編者按：隨著大數(shù)據(jù)、人工智能和物聯(lián)網(wǎng)時(shí)代的到來(lái)，網(wǎng)絡(luò)邊緣設(shè)備和各式移動(dòng)終端產(chǎn)生的數(shù)據(jù)的增速已遠(yuǎn)遠(yuǎn)超過(guò)了網(wǎng)絡(luò)帶寬，帶來(lái)了更高的數(shù)據(jù)傳輸帶寬需求，同時(shí)新型應(yīng)用也對(duì)數(shù)據(jù)處理的實(shí)時(shí)性提出了更高要求，傳統(tǒng)云計(jì)算模型已經(jīng)無(wú)法有效應(yīng)對(duì)，邊緣計(jì)算因在貼近數(shù)據(jù)源的網(wǎng)絡(luò)邊緣進(jìn)行數(shù)據(jù)處理，繞過(guò)了網(wǎng)絡(luò)帶寬和延遲問(wèn)題，迅速成為近幾年的研究熱點(diǎn)?；?G邊緣計(jì)算的全場(chǎng)景智慧校園建設(shè)助力新的教育場(chǎng)景的應(yīng)用，更使得教育教學(xué)進(jìn)入跨界融合、創(chuàng)新教育的新階段。本期我們將圍繞邊緣計(jì)算及其應(yīng)用維度展開分析，希望能給讀者帶來(lái)切實(shí)的幫助。

主持人：

金? 琦? 浙江師范大學(xué)附屬中學(xué)

嘉? 賓：

劉宗凡? 廣東省肇慶市四會(huì)中學(xué)

邱元陽(yáng)? 河南省安陽(yáng)縣職業(yè)中專

倪俊杰? 浙江省桐鄉(xiāng)市鳳鳴高中

楊? 磊? 天津市第五中學(xué)

我們?cè)谏弦黄趯?duì)CDN的工作原理及主要技術(shù)知識(shí)點(diǎn)進(jìn)行了介紹，CDN是一種基于互聯(lián)網(wǎng)的緩存網(wǎng)絡(luò)，依靠部署在各地的緩存服務(wù)器，通過(guò)中心平臺(tái)的負(fù)載均衡、內(nèi)容分發(fā)、調(diào)度等功能模塊，將用戶的訪問(wèn)指向距離最近的緩存服務(wù)器，以此降低網(wǎng)絡(luò)擁塞，提高用戶訪問(wèn)響應(yīng)速度和命中率。CDN強(qiáng)調(diào)數(shù)據(jù)的備份和緩存，并沒有對(duì)計(jì)算有特別的要求，但隨著大數(shù)據(jù)和物聯(lián)網(wǎng)的廣泛應(yīng)用，邊緣的外延和內(nèi)涵不斷擴(kuò)展，網(wǎng)絡(luò)邊緣已經(jīng)延伸到我們生活的各個(gè)方面，而邊緣計(jì)算的基本思想則是將現(xiàn)在的計(jì)算能力邊緣化。

2006年亞馬遜推出Amazon Web Services，接著，國(guó)內(nèi)的阿里、騰訊、華為等巨頭也緊隨其后進(jìn)入云計(jì)算市場(chǎng)，這使得我們可以便捷地嘗試和體驗(yàn)各種類型的云服務(wù)，開始接受云計(jì)算服務(wù)對(duì)我們生活的改變，正如互聯(lián)網(wǎng)已經(jīng)成為我們生活的一部分一樣，云計(jì)算架構(gòu)日臻完善，越來(lái)越多的產(chǎn)品也登上了云！使用云計(jì)算服務(wù)已經(jīng)如同使用水電一樣方便。但現(xiàn)階段云計(jì)算依然會(huì)存在計(jì)算延遲、擁塞、低可靠性、安全攻擊等問(wèn)題，云計(jì)算需要新的搭檔，基于此，邊緣計(jì)算的概念得以提出并實(shí)施以彌補(bǔ)云計(jì)算存在的短板問(wèn)題。讓云計(jì)算服務(wù)更加靠近邊緣，讓計(jì)算、存儲(chǔ)、網(wǎng)絡(luò)延伸到互聯(lián)網(wǎng)的邊緣，這也是云計(jì)算發(fā)展的未來(lái)。

邊緣計(jì)算為何而生？

邱元陽(yáng)：隨著萬(wàn)物互聯(lián)時(shí)代的到來(lái)和無(wú)線網(wǎng)絡(luò)的不斷發(fā)展，網(wǎng)絡(luò)邊緣的設(shè)備數(shù)量和產(chǎn)生的數(shù)據(jù)都快速增長(zhǎng)。預(yù)計(jì)到2025年，全球數(shù)據(jù)總量將超過(guò)175ZB，預(yù)計(jì)物聯(lián)網(wǎng)（IoT，Internet of Things）產(chǎn)生的超過(guò)一半的數(shù)據(jù)都將在網(wǎng)絡(luò)邊緣處理。以云計(jì)算模型為核心的集中式處理模式將無(wú)法高效處理邊緣設(shè)備產(chǎn)生的數(shù)據(jù)，集中式處理模型將所有數(shù)據(jù)通過(guò)網(wǎng)絡(luò)傳輸?shù)皆朴?jì)算中心，利用云計(jì)算中心超強(qiáng)的計(jì)算能力來(lái)集中式解決計(jì)算和存儲(chǔ)問(wèn)題。云計(jì)算給世界帶來(lái)的變革大家有目共睹，但有了云計(jì)算為什么還需要邊緣計(jì)算呢？這就需要一起來(lái)了解集中式的云計(jì)算中遇到的不足。

1.實(shí)時(shí)性不夠。傳統(tǒng)云計(jì)算模型在應(yīng)對(duì)實(shí)時(shí)性要求極高的萬(wàn)物互聯(lián)場(chǎng)景應(yīng)用時(shí)會(huì)產(chǎn)生系統(tǒng)延遲的問(wèn)題。例如，在無(wú)人駕駛汽車場(chǎng)景下，汽車需要精確到毫秒級(jí)別的反應(yīng)時(shí)間，一旦出現(xiàn)延遲則有可能釀成涉及人身、財(cái)產(chǎn)安全的嚴(yán)重后果。

2.帶寬不足。邊緣設(shè)備實(shí)時(shí)產(chǎn)生大量數(shù)據(jù)，這樣龐大的數(shù)據(jù)集傳至集中式的數(shù)據(jù)中心，將會(huì)造成巨大的網(wǎng)絡(luò)帶寬壓力。

3.能耗較大。數(shù)據(jù)中心消耗極多能源，2021年，全國(guó)數(shù)據(jù)中心能源消耗達(dá)到2166億千瓦時(shí)，照此趨勢(shì)，預(yù)計(jì)到2025年，全國(guó)數(shù)據(jù)中心能源消耗總量將達(dá)到3500億千瓦時(shí)，約占全社會(huì)用電量的4%。隨著用戶應(yīng)用程序越來(lái)越多、處理的數(shù)據(jù)量越來(lái)越大，能耗將會(huì)成為限制云計(jì)算中心發(fā)展的瓶頸。

4.不利于數(shù)據(jù)安全和隱私。萬(wàn)物互聯(lián)中的數(shù)據(jù)與用戶生活密切相關(guān)，智能終端設(shè)備如室內(nèi)智能網(wǎng)絡(luò)攝像頭，將數(shù)據(jù)傳輸?shù)皆贫藭?huì)增加泄露用戶隱私的風(fēng)險(xiǎn)。

金琦：為了解決以上問(wèn)題，面向邊緣設(shè)備所產(chǎn)生的海量數(shù)據(jù)計(jì)算的邊緣計(jì)算模型應(yīng)運(yùn)而生。為了更容易理解邊緣計(jì)算，不妨想象這樣一個(gè)實(shí)例：用于計(jì)費(fèi)的收費(fèi)公路攝像頭。在云計(jì)算架構(gòu)中，攝像頭拍攝汽車牌照照片，并將整個(gè)照片傳輸?shù)皆贫?，在云端，程序處理圖像，識(shí)別牌照號(hào)碼，并將該號(hào)碼記錄到計(jì)費(fèi)系統(tǒng)中，以向車主收取通行費(fèi)用。在這種安排下，由于傳送了所有圖像，因此大量數(shù)據(jù)通過(guò)網(wǎng)絡(luò)得以傳輸。在邊緣計(jì)算應(yīng)用中，攝像頭會(huì)立即處理圖像，識(shí)別車牌號(hào)，然后只將該號(hào)碼傳回云端，以開始計(jì)費(fèi)過(guò)程。這樣做使得流經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)非常少，從而為其他應(yīng)用程序釋放了帶寬。此外，如果由于某種原因?qū)е聰z像頭與服務(wù)器的連接中斷，它還允許攝像頭繼續(xù)分析數(shù)據(jù)。邊緣計(jì)算采用了一種分散式運(yùn)算架構(gòu)，將之前由網(wǎng)絡(luò)中心節(jié)點(diǎn)處理的數(shù)據(jù)資源與服務(wù)、各種應(yīng)用程序的計(jì)算切成更小且很容易管理的部分并分散到網(wǎng)絡(luò)邏輯上的邊緣節(jié)點(diǎn)處理。而邊緣節(jié)點(diǎn)更接近用戶終端或業(yè)務(wù)直接使用終端，這一特質(zhì)可以明顯地提高數(shù)據(jù)處理和傳送速度，進(jìn)而降低延時(shí)。

通過(guò)對(duì)以上實(shí)例的分析，我們可以把邊緣計(jì)算看作云計(jì)算模型的延伸，它針對(duì)了目前集中式云計(jì)算模型自身的短板，具有緩解網(wǎng)絡(luò)帶寬壓力、提高服務(wù)響應(yīng)能力、保護(hù)數(shù)據(jù)隱私等特點(diǎn)。所以，可以發(fā)現(xiàn)邊緣計(jì)算對(duì)我們身邊的眾多新興業(yè)務(wù)應(yīng)用起到了顯著性能提升作用。在智慧城市、智慧校園、智能制造、智能家居等相關(guān)領(lǐng)域，邊緣計(jì)算都在扮演著驅(qū)動(dòng)者新形象，推動(dòng)傳統(tǒng)的“云-端”遞進(jìn)到“云-邊-端”的新一代計(jì)算架構(gòu)。這種架構(gòu)無(wú)疑更匹配今天萬(wàn)物互聯(lián)時(shí)代各種類型的智能業(yè)務(wù)。可以總結(jié)一下概念，邊緣計(jì)算是指數(shù)據(jù)或任務(wù)能夠在數(shù)據(jù)源頭的網(wǎng)絡(luò)邊緣側(cè)進(jìn)行計(jì)算和執(zhí)行計(jì)算的一種新型服務(wù)模型，允許在網(wǎng)絡(luò)邊緣存儲(chǔ)和處理數(shù)據(jù)，和云計(jì)算協(xié)作，在數(shù)據(jù)源端提供智能服務(wù)。網(wǎng)絡(luò)邊緣側(cè)可以理解為數(shù)據(jù)源到云計(jì)算中心之間的任意功能實(shí)體，這些實(shí)體搭載著融合網(wǎng)絡(luò)、計(jì)算、存儲(chǔ)、應(yīng)用等核心能力的邊緣計(jì)算平臺(tái)。再用一個(gè)較形象的比喻，如“章魚”就擁有“概念思維”能力，章魚有兩個(gè)強(qiáng)大的記憶系統(tǒng)：一個(gè)是大腦記憶系統(tǒng)，章魚的神經(jīng)元有40%分布在它的頭部;另一個(gè)是八條爪子上的觸角，其60%的神經(jīng)元分布在它的觸角上，也就是說(shuō)，章魚的八條爪子可以思考并解決問(wèn)題。章魚在捕獵時(shí)八條爪子動(dòng)作非常靈巧迅速，腕足之間高度配合，從來(lái)不會(huì)纏繞和打結(jié)。這是因?yàn)樗恰岸鄠€(gè)小腦+一個(gè)大腦”的構(gòu)造，類似于分布式計(jì)算。而邊緣計(jì)算也是一種分布式計(jì)算，這種分布的好處就是大部分重復(fù)的、低級(jí)的操作，都由觸角來(lái)完成，減輕了中央章魚大腦的功耗，讓中央大腦只處理一些核心的數(shù)據(jù)。我們可以把云計(jì)算看作是大腦，那么邊緣計(jì)算就像是大腦輸出的神經(jīng)觸角，這些觸角連接到各個(gè)終端運(yùn)行各種動(dòng)作。在萬(wàn)物互聯(lián)時(shí)代，隨著5G的到來(lái)，整個(gè)網(wǎng)絡(luò)設(shè)備接入的數(shù)量，以及靠近設(shè)備端產(chǎn)生的數(shù)據(jù)會(huì)爆發(fā)式增長(zhǎng)。如果所有數(shù)據(jù)處理都放到集中式數(shù)據(jù)中心，帶寬、實(shí)時(shí)性、能耗、隱私等都會(huì)面臨很大的挑戰(zhàn)。但采用邊緣計(jì)算，就可以就近處理海量數(shù)據(jù)，大量設(shè)備可以實(shí)現(xiàn)高效協(xié)同工作，諸多問(wèn)題迎刃而解。

邊緣計(jì)算基本架構(gòu)

倪俊杰：邊緣計(jì)算中的“邊緣”是一個(gè)相對(duì)的概念，指從數(shù)據(jù)源到云計(jì)算中心路徑之間的任意計(jì)算、存儲(chǔ)以及網(wǎng)絡(luò)相關(guān)資源。邊緣計(jì)算允許終端設(shè)備將存儲(chǔ)和計(jì)算任務(wù)轉(zhuǎn)移到網(wǎng)絡(luò)邊緣節(jié)點(diǎn)（如基站、無(wú)線接入點(diǎn)、邊緣控制器和傳感器）上。這在滿足終端設(shè)備計(jì)算能力擴(kuò)展需求的同時(shí)，又能夠有效地節(jié)約計(jì)算任務(wù)在云服務(wù)器和終端設(shè)備之間的傳輸鏈路資源。核心基礎(chǔ)設(shè)施提供核心網(wǎng)絡(luò)接入和用于移動(dòng)邊緣設(shè)備的集中式云計(jì)算服務(wù)和管理功能。其中，核心網(wǎng)絡(luò)主要包括互聯(lián)網(wǎng)絡(luò)、移動(dòng)核心網(wǎng)絡(luò)、集中式云服務(wù)和數(shù)據(jù)中心等。而云計(jì)算核心服務(wù)通常包含基礎(chǔ)設(shè)施服務(wù)（IaaS）、平臺(tái)即服務(wù)（PaaS）和軟件即服務(wù)（PaaS）三種服務(wù)模式。通過(guò)引入邊緣計(jì)算架構(gòu)，多個(gè)云服務(wù)提供商可同時(shí)為用戶提供集中式的存儲(chǔ)和計(jì)算服務(wù)，實(shí)現(xiàn)多層次的異構(gòu)服務(wù)器部署，改善由集中式云業(yè)務(wù)大規(guī)模計(jì)算器安裝帶來(lái)的挑戰(zhàn)，同時(shí)還能夠?yàn)椴煌恢玫挠脩籼峁?shí)時(shí)服務(wù)和移動(dòng)代理。邊緣網(wǎng)絡(luò)通過(guò)融合多種通信網(wǎng)絡(luò)實(shí)現(xiàn)物聯(lián)網(wǎng)設(shè)備和傳感器的互聯(lián)。從無(wú)線網(wǎng)絡(luò)到移動(dòng)中心網(wǎng)絡(luò)再到互聯(lián)網(wǎng)絡(luò)邊緣計(jì)算設(shè)施，通過(guò)無(wú)線網(wǎng)絡(luò)、數(shù)據(jù)中心網(wǎng)絡(luò)和互聯(lián)網(wǎng)實(shí)現(xiàn)了邊緣設(shè)備、邊緣網(wǎng)關(guān)、核心設(shè)施之間的連接。所有類型的邊緣設(shè)備除了數(shù)據(jù)消費(fèi)者外，還可以作為數(shù)據(jù)生產(chǎn)者參與到邊緣計(jì)算所有的四個(gè)功能結(jié)構(gòu)層中。基于“云-邊-端”協(xié)同的邊緣計(jì)算基本框架如圖1所示。

這里著重說(shuō)明一下移動(dòng)邊緣計(jì)算MEC（Mobile Edge Computing）的概念，其在移動(dòng)設(shè)備網(wǎng)絡(luò)邊緣進(jìn)行數(shù)據(jù)的計(jì)算、存儲(chǔ)與保存，減少了云計(jì)算中心集中處理請(qǐng)求的延時(shí)，也降低了網(wǎng)絡(luò)帶寬和云計(jì)算數(shù)據(jù)中心的壓力。MEC節(jié)點(diǎn)大部分位于大型基站或無(wú)線網(wǎng)絡(luò)控制器處，與用戶處于同一個(gè)無(wú)線局域網(wǎng)中，這種貼近于用戶的數(shù)據(jù)處理方式，使得響應(yīng)服務(wù)更加高效、快捷。移動(dòng)邊緣計(jì)算平臺(tái)架構(gòu)主要采用“網(wǎng)絡(luò)層—移動(dòng)邊緣主機(jī)層—移動(dòng)邊緣系統(tǒng)層”三層架構(gòu)模型。移動(dòng)邊緣系統(tǒng)層是MEC最重要的一層，由運(yùn)營(yíng)商網(wǎng)絡(luò)內(nèi)的移動(dòng)邊緣主機(jī)以及管理移動(dòng)邊緣應(yīng)用必需的移動(dòng)邊緣組件構(gòu)成，負(fù)責(zé)管控MEC的任務(wù)分配和系統(tǒng)運(yùn)行。移動(dòng)邊緣主機(jī)層由虛擬化基礎(chǔ)設(shè)施、移動(dòng)邊緣應(yīng)用、移動(dòng)邊緣平臺(tái)和移動(dòng)邊緣主機(jī)層管理設(shè)施組成。網(wǎng)絡(luò)層代表移動(dòng)邊緣計(jì)算支持的連接方式，由蜂窩移動(dòng)網(wǎng)絡(luò)、本地網(wǎng)絡(luò)、無(wú)線WIFI和外部網(wǎng)絡(luò)組成。MEC基本框架如圖2所示。

Cloudlet是2013年美國(guó)卡內(nèi)基梅隆大學(xué)提出的概念，源于移動(dòng)計(jì)算、IoT與云計(jì)算的融合，代表“移動(dòng)設(shè)備/IoT設(shè)備—Cloudlet—云”三層體系架構(gòu)的中間層，Cloudlet是一個(gè)可信且資源豐富的主機(jī)，部署在網(wǎng)絡(luò)邊緣，與互聯(lián)網(wǎng)連接，可以被移動(dòng)設(shè)備訪問(wèn)，能實(shí)時(shí)為直接連接局域網(wǎng)的用戶提供服務(wù)。由于Cloudlet可以像云計(jì)算中心一樣為用戶提供服務(wù)，所以也被稱為微云。雖然Cloudlet不是以邊緣計(jì)算的名義提出的，但其在架構(gòu)和設(shè)計(jì)理念上與邊緣計(jì)算相契合，所以可用來(lái)搭建邊緣計(jì)算平臺(tái)。與云計(jì)算的計(jì)算模型相似，Cloudlet將用戶數(shù)據(jù)直接保存在云端，當(dāng)移動(dòng)設(shè)備向云端請(qǐng)求服務(wù)時(shí)集中對(duì)數(shù)據(jù)進(jìn)行處理，并通過(guò)高帶寬的一跳路由返回用戶請(qǐng)求，盡可能降低網(wǎng)絡(luò)延時(shí)。Cloudlet平臺(tái)架構(gòu)主要包括三層（如圖3）：第一層由虛擬機(jī)組成，運(yùn)行用戶卸載至邊緣節(jié)點(diǎn)的應(yīng)用程序，通過(guò)虛擬機(jī)彌補(bǔ)與用戶可執(zhí)行環(huán)境的差異;第二層由Cloudlet邊緣計(jì)算平臺(tái)組成，實(shí)現(xiàn)主機(jī)資源虛擬化并編排管理應(yīng)用虛擬機(jī);第三層由用戶數(shù)據(jù)緩存器組成，主要用于接收用戶云端數(shù)據(jù)。Cloudlet的主要優(yōu)勢(shì)有：對(duì)開發(fā)者沒有任何約束，現(xiàn)有程序基本不需要修改即能在Cloudlet中運(yùn)行;由于在移動(dòng)設(shè)備網(wǎng)絡(luò)邊緣提供服務(wù)，最大限度地降低了網(wǎng)絡(luò)時(shí)延。

劉宗凡：在對(duì)基本的架構(gòu)概念有所了解后，我再來(lái)講一下邊緣計(jì)算的具體軟件架構(gòu)，相對(duì)于硬件架構(gòu)設(shè)計(jì)，在“云-邊-端”系統(tǒng)的軟件架構(gòu)主要包括與設(shè)備無(wú)關(guān)的微服務(wù)、容器及虛擬化技術(shù)、云端無(wú)服務(wù)化套件等。這些技術(shù)應(yīng)用統(tǒng)一了云端和邊緣的服務(wù)運(yùn)行環(huán)境，減少了因硬件基礎(chǔ)設(shè)施的差異而帶來(lái)的部署及運(yùn)維問(wèn)題。而這些技術(shù)背后依靠的是云原生軟件架構(gòu)在邊緣側(cè)的演化。典型的邊緣系統(tǒng)軟件架構(gòu)如圖4所示。

云端數(shù)據(jù)中心根據(jù)實(shí)時(shí)性、安全性和邊緣側(cè)異構(gòu)計(jì)算的需求，將微服務(wù)靈活地部署到邊緣的用戶設(shè)備、網(wǎng)關(guān)設(shè)備或小型數(shù)據(jù)中心。這說(shuō)明分布式邊緣計(jì)算比傳統(tǒng)集中式云計(jì)算擁有更大的優(yōu)勢(shì)，而微服務(wù)是算力和應(yīng)用功能部署的載體和最小單位。在邊緣設(shè)備注冊(cè)到云服務(wù)器后，這種微服務(wù)的部署對(duì)于終端用戶來(lái)說(shuō)是非常容易乃至無(wú)感的。目前，主要云服務(wù)商都給出了使用邊緣計(jì)算加快機(jī)器學(xué)習(xí)中神經(jīng)網(wǎng)絡(luò)推理的案例。機(jī)器學(xué)習(xí)根據(jù)現(xiàn)有數(shù)據(jù)所學(xué)習(xí)（該過(guò)程稱為訓(xùn)練）的統(tǒng)計(jì)算法，對(duì)新數(shù)據(jù)做出決策。在訓(xùn)練期間，將識(shí)別數(shù)據(jù)中的模式和關(guān)系以建立模型。該模型讓系統(tǒng)能夠?qū)χ皬奈从龅竭^(guò)的數(shù)據(jù)做出明智的決策。在優(yōu)化模型過(guò)程中壓縮模型大小，以便快速運(yùn)行。訓(xùn)練和優(yōu)化機(jī)器學(xué)習(xí)模型需要大量的計(jì)算資源，因此與云是天然良配。相對(duì)來(lái)說(shuō)，推理需要的計(jì)算資源要少得多，并且往往有新數(shù)據(jù)可用時(shí)能實(shí)時(shí)完成。要想確保物聯(lián)網(wǎng)應(yīng)用程序能夠快速響應(yīng)本地事件，必須能夠以非常低的時(shí)延獲得推理結(jié)果。

傳統(tǒng)云計(jì)算是將微服務(wù)部署于虛擬機(jī)中，OpenStack提供了云平臺(tái)的基礎(chǔ)設(shè)施。邊緣計(jì)算是云平臺(tái)的延伸，但缺少云數(shù)據(jù)中心的高性能服務(wù)器物理設(shè)施來(lái)部署和運(yùn)行完整的虛擬化環(huán)境。于是輕量級(jí)的容器取代了虛擬機(jī)成了邊緣計(jì)算平臺(tái)標(biāo)準(zhǔn)技術(shù)之一，以Docker為主的容器技術(shù)是邊緣設(shè)備上微服務(wù)的運(yùn)行環(huán)境，同時(shí)硬件虛擬化可以為Docker提供更加安全的隔離。相比物理機(jī)和虛擬機(jī)，容器技術(shù)具有如下優(yōu)點(diǎn)：部署簡(jiǎn)單、支持多環(huán)境、啟動(dòng)時(shí)間更短、易擴(kuò)容、易遷移。但是在管理主機(jī)數(shù)量規(guī)模較大的業(yè)務(wù)場(chǎng)景時(shí)，單機(jī)容器管理方案往往力不從心。谷歌的Kubernetes是當(dāng)前最流行的容器編排和管理系統(tǒng)，它實(shí)現(xiàn)了一套高效的應(yīng)用管理、應(yīng)用自修復(fù)、資源管理、線上運(yùn)維和排障機(jī)制，并且形成了監(jiān)控告警、服務(wù)網(wǎng)格、日志及調(diào)用鏈分析、CI/CD等方面的一系列生態(tài)，但Kubernetes原本是針對(duì)云端集中式資源管理場(chǎng)景設(shè)計(jì)，簡(jiǎn)單地應(yīng)用到邊緣計(jì)算場(chǎng)景會(huì)遇到諸多不適應(yīng)，導(dǎo)致系統(tǒng)不穩(wěn)定甚至在某些場(chǎng)景下運(yùn)行不起來(lái)。業(yè)界目前有多種邊緣容器管理的解決方案，為此產(chǎn)生了基于Kubernetes的開源邊緣容器計(jì)算項(xiàng)目，如K3S、Microk8s、KubeEdge等。邊緣容器的功能就是通過(guò)解決Kubernetes所有不適應(yīng)邊緣計(jì)算場(chǎng)景的點(diǎn)，實(shí)現(xiàn)使用邊緣容器計(jì)算項(xiàng)目來(lái)管理分散的邊緣設(shè)備。一個(gè)簡(jiǎn)化的邊緣系統(tǒng)由邊緣硬件、邊緣平臺(tái)軟件系統(tǒng)和邊緣容器系統(tǒng)組成，如圖5所示。

圖5中的邊緣硬件包括邊緣節(jié)點(diǎn)設(shè)備、網(wǎng)絡(luò)設(shè)備和小型數(shù)據(jù)中心，比較多樣化，和傳統(tǒng)物聯(lián)網(wǎng)設(shè)備采集數(shù)據(jù)和簡(jiǎn)單數(shù)據(jù)處理不同，邊緣硬件需要運(yùn)行從云端部署的IT微服務(wù)。所以，邊緣硬件一般具有一定的計(jì)算能力，使用微處理芯片（MPU）而不是物聯(lián)網(wǎng)設(shè)備使用的微控制器（MCU）。因?yàn)檫吘売?jì)算可以應(yīng)用到各種領(lǐng)域，所以硬件系統(tǒng)也是多種多樣的，其中包括常見的樹莓派系統(tǒng)以及Intel的酷睿、至強(qiáng)系統(tǒng)等，如常見的微軟Azure物聯(lián)網(wǎng)云就支持上千種設(shè)備的認(rèn)證。

云端的基礎(chǔ)設(shè)施被抽象成計(jì)算節(jié)點(diǎn)、網(wǎng)絡(luò)節(jié)點(diǎn)和存儲(chǔ)節(jié)點(diǎn)，以屏蔽底層基礎(chǔ)設(shè)施的差異化，而邊緣硬件往往使用異構(gòu)的計(jì)算引擎進(jìn)行加速以滿足低功耗、實(shí)時(shí)性和定制化計(jì)算的需求，最常見的是使用FPGA、movidius、NPU對(duì)機(jī)器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)推理的加速。而這些異構(gòu)計(jì)算加速引擎很難在云端進(jìn)行大規(guī)模部署和運(yùn)維。邊緣設(shè)備硬件更加靠近數(shù)據(jù)源和用戶側(cè)，設(shè)備和系統(tǒng)的安全相比云數(shù)據(jù)中心更具有挑戰(zhàn)性。和傳統(tǒng)物聯(lián)網(wǎng)設(shè)備一樣，集成基于硬件的信任根可以極大地保障邊緣系統(tǒng)的安全，同時(shí)也可以極大地降低網(wǎng)絡(luò)通信的開銷，提高微服務(wù)的實(shí)時(shí)性。如果每次微服務(wù)調(diào)用都需要云做認(rèn)證，就會(huì)帶來(lái)極大的延時(shí)。

邊緣計(jì)算的場(chǎng)景應(yīng)用

金琦：當(dāng)下，邊緣計(jì)算正在迅速融入到各個(gè)行業(yè)。新技術(shù)會(huì)導(dǎo)致巨大的生產(chǎn)力提高，所以最普遍的場(chǎng)景應(yīng)用就是在“工業(yè)制造業(yè)”中，畢竟邊緣計(jì)算將使工業(yè)設(shè)備能夠在沒有人為干預(yù)的情況下進(jìn)行自主決策，傳感器數(shù)據(jù)可以監(jiān)測(cè)機(jī)器的運(yùn)行狀態(tài)，從而以自適應(yīng)的速度來(lái)優(yōu)化使用。裝有運(yùn)動(dòng)狀態(tài)、溫度濕度等環(huán)境傳感器的智能工廠可以調(diào)節(jié)照明、冷卻等相關(guān)環(huán)境控制，以最有效地利用電力，預(yù)測(cè)分析可以確定部件何時(shí)將要發(fā)生故障，從而確?？梢栽诮档蜕a(chǎn)力損耗的前提下提早對(duì)它們進(jìn)行更換。最值得關(guān)注的是，邊緣計(jì)算還形成了機(jī)器學(xué)習(xí)網(wǎng)絡(luò)框架，使得機(jī)器人驅(qū)動(dòng)的自動(dòng)化制造成為可能。與基于云的架構(gòu)相比，通過(guò)邊緣網(wǎng)絡(luò)收集和傳輸數(shù)據(jù)的機(jī)器人能夠更及時(shí)地識(shí)別不規(guī)則并消除低效問(wèn)題，從而確保更高效的正常運(yùn)行時(shí)間和生產(chǎn)力。要說(shuō)當(dāng)下最熱門的邊緣計(jì)算應(yīng)用，那就是非“車聯(lián)網(wǎng)”莫屬了，該業(yè)務(wù)對(duì)時(shí)延的需求非?？量?，邊緣計(jì)算可以為防碰撞、編隊(duì)等自動(dòng)/輔助駕駛業(yè)務(wù)提供毫秒級(jí)的時(shí)延保證，同時(shí)可以在基站本地提供算力，支撐高精度地圖的相關(guān)數(shù)據(jù)處理和分析，更好地支持視線盲區(qū)的預(yù)警業(yè)務(wù)。如果要說(shuō)相對(duì)宏觀的邊緣計(jì)算應(yīng)用則體現(xiàn)在“智慧城市”上，邊緣計(jì)算可以實(shí)現(xiàn)對(duì)城市中運(yùn)行參數(shù)進(jìn)行采集分析。例如，在城市路面檢測(cè)中，在道路兩側(cè)路燈上安裝傳感器收集城市路面信息，檢測(cè)空氣質(zhì)量、光照強(qiáng)度、噪音水平等環(huán)境數(shù)據(jù)，當(dāng)路燈發(fā)生故障時(shí)能夠及時(shí)反饋至維護(hù)人員。邊緣計(jì)算還可以利用本地部署的GPU服務(wù)器，實(shí)現(xiàn)毫秒級(jí)的人臉識(shí)別、物體識(shí)別等，智能圖像分析應(yīng)用已經(jīng)在雪亮工程普遍使用。

楊磊：提到“智慧城市”可能對(duì)教育工作者來(lái)說(shuō)范疇有點(diǎn)大，可能用“智慧校園”來(lái)說(shuō)明邊緣計(jì)算的應(yīng)用會(huì)更感同身受。邊緣計(jì)算對(duì)學(xué)校來(lái)說(shuō)不僅僅是本欄目上期說(shuō)的通過(guò)跨地域的邊緣算力來(lái)為教學(xué)視頻遠(yuǎn)程加速服務(wù)。全方位的“智慧校園”需要對(duì)學(xué)校大量的設(shè)備節(jié)點(diǎn)進(jìn)行實(shí)時(shí)控制，需要極低的網(wǎng)絡(luò)延遲、高并發(fā)數(shù)和大顆粒傳輸帶寬，邊緣計(jì)算可以避免因網(wǎng)絡(luò)通道擁堵而加重系統(tǒng)延遲，使學(xué)校智慧教學(xué)管理業(yè)務(wù)高效運(yùn)行。例如，邊緣計(jì)算實(shí)時(shí)平臺(tái)巡視課程，在學(xué)校教學(xué)質(zhì)量監(jiān)控中心，除了將需要關(guān)注的教室畫面拖到大屏上進(jìn)行人工遠(yuǎn)程關(guān)注外，評(píng)價(jià)的維度和權(quán)重可以根據(jù)實(shí)際情況設(shè)定，可以直接在邊緣進(jìn)行計(jì)算并輔助進(jìn)行記錄評(píng)價(jià)。但是，實(shí)時(shí)交互校園無(wú)人自動(dòng)清掃車需要極低延時(shí)才可以精準(zhǔn)控制其行進(jìn)軌跡與智能避障，分布于全校園的物聯(lián)網(wǎng)IoT中海量的邊緣節(jié)點(diǎn)（生物特征身份識(shí)別、智能水電表、消防溫感、煙感控制傳感器、校園周界安防探頭、室內(nèi)定位錨標(biāo)等）會(huì)產(chǎn)生超高并發(fā)連接數(shù)，智慧教室中的AR與VR移動(dòng)佩戴終端需要大顆粒傳輸通道，若與其他業(yè)務(wù)共享傳輸網(wǎng)絡(luò)，會(huì)因極大擠占網(wǎng)絡(luò)帶寬而導(dǎo)致其他業(yè)務(wù)傳輸擁塞。在物聯(lián)網(wǎng)萬(wàn)物互聯(lián)所帶來(lái)的數(shù)據(jù)洪流下，傳統(tǒng)集中式的數(shù)據(jù)存儲(chǔ)和計(jì)算平臺(tái)對(duì)學(xué)校來(lái)說(shuō)可能有些力不從心，畢竟配套大存儲(chǔ)、高算力意味著前期大額投資，后期伴隨高能耗與運(yùn)維成本高，不利于可持續(xù)的“智慧校園”建設(shè)?，F(xiàn)在有很多的地方教育部門、學(xué)校會(huì)和當(dāng)?shù)赝ㄐ胚\(yùn)營(yíng)商合作，由通信運(yùn)營(yíng)商部署MEC以滿足“智慧校園”的業(yè)務(wù)承載與算力需求。綜合考慮網(wǎng)絡(luò)性能要求與投資成本，MEC可分為近基站（用戶）側(cè)、區(qū)域中心側(cè)、匯聚中心側(cè)三種落地部署形式，而近基站側(cè)部署能全面兼容邊緣計(jì)算技術(shù)的高連接數(shù)、大帶寬、低延時(shí)應(yīng)用等實(shí)際應(yīng)用需求。MEC的物理端在用戶側(cè)本地化部署，邏輯端在通信運(yùn)營(yíng)商“云端”，使得數(shù)據(jù)在物理上安全可靠、業(yè)務(wù)在邏輯上可控可管。部署在校園內(nèi)的蜂窩基站側(cè)的MEC還可作為部署在本地的大數(shù)據(jù)云計(jì)算平臺(tái)發(fā)揮其閑置算力，學(xué)校方可授權(quán)讀取通信運(yùn)營(yíng)商在校園內(nèi)的特定校園用戶基礎(chǔ)信息、空間行為軌跡以及上網(wǎng)記錄等相應(yīng)數(shù)據(jù);通過(guò)網(wǎng)絡(luò)邊界連接學(xué)校自建的校園網(wǎng)接口，并結(jié)合其開放的第三方應(yīng)用接口進(jìn)行大數(shù)據(jù)分析，經(jīng)過(guò)數(shù)據(jù)深度挖掘分析，對(duì)重點(diǎn)人員進(jìn)行自動(dòng)聚類，依照聚類處理結(jié)果確定潛在關(guān)聯(lián)關(guān)系并據(jù)此提出管控預(yù)警與建議，讓學(xué)校教學(xué)和管理更加有效。

結(jié)語(yǔ)

5G普及帶來(lái)的一系列產(chǎn)業(yè)變革，以及傳感器價(jià)格和計(jì)算成本的持續(xù)下降，為邊緣計(jì)算提供了更扎實(shí)的技術(shù)和硬件設(shè)備支持。我們可以想象在不遠(yuǎn)的將來(lái)，隨著資源數(shù)量的增多，會(huì)有更多的設(shè)備擁有自己的“大腦”，越來(lái)越多的數(shù)據(jù)直接在其源頭進(jìn)行處理，用戶可以根據(jù)自己的業(yè)務(wù)需求自定義物聯(lián)網(wǎng)應(yīng)用，如同我們?cè)诎惭b應(yīng)用軟件過(guò)程中會(huì)有多種安裝選項(xiàng)一樣，更多的多元化應(yīng)用將被連接到互聯(lián)網(wǎng)，我們將有更多的機(jī)會(huì)在各個(gè)領(lǐng)域測(cè)試和部署邊緣計(jì)算技術(shù)。