使能无线通信与边缘计算的网络技术

随着物联网（IoT）的发展，数十亿设备预计将产生海量数据，这不仅可能淹没通信网络，还可能导致传统计算范式在数据分析方面失效。传统的计算方法需要通过网络将数据从源设备传输到中心化服务器进行存储，然后再进行分析。数据量的增加提高了数据传输、存储的复杂性和成本，以及数据分析所需的时间。为缓解这些问题，边缘计算应运而生，其目标是将云资源和服务推向更靠近数据源的位置。边缘计算的出现使得物联网数据能够在更接近源头的地方进行分析，使应用能更快速响应剧烈变化的本地环境，同时避免广域网的通信瓶颈。若干新兴的无线通信技术正在发展，以接入边缘计算资源与服务，这些技术包括但不限于 Wi-Fi HaLow、LTE和第五代（5G）。鉴于通信与网络技术对边缘计算成功部署的重要性，有必要开展研究，进一步探讨标准化工作，并深入分析通信技术与边缘网络中的各类问题与挑战。对通信与网络方面的研究将有助于极大拓展物联网的可能性，倍增实际应用场景，同时可能降低成本。这些新型无线通信网络对于以可扩展的实时方式支持新兴的边缘计算服务至关重要。

在本期《IEEE通信杂志》专题（FT）中，我们邀请了来自学术界、工业界和政府的研究人员，探讨实现边缘计算的移动与无线技术方面的挑战性想法、新颖的研究成果、演示结果以及标准化工作。经过严格的评审流程，从47篇投稿中遴选出5篇论文在本专题发表。

节能的设备到设备边缘计算网络：一种同时卸载流量和计算的方法

C. Ren et al. 设计了一种节能的设备面向设备到设备（D2D）的移动边缘计算（MEC）网络架构，用于卸载计算任务和网络流量。该架构支持多种接入方式和移动用户的协作中继方法。实验结果表明，所提出的架构显著降低了单次操作的能耗。

基于物联网的制造中的边缘计算

Jiafu Wan et al. 提出了一种面向基于物联网的制造的边缘计算架构。作者分析了边缘计算在边缘设备、网络通信、信息融合以及与云计算协同机制方面的作用。文章还介绍了基于原型平台的案例研究。实验结果表明，边缘计算在带宽优化和业务敏捷性方面具有优势。

基于网络流数据包的多媒体体验质量预测的深度学习模型

M. Lopez-Bern et al. 提出了一种基于直接从数据包中提取的信息来预测视频体验质量（QoE）的深度学习模型方案。该QoE检测器使用二分类器识别视频质量中的七类异常。该分类器依赖于卷积神经网络、循环神经网络和高斯过程分类器。实验表明，所提出的模型性能优于其他机器学习算法。

使用 Docker 和边缘计算进行物联网微服务编排

穆罕默德·阿拉姆 et al. 提出了一种集成 Docker 与微服务的方法，该方法可运行于模块化且可扩展的边缘计算架构之上。通过容器化实现服务隔离，并利用 Docker 工具实现容器化服务的可扩展性。实验结果验证了企业层具备管理和控制能力，可确保在边缘计算架构的不同层级上进行应用部署。

利用 LSTM 网络进行雾到物通信中的攻击检测

A. 迪罗和 N. 奇拉姆库尔蒂研究了基于深度学习的先进网络攻击检测方案。作者提出了一种基于 LSTM 网络的攻击检测方法，用于雾到物通信环境。设计并实现了一种结合雾到物通信资源限制的分布式攻击检测方案。性能评估表明，深层模型相较于传统机器学习模型具有更高的有效性和效率。

我们感谢所有作者的出色贡献以及所有评审专家的宝贵意见。同时，我们也非常感谢《IEEE Communications Magazine》主编塔里克·埃尔‐巴瓦布教授以及 IEEE 通信学会出版团队的大力支持。