電子發(fā)燒友網(wǎng)報道（文/李彎彎）云邊協(xié)同是云計算與邊緣計算的互補協(xié)同，邊緣計算模型的提出，對云計算集中式模型的不足提供了新的解決思路，是適應(yīng)技術(shù)發(fā)展需求的產(chǎn)物。但不能完全取代云計算，兩者是協(xié)同運作的。通過云和邊緣的緊密協(xié)同可以更好地滿足各種應(yīng)用場景的需求，從而放大兩者的應(yīng)用價值。

什么是云邊協(xié)同

云邊協(xié)同的能力與內(nèi)涵主要包括資源協(xié)同、數(shù)據(jù)協(xié)同和服務(wù)協(xié)同三種。資源協(xié)同是指邊緣節(jié)點能夠提供計算、存儲、網(wǎng)絡(luò)等基礎(chǔ)設(shè)施資源，可以獨立調(diào)度管理本地資源，也可以和云端協(xié)同，接受并執(zhí)行云端下發(fā)的資源調(diào)度管理策略。

如計算資源協(xié)同，就是在上層應(yīng)用的支持下，對分布在邊緣云的計算資源與中心云的計算資源進(jìn)行協(xié)同處理，提高計算資源的效率。

典型的AI訓(xùn)練與應(yīng)用系統(tǒng)，在此系統(tǒng)中，在中心云部署大規(guī)模的AI訓(xùn)練軟件，發(fā)揮中心云計算資源豐富的特點，加快AI訓(xùn)練的速度，而在邊緣云上，主要是利用訓(xùn)練好的AI算法進(jìn)行AI的推理應(yīng)用。這樣，中心云產(chǎn)生的AI算法，就可以服務(wù)大量邊緣AI上的應(yīng)用。同時邊緣網(wǎng)絡(luò)上有很多數(shù)據(jù)，可以傳遞到中心云進(jìn)行訓(xùn)練，在訓(xùn)練完成后，可以快速推到邊緣網(wǎng)絡(luò)使用，形成閉合循環(huán)迭代。

再比如存儲資源協(xié)同，就是在上層應(yīng)用的支持下，對分布在邊緣云的存儲資源與中心云的存儲資源進(jìn)行協(xié)同處理，提高存儲資源的利用率，節(jié)約傳輸帶寬。

典型的應(yīng)用是CDN網(wǎng)絡(luò)。CDN網(wǎng)絡(luò)中，把熱點視頻業(yè)務(wù)放在邊緣網(wǎng)絡(luò)上，而把冷門數(shù)據(jù)放在中心云上。這樣，用戶訪問熱點視頻的時候，數(shù)據(jù)源就在邊緣上，用戶可以就近訪問數(shù)據(jù)，只有邊緣云上沒有數(shù)據(jù)的時候，才通過中心云去訪問，而且一旦訪問此數(shù)據(jù)的用戶變多，就可以把此數(shù)據(jù)源拉到邊緣網(wǎng)絡(luò)進(jìn)行保存。這樣，通過云邊協(xié)同就可以大幅降低中心云的帶寬需求，提高中心云的存儲效率。

數(shù)據(jù)協(xié)同則是邊緣節(jié)點負(fù)責(zé)數(shù)據(jù)采集，按照模型或業(yè)務(wù)規(guī)則對原始數(shù)據(jù)進(jìn)行預(yù)處理及簡單分析，然后把結(jié)果和相關(guān)數(shù)據(jù)上傳給云端；云端可以對海量數(shù)據(jù)進(jìn)行存儲、分析和價值挖掘。邊緣和云之間的數(shù)據(jù)協(xié)同，使得數(shù)據(jù)能夠在邊緣和云之間有序流動，從而形成一條完整的數(shù)據(jù)流轉(zhuǎn)路徑，便于之后對數(shù)據(jù)進(jìn)行生命周期管理與價值挖掘。

服務(wù)協(xié)同是云端完成模型的訓(xùn)練之后，將模型下發(fā)給邊緣節(jié)點，邊緣節(jié)點按照模型進(jìn)行推理；云端管理邊緣側(cè)應(yīng)用的生命周期，包括應(yīng)用的部署、啟動、停止、刪除及版本更新等；云端生成應(yīng)用編排策略，邊緣側(cè)按照云端策略執(zhí)行應(yīng)用。

云邊協(xié)同有什么好處

云邊協(xié)同有什么好處呢，具體來看一些例子。比如，對于一個機(jī)器學(xué)習(xí)模型來說，訓(xùn)練樣本的數(shù)量會影響到最終模型的效果。而在大數(shù)據(jù)時代下，各種各樣的智能設(shè)備都可以進(jìn)行數(shù)據(jù)樣本的采集。然而如果將采集的設(shè)備傳輸?shù)皆贫诉M(jìn)行模型訓(xùn)練則會面臨一些問題：一是帶寬與延遲的消耗；二是數(shù)據(jù)保存在云端則會有嚴(yán)重的隱私泄露隱患。

在這種場景下，云邊協(xié)同進(jìn)行模型的訓(xùn)練則是一個很好的選擇。得益于邊緣端的數(shù)據(jù)收集能力，最終訓(xùn)練出來的模型的泛化性能會更好。其中邊緣端負(fù)責(zé)數(shù)據(jù)的收集以及部分的模型訓(xùn)練，云端負(fù)責(zé)將邊緣端的模型更新聚合并且發(fā)送回邊緣端。而傳統(tǒng)的人臉識別模型訓(xùn)練通常是先收集人臉數(shù)據(jù)，然后對人臉數(shù)據(jù)進(jìn)行標(biāo)注，同時在中心服務(wù)器進(jìn)行人臉識別模型訓(xùn)練，最后將訓(xùn)練得到的模型部署到邊緣端。

在上述訓(xùn)練過程中，需要由數(shù)據(jù)收集邊緣端收集數(shù)據(jù)，同時與中心服務(wù)器進(jìn)行直接的數(shù)據(jù)交互，而直接的數(shù)據(jù)交互勢必導(dǎo)致隱私的泄露問題。相比于傳統(tǒng)的人臉識別模型訓(xùn)練，云邊協(xié)同下的人臉識別模型訓(xùn)練不需要將人臉數(shù)據(jù)上傳至中心服務(wù)器，而這防止了某種程度的隱私泄露問題。

云邊協(xié)同技術(shù)不僅僅可以應(yīng)用于大數(shù)據(jù)場景，對于傳統(tǒng)的能源行業(yè)來說，它涉及的各種設(shè)備相對復(fù)雜，邊緣端傳感器較多，若是將收集數(shù)據(jù)全部發(fā)送至云端，則會面臨較大的帶寬壓力，因此轉(zhuǎn)型難度較大。而傳統(tǒng)行業(yè)下的數(shù)據(jù)處理往往比較依賴于人工，這也給傳統(tǒng)行業(yè)的轉(zhuǎn)型帶來了困難。

以石油行業(yè)為例，不同于傳統(tǒng)的人工錄入等方法，在云邊協(xié)同的環(huán)境下，針對石油開采，可以將傳感器、各種開采設(shè)備等收集到的信息進(jìn)行整合并且發(fā)送到具有簡單數(shù)據(jù)處理能力的邊緣端進(jìn)行數(shù)據(jù)的自動化錄入、數(shù)據(jù)預(yù)處理、數(shù)據(jù)實時分析等操作，然后將處理之后的數(shù)據(jù)發(fā)送到云端進(jìn)行更完全的數(shù)據(jù)分析以及決策，最后將決策結(jié)果發(fā)送回邊緣端指導(dǎo)石油的開采等操作。相比于傳統(tǒng)的石油開采方法，云邊協(xié)同下的數(shù)據(jù)處理大幅度提高了數(shù)據(jù)處理的效率，并且減少了決策所用的時間。