邊緣計算，云服務向多元化應用場景的延伸

編者按：隨著大數據、人工智能和物聯網時代的到來，網絡邊緣設備和各式移動終端產生的數據的增速已遠遠超過了網絡帶寬，帶來了更高的數據傳輸帶寬需求，同時新型應用也對數據處理的實時性提出了更高要求，傳統云計算模型已經無法有效應對，邊緣計算因在貼近數據源的網絡邊緣進行數據處理，繞過了網絡帶寬和延遲問題，迅速成為近幾年的研究熱點。基于5G邊緣計算的全場景智慧校園建設助力新的教育場景的應用，更使得教育教學進入跨界融合、創新教育的新階段。本期我們將圍繞邊緣計算及其應用維度展開分析，希望能給讀者帶來切實的幫助。

主持人：

金? 琦? 浙江師范大學附屬中學

嘉? 賓：

劉宗凡? 廣東省肇慶市四會中學

邱元陽? 河南省安陽縣職業中專

倪俊杰? 浙江省桐鄉市鳳鳴高中

楊? 磊? 天津市第五中學

我們在上一期對CDN的工作原理及主要技術知識點進行了介紹，CDN是一種基于互聯網的緩存網絡，依靠部署在各地的緩存服務器，通過中心平臺的負載均衡、內容分發、調度等功能模塊，將用戶的訪問指向距離最近的緩存服務器，以此降低網絡擁塞，提高用戶訪問響應速度和命中率。CDN強調數據的備份和緩存，并沒有對計算有特別的要求，但隨著大數據和物聯網的廣泛應用，邊緣的外延和內涵不斷擴展，網絡邊緣已經延伸到我們生活的各個方面，而邊緣計算的基本思想則是將現在的計算能力邊緣化。

2006年亞馬遜推出Amazon Web Services，接著，國內的阿里、騰訊、華為等巨頭也緊隨其后進入云計算市場，這使得我們可以便捷地嘗試和體驗各種類型的云服務，開始接受云計算服務對我們生活的改變，正如互聯網已經成為我們生活的一部分一樣，云計算架構日臻完善，越來越多的產品也登上了云！使用云計算服務已經如同使用水電一樣方便。但現階段云計算依然會存在計算延遲、擁塞、低可靠性、安全攻擊等問題，云計算需要新的搭檔，基于此，邊緣計算的概念得以提出并實施以彌補云計算存在的短板問題。讓云計算服務更加靠近邊緣，讓計算、存儲、網絡延伸到互聯網的邊緣，這也是云計算發展的未來。

邊緣計算為何而生？

邱元陽：隨著萬物互聯時代的到來和無線網絡的不斷發展，網絡邊緣的設備數量和產生的數據都快速增長。預計到2025年，全球數據總量將超過175ZB，預計物聯網（IoT，Internet of Things）產生的超過一半的數據都將在網絡邊緣處理。以云計算模型為核心的集中式處理模式將無法高效處理邊緣設備產生的數據，集中式處理模型將所有數據通過網絡傳輸到云計算中心，利用云計算中心超強的計算能力來集中式解決計算和存儲問題。云計算給世界帶來的變革大家有目共睹，但有了云計算為什么還需要邊緣計算呢？這就需要一起來了解集中式的云計算中遇到的不足。

1.實時性不夠。傳統云計算模型在應對實時性要求極高的萬物互聯場景應用時會產生系統延遲的問題。例如，在無人駕駛汽車場景下，汽車需要精確到毫秒級別的反應時間，一旦出現延遲則有可能釀成涉及人身、財產安全的嚴重后果。

2.帶寬不足。邊緣設備實時產生大量數據，這樣龐大的數據集傳至集中式的數據中心，將會造成巨大的網絡帶寬壓力。

3.能耗較大。數據中心消耗極多能源，2021年，全國數據中心能源消耗達到2166億千瓦時，照此趨勢，預計到2025年，全國數據中心能源消耗總量將達到3500億千瓦時，約占全社會用電量的4%。隨著用戶應用程序越來越多、處理的數據量越來越大，能耗將會成為限制云計算中心發展的瓶頸。

4.不利于數據安全和隱私。萬物互聯中的數據與用戶生活密切相關，智能終端設備如室內智能網絡攝像頭，將數據傳輸到云端會增加泄露用戶隱私的風險。

金琦：為了解決以上問題，面向邊緣設備所產生的海量數據計算的邊緣計算模型應運而生。為了更容易理解邊緣計算，不妨想象這樣一個實例：用于計費的收費公路攝像頭。在云計算架構中，攝像頭拍攝汽車牌照照片，并將整個照片傳輸到云端，在云端，程序處理圖像，識別牌照號碼，并將該號碼記錄到計費系統中，以向車主收取通行費用。在這種安排下，由于傳送了所有圖像，因此大量數據通過網絡得以傳輸。在邊緣計算應用中，攝像頭會立即處理圖像，識別車牌號，然后只將該號碼傳回云端，以開始計費過程。這樣做使得流經網絡的數據非常少，從而為其他應用程序釋放了帶寬。此外，如果由于某種原因導致攝像頭與服務器的連接中斷，它還允許攝像頭繼續分析數據。邊緣計算采用了一種分散式運算架構，將之前由網絡中心節點處理的數據資源與服務、各種應用程序的計算切成更小且很容易管理的部分并分散到網絡邏輯上的邊緣節點處理。而邊緣節點更接近用戶終端或業務直接使用終端，這一特質可以明顯地提高數據處理和傳送速度，進而降低延時。

通過對以上實例的分析，我們可以把邊緣計算看作云計算模型的延伸，它針對了目前集中式云計算模型自身的短板，具有緩解網絡帶寬壓力、提高服務響應能力、保護數據隱私等特點。所以，可以發現邊緣計算對我們身邊的眾多新興業務應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、智能家居等相關領域，邊緣計算都在扮演著驅動者新形象，推動傳統的“云-端”遞進到“云-邊-端”的新一代計算架構。這種架構無疑更匹配今天萬物互聯時代各種類型的智能業務。可以總結一下概念，邊緣計算是指數據或任務能夠在數據源頭的網絡邊緣側進行計算和執行計算的一種新型服務模型，允許在網絡邊緣存儲和處理數據，和云計算協作，在數據源端提供智能服務。網絡邊緣側可以理解為數據源到云計算中心之間的任意功能實體，這些實體搭載著融合網絡、計算、存儲、應用等核心能力的邊緣計算平臺。再用一個較形象的比喻，如“章魚”就擁有“概念思維”能力，章魚有兩個強大的記憶系統：一個是大腦記憶系統，章魚的神經元有40%分布在它的頭部;另一個是八條爪子上的觸角，其60%的神經元分布在它的觸角上，也就是說，章魚的八條爪子可以思考并解決問題。章魚在捕獵時八條爪子動作非常靈巧迅速，腕足之間高度配合，從來不會纏繞和打結。這是因為它是“多個小腦+一個大腦”的構造，類似于分布式計算。而邊緣計算也是一種分布式計算，這種分布的好處就是大部分重復的、低級的操作，都由觸角來完成，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據。我們可以把云計算看作是大腦，那么邊緣計算就像是大腦輸出的神經觸角，這些觸角連接到各個終端運行各種動作。在萬物互聯時代，隨著5G的到來，整個網絡設備接入的數量，以及靠近設備端產生的數據會爆發式增長。如果所有數據處理都放到集中式數據中心，帶寬、實時性、能耗、隱私等都會面臨很大的挑戰。但采用邊緣計算，就可以就近處理海量數據，大量設備可以實現高效協同工作，諸多問題迎刃而解。

邊緣計算基本架構

倪俊杰：邊緣計算中的“邊緣”是一個相對的概念，指從數據源到云計算中心路徑之間的任意計算、存儲以及網絡相關資源。邊緣計算允許終端設備將存儲和計算任務轉移到網絡邊緣節點（如基站、無線接入點、邊緣控制器和傳感器）上。這在滿足終端設備計算能力擴展需求的同時，又能夠有效地節約計算任務在云服務器和終端設備之間的傳輸鏈路資源。核心基礎設施提供核心網絡接入和用于移動邊緣設備的集中式云計算服務和管理功能。其中，核心網絡主要包括互聯網絡、移動核心網絡、集中式云服務和數據中心等。而云計算核心服務通常包含基礎設施服務（IaaS）、平臺即服務（PaaS）和軟件即服務（PaaS）三種服務模式。通過引入邊緣計算架構，多個云服務提供商可同時為用戶提供集中式的存儲和計算服務，實現多層次的異構服務器部署，改善由集中式云業務大規模計算器安裝帶來的挑戰，同時還能夠為不同位置的用戶提供實時服務和移動代理。邊緣網絡通過融合多種通信網絡實現物聯網設備和傳感器的互聯。從無線網絡到移動中心網絡再到互聯網絡邊緣計算設施，通過無線網絡、數據中心網絡和互聯網實現了邊緣設備、邊緣網關、核心設施之間的連接。所有類型的邊緣設備除了數據消費者外，還可以作為數據生產者參與到邊緣計算所有的四個功能結構層中。基于“云-邊-端”協同的邊緣計算基本框架如圖1所示。

這里著重說明一下移動邊緣計算MEC（Mobile Edge Computing）的概念，其在移動設備網絡邊緣進行數據的計算、存儲與保存，減少了云計算中心集中處理請求的延時，也降低了網絡帶寬和云計算數據中心的壓力。MEC節點大部分位于大型基站或無線網絡控制器處，與用戶處于同一個無線局域網中，這種貼近于用戶的數據處理方式，使得響應服務更加高效、快捷。移動邊緣計算平臺架構主要采用“網絡層—移動邊緣主機層—移動邊緣系統層”三層架構模型。移動邊緣系統層是MEC最重要的一層，由運營商網絡內的移動邊緣主機以及管理移動邊緣應用必需的移動邊緣組件構成，負責管控MEC的任務分配和系統運行。移動邊緣主機層由虛擬化基礎設施、移動邊緣應用、移動邊緣平臺和移動邊緣主機層管理設施組成。網絡層代表移動邊緣計算支持的連接方式，由蜂窩移動網絡、本地網絡、無線WIFI和外部網絡組成。MEC基本框架如圖2所示。

Cloudlet是2013年美國卡內基梅隆大學提出的概念，源于移動計算、IoT與云計算的融合，代表“移動設備/IoT設備—Cloudlet—云”三層體系架構的中間層，Cloudlet是一個可信且資源豐富的主機，部署在網絡邊緣，與互聯網連接，可以被移動設備訪問，能實時為直接連接局域網的用戶提供服務。由于Cloudlet可以像云計算中心一樣為用戶提供服務，所以也被稱為微云。雖然Cloudlet不是以邊緣計算的名義提出的，但其在架構和設計理念上與邊緣計算相契合，所以可用來搭建邊緣計算平臺。與云計算的計算模型相似，Cloudlet將用戶數據直接保存在云端，當移動設備向云端請求服務時集中對數據進行處理，并通過高帶寬的一跳路由返回用戶請求，盡可能降低網絡延時。Cloudlet平臺架構主要包括三層（如圖3）：第一層由虛擬機組成，運行用戶卸載至邊緣節點的應用程序，通過虛擬機彌補與用戶可執行環境的差異;第二層由Cloudlet邊緣計算平臺組成，實現主機資源虛擬化并編排管理應用虛擬機;第三層由用戶數據緩存器組成，主要用于接收用戶云端數據。Cloudlet的主要優勢有：對開發者沒有任何約束，現有程序基本不需要修改即能在Cloudlet中運行;由于在移動設備網絡邊緣提供服務，最大限度地降低了網絡時延。

劉宗凡：在對基本的架構概念有所了解后，我再來講一下邊緣計算的具體軟件架構，相對于硬件架構設計，在“云-邊-端”系統的軟件架構主要包括與設備無關的微服務、容器及虛擬化技術、云端無服務化套件等。這些技術應用統一了云端和邊緣的服務運行環境，減少了因硬件基礎設施的差異而帶來的部署及運維問題。而這些技術背后依靠的是云原生軟件架構在邊緣側的演化。典型的邊緣系統軟件架構如圖4所示。

云端數據中心根據實時性、安全性和邊緣側異構計算的需求，將微服務靈活地部署到邊緣的用戶設備、網關設備或小型數據中心。這說明分布式邊緣計算比傳統集中式云計算擁有更大的優勢，而微服務是算力和應用功能部署的載體和最小單位。在邊緣設備注冊到云服務器后，這種微服務的部署對于終端用戶來說是非常容易乃至無感的。目前，主要云服務商都給出了使用邊緣計算加快機器學習中神經網絡推理的案例。機器學習根據現有數據所學習（該過程稱為訓練）的統計算法，對新數據做出決策。在訓練期間，將識別數據中的模式和關系以建立模型。該模型讓系統能夠對之前從未遇到過的數據做出明智的決策。在優化模型過程中壓縮模型大小，以便快速運行。訓練和優化機器學習模型需要大量的計算資源，因此與云是天然良配。相對來說，推理需要的計算資源要少得多，并且往往有新數據可用時能實時完成。要想確保物聯網應用程序能夠快速響應本地事件，必須能夠以非常低的時延獲得推理結果。

傳統云計算是將微服務部署于虛擬機中，OpenStack提供了云平臺的基礎設施。邊緣計算是云平臺的延伸，但缺少云數據中心的高性能服務器物理設施來部署和運行完整的虛擬化環境。于是輕量級的容器取代了虛擬機成了邊緣計算平臺標準技術之一，以Docker為主的容器技術是邊緣設備上微服務的運行環境，同時硬件虛擬化可以為Docker提供更加安全的隔離。相比物理機和虛擬機，容器技術具有如下優點：部署簡單、支持多環境、啟動時間更短、易擴容、易遷移。但是在管理主機數量規模較大的業務場景時，單機容器管理方案往往力不從心。谷歌的Kubernetes是當前最流行的容器編排和管理系統，它實現了一套高效的應用管理、應用自修復、資源管理、線上運維和排障機制，并且形成了監控告警、服務網格、日志及調用鏈分析、CI/CD等方面的一系列生態，但Kubernetes原本是針對云端集中式資源管理場景設計，簡單地應用到邊緣計算場景會遇到諸多不適應，導致系統不穩定甚至在某些場景下運行不起來。業界目前有多種邊緣容器管理的解決方案，為此產生了基于Kubernetes的開源邊緣容器計算項目，如K3S、Microk8s、KubeEdge等。邊緣容器的功能就是通過解決Kubernetes所有不適應邊緣計算場景的點，實現使用邊緣容器計算項目來管理分散的邊緣設備。一個簡化的邊緣系統由邊緣硬件、邊緣平臺軟件系統和邊緣容器系統組成，如圖5所示。

圖5中的邊緣硬件包括邊緣節點設備、網絡設備和小型數據中心，比較多樣化，和傳統物聯網設備采集數據和簡單數據處理不同，邊緣硬件需要運行從云端部署的IT微服務。所以，邊緣硬件一般具有一定的計算能力，使用微處理芯片（MPU）而不是物聯網設備使用的微控制器（MCU）。因為邊緣計算可以應用到各種領域，所以硬件系統也是多種多樣的，其中包括常見的樹莓派系統以及Intel的酷睿、至強系統等，如常見的微軟Azure物聯網云就支持上千種設備的認證。

云端的基礎設施被抽象成計算節點、網絡節點和存儲節點，以屏蔽底層基礎設施的差異化，而邊緣硬件往往使用異構的計算引擎進行加速以滿足低功耗、實時性和定制化計算的需求，最常見的是使用FPGA、movidius、NPU對機器學習神經網絡推理的加速。而這些異構計算加速引擎很難在云端進行大規模部署和運維。邊緣設備硬件更加靠近數據源和用戶側，設備和系統的安全相比云數據中心更具有挑戰性。和傳統物聯網設備一樣，集成基于硬件的信任根可以極大地保障邊緣系統的安全，同時也可以極大地降低網絡通信的開銷，提高微服務的實時性。如果每次微服務調用都需要云做認證，就會帶來極大的延時。

邊緣計算的場景應用

金琦：當下，邊緣計算正在迅速融入到各個行業。新技術會導致巨大的生產力提高，所以最普遍的場景應用就是在“工業制造業”中，畢竟邊緣計算將使工業設備能夠在沒有人為干預的情況下進行自主決策，傳感器數據可以監測機器的運行狀態，從而以自適應的速度來優化使用。裝有運動狀態、溫度濕度等環境傳感器的智能工廠可以調節照明、冷卻等相關環境控制，以最有效地利用電力，預測分析可以確定部件何時將要發生故障，從而確保可以在降低生產力損耗的前提下提早對它們進行更換。最值得關注的是，邊緣計算還形成了機器學習網絡框架，使得機器人驅動的自動化制造成為可能。與基于云的架構相比，通過邊緣網絡收集和傳輸數據的機器人能夠更及時地識別不規則并消除低效問題，從而確保更高效的正常運行時間和生產力。要說當下最熱門的邊緣計算應用，那就是非“車聯網”莫屬了，該業務對時延的需求非常苛刻，邊緣計算可以為防碰撞、編隊等自動/輔助駕駛業務提供毫秒級的時延保證，同時可以在基站本地提供算力，支撐高精度地圖的相關數據處理和分析，更好地支持視線盲區的預警業務。如果要說相對宏觀的邊緣計算應用則體現在“智慧城市”上，邊緣計算可以實現對城市中運行參數進行采集分析。例如，在城市路面檢測中，在道路兩側路燈上安裝傳感器收集城市路面信息，檢測空氣質量、光照強度、噪音水平等環境數據，當路燈發生故障時能夠及時反饋至維護人員。邊緣計算還可以利用本地部署的GPU服務器，實現毫秒級的人臉識別、物體識別等，智能圖像分析應用已經在雪亮工程普遍使用。

楊磊：提到“智慧城市”可能對教育工作者來說范疇有點大，可能用“智慧校園”來說明邊緣計算的應用會更感同身受。邊緣計算對學校來說不僅僅是本欄目上期說的通過跨地域的邊緣算力來為教學視頻遠程加速服務。全方位的“智慧校園”需要對學校大量的設備節點進行實時控制，需要極低的網絡延遲、高并發數和大顆粒傳輸帶寬，邊緣計算可以避免因網絡通道擁堵而加重系統延遲，使學校智慧教學管理業務高效運行。例如，邊緣計算實時平臺巡視課程，在學校教學質量監控中心，除了將需要關注的教室畫面拖到大屏上進行人工遠程關注外，評價的維度和權重可以根據實際情況設定，可以直接在邊緣進行計算并輔助進行記錄評價。但是，實時交互校園無人自動清掃車需要極低延時才可以精準控制其行進軌跡與智能避障，分布于全校園的物聯網IoT中海量的邊緣節點（生物特征身份識別、智能水電表、消防溫感、煙感控制傳感器、校園周界安防探頭、室內定位錨標等）會產生超高并發連接數，智慧教室中的AR與VR移動佩戴終端需要大顆粒傳輸通道，若與其他業務共享傳輸網絡，會因極大擠占網絡帶寬而導致其他業務傳輸擁塞。在物聯網萬物互聯所帶來的數據洪流下，傳統集中式的數據存儲和計算平臺對學校來說可能有些力不從心，畢竟配套大存儲、高算力意味著前期大額投資，后期伴隨高能耗與運維成本高，不利于可持續的“智慧校園”建設。現在有很多的地方教育部門、學校會和當地通信運營商合作，由通信運營商部署MEC以滿足“智慧校園”的業務承載與算力需求。綜合考慮網絡性能要求與投資成本，MEC可分為近基站（用戶）側、區域中心側、匯聚中心側三種落地部署形式，而近基站側部署能全面兼容邊緣計算技術的高連接數、大帶寬、低延時應用等實際應用需求。MEC的物理端在用戶側本地化部署，邏輯端在通信運營商“云端”，使得數據在物理上安全可靠、業務在邏輯上可控可管。部署在校園內的蜂窩基站側的MEC還可作為部署在本地的大數據云計算平臺發揮其閑置算力，學校方可授權讀取通信運營商在校園內的特定校園用戶基礎信息、空間行為軌跡以及上網記錄等相應數據;通過網絡邊界連接學校自建的校園網接口，并結合其開放的第三方應用接口進行大數據分析，經過數據深度挖掘分析，對重點人員進行自動聚類，依照聚類處理結果確定潛在關聯關系并據此提出管控預警與建議，讓學校教學和管理更加有效。

結語

5G普及帶來的一系列產業變革，以及傳感器價格和計算成本的持續下降，為邊緣計算提供了更扎實的技術和硬件設備支持。我們可以想象在不遠的將來，隨著資源數量的增多，會有更多的設備擁有自己的“大腦”，越來越多的數據直接在其源頭進行處理，用戶可以根據自己的業務需求自定義物聯網應用，如同我們在安裝應用軟件過程中會有多種安裝選項一樣，更多的多元化應用將被連接到互聯網，我們將有更多的機會在各個領域測試和部署邊緣計算技術。