《Edge Native技术白皮书2-WN6.pdf》由会员分享，可在线阅读，更多相关《Edge Native技术白皮书2-WN6.pdf（50页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、Edge Native 技术白皮书 2.02023年6月编制单位及编写组成员编制单位及编写组成员（排名不分先后）中国信息通信研究院：王哲、黄颖、胡钟颢华为技术有限公司：翁志强、黄还青、肖圣龙百度智能云：韩庆、陈晓宇、吴秋材、李乐丁亚信安全科技股份有限公司：庞勇三一集团有限公司：董明楷、王辉、杨阳南方电网数字平台科技（广东）有限公司：林圳杰、贾国防腾讯云计算（北京）有限责任公司：贾卷、刘浩、徐永太、刘海涛天津大学、缀初网络技术（上海）有限公司：王晓飞中国移动通信集团有限公司研究院：张婷婷、宋雪飞、班有容中国联合网络通信有限公司：刘洋、盛明哲、安岗浪潮通信技术有限公司：王紫程、王晔彤太极计算机股份
2、有限公司：曹哲铭、张亚松朗坤智慧科技股份有限公司：毛旭初、胡杰英、吴爽江苏亨通工控安全研究院有限公司：陈夏裕、郭立龙道客网络科技有限公司上海：张红兵、张静边缘计算产业联盟（ECC）工业互联网产业联盟（A I I）第1章Edge Native 总体发展态势21.1边缘计算发展进入新阶段21.2EdgeNative是推动边缘计算规模部署的新引擎 61.3EdgeNative与CloudNative的关系 7第2章Edge Native 核心技术 82.1协同技术82.2网络技术 112.3计算技术 132.4存储技术 202.5安全技术 21第3章Edge Native 应用探索 243.1交通领
3、域 243.2电力领域 273.3制造业领域 313.4视频领域 35第4章Edge Native 产业实践 404.1EdgeNative产业生态进展 404.2基于EdgeNative的开放平台发展态势 42第5章Edge Native 发展建议 46Contents目 录边缘计算产业联盟（ECC）工业互联网产业联盟（A I I）Edge Native技术白皮书2.02Edge Native 总体发展态势01根据 Machina Research 最新研究报告显示，2025 年全球物联网连接数将增长至270亿个，联网设备的指数式增长造成网络传输能力及中心云处理能力捉襟见肘，同时，根据思科云
4、指数预测，截至2021年，接入网络的终端每年产生数据达847 ZB，作为当今时代强有力的象征之一，移动数据呈现出爆炸式的增长，这一方面来源于持续提升的移动设备数量及其性能，另一方面也归因于不断革新的移动应用需求。其中，增量数据呈现分散性、碎片化的特点，超过50%的数据需要在网络边缘侧分析、处理与存储。云计算虽然有强大的数据处理能力，但是在面对海量的数据以及网络带宽带来的阻碍时，云计算并不能实现全面的计算覆盖。因此，传统的数据处理模式已经无法应对数据处理及网络传输的爆发式增长需求。此外，随着工业互联网、车联网、AR/VR等垂直领域的蓬勃发展，带来了大量数据传输或者低时延的新业务需求，需要数据就近
5、处理和分析满足实时性要求。因此，边缘计算应运而生，其核心理念是将网络、计算、存储等多维度能力“下沉”，减少服务交付时延和带宽占用。学术界和标准组织从技术研究角度出发认为边缘计算是一种新的模式和一种新架构，通过应用网络切片、容器、计算迁移、边缘智能等新技术，实现计算与网络的协同演进。产业界从应用需求角度出发将边缘计算定义为一种新平台，汇聚多维资源协同调度，就近响应需求，提高资源利用率。总体来说，边缘计算不仅仅是新平台、新架构以及新模式，而是三维一体的新生态，通过在网络边缘侧汇聚网络、计算、存储、应用、智能等五类资源及能力，提高服务性能（“提速”）、开放控制能力（“敏捷”），提升用户体验，从而激发
6、类似于移动互联网生态的新模式和新应用。1.1 边缘计算发展进入新阶段EdgeNative总体发展态势边缘计算产业联盟（ECC）工业互联网产业联盟（A I I）Edge Native技术白皮书2.031.1.1边缘计算发展态势边缘计算已成为未来实现低时延、高安全及减少带宽浪费等方面的关键技术。与边缘计算技术相关的软硬件技术及其上下游产业已经成为包括美、欧、亚等发达国家和地区的重要战略性方向，各国家和地区纷纷加快产业布局、制定发展规划，通过政策法规、技术标准、示范建设等全方位措施，推进边缘计算产业发展进程。发达国家主要从三个方面积极营造边缘计算发展环境。一是强化技术标准引领，美国国家科学基金会和美
7、国国家标准局，将边缘计算列入项目申请指南，持续推进其关键技术研究，ITU-T SG20、IEC/ISO JTC1 SC41、IEEE均成立了边缘计算研究小组，以推动边缘计算标准化工作。二是加大产业投资力度，欧盟Networld 2020将边缘计算作为重要研究部分列入其中，预计到2026年底，欧盟在边缘计算领域的投资支出将达到1850亿美元。三是加强应用示范引导，日本推动成立EdgeCross协会推动边缘计算在垂直行业落地，韩国目前已经在8个主要城市部署边缘计算节点，在VR/AR、车联网、无人机与安防监控等场景的应用进行试点，日韩主要通过打造应用示范引导企业应用部署边缘计算。我国高度重视边缘计算
8、发展，主要聚焦三个维度，一是强化技术供给，工信部发布关于推动工业互联网加快发展的通知、工业互联网网络建设及推广指南、国家车联网产业标准体系建设指南等文件，推动建立统一、综合、开放的工业互联网边缘计算标准体系，鼓励相关单位在边缘计算领域进行技术攻关，加速产品研发与产业化。目前，我国边缘计算标准体系初步建立，中国通信标准化协会CCSA已经针对边缘计算开展了体系化的标准研究工作，形成在研标准近30项。二是加强融合应用，国务院、工信部及各地方政府均出台相关政策（参见表1），大力促进边缘计算等新兴前沿技术在工业互联网、车联网等垂直领域中的应用研究与探索，形成一批可复制的应用模式，进行全国推广。目前，边缘
9、计算在工业、农业、交通、物流等领域的试点部署日益广泛并已取得明显效益。三是打造产业生态，工业互联网产业联盟、边缘计算产业联盟、中国通信学会边缘计算委员会等平台的产业汇聚和支撑作用显著发挥。2020年，中国信息通信研究院联合产业各方成立边缘计算创新EdgeNative总体发展态势边缘计算产业联盟（ECC）工业互联网产业联盟（A I I）Edge Native技术白皮书2.04EdgeNative总体发展态势实验室，旨在打造产学研用相结合的技术产业开放平台以及推动边缘计算发展的创新载体。同时，针对边缘计算发展存在产业碎片化以及供给侧研发方向不明时间部门政策文件主要内容关键推动点2017年国务院关于
10、深化“互联网先进制造业”发展工业互联网的指导意见促进边缘计算、人工智能、增强现实、虚拟现实、区块链等新兴前沿技术在工业互联网中的应用研究与探索应用示范2018年工信部车联网（智能网联汽车）产业发展行动计划加快推动多接入边缘计算、网络功能虚拟化等技术在产业中的应用应用示范2019年工信部、国标委关于推动工业互联网加快发展的通知加快建立统一、综合、开放的工业互联网边缘计算标准体系技术标准2019年工信部工业互联网网络建设及推广指南支持企业、科研机构、高校，针对边缘计算等新型网络技术，联合建设网络技术测试床测试床2019年工信部“5G+工业互联网”512工程推进方案加快工业级5G芯片和模组、网关，以
11、及工业多接入边缘计算(MEC)等通信设备的研发与产业化产品研发2020年工信部国家车联网产业标准体系建设指南信息通信分册中规划了基于边缘计算的信息通信平台类标准。技术标准2020年工信部关于推动工业互联网加快发展的通知鼓励相关单位在时间敏感网络、边缘计算、工业智能等领域加快技术攻关技术融合创新2020年工信部工业和信息化部关于工业大数据发展的指导意见推动人工智能、区块链和边缘计算等前沿技术的部署和融合。技术融合创新2020年工信部、应急管理部“工业互联网+安全生产”行动计划（2021-2023年）推进边缘云和5G+边缘计算能力建设，下沉计算能力，实现精准预测、智能预警和超前预警应用示范2020
12、年北京市北京市加快新型基础设施建设行动方案(2020-2022年)加快形成技术超前、规模适度的边缘计算节点布局。规模部署2020年重庆市重庆市新型基础设施重大项目建设行动方案(2020-2022年)支持企业建设面向行业应用需求的边缘计算节点规模部署2020年山东省数字山东发展规划（2018-2022年）到2022年年底，全省边缘计算资源池节点数达到200个以上规模部署确等问题，工业互联网产业联盟启动我国首个边缘计算产业促进项目“边缘计算标准件计划”，加速边缘计算产品形态整合归类及功能规范化。表1 边缘计算产业政策汇总边缘计算产业联盟（ECC）工业互联网产业联盟（A I I）Edge Nativ
13、e技术白皮书2.05EdgeNative总体发展态势目前，各国边缘计算发展态势较为均衡，全球边缘计算仍处于发展初期，美、日发达国家和跨国巨头依托其云计算技术的既有优势积极布局边缘计算发展，并引导全球产业链各方在技术、标准、应用模式等方面形成新的路径依赖。1.1.2边缘计算面临挑战边缘计算已成为具有代表性的新一代信息通信技术，但在实际应用部署面临边缘侧“海量”、“异构”、“约束”以及“分布式”等四大特性带来的挑战。海量特性：截止2021年，全球人均联网设备将会达到3.5个，并产生3.3 ZB的IP流量，数据、设备以及连接数的爆炸式增长成为了边缘侧的重要特征，需要边缘计算提供实时的存储、计算等能力
14、，同时数据在边缘侧处理时的安全性也成为产业各方关注的重点。异构特性：随着边缘计算中移动设备数量的不断增加，各个设备之间的相互通信与协同计算也造成了计算、平台、网络与数据等多维度异构性，包括异构的基础设施、虚拟化平台、操作系统、业务应用等。这一特点不可避免地影响了边缘计算中应用业务的运行性能，并引发了诸如处理延迟、可靠性、安全性等挑战。具体来说，边缘计算需要考虑到设备特点来对执行业务进行适当整合，将计算过程指派并适配到不同架构的计算节点上来，通过灵活的算力资源协同调度提升业务性能，融合不同协议的各类设备进行通信交互，并提供自适应的数据格式与内容适配。约束特性：由于边缘侧环境复杂多样，边缘计算需要
15、考虑到部分节点在计算、存储、通信等资源上存在着多样化的限制约束，并受到动态环境变化的影响而造成诸如感知状态不完全、数据质量退化、控制决策偏移等情况。例如，在工业制造的应用场景下，计算设备对功耗、成本、空间都有着较高的要求，一些小微型边缘计算节点的各种资源（例如电力、空间、算力等）可能都无法满足计算密集型应用的的需求，需要部署轻量化的操作系统及模型优化应用执行效率。分布式特性：用户与计算节点的地理位置分布式是边缘计算的显著特征，因此产生的用户数据也具有地理位置分散的特征，如何实现分布式的边缘计算节点协同联动提供统一的计算能力、分析与处理应用需求也是具有挑战性的目标。总体来说，边缘计算赋能产业数字
16、化的重要价值受到普遍认同，迎来了新一轮发展机遇。由于边缘计算属于跨领域融合概念，参与主体众多，形成多元化发展格局，也造成产业范畴无法界定的问题。同时针对边缘侧特点，边缘计算涌现出一批边缘原生（Edge Native）技术，例如边缘智能、边缘加速、计算迁移、轻量级虚拟化、边缘操作系统、边缘数据处理模式、算力网络等，但目前Edge Native技术概念处于初期阶段，概念边界尚不明确，各个垂直行业独自探索，产业链上下游联系不够紧密，边缘计算产业呈现碎片化发展，一定程度上影响了边缘计算发展速度。因此，亟需形成清晰的Edge Native概念及技术底座，聚焦收敛边缘计算产业范畴，凝聚产业共识，推动边缘计
17、算进入技术工程化应用及规模化部署阶段。边缘计算产业联盟（ECC）工业互联网产业联盟（A I I）Edge Native技术白皮书2.06Edge Native是面向边缘侧海量接入、资源异构、环境约束以及部署分布式等特点运行和构建边缘计算应用的技术体系和方法论，以边缘智能、边缘网络、边云协同、边缘安全等技术为基础，实现IT、CT、OT的跨域协同。从技术创新来看，Edge Native已经形成网络、计算、存储、协同、安全五位一体的技术架构，5G、算力网络等网络技术为需求和资源之间提供敏捷的链接建立和调整能力；边缘智能、边缘加速、边缘网格、异构计算等计算技术有效将计算能力延伸至靠近用户侧，实现算力分
18、布和部署成本的最佳匹配；边缘数据可信、边缘数据调度优化等技术提供高高效可靠的边缘存储能力；边云协同、边端协同、边边协同等协同技术实现云边端网资源的一体化调度和动态分配。在满足业务服务质量要求并取得资源效率全局优化的前提下，使业务负载在云、边、端全域异构资源上合理、灵活地部署和迁移；泛在身份管理、安全功能虚1.2 Edge Native是推动边缘计算规模部署的新引擎EdgeNative总体发展态势拟化等安全技术有效适配边缘侧差异化的网络和业务部署场景，解决其基础设施安全、网络安全、边界安全等全方位安全问题。从产业推进来看，Edge Native理念有助于凝结产业共识，聚焦边缘计算产业范畴，明晰未
19、来产业发展方向，解决目前边缘计算路径不统一等问题，加速推动边缘计算进入成熟期，有效驱动边缘计算业务增长速率。从应用实践来看，完整的边缘计算应用服务涉及需求方、模块提供方、设备提供方、平台提供方以及应用提供方等多个环节及角色配合，Edge Native为统一的服务定义、资源封装以及接口协议提供了基础，便于不同角色间的高效配合以及跨厂商产品互联互通，推动边缘计算逐步走向开放技术融合。Edge Native作为跨领域的交汇创新点，带来了计算资源和网络资源的开放性、可调动性、可分配性等预期优势，将技术理念由刚性、粗放逐渐转变为弹性、精细。边缘计算产业联盟（ECC）工业互联网产业联盟（A I I）Edg
20、e Native技术白皮书2.071.3 Edge Native内涵EdgeNative总体发展态势在复杂多元应用需求驱动下，Edge Native呈现出融合、实时、轻量、协同等新特性。（1）在基础设施方面，边缘侧资源异构性强，Edge Native可以有效协同各层资源，通过动态迁移将应用与资源进行高效衔接，已经初步形成了资源协同、服务协同、应用协同层级化协同体系。应用协同实现边缘应用的统一注册接入，体验一致的分布式部署，集中化的全生命周期管理。服务协同为边缘应用的构建，提供了所需的关键能力组件以及快速灵活的对接机制，从而有效提升边缘应用的构建速度。资源协同提供了底层硬件的抽象，简化上层应用的
21、开发难度。（2）在应用场景方面，Edge Native采用分布式部署，聚焦局部、短周期等本地应用，提供实时性响应能力，同时为了适配边缘侧有限资源特点和实时性要求，Edge Native软硬件架构将更加轻量化，可以在不同场景和模式下进行应用的迭代和切换；（3）在技术架构方面，Edge Native一方面与垂直行业应用需求不断融合，例如边缘控制是边缘计算融合PLC控制技术与信息化技术，将逻辑控制、运动控制、数据处理等功能集成于同一边缘平台，打破设备与设备、设备与云端之间的连接障碍，另一方面与各类ICT前沿技术不断交叉融合，如边缘计算+区块链等，有效拓展Edge Native支撑能力。边缘计算产业联
22、盟（ECC）工业互联网产业联盟（A I I）Edge Native技术白皮书2.08Edge Native 核心技术02目前，在Edge Native技术底座逐步清晰，如图所示，可以分为网络技术、计算技术、存储技术、安全技术、协同技术五大类。EdgeNative核心技术2.1 协同技术随着5G网络的广泛部署并在垂直行业推广应用，用户对大流量非结构化数据及低时延实时数据的处理需求已成为行业痛点。为同时解决这些数据及业务的高效处理，多级分布的计算架构逐渐被行业广泛接受。通过基于云计算、边缘计算和端计算的多点协同计算，相比传统的由单一计算节点实现的计算任务提供更高用户体验质量、更高的数据隐私性、更加
23、节能绿色。在许多特定的应用场景需要云边端协同工作，通过数据采集、模型训练、智能推理，可以实现灵活的业务编排和调度，完成特定的业务逻辑。云边端的可用计算能力状况和网络状况是实时动态变化的，引入人工智能在对计算负载和网络负载进行合理预测的基础上，对云边端中的算力、存储和网络连接等多维资边缘计算产业联盟（ECC）工业互联网产业联盟（A I I）Edge Native技术白皮书2.09源进行联合优化调度，实现云边端网资源的一体化调度和动态分配。在满足业务服务质量要求并取得资源效率全局优化的前提下，使业务负载在云、边、端全域异构资源上合理、灵活地部署和迁移。云网边端协同技术需要支撑满足海量的实时性交互数
24、据、异构网络、约束性算力、分布式边缘计算等需求。海量的实时性交互数据：大流量业务导致网络拥塞，用户体验差，如多路高清视频并发、XR业务并发。需要解决上行超宽带、宽带实时交互等场景的协同问题来提升用户体验 云：提供远程视频管理平台和高清视频源 网：网络API调用视频 I 帧防碰撞机制、分层编码和QoS增强 边：应用层协同调度、媒体渲染 端：终端压缩编码、数据上报异构网络：对于工业现场网络，面对有线、WIFI、5G等异构网络，需要解决工业现场网的协同问题 云：企业信息管理 网：多发选收、提升传输可靠性 边：工 业 应 用 的 双 向 增 强 感 知、Q o S Monitoring全量数据上报、本
25、地快速调度，实现业务闭环 端：5G接入、适配工业网协议约束性算力：分布式AI，在同时满足实时计算和成本平衡的情况下，解决分布式AI的协同问题 云：AI学习训练 网：数据存储/转发，算力调度 边：数据采集，本地闭环 端：降低端侧成本，提供部分算力分布式：在分布式边缘云中，需要提供车辆定位、人员管理和资产跟踪等场景的高精度定位，如何实现能力开放、快速闭环？需要解决通信感知融合的协同问题 云：远端业务管理、集中位置能力开放查询 网：基于3GPP LMF的融合定位能力、当前交通枢纽场景35米精度，园区物流13米精度，5.5G将支持亚米级 边：本地部署融合感知与定位算法、分布式位置能力开放EdgeNat
26、ive核心技术边缘计算产业联盟（ECC）工业互联网产业联盟（A I I）Edge Native技术白皮书2.010协同调度后，机器视觉、XR类业务容量提升，视频传输时延明显下降；增强定位实时性、安全性和精度，支持5G进入工业现场网络领域，设备“剪辫子”，提供高可靠的无线联接，支持差异化SLA和确定性业务保障。云网边端协同涉及到的关键细分技术包括云边协同、边端协同、边网协同、边边协同等。云边协同：包括生态协同和能力协同，由于云端/中心端通常意义理解上会有海量的计算能力，并且针对海量的资源提供给应用一系列的开放能力，通过边云协同可以使边缘计算上的应用充分使用云端的能力。另外，基于云原生技术，能够使
27、计算任务功能能够方便地进行部署和迁移，并可以灵活迅速地实现计算任务功能的实例化及去实例化，还可以根据业务需求对现有计算任务进行扩缩容，以保障计算任务的服务质量。通过函数计算功能，计算业务开发者可以更方便的开发边缘计算应用。边端协同:由于边缘计算的最终客户端多种多样，同时如VR/AR/视频等应用对于时延等有严格的要求，进而对与边端协同提出了要求，需要从架构/技术上能够保证MEC等边缘计算节点到端侧的高效通信，包括端侧压缩、边侧解压缩，I帧防碰撞等协同的能力。边网协同：通过网络能力开放架构，边缘计算平台可以为边缘计算任务数据提供本地分流、QoS调整、位置信息、UE事件订阅、VN组管理等5G网络能力
28、，助力边缘移动计算业务服务能力提升。边边协同：针对整网的MEC节点进行统一的协同编排，不同的边缘节点可能会有不同的硬件、软件能力，通过边边协同技术，可以将边缘节点的计算任务进行分割与协同。如当前边缘节点的计算能力不足与支撑当前的计算任务诉求，可以将计算任务进行切分，最终在某一个边缘节点进行整合，从而达到整网的最优使用。另外一种场景，如最终用户在跨边缘节点漫游，通过边边协同可以快速的讲应用的镜像同步到新节点进行部署，从而达到快速提供服务的目的。边业协同：通过智能业务调度器，为计算任务选择合适的计算节点进行实例化，并可结合计算任务需求灵活实现计算任务实例的迁移、部署及扩缩容。云网边端协同技术当前阶
29、段处于从弱协同到强协同升级的过程中，已实现资源协同、管理协同、能力协同和边缘协同，未来还需要进一步全面深度耦合：EdgeNative核心技术边缘计算产业联盟（ECC）工业互联网产业联盟（A I I）Edge Native技术白皮书2.0112.2.1算力网络随着5G边缘计算的兴起与部署，计算资源的位置由中心走向边缘，更加贴近用户，就近提供服务。算力资源下沉到用户边缘，变得更加泛在，为了将距离用户不同位置分布式的算力资源充分利用，需要网络和计算进一步深度融合，打破散落在各地不同规模数据中心资源的壁垒，通过网络能够感知算力，为用户请求服务到算力资源的最优寻址和调度，从而到达全网算力资源的最优利用以
30、及用户最佳体验，为Edge Native的“联接+计算”的理念提供了边边协同、边云协同、边端协同的网络基础。算力网络的产生与边缘计算息息相关，重点解决边缘计算引入后网络流量模型变化的情况发展而来，流量模型从集中式（云网端）演进到分布式（云网边端）。导致从用户视角来看，不同位置的资源并不是平等关系，需要综合考虑用户到资源距离的不同（即网络空间距离），以及网络状况的好坏，资源报价不同等多方面因素来选择最优资源组合。从而解决：（1）用户体验一致性的问题：用户无须关心各类基础资源（算力、存储等）的位置和部署状态，通过网络即可协同调度各类资源，保证用户的一致体验；（2）服务灵活动态部署的问题：基于用户的
31、服务等级协议（SLA）需求，综合考虑实时的网络、算力、存储等多维资源状况，通过网络灵活匹配与动态调度，将业务流量动态调度至最优资源节点。从2019年算力首次被提出至今，算力网络的研究仅仅经过两年的时间，但由于其巨大的潜在需求已经在业界掀起了波澜。目前，三大运营商、各厂商以及学术机构纷纷开始研究算力网络。2020 年 6 月，CCSA TC614 成立了算力网络特别工作组，依托联盟的平台和资源，联合多方力量，共推、创算力网络产业影响力，构建算力网络生态圈。2020 年 11 月，国内运营商成立了算力网产业技术联盟，将在“联接+计算”领域和全产业链合作伙伴携手并进，共建算力网络生态，推动商业落地，
32、共享转型成果。国内主流运营商还先后发布了算力网络白皮书算力感知网络技术白皮书算力网络架构与技术体系白皮书等。在标准领域，在各方不懈努力下，算力网络标准化工作已取得了巨大进展：2021年4月，三大运营商及各研究单位就算力网络名称达成一致，携手推进算力网络系列行业标准制定；2021年7月，通过了首项算力网络国际标准Y.2501 算力网络-框架与架构，并以此标准作为首个标准开启了算力网络系列标准的制定。目前，在ITU-T、互联网工程任务组（IETF）、宽带论坛（BBF）、ETSI、CCSA 等全球标准组织中，已立项相关的国际标准 10 项、行业标准6项。算力网络主要包括算力度量技术、算力感知技术、算
33、力编排技术、算力交易技术等。（1）算力度量技术算力度量主要包括如下两方面能力：算力可度量：可建立服务到算力的映射模型，对算力分级，可服务算力颗粒，包括服务粒度（AI训练、视频处理等)、功能粒度（编码压缩、加密等）、原子粒度（CPU/GPU/FPGA/ASIC等）；算力可转换：在功能粒度层面，具备算力与算力之间的转换能力；DC内同类型算力资源紧缺情况，在业务需要扩容情况下，网络优先在本DC内部完成算力的流转，例如FPGA-CPU转换。（2）算力感知技术算力感知网络主要包括如下能力:网络对算力资源的感知：通过集中式、分布式、混合式或其他方式获取全局资源信息。网络对用户需求的感知：通过用户主动告知、
34、将业务信息IP报文头或网络主动分析的方式获取用户对资源的实时需求信息。2.2 网络技术EdgeNative核心技术边缘计算产业联盟（ECC）工业互联网产业联盟（A I I）Edge Native技术白皮书2.012（3）算力编排技术算网编排管理包括算力节点的注册，可信对接，算网智能管理调度，部署应用，下发镜像，配置网络、计算等资源的能力等。算力网络应当完成对各种算力资源的注册，构建全网算力与网络资源拓扑，随后根据上层应用实际的算力、存储、网络需求，使用合适的调度算法，为上层应用分配满足需求的资源。当应用需求复杂时，通过自动化、智能化的算法将需求进行分解，分别调度不同的资源来满足用户整体的业务诉
35、求。（4）算力交易技术算力交易技术包含对业务需求的实时智能感知及分析，以及根据业务需求为其匹配最佳资源，实现算力使用者和算力提供者之间的资源交换。除此之外，算力交易还包括：算力计费即通过综合考虑资源的建设成本、维护成本、稀缺性、竞合关系指定合理价格，并依据算力、网络等资源的占用情况生成算力消费者的支付账单以及算力供应商的收入账单；可信交易即确保算力供应商服务资源的可靠性，以及借助区块链等新型技术实现交易的真实有效可溯源；交易视图生成即如何以每个算力消费者为中心，生成可供其选择最佳资源组合的视图，视图中应包含可供选择资源组合的算力、存储、网络等信息。2.2.25G 5G（5th generati
36、on mobile networks或5th generation wireless systems、5th-Generation,第五代移动通信技术）是面向2020年以后移动通信需求而发展的新一代蜂窝移动通信技术。5G可以提供更高的速率，更大的连接和更低的时延，相比于4G(LTE-A、WiMax)，5G具有超高的频谱利用率和效能，在传输速率和资源利用率等方面也较4G移动通信提高一个量级或更高。国际标准化组织3GPP定义了5G的三大场景：增强移动宽带（Enhanced Mobile Broadband，eMBB）、海量机器类通信（massive Machine Type of Communic
37、ation，mMTC）、超高可靠与低时延通信(Ultra-reliable and Low Latency Communications,URLLC)。其中eMBB是指在现有移动宽带业务场景的基础上，对于用户体验等性能的进一步提升，大幅提升网络传输速率，追求“人与人”之间极致的通信体验，是最贴近我们日常生活的应用场景，例如轻松观看4K、VR/AR视频。mMTC是指大规模物联网业务，例如当下发展迅猛的智慧城市，海量的终端需要进行联网通信，其侧重于“人与物”之间的信息交互；URLLC是指超低的时延和可靠的连接，如无人驾驶、工业自动化等需要低时延和高可靠连接的业务，其重视“物与物”之间的通信需求。5
38、G作为接入侧技术，为Edge Native 提供提供海量的终端设备接入能力，大大降低端到端的传输时延，真正满足边缘计算所提出的超低时延，超大带宽，超高吞吐的特性。除此之外，边缘计算平台作为联接 5G 网络与应用、最终用户的桥梁，需要在保障自身网络联接能力的基础上进一步加强与应用的协同，提供完善的 5G 网络开放能力。随着5G的快速发展，越来越多的智能终端将通过5G接入网络，这些终端将产生大量数据，部分数据具备很高的实时性需求，这都要求边缘计算与5G网络紧密结合在一起，基于5G网络边缘计算进行相应业务应用的部署，同时具备多接入（Multi-access）和边缘计算（Edge computing）
39、的能力，才能保障对数据最高效的进行处理，将5G网络的大带宽低时延等特性发挥到极致。同时，由于5G网络是移动网络，移动的智能终端对边缘计算也进一步提出了“边边协同”和“边端协同”的要求，以保障终端在网络中进行移动的过程中，边缘计算所提供的算力和业务可以保持协同和一致。EdgeNative核心技术边缘计算产业联盟（ECC）工业互联网产业联盟（A I I）Edge Native技术白皮书2.013随着越来越多的物理设备连接到网络当中，各类新应用、新业务不断涌现，对计算能力提出了更高的要求。以超高清视频、工业视觉、AR/VR等为代表的视频应用，通过边缘计算低时延、大带宽、实时计算的能力，利用人工智能技
40、术对视频内容进行加工预测，满足消费者和各行业对视频业务实时性、视频数据智能化的需求。在自动驾驶、城市交通、工业视觉、远程医疗等业务场景中，数据传输和处理的流量极大，需要在靠近用户或数据源的位置提供计算服务，实现流量的本地智能化处理，以降低对远端数据中心的流量冲击，同时提供低时延和高可靠的应用运行环境。Edge Native的计算技术将算力从云端数据中心卸载到边缘端设备上，面临一系列环境和资源的限制挑战，这种新的计算范式的显著特点包括：海量节点的数据处理，轻量级的AI算法框架和加速技术、分布式的协同计算框架、异构系统的计算和受限的应用运行环境。在算力受限条件下的人工智能模型优化问题 受环境和资源
41、的限制，边缘端往往算力相对紧张，不能像数据中心一样，进行动态弹性的计算。例如在边缘智能场景下，用户现场的单设备内存有可能不到 1G，AI硬件加速资源差异较大，算力明显不足，在云端数据中心训练好的模型需要根据硬件进行适配和优化，才能最大化发挥AI算法模型的效能。超高清视频和AR/VR等视频类应用的算力分布问题 在众多边缘计算应用中，视频类应用占比较大。超高清视频业务在低时延、大带宽、高并发方面需求强烈，新兴的 AR/VR 类业务，需要支持用户以自然的方式与虚拟环境中的物体进行交互的重要方式。在时延和带宽等方面，不同的沉浸体验程度对于Edge Native的计算能力提出了更高的要求。从计算的角度，
42、需要解决如编解码、视频内容分析和边缘智能管理的问题。边缘环境下计算加速问题 边缘计算场景下，边缘端的环境条件通常都比较复杂，例如部署空间较小，环境温度不稳定，面临抗震、电磁兼容和防噪等要求较高以及机房空气质量欠佳等限制，在一些较低功耗场景下，传统的 X86 架构难以满足功耗和性能的要求，ARM 架构的边缘设备功耗2.3 计算技术EdgeNative核心技术边缘计算产业联盟（ECC）工业互联网产业联盟（A I I）Edge Native技术白皮书2.014方案更具有优势。随着超高清视频、视频直播、工业视觉、自动驾驶、智慧城市等业务场景的广泛应用，计算的场景和数据格式更加复杂多样，需要考虑更具性价
43、比的硬件加速能力，如 TPU、XPU、ASIC、FPGA 等。GPU算力虽然强大，但价格昂贵，需要支持GPU算力与显存的共享、隔离，提升资源部署密度和GPU 资源利用率。异构架构下的计算问题 边缘端数量庞大、差异化大，对边缘计算应用的开发、适配、部署、更新维护造成了极大的困难，边缘计算应用需要能够大规模的运行在异构架构下。Edge Native要解决的问题是要为最终应用提供异构硬件的资源抽象，提供屏蔽异构差异的统一硬件资源，并且能够只能调度应用到合适的硬件资源上运行。为边缘设备上提供和云上一致的功能和体验，实现云-边-端一体化的应用分发，降低系统集成复杂度，解决边缘计算应用的部署、运维和管理的
44、问题。边缘环境下的分布式通信问题 Edge Native场景下，微服务分布在广阔地域范围内，并发度高，需要解决应用服务之间的通信问题，如服务发现、负载均衡、响应时延等。同时考虑到边缘网络的可靠性和带宽限制，Edge Native即使在断网情况下，也应该提供足够的自治和容错能力，解决高并发时的系统可靠性问题。2.3.1边缘智能现有的人工智能应用往往需要大量的计算与存储资源，因此被广泛部署并原生到云中，然而这也带来了业务延迟、网络拥塞与数据隐私等问题。针对于此，将边缘智能逐步从部署到边缘到原生在边缘成为具有发展价值的技术范式之一。通过将智能从云端推动到边缘，边缘智能可以为用户提供低延迟高可靠的智能
45、服务，并应用于智慧制造、自动驾驶、智慧城市等热点领域。尽管仍然处于发展初期，边缘智能已经初步形成了产业布局，并朝向Edge Native逐步发展。具体来说，边缘智能的关键性技术可归纳为硬件与算法两个方面。（1）边缘智能硬件与云数据中心中高度标准化的资源节点群不同，边缘环境中的软硬件设备种类繁多、地理位置分散、能力异构性强、管理模式多样。从硬件架构上来说，边缘智能硬件大致分为以下三种：（1）基于中央处理EdgeNative核心技术边缘计算产业联盟（ECC）工业互联网产业联盟（A I I）Edge Native技术白皮书2.015器（CPU）的边缘智能硬件能够适应各类业务需求，具有大量缓存与复杂的
46、控制逻辑，具有很强的通用性与一般的性能表现。（2）基于图形处理单元（GPU）的边缘智能硬件是当今人工智能硬件领域的主要体系，拥有数量众多的运算单元与流水线架构，能够处理大量并发计算任务，并具有较好的兼容性与性能表现。（3）基于专用集成电路（ASIC）的硬件往往面向特定需求进行设计，因此具有定制化的性能改良与能效管理，然而在扩展性上则具有较强的限制。（2）边缘智能算法考虑到边缘设备上的资源限制，模型轻量化、模型分割、模型提前退出等方法能够有效缓解指定设备上执行任务的计算负载。（1）模型轻量化：通过压缩神经网络的参数来达到减小网络规模，进而控制任务计算量与推理精度损失的有效权衡。具体包括：网络剪枝
47、、参数共享、参数量化等方法。（2）模型分割：常用的深度学习技术由多层神经网络共同构成，其中各个层级在计算、存储、能耗等方面存在着一定差异，因此可以将整个执行过程进行拆解，并分别指派到终端、边缘、云等处执行，通过迁移运算过程来降低任务执行延迟与能量开销。（3）模型提前退出：通过在传统的神经网络上设置条件分支，可以将线性的网络结构改造成拥有多个退出点的树形网络结构，此时推理任务可以在达到某些条件时从分支处提前退出，这样可以在保证一定精度的条件下，减少神经网络所需的计算量。随着边缘智能相关软硬件的不断发展，边缘智能也逐渐呈现出智能在边缘处内在原生的趋势。具体来说，面向智能服务的容器虚拟化技术能够将边
48、缘智能虚拟化到容器环境中，面向大规模异构边缘设备提供硬件低耦合的业务赋能，进而实现面向边缘智能服务的动态管理与协同编排，有效促进边缘智能原生的建设与发展。轻量级AI算法框架 利用硬件底层特性，针对性优化内核和加速计算。例如在ARM CPU或GPU上，Paddle Lite底层应用了ARM CPU的NEON指令集或ARM GPU的OpenCL API加速矩阵计算，达到在边缘设备进行AI计算加速的效果。模型转换和适配 模型转换的意义除了可以使用针对边缘计算的硬件友好型推理框架加速计算，还有一个更大的意义在于，在转换过程中，往往会针对这些硬件相关模型进行模型层面和芯片层面的优化，使其在有限的边缘计算
49、资源上尽可能达到最优表现。模型层面的优化包括基于计算图的优化和模型压缩。计算图优化的过程是指，模型在转换流程里历经算子融合：多个独立的运算融合为一个，比如conv-bn-relu、conv-mul、fc-bn-relu，冗余算子删除：裁剪对于前向计算无意义节点，比如dropout等操作得到一个内存更优模型，同时由于减少了运算次数，也会发挥模型加速推理的作用。模型压缩一种常见的加速技术，通过多种方法改造原模型，消除原模型中冗余的部分，有效减小模型体积、减少计算FLOPS，从而达到改善模型端上存储和推理性能的目的。边缘计算AI中台化服务 边缘智能需要在边缘侧提供人工智能模型库，并支持通过边云协同的
50、方式，将训练好的人工智能模型添加到边缘侧，同时能够适配不同厂商的不同硬件和不同计算框架，同时边缘计算资源和存储资源也相对受限，通过对资源使用情况、算力需求、任务优先级等进行智能调度，确保算力使用效率最大化。边缘计算 AI 中台化服务满足智能化应用对边缘侧 AI 模型的并发调用和管理。端云协同的AI部署可以运行在各式各样的智能终端，如边缘设备终端、一体机和服务器之上，只需运行智能边缘组件，就可以在本地设备上获得AI模型的本地推理、视频流接入等功能，同时在云端可以进行服务的下发和更新、报表统计和节点管理等功能。EdgeNative核心技术边缘计算产业联盟（ECC）工业互联网产业联盟（A I I）E