按部署位置​

设备边缘

在终端设备内部（如机器人、车载电脑）

实时控制，隐私敏感

嵌入式AI芯片，TinyML

近端边缘

距离数据源1跳网络距离内（如基站、网关）

工业控制，VR/AR

边缘服务器，MEC

网络边缘

在接入网或汇聚网内（如接入点、汇聚机房）

视频分析，CDN

边缘云，5G MEC

区域边缘

在城市或区域层级（如地市级数据中心）

智慧城市，区域AI

区域数据中心，微云

按服务模型​

基础设施即服务

提供边缘计算基础设施（虚拟机、容器）

灵活部署，混合云

OpenStack，Kubernetes边缘版

平台即服务

提供边缘计算平台和中间件

应用托管，服务网格

AWS Greengrass，Azure IoT Edge

软件即服务

提供特定的边缘应用服务

垂直行业应用

边缘AI推理服务，视频分析服务

功能即服务

事件驱动的无服务器边缘计算

轻量级，按需执行

Cloudflare Workers，边缘函数

按技术架构​

集中式边缘

以少数强大边缘节点为中心

企业园区，工厂

边缘数据中心

分布式边缘

大量分布式、对等的边缘节点

物联网，车联网

对等边缘计算，区块链边缘

分层边缘

多层级架构（云-边-端协同）

大规模物联网

云计算-边缘计算-终端三层架构

联邦边缘

跨管理域的边缘节点协作

跨运营商，跨企业

联邦学习，联邦边缘

按所有权​

运营商边缘

电信运营商拥有和管理

网络增强，低延迟服务

5G MEC，网络边缘云

企业边缘

企业自建自用

数据隐私，专有应用

工厂边缘，企业边缘数据中心

云提供商边缘

公有云提供商的边缘服务

云服务延伸，一致性体验

AWS Outposts，Azure Edge Zones

用户边缘

用户设备作为边缘节点

资源共享，众包计算

移动设备，志愿边缘计算

按集成模式​

云原生边缘

将云原生技术扩展到边缘

一致性运维，微服务

KubeEdge，K3s，OpenYurt

网络集成边缘

与通信网络深度集成

网络能力开放，低延迟

5G核心网用户面下沉，MEC

专用边缘

为特定应用优化的专用设备

高性能，确定延迟

工业边缘计算机，AI边缘盒子

混合边缘

多种边缘类型混合部署

复杂需求，平滑演进

云-边协同，边-边协同

核心实体​

边缘节点

部署在网络边缘的计算设备

边缘计算的核心载体

构成边缘计算基础设施

边缘设备

产生数据的终端设备

数据源，轻量计算节点

位于边缘计算架构最底层

边缘网关

连接边缘设备与边缘/云的设备

协议转换，数据预处理

边缘计算的关键入口

边缘服务器

部署在边缘的服务器设备

提供较强的边缘计算能力

边缘计算的主要算力提供者

核心关系​

云边协同

云计算与边缘计算协同工作

全局-局部协同优化

边缘计算的核心架构模式

边边协同

边缘节点间的协同

负载均衡，资源共享

提高边缘系统整体效率

端边协同

终端设备与边缘节点的协同

计算卸载，数据融合

扩展终端能力，降低延迟

边缘卸载

将计算任务从终端迁移到边缘

核心优化决策之一

平衡终端能耗与边缘负载

核心过程​

服务发现

边缘节点和服务的自动注册与发现

动态边缘环境的基础

实现边缘服务的自动编排

服务迁移

边缘服务在不同节点间迁移

应对移动性，负载均衡

保证服务连续性，优化性能

任务卸载

将计算任务卸载到边缘节点执行

核心优化问题

涉及计算、通信、能耗的权衡

数据流处理

在边缘对数据流进行实时处理

边缘计算的核心计算模式

满足实时性，降低上行带宽

核心状态​

边缘智能

在边缘设备上部署和运行AI模型

边缘计算的关键能力

实现低延迟，隐私保护的AI

边缘缓存

在边缘节点缓存流行内容

降低回源带宽，加速访问

CDN在边缘计算的演进

边缘安全

针对边缘环境的安全机制

分布式，轻量级，内生安全

边缘计算的基石

数字孪生

在云端或边缘为物理实体创建虚拟镜像

监控、分析、预测、优化

边缘提供实时数据，云提供全局模型

核心特征​

邻近性

计算资源靠近数据源或用户

云端距离远，延迟高

分布式部署，管理复杂

低延迟

极短的数据传输和处理时间

云端延迟通常>20ms

对网络质量敏感，需本地计算

本地性

数据处理和存储发生在本地

云端集中处理

数据碎片化，全局一致性难

分布式

计算资源地理分散，逻辑协同

云端集中式

资源调度，服务编排复杂

性能特征​

实时性

在确定时间内完成计算和响应

云端响应时间不确定

需确定性网络和计算

带宽节省

减少上传到云端的数据量

云端消耗大量上行带宽

需智能过滤和预处理

高可用

在断网或弱网环境下仍可工作

云端依赖稳定网络

需离线计算，边边协同

可扩展性

可水平增加边缘节点以扩展能力

云端垂直扩展为主

需自动化运维和发现

能力特征​

上下文感知

利用本地上下文信息（位置、环境）

云端缺乏实时本地上下文

需感知和利用本地信息

移动性支持

支持移动设备和用户的无缝服务

云端对移动支持有限

需服务迁移，网络切换

异构性

硬件、网络、软件的异构

云端相对同构

应用移植，资源抽象难

资源受限

边缘节点计算、存储、能源有限

云端资源看似无限

需轻量级应用，优化调度

管理特征​

自治性

边缘节点具备一定的自主决策能力

云端集中管控

需分布式智能，协同决策

协同性

与云端、其他边缘节点协同工作

云端独立工作

需定义协同接口和协议

安全性

物理分散带来的新安全挑战

云端物理集中，防护集中

攻击面扩大，物理安全威胁

硬件元素​

边缘设备

传感器、摄像头、工业控制器等

数据采集与初步执行

嵌入式系统，MCU，传感器

边缘网关

连接现场设备与上层网络

协议转换，边缘控制，轻计算

工业网关，智能网关

边缘服务器

部署在基站、机房等处的服务器

提供主要边缘算力

边缘服务器，微型数据中心

AI加速器

专用于AI推理的硬件

提升边缘智能处理效率

NPU，TPU，FPGA

软件元素​

边缘操作系统

运行在边缘节点的轻量级OS

管理硬件，提供运行环境

Linux发行版，RTOS，容器OS

边缘运行时

支撑边缘应用运行的环境

提供API，管理应用生命周期

Docker，Kubernetes边缘版，Wasm

边缘编排器

管理边缘应用部署和调度

应用编排，资源调度，策略执行

KubeEdge，OpenYurt，K3s

边缘中间件

提供通用服务的软件层

屏蔽异构性，提供通用能力

消息队列，服务发现，安全代理

网络元素​

接入网络

连接终端与边缘节点的网络

提供第一跳连接

5G，Wi-Fi 6，工业以太网

边缘网络

连接不同边缘节点的网络

边边协同的通道

低延迟交换，TSN

回传网络

连接边缘与云端的网络

云边协同的通道

光纤，微波

网络切片

逻辑隔离的端到端虚拟网络

为不同应用提供差异化网络

5G网络切片

数据元素​

原始数据

从终端设备采集的未处理数据

信息源头

传感器数据流，视频流

边缘处理数据

在边缘处理后（如特征提取）的数据

价值密度更高，体积更小

元数据，事件，告警

上下文数据

描述边缘环境状态的数据

优化决策的依据

位置，网络状态，负载

模型与策略

在边缘运行的AI模型/控制策略

边缘智能的核心

AI模型文件，规则引擎

安全元素​

身份与认证

验证设备、用户、服务的身份

访问控制的基础

数字证书，设备指纹

安全通信

确保数据传输的机密性、完整性

防止窃听和篡改

TLS/DTLS，IPsec

可信执行环境

提供隔离的安全计算环境

保护敏感数据和代码

Intel SGX，ARM TrustZone

安全监控

对边缘环境进行持续安全监控

威胁检测与响应

边缘安全代理，行为分析

数据本地性原则​

计算应跟随数据，而非数据跟随计算

在数据产生地附近进行计算

将计算能力下沉到网络边缘

打破云计算“数据上传”范式

延迟-精度权衡​

边缘计算需要在处理延迟和结果精度之间权衡

为追求低延迟，可接受一定的精度损失（如简化模型）

设计自适应算法，在延迟和精度间动态调整

资源受限下优化整体QoS

CAP扩展原则​

在分布式边缘系统中， Consistency（一致性）、Availability（可用性）、Partition tolerance（分区容错性）难以同时强保证，需根据场景权衡

边缘网络可能分区，强一致性与高可用冲突

根据应用需求选择合适的一致性模型（如最终一致性）

边-边、边-云数据同步

计算卸载决策模型​

是否卸载、卸载多少、卸载到哪，取决于计算负载、通信开销、能耗约束、节点能力的权衡

卸载是为了优化总延迟或总能耗​

建立联合优化模型，动态决策

移动性、动态网络环境

边缘资源稀缺定律​

边缘节点的计算、存储、能源资源远少于云端，且是“不可再生”的（如电池）

边缘应用必须轻量、高效

设计轻量级算法、模型压缩、资源共享机制

如何在受限资源下提供高质量服务

服务可迁移性原则​

边缘服务应支持在不同节点间无缝迁移，以应对节点故障、负载均衡、用户移动​

迁移需保持服务状态和连接连续性

设计无状态或状态同步机制，容器化封装

状态同步开销，迁移时机选择

安全边界扩展​

将计算从集中、受控的云端扩展到分散、暴露的边缘，极大地扩展了攻击面​

传统边界安全模型失效

采用零信任、内生安全、软件定义边界等新安全范式

物理安全、设备异构性、动态拓扑

云边端协同优化​

云、边、端构成一个整体系统，优化目标应是全局最优而非局部最优

需联合考虑云端的强大算力和全局视图、边缘的低延迟、端的原始数据

设计跨层协同调度算法和资源管理框架

跨域管理，目标冲突

排队论与网络演算​

用随机过程理论分析服务系统的等待和拥塞

建模边缘节点的任务到达和处理过程，分析延迟和队列长度

M/M/1, M/G/1队列，随机网络演算

资源规划，性能评估，SLA保证

博弈论​

研究多个理性决策者互动行为的数学理论

边缘节点间资源竞争与合作，服务提供商间收益分配

纳什均衡，斯坦克尔伯格博弈，合作博弈

资源分配，激励机制设计，定价

优化理论​

在给定约束下寻找最优解

计算卸载决策，资源分配，服务放置，路径选择

凸优化，整数规划，李雅普诺夫优化，启发式算法

最小化延迟/能耗/成本，最大化收益/效率

控制理论​

通过反馈使系统达到期望状态

边缘计算系统资源自动调节，负载均衡，自适应任务卸载

经典控制，现代控制，模型预测控制

系统稳定性，动态自适应，闭环优化

分布式系统理论​

研究多台计算机协同完成任务的系统

边边协同架构，一致性协议，容错机制

共识算法（Raft, Paxos），时钟同步，分布式事务

数据一致性，服务高可用，系统可扩展

信息论​

研究信息量化、存储和通信的数学理论

边缘数据压缩，特征编码，通信与计算的权衡

率失真理论，分布式信源编码

节省带宽，决定“传数据”还是“传特征/结果”

机器学习/联邦学习​

从数据中学习模式和规律

边缘智能，分布式模型训练，隐私保护

联邦学习，迁移学习，模型蒸馏，TinyML

在边缘实现和优化AI，保护数据隐私

数字孪生​

物理实体在信息空间的虚拟映射

在云端或高级边缘节点创建物理系统（如工厂）的虚拟模型，用于监控、仿真、预测和优化

建模与仿真，数据驱动，实时同步

系统监控，故障预测，流程优化，远程维护

计算卸载决策模型​

mina∈{0,1}Etotal= a·Eedge+ (1-a)·Elocal
s.t. Ttotal≤ Tmax

a: 卸载决策（1为卸载，0为本地）
E: 能耗
T: 延迟

联合优化能耗和延迟，决定任务是否卸载到边缘

服务放置问题​

min Σi∈S, j∈Ncijxij+ Σj∈Nfjyj
s.t. Σj∈Nxij= 1, ∀i∈S
Σi∈Sdixij≤ Cjyj, ∀j∈N

S: 服务集合，N: 节点集合
xij: 服务i是否放置于节点j
yj: 节点j是否被激活
cij: 成本，di: 资源需求，Cj: 节点容量

在满足资源约束下，最小化部署和运营成本，决定将哪些服务放在哪个边缘节点

联合通信与计算资源分配​

max Σk∈KUk(Rk, fk)
s.t. Σk∈KRk≤ Btotal
Σk∈Kfk≤ Ftotal

K: 用户/任务集合
Rk: 分配给用户k的带宽
fk: 分配给用户k的计算资源（CPU cycles）
Uk: 效用函数（如负延迟）
Btotal, Ftotal: 总带宽和算力

在有限的无线带宽和边缘算力下，分配资源以最大化系统总效用（如最小化总延迟）

李雅普诺夫漂移加惩罚优化​

min limT→∞(1/T) Σt=0T-1E{Penalty(t)}
s.t. 队列稳定

将随时间变化的优化问题（如能耗最小化）转化为每个时隙的确定性优化问题，通过控制“漂移”保证系统稳定性

适用于动态、随机的边缘环境，在线做出资源调度、任务卸载等决策，无需先验知识

边云协同训练（联邦学习）目标​

minwF(w) = Σk=1K(nk/n) Fk(w)
Fk(w) = (1/nk) Σi∈Pkℓ(xi, yi; w)

K: 边缘设备/节点数
nk: 节点k的本地数据量
n: 总数据量
w: 全局模型参数
Fk(w): 节点k的本地损失函数
ℓ: 损失函数

在保护各边缘节点本地数据隐私的前提下，协同训练一个高质量的全局机器学习模型

1. 需求与约束分析​

应用的核心需求是什么？物理约束是什么？

1. 识别关键指标：延迟上限、吞吐量、可靠性、精度要求、隐私要求。
2. 识别约束：终端设备能力、网络条件、边缘节点资源、成本预算。
3. 判断是否必须使用边缘计算。

性能 vs. 成本， 本地处理 vs. 云端处理， 通用硬件 vs. 专用硬件

明确应用的技术规格和设计目标

2. 架构模式选择​

采用何种云-边-端协同架构？

1. 数据流分析：数据在哪产生，在哪消费，处理链是什么？
2. 功能分解：哪些功能必须在边缘（实时控制），哪些可在云端（模型训练）。
3. 选择模式：端-边-云三层，边-云两层，还是多级边缘？

控制环路延迟， 数据隐私法规， 网络连接的稳定性

系统架构图， 功能划分方案

3. 资源评估与规划​

需要多少、什么类型的边缘资源？

1. 工作负载评估：计算密集型、数据密集型还是通信密集型？
2. 资源预估：基于负载模型估算CPU、内存、存储、网络、AI算力需求。
3. 节点规划：数量、地理位置、硬件选型。

峰值负载 vs. 平均负载， 一次性投入 vs. 弹性扩展， 标准化 vs. 定制化

边缘基础设施规划和选型方案

4. 关键算法与机制设计​

如何实现核心功能？

1. 计算卸载：基于优化模型（如总延迟最小）设计在线决策算法。
2. 资源管理：设计容器/虚拟机调度器，考虑节点异构性和负载均衡。
3. 服务编排：设计服务发现、部署、迁移、扩缩容机制。
4. 数据管理：设计流处理管道、缓存策略、边云同步机制。

算法复杂度 vs. 决策质量， 集中调度 vs. 分布式自治， 强一致性 vs. 最终一致性

核心算法设计， 系统机制描述

5. 网络与通信设计​

如何保证网络性能？

1. 网络选型：5G、Wi-Fi 6、TSN等，评估带宽、延迟、可靠性。
2. 协议设计：选择或定制应用层协议（如MQTT, gRPC），优化数据传输。
3. 网络切片：考虑为不同业务划分虚拟网络。

公网 vs. 专网， 有线 vs. 无线， 标准协议 vs. 私有协议

网络架构与协议栈设计

6. 安全与隐私设计​

如何保障系统安全与数据隐私？

1. 威胁建模：识别攻击面（物理、网络、应用、数据）。
2. 安全机制：设计身份认证、安全启动、可信执行、数据加密、安全监控。
3. 隐私保护：采用联邦学习、差分隐私、数据脱敏等技术。

安全强度 vs. 性能开销， 易用性 vs. 安全性

安全架构与隐私保护方案

7. 运维与可观测性设计​

如何管理和监控分布式边缘系统？

1. 运维模型：中心运维、分级运维还是自治运维？
2. 监控体系：设计覆盖边、端、云的统一监控，收集日志、指标、追踪数据。
3. 自动化：设计CI/CD流水线、配置管理、自愈机制。

集中管控 vs. 边缘自治， 监控数据量 vs. 网络开销

运维架构与监控方案

邻近性优先原理​

计算应尽可能靠近数据源或消费者，以最小化通信延迟和带宽消耗。

将算力从集中式的云下沉到网络边缘。

这是边缘计算存在的根本原因，驱动了所有后续设计决策。

权衡与折衷原理​

在边缘受限环境下，不存在完美方案，所有设计都是在延迟、精度、成本、能耗、安全、隐私等多目标间的权衡。

如简化模型以降低延迟，牺牲一定精度。

要求设计者明确优先级，做出有意识的折衷。

分而治之原理​

将复杂问题或大型系统分解为更小、更易管理的子问题或子系统，分别处理再协同。

将“云-边-端”视为一个分层系统，各自承担不同职责。

指导系统架构设计，实现关注点分离和可扩展性。

自组织与自治原理​

在分布式、动态变化的边缘环境中，系统应具备一定的自我管理、自我优化和自我修复能力。

边缘节点可根据本地上下文（如网络、负载）自主决策。

降低对中心云的依赖，提高系统在断网、弱网下的鲁棒性。

协同增效原理​

云、边、端各有所长，通过有效协同，可实现“1+1>2”的整体效益。

云端负责全局模型训练和复杂分析，边缘负责实时推理和过滤。

指导设计高效的云边协同、边边协同机制，而非简单替代。

数据即决策依据原理​

在边缘场景，数据的位置、状态、流动路径本身就是关键的决策输入。

计算卸载和服务迁移决策严重依赖实时的网络质量、节点负载等数据。

系统需要强大的上下文感知和数据采集能力来支撑智能决策。

安全左移原理​

安全应内生于系统设计和开发的全过程，而非事后补救；在资源受限的边缘环境中，安全设计需更轻量、更原生。

从硬件可信根、安全启动到轻量级通信加密，构建纵深防御体系。

在边缘开放的物理和网络环境下，安全是系统可信的基石。

持续演进原理​

边缘计算系统，特别是其上的应用和AI模型，需要能够持续更新、演进，以适应环境和需求的变化。

支持OTA升级、边缘模型增量学习、A/B测试。

系统需具备可更新、可演化的能力，以应对长期运维挑战。