邊緣學習旨在實現云-邊-端協同的機器學習模型訓練和預測，天然具有一定隱私保護能力。但是，邊緣學習過程面臨新的安全與隱私泄露風險。為此，本文從邊緣學習的概念出發，重點圍繞邊緣學習安全與隱私泄露風險及其隱私計算架構、關鍵技術、未來方向展開論述。

由于數據從邊緣產生，將部分機器學習任務部署到邊緣已成為必然趨勢。當機器學習應用逐步被部署到邊緣，距離用戶更近、面對更復雜環境的開放世界場景將從系統和算法兩個角度普遍、持續地影響邊緣智能應用的精度和運行。借鑒人類的學習機制，我們已發表一種邊云協同終身學習范式以針對上述開放世界中的邊緣智能問題。本文總結了邊云協同終身學習在理論走向實踐過程中遇到的三大技術挑戰：可擴展性、任務定義和未知任務，并通過6個工業和園區領域應用案例分享了相關技術探索和經驗。

工業算力網絡將算力網絡引入到工業互聯網中，實現對工業場景下算力和 網絡資源的統一編排調度，提高了資源的利用率，滿足了工業互聯網智能化發展 趨勢下低時延、高可靠的業務需求。本文在介紹工業算力網絡架構的基礎上，結 合工業任務及工業互聯網特性，對算力網絡賦能工業互聯網面臨的挑戰進行了分 析，并對實現工業算力網絡的關鍵技術進行了總結和構想。

工業邊緣計算設備的終極功能應該是感知和控制物理過程，運行本地程序，并與工業控制器、工廠運營系統、企業業務管理系統和云應用程序通信。工業企業為了持續地實現盈利和提高競爭力，正在循著實時閉環制造業務運營的數字化制造架構（DMA）方向探索和發展。正如圖1所示，邊緣計算在DMA中起著數字化底座的基礎作用。在充分利用邊緣計算的基礎上才可能運用云-邊-端的分布式計算和開放系統的進展，來實現同步、實時、優化生產，以適應包括供應鏈、客戶需求、能源和可持續發展等諸多的外部變化因素。

邊端融合計算架構由于其算力節點分布廣、實時處理能力強的特點，近 年來在各種領域被廣泛使用，但是它在計算、通信與數據安全方面仍然面臨諸 多挑戰。編碼計算因其通信負載低、計算開銷小、隱私保障高的特性恰好契合 邊端融合場景的需求而得到了學術界的廣泛關注。因此，本文探索了將編碼計 算應用于邊端融合計算架構中的發展趨勢與關鍵技術，并在此基礎上，提出了 一種基于編碼計算的邊端融合任務卸載策略。

一方面，邊緣計算所帶來的性能提升給工業現場設備提供了巨大的潛力； 另一方面，工業現場應用軟件的復雜程度也在不斷提升，對自動化工程師提出了 巨大的挑戰。因此，低代碼開發已經受到工業界越來越多的關注與研發的投入。 本文介紹了適用于工業控制系統的低代碼設計方法以及常用建模范式。低代碼設 計已經在工業多個場景中取得了良好的效益，在提升了代碼質量的同時，也為工 程開發節省了大量的成本。在邊緣計算更加普及的未來，低代碼設計方法將在工 業各個行業中擁有更加廣闊的應用前景。

工業互聯網是新一代網絡信息技術與制造業深度融合的產物，邊緣計算則 能夠在靠近數據源的邊緣側，通過融合網絡、計算、存儲、應用等核心能力，就 近提供邊緣智能服務，可以滿足制造業敏捷連接、實施優化、安全可靠等方面的 關鍵需求。本文首先介紹了工業互聯網邊緣計算的基本內容，其次介紹了邊緣計 算的發展過程，并詳細描述了典型的工業互聯網邊緣計算模型，最后指出了工業 互聯網邊緣計算模型未來可能的突破方向。

邊緣計算是云計算概念的延伸，它位于網絡邊緣但并非中心云的小型化，MEC與中心云因不同的應用場景而有不同的特點。邊緣云善于處理短周期、大數據和低時延的信息，通過邊緣云過濾一些數據送到中心云，中心云則善于處理長周期的信息，并且通過訓練數據、優化數學模型，再下發到邊緣云。邊緣計算可以看成是云計算的派出機構，它們之間有不同的分工。

智慧交通和智能網聯是邊緣計算應用的典型場景。在“云-邊-端”系統架構中，邊緣計算承載著云側算力下沉及端側計算任務卸載的使命。本文分析了邊緣計算在智慧交通及智能網聯應用中面臨的挑戰及發展趨勢，研究了不同業務場景下邊緣計算需要處理的主要內容，分析了邊緣計算在“云-邊-端”架構中的重要作用。

針對各操作系統下不同編程語言的特點導致代碼分析結果不夠準確的問題，本文結合PCA（principalcomponentsanalysis）算法在IOS系統下對應用的混淆代碼進行分析，其中混淆方式包括控制流混淆、數據混淆和不透明謂詞混淆等。文中對已有的PCA代碼混淆分析在數據預處理階段根據實際開發場景進行改進，經實驗驗證，改進預處理后的PCA算法其KMO值提升了27.7%，證明改進后的數據更適合進行主成分分析且更具有代表性。