【51CTO.com原創稿件】隨著物聯網和5G網絡的發展， “邊緣計算”逐漸成為許多大佬的關注點。邊緣計算作為新的計算范式，在靠近設備端的運算上，展現出了實時處理與高效節能的優勢。那么，業界如何定義邊緣計算呢?它目前的市場狀況與未來的發展前景又如何呢?

2018 年 5 月 18-19 日，由 51CTO 主辦的全球軟件與運維技術峰會在北京召開。在“IOT開發技術解析”分論壇上，來自華為、及邊緣計算產業聯盟的技術架構主席史揚，給大家帶來了《邊緣計算參考架構2.0實踐與思考》。

本文將按照如下三個部分展開：

• 為什么需要邊緣計算(WHY)
• 華為如何在邊緣計算領域持續發力(HOW)
• 邊緣計算參考架構2.0實踐與思考

為什么需要邊緣計算

行業數字化的轉型是當下比較時髦的概念。其本質是：以數字化產生數據，網絡化實現價值的流動，通過智能化來創造經濟和社會價值。

行業數字化的迭代發展是從互聯網公司開始，逐步進入互聯網金融公司(FinTech)，而近兩年則進入了實體行業的智能制造等場景中。

縱觀任何一個企業，其運營無非涉及到：人、財、物，應用和環境，而說到底都是源于數據。我們通過對數據的感知、到對數據含義的認知、從而達到對數據進行預測。

例如：我們通過關聯分析，來對互聯網用戶做“畫像”，進而預測他的購物習慣。憑借著越來越廉價的云計算服務、ERP和CRM等軟件的協助，我們能夠從歷史看未來，不斷優化用戶體驗，進而做出各種決策。

如今，傳統行業需要通過物聯網，來獲知其核心資產(如發電機)的運行狀況和資產利用率，進而打通從云端到邊緣計算。

因此，數字化轉型的核心問題是：締造“數據+模型=服務”的模式，實現如下四個轉變：

• 物理世界與數字世界從割裂轉變為協作融合。
• 運營決策從模糊的經驗化轉變為基于數字化、模型化的科學化。
• 流程從割裂轉變為基于數據的全流程協同。
• 行業單邊創新轉變為基于產業生態的多邊創新。

如今我們的數字化轉型技術正變得越來越成熟，門檻也越來越低。例如：在漢諾威工業展上受到追捧的數字孿生，就是通過模型化的方式，使用ICT的技術，在數字世界里構建一個虛擬世界。可見，數字技術其實是可以將物理世界的潛能釋放出來的。

當然，物理世界與云數字世界的聯接也存在各種問題，包括：十毫秒的時延約束，無人駕駛場景中的數據猛增和帶寬消耗，人員與企業的數據安全與隱私，以及邊緣側物理設備與云端的聯接的不可靠性等。

因此，我們需要通過智能分布化，來實現物的自主化，從而進一步實現：物與物之間的協助、物與本地系統的協作、物與人的協作(即人機交互)、以及物和云的交互協作。那么在整個過程中，我們都需要通過一種數據和支持的共享，來實現全面的協作化。

不過，我們所用到的邊緣計算、云服務、乃至Docker和K8等技術，其實歸根到底都屬于分布式系統。

而對于分布式系統架構來說，除了我們所熟悉的，具有可擴展性和性能優勢之外，也帶來了如上圖所示的各種挑戰。

其中包括：部署、學習曲線陡峭、理解整體架構邏輯、以及各種開發成本、維護成本和運營成本等方面。

同時，那些在工業上被廣泛使用到的各種傳統軟件，如ERP、MES、CAD等，由于具有較強的行業定制化的特點(MES尤為典型)，導致了它們既不賺錢，又難以適應靈活的需求變化。

因此，我們需要將原有的工業服務平臺從層次化變為扁平化，把它們的業務邏輯打碎成多個模塊。我們通過內部封裝，以一種組態編排的方式來解決工業現場的多樣化問題。

在業界上，我們通過K8之類的技術來構建出一種“高內聚、松耦合”的分布式服務架構，并且使用微服務來為架構提供包括：服務發現、控制總線、業務編排、架構運維在內的一系列基礎服務。

伴隨著微服務化，工業界本身的控制架構也產生了分布式化。例如：在工業現場的PLC控制裝備上，實現了可交互的分布式控制邏輯。

一般而言，企業每更換一種手機型號，其生產線上所有的工藝都要做出相應的調整。因此，各個企業在生產線水平上的競爭，就主要體現在換裝能力和新產品的上線能力等方面。同時，企業需要通過快速地加載和迭代系統工藝，實現靈活的編排和工序控制。

總結起來，如今行業數字化轉型面臨著如下的挑戰：

• OT(Operation Technology)和ICT(Informationand Communications Technology)跨界協作挑戰
• 知識模型化仍是巨大挑戰
• 數據信息難以有效流動與集成
• 產業鏈變長，增加了端到端協作集成挑戰

我們需要通過AI、大數據、機器學習等技術，將傳統的機理模型與數據計算模型相結合，讓企業轉向運營服務轉型和協作型，從而帶來整個產業鏈在生態架構上的變化。

下面，我們來看看邊緣計算的基本概念。簡言之，它是一個開放分布式平臺，能夠解決實時性、數據優化和安全等一系列問題。

從軟件技術的發展歷程來看，早年各大軟件公司各自為政，都推出過自己的操作系統，后來則由能夠跑在X86芯片上的Linux操作系統成為了主流。

近幾年，由亞馬遜推出的云計算服務封裝了底層的操作系統和硬件，用戶只需像使用水電煤那樣去應用這些云服務便可。

而在工業上，其價值鏈的最上端是工藝，接著是核心裝備，再往下是PLC，以及一些核心的工業軟件，而我們常見的IT則處于基礎的末端。因此整個價值鏈的核心是：系統集成商負責把軟硬整體打包提供服務。

另外，對于某些通用的軟件而言，其實它們并不可能去單獨招標。例如：網絡軟件，一般是被綁定在整個項目中進行招標的。可見，工業上的整體商業模式是不太一樣的。

作為類比，邊緣計算和云計算的本質都集中在兩個方面：

• 水平解耦，通用化所有組件。例如：我們可以把在邊緣側要用到的所有數據流程分解，做成一個通用工具。
• 新的商業模式，邊緣計算和云計算都屏蔽掉了大部分底層的基礎部件，以運營服務的方式來盈利。原來只需提供設備的廠商，如今要提供各種服務，包括：預測性維護、精益類服務等。因此這會是一個技術到商業模式的全棧方案。

基于上述理論，我們提出了如圖所示的模型驅動架構，旨在讓物理世界和數字世界協作起來，達到在物理世界里建立各種認知。

如今，工業界很多廠商都強調自己是MBE(基于模型的企業)，就是突出了它們的模型化和協作能力。

由于工業界存在著硬件和操作系統等多方面的異構現象，因此它們希望通過模型封裝，將各種KnowHow進行軟件化。正如云計算領域經常通過DevOps，來對從開發到部署的整個生命周期進行有效地支撐那樣，邊緣計算的運營能力也需要有一套工具鏈和服務，來實現業務編排。

當然我們在技術上應該采取的是一種演進性的，而非推倒重來的模式。各種適合于信息系統的服務器硬件配置(如內存大小)和AI的云端模型(如GPU的功耗)，它們對于工業環境(如只有幾百M的存儲空間和內存大小)，以及邊緣計算的低功耗芯片來說，是無法迅速被移植過去的。我們需要有更多獨特的創新機會。

華為如何在邊緣計算領域持續發力?

下面我們來看華為是如何在邊緣計算領域持續發力的。如上圖所示，這是一個邊緣云的協同。在數字世界里，最上方是一個集中式的云服務，它包括公有云和私有云，一般被建立在某個IDC中。

在云服務的PaaS和IaaS之上，可以提供邊緣通用的AI、大數據服務，以及上方的Enterprise Intelligence服務。

在邊緣側，我們配有嵌入式LiteOS(輕量級系統)、物聯網關、服務器、以及第三方的節點。在此基礎上，我們提供了一個基于K8的、優化了的邊緣云。

由于在工業上的諸多場景中，資源都是極其有限的。因此，我們不能直接照搬K8，而需要做適當的優化。

再往上面就是一些諸如：流式數據分析和數據管理等基礎服務。同時用戶也可以把自己的應用和訓練的模型，推送到微服務的架構之中。

另外，該架構除了能實現完全的分布式，還能提供一致性的服務接口。因此，該邊緣側既滿足了即時的業務需求，又在云端滿足了長周期的分布式架構。

上圖是華為EI大數據的網頁。除了提供一些缺省的服務之外，我們還提供一些面向行業解決方案，包括：水務、制造、交通、金融和零售等相關解決方案。

該架構具體包括：深度學習、預置模型、云端訓練、邊緣集成、邊緣部署。同時，它也面向一些典型的應用場景(如視頻應用)提供各種工具鏈，以更好地支持應用開發。

針對機器學習，我們的平臺提供了一整套的工具鏈，來實現核心構建、建模、以及模型庫的發布。

前面提到過，工業項目一般周期都特別長。我們當年做過的一個空氣壓縮機的降能耗項目，就持續了半年多。

其中涉及到了如下關鍵因素：

• IT人員跨界到工業領域，需要很長的時間去熟悉各種環境。因此，工業項目往往需要外部和內部專家的合作，充分發揮IT人員擅長做數據，和OT人員提供支持的優勢，并能持續交互與合作。
• 我們需要花大量的時間，對工業現場所產生的數據進行清洗和打標簽。由于過程比較復雜，因此往往需要半年才能做出像樣的模型和框架。當然，后期的迭代數據會比較快。可見，IT技術在工業領域不但需要有較長的沉淀周期，而且也頂多也只是一個賦能的工具。

由于在許多場景中資源是有限的，因此我們需要在邊緣側有一個輕量化的架構。如上圖所示，我們在邊緣側提供了EdgeCore，這一無服務器架構。

我們將網關等組件統一抽象為邊緣計算節點，通過協議來形成本地的邏輯組，從而實現設備的統一、交互、協助、以及去中心化。

在邊緣側，其實每個行業的場景都是不一樣的。例如：水庫機組的不同水泵之間，就需要有一些內在邏輯，以實現在云端連接出現故障時，不同主機仍可進行交互。

如上圖，SmartMesh提供一個服務總線，我們通過抽象每個節點，并在此基礎上去定義邏輯。而在其他場景下，我們只需修改上面的邏輯，并保持下方不變，便可很容易地實現適配。

當然，在物聯網邊緣應用的場景開發中，我們碰到過許多問題。例如：華為在交付它所提供的網關時，從網絡接口的配置，到場景的切換與測試，都不但耗時，而且可能發生各種特殊環境的問題。 

如今，我們實現了在云端提供一個集成式的開發環境，從而仿真出網關類的硬件，以及不同的設備庫、各種OS庫，甚至是網關的內存資源都能被仿真出來。如此，用戶只需簡單拖拽，便可構建、加載出一個運營環境。

過去，我們往往需要人工巡檢包括胸牌、警示牌的安全相關狀況。如今有了機器學習、大數據、深度學習等方式，我們就可以構建出模型庫與合規庫。通過現場的照片采集和云端的數據分析，我們就能很方便地得到相應的安全報告了。

另外，過去人工檢測芯片電路板，一般每塊板需要大約5分鐘。如今攝像頭通過機器學習和機器識別的方式，大幅提高了準確度和效率。

同理，我們基于機器學習，對空壓機的各種多功率參數進行了控制與優化，使之能耗減少了2%—4%。

在3C領域，通過取代人工識別，我們也能將人員的工作量降低48%。

面向未來，我們需要把來自垂直方向的需求進行水平化，通過統一術語和架構，最終促進產業的協作與發展。

邊緣計算參考架構2.0實踐與思考

上圖是我們提出的邊緣計算參考架構。最上面是智能服務，它處于云端和邊緣層，其本質上是為開發和部署提供全流程的服務。

而它的***端是一些邊緣傳感、邊緣網關和邊緣服務器等物理設備，它們負責將采集到的信息數字化。

可見，負責架構上方的IT人員和負責下方OT人員需要通過交互，來實現業務，并一層層地映射到具體的行業之中。因此，大家需要使用統一的語言模塊化描述具體的需求。

與此同時，上面的數字世界跟下面的物理世界在交互時，需要有一個中間層，以負責定義各種業務規則，實現上下映射，并層層進行屏蔽。也就是說：對于業務層來說，它不必了解過多操作和物理層面的資源信息。

因此，我們把邊緣側整體抽象成了一個邊緣云，然后通過接口跟上方進行交互，進而層層解耦，直至下方那些純工業人員所關注的物理層。

過去因為考慮到切換的成本太高，大家都害怕被某個“陣營”所綁架，因此在合作時都很謹慎。

而如今，通過該框架，大家能夠實現協作與融合。不同的用戶能夠通過生態的協作方式，能夠打通每個層次，最終提供出覆蓋數據全生命周期、全流程服務的解決方案。

下面我們來看看架構中的幾個關鍵點：

• 從概念視圖來講，我們將網關和系統通過數字化、網絡化、智能化，定義成不同的邏輯節點，然后向下提供實時計算、輕量計算、智能網關和智能分布式等OS。



• 從功能視圖來講，我們可以通過虛擬化，來實現軟件定義的功能，而且還能細分為缺省功能、數據分析、實時數據以及行業定制化等方面。



• 從功能視圖來講，我們基于該模型框架實現了開發接口的標準化和操作運行的自動化，從而讓IT人員和OT人員能夠建立協作關系。

由于邊緣云是一個分布式的調度系統，因此它能夠通過業務策略來予以定義。

對于整個應用而言，該框架提供了從開發層到部署層的支撐，并且通過業務編排來實現業務的快速部署。

因此，我們所提供的框架，能夠定義出數據處理的核心服務和整體調度。而用戶只需在其中進行業務邏輯的實現便可，從而實現了平臺與用戶的分工合作。

從部署視圖來講，既有分散式的，如摩拜單車，它們每輛車上都被嵌入一個小模塊，其基站起到了網關的作用;又有集中式的，如在分布式電網里，有著大量的計算節點，并在邊緣側形成邊緣云。

而且它們的流量模型也略有不同：分散式主要采取的是南北向的流量模型，所有數據直接與云進行交互。

而在集中式的場景下，由于本地側裝備希望有更多的自主化，因此大量的流量是東西向交互的，只有少量的流量經過長周期地清洗、聚合后再被上傳。

***我以“大處著眼，小處著手”作為本次演講結束語。謝謝!

【51CTO原創稿件，合作站點轉載請注明原文作者和出處為51CTO.com】