机会式边缘计算：概念与挑战

机会式边缘计算：概念、机遇与研究挑战

理查德·奥拉尼yan，奥拉米莱坎·法达洪西，穆图库马鲁·马赫斯瓦兰，穆罕默德·法滕·扎尼

摘要

对低延迟访问计算资源日益增长的需求推动了边缘计算的发展，其中资源被战略性地部署在接入网络中。然而，雾计算和云点等边缘计算基础设施的可扩展性有限，且鉴于互联网边缘范围广阔，其安装成本可能高得令人望而却步。本文提出了机会式边缘计算（OEC），这是一种新的计算范式，提供了一个框架，用于在边缘利用终端用户贡献的资源。OEC的目标之一是通过激励人们共享其资源，将资源部署在需求较高的位置。本文定义了OEC范式及相关利益相关者，并提出了一种用于构建、管理和监控可扩展边缘基础设施的管理框架。文章还强调了OEC计算模型与现有计算模型之间的关键差异，并概述了该领域早期的研究工作。此外，本文展示了初步的实验结果，突出了OEC相较于常规云计算部署和雾部署的优势与局限性。最后，总结了OEC环境中的资源管理的关键研究方向。

关键词 ：机会边缘计算，雾计算，云计算，资源管理

1. 引言

当前形式的云计算由战略性部署的数据中心[1]提供支持，这些数据中心拥有有限但聚合资源容量非常大的资源（CPU、处理能力、内存、存储）。例如，截至2016年，在云计算市场占有31%份额的亚马逊EC2在互联网上拥有14个站点。各种“触觉”类互联网应用（如增强现实或虚拟现实，例如Oculus Rift）以及高带宽需求的应用程序（如4K流媒体或4K游戏）的出现，使得将服务器部署到更靠近边缘的位置变得尤为重要，以便用户应用程序能够获得响应迅速的性能。这促使人们需要重新思考云计算架构，重点关注基础设施的分布式布局。

朝着互联网边缘[2, 3]。

自2012年提出以来，雾计算[4]一直是边缘计算的主导概念。在[5],张（Chiang）提出的雾计算四大理由中：（i）实时处理和信息物理系统控制，（ii）以客户端为中心目标的认知，（iii）本地资源池化，以及（iv）快速创新和经济高效的扩展。随着物联网（IoT）的发展，设备需要快速解决其分析计算请求，以满足其服务质量（QoS）要求。此外，设备可能会产生大量上下文数据（例如自动驾驶汽车周围的视频），这些数据需要实时处理。为了满足这些应用程序的性能约束，资源必须部署在边缘，并且必须最小化数据传输时间。边缘还拥有大量不同类型的资源。通过资源池化，可以根据需要低成本地创建具有不同能力的计算系统。

本文提出了一种用于机会式边缘计算（OEC）框架的架构，该架构能够动态创建靠近终端用户的资源池。OEC系统像传统云计算系统一样进行集中管理，从而可以精确控制提供给客户的服务质量（QoS）。然而，OEC所使用的资源基础是分布式拥有，并通过短期合同租赁给OEC框架。例如，OEC可以从停放在停车场的联网汽车中租赁计算资源，以创建一个靠近附近终端用户的机会式微型数据中心。OEC提供的租赁价格将取决于该地区资源未来需求的预期。通过调整租赁价格，OEC可以调节资源供应水平以满足客户需求在所需的服务质量水平上。遵循云计算所提供的相同论点，当同时考虑资本和运营支出时，机会性租赁的资源应比从传统数据中心获得的资源更便宜[6],。

本文的贡献如下：

• 我们首先通过强调在互联网边缘机会式整合资源新框架的技术和社会趋势，来阐述机会式边缘计算（OEC）的动机。
• 我们提出了机会边缘计算模型的定义，并描述了其潜在优势、特性、相关商业模式以及潜在的管理框架。
• 我们总结了边缘机会计算的早期工作。值得注意的是，现有的综述并未聚焦于构建边缘计算云的机会主义特性。例如，Ahmed等[7, 8],、Abbas等[9],、Mach等[10]、Guan等[11]的综述为移动边缘计算提供了有用的应用案例和应用场景，并指出了与向边缘进行应用卸载相关的挑战。Mao等[12]涵盖了移动边缘计算中无线与计算资源联合管理的现有文献，并讨论了潜在的系统部署模型以及缓存、移动性和隐私管理问题。Roman等的综述[13]则侧重于与雾计算相关的安全与隐私问题。与这些综述不同，本工作将聚焦于旨在构建机会主义使用可用的边缘基础设施和设备在网络边缘的云
• 我们提供了一种分类法，用于对现有的机会计算系统进行分类，并利用该分类法将OEC与现有的基于边缘的系统进行比较。
• 我们进行了多个实验，以突出并讨论机会边缘计算相较于常规云计算部署和雾计算部署的优势与局限性。
• 我们确定了在实施OEC时仍需解决的关键研究挑战。

本文的其余部分结构如下。第2节阐述了在互联网边缘机会主义地整合资源所需的新框架的必要性。第3节通过定义、架构草图和商业模式深入解释了OEC。第5节提出了描述机会主义计算系统的分类法。第4节将OEC与现有的边缘计算系统进行了对比。在第6节中，我们使用基于容器的边缘计算模拟器，比较了OEC配置与云计算及专用雾节点的性能。第7节指出了实现OEC所需解决的研究挑战。

2. 动机

推动新范式需求的主要因素有五个。首先，云是遥远的。广域网（WAN）上的长延迟已经被认为是使用云计算系统执行资源和数据密集型计算的障碍[2]。因此，我们需要机制来透明地减轻长延迟对云计算的影响。作为互联网中主导的接入网络，移动接入链路的带宽预计到2020年将增至目前的三倍，如图1所示。在高延迟情况下，交互式应用的完成时间将主要由延迟决定，终端用户无法从充足带宽的可用性中受益。

其次，在互联网边缘部署服务资源是许多解决方案（如云点[2, 14, 3]）背后的核心思想，但这极具挑战性。具体而言，服务器资源被部署在接入路由器上或其附近，并配置了软件栈，以便快速启动虚拟机来为应用程序提供服务。资源静态部署无法有效覆盖互联网边缘动态变化的需求热点。此外，该方法无法扩展以应对服务需求的不断变化。

第三，随着4K游戏和虚拟现实等资源密集型流行应用程序的引入，高性能个人电脑将在终端用户场所广泛部署。高带宽和对称网络（如光纤到户或不断提升的移动带宽，参见图1）将使这些高性能资源构成一个强大的分布式计算集群。如果没有适当的框架对可用资源进行资源池化和编排，大量潜在的计算能力可能会被浪费。

第四，数据中心的能耗是一个严峻的问题，已引起研究界的广泛关注。与其通过扩展数据中心容量来满足不断增长的需求，不如通过数据中心之间的对等互联或利用机会性资源来增强数据中心的资源容量，以此应对瞬时过载情况；特别是在边缘计算优势的背景下。

最后，近年来，共享作为一种蓬勃发展的企业模式在互联网上兴起，用户积极的态度推动了其发展，如图2所示。一些流行的基于互联网的服务企业应运而生，用于共享房间（例如，AirBnB）和乘车服务（例如，Uber）。这些服务通过众包方式动态组建其资源池，这与云计算使用专用资源池进行资源供应的方式不同。

对于依赖众包的资源共享企业而言，激励措施对于保持用户对系统的参与至关重要。Uber采用的一种方法是动态定价模型，该模型可以提高某一位置的价格通过平衡汽车的供应与乘客的需求。在共享出行系统中，定价模型可以被动方式进行调整；但在高吞吐量云计算系统（特别是涉及大量小型任务时），必须采用主动价格管理模型以避免任务积压。而AirBnB则创建了一个市场，卖家为通过该服务出租的房间设定价格。

3. 机会边缘计算

3.1. 概述

理解机会式边缘计算（OEC）模型的最佳方式是将其与现有或先前提出的云计算模型进行对比。在图3中，我们展示了三种云的系统模型：（a）核心中心型（传统）、（b）边缘中心型（超分布式）和（c）机会主义型。

传统云由少数战略性部署的数据中心提供支持。全球规模云提供商（例如亚马逊）拥有多个数据中心，以实现冗余、数据本地化和地理负载均衡。在此模型中，数据中心位于互联网核心附近，以便覆盖来自互联网任意位置的需求。该模型的问题在于遥远的计算资源。任何依赖此类云计算系统的终端用户应用程序都需要跨越互联网。由于跨越互联网带来的可变延迟，该模型被认为不适合对时间敏感的物联网控制或向移动应用提供严格的服务质量[2]。

解决与核心中心（传统）云相关问题的一种方法是使用“超分布”模式，将微型数据中心部署在互联网的多个位置[1]。在这种边缘中心的云配置中，终端用户可以连接到附近的微型数据中心以实现最佳性能。尽管边缘中心的云计算带来了诸多优势，例如增强的冗余性、更好的数据本地化以及更小且更稳定的延迟，但也面临重大挑战。其中之一就是随着站点数量的增加，管理开销呈指数级增长。

因此，为了实现边缘中心云的优势，必须解决所有管理和部署方面的挑战，从而使该模型能够与以核心为中心的云模型相竞争。此外，还需要说服云服务提供商，采用边缘中心的云方案具有更佳的商业价值。

图3(c)所示的机会性边缘云采用了一种不同的方法将计算推向边缘。与在战略选定的边缘位置部署小型资源池（如云点和雾）不同，OEC通过代理利用终端用户贡献的资源在边缘构建资源池。因此，OEC资源池在设计上位于边缘，可用于实现边缘上的云计算。由于OEC资源池中的资源由终端用户提供，它们不具备永久性。为应对这种非永久性，OEC代理可将这些资源租赁一段预定义的时间段。OEC代理需要结合租约时长来管理OEC资源池中的资源。同意租赁资源的终端用户需承诺在约定的租期内将资源保留在OEC中。若终端用户在租期结束前提前撤回任何资源，则该租期被视为一种故障资源。此外，OEC资源上的应用托管需要遵循类似于云点和雾的软状态方法，以确保OEC资源故障不会导致数据的不可恢复丢失。

3.2. 定义、优势和特性

定义 ：机会式边缘计算（OEC）是一种提供对共享计算资源池（例如服务器、存储、网络、应用程序和服务）按需即时访问的模型，这些资源池利用附近基础设施（例如本地可用的设备和装置）机会主义地构建而成。与传统云基础设施不同，OEC基础设施根据愿意共享其资源的设备和基础设施的当前可用性动态发现、构建和管理。

以下是与现有的云计算或提出的边缘计算范式相比，OEC的一些关键优势和特性。

• 靠近终端用户 ：靠近终端用户是OEC模型提供的主要优势。已部署应用程序和服务将受益于接近零的访问延迟，并可即时动态配置和部署以服务附近的终端用户。
• 临时基础设施 ：OEC能够在最少的预先存在的基础设施基础上即时创建云基础设施。由于最终用户同时也可以是参与者，他们可以为自己正在使用的服务和应用程序提供资源。一个有趣的用例是社交或体育活动的参加者，他们将自己设备的部分计算能力贡献给相关服务和活动期间提供的应用程序。在这种情况下，用户自己使用自己的资源为其服务提供支持。
• 自动可扩展性 ：OEC的另一个关键优势是，汇集的资源数量与参与者数量成正比。直观上，服务的需求随着终端用户的数量而变化。如果这些用户将其资源提供给OEC使用，则机会边缘云的容量将根据用户数量和需求自然地上下扩展。
• 多租户 ：机会边缘云的资源可以被利用来满足多个服务提供商的需求。在这种情况下，资源管理模块应定义资源在服务提供商之间的切分和分配方式，以及根据性能目标和需求确定的资源隔离级别。
• 提高成本效益 ：OEC的广泛采用和大量参与者将带来更好的规模经济，从而降低服务和应用程序的部署成本。同时，终端用户本身可能也是机会边缘云的参与者，因此他们可以以更低的价格获得OEC资源和服务的好处。最后，OEC减少了对传统云提供商提供的潜在昂贵资源的需求。

3.3. 商业模式

我们认为OEC商业模式应涉及以下四个利益相关者，如图4所示：

• 参与者 ：参与者拥有物理资源（例如，局域网、台式计算机、移动设备、笔记本电脑）。在某些激励的驱动下，他们将这些资源置于代理的控制之下。
• 代理 ：经纪人负责利用参与者提供的资源来构建和管理机会主义边缘云。代理可以是与参与者协商资源获取合同、汇集或切分其资源并提供给服务提供商（SPs）的公司。代理还可以利用这些资源按潜在客户端的要求运行任务。
• 服务提供商/客户端 ：服务提供商或客户端从代理处租赁资源，并使用这些资源来部署其应用程序或服务。客户端可以选择不租赁资源，而是请求代理在机会边缘云上运行任务。
• 最终用户 ：终端用户是服务提供商提供的应用程序和服务的用户。

3.4. OEC框架

OEC框架的关键架构元素如图5所示。参与者贡献的资源通过系统进行注册。

注册和位置感知资源分析器。对于每种资源，该模块负责确定资源类型和特征（例如，数量、性能、可用时间、位置、可靠性）。利用这些信息，OEC估算在给定网络范围内对该资源的需求，以及可以向参与者提供的激励水平，以使其在特定时间段内捐赠该资源。

激励管理与定价模块负责管理和确定向参与者提供的激励以及其贡献资源的最终价格。该模块可以利用参与者资源供应的历史数据，与OEC协商激励措施、资源价格和参与计划。例如，该模块可帮助参与者确定在租赁其闲置资源（如人们在工作或上学时的家用计算机）时可能获得的激励金额。

OEC应实施机制，以支持在参与者提供的资源上实现多租户。这是通过OEC实现的资源编排栈，用于整合所提供的资源并将其划分为隔离切片，以便不同的服务提供商能够利用这些资源部署其服务和应用程序或运行计算任务。该模块还负责管理参与者设备的故障和间歇性，以确保所请求的资源始终可用。

资源监控模块负责持续监控参与者的资源，并为其他模块提供相关统计信息（例如，利用率、可用性、故障、性能）。最后，资源数据库会记录所有这些统计信息，以及有关参与者、服务提供商/客户端、请求描述和已分配资源的所有相关信息。

4. 相关计算模型和边缘机会计算的早期工作

近年来，出现了多种依赖云的技术，旨在将云计算推向终端用户，包括雾计算和云点、移动云计算以及车载云计算。在本节中，我们描述这些概念和技术并进行比较。然后介绍它们与OEC的关系，并总结边缘机会计算的早期工作。

4.1. 雾计算和云点

雾计算主张通过在网络边缘运行，将计算推向更接近终端设备的位置[4]。雾的一些特性包括：移动性、无线访问、低延迟、位置感知、大量终端设备、实时交互、互操作性和异构性。这些特性使得雾非常适合物联网应用程序和服务。

雾已在物联网领域作为平台部署的一些示例包括联网车辆、智能电网、无线传感器与执行器以及智慧城市[4, 15]。智能电网和智慧城市也是充分 利用雾的丰富特性及其与云之间关系来部署物联网应用程序的良好示例。雾与云协同运行良好，因为雾可以提供本地信息和资源，而云则能在更大范围内提供更多的资源[4]。图6展示了雾的通用架构。雾通过在云和移动设备之间引入一个中间层，扩展了云计算。雾服务器以地理分布式的方式部署在该中间层中，使其位于移动用户的本地vicinity内[16]。

另一个相近的概念是云点。云点是一种可信的、资源丰富的计算机或计算机集群，它与互联网连接良好，并可供附近的移动设备使用。它也可以被视为一种小型、简单的设备，位于附近（例如附近的咖啡馆）。当需要时，设备从集中式位置下载用户数据，允许用户本地访问，从而减少延迟。完成后，如有必要，用户数据可以被返回到集中式位置。此过程对用户是透明的，用户只会感受到响应速度更快[14]。在[2],中，作者提出了一种架构，该架构允许在附近的云点上使用虚拟机快速实例化可定制的服务，并通过无线局域网使用这些服务。

4.2. 移动云计算

移动设备的使用在过去几年中急剧增加，移动技术市场也呈指数级增长。移动用户拥有越来越多需要处理和存储的数据和信息（例如图片、视频）。然而，由于移动设备在存储、处理能力和电池续航方面的限制，这些数据需要在附近的某个位置进行存储和处理，以便能够方便地访问和修改。为此提出了移动云计算（MCC），它主要指通过外部基础设施（例如其他设备）向移动设备提供数据处理和存储服务，以增强其处理能力[17, 18]。

4.3. 车载云计算

车载云计算（VCC）的重点是以主动方式按需提供针对不可预测事件的解决方案[19]。VCC依赖于大量在道路、空中和水路上穿梭的车辆，其中大多数车辆具有永久的互联网连接，可被视为一个庞大的移动计算机集群。车辆提供的资源包括车辆本身所具备的计算、存储和感知资源。停放的车辆也是一种巨大的未被充分利用的资源，目前处于浪费状态。街道、停车场和道路上数量庞大的车辆使它们成为云计算网络中节点的理想候选者[20]。目标是利用参与车辆中的车载资源。例如机场停车空间，旅客通常会在此停放他们的汽车。停车场可以为这些车辆供电并使其计算作为停车场数据中心可用的资源。这些车辆中的资源可以被利用来提供第三方或社区服务。传统云中的标准节点与车辆之间的一个显著区别在于车辆具备的自主性autonomy和移动性mobility属性。例如，困于交通拥堵中的驾驶员可以将其车载计算资源汇集起来，帮助城市交通规划者运行复杂仿真，通过重新调度交通信号灯来消除拥堵。VCC有可能利用车辆协同解决那些集中式系统需要耗费极长时间才能处理的问题，而这种延迟会使解决方案失去意义[21]。

4.4. 边缘计算变体的比较

在本节中，我们根据表1所示的选定特性，探讨边缘计算不同变体之间的关系。从表中可以看出，实现位置本地化是边缘计算不同变体的关键目标之一。OEC也以该目标为导向，但采用了不同的方法。在车辆云中，资源位于车辆内部；类似地，在MCC中，资源位于用户端。然而，在雾计算中，资源被战略性地部署在网络边缘。例如，边缘路由器本身可以承载大量资源以满足本地需求，因此接入网络（即网络的第一跳）将拥有这些资源。

在雾计算中，资源容量是固定的，尽管可以说这些资源分布在“网络边缘”。而VCC和MCC则允许资源池以动态方式扩展并重新调整组成。

维度	Fog计算 / 云点	移动设备云计算	车载云计算	机会主义边缘计算
目标用户	终端用户和移动设备	移动用户	汽车和移动用户	服务提供商
资源提供商	雾或云朵运营商	云服务提供商	车辆所有者（移动用户）	终端用户（参与者），云朵运营商
资源类型	存储和计算能力	所有资源提供的云	位于车辆中的车辆异构资源	基于参与者贡献
资源池位置	在接入网络	在云	在边缘	在车辆中
资源容量扩展	固定在部署时	弹性扩展	动态且取决于车辆移动性	自扩展和取决于用户移动性和云朵可用性

OEC在以下几个方面不同于新兴的云计算衍生技术：

1. 在OEC中，云以动态方式形成并快速变化，这与雾计算中雾服务器部署在特定位置的情况不同。
2. OEC中的资源采购与供应由当前对计算资源的客户需求决定。因此，OEC提供按需云。

4.5. 边缘机会计算的早期工作

在本节中，我们综述了文献中提出的用于在互联网边缘进行资源整合的现有架构与框架。下文将机会式边缘计算架构分为两大类：（1）对等网络架构，其中边缘设备之间相互协作以构建和卸载任务；（2）集中式架构或基于代理的架构，其中由一个中心实体负责收集边缘设备的信息，构建机会性云，并做出任务调度决策。

机会式点对点系统的一个示例是张等人[22]提出的系统，该系统允许彼此靠近的移动设备直接通信，并构建一个移动设备云。这使得协作式数据密集型计算无需消耗通往互联网的带宽。另一个例子是马西蒂等人[23],提出的系统，其中移动设备直接相互提供服务，而不必经过集中式服务。他们的算法采用综合考虑设备的移动性和计算能力，以得出有助于比较满足服务请求的各种备选方案的随机度量。该算法从其他移动设备上可用的服务中，为客户端选择最佳的服务提供方案。Mtibaa等人[24]提出了一种对等网络架构，用于在包括移动设备、云朵和云在内的异构设备上进行机会式卸载。在此架构中，每个移动设备可根据不同目标（如降低能耗和最小化任务执行时间）选择将部分任务卸载到其他设备。这类对等网络架构的优势在于能够构建机会式基础设施，以利用附近资源。然而，它们假设每个移动设备都能够收集周边设备的统计信息，构建并管理机会性云点（OEC），并做出卸载决策。这可能会带来若干限制，从而影响整体性能。实际上，除了与这些任务相关的管理开销（如监控、发现邻近节点和构建OEC、调度）之外，移动设备独立地进行任务调度，当相同资源被同时提供给多个移动设备时，可能导致性能不佳。Shi等人[25]提出了Serendipity系统，该系统使移动设备能够与其他设备通信，并跨设备分发计算任务，旨在加快任务计算时间并降低移动设备能耗。

第二类是集中式架构，其中中心实体负责发现和管理机会性资源。Verba等人[26]提出了一种基于消息的平台，旨在进行抽象通信协议，以允许边缘设备相互通信并共享其资源。所提出的平台依赖于网关控制器来构建边缘设备集群，并在这些集群上部署应用程序。戈亚尔等人[27]提出使用集约化管理器来聚合志愿资源，并协调其运行为客户端提供预定义服务（如内容分发和备份）。该集约化管理器具备激励管理方案，可在关于终端用户资源共享活动信息完全或不完全的情况下运行。终端用户通过提供其资源作出贡献，并因其持续提供资源而获得虚拟货币报酬，同时可使用相同货币来使用云管理器提供的服务。哈巴克等人[28]提出了一种系统，用于发现可用的移动设备，以构建能够运行处理任务的飞米云集群。该所提出的系统能够估计设备的存在时间和计算能力，并据此对到达的任务进行调度。法里斯等人[29, 30]假设物联网设备可以被分组形成物联网云。多个物联网云随后可被联邦化以形成更大的资源池。因此，作者提出一种在边缘运行的系统，用以管理和联邦化物联网云，并利用联邦化的资源来运行高级别的服务和任务。

5. 机会计算的分类

各种类型的机会计算已经出现在互联网中。在本节中，我们对其进行研究，并基于一些重要维度进行分类。此项工作的目的是理解不同类型机会计算之间的关系，并加以分析OEC如何与现有的机会计算方案相契合。

分类的一个维度是机会计算发生的层级，这可能影响可达到的性能和信任。另一个维度是（如果适用）将参与者绑定在计算活动中的合同期限。

5.1. 机会计算层级

在资源层进行的机会计算意味着两个节点愿意相互共享资源。例如，基于某种激励交换允许另一用户在自己的计算机上启动虚拟机，就是一种资源层的机会计算。通过这种机会计算，可以在远程机器上运行任何计算或数据处理活动，而不受远程机器所提供的软件或服务的限制。

网络层机会计算指的是两个节点愿意为彼此提供网络层数据转发。移动自组织网络就是这种网络层机会计算的一个例子，其中彼此靠近的节点相互提供分组转发功能。网络层增强也已扩展到延迟容忍网络[31, 32, 33, 34, 35],，其中利用计算元素的物理移动来构建“存储与携带”网络。这类网络仍然是网络层机会计算的示例，因为机会主义行为（即分组转发）仅限于网络层。

在大规模计算系统中，管理层功能在决定向应用程序提供的服务质量方面起着关键作用。对于例如，大量的计算机可以通过批处理作业调度器进行管理，作为高性能计算中心，或使用虚拟化资源的软件栈将其作为云计算系统，并根据客户的需求提供资源切片。在这两种情况下，作业完成时间和服务质量的类型可能会有很大差异。同样，管理层功能的构成会显著影响机会计算系统所提供的服务质量。例如，从用户那里汇集的资源可以在点对点系统中使用而无需任何合同，或通过短期合同使用。然而，通过合同协议，我们可以从相同的资源中获得服务质量。

大多数现有的机会计算系统在应用层运行。在应用层上构建机会计算系统的简便性是造成这一现状的主要原因之一。例如，绝大多数的众包系统都在应用层运行。属于众包类别的系统种类繁多，其中一些提供了原本无法获得的数据访问（如点对点文件共享或BitTorrent网络），另一些则提供知识或服务（如问答网络）。除了众包之外，应用层的机会计算也有相应的资源共享系统。其中最著名的应用层资源共享系统是SETI@Home系统，它允许将志愿计算资源进行资源池化，以解决科学计算任务。尽管应用层机会计算系统易于创建，但它们在所能提供的服务质量保障方面却相当薄弱。

5.2. 机会计算系统的分类法

我们的分类基于两个维度：机会计算的层次和对机会计算的承诺持续时间。机会计算可以发生在上述描述的任一层次中。承诺有两种类型：具有合同义务或没有义务。我们在此使用合同义务的长度作为参数。合同期限为零意味着没有合同。

图7展示了分类法以及已知的分布式计算系统（包括机会主义和非机会主义）在该分类法上的映射。从图7可以看出，应用层是最受欢迎的机会计算层次。其流行的主要原因是在应用层建立机会主义链接较为容易。许多机会计算系统也在网络层得到开发。正如预期，这些系统致力于在频繁断连的网络中提供连接性。此类机会计算系统的目标是创建端到端的连接性以运行网络应用。

车辆云是运行在网络层的机会主义系统的另一个示例。车辆云的主要目标是在更广泛的区域内提供对服务和数据的访问。车辆云特别适用于交通控制与管理、停车、路况更新和碰撞避免等应用程序。

基础设施即服务提供商有时通过出租虚拟服务器拍卖中以更便宜的价格获得这些虚拟服务器，称为Spot实例。在Spot实例市场中，可靠性与可用性被用来换取低成本[36, 37]。在[37]中提出了一种通过检查点降低Spot实例有效成本的模型，同时在[38]中提出了一种可靠且容错的供应和竞价方案，以实现针对计算密集型应用的Spot实例的可靠供应。因此，可以通过利用特定时间点的低廉成本，以机会主义方式获取云计算资源。

6. 实验结果与讨论

在本节中，我们进行了多个实验，以突出机会边缘计算相对于常规云计算部署和雾计算部署的优势与局限性。我们考虑这样一种场景：多个终端用户设备需要运行计算任务，并且需要将这些任务进行卸载。为此，设备可以采用以下部署方式之一：

• 云部署 ，即具有无限资源的普通云基础设施；然而，它距离设备较远（即存在不可忽略的延迟）。
• 专用雾节点 是一组永久安装在边缘设备附近的雾层节点。这种部署方式能够提供高性能，因为它可以在边缘实现最小延迟和大量资源。然而，在多个位置部署和维护大量专用雾节点成本高昂，实际上难以实现。
• 由节点（例如终端用户设备甚至雾节点）在边缘机会性聚合而成的 OEC云 。由于部署和维护专用雾节点的成本较高，OEC云能够以较低成本实现相同的性能目标。然而，专用雾节点与OEC云之间的一个区别在于，OEC云可能会经历断连和重新连接。例如，接入智慧城市电动汽车充电网络的车辆可以托管机会节点。当车辆保持插入雾网络时，这些节点可用于服务请求；然而，当车辆从充电网络断开时，它们将变得不可用。

6.1. 实验设置

为了进行实验，我们开发了一个边缘计算模拟器（作为JAMScript项目1的一部分）。在此模拟器中，节点由Docker容器表示，网络由虚拟交换机表示。在当前版本中，使用Linux网桥来实现虚拟交换机。为了在不同网络节点之间注入不同的延迟，该模拟器使用Pumba混沌测试工具2。通过使用Pumba，我们能够实现不同的链路延迟，以模拟广域和局域连接。例如，设备在特定位置内会更靠近雾节点和其他设备，但远离云以及其他位置的设备。

为了实现位置的概念，我们将网络划分为多个区域，并将节点分布到不同的区域中。然后我们可以识别出三种类型的网络延迟：（i）区域内延迟，即设备与同一区域内的其他设备和雾节点通信时所经历的延迟；（ii）区域间延迟，即设备与另一区域中的设备或雾节点通信时所经历的延迟；（iii）云延迟，用于访问云。在我们的实验中，区域内延迟设置为平均5毫秒和2毫秒方差，区域间延迟设置为10毫秒和3毫秒方差，云延迟设置为50毫秒和6毫秒方差。

每个节点都是一个Docker容器。容器的CPU分配设置为默认级别，并且在所有容器中相等。

在这些实验中，设备、雾和云以树形结构组织。也就是说，雾连接到云，设备连接到雾。设备通过分布式选择函数连接到不同的雾。设备使用随机匹配函数来选择要连接的雾。

设备希望将一个线性方程求解问题（即求解Ax= b）卸载到雾节点。矩阵 A和向量 b由设备通过其感知操作生成。基于这些值，设备希望找到可用于在本地上下文中执行操作的解向量 x。在此问题中，矩阵 A和向量 b均为变量。然而，在这些实验中，矩阵 A由设备在实验开始时上传，并在整个实验过程中保持不变。一旦A被上传，终端用户设备便开始向所使用的计算平台（即云、专用雾节点或OEC云）随机发送请求。每个请求包含一个 b的新值，并寻求一个新的解向量 x。

我们使用来自佛罗里达大学稀疏矩阵库3的包含1294个元素（147乘147）的稀疏矩阵作为 A矩阵。该线性方程在计算平台上由稀疏线性求解器求解。

我们运行了实验100次，并收集了若干性能指标。在下一小节中，我们展示了这些性能指标以及获得的结果。

6.2. 结果与讨论

用于比较三种计算平台的第一个指标是上传时间，即设备在实验开始时上传矩阵A所花费的时间。图8展示了在多次运行中，三种研究场景下数据上传时间的平均值和方差。专用雾节点和OEC云在上传时间方面均表现出色，因为在这些情况下资源位于边缘，而云则需要经过延迟较高的网络连接，从而导致较高的端到端应用层延迟。

一旦矩阵A上传后，终端用户设备便开始发送请求。然后，我们从请求处理时间方面对三种计算平台进行了比较。请求处理时间是指终端用户设备发送请求（包含向量 b）并从计算平台接收回复所需的时间。图9显示了从终端用户设备侧测量的三种计算平台的平均请求处理时间。从图中可以明显看出，位于边缘的专用雾节点和OEC云在请求处理时间方面优于云。我们还可以注意到，专用雾节点的表现略好一些（即请求处理时间更短）。

确实，机会性资源的断连和重连以不同方式影响着计算时间。例如，在我们的实验中，当OEC云中的一个节点断连时，它会忘记 A逆的缓存值，因此在重连时需要重新计算该值。

图10显示了断连/重连对不同运行的请求处理时间的影响。它清楚地表明OEC云成功以降低延迟并使其接近无断连情况下的专用雾节点的延迟。然而，请求时间大多数情况下远低于云的时间（如图9所示，小于20ms）。

从这些实验可以明显看出，OEC在专用雾节点和云之间实现了最佳权衡。一方面，与专用雾节点相比，OEC云能够提供接近专用雾节点的处理时间和上传时间，同时由于部署和维护成本较低，整体成本更低。另一方面，OEC云充分利用了靠近终端用户的优势，相较于普通云显著降低了延迟和上传时间。

7. OEC环境中的关键研究挑战

机会式边缘计算范式可以被视为云计算向边缘的延伸。因此，正如预期的那样，它继承了云计算的许多特性云和边缘计算计划的研究挑战[39]。然而，OEC的自扩展性和动态特性凸显了新的挑战和研究机遇。以下我们将重点讨论那些对OEC具有独特性或在OEC背景下具有特殊重要性的挑战和机遇。

7.1. 机会性边缘计算管理架构

本文提出的机会边缘计算框架将构建和管理机会性云的繁琐任务委托给代理。这一特性不仅消除了参与者之间为共享资源而直接协商的需求，还进一步简化了定价与激励管理，因为所有参与者和服务提供商只需与单一实体（即代理）打交道。因此，代理负责执行第3.4节中所述OEC框架中的所有管理相关任务。然而，该框架应如何部署和实现仍然是一个开放问题。

例如，框架组件可以以完全集中式方式实现，即所有决策都在同一位置（如云）做出；也可以以半集中式方式部署，其中主管理模块与多个本地管理系统协同工作。例如，本地管理系统可能是在某个边缘设备上动态创建的系统，用于在本地构建和管理机会性基础设施，并定期向主管理系统上报监控数据和本地决策。

在这种情况下，可能会出现许多挑战。例如，应设计一种选择或选举过程，以选出应托管该设备基于位置、性能和连接性等多个参数的本地管理系统。还可以提出同步方案，以确保主管理和本地管理系统对基础设施具有相同的视图并做出一致决策。此类管理架构的性能仍有待评估，并最终与完全的集中式方案进行比较。

7.2. 基于OEC的环境中的资源管理

资源管理是IT环境中的核心任务，涉及基础设施资源的高效部署和分配。在OEC环境下，资源管理变得更加复杂，因为它不仅需要对相对稳定的常规资源（如数据中心、微云）进行管理，还需要对位于异构设备中的资源进行管理（即设备具有不同的处理和网络能力）、这些设备会随时间移动（即网络拓扑随时间持续变化），并且仅在有限时间内可用（即可用资源池随时间而变化）。因此，OEC模型带来了若干新的挑战。

• OEC构建与监控 ：利用可用设备机会主义地构建边缘云需要设计新的资源发现和构建方案，以识别可用资源（例如，设备）并谨慎选择要纳入机会主义边缘基础设施的设备。因此，应开发新的算法，以根据相关指标动态选择设备根据其计算能力、预测寿命、可靠性、连接性和带宽性能。此外，必须提出OEC监控技术，以及时检测资源使用情况、设备性能和可用性，以及底层基础设施的潜在变化（例如新设备、设备断开连接、故障）。显然，监控此类机会主义基础设施需要新颖的数据收集方案，既能最大限度地减少监控开销（例如监控流量），又能缩短统计信息的收集时间。
• 机会边缘计算中的资源分配 ：在数据中心[40, 41, 42]和分布式基础设施[43, 44, 45]的背景下，资源分配已被广泛研究。然而，与机会边缘计算（OEC）相比，这些基础设施的拓扑结构在时间上相对稳定。而在OEC中，资源被分配到在时间和空间上高度动态变化的物理拓扑中，尤其是在边缘侧。这使得资源分配更具挑战性，因为它除了需要考虑节点的计算能力和网络能力等常规参数外，还必须考虑节点寿命、方向、速度、能量和可靠性等更多约束条件。在此背景下，应提出新的分配方案，以充分考虑这些约束，并持续确保向服务提供商承诺的资源始终可用。例如，当某个参与者打算退出机会主义边缘基础设施时，可采用资源迁移策略，确保服务（通常托管在虚拟机或容器中）能够动态迁移到其他活跃的参与者。
• 边缘供应的网络支持 ：在OEC中，资源来自构建的机会性基础设施，该基础设施包括邻近设备（例如智能手机、个人电脑和云点）以及连接它们的网络。因此，应根据边缘参与者的位置变化及其带宽容量，优化此机会性网络内流量所使用的路由。解决此问题的一个值得探索的方法是利用软件定义网络等技术，基于设备当前的特性（例如性能、利用率、带宽）以及供应目标，对流量进行最优且动态的路由。

7.3. 容错与可靠性

容错和可靠性是直接影响系统性能和最终用户满意度的关键设计目标。OEC能够利用参与者提供的资源进行边缘资源供应。因此，如果任何参与者未能履行对OEC的义务，OEC所提供的资源可能会发生故障。

一种方法是采用软状态范式，正如在雾和云点背景下所提出的那样[2]。软状态规定，云点或可靠性较低的设备应仅包含缓存或代码副本。因此，设备的故障或断连不会导致任何数据或代码丢失。此外，还可以使用虚拟机和数据复制技术来确保在发生故障时服务的连续性。在此背景下，主要挑战将是开发高效的容错管理方案。

动态确定需创建的副本和缓存数量，并将其部署到云和OEC边缘云中的技术。与现有工作（例如，[46, 47, 48]）不同，这些技术不仅要满足服务提供商规定的可用性和性能要求，还需考虑OEC基础设施的分布式特性（即远程云、带有微云的边缘云以及参与者设备）、设备的移动性及其不同的可用持续时间。最终目标是确保高资源可用性，并减轻故障对已部署应用的影响。

7.4. 定价与激励

定价对代理和服务提供商而言都是一个基本挑战，因为它会影响他们的成本、收入和利润。代理将参与者的资源汇集起来，然后提供给服务提供商。换句话说，代理从参与者处“购买”资源，再将其出售给服务提供商。因此，代理需要向参与者提供激励，以促使他们贡献自己的资源。

• 激励 ：基于OEC的系统将通过宣传系统在不同网络位置为特定类型的资源提供的“奖励”，来激励参与者出借其资源。这些奖励可以是货币形式，也可以是以服务形式提供给参与者作为其提供资源的交换。例如，最近的研究[27]提出，当参与者贡献其资源时，可使用虚拟货币对其进行支付，而他们可用相同的虚拟货币来使用某些服务。这些奖励也可根据历史数据和网络附近特定类型资源的预测需求及其可用性。例如，供应充足的资源类型价格会非常低，难以吸引额外的贡献，而稀缺资源由于价格较高则会吸引贡献。因此，代理需要设计和开发更多的激励机制，以进一步吸引更多参与者加入OEC，并确保资源在需要时和需要地点均可获得。此外，还需要验证机制来跟踪部署期间的实际性能和资源使用情况，并重新评估提供给资源提供者的激励。
• 定价 ：定价模型应定义代理向服务提供商所提供资源的价格。尽管在云计算环境中广泛使用的“按需付费”定价模型对OEC可能具有一定吸引力，但由于边缘处的资源可能并非永久可用，并且在某些时段可能稀缺且需求较高，因此该模型可能并不充分。因此，一个紧迫的挑战是设计能够动态估算边缘发现资源价格的新型定价模型。此类模型应考虑OEC环境中特有的多个参数，例如边缘处可用资源的类型、其潜在的可变成本以及它们随时间变化的可靠性和可用性。基于拍卖的现货定价也可能是OEC的一个有吸引力的选择。亚马逊EC2现货实例[49]已采用此类定价方式，允许用户对空闲的Amazon EC2计算资源进行出价容量。亚马逊决定现货价格，且仅接受高于该价格的出价。类似地，在OEC中，可允许服务提供商对边缘基础设施上可用的资源进行出价。在这种情况下，一个有趣的挑战是根据资源的可用性、稀缺性以及需求情况动态调整最低现货价格，以最大化代理的预期利润或确保服务提供商之间的公平性。

7.5. 安全与信任管理

安全始终是任何IT环境的核心。OEC涉及多个利益相关者，他们之间共享资源。因此，必须在多个层面考虑安全问题，包括用户管理、资源共享、访问管理，以及部署并提供给终端用户的应用程序和服务的安全性。在OEC中，代理对资源进行切片，并将其提供给多个服务提供商，而虚拟化和容器技术可以作为提供不同隔离环境的有效工具。在此背景下，开发能够确保资源切片之间高性能和安全隔离的轻量级虚拟化架构成为一个关键问题，一些近期研究已表明了这一点[50]。此外，OEC的资源可能由参与者（可能是最终用户）拥有，这使其不同于传统云计算模型，在后者中基础设施由同一实体拥有或管理（例如亚马逊EC2、谷歌云平台）[39]。因此，安全问题变得更加复杂，因为代理可能无法完全控制所有被管理的资源及其相关技术部署在参与者设备上。

一个尚未深入探讨的特殊挑战是代理与参与者之间的信任管理。信任已在[51]中被定义为“the firm belief in the competence of an entity to act dependably, securely, and reliably within a specified context”。在OEC中，应开发新型的信任管理方案，以量化代理对参与者的信任，并评估代理可以在多大程度上依赖参与者及其所提供的资源。这些方案不应局限于使用凭证，还应扩展到分析与参与者的过往经验，并结合对性能、可用性和安全方面的预期，做出更加明智的决策。

8. 结论

在本文中，我们提出了一种机会式边缘计算（OEC）框架，用于创建和管理基于参与者贡献以及接入网络中可用资源（例如云点）构建的资源池。OEC的重要优势之一是其自扩展特性，通过激励机制促使终端用户积极贡献资源，从而扩大边缘计算资源池。OEC框架负责构建、管理和切分该资源池，同时满足性能和可靠性目标。为了实现OEC的愿景，我们识别出许多关键的研究挑战，范围涵盖从整体OEC管理架构的设计到定价与激励机制的开发。