边缘计算七大核心技术之体系结构
无论是高性能计算等传统计算场景，还是边缘计算等新兴计算场景，未来的架构应该是通用处理器和异构计算硬件的共存。异构硬件牺牲了一些通用计算功能。使用专用加速装置减少一种或多种负载的运行时间，并大大提高性能比。边缘计算平台通常为特定类型的计算场景设计，以处理相对稳定的负载类型，因此边缘计算平台架构用于特定的计算场景。
ShiDianao首次将AI处理器放置在图像传感器附近。处理器建议直接从传感器读取数据，以避免由于访问DRAM中的图像数据而导致的能耗。同时，卷积神经网络（CNN）将模型完全放置在SRAM中，以分配权重并避免由于访问DRAM中的权重数据而导致的能耗。
计算效率（60倍）EIE：它将稀疏矩阵和权重共享方法并行化。它是一种高效的稀疏神经网络演示器，可以加速稀疏神经网络在移动设备上的实现。它使用异构多核结构来实现深度学习任务和通用计算任务（实时操作系统）。并行处理本地AI是物联网场景中深度学习应用程序的自动增量计算框架和架构。通过数据诊断，选择最小化数据移动的计算模式，并在物联网的计算节点上执行深度学习任务。
除了设计特殊的计算硬件外，在边缘计算场景中，ESE[6]还负责探索FPGA的应用。通过FPGA，ESE[6]提高了移动设备上价格合理的短期存储网络（LSTM）的运行效率。FPGA用于加速语音识别应用。通过负载平衡减少和压缩LSTM，提高硬件利用率，并在多个硬件计算单元中规划LSTM数据流。使用Xilinx XCKU060 FPGA设计和实现硬件。它是CPU和GPU的40倍和11倍。Bioo Kagazadeh等人比较了FPGA和GPU在特定负载下的吞吐量灵敏度、结构适应性、计算功率效率等指标，表明FPGA更适合边缘计算场景。
边缘计算体系结构系统架构的设计仍然是一个新的领域，如何有效地管理边缘计算异构硬件。如何公平、全面地评估这些系统架构，还有许多问题需要解决。在第三届边缘计算大会（SEC2018）上，边缘计算架构研讨会ArchEdge首次成立。鼓励学术界和工业界在这一领域进行讨论和交流。
