张琦：云原生边缘计算产业发展现状与趋势展望——KubeEdge云原生边缘计算产业发展概述

一、云原生边缘计算的产业场景

1.云计算与边缘计算的对比

云计算

• 云是中心化、按需获取的大规模计算资源共享池，服务于广大的区域，提供几乎无限的算力
• 云解决计算资源集约效率问题
• 云对海量的端、边设备进行管理，是物理世界再数字世界的映射

边缘计算

• 相对于中心云，边缘计算是靠近数据产生源头的计算能力，服务于较小的区域，提供受限的算力
• 边缘解决本地业务实时、安全、业务持续性问题
• 边缘无处不在，边缘的体量大于云

  边缘计算和云计算是共生互补关系，随着物联网、5G、AI、AR/VR等技术的发展与应用，完全依赖云计算来进行数据传输和处理将会造成巨大的网络延迟，边缘计算将数据在边缘节点进行处理能够有效减少数据的传输和处理，但通过云计算的远程存储和分析仍然至关重要。

2.传统的把边缘计算逐步向CloudNative技术演进

3.传统本地开发 V.S 云原生边缘计算

二、云原生边缘计算云边协同述求

  边云协同对CloudNative的六大述求：

  针对六大述求，分别需要不同的技术支持。

1.服务协同：使用EdgeMesh技术沟通云边

业务需求：

• 微服务跨边云发现和通信
• 跨边云服务通信全链路进行路由限流、熔断等治理能力
• 灰度发布:金丝雀、蓝绿发布等典型发布流程

关键技术：

• 跨边云的统一服务发现
• 支持多种边缘接入方式的边云Overlay网络通道
• 高集成度的服务发现和服务路由的边缘实现
• 云边统一的应用流量治理
• 跨子网网络穿透
  

2.业务管理协同：将K8S部署模型延伸至边缘

典型的部署需求：

• 双机热备：有关联的应用同节点部署以提升应用间
• 多机多活互备：同一应用的不同实例跨节点部署以提升可用性依据边缘节点的不同属性
• 交互效率： 将应用部署于不同分组中定义独立于节点的应用部署以实现满足条件的新边缘节点上线后自动安装应用
  

3.智能协同：云上训练，边缘推理

云上训练，边缘推理：

• 人工智能服务利用云上的资源完成海量数据预处理及半自动化标注、大规模分布式训练、自动化模型生成，支持部署到云上或边缘。
• 边缘服务将云上训练好的AI应用以容器或函数形式推送到边缘节点，提供边云传输通道，联动边缘和云端的数据，支撑AI应用实现边云智能协同。同时提供升级、监控、日志等运维能力。
• 边缘AI容器/函数加载模型，实时从设备获取数据，通过推理进行瑕疵检测根据结果调整生产设备的参数，提升良品率。
• 边缘产生的数据和推理结果周期上传到云上，用于持续模型训练和生产分析。
  

4.数据协同：边缘数据处理云上挖掘

边缘处理，云上挖掘：

• 边缘侧多设备多协议数据接入
• 基于事件规则处理数据，不同事件类型，分别建立规则，Error类一小时内五次警报，Warning类型，使用复杂规则。 根据多个警报类型一定时间内触发警报规则
• 边缘侧直接警报，可到毫秒级延时
• 对重要数据进行实时统计，实时展示最新状态
• 数据清洗后上云归档，进行进一步地挖掘和分析
  

5.资源协同：云上集中管理边缘资源

集中管理边缘资源：

• 边缘计算提供云-边-端的资源协同管理，在云端统一管理边-端的节点和设备。
• 传感器、网关、摄像机、机床等各种设备通过本地网络接入边缘节点，通常会有专门的工业协议，如Modbus、OPC-UA，也可以使用MQTT、Http等通用协议。
• 通用服务器、工控机、边缘专用盒子等边缘节点通过因特网连接到云端，通常使用Http.MQTT等通用协议。
• 资源协同:如何对节点、设备进行功能抽象，在云-边-端之间通过各种协议完成数据接入在云端统一管理和运维
  

魏欢：云原生边缘计算产业发展现状与趋势展望——边缘赋能及跨域融合态势

一、产品化

二、趋势一：边缘赋能

三、趋势二：跨域融合

四、新的挑战

张红兵：云原生边缘计算产业发展现状与趋势展望——KubeEdge云原生边缘计算产业发展概述

一、边缘计算的技术底座：云原生

二、边缘计算典型应用场景介绍

齐飞：云原生边缘计算产业发展现状与趋势展望——智慧能源、交通、航天、园区应用实践

王烽：云原生边缘计算产业发展现状与趋势展望——KubeEdge云原生边缘计算创新场景