间雾层的利用进行了评估，并与上述边缘情况进行比较；如前所述，此次无人机捕获的图像被卸载到局域网中的工作站，在该工作站上由容器化图像分类服务进行分类（图2(b)）。作为所展示场景中最均衡的一种，将处理任务卸载到雾层结合了前两种场景的优点；边缘节点上的能耗和功耗与仅云场景大致相当（图3），因为无人机再次仅周期性地将捕获的图像卸载以进行分类。同样，响应时间在仅云场景的测量值附近波动，平均仅高出10%，如图5所示。这种轻微延迟是由于本地服务器上的分类执行时间增加所致，而本地服务器提供给算法资源较为受限。此外，观察到的响应时间显著波动归因于实验期间其他服务使用本地接入点所引起的连接不稳定。最后，向云生成的平均网络流量（如图5所示）与仅边缘场景相同，因为在两种情况下，仅有分类得分字符串被传输至远程服务器。

如B、C和D小节中详述的，每种场景都有其优缺点。然而，其中一些难以通过图表直观展示和评估。数据隐私问题尤为关键且难以可视化，而在这一方面，仅雾端和仅边缘场景表现突出。与仅云场景不同，敏感数据（如私人场地的图像）仅在“内部”网络和节点中传输，而只有分类得分等中性信息才会暴露于公共互联网。另一个问题是感兴趣事件的覆盖范围；如前所述，在仅雾端和仅云场景中，请求速率被手动限制为与仅边缘场景一致。然而，在这些场景中，无人机能够在相同时间内通过捕捉并卸载更多图像，以额外的角度提供更优的覆盖范围。

最后需要强调的是，由于我们的测量是在测试环境中进行的，并且使用了可用的802.11ac通信信道而非更贴近实际的4G LTE信道，因此在本次初步实验中，三种方法之间的差异可能被低估了。如[20]所述，消除这种“失真”有望缩小三种场景在能耗和功耗方面的差距，但响应时间和产生的网络流量预计不会发生显著变化。这将在第二实验阶段进行深入研究。

VII. 结论

本文提出了一种用于大面积森林早期火灾检测的三层架构。配备树莓派设备的无人机可采集必要的图像数据，并在本地、雾层或云层中进行处理。初步实验表明，在响应时间、网络利用率和能耗方面，雾卸载方法在所执行的评估场景中表现出最均衡的结果。这些结果将作为必要输入，用于推进下一阶段的实验，以实现基于物联网的成熟解决方案在森林火灾探测应用领域的集成。作者未来的计划包括开发一种智能资源分配算法，该算法能够动态预测各个节点的工作负载，并主动在雾节点上预留充足的资源，以最优地承载相应的处理负载。