周子垚，劉慶玲，陶劍英，林云
（哈爾濱工程大學(xué)信息與通信工程學(xué)院，黑龍江 哈爾濱 150001）
0 引言
全球的移動(dòng)通信技術(shù)已經(jīng)步入了5G 時(shí)代，商用化的5G 技術(shù)可以支持低時(shí)延高可靠的物聯(lián)網(wǎng)業(yè)務(wù)，使云端智能下落到用戶終端的愿景成為現(xiàn)實(shí)。但是隨著人工智能、通信技術(shù)、硬件設(shè)備等領(lǐng)域飛速發(fā)展，用戶也提出更高層次的服務(wù)需求[1]。在此基礎(chǔ)上，6G 將會(huì)演進(jìn)5G 典型場(chǎng)景，推出超級(jí)無限帶寬、超大規(guī)模連接、極其可靠通信，并擴(kuò)展普惠智能、通信感知融合等新型服務(wù)場(chǎng)景[2]。這些服務(wù)場(chǎng)景將會(huì)產(chǎn)生海量數(shù)據(jù)，采用傳統(tǒng)的云計(jì)算框架將邊緣數(shù)據(jù)進(jìn)行集中處理的模式不僅效率低、能耗大，而且還會(huì)因?yàn)闀r(shí)延等問題降低服務(wù)質(zhì)量，邊緣計(jì)算（EC,Edge Computing）在這種背景下應(yīng)運(yùn)而生。
EC 是一種可以在網(wǎng)絡(luò)邊緣進(jìn)行分析并處理數(shù)據(jù)的技術(shù)，通過部署邊緣計(jì)算平臺(tái)，讓本地終端直接接入就近的服務(wù)器進(jìn)行實(shí)時(shí)處理，可以最大限度地減少上傳云端的數(shù)據(jù)量，釋放帶寬并降低服務(wù)成本。與此同時(shí)，在物理距離縮短的情況下，數(shù)據(jù)傳輸?shù)臅r(shí)延也會(huì)大大降低，為用戶提供更好的服務(wù)質(zhì)量。
增強(qiáng)邊緣計(jì)算還有另一個(gè)發(fā)展方向——人工智能（AI）。近幾年AI 技術(shù)不斷取得突破性進(jìn)展，但是隨著性能的提升，模型的體量以及能耗也在不斷增加�，F(xiàn)階段的邊緣終端（多數(shù)為傳感器）通常會(huì)在mW 級(jí)別的功耗下運(yùn)作，此外大部分時(shí)間將會(huì)以μW 級(jí)別的功耗進(jìn)入休眠狀態(tài)。在資源有限的條件下保證模型的性能，是一個(gè)具有挑戰(zhàn)性的工作，包括知識(shí)蒸餾以及結(jié)構(gòu)剪枝在內(nèi)的模型輕量化技術(shù)掀起一股新的研究熱潮。在這種背景下，實(shí)現(xiàn)邊緣計(jì)算和模型輕量化的有機(jī)結(jié)合，普及邊緣設(shè)備的智能服務(wù)將成為商業(yè)化發(fā)展的一種主流趨勢(shì)。本文重點(diǎn)針對(duì)邊緣計(jì)算和模型輕量化的基本理論、關(guān)鍵技術(shù)、發(fā)展現(xiàn)狀等進(jìn)行探討和分析。
1 邊緣節(jié)點(diǎn)網(wǎng)絡(luò)部署
鑒于6G 系統(tǒng)的復(fù)雜性、先進(jìn)性以及對(duì)產(chǎn)業(yè)的引領(lǐng)和帶動(dòng)作用，各主要發(fā)達(dá)國(guó)家紛紛加大投入，深入展開研究，謀求競(jìng)爭(zhēng)優(yōu)勢(shì)。在5G 時(shí)代，深度學(xué)習(xí)的數(shù)據(jù)處理通常只能在云計(jì)算中心進(jìn)行，該體系在處理邊緣數(shù)據(jù)時(shí)存在四點(diǎn)不足：（1）時(shí)延較大，難以滿足業(yè)務(wù)實(shí)時(shí)性需求；（2）數(shù)據(jù)流量過多，易導(dǎo)致信道堵塞；（3）能耗較大，會(huì)提高運(yùn)營(yíng)成本；（4）安全性較低，隱私數(shù)據(jù)存在相當(dāng)大的泄漏風(fēng)險(xiǎn)。在5G 物聯(lián)網(wǎng)的基礎(chǔ)上，以網(wǎng)絡(luò)為基礎(chǔ)、云端處理器為中心，進(jìn)行“云網(wǎng)融合”（架構(gòu)如圖1 所示），做到網(wǎng)隨云動(dòng)：云端處理器對(duì)網(wǎng)絡(luò)進(jìn)行資源分配和實(shí)時(shí)調(diào)度；實(shí)現(xiàn)網(wǎng)絡(luò)云化：讓傳統(tǒng)的封閉式網(wǎng)絡(luò)打開大門，實(shí)現(xiàn)本地云化、智能化，實(shí)現(xiàn)資源彈性分配、快速組網(wǎng)、智能控制等目標(biāo)[3]。這種以云端服務(wù)器為中心，設(shè)立邊緣節(jié)點(diǎn)，對(duì)邊緣服務(wù)器進(jìn)行技術(shù)升級(jí)、優(yōu)化管理方式，建設(shè)眾星捧月的網(wǎng)絡(luò)格局可以有效地解決現(xiàn)存問題，是一種潛力巨大的發(fā)展方向。本節(jié)將介紹邊緣計(jì)算的相關(guān)理論，并通過數(shù)據(jù)分析6G 網(wǎng)絡(luò)采用邊緣計(jì)算的優(yōu)勢(shì)。
圖1 6G云網(wǎng)融合架構(gòu)示意圖
1.1 邊緣計(jì)算（EC,Edge Computing）
邊緣計(jì)算是一種新型計(jì)算范例，由谷歌公司于2006年提出，用在網(wǎng)絡(luò)的邊緣執(zhí)行計(jì)算任務(wù)。相比云計(jì)算，邊緣計(jì)算更貼近數(shù)據(jù)的源頭，可以在一定程度上減少數(shù)據(jù)傳輸過程中產(chǎn)生的延遲；同時(shí)，因?yàn)榫徒幚�，無需將全部數(shù)據(jù)上傳到云端服務(wù)器，可以更好地保護(hù)隱私數(shù)據(jù)以防泄露，最大程度上避免信息被人惡意利用；此外，還可以大幅度減少通信能耗、最大程度上減輕網(wǎng)絡(luò)帶寬的壓力。
邊緣計(jì)算主要通過在終端設(shè)備和云服務(wù)器之間引入邊緣節(jié)點(diǎn)，在節(jié)點(diǎn)處對(duì)用戶任務(wù)類別進(jìn)行判定，將時(shí)效要求較低、數(shù)據(jù)量大且需要進(jìn)行深入分析的任務(wù)交付給云端中心服務(wù)器進(jìn)行處理；讓規(guī)模小、要求實(shí)時(shí)智能分析的任務(wù)駐留在邊緣節(jié)點(diǎn)進(jìn)行處理。因此，在智能業(yè)務(wù)中，數(shù)據(jù)量較大、需要大規(guī)模集中處理的任務(wù)可以繼續(xù)沿用云集中處理模式，邊緣計(jì)算則更適合小規(guī)模數(shù)據(jù)分析任務(wù)和本地服務(wù)[4]。邊緣計(jì)算的架構(gòu)如圖2 所示：
圖2 邊緣計(jì)算架構(gòu)
近年來，各種傳感設(shè)備不斷升級(jí)，數(shù)據(jù)采集能力得到顯著提高，可以檢測(cè)到大部分工業(yè)生產(chǎn)過程中的實(shí)時(shí)信息。對(duì)于檢測(cè)過程中產(chǎn)生的海量數(shù)據(jù)，傳統(tǒng)的處理模式存在時(shí)延大、成本高等問題，無法滿足工業(yè)需求。鑒于邊緣計(jì)算的優(yōu)點(diǎn)，可以被廣泛應(yīng)用于工業(yè)生產(chǎn)環(huán)節(jié)中[5]。典型的應(yīng)用場(chǎng)景有：基于深度學(xué)習(xí)的軸承故障診斷[6]和電力設(shè)備檢修[7]，該應(yīng)用場(chǎng)景通過邊緣計(jì)算進(jìn)行故障診斷和缺陷檢測(cè)；對(duì)無人機(jī)進(jìn)行綜合管理，實(shí)現(xiàn)大范圍數(shù)據(jù)采集和實(shí)時(shí)監(jiān)控[8]，從而加強(qiáng)園區(qū)的安防管理；在進(jìn)行產(chǎn)品測(cè)評(píng)時(shí)，運(yùn)用了EC 的虛擬現(xiàn)實(shí)和增強(qiáng)現(xiàn)實(shí)（VR/AR）技術(shù)也使工人分析數(shù)據(jù)更為高效。
雖然邊緣計(jì)算已經(jīng)運(yùn)用到眾多場(chǎng)景之中，但仍存在許多問題需要進(jìn)一步改善，這些問題包括EC 性能過低、安全性不足、設(shè)備協(xié)作協(xié)議完善較差等。因此，為了早日實(shí)現(xiàn)6G 網(wǎng)絡(luò)的愿景、廣泛普及智能業(yè)務(wù)，這些問題都需要得到持續(xù)的關(guān)注并進(jìn)行深入研究。
1.2 移動(dòng)邊緣計(jì)算（MEC,Mobile Edge Computing）
歐洲電信標(biāo)準(zhǔn)協(xié)會(huì)于2016 年正式提出移動(dòng)邊緣計(jì)算的概念，MEC 將一定的計(jì)算能力附加在基站上，而邊緣計(jì)算除基站外還在私有云、Cloudlet 等位置附有計(jì)算能力，這是二者最大的區(qū)別，MEC 和EC 的網(wǎng)絡(luò)部署圖如圖3 所示：
圖3 網(wǎng)絡(luò)部署圖
MEC 通過構(gòu)建無線電接入網(wǎng)（RAN,Radio Access Network）層次的服務(wù)環(huán)境，使部分業(yè)務(wù)脫離核心網(wǎng)，進(jìn)而節(jié)約資源、降低時(shí)延、提高服務(wù)質(zhì)量。根據(jù)ETSI 所發(fā)布的白皮書，MEC 具有如下特征[9]：
（1）本地服務(wù)：MEC 可以脫離互聯(lián)網(wǎng)的其余部分實(shí)現(xiàn)自主運(yùn)營(yíng)，并能夠訪問本地網(wǎng)絡(luò)資源，這種特性對(duì)于M2M（Machine-to-Machine）場(chǎng)景十分重要。此外，由于MEC 和其他網(wǎng)絡(luò)存在隔離特性，可以有效提升數(shù)據(jù)安全性。
（2）鄰近性：MEC 布置在移動(dòng)終端的最近位置，對(duì)于一些特定的計(jì)算密集型設(shè)備（例如增強(qiáng)現(xiàn)實(shí)、視頻分析）具有巨大優(yōu)勢(shì)。
（3）低時(shí)延：MEC 就近部署在用戶設(shè)備附近，可以最大程度上避免本地?cái)?shù)據(jù)和云端數(shù)據(jù)的交互過程，大幅度降低用戶服務(wù)時(shí)延，且覆蓋范圍內(nèi)的用戶數(shù)量在一定程度上保持穩(wěn)定，能夠減小服務(wù)器的帶寬壓力。
（4）位置感知：邊緣分布式設(shè)備通過低級(jí)信令進(jìn)行信息實(shí)時(shí)共享，MEC 可以接收本地網(wǎng)絡(luò)設(shè)備的數(shù)據(jù)，實(shí)現(xiàn)設(shè)備定位。
（5）網(wǎng)絡(luò)上下文信息：提供網(wǎng)絡(luò)信息和實(shí)時(shí)上網(wǎng)數(shù)據(jù)服務(wù)的應(yīng)用程序，可通過MEC 利用RAN 實(shí)時(shí)信息，對(duì)網(wǎng)絡(luò)狀態(tài)進(jìn)行分析，協(xié)助運(yùn)營(yíng)商做出合理判斷，為用戶帶來更優(yōu)質(zhì)的服務(wù)。
MEC 的“鄰近性、低時(shí)延、位置感知”等技術(shù)特性，可以滿足6G 服務(wù)場(chǎng)景中的諸多需求（如表1 所示），為其帶來了廣泛的應(yīng)用前景。
表1 服務(wù)場(chǎng)景需求
由表1 可知，MEC 可以適用于車聯(lián)網(wǎng)（IoV,Internet of Vehicles）、虛擬現(xiàn)實(shí) 增強(qiáng)現(xiàn)實(shí)（VRAR）、智慧醫(yī)療、公共安全、智慧城市等服務(wù)場(chǎng)景。車聯(lián)網(wǎng)結(jié)合MEC可以在車輛行駛過程中，通過分析環(huán)境信息、同網(wǎng)絡(luò)內(nèi)其他車輛交互信息，為駕駛員提供合理建議，排除隱患并規(guī)避交通擁堵的風(fēng)險(xiǎn)；智慧醫(yī)療需要實(shí)時(shí)處理大量數(shù)據(jù)，應(yīng)用MEC 可以為遠(yuǎn)程醫(yī)療提供更有力的技術(shù)支持；智能家居系統(tǒng)可以利用大量物聯(lián)網(wǎng)設(shè)備進(jìn)行實(shí)時(shí)數(shù)據(jù)監(jiān)測(cè)，結(jié)合MEC 對(duì)家居設(shè)備的使用狀態(tài)進(jìn)行調(diào)度，進(jìn)而提高當(dāng)代人們的家居安全性、便利性以及舒適性[10]。
MEC 在邊緣計(jì)算的基礎(chǔ)上進(jìn)一步細(xì)化，將MEC 與人工智能、傳感探測(cè)等技術(shù)相融合,不斷深入研究、適應(yīng)新場(chǎng)景、提升用戶體驗(yàn)，進(jìn)而擴(kuò)展6G 業(yè)務(wù)的適用范圍，為智能入戶提供一個(gè)更光明的前景。
2 基于用戶終端的網(wǎng)絡(luò)模型輕量化
上文探討了6G 智能網(wǎng)絡(luò)的邊緣部署，但邊緣節(jié)點(diǎn)只是用戶終端和云服務(wù)器的中間環(huán)節(jié)，對(duì)于一些小數(shù)據(jù)量的分析任務(wù)，仍需終端設(shè)備自行處理。對(duì)于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型，過去的學(xué)者們更注重于提升模型的識(shí)別精度和復(fù)雜環(huán)境下的適應(yīng)能力，使得模型參數(shù)量和復(fù)雜度不斷提高，致使能耗成本激增。近幾年，得益于AI 技術(shù)的飛速發(fā)展，各行業(yè)的視線逐漸轉(zhuǎn)向人工智能在實(shí)際生活中的應(yīng)用。由于移動(dòng)端、嵌入式設(shè)備等平臺(tái)存儲(chǔ)資源少、處理器性能低、能耗受限，當(dāng)前大部分高精度模型無法部署在用戶終端且難以實(shí)時(shí)運(yùn)行。這要求傳統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)模型在保證性能的同時(shí)減少參數(shù)量和復(fù)雜度，模型輕量化也因此成為一個(gè)研究熱點(diǎn)[11]。
2.1 知識(shí)蒸餾（KD,Knowlegde Distillation）
知識(shí)蒸餾是一種新興的模型壓縮方法，其主要思想是讓規(guī)模小、結(jié)構(gòu)簡(jiǎn)單的學(xué)生模型通過學(xué)習(xí)在保證性能的前提下，獲取結(jié)構(gòu)復(fù)雜的教師模型的知識(shí)。該方法可以看作是遷移學(xué)習(xí)的一種，其關(guān)鍵問題是如何將教師模型的知識(shí)遷移到學(xué)生模型，并在遷移過程中保證模型的性能不會(huì)降低甚至有所提升，這需要學(xué)者們加深對(duì)遷移過程的研究。
知識(shí)蒸餾的框架主要包含三部分，其結(jié)構(gòu)如圖4 所示。該框架中，首先從教師模型輸出的結(jié)果中蒸餾出“知識(shí)”，再經(jīng)過進(jìn)一步的轉(zhuǎn)換交付給輕量級(jí)的學(xué)生模型，在該過程中要保證性能波動(dòng)較小。在該過程中最重要的部分是“知識(shí)”的獲取。一方面，這個(gè)“知識(shí)”可以解釋為教師模型的輸出數(shù)據(jù)所包含的某些相近特性，且這些特性可以用于其它模型的訓(xùn)練，部分文獻(xiàn)稱其為“暗知識(shí)”[12]；另一方面，可將其理解為教師模型生成的一切可被其它模型利用的特征、參數(shù)等數(shù)據(jù)，“蒸餾”的過程就是發(fā)現(xiàn)并放大這些數(shù)據(jù)的相似性，并用于其它模型的訓(xùn)練[13]。
圖4 知識(shí)蒸餾框架
近幾年，研究人員已進(jìn)行大量實(shí)驗(yàn)，從表2 的數(shù)據(jù)中，可以看出蒸餾后的模型體量大幅度降低，并在保證精確性的同時(shí)提高模型效率。
表2 知識(shí)蒸餾性能表現(xiàn)
此外，很多主流技術(shù)的瓶頸問題，都可以通過知識(shí)蒸餾技術(shù)來解決，這些主流技術(shù)可參考如下示例：
（1）生成對(duì)抗網(wǎng)絡(luò)（GANs,Generative Adversarial Networks）往往計(jì)算復(fù)雜、存儲(chǔ)資源需求高，難以直接部署在移動(dòng)設(shè)備上，結(jié)合知識(shí)蒸餾技術(shù)可以對(duì)生成器[14]、判別器[15]或同時(shí)對(duì)生成器判別器[16]進(jìn)行簡(jiǎn)化。目前在壓縮上，雖然GANs 結(jié)合知識(shí)蒸餾已獲取很多優(yōu)異成績(jī)，但仍存有一些問題（如不易訓(xùn)練、不可解釋等）需要研究人員進(jìn)行更深入的研究。
（2）強(qiáng)化學(xué)習(xí)（RL,Reinforcement Learning），在很多領(lǐng)域中都存在深度強(qiáng)化學(xué)習(xí)模型的應(yīng)用[17]，如機(jī)器人控制[18]、完全信息博弈[19]和非完全信息博弈[20]等。但是該模型需要與外界進(jìn)行大量交互來更新網(wǎng)絡(luò)參數(shù)，造成巨大的訓(xùn)練開銷，結(jié)合知識(shí)蒸餾輔助訓(xùn)練過程可以提升訓(xùn)練效果并實(shí)現(xiàn)模型的輕量化。
（3）聯(lián)邦學(xué)習(xí)（FL,Federated Learning）可以在訓(xùn)練的過程中最大程度保護(hù)數(shù)據(jù)隱私，這種方法將傳統(tǒng)機(jī)構(gòu)的數(shù)據(jù)邊界打破，在現(xiàn)實(shí)中具有非常廣泛的應(yīng)用前景。聯(lián)邦學(xué)習(xí)還支持本地?cái)?shù)據(jù)訓(xùn)練，并將訓(xùn)練后的數(shù)據(jù)加密傳輸?shù)椒⻊?wù)器，但過大的數(shù)據(jù)量往往會(huì)占用大量帶寬，產(chǎn)生高昂的通信成本。將知識(shí)蒸餾部署在聯(lián)邦學(xué)習(xí)的各個(gè)環(huán)節(jié)，可以減少分布式聯(lián)邦學(xué)習(xí)所占帶寬。
從上述各個(gè)例子中可以看出，知識(shí)蒸餾可以在保證模型性能的前提下降低體量，實(shí)現(xiàn)復(fù)雜模型的小型化，進(jìn)而部署到資源有限的邊緣設(shè)備上[21]，使智能入戶成為現(xiàn)實(shí)。
2.2 神經(jīng)網(wǎng)絡(luò)剪枝
近年來，神經(jīng)網(wǎng)絡(luò)剪枝作為一種有效的模型壓縮方法為人們熟知。雖然多數(shù)的大型神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)能力出眾，但通過分析實(shí)驗(yàn)過程中的數(shù)據(jù)可以發(fā)現(xiàn)，模型中存在部分結(jié)構(gòu)無法發(fā)揮應(yīng)有作用，因此神經(jīng)網(wǎng)絡(luò)剪枝的想法油然而生：在不影響網(wǎng)絡(luò)性能的情況下去除多余的模型結(jié)構(gòu)，從而降低模型體量[22]。具體做法如下：對(duì)網(wǎng)絡(luò)中的節(jié)點(diǎn)進(jìn)行分析與評(píng)估，去除評(píng)估結(jié)果不理想的節(jié)點(diǎn)，進(jìn)而實(shí)現(xiàn)模型輕量化（剪枝效果參考表3 數(shù)據(jù)），將中大型深度神經(jīng)網(wǎng)絡(luò)部署在邊緣節(jié)點(diǎn)以及邊緣設(shè)備上。
表3 SPF方法網(wǎng)絡(luò)剪枝性能表現(xiàn)
神經(jīng)網(wǎng)絡(luò)剪枝主要分為兩種方式，分別為結(jié)構(gòu)化剪枝和非結(jié)構(gòu)化剪枝，其中非結(jié)構(gòu)化剪枝主要通過刪減權(quán)重參數(shù)達(dá)成目的，而結(jié)構(gòu)化剪枝則包含其它技術(shù)，如卷積核剪枝、通道剪枝等。
非結(jié)構(gòu)化剪枝往往需要額外信息，在保持模型性能的同時(shí)提高稀疏性。剔除的參數(shù)可通過如下方法確定：最優(yōu)腦損傷方法（OBD,Optimal Brain Damage）使用二階導(dǎo)數(shù)建立誤差函數(shù)的局部模型，選擇性地刪除網(wǎng)絡(luò)權(quán)重[23]；最優(yōu)腦外科醫(yī)生方法（OBS,Optimal Brain Surgeon）使用誤差函數(shù)的所有二階導(dǎo)數(shù)信息來執(zhí)行修剪[24]；以最小貢獻(xiàn)方差為修剪指標(biāo)，通過偏置參數(shù)，比較偏置前后輸出數(shù)據(jù)的差異度來去除貢獻(xiàn)方差最小的連接參數(shù)[25]。
非結(jié)構(gòu)化剪枝僅剔除部分參數(shù)，在降低計(jì)算量、參數(shù)量等方面表現(xiàn)較為平庸。結(jié)構(gòu)化剪枝則對(duì)卷積核、通道進(jìn)行優(yōu)化，可以在整體結(jié)構(gòu)上對(duì)神經(jīng)網(wǎng)絡(luò)的性能進(jìn)行提升。通過刪除一些對(duì)網(wǎng)絡(luò)整體貢獻(xiàn)度小的卷積核可有效地加速網(wǎng)絡(luò)推理時(shí)間，如通過比對(duì)每一層卷積核對(duì)輸出結(jié)果的貢獻(xiàn)度，選出冗余的卷積核進(jìn)行修剪[26]；從降低計(jì)算量角度進(jìn)行考量，將網(wǎng)絡(luò)輸出精度較小的過濾器刪除，最大程度減少矩陣乘法運(yùn)算，如基于過濾器剪枝的壓縮技術(shù)[27]；通過對(duì)具有層相關(guān)閾值的通道進(jìn)行修剪，將重要的通道和可忽略通道進(jìn)行最優(yōu)分離，如最優(yōu)閾值法（OT,Optimal Thresholding）[28]。
上述的各種方法都可以在保持性能的前提下盡可能地縮小模型體量，降低運(yùn)算量，為移動(dòng)便攜式設(shè)備搭載更多的人工智能應(yīng)用提供可能。
3 邊緣節(jié)點(diǎn)和模型輕量化在6G生態(tài)中的結(jié)合
隨著AI 技術(shù)的不斷發(fā)展，人們對(duì)智能生活的要求也會(huì)逐漸提高，AI 的設(shè)計(jì)路線也會(huì)向追求智能、靈活、安全、易部署的道路前進(jìn)，在投入使用的過程中，智能設(shè)備需要面對(duì)四個(gè)角色：（1）設(shè)備制造商；（2）云廠商；（3）通信廠商；（4）算法供應(yīng)商，構(gòu)建完整的6G 智能生態(tài)需要四方協(xié)作發(fā)展、共同進(jìn)步。但從歷史的經(jīng)驗(yàn)中可以發(fā)現(xiàn)，最重要的角色是設(shè)備制造商，其它三方始終存在一個(gè)痛點(diǎn)——眾多算法難以落實(shí)到硬件設(shè)備。
結(jié)合上文邊緣計(jì)算和模型輕量化的相關(guān)內(nèi)容：在算法供應(yīng)方進(jìn)行輕量化處理，將高性能應(yīng)用部署在邊緣設(shè)備，通過通信廠商設(shè)立的邊緣節(jié)點(diǎn)協(xié)調(diào)各方，勾連云端，進(jìn)行任務(wù)分配，最大程度上提高網(wǎng)絡(luò)效率。通過這種方式，各方取長(zhǎng)補(bǔ)短、互相協(xié)調(diào)，可以在一定程度上解決短板效應(yīng)，推動(dòng)6G 智能生態(tài)的發(fā)展與智能業(yè)務(wù)的全面落實(shí)。
4 結(jié)束語
本文聚焦6G“云網(wǎng)融合”前景，對(duì)6G 的智能業(yè)務(wù)發(fā)展方向進(jìn)行分析，著重討論了邊緣計(jì)算、移動(dòng)邊緣計(jì)算、知識(shí)蒸餾、結(jié)構(gòu)剪枝的基本原理、關(guān)鍵技術(shù)和應(yīng)用前景，通過數(shù)據(jù)分析，針對(duì)6G 智能生態(tài)的痛點(diǎn)進(jìn)行論述，探討解決方案。但是隨著對(duì)6G 網(wǎng)絡(luò)深入研究以及協(xié)議細(xì)化，必定會(huì)有許多問題衍生出來。如何應(yīng)對(duì)新生問題，并提升6G 的業(yè)務(wù)范圍、服務(wù)能力，推動(dòng)未來社會(huì)的智能化仍需學(xué)術(shù)界的各方同仁共同努力。
