1 边缘计算概述
1.1边缘计算简介
边缘计算的发展经历了三个阶段，技术储备期、快速增长期和稳定发展期。2013年Ryan LaMothe在美国太平洋西北国家实验室的内部报告中首次提出边缘计算；2016年美国韦恩州立大学施巍松团队给出了边缘计算的定义，即边缘计算针对在网络边缘执行计算的一种新型计算模型，其中的“边缘”是指从数据源头到云计算中心路径之间的任意计算和网络资源。边缘计算通过网络、隔离技术、体系结构、边缘操作系统、算法执行框架、数据处理平台以及安全和隐私等七项核心技术，近距离为用户提供敏捷迅速的服务与响应。边缘计算可以说是云计算的扩展和升级，通过与云计算的协同合作，两者为不同的需求提供全方位的优质服务。
1.2边缘计算的核心架构
相对于云计算集中式的计算能力和海量存储能力，边缘计算采用分布式的操作，处理来自于云服务的下行数据和来自终端设备的上行数据，因此，核心架构包括终端、云端和边缘端三部分，每部分分工明确、各司其职，提供更低的延时性和更高的容错能力。具体执行内容描述如下：
(1) 终端：是架构的执行端，由距离用户最近，能够采集相关声音、图像和信息的各种传感设备、视频和音频设备组成。主要执行的操作包括声音、图像和信息的感知与采集，并上传至边缘端进行适当的处理。
(2) 边缘端：如上所述，边缘端处于架构的中间，负责云端和终端上下行数据的交互，主要由边缘服务器、网关等设备组成。边缘端将靠近用户的数据进行本地化加工处理，然后根据要求将对应的数据上传至云端，同时将云端发送的指令下达至边缘端，甚至是终端。
(3) 云端：处于架构的顶层，由大型云服务集群组成，用于集中处理数据和海量存储。云端的可以接收来自边缘端的数据处理结果，并将相关要求下达至边缘端和终端，所以必须由大型服务器群才能提供海量数据，并提供去全方位的信息决策服务。
1.1.3边缘计算的优点
边缘计算相对于云计算，除了将数据处理边缘化，减少了数据传输的网络带宽压力，更重要的是降低了成本，改善了网络性能，减轻了云计算中心的负载。主要优点体现在下面三个方面：
(1) 数据处理就近化和边缘化：边缘端处于终端和云端中间，将来自终端用户的信息和数据进行部分或全部处理，无需全部上传云端，并对信息和数据的变化做出及时的响应，提供就进化和边缘化的服务。
(2) 网络带宽和数据中心功耗低价化：在边缘端处理数据无需高性能、高价格的服务器，部分或全部已有网关、设备均可应用，降低成本的同时，很大程度上减轻了网络带宽的压力和云计算中心的负载，改善了网络性能，并降低了数据中心的功耗。
(3) 数据存储和用户隐私安全化：边缘计算的数据和用户隐私数据大部分或全部存储在边缘端的设备上，不再上传，这种分布式的架构很大程度上改善了系统的可靠性，降低了数据泄露的风险，提高了用户数据和隐私的安全性。
12深度学习概述
2.1深度学习简介
深度学习来源于神经网络，是神经网络的深层模型及训练算法的集合，不仅具备神经网络的优点，而且很大程度上弥补了它的缺陷。不同于普通的神经网络模型仅有输入层、输出层和隐含层(一般少于3层)组成，深度学习的隐含层针对3层以上的模型由训练的方式来提取序列中的分布特征，实现高维度特征的抽象表示，是人工智能技术发展的一种新模式。
2.2深度学习的原理
深度学习的基本原理类似于神经网络，主要通过以下三个步骤实现：
首先，确认神经网络的输入、输出和隐含层构成的结构，不同的连接点设置会产生不同类型的网络结构；其次，将数据分为训练数据和预测数据，通过选择目标函数以及功能函数，对数据进行训练，按照预先设定的阈值，达到训练的效果，并准备应用于数据预测；最后，将预测数据应用于网络结构，达到预测的精度。
三种典型的深度学习算法，卷积神经网络(CNN)、循环神经网络(RNN)、生成对抗网络(GAN)在不同的方面表现各异：CNN是基于前馈神经网络的包含卷积计算和深度结构的算法，在图像处理方面优势显著；RNN是一类基于序列数据，在序列的演进方向进行递归且所有节点按链式连接的递归神经网络，能有效的处理序列数据；GAN是一种无监督学习算法，可以在照片、图像和视频之间进行转换，比较符合边缘计算结果的辨识和处理，故在本文中所采用。
2.3深度学习的优点
(1) 超强的学习能力
从预测结果来看，深度学习具备很强的学习能力，性能表现非常好。
(2) 良好的适应能力
深度学习的神经网络层数比较多，宽度较广，理论上可以映射到任意函数，所以适应能力较强，能解决各种复杂的问题。
(3) 突出的数据驱动能力
深度学习对数据的依赖性较高，数据量越大，学习的性能表现就越好，结果的准确性完全靠数据来驱动。
(4) 良好的可移植性
由于深度学习的优异性能，很多框架和平台都可以兼容，如TensorFlow, Python，体现出较好的开放性和可移植性。