近年来，为了克服云计算的局限性，雾计算、移动边缘计算以及边缘计算等近端云计算模式相继被提出并日益受到关注。这些计算模式虽然名称不一，但是其基本思想都是对云计算进行扩展，即将云计算基础设施从距离用户较远的数据中心移至距离用户终端较近的边缘路由器、移动基站或者服务器上，以克服云计算的技术和应用瓶颈。
随着物联网的快速发展和４Ｇ/５Ｇ 无线网络的普及，万物互联的时代已经到来，网络边缘设备数量的迅速增加，使得该类设备所产生的数据已达到泽字节（ＺＢ）级别。以云计算模型为核心的集中式数据处理时代，其关键技术已经不能高效处理边缘设备所产生的数据，主要表现在：１）线性增长的集中式云计算能力无法匹配爆炸式增长的海量边缘数据；２）从网络边缘设备传输海量数据到云中心致使网络传输带宽的负载量急剧增加，造成较长的网络延迟；３）网络边缘数据涉及个人隐私，使得隐私安全问题变得尤为突出；４）有限电能的网络边缘设备传输数据到云中心消耗较大电能。为此，以边缘计算模型为核心的面向网络边缘设备所产生海量数据计算的边缘式大数据处理应运而生，其与现有以云计算模型为核心的集中式大数据处理相结合，即二者相辅相成，应用于云中心和网络边缘端的大数据处理，较好地解决了万物互联时代大数据处理中所存在的上述问题。边缘计算中的“边缘”是个相对的概念，指从数据源到云计算中心数据路径之间的任意计算资源和网络资源。
边缘计算是指在网络边缘执行计算的一种新型计算模型，边缘计算中边缘的下行数据表示云服务，上行数据表示万物互联服务，而边缘计算的边缘是指从数据源到云计算中心路径之间的任意计算和网络资源。云计算中心不仅从数据库收集数据，也从传感器和智能手机等边缘设备收集数据。这些设备兼顾数据生产者和消费者。因此，终端设备和云中心之间的请求传输是双向的。网络边缘设备不仅从云中心请求内容及服务，而且还可以执行部分计算任务，包括数据存储、处理、缓存、设备管理、隐私保护等。因此，需要更好地设计边缘设备硬件平台及其软件关键技术，以满足边缘计算模型中可靠性、数据安全性的需求。
边缘计算模型将原有云计算中心的部分或全部计算任务迁移到数据源的附近执行。根据大数据的３Ｖ 特点，即 数据量（volume）、时效 性（velocity）、多样性（variety），通过对比云计算模型为代表的集中式大数据处理和以边缘计算模型为代表的边缘式大数据处理时代不同数据特征来阐述边缘计算模型的优势。
集中式大数据处理时代，数据的类型主要以文本、音视频、图片以及结构化数据库等为主，数据量维持在 ＰＢ级别，云 计 算 模 型 下 的 数 据 处 理 对 实 时性要求不高。万物互联背景下的边缘式大数据处理时代，数据类型变得更加负责多样，其中万物互联设备的感知数据急剧增加，原有作为数据消费者的用户终端已变成了具有可产生数据的生产者终端，并且边缘式大数据处理时代，数据处理的实时性要求较高，此外，该时期的数据量已超过 ＺＢ级。针对此，边缘式大数据处理时代，由于数据量的增加以及对实时性的需求，需将原有云中心的计算任务部分迁移到网络边缘设备上，以提高数据传输性能，保证处理的实时性，同时降低云计算中心的计算负载。为此，边缘式大数据处理时代的数据特征催生了边缘计算模型。然而，边缘计算模型与云计算模型并不是非此即彼的关系，而是相辅相成的关系，边缘式大数据处理时代是边缘计算模型与云计算模型的相互结合的时代，二者的有机结合将为万物互联时代的信息处理提供较为完美的软硬件支撑平台。
边缘计算是一种新型的计算模式，从边缘计算的定义可以看出,边缘计算并不是为了取代云计算,而是对云计算的补充,为移动计算、物联网等提供更好的计算平台边缘计算可以在保证低延迟的情祝下为用户提供丰富的服务,克服移动设备资源受限的缺陷;同时也减少了需要传输到云端的数据量,缓解了网络带宽与数据中心的压力。目前,移动应用越来越复杂,接入互联网的设备越来越多,边缘计算的出现可以很好地应对这些趋势。但并不是所有服务都适合部署在网络边缘,很多需要全局数据支持的服务依然离不开云计算。例如电子商务应用,用户对自己购物车的操作都可以在边缘节点上进行,以达到最快的响应时间,而商品推荐等服务则更适合在云中进行,因为它需要全局数据的支持。边缘计算的架构是“端设备一边缘一云”3层模型,3层都可以为应用提供资源与服务,应用可以选择最优的配置方案
雾计算( fog computing)是另一个与边缘计算相关的概念,它由思科公司在2012年提出,以应对即将到来的万物联网时代。同边缘计算一样,雾计算也是将数据、数据相关的处理和应用程序都集中于网络边缘的设备,而不是全部保存在云端。雾计算的名字也源自于此——雾比云更贴近地面。与边缘计算不同的是,雾计算更强调在数据中心与数据源之间构成连续统一体( cloud-to- things continua)来为用户提供计算、存储与网络服务,使网络成为数据处理的“流水线”,而不仅仅是“数据管道”。也就是说,边缘和核心网络的组件都是雾计算的基础设施。而边缘计算更强调用户与计算之间的“距离”。目前,思科对雾计算的实现是它推出的I0x系统。1IOx运行在路由器、交换机这些网络设备上,可以使开发人员轻松的在这些设备上开发应用,部署服务。
虽然雾计算与边缘计算不尽相同,但他们都体现出了万物联网时代对计算模式的要求,实时的服务响应、稳定的服务质量已经渐渐成为用户关注的焦点。从这一点上来看,两者是对同一目标的两种不同的实现方法。
参考文献：
[1] N. Abbas, Y. Zhang, A Taherkordi and T. Skeie, Mobile edge computing: a survey, IEEE
Internet of Things, 5(1): 450-465, 2018
[2] S. Wang, X. Zhang, Y. Zhang, J. Yang and W. Wang, A survey on mobile edge networks:
convergence of computing, caching and communications, IEEE Access, 5:6757-6779, 2017
[3] 赵梓铭，刘芳，蔡志平，肖侬，边缘计算：平台、应用与挑战，计算机研究与发展，55(2):327-337, 2018.
[4] 周悦芝，张迪，近端云计算：后云计算时代的机遇与挑战，计算机学报，41(25): 1-23,
2018.
[5] T. Taleb, K. Samdanis, B. Mada and D. Sabella, On multi-access edge computing: a survey of
the emerging 5G network edge cloud architecture and orchestration, IEEE
Communications Surveys amp; Tutorials, 19(3):1657-1681, 2017
[6] 施巍松，孙辉，曹杰，张权，刘伟，边缘计算：万物互联时代新型计算模型，计算机研究与发展，54(5) : 907-924，2017
[7] T. Tran, A. Hajisami, lt;igt;et al.lt;/igt;, Collaborative
mobile edge computing in 5G network: new paradigms, scenarios, and challenges,
IEEE Communications Magazine, 55(4): 54-61, 2017
[8] L. Chen, and J. Xu, Socially trusted collaborative edge computing in ultra-dense networks, arXiv:1705.03501v2 [cs.GT], 2017
[9] W. Fan, Y. Liu, B. Tang, F. Wu, and Z. Wang, Computation offloading based on cooperation
of mobile edge computing enabled base stations, IEEE Access, 2017
[10] ETSI, Mobile-edge computing introductory technical white Paper, Mobile-edge Computing Industry Initiative.
[11] T. Zhao, S. Zhou, X. Guo, Y. Zhao, and Z. Niu, A cooperative scheduling
scheme of local cloud and Internet cloud for delay-aware mobile cloud
computing, Proc. IEEE Global Commun. Conf. Worshops (GC WKSHPS)
San Diego, CA, Dec. 2015, pp. 16.
[12] Y. Ge, Y. Zhang, Q. Qiu, and Y.-H. Lu, A game theoretic resource allocation
for overall energy minimization in mobile cloud computing system, Proc.
ACM/IEEE Int. Symp. Low Power Electron. Design, Redondo Beach, CA,
Jul.-Aug. 2012, pp. 279284.
[13] T. Q. Dinh, J. Tang, Q. D. La, and T. Q. Quek, Offloading in mobile edge
computing: Task allocation and computational frequency scaling, , 2017
[14] R. Kaewpuang, D. Niyato, P. Wang, and E. Hossain, A framework for cooperative
resource management in mobile cloud computing, IEEE J. Sel. Areas
Commun., vol. 31, no. 12, pp. 26852700, Dec. 2013.
[15] Cao, Zhi, et al. 'A Game-theoretic Framework for Revenue Sharing in Edge-Cloud Computing System.' (2017)
[16] C. Long, Y. Cao, T. Jiang, and Q. Zhang, Edge Computing Framework for Cooperative Video Processing in Multimedia IoT Systems, IEEE Trans.
Multimedia, doi:10.1109/TMM.2017.2764330.
