边缘图智能：利用图智能实现边缘网络的相互赋能

《IEEE Communications Surveys & Tutorials》：Edge Graph Intelligence: Reciprocally Empowering Edge Networks With Graph Intelligence

边缘图智能（EGI）通过闭环优化提升边缘计算效能，其核心在于图智能模型与边缘网络的协同发展。本文系统梳理EGI技术基础、闭环机制及研究挑战，揭示跨领域融合潜力，为该新兴方向提供全面综述。

　　

摘要：

近年来，网络边缘的计算设施实现了快速增长，边缘网络作为支持各种智能服务的基础基础设施得到了蓬勃发展。与此同时，人工智能（AI）的研究领域扩展到了图论领域，推动了图智能（Graph Intelligence，简称GI）的发展。鉴于图与网络之间的内在联系，图学习与边缘网络之间的跨学科研究——即Edge GI或EGI——揭示了两者之间的新型互动关系：GI有助于优化边缘网络，而边缘网络则促进了GI模型的部署。在这种紧密的闭环驱动下，EGI被认为是一种释放边缘计算潜力 的有前景的解决方案，并逐渐受到关注。然而，关于EGI的研究仍处于起步阶段，通信和AI领域都迫切需要一个专门的平台来分享最新的研究成果。为此，本文介绍了EGI的概念，探讨了其范围和核心原则，并对这一新兴领域的相关研究进行了全面调查。具体来说，本文涵盖了以下内容：1）边缘计算和图学习的基础知识；2）围绕图智能与边缘网络之间闭环关系的新兴技术；3）未来EGI面临的开放性挑战和研究机遇。通过弥合通信、网络和图学习领域之间的差距，我们相信这项调查能够吸引更多关注，促进有意义的讨论，并激发更多的EGI研究方向。

引言

边缘网络正在迅速普及。通过在网络边缘逐步部署计算设施，边缘网络能够处理越来越多的数据、存储资源和计算能力。它们已成为支持各种应用的基础基础设施，例如智能工业制造[1]、流媒体视频分析[3]、机器人和车辆互联网[5][6]等。作为中央核心网络的补充，边缘网络位于互联网的末端，覆盖了用户所处的物理范围，从而提供了以用户为中心的服务，减少了响应延迟，提高了资源利用效率，并增强了隐私性和安全性。得益于这些独特的架构优势，边缘网络已成为先进通信技术的重要实验场。对于那些对延迟敏感、资源需求高且需要保护隐私的应用来说，边缘网络非常合适，它们被广泛认为是连接人工智能（AI）与人类之间的“最后一公里”的关键桥梁[7][8]。