边缘计算应用场景综述

在白皮书中,给出了未来边缘计算可以应用的场景.目前很多的应用场景已经可以实现.在此仅对视频分析,内容优化以及定位技术场景进行分析.

1）定位技术

图3展示了位置跟踪的样例.通过运行在MEC平台上的全球定位系统(global position system,GPS)或者第三方定位技术,获取人或物体的位置.然后如有必要,在返回到核心网侧.这种布置在本地的定位功能,对于零售商、场馆,球场,校园或者特定地区非常有效,首先位置反馈非常迅速,其次精度也得到了保证.

2）视频分析

图4展示了视频分析的示例.以监控为例,目前摄像头的使用非常广泛﹐在停车场、交通要道、住宅小区﹑校园中基本都能实现无缝对接和无死角监控.随着部署的摄像头数目的增加以及摄像头所拍摄的

视频质量的提升,监控视频的数据量也是逐渐提升.如果把如此庞大的视频数据都回传经核心网至集中云平台进行视频分析和处理﹐往返时延将非常大.而如果在摄像机内部部署智能分析工具，则会因为摄像头自身设计尺寸等原因﹐很难部署这些功能.因此﹐比较好的解决办法就是在本地MEC平台部署视频分析APP.某区域内的摄像头LoRa网关

3)内容优化与缓存

图5中给出了基于RAN侧感知的内容优化举例.内容优化指的是根据网络提供的信息﹐比如小区ID、小区负载、链路质量﹑数据吞吐率等,对内容进行动态的优化,以提升QoE,网络效率.而视频缓存,则是在终端请求视频播放时,该资源可能存在于将其录制的监控视频上传至MEC平台,经过视频分析处理后,获得的结果可以随时调取并回传至核心网.2017年11月深圳高交会上展示的中国联通基于边缘云的智能安防商用部署解决方案,就是将人工智能( artificial intelligence，AI)视频分析功能部署在边缘云,大幅度提升了结果处理和传送的时间.

本地MEC平台,这样再播放时就是从本地下载视频资源﹐节省了带宽和经过核心网处理的时间.这种视频缓存功能对于那些热播电视剧﹑热播电影以及最近的综艺节目的播放与观看,有很大的帮助.同时,该模型也比较适用于大学城,居民区或者热点商圈这些人流密集﹑对视频播放请求比较大的地区.