什么是云计算？什么是边缘计算？为什么必要云边协同？ ...

一、云计算的发展

云计算（cloud computing） 是分布式计算的一种，指的是通过网络“云”将巨大的数据计算处置处罚程序分解成无数个小程序，然后，通过多部服务器组成的系统举行处置处罚和分析这些小程序得到效果并返回给用户。、
比年来，云计算赋能大数据处置处罚，用户仅必要将数据上传至云端，利用云计算中心的超强高效计算平台，便可以集中处置处罚计算需求。现在的智能物联网装备，通常也是通过将数据通过网络上发至云端，由云端举行统一的处置处罚这种模式举行的。
然而，物联网装备与日俱增所带来的智能数据的爆炸增长，无疑使得云计算这种集中处置处罚的计算模式袒暴露各种题目。其中主要是题目显现在两个方面。

• 一方面，云计算在集中处置处罚数据前，必要各个边缘侧的装备将数据全部上传，这意味着，数据传输的过程将占用巨大的带宽。尤其是在人工智能应用风起云涌发展的现状下，模型的训练与推理所必要的巨大数据加剧了核心网络的压力。物联网的高速发展更使得数据的増久远远甩开网络带宽的增速，传统的云计算模式遇到了带宽与延长的瓶颈。延长不但仅严重影响了用户体验，更是对无人驾驶等对延长零容忍的产业产生致命打击。
  
• 另一方面，云计算模式将数据都传输至云端大大增长了隐私走漏的风险，无论是云运营商的恶意使用照旧数据被截取，都将造成严重的危害。基于对计算模式的新的需求，催生了边缘计算模型的产生。
  

二、边缘计算的产生及范围性

边缘计算(Edge Computing) 是利用网络边缘侧的计算本领举行数据的处置处罚。
什么是边缘计算

迈入5G和AI期间，新型业务如增强现实AR、虚拟现实VR、互动直播、主动驾驶、智能制造等应运而生。以上这些业务场景对时延和网络带宽有着强烈诉求，而在传统的集中式云计算场景中，全部数据都集中存储在大型数据中心。由于地理位置和网络传输的限制，无法满意新型业务的低时延、高带宽等要求。

• 网络高时延：传统云计算无法即时处置处罚和分析新型业务产生的数据，导致应用终端得到的相应慢，体验差。
  
• 带宽高成本：新型业务的应用终端产生的数据传回云端将斲丧更高的网络带宽，导致服务厂商必要付出高昂的网络成本。
  
• 数据合规性：新型业务数据存储在云端，无法满意企业对敏感数据本地化存储的要求，直接影响企业数据上云的策略。
  

面对传统集中式云计算的固有范围性，边缘计算成为应对新型业务和数据合规业务的较好选择。边缘计算通过在靠近终端应用的位置建立站点，最大限度的将集中式云计算的本领延伸到边缘侧，有效解决以上的时延和带宽题目。
边缘计算现在还没有一个公认的界说，不同的研究者都在试图描述和理解边缘计算，边缘计算产业同盟举行了如下描述：边缘计算是提供网络、计算、存储、应用核心本领的靠近数据产生处的网络边缘的开辟平台。这个平台可以满意行业在快速联接、实时相应、数据处置处罚、安全与隐私保护等各个方面的需求。
来自韦恩州立大学的施巍松教授举行了如下描述：边缘计算是一种新的计算模型，它在网络边缘实行计算，其中边缘是指数据产生处和云端各种路径之间的任意计算和网络资源。边缘的数据一边连接云服务，另一边连接物联网服务。全部相干的对边缘计算的描述之中，都倾向于把边缘计算界说为一种新的计算范式，它使得数据的计算从网络剧里或者空间间隔上更靠近数据的收罗端。
其中所提及的边缘侧，则是指从数据产生的装备到云端这一条通路中，任意的一个具有计算等功能实体。边缘计算由于其新的特性，相对于云计算，也有了一些优势，最突出的优点就是边缘侧由于更加靠近数据产生的装备，相比于必要举行无法预计的数据传输成本的云计算，这天生便增长了其实时性。一旦数据的计算处置处罚工作由边缘侧负担，那么从前必要上传至云端的数据将变少或者消失至零，这又大大减少了核心网络的流量从而开释网络带宽的压力。对于数据隐私的保护，则也是在数据源头处处置处罚的巨大优势。
随着物联网技术的发展，集中式的云计算架构无法把资源利用、数据融合、应用兼容、统一运维等物联网题目全部解决，给网络带宽、计算本领、存储容量带来巨大压力。
边缘计算模型的优点就凸显出来：

• （１）在网络边缘处置处罚大量临时数据，不再全部上传云端，这极大地减轻了网络带宽和数据中心功耗的压力；
  
• （２）在靠近数据生产者处做数据处置处罚，不必要通过网络哀求云计算中心的相应，大大减少了系统延长，增强了服务相应本领；
  
• （３）边缘计算将用户隐私数据不再上传，而是存储在网络边缘装备上，减少了网络数据走漏的风险，保护了用户数据安和隐私。
  

边缘计算的范畴

按照从用户/终端到中心云的间隔，可以划分3个“圈”:

• 第一个“圈”是现场边缘，覆盖1~5ms时延范围，算力以AI推理为主，主要面向主动驾驶，工业互联网等实时性业务。
  
• 第二个“圈”是近场边缘，覆盖5~20ms时延范围，算力以渲染为主，同时另有一部分推理，主要面向视频场景。
  
• 第三个“圈”是传统的公有云（也称为中心云），覆盖20~100ms时延范围，用于承载未下沉到边缘的业务，比方海量的数据存储，挖掘，训练等。
  

三、云边协同

随着物联网趋势的不停加深和 5G 等网络建立的连续发展，消费物联网和产业物联网装备都将与日俱增。现在的智能物联网装备多数接纳通过将数据通过网络上发至云端，由云端举行统一的处置处罚。然而广泛的智能终端接入和海量的感知数据在传输过程中占用的巨大带宽，将数据直接传输至云端也增长了隐私走漏的风险。在边缘侧举行计算可以减少了核心网络的流量从而开释网络带宽的压力，也完成了肯定的数据保护，但是其资源受限会导致的无法满意模型精度需求。
从广义上讲，云计算囊括边缘计算，边缘计算是云计算的扩展，二者为互补而非替换关系。只有云计算与边缘计算相互协同（简称边云协同），才气更好的满意各种应用场景下的不同需求。
云边协同计算继承了云计算与边缘计算的优势，以同时达到高精度、低斲丧、快相应、低延时的应用场景需求。

云计算负责边缘节点难以胜任的计算任务，同时，通过大数据分析，负责非实时、长周期数据的处置处罚，优化输出的业务规则或模型，并下放到边缘侧，使边缘计算更加满意本地的需求，完成应用的全生命周期管理。
边缘计算主要负责那些实时、短周期数据的处置处罚任务以及本地业务的实时处置处罚与实行，为云端提供高价值的数据；
在更多的场景下，云计算与边缘计算形成一种互补、协同的关系，边缘计算必要与云计算精密协同才气更好地满意各种应用场景的需求。

云边协同是融合通信、算力、数据存储、应用服务的分布式开放平台，相对于云侧的全局性、长周期、高时延、大数据的计算特点。边缘计算的短周期特性可以更好地支持本地业务。因此边缘侧与云侧并不是简单的替换关系，而是互补协同的合作关系。通过对资源协同、数据协同、应用协同、服务协划一协同领域构建统一高效的协同框架，实现云边互补，资源融合。
云边协同的推理机制不同于传统的云边协同，除业务、数据、服务等协同外增长了算法协同。算法协同具备算力资源分配、正确率验证、模型分区调用等机制。云边协同的推理机制弥补边缘侧算力不足导致的低正确率征象，避免数据短时增长带来的算力波峰，减少云侧带宽压力，提升服务速率，解决数据不出域题目，有效地进步了系统稳定性和资源的整体使用服从。

云边协同，架构如图 1.1所示，即云计算和边缘计算相互协同，相互优化补充，就好像章鱼大脑和爪子的关系。通常可以将章鱼与边缘计算举行类比，章鱼的大脑可以与云计算举行类比，章鱼的神经元分布在脑部的仅有四成左右，足部则可以类比边缘计算，占据六成的神经元。那么章鱼的足部思索并就地解决题目，大脑则专注于处置处罚“更高层次”的题目。由于物联网装备，天生具有在边缘侧收罗数据的特性，一旦为其计算举行赋能，使得应用在数据源处举行数据的处置处罚，从而减少与云端的交互，将大大解放传统的云计算模式下的网络压力；边缘侧处置处罚了大多的数据，那么当必要借助云端本领时，只必要传输数据运算的中心效果取代之前直接的数据传输，隐私走漏的风险也因此大大降低.
四、云边协同有哪些协同方式？

1、关系划分

边缘计算的快速发展，并不意味着要彻底放弃云计算。相反，越来越多的应用场景必要在云计算的基础上协同边缘计算技术，才气发挥更好的效果。云计算的优势在于处置处罚长周期、计算密集的任务数据，因此可以有效应对必要大量数据分析的业务领域；而边缘计算的优势在于处置处罚短周期、实时性的任务数据，因此可以更好地应用于注重实时性的本地业务领域。针对于云计算与边缘计算之间的协同关系，主要有两种协同方式。
（1）中心云主导的云边协同。

在这种模式下，由云计算中心负责吸收终端装备所上传的任务数据，并举行数据计算、模型训练，以及任务猜测。然后，中心云将部分计算与猜测效果发送至边缘服务层，并引导边缘层举行资源部署与任务调度。
（2）边缘服务层主导的云边协同。

在这种模式下，首先由边缘服务层来吸收终端用户所上传的任务数据，并对其举行计算；然后，边缘服务层会实时将任务的处置处罚效果回传至终端装备。若边缘服务层的计算本领有限，不能满意用户任务的现实需求，则边缘服务层会将任务继续卸载至中心云服务器中处置处罚。
2、层次划分

云边协同的设计应该兼顾传统云计算与新兴边缘计算两种计算范式，因此对其架构举行直接举行设计太过于庞大，同时也忽略了其作为一个新的计算平台的基本需求。由于云边协同源于云端与边缘端，云与边缘的设计并非单一的层次，因此云边协同的研究也应该结合云的多层次与边缘计算的多层次。
三层六类云边协同

其中云计算的发展相对成熟，应用也更为广泛，当代的云计算通常被划分为基础办法即服务的IaaS 与平台即服务的 PaaS 两个领域，广义上还包括软件即服务的 SaaS。边缘计算层次的划分通常也与云计算对应，即边缘侧的基础办法即服务、平台即服务以及软件即服务。本文依据云计算与边缘计算的层次对现在云边协同的研究举行了划分，如图 1.3 所示，分为基础办法协同、平台协同与软件协同。

（1） 基础办法协同

云端和边缘端由于其物理实体的存在，都对应着相应的资源提供相应的本领，比如计算本领，存储本领等。但是又由于每个装备的资源与本领并不相同，想要调度起来或者举行能耗的评估就必要统一的管理。
   Li等人对云边协同下基于负载均衡的资源管理题目举行了研究，为了保证数据完整性以及降低成本，提出了基于成本的资源扩展和紧缩模型，又为了改善负载不均衡题目，提出了新的数据迁移模型。
Li等人提出了接入云、分布式微云与核心云的划分，在都会中部署微云系统，将长途的核心云上的服务迁移至本地，终端用户即可从微云获取之前在核心云的服务。而为了优化微云间的调度，提出了一种基于粒子群优化的多节点系统的资源调度与分配策略。
Li 等人也提出了一种资源管理策略，以保证边缘装备不过载，并优化成本斲丧。同时也提出了一种副天职配策略，更好的保证数据划一性。
  （2） 平台协同

平台层一般包括数据管理以及应用的管理。云边协同架构下数据处置处罚通常由边缘节点负担，而数据处置处罚作为后续数据题目工作的第一步是非常重要的。
   Carrizales 等人设计了一种方法，对每个内容的哈希值举行索引，从而举行重复消除。如许处置处罚可以为后续的数据分析等工作减轻工作量，也同时增长了数据的安全性与可靠性。经过验证，该方法对于降低风险有肯定的可行性。
  Lopez等人基于特性选择，提出了一种基于特性相干性和特性归一化的网络流量分类快速预处置处罚方法，该方法减少了数据处置处罚的时间，对数据举行实时处置处罚，以有效的防御网络攻击。
  Zhao 等人出了一种面向主动驾驶的边缘流数据处置处罚框架，该框架基于Spark-Streaming的建立，可以猜测传感器数据到达率的变化，提前调整流批量隔断，并通过边缘节点实现实时流处置处罚。该框架可以在边缘计算节点区域的地理覆盖范围内，实现对自主驾驶车辆传感器数据的数据流变化的监控和猜测，同时最小化端到端延长，同时满意应用吞吐量要求。
  除了数据预处置处罚，数据存储也是数据管理中重要的部分，思量到边缘节点的存储本领有限，深度学习应用部署于云边协同框架时，如果减少模型巨细以顺应边缘受限是很重要的研究方向。
   Tao等人在物联网数据框架—云边缘协作存储（CECS）基础上举行了改进，提出了一种新的数据搜索与共享的方案，它允许用户生成公钥和私钥对，并自行管理私钥，并且使用可搜索公钥加密来实现更安全、高效和灵活的数据搜索，该方案在保护数据安全的环境下，也同时降低了通信与计算的成本。
  应用管理方面
由于应用的部署必要特定的运行环境，但是云边协同框架下，由于普通边缘节点通常采用一些低功耗的处置处罚器，而边缘基站等也会采用高版本的处置处罚器，云端可提供的本领远远超过一个边缘节点，那么不同位置不同类型的应用，都会提供不同的部署环境。容器的出现，颠覆了传统云厂商应用的部署与调度，也催生了一些良好的容器编排工具，如 Kubernetes。
为了使得应用更好的在不同配置的装备间更好的部署与调度，以顺应云边协同这种分布式的架构，研究者们也举行了大量的研究。
   Xiong 等人先容了一种雷同于 Kubernetes 边缘计算环境中的基础办法 KubeEdge，其在边缘上提供了网络协议基础办法和与云中相同的运行时环境，允许应用程序与运行在边缘节点和云服务器上的组件举行无缝通信，实现了云边协同架构下容器在云与边缘间的调度。
  Zhang等人则是提出了一种动态规划的算法 E-ODD。在应用部署的过程中，当装备没有充足的计算资源时，它会将一些可移动的任务卸载到云上，以占用额外的资源。但是，当难以占用云资源或装备上的计算资源过多时，装备会将任务迁移回去。
  Deng 等人参照现在云端微服务的部署模式，提出以微服务情势在云边协同框架下部署应用，并设计了一种在资源约束和性能要求下优化应用程序部署成本的方法。
  （3） 软件协同

对应传统云计算直接提供相应应用部署环境的 SaaS 平台，许多的云厂商也在边缘计算这种计算范式出现之后，提供了专门针对边缘计算的服务，Google在全球范围内部署了 1000 多边缘服务器，并推出了针对边缘的方案；Alibaba 在我国部署了 500 多边缘服务器，也可以针对低延长需求应用提供边缘服务； Amazon 则是针对低延长需求应用提供边缘服务。浩繁云厂商都在边缘开始发力。
边缘资源的增长，平台的搭建，无疑为特定应用环境的部署提供了极大的便利。Bhattacharjee 等人设计了一款变乱驱动的大数据即服务产物，用于物联网分析生命周期管理，简化了物联网应用的部署。
Chen 等人则针对资源有限的边缘服务之间的协作举行了研究，提出了一种协作服务部署和应用程序分配算法来描述最终的边缘服务部署策略，涉及边缘节点和服务的放置，以及应用程序在边缘节点的分配，它通过设计最小资源占比得到最少的边缘节点数量，然后均衡计算负载。
五、云边协同有哪些应用？

现实中，在电力物联网领域，图像视频相干应用已经越来越广泛，智能化图像的处置处罚、任务调度将成为未来的关键。广泛的智能终端接入和海量的感知数据在促进电力物联网智能化应用进一步提升的同时，也带来了带宽资源约束和网络传输延长等技术瓶颈。
在应用过程中，如果使用基于云数据中心的智能云计算方式，无法满意就地处置处罚与实时智能分析的业务需求；如果使用边缘计算，由于边缘装备的算力有限，无法满意延时约束和模型精度需求。采用基于云边协同的聪明物联体系，以同时达到高精度、低斲丧、快相应、低延时的应用场景目的，实 现新型电网物联体系。
同样，在正在高速发展的车联网领域，如今海量实时数据，车辆行驶安全服务必要在毫秒级延时的环境下处置处罚，而车载装备有限的计算和存储本领难以满意大量计算需求和低时延的限制，不但如此，车联网还具有节点高速移动、拓扑结构动态变化等特点，传统的云计算并不能满意当时延敏感型计算任务。车联网借助云边协同，可以根据现实的环境条件和限制对计算任务举行选择，在构建的云边协同网络中完成绝大部分的计算，并通过路侧单元等传输手段，实时将效果发送给哀求车辆。
云边协同中，边缘侧负责实时处置处罚的部分，并与云端交互关键数据，云侧则负责实时性需求低的密集计算任务等。云边协同由于其继承了云计算算力强盛与边缘计算延长低等的优势引起一众研究。现在，针对云边协同的研究多数在物联网，智能交通等方面，它和传统应用的目的划一，即减少延长、降低斲丧最终实现更好的用户体验。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。