本书咨询联系方式：(010)51260888-819，faq@phei.com.cn。

    质量投诉请发邮件至zlts@phei.com.cn，盗版侵权举报请发邮件至dbqq@phei.com.cn。

    联系及邮购电话：(010)88254888，88258888。

    凡所购买电子工业出版社图书有缺损问题，请向购买书店调换。若书店售缺，请与本社发行部联系，定 价：99.00元

    印次：2019年7月第1次印刷

    版次：2019年7月第1版

    开本：787×980 116 印张：16.75 字数：352千字

    北京市海淀区万寿路173信箱 邮编：100036

    出版发行：电子工业出版社

    装订：中国电影出版社印刷厂

    印刷：中国电影出版社印刷厂

    责任编辑：宋亚东

    中国版本图书馆CIP数据核字(2019)第100479号

    Ⅰ.①边… Ⅱ.①张… Ⅲ.①计算机通信网 Ⅳ.①TN915

    ISBN 978-7-121-36672-7

    边缘计算方法与工程实践张骏主编.—北京：电子工业出版社，2019.7

    图书在版编目(CIP)数据

    版权所有，侵权必究。

    未经许可，不得以任何方式复制或抄袭本书之部分或全部内容。

    开发工程师学习，也适合相关领域的开发人员和科研人员参考。

    本书适合有一定理论基础的从业者、研究者或高校师生阅读，尤其适合在行业内进行边缘计算应用的

    也进行了阐述和探讨，通过抛砖引玉，希望触发业界深入思考如何推进边缘计算大规模商用开发部署。

    者进一步掌握边缘计算架构设计的方法和理念。同时，本书对边缘计算的前景、发展趋势以及面临的挑战

    过大量的工程应用实例，将边缘计算从抽象的概念联系到实际应用，加深读者对边缘计算的理解，并使读

    理、基础架构、软件架构、安全管理等方面都进行了深入剖析，并对业界的发展现状进行了全面介绍。通

    本书以工程实践为导向，详细阐述和分析了边缘计算的整体技术细节。本书对边缘计算的概念、原

    改、加工、传播自负法律后果。

    本书仅供个人学习之用，请勿用于商业用途。如对本书有兴趣，请购买正版书籍。任何对本书籍的修

    内容简介编委会

    特邀顾问 (按姓氏拼音排序)

    傅富明 李洁 周翔 宗劼

    主编

    张骏

    副主编

    祝鲲业 陆科进 问治国 周超 刘敬 吴敏

    编委 (按姓氏拼音排序)

    白宇 陈刚 陈海彪 陈羿函 冯景辉 高明 郭耿翔 胡志明 黄舒泉 阚红 孔德超 梁海奇 刘丹 陆晴 罗家鹏 沈晓

    晨 斯文 孙法东 王晨光 武正辉 徐杰 许振华 张华键 张磊 张志杰 赵杰 周书贤 朱大义 邹宁推荐序一

    图灵奖得主David Patterson与John Hennessy认为，未来十年将是计算机体系结构新的黄金时代。确实如

    此，互联网和云计算从业人员是幸运的，经历了搜索引擎、电子商务、社交网络等互联网应用带来的超大

    规模计算架构的快速发展，当前正处在云计算大行其道的洪流之中，并期待着AI产业跨越核心技术的鸿

    沟。我们深感计算架构的迭代如此之快，新想法和新技术层出不穷、百花齐放，我们可以痛快地在工作和

    学习中汲取营养，快速提升认知。而当下，边缘计算正是其中热度最高的技术领域之一，学术界和产业界

    看到“云-边-端”协同将带来更广阔的想象空间，边缘计算的时代即将到来，未来计算将无处不在。

    该书作者所在的团队专门从事边缘计算研究和实践，并且重点关注边缘计算软、硬件协同设计，根据

    边缘计算的特定应用场景已设计了一系列的硬件产品。也正是因为在实际项目中的合作，有幸结识作者及

    其团队的技术专家。作者不仅对计算架构有深刻理解，也通过和互联网企业的长期合作，积累了大量的实

    践经验，并将这个领域相关的知识和实践编纂成书。

    边缘计算正处于快速发展和不断进化的过程中，因此，学术界、产业界等不同领域的同仁对边缘计算

    的理解会略有不同，往往容易造成困惑，但本质都是在靠近数据源的网络边缘某处就近提供服务。作者通

    过广泛接触行业应用，获得一手的信息和资料，从云计算、产业互联网的角度给读者全新的呈现。该书涵

    盖边缘计算的原理、计算架构、软件架构和应用场景，对于希望全面了解边缘计算相关技术的互联网从业

    人员，无疑是比较好的参阅资料。相信读者即便不是从业人员，通过本书也可以理解互联网、云计算的相

    关技术。

    伴随着5G和AI的脚步临近，相信5G会给边缘计算带来更广阔的外延，AI会给边缘计算带来更丰富的场

    景。我邀请大家跟我们一起来探讨边缘计算的无限可能，并且在实践中解决具体问题，共同推动产业的进

    步。最后，衷心祝贺此书的出版!

    刘宁

    百度系统部总监推荐序二

    当2006年亚马逊正式推出EC2服务时，全世界第一次真实感受到了云计算服务，也把我们带入了“云”的

    时代。从那时起，我们开始尝试和体验各种类型的云服务，也开始接受云服务对我们生活的改变。经过十

    多年的发展，我们已经完全接受云服务，正如当初我们接受互联网一样。

    技术永远都在不断进步。当互联网已经成为我们生活的一部分，当云服务已经如同我们使用的水和电

    一样方便的时候，未来还有什么新的技术方向在等待着我们？随着5G和IPv6的建设、发展和普及，互联网

    会进入下一个发展阶段——IoT(Internet of Things)。因为我们将依赖互联网和5G高速接入网络实现万物

    互联，让互联网从计算机、平板、智能手机延伸到我们身边的每一个智能终端设备，更加深入生活的方方

    面面。云计算作为基础设施服务，如何适应万物互联，如何适应AI全面发展，如何适应人们对美好生活向

    往的要求，成为我们要面对的挑战。让云服务更加靠近边缘，让计算、存储、网络延展到互联网的边缘甚

    至每个家庭的互联网网关上，就是云计算发展的未来。CDN服务将网站的集中式访问拓展到边缘，将互联

    服务从中心化服务延展到网络边缘，实现网站的存储、网络边缘化，进而推动和支撑了互联网的快速发

    展。边缘计算将现在的计算能力边缘化，将成为云计算发展的一个必然趋势。

    虽然边缘计算是未来云计算发展的方向，但目前它还是一个新的概念，正如本书所说，对于边缘计算

    的定义，目前业界还没有一个统一的严格定义。边缘计算正处在百家争鸣的发展时期，我才更觉得本书的

    出版对这个领域的发展具有深远意义。

    本书从边缘计算的演变和概念切入，让读者充分理解边缘计算并不是云计算简化版的边缘化部署，也

    不是为了颠覆云计算而横空出世的杀手级服务，它是为了让云计算能更加广泛地满足未来5G的发展和AI市

    场的需求而诞生的。书中围绕边缘计算的基础技术架构、软件架构、网络架构、存储架构等各个方面，进

    行了深入浅出的阐述，详细说明边缘计算的各种类型，让读者从理论上对边缘计算能有一个清晰的认识和

    理解。在云计算当中，安全服务已经越来越受到关注，所以我们在研究边缘计算的时候，从一开始就要考

    虑如何在广泛分布的边缘计算节点上规划好安全管理工作，做到未雨绸缪。正是从这一点出发，书中用了

    大量篇幅对边缘计算的相关安全管理进行了系统化的分析。本书还有一个非常大的特点，就是不仅仅从理

    论上对边缘计算进行研究和分析，还从众多行业领先企业的视角出发，通过大量的最新应用实践展现出缤

    纷灿烂的行业画卷，让读者感受到更加真实的技术应用场景，从而激发出更大的创造力。

    在20年前，当我们开始研究边缘计算的第一种业务形态——CDN的时候，没有任何关于CDN方面的专

    业书籍；在10年前，当我们开始研究云计算的时候，也没有太多的专业书籍可供学习和参考，更不要说行

    业实践案例，一切都是边做边学，摸着石头过河。在边缘计算刚刚出现的今天，就有这样一本能从理论和

    实践两个方面对边缘计算进行全面介绍的书籍，相信一定会对这个行业的技术发展起到巨大的推动作用。

    宗劼

    金山云CDN及视频云产品中心总经理推荐序三

    1946年，第一代电子管计算机——ENIAC(The Electronic Numerical Integrator And Computer)在费城

    公诸于世，标志着现代计算机的诞生。从此以后在不到一个世纪的人类发展史上，以数据为基础、以网络

    为媒介、以计算为核心的科技发展以迅雷不及掩耳的速度极速发展，日新月异。特别是进入新世纪的近二

    十年以来，全球进入了移动互联网时代，人与人、人与物之间的数据井喷，产生的数据量相当于过去数世

    纪的数据量的总和，并持续以指数级的数量增加。以大数据处理为核心的云计算服务取代过去以终端计算

    为核心的服务，并迅速为全世界所接受。特别是2006年亚马逊正式推出了EC2的服务，标志着人类进入

    了“云”的时代。以计算、软件、网络、终端等为核心业务的各类企业开始纷纷转型，并为不同行业和个人

    提供各类云服务，诞生了亚马逊、微软、阿里巴巴等云服务全球领导者。经过十多年的发展，云服务已经

    影响到企业和个人生活的方方面面。

    随着5G技术的不断成熟和即将商业落地，过去主要以人与人、人与物之间进行互联的互联网技术开始

    朝向万物互联的方向发展，特别是在物与物之间进行互联，人类开始进入工业互联网时代。2018年，富士

    康工业互联网公司成功在A股上市，吹响了传统企业向工业互联网全面转型的号角。在工业互联网时代，每

    个设备都将成为整个运算架构的一分子，不仅是数据的生产者，也是数据的消费者。但每个设备、每个过

    程产生数据的方式可能不同，大小可能相异，格式更是五花八门，如何处理这些大量异构的数据将是工业

    互联网时代亟须解决的难题。同时每个设备联网方式不一，无线网络和有线网络并存，甚至还有各种孤岛

    设备，如何确保不同的联网设备和孤岛设备能够实现实时数据交换，是工业互联网时代另外一个需要解决

    的难题。更为关键的是，工业互联网时代的每个设备的数据或因安全问题，或因数据的实时性问题，需要

    在本地进行即时处理，否则将可能导致数据处理的滞后或生产数据的丢失。因此，在工业互联网时代，如

    何对“六流”(人流、物流、过程流、金流、讯流、技术流)过程中所产生的异构数据同构化，并且进行实

    时安全的处理，如何通过DT(Data Technology)、AT (Analytical Technology)、PT(Platform

    Technology)、OT(Operation Technology)等四类不同数据分析手段对数据进行分析处理，并且进行深度

    学习，是我们需要面对的挑战，解决之道就是边缘计算。

    边缘计算的雏形其实早在20年前就已经以CDN的方式出现，其主要业务形态是内容存储和网络分发，并没有对计算有特别的要求。随着大数据的爆发和物联网的广泛应用，边缘的内涵和外延开始不断拓展，场景也不断扩大，特别是工业互联网的到来，网络边缘已经延伸到人们的衣食住行各个方面，诞生了智慧

    出行、智慧城市、智慧家居、智慧工厂等各种不同的边缘应用场景。过往“云-端”架构在网络类型和带宽、数据实时、安全可控等方面已经不能满足要求，高稳定、高效能、大带宽和低时延将会是整个边缘计算的

    基本需求。以计算为核心内涵的边缘计算作为一个独立的概念在最近几年被正式提出并得到广泛响应与应

    用，“云-端”架构被“云-边-端”架构正式取代。通过边缘计算，把云和端联系起来，把云计算服务延伸至边

    缘，实现计算的本地化、边缘化，数据的同构化，同时减少云与端之间数据的海量传输，实现安全可控的

    数据处理，快速推动和支撑工业互联网时代的快速发展。

    边缘计算是一个比较广泛的概念，每家都有各自对边缘计算定义的理解，该书作者充分研究了边缘计

    算的发展和现状，并且对各种边缘计算的模型和定义分别进行了分析和阐述，同时提炼了边缘计算的本质

    和共性，即：在靠近数据源的网络边缘某处就近提供服务。该书紧密围绕边缘计算这个核心主题，深度阐

    明了边缘计算的原理和基本特征，并深入分析了“云-边-端”模型中的云计算与边缘计算服务的区别和联系。

    同时分别就边缘计算的基础技术架构、网络架构、存储架构、软件架构以及信息安全等方面进行重点分析

    和阐述，并对边缘计算所适用的各类场景进行深入研究、分析和探讨，力图让读者可以对边缘计算有一个

    清晰的认识和理解。此外，边缘计算不只会带来硬件层面的升级，同时也会提高存取性能、效率、性价比

    与数据用量，推动整个产业生态链的演化。该书作者通过充分调研走访，图文并茂、深入浅出地对各个行

    业领先企业在边缘计算的最新具体实践进行介绍，如专注于SMT智能制造和工业互联网业务的富士康旗下

    子公司海纳智联科技有限公司在SMT工业互联网方面的最新实践等，力图让读者能够感受到最新的技术实

    践以及行业生态，为行业中不同的企业和客户提供参考，让读者知道边缘计算不只是高科技产业的专利，也是未来中小企业与传统产业向数字化和智能化转型升级的关键要素，从而激发更大的灵感和创新。

    如今，以计算为核心内涵的边缘计算在蓬勃发展，该书不仅仅从边缘计算的理论和架构方面进行了系

    统阐述，还从行业实践角度进行了全面介绍。衷心祝贺此著作的出版!相信该书的出版对边缘计算领域有

    着深刻的指导意义，同时也会对边缘计算领域的技术发展和行业指导起到巨大的推动作用。在此祝福所有行业的朋友，能为边缘运算的发展做出更大的贡献!

    傅富明

    富士康科技集团服务器事业群总经理

    兼海纳智联科技有限公司董事长，IPC董事前言

    在过去的两年中，边缘计算在学术界和产业界受到广泛热议，成为占据业界各大技术峰会、媒体、技

    术博客、论坛热搜的关键词。这也可能正是你会关注到本书的原因之一。边缘计算概念最早可以追溯到

    2003年，AKAMAI与IBM公司合作，在WebSphere服务器上提供基于边缘的服务。历经10余年的迭代演进，产业界逐渐形成以互联网云服务企业、工业互联网企业、通信运营商和设备商的三大阵营，并领跑边缘计

    算规范制定和商业开发部署。互联网云服务企业以消费物联网为主要阵地，将公有云服务能力延伸到网络

    边缘侧，用于满足低时延、大带宽、多连接的新型业务需求；工业互联网企业发挥自身工业网络连接及其

    平台服务领域的优势，在网络边缘侧加强算力、储存、安全管理体系建设，实现IT技术与OT技术的深度融

    合；通信运营商和设备商以边缘计算为突破口，发力于网络架构和通信设备设计变革，开放接入侧网络能

    力，为万物互联数据提供新生产模式和消费模式的服务能力。

    2018年7月，现任英特尔数据中心集团中国区总经理周翔，在百度AI开发者大会上与电子工业出版社宋

    亚东编辑就边缘计算发展机遇与挑战进行了交流，同时了解到当前系统介绍边缘计算设计方法和工程开发

    案例的书籍非常匮乏，国内中文资源的书籍或详细材料较为少见。为给边缘计算在国内加速发展添砖加

    瓦，在周翔总经理的引荐下，本书主编从此开启了撰写工作。为使内容尽可能达到学术理论全而广、工程

    案例精而深的目标，还成立了编写本书的专案小组。专案小组成员来自英特尔公司技术带头人和技术一线

    的软、硬件开发设计师，他们多年工作在工业互联网、通信网络和设备以及数据中心云服务架构设计领

    域，拥有丰富的理论和实践经验。小组成员利用工作之余熬夜编写，确保了本书顺利面世。

    在本书编写过程中，部分国内学术界和产业界联盟在各自领域陆续发布了边缘计算框架规范或白皮

    书。专案小组对其进行了深入研究和探讨，将这些分散于工业互联网、通信网络、通信设备、互联网和物

    联网的技术内容进行系统梳理，帮助读者从全局的视角理解边缘计算架构。同时，本书中多数工程开发案

    例来自工作伙伴和客户的联合工程开发项目或客户开源工程项目的产出。案例内容按理论架构、设计方法

    以及业务测试验证三大部分进行描述，利于读者从理论学习迈向工程实践。在本书编写中后期，业界三大

    阵营的合作伙伴技术代表加入本书的编委会，对本书内容进行了精心的审校和修改。本书集边缘计算各阵

    营所成，以编委会提出的“云-边-端”完整方案思想为指导，内容融会贯通，希望为业界加速边缘计算商业化

    步伐有所启发和帮助。

    考虑到有关边缘计算方面的中文书籍较少，编者希望能从理论和应用相结合的角度，对边缘计算相关

    知识进行较为全面的梳理。本书既可以作为初级读者的入门书籍，也适合中级读者加深理论知识的系统理

    解，对于从理论走向实践的边缘计算工程开发者也有较高的参考价值。本书共6章。第1章对边缘计算进行

    综述，涉及边缘计算的发展历史、契机、现状、定义和架构原理。第2章详细介绍边缘计算网络、存储、计

    算基础资源架构技术以及架构设计准则。总结了边缘计算与云、大数据、人工智能、5G等前沿技术的融

    合。第3章系统介绍边缘计算软件架构设计，内容涵盖云原生、微服务、容器化、虚拟化、管理编排技术、边缘操作系统和平台服务系统等。第4章介绍边缘计算安全管理架构、理论技术，并列举了基于区块链的边

    缘计算安全案例分析。同时，对边缘计算资源受限环境下的微处理器安全架构设计也进行了重点介绍。第5

    章分享了9个典型的边缘计算工程案例，包括智慧城市、无人零售和自动驾驶案例，智能家居和智慧医疗案

    例，工业互联网领域的智能工厂和智能电网案例，边缘CDN和Kata Container边缘安全案例以及通信领域

    uCPE通用客户端边缘设备案例。工程案例横跨边缘计算三大阵营，从理论架构深入工程设计、开发部署。

    第6章是边缘计算展望，对边缘计算大规模商业部署面临的挑战和机遇进行了分析，讨论了未来关键技术和

    应用场景的趋势和特点，并以百度边缘计算“OTE”平台为典型例子，探讨了未来边缘计算“云-边-端”整体方

    案架构的演进方向。

    边缘计算在未来几年将进入高速发展阶段，很多更先进的理论技术和架构设计方法势必会不断涌现，本书无法包罗当前边缘计算的方方面面。由于编者水平和精力所限，书中难免有错漏之处，承蒙各位读者

    不吝告知，若对本书有任何疑问或建议，烦请通过邮箱jun.z.zhang@me.com进行反馈。

    致谢

    在此谨代表本书撰写专案小组感谢为本书做出贡献的每一个人。

    在本书的编写过程中，得到了编委会中各位行业专家的点拨与指导，感谢每一位编委对本书的大力支

    持。借此，特别感谢编委会四位技术顾问：英特尔数据中心集团中国区总经理周翔先生，金山云CDN及视频云产品中心总经理宗劼先生，富士康科技集团服务器事业群总经理兼海纳智联科技有限公司董事长、IPC

    董事傅富明先生，开放数据中心委员会副主席李洁博士，感谢他们在百忙之中抽时间提出了很多宝贵意

    见，并为本书写序或推荐语。同时，特别感谢百度系统部总监刘宁先生为本书写序，以及对英特尔和百度

    边缘计算合作项目的大力支持；特别感谢英特尔全球大客户销售总经理张哲源先生、英特尔数据中心云计

    算事业部中国区总经理李尔成先生、英特尔云平台技术部门英特尔Fellow Mohan Kumar先生和英特尔资深

    Principal Engineer Nishi Ahuja女士为本书写推荐语。

    在本书的编写过程中，还从以下合作伙伴获得了极大帮助，在此表示衷心的感谢：电子工业出版社的

    宋亚东编辑，英特尔云边缘计算开发小组成员杜连昌、夏宇阳，英特尔公司的杨锦文、宋仲儒、贾培、吕

    荟晶、岳圆、应蓓蓓、张杰、彭翔宇，九州云的张敏、蒋暕青，百度的王均、符气康、范晓晋，富士康的

    郭利文，康佳特科技的林忠义、储圣杰。

    在此，我再次感谢本书撰写专案小组成员：祝鲲业、陆科进、问治国、周超、刘敬、吴敏，感谢大家

    在本书编写过程中齐心协力、相互支持。

    最后，非常感谢我的家人对我工作的理解和支持，他们在我写作的过程中给予了很大的照顾和鼓励，也是激励我完成本书写作的最大动力。

    张骏

    2019年7月于上海

    读者服务

    轻松注册成为博文视点社区用户(www.broadview.com.cn)，扫码直达本书页面。

    · 提交勘误：您对书中内容的修改意见可在“提交勘误”处提交，若被采纳，将获赠博文视点社区积分

    (在您购买电子书时，积分可用来抵扣相应金额)。

    · 交流互动：在页面下方“读者评论”处留下您的疑问或观点，与我们和其他读者一同学习交流。

    页面入口：http：www.broadview.com.cn36672目录

    编委会

    推荐序一

    推荐序二

    推荐序三

    前言

    第1章 边缘计算综述

    1.1 边缘计算概述和定义

    1.1.1 边缘计算简介

    1.1.2 边缘计算发展历史

    1.1.3 边缘计算发展契机

    1.1.4 边缘计算发展现状

    1.1.5 边缘计算定义

    1.2 边缘计算原理

    1.2.1 边缘计算基本结构和特点

    1.2.2 业界新技术一览

    参考文献

    第2章 边缘计算基础资源架构技术

    2.1 边缘计算与前沿技术的关联和融合

    2.1.1 边缘计算和云计算

    2.1.2 边缘计算和大数据

    2.1.3 边缘计算和人工智能

    2.1.4 边缘计算和5G

    2.1.5 边缘计算和物联网

    2.2 边缘计算优势、覆盖范围和基础资源架构准则

    2.2.1 边缘计算优势

    2.2.2 边缘计算覆盖范围

    2.2.3 边缘计算基础资源架构准则

    2.3 边缘计算架构

    2.3.1 边缘计算架构的组成

    2.3.2 边缘计算平台架构

    2.3.3 边缘计算平台架构选型

    2.3.4 机器学习在边缘计算架构中的演进

    2.4 边缘计算相关网络

    2.4.1 通信网络

    2.4.2 边缘计算网络需求

    2.4.3 边缘计算网络发展趋势

    2.4.4 国内运营商网络演进

    2.4.5 小结

    2.5 边缘存储架构2.5.1 什么是边缘存储

    2.5.2 边缘存储的优势

    2.5.3 边缘数据和存储类型

    2.5.4 边缘分布式存储

    参考文献

    第3章 边缘计算软件架构

    3.1 云原生

    3.1.1 云原生的诞生

    3.1.2 单体架构和基于微服务的云原生架构

    3.2 微服务

    3.2.1 微服务的架构组成

    3.2.2 边缘计算中的微服务

    3.3 边缘计算的软件系统

    3.3.1 边缘的硬件基础设施

    3.3.2 容器技术

    3.3.3 容器虚拟化

    3.3.4 容器管理编排和Kubernetes

    3.3.5 边缘平台操作系统

    3.3.6 基于StarlingX的边缘云平台

    参考文献

    第4章 边缘计算安全管理

    4.1 信息系统安全概述

    4.1.1 安全目标

    4.1.2 平台安全

    4.2 边缘计算安全

    4.2.1 核心设施安全

    4.2.2 边缘服务器安全

    4.2.3 边缘网络安全

    4.2.4 边缘设备安全

    4.3 边缘计算安全技术分析

    4.3.1 数据保密

    4.3.2 数据完整性

    4.3.3 安全数据计算

    4.3.4 身份认证

    4.3.5 访问控制

    4.3.6 隐私保护

    4.4 边缘计算安全威胁现状与发展

    4.5 边缘计算轻量级可信计算硬件发展

    4.5.1 基于加密体制的身份认证硬件设计

    4.5.2 物理不可克隆的硬件设计

    4.5.3 数据安全硬件设计4.6 边缘计算安全技术应用方案

    4.6.1 雾计算中边缘数据中心的安全认证

    4.6.2 雾计算系统在无人机安全领域的应用

    4.6.3 边缘计算中区块链安全技术在车辆自组织架构中的应用

    参考文献

    第5章 边缘计算应用案例

    5.1 智慧城市和无人零售

    5.1.1 智慧城市的边缘云计算应用

    5.1.2 新零售中的边缘云计算应用

    5.1.3 边缘计算在无人零售中的应用

    5.1.4 边缘计算在无界零售中的应用

    5.2 自动驾驶

    5.2.1 边缘计算在自动驾驶中的应用场景

    5.2.2 自动驾驶的边缘计算架构

    5.2.3 案例分析

    5.3 智能电网

    5.4 智慧医疗

    5.4.1 智慧医疗背景

    5.4.2 智慧医疗发展情况

    5.4.3 边缘计算加速智慧医疗落地

    5.4.4 边缘计算在智慧医疗中的应用场景

    5.4.5 智慧医疗的边缘计算架构

    5.4.6 案例分析

    5.5 智能家居

    5.5.1 智能家居应用场景

    5.5.2 智能家居发展现状

    5.5.3 智能家居的边缘计算架构

    5.5.4 案例分析

    5.6 智能工厂

    5.6.1 边缘计算在智能工厂中的应用场景

    5.6.2 智能制造的边缘计算架构

    5.6.3 案例分析

    5.7 边缘CDN应用

    5.7.1 边缘CDN技术演进

    5.7.2 边缘CDN市场背景

    5.7.3 边缘CDN工程设计实例

    5.8 uCPE通用客户端边缘设备

    5.8.1 uCPE主要支持业务

    5.8.2 uCPE一站式开放架构和参考方案

    5.8.3 uCPE硬件白盒方案

    5.8.4 uCPE软件参考SDK5.8.5 案例分析

    5.9 Kata Containers百度边缘网络计算应用

    5.9.1 百度边缘网络计算架构

    5.9.2 百度计算容器框架

    5.9.3 Kata Containers应用在边缘反爬取安全案例

    5.9.4 Kata Containers百度边缘网络安全技术迭代方向

    参考文献

    第6章 边缘计算发展展望

    6.1 边缘计算规模商用部署面临的挑战

    6.2 边缘计算核心技术走势

    6.2.1 SDN发展趋势

    6.2.2 信息中心网络

    6.2.3 服务管理

    6.2.4 算法执行框架

    6.2.5 区块链

    6.3 边缘计算未来发展典型场景探讨

    6.3.1 智能家居发展趋势

    6.3.2 智慧医疗未来场景

    6.3.3 智能制造发展趋势

    6.3.4 边缘计算赋能视频行业

    6.4 边缘计算前沿整体方案展望和探讨

    6.4.1 OTE标准参考架构

    6.4.2 应用案例：OTE边缘加密

    6.4.3 OTE展望和探讨

    参考文献

    反侵权盗版声明第1章 边缘计算综述

    随着物联网的兴起以及云服务的普及，边缘计算以一种新的计算模式热点出现在公众视野中。从2014

    年开始，“什么是边缘计算？”逐渐成为业界热议的课题，出现了边缘计算研究、标准定义百家争鸣的局

    面。进入2017年，业界趋同的定义在各大学术会议以及期刊中呈现。与此同时，边缘计算的工程开发和商

    业落地已经拉开大幕。本章对边缘计算进行概述，内容包括边缘计算发展历史、现状和契机，相关的前沿

    技术，业界对边缘计算的定义，以及边缘计算的研究和开发成果。

    1.1 边缘计算概述和定义

    1.1.1 边缘计算简介

    边缘计算采用一种分散式运算的架构，将之前由网络中心节点处理的应用程序、数据资料与服务的运

    算交由网络逻辑上的边缘节点处理。边缘计算将大型服务进行分解，切割成更小和更容易管理的部分，把

    原本完全由中心节点处理的大型服务分散到边缘节点。而边缘节点更接近用户终端装置，这一特点显著提

    高了数据处理速度与传送速度，进一步降低时延。边缘计算作为云计算模型的扩展和延伸，直面目前集中

    式云计算模型的发展短板，具有缓解网络带宽压力、增强服务响应能力、保护隐私数据等特征；同时，边

    缘计算在新型的业务应用中的确起到了显著的提升、改进作用。在智慧城市、智能制造、智能交通、智能

    家居、智能零售以及视频监控系统等领域，边缘计算都在扮演着先进的改革者形象，推动传统的“云到

    端”演进为“云-边-端”的新兴计算架构。这种新兴计算架构无疑更匹配今天万物互联时代各种类型的智能业

    务。

    1.1.2 边缘计算发展历史

    20世纪90年代，Akamai公司首次定义了内容分发网络(Content Delivery Network，CDN)。这一事件

    被视为边缘计算的最早起源。在CDN的概念中，提出在终端用户附近设立传输节点，这些节点被用于存储

    缓存的静态数据，如图像和视频等。边缘计算通过允许节点参与并执行基本的计算任务，进一步提升了这

    一概念。1997年，计算机科学家Brian Noble成功地将边缘计算应用于移动技术的语音识别，两年后边缘计

    算又被成功应用于延长手机电池的使用寿命。这一过程在当时被称为“Cyber foraging”，也就是当前苹果Siri

    和谷歌语音识别的工作原理。1999年，点对点计算(Peer to Peer Computing)出现。2006年，亚马逊公司发

    布了EC2服务，从此云计算正式问世，并开始被各大企业纷纷采用。在2009年发布的“移动计算汇总的基于

    虚拟机的Cloudlets案例”中，时延与云计算之间的端到端关系被详细介绍和分析。该文章提出了两级架构的

    概念：第一级是云计算基础设施，第二级是由分布式云元素构成的Cloudlet。这一概念在很多方面成为现代

    边缘计算的理论基础。2013年，“雾计算”由思科(Cisco)带头成立的OpenFog组织正式提出，其中心思想

    是提升互联网可扩展性的分布式云计算基础设施。2014年，欧洲电信标准协会(ETSI)成立移动边缘计算

    规范工作组，推动边缘计算标准化。旨在为实现计算及存储资源的弹性利用，将云计算平台从移动核心网

    络内部迁移到移动接入边缘。ETSI在2016年提出把移动边缘计算的概念扩展为多接入边缘计算(Multi-

    Access Edge Computing，MEC)，将边缘计算从电信蜂窝网络进一步延伸至其他无线接入网络，如Wi-Fi。

    自此，MEC成为一个可以运行在移动网络边缘的执行特定任务计算的云服务器。

    在计算模型的演进过程中，边缘计算紧随面向数据的计算模型的发展。数据规模的不断扩大与人们对

    数据处理性能、能耗等方面的高要求正成为日益突出的难题。为了解决这一问题，在边缘计算产生之前，研究学者们在解决面向数据传输、计算和存储过程的计算负载和数据传输带宽的问题中，已经开始探索如

    何在靠近数据的边缘端增加数据处理功能，即开展由计算中心处理的计算任务向网络边缘迁移的相关研

    究，其中典型的模型包括：分布式数据库模型、P2P(Peer to Peer)模型、CDN模型、移动边缘计算模型、雾计算模型及海云计算模型。

    1.分布式数据库模型

    分布式数据库系统通常由许多较小的计算机组成，这些计算机可以被单独放置在不同的地点。每台计

    算机不仅可以存储数据库管理系统的完整拷贝副本或部分拷贝副本，还可以具有自己的局部数据库。通过

    网络将位于不同地点的多台计算机互相连接，共同组成一个具有完整且全局的、逻辑上集中、物理上分布的大型数据库系统。分布式数据库由一组数据构成，这组数据分布在不同的计算机上，计算机可以成为具

    有独立处理数据管理能力的网络节点，这些节点执行局部应用，称为场地自治。同时，通过网络通信子系

    统，每个节点也能执行全局应用。

    在集中式数据库系统计算基础上发展起来的分布式数据库系统有如下特性：数据独立性、数据共享

    性、适当增加数据冗余度，以及数据全局一致性、可串行性和可恢复性等。

    (1)数据独立性。集中式数据库系统中的数据独立性包括数据逻辑独立性和数据物理独立性两个方

    面，即用户程序与数据全局逻辑结构和数据存储结构无关。在分布式数据库系统中，还包括数据分布独立

    性，即数据分布透明性。数据分布透明性是指用户不必关心以下数据问题：数据的逻辑分片、数据物理位

    置分布的细节、数据重复副本(冗余数据)一致性问题以及局部场地上数据库支持哪种数据模型。

    (2)数据共享性。数据库是多个用户的共享资源，为了保证数据库的安全性和完整性，在集中式数据

    库系统中，对共享数据库采取集中控制，同时配有数据库管理员负责监督，维护系统正常运行。在分布式

    数据库系统中，数据的共享有局部共享和全局共享两个层次。局部共享是指在局部数据库中存储局部场地

    各用户常用的共享数据。全局共享是指在分布式数据库系统的各个场地也同时存储其他场地的用户常用共

    享数据，用以支持系统全局应用。因此，对应的控制机构也具有集中和自治两个层次。

    (3)适当增加数据冗余度。尽量减少数据冗余度是集中式数据库系统的目标之一，这是因为冗余数据

    不仅浪费存储空间，而且容易造成各数据副本之间的不一致性。集中式数据库系统不得不付出一定的维护

    代价来减少数据冗余度，以保证数据一致性和实现数据共享。相反，在分布式数据系统中却希望适当增加

    数据冗余度，即将同一数据的多个副本存储在不同的场地。适当增加数据冗余度不仅可以提升分布式数据

    系统的可靠性、可用性，即当某一场地出现故障时，系统可以对另一场地上的相同副本进行操作，以避免

    因为一处发生故障而造成整个系统的瘫痪。必要的冗余数据还可以提高分布式数据系统的性能，即系统通

    过选择离用户最近的数据副本进行操作，降低通信代价，提升系统整体性能。但冗余副本之间数据不一致

    的问题仍然是分布式数据库系统必须要着力解决的问题。

    (4)数据全局一致性、可串行性和可恢复性。在分布式数据库系统中，各局部数据库不仅要达到集中

    式数据库的一致性、并发事务的可串行性和可恢复性要求，还要保证达到数据库的全局一致性、全局并发

    事务的可串行性和系统的全局可恢复性要求。

    2.P2P模型

    对等网络(P2P)是一种新兴的通信模式，也称为对等连接或工作组。对等网络定义每个参与者都可以

    发起一个通信对话，所有参与者具有同等的能力。在对等网络上的每台计算机具有相同的功能，没有主从

    之分，没有专用服务器，也没有专用工作站，任何一台计算机既可以作为服务器，又可以作为工作站，如

    图1-1所示为对等网络拓扑。

    图1-1 对等网络拓扑

    当前的通信模式还有ClientServer、BrowseServer和SlaveMaster等。例如，企业局域网都是

    ClientServer、BrowseServer模式，而早期的主机系统则采用SlaveMaster模式。这些模式的共同特点是在网

    络中必须有应用服务器，通过应用服务器处理用户请求，完成用户之间的通信，以应用为核心。而在对等

    网络中，用户之间则可以进行直接通信，实现共享资源，完成协同工作。对等网络可以在现有的网络基础

    上通过软件实现，目前它正在Internet上得到推广。一组用户可以通过相同的互联软件进行联系，也可以直

    接访问其他同组成员硬件设备上的文件。

    P2P的特点包括非中心化、可扩展性、健壮性、高性价比及隐私保护。

    (1)非中心化。在所有节点上分散网络资源和网络服务，以实现在节点之间进行信息传输和服务实

    现，不需要中间服务器的介入，可成功避免可能的数据处理瓶颈。(2)可扩展性。在P2P中，随着用户的不断加入、服务需求的不断增加，系统的整体资源和服务能力

    得以同步扩充和提高。新用户的加入可以提供服务和资源，更好地满足了网络中用户的需求，促进分布式

    体系的实现。

    (3)健壮性。耐攻击和高容错是P2P架构的两大优点。在通常以自组织方式建立起来的P2P中，结点被

    允许自由地加入和离开。不同的P2P可以采用不同的拓扑构造方式，并且拓扑结构可根据网络带宽、节点

    数、负载等变化不断地进行自适应调整和优化。分散在各个节点间完成服务可以大大降低部分节点或网络

    破坏的影响程度，即便部分节点或网络遭到破坏，对其他部分的影响也很小。

    (4)高性价比。由于互联网中散布大量普通节点，P2P可以有效地利用这些节点完成计算任务或资料

    存储。通过利用互联网中闲置的计算能力、存储空间，得以实现高性能计算和海量存储的目的。

    (5)隐私保护。在P2P中，信息的传输并不需要经过某个集中环节而是在各个节点之间进行的，这样

    大大降低了用户隐私信息被窃听和泄露的可能性。目前，主要采用中继转发的技术方法来解决Internet隐私

    问题，即将通信的参与者隐藏在众多的网络实体之中。在传统的匿名通信系统中，必须通过某些中继服务

    器节点来实现这一机制。而在P2P中，网络上的所有参与节点都可以提供中继转发功能，从而使得匿名通信

    的灵活性大大提高，能够为用户提供更好的隐私保护。

    3.CDN模型

    CDN提出在现有的Internet中添加一层新的网络架构，更接近用户，被称为网络边缘。网站的内容被发

    布到最接近用户的网络“边缘”，用户可以就近取得所需的内容，从而缓解Internet网络拥塞状况，提高用户

    访问网站的响应速度，从技术上全面解决由于网络带宽小、用户访问量大、网点分布不均等原因造成的网

    站的响应速度慢的问题。CDN拓扑和集中单点服务器拓扑对比如图1-2所示。

    图1-2 CDN拓扑和集中单点服务器拓扑对比

    从狭义角度讲，CDN以一种新型的网络构建方式，在传统的IP网中作为特别优化的网络覆盖层用于大

    宽带需求的内容分发和储存。从广义角度讲，CDN是基于质量与秩序的网络服务模式的代表。简单地说，CDN成为一个策略性部署的整体系统需要具备4个要件：分布式存储、负载均衡、网络请求重定向和内容管

    理。而内容管理和全局网络流量管理构成CDN的两大核心。CDN基于用户就近原则和服务器负载管理，为

    用户的请求提供极为高效的服务。概括地说，CDN的内容服务是基于位于网络边缘的缓冲服务器，即代理

    缓存。同时，代理缓存又是内容提供商源服务器的一个透明镜像。通常来讲，内容提供商源服务器位于

    CDN服务提供商的数据中心。这样的架构成功地帮助CDN服务提供商代表他们的客户，即内容提供商，向

    那些不能容忍有任何时延响应的最终用户提供尽可能好的用户体验。

    目前，亚马逊和Akamai等公司都拥有比较成熟的CDN技术。国内的CDN技术发展很快，不仅成功交付

    了期望的性能和用户体验，而且大大降低了提供商的组织运营压力。近年来，主动内容分发网络(Active

    Content Distribution Networks，ACDN)以一种新的体系结构模型被研究人员提出。ACDN改进了传统的

    CDN，根据需要将应用在各服务器之间进行复制和迁移，成功地帮助内容提供商避免了一些新算法的研究

    设计。

    清华大学团队设计和实现的边缘视频CDN是中国学术界研究CDN优化技术的一个经典案例，其提出通

    过数据驱动的方法组织边缘内容热点，基于请求预测服务器峰值转移的复制策略，实现把内容从服务器复

    制到边缘计算热点上，为用户提供服务。

    和早期提出的边缘计算不同，早期的“边缘”仅限于分布在世界各地的CDN缓存服务器，现在的边缘计

    算早已超出了CDN的范畴，边缘计算模型的“边缘”已经从边缘节点进化到了从数据源到云计算中心路径之

    间的任意计算、存储和网络资源。边缘计算也从早期CDN中的静态内容分发到更加强调计算功能。目前，随着各大公司研究资源的不断投入，相关的技术研究和研究人员的培养越来越受到重视，不再是以前的单

    纯“开发”。

    4.移动边缘计算模型

    移动边缘计算(Mobile Edge Computing，MEC)通过将传统电信蜂窝网络和互联网业务深度融合，大

    大降低了移动业务交付的端到端时延，进而提升用户体验，无线网络的内在能力被成功发掘。这一概念不

    仅给电信运营商的运作模式带来全新变革，而且促进新型的产业链及网络生态圈的建立。

    经评估，通过将应用服务器部署到无线网络边缘，可节省现有的应用服务器和无线接入网络间的回程

    线路上高达35%的带宽。越来越多的IP流量正在被游戏、视频和基于数据流的网页内容占据，这对移动网络

    提供好的用户体验提出了更高的要求。边缘云架构的使用可以成功地使用户端体验的网络时延降低50%。

    据Gartner公司报告，到2020年，全球联网的物联网设备将高达208亿台。以图像识别为例，若增加服务器处

    理时间50～100ms，可将识别准确率提高10%～20%。这等同于即使不改进现有的识别算法，仅应用移动边

    缘计算技术，即可通过降低服务器同移动终端之间的传输时延达到提升图像识别效果的目的。

    同时，依靠低时延、可编程性以及可扩展性等方面的优势，边缘计算正日益成为满足5G高标准要求的

    关键技术。移动边缘计算将服务和缓存从中心网络迁移到网络边缘，不仅成功缓解了中心网络的拥塞，还

    因为边缘网络的就近性为用户请求提供更高效的响应。

    在众所周知的移动技术难点中，任务迁移是其中之一。LODCO算法、分布式计算迁移、EPCO算法和

    LPCO算法，以及Actor模型等优化算法的运用，使得任务迁移得以成功实现。今天，在多种场景中可以见

    到移动边缘计算的应用，如车联网、物联网网关、辅助计算、智能视频加速、移动大数据分析等。

    通常的移动边缘终端设备被认为不具备计算能力，于是人们提出在移动边缘终端设备和云计算中心之

    间建立边缘服务器，将终端数据的计算任务放在边缘服务器上完成。而在移动边缘计算模型中，终端设备

    是具有较强的计算能力的。由此可见，移动边缘计算模型是边缘计算模型的一种，非常类似边缘计算服务

    器的架构和层次。

    5.雾计算模型

    雾计算(Fog Computing)是在2011年年初由哥伦比亚大学的斯特尔佛教授(Prof.Stolfo)首次提出的，旨在利用“雾”阻挡黑客入侵。2012年，雾计算被思科公司定义为一种高度虚拟化的计算平台，中心思想是

    将云计算中心任务迁移到网络边缘设备上。

    雾计算作为对云计算的补充，提供在终端设备和传统云计算中心之间的计算、存储、网络服务。L M

    Vaquero对雾计算进行了较为全面的定义：为了扩展基于云的网络结构，雾计算在云和移动设备之间引入中

    间层，而中间层则是由部署在网络边缘的雾服务器组成的“雾层”。云计算中心和移动用户之间的多次通信

    可以通过雾计算被成功避免。通过雾计算服务器，主干链路的带宽负载和耗能可以显著减少。当移动用户

    量巨大时，一些特定的服务的请求可以通过访问雾计算服务器中的缓存内容来完成。此外，因为雾计算服

    务器和云计算中心可以互联，所以云计算中心强大的计算能力和丰富的应用及服务可以被雾计算服务器使

    用。

    由于概念上的相似性，雾计算和边缘计算在很多场合被用来表示相同或相似的一个意思。两者的主要

    区分是雾计算关注后端分布式共享资源的管理，而边缘计算在强调边缘基础设施和边缘设备的同时，更关

    心边缘智能的设计和实现。

    6.海云计算模型

    在万物互联的背景下，待处理数据量将升至ZB级。这对信息系统的感知、传输、存储和处理的能力提

    出了更高的要求。针对这一挑战，2012年，中国科学院启动了10年战略优先研究倡议，被称为下一代信息

    与通信技术倡议(Next Generation Information and Communication Technology initiative，NICT)。倡议的主

    旨是要开展“海云计算系统项目”的研究，其核心是通过“云计算”系统和“海计算”系统的协同和集成，增强传

    统的云计算能力。其中，“海”端指由人类本身、物理世界的设备和子系统组成的终端(客户端)。

    “海云计算系统项目”的研究内容主要包括从整体系统结构层、数据中心级服务器及存储系统层、处理

    器芯片级等角度提出系统级解决方案，以实现面向ZB级数据处理的能效比现有技术提高1000倍的中心目

    标。

    由此可见，边缘计算的关注点包括从“海”到“云”数据路径之间的任意计算存储和网络资源。与边缘计算

    相比，海云计算关注的是“海”的终端设备，海云计算是边缘计算的一个子集实例。1.1.3 边缘计算发展契机

    从生态模式的角度看，边缘计算将是一种新的生态模式，它将网络、计算、存储、应用和智能等五类

    资源汇聚在网络边缘用以提升网络服务性能、开放网络控制能力，进而促进类似于移动互联网的新模式、新生态的出现。边缘计算的技术理念可以适用于固定互联网、移动通信网、消费物联网、工业互联网等不

    同场景，形成各自的网络架构增强，与特定网络接入方式无关。相对于2003年Akamai与IBM公司在

    WebSphere服务器上合作提供基于边缘的服务的雏形模式，边缘计算引发的新一轮热潮是内因和外力联合推

    动的结果。内因是云计算的中心化能力在网络边缘存在诸多不足；外力是消费物联网发展迅速，数字经济

    与实体经济结合的需求旺盛。随着网络覆盖的扩大、带宽的增强、资费的下降，万物互联触发了新的数据

    生产模式和消费模式。同时，工业互联网蓬勃兴起，实现IT技术与OT技术的深度融合，迫切需要在工厂内

    网络边缘处加强网络、数据、安全体系建设。具体分析如下：

    1.云计算的不足

    传统的云计算模式是在远程数据中心集中处理数据。由于物联网的发展和终端设备收集数据量的激

    增，会产生一些问题。首先，对于大规模边缘的多源异构数据处理要求，无法在集中式云计算线性增长的

    计算能力下得到满足。物联网的感知层数据处于海量级别，数据具有很强的冗余性、相关性、实时性和多

    源异构性，数据之间存在着频繁的冲突与合作。融合的多源异构数据和实时处理要求，给云计算带来了无

    法解决的巨大挑战。其次，数据在用户和云数据中心之间的长距离传输将导致高网络时延和计算资源浪

    费。云服务是一种聚合度很高的集中式服务计算，用户将数据发送到云端存储并处理，将消耗大量的网络

    带宽和计算资源。再次，大多数终端用户处于网络边缘，通常使用的是资源有限的移动设备，它们具有低

    存储和计算能力以及有限的电池容量，所以有必要将一些不需要长距离传输到云数据中心的任务分摊到网

    络边缘端。最后，云计算中数据安全性和隐私保护在远程传输和外包机制中将面临很大的挑战，使用边缘

    计算处理数据则可以降低隐私泄露的风险。

    以智能家居为例，不仅越来越多的家庭设备开始使用云计算来控制，而且还通过云计算实现家庭局域

    网内设备之间的互动。这使得过度依赖云平台的局域网设备会出现以下问题：

    1)一旦网络出现故障，即使家里仍然有电，设备也不能很好地控制了。例如通过手机控制家里的设

    备，手机在外网是需要通过透传的。当手机在局域网内时，一般是直接控制设备的。但如果是智能单品之

    间实现联动的话，通常联动逻辑是在云上的。当发生网络故障的时候，联动的设备通常就容易失控。

    2)如果是通过云控制家庭设备，那么需要定时检查云端的状态来实现对家电的控制，这时设备接受响

    应的时间，一方面取决于设备连接的网络速率，另一方面取决于云平台上设备检查状态的周期。这两方面

    使得响应时间是不可控的。

    3)在很多智能家居方案中，没有局域网内的控制，所以通常也要通过云服务来实现局域网之内的设备

    联动。对开关速度要求不高的空调、电视等产品，用户是感受不到时延带来的不好体验的。但随着智能家

    居的普及，例如越来越多的灯光设备如果通过智能控制实现的话，即便是一点点的时延，用户也可以立即

    感受到。

    2.万物互联时代的到来

    2012年12月，思科公司提出万物互联的概念。这是未来互联网连接以及物联网发展的全新网络连接架

    构，其增加并完善了网络智能化处理功能以及安全功能，是在物联网基础上的新型互联的构建。万物互联

    是以万物有芯片、万物有数据、万物有传感器、万物皆在线、万物有智慧为基础的，产品、流程、服务各

    环节紧密相连，人、数据和设备之间自由沟通的全球化网络。在万物互联环境下，无处不在的感知、通信

    和嵌入式系统，赋予物体采集、计算、思考、协作和自组织、自优化、自决策的能力。高度灵活、人性

    化、数字化的生产与服务模式通过产品、机器、资源和人的有机联系得以实现。

    万物互联采用分布式架构计算和存储新型平台，融合以应用为中心的网络、全球范围内更大的带宽接

    入、以IP驱动的设备以及IPv6，可成功连接互联网上高达数亿台的边缘终端和设备。相比“物”与“物”互联的

    物联网而言，万物互联的概念里面还增加了更高级别的“人”与“物”的互联。其突出的特点就是任何“物”都将

    具有更强的计算能力与感知能力，更有语境感知的功能。将人与信息融合至互联网当中，在网络中形成数

    十亿甚至数万亿的连接节点。万物互联以物联网作为基础，在互联网的“万物”之间实现融合、协同以及可

    视化的功能，增加网络智能。基于万物互联平台的应用服务往往需要更短的响应时间，同时也会产生大量

    涉及个人隐私的数据。比如，装载在无人驾驶汽车上面的传感器和摄像头，如果实时捕捉路况信息，经计算，每秒大约会产生1GB的数据。

    根据互联网业务解决方案集团(IBSG)和思科全球云指数(GCI)的估计，到2020年，连接到互联网

    上的设备会超过500亿台，产生的数据将超过500 ZB。根据研究机构IHS的预测分析，到2035年，波音787每

    秒将产生大约5GB的数据，并需要对这些数据进行实时处理；全球将有5400万辆无人驾驶汽车。同时，中

    国用于打击犯罪的“天网”监控网络，已经在全国各地安装超过2000万个高清监控摄像头，实时监控和记录

    行人以及车辆。还有，以北京电动汽车监控平台为例，该平台可以对1万辆电动汽车进行7×24h不间断的实

    时监控，并以每辆车10s条的速率向各企业平台实时转发监控数据。

    3.用户的转型

    在传统的云计算模式中，终端用户通常扮演的角色是数据消费者，例如在网络浏览器观看视频或文

    件、浏览图像、管理系统中的文档。但是，终端用户的角色正在发生变化，从数据消费者到数据生产者和

    消费者，这意味着人们也在边缘设备上生成物联网数据。例如，YouTube网站用户每分钟上传近100h的视频

    内容，Instagram用户发布2430000张照片。在这种情况下，在边缘端处理数据更为快速，可以改善用户体

    验。

    4.网络架构云化演进

    通信运营商根据网络建设部署与运营经验，统一构建基于NFV、SDN、云计算为核心技术的网络基础

    设施，推进支撑网络的云化演进、匹配网络转型部署。NFV将成为5G网络各网元的技术基础，以实现全云

    化部署。以DC为中心的三级通信云DC布局，将在网络云化架构中被采用，通过在不同层级的分布式部署和

    构建边缘、本地、区域DC，统一规划云化资源池，完成面向固网、物联网、移动网、企业专线等多种接入

    的统一承载和统一服务。

    5.IT技术与OT技术的深度融合驱动行业智能化发展

    以大数据、机器学习、深度学习为代表的智能技术已经在语音识别、图像识别等方面得到应用，在模

    型、算法、架构等方面取得了较大进展。智能技术已率先在制造、电力、交通、医疗、电梯、物流、公共

    事业等行业应用，随着预测性维护、智能制造等新应用的演进，行业智能化势必驱动边缘计算发展。

    1.1.4 边缘计算发展现状

    在满足未来万物互联的需求上，边缘计算的优点尤为突出。这激发了国内外学术界和产业界的研究热

    情。主要的三大阵营在边缘计算发展上各有优势：互联网企业试图将公有云服务能力扩展到边缘侧，希望

    以消费物联网为主要阵地；工业企业试图发挥自身工业网络连接和工业互联网平台服务的领域优势，以工

    业互联网为主要阵地；通信企业以边缘计算为契机，开放接入侧网络能力，挺进消费物联网和工业互联网

    阵地，希望盘活网络连接设备的价值。从2016开始，业界从学术研究、标准化、产业联盟、商业化落地四

    个方向齐力推动边缘计算演进。

    1.学术研究

    2016年10月，IEEE和ACM正式成立了IEEEACM System Symposium on Edge Computing，组成了由学术

    界、产业界、政府(美国国家基金会)共同认可的学术论坛，对边缘计算的应用价值和研究方向展开了研

    究和探索。

    2018年5月，在2018边缘计算技术研讨会(SEC-China 2018)中，中国高校和研究机构互动研究讨论边

    缘计算，梳理国内开发者的需求。

    2018年10月，在2018边缘计算技术峰会中，中国通信学会和中国移动联合组织互联网界、工业界、电

    信界，共同探讨边缘计算产业生态的构建和协同发展。

    2.标准化

    2017年，IEC发布了VEI(Vertical Edge Intelligence)白皮书，介绍了边缘计算对制造业等垂直行业的重

    要价值。

    中国通信标准化委员会(CCSA)成立了工业互联网特设组(ST8)，并在其中开展了工业互联网边缘

    计算行业标准的制定。

    2018年，中国联通发布了边缘业务平台架构及产业生态白皮书。白皮书基于业务需求演进、无线和固

    网的网络演进，以及云化技术的发展，介绍了中国联通边缘业务平台的架构和演进路标，以及边缘计算技术的标准化进展和产业链现状。

    阿里云和中国电子技术标准化研究院等发布了边缘云计算技术和标准化白皮书。白皮书指导边缘云计

    算相关标准的制定，以及引导边缘云计算技术和应用发展。

    2019年，百度发布边缘计算整体方案参考标准Baidu OTE(Over the Edge)，面向5G，从互联网公司角

    度出发，致力于多运营商边缘资源的统一接入，将业务服务扩展到边缘，推动业界“云-边-端”商业部署。

    3.产业联盟

    2016年11月，由华为、中国科学院沈阳自动化研究所、中国信通院、英特尔、ARM等机构和公司联合

    发起的边缘计算产业联盟(Edge Computing Consortium，ECC)在北京正式成立。该联盟旨在搭建边缘计算

    产业合作平台，推动OT和ICT产业开放协作，孵化行业应用最佳实践，促进边缘计算产业健康与可持续发

    展。

    2017年，全球性产业组织工业互联网联盟IIC成立Edge Computing TG，定义边缘计算参考架构。

    2018年，由中国移动联合中国电信、中国联通、中国信通院和英特尔公司联合发起开放数据中心委员

    会OTII(Open Telcom IT Infrastructure)工作组，开启了电信领域边缘计算服务器标准和管理接口规范的制

    定工作。

    2019年，由百度、阿里巴巴、腾讯、中国信通院、中国移动、中国电信、华为和英特尔等机构和公司

    联合发起的开放数据中心委员会边缘计算工作组正式成立，推动业界边缘计算商业开发部署。

    4.商业化落地

    当今，边缘计算市场仍然处于初期发展阶段。主宰云计算市场的互联网公司(国外的亚马逊、谷歌、微软，国内的百度、腾讯、阿里巴巴等)、行业领域厂商(富士康工业互联网、小米等)正在成为边缘计

    算商业化落地的领先者。传统电信运营商在5G蓬勃发展的大环境中，借助软件定义网络和网络云化等技

    术，也发力于边缘计算商业化落地。

    亚马逊携AWS Greengrass进军边缘计算领域，走在了行业的前面。该服务将AWS扩展到设备上，这样

    它们除了同时可以使用云来进行管理、分析数据和持久的存储，还可以在本地处理它们生成的数据。微软

    公司在这一领域也有一些大动作。该公司将在物联网领域进行大量投入，边缘计算项目是其中之一。微软

    公司发布了Azure IoT Edge解决方案，该方案通过将云分析扩展到边缘设备以支持离线使用。边缘的人工智

    能应用也是微软公司希望聚焦的领域。谷歌公司也不甘示弱，宣布了两款新产品，分别是硬件芯片Edge

    TPU和软件堆栈Cloud IoT Edge，旨在帮助改善边缘联网设备的开发。谷歌公司表示，依靠谷歌云强大的数

    据处理和机器学习能力，可以通过Cloud IoT Edge扩展到数十亿台边缘设备，如风力涡轮机、机器人手臂和

    石油钻塔，这些边缘设备对自身传感器产生的数据可进行实时操作，并在本地进行结果预测。

    在新兴的边缘计算领域，涌现出Scale Computing、Vertiv、华为、富士通、惠普和诺基亚等商业化的开

    拓者。英特尔、戴尔、IBM、思科、惠普、微软、通用电气、AT＆T和SAP SE等公司也在投资布局边缘计

    算。例如，英特尔和戴尔公司均投资了一家为工商业物联网应用提供边缘智能的公司Foghorn。戴尔同时还

    是物联网边缘平台IOTech的种子轮融资的参与者。而惠普提出Edgeline Converged Edge Systems系统的目标

    客户是那些通常在边远地区运营的工业合作伙伴，这些合作伙伴希望获得数据中心级的计算能力。在不依

    赖于将数据发送到云或数据中心的情况下，惠普公司的系统承诺为工业运营(如工厂、铜矿或石油钻井平

    台)提供来自联网设备的监控管理。

    目前，不断涌现和发展的物联网、5G等新技术正推动着中国数字化转型的新一轮变革。为克服数据中

    心高能耗等一系列问题，边缘计算获得了越来越多的关注，在国内各行业的应用也日渐广泛。目前，基于

    边缘计算的“云-边-端”示意图如图1-3所示，远端的云端业务下沉延伸、前端的各行业万物互联的数据和应

    用上行扩展，加速推进近端网络架构演进和变革。图1-3 基于边缘计算的“云-边-端”示意图

    在国内云服务提供商中，百度公司2018年发布“AI over Edge”智能边缘计算开发战略，与中国联通联合

    建立5G实验室，将智能云业务扩展到网络端，助力联通网络云化变革，加快边缘计算商业化落地速度。阿

    里巴巴近年大力推进的智慧城市项目也是边缘计算商业化的典型案例。金山云借助传统CDN业务的优势，大力推进CDN业务扩展到边缘，加速CDN业务云到边缘的全方位覆盖。

    国内网络运营商在竞争激烈的市场中纷纷推进移动边缘计算的商业开发部署，以求获得高性能和低时

    延的服务。中国移动已领先在国内10个省、20多个地市的现网上开展多种MEC应用试点。2018年1月，中国

    移动浙江公司为进一步推动网络实现超低时延的更佳体验，宣布与华为公司联合率先布局MEC技术，打造

    未来人工智能网络。移动用户未来可以通过虚拟现实(VR)、增强现实(AR)、超清视频、移动云等技术

    获得极致的业务体验。2018年4月，中国移动又提出了运营商边缘计算的五大场景，分别为本地分流、vCDN、基于MEC和IoT GW的应用创新、第三方API应用平滑移植、垂直行业服务。同时，中国电信与互联

    网CDN厂商开展合作，旨在通过MEC边缘CDN的部署延展现有的集中CDN，为多网络用户提供服务。中国

    电信在探索MEC及工业边缘云的同时，正式提出对边缘计算的三重关注：整体的IDCCDN资源布局与业务

    规划、运营商网关设备、基于MEC的业务平台及解决方案。

    在互联网公司加速布局前端应用的同时，行业新型应用需求也在驱动边缘计算布局，在医疗行业，边

    缘计算可以解决不少矛盾，带来诸多好处：融合跨厂商、跨视频终端类型，实现远程视频会诊，与医疗业

    务系统集成化，云医疗视频核心化；无须修改接口，通过PACS系统将影像文件存储到公有云OSS；避免医

    疗机构HIS建设信息化投入不足，售后服务与系统升级跟不上医疗信息系统发展需求与扩展的问题；医疗信

    息系统中举证责任、电子病历、药方、支付等电子数据维护；快速搭建医生患者沟通平台，海量医疗数据

    的集中共享、区域协同，实现“基层首诊、双向转诊、急慢分治、上下联动”的分级诊疗服务模式。

    在电力行业，布局智能电网后，电站运营公司或者电站投资商需要对所有电站发电及安全情况进行监

    控，保障收益。根据自身业务发展，选择自己的业务模块及管理电站发电、收益等情况，边缘计算可以带

    来更快的响应和分析。

    在生产制造行业中，富士康工业互联网加速工业4.0商业化步伐，近年来成为该行业边缘计算的领先

    者。在技术升级与发展中，富士康工业互联网成功将工业互联网、5G网络与传统的电子制造业务结合起

    来，不断扩大电子设备智能制造，逐渐形成了一个高效、完善的全产业链的紧密互联体系。

    在智慧交通中，电动汽车在行驶和充电过程中，边缘计算能使系统轻易地实时采集、存储、计算车辆

    数据和充电数据，满足电动汽车使用和监控管理需求。

    在智慧家居中，通过边缘计算能够将不同类型的智能设备有机地连接起来，通过数据转换聚合和机器

    学习等高级分析方法进行自主决策和执行，并对在日常生活中汇集的数据不断分析，从而演进自身的算法

    和执行策略，使得智能家居越来越智慧。同时，边缘计算也能够统一用户交互界面，以更及时和友好的方

    式与用户交互。

    1.1.5 边缘计算定义

    对于边缘计算的定义，目前业界还没有统一的结论。

    太平洋西北国家实验室(PNNL)将边缘计算定义为：一种把应用、数据和服务从中心节点向网络边缘

    拓展的方法，可以在数据源端进行分析和知识生成。

    ISOIEC JTC1SC38对边缘计算给出的定义为：一种将主要处理和数据存储放在网络的边缘节点的分布式计算形式。

    边缘计算产业联盟对边缘计算的定义是：在靠近物或数据源头的网络边缘侧，融合网络、计算、存

    储、应用核心能力的开放平台，就近提供边缘智能服务，满足行业数字化在敏捷连接、实时业务、数据优

    化、应用智能、安全与隐私保护等方面的关键需求。作为连接物理和数字世界的桥梁，实现智能资产、智

    能网关、智能系统和智能服务。

    边缘计算的不同定义表述虽然各有差异，但内容实质已达共识：在靠近数据源的网络边缘某处就近提

    供服务。综合以上定义，边缘计算是指数据或任务能够在靠近数据源头的网络边缘侧进行计算和执行计算

    的一种新型服务模型，允许在网络边缘存储和处理数据，和云计算协作，在数据源端提供智能服务。网络

    边缘侧可以理解为从数据源到云计算中心之间的任意功能实体，这些实体搭载着融合网络、计算、存储、应用核心能力的边缘计算平台。

    1.2 边缘计算原理

    1.2.1 边缘计算基本结构和特点

    1.基本结构

    边缘计算中的“边缘”是一个相对的概念，指从数据源到云计算中心数据路径之间的任意计算资源和网

    络资源。边缘计算允许终端设备将存储和计算任务迁移到网络边缘节点中，如基站(BS)、无线接入点

    (WAP)、边缘服务器等。在满足终端设备计算能力扩展需求的同时，又能够有效地节约计算任务在云服

    务器和终端设备之间的传输链路资源。如图1-4所示为基于“云-边-端”协同的边缘计算基本架构，由四层功

    能结构组成：核心基础设施、边缘计算中心、边缘网络和边缘设备。

    图1-4 基于“云-边-端”协同的边缘计算基本架构

    核心基础设施提供核心网络接入(例如互联网、移动核心网络)和用于移动边缘设备的集中式云计算

    服务和管理功能。其中，核心网络主要包括互联网络、移动核心网络、集中式云服务和数据中心等。而云

    计算核心服务通常包括基础设施即服务(IaaS)、平台即服务(PaaS)和软件即服务(SaaS)三种服务模

    式。通过引入边缘计算架构，多个云服务提供商可同时为用户提供集中式的存储和计算服务，实现多层次

    的异构服务器部署，改善由集中式云业务大规模计算迁移带来的挑战，同时还能够为不同地理位置上的用

    户提供实时服务和移动代理。

    互联网厂商也把边缘计算中心称为边缘云，主要提供计算、存储、网络转发资源，是整个“云-边-端协

    同”架构中的核心组件之一。边缘计算中心可搭载多租户虚拟化基础设施，从第三方服务提供商到终端用户

    以及基础设施提供商，自身都可以使用边缘中心提供的虚拟化服务。多个边缘中心按分布式拓扑部署，各

    边缘中心在自主运行的同时又相互协作，并且和云端连接进行必要的交互。

    边缘网络通过融合多种通信网络来实现物联网设备和传感器的互联。从无线网络到移动中心网络再到

    互联网络边缘计算设施，通过无线网络，数据中心网络和互联网实现了边缘设备、边缘服务器、核心设施

    之间的连接。

    所有类型的边缘设备不只扮演了数据消费者的角色，而且作为数据生产者参与到了边缘计算结构所有

    的四个功能结构层中。

    2.基本特点和属性

    (1)连接性。边缘计算是以连接性为基础的。由于所连接物理对象的多样性以及应用场景的多样性，要求边缘计算具备丰富的连接功能，如各种网络接口、网络协议、网络拓扑、网络部署与配置、网络管理

    与维护。此外，在考虑与现有各种工业总线的互联互通的同时，连接性需要充分借鉴吸收网络领域先进的

    研究成果，例如TSN、SDN、NFV、Network as a Service、WLAN、NB-IoT、5G等。

    (2)数据入口。作为物理世界到数字世界的桥梁，边缘计算是数据的第一入口。边缘计算通过拥有大

    量、实时、完整的数据，可基于数据全生命周期进行管理与价值创造，实现更好的支撑预测性维护、资产

    效率与管理等创新应用；另一方面，作为数据第一入口，边缘计算也面临数据实时性、不确定性、多样性

    等挑战。

    (3)约束性。边缘计算产品需要适配工业现场相对恶劣的工作条件与运行环境，如防电磁、防尘、防

    爆、抗振动、抗电流或电压波动等。在工业互联场景下，对边缘计算设备的功耗、成本、空间也有较高的

    要求。边缘计算产品需要考虑通过软硬件集成与优化，以适配各种条件约束，支撑行业数字化多样性场

    景。

    (4)分布性。边缘计算实际部署天然具备分布式特征。这要求边缘计算支持分布式计算与存储、实现

    分布式资源的动态调度与统一管理、支撑分布式智能、具备分布式安全等能力。

    (5)融合性。OT与IT的融合是行业数字化转型的重要基础。边缘计算作为“OICT”融合与协同的关键

    承载，需要支持在连接、数据、管理、控制、应用、安全等方面的协同。

    (6)邻近性。由于边缘计算的部署非常靠近信息源，因此边缘计算特别适用于捕获和分析大数据中的

    关键信息。此外，边缘计算还可以直接访问设备，因此容易直接衍生特定的商业应用。

    (7)低时延。由于移动边缘技术服务靠近终端设备或者直接在终端设备上运行，时延被大大降低。这

    使得反馈更加快速，从而改善了用户体验，减少了网络在其他部分中可能发生的拥塞。

    (8)大带宽。由于边缘计算靠近信息源，可以在本地进行简单的数据处理，不必将所有数据或信息都

    上传至云端，这将使得网络传输压力下降，减少网络堵塞，网络速率也因此大大增加。

    (9)位置认知。当网络边缘是无线网络的一部分时，无论是Wi-Fi还是蜂窝，本地服务都可以利用相

    对较少的信息来确定每个连接设备的具体位置。

    1.2.2 业界新技术一览

    1.英特尔——安防、车载、零售和工业“四管齐下”

    目前，英特尔以x86架构通用处理器为核心的技术平台作为物联网解决方案，但随着边缘计算所承载的

    业务、范围变得更丰富和多元化，单一处理器很难承载不同类型的计算工作负载或业务类型。

    英特尔中国区物联网事业部首席技术官张宇博士在接受媒体采访时说：“边缘节点的计算可以变得更有

    效率，并不是单一设备有能力承载的，需要一个工作负载整合的概念，把不同的数据类型整合在一个计算

    平台上，然后由这个计算平台预处理很多数据，使这些数据变得更有价值。”

    具体而言，英特尔目前分别在安防监控、车载交通、零售和工业四大行业进行了一系列落地探索。

    在安防领域，英特尔结合了Altera在FPGA的产品线和Movidius的产品线，与国内海康威视、大华等厂

    商合作，在前端比以往更容易承载更复杂的数据分析；在车载领域，英特尔把原先在车内的一些分立式的

    功能模块组合在通用计算平台上，这个计算平台现在使用的是Apollo Lake SoC，在认证方面除了提供底层

    的部件和操作系统支持，也提供一些虚拟化技术；在零售领域，英特尔已经开发出了早期原型的一套软件

    平台，用于无人店管理的环境中；在工业领域，英特尔目前已经预先做出一个更有计算能力的网关平台，将来可以适用于更复杂的工业自动化的场景。

    2.施耐德电气——开放IMDC云平台，打造边缘计算生态

    施耐德电气在2017年11月推出一款新的产品——智能微型数据中心解决方案(Intelligent Micro Data

    Center，IMDC)。IMDC可应用于新建机房以及部分改造机房，可提供快速部署，是施耐德电气为支持边

    缘计算领域提供的全新智能解决方案。

    面向边缘计算的IMDC是施耐德电气最新市场战略的一部分。随着云计算和边缘计算的迅速发展，施耐

    德电气敏锐把握这一市场趋势，并进行相应的业务布局，即提供从设备端到中间层以及云端的完整解决方

    案，这在业内是首创，而且IMDC云平台会开放给合作伙伴一起打造边缘计算生态。

    3.ARM——推出针对边缘运算的Mbed EdgeARM公司于2017年11月推出针对物联网安全的PSA架构和针对边缘运算的Mbed Edge，稳固与强化物联

    网市场基础建设与推动力。

    Mbed Edge主要透过物联网闸道器让使用者能将Mbed Cloud装置管理功能进一步拓展，包括对装置进行

    导入、控制及管理等领域。

    Mbed Edge有三大优势：第一为通信协定转译，可将非IP协定的联网装置，如LoRa、Modbus，转译成

    IP based，共同在Mbed Cloud进行管理；第二为闸道器管理，提高IoT闸道器的复原能力、缩短停机时间，并新增强化如发送警报通知、程序、资源、诊断及界面管理；第三为边缘运算，使用者可依据需求将复杂

    程度不同的运算资源或演算规则置于闸道器中，即使与云端断线后仍能独立运作。

    4.华为——边缘计算开发测试云

    在2017年华为全联接大会上，华为网络研发部总裁、边缘计算联盟副理事长刘少伟表示，边缘计算火

    热背后的价值在于架起IT和OT的桥梁。

    刘少伟在演讲中说，过去的IT技术带来的是一个虚拟世界，而传统的OT厂商涉及的OT领域是一个物理

    世界。物理世界受限于位置、距离、供电、体积、空间等，如果希望变得智能化，向数字化转型，就需要

    把虚拟世界的技术拿过来。而边缘计算就是其中最重要的节点和桥梁，填平虚拟世界和物理世界之间的沟

    壑。

    据刘少伟介绍，华为目前正在做面向中国和欧洲的TSN工业现场网络测试床，以及边缘计算开发测试

    云，并在工业无线、数据集成、SDN、安全等关键领域展开技术布局，将持续地投入技术研究。

    5.中兴——已拥有完整的边缘计算解决方案

    中兴通讯在边缘计算的设备层领域进行了布局，中兴通讯已拥有完整的MEC解决方案，以及包括虚拟

    化技术、容器技术、高精度定位技术、分流技术、CDN下沉等核心技术和专利。相关解决方案覆盖业务本

    地化、本地缓存、车联网、物联网等各大场景，且满足ETSI标准定义的MEC Host架构，并根据实际应用落

    地需求，综合考虑MEC管理系统、MEC集中控制系统等方案的制定。2019年2月，中兴通讯发布业界首个

    《OLT内置刀片技术白皮书》。中兴通讯首创在其旗舰OLT平台TITAN内置300mm深轻量级刀片服务器，并采用基于英特尔突破性的数据中心处理器架构的Xeon? D处理器，无须改造接入机房即可打造低成本、低功耗、业务灵活组合的轻量级边缘计算基础设施，为固移融合场景下大流量、低时延业务提供存储、计

    算等能力，极大提升体验敏感型业务的用户体验。

    6.网宿科技——升级CDN节点为边缘计算节点

    作为国内CDN的龙头企业，网宿科技深知网络拥塞概率最大的是大带宽的视频内容，例如视频点播、4K电视和视频流。为减轻现实和未来的网络拥塞，改善大带宽内容流传输能力，CDN服务提供商要将缓存

    内容在更接近用户的边缘计算网络系统中进行交互，从而实现在多个服务器上复制内容并且基于靠近程度

    将内容快速部署给多个用户。

    网宿科技正在构建一张庞大的智能计算网络，将现有CDN节点升级为具备存储、计算、传输、安全功

    能的边缘计算节点，以满足万物互联时代的需求。

    7.研华——推出新一代IoT边缘智能服务器

    研华2017年推出新一代IoT边缘智能服务器(Edge Intelligence Server，EIS)，它能把不同工业协议收

    集起来的数据转换成MQTT协议并传输到云端，然后做一些数据分析或应用处理。

    EIS目前正是研华主打的产品，EIS=物联网网关+小型数据库+轻量计算与分析。内建WISE-PaaS设备管

    理、集中安全管理、交互式多媒体内容编辑、监控及数据采集、人机界面等软件，在满足不同应用需求之

    余，为传感器及其他设备提供全面的开发工具及符合标准协议(Modbus、OPC、MQTT)的SDK。

    此外，EIS搭载预配置的Azure服务，帮助客户将当前解决方案移动至云端，提升操作效率及业务转

    型。帮助构建和启动物联网创新应用，提供易于集成的解决方案以加速物联网的实现。

    8.恩智浦半导体——展示Layerscape LS104346边缘计算平台

    恩智浦半导体与Google Cloud、AWS、Accenture、Au-Zone和ClearBlade等公司合作，在2018年1月的国

    际消费电子展(CES)上展示了边缘计算的前沿发展及该技术在应用领域的强大潜能。

    恩智浦展示的边缘节点计算的各种使用场景基于业界广泛的物联网处理产品组合，从超低功耗微控制

    器到跨界处理器，再到高性能i.MX8应用处理器。恩智浦Layerscape LS104346边缘计算平台支持GoogleCloud IoT、AWS-IOT Platform或Azure IoT等云框架，与边缘节点、传感器和设备无缝连接。在展会上，恩

    智浦演示了基于机器学习的面部识别技术、远程设备管理、面向云端的安全设备配置，以及其他与

    ClearBlade软件物联网边缘平台集成的边缘处理能力。

    未来，其边缘计算解决方案将轻松应用于各种使用场景，包括工业4.0、智能家居和智能零售应用，实

    现成本优化的低功耗系统。

    9.Marvell和Pixeom——联合发布基于容器的边缘计算解决方案

    在2018年CES上，Marvell和Pixeom公司展示了一个边缘计算系统，该系统结合了Marvell

    MACCHIATObin社区开发版与Pixeom公司的技术，扩展了Google Cloud Platform服务在网络边缘的功能。在

    Marvell MACCHIATObin社区开发版运行Pixeom边缘平台软件时，可通过在MACCHIATObin上编排和运行

    基于Docker的微服务来扩展云功能。

    采用Marvell公司的MACCHIATObin硬件作为基础，Pixeom公司展示了其基于容器的边缘计算解决方

    案，能够在网络边缘提供视频分析功能。这种独特的硬件和软件结合提供了一种高度优化和直接的方式，使更多的处理和存储资源处于网络边缘。该技术显著提高了运营效率并降低了时延。

    10.百度——开源边缘计算框架OpenEdge

    在2018年12月百度云ABC Inspire企业智能大会上，百度云宣布智能边缘计算平台Open-Edge全面开源，成为国内首个全面开源的边缘计算平台。OpenEdge是百度云自研的边缘计算框架，目标是贴合工业互联网

    应用，将计算能力拓展至用户现场，提供临时离线、低时延的计算服务，包括消息路由、函数计算、AI推

    断等。OpenEdge和云端管理套件配合使用，可达到云端管理和应用下发、边缘设备上运行应用的效果，满

    足各种边缘计算场景。OpenEdge提出的技术亮点包括：基于MQTT的控制和通信链路标准协议、支持自定

    义计算函数的开放框架，以及采用Docker快速部署等。

    11.阿里巴巴——物联网边缘计算平台Link IoT Edge

    阿里巴巴在2018年云栖大会上推出了物联网边缘计算平台Link IoT Edge。作为阿里云能力在边缘端的

    拓展，其继承了阿里云安全、存储、计算、人工智能的能力，可部署于不同量级的智能设备和计算节点

    中，通过定义物理模型连接不同协议、不同数据格式的设备，提供安全可靠、低时延、低成本、易扩展、弱依赖的本地计算服务。

    12.金山云——基于容器的边缘计算平台KENC以及酒店民居IoT解决方案AI-House

    金山云依托其在云计算领域深厚的技术积淀，以及CDN业务的资源与网络积累，结合先进的容器技

    术，推出了面向下一代边缘计算的KENC(Kingsoft Cloud Edge Node Computing)平台。该平台面向视频转

    码、云游戏等业务场景，凭借其分布广、贴近客户、性能高等优势，将网络时延降低到原来的50%以下。

    除此之外，金山云为了迎接万物互联、海量并发的物联网时代，针对酒店、民居的场景，结合上千种小米

    智能硬件推出了AI-House解决方案。该解决方案支持智能酒店与智能家居的语音、手机、传感器等控制方

    式，在提高用户体验的同时，能为酒店大幅节约运营成本。未来，AI-House还将进军智慧社区、智慧城市

    等领域，用智能为人们提供更加便利的生活。

    参考文献

    [1] Cisco global cloud index:Forecast and methodology.White Paper C11-738085-02[R].Cisco,San

    Jose,CA,2018.

    [2] T Snyder,G Byrd.The Internet of everything[C]Computer,2017,50(5):8-9.

    [3] D E Culler.The once and future Internet of everything[C]GetMobile:Mobile

    Comput.Commun.,2016,20(3):5-11.

    [4] N Abbas,Zhang Y,A Taherkordi,et al.Mobile edge computing:A survey[C]IEEE Internet Things

    J.2018,5(1):

    450-465.

    [5] R Buyya,C S Yeo,S Venugopal,et al.Cloud computing and emerging IT platforms:Vision,hype,and reality

    for delivering computing as the 5th utility[C]Future Generat.Comput.Syst.,2009,25(6):599-616.

    [6] A Al-Fuqaha,M Guizani,M Mohammadi.Internet of Things:A survey on enablingtechnologies,protocols,and applications[C]IEEE Commun.Surveys Tuts,2015,17(4):2347-2376.

    [7] M B Mollah,M A K Azad,A Vasilakos.Security and privacy challenges in mobile cloud computing:Survey

    and way ahead[C]Journal of Network and Computer Applications,2017,84:38-54.

    [8] Edge computing White Paper.Pacific Northwest Nat.Lab,Richland,WA,2013.

    [9] White paper of edge computing consortium[R].ECC,Beijing,2016.

    [10] Wang Sh,Zhang X,Zhang Y.A survey on mobile edge networks:Convergence of computing,caching and

    communications[C]IEEE Access,2017,5:6757-6779.

    [11] Akamai Technologies.China CDN[EBOL].http:www.akamai.comusencdn,2016-12-03.

    [12] Grolinger K,Higashino W A,Tiwari A,et al.Data management in cloud environments:NoSQL and

    NewSQL data stores[J].Journal of Cloud Computing,2013,2(1):1-24.

    [13] Peng G.CDN:Content distribution network[R].Technical Report TR-125 of Experimental Computer

    Systems Lab in Stony Brook University,SUNY Stony Brook,2003.

    [14] https:openedge.tech,2018-12-26.第2章 边缘计算基础资源架构技术

    作为一种新型的服务模型，边缘计算将数据或任务放在靠近数据源头的网络边缘侧进行处理。网络边

    缘侧可以是从数据源到云计算中心之间的任意功能实体，这些实体搭载着融合网络、计算、存储、应用核

    心能力的边缘计算平台，为终端用户提供实时、动态和智能的服务计算。同时，数据就近处理的理念也为

    数据安全和隐私保护提供了更好的结构化支撑。边缘计算模型的总体架构主要包括核心基础设施、边缘数

    据中心、边缘网络和边缘设备。从架构功能角度划分，边缘计算包括基础资源(计算、存储、网络)、边

    缘管理、边缘安全以及边缘计算业务应用，如图2-1所示。边缘计算的业务执行离不开通信网络的支持，其

    网络既要满足与控制相关业务传输时间的确定性和数据完整性，又要能够支持业务的灵活部署和实施。时

    间敏感网络(TSN)和软件定义网络(SDN)技术是边缘计算网络部分的重要基础资源。异构计算支持是

    边缘计算模块的技术关键。随着物联网和人工智能的蓬勃发展，业务应用对于计算能力提出了更高的要

    求。计算需要处理的数据种类也日趋多样化，边缘设备既要处理结构化数据，又要处理非结构化数据。为

    此，边缘计算架构需要解决不同指令集和不同芯片体系架构的计算单元协同起来的异构计算，满足不同业

    务应用的需求，同时实现性能、成本、功耗、可移植性等的优化均衡。目前，业界以云服务提供商为典型

    案例，已经实现部署了云上AI模型训练和推理预测的功能服务。将推理预测放置于边缘计算工程应用的热

    点，既满足了实时性要求，又大幅度减少占用云端资源的无效数据。边缘存储以时序数据库(包含数据的

    时间戳等信息)等分布式存储技术为支撑，按照时间序列存储完整的历史数据，需要支持记录物联网时序

    数据的快速写入、持久化、多维度的聚合等查询功能。本章首先介绍边缘计算与前沿技术的关联和融合，然后详细介绍边缘计算网络、存储、计算三大基础资源架构技术。

    图2-1 边缘计算功能划分模块

    2.1 边缘计算与前沿技术的关联和融合

    2.1.1 边缘计算和云计算

    边缘计算的出现不是替代云计算，而是互补协同，也可以说边缘计算是云计算的一部分，两者单独谈

    都不完整。边缘计算和云计算的关系可以比喻为集团公司的地方办事处与集团总公司的关系。边缘计算与

    云计算各有所长，云计算擅长把握整体，聚焦非实时、长周期数据的大数据分析，能够在长周期维护、业

    务决策支撑等领域发挥优势；边缘计算则专注于局部，聚焦实时、短周期数据的分析，能更好地支撑本地

    业务的实时智能化处理与执行。云边协同将放大边缘计算与云计算的应用价值；边缘计算既靠近执行单

    元，更是云端所需的高价值数据的采集单元，可以更好地支撑云端应用的大数据分析；反之，云计算通过

    大数据分析，优化输出的业务规则或模型，可以下发到边缘侧，边缘计算基于新的业务规则进行业务执行

    的优化处理。

    边缘计算不是单一的部件，也不是单一的层次，而是涉及边缘IaaS、边缘PaaS和边缘SaaS的端到端开放

    平台。如图2-2所示为云边协同框架，清晰地阐明了云计算和边缘计算的互补协同关系。边缘IaaS与云端

    IaaS实现资源协同；边缘PaaS和云端PaaS实现数据协同、智能协同、应用管理协同、业务编排协同；边缘

    SaaS与云端SaaS实现服务协同。

    2018年年底，阿里云和中国电子技术标准化研究院等单位发表了边缘云计算技术及标准化白皮书

    (2018)，提出了边缘云的概念。现阶段被广为接受的云计算定义是ISOIEC 17788：2014《信息技术 云计

    算 概览与词汇》中给出的定义：云计算是一种将可伸缩、弹性的共享物理和虚拟资源池以按需自服务的方

    式供应和管理的模式。云计算模式由关键特征、云计算角色和活动、云能力类型和云服务类别、云部署模

    型、云计算共同关注点组成。但是，目前对云计算的概念都是基于集中式的资源管控提出的，即使采用多个数据中心互联互通的形

    式，依然将所有的软硬件资源视为统一的资源进行管理、调度和售卖。随着5G、物联网时代的到来以及云

    计算应用的逐渐增加，集中式的云已经无法满足终端侧“大连接、低时延、大带宽”的资源需求。结合边缘

    计算的概念，云计算将必然发展到下一个技术阶段：将云计算的能力拓展至距离终端更近的边缘侧，并通

    过“云-边-端”的统一管控实现云计算服务的下沉，提供端到端的云服务。边缘云计算的概念也随之产生。

    图2-2 云边协同框架

    边缘云计算技术及标准化白皮书(2018)把边缘云计算定义为：基于云计算技术的核心和边缘计算的

    能力，构筑在边缘基础设施之上的云计算平台。同时，边缘云计算也是形成边缘位置的计算、网络、存

    储、安全等能力的全面的弹性云平台，并与中心云和物联网终端形成“云边端三体协同”的端到端的技术架

    构。通过将网络转发、存储、计算、智能化数据分析等工作放在边缘处理，可以降低响应时延、减轻云端

    压力、降低带宽成本，并提供全网调度、算力分发等云服务。

    边缘云计算的基础设施包括但不限于：分布式IDC、运营商通信网络边缘基础设施、边缘侧客户节点

    (如边缘网关、家庭网关等)等边缘设备及其对应的网络环境。图2-3描述了中心云和边缘云协同的基本概

    念。边缘云作为中心云的延伸，将云的部分服务或者能力(包括但不限于存储、计算、网络、AI、大数

    据、安全等)扩展到边缘基础设施之上。中心云和边缘云相互配合，实现中心-边缘协同、全网算力调度、全网统一管控等能力，真正实现“无处不在”的云。

    边缘云计算在本质上是基于云计算技术的，为“万物互联”的终端提供低时延、自组织、可定义、可调

    度、高安全、标准开放的分布式云服务。边缘云可以最大限度地与中心云采用统一架构、统一接口、统一

    管理，这样能够降低用户开发成本和运维成本，真正实现将云计算的范畴拓展至距离产生数据源更近的地

    方，弥补传统架构的云计算在某些应用场景中的不足。根据所选择的边缘云计算基础设施的不同以及网络

    环境的差异，边缘云计算技术适用于以下场景：将云的计算能力延展到距离“万物”10km的位置，例如将服

    务覆盖到乡镇，街道级“十千米范围圈”的计算场景。“物联网云计算平台”能够将云的计算能力延展到“万

    物”的身边，可称为“一千米范围圈”，工厂、楼宇等都是这类覆盖的计算场景。除了网络能够覆盖到的“十千

    米计算场景”和“一千米计算场景”，边缘云计算还可以在网络无法覆盖的地域，通常被称为“网络黑洞”的区

    域提供“边缘云计算服务”，例如“山海洞天”(深山、远海航船、矿井、飞机)等需要计算的场景。在需要的

    时候将处理的数据进行实时处理，联网之后再与中心云协同处理。边缘云计算具备网络低时延、支持海量

    数据访问、弹性基础设施等特点。同时，空间距离的缩短带来的好处不只是缩短了传输时延，还减少了复

    杂网络中各种路由转发和网络设备处理的时延。此外，由于网络链路被争抢的概率大大减小，能够明显降

    低整体时延。边缘云计算给传统云中心增加了分布式能力，在边缘侧部署部分业务逻辑并完成相关的数据

    处理，可以大大缓解将数据传回中心云的压力。边缘云计算还能够提供基于边缘位置的计算、网络、存储

    等弹性虚拟化的能力，并能够真正实现“云边协同”。图2-3 中心云和边缘云协同

    2.1.2 边缘计算和大数据

    大数据是指无法在一定时间内用常规软件工具对其内容进行抓取、管理和处理的数据集合。大数据技

    术是指从各种各样类型的数据中快速获得有价值信息的能力。适用于大数据的技术包括大规模并行处理

    (MPP)数据库、数据挖掘网络、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储

    系统。大数据具有4个基本特征：

    (1)数据体量巨大。百度资料表明，其新首页导航每天需要提供的数据超过1.5PB(1PB=1024TB)，这些数据如果用A4纸打印出来，将超过5000亿张。有资料证实，到目前为止，人类生产的所有印刷材料的

    数据量仅为200PB。

    (2)数据类型多样。现在的数据类型不仅是文本形式，更多的是图片、视频、音频、地理位置信息等

    多种类型的数据，个性化数据占绝大多数。

    (3)数据处理速度快。数据处理遵循“1秒定律”，可从各种类型的数据中快速获得高价值的信息。

    (4)数据价值密度低。以视频为例，在不间断的监控过程中，时长为一小时的视频中可能有用的数据

    仅有一两秒。

    1.大数据分析方法理论

    只有通过对大数据进行分析才能获取很多智能的、深入的、有价值的信息。如今，越来越多的应用涉

    及大数据，而这些大数据的属性包括数量、速度、多样性等都呈现了大数据不断增长的复杂性。所以，大

    数据的分析方法在大数据领域就显得尤为重要，可以说是判断最终信息是否有价值的决定性因素。基于

    此，大数据分析普遍存在的方法理论有：

    (1)可视化分析。大数据分析的使用者有大数据分析专家和普通用户，但是二者对于大数据分析最基

    本的要求都是可视化分析。因为可视化分析能够直观地呈现大数据的特点，同时非常容易被读者接受，就

    如同看图说话一样简单明了。

    (2)数据挖掘算法。大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据

    类型和格式，才能更加科学地呈现出数据本身具备的特点。也正是因为这些统计方法，我们才能深入数据

    内部，挖掘出公认的价值。另外，也正因为有了这些数据挖掘的算法，才能更快速地处理大数据。

    (3)预测性分析。大数据分析最重要的应用领域之一是预测性分析。预测性分析是从大数据中挖掘出

    信息的特点与联系，并科学地建立模型，之后通过模型导入新的数据，从而预测未来的数据。

    (4)语义引擎。非结构化数据的多元化给数据分析带来新的挑战，我们需要一套工具系统地分析和提

    炼数据。语义引擎需要具备人工智能，以便从数据中主动地提取信息。

    (5)数据质量和数据管理。大数据分析离不开数据质量和数据管理，有了高质量的数据和有效的数据

    管理，无论是在学术研究还是在商业应用领域，都能够保证分析结果的真实性和价值。

    2.大数据的处理方法

    对大数据的处理有采集、导入和预处理、统计分析和挖掘四种方法。

    (1)采集。大数据的采集是指利用多个数据库接收客户端(Web、App或传感器形式等)的数据，并且用户可以利用这些数据库进行简单的查询和处理。例如，电商会使用传统的关系数据库存储每一笔事务

    数据；除此之外，非关系数据库也常用于数据的采集。

    在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时会有成千上万的用户进行访问和操

    作。例如，火车票售票网站和淘宝网，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大

    量数据库才能支撑。如何在这些数据库之间进行负载均衡和分片，需要深入地思考和设计。

    (2)导入和预处理。虽然采集端本身会有很多数据库，但是如果要对这些海量数据进行有效的分析，应将这些数据导入一个集中的大型分布式数据库，或者分布式存储集群中，并且可以在导入基础上做一些

    简单的数据清洗和预处理工作。也有一些用户会在导入时使用Twitter的Storm对数据进行流式计算，来满足

    部分业务的实时计算需求。

    导入和预处理过程的特点和挑战主要是导入的数据量大，每秒钟的导入量经常会达到百兆甚至千兆级

    别。

    (3)统计分析。统计分析主要利用分布式数据库或分布式计算集群对海量数据进行分析和分类汇总等

    操作，以满足大多数常见的分析需求。在这方面，一些实时性需求会用到EMC的GreenPlum、Oracle的

    Exadata，以及基于MySQL的列式存储数据库Infobright等。而一些批处理，或者基于半结构化数据的需求可

    以使用Hadoop来满足。

    统计分析的主要特点和挑战是涉及的数据量大，其对系统资源，特别是IO会有极大的占用。

    (4)挖掘。与统计分析过程不同的是，数据挖掘一般没有预先设定好的主题，主要是在现有数据上面

    进行基于各种算法的计算，从而达到预测的效果，实现一些高级别数据分析的需求。比较典型的算法有用

    于聚类的K-means、用于统计学习的SVM和用于分类的NaiveBayes，使用的工具主要有Hadoop的Mahout

    等。该过程的特点和挑战主要是用于挖掘的算法很复杂，并且计算涉及的数据量和计算量都很大，常用数

    据挖掘算法都以单线程为主。

    现在，大多数请求被大规模离线系统处理，云服务商也正开发新的技术以便适应这种趋势。持续的大

    数据处理不仅缩短了磁盘的使用寿命，而且还会降低云服务器的整体工作寿命。常规Web服务器硬件组件

    的使用寿命达到4～5年，而与大数据相关的组件和云服务器的生命周期不超过2年。引入边缘计算将帮助解

    决这个问题，在采集端将信息过滤，在边缘做预处理和统计分析，仅把有用的待挖掘信息提交给云端。

    基于云的大数据分析非常强大，给系统提供的有用信息越多，系统就越能对问题提供更好的答案。例

    如，在零售环境中，面部识别系统收集的消费者画像统计数据可以添加更详细的信息，让商家不仅知道销

    售了什么，还知道谁在购买这些商品。此外，在制造过程中，测量温度、湿度和波动等信息的物联网传感

    器有助于构建运维配置信息，预测机器何时可能发生故障，以便提前维护。

    以上情景的困难在于，在大多数情况下，物联网设备生成的数据数量非常惊人，而且并非所有数据都

    是有用的。以消费者画像统计信息为例，它基于公有云的系统，物联网摄像机必须先收集视频，再将其发

    送到中央服务器，然后提取必要的信息。而借助边缘计算，连接到摄像机的计算设备可直接提取消费者画

    像统计信息并将其发送到云中进行存储和处理。这大大减少了收集的数据量，并且可以仅提取有用的信

    息。

    同样使用物联网传感器，是否有必要每秒发送一次测量数据进行存储呢？通过在本地存储数据和计算

    能力，边缘设备可以帮助减少噪声、过滤数据。最重要的是，在人们担心安全和隐私的时代，边缘计算提

    供了一种负责任和安全的方式来收集数据。例如，消费者画像统计信息案例中没有私人视频或面部数据被

    发送到服务器，而是仅仅发送有用的非个性化数据。

    大数据分析有两种主要的实现模式：数据建模和实时处理。数据建模有助于提供业务洞察和大局，实

    时数据可让用户对当前发生的事情做出反应。边缘人工智能提供了最有价值的实时处理。例如在面部识别

    和消费者画像统计方面，零售商可以根据屏幕前客户的喜好推断定制显示内容或者调整报价，吸引更多的

    观看者，从而提升广告关注度和购买转化率。传统的方式会将视频流发送到云，对其进行处理，然后显示

    正确的商品，这样非常耗时。使用边缘计算，本地可以解码人物画像统计信息，然后在短时间内调整显示

    内容或商品报价。

    2.1.3 边缘计算和人工智能

    人工智能革命是从弱人工智能，通过强人工智能，最终达到超人工智能的过程。现在，人类已经掌握了弱人工智能。

    2018年5月，华为发布的《GIV2025：打开智能世界产业版图》白皮书也指出：到2025年，全球物联数

    量将达1000亿，全球智能终端数量将达400亿。边缘计算将提供AI能力，边缘智能成为智能设备的支撑体，人类将被基于ICT网络、以人工智能为引擎的第四次技术革命带入一个万物感知、万物互联、万物智能的智

    能世界。

    全球研究和预测机构Gartner认为，到2023年，IoT将推动数字业务创新。2019年将有142亿个互联设备

    被使用，到2021年将达到250亿个，这一过程会产生大量的数据。人工智能将应用于各种物联网信息，包括

    视频、静止图像、语音、网络流量活动和传感器数据。因此，公司必须在物联网战略中建立一个充分利用

    AI工具和技能的企业组织。目前，大多数物联网端设备使用传统处理器芯片，但是传统的指令集和内存架

    构并不适合于端设备需要执行的所有任务。例如，深度神经网络(DNN)的性能通常受到内存带宽的限

    制，而并非受到处理能力的限制。

    到2023年，预计新的专用芯片将降低运行DNN所需的功耗，并在低功耗物联网端点中实现新的边缘架

    构和嵌入式DNN功能。这将支持新功能，例如与传感器集成的数据分析，以及低成本电池供电设备中所设

    置的语音识别。Gartner建议人们注意这一趋势，因为支持嵌入式AI等功能的芯片将使企业能够开发出高度

    创新的产品和服务。

    边缘计算可以加速实现人工智能就近服务于数据源或使用者。尽管目前企业不断将数据传送到云端进

    行处理，但随着边缘计算设备的逐渐应用，本地化管理变得越来越普遍，企业上云的需求或将面临瓶颈。

    由于人们需要实时地与他们的数字辅助设备进行交互，因此等待数千米(或数十千米)以外的数据中心是

    行不通的。以沃尔玛为例，沃尔玛零售应用程序将在本地处理来自商店相机或传感器网络的数据，而云计

    算带来的数据时延，对沃尔玛来说太高了。

    人工智能仍旧面临优秀项目不足、场景落地缺乏的问题。另一方面，随着人工智能在边缘计算平台中

    的应用，加上边缘计算与物联网“云-边-端”协同推进应用落地的需求不断增加，边缘智能成为边缘计算新的

    形态，打通物联网应用的“最后一千米”。

    1.边缘智能应用领域

    (1)自动驾驶领域。在汽车行业，安全性是最重要的问题。在高速驾驶情况下，实时性是保证安全性

    的首要前提。由于网络终端机时延的问题，云端计算无法保证实时性。车载终端计算平台是自动驾驶计算

    发展的未来。另外，随着电动化的发展，低功耗对于汽车行业变得越来越重要。天然能够满足实时性与低

    功耗的ASIC芯片将是车载计算平台未来的发展趋势。目前，地平线机器人与Mobileye是OEM与Tier1的主要

    合作者。

    (2)安防、无人机领域。相比于传统视频监控，AI+视频监控最主要的变化是把被动监控变为主动分

    析与预警，解决了需要人工处理海量监控数据的问题。安防、无人机等终端设备对算力及成本有很高的要

    求。随着图像识别与硬件技术的发展，在终端完成智能安防的条件日益成熟。海康威视、大疆公司已经在

    智能摄像头上使用了Movidious的Myriad系列芯片。

    (3)消费电子领域。搭载麒麟980芯片的华为Mate20手机与同样嵌入AI芯片的iPhoneXS将手机产业带

    入智能时代。另外，亚马逊的Echo引爆了智能家居市场。对于包括手机、家居电子产品在内的消费电子行

    业，实现智能的前提是要解决功耗、安全隐私等问题。据市场调研表明，搭载ASIC芯片的智能家电、智能

    手机、ARVR设备等智能消费电子产品已经处在爆发的前夜。

    2.边缘智能产业生态

    目前，边缘智能产业生态架构已经形成，主要有三类玩家：

    (1)第一类：算法玩家。从算法切入，如提供计算机视觉算法、NLP算法等。典型的公司有商汤科技

    和旷视科技。2017年10月，商汤科技同美国高通公司宣布将展开“算法+硬件”形式的合作，将商汤科技机器

    学习模型与算法整合到高通面向移动终端、IoT设备的芯片产品中，为终端设备带来更优的边缘计算能力。

    而旷视科技为了满足实战场景中不同程度的需求，也在持续优化算法以适配边缘计算的要求。

    (2)第二类：终端玩家。从硬件切入，如提供手机、PC等智能硬件。拥有众多终端设备的海康威视在

    安防领域深耕多年，是以视频为核心的物联网解决方案提供商。其在发展过程中，将边缘计算和云计算加

    以融合，更好地解决物联网现实问题。

    (3)第三类：算力玩家。从终端芯片切入，例如开发用于边缘计算的AI芯片等。对于边缘计算芯片领域，华为在2018年发布昇腾系列芯片——昇腾310，面向边缘计算产品。

    国际上，谷歌云推出TPU的轻量级版本——Edge TPU用于边缘计算，并开放给商家。而亚马逊也被曝

    光开发AI芯片，主要用来支持亚马逊的Echo及其他移动设备。不过单一占据一类的参与者不是终极玩家。

    边缘智能需要企业同时具备终端设备、算法和芯片的能力。

    2.1.4 边缘计算和5G

    5G技术以“大容量、大带宽、大连接、低时延、低功耗”为诉求。联合国国际电信联盟(ITU-R)对5G

    定义的关键指标包括：峰值吞吐率10Gbs、时延1ms、连接数100万、移动速度500kmh。

    1.高速度

    相对于4G，5G要解决的第一个问题就是高速度。只有提升网络速度，用户体验与感受才会有较大提

    高，网络才能在面对VR和超高清业务时不受限制，对网络速度要求很高的业务才能被广泛推广和使用。因

    此，5G第一个特点就定义了速度的提升。

    其实和每一代通信技术一样，很难确切说出5G的速度到底是多少。一方面，峰值速度和用户的实际体

    验速度不一样，不同的技术在不同的时期速率也会不同。对于5G的基站峰值要求不低于20Gbs，随着新技

    术的使用，还有提升的空间。

    2.泛在网

    随着业务的发展，网络业务需要无所不包，广泛存在。只有这样才能支持更加丰富的业务，才能在复

    杂的场景上使用。泛在网有两个层面的含义：广泛覆盖和纵深覆盖。广泛是指在社会生活的各个地方需要

    广覆盖。高山峡谷如果能覆盖5G，可以大量部署传感器，进行环境、空气质量，甚至地貌变化、地震的监

    测。纵深覆盖是指虽然已经有网络部署，但是需要进入更高品质的深度覆盖。5G的到来，可把以前网络品

    质不好的卫生间、地下车库等环境都用5G网络广泛覆盖。

    在一定程度上，泛在网比高速度还重要。只建一个少数地方覆盖、速度很高的网络，并不能保证5G的

    服务与体验，而泛在网才是5G体验的一个根本保证。

    3.低功耗

    5G要支持大规模物联网应用，就必须有功耗的要求。如果能把功耗降下来，让大部分物联网产品一周

    充一次电，甚至一个月充一次电，就能大大改善用户体验，促进物联网产品的快速普及。eMTC基于LTE协

    议演进而来，为了更加适合物与物之间的通信，对LTE协议进行了裁剪和优化。eMTC基于蜂窝网络进行部

    署，其用户设备通过支持1.4MHz的射频和基带带宽，可以直接接入现有的LTE网络。eMTC支持上下行最大

    1Mbs的峰值速率。而NB-IoT构建于蜂窝网络，只消耗大约180kHz的带宽，可直接部署于GSM网络、UMTS网络或LTE网络，以降低部署成本、实现平滑升级。

    4.低时延

    5G的新场景是无人驾驶、工业自动化的高可靠连接。要满足低时延的要求，需要在5G网络建构中找到

    各种办法，降低时延。边缘计算技术也会被采用到5G的网络架构中。

    5.万物互联

    在传统通信中，终端是非常有限的，在固定电话时代，电话是以人群定义的。而手机时代，终端数量

    有了巨大爆发，手机是按个人应用定义的。到了5G时代，终端不是按人来定义，因为每人可能拥有数个终

    端，每个家庭也可能拥有数个终端。

    社会生活中大量以前不可能联网的设备也会进行联网工作，更加智能。井盖、电线杆、垃圾桶这些公

    共设施以前管理起来非常难，也很难做到智能化，而5G可以让这些设备都成为智能设备，利于管理。

    6.重构安全

    传统的互联网要解决的是信息高速、无障碍的传输，自由、开放、共享是互联网的基本精神，但是在

    5G基础上建立的是智能互联网。智能互联网不仅要实现信息传输，还要建立起一个社会和生活的新机制与

    新体系。智能互联网的基本精神是安全、管理、高效、方便。安全是5G之后的智能互联网第一位的要求。

    如果5G无法重新构建安全体系，那么会产生巨大的破坏力。

    在5G的网络构建中，在底层就应该解决安全问题，从网络建设之初，就应该加入安全机制，信息应该

    加密，网络并不应该是开放的，对于特殊的服务需要建立起专门的安全机制。网络不是完全中立、公平的。

    如图2-4所示，在目前的网络架构中，由于核心网的高位置部署传输时延比较高，不能满足超低时延业

    务需求；此外，业务完全在云端终结并非完全有效，尤其一些区域性业务不在本地终结，既浪费带宽，也

    增加时延。因此，时延指标和连接数指标决定了5G业务的终结点不可能全部在核心网后端的云平台，移动

    边缘计算正好契合该需求。一方面，移动边缘计算部署在边缘位置，边缘服务在终端设备上运行，反馈更

    迅速，解决了时延问题；另一方面，移动边缘计算将内容与计算能力下沉，提供智能化的流量调度，将业

    务本地化，内容本地缓存，让部分区域性业务不必大费周章地在云端终结。

    图2-4 5G网络架构需求驱动边缘计算发展

    5G三大应用场景之一的“低功耗大连接”要求能够提供具备超千亿网络连接的支持能力，满足每平方千

    米100万个的连接密度指标要求，在这样的海量数据以及高连接密度指标的要求下，保证低时延和低功耗是

    非常重要的。5G甚至提出1ms端到端时延的业务目标，以支持工业控制等业务的需求。要实现低时延以及

    低功耗，需要大幅度降低空口传输时延，尽可能减少转发节点，缩短源到目的节点之间的“距离”。

    目前的移动技术对时延优化并不充分，LTE技术可以将空口吞吐率提升10倍，但对端到端的时延只能

    优化3倍。其原因在于当大幅提升空口效率以后，网络架构并没有充分优化反而成了业务时延的瓶颈。LTE

    网络虽然实现了2跳的扁平架构，但基站到核心网往往会距离数百千米，途经多重会聚、转发设备，再加上

    不可预知的拥塞和抖动，根本无法实现低时延的保障。

    移动边缘计算部署在移动边缘，将把无线网络和互联网技术有效地融合在一起，并在无线网络侧增加

    计算、存储、处理等功能，构建移动边缘云，提供信息技术服务环境和云计算能力。由于应用服务和内容

    部署在移动边缘，可以缩短数据传输中的转发时间和处理时间，降低端到端时延，满足低时延要求。在网

    络拥堵严重影响移动视频观感的情况下，移动边缘计算是一个好的解决方法。

    1)本地缓存。由于移动边缘计算服务器是一个靠近无线侧的存储器，可以事先将内容缓存至移动边缘

    计算服务器上。在有观看移动视频需求时，即用户发起内容请求，移动边缘计算服务器立刻检查本地缓存

    中是否有用户请求的内容，如果有就直接提供服务；如果没有，则去网络服务提供商处获取，并缓存至本

    地。在其他用户下次有该类需求时，可以直接提供服务。这样便降低了请求时间，也解决了网络堵塞问

    题。

    2)跨层视频优化。此处的跨层是指“上下层”信息的交互反馈。移动边缘计算服务器通过感知下层无线

    物理层吞吐率，服务器(上层)决定为用户发送不同质量、清晰度的视频，在减少网络堵塞的同时提高线

    路利用率，从而提升用户体验。

    3)用户感知。根据移动边缘计算的业务和用户感知特征，可以区分不同需求的客户，确定不同服务等

    级，实现对用户差异化的无线资源分配和数据包时延保证，合理分配网络资源以提升整体的用户体验。

    2.1.5 边缘计算和物联网

    由无数类型的设备生成的大量数据需要推送到集中式云以保留(数据管理)、分析和决策。然后，将

    分析的数据结果传回设备。这种数据的往返消耗了大量网络基础设施和云基础设施资源，进一步增加了时

    延和带宽消耗问题，从而影响关键任务的物联网使用。例如，在自动驾驶的连接车中，每小时产生了大量

    数据，数据必须上传到云端进行分析，并将指令发送回汽车。低时延或资源拥塞可能会延迟对汽车的响

    应，严重时可能导致交通事故。

    这就是边缘计算的用武之地。边缘计算体系结构可用于优化云计算系统，以便在网络边缘执行数据处理和分析，更接近数据源。通过这种方法，可以在设备本身附近收集和处理数据，而不是将数据发送到云

    或数据中心。边缘计算驱动物联网发展的优势包括以下方面：

    1)边缘计算可以降低传感器和中央云之间所需的网络带宽(即更低的时延)，并减轻整个IT基础架构

    的负担。

    2)在边缘设备处存储和处理数据，而不需要网络连接来进行云计算，这消除了高带宽的持续网络连

    接。

    3)通过边缘计算，端点设备仅发送云计算所需的信息而不是原始数据。它有助于降低云基础架构的连

    接和冗余资源的成本。当在边缘分析由工业机械生成的大量数据并且仅将过滤的数据推送到云时，这是有

    益的，从而显著节省IT基础设施。

    4)利用计算能力使边缘设备的行为类似于云类操作。应用程序可以快速执行，并与端点建立可靠且高

    度响应的通信。

    5)通过边缘计算实现数据的安全性和隐私性：敏感数据在边缘设备上生成、处理和保存，而不是通过

    不安全的网络传输，并有可能破坏集中式数据中心。边缘计算生态系统可以为每个边缘提供共同的策略，以实现数据完整性和隐私保护。

    6)边缘计算的出现并不能取代对传统数据中心或云计算基础设施的需求。相反，它与云共存，因为云

    的计算能力被分配到端点。

    2.2 边缘计算优势、覆盖范围和基础资源架构准则

    2.2.1 边缘计算优势

    在实际应用中，边缘计算可以独立部署，但大多数情况下与云计算协作部署。云计算适合非实时的数

    据处理分析、大量数据的长期保存、通过大数据技术进行商业决策等应用场景；而边缘计算在实时和短周

    期数据的处理和分析，以及需要本地决策的场景下起着不可替代的作用，例如无人驾驶汽车、智能工厂

    等。它们都需要在边缘就能进行实时的分析和决策，并保证在确定的时间内响应，否则将导致严重的后

    果。

    边缘计算具备一些云计算没有的优势，除低时延之外，还包括：

    (1)数据过滤和压缩。通过边缘计算节点的本地分析能力，可以大大降低需要上传的数据量，从而降

    低上传网络的带宽压力。

    (2)环境感知能力。由于边缘计算节点可以访问无线网络，例如Wi-Fi热点、5G的无线接入单元RRU

    等，因此可以给边缘应用提供更多的信息，包括地理位置、订阅者ID、流量信息和连接质量等，从而具备

    环境感知能力，为动态地进行业务应用优化提供了基础。

    (3)符合法规。边缘计算节点可以将敏感信息在边缘侧处理并终结，而不传输到公有云中，从而符合

    隐私和数据定位信息等相关法律法规。

    (4)网络安全性。可以通过边缘计算节点来保护云服务提供商的网络不受攻击。

    如图2-5所示为边缘计算和云计算在数字安防中协同工作，网络摄像头在地理上分散部署，如果将所有

    视频流和相关元数据都上传到云端进行分析和存储，将消耗大量的网络带宽和成本。通过添加边缘计算节

    点网络硬盘录像机(NVR)，可以在网络边缘侧进行视频流的保存和分析，只将分析结果和感兴趣的视频

    数据上传到云端进行进一步的分析和长期保存，可以大大降低对网络带宽的要求及由此产生的流量成本，同时降低了响应时间并提高了服务质量。同时，由于边缘计算节点更靠近设备端，因此可以获得更多网络

    摄像头的位置等环境信息，为进一步提高边缘智能提供了基础。

    图2-5 边缘计算和云计算在数字安防中协同工作2.2.2 边缘计算覆盖范围

    如图2-6所示，从企业、网络运营商和云服务提供商的角度，边缘计算覆盖的范围不同。对于企业而

    言，边缘计算由最靠近设备和用户现场的计算节点组成，例如办公室和家庭的智能网关设备，智能工厂内

    智能控制器、边缘服务器等；而对于运营商而言，边缘计算包括从接入网到核心网之间的基站机房和中心

    机房内的边缘服务器等。

    图2-6 边缘计算覆盖范围

    2.2.3 边缘计算基础资源架构准则

    1.边缘时延要求

    为了应对市场压力，企业变得越来越敏捷。在这样的趋势下，信息技术领域面临着越来越大的压力，因为它需要确保企业能对越来越快的业务速度做出响应。云计算彻底提升了企业可用的后端敏捷性，能够

    非常快速地为任何企业提供海量的计算和存储能力。敏捷性的下一阶段是前端敏捷，需要重点减少由网络

    和距离导致的时延。不同业务对时延的要求差异巨大。在工厂自动化中，微秒之差也是至关重要的。例

    如，运动控制应用需要几十微秒的周期时间，而在10μs内，光在一根典型的光纤中能够传输约

    3000ft(1ft=0.3048m)。在这种情况下，即便是缩短几英尺的距离也可能极为重要。

    边缘计算的整体架构设计和部署与实际应用场景是分不开的。如图2-7所示，不同的应用对于最大允许

    时延的要求也有很大不同。例如，对于智能电网控制、无人驾驶、AR或VR应用等，时延需要控制在几十毫

    秒以内；一些工业控制、高频交易等应用甚至需要控制在1ms以内。这些应用场合一般都需要边缘计算来提

    高响应速度，在确定的时间内完成任务。对于4K高清视频流媒体、网页加载、网络聊天等应用，虽然它们

    对时延敏感度没有那么高，可允许的最高时延一般在1～4s左右，但过高的时延也会影响用户体验和服务质

    量。因此，也需要CDN来进行边缘侧的内容缓存和分发，从而降低由于网络和距离导致的时延。

    为了达到边缘应用所需要的高性能和低时延要求，可以从多个方面进行优化：

    1)对于虚拟化场景下的网络功能，可以借助SR-IOV、直通访问、DPDK、高速网卡(50G100G)和

    NUMA等来提升性能。

    2)对于存储功能，可以借助分层的存储结构，包括Memory、SATA、NVMe等，以及选择合适的内存

    数据库和数据处理框架来实现。

    图2-7 实际应用场景的最大允许时延要求

    3)对于计算功能，特别是在处理深度学习的推理算法、对称加密或非对称加解密等计算密集型业务

    时，标准的CPU平台是没有太大优势的。因此需要异构的计算平台，例如基于FPGA、GPU或者NPU的加速

    卡来卸载这些操作，以缩短计算时间，提升响应速度。

    2.异构计算随着AI技术的快速发展，基于机器学习或深度学习的AI技术越来越多地被引入到边缘计算节点甚至边

    缘设备中。如图2-8所示，同样是数字安防的例子，在智能摄像头中可以集成人脸识别或跟踪的算法，而在

    分布式的边缘计算节点中，可以进行人脸对齐或特征提取；同时，在带有本地存储的边缘计算节点中进行

    人脸匹配或特征存储，并周期性地将聚合的数据同步到云端服务器，进行更大范围的人脸匹配或特征存

    储。在这个过程中，边缘计算节点除了运行本身的业务和应用外，还需要能够执行边缘的模型推理，或根

    据收集的带标签的数据进行模型的更新和优化。这就需要在边缘计算节点中增加更多算力来更有效率地执

    行这些算法，例如，基于FPGA、GPU、ASIC等的加速器来卸载这部分业务负载。

    图2-8 AI在人脸识别边缘服务器的应用

    3.负载整合和业务编排

    在对边缘计算提出更多功能需求的同时，用户往往需要简化系统结构，以降低成本。这就需要将单一

    功能的设备用多功能的设备来取代。随着处理器计算能力的提高，以及虚拟化技术的成熟，基于虚拟化和

    容器实现多负载整合成为业界发展的趋势。

    由于边缘计算节点的分布式特征，既有南北向，也有东西向的节点，并且不同应用对于硬件配置、实

    时性、网络带宽等需求不尽相同，所以如何在边缘计算节点间进行合理的业务编排是关键。目前，流行的

    如Kubernetes或Apache Mesos等容器管理和业务编排器，也正通过用户定制调度器来应对边缘场景下复杂调

    度的问题。同时，通过业务编排器在分布的边缘节点间实现容灾备份，可提高系统可靠性。

    4.本地互动性

    互动性是指系统协作的速率——本地人与物的“健谈程度”，即确定行动所需的传感器和顺序交互数

    量。例如，一个人购物的过程包括以下步骤：定位感兴趣的商品，试用这些商品，更换商品，最终做出决

    定。这是一系列为最终做决策而连续进行的交互。与实时交互的、移动中的人和物组成的复杂多变的系统

    相比，传感器和制动器对计算能力和时延的要求截然不同。例如，对于自动驾驶车辆在自身系统内、其他

    车辆以及和周边环境之间进行的交互而言，迅速且果断的决策可以拯救生命。即使往复一次的时延很低，但一个协作的系统会将时延放大多倍，从而需要更短的时延才能满足要求。高水平的本地互动性除了要求

    解决方案的物理部署位置更接近于边缘，还需要更强大的信息处理能力、多输入关联能力和数据分析能

    力，而且可能还需要机器学习功能。

    5.数据和带宽

    可以说，今天的互联网是围绕涌向边缘的数据而设计的。而物联网的发展趋势正在打开边缘数据爆炸

    性增长的大门，这和早期云计算的数据流向是相反的。边缘数据的价值特点是：只在边缘对本地决策有价

    值，对中心总量分析有价值，时间敏感程度高、半衰期短且很快失去价值。

    某一些数据可能比另一些数据更有价值，例如捕捉到物体移动的一帧镜头比空帧或仅记录风吹草动的

    一帧更有价值。有些数据可能需要归档，有些则不用。一些传感器会产生大量复杂数据，而其他传感器只

    会产生极少量的数据流。带宽的可用性和成本需要与数据价值、生命周期以及是否需要存储和归档相平

    衡，排列本地优先级、实行数据过滤和智能化有助于减少数据流量。

    当数据仅在本地有价值时，边缘计算能够更近距离地处理甚至储存和归档原始数据，从而节约成本。

    数据存储和远程数据管理将至关重要。当需要处理海量数据时，本地分析和过滤能够减少需要进行维护或

    送往云端或企业数据中心的数据量。这降低了组网成本，并为更重要的流量处理保留了有限的网络带宽。

    因此，应用在云端服务中心的大数据分析技术在边缘计算节点上应用得也越来越多。而随着边缘侧大

    数据的4V特性的显著增长，数据更快、更大、更多样，不可能像传统的MapReduce那样将数据先存储下

    来，然后进行处理和分析；另一方面，企业对于边缘侧的大数据处理也提出了更高的诉求，要求更快、更

    精准地捕获数据价值，高性能的流处理将是解决这些问题的关键之一，在大数据处理中也扮演越来越重要

    的角色。例如，通过Spark Streaming、Flink流处理框架提供内存计算，并在此之上发展出数据处理、高级分析和关系查询等能力。

    6.隐私和安全

    隐私、安全和监管要求可能需要边缘计算解决方案来满足。对于运营商的网络，一般认为核心网机房

    处于相对封闭的环境，受运营商控制，安全性有一定保证。而接入网相对更容易被用户接触，处于不安全

    的环境。由于边缘计算的本地业务处理特性，使得大多数数据在核心网之外得到终结，运营商的控制力减

    弱，攻击者可以通过边缘计算平台或应用攻击核心网，造成敏感数据泄露、DDoS攻击等。

    边缘计算中的一些数据是公共的，但很多数据是企业保密信息、个人隐私或受到监管的信息。一些边

    缘计算架构和拓扑将根据数据需要在何地进行安全合法的存储和分析来决定。边缘的场景可能是工作场

    所、工厂或家庭，边缘计算可以与人和物在一起“就地部署”。或者边缘本身可能并不安全，例如位于公共

    空间。在这种情况下，边缘计算需要远离人和物部署才能保障安全。监管要求可能因地理位置而异，因

    此，不同位置应用有着不同的网络拓扑和数据归档要求。

    隐私和安全问题将推动边缘计算拓扑、数据管理、归档策略和位置以及数据分析方案的形成。为满足

    不同边缘位置的地理和监管要求，不同的边缘计算解决方案之间可能大不相同。

    7.有限的自主性

    虽然边缘计算是中央数据中心或云服务的一部分或与之相连，位于边缘的用例可能需要一定程度的独

    立性和自主性，这包括自组织和自发现(处理新连接的人和物)，或当一条连接断开时能够继续操作。例

    如，军用微云计算在中央云服务可用时能够利用其能力，但当连接断开时仍可以独立“正常运行”。边缘计

    算解决方案还可能依赖于云端或中央数据中心的某些功能或协调能力，而后续这种依赖将减弱。自主性要

    求还与用例如何确保自我恢复能力、如何处理后端的不一致和不确定的时延有关，也可能与用例如何包含

    边缘机器学习有关。

    不依赖于连接后端的边缘计算解决方案需要更广泛的处理能力和数据缓存能力，也就是自我恢复能

    力。一旦重新建立连接，这些边缘计算解决方案将需要与它的云端或企业数据中心核心重新同步。它们需

    要足够灵活，以根据连接是否可用来动态变更计算能力。它们可能需要更丰富的机器学习能力来自我组织

    和自我发现，而非依赖核心系统的协调。

    8.边缘部署环境

    对于靠近现场设备端部署的边缘计算节点，一般需要考虑环境的要求。例如，在智能工厂应用中，边

    缘计算节点可能直接部署在车间的设备旁。因此，为了保证节点长时间稳定运行，需要支持宽温设计、防

    尘、无风扇运行，具备加固耐用的外壳或者机箱。

    边缘计算服务器通常部署在靠近设备端的办公室内或网络边缘等，边缘计算服务器与BBU部署在同一

    个站址，因此其运行环境必须符合NEBS要求。NEBS要求包括：服务器的工作温度通常为-40～50℃，工作

    湿度为5%～100%，并需要具有良好的防水、防腐、防火性能，以及设备操作性，抗震性等特性；同时，边

    缘服务器可能会在机架外进行操作和使用，因此外壳尺寸相对于数据中心要小些，并能够灵活地支持各种

    固定方式，例如固定在墙上、桌子或者柜子内。

    2.3 边缘计算架构

    2.3.1 边缘计算架构的组成

    1.服务器

    服务器是构建边缘计算架构的核心。相对于传统的数据中心服务器，边缘服务器应能够提供高密度计

    算及存储能力。这主要是由于在实际的边缘部署环境中，边缘服务器能够得到的工作空间十分局促，通常

    不足传统单个数据中心机架(约40U)的10%。为了尽可能多地容纳业务部署，边缘服务器需要采用高密度

    组件，例如多核CPU(多于20核)、预留至少两个半高半长规格的PCIe插槽，支持M.2 E-key的Wi-Fi、卸载

    模块或M-key的存储模块，大容量ECC内存，以及大容量固态存储器等。

    在供电和功耗方面，考虑到深度学习模型推理的场景需要使用卸载卡，总功耗至少在300W以上，使用

    直流电或者交流电供电。对于5G基站内部署的服务器，需要支持48V直流供电，并支持无风扇散热能力，降低对部署环境的散热要求。带外管理可以帮助用户在远端管理边缘服务器平台，例如升级系统或诊断故障，是可选的特性。

    2.异构计算

    随着物联网应用数据的爆炸性增长以及AI应用的普及，异构计算在边缘计算架构中也越来越重要。它

    能够将不同指令集的计算单元集成在一起，从而发挥它们各自最大的优势，实现性能、成本和功耗等的平

    衡。例如，GPU具有很强的浮点和向量计算能力，可以很好地完成矩阵和向量的并行计算，适用于视频流

    的硬件编解码、深度学习模型的训练等；FPGA具有硬件可编程能力及低时延等特性；而ASIC具有高性

    能、低功耗等特点，可用于边缘侧的深度学习模型推理、压缩或加解密等卸载操作。异构计算在带来优势

    的同时，也增加了边缘计算架构的复杂度。因此，需要虚拟化和软件抽象层来提供给开发者统一的SDK和

    API接口，从而屏蔽硬件的差异，使得开发者和用户能够在异构平台上方便地开发和安装。

    3.虚拟机和容器

    借助虚拟机和容器，系统能够更方便地对计算平台上的业务负载进行整合、编排和管理。虚拟机和容

    器的主要区别如表2-2所示。

    表2-2 虚拟机和容器的主要区别

    虚拟机和容器的选择主要依赖于业务需要。若业务之间需要达到更强的安全隔离，虚拟机是较好的选

    择；如果更看重节省资源、轻量化和高性能，容器则更好。容器可以单独运行在主机OS之上，也可以运行

    在虚拟机中。Docker等容器技术在多数应用中更适合边缘计算的场景。但是，依然有些边缘场景需要使用

    传统虚拟机(VM)，包括同时需要支持多个不同OS的场景，例如Linux、Windows或者VxWorks；以及业

    务间相差较大并对相互隔离需求更高的时候，例如在一个边缘计算节点中同时运行工业上的PLC实时控

    制、机器视觉和人机界面等。

    由于容器具有轻量化、启动时间短等特点，所以能够在需要的时候及时安装和部署，并在不需要的时

    候立即消失，释放系统资源。同时，一个应用的所有功能再也不需要放在一个单独的容器内，而是可以通

    过微服务的方式将应用分割成多个模块并分布在不同的容器内，这样更容易进行细粒度的管理。在需要对

    应用进行修改的时候，不需要重新编译整个应用，而只要改变单个模块即可。

    容器管理器用于管理边缘端多个主机上的容器化的应用，例如Kubernetes支持自动化部署、大规模可伸

    缩、应用容器化管理，如图2-9所示。在生产环境中部署一个应用程序时，通常要部署该应用的多个实例，以便对应用请求进行负载均衡。在Kubernetes中，我们可以创建多个容器，每个容器里面运行一个应用实

    例，然后通过内置的负载均衡策略，实现对这一组应用实例的管理、发现、访问，而这些细节都不需要运

    维人员去进行复杂的手工配置和处理。

    图2-9 使用Kubernetes部署边缘服务器的例子

    在边缘计算中，终端节点不再是完全不负责计算，而是做一定量的计算和数据处理，之后把处理过的

    数据再传递到云端。这样一来可以解决时延和带宽的问题，因为计算在本地，而且处理过的一定是从原始

    数据中进行过精炼的数据，所以数据量会小很多。当然，具体要在边缘做多少计算也取决于计算功耗和无

    线传输功耗的折中——终端计算越多，计算功耗越大，无线传输功耗通常就可以更小，对于不同的系统存在不同的最优值。

    如图2-10所示为百度AI边缘计算参考架构，作为一个典型、完整的边缘计算技术体系，包括基础设

    施、性能加速、平台资源管理、PaaS、AI算法框架和开放应用。基础设施主要包括智能终端、接入网技

    术、移动边缘站点、云边缘站点和PoP站点，根据不同资源程度来分配计算任务；性能加速完成边缘计算节

    点的计算、存储、IO优化和节点连接的加速优化；平台资源管理实现对CPU、GPU、存储和网络的虚拟化

    和容器化功能，满足资源的弹性调度和集群管理要求；PaaS提供应用设计及开发阶段的微服务化、运行态

    环境、通信框架和管理面运行状态监控等支持；AI算法框架从时延、内存占用量和能效等方面，实现边缘

    计算节点上AI推理加速和多节点间AI训练算法的联动；开放应用凭借AI算法框架完成强交互的人机交互、编解码、加解密等信息预处理和算法建模，同时需要在数据源带宽低收敛比、低时延响应的物理资源环境

    中满足数据传输和交互需求。

    图2-10 百度AI边缘计算参考架构

    2.3.2 边缘计算平台架构

    边缘计算的基础资源包括计算、网络和存储三个基础模块，以及虚拟化服务。

    1.计算

    异构计算是边缘计算侧的计算硬件架构。近年来，摩尔定律仍然推动芯片技术不断取得突破，但物联

    网应用的普及带来了信息量爆炸式增长，AI技术应用也增加了计算的复杂度，这些对计算能力都提出了更

    高的要求。计算要处理的数据种类也日趋多样化，边缘设备既要处理结构化数据，也要处理非结构化数

    据。同时，随着边缘计算节点包含了更多种类和数量的计算单元，成本成为关注重点。

    为此，业界提出将不同指令集和不同体系架构计算单元协同起来的新计算架构，即异构计算，以充分

    发挥各种计算单元的优势，实现性能、成本、功耗、可移植性等方面的均衡。

    同时，以深度学习为代表的新一代AI在边缘侧应用还需要新的技术优化。当前，即使在推理阶段，对

    一幅图片的处理也往往需要超过10亿次的计算量，标准的深度学习算法显然不适合边缘侧的嵌入式计算环

    境。业界正在进行的优化方向包括自顶向下的优化，即把训练完的深度学习模型进行压缩来降低推理阶段

    的计算负载；同时，也在尝试自底向上的优化，即重新定义一套面向边缘侧嵌入系统环境的算法架构。

    2.网络

    边缘计算的业务执行离不开通信网络的支持。边缘计算的网络既要满足与控制相关业务传输时间的确

    定性和数据完整性，又要能够支持业务的灵活部署和实施。时间敏感网络和软件定义网络技术会是边缘计

    算网络部分的重要基础资源。

    为了提供网络连接需要的传输时间确定性与数据完整性，国际标准化组织IEEE执行了TSN(Time-

    Sengitive Networking)系列标准，针对实时优先级、时钟等关键服务定义了统一的技术标准，是工业以太网

    连接的发展方向。

    SDN逐步成为网络技术发展的主流，其设计理念是将网络的控制平面与数据转发平面进行分离，并实

    现可编程化控制。将SDN应用于边缘计算，可支持百万级海量设备的接入与灵活扩展，提供高效低成本的

    自动化运维管理，实现网络与安全的策略协同与融合。

    3.存储

    数字世界需要实时跟踪物理世界的动态变化，并按照时间序列存储完整的历史数据。新一代时序数据库TSDB(Time Series Database)是存放时序数据(包含数据的时间戳等信息)的数据库，并且需要支持时

    序数据的快速写入、持久化、多纬度的聚合查询等基本功能。为了确保数据的准确和完整性，时序数据库

    需要不断插入新的时序数据，而不是更新原有数据。

    4.虚拟化

    虚拟化技术降低了系统开发成本和部署成本，已经开始从服务器应用场景向嵌入式系统应用场景渗

    透。典型的虚拟化技术包括裸金属(Bare Metal)架构和将主机(Host)等功能直接运行在系统硬件平台

    上，然后再运行系统和虚拟化功能。后者是虚拟化功能运行在主机操作系统上。前者有更好的实时性，智

    能资产和智能网关一般采用该方式。

    对于边缘计算系统，处理器、算法和存储器是整个系统中最关键的三个要素，以下进行仔细分析。

    (1)用于边缘计算的处理器。要多通用？是否要使用专用加速器？常规物联网终端节点的处理器是一

    块简单的MCU，以控制目的为主，运算能力相对较弱。如果要在终端节点加边缘计算能力有两种做法。第

    一种是把这块MCU做强，例如使用新的指令集增加对矢量计算的支持，使用多核做类似SIMD的架构等；第

    二种是依照异构计算的思路，MCU还是保持简单的控制目的，计算部分则交给专门的加速器IP来完成，AI

    芯片其实大部分做的就是这样的一个专用人工智能算法加速器IP。显然，按前一种思路做出来通用性好，而第二种思路则是计算效率更高。未来预计两种思路会并行存在，平台型的产品会使用第一种通用化思

    路，而针对某种大规模应用做的定制化产品则会走专用加速器IP的思路。然而，因为内存的限制，IoT终端

    专用加速器IP的设计会和其他领域的专用加速器有所不同。

    (2)算法与存储器。众所周知，目前主流的深度神经网络模型的大小通常在几兆甚至几百兆，这给在

    物联网节点端的部署带来了挑战。物联网节点端出于成本和体积的考量不能加DRAM，一般用FLASH(同

    时用于存储操作系统等)作为系统存储器。我们可以考虑用FLASH存储模型权重信息，但是缓存必须在处

    理器芯片上完成，因为FLASH的写入速度比较慢。由于缓存大小一般都是在几百KB到1MB，限制了模型的

    大小，因此算法必须能把模型做到很小，这也是最近“模型压缩”话题会受关注的原因。

    如果算法无法把模型做到很小，就需要考虑内存内计算。内存内计算(in-Memory Comp-uting)是一种

    与传统冯·诺伊曼架构不同的计算方式。冯·诺伊曼架构的做法是把处理器计算单元和存储器分开，在需要的

    时候处理器从存储器读数据，在处理器处理完数据之后再写回存储器。因此，传统使用冯·诺伊曼架构的专

    用加速器也需要配合DRAM内存使用，使得这样的方案在没法加DRAM的物联网节点端难以部署。内存内

    计算则是直接在内存内做计算而无须把数据读取到处理器里，节省了内存存取的额外开销。一块内存内计

    算的加速器的主体就是一块大容量SRAM或者FLASH，然后在内存中再加一些计算电路，从而直接在内存

    内做计算，理想情况下能在没有DRAM的条件下运行相关算法。

    当然，内存内计算也有一定的挑战。除了编程模型需要仔细考虑，内存内计算目前的实现方案本质上

    都是做模拟计算，因此计算精度有限。需要人工智能模型和算法做相应配合，对于低精度计算有很好的支

    持，避免在低精度计算下损失太多正确率。目前，已经有不少Binary Neural Network(BNN)出现，即计算

    的时候只有1位精度0或者1，并且仍然能保持合理的分类准确率。

    另一方面，目前IoT节点终端内存不够的问题除可以用模型压缩解决外，另一种方式是使用新存储器解

    决方案来实现高密度片上内存，或者加速片外非易失性存储器的读写速度，并降低读写功耗。因此，边缘

    计算也将会催生新内存器件，例如MRAM、ReRAM等。

    2.3.3 边缘计算平台架构选型

    1.英特尔志强D平台

    随着5G网络等新技术的崛起，终端的数量以及生成、消费的数据量正以指数级别增长，依赖于云端的

    数据中心处理和分析数据可能会具有较高的时延，并占用大量的带宽。大量终端需要近距离的数据处理能

    力，并且还要兼顾成本、空间和能耗。全新推出的英特尔至强D-2100处理器可以完美符合这些要求，通过

    集成强大的Intel Skylake计算核心、IO能力，以及独特的Intel QAT加速器和iWARP RDMA以太网控制器，它提供了数据中心级别的能力：强大的性能以及极高的可靠性。同时，英特尔至强D-2100的热设计功耗维

    持在100W以下，在性能、成本、空间、功耗上取得了平衡。在绝大多数边缘计算场景，志强D系列处理器

    都可适用，它提供的性能足以应付边缘AI和数据分析的工作。

    2.华为发布面向边缘计算场景的AI芯片 昇腾310在HC2018上，华为正式发布全栈全场景AI解决方案。其中，昇腾310芯片是面向边缘计算场景的AI

    SoC。当前，最典型的几种边缘计算场景是安防、自动驾驶和智能制造。无论哪一种边缘计算场景，都对空

    间、功耗、算力提出了苛刻的条件。一颗昇腾310芯片可以实现高达16TOPs的现场算力，支持同时识别包

    括人、车、障碍物、交通标识在内的200个不同的物体；一秒钟内可处理上千张图片。无论是在急速行驶的

    汽车上，还是在高速运转的生产线上，无论是复杂的科学研究，还是日常的教育活动，昇腾310都可以为各

    行各业提供触手可及的高效算力。昇腾系列AI芯片的另一个独特优势是采用了华为开创性的统一、可扩展

    的架构，即“达芬奇架构”，它实现了从低功耗到大算力场景的全覆盖。“达芬奇架构”能一次开发适用于所有

    场景的部署、迁移和协同，大大提升了软件开发的效率，加速AI在各行业的切实应用。

    3.ARM的机器学习处理器

    机器学习处理器是专门为移动和相邻市场推出的全新设计，性能为4.6TOPs，能效为3TOPsW。计算

    能力和内存的进一步优化大大提高了它们在不同网络中的性能。其架构包括用于执行卷积层的固定功能引

    擎以及用于执行非卷积层和实现选定原语和算子的可编程层引擎。网络控制单元管理网络的整体执行和网

    络的遍历，DMA负责将数据移入、移出主内存。板载内存可以对重量和特征图进行中央存储，减少流入外

    部存储器的流量，从而降低功耗。有了固定功能和可编程引擎，机器学习处理器变得非常强大、高效和灵

    活，不仅保留了原始性能，还具备多功能性，能够有效运行各种神经网络。为满足不同的性能需求，从物

    联网的每秒几GOP到服务器的每秒数十TOP，机器学习处理器采用了全新的可扩展架构。对于物联网或嵌

    入式应用，该架构的性能可降低至约2GOPs，而对于ADAS、5G或服务器型应用，性能可提高至150

    TOPs。这些多重配置的效率可达到现有解决方案的数倍。由于与现有的ARM CPU、GPU和其他IP兼容，且能提供完整的异构系统，该架构还可通过TensorFlow、TensorFlow Lite、Caffe和Caffe2等常用的机器学习

    框架来获取。随着机器学习的工作负载不断增大，计算需求将呈现出多种形式。ARM已经开始采用拥有不

    同性能和效率等级的增强型CPU和GPU，运行多种机器学习用例。推出ARM机器学习平台的目的在于扩大

    选择范围，提供异构环境，满足每种用例的选择和灵活性需求，开发出边缘智能系统。

    4.霍尼韦尔Mobility Edge平台

    Mobility Edge平台是一款统一、通用的移动计算平台解决方案，它以统一的内核支持三个系列共9款不

    同形态与等级的移动数据终端产品，帮助交通运输、仓储物流、医疗及零售等领域的企业提高移动作业效

    率，并节约成本。Mobility Edge平台整合了霍尼韦尔在移动终端领域的技术与经验，为移动数据终端产品

    提供高度的一致性、可重用性和可扩展性，从而实现对整体终端方案快速安全的开发、部署、性能与生命

    周期管理。霍尼韦尔已推出第一款基于Mobility Edge平台架构的产品——Dolphin CT60移动计算机。霍尼韦

    尔Dolphin CT60移动计算机专为企业移动化设计，具备了网络连接性、扫描性能、坚固的产品设计与贴心

    的使用体验，能够随时随地为关键业务应用和快速数据输入提供实时连接。Mobility Edge平台可帮助企业

    加速配置、认证和部署流程，实现投资回报率最大化，降低总拥有成本，并简化高重复性任务。无论是轻

    型仓库、制造业、还是现场服务，霍尼韦尔Dolphin CT60移动计算机都会是企业绝佳的移动化工作伙伴。

    5.NI发布IP67工业控制器支持IoT边缘应用

    美国国家仪器(National Instruments，NI)宣布NI首款IP67级控制器IC-3173工业控制器。全新的控制器

    非常适合在恶劣的环境中作为工业物联网边缘节点使用，包括喷涂制造环境、测试单元和户外环境，而且

    无须保护外壳。IP67防护等级可以确保机器在粉尘和潮湿环境下严格按照IEC 60529标准稳定运行。NI正在

    不断研发可支持时间敏感型网络(TSN)的新产品，工业控制器就属于其中的一部分。TSN是IEEE 802.1以

    太网标准的演进版，提供了分布式时间同步、低时延和时间关键及网络流量收敛。除使用TSN进行控制器

    之间的通信外，工程师还可使用NI基于TSN的CompactDAQ机箱来集成高度同步的传感器测量。

    6.AWS Greengrass

    AWS Greengrass立足于AWS公司现有的物联网和Lambda(Serverless计算)产品，旨在将AWS扩展到间

    歇连接的边缘设备，如图2-11所示。借助AWS Greengrass，开发人员可以从AWS管理控制台将AWS Lambda

    函数添加到联网设备，而设备在本地执行代码，以便设备可以响应事件，并近乎实时地执行操作。AWS

    Greengrass还包括AWS物联网消息传递和同步功能，设备可以在不连回到云的情况下向其他设备发送消息。

    AWS Greengrass可以灵活地让设备在必要时依赖云、自行执行任务和相互联系，这一切都在一个无缝的环

    境中进行。Greengrass需要至少1GHz的计算芯片(ARM或x86)、128MB内存，还有操作系统、消息吞吐量

    和AWS Lambda执行所需的额外资源。Greengrass Core可以在从Raspberry Pi到服务器级设备的多种设备上运

    行。图2-11 亚马逊Greengrass

    7.Edge TPU

    谷歌公司推出了能让传感器和其他设备高效处理数据的芯片Edge TPU，并先投入工业制造领域进行“实

    验性运行”，其主要用途是检测屏幕的玻璃是否存在制造缺陷。消费电子产品制造商LG也将开始对这个芯片

    进行一系列的测试。据悉，Edge TPU比训练模型的计算强度要小得多，而且在脱离多台强大计算机相连的

    基础上进行独立运行计算，效率非常高。

    2018年7月，谷歌公司宣布推出两款大规模开发和部署智能联网设备的产品：Edge TPU和Cloud IoT

    Edge。Edge TPU是一种专用的小型ASIC芯片，旨在在边缘设备上运行TensorFlow Lite机器学习模型。Cloud

    IoT Edge是软件堆栈，负责将谷歌公司的云服务扩展到物联网网关和边缘设备。

    如图2-12所示，Cloud IoT Edge有三个主要组件：便于网关级设备(至少有一个CPU)存储、转换和处

    理边缘数据并从中提取信息的Cloud Dataflow运行时环境，同时与谷歌云IoT平台的其余组件协同操作；

    Edge IoT Core运行时环境可将边缘设备安全地连接到云；Cloud ML Engine运行时环境基于TensorFlow

    Lite，使用预先训练的模型执行机器学习推理。

    8.百度DuEdge

    百度DuEdge借助边缘网络计算的力量，破局云与端之间数据传输和网络流量难题，提升业务灵活性和

    运行效率。使用DuEdge服务网站将使访问速度更快，通过智能路由技术解决不同运营商之间的跨网问题；

    借助缓存减少设备回源请求，释放带宽资源提升响应速度。DuEdge将包括云端设备消息收发、函数计算、安全防护在内的一系列能力拓展到边缘节点，使其成为可编程化的智能节点。此外，百度安全DuEdge依靠

    边缘网络计算的分布式计算原理及在物理上更靠近设备端的特性，使其能够更好地支持本地数据任务的高

    效处理和运行，减缓了由设备端到云端中枢的网络流量压力。同时，DuEdge根据用户的实际使用量计费，可有效减少资源占用开支，节省源站的带宽成本和计算成本；而基于百度安全的一站式服务，用户可依照

    自身需求选择网站可用性监控和SEO等多种增值服务，通过按需配置与资源整合，实现产品整体开发和运

    维成本的下降。

    图2-12 谷歌边缘服务架构

    9.阿里云Link IoT Edge

    阿里云推出的IoT边缘计算产品Link IoT Edge，将阿里云在云计算、大数据、人工智能的优势拓宽到更

    靠近端的边缘计算上，打造“云-边-端”一体化的协同计算体系。借助Link IoT Edge，开发者能够轻松地将阿里云的边缘计算能力部署在各种智能设备和计算节点上，例如车载中控、工业流水线控制台、路由器等。

    此外，Link IoT Edge支持包括Linux、Windows、Raspberry Pi等在内的多种环境。

    10.Azure IoT Edge

    微软的Azure IoT Edge技术旨在让边缘设备能够实时地处理数据。Moby容器管理系统也提供了支持，这是Docker构建的开源平台，允许微软将容器化和管理功能从Azure云扩展到边缘设备。Azure IoT Edge包

    含三个部分：IoT Edge模块、IoT Edge运行时环境和IoT中心。IoT Edge模块是运行Azure服务、第三方服务

    或自定义代码的容器，它们部署到IoT Edge设备上，并在本地执行。IoT Edge运行时环境在每个IoT Edge设

    备上运行，管理已部署的模块。而IoT中心是基于云的界面，用于远程监控和管理IoT Edge设备。

    微软Azure边缘服务架构如图2-13所示。

    图2-13 微软Azure边缘服务架构

    11.Oracle与风河

    Oracle与风河正在携手合作，提供一个集成化的物联网解决方案，将企业应用系统的信息处理能力扩展

    到边缘设备。通过实现Oracle IoT Cloud Service与风河Wind River Helix Device的整合，让企业应用系统自动

    化采集边缘设备传感器中的数据并实现情景化，工业企业就可以在设备的网络互连、管理和安全性等方面

    节省大量的时间，获取更大的效益。这套集成化的解决方案使设备中的数据快速进入企业后端的ERP、CRM、资产管理和各种特定目标领域的应用系统中。而且它为企业客户提供了简洁明了的配置和部署经

    验，甚至可以直接远程启动设备，并将其中的数据安全地导入企业应用系统。Wind River Helix Device

    Cloud是对Oracle IoT Cloud Service的扩展，为工业物联网中的设备提供了集中化的设备生命周期管理服务，涵盖安全部署、监视、服务、管理、更新和退役。

    2.3.4 机器学习在边缘计算架构中的演进

    由于深度学习模型的高准确率与高可靠性，深度学习技术已在计算机视觉、语音识别与自然语言处理

    领域取得了广泛的应用。

    1.不同的应 ......