面向社交物联网的协同边缘计算：应用、解决方案与挑战

摘要

过去几十年中，物联网（IoT）范式在学术界和工业界均受到广泛关注。近年来，物联网与社交网络的融合被提出以推动进一步发展。本文聚焦于协同边缘计算环境下的社交物联网（SIoT）应用、解决方案及挑战，该环境充分利用了移动边缘计算以及社交物联网用户之间的社交关系的优势。首先介绍了协同卸载、缓存和流数据处理的应用，随后阐述了典型的社交感知解决方案，包括拍卖、联盟博弈和联邦学习。最后，描述了几项研究挑战。本文的主要贡献如下：1）明确了社交关系在传统物联网应用中的作用及其对个体选择的影响；2）详细说明了所提出的三种方法为何可应用于社交物联网；3）所讨论的挑战有助于未来安全、鲁棒和智能的社交物联网框架的发展。

索引词 —协同边缘计算，社交物联网（SIoT）。

一、引言

物联网（IoT）集成了大量边缘设备，推动了多种应用和技术的发展。与此同时，已开发出大量解决方案，利用移动边缘/云计算在社交网络中挖掘资源[1]–[3]。2012年，Atzori等[4]提出了社交物联网（SIoT）范式，通过引入社交关系扩展了物联网，并强调了人类行为以及物联网用户之间的交互。特别是，物联网与社交网络的融合可带来诸多优势，例如基于社会动机的网络组织和群体协作。许多关于社交物联网的现有研究集中在概念定义、架构构建和网络特征刻画方面。一些基本模型已被提出，用于描述社交物联网用户之间的关系，包括共享社区、平等匹配、权威等级和市场定价[4]。具体而言，共享社区模型强调公平性，所有个体都是平等的。在平等匹配中，用户之间的交互基于互惠性和点对点交易。与前两种模型不同，权威等级和市场定价模型具有不对称性，通常包含层级结构。交互通过设定确定的优先级规则来组织。此外，从社交物联网架构的角度来看，关系也可以根据用户或应用的所有权来定义。尽管社交物联网架构的发展具有吸引力，但由于引入了社交领域，其联合资源分配与任务调度设计相比传统的物联网框架和解决方案更加复杂。

传统的边缘计算与物联网（IoT）相结合，旨在解决多租户、灵活性和可扩展性等基本问题[5]。Yu et al.[6]提出了边缘计算网络的三种典型架构，包括前端、近端和远端部署。尽管边缘计算在降低传输延迟和能耗方面已取得良好效果[7]，但它未能利用社交物联网用户之间的社会联系。为了弥补这一不足，面向SIoT的协同边缘计算近年来推动了社交物联网的发展，并提供了一种有前景的架构，即一组SIoT设备可在无需远程服务器协助的情况下协同处理本地事件。在社交物联网（SIoT）范式提出之前，边缘计算已被广泛应用于物联网的各种应用中，如虚拟/增强现实（AR）、自动驾驶和5G通信技术。同时，已有部分研究[8]探讨了面向SIoT的协同边缘计算。例如，Wang et al. [9]和Feng et al. [10]研究了社交物联网中协同人工智能（AI）的分组与选择问题。Feng et al. [10]研究了差分隐私Tucker分解方法，以防止社交关联用户在协同交互过程中发生个人数据泄露。研究人员希望通过挖掘SIoT用户之间的社交关系来构建协作框架。所开发的应用大致可分为三类：卸载、缓存和流数据处理。由于社交网络中的用户倾向于与邻居合作并拒绝不可信用户，因此传统的物联网边缘计算方法无法直接迁移至社交物联网场景。有必要设计具有社会属性的算法，以实现社交物联网中的联合资源分配与任务调度。

II. 社交物联网的应用

为了理解协同边缘计算在社交物联网中的重要意义，我们首先介绍三个主要的吸引人的应用。图1展示了社交物联网的各种应用，其中用户基于社交领域中的关系合作进行协同卸载和缓存。

A. 社交物联网的协同卸载

移动云计算[11]和移动边缘计算[12]的范式推动了传统计算卸载[13]的繁荣发展，用户将任务卸载到远程服务器。然而，有限的频谱资源和较差的蜂窝连接成为物联网[13]中计算卸载进一步发展的障碍。

协同边缘计算使边缘用户能够将任务卸载到资源充足的邻居，以实现低延迟的协同卸载。Chen et al.[14]提出了基于社交动机的协作边缘计算范式，该范式利用社交链接构建可靠的设备到设备（D2D）通信。从物理层面来看，存在大量潜在的D2D连接可用于计算卸载。但从社会角度来看，个体可能缺乏动力与陌生人合作共享计算和通信资源。基于用户之间的社交关系结构，采用二分图匹配算法实现任务卸载中的可信协作。

类似地，Fan et al. [8]将社交领域中的关系映射到物理域中的连接，其中D2D卸载由协作边缘计算网络实现。文献[8]和[14]的研究集中于社交感知系统，并假设社交物联网用户与其在社交上关联的个体进行合作。

由于为他人处理任务会导致额外的能耗，因此很难说服个人成为志愿者。He et al.[15]设计了一种激励机制，以确保协同卸载中的个体理性。通过计算资源定价，拥有丰富资源的用户愿意为他人执行任务。

李和蔡[16]研究了社交物联网中协同卸载的在线激励机制。所设计的真实机制结合了任务执行成本，包括传输和计算延迟。通过考虑激励相容性和个体理性，协同任务卸载系统可以最大化社会效益，该效益取决于任务数据量和边缘设备的计算能力。

Hao等[17]为社交物联网提出了一种双层多社区卸载系统，其中社区云计算可以为边缘社区提供设施。卸载任务由集中式云社区分配，并由多个边缘社区协作处理。作者联合考虑了通信延迟、货币成本、安全问题以及社区之间的信任度。提出了一种双层规划模型来解决多因素耦合NP难问题。Ning等[18]还将金钱视为奖励，以激励个人参与协同边缘计算。边缘节点通过完成卸载任务获得报酬。提出了一种基于匹配的算法来决定部分卸载比例以及通信信道分配。由于用户是理性的，他们可能会偏离集中式调度。相应地，卸载服务收益基于博弈论方法确定，其中均衡表明用户的激励相容和个体理性均得到满足。

通过融合社交关系和车联网（IoV），社交车联网是社交物联网（SIoT）的一个重要分支[19]。Ning等[20]为社交车联网设计了一种协同的、质量感知的任务卸载系统。作者关注在网络拓扑时变的动态场景中的服务质量（QoS）评估。基于车辆用户的相似性，提出了一种可扩展的社会关系模型构建以提高卸载服务的可靠性。此外，为了应对车联网（IoV）的动态变化，通过分析车辆的移动轨迹和速度，提出了一种通信延迟估计方法。

人工智能也可用于指导卸载决策。在[21]中为车联网构建了一个基于5G的智能卸载框架。为了应对蜂窝频谱和能源供应的限制，提出了一种基于深度强化学习（DRL）的方法，用于向车辆分配授权与非授权信道，并降低卸载能耗。由于DRL收敛效率较慢，Wang et al.[22]研究了车联网中基于模仿学习的在线任务卸载，其中车辆被聚类以提供协同边缘计算服务。传统机器学习方法在训练大规模网络时耗费大量时间。为了减少收敛时间，首先由专家离线获取若干任务样本的最优卸载策略，然后目标代理通过在线方式模仿专家的示范进行训练。

上述研究假设在用户离开边缘服务器的无线覆盖范围之前可以完成卸载任务。然而，在现实中，用户可能在任务完成之前就移出通信范围。Ning et al.[23]提出了一种动态服务迁移框架，以支持高移动性场景下的协同卸载。考虑到边缘服务器的有限存储能力，他们利用李雅普诺夫优化方法来稳定边缘服务器的存储队列。通过设备到设备通信，任务在多台服务器之间传输，以跟随用户轨迹。通过引入任务放置概率，构建了一个分布式马尔可夫链来决定迁移配置。

B. 面向SIoT的协同缓存

尽管5G及以后的通信技术不断发展，但由于边缘设备数量不断增加，物联网在应对频谱限制方面仍面临挑战。现有的基于云的架构[13]无法为增强现实和虚拟现实（VR）等新型多媒体应用所需的超低延迟内容分发服务提供支持。在这种情况下，提前在边缘节点缓存热门内容以应对时效性请求是一种有效的解决方案。此外，由于SIoT设备具有异构性和密集部署的特点，协作式缓存在提升社交物联网频谱效率和降低卸载成本方面是一种理想的方法[34]。

宋和邢[24]研究了协同边缘计算辅助的内容缓存流量卸载。具体而言，所研究的卸载算法旨在选择支持设备到设备通信的缓存设备。考虑到单个设备的传输与缓存能力限制，他们开发了一种匹配算法，用于为分布式内容缓存分配D2D信道。

Khan et al.[26]提出了一种结合以信息为中心的网络和社交物联网的社交感知缓存方案。用户与其邻居构成协同缓存网络。首先，通过分类候选者在能力和动机方面提供内容缓存服务的资格来选择每个候选人。然后，这些候选人可以自行组织并分布式地共享资源。

Ding et al.[25]提出了一种在协作边缘网络中的缓存空间分配算法。该方案需要一个中心化的垄断网络运营商向内容所有者提供缓存服务。边缘节点被聚类以执行协作预取，但其间不存在社交感知链接。设计了一种顺序拍卖算法，以最大化社会效益并提升传统VCG机制的性能。证明了该方案满足个体理性和激励兼容性。

Chiang et al.[35]并未关注视频缓存的特性，而是研究了社交物联网（SIoT）中边缘用户与内容传播过程之间的交互。考虑到缓存服务质量，边缘节点将缓存视频转码为合适分辨率。提出了一种协作缓存策略，以最大化命中率并降低视频传输延迟。

吴等[27]研究了用于视频分发的高效能协作边缘计算。通过利用用户的社交特征（如用户对内容和位置的偏好）对虚拟社区进行聚类。提出了一种基于网格的聚类算法，将所有用户划分为多个社区，并在同一个社区内的用户之间建立临时链接。通过协同边缘计算，可以最小化基站的传输次数和能耗。

传统物联网设备用于内容缓存时，通常基于经验知识进行部署，缺乏系统化分析。Xu et al. [28]将认知计算引入社交媒体服务的服务器部署中。在构建的车联网中，车辆通过设备到设备通信捕获并共享周围信息。相应的优化问题被建模为多目标问题，包括服务质量、传输延迟和负载均衡，并采用非支配排序遗传算法III（NSGA‐III）[36]求解。

近年来，人工智能发展迅速。然而，现有的神经网络依赖于具有强大计算能力的服务器进行大规模训练，而单个物联网设备无法承担这一开销。为解决这一障碍，Wang et al.[29]利用协同边缘计算在社交物联网中构建了一个基于学习的信息预取系统。提出了一种深度强化学习方法来决定分层信息存储与传输，旨在最大化内容命中率并最小化传输延迟。特别地，他们假设全局状态信息可通过集中式代理进行同步，并通过地理上相邻而非社交邻居的方式更新神经网络参数。Ning et al.[30]研究了智能车联网中的联合卸载与缓存。当车辆将任务卸载到边缘服务器时，服务器首先检查该任务是否已被缓存。如果是，则可立即将处理结果返回给车辆，从而避免因重复任务处理带来的额外开销（包括时间和能耗）。

C. 社交物联网的流数据处理

社交物联网（SIoT）可被视为一个生态系统，其中大量互联对象通过协作提供网络服务，例如卸载和缓存。通常情况下，服务提供商需等待请求到达后才执行任务并返回结果。从这一角度来看，SIoT中的参与者通常是被动的。为了充分挖掘SIoT中的资源潜力并减轻远程服务器的负担，要求个体主动参与，协助管理大量的物联网数据流。图2展示了基于市民、摄像头与边缘服务器之间协作的SIoT中流数据处理示例。

Dautov等[37]描述了目标检测和工作流识别。首先，摄像头捕获原始图像并将其转换为连续视频流。由于图像分辨率不断增长，原始图像可能包含大量数据，远程服务器处理这些数据需要较长时间。因此，为社交物联网构建了一个协同数据处理系统。边缘用户协作进行特征提取和目标识别。

Zhang et al.[31]研究了结合边缘计算的延迟敏感型社交感知。构建了一个三层系统，其中边缘设备以低延迟从物理世界收集数据，并通过协同边缘计算处理这些数据，最终将结果传输至项目经理拥有的后端服务器。为了激励边缘设备协作并提供边缘计算服务，项目经理需要提供一定的激励措施，例如金钱奖励。采用博弈论动态分配任务并决定奖励。Wang et al.[38]利用社交感知控制城市交通。该异构管理系统由车辆、基站及其他智能终端组成。车辆实时监测交通状况，并通过协作式D2D通信将报告（包括位置、时间及事件）转发至基站。

空间数据分析在灾难场景中发挥着重要作用，有助于识别个体的移动和需求。传统的数据分析依赖于集中式云服务器，导致较长的往返时间。Wang et al.[32]构建了一种基于边缘计算的空间数据处理系统以解决上述问题。目标是共同优化数据分辨率、压缩比和数据分析延迟，该系统包含两个部分：空间数据聚类和聚合。

网络安全是社交物联网（SIoT）面临的另一个重要问题。分布式D2D通信特别容易受到恶意攻击。Yu et al.[39]提出了一种基于SIoT的协议来防御女巫攻击。所设计的防护策略依赖于SIoT的快速混合特性，并假设个体不会与未知节点连接。尽管SIoT通过社交互动吸引用户形成虚拟边缘社区并实现协同边缘计算，但安全技术的缺乏可能给用户带来隐患[40]。垃圾信息发送者可以在SIoT中传播恶意信息，严重干扰正常交互[41]。Qiu et al.[42]提出了一种半监督学习方法来检测垃圾信息发送者。该检测模型基于用户的社交特征构建，其中有标签和无标签模式均从爬取的社交数据中提取。为了适应社交特征的时变分布，采用增量学习算法来更新模型并保证检测精度。

信息物理系统（CPS）中的个体数据是私密的，需要仔细保护。Y. 张等[43]研究了多媒体系统的连续访问控制，以保护个体情绪数据。他们提出了一种身份认证方案，在多个协作边缘节点的协助下，降低计算成本和认证延迟。

区块链是物联网的一项技术突破，可实现设备间无需中介的自动化交互。该应用本质上依赖于用户的协作，其关键挑战在于建立可靠交易。Xu et al.[33] 研究了区块链与物联网背景下现代业务流程面临的挑战。文章分析并比较了三种现有共识协议——工作量证明（PoW）、权益证明（PoS）和实用拜占庭容错（PBFT）在安全性、活性和容错性方面的表现。PoW 在比特币应用中消耗大量计算资源和时间，而 PoS 无法解决偏见问题。因此，所提出的共识方法是在 PBFT 方案基础上进行扩展的。

由于提供边缘计算服务会产生额外成本（如电池能量），理性用户往往倾向于拒绝协同边缘计算的提议。为解决这一矛盾，需要激励机制来促使用户参与上述应用。此类激励可以是货币性或非货币性奖励（例如贡献分数和虚拟徽章）[45]，许多现有研究已采用该方法[31],[46]。

表I展示了社交物联网（SIoT）领域代表性工作的比较。我们可以观察到，所列出的SIoT应用依赖于社会感知框架或激励机制，以激励个人参与协同边缘计算。此外，设备到设备通信技术有助于物理域中的网络构建。然而，许多研究也利用云计算来辅助基于合作的应用中的数据传输和处理。

III. 基于协同边缘计算的社会物联网解决方案

为了理解近期针对社交物联网（SIoT）开发的解决方案，我们首先需要明确这些解决方案的特性，正是这些特性使它们不同于物联网（IoT）中传统的边缘计算方法。1) 激励相容：个体倾向于选择能够最大化自身利益的行为。2) 个体理性：个体不会选择非负利润的行为。如果所有选择对用户都不利，他们将不会合作提供边缘计算服务。3) 社会效益：社交物联网的解决方案通常旨在最大化整体社会效益。

前两个特性表明用户并不天然愿意与他人合作。解决方案设计者需要提供具体的激励措施，以促使用户参与协同边缘计算。最后一个特性将协作式社交物联网（SIoT）与普通物联网（IoT）区分开来。具体而言，基于非合作博弈的物联网解决方案可以在所有参与者之间达到纳什均衡。然而，该均衡可能并非帕累托最优，且无法实现社会效益的最大化。

A. 社会物联网拍卖

拍卖理论研究个体在拍卖市场中的决策行为。本节首先介绍拍卖的基本要素和流程，然后讨论一些关于社交物联网拍卖的代表性研究。

拍卖将商品或资源分配给竞争性参与者，这些参与者根据其私人估值提交出价。对于竞标者i，其出价和估值可分别表示为bi 和vi。为了确定拍卖结果，需要计算获胜者的支付金额。通常，竞标者i 在拍卖中的效用，记为ui(·)，可以表示为
$$ u_i(b_i, b_{-i}) = \begin{cases} v_i - p_i, & \text{if } i \text{ wins the auction} \ 0, & \text{otherwise} \end{cases} $$
其中b−i表示除bi之外的所有出价。pi是投标人i以出价bi赢得拍卖时需支付的费用。为了应用拍卖理论来分析投标人的行为，需要满足两个基本假设，即激励相容和个体理性。请注意，如果通过作弊可以获得更高的利润，则一个参与者的出价不一定等于其估值。

许多拍卖框架已被开发用于确定拍卖的获胜者以及支付金额。Chen等[47]通过三种拍卖方式研究了频谱分配问题，即传统升钟拍卖（TACA）、单物品按报价付费升钟拍卖（SACA）和替代升钟拍卖（AACA）[48],[49]。他们证明TACA和AACA能够最大化社会效益，而SACA可能无法实现这一点。此外，还证明SACA和AACA具有防作弊特性，这意味着可以迫使潜在的自私竞拍者提交其真实出价。Li等[50]考虑了社交物联网用户多跳频谱分配中的干扰问题。简单地根据用户的出价进行排序是低效的，因为出价最高的竞标者可能会遭受严重的干扰。因此，他们提出了一种贪心拍卖机制，通过对提交的出价进行调整来解决该问题。具体而言，用户i的虚拟出价定义为其提交的出价bi与干扰用户i的用户数量之比。为了确保所有用户在拍卖中诚实报价，支付金额的计算基于获胜用户的临界出价，即对获胜者收取的支付金额不依赖于其提交的出价。

为了提高社交物联网用户之间的连通性，提出了一种基于社交感知的拍卖算法，用于选择多跳协同边缘计算的中继节点[51]。从邻近节点、关联节点和社区节点三个方面提取每个边缘节点的社交关系。作者考虑了机会网络环境，其中网络环境不受控制且网络拓扑具有时变性。因此，需要解决两个重要问题，即节点信任和通信效率。节点信任评估机制基于节点中心性和经验（来自节点自身及其他节点的评价）进行设计。为提高通信效率，中继节点参与拍卖并竞标传输任务。

根据它们的社交关系。特别是，提出了一种萤火虫算法来判断中继节点的传输能力。

社交物联网（SIoT）的发展带来了数据流量的巨大增长。根据[52]的统计，2021年的移动数据流量将是2016年的七倍。在这种情况下，用尽每月数据配额的移动用户可能会面临数据短缺问题。Du et al.[53]研究了基于协同卸载的数据交易来解决这一问题，用户可通过具有社交感知能力的算法将多余的未使用数据卸载给其他用户。许多拍卖模型采用一次性出价方式完成拍卖交易[51],[54]，即所有竞标者只有一次同时提交出价的机会，随后由拍卖方决定获胜者。这种机制不适用于高度动态的社交网络。为了应对网络拓扑的变化，作者设计了一种连续出价过程，包含一系列出价提交与接受环节。

许多拍卖机制已被开发用于社交物联网（SIoT）中的任务调度和资源分配。然而，其中很少有机制考虑到投标人的隐私问题。Huang et al. [54]提出了两种面向社会效益的信道分配隐私保护拍卖模型，即单用户和多用户拍卖模型。在单用户拍卖模型中，投标人仅竞争一条通信信道。在多用户拍卖模型中，主用户转租多个信道，每个次用户对多个信道进行出价。提交的出价由拍卖方提供的加密密钥进行加密。随后，拍卖方基于单调分配方案对出价进行处理，以保护投标人的隐私。Su et al.[55]对社会用户进行了详细的划分，即恶意用户、投机用户和可信用户。基于他们不同的社会声誉，提出了一种基于拍卖的群智感知激励机制。由于给予用户的补偿是根据其声誉设计的，因此更倾向于选择可信用户作为拍卖获胜者并提供准确的资源。相应地，恶意用户从拍卖中获得的利益很少，这不仅保证了群智感知的性能，也保障了投机用户和可信用户的收益。现有文献[38]和[54]中的拍卖方法对于给定的感知任务通常是确定性的，这意味着只有少数用户被选中执行群智感知任务。显然，该机制可以最大化社会效益。然而，大多数用户在拍卖中落选，导致感知数据的多样性降低。Li et al. [56]提出了一种随机化拍卖方法，以充分利用多样化用户的贡献。在群智感知任务分配中引入了概率分布。

B. 社交物联网的联盟博弈

一般来说，一个联盟博弈[57] 可以表示为一个元组 $G={M,{\omega_m} {m\in M},S,\prec_m}$，其中四个元素定义如下。
1) $M$ 表示一个有限的博弈参与者集合。2) ${\omega_m} {m\in M}$ 是所有参与者的可行集，每个可行集包含一组可以合作的参与者。
3) $S$ 表示一个策略函数，该函数将所有可能的非空玩家集合 $N \subseteq M$ （可视为子联盟博弈）映射到可行集 $S(N) \subseteq{\omega_m} {m\in M}$ 的子集。此项可防止集合 $N$ 之外的玩家变为非协作状态，这种情形可称为 $|M−N|$‐容错联盟博弈。
4) $\prec_m$是一个二元运算符，用于决定每位玩家$m \in M$在${\omega_m} {m\in M}$上的偏好列表。玩家可以根据私人或公共规则衡量其可行集内的不同协作策略。通常情况下，每位玩家都存在一个不一致点，超过该点后，他将拒绝参与游戏中的合作。

与非合作博弈不同，联盟博弈旨在最大化整体社会效益并达到帕累托最优。Zhang et al.[31]构建了一种协同竞争博弈来建模任务分配问题。该框架通过两种图结构区别于一般模型[58]，即信任图和任务依赖图。信任图记录了社交物联网用户之间的社交关系，而任务依赖图则规定了任务的处理顺序。他们提出了一种带协商的去中心化虚拟博弈（DFPN）算法和一种动态激励调整（DIA）方案，以实现协同竞争博弈的均衡。为支持协同边缘计算，边缘设备可通过D2D卸载将任务委托给其他可信设备。相应地，定义了三种类型的收益函数：执行任务、将任务转移至另一设备、接受来自其他设备的任务。DIA方案的设计基于如下假设：输入数据量较大的任务更适合在边缘设备上执行而非远程服务器，从而可调整设备策略以最大化整体服务质量。

基于用户特征（如人口统计信息和偏好信息），可以通过在线网站形成社交群体。Schiller et al. [59]分析了从一个社交相亲网站爬取的数据，并根据群体规模、兴趣和游戏模式（合作或非合作）识别出不同类型的社交群体。社交群体最常见的应用之一是在线团购，客户通过在线网站获取价格和质量信息后选择交易优惠。Wang et al.[60]提出了一种数据驱动的联盟博弈框架，以分析 Yelp评分影响下的交易选择。每位客户的效用取决于选择相同交易的客户数量、交易的质量和价格。团购网站可被视为一个系统，其系统状态包括可用的交易、客户数量以及每项交易累积的效用。需要注意的是，系统状态是时变的，客户的到达和离开都会改变状态。他们利用多维马尔可夫决策过程开发了一种值迭代解法。当马尔可夫链收敛时，可达到纳什均衡。

借助协同边缘计算，信息可以在社交网络中快速扩散。Ben‐Ishay et al. [61]提出了一种策略博弈，用于建模两方之间的信息扩散竞争社交网络。利用顶点着色模型来表述信息扩散的过程。假设竞争者均能获得全局信息，即整个图的构造，包括顶点及其连接。他们采用蒙特卡洛树搜索方法在图中构建最终的搜索树（传播路径）。通过进行大量随机模拟，选择最有价值节点并将其添加到搜索树中。需要注意的是，模拟结果需满足一些系统相关的约束条件（例如延迟或能耗）。

D2D通信使移动设备能够直接通信或作为其他设备的中继节点。尽管它可以减轻蜂窝基站的数据流量负载，但在社交物联网（SIoT）中需要激励机制。Chen et al.[62]利用社会信任和互惠性来促进协作式D2D通信。物理通信约束基于社交领域中的关系确定。他们提出了一种联盟博弈，以选择合适的中继节点来增强网络连通性。具体而言，每个节点根据可行集（由物理域图约束）和优化目标（网络连通性和通信性能）来决定其偏好的中继节点。所得到的中继圈具备顶级联盟性质，这意味着不存在其他中继节点集合能够实现更优的性能。

Ning et al.[63]研究了医疗物联网（IoMT）中的协作健康监测。在患者身上部署多个体感传感器以收集医疗数据。在无线体内局域网（WBAN）中，传感器协同工作，将数据传输至网关。他们提出了一种合作讨价还价博弈来分配通信信道。对于每个传感器，定义了一个不一致点，超过该点传感器将不再参与博弈中的合作。换句话说，该点表示传感器完成数据传输所可接受的最小信道资源。采用广义纳什 bargaining 解[64] 来达到博弈均衡，该均衡同时也是帕累托最优。

概率分布也可以与联盟博弈论相结合。Stirling[65]研究了将联盟博弈和贝叶斯网络相结合的双边社会协作。每个参与者的策略配置是一个概率向量，基于该向量可以定义收益转移矩阵。该矩阵的转移循环反映了不同策略的两个参与者之间的社会影响。根据马尔可夫收敛理论[66]，对于一个元素非负且每列之和相等的方阵，存在一个唯一的收益（策略）向量，能够稳定矩阵并达到联盟博弈的均衡。

如前所述，已有若干关于群智感知[31],[38],[55] 的研究。这些研究均基于社会感知网络来激励协同边缘计算。集中式代理了解社交关系的完全信息。然而，由于收集用户隐私数据存在困难，这一假设在现实中可能不适用。Nie et al.[67] 考虑了社交领域中完全信息和部分信息的影响，以设计激励机制。具体而言，采用了一种两阶段斯塔克尔伯格博弈用于建模群智感知发起者与社交物联网用户之间的交互。在第一阶段，发起者确定参与群智感知的奖励，以最大化社会效益为目标。在第二阶段，用户根据给定的奖励函数及其他用户的选择决定其参与程度。每个用户的参与程度均受到限制，以确保唯一纳什均衡的存在。对于具有完全信息的社交网络，设计了差别化和统一激励机制，分别为不同用户分配不同的或相同的奖励。对于具有不完全信息的社交网络，作者引入贝叶斯概率来推导用户的期望奖励。采用逆向归纳法证明该决策过程达到纳什均衡。

C. 社交物联网的联邦学习

新兴应用，包括协同卸载、缓存和信息流处理，在社交物联网中产生海量数据，可用于训练机器学习模型。由于计算能力和能源供应的限制，传统神经网络模型结构复杂，难以转移到移动设备上。

联邦学习[68]旨在保护个人数据隐私并实现分布式轻量级神经网络。它包括两个步骤：本地更新步骤，边缘设备在此执行梯度下降等训练算法，以更新其本地模型的参数，目标是最小化本地数据集上的损失函数；以及全局聚合步骤，边缘设备将本地参数发送至中心化服务器，聚合器通过加权平均来更新中心模型。随后，更新后的参数被传输回边缘设备，用于下一轮训练。每个边缘设备的权重和聚合频率可根据精度要求和资源预算进行配置。图3展示了一个简单的联邦学习框架。其三个显著特征如下所述。
1) 与传统分布式机器学习不同，参与联邦学习的边缘设备是独立的，且没有任何内在激励[69]。
2) 分布式设备与集中式聚合器之间的通信可能会出现拥塞和不稳定。由于信道条件不同，海量设备的参数上传过程可能是异步的[70]。
3) 传统的机器学习需要高质量的数据集。然而，由于隐私问题，不同用户的非独立同分布（non‐IID）本地数据无法被累积和预处理。这会显著影响联邦学习[71]的性能。

尽管联邦学习使得资源受限的物联网设备能够在本地训练复杂的神经网络，但仍需要一个中心化服务器来为地理上分散的设备同步和更新模型参数。该训练过程依赖于中心云与大量边缘节点之间的通信，在极端环境下可能既耗费能量和时间，甚至无法实现。在此情况下，Feng et al.[72]采用中继网络构建了一个协作通信系统，设备不直接访问中心云，而是选择若干中继节点来支持参数传输。考虑到激励相容性，参与模型训练的物联网设备会向中心云收取一定费用。为了优化训练过程，理性个体需要决定其选用的中继节点以及收费策略，这一问题被建模为一个斯塔克尔伯格博弈。当所有设备选择其最优响应且博弈达到均衡时，通信拥塞可显著减少。

联邦学习也可用于车联网，以执行检测、预测和资源分配。Saputra et al.[73]为电子车辆网络构建了一个经济高效框架。具体而言，采用联邦学习方法进行能源需求预测，旨在最大化充电站获得的货币收入。每个充电站本地训练自己的模型以确定能源交易，然后所有充电站协作交换模型参数，以提升整体利润。他们需要应对动态场景，即电子车辆所需的能量以及来自智能电网传输的能量均为时变且未知的。通过精确预测，充电站可以储备合理的能量储备，并最大化其收益。

在资源受限的协同边缘计算系统中，需要仔细确定参数聚合频率以降低能耗。Wang et al.[74]提出了一种用于确定聚合频率的在线自适应控制算法。首先，他们从理论上推导了采用梯度下降算法的联邦学习模型的收敛边界。然后，基于该上界，最小化目标（累积损失函数）可转化为关于聚合间隔的函数。通过学习边缘设备上数据集的不同分布，在固定资源约束下可动态确定聚合间隔。

许多联邦学习框架被设计用于提升训练好的神经网络的性能。然而，联邦学习的另一个重要特征是保护分布式用户隐私。Zhou et al.[75]构建了一种基于联邦学习的隐私保护分布式社交推荐系统。与传统收集用户数据并进行推荐的系统不同，该分布式系统使用户能够在本地训练神经网络，从而避免隐私数据泄露。为了提供个性化推荐，该系统被设计为上下文感知，并对不同用户的上下文进行自适应划分。此外，他们证明了推荐过程对单个用户数据的变化不敏感，这意味着无法从推荐结果中推断出私有上下文。在基于边缘计算和云计算进行协同卸载时，若将原始数据直接上传至远程云服务器，巨大的传输负载和数据泄露风险将给系统带来巨大压力。Wang et al.[76]设计了一种数据收集与预处理方法以解决此问题。通过采用半监督学习，该数据预处理方案能够减少传输和计算延迟。

Jiao et al.[77]结合拍卖机制与联邦学习以实现高效的服务市场。具体而言，构建了拍卖模型以激励边缘设备（数据所有者）参与联邦学习，因为联邦学习模型的良好性能需要大规模的分布式数据集。提出了一种启发式方法，在保证激励相容和个体理性的前提下最大化社会效益。此外，为了解决通信流量拥塞问题并提高联邦学习服务的效率，将深度强化学习算法与图神经网络结合用于逆向多维拍卖。

IV. 研究挑战

尽管在社交网络和物联网的推广与融合方面已取得巨大进展，但仍存在许多研究挑战。在本节中，我们讨论一些重要的开放问题。

A. 安全与隐私

设备到设备通信和自组织社区等技术有助于社交物联网的构建，并提升协同边缘计算的效率。然而，当前的安全与隐私协议也面临着这些新特征带来的挑战。
1) 边缘服务器和用户都可能是恶意的，并伪装成具有强大计算或传输能力等高社会效益的实体。现有的社交物联网框架依赖这些属性来调度网络资源和任务，这可能会为攻击者或窃听者提供攻击网络和威胁用户隐私的机会。在社交物联网的大量节点中检测恶意设备具有挑战性。
2) 传统的认证方案可以区分可靠用户和不可信用户，其中相同的协议应用于所有同质设备（例如，无线‐光宽带接入网络）。然而，SIoT设备和网络结构的异构性可能导致认证过程冗长且低效。在SIoT中设计高效的认证或信任机制具有挑战性。
3) 社交物联网中的去中心化和虚拟化基础设施容易受到网络攻击，例如隐私侵犯或拒绝服务[34]。在复杂的安全框架与高效服务之间存在权衡。
4) 倡导设备到设备通信以减少传输延迟并减轻中心基站的负载。相应地，为社交物联网中的海量设备提供安全的设备到设备连接具有挑战性。

B. 可扩展性与鲁棒性

许多现有研究探讨了用户数量确定的协同边缘计算。尽管该数量在不同场景下可能有所变化，但在任何特定环境中网络规模保持不变。然而在现实中，由于用户的加入和离开，社交物联网（SIoT）的拓扑结构高度动态。例如，只要在通信范围内存在一个社交好友，新成员即可加入社交物联网。相应地，用户在社交物联网中的移动不受限制，且用户可能在完成预定任务之前离开社交物联网（如电量不足或移出通信范围）。如何应对这些情况需要进一步研究。以下是两个挑战。
1) 当部分用户离开社交物联网（SIoT）时，需要预留足够的资源（包括存储与计算）以处理未完成的任务。确定需要预留多少资源以及如何调度未完成的任务具有挑战性。
2) 当有新成员加入SIoT时，必须应对网络拓扑结构的变化。因此，在确保良好性能的同时最小化网络成本是一项挑战。

此外，随着物联网设备数量的迅速增加，SIoT的拓扑结构变得庞大。由于SIoT的服务通常对时间敏感，因此需要针对SIoT的资源调度和任务分配方案来保证及时响应。

C. 智能与效率

协同边缘计算的发展将人工智能引入了SIoT。其中一项代表性技术是联邦学习，它使得资源受限的移动设备能够参与模型训练。在保证学习过程的有效性和提升效率方面，仍然存在若干基础性挑战。
1) 第一个重大问题是联邦学习训练中的非独立同分布数据。由于特征或标签分布偏斜，大量用户之间的数据集可能具有相同的标签但特征不同，或者相反。此外，这些数据集可能随时间变化，导致训练集和测试集之间的分布不同。
2) 现有的机器学习优化算法是为在整个数据集上训练单个模型而设计的。然而，非独立同分布数据、不可靠连接和低通信速率等多种因素共同影响了学习性能。因此，需要改进梯度下降等经典算法，以加快联邦学习的收敛速度。
3) 当联邦学习模型提供推荐或其他个性化服务时，不同的本地数据集（包含不同的特征和标签）共同提升了学习性能，但彼此之间会产生干扰。在这种情况下，利用联邦学习进行多任务学习。通过本地微调并与元学习[78] 结合，所开发的模型可以更有效，但也更复杂。

V. 结论

本文首先介绍了面向SIoT的协同边缘计算中的最新先进应用与发展，包括协同卸载、缓存和流数据处理。通过将社交领域中的关系映射到物理域，可以激励社交物联网用户参与协同边缘计算，并共享计算或存储资源。接着，我们列出了三种典型的协同边缘计算解决方案（即拍卖、联盟博弈和联邦学习），这些方案能够充分利用社交网络的特性。文章对现有的框架和技术进行了有选择性的综述。这些解决方案旨在解决的关键问题包括激励相容、个体理性和社会效益。最后，从安全与隐私、可扩展性与鲁棒性以及智能与效率三个方面讨论了当前存在的研究挑战。