久久久91-久久久91精品国产一区二区-久久久91精品国产一区二区三区-久久久999国产精品-久久久999久久久精品

2018WOT全球軟件與運(yùn)維技術(shù)峰會日前于北京正式落下帷幕，在本屆論壇上，來自九州云的黃舒泉先生就邊緣計算的話題進(jìn)行了精彩演講。以下是演講實錄：

邊緣計算是如何興起的

大家都知道，過去的十年二十年以來云計算是非常火的一個概念。但最早的概念出現(xiàn)在上個世紀(jì)60年代，最早是由非常出名的一名教授，他提出了一個分時的概念。其實這個概念奠定了后面一系列計算的發(fā)展。因為有了分時，我們才想到需要有虛擬化這樣的技術(shù)。需要用虛擬化來實現(xiàn)各種資源的共享，包括計算、存儲、網(wǎng)絡(luò)等等一系列資源的共享。

然后到了上個世紀(jì)的九十年代逐漸地才有人把正式的云的概念包裝提出來。最早其實我們可以看到云其實是基于虛擬化技術(shù)演變發(fā)展過來的。而虛擬化技術(shù)最早并不是在我們現(xiàn)在熟悉的X86這個平臺上。它最早其實是IBM的小型機(jī)、大型機(jī)上的一些虛擬化的技術(shù)。

等到了90年代才有了VMware開始把這個技術(shù)引入到X86平臺。也正是因為X86平臺對虛擬化技術(shù)一系列更好的支持，包括KVM項目逐漸的成熟，我們才有了云計算的爆發(fā)。這個可以看到大概在2005年、2006年的時候Google發(fā)布了一系列的云服務(wù)，以及亞馬遜也發(fā)布了它的EC2的服務(wù)。

九州云黃舒泉

然后另外一個里程碑可以看到就是2010年的這個OpenStack。OpenStack作為一個開源的云計算的管理平臺。它可以幫助我們使用KVM或者使用別的一些虛擬化的技術(shù)以及整合了像開源的這種存儲的技術(shù)，OVS的網(wǎng)絡(luò)虛擬化技術(shù)來實現(xiàn)一整套的云計算的平臺的搭建。不需要像以前一樣還是使用自己的一些研發(fā)去實現(xiàn)自己公司內(nèi)部的一些系統(tǒng)去解決這樣的問題。

所以逐漸從2010年開始OpenStack成為了云計算的開源領(lǐng)域的事實上的一個標(biāo)準(zhǔn)。接著才有了后面最近十年來云計算蓬勃的發(fā)展。企業(yè)對于自己內(nèi)務(wù)要求比較高的可能會搭建私有云，主要供內(nèi)部的系統(tǒng)服務(wù)。然后更注重于數(shù)據(jù)的安全性方法。

然后對于有能力、有IDC資源的一些廠家，他們可能逐漸轉(zhuǎn)型成為公有云，他們也可以使用OpenStack技術(shù)來搭建一整套公有云的服務(wù)，對外提供服務(wù)。然后有些企業(yè)它也可以使用混合云的業(yè)務(wù)里提供這樣的一個滿足企業(yè)內(nèi)部的需求。

所以我們其實可以看到，總結(jié)一下就是云計算它是過去十年來的一個主導(dǎo)的計算的模式。隨著我們的這個移動手機(jī)的發(fā)展，我們還是把大部分的計算能力放在了后端。然后正式因為這種超大規(guī)模的數(shù)據(jù)中心，它才可以強(qiáng)化我們最早提出的這個資源共享分時這樣一個概念，使得我們可以降低用戶的成本，然后降低我們總體的運(yùn)營的成本。所以這是云計算最近20年來發(fā)展的一個歷程。

可以看到，有了這樣的一個開源的云計算的技術(shù)，它使得我們有能力去軟件定義數(shù)據(jù)中心。我們可以把傳統(tǒng)的這種通過專有的設(shè)備、專有的技術(shù)，井倉式的結(jié)構(gòu)的數(shù)據(jù)中心把它打散成為一種更通用型的數(shù)據(jù)中心。它是完全可以采用軟件定義。

其實大家需要明白什么是軟件定義，舉一個最簡單的例子，就是我所有的資源的調(diào)配，我都可以非常方便靈活地使用一個API的調(diào)用就可以去實現(xiàn)這點。這就是一個比較直白的軟件定義的理解。

然后OpenStack他非常地靈活，他可以有不同的項目來專注于某一個資源的管理。比如說NOVA是幫助我們管理這個計算資源的。然后計算資源分別有什么呢？它可能是有虛擬化，大家可能非常地熟悉采用這個虛擬化的技術(shù)產(chǎn)生一個虛機(jī)。然后計算還有別的一些表現(xiàn)的形式。比如說裸機(jī)、裸金屬、Bare Metal。通過Bare Metal的這種計算的形式，我們可以去承載更多比如說像HPC這類的應(yīng)用。

另外現(xiàn)在也非常火的就是容器，容器也是一種計算表現(xiàn)的形式。當(dāng)然OpenStack有別的項目去專門地為容器的管理而提供這樣的一些服務(wù)了。但是OpenStack它通過把資源靈活地來管理，對外提供上層的API來實現(xiàn)我們可以根據(jù)自己的業(yè)務(wù)的需求而實現(xiàn)資源的靈活的調(diào)配，從而滿足我們不斷快速變化的需求。

所以云計算發(fā)展到這個時候，大家可以理解它對外是提供了一整套標(biāo)準(zhǔn)的API。這個API可以幫你去實現(xiàn)對計算存儲網(wǎng)絡(luò)的靈活的管理。這一點非常重要，因為其實邊緣計算它的實質(zhì)也是這樣子。

邊緣計算為了能夠像我們在云計算這一端、在邊緣端，我們也能夠有靈活的這么一個軟件的框架或者是架構(gòu)來去管理，你在邊緣端所有的計算存儲網(wǎng)絡(luò)的資源。

但是大家看一下現(xiàn)在邊緣發(fā)展的一個情況。比如說剛剛提到的這個IOT。其實IOT是非常異構(gòu)的一個環(huán)境，它可能有ARM的設(shè)備、Intel的設(shè)備，還有別的一些芯片的設(shè)備。這個異構(gòu)的情況遠(yuǎn)遠(yuǎn)比云計算的這個領(lǐng)域要復(fù)雜得多。云計算現(xiàn)在可能大家用的就是X86或者是大機(jī)、小機(jī)，ARM可能都很少用。但邊緣可能是完全不同的一個情況。

所以邊緣的平臺同樣要解決云計算我們要解決的問題。所以它的問題遠(yuǎn)遠(yuǎn)更加地復(fù)雜。異構(gòu)的環(huán)境、復(fù)雜的API的調(diào)度、計算存儲網(wǎng)絡(luò)的調(diào)度。對于計算存儲網(wǎng)絡(luò)。每一種這樣三大資源其實都有非常復(fù)雜的表現(xiàn)的形式。以我剛才舉例的計算來講，就是容器、Bare Metal和虛擬機(jī)。

邊緣其實同樣遇到這樣的一個問題。我在邊緣也可以是啟容器來承載更加復(fù)雜的一些應(yīng)用。而更加傳統(tǒng)的一些應(yīng)用，我可以用虛擬機(jī)。高性能的EDN的應(yīng)用我可以用Bare Metal，對吧？

所以這也希望給大家一點啟發(fā)，就是云計算跟邊緣計算其實在架構(gòu)上是趨同，他們在某種程度上遇到的問題也類似。帶著這樣的一個想法我們可以看一下接下來對邊緣計算的一些理解可能會有幫助。

九州云黃舒泉

工業(yè)智能制造與邊緣計算

工業(yè)革命的演進(jìn)最早其實是1.0，就是蒸汽機(jī)的發(fā)明，然后他帶來了我們一種新的動力。然后到了電力，更方便地去使用各種各樣的一些以電為主要能源的自動化的設(shè)備，從而實現(xiàn)了大規(guī)模的生產(chǎn)。

然后到工業(yè)的3.0，我們有集成電路，我們能夠相對可編程地自動化地去實現(xiàn)我們一些復(fù)雜的工序。然后到了4.0其實并沒有提出像之前1.0、2.0、3.0一樣一些完全新的想法。他其實是說我要把原來很多孤立的一些設(shè)備，通過網(wǎng)絡(luò)把它連接起來。所以網(wǎng)絡(luò)化是4.0非常重要的一個特點。

另外一點就是智能化。我單單把所有的設(shè)備聯(lián)網(wǎng)其實并沒有什么用，關(guān)鍵是這些設(shè)備是不是智能地能夠去幫我們做一些事情，以及它能夠不斷地反饋、不斷地去改進(jìn)我的工序，這才是更關(guān)鍵的一個事情。所以智能化+網(wǎng)絡(luò)化是我們在工業(yè)4.0非常關(guān)注的兩個特點。

邊緣計算在這里面扮演了一個什么樣的角色呢？其實邊緣計算就像神經(jīng)末梢一樣，它賦予了我們在每一個聯(lián)網(wǎng)的設(shè)備上的末端的智能化。為什么叫末端的智能化？因為更復(fù)雜的智能化，非常復(fù)雜的智能化其實這個決策還是必須由中心的云計算做出來的。因為它可能需要搜集全局的數(shù)據(jù)做一些分析。

但是邊緣的智能化也是很重要，這里舉了一個神經(jīng)末梢的例子。我就以我們平時大家都會感受到的一個例子來說明。比如說我們生火，然后當(dāng)你的手碰到這個火的時候，你會本能地把手指縮回來，因為你要趨利避害。所以你這個縮回來的動作其實是神經(jīng)末梢的感覺。它通過你最末端地智能，本能的一個反映。這就是我們說邊緣端給予了設(shè)備的一個反映。

如果你想一下這里有一個火，你的手碰到了火。你所有的感受到你的大腦里面，你再想兩秒鐘，這是一個火、很燙，你再收回來。這時候可能就會已經(jīng)出現(xiàn)了很大的問題。

而邊緣端其實就是賦予了我們很多設(shè)備本能的一些反應(yīng)、本能的末端的一些智能。它給予了我們很多IOT設(shè)備感知的能力、智能的一些能力。再往上它把這些數(shù)據(jù)整理了之后可以到云端進(jìn)行全局的分析，然后云端再把它整合的信息通過推送的方式推送到這個智能邊界設(shè)備邊緣端來不斷提高邊緣端所有的智能。所以是這么一個統(tǒng)一的結(jié)構(gòu)。

所以從這個關(guān)鍵的技術(shù)體系和平臺架構(gòu)，我們可以看到在對于工業(yè)互聯(lián)網(wǎng)領(lǐng)域最底層的就是這個邊緣層它主要包括了這個設(shè)備的接入、協(xié)議的解析以及邊緣數(shù)據(jù)的一些簡單的處理。

然后處理完了之后它可以把這些數(shù)據(jù)反饋到我們中心服務(wù)器、中心云段的一些IaaS層，比如說就是我們常見的這個OpenStack這樣的一個云基礎(chǔ)設(shè)施。

然后云基礎(chǔ)設(shè)施可以管理非常多的邊緣的設(shè)備，成千上萬個邊緣設(shè)備。然后它把所有的數(shù)據(jù)進(jìn)行一個匯總，匯總了之后上面有我們工業(yè)PaaS平臺的一系列的工業(yè)特定領(lǐng)域的組件服務(wù)。比如說這個機(jī)器學(xué)習(xí)、可視化、數(shù)據(jù)清理、模型建模等等。

再往上可能是一些應(yīng)用層。應(yīng)用層，我可以把這樣的一些數(shù)據(jù)分析處理完了之后，通過一些工業(yè)應(yīng)用的系統(tǒng)，然后我可能是直接地控制某些生產(chǎn)線，也有可能是我進(jìn)行一些報表。然后給我們的這個企業(yè)的負(fù)責(zé)人進(jìn)行一些分析。

然后同時我也可以根據(jù)所有設(shè)備的一些傳感器的情況分析這個設(shè)備的壽命來進(jìn)行這個生產(chǎn)線的更替，對這個生產(chǎn)量進(jìn)行一些預(yù)測等等。

我們再回到整個云+邊緣的這個大架構(gòu)來看。其實無非就是在我們傳統(tǒng)的這個用戶端或者終端領(lǐng)域和核心云端加了一個管道。也就是剛剛給大家最早看的這個CDN的例子，其實我們就是在中間加了一層。這一層也是同樣非常地重要。它是跟我們之前在云計算領(lǐng)域是類似的，它也是有計算存儲網(wǎng)絡(luò)的資源。它也是需要對接的一個設(shè)備，它也是需要對外提供標(biāo)準(zhǔn)的API。所以它解決的問題、它面臨的問題跟十年、二十年前我們在云計算的領(lǐng)域面對的問題也是類似的。我們帶著這樣的一個思路就可以去看邊緣計算整個技術(shù)架構(gòu)的發(fā)展。

現(xiàn)在有非常多的邊緣計算的一些開源項目，主要的有三個。第一個是這個CORD，就是局端的這個，在電信領(lǐng)域的這個局端機(jī)房改造的項目。它通過把電信機(jī)房的局端改造成數(shù)據(jù)中心而對外提供更靈活的資源編排的能力。

然后第二個是vCO，也是一個開源的項目，它采用的網(wǎng)絡(luò)編排是以O(shè)penDaylight，然后資源承載是采用OpenStack。

第三個是最近比較火的這個Intel和AT&T一起捐獻(xiàn)代碼發(fā)布了這個Akraino項目。它的網(wǎng)絡(luò)編排是ONAP，然后資源承載也是OpenStack。所以其實大家看到在邊緣的開源項目中，資源承載這一層其實還是沿用了原來在云計算的一些技術(shù)的框架。比方說OpenStack，所以這也是九州云為什么把我們從云計算的技術(shù)一直把我們擴(kuò)張到邊緣計算的一個原因。

我們再根據(jù)剛剛看的那三部分，我們其實可以看一下總體的、具體里面的技術(shù)分別有什么。主要是三部分，最靠近用戶，我們把它叫做數(shù)據(jù)源，然后中間的叫做edge computing，然后在核心云的我們把它叫做Cloud computing。在Data source這一端，其實數(shù)據(jù)采集我們就通過IOT設(shè)備進(jìn)行數(shù)據(jù)采集。然后在邊緣端的話其實它更重要的是一個數(shù)據(jù)搜集、數(shù)據(jù)的一些加密，然后如何把數(shù)據(jù)傳送到核心云這么一些主要的技術(shù)。

然后它上面的這個基礎(chǔ)的設(shè)施的管理，我們可以采用OpenStack，然后也可以采用容器化的方式來進(jìn)行一些基礎(chǔ)設(shè)施的管理。

在傳統(tǒng)的云、數(shù)據(jù)中心中，我們可以采用比較常見的技術(shù)架構(gòu)，比如說你采用容器的話，你可以使用這個KBS，存儲可以采用ceph，然后云平臺的管理你可以采用OpenStack。再往上就是一些管理性的組件，比如說你可以用ELK來進(jìn)行一些數(shù)據(jù)的分析，采用SAHARA來做Big Data這個平臺。然后通過neutron來提供一系列的LB的服務(wù)，可能這個需要有專門的管理的一些組件來進(jìn)行遠(yuǎn)端的IOT設(shè)備的管理。

邊緣端其實可以直接地去操控這個IOT的設(shè)備。因為他離用戶更加近，所以他就可以提供實時性的操作。比如說某一條產(chǎn)線的變動。我通過換一些比如說以紡織為例，我通過剪切這個布都可以實時地進(jìn)行一些操作。

當(dāng)然邊緣端到核心云端，它的傳輸途徑也是很多的。一般邊緣端可能是在，比如說以電信為例，它可能是在局端機(jī)房。那么它可能有較好的網(wǎng)絡(luò)條件，我可以通過互聯(lián)網(wǎng)或者甚至是光纖的方式直接跟我們的云端進(jìn)行數(shù)據(jù)的交互。

當(dāng)然也有可能它本身就是一個小的基站。那么如果沒有這個網(wǎng)絡(luò)的話可能就通過LT這樣的一些無線網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)的一些傳輸。

核心云端它扮演的一個角色其實就是搜集了非常多的邊緣端的數(shù)據(jù)，然后它進(jìn)行更復(fù)雜的運(yùn)算之后，它可以把相關(guān)的更高的一些分析后的結(jié)果push到我們的邊緣端。然后邊緣端實現(xiàn)了一個模型的更新，然后還實現(xiàn)了自身的升級。所以這個是三個主要的模塊之間他們交互的一個流程。

我們可以從紡織行業(yè)來看一下邊緣計算帶給了紡織行業(yè)什么樣的好處。首先紡織行業(yè)其實都有一個非常重要的環(huán)節(jié)就是驗布。因為像這么一個工廠里面，它一塊布匹是非常大的，可能有幾米寬、好幾十米甚至上百米長。然后這么一大塊布只要有一個小的瑕疵，那么其實若干米個布就廢掉了。這個就對紡織企業(yè)就是一個非常大的損失。

那么傳統(tǒng)就是整個布織完了之后，我需要一個工人站在這邊不斷地看這個布匹在滾動。一旦有一個瑕疵點，他就要暫停這臺機(jī)器，然后用手標(biāo)出這個瑕疵點在哪里。同時做上一個標(biāo)記，在這個布匹的第幾米有一個瑕疵點。接下來要做的一個事情就是這個機(jī)器需要去把這個瑕疵點找出來，然后裁掉，接上去另外一個布，然后繼續(xù)進(jìn)行滾動。

所以這個其實對于人力成本是非常地高的。然后對工人也是有損害的。因為長期看來，一個工人長期凝視著同一個顏色的布，準(zhǔn)確性也會降低，同時對視力影響也很大。

所以根據(jù)一些統(tǒng)計，一個小時來講，一個紡織工可能只能檢測最多200個瑕疵點，而且他們每天工作的時長也是有限的。因為一旦時間過長的話，他總的這個誤判的程度就會很高。因此其實就有一個想法是說，我能不能通過計算機(jī)視覺的辦法，通過甚至是機(jī)器學(xué)習(xí)的方法，我來自動地找出這個布匹里的瑕疵點，這樣子我就可以代替人工。然后我通過機(jī)器來標(biāo)注這個點，然后回頭能不能再自動地用機(jī)器去控制這個布匹裁剪，把這個瑕疵點自動裁剪掉。這樣我就可以完全替換掉人了，我不需要人工去驗布。

我通過一個機(jī)器上面裝上攝像頭，打上相關(guān)的光源，我不斷地在滾。然后這個攝像頭實時地識別這個布匹的質(zhì)量。一旦發(fā)現(xiàn)某些瑕疵點，他自動地把這個機(jī)器停下來，然后自動地去讓這個機(jī)器把瑕疵點給裁剪掉，然后再把布匹接起來，自動地去滾動。這個其實是紡織行業(yè)在驗布環(huán)節(jié)希望改進(jìn)的一個點。

所以現(xiàn)在比較多的一個方案其實是這么一個方案。就是說我需要有非常多的車間，有一到N個車間，然后每個車間又有非常多的織布機(jī)。然后在織布機(jī)上放了這攝像頭，然后也放了比如說別的一些設(shè)備，像打印機(jī)、光源等等。

這時候所有的攝像頭需要拍這個照片，拍了照片之后它再傳輸回我這整個企業(yè)統(tǒng)一的云平臺。然后這個云平臺對這個數(shù)據(jù)進(jìn)行分析。分析完了之后它再把這個數(shù)據(jù)返回到這個車間的某一個驗布機(jī)，看看在某一個地方有這個瑕疵點，你需要怎么做。

這種傳統(tǒng)架構(gòu)的缺陷就在于往往是一種事后的分析。也就是說我整卷布可能都卷完了，可能還要過一段時間，我這個工人才可以拿到這個報告說這個布第幾米到第幾米之間有瑕疵點，我應(yīng)該去裁掉。所以這還有一個返工的工序。我需要看著這個報告把這個布重新地再打一遍，然后手工地把它再裁一遍。

因為整個圖像在網(wǎng)絡(luò)中的傳輸，尤其是非常多的車間的時候，這個傳輸?shù)膸捠欠浅５馗叩摹Ｈ缓蠛诵脑破脚_處理能力也是有限的。所以這個時候等到他反饋回來的時候，其實這個延時一定很高，我不能實現(xiàn)剛剛說到實時的處理瑕疵點的這么一個事情。

因此我們當(dāng)采用了這個邊緣云的架構(gòu)的時候，我們可以以車間為單位，或者是以這個驗布機(jī)為單位。我在驗布機(jī)的旁邊可能就可以放上一個小的計算設(shè)備。然后這個計算設(shè)備它直接跟驗布機(jī)的控制單位連接，它直接操作這個攝像頭、光源以及旁邊的這個打印機(jī)，它直接完成這個數(shù)據(jù)的采集。

我預(yù)先在企業(yè)的云平臺中，我把已有的這個瑕疵庫的特征給推送到我的邊緣的云平臺中去。這個驗布機(jī)在邊緣平臺中跑的時候，邊緣云平臺根據(jù)我已有的瑕疵庫先做一部分的識別。同時它也會離線地把這些數(shù)據(jù)再匯總到企業(yè)的云平臺中。然后有企業(yè)的云平臺不斷地去更新這樣的一個模型。所以雖然有可能剛開始我的準(zhǔn)確性是由最原始的瑕疵庫、特征庫來決定的。

但隨著我的車間不斷地跑，我跑越多的布，我邊緣云平臺的整個特征或者整個瑕疵庫它會不斷地被完善、不斷地被提升。所以這個準(zhǔn)確率也是不斷地提高的。

然后有了邊緣云平臺我可以更低延時地去操作這個驗布機(jī)來完成我想做的一些自動化的操作。比如說完成自動的裁剪或者自動停下來，讓這個驗布工人去手動地做一些操作等等。所以引入了一個邊緣的云平臺，我們可以更快地在我們的驗布機(jī)上做一些自動化的操作以及可以避免很多人工的操作，為企業(yè)節(jié)省人力的資源。

所以我們跟我們的合作伙伴進(jìn)行了一些POC之后，其實可以發(fā)現(xiàn)這么一個智能的織布機(jī)，其實它可以在某種布的情況下，比如說我們現(xiàn)在只能識別這個特定，就是純色的這種布。因為復(fù)雜顏色的這種布其實對特征的識別還是難度比較高的。

在這種相對簡單一點的這種純色補(bǔ)助的情況下，我們可以相當(dāng)于五到六個人的人工織布機(jī)。

然后同時通過這樣一個簡單的項目，我們也幫助我們的企業(yè)完成了整個統(tǒng)一的驗布機(jī)的管理。我可以通過邊緣端采集驗布機(jī)的數(shù)據(jù)，在統(tǒng)一的云平臺中，我可以去看到所有驗布機(jī)的一些指標(biāo)，知道驗布機(jī)生產(chǎn)的效率是什么，更好地幫助我們的企業(yè)去預(yù)測整個產(chǎn)線的一些能力等等。此次的分享就到這里，謝謝大家！

摘自《51CTO》