Page 80 - 《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 2701

临时离线、低延时的计算服务,包括设备接入、消息路由、消息远程同步、函数计算、设备信息上报、配置下
发等功能.通过 OpenEdge 和智能边缘 BIE(Baidu-IntelliEdge)协同部署,可在云端进行智能边缘核心设备的建
立、服务创建、函数编写,然后生成配置文件下发至本地运行,达到云端管理和应用下发,边缘设备上运行的效
果,满足边缘计算应用场景.
计算任务完全卸载至边缘云计算,其总计算时间为 40ms,边缘服务器用于计算任务处理时间约为 23ms,其
余时间主要为信息传输时间.实验中采用的数据为 OTB100 [29] 数据集中的 DragonBaby 图片序列,图片分辨率为
640×360.实验结果如图 9 所示,可以看出:信息传输时间对于总处理时间仍存在较大影响,当终端节点获取到图
片数据较大、分辨率更高时,将产生更高的传输延迟,严重影响追踪性能.

Fig.9 Edge cloud computing task processing time (calculation task completely unloads edge cloud computing)
图 9 边缘云计算任务处理时间(计算任务完全卸载边缘云计算)

(3) 终端节点与边缘云协同处理
计算任务完全本地计算时,嵌入式终端计算负载为算法全部计算任务.计算任务完全卸载至边缘云计算时,
嵌入式终端计算负载仅为摄像头图像获取、数据发送/接收,目标区域绘制及显示.
协同处理时,计算任务部分卸载至边缘云端.本地嵌入式终端负责图像数据的获取、预处理以及神经网络
模型的前几层计算.本地计算任务量介于完全本地计算和完全卸载云端计算之间.通过将部分计算任务下移本
地,使嵌入式终端和边缘云协同处理,以达到降低任务整体响应时间的目的.
1) 计算任务划分后算法性能测试
为验证计算任务分割策略对于追踪算法性能的影响,首先对任务分割后算法进行性能测试.测试实验中,采
用模型部分卸载策略,测试结果如图 10 所示.实验结果表明:计算任务分割后,算法整体性能并未受到影响,其性
能与未分割的原始算法相同,即计算任务划分对算法性能无影响,仅将相同计算任务划分至不同设备进行处理.
2) 神经网络模型完整卸载策略
该策略计算任务划分中,主要将算法的特征提取部分卸载至边缘云进行计算,本地终端节点负责数据的预
处理和后处理.其中,
• 数据预处理部分的计算任务主要包括部分与输入图像数据相关的超参数的计算;以前一帧追踪目标
的位置为中心,剪裁不同尺寸的图像以供后续尺度估计计算等;
• 后处理部分主要包括根据边缘云返回的响应图、对追踪目标的尺度及具体估测位置进行计算等.