提高计算资源利用效率，边云协同让算力各司其职！

电子发烧友网报道（文/李弯弯）云边协同是云计算与边缘计算的互补协同，边缘计算模型的提出，对云计算集中式模型的不足提供了新的解决思路，是适应技术发展需求的产物。但不能完全取代云计算，两者是协同运作的。通过云和边缘的紧密协同可以更好地满足各种应用场景的需求，从而放大两者的应用价值。
 
什么是云边协同
 
云边协同的能力与内涵主要包括资源协同、数据协同和服务协同三种。资源协同是指边缘节点能够提供计算、存储、网络等基础设施资源，可以独立调度管理本地资源，也可以和云端协同，接受并执行云端下发的资源调度管理策略。
 
如计算资源协同，就是在上层应用的支持下，对分布在边缘云的计算资源与中心云的计算资源进行协同处理，提高计算资源的效率。
 
典型的AI训练与应用系统，在此系统中，在中心云部署大规模的AI训练软件，发挥中心云计算资源丰富的特点，加快AI训练的速度，而在边缘云上，主要是利用训练好的AI算法进行AI的推理应用。这样，中心云产生的AI算法，就可以服务大量边缘AI上的应用。同时边缘网络上有很多数据，可以传递到中心云进行训练，在训练完成后，可以快速推到边缘网络使用，形成闭合循环迭代。
 
再比如存储资源协同，就是在上层应用的支持下，对分布在边缘云的存储资源与中心云的存储资源进行协同处理，提高存储资源的利用率，节约传输带宽。
 
典型的应用是CDN网络。CDN网络中，把热点视频业务放在边缘网络上，而把冷门数据放在中心云上。这样，用户访问热点视频的时候，数据源就在边缘上，用户可以就近访问数据，只有边缘云上没有数据的时候，才通过中心云去访问，而且一旦访问此数据的用户变多，就可以把此数据源拉到边缘网络进行保存。这样，通过云边协同就可以大幅降低中心云的带宽需求，提高中心云的存储效率。
 
数据协同则是边缘节点负责数据采集，按照模型或业务规则对原始数据进行预处理及简单分析，然后把结果和相关数据上传给云端；云端可以对海量数据进行存储、分析和价值挖掘。边缘和云之间的数据协同，使得数据能够在边缘和云之间有序流动，从而形成一条完整的数据流转路径，便于之后对数据进行生命周期管理与价值挖掘。
 
服务协同是云端完成模型的训练之后，将模型下发给边缘节点，边缘节点按照模型进行推理；云端管理边缘侧应用的生命周期，包括应用的部署、启动、停止、删除及版本更新等；云端生成应用编排策略，边缘侧按照云端策略执行应用。
 
云边协同有什么好处
 
云边协同有什么好处呢，具体来看一些例子。比如，对于一个机器学习模型来说，训练样本的数量会影响到最终模型的效果。而在大数据时代下，各种各样的智能设备都可以进行数据样本的采集。然而如果将采集的设备传输到云端进行模型训练则会面临一些问题：一是带宽与延迟的消耗；二是数据保存在云端则会有严重的隐私泄露隐患。
 
在这种场景下，云边协同进行模型的训练则是一个很好的选择。得益于边缘端的数据收集能力，最终训练出来的模型的泛化性能会更好。其中边缘端负责数据的收集以及部分的模型训练，云端负责将边缘端的模型更新聚合并且发送回边缘端。而传统的人脸识别模型训练通常是先收集人脸数据，然后对人脸数据进行标注，同时在中心服务器进行人脸识别模型训练，最后将训练得到的模型部署到边缘端。
 
在上述训练过程中，需要由数据收集边缘端收集数据，同时与中心服务器进行直接的数据交互，而直接的数据交互势必导致隐私的泄露问题。相比于传统的人脸识别模型训练，云边协同下的人脸识别模型训练不需要将人脸数据上传至中心服务器，而这防止了某种程度的隐私泄露问题。
 
云边协同技术不仅仅可以应用于大数据场景，对于传统的能源行业来说，它涉及的各种设备相对复杂，边缘端传感器较多，若是将收集数据全部发送至云端，则会面临较大的带宽压力，因此转型难度较大。而传统行业下的数据处理往往比较依赖于人工，这也给传统行业的转型带来了困难。
 
以石油行业为例，不同于传统的人工录入等方法，在云边协同的环境下，针对石油开采，可以将传感器、各种开采设备等收集到的信息进行整合并且发送到具有简单数据处理能力的边缘端进行数据的自动化录入、数据预处理、数据实时分析等操作，然后将处理之后的数据发送到云端进行更完全的数据分析以及决策，最后将决策结果发送回边缘端指导石油的开采等操作。相比于传统的石油开采方法，云边协同下的数据处理大幅度提高了数据处理的效率，并且减少了决策所用的时间。