基于计算迁移的端/边协同优化
AR应用一般对延迟是极其敏感的，而且对计算和通信的要求都很高。并且，在移动设备上运行AR应用时，在对移动设备电池的消耗方面，一直无法满足用户的期望[1-3]。
AR 应用程序通过移动设备的屏幕和摄像头将一些计算机图像叠加到现实世界的影像中，图 1 所示的框图说明了这一过程。完成这一过程需要五个组成部分[3-4]：
-
视频源， 它可以先从移动摄像机中获得原始的视频帧；
-
跟踪器，在当前环境下识别并跟踪用户的相对位置；
-
映射器，对当前所处环境建立一个模型；
-
对象识别器，识别当前环境中的已知物体；
-
渲染器，显示处理过的帧。
基于AR应用的处理流程及其固有特点，相关研究人员提出，利用计算迁移及同位置数据共享的方式来进一步提升AR应用的用户体验。
将计算密集型任务卸载至边缘云执行，完成计算任务执行优化：
视频源和渲染器组件必须在移动设备中执行，而计算量最大的跟踪器、映射器和对象识别器组建所进行的计算可以卸载到云端进行。同时考虑到边缘侧计算资源能够利用本地上下文信息, 同时具有较强的处理能力, 非常适合AR应用。Dastjerdi等人[4]介绍了一种通过检测人脑电波工作的“大脑-计算机”交互AR应用。
脑电波数据由脑电生物传感器实时接收, 同时, 借助MEC和云计算平台处理大型的计算任务。Schneider等人[5]设计了一种基于边缘计算的AR应用架构, 克服了智能手机、平板电脑等移动AR设备在性能方面存在的困难, 同时, 将移动AR应用的端到端延迟减少到了50ms以内。
基于同位置用户的数据共享实现通信资源优化：
此外，如果对任务进行卸载，映射器和对象识别器可以从处在相同地理位置的所有用户设备中收集输入，限制用户上行链路中传输的冗余信息。此外，映射器和对象识别器计算的结果可以从云端组播到下行链路中所有同位置的用户。同时，[6-7]的工作表明，通过对通信资源和计算资源的分配进行联合优化，可能在时延约束下显著降低移动能量消耗。他们的工作能在多个用户独立运行通用应用程序上应用。
但是，AR 应用程序有其独特的性质，所有的用户都可能上传和下载一部分相同的数据，且其计算任务也在一个或多个服务器上共享。因此，可以通过联合优化通信和计算资源来减少通信和计算开销[8]。
云原生技术对于AR边缘云的影响
白皮书对于AR边缘云核心技术发展预测这一章中提到，目前AR边缘云的标准实现模式是将AR云的各种能力组件和应用逻辑通过虚拟机或者容器的方式在边缘云承载。
容器虚拟化技术能够将底层硬件资源进行虚拟化，形成资源池，为AR应用提供可配置、可复制的应用运行环境，成为连接AR应用逻辑和专用硬件的桥梁。容器虚拟化技术能够在保持极低额外开销、媲美本机原生AR应用运行速度的同时，大大降低AR服务部署的成本，成为决定AR服务性价比的核心竞争力之一。
基于容器虚拟化技术的边缘云部署方案能够满足AR的基本服务能力，在此基础上，未来AR边缘云核心技术会面对构建边缘弹性部署、云边协同服务、AR边缘云生态环境构建等更进一步的挑战，这也是架构发展的重要影响因素。基于K8s+Docker的云原生技术能够帮助AR边缘云应对这些挑战。
-
边缘弹性部署：AR应用需要大量的计算资源，如果边缘侧出现大量用户的应用服务请求，可能会造成AR应用不可用的问题。利用K8s+Docker的云原生技术，可以将弹性地整合利用多个边缘节点及云上资源，在出现边缘侧资源不足的情况时，可以将AR服务实例弹性地部署到其他边缘节点及云上，保证边缘AR服务高可用。在应用服务请求较少的时候，可以弹性地减少AR服务实例的部署数量，节约资源，降低成本。
-
云边协同：AR应用经常需要与AI技术相结合，边缘AR设备产生大量数据，可以用于云端的模型训练工作，反过来云端训练好的模型可以下发到边缘侧进行AR应用相关的推理和计算。另外，利用云边协同可以帮助AR边缘云进行数据同步和备份，实现数据高可靠。云原生技术可以帮助AR边缘云很方便地实现这些能力。
-
生态：基于K8s+Docker的云原生技术能够提供对于开发生态比较好的包容和可用性，帮助AR边缘云与公有云实现AR应用的标准化。云原生技术中的image repository，service catalog等特性，能够帮助AR边缘云实现镜像管理、应用管理等需求，有助于构建一个开放、便捷的AR边缘应用生态。
结语
随着5G和云原生技术的成熟和落地，对于 AR 能力和服务的云部署，不但带来了宽裕的上下行流量通道，同时超低的空口延时和安全灵活的数据传输帧组织方式，为基于核心接入的移动边缘计算框架提供了广阔的可能。基于5G+边缘计算的AR应用执行框架可描述如下：
同时，5G 为核心和入口的庞大设备群落，也为 AR 服务的受众覆盖和效益辐射提供了不可比拟的广阔空间，也使得 5G+AR 推动的轻薄和便携 AR 服务成为苹果（Apple）、谷歌（Google）乃至亚马逊（Amazon）等巨头着力投入和开拓的领域。然而，机遇和挑战并存，移动边缘智能视频服务能力并非是简单5G和已有技术的堆砌，其中切实实现 5G 为核心和入口的庞大设备群落的体验一致，以及边缘云能力赋能终端提供更有吸引力客户体验（如延时和清晰度等指标）和经济模式就显得尤为重要。
【参考文献】
[1] SHOAIB H, JAFFRY S W. A Survey of Augmented Reality[C]. Proceedings of the 2015 International Conference on Virtual and Augmented Reality, New York: ACM, 2015:73-82.
[2] FAN P, WANG J, ZHENG Z, et al. Toward Optimal Deployment of Communication-Intensive Cloud Applications[C]. Proceedings of the 2011 International Conference on Cloud Computing. Washington, DC: IEEE Computer Society, 2011:460-467.
[3] MAHMUD M R, AFRIN M, RAZZAQUE M A, et al. Maximizing quality of experience through context-aware mobile application scheduling in cloudlet infrastructure[J]. Software—practice & Experience, 2016, 46(11):1525-1545.
[4] Dastjerdi A V, Gupta H, Calheiros R N, et al. Fog computing: Principles, architectures, and applications[M]. Internet of things. Morgan Kaufmann, 2016: 61-75.
[5] Schneider M, Rambach J, Stricker D. Augmented reality based on edge computing using the example of remote live support[C]. 2017 IEEE International Conference on Industrial Technology (ICIT). IEEE, 2017: 1277-1282.
[6] MARSCH P, ROST P, FETTWEIS G. Application driven joint uplink-downlink optimization in wireless communications[M]. Berlin: Workshop on Smart Antennas, 2009:361-368.
[7] SARDELLITTI S, SCUTARI G, BARBAROSSA S. Joint optimization of radio and computational resources for multicell mobile cloud computing[C]. Proceedings of the 2014 International Workshop on Signal Processing Advances in Wireless Communications. Piscataway, NJ: IEEE, 2014:89-103.
[8] AL-SHUWAILI A, SIMEONE O. Energy-Efficient Resource Allocation for Mobile Edge Computing-Based Augmented Reality Applications[J]. IEEE Wireless Communications Letters, 2017, PP(99):398-401.
作者：华为云原生团队
来源：容器魔方
感谢阅读，欢迎扩散传播！感谢！边缘计算社区：促进边缘计算领域知识传播，中立，客观，如果您关注边缘计算、5G、物联网、云原生等领域请关注我们。