一文揭秘边缘计算参考架构2.0的实践与思考

该架构具体包括：深度学习、预置模型、云端训练、边缘集成、边缘部署。同时，它也面向一些典型的应用场景(如视频应用)提供各种工具链，以更好地支持应用开发。

针对机器学习，我们的平台提供了一整套的工具链，来实现核心构建、建模、以及模型库的发布。

前面提到过，工业项目一般周期都特别长。我们当年做过的一个空气压缩机的降能耗项目，就持续了半年多。

其中涉及到了如下关键因素：

IT人员跨界到工业领域，需要很长的时间去熟悉各种环境。因此，工业项目往往需要外部和内部专家的合作，充分发挥IT人员擅长做数据，和OT人员提供支持的优势，并能持续交互与合作。 我们需要花大量的时间，对工业现场所产生的数据进行清洗和打标签。由于过程比较复杂，因此往往需要半年才能做出像样的模型和框架。当然，后期的迭代数据会比较快。可见，IT技术在工业领域不但需要有较长的沉淀周期，而且也顶多也只是一个赋能的工具。

由于在许多场景中资源是有限的，因此我们需要在边缘侧有一个轻量化的架构。如上图所示，我们在边缘侧提供了EdgeCore，这一无服务器架构。

我们将网关等组件统一抽象为边缘计算节点，通过协议来形成本地的逻辑组，从而实现设备的统一、交互、协助、以及去中心化。

在边缘侧，其实每个行业的场景都是不一样的。例如：水库机组的不同水泵之间，就需要有一些内在逻辑，以实现在云端连接出现故障时，不同主机仍可进行交互。

如上图，SmartMesh提供一个服务总线，我们通过抽象每个节点，并在此基础上去定义逻辑。而在其他场景下，我们只需修改上面的逻辑，并保持下方不变，便可很容易地实现适配。

当然，在物联网边缘应用的场景开发中，我们碰到过许多问题。例如：华为在交付它所提供的网关时，从网络接口的配置，到场景的切换与测试，都不但耗时，而且可能发生各种特殊环境的问题。

如今，我们实现了在云端提供一个集成式的开发环境，从而仿真出网关类的硬件，以及不同的设备库、各种OS库，甚至是网关的内存资源都能被仿真出来。如此，用户只需简单拖拽，便可构建、加载出一个运营环境。

过去，我们往往需要人工巡检包括胸牌、警示牌的安全相关状况。如今有了机器学习、大数据、深度学习等方式，我们就可以构建出模型库与合规库。通过现场的照片采集和云端的数据分析，我们就能很方便地得到相应的安全报告了。

另外，过去人工检测芯片电路板，一般每块板需要大约5分钟。如今摄像头通过机器学习和机器识别的方式，大幅提高了准确度和效率。

同理，我们基于机器学习，对空压机的各种多功率参数进行了控制与优化，使之能耗减少了2%—4%。

在3C领域，通过取代人工识别，我们也能将人员的工作量降低48%。

面向未来，我们需要把来自垂直方向的需求进行水平化，通过统一术语和架构，最终促进产业的协作与发展。

边缘计算参考架构2.0实践与思考

上图是我们提出的边缘计算参考架构。最上面是智能服务，它处于云端和边缘层，其本质上是为开发和部署提供全流程的服务。

而它的最底端是一些边缘传感、边缘网关和边缘服务器等物理设备，它们负责将采集到的信息数字化。

可见，负责架构上方的IT人员和负责下方OT人员需要通过交互，来实现业务，并一层层地映射到具体的行业之中。因此，大家需要使用统一的语言模块化描述具体的需求。

与此同时，上面的数字世界跟下面的物理世界在交互时，需要有一个中间层，以负责定义各种业务规则，实现上下映射，并层层进行屏蔽。也就是说：对于业务层来说，它不必了解过多操作和物理层面的资源信息。

因此，我们把边缘侧整体抽象成了一个边缘云，然后通过接口跟上方进行交互，进而层层解耦，直至下方那些纯工业人员所关注的物理层。

过去因为考虑到切换的成本太高，大家都害怕被某个“阵营”所绑架，因此在合作时都很谨慎。

（编辑：温州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!