Mobile edge computing applied to railway industry
-
摘要:
为满足智能铁路的快速发展对铁路应用数据大容量传输、计算处理的实时性、安全性提出的更高要求，文章研究移动边缘计算（MEC，Mobile Edge Computing）的相关概念和基本框架，分析其关键技术、应用场景；针对铁路MEC业务需求，总结MEC在智能运营、智能装备、智能建造场景下的应用方案；结合当前存在的问题，展望MEC未来发展的技术趋势，为提升铁路智能化提供助力。
-
关键词:
- 智能铁路 /
- 移动边缘计算（MEC） /
- 智能运营 /
- 智能装备 /
- 智能建造
Abstract:In order to meet the higher requirements of the rapid development of intelligent railway for the real-time and security of railway application data mass transmission and computing processing, this paper studied the related concepts and basic framework of Mobile Edge Computing (MEC), and analyzes its key technologies and application scenarios, summarized the application solutions of MEC in intelligent operation, intelligent equipment, and intelligent construction scenarios, targeting the business needs of railway MEC, combined the current problems and looked forward to the technological trends of MEC's future development, provided assistance for improving railway intelligence.
-
中国铁路将云计算、物联网、北斗卫星导航、大数据等新兴技术与传统技术相融合发展[1]，在智能化、数字化的道路上快速发展。在自动驾驶列车等需要低延迟的新兴业务下[2]，传统的云计算已无法满足超可靠低时延的网络接入需求。基于此，引入移动边缘计算（MEC， Mobile Edge Computing）作为对智能铁路云计算的补充[3]。
车载设备检测数据的实时处理、列车监控视频的实时分析、图像检修的实时分析和旅客办公娱乐等即时处理业务，对传输质量提出了更高的要求。在现场部署MEC服务器，可在终端附近提供网络服务和个性化应用服务，实现基于网络边缘的计算和存储功能，并通过算法合理整合分配，实现资源的高效、合理部署。
本文总结MEC的系统架构和关键技术、研究MEC在铁路中的应用，并对其在铁路应用中可能出现的问题及研究方向进行分析。
1 MEC 概述
1.1 MEC概念及架构
欧洲电信标准协会（ETSI）定义MEC为提供IT服务和云计算能力的技术，其位于移动网络边缘、无线电接入网（RAN，Radio Access Network）内及移动用户周围[4]。在RAN中，MEC可以提供云计算功能，通过将MEC服务器放置在基站上，在网络边缘侧实现计算和存储等需求[5]。MEC还向应用程序和内容开发人员提供实时的RAN信息，例如，网络负载和用户位置，以提高用户的体验质量。同时，MEC能够完美契合5G移动通信（简称：5G）系统可靠性高、延迟性低等特点。部署在基站的MEC体系结构如图1所示。
在逻辑实体基础上，MEC基本框架由移动边缘服务器层和移动边缘系统层构成，如图2所示。其中，移动边缘系统层负责解决用户交互和应用程序的问题；移动边缘服务器层用于处理与硬件基础设施有关的部分。
1.2 MEC在5G系统架构下的部署
MEC与5G系统的融合架构如图3所示。
图3中，左侧是3GPP标准定义的5G系统架构，右侧为ETSI标准定义的MEC系统架构。MEC系统一般部署在网络边缘靠近用户侧的位置，逻辑上充当5G系统外部的数据网络（DN，Data Network）的角色，MEC主机的用户面功能（UPF，User Plane Function）与核心网相连[6]。UPF可以将用户数据流分流到MEC系统所在的边缘网络，实现数据的本地分流，减少了数据传输到核心网络的时间延迟。
1.3 MEC关键技术
1.3.1 基于不同卸载策略的计算卸载技术
卸载决策是用户设备（UE，User Equipment）判断是否卸载、卸载数量、卸载内容等问题的过程。根据卸载结果的区别能够对其划分为本地执行、全部卸载、部分卸载等3个分支。卸载决策分析考虑UE的能耗和延迟[7]，把卸载延迟、能量消耗和将二者全部考虑作为本文卸载策略划分的依据，对有关文献进行研究归类。
1.3.1.1 以减少延迟为目的的卸载决策
文献[8]将减少卸载时的延迟作为主要目的，构建了能够区分时隙的架构，卸载过程借助任务缓冲队列、本地任务和传输途径等3个状态；文献[9]的优化目标包括优化时延和优化过程中的故障，提出了基于Lyapunov的动态优化卸载算法LODCO；文献[10]依托卸载方案的拓扑结构区别，选择具体的卸载方案，使得UE与MEC服务器之间最大化并行，将任务卸载到边缘云，优化卸载时延。
这类研究没有考虑移动设备侧的能量消耗。移动设备电池能耗的快速消耗会对任务计算产生重大影响。因此，在满足时延限制条件的前提下，应尽可能地减少设备能耗，以制定更优的计算卸载策略。
1.3.1.2 以降低能量消耗为目标的卸载决策
文献[11]设计了一个持续优化能量的模型，产生3种决策结果：在UE端处理卸载任务、卸载到基站、无效状态；文献[12]在保证时延的前提下对能量进行优化，设计场景与本地卸载、随机卸载等方案进行对比，实验表明它可以起到较好降低能耗的效果；文献[13]以时分多址（TDMA，Time Division Multiple Access）的通信理论为基础，在单位时隙内，UE在考虑信道的质量、本地计算能耗及UE之间的公平性后，依据分配策略决定是否将数据卸载到MEC端。
目前，许多能耗优化方面的研究都在时延约束下寻求最佳计算卸载策略，以最大限度地减少设备的能耗，但实际情况下，高能耗优化可能会导致高时延，进而影响用户体验。因此，在执行卸载过程中应综合考虑时延和能耗。
1.3.1.3 以平衡卸载能耗和时延为目的的卸载决策
文献[14]在卸载过程中考虑各种参数，对不同信道状态，提出本地处理、部分卸载、全部卸载3种决策；文献[15—16]提出了基于能耗和时延的优化卸载策略，其中，文献[15]基于绿色能耗的方案，以太阳能和电能为能量供应，提出了一个全面的系统框架，保障用户体验；文献[16]进行多目标优化，考虑能耗、时延、开销等，依据排队论进行建模。
联合优化时延和能耗的核心是在任务执行时延和设备能耗之间找到一个平衡点，以达到系统性能最佳和效益最大的目标。在数学建模过程中，如何求解并获取模型的最优或次优解是需要解决的问题。
1.3.2 资源分配技术
资源分配是在卸载决策后分析资源卸载于何处的问题。对于运算任务难以细分或能够细分但仍保有关联的部分，将被卸载到相同的MEC服务器中。对能够细分且没有关联的部分，可将其卸载至多个MEC服务器上，以此增强卸载效率。
1.3.2.1 单一节点的计算资源分配
文献[17]考虑通信、资源计算的重载等问题，提出了资源分配方案，研究考虑虚拟机（VM，Virtual Machine）迁移成本和链路状态的影响，在仿真中得出VM在SCeNB（Small Cells eNodeB）中的分配比例与迁移成本成正比的结论；文献[18]的卸载策略是在考虑时延的情况下，应用程序数量最大化。将卸载的程序首先传送给MEC本地调度程序，若调度程序发现当前节点的计算资源充足，则分配VM，否则传送给中心云（CC，Central Cloud）处理；文献[19]以最小化时延和能耗为目标，每个基站根据MEC计算资源的不同建立各自的索引策略，通过基站广播到UE。
单一节点的资源分配容易产生负载失衡、网络间资源无法互通的问题，因此，考虑多节点的计算资源分配来实现网络间的资源均衡、互通，提升卸载性能。
1.3.2.2 多节点的计算资源分配
文献[20]基于任务的计算数据量及MEC的服务能力等做出卸载决策，并提出在卸载过程中考虑干扰管理的方案，优化卸载决策、资源块和MEC服务器的资源分配策略；文献[21]考虑优化时延和能耗的影响提出集群选择策略。选择不同的优化算法，分析集群的大小即执行计算的SCeNB的数量，并对不同网络拓扑进行分析。研究表明SCeNB的增加和时延缩短并不成正比。
多节点的计算资源分配可更大程度地实现负载均衡，但可能会增加额外的通信开销和延迟。因此，应制定有效的资源管理策略。
1.3.3 安全保护技术
安全隐私保护是在任何系统中都要考虑的问题[22]。为解决移动边缘计算中的安全性问题，引入了安全保护技术，目前研究与应用最多的是区块链技术，具有良好的安全性和隐私保护性[23-24]。文献[25]考虑到移动边缘网络有时具有快速移动性，数据准确及安全性不能及时保障，使用区块链技术可对系统中的成员出入进行统筹管理，提高密钥管理的准确性，保护成员数据安全；文献[26]提出了一个以车联网为背景的文件分享方案，使用区块链、智能合约、属性加密等技术，有效规避了第三方的参与。
尽管区块链技术可以对MEC提供额外的安全保护，但也存在性能限制、扩展性等问题。因此，在实际应用中，需要选择适合的场景和方式来应用区块链技术。
1.4 MEC的应用场景
欧洲电信标注化协会指出，MEC在5G和物联网等领域中有广泛的应用前景[27]，本节重点介绍几个典型的应用场景。
（1）视频缓存、压缩和处理[6]。推断下行链路吞吐量，提供给视频终端挑选合适的编码码率和流量拥塞控制；对监测视频和传感器信息进行压缩，迅速计算和选择核心内容进行实时传输，以降低承载网络的运载负荷。
（2）企业园区专网。提供本地分流功能，保证数据不离开园区，实现本地处理，终端可避免访问远程核心网，与本地MEC服务器直接进行数据传递。
（3）车联网数据通信。MEC服务器能够获取并计算车辆数据，分析路旁传输和感受器的数据，把获取分析的数据迅速传输给接入同一区域的列车。
（4）车载MEC设备。部署车载MEC主机，进行车载通信，用以支持安全相关信息传输、导航及视频等实时数据的处理。
（5） 计算密集型业务[5]。计算密集型任务具有任务反应迅速、运算数据庞大的特点。终端可将任务上传至 MEC进行计算和分析处理，用户只需要支付卸载任务的能耗代价，有效提升用户体验和电池利用效率。
（6）物联网。为弥补物联网设备算力和存储不足的问题，MEC可提供高计算能力、高存储资源。
2 MEC在铁路中的应用
根据智能铁路业务需求和 MEC 技术特点，研究 MEC在智能运营、智能装备、智能建造的部署方案。
2.1 智能运营MEC应用
2.1.1 智能车站
在客运站设置边缘云，为用户推荐个性化服务[28]。
（1）车站周边环境监控。可以在站场部署MEC服务器，借助物联网传感器装置，收集周边数据，如空气质量、烟雾浓度等，将数据上传到MEC服务器主机层进行计算处理，可实现自动调节候车室温度、区域照明亮度等设备，同时还可监测异常旅客信息等。该场景中MEC侧的UPF牵引用户平面流量到边缘侧，将部分核心网业务分流，减少了核心网压力。
（2）视频缓存与加速。考虑到一些大型客站客流大、视频回传压力大，可以在一些客站安放MEC服务器，通过MEC系统层的用户生命周期代理自主调节视频服务器编解码，并通过主机层在本地存储网络资源，减小从核心网回传的带宽压力、降低网络时延，同时实现内容分发网络的功能，对用户下载资源进行缓存，提升用户体验。
2.1.2 智能运营维护
2.1.2.1 故障预测
MEC在铁路故障预测方面的应用如图4所示。
铁路基础设施的维修管理通常以工区为最小单元，工区中传感设备众多，导致产生的数据量较大。在各个工区设置MEC服务器作为区域化边缘云，将传感器获取的原始信息传送至MEC服务器进行处理，可以保存关键数据，并节省中心云平台的保存时间和存储空间。边缘云能够借助大数据平台，对信息进行分类、去噪等预处理操作，随后将处理后的内容上传至中心云平台。基于此，中心云平台对其状态进行下一步预估和建议。
2.1.2.2 虚拟现实/增强现实（VR/AR）辅助维修
在铁路设施的运营维护（简称：运维）中，许多环节需要采用现场处理的方式。为保障车辆平稳运行、顺利完成运行规划，进而提升运维的精准度和速度，工作人员需要借助大量规范指导手册进行操作。通过VR/AR，工作人员可对需要维修的部分进行检视，并实时呈现。此外，在设备不便拆卸的情况下，维修人员也能够立体化地查看设备的内部结构，辅助进行故障排查和维修。
VR/AR设备通常需要使用空间定位、方向追踪等需要进行复杂计算的技术，因此需要较强的算力支持。通过部署MEC设备，将计算任务卸载到边缘云上完成，可有效解决VR/AR算力不足的问题。
2.2 智能装备MEC应用
2.2.1 智能动车组
在智能铁路中，视频业务和车辆网等应用场景对传输质量的时延和带宽具有非常高的要求[29]。通过在靠近终端侧位置部署MEC作为中心云的补充，并结合5G网络切片技术实现业务之间的安全隔离，可以就近为终端提供专用的网络和应用资源[30]。铁路运行场景覆盖高速率eMBB、低延迟uRRLC和大物联mMTC等5G场景[31]，通过安装MEC设施，可提高列车运行期间的传输效率、缓解承载网输送负荷[32]。MEC在智能动车组的应用如图5所示。
智能动车组中，视频监控和分析、车载设施状态监控和处理、乘客娱乐等需求不断提高，需要借助5G信号传输，利用车载终端设备（CPE，Customer Premises Equipment）、车载覆盖单元和MEC设备，达成车内5G信号全覆盖的目标。其中，CPE为室内分布系统空口，将信号输送至线路附近的地面基站，由有源天线单元（AAU，Active Antenna Unit）完成对信号的接收，继而转发给核心网；车载小型基站的集中单元（CU，Centralized Unit）和分布式单元（DU，Distributed Unit）用于对协议和服务的传输、处理，射频拉远单元（RRU，Remote Radio Unit）完成信号全列车覆盖，将列车内划分为不同蜂窝网，提升系统容量；车载MEC服务中的UPF，可以对接用户提供QoS服务，在边缘云中设置视频分析、监控信号处理、乘客服务等内容，提高列车智能化水平[6]。
2.2.2 智能检测监测
及时得到运行车辆周边环境数据是保障列车安全运行的重要内容。当前，铁路面对周边场所监控内容主要涉及道岔缺口监控、滑坡落石监控、特殊天气监控和行人入侵监控。通过计算卸载技术，能够把监控传感器以及视频检测形成的流量和计算负载整合到边缘层。通过资源分配技术将其传输过程与数据传送到云平台进行分析比较，MEC能够显著降低流量消耗、减少传输资源消耗，从而确保铁路列车和MEC实时准确地进行内容传递[28]。
2.3 智能建造MEC应用
铁路的施工场所往往地处偏僻位置，极易发生安全事故。因此，为提升铁路生产安全指数，施工场所的视频监控设备可以作为保障正常生产工作的重要工具，通过监控施工内容、设备状况和工人作业等，及时发现施工场地潜在危机[33]。
铁路施工作业状况较复杂，监控设备难以全部覆盖，且不同地点网络环境不一，有些施工现场的监控设施要配备数个多角度的高清摄像头。同时，由于多数监控场景信息的使用价值较低，挤占众多网络带宽和存储空间。因此，将MEC和视频压缩技术引入到施工场所中，借此实现监控视频数据压缩、冗余视频信息去除，进而降低视频信息占据的存储量。此外，边缘侧设施也能够借助人工智能（AI，Artificial Intelligence）计算，主动分析施工场所内的不合理操作并对其进行标记，同时向现场上级人员推送警报内容，降低施工场所的危险性。
3 铁路MEC发展趋势与展望
3.1 铁路MEC安全
铁路运营业务中存储着大量旅客的隐私信息，在进行任务卸载的过程中可能会出现隐私泄露的风险，应注意铁路MEC网络公（用）网专（用）网系统间的隔离、业务隔离等。未来，还应关注铁路“公专网融合”的安全问题，设定铁路公专网的身份认证机制，对任务进行卸载后，在边缘计算节点进行铁路专网的二次身份验证。
3.2 铁路MEC+人工智能
在高速列车运行过程中可能会存在频繁的网络切换，从而造成较高的时延。因此，需要对列车运行轨迹进行提前分析，做到任务卸载提前预测，使资源可以精准地在不同的服务器间进行无缝切换。未来，可以考虑将MEC与深度学习模型结合，通过深度学习算法实现对列车的移动性进行预测，实现任务卸载移动性管理。
4 结束语
本文介绍了MEC的概念框架和当前关键技术，基于铁路智能运营、智能装备和智能建造的业务需求，提出了智能车站、故障预测、智能动车组、客站智能化建造等铁路MEC应用，并对未来MEC的发展进行了展望。目前，铁路MEC应用仍处于起步阶段，下一步应结合铁路5G技术发展，逐步构建依托铁路业务的MEC体系，构建更加安全可靠、高效便捷、自主的智能铁路环境，助力铁路数字化、高质量发展。
-
[1] 王同军. 中国智能高速铁路2.0的内涵特征、体系架构与实施路径[J]. 铁路计算机应用,2022,31(7):1-9. DOI: 10.3969/j.issn.1005-8451.2022.07.01 [2] Ai B, Molisch A F, Rupp M, et al. 5G key technologies for smart railways[J]. Proceedings of the IEEE, 2020, 108(6): 856-893. DOI: 10.1109/JPROC.2020.2988595
[3] 刘佳佳,吴 昊,李盼盼. 铁路5G移动通信系统边缘计算安全研究[J]. 计算机工程与应用,2021,57(12):1-10. DOI: 10.3778/j.issn.1002-8331.2102-0052 [4] 谷晓会,章国安. 移动边缘计算在车载网中的应用综述[J]. 计算机应用研究,2020,37(6):1615-1621. DOI: 10.19734/j.issn.1001-3695.2019.01.0001 [5] 韩晓非,宋青芸,韩瑞寅,等. 移动边缘计算卸载技术综述[J]. 电讯技术,2022,62(9):1368-1376. DOI: 10.3969/j.issn.1001-893x.2022.09.025 [6] 李 毅,董根才,蔺 伟,等. 边缘计算技术在铁路5G移动通信中的应用研究[J]. 中国铁路,2020(11):23-30. DOI: 10.19549/j.issn.1001-683x.2020.11.023 [7] 谢人超,廉晓飞,贾庆民,等. 移动边缘计算卸载技术综述[J]. 通信学报,2018,39(11):138-155. DOI: 10.11959/j.issn.1000-436x.2018215 [8] Liu J, Mao Y Y, Zhang J, et al. Delay-optimal computation task scheduling for mobile-edge computing systems[C]//Proceedings of 2016 IEEE International Symposium on Information Theory, 10-15 July, 2016, Barcelona, Spain. New York, USA: IEEE, 2016: 1451-1455.
[9] Mao Y Y, Zhang J, Letaief K B. Dynamic computation offloading for mobile-edge computing with energy harvesting devices[J]. IEEE Journal on Selected Areas in Communications, 2016, 34(12): 3590-3605. DOI: 10.1109/JSAC.2016.2611964
[10] Jia M K, Cao J N, Yang L. Heuristic offloading of concurrent tasks for computation-intensive applications in mobile cloud computing[C]//Proceedings of 2014 IEEE Conference on Computer Communications Workshops, 27 April, 2014-2 May, 2014, Toronto, ON, Canada. New York, USA: IEEE, 2014: 352-357.
[11] Kamoun M, Labidi W, Sarkiss M. Joint resource allocation and offloading strategies in cloud enabled cellular networks[C]//Proceedings of 2015 IEEE International Conference on Communications, 8-12 June, 2015, London, UK. New York, USA: IEEE, 2015: 5529-5534.
[12] Zhang H L, Guo J, Yang L C, et al. Computation offloading considering fronthaul and backhaul in small-cell networks integrated with MEC[C]//Proceedings of 2017 IEEE Conference on Computer Communications Workshops, 1-4 May, 2017, Atlanta, GA, USA. New York, USA: IEEE, 2017: 115-120.
[13] You C S, Huang K B. Multiuser resource allocation for mobile-edge computation offloading[C]//Proceedings of 2016 IEEE Global Communications Conference, 4-8 December, 2016, Washington, DC, USA. New York, USA: IEEE, 2016: 1-6.
[14] Muñoz O, Pascual-Iserte A, Vidal J. Optimization of radio and computational resources for energy efficiency in latency-constrained application offloading[J]. IEEE Transactions on Vehicular Technology, 2015, 64(10): 4738-4755. DOI: 10.1109/TVT.2014.2372852
[15] Nan Y C, Li W, Bao W, et al. Adaptive energy-aware computation offloading for cloud of things systems[J]. IEEE Access, 2017 (5): 23947-23957. DOI: 10.1109/ACCESS.2017.2766165
[16] Liu L Q, Chang Z, Guo X J, et al. Multi-objective optimization for computation offloading in mobile-edge computing[C]//Proceedings of 2017 IEEE Symposium on Computers and Communications, 3-6 July, 2017, Heraklion, Greece. New York, USA: IEEE, 2017: 832-837.
[17] Di Valerio V, Lo Presti F. Optimal Virtual Machines allocation in mobile femto-cloud computing: an MDP approach[C]//Proceedings of 2014 Wireless Communications and Networking Conference Workshops, 6-9 April, 2014, Istanbul, Turkey. New York, USA: IEEE, 2014: 7-11.
[18] Zhao T C, Zhou S, Guo X Y, et al. A cooperative scheduling scheme of local cloud and internet cloud for delay-aware mobile cloud computing[C]//Proceedings of 2015 IEEE Globecom Workshops, 6-10 December, 2015, San Diego, CA, USA. New York, USA: IEEE, 2015: 1-6.
[19] Guo X Y, Singh R, Zhao T C, et al. An index based task assignment policy for achieving optimal power-delay tradeoff in edge cloud systems[C]//Proceedings of 2016 IEEE International Conference on Communications, 22-27 May, 2016, Kuala Lumpur, Malaysia. New York, USA: IEEE, 2016: 1-7.
[20] Wang C M, Yu F R, Liang C C, et al. Joint computation offloading and interference management in wireless cellular networks with mobile edge computing[J]. IEEE Transactions on Vehicular Technology, 2017, 66(8): 7432-7445. DOI: 10.1109/TVT.2017.2672701
[21] Oueis J, Calvanese-Strinati E, De Domenico A, et al. On the impact of backhaul network on distributed cloud computing[C]//Proceedings of 2014 IEEE Wireless Communications and Networking Conference Workshops, 6-9 April, 2014, Istanbul, Turkey. New York, USA: IEEE, 2014: 12-17.
[22] 武继刚,刘同来,李境一,等. 移动边缘计算中的区块链技术研究进展[J]. 计算机工程,2020,46(8):1-13. DOI: 10.19678/j.issn.1000-3428.0057749 [23] Tang W D, Zhao X, Rafique W, et al. A blockchain-based offloading approach in fog computing environment[C]//Proceedings of 2018 IEEE International Conference on Parallel & Distributed Processing with Applications, Ubiquitous Computing & Communications, Big Data & Cloud Computing, Social Computing & Networking, Sustainable Computing & Communications, 11-13 December, 2018, Melbourne, VIC, Australia. New York, USA: IEEE, 2018: 308-315.
[24] Zhao H W, Zhang Y, Peng Y, et al. Lightweight backup and efficient recovery scheme for health blockchain keys[C]//Proceedings of the 13th International Symposium on Autonomous Decentralized System, 22-24 March, 2017, Bangkok, Thailand. New York, USA: IEEE, 2017: 229-234.
[25] Zhang L. Key management scheme for secure channel establishment in fog computing[J]. IEEE Transactions on Cloud Computing, 2021, 9(3): 1117-1128. DOI: 10.1109/TCC.2019.2903254
[26] Ma Z F, Wang X C, Jain D K, et al. A blockchain-based trusted data management scheme in edge computing[J]. IEEE Transactions on Industrial Informatics, 2020, 16(3): 2013-2021. DOI: 10.1109/TII.2019.2933482
[27] ETSI. Multi-access edge computing (MEC); phase 2: use cases and requirements: ETSI GS MEC 002 V2.1. 1[S]. ETSI, 2018.
[28] 刘语馨,陈 姝,钟章队. 边缘云技术在智能铁路中的应用[J]. 铁道通信信号,2019,55(S1):7-12. DOI: 10.13879/j.issn1000-7458.2019-S1.19446 [29] 艾 渤,马国玉,钟章队. 智能高铁中的5G技术及应用[J]. 中兴通讯技术,2019,25(6):42-47,54. DOI: 10.12142/ZTETJ.201906007 [30] 张心宇,王 喆,郭 歌,等. 铁路信息系统云边协同体系架构研究[J]. 铁路计算机应用,2022,31(10):1-5. [31] 葛伟涛. 铁路5G网络边缘计算技术研究[J]. 铁路通信信号工程技术,2023,20(2):33-36,67. DOI: 10.3969/j.issn.1673-4440.2023.02.007 [32] 郜城城,周 旭,范鹏飞,等. 移动边缘计算技术在高铁通信网络中的应用[J]. 计算机系统应用,2018,27(8):56-62. DOI: 10.15888/j.cnki.csa.006507 [33] 杨兴磊,鲁玉龙,张俊尧,等. 基于边缘计算的智慧铁路工地生产管理系统[J]. 铁路计算机应用,2020,29(10):26-29. DOI: 10.3969/j.issn.1005-8451.2020.10.006 -
期刊类型引用(2)
1. 焦建锋，庞勇，谢谷阳. 重载铁路中云边端协同计算的应用探索. 自动化博览. 2025(02): 55-59 . 
百度学术
2. Wei Chen，Bo Ai，Yuxuan Sun，Cong Yu，Bowen Zhang，Chau Yuen. Advanced 6 G wireless communication technologies for intelligent high-speed railways. High-speed Railway. 2025(01): 78-92 . 必应学术
其他类型引用(5)
下载:
计量
- 文章访问数: 100
- HTML全文浏览量: 30
- PDF下载量: 40
- 被引次数: 7
