ついにクラウドエッジコラボレーションをわかりやすく説明してくれる人が出てきた

前述したように、クラウド コンピューティングはクラウドベースのコンピューティング方法であり、クラウドとはインターネットを介して接続されたソフトウェアとハ​​ードウェアのリソースを指します。インターネットを利用することで、さまざまな共有ソフトウェアやハードウェアリソースを複数のコンピュータやその他の端末に割り当てて利用できるようになります。これにより、端末デバイスは、より多くのコンピューティング リソースを消費するアプリケーションやコンピューティング プロセスをクラウド上に配置できるようになり、端末デバイスの動作効率が大幅に向上します。

1. クラウドエッジコラボレーションとは何ですか?

エッジ コンピューティングは分散コンピューティング アーキテクチャです。クラウド コンピューティングとは異なり、以前は中央サーバーによって処理されていたタスクを分割し、これらの分割されたタスクのフラグメントをネットワークのエッジに配布して、エッジがコンピューティングを担当します。エッジ コンピューティングは、関連情報の送信時間を短縮し、遅延を減らします。

クラウド コンピューティングでは、大規模なコンピューティング タスクをクラウドにオフロードして処理できますが、低レイテンシを必要とするアプリケーションでは、ネットワーク帯域幅のボトルネックなどの問題が発生します。エッジ コンピューティングはエッジでタスクを実行できるため、ローカル エッジ ターミナルのコンピューティング能力によって制限されます。

クラウドコンピューティングとエッジコンピューティングの上記の欠点を解決するために、クラウドエッジコラボレーションが誕生しました。クラウド エッジ コラボレーションは、クラウド コンピューティングとエッジ コンピューティングを密接に組み合わせます。クラウドコンピューティングとエッジコンピューティングのタスクを合理的に割り当てることで、クラウドコンピューティングのシンキングを実現し、クラウドコンピューティングとクラウド分析をエッジまで拡張します。テクノロジーの発展により、クラウドとエッジの連携は将来のインターネット業界で確実に定着するでしょう。

2. クラウドエッジ連携におけるデータセキュリティのシナリオ

クラウドコンピューティングやエッジコンピューティングの発展に伴い、データセキュリティも重要な研究テーマとなっています。データセキュリティ保護に関しては、まずデータセキュリティ保護の関連シナリオを明確にする必要があります。クラウド エッジ コラボレーション環境では、主にトレーニングとクエリという 2 つのデータ セキュリティ シナリオが考慮されます。

クラウドエッジ連携トレーニングのシナリオでは、次のような応用例が考えられます。

（１）クラウドエッジ協調顔認識モデルトレーニング

機械学習モデルの場合、トレーニング サンプルの数は最終モデルの効果に影響します。ビッグデータの時代では、さまざまなスマートデバイスがデータサンプルを収集できます。ただし、収集されたデータがモデルのトレーニングのためにクラウドに送信される場合は、いくつかの問題が発生します。まず、帯域幅の消費と遅延です。第二に、データがクラウドに保存されると、プライバシー漏洩の重大なリスクが生じます。

このシナリオでは、クラウド エッジ共同モデル トレーニングが適切な選択です。エッジでのデータ収集機能のおかげで、最終的にトレーニングされたモデルの一般化パフォーマンスが向上します。エッジはデータの収集とモデルトレーニングの一部を担当し、クラウドはエッジモデルの更新を集約してエッジに送り返す役割を担います。従来の顔認識モデルのトレーニングでは、通常、最初に顔データを収集し、次に顔データにラベルを付け、中央サーバーで顔認識モデルをトレーニングし、最後にトレーニング済みのモデルをエッジに展開します。

上記のトレーニング プロセス中、データはデータ収集エッジによって収集され、中央サーバーと直接やり取りする必要があります。直接的なデータのやり取りは、必ずプライバシー漏洩につながります。従来の顔認識モデルのトレーニングと比較して、クラウドエッジ連携による顔認識モデルのトレーニング（図 1 参照）では、顔データを中央サーバーにアップロードする必要がないため、プライバシーの漏洩をある程度防ぐことができます。しかし、クラウドとエッジの連携による顔認識モデルのトレーニングでは、トレーニング データのラベル付けや分散トレーニングをより適切に実行する方法など、依然として多くの問題が残っています。これらの問題はさらなる研究と解決が必要です。

図1 クラウドエッジ連携顔モデルトレーニング

（２）クラウドエッジ協調型レコメンデーションシステム

クラウドエッジ連携によるレコメンデーションシステムのトレーニングでは、エッジで収集されたデータを使用してエッジでローカルにトレーニングを実行し、更新されたモデル情報をクラウドにアップロードしてモデルを統合します。ローカルモデルのトレーニングにより、ユーザーの行動習慣や閲覧データなどの情報がクラウドにアップロードされることが回避され、プライバシー漏洩の可能性が低減されます。従来の推奨システムを実装するには、サービスプロバイダー（Taobao、Weiboなど）がユーザーの閲覧データ、閲覧の好み、検索データなどの情報を積極的に収集して推奨モデルをトレーニングし、最終的にトレーニングされたモデルに基づいてユーザーにターゲットを絞った推奨を行う必要があります。この種のデータ収集は必然的にセキュリティとプライバシーの問題につながります。クラウドエッジ連携方式による推奨システムの適切なトレーニングは、サービスプロバイダーがクラウドでユーザーの閲覧履歴などのプライバシーデータを収集することをある程度回避してデー​​タセキュリティ保護の目標を達成できますが、この方法では、エッジデバイスのパフォーマンス制約やクラウドエッジ通信の帯域幅制約など、解決する必要があるいくつかの問題がまだ残っており、これらの問題についてはさらなる研究が必要です。

（３）従来のエネルギー業界におけるクラウドエッジ連携データ処理

クラウドエッジコラボレーションテクノロジーは、上記のビッグデータシナリオにのみ適用できるわけではありません。従来のエネルギー業界では、関連するさまざまな機器が比較的複雑であり、エッジ センサーも多数存在します。収集されたすべてのデータがクラウドに送信されると、帯域幅の負荷が大きくなり、変換がより困難になります。伝統的な産業におけるデータ処理は手作業に大きく依存していることが多く、これも伝統的な産業の変革に困難をもたらします。次に、石油業界を例に、石油業界におけるクラウドエッジ連携とデータセキュリティの問題に関するシナリオについて簡単に説明します。従来の手動データ入力方法とは異なり、クラウドエッジ連携環境では、石油抽出において、センサーやさまざまな抽出装置によって収集された情報を統合し、シンプルなデータ処理機能を使用してエッジに送信し、自動データ入力、データ前処理、リアルタイムデータ分析などの操作を行うことができます。処理されたデータは、より完全なデータ分析と意思決定のためにクラウドに送信され、最終的に決定結果がエッジに送り返されて、石油抽出などの操作をガイドします (図 2 を参照)。

図2 クラウドエッジ連携による石油採掘

従来の石油抽出方法と比較して、クラウドエッジ連携によるデータ処理により、データ処理の効率が大幅に向上し、意思決定にかかる時間が短縮されました。それにもかかわらず、クラウドとエッジの連携によるデータ処理には、依然としてプライバシー漏洩のリスクが存在します。上記のシナリオでは、エッジが特定のデータ分析操作を実行し、帯域幅とクラウドへの負荷を軽減しますが、データのさらなる分析には依然としてクラウドの参加が必要です。そのため、データ転送中やクラウド分析中にプライバシーが漏洩するリスクが依然として存在します。

クラウド エッジ共同クエリ シナリオには、次のアプリケーション例があります。

（１）クラウドエッジ協調顔認証決済

「顔スキャン決済」時代の到来により、顔認証の精度は商業的に利用できるレベルに達しました。エッジ決済デバイスの計算能力とストレージ容量の制限により、顔認識のためにエッジで顔認識モデルを完全に展開することは不可能です。したがって、「顔認証決済」は、図 3 に示すように、クラウドとエッジの連携を通じて実装する必要があります。エッジは、ユーザーの顔データをキャプチャして前処理し、ネットワーク帯域幅の負荷を軽減する役割を担います。クラウド側は顔認識や決済サービスのロジックを担当します。前述の顔認証決済のシナリオでは、エッジ、クラウド、データ転送中にプライバシー漏洩が発生する可能性があります。例えば、エッジデバイスが悪意のあるエッジに侵入されるなど、プライバシーの漏洩を防ぐためには、対応するプライバシー保護技術が必要です。

図3 クラウドエッジ連携顔認証決済

（２）クラウドエッジ連携型高度道路交通システム

自家用車の数が増えると、交通量が増え、交通システムにかかる負担が大きくなります。スマート交通の現在の研究方向の 1 つは自動運転です。しかし、自動運転は複雑な道路状況や車両の計算能力などの要因によって制限されるため、現段階では大規模に展開することは不可能です。もう一つの研究方向は、道路上のさまざまなカメラセンサーやその他のデバイスを使用してデータを収集し、エッジにアップロードして簡単なデータ分析と意思決定を行うとともに、クラウドで全体的な調整とデータ分析を実行し、クラウドエッジ連携によるスマートな交通システムを実現することです。たとえば、カメラを通じて情報を収集し、機械学習アルゴリズムを使用して道路交通違反をインテリジェントに識別することで、効率を向上させることができます。しかし、カメラやセンサーなどの機器を使って収集された道路交通情報から、道路上の歩行者のプライバシー情報が漏洩するケースが多く、スマート交通の発展にとって課題となっています。

著者について:

ハン・ルイ氏は北京理工大学の特別研究員および博士課程の指導者です。典型的な負荷（機械学習、ディープラーニング、インターネットサービス）に対するクラウドコンピューティングシステムの最適化の研究に重点を置き、TPDS、TC、TKDE、TSC の分野のトップ（重要）ジャーナルや、INFOCOM、ICDCS、ICPP、RTSS などの会議で 40 本以上の論文を発表し、Google Scholar で 1,000 件以上引用されています。

Liu Chi 氏は、北京理工大学コンピュータサイエンス学部の副学部長、教授、博士課程の指導者です。北京智能情報技術重点実験室所長、国家優秀若手科学者基金受賞者、国家重点研究開発計画主任科学者、中国電子学会会員、工学技術学会会員、英国コンピューター学会会員。

この記事は「クラウドエッジ コラボレーティブ ビッグデータ: テクノロジーとアプリケーション」から抜粋したもので、発行元によって承認されています。 （ISBN:9787111701002）転載の際は出典を明記してください。