边缘计算 习题及答案 袁培燕

第一章习题答案什么是边缘计算？边缘计算有哪些优点？边缘计算是一种分布式计算范式，其核心思想是将数据处理、应用程序运行和计算任务从集中的云数据中心，迁移到更接近数据源头或终端用户的网络边缘。简单来说，它是在物理世界的“边缘”，例如基站、路由器、网关或本地服务器上，提供计算和存储能力边缘计算的优点：

（1）低时延：服务在本地边缘服务器处理，无需经过漫长的网络传输到遥远的云中心，极大降低了响应时间，满足实时性应用的需求。（2）节省带宽与改善链路容量：数据在边缘进行本地卸载和处理，减少了需要回传到核心网络的数据量，从而缓解了网络带宽压力，避免了链路拥塞。（3）高能量效率：部分计算任务在本地完成，降低了对云端大规模数据中心的计算能耗依赖；同时，本地缓存也减少了数据的远程传输能耗，有助于实现绿色通信。（4）提升服务质量与用户体验：业务应用本地化部署，使其能够感知和利用本地网络上下文信息（如位置、网络负荷），从而为用户提供更快速、更稳定、更差异化的服务体验。边缘计算涉及到的核心技术有哪些？边缘计算的实现依赖于一系列关键技术的支撑，主要包括：虚拟化技术：将硬件资源与软件解耦，使应用和服务能够灵活部署和迁移，提高资源利用效率和系统稳定性。软件定义网络（SDN）：通过集中式的控制器动态管理和配置网络，使网络管理和服务提供更加灵活和智能化，适用于软件定义的移动边缘计算（SD-MEC）。边缘协同技术：包括垂直协作（端-边-云之间的协同）和水平协作（边-边、端-端之间的协同），通过资源共享和负载均衡，实现系统性能最优。边缘服务器部署技术：研究如何在靠近用户与设备的网络接入点（如基站）最优地部署边缘服务器，以平衡部署成本、能耗与系统性能（如延迟）。边缘内容缓存技术：将流行度高的内容提前缓存到网络边缘节点，用户请求时可以直接从近处获取，显著降低访问延迟并减轻骨干网流量压力。计算卸载技术：决定是否将终端设备的计算任务、何时、以及卸载到何处（边缘服务器或云中心）执行，并优化资源分配，以实现低时延和低能耗的目标。边缘智能（AIattheEdge）：将人工智能模型部署在边缘侧，使设备能够就近进行智能决策和数据预处理，从而降低对云端的依赖、保护数据隐私并满足实时性要求。举一个现实生活中运用边缘计算的例子。例子：智慧工厂的质量检测传统云计算方式：每个零部件的高清图片都需要实时上传到远端的云数据中心。在云端，强大的AI模型对图片进行分析并判断是否合格，再将结果返回给生产线。这种方式会产生高延迟（图片上传和结果返回耗时），并且大量高清图片的传输会占用巨大的网络带宽。如果网络出现波动，可能导致检测结果返回不及时，影响生产节奏。运用边缘计算的方式：在工厂车间内部部署一台边缘服务器。第二章习题答案什么是边缘服务器部署？具有哪些重要性？边缘服务器部署是指将边缘服务器有策略地放置在网络边缘（如基站侧、接入点附近等），使其更靠近数据源头或终端用户，以提供本地化计算、存储及服务能力的规划与实施过程。在移动边缘计算（MEC）中，部署包括确定服务器的数量与位置，并可根据网络状态和用户需求分为静态部署与动态部署。重要性包括：降低传输延迟：将服务器部署在用户附近，减少数据往返云端的通信时间；缓解网络拥塞：本地处理大量边缘数据，减轻核心网负担；提高系统资源利用率：合理部署可有效利用边缘服务器的计算与存储资源；降低部署与运营成本：通过优化部署策略，减少不必要的服务器数量与移动成本；提升服务质量与用户体验：满足时延敏感型与计算密集型应用的服务需求；支持用户移动性：动态部署策略可适应用户位置变化，保障服务连续性。解释优化算法在边缘服务器部署中的作用及其基本原理。作用：

优化算法在边缘服务器部署中用于在满足服务质量（如时延限制）的前提下，自动化地寻找最优的服务器数量与位置组合，以实现成本最小化、负载均衡、覆盖最大化等目标。由于该问题通常属于NP-Hard问题，传统方法难以高效求解，因此采用元启发式优化算法（如蛇优化算法SO）来逼近最优解。基本原理（以蛇优化算法SO及其改进算法ISO为例）：模拟自然行为：SO算法模拟蛇在觅食、交配、战斗等不同环境条件（温度、食物量）下的行为策略，进行全局与局部搜索；种群初始化与划分：随机生成初始解（蛇个体），并按性别分为雄性和雌性两个子群；环境因子控制搜索模式：当食物少（Q<Threshold1）时，进行全局探索（随机搜索）；当食物充足且温度高时，进行局部开发（向食物移动）；当温度低时，随机进入战斗或交配模式，增强多样性；改进策略（ISO算法）：引入PSO机制：在迭代前期结合粒子群的速度更新策略，加快收敛；双向搜索：同时利用最优与最差个体引导搜索方向，增强局部寻优；精英引领：用优秀个体替换最差个体，避免盲目随机，提高解的质量；输出最优部署方案：通过适应度函数（如成本、时延）评估并选择最佳服务器位置。设计一个实验来验证某种优化算法在边缘服务器部署中的效果实验目标：

验证改进蛇优化算法（ISO）在边缘服务器动态部署中，相比传统算法（如PSO、SO）在降低成本和控制时延方面的优越性。实验步骤：数据准备：使用上海电信基站数据集，提取不同时间点（如4:00、8:00、12:00、16:00、20:00、24:00）的用户位置信息；预处理数据，包括用户ID、经纬度、任务数据量等；参数设置（参照教材表2-1）：信道带宽

B=10MHz，用户传输功率

Pt=0.2

W，路径损耗因子

α=2噪声功率

N0=1.6×10−11边缘服务器覆盖半径

r（可变，如500m~1500m）服务器计算能力

Cmax​（可变，如10~50tasks/s）任务数据量范围

Dk∈[1,10]

MB算法对比：对比算法：PSO（静态）、WOA、SO、ISO；评估指标：总成本

Ctotal​、用户平均延迟

Tavg​；实验流程：在MATLAB环境中运行main.m，调用SOI.m和ISO.m；对每个时间点分别执行各算法，记录成本与延迟；改变参数（如覆盖半径、计算能力、任务数量），重复实验；结果分析与可视化：绘制“计算能力-成本”“覆盖范围-时延”等关系图；对比各算法在同一时间点的成本与延迟表现；统计ISO相较于其他算法的成本降低比例（预期：20%~43%）。预期结果：ISO算法在成本和时延上均优于PSO、WOA和基础SO；随着服务器计算能力或覆盖范围增大，成本和延迟均下降；随着任务数量增加，成本和延迟上升，但ISO仍保持较好性能；实验验证ISO适用于动态边缘服务器部署场景，具有良好的稳定性与收敛性。第三章习题答案从缓存位置的角度看，分为哪些缓存方式，其特点分别是什么？（1）用户设备终端缓存：零延迟与离线可用：一旦内容被缓存到设备本地，再次访问时无需任何网络请求。数据直接从内存或磁盘加载，实现了零网络延迟。极致的成本节省：终端缓存命中后，不仅减轻了边缘服务器和源站的压力，更重要的是为用户节省了移动数据流量，为运营商减轻了无线接入网和核心网的全部负载。高度的个性化与隐私性：终端缓存的内容完全基于单个用户的历史行为、偏好和主动操作。你的缓存内容与我的完全不同，是高度个性化的。完全的去中心化与自治性：每个设备都是一个独立的缓存节点，不依赖于中心服务器的调度。设备的缓存决策通常是基于自身的逻辑（如HTTP缓存规则）或用户的手动操作。（2）小基站SBS缓存：极致的低延迟与高带宽：由于小基站与用户的物理距离极近（通常只有几十米到几百米），并且通过有线回程连接到核心网，它能够为用户提供极低的传输延迟和极高的数据传输速率。极致的流量本地化与回程卸载：这是小基站缓存最核心的价值。许多流行内容（如公司内部培训视频、商场促销广告、体育馆多角度比赛回放）具有高度的地域性。通过在小基站本地缓存这些内容，可以彻底避免将流量通过回程链路传输到核心网，实现“流量不出楼”。超精细化的覆盖与用户上下文感知：每个小基站覆盖范围很小（例如一个房间、一层楼），因此其服务的用户群体非常明确，用户兴趣和移动模式也高度可预测。小基站可以利用这些精细化的上下文信息（如用户位置、时间、历史行为）进行智能缓存。高度的分布式与异构性：小基站数量庞大，部署密集，且可能由不同所有者（企业、个人）部署，形成异构网络。每个小基站的存储容量、计算能力和连接性可能各不相同。（3）宏基站缓存：覆盖范围内的流行内容捕获：宏基站的覆盖范围远大于小基站，服务于一个社区、一个街区或一个乡村区域。因此，它能捕捉到该中观区域内的流行内容。显著的回程带宽卸载：宏基站的回程链路（连接到核心网的部分）通常是微波或光纤，但容量依然是宝贵且昂贵的资源。通过缓存热门内容，可以显著减少对回程链路的压力。适中的延迟降低：与需要经过多个网络节点到达核心网相比，从宏基站直接获取内容可以减少数十毫秒的延迟。支持移动性与广播/多播：由于覆盖范围大，用户在宏基站覆盖下的移动（如驾车）不会像在小基站网络中那样导致频繁的切换，因此缓存内容的有效期更长，更稳定。宏基站的架构天然支持向覆盖区内的所有用户广播相同内容。这对于缓存并推送紧急公告、流行直播事件等内容极具优势，可以实现极高的网络效率。知识图谱的构建方式有哪些？构建的步骤是什么？自底向上：数据收集与准备->信息抽取（获取原始知识）->知识融合（清洗与统一）->模式归纳（抽象出Schema）->知识存储与应用自顶向下：需求分析与领域界定->本体设计与模式定义（搭建骨架）->数据源选择与评估->知识获取与映射（填充血肉）->知识融合与数据整合->知识存储与实现->知识应用、验证与迭代简要描述本章边缘内容缓存的系统模型框架。具有一个BS和多个D2D用户设备的单小区蜂窝网络。其中满足D2D通信要求的一对D2D发送器和接收器形成D2D对，设备发现和内容共享可以自主进行。一个D2D对复用一个蜂窝用户的频谱资源，不同D2D对之间没有干扰，基站BS中包含整个文件库中的内容，能够在非高峰时间将文件缓存到移动用户设备的内存中。在通信方面，只有设备节点在阈值距离内才能相互通信。邻居用户和移动用户之间的信道是瑞利衰落信道。从邻居用户到请求用户的所有复用的上行链路信道都是独立且同分布的。若要对本章边缘内容缓存问题进行数学建模，应该从哪几个方面进行分析？请简要描述。（1）设备关系分析：如果用户的设备属性相差过大，用户基于通信的设备距离可能不会与性能较差的移动设备共享数据内容。故使用移动设备的属性相似度来模拟移动用户之间的合作能力，分析设备关系。（2）社交关系分析：在现实世界中，持有移动设备的用户之间是有一定社会联系的，而这种社交联系会促使用户更愿意进行移动设备之间的一个内容共享。此外，对于具有相似属性（即年龄、性别等）的用户对某些内容可能有相似的兴趣，这意味着他们之间对于某些内容可能更加愿意共享。因此，在评估社交关系对用户内容共享的影响时，要同时考虑用户的社交联系和用户之间的相似性。（3）功率控制分析：由于移动设备的能量有限，在进行内容传输时有一定的能量消耗。通过功率控制分析使系统的传输速率最大化的同时最小化传输功率。第四章习题答案边缘协同卸载所涉及的理论知识与技术都有哪些？分布理论：包括泊松过程（描述随机事件发生规律）和泊松簇过程（父节点与子节点分别按泊松点分布，适配边缘服务器与用户的部署场景）。优化方法：拉格朗日函数（转化约束优化问题）、对偶上升法（求解凸函数对偶问题）、对偶分解法（实现并行求解）、增广拉格朗日算法（提升收敛稳定性）、ADMM算法（拆分复杂问题为子问题迭代求解）。核心技术：分布式ADMM算法（边缘节点独立求解最优卸载比例，保护隐私）、广度优先搜索算法（高效查找协作节点）。辅助技术：离差标准化（消除时延与能耗的指标差异）、路径选择技术（综合路径距离和带宽，减少传输时延与拥塞）。简要描述出本章边缘协同卸载的系统模型框架系统采用三层架构：用户层（物联网感知终端，发送数据处理请求）、边缘层（异构边缘服务器，可本地处理或协同其他服务器处理，受硬件限制仅能处理部分数据）、云层（云数据中心，处理边缘层剩余数据）。边缘服务器与用户呈泊松簇分布，通过定义卸载比例（区分本地、协同及云处理比例）和协作矩阵（描述服务器间请求与服务关系），实现数据的合理流转与协同处理。若要对边缘协调卸载问题进行数学建模，应该从哪几个方面进行分析？请简要描述。目标函数构建：以时延和能耗的加权和最小化为核心，先通过离差标准化统一两者量级，引入权重因子平衡两者对网络性能的影响。关键参数定义：明确时延（各环节传输与处理时延）、能耗（设备处理与数据传输能耗）、卸载比例、服务器协作关系等参数的物理意义和取值范围。约束条件设定：涵盖卸载比例总和不超过1、服务器CPU频率上限、计算量不超过服务速率、存储容量限制等资源约束。求解方法适配：将不等式约束转化为等式约束，采用分布式ADMM算法拆分问题，让各边缘节点独立求解，兼顾求解效率与隐私保护。第五章习题答案1.分析联邦学习在哪些场景下具有不可替代的优势？

（1）强监管高敏感行业：医疗、金融、电信等领域法规明令“原始数据禁止离境/出机构”。联邦学习让医院、银行只在本地计算梯度，参数上传后服务器也无法反推原始记录，实现“合规共享”。（2）跨主体数据孤岛：纵向联邦场景下，同一批用户在不同机构留下的特征互补（如银行的流水+电商的浏览），但任何一方都不可能把完整数据交给对方。联邦学习通过加密对齐与分裂学习，把特征空间拼起来而数据不搬家。（3）无信任或弱信任协作：工业物联网、供应链、跨境数据流通等场景参与方互不信任，又需要联合建模。区块链+联邦学习提供“参数可验证、过程可审计、无单点失控”的去中心化训练框架，替代传统需第三方托管的“数据池”模式。（4）终端算力充沛且通信昂贵的边缘网络：智能手机、车载ECU、5G基站等设备数据量巨大，但上行带宽小、隐私意愿高。联邦学习把训练任务下沉到边缘，仅回传千分之一大小的模型差分，显著降低云侧存储与流量成本，同时满足用户“数据留在本地”的心理诉求。（5）极端非IID、小样本分布式环境：自动驾驶车辆、农机传感器、可穿戴设备各自只覆盖局部天气或人群，样本分布极度偏斜。联邦迁移学习在样本和特征双缺失的情况下仍可构建全局鲁棒模型，这是集中式训练无法获得的泛化能力。2.轻量级模型的现实部署挑战有什么？（1）“轻量”与“精度”的艰难权衡：轻量化技术（如剪枝、量化、知识蒸馏）在减小模型大小和加速推理的同时，几乎不可避免地会导致模型精度的下降。对于某些关键应用（如医疗诊断、自动驾驶），即使是1%的精度损失也可能是不可接受的。（2）硬件与软件的极度碎片化：边缘设备环境复杂多样，没有统一标准，如不同的芯片架构对算子和数据类型的支持千差万别，各种推理框架和算子库的支持程度不同，可能导致模型无法部署或性能不达预期，不同硬件厂商的编译器优化策略不同，同一模型在不同设备上的性能表现难以预测和保证。（3）动态与恶劣的真实环境：实验室环境稳定、干净，而现实环境是复杂多变的，如数据分布偏移、模型老化、系统资源竞争等，这要求轻量级模型必须具备更强的鲁棒性和适应性，以应对未知和多变的真实世界。（4）部署与维护的全链路复杂性：将模型部署到海量的边缘设备并持续维护，是一个巨大的系统工程挑战。虽然个性化联邦学习能解决数据异构，但其通信和计算协调机制本身在超大规模部署中会带来新的复杂性和开销，同时轻量级模型很难像云端那样集中监控每一台边缘设备上模型的运行状态、性能和故障。当出现问题（如精度下降）时，定位和调试极其困难。3.边缘智能的未来发展趋势是什么？（1）模型压缩与轻量化：模型将变得越来越小、更轻量，让它们能在资源受限的设备上运行。这包括量化、剪枝、蒸馏等技术，以及架构上的优化来减少计算和存储负担。（2）分布式/混合架构：并非所有AI工作都在边缘完成，复杂训练或者大规模数据分析仍靠云端。边缘负责推理、实时响应、隐私敏感任务，云端负责训练、大数据整合、长期更新等等。未来系统会更加智能地在边缘与云之间协同工作。（3）低时延、高可靠性通信网络升级：随着5G/6G的部署，以及网络基础设施的提升，边缘设备与云、网络边缘节点间的通信更快、更稳定、更低时延。这支持很多需要快速反馈与交互的场景（如自动驾驶、远程医疗、增强现实等）。（4）隐私、安全与数据治理加强：用户和治理机构对数据隐私和安全的要求越来越高。边缘智能通过在本地处理数据、有更强的控制权、减少对云的依赖，天然有优势。未来会看到更多关于安全隐私保护机制，如联邦学习、安全硬件隔离、安全启动、加密、可信执行环境等的实践与标准。（5）多模态感知与计算：边缘设备的输入日益丰富，不只是单一类型的传感器数据，可能包括图像、声音、温度、运动、环境等多个模态。未来边缘智能系统更多要做到融合这些输入，进行复杂的、多模态的理解与决策。第六章习题答案描述系统架构中的容量概念。在本章移动边缘缓存系统架构（含1个BS和n个遵循强度为λ的PPP分布的协作SBS，单个SBS缓存空间为s，BS可访问m个内容的文件库）中，容量是与延迟、能耗并列的核心性能指标，指每个节点每秒用于满足用户内容请求的总位数，涵盖节点本地缓存直接服务用户的内容量与从其他协作SBS接收后再服务用户的内容量；其与传输距离负相关，容量最大化可转化为平均传输距离最小化，且受协作代价（总代价不超预算E）和缓存空间（总备份数不超n×s、单内容备份数不超n）约束，同时与内容Zipf流行度、SBS缓存空间s及数量n动态关联，热门内容多备份、s与n越大，传输距离越短则容量越高。模拟在云边系统求解容量，采用标准拉格朗日函数法。模拟云边系统（含1个云端BS和n个边缘SBS，参数同上述架构）求解容量时，先明确目标函数为最小化平均传输距离，约束为协作代价不超E、总备份数不超n×s、单内容备份数不超n；接着构造含拉格朗日乘数（协作代价约束、总缓存空间约束、单个内容备份数上限约束）的拉格朗日函数，将有约束问题转化为无约束问题；再根据KKT条件对Ci第七章习题答案描述KubeEdge系统架构中的主要组件与功能。KubeEdge系统架构包括云端组件（CloudCore）和边缘端组件（EdgeCore）。云端组件：EdgeController：使用Kubernetes扩展控制器管理边缘节点和Pod元数据。DeviceController：负责设备注册、元数据同步和设备状态更新。CloudHub：作为中介，负责下行消息分发和上行消息接收。边缘端组件：Edged：运行和管理容器化应用程序，是精简版kubelet。EdgeHub：负责与CloudHub通信，通过WebSocket/QUIC传输消息。MetaManager：存储和管理边缘节点元数据。DeviceTwin：管理和同步设备状态信息。EventBus：传递事件消息，支持MQTT协议。ServiceBus：提供网络通信服务。在物理或虚拟机环境中搭建KubeEdge云边系统。环境准备：使用CentOS7.