上篇文章笔者从开源技术实践者的视角回顾云计算的发展演进历程, 也大胆做出了未来云计算发展的预测, 其中描绘了以 5G 加持的边缘计算将会得到快速发展的场景.
首先, 什么是边缘计算? 边缘计算作为一个新兴概念, 不同的参与方均有不同的定义. 根据欧洲电信标准协会 (ETSI) 的定义, 多接入边缘是指在靠近人, 物或数据源头的网络边缘侧, 通过融合网络, 计算, 存储, 应用等核心能力的开放平台, 就近提供边缘智能服务, 满足行业数字化的需求. 除此之外, ARM 以及 ECC 等企业 / 机构也给出了边缘计算的解释, 基本上是一致的. 通俗来讲边缘计算就是更靠近用户侧和业务端的计算方式.
而边缘计算作为新兴的技术系统, 从智慧城市, 智慧家居, 智慧医院, 在线直播, 到智能泊车, 自动驾驶, 无人机, 智能制造, 虚拟现实以及增强现实等场景下都得到了广泛应用.
那么为什么边缘计算会在诞生以后快速发展, 迅速占据市场呢? 首先, 它具备一系列特点:
1. 提升数据处理效率
边缘计算距离用户更近, 可以在边缘节点处就实现对数据的过滤和分析, 不需要等待数据传输的时间. 由于靠近数据接收源头, 所以能够实时地获取数据并进行分析处理, 更好地支撑本地业务的实时智能化处理与执行.
2. 增强数据安全性
边缘计算在接收到数据之后, 可以对数据加密之后再进行传输, 提升了数据的安全性.
3. 缓解云端压力
边缘计算在进行云端传输时通过边缘节点进行一部分简单数据处理, 当面对大量数据时, 可以采用一定的压缩算法, 提取到有用信息之后再进行传输, 能够大量节省数据带宽的消耗. 其次, 它解决了一系列问题:
1. 空间有限
边缘站点的资源往往是有限的, 这是因为空间或电源的限制导致不能随意往站点里面添加更多的资源;
2. 环境复杂
边缘站点由于靠近用户侧, 一般是处于远端并且可能无法被操纵, 因此边缘站点必须能够被远程管理, 远程管理工具必须能够支持通过不可靠网络来访问边缘站点;
3. 需标准化
采用边缘计算技术的设备由于会广泛的分布在各数据节点, 可能会出现不同的处理算法, 需要标准来规范输出的数据格式, 否则不利于云端数据再处理.
下面我们来看看边缘计算的内涵, 与云计算的关系以及在开源领域的发展, 了解如何把握云智能大势, 提前布局开源边缘计算相关的技术体系, 赢得市场先机.
边缘计算概念术语
在《State of the Edge 2018》中, 定义了两种边缘, 如图所示分为, 运营商视角的 "Infrastructure Edge" 和最终用户视角的 "Device Edge".Device Edge(设备边缘)是指网络终端或设备侧的边缘计算资源, 例如: 智能信号灯, 环境传感器, 智能汽车等. 通常它们没什么计算能力, 被用于解决最后 "一公里" 接入的问题, 一个典型的例子就是智能路由器, 它一端通过红外信号控制家中电器, 另一端通过网络和云数据中心相连. 由于设备边缘网络稳定性较差, 因此必须要考虑它们会较长时间离线的情况(例如火车过隧道).
Infrastructure Edge(基础设施边缘)相对于 Device Edge 计算和存储能力都更强, 主要构建模块是边缘数据中心, 通常通过骨干网与数据中心连接, 因此具有更大的网络带宽和更加可靠的网络连接, 例如: CDN, 游戏服务器等. 基础设施边缘除了能运行容器外, 有些甚至还有足够资源运行完整的 Kubernetes.
对边缘节点进行分类的意义在于, 针对不同层级的边缘需要有针对性的部署模型, 并且平台要为边缘节点提供通信能力. 由于应用场景不同, 需求的不同, 导致处理方式以及计算资源分布的不同.
综上所述, 两者虽然同属于边缘计算范畴, 但两者的定义, 关注点, 核心能力方面差异还是很大的, 两者都可以理解为是云端能力的一种补充, 甚至是扩展.
云计算与边缘计算的关系 - 云边协同 未来趋势
需要说明一点边缘计算是无法单独存在, 它必须要和远端数据中心 / 云端打通. 以 IoT 为例, 边缘设备除了拥有传感器收集周边环境的数据外, 还要从云端接收控制指令. 边缘设备与云连接一般有两种模式: 直连和通过中继边缘节点连接.
在前面提到过, 在未来云计算将会下沉至行业, 真正实现云与产业的相结合, 从而加速云, 边, 端协同打破云计算落地的 "最后一公里", 目前云计算巨头在这方面均已有进展.
边缘计算和云计算不是两种互斥的技术, 它们是相辅相成的关系. 通俗的讲, 可以把云计算看做是中心计算, 把边缘计算看做是云计算的一种补充.
适应场景:
车联网. 目前中国联通已经在重庆开启了 V2X 现网试点, 实现的应用验证包括基于关联模型的交通信息推送应用, 基于 MEC 边缘云平台的车辆队列行驶应用开发, 智能交通调度以及大数据分析.
智慧酒店. 通过 Edge 系统实现智能设备 / 系统的管理, 调度, 应用, 以边缘智能为核心, 实现一体化的智能酒店系统.
AI 云上训练, 边缘执行. 即充分发挥云计算海量资源的优势, 将 AI 模型的训练放在云端, 而 AI 的执行则贴近设备侧;
加速边缘软件开发周期. 将微服务, DevOps 等引入边缘将会显著加速嵌入式设备, 机器人等 IoT 软件的迭代周期, 提升部署和运维效率;
数据备份转储. 例如, 海量的工业数据 (加密后) 存储在云端;
看产业发展 - 布局未来开源技术储备
说完了产业发展以及一些概念之后, 我们聊聊开源软件是如何适应产业发展的, 首先是以 OpenStack 基金会为主的边缘云计算 & 工业物联网 - StarlingX. 网上也有很多关于 StarlingX 的资料, 但有些童鞋可能看了还是很晕, 我简单快速的带你了解这个项目是干嘛的.
边缘云计算 & 工业物联网 - StarlingX
首先需要澄清一点, StarlingX 源于 OpenStack 但不同于 OpenStack, 为什么这么说, 刚才前面说到了边缘计算场景现状: 环境复杂, 运维人力少, 升级周期长, 网络差等. 所以针对于边缘计算所需的场景特点, Starling X 它在平台告警和 HA, 硬件管理, 服务升级等方面做了强化, 同时边缘侧也有一些特殊需求, 比如对异构硬件的统一管理, 统一告警和日志服务, 中心和边缘云服务同步, 中心 - 边缘云协同等(https://www.starlingx.io/).
目前部署方式支持单节点, 双节点或者标准化部署模式. 据了解, Starling X 容器化部署工作一直在进行中, 未来将全面支持容器化部署(Kubernetes Helm). 典型案例的话有, 中国联通边缘云平台, 感兴趣的可以看看这个白皮书边缘计算案例研究白皮书: https://mp.weixin.qq.com/s/2e2F_cj508gLihxZXlHALw
边缘计算平台 - KubeEdge
前面提到过 Kubernetes 已经成为云原生的标准, KubeEdge 是首个基于 Kubernetes 扩展的, 提供云边协同能力的开放式智能边缘平台, 也是 CNCF 在智能边缘领域的首个正式项目(https://kubeedge.io).
KubeEdge 主要解决了云边协同, 资源异构, 大规模, 轻量化, 一致的设备管理和接入体验等问题. 图中可以看到 Kubernetes maser 运行在云端, 用户可以直接通过 kubectl 命令行在云端管理边缘节点, 设备和应用, 需要注意的是使用习惯与 Kubernetes 原生的完全一致, 无需重新适应.
本文仅以两个典型开源软件代表为主, 意在为开源云从业者道明开源与产业的发展方向及技术布局储备, 仅供参考, 无法覆盖更多的开源话题, 还请读者见谅.
来源: https://www.qcloud.com/developer/article/1437057