云连接的飞行边缘计算用于智慧农业

1 引言

农业部门面临着持续的压力，需要在气候变化和耕地资源有限等挑战下，养活到2050年预计超过90亿的人口。为应对这一局面，科学家和研究人员建议通过包括物联网（IoT）在内的现代技术来增强该部门。无人驾驶航空器（无人机）[1]。例如，物联网提供有关作物健康的更新信息，帮助农民在正确的时间做出正确的决策。精准农业的核心是在正确的时间收集正确的数据，从而通过考虑每一寸农田的需求来优化资源使用。利用物联网实现农业可持续发展已成为各种农业活动的首要任务。此外，无人机正被用于农业中的多种用途，如监测、空中感知、跟踪、数据采集、通信和安全。

无人机，更准确地称为飞行机器人，因其快速、成本效益高且安全的部署能力，被广泛应用于各类场景中，通常作为第一响应者[2–4]。此外，随着技术与设施的进步，例如具备三维机动性，无人机在几乎所有新兴网络中都发挥着空中基站的关键作用。由于参与了广泛的日常应用，无人机已成为实现精准农业目标的最佳候选工具[5]。凭借这些能力，无人机可在作物整个生命周期中发挥作用，包括土壤健康检测[6]、种植[7]、植物计数[8]、作物健康监测[9][10]、灌溉、喷洒化肥和农药[11]以及估算作物产量。由于其适用性和先进功能，该技术已成为所有与农业相关利益方（包括农民、农学家、农作物保险商和研究人员）关注的焦点。这些功能包括多种模型、更长的飞行时间、更大的有效载荷能力以及在不同条件下飞行的能力。本文提出将无人机作为应对远程农业各种挑战的一种解决方案：

• 它们需要覆盖广阔的地理区域。
• 在这种高度异构的环境中，需要大量传感器和其他设备来监测各种参数。
• 它们需要在偏远地区运行，传感器在此类地区无人值守操作。
• 由于通信不可靠且不稳定，连接传感器面临挑战。
• 某些参数必须实时上报。
• 许多参数需要可扩展数据存储和处理能力。

在本文中，无人机为物联网节点提供通信和数据收集服务。一旦数据被收集，接下来的问题是：应在哪里处理这些数据，以及哪种计算模型最适合为物联网节点提供所需的服务？例如，可以利用云服务从预测分析机构获取信息，使农民能够根据自身具体需求施用相应产品。然而，对于在这些具有挑战性区域运行的关键型物联网农业应用而言，它们需要部署对象与处理设备之间具备可靠的通信介质，而在广阔且偏远的地区，这种通信无法得到保障。

在这种情况下，云计算并不是一个好的选择，因为广阔的农业领域可能无法接入互联网[12]。此外，所谓的雾计算也不太适用，因为在恶劣环境中雾节点难以固定，且节点波动频繁。更重要的是，当我们讨论农业中的具体应用时，边缘计算可能面临大多数节点非常小、处理能力不足的问题。可扩展性、经济性和节点更新的需求会带来更多挑战。简而言之，在缺乏可靠通信网络的大规模农田区域，无法连接大量传感器以提供及时数据，现有的雾计算和边缘计算平台难以应用。

考虑到这一挑战，本文提出了飞行边缘的概念，即一种基于无人机的计算平台，旨在满足智慧农业的需求。这种飞行边缘平台可由一个或多个无人机组成，为偏远地区的物联网应用提供计算能力。所提出的平台具有高度的动态性和灵活性，能够快速部署并收集数据。最重要的是，它可用于沙漠等恶劣地形环境。山区，消除了在这些位置实现智慧农业的障碍。所提出的边缘平台构建了一个物联网网络，用于收集作物数据，进而分析作物健康状况，最终使农民能够采取及时的智能决策。

本文的其余部分组织如下。第2节简要介绍了移动边缘计算的背景。第3节详细描述了所提出的平台及其具备的所有设计和功能。第4节对所提出的方法进行了评估，并比较了不同参数下的结果，第5节给出了结论以及对未来研究的展望。

2 相关工作

使用移动边缘计算并非新概念。许多作者已提出提供计算设施的移动系统。其中突出的研究包括移动雾计算[13][14]、移动云计算[15]、和移动边缘计算[16]。然而，这些平台的工作方式与所提出的飞行边缘计算概念不同。文献[13]中提出的系统从固定机器提供移动边缘服务，能够将智能手机和车辆等移动设备接入云，但仅限于特定地理区域。该项工作的关键在于，它在具备移动性和位置感知能力的同时提供了低延迟。此外，文献[15][17]提出了移动云计算，该架构将数据存储和数据处理均置于云中，以支持移动设备。在这种方法中，移动云计算使移动设备无需存储大量数据和执行繁重的处理任务。在文献[13]中，移动边缘计算将云计算能力扩展到蜂窝网络的边缘，可为智能手机及其他依赖蜂窝通信的应用提供多种低延迟服务。

在智慧农业中使用无人机也并非新鲜事。这些飞行机器人以多种方式被应用。文献[18]的作者提出了一种分层结构，该结构基于无人机与相关无线传感器在精准农业作物监测中的协作。这种将无人机与地面传感器及物联网应用相集成的方式，已被证明是此类专业应用中一种稳健且高效的数据采集、控制、分析和决策解决方案。其主要优势在于能够在线进行数据采集，并将数据中继至中央监控点，同时通过优化的无人机轨迹和现场数据处理有效管理网络负载和延迟。研究考虑了协作的两个重要方面：设计用于高效数据采集的无人机轨迹，以及在网络层面实施有效的数据处理算法（共识和符号聚合近似），以传输相关数据。

考虑到信息与通信技术（ICT）在智慧农业中的价值，研究人员已开始利用边缘计算来提升作物生产。在[19]的一项类似研究中，作者提出了一种基于移动边缘计算（MEC）的数据链路管理方案，用于监测农业用水需求。结果表明，该方案实现了农业用水监测系统管理的网络化和智能化，具有广阔的市场前景。

边缘计算在智慧农业中发挥着重要作用，由于其能够在偏远地区运行、覆盖广阔区域、承受恶劣环境、提供足够的带宽以及解决连接问题等特性，可被视为一种理想的范式。只有通过边缘计算，才能在正确的时间收集数据，并针对特定情况采取正确的步骤。因此，它对农业至关重要。当存在连接问题时，边缘计算可能是合适的选择。根据[20]中提出的方案，传感器和边缘设备从监测区域收集数据，并将数据发送到边缘节点。该节点对所需数据进行预处理分析，然后将结果发送到服务器。服务器收集并汇总结果，以预测和估算总收获产量。通过使用此框架，可以根据具体情况做出许多决策。

文献[21]关注利用边缘计算为智慧农业、全球粮食安全以及普遍存在的互联网接入问题提供高效的数据收集和任务处理解决方案。此外，[22]提出了一种可利用盐水管理农业矿物质的平台。该平台依赖可转移的低成本硬件，通过与作物传感器和设备交互，在实时监控场景中收集数据并执行原子控制操作。

在所有这些研究中，各种功能和服务被提供给移动设备以与云集成。然而，它们依赖于固定位置，例如固定的雾计算设备、固定的无线基站或固定的蜂窝塔。相比之下，飞行边缘通过移动设备而非仅使用静态设备来提供这些设施。

3 提出的飞行边缘计算

传统模式一直是使用云计算从边缘获取和处理数据，以提供有用的服务。大型云数据中心通过高带宽连接向边缘设备提供不同的服务（计算、平台、安全和存储）。这种中心辐射型模型出现了两个关键挑战。公共云数据中心是全球分布的，但通常每个国家仅有一个或少数几个（取决于国家大小）。从边缘到云的网络距离可能导致往返时间（RTT）长达数千毫秒。对于延迟敏感的云应用，这可能会影响其性能。为克服这一问题，雾、雾滴和边缘计算已被引入作为云网络的扩展，这些网络是由服务器组成的分布式网络。在文献中，云计算、雾计算和雾滴计算也被称为湿计算。它们之间的区别在于服务从互联网云到边缘设备的分布程度。

我们正在引入一种名为飞行边缘计算（FEC）的新概念。与以往的计算形式相比，我们将其称为“干燥”计算，因为数据会随着计算风的流动而被吹动并干燥。风速和风向也很重要。风速越快，吞吐量越高；在较低速度下，网络会更紧密地压缩以收集数据。

3.1 数据蒸发

无人机激活地面传感器节点，并为其提供本地计算、数据库和通信基础设施服务。与通常安装在边缘节点附近或内部的固定边缘计算设备不同，无人机充当飞行边缘，在边缘节点之间移动，为它们提供所需的本地和全局服务。典型的云、雾和雾滴计算被称为湿式计算，而对于飞行边缘，我们将其称为干式、风式或微风计算，其中数据从传感器节点蒸发到空中，并由无人机收集。无人机在其周围产生一股计算风，数据随着计算流（无人机的移动）从传感器中蒸发（提取）。无人机的速度被视为计算风的风速，而多架无人机则类似于风温。无人机越多，蒸发过程越快（吞吐量更高）。快速移动的无人机形成包含较少传感器节点的较短簇，因此减缓计算风可确保充分覆盖传感器节点。

我们以沙特阿拉伯王国（KSA）的农业作为案例研究。作物主要在圆形农场中种植，以节约用水。我们的贡献是利用最先进的技术对沙特阿拉伯王国的农业进行现代化改造，以监测作物健康状况，从而更严格地管理资源，特别是最大限度地利用水资源。我们构建飞行边缘计算。

Table 1 Comparison of different computing techniques	Mobile Cloud Computing(MCC)	Mobile Fog Computing(MFC)	Mobile Mist Computing(MMC)	Mobile Edge Computing(MEC)	Flying Edge Computing(FEC)
Architecture	•Based on central processing •Accessed through the internet •Allows a large amount of data to be accessed more quickly, this demand is ever-growing due to cloud agility	•Extending cloud to the edge of the networks •Decentralized computing •Any device with computing capability, storage, and network connectivity can be a fog node	•Middle ground between cloud and Fog •Lightweight computing resides in the network fabric using micro-controllers and microchips •Not a mandatory layer for fog computing	•Can work without cloud and fog •Limited to the number of peripheral layers •Pushes the intelligence, processing power, and communication of an edge gateway of appliances directly into devices like programmable automation controllers(PACs)	•Can work with no communications infrastructure •A mobile node acts like a commuting and communication machine •Computing and communications node are closer to the end devices to provide services
Pros	•Scalable •Cost-effective •Based on an internet-driven global network on robust TCP/IP protocol	•Real-time data analysis •Takes quick action •Sensitive data remain inside the network •Saves storage and network costs	•More scalable than mist and edge •Operations can be managed by the IT team •Fog node can be deployed in protected, private, public, or hybrid mode	•Local decision-making data •Works with fog computing and cloud computing •More secure •Fast •Not dependent on the internet	•Completely secure •No need for the internet or any communications infrastructure •Saves power •Scalable •Works well under hard conditions and where sensing devices are fluctuating rapidly
Cons	•Long latency/response time •limited bandwidth •Security vulnerabilities •No offline mode •Bottlenecks if many devices send data simultaneously	•Data must pass through many links to approach the fog node •Single point of failure •Less scalable •Requires more node energy	•No cloud awareness •Not usable in hard conditions or where sensor nodes are fluctuating	•	•

从沙特阿拉伯王国农业的角度来看，数百个农田分散在广阔而偏远的地区，这些地区没有固定的通信基础设施。假设所有农田都配备了大量传感器，同时监测作物、土壤和环境参数。然而，由于恶劣的水流导致传感器节点波动剧烈，无法预设网络拓扑（如簇头、通信路径）。在这种情况下，云计算并不适用，因为物联网设备无法访问云。在本演示中，一架飞行边缘机器（无人机）沿预定义路径移动。当它吹起计算风时，下方的传感器会顺着风向形成簇，并动态选择簇头（CH）。结果，数据从簇头蒸发至无人机，如图1所示。

3.2 飞行边缘计算与现有方法的比较

飞行边缘计算与云、雾、雾计算（微雾）和边缘计算等其他技术的比较如表1所示，并在图2中表示。

如上所述，飞行边缘是一种基于无人机的平台，可作为边缘节点。最重要的是，该边缘节点可以被重新分配到不同的位置，以满足各类传感器或设备完成特定物联网任务的需求。此外，它还可以提供网关功能，用于连接或集成物联网服务与云计算。飞行边缘可配备处理器、存储设施、通信设备以及边缘计算平台等资源。该边缘平台能够

执行多项服务以支持智慧农业所需的物联网应用。飞行边缘计算的一种可能配置如图3所示。在该图中，配备边缘计算设施的无人机可在需要物联网服务的任何区域移动。它为该区域内的物联网应用提供低延迟等服务，同时实现物联网应用与云的集成。

飞行边缘可通过物联网应用促进智慧农业的发展。其主要机遇包括：

• 快速部署：由于其特性，飞行边缘可部署于偏远地区以支持物联网服务。它是一种交钥匙系统，即使在没有通信基础设施的地区也可使用。
• 可扩展性：该系统可在覆盖区域、传感设备数量、操作的无人机数量以及提供的服务方面进行升级或增强。
• 灵活性：该系统足够灵活，能够适应应用、所需服务或监测区域地理环境的任何变化。
• 位置感知：定位服务由飞行边缘机器提供，因此物联网节点无需GPS设备。
• 能效：该方案对终端节点（物联网节点）非常节能，因为大多数需要计算的服务均由飞行边缘机器人（无人机）提供。

由于飞行边缘可以部署在已部署物联网设备的区域，因此这些物联网设备与无人机之间的大部分通信都是通过个人局域网（PAN）进行的，例如 IEEE 802.15.4（Zigbee）和 801.15.1（蓝牙）。这两种协议的特点是带宽较低且通信距离较短。然而，它们在通信阶段也消耗较少的能量。根据需求，可以通过支持更长距离的替代协议进行通信，例如局域网（LAN）中的 IEEE 802.11（Wi-Fi）。另一方面，飞行边缘与

云之间的所有通信都是通过广域网（WANs）常用的协议完成的，包括 IEEE 802.16（WiMAX）和蜂窝网络。通信介质和协议的选择取决于应用的性质及其位置。

3.3 提出的系统架构

所提出的系统包含两个组件：边缘设备和飞行边缘计算设备，如图4所示。边缘设备（传感器或执行器）可通过服务请求接口从无人机获取服务。物联网所需的大部计算服务由本地服务响应模块提供，该模块连接到飞行设备内置的多个服务。在少数情况下，物联网可能需要来自云的全局服务，这些服务将通过全局服务响应模块授予。

3.4 提出的系统模型

移动设备和物联网（IoT）已迅速融入我们的生活。它们为工作带来了便利，但也引发了新的挑战，需要基于云的解决方案来应对，包括：i）需要将大量数据传输到云，ii）高通信延迟，iii）该模型无法在某些需要快速响应事件的领域中及时响应。为了应对这些问题并为物联网设备提供三种基本服务——基础设施即服务（IaaS），“平台即服务（PaaS）和软件即服务（SaaS），人们提出了不同的计算技术，如云计算、雾计算和雾/边缘计算。这些技术之间的基本区别在于服务提供的网络层次结构中的层。这意味着服务与数据源之间的距离，如图5所示。在云计算中，所有服务均来自云（中心位置），而雾计算是一种分布式计算技术，位于

在网络结构中提供哪些服务。在边缘计算或雾滴计算中，处理和服务在终端节点（数据源）附近提供。

典型的计算层次如图5所示。当涉及无线传感器网络时，许多因素（通信链路缺失、处理能力有限、电源不足）可能会限制任何类型计算技术的使用。在这种情况下，无人机可以替代任何一层计算。在本文中，我们介绍了四种基本的无人机替代类型：

1. 无人机作为飞行云
2. 无人机作为飞行雾
3. 无人机作为飞行边缘
4. 无人机群作为分布式服务提供者

3.4.1 无人机作为飞行云

这种配置适用于所有地面传感节点可以相互通信的场景，但无法访问外部世界（无互联网）。此类场景适用于战场、灾区、野生动物栖息地和偏远农田。由于所有传感器相互连接，它们以簇和路由的形式独立维护本地网络。本地决策在边缘层或雾层做出。全局服务（数据收集、定位、安全或软件）以及决策由作为飞行云机器（FCM）的无人机按需提供（见图6）。

3.4.2 无人机作为飞行雾

在此配置中，现场传感器通过边缘节点配备本地服务（网络和存储）。无人机作为飞行雾机器（FFM）仅提供通信服务，以接入所有全局服务所在的云层。FFM在边缘层与云层之间提供桥梁，如图7所示。

3.4.3 无人机作为飞行边缘

在此方案中，无人机通过访问物联网节点为其提供计算和服务，使服务和计算更接近数据源。这有助于改善延迟和带宽，同时通过提高终端节点的电池利用率来延长网络寿命。所有传感器节点均为哑节点，其功能仅限于感知和记录环境参数。所有的服务（聚类、网络、存储）和计算均由无人机提供。如果无人机无法满足所需的服务，可从云获取相应服务。飞行边缘设备（FEM）如图8所示。

3.4.4 无人机作为分布式飞行边缘机器

协同无人机群可以提供边缘服务，如图9所示。不同的无人机分别提供网络、存储和定位等服务。因此，每种服务都将由专用的飞行设备提供，从而提升服务质量、吞吐量和数据采集能力。无人机群还可以以协同方式工作，当其中某架无人机发生故障、分心或电量耗尽时，其他无人机可共享或接管其任务。该模型将在恶劣条件下提供可靠的解决方案。

4 仿真与结果

飞行边缘原型是使用分布式Java代理环境实现的。该环境提供了一种中间件基础设施，支持在分布式异构环境中实现不同的分布式编程模型和高级平台服务。这些异构环境可能包含多个具有不同能力的异构节点。此外，该中间件基础设施提供了可扩展性解决方案，用于部署、运行、监控和控制大规模分布式应用。环境中的每个代理都可以提供运行时支持，以安全执行某些代码。边缘设备提供代理服务、调用服务和基于位置的服务。还有一种机制允许每个边缘代理在没有所需服务时将服务搜索请求转发给其他代理。本地和远程服务调用均已实现，并添加到原型实现中。

在物联网方面，我们使用了Arduino开发板，这是一种用于嵌入式系统的开源硬件。在此原型实现中，Arduino被用作物联网有效载荷子系统——即请求服务的机载设备。一些传感器连接到Arduino开发板上，例如DHT11传感器用于测量温度和湿度。同时安装了一些LED灯和蜂鸣器作为执行器。此外，我们还安装了Adafruit CC3000 Wi-Fi模块，以将Arduino连接到局域网和飞行边缘机器。Arduino代码是使用 Arduino集成开发环境结合Adafruit CC3000库开发的。每个物联网服务均通过RESTful API实现。

在无人机边缘计算侧，存在代表连接到Arduino的每个传感器或执行器的服务。这些服务的主要功能是将SOAP API的调用映射为RESTful API。所有传感器和执行器服务均注册到本地代理。此外，全局代理会定期更新这些服务。实验中使用了三台计算机，分别代表云、飞行边缘机器和物联网节点。此外，我们在这些机器之间使用广域网模拟器，以引入长距离和/或通过互联网连接机器所产生的影响。实验针对四种配置进行。

• 调用1：由分布式飞行边缘机器响应的本地物联网服务调用
• 调用2：由飞行边缘机器响应的本地物联网服务调用
• 调用3：通过飞行雾设备由云响应的远程物联网服务调用
• 调用4：由飞行云响应的远程物联网服务调用

实验针对两种类型的服务进行了重复测试。第一种是获取当前温度（CurTemp），第二种是开启LED（LEDon）。图10显示了多次服务调用在10次运行中的平均结果。这些调用记录的时间不包括服务查找时间。

所有服务调用的响应时间如图10所示。显然，飞行边缘在响应时间方面表现最佳，同时提升了终端节点的电池效率。此外还分析发现，由飞行雾设备提供或通过飞行雾设备提供的服务具有相同的结果，且优于云。

三种服务的平均服务查找时间如图11所示。本地服务由本地网络提供。远程1服务由飞行设备无人机向终端节点提供。远程2服务通过飞行设备由云提供。远程1和远程2的服务查找时间之间存在显著差异。这意味着飞行计算机器（无人机）能够以快得多的方式向物联网设备提供服务。

5 结论

在本研究论文中，我们提出了一种针对物联网设备的新型计算机制概念。处理和服务既不来自中心位置（云），也不由终端设备自身提供。云计算和边缘计算各有优缺点，从瓶颈到资源利用率低等问题均存在。所提出的系统在接近数据生成点的位置满足服务需求，且无需使用额外的网络资源（能量、内存或处理器）。我们的目标是利用飞行边缘机器为物联网设备提供这些服务。这意味着计算机器本身将移动到靠近数据生成节点的位置，并提供所需的服务。本文介绍了所提出的飞行边缘机器的架构，并通过仿真和实验室测试平台对系统性能进行了评估。结果表明了所提出的计算机制的有效性。因此，可以说该系统非常适用于所呈现的案例研究（农业），但并不局限于这一应用领域。