综述：雾计算综述：架构、技术、挑战与未来发展方向

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：A Comprehensive Survey on Fog Computing: Architectures, Techniques, Challenges, and Future Directions

雾计算通过边缘部署优化物联网低延迟、高带宽和本地决策需求，系统性综述构建包含架构、服务抽象、任务调度、资源分配、AI优化、安全与能效的结构化分类体系，实证显示其相比云中心系统延迟降低70%、带宽节省80%、能效提升15%-50%，提出FogAI-Optimizer框架整合边缘智能与绿色AI，未来方向包括AIoT与6G融合。

　　

摘要

物联网（IoT）部署规模的不断扩大和多样性的增加，凸显了集中式云计算（CC）的局限性，尤其是在那些需要低延迟、高效带宽利用和本地化决策的应用场景中。雾计算（FC）作为一种分布式计算范式应运而生，它将计算和存储能力置于更接近数据生成源的位置，从而弥合了边缘设备与远程云基础设施之间的差距。本综述系统地回顾了2015年至2025年间的雾计算研究。采用基于“系统评价和荟萃分析的优先报告条目”（PRISMA）方法的评审框架，本文综合了现有研究，构建了一个结构化的分类体系，涵盖了架构模型、服务抽象、任务调度策略、资源分配机制、人工智能（AI）驱动的优化、安全解决方案以及能源感知设计等内容。文献中的实证结果表明，基于雾计算的框架在多个领域（包括智能医疗、车辆网络、智慧城市和工业物联网）中相较于传统的以云为中心的系统取得了显著改进：延迟减少了高达70%，带宽节省接近80%，能源效率提高了15%至50%。特别关注了基于学习的方法，如强化学习（RL）和联邦学习（FL），这些方法使得雾计算操作具备适应性、可扩展性和隐私保护能力。基于研究发现中的空白，我们提出了FogAI-Optimizer这一综合概念框架，该框架整合了多种雾计算架构和优化维度、绿色AI优化技术、边缘智能、云集成以及数据驱动的验证机制，形成了下一代雾计算系统的统一模型。综述最后指出了在可扩展性、可持续性和安全性方面仍存在的挑战，并提出了未来的研究方向，包括FogAI-Optimizer的实现、物联网人工智能（AIoT）的整合以及基于6G技术的雾计算部署。