Page 72 - 《软件学报》2020年第9期

张展 等:面向边缘计算的目标追踪应用部署策略研究 2693

[3]
[2]
取代手工特征以提升模型性能;Ma 等人提出的 HCFT 算法采用 VGG-Net 进行特征提取,集成从不
同特征图谱所学习到的滤波器作为最终模型,以利用多层特征,取得了更优的追踪性能;
[4]
• 另一类则完全采用深度学习相关技术进行追踪,如 Tao 等人 采用孪生神经网络(siamese network)比较
追踪目标与候选目标之间的相似性,进而确定目标位置.
基于孪生神经网络的目标追踪算法是近来最主要的研究分支,主要原因在于此类方法兼顾了处理速度和
[5]
算法性能.Bertinetto 等人提出了 SiamFC 算法,该方法创新性地将追踪问题视为相似学习问题,避免了深度学
[6]
习模型的在线更新,在速度和性能两方面均取得了非常不错的效果.SiamRPN 通过引入物体检测领域的区域
建议网络(region proposal network,简称 RPN)进一步提升性能.针对将 SiamFC 和 SiamRPN 的主干网络替换为更
深层结构时,算法并未取得更好的性能的问题,Li 和 Zhang 等人从不同的角度探究其原因,分别提出了
[8]
[9]
[7]
SiamRPN++ 和 SiamDW .Wang 等人在原有网络基础上添加 Mask 分支,提出了 SiamMask ,完成目标追踪任
务的同时实现物体分割,在一般场景下效果显著,但对于遮挡等问题鲁棒性较差.针对不同算法的优化,一方面
可以从算法模型的角度进行改进,如改进模型架构设计,或采用集成学习方法,结合不同种算法优点构建性能更
加优良的算法模型;另一方面,可以从应用部署的角度,通过研究计算任务分割、卸载、设备间通信以及数据融
合等策略,进一步优化应用性能.本文以 STSC 算法为主要研究对象,从应用部署优化的角度,对目标追踪算法在
移动设备上的部署策略进行研究,部署策略也可进一步扩展至其他类型算法.
1.2 边缘计算技术
新型网络任务和场景,如自动驾驶、安防监控等,对于网络延时和可靠性安全性等方面的高要求,使得传统
网络架构难以应对,边缘计算技术应运而生.边缘计算主要包含虚拟化、云计算和软件定义网络等关键技术.Shi
等人 [10] 将“边缘”定义为数据源与云数据中心之间的任何计算资源和网络资源.对于其优势和必要性,Hu 等人 [11]
通过实验进行相关验证,并通过实验证明:移动设备盲目卸载计算任务到云,可能导致更低的性能和更高能耗.
目前,边缘计算已在诸多领域中得以应用.Garg 等人 [12] 将边缘服务器作为中间接口,辅助车辆与云端数据
中心间通信,减少了终端节点访问时间和网络拥塞.Sheng 等人 [13] 将无线声音传感器网络与边缘计算相结合,使
得成本和能耗更低.Lai 等人 [14] 利用边缘云实现并行计算,以提高监管系统对工业设备的识别效率.Muhammad
等人 [15] 将边缘计算应用于智慧医疗框架.相比传统网络架构,边缘计算采用降低服务器和用户间距离的方式,减
少了网络响应时间,同时降低了数据传输功耗和网络堵塞时间 [16] .然而,此类应用框架仅利用了边缘云的优势,
并未针对应用模型进行更近一步地拆分.与此不同,本文针对应用模型本身的计算任务进行更细致的划分,从模
型部署的角度进行更进一步的优化.
边缘云架构一直是该领域的主要研究方向.Tong 等人 [17] 将边缘云更加细化,将边缘云层设计为一种树状的
层次结构,允许不同服务器层对峰值负载进行聚合,使得云资源利用率更高.Yao 等人 [18] 从不同设备以及接入点
的角度提出多层边缘计算框架 EdgeFlow,通过权衡设备的资源占用情况以及通信状态,将不同任务以最佳方式
分配给每一层.Tseng 等人 [19] 提出一种基于网关的边缘计算服务模型,可实现资源按需分配.相比以上几种边缘
云架构,在特定应用场景下的平台架构设计中,将计算能力较强的移动终端节点上移边缘云层是更为合理可靠
的.例如,野外环境下,设备工作环境可能较差,网络延迟可能使得终端节点设备与边缘云无法畅通连接.为此,将
比穿戴式设备计算能力更强的节点设备作为其他设备的边缘云节点,移动终端节点可自由选择任务卸载位置,
从而降低网络环境对计算任务的影响.
针对边缘云架构中的任务卸载、资源分配及数据传输等问题,不同学者对此进行了研究探索.Sun 等人 [20]
提出一种自适应任务卸载算法,相比基于置信上限的学习算法,平均延迟降低了 30%.针对如何满足计算任务延
迟条件且保证系统成本最小化的问题,Zhang 等人 [21] 提出一种两阶段任务调度成本优化算法,在满足所有任务
延迟的同时,使系统成本最小化.针对边缘服务器的过载问题,Fan 等人 [22] 设计了一种基于应用感知的工作负载
分配方案,通过为用户不同类型的请求分配合适的计算资源,以最大限度地减少响应时间.Du 等人 [23] 将边缘计
算的资源分配问题定义为一个随机优化问题进行求解,取得了较好的效果,然而该算法并不考虑资源共享的公
平性问题.Guan 等人 [24] 采用博弈论的观点对边缘计算环境进行了分析,证明其中存在纳什均衡.Lin 等人 [25] 针对