移动群智感知的边缘计算架构
ABSTRACT 摘要
移动群智感知（MCS）是一种人为驱动的物联网服务，通过在移动中共享有关其环境的传感器数据，使公民能够观察个人，社区甚至社会价值的现象。传统的基于云的实现方式需要很多的计算资源和占用许多网络流量。边缘计算的引入带来的性能的优化因为大量数据处理和整合都在离数据源最近的本地进行。边缘计算的引入可以减少移动端的流量和促进MCS扩大规模。
本文通过在参考MEC架构中放置关键MCS特性，提出了适用于大规模MCS服务的边缘计算架构。它可以减少私有威胁，并且允许个人控制传感数据的流量。它支持数据分析和实时场景，且符合5G愿景，整合大量设备，实现需要低网络延迟的创新应用。我们对在实际用户跟踪上执行的网络边缘处的分布式架构和服务重新配置引入的服务开销的分析表明，与上述优点相比，这种开销是可控的并且很小。当通过互操作性概念进行增强时，所提出的体系结构为建立MCS市场创建了一个环境，用于交换原始传感器数据和聚合/处理的信息。
INDEX TERMS 关键词：移动群智感知，移动边缘计算，移动群智感知功能架构，移动边缘计算参考架构
I.INTRODUCTION 介绍
移动群智感知（MCS）是一项人为驱动的活动，利用无线连接的普及性和各种具有内置感知功能的移动设备以及固有的用户移动性来创建密集和表征我们环境的动态数据集。它得益于一个庞大的用户集和成为环境现象的丰富信息源的潜力。一个典型的场景是用户手机后台运行的程序在持续不断的手机传感器读取的信息。此类数据采集活动需要最少的用户参与并且在文献中被称为机会主义感知，与参与式感知相反，参与式感知需要积极的用户参与来创建传感器读数。MCS数据具有双重价值：1）线下用途：巨大的数据集作为大数据分析的输入，以发现隐藏的信息，这些信息是通过密集的时空测量难以覆盖的区域中的感知现象；2）实时用途：不断地数据处理可以产生上下文相关的提醒的警告，从云端发送给用户或大众的移动设备。
传统的MCS服务模式是基于云的集中式的（图1a），这种结构消耗大量资源去实时处理同时连接在云上的的设备请求，并且存储源源不断的数据集。云服务还进行设备管理，协调设备的感知任务，跟踪设备的上下文来选择最优数据源。用户的移动和时常内容变化会让信息很快就无效了，这需要对原始数据进行有效的实时处理以生成基于上下文的信息，然后在实时使用场景中以低传播延迟通知传递。
大规模集中MCS会产生以下问题：
- 移动无线网络和回程的负载过重
- 运行MCS的云服务器流量越来越大
- 计算代价昂贵，尤其是实时使用场景，因为很多设备频繁交换内容
- 信息传播延迟增加
- 用户隐私收到威胁，因为痕迹都被集中收集
移动边缘计算（MEC）引入边缘服务器层，将数据筛选、整合处理和存储都移动到了这个中间层（图1b）。除了在设备中就进行原始数据的处理外，边缘资源可用于处理/聚合由MCS任务中涉及的用户子集贡献的数据流，甚至可以自主支持实时使用场景，而无需联系云服务。
MEC在MCS环境中的主要优点如下：
- 并行性和问题空间的划分是基于位置空间的，这个位置空间内MEC服务器负责控制部署区域内移动设备的传感或管理这片区域内的MCS任务。
- 在移动设备和云服务器上都进行计算，边缘也可以进行数据处理任务
- 减少中心云服务器的计算复杂度，但这会增加任务安排的复杂度
- 减少传播时延，实时MCS使用时会通知移动设备
- 敏感数据在MEC服务器上进行分布和分区，因此减少了私人威胁
MEC完美的匹配了大规模MCS的需要，传感信息有MEC服务控制，与覆盖的区域相关的已提交的MCS任务想符合。尽管MEC在边缘提供有限的计算和存储资源，但是这并不是弊端，因为一个边缘服务器只需要服务一片有限的地理区域。
在这篇文章中提出了一个适用于边缘计算环境的分层MCS模型，允许用户通过通告/订阅/发布通信机制来控制所贡献的传感器数据，该机制还管理MCS任务向能够解决这些任务的设备的传播。我们分析了表征MCS服务的特征，以提出适用于MEC环境的分层功能架构。这个架构将一小组功能部署在边缘计算资源中，为了满足未来大规模MCS的发展。
**MEC的分布式结构会带来高开销，因为需要编排MCS在边缘的服务，并且要进行重新配置，这是由参与任务的用户的移动所造成的。**本文通过用一组南韩用户轨迹的真实数据来研究前述的开销。我们的分析显示，一少部分MSC服务需要部署在网络边缘，如果它们的重新配置时间比较小。因此提出的架构需要有小的和可控的开销，足以部署在MEC环境。
提出的解决方案创造了一个未来的MCS市场环境，人群感知数据和融合/处理的数据在各个领域中都被视作商品。这个市场需要部署互操作性的MCS服务。本文假设MCS服务在不同领域是可以互操作的（使用同一接口，使用开放的通信协议和标准化信息模型）。但不提供有关互操作性的进一步设计细节，因为它是一个复杂的问题
第II章：用一个例子表明目前的和未来的MCS服务的使用，以激发对大规模和可互操作解决方案的需求。
第III章：概述MCS和相关的通信模型
第IV章：MCS服务的特征，并且将这些特征集成于一个MCS架构中，并将其置于第IV-C节的MEC参考架构中。
第V章：解决方案的评价。
第VI章：挑战，开元问题，机遇。
第VII章：调查相关工作。
第VIII章：结论。
II. SMART NEIGHBORHOOD USE CASE 案例
用一个案例说明市民合作给城市街区带来更高质量的生活。
图2中，John和Jane用MCS市场定义和部署任务，使用别的市民在市场贡献的数据。并且他们作为“工人”为旧邻居提供目前社区的数据。这是一个MCS数据作为商品在MCS市场中共享的例子。
III. MOBILE CROWDSENSING 移动群智感知
一个MCS市场包括需求提出者和工人在MCS服务中交互。一个通信流起始于需求提出者创建一个新任务T，任务发送给MCS服务，它找到至少一个合格的工人愿意参与数据收集。每个任务都由相关要求指定，任务必须在规定时间内得到相应。如果工人之间的能力相当，则MCS服务将任务传播给所有可以接受任务并处理的工人。数据传输给由MCS服务，MSC反过来需要收集任务请求者对数据质量的满意程度，这有关于任务相关工人的名誉。MCS服务必须控制数据产生过程，因为移动设备通常对数据金辉进行优先的过滤和融合，通常将所有原始读取数据传输给云端。由于用户是可移动的，在指定区域可能会产生大量的冗余数据，同时有些地区会缺少可用数据，这使数据获得和设备管理变得复杂。在传统的MCS中，所有任务都由中心MCS云服务维护，它也对所有获得的数据进行管理。由于这种服务必须跟踪所有活跃任务合数据集的处理，它的实时表现就非常低效。
移动边缘计算可以减少MCS数据处理和任务执行负载，它将MCS任务分配到多个移动边缘服务器中去。如图3，移动边缘服务器负责子任务和它附近的工人。1.当一个新任务T提交给系统，2.云服务器将任务T分解成两个子任务Tx和Ty。3.云根据子任务所属的区域，将它们分别传送给相应的边缘服务器。4.在ME服务器上运行的MCS服务可以识别其所在区域内的所有潜在工作人员及其功能，因为工作人员在进入MCS服务负责的区域时宣布他们可以并且愿意用他们的用户设备测量的数据类型。5.因此，只有可以被工人测量的任务才会发送给用户设备，这可以防止用户设备过载，如Tx智慧发送给舍给UEi和UEk。6.工人开始产生原始数据，这些数据首先在它们的移动设备上进行筛选，然后通过ME1传输给MCS服务器。7.因为边缘服务器相比于移动设备有大量的计算能力，它们可以对接受到的数据进行处理和融合。MCS构建了一个区域数据模型，然后将融合数据模型传输给云。8.最后，云MCS基于来自各个边缘服务器的区域数据模型，构建了一个全球型数据模型，并且分析和提取一个大区域的感知现象的知识。同时，云可以融合不同的传感数据。在实时MCS的使用时，对附近数据感兴趣的用户可以通过低延迟从边缘MCS服务中获得数据。如j像ME1发送兴趣描述，ME1如果有相关数据，他就将实时数据传输给j。
回顾MCS可以应用的领域，并指出MEC架构可以带来的好处：
- A. ENVIRONMENTAL MONITORING 环境监测
MCS应用应用于可穿戴传感设备来色量环境情况。为了手机密集的时空数据，传统的设备或者固定的气象站很难实现。由MEC设施支持的MCS架构可以协调同一区域的多个设备，减少通信延迟以至相关的测量信息可以被收集起来进行设备校准和即时合作。
- B. TRAFFIC MONITORING 流量监测
MCS不需要特殊设施，设备打不扥市民都有。他可以用来监测道路拥塞和破坏、监测流量情况、寻找可用腾车位，识别市民移动方式等。本地MEC边缘服务器融合和筛选冗余数据。
- C. HEALTHCARE 保健
MCS应用部署在可穿戴设备中，以人为中心，活跃地进行感知。运用在社区层面可以鼓励市民多进行体育锻炼，一级帮助专家去识别特定病症不同的症状和生活习惯。MEC的发展保护了个人隐私，因为用户数据是分布在多个ME服务器上的。
- D. SOCIAL SERVICES 社会服务
在这一领域需要不同的MCS应用，基于用户主观意愿和个人感知信息，根据给出的建议去管理灾难和防止犯罪。但是这些服务需要快速的和位置信息交换，这些可以通过MEC技术的广播机制实现。
IV. MCS ARCHITECTURE ENABLED BY MEC 运用MEC的MCS框架
通过利用边缘处理资源来设计未来的MCS服务，我们可以确定影响MCS相关功能在新的分层和分布式架构中位置的转换，其中某些特征现在部署在多个MEC站点上，同时与云端相互协作。本节讨论了MCS服务的特有功能。
- A. MCS CHARACTERISTIC FEATURES MCS属性特征
Data (pre)processing 数据预处理将处理过程前置到数据产生处，大大减少了边缘和应用服务器的负载，并且节省了智能手机的资源。MCS服务奖数据在智能手机中进行处理，再传输到云端，减小数据规模。移动边缘服务器可以进一步进行数据融合，将最终结果发送给云进行长期存储。这种分级的处理方法可以有效地减少网络拥堵和节约设备能量。
Sampling mode 采样模式采样模式区分连续采样和触发采样。在监测过程中，可以在后台触发连续采样，而用户是在进行另一项活动，当然需要获得用户的同意。
Sensing scope 感知范围分为三个层次：个人、群组和社区。个人范围是机遇个人的，群组范围包含了有共同目标的多个个人，社区范围是指一定规模的人都对同一事物感兴趣。群组和社区范围都受益于MEC技术，因为一个移动边缘服务器可以处理同意地理位置的用户知识。
Device discovery 设备发现是强制性的非功能性需求，MCS服务需要有效地给任务匹配一个工人。 网络提供者运行ME主机，它知道哪个边缘用户用户可以完成MCS任务，并且根据位置、能力和表现进行选择。
Mobility support移动支持可以控制大量用户频繁的位置变换。检测用户的移动方式，重点在人口密集和人口稀疏的地区，以致MCS服务可以指定措施有效地管理两种情况。
Energy management 能耗管理算则一些用户设备执行MCS任务同时让其他的设备处于就绪状态，来使能耗最低。智能能关管理确保一个用户更愿意去参与MCS任务，同时最终目标是增加任务完成量和满足感知质量水平。因为ME主机只能管理设备的其中一个子集，因此只能保证小规模的最优而不是使用云的全球能量最优。
Data analytics and storage 数据分析和存储用来对线下数据进行处理，进一步通茶数据。对历史数据进行融合，进行按需加工数据，比如统计分析和跨区域数据融合。这个功能期望在云服务器上进行。
User (and sensor node) reputation 用户信誉对的得到的数据集是否值得信任至关重要，它关乎于数据质量，因为收集的数据并没有事先进行验证。没有唯一的方法来进行用户信誉的计算，因为每项服务都会使声誉机制适应其特定需求。需要一种分布式机制来进行计算，同时不能危害用户隐私。
Real-time processing实时处理数据处理和信息传播都需要实时进行。在高速变化的环境中，大量用户频繁的变化信息，但是服务仅需要发送最新数据。MEC架构满足尤其低的延迟需求，因为在边缘进行数据处理。它可以找到一条应用和服务端最短的路径进行信息取回。
Communication protocol通信协议可以根据通信能力区分两组设备。没有IP连接的资源限制设备用一种协议（蓝牙、Zigbee）与被当做是网关的智能设备进行通信，有IP连接的用一种适用于物联网和MCS环境的协议，如CoAP或MQTT。智能设备可以作为用不同通信协议链接的设备和云之间的数据融合的中间结点。
Security and privacy 安全和隐私用户提供了位置数据或者富有敏感内容的信息，因此用户需要确定敏感信息没有被误用。方法有匿名和端到端的数据保护。MEC不需要讲用户敏感信息传到云端，所以有效地提高安全和隐私保护。
除了以上功能，MCS服务还具有特定于域的功能，这些功能与感知节点的类型，用户参与（机会性或参与性），激励用户积极参与的激励以及测量用户对MCS服务质量的满意度有关。
- B. FUNCTIONAL MCS ARCHITECTURE 功能性MCS架构
基于MEC和MCS特征，我们给出MCS四层功能性架构，如图4：
User Equipment 用户设备包括可穿戴传感设备、有各种传感功能的智能手机、人工传感器（激励机制对MCS任务的参与有很大影响）。原始数据在智能手机先进性处理，以建晒带宽和能耗。
Edge Computing layer 边缘计算层位于物理传感设备和云之间，靠近用户端附近。职责是管理区域内的工人、数据收集、处理和筛选数据同时进行数据融合。MCS服务可以重用关于ME服务器上的UE可用信息，以推断用户上下文，检测新的可用工作人员，监视用户移动性，以及以低延迟将在边缘创建的通知推送到UE。
Cloud Computing layer云计算层进行复杂数据分析和长期存储，同时实现各个MCS服务之间的交互，包括合作和数据交换。
Applications 应用程序应用程序是在云服务之上开发的，并提供给指定MCS任务的请求者，这些请求者要分析在收集的数据集之上执行的数据分析的结果。它们是特定于域的，可以包括不同的接口，这些接口通过具有实时用户通知的Web和移动应用程序实现用户之间的数据可视化和知识共享。
安全性和隐私性，对各种通信协议和实时处理的支持是所有架构层所需的通用功能，以确保在执行MCS服务期间的数据保护，并实现多个功能组件之间的交互和数据传播。
- C. ADAPTING THE MEC REFERENCE ARCHITECTURE TO MCS SERVICES 将MEC参考架构适用于MCS服务
MEC参考架构中的MCS功能组件，并且仅介绍边缘计算层的功能相关的。
MEC 参考架构识别主机和系统级别的功能实体，并定义能够在这些实体之间进行通信的参考点。
根据MEC参考架构，可以在ME主机上将不同的MCS服务部署为ME应用程序（参见图5）。 ME主机运行ME平台和虚拟化基础架构，为ME应用程序提供计算，存储和网络资源。 ME平台为MCS维护有价值的网络信息。MCS服务通过Mp1参考点与ME平台交互以消耗用于管理MCS任务的分配和工作者参与的网络运营商数据（例如，位置服务，带宽管理器服务等）。 此外，ME平台可用于将用户流量引导到部署在相应ME主机上的特定ME应用（即，MCS服务），因为它支持本地域名系统（DNS）代理/服务器的配置。 Mp3参考点允许在不同ME主机中的两个并行MCS服务部署之间进行直接通信，这可以用于相邻ME主机之间的直接通信。 MEC RA中的交互流程如下：请求者通过面向客户的服务（CFS）门户向系统提交新的MCS任务。 它被提供给运营支持系统（OSS），这是负责ME应用程序实例化或终止的最高级别管理系统。 运营支持系统将此任务转发给ME协调器（MEO），ME 协调器是ME系统中的一个核心功能，可以查看整个ME网络的资源和功能。 由于MEO跟踪所有已部署的ME主机，它们的可用服务和资源，以及已经实例化的应用程序和网络拓扑，它可以根据位置区域将接收到的任务拆分为多个子任务，并将每个子任务分配给相应的ME 主办。 此外，它还可以根据需要实例化新的MCS服务。 并行地，在UE上运行的MCS应用可以使用Mx2参考点来直接与部署在负责特定区域中的UE的ME主机上的MCS服务通信（例如，UE可以宣布其能力，设置服务和 提交感知数据）。 用户应用程序生命周期管理代理（用户AppLCMProxy）将授权收到的请求并将其转发给OSS和ME Orchestrator以进行进一步处理。
如图5所示，MEC体系结构的其他组件（如ME平台管理器和虚拟基础设施管理器）不会直接受MCS服务部署的影响。它们协调和管理ME主机的正常工作操作，即，它们处理特定ME主机上的特定功能的管理以及在其上运行的所有应用程序。 在MCS环境中，他们负责根据定义的任务和可用的工作人员在ME主机上编排MCS服务。
V. EVALUATION 评估
将介绍对MCS提议的MEC架构的评估，以调查由于需要在网络边缘编排MCS服务而产生的开销。开销跟用户移动模式有关，因此需要查看MCS服务分部和MEC环境重配置的真实数据集。数据集是南韩2011.3-2012.9，85个用户用智能手机应用程序贡献了他们的位置信息。一个用户平均使用该应用程序79天。用户已经标记了13,500个不同的地方，其中包含从蜂窝网络提供商，智能手机GPS传感器，无线模块，麦克风和摄像头获取的信息。该数据集最初用于自主位置检测，因此我们需要对其进行处理以满足我们模拟大型用户群移动的需要，这足以满足MCS部署的要求。
首先过滤数据集以删除用户签入与精确位置或时间戳无关的条目。过滤后的数据集包含来自67个唯一身份用户的151,649个用户签到。接下来，我们基于用户标识符和日期拆分过滤集，因为唯一用户的数量太小而无法调查真实的MCS场景。因此，我们从单个真实用户的跟踪中创建了一天的多个虚拟用户跟踪。每个切片（即用户日切片是在一天内具有用户登记的集合）表示一天期间虚拟用户的移动模式。在我们的评估中，将进一步使用总共7,724个虚拟用户和关联的用户日跟踪。由于数据集不包含MCS中预期的高采样频率的用户位置信息，因此我们通过在两次连续签到之间插入预期用户位置，创建了采样频率为1分钟的附加签到。这将创建一个真实的MCS数据跟踪，总共有470万个用户位置条目（每个用户平均有600个位置条目）。
对创建的MCS数据集的分析表明，城市区域中的用户行为高度依赖于执行分析的时隙和表示单个位置上下文的小区中的用户的地理分组。 对于地理分组，即在广阔的城市区域确定独特的小区，我们使用军事网格参考系统（MGRS）[25] .MGRS是用于定位地球上的点的参考系统。 它支持1米到100公里的精度，适合在城市和农村地区使用。 在我们的评估中，我们使用10平方公里的小区，其中单个MGRS小区与一个MEC实例相关联，即，我们假设每个MGRScell部署单个ME主机，覆盖可以在城市环境中密集分布的几个蜂窝天线。 这与[7]中提出的MEC服务器的建议部署一致。请注意，从现在开始，我们使用术语MEC cell来指代具有已部署的ME主机的MGRS区域。
影响相应MEC小区中MCS服务部署的第二个重要参数是观察用户行为的时间段。 长时间不适合MCS服务，因为城市地区的用户分布在一天内是不稳定的。 特别地，一天内的不同时段表现出不同的特征（例如，早上出行的用户在城市的商业区工作，而他们在下午分散在郊区或市中心）。 我们决定通过将观察时间段从15分钟改为24小时来分析一天中MEC环境中MCS服务的行为。 我们假设所有时隙都是独立的，并且如果在MEC单元内的这段时间内至少有一个用户贡献MCS数据，则在整个时隙期间部署在ME主机上的MCS服务是活动的。 关于在一天中的城市地区的用户分布的进一步见解可以在我们之前的工作[15]中找到，其中相同的数据集用于评估假设基于云的架构的不同MCS收集技术。
首先，我们分析在改变时隙长度时，并行活动的来收集用户MCS数据的MEC单元数量。更具体地，我们计算了在观察到的时隙中有多少MEC小区需要活动MCS服务，因为至少一个用户在ME主机覆盖的区域中贡献数据。
表1表示了，执行MCS服务的MEC单元的最小，最大和平均数。这表明，如果按小时重新配置服务，则相对少量的MEC单元需要具有活动的MCS服务。
图6分析了表1中一整天的数据。它显示了一天内活动MEC单元的数量，具体取决于时隙持续时间。正如预期的那样，由于用户的移动性增加，活动小区的数量在更长的时隙中增长，并且它们可以跨越多个MEC小区，其中MCS服务实例在整个时隙期间保持活动，即使在没有用户为特定服务生成数据。这表明MCS服务的活动周期应该相对短一些，但是MCS服务的每次重新配置也是昂贵的，因此应该仔细选择。
接下来，为了分析重新配置MCS服务的需求，我们研究了特定MEC单元在一天内的活动时间。
我们可以看到，在一整天中只有少数MEC单元包含活跃用户，而大量单元活动时间不到三分之一天，这意味着可以通过仅当用户在那些时隙中确实访问它们时才将不太常用的MEC中激活MCS服务来节省成本，（即，当MEC单元为空时不使MCS服务保持活动状态）。
在15-120分钟的固定时间间隔内重新评估服务执行生命周期，检查是否 MEC区域中仍然有活跃的用户。我们可以看到，如果服务执行受到更短的时间间隔的限制，可以实现显着的节省。这表示不需要在一天内保持所有MEC单元活动，而是在用户确实访问时在MEC单元中启动MCS服务。
最后，我们分析了用户移动性对MCS部署的影响。
图8显示了单个时隙期间访问的MEC单元数量的分布，其中x轴显示了不同访问单元的数量，y轴显示了用户数量。跟踪用户是不切实际的，而是用户在实际想要提供感兴趣的数据时向服务报告。由于从云中央存储中获取用户特定数据需要额外开销，用户对MCS服务的签入和签出的开销高于MEC单元更改的成本，但是在访问单元数量非常多的情况可以获利。此外，MEC基础架构可以通过ME主机实例之间的直接数据交换来减少传统云MCS服务部署中存在的开销，从而支持用户上下文更改（主要是位置更新），这也有利于MCS服务实例的较短活动周期。
VI. DISCUSSION AND OPEN ISSUES 讨论和公开问题
边缘计算适合下一代MCS服务的技术，可以执行异构和大规模MCS任务，用户可以控制贡献的数据，同时还可以获得足够的回报。为了在MEC之上充分利用MCS服务的潜力，需要解决以下开放性问题和挑战：
覆盖不同域和现象的MCS部署之间的互通性对于为各种MCS任务重用相同的用户群至关重要。第一方面使得能够在MEC环境中运行的MCS服务之间共享用户生成的数据。第二方面涉及网络/ ME主机运营商和MCS服务之间的数据共享。
丰富的用户上下文将表示具有单个配置文件的用户从网络运营商和MCS服务域收集所有用户相关信息。此类用户配置文件将为所有相关方的利益提供对用户行为的更深入理解。用户以最小的开销参与MCS任务，网络运营商更好地了解用户需求并且可以提供个性化的客户服务，而MCS服务可以优化MCS任务的管理和所需资源的消耗。
隐私和安全性对于MCS和MEC来说都是一个微妙的问题，因为这两种环境都与用户环境密不可分。MEC技术为MCS数据的安全性带来了积极的好处，主要是由于分布式存储及其边缘聚合，因此单个漏洞不会暴露所有用户数据。 此外，从隐私角度来看，这种分布式操作是有益的，但是也受到以前的开放问题需要单个用户配置文件的挑战。一个开放但至关重要的问题是确保用户可以在所有服务级别上保护敏感数据，从而保护用户数据，以便在未经用户同意的情况下，第三方不会滥用或使用上下文用户数据。
需要通过MEC虚拟化基础架构来启用MCS服务的编排，该基础架构将在足够的边缘资源上启动MCS服务，以满足MCS任务的需求并考虑可用的工人。 此外，它需要规范MCS服务生命周期，设置服务执行的职责，为数据存储提供位置，并定义数据所有权和访问权限的规则。
连接到同一边缘服务器的用户之间的任务调度和优化很大程度上取决于他们的地理位置，移动模式和信誉级别以及活动MCS任务的要求。可以在ME服务器上部署不同的算法，以最小化移动设备的能耗，成本和执行时间，同时满足感知覆盖并确保QoS。此外，MCS任务的地理分布和部署在ME服务器上的MCS服务的类型也将对所提出的系统的性能产生影响。由于在ME服务器上处理任务并且无需将所有数据发送到后端云，因此可以实现显着的节能并减少延迟。
为了充分利用这种新的MCS环境的潜力，并结合共享经济，我们设想一个开放的MCS市场，它可以与愿意提供传感器数据的工作人员即时匹配各种传感任务，同时对于不破坏日常活动的任务提供适当的激励措施。 但是，它需要充分解决上述挑战，以创造涉及各利益相关方的新业务模式。 市场可以由网络提供商运营，网络提供商是所有相关方都信任的实体。 这样的市场和新颖的分层和可互操作的MCS环境将为中小企业和初创公司开发新型MCS应用程序提供机会，这些应用程序不仅仅依赖于他们自己的用户群。
VII. RELATED WORK 相关工作
我们超越了最先进的技术，因为我们提出了适用于边缘计算环境的MCS通用模型。我们还为适用于边缘计算环境的MCS服务定义了4层通用功能架构，其中顶层用于应用目的。 此外，在本文中，我们提供了实现在ME主机上部署的可互操作MCS服务的见解，而其他论文则专注于为MCS服务提供单一生态系统。
VIII. CONCLUSION 结论
移动群智感知是一种人为驱动的范例，由普通公民授权，他们通过移动设备和可穿戴设备贡献和共享传感器数据。这是共享经济的真实例子，其中生成的传感器数据代表共享资源，并且需要可扩展和可互操作的技术解决方案来创建涉及大量用户和各种利益相关者的MCS的下一代市场。
本文介绍了MCS服务的分层和大规模部署的参考体系结构，该体系结构假定使用边缘计算资源来分散MCS服务并提高其性能。移动边缘计算将计算和存储带到移动网络的边缘，在用户附近提供MCS服务。此类体系结构的目标是简化服务执行并提高服务质量，主要是通过减少数据处理的延迟和复杂性。我们对需要重新配置边缘MCS服务的分布式体系结构引入的服务开销的分析表明，这种开销是可控的，并且很小，特别是对于网络边缘的MCS服务的较短重新配置周期。 因此，它代表了一种有前途的方法，可以实现大规模的下一代MCS市场。
论文结构
出处
Marjanović, Martina; Antonić, Aleksandar; Podnar Žarko, et al. Edge computing architecture for mobile crowdsensing[J]. IEEE Access, 2018.
