隨著通信和計算技術的快速發展、計算成本的不斷降低，物理世界與信息世界正在發生加速融合。不僅僅是物理世界的信息被映射到網絡當中，通信和計算的能力也隨著嵌入式技術的發展融入到了世間萬物。隨著物聯網和5G通信產業的快速興起，越來越多的人和物開始持續產生大量、多樣的計算任務，“無處不在的計算”成為了各類應用共性而迫切的需求，邊緣計算應運而生。
相比於雲計算，邊緣計算將計算資源下沉到網絡邊緣設備、甚到嵌入到各類網絡繫統當中，為大到自動駕駛車聯網、小到可穿戴設備提供快速、穩定、無處不在的計算服務。如果說物聯網讓物理世界具備了“感知”和“溝通”的能力，那麼邊緣計算的使命則是讓世間萬物具備“思考”的能力。網絡邊緣在形態上可以千變萬化，既可以是部署在移動蜂窩網絡的數據中心、亦可以是隨車而載的小型服務器，甚到可以是隨身攜帶的迷你節點，以完成各類場景的計算服務，這些場景包括移動計算、自動駕駛車聯網、智慧工業、智能家居、可穿戴計算等。

推薦序一
推薦序二
自序
前言
*1章 邊緣計算概述 1
1.1 邊緣計算的背景與概念 1
1.1.1 邊緣計算的歷史背景 1
1.1.2 邊緣計算的概念 3
1.1.3 邊緣計算帶來的改變 4
1.2 邊緣計算發展的歷史必然性 7
1.2.1 催生邊緣計算的技術 7
1.2.2 計算形態變革的內在邏輯 12
1.2.3 邊緣計算將深刻改變計算方式 16
1.3 邊緣計算的重要意義 20
1.4 邊緣計算中的關鍵問題 21
1.4.1 關鍵詞 22
1.4.2 關鍵研究問題概述 23
1.4.3 邊緣計算架構 27
1.4.4 操作繫統與編程模型 27
1.4.5 計算卸載與資源分配 28
1.4.6 虛擬化與服務管理 28
1.4.7 服務集群管理 29
1.4.8 人工智能與大數據 29
1.4.9 移動性管理 30
1.4.10 繫統與應用 30
1.5 發展趨勢與技術挑戰 31
1.5.1 發展趨勢 31
1.5.2 關鍵機構與成果 32
1.6 本書的寫作邏輯 33
習題 34
參考文獻 34
*2章 邊緣計算架構原理 35
2.1 邊緣計算架構概述 35
2.1.1 繫統評價及設計要求 35
2.1.2 邊緣計算架構設計面臨的獨特挑戰 37
2.2 總體繫統架構 39
2.2.1 兩類邊緣：主干網邊緣和
泛在邊緣 39
2.2.2 雲-邊-端架構 40
2.2.3 邊-端架構 42
2.2.4 多接入邊緣計算 43
2.2.5 分布式D2D/D4D架構（泛在邊緣架構） 43
2.2.6 AIoT架構 43
2.3 軟件計算架構 44
2.3.1 一般邊緣計算軟件架構 45
2.3.2 多接入邊緣計算架構 47
2.3.3 AIoT軟件架構 48
2.3.4 衛星邊緣計算架構 49
2.3.5 編程模型 53
2.4 邊緣計算操作繫統與開源框架 55
2.4.1 EdgeX Foundry 56
2.4.2 StarlingX 58
2.4.3 其他開源框架 58
2.4.4 融合邊緣的前端物聯網操作繫統 59
習題 59
參考文獻 59
第3章 邊緣接入技術 60
3.1 無線傳輸機制 61
3.1.1 無線局域網傳輸機制 61
3.1.2 無線個域網傳輸機制 62
3.1.3 無線廣域網傳輸機制 68
3.1.4 低功耗廣域網傳輸機制 74
3.1.5 新型無線傳輸機制 81
3.1.6 總結 84
3.2 無線接入的通信服務協議 84
3.2.1 MQTT 85
3.2.2 AMQP 85
3.2.3 Kafka 87
3.2.4 STOMP 87
3.3 可靠的數據傳輸 88
3.3.1 考慮移動性的可靠數據傳輸 88
3.3.2 基於博弈的數據接入 91
3.4 多接入邊緣網絡與超密集網絡 92
習題 94
參考文獻 94
第4章 計算任務卸載 95
4.1 任務卸載概述 96
4.1.1 任務卸載概念與步驟 96
4.1.2 計算卸載的時延模型 97
4.1.3 邊緣計算任務卸載評價指標 101
4.2 任務卸載方式 103
4.2.1 0-1卸載 103
4.2.2 部分卸載 104
4.2.3 任務切分技術及實例分析 106
4.2.4 子任務卸載策略 109
4.3 不同場景下任務卸載策略研究 110
4.3.1 單用戶邊緣網絡場景 110
4.3.2 多用戶邊緣網絡場景 112
4.3.3 異構服務器邊緣網絡場景 115
4.4 不同架構下任務卸載策略研究 117
4.4.1 雲-邊-端架構中的卸載策略 117
4.4.2 邊-邊架構中的卸載策略 118
4.4.3 多接入邊緣架構中的計算卸載 120
4.4.4 定制化邊緣架構中的計算卸載 121
4.4.5 用戶高移動性網絡場景中的計算卸載 123
4.4.6 分布式D2D網絡中的計算卸載 129
4.5 開源工具概述 133
4.5.1 Slacker 133
4.5.2 EdgeCloudSim 134
4.5.3 EdgeX Foundry 136
4.5.4 Apache Edgent 136
4.5.5 KubeEdge 137
4.6 邊緣卸載策略展望與挑戰 139
4.6.1 資源協同調度的挑戰與展望 139
4.6.2 用戶移動性管理的挑戰與展望 140
習題 141
參考文獻 141
第5章 虛擬化技術 142
5.1 虛擬化技術概述 143
5.2 虛擬化技術發展歷史 143
5.3 虛擬化技術分類 145
5.3.1 指令架構級虛擬化 146
5.3.2 硬件抽像級虛擬化 147
5.3.3 操作繫統級虛擬化 153
5.3.4 庫函數級虛擬化 156
5.3.5 編程語言級虛擬化 157
5.4 輕量級虛擬化 158
5.4.1 虛擬機與容器 159
5.4.2 Docker 160
5.4.3 Unikernel 162
5.4.4 Firecraker 164
5.4.5 總結 165
5.5 微服務 165
5.5.1 服務架構的發展歷程 166
5.5.2 微服務架構特點 166
5.5.3 微服務架構面臨的挑戰 169
5.6 服務網格 169
5.6.1 服務網格的發展歷程 169
5.6.2 服務網格工具: Istio 173
5.6.3 服務網格工具對比 181
5.7 無服務架構 185
5.7.1 發展歷史 185
5.7.2 Serverless開源工具 188
習題 192
參考文獻 192
第6章 邊緣服務管理支撐技術 193
6.1 NFV架構 194
6.1.1 NFV概述 194
6.1.2 服務功能鏈備份 196
6.1.3 虛擬化內容分發網絡 198
6.1.4 NFV與移動場景中的邊緣計算 199
6.1.5 NFV MANO架構 200
6.2 軟件定義網絡 203
6.2.1 SDN架構 204
6.2.2 分布式SDN的一致性更新 205
6.2.3 SDN與NFV的區別與聯繫 206
6.3 網絡切片技術 207
6.3.1 網絡切片 207
6.3.2 切片管理 208
6.3.3 切片與NFV服務鏈 211
6.3.4 網絡切片研究項目 213
6.4 數據放置、檢索與存儲 214
6.4.1 數據放置、檢索與存儲定義 214
6.4.2 針對不同場景的數據放置與檢索服務架構 214
6.4.3 移動性預測檢索 217
6.4.4 數據定位服務 219
6.4.5 分布式數據存儲 221
6.5 開源框架 222
6.6 總結 230
習題 230
參考文獻 230
第7章 邊緣服務緩存 231
7.1 邊緣服務緩存評價指標 231
7.1.1 面向應用的評價指標 233
7.1.2 服務緩存的評價方法 234
7.2 不同架構下的服務緩存策略研究 237
7.2.1 雲-邊架構中的服務緩存策略 237
7.2.2 邊-邊架構中的服務緩存策略 238
7.2.3 多接入邊緣架構中的服務緩存策略 240
7.2.4 定制化邊緣架構中的服務緩存策略 241
7.2.5 算力優先網絡 249
7.2.6 命名數據網絡 250
7.3 應用案例分析 252
7.3.1 內容緩存案例及繫統實現 252
7.3.2 服務緩存案例及繫統實現 255
7.4 邊緣緩存策略展望與挑戰 260
7.4.1 服務發現、服務交付和移動性 260
7.4.2 異構邊緣計算繫統中的協作 260
7.4.3 低成本容錯部署模型 261
7.4.4 無線大數據的利用 261
7.4.5 繫統集成 261
7.4.6 資源管理 262
7.4.7 卸載策略的其他優化 262
7.4.8 考慮卸載與未卸載數據的流量範式 262
7.4.9 隱私安全以及用戶信任相關 262
習題 263
參考文獻 263
第8章 邊緣繫統部署 264
8.1 邊緣繫統部署的典型場景 265
8.1.1 靜態部署場景 265
8.1.2 動態部署場景 267
8.2 邊緣服務器部署問題 267
8.2.1 部署問題的評價指標及限制條件 268
8.2.2 靜態部署問題 271
8.2.3 動態部署問題 281
8.3 部署方案性能評估工具 284
8.3.1 OPNET 285
8.3.2 NS 285
8.3.3 SSFNet 288
8.3.4 MiniNet 288
習題 289
參考文獻 289
第9章 邊緣計算與人工智能 290
9.1 邊緣場景中的人工智能 290
9.1.1 人工智能技術回顧 291
9.1.2 典型的人工智能技術 291
9.1.3 邊緣計算與人工智能的結合 295
9.2 人工智能在邊緣計算中的應用 297
9.2.1 利用機器學習進行計算卸載決策優化 298
9.2.2 利用機器學習進行服務器部署決策優化 302
9.2.3 利用機器學習進行資源分配決策優化 303
9.2.4 基於邊緣計算繫統的深度學習應用 305
9.3 邊緣網絡中的人工智能技術 308
9.3.1 分布式機器學習 308
9.3.2 聯邦學習與邊緣網絡 309
9.3.3 TinyML 313
9.3.4 Fregata 315
9.3.5 AIoT繫統 315
9.4 移動端開源機器學習框架 316
9.4.1 TensorFlow Lite 318
9.4.2 Core ML 319
9.4.3 NCNN 320
9.4.4 Paddle Lite 320
9.4.5 MNN 321
9.4.6 MACE 321
9.4.7 SNPE 321
9.5 邊緣人工智能展望 322
9.5.1 資源友好型邊緣AI模型設計 322
9.5.2 計算感知網絡技術 322
9.5.3 任務卸載到IoT設備 323
9.5.4 動態預測 323
9.5.5 ML集成 324
9.5.6 DNN性能指標權衡 324
9.5.7 新型AI模型與技術探索 325
習題 325
參考文獻 325
*10章 安全與隱私保護 326
10.1 邊緣計算隱私保護概述 327
10.1.1 隱私保護在邊緣計算中的作用 328
10.1.2 邊緣計算相比雲計算在隱私保護方面的優勢 328
10.2 邊緣計算數據安全與隱私保護體繫 329
10.2.1 基礎設施安全 329
10.2.2 邊緣數據安全 330
10.2.3 邊緣網絡安全 332
10.2.4 移動終端安全 332
10.3 通用邊緣安全技術 333
10.3.1 數據加密 333
10.3.2 身份認證 338
10.3.3 隱私保護 339
10.3.4 訪問控制 340
10.4 區塊鏈與聯邦學習 341
10.4.1 區塊鏈+邊緣計算 341
10.4.2 隱私保護的邊緣聯邦學習 348
10.5 隱私保護的開源工具和未來挑戰 352
10.5.1 隱私保護的開源工具 352
10.5.2 隱私保護的未來挑戰 354
習題 355
參考文獻 355
*11章 應用案例分析 356
11.1 智慧遠程醫療 356
11.1.1 設計思路與解決方案 357
11.1.2 存在的問題與發展方向 359
11.2 智慧交通 359
11.2.1 設計思路與解決方案 361
11.2.2 存在的問題與發展方向 362
11.3 智慧家居網關 362
11.3.1 設計思路與解決方案 364
11.3.2 存在的問題與發展方向 365
11.4 智慧工廠 365
11.4.1 設計思路與解決方案 366
11.4.2 存在的問題與發展方向 368
11.5 自動駕駛車聯網 369
11.5.1 設計思路與解決方案 370
11.5.2 存在的問題與發展方向 371
11.6 可穿戴邊緣計算 372
11.6.1 設計思路與解決方案 373
11.6.2 存在的問題與發展方向 374
11.7 VR/AR 375
11.7.1 設計思路與解決方案 375
11.7.2 存在的問題與發展方向 378
參考文獻 378
*12章 邊緣繫統設計與實踐 379
12.1 架構設計與硬件設備概述 380
12.1.1 AVR 381
12.1.2 MSP430 382
12.1.3 ARM 383
12.1.4 設備選擇 383
12.2 前端硬件設備環境說明 386
12.3 服務器環境配置 387
12.3.1 繫統安裝 388
12.3.2 Web服務器的搭建 389
12.3.3 視覺算法概述 391
12.3.4 TensorFlow Lite的安裝及測試 393
12.4 服務部署 395
12.4.1 Docker安裝 395
12.4.2 Docker Hub 397
12.4.3 個性化Docker鏡像 397
12.4.4 整合 406
12.5 利用EdgeX Foundry開源平臺創建服務 408
12.5.1 EdgeX Foundry概述 408
12.5.2 環境配置及使用 409
參考文獻 418