日本在线www-日本在线播放一区-日本在线不卡免费视频一区-日本在线不卡视频-成人影院久久久久久影院-成人影院一区二区三区

★中國科學院沈陽自動化研究所高鵬佩，宋純賀，曾鵬

摘要：工業互聯網是新一代網絡信息技術與制造業深度融合的產物，邊緣計算則能夠在靠近數據源的邊緣側，通過融合網絡、計算、存儲、應用等核心能力，就近提供邊緣智能服務，可以滿足制造業敏捷連接、實施優化、安全可靠等方面的關鍵需求。本文首先介紹了工業互聯網邊緣計算的基本內容，其次介紹了邊緣計算的發展過程，并詳細描述了典型的工業互聯網邊緣計算模型，最后指出了工業互聯網邊緣計算模型未來可能的突破方向。

1概述

工業互聯網是互聯網和新一代信息技術與工業系統全方位深度融合所形成的產業和應用生態，是工業智能化發展的關鍵綜合信息基礎設施，其本質是以機器、原材料、控制系統、信息系統、產品以及人之間的網絡互聯為基礎，通過對工業數據的全面深度感知、實時傳輸交換、快速計算處理和高級建模分析，實現智能控制、運營優化和生產組織方式變革。工業互聯網邊緣計算網絡是工業互聯網與邊緣計算結合的新型網絡，采用工業互聯網基礎架構，在此基礎上加入邊緣計算網關、邊緣計算控制器和邊緣云，通過邊緣計算技術，降低工業現場的復雜性，提高工業數據計算的實時性和可靠性，形成更為先進和優化的工業互聯網網絡解決方案。

雖然邊緣計算出現的時間較晚，但其思想早已在工業生產過程中得以實踐。早在1996年10月，東北大學趙海教授基于工業現場總線的實踐，研發了開放式網絡設備互聯（OpenNetworksDeviceConnectivity，ONDC）設備。2000年8月，斯坦福大學的一位教授研制出世界上最小的一個（固化）Web服務器，命名為“Webit”，并于2001年9月出版了一本名為《嵌入式Internet》的專著。Webit硬件外觀如圖1所示。

圖1Webit硬件外觀

與目前出現邊緣計算的原因類似，20世紀90年代計算機網絡數據傳輸速度很慢，難以滿足工業現場實時數據分析和控制的需求。依據當時生產現場的實際需求，Webit將一些數據分析和控制邏輯功能進行固化封裝，用戶可以登錄到Webit上查看數據情況以及進行現場控制。在物聯網的相關概念尚未提出之前，Webit的邊緣計算思想無疑是超前的。隨后，1998年阿卡邁（Akamai）公司提出了內容分發網絡（ContentDeliveryNetwork，CDN），依靠部署在各地的緩存服務器，通過中心平臺的負載均衡、內容分發、調度等功能模塊，將用戶的訪問指向距離最近的緩存服務器上，以此降低網絡擁塞，提高用戶訪問響應速度和命中率。2003年，IBM開始在WebSphere上提供基于Edge的服務。2004年新加坡信息通信研究所發表了關于邊緣計算的學術論文。隨著5G和物聯網的發展以及智能終端設備的不斷普及，網絡邊緣側數據的爆發式增長推動了邊緣計算的發展。2014年歐洲ETSI成立移動邊緣計算（MobileEdgeComputing，MEC）標準化工作組；同年，AT&T、思科（Cisco）、通用電氣（GE）、IBM和英特爾（intel）成立工業互聯網聯盟（IndustrialInternetConsortium，IIC）；2015年，ARM、思科、戴爾、英特爾、微軟和普林斯頓大學建立開放霧聯盟（OpenFogConsortium）；2016年，IEEE和ACM共同發起了邊緣計算研討會（IEEE/ACMSymposiumonEdgeComputing，SEC）；同年，國內工業、信息通信業、互聯網等領域百余家單位共同發起成立工業互聯網產業聯盟；中國科學院沈陽自動化研究所、中國信息通信研究院、華為技術有限公司、英特爾、ARM、軟通動力等單位聯合發起成立了邊緣計算產業聯盟（EdgeComputingConsortium，ECC），并于2018年發布了邊緣計算參考架構3.0；2017年，中國自動化學會成立了邊緣計算專業委員會。此后工業互聯網邊緣計算在國內得到了蓬勃的發展。

針對不同的業務需求，需要構建面向不同計算需求的邊緣計算數據處理模型和參考架構。工業互聯網中邊緣計算可應用在多個場景，但不同的場景對計算能力需求不同，包括流式數據分析、智能計算和實時控制等，因此需要設計不同的數據處理模型和統一的邊緣計算架構。而面對大規模的復雜時變場景和超低時延的邊緣業務環境時，邊緣計算也需要流式數據分析、數據挖掘、智能計算和實時控制等面向不同計算任務的邊緣節點運行和處理的計算模型，以解決QoS保障的邊緣側在有限計算資源條件下進行的數據分析、智能計算和分布式控制問題。

2典型的工業互聯網邊緣計算模型

工業互聯網邊緣計算模型對工業互聯網邊緣計算系統的高效運行有著重要意義。下面分析幾種面向不同應用場景的工業互聯網邊緣計算模型。

（1）流數據邊緣計算模型及其體系結構

邊緣計算節點進行解耦分析、萃取與事件生成，節點匯總一定時間段內事件，以生成事件集，并與其他邊緣計算節點進行事件融合分析，生成綜合事件后，發送系統中心進行集中處理。處理結果由系統中心反饋于相應邊緣計算節點后，以流式數據形式輸送到生產設備。邊緣計算節點根據原始生產數據，于前端進行數據清洗、集成，并根據本地知識庫進行數據挖掘與聚類分析。根據前端數據挖掘結果與模式評估，快速提供數據挖掘服務，以響應實時生產需求。邊緣計算節點同時將清洗后的數據，根據系統中心規則傳輸至系統中心內數據倉庫，進行綜合數據集成后，于系統中心進行綜合數據挖掘。系統中心根據數據挖掘結構，結合人工智能與機器學習算法，更新綜合知識庫，并對分布式邊緣計算節點知識庫進行同步更新。流數據分析邊緣計算模型整體結構如圖2所示。

圖2流數據分析邊緣計算模型

系統中心根據邊緣計算節點產生事件行為，并構建出一個連通邊緣計算節點的實時計算的圖狀拓撲結構。系統中心向各邊緣計算節點分發代碼，將任務分配給各節點執行。邊緣計算節點將數據流分段形成數據元組，并對其進行過濾、解耦，形成單元事件。時間相關事件可形成事件集，由圖狀拓撲結構進行事件綜合分析與融合后，形成綜合事件輸入系統中心進行處理。結果反饋回邊緣計算節點后，轉化為流式數據，用于控制終端智能生產設備。數據分析體系架構如圖3所示，流數據邊緣計算模型及其體系結構實現了流數據的邊緣側分析，不需要將原始數據上傳至服務器，僅需要將分析結果上傳至服務器進行存儲，從而顯著提升了邊緣側數據分析的比率。

圖3流數據分析邊緣計算體系架構

（2）機器學習邊緣計算模型及其體系結構

機器學習邊緣計算模型主要解決了在邊緣側有限計算資源條件下完成QoS保障的智能計算問題。其中智能體的核心是智能決策模型，通過接收外部環境的激勵信息和狀態信息，并根據決策規則執行一定的策略和行為。這些策略和行為將影響外部環境信息以及給予智能體的激勵信息，同時綜合重構指標、策略和基礎、驗證數據庫中的數據信息，對決策模型進行循環重構。機器學習邊緣計算模型的整體結構如圖4所示。

圖4機器學習邊緣計算模型

外部環境的激勵信息和狀態信息發送至智能體，智能體根據決策規則執行一定的策略和行為，并將這些策略和行為發送至仿真器，仿真的這些策略和行為將影響外部環境信息以及給予智能體的激勵信息。仿真器的結果將首先形成訓練序列發送給深度學習模型，深度學習模型根據這些信息進行訓練，以便識別智能體的行為是否對系統有利。深度學習模型置于加速器中，采用分布式算法對各個子模型在特定的重構指標下進行模型壓縮重構。基于機器學習邊緣計算模型及其體系結構實現了原始數據的邊緣處理，僅需要將處理結果上傳至云端，從而在邊緣側利用有限計算資源完成QoS保障的智能計算的前提下，顯著提升了邊緣側數據分析的比率。機器學習邊緣計算架構的具體內容如圖5所示。

圖5機器學習邊緣計算架構

（3）分布式控制邊緣計算模型及其體系結構

針對網絡化協同制造中設備分布式控制的需求設計實時控制模型，每個設備（智能體）接收來自現場的事件信息，并結合高層策略信息對智能體的輸出行為進行控制，然后智能體基于自身的決策支持智能來進行行為控制。決策支持智能包括系統結構模塊、系統行為模塊以及專家系統。決策支持智能將決策發送至控制器，控制器結合外部輸入對設備進行控制。分布式控制邊緣計算模型整體架構如圖6所示。

圖6分布式控制邊緣計算模型

實時控制的控制核心是分布式多智能體的協同控制。在此過程中，物理過程的信息首先發送至底層控制器，從而形成底層控制信息，這些控制信息是可以交互的。同時，底層控制信息可以通過控制接口發送至智能體，形成智能體高層控制信息。根據系統的具體需求，高層控制信息可以在各個智能體之間交互，以便完成分布式多智能體的協同控制，從而有效提升邊緣側控制的實時性。分布式控制邊緣計算體系結構的具體內容如圖7所示。

圖7分布式控制邊緣計算體系結構

3未來可能的突破方向

邊緣計算作為一種計算下沉的新型計算范式，能夠彌補云計算的不足，助力智能化和海量數據處理在邊緣側的實現，它將會是未來的一大研究熱點。“云-邊-端”基礎設施隨著海量智能設備在存儲、計算、安全、傳輸等方面能力的升級，資源配置趨于下沉，與“端”距離更近。與云計算相比，邊緣計算是從數據源頭入手，以“實時、快捷”的方式與“云計算”進行應用互補。

3.1邊緣計算環境中的高效數據處理

隨著硬件資源的飛速提升，同時邊緣環境的資源十分有限，如何實現將新型硬件集成到邊緣而不引入過多開銷，從而極大地加速邊緣數據分析是一個問題；在邊緣環境下對數據處理的需求日益提升，能否探索一種不依賴云的輕量級數據處理框架也是一大突破點；邊緣計算引起了計算模型“去中心化”的趨勢，協同計算將是未來技術的發展方向；海量終端將對人工智能、機器學習等技術產生影響，探究邊緣加速AI模型訓練推理等也將是一大熱點。

3.2邊緣計算環境下的高效資源管理

邊緣應用程序的多樣化和智能化將促進微內核技術的發展，方便算法、模型等嵌入到海量設備的固件當中，使前端智能更具發展前景；容器技術由于其資源占用低、易于打包交付、靈活遷移、彈性部署和快速啟動等特性將在邊緣大放異彩；邊緣計算的基礎設施是眾多的海量終端設備，相對而言比面向云計算中心虛擬化后的同質設備更具多樣化，探索一種異構邊緣計算平臺將更有利于資源管理。

3.3邊緣計算環境中計算確定性保障

工業互聯網智能制造邊緣計算的關鍵需求是邊緣應用的實時性和確定性。但是邊緣計算環境存在計算資源分布式、零散化網絡動態性和測量噪聲等特征，并且一般為兼有離散事件和連續變量等運行機制的混雜系統，同時邊緣計算任務常存在高并發的特點，導致邊緣計算任務時序復雜難以同步、計算結果確定性難以保證。因此如何針對計算資源的零散性、異構性、動態性、系統的混雜性以及計算任務的高并發性的特點，構建支持分布式混雜系統和高并發任務的邊緣計算模型，保證邊緣計算結果的確定性，是工業互聯網智能制造邊緣計算面對的一個挑戰。

3.4邊緣計算環境中的編程問題

工業互聯網中邊緣計算環境中的計算、網絡和存儲等資源的異構性、動態性、分布式和零散化等特性，使得邊緣設備資源的動態調整對軟件的動態性和可伸縮性要求提升，多種異構資源共存的復雜系統對軟件的可組合性與模塊化程度需求提高，傳統集中式應用程序的開發模式難以滿足邊緣計算場景的需求。如何解決面向工業互聯網中分布式邊緣設備的異構行為統一建模與編程問題，實現統一的編程與開發環境，提升編程系統在部署、調試和運行各類應用時的資源利用率，降低部署和維護的難度和時間，是工業互聯網智能制造邊緣計算面對的一個挑戰。

4結論

工業互聯網存在多個應用場景，并對時延、安全、性能和自管理等有著很高的要求，邊緣計算可以滿足工業互聯網的相關需求。本文介紹了邊緣計算的基本情況和典型的工業互聯網邊緣計算模型，并探討了邊緣計算未來可能在工業互聯網環境中的高效數據處理、高效資源管理、計算確定性保障以及編程等方向的突破，希望為工業互聯網邊緣計算模型的設計提供參考。

作者簡介：

高鵬佩（1999-），男，山西忻州人，碩士，現就讀于中國科學院沈陽自動化研究所，研究方向為邊緣計算。

宋純賀（1981-），男，遼寧鞍山人，研究員，博士，現就職于中國科學院沈陽自動化研究所，研究方向為邊緣計算。

曾鵬（1976-），男，遼寧沈陽人，研究員，博士，現任中國科學院沈陽自動化研究所副所長，研究方向為工業互聯網、邊緣計算。

摘自《自動化博覽》2023年第2期暨《邊緣計算2023專輯》