江苏龙网

  1. 首页 > 人文 > >

人民智库|吴迪｜边缘计算：赋能智慧城市建设与治理的关键技术( 五 )


数据隐私和安全挑战 。 在网络的边缘 ， 数据隐私安全保护是最重要的一项服务 。 采用边缘计算推动智慧城市建设 ， 可以从感知到的使用数据中获取大量隐私信息 。 随着边缘设备上可用数据的增多和计算能力的提高 ， 边缘设备同样可能会受到安全攻击 。 例如 ， 通过对用电量或用水量的了解 ， 可以很容易推测出市民住房是否空置 。 对于边缘数据安全和使用隐私问题的解决 ， 仍存在巨大挑战 。 以WiFi网络安全为例 。 在全球4.39亿使用无线连接的家庭中 ， 49%的WiFi网络是不安全的 ， 而80%的家庭仍然将路由器设置为默认密码 。 对于公共WiFi热点 ， 89%属于不安全的利益相关者 ， 包括服务提供商、系统和应用程序开发者以及终端用户 。 需要意识到 ， 在网络边缘用户的隐私会在不被通知的情况下受到损害 。 用户或者应用需要边缘服务器提供计算资源 ， 不可避免会将数据临时存储在边缘 ， 网络边缘高度动态的环境会使用户隐私和数据安全面临更大挑战 ， 目前还缺乏有效工具来保护网络边缘的数据隐私和安全 。
人民智库|吴迪｜边缘计算：赋能智慧城市建设与治理的关键技术
文章图片
04
边缘计算驱动的城市公共安全视频分析案例
作为视频数据的重要来源之一 ， 视频采集摄像头在城市各个角落随处可见 。 不仅如此 ， 摄像头的数量还以每年20%的增长率不断扩大规模 ， 伴随而来的是视频大数据衍生的视频分析应用数量的飞速增长 ， 城市公共安全场景下的视频分析也随之吸引了学术界和工业界的注意力 。
在数据处理量急剧增长的背景下 ， 如何获取视频中的有用信息 ， 成为智慧城市发展过程中的关键目标 ， 而智能视频分析则是实现该目标的有效手段 ， 将决定着整个智慧城市的智能化程度 。 视频分析任务往往会要求高准确率和低延迟以支撑应用实时获得结果的需求 ， 这就需要很强的计算性能 。 目前的商业摄像头 ， 其本身的计算性能还无法高效实时地支持其完成视频分析任务 。 为了解决这个问题 ， 可以采用视频源与云结合的解决方案 ， 将摄像头产生的视频流发送到计算性能强大的云端 ， 再在云端完成视频分析任务 。 然而 ， 这带来额外的网络资源消耗和网络延迟 ， 对要求高实时性的视频分析任务造成了很大的阻碍 。 为了追求更低的延迟 ， 结合边缘计算的解决方案应运而生 。 通过在距离摄像头更近的边缘端完成部分或全部的计算任务 ， 视频分析系统以更低的带宽消耗 ， 实现更低的延迟以完成视频分析任务 。
不同的视频分析任务往往有着不同的性能需求 。 有些视频分析任务是长期、持续进行的 ， 例如统计车流量作为红绿灯持续时间的参考 ， 对时延的需求就不会很高；而有些视频分析任务则是需要在很短的时间内完成 ， 例如车牌应用对准确率和时延的要求都会很高 。 与此同时 ， 视频分析任务的性能会受许多因素影响 ， 例如计算资源（处理器类型、内存等）、视频流的参数（分辨率、传输码率等）、视频分析算法的模型等 。 如果提供的资源不足 ， 可能会无法运行满足准确率需求的视频分析算法 ， 或者延迟太高 ， 不能满足应用需求；如果提供的资源过多 ， 又会造成浪费 。 所以 ， 对于视频分析系统 ， 如何合理地调度任务、分配资源 ， 使系统可以在满足视频分析任务需求的前提下有效利用资源 ， 具有非常重要的研究意义 。
而从架构方面而言 ， 现有视频分析系统关注的是如何在不同层次之间、同层次的不同节点之间决定任务的执行位置 ， 以实现计算卸载从而提高整个系统的性能表现 。 由于现实中存在许多系统架构、资源特点各不相同的场景 ， 有些工作提出了在特定场景下结合视频分析任务特性与体架构特点的调度策略 ， 以提高系统性能 。 例如 ， 对于一个承担多任务的摄像头 ， 其产生的视频流往往会被用以执行多个不同的视频分析应用（包括车流检测、失踪儿童搜寻和逃逸车辆追踪等） 。 然而 ， 这些视频分析过程的执行流程在某些步骤上是相同的 ， 意味着可以利用这个特性去节省资源开销 。 多任务对同一台摄像头的视频流分别做目标检测 ， 再基于目标检测结果来根据不同应用进行不同分析 ， 不可避免地会导致系统效率的下降 。 针对边缘计算驱动的城市公共安全视频分析 ， 如何高效合并任务需求以及合理的配置边缘计算资源是一个亟待解决的研究课题 。


推荐阅读


上一篇：『小行星』打破平静！6月6日，一颗直径570米的岩石将擦肩而过，不会撞上

下一篇：Odaily星球日报|USDT老大地位没人撼动？，各类稳定币崛起之后