邊緣計算不“邊緣”，公共安全場景先爆發(fā)

導讀：邊緣計算與人工智能技術在公共安全領域的應用的基礎條件已經(jīng)成熟，公共安全有望成為邊緣智能最先爆發(fā)的高價值場景。

圖片來自“東方IC”

我國的安防領域信息化基礎扎實，攝像頭、抓拍機部署密度較大，邊緣側的數(shù)據(jù)采集已不存在障礙。且目前公共安全領域正廣泛開展大數(shù)據(jù)分析、計算機視覺等技術的實踐應用，在數(shù)據(jù)庫的搭建、算法模型的訓練、業(yè)務場景的適配方面，已經(jīng)具備較好基礎。邊緣計算與人工智能技術在公共安全領域的應用，能夠有效提升公共安全管理的效率與水平，大幅降低人力物力成本，對城市管理、民生改善具有巨大價值，市場空間廣闊，且技術應用的基礎條件已經(jīng)成熟，公共安全有望成為邊緣智能最先爆發(fā)的高價值應用場景。

一、邊緣計算

歐洲電信標準協(xié)會定義:

在移動網(wǎng)邊緣提供 IT 服務環(huán)境和云計算能力，強調靠近移動用戶，以減少網(wǎng)絡操作和服務時延，提高用戶體驗。

賽迪顧問定義:

在靠近數(shù)據(jù)產(chǎn)生端進行計算，將網(wǎng)絡、計算、存儲能力從云端延伸到網(wǎng)絡邊緣，具有鄰近性、低時延、本地性、位置感知性的一種新型計算模式。

二、邊緣計算四大特點

邊緣計算具有鄰近性、低時延、本地性、位置感知性四大特點。

1、鄰近性

邊緣計算靠近信息源，適用于通過數(shù)據(jù)優(yōu)化捕獲和分析大數(shù)據(jù)中的關鍵信息，并且可以直接訪問設備，更加高效地服務于邊緣智能，易于衍生出特定商業(yè)應用場景。

2、低時延

邊緣計算服務靠近產(chǎn)生數(shù)據(jù)的終端設備，相對于云計算,極大地降低了時延，尤其是在智能制造和智能駕駛等應用場景中，使得反饋過程更加快速。

3、本地性

邊緣計算可以與網(wǎng)絡的其余部分隔離運行，可實現(xiàn)本地化、相對獨立的計算。一方面保證了本地數(shù)據(jù)的安全性，另一方面降低了計算對網(wǎng)絡質量的依賴性。

4、位置感知性

當邊緣網(wǎng)絡是無線網(wǎng)絡的一部分時，邊緣計算式的本地服務可以利用相對較少的信息來確定所有連接設備的位置，這些可以應用于LBS(基于位置的服務)等業(yè)務場景。

三、邊緣計算與云計算的聯(lián)系和區(qū)別

1、聯(lián)系：

邊緣計算和云計算將同時共存、相互補充、相互促進，共同解決大數(shù)據(jù)時代的計算問題。邊緣計算與云計算是行業(yè)數(shù)字化轉型的兩大重要計算方式，在網(wǎng)絡、業(yè)務、應用、智能等方面的協(xié)同發(fā)展將有助于更大限度的行業(yè)數(shù)字化轉型。

2、區(qū)別：

數(shù)據(jù)計算的任務不同。云計算把握整體，適用于大規(guī)模、非實時業(yè)務的計算。邊緣計算關注于局部，適用于小規(guī)模、實時性計算任務，能夠更好完成本地業(yè)務的實時處理。

網(wǎng)絡資源的負擔不同。與云計算相比，由于邊緣計算靠近信息源,數(shù)據(jù)可在本地進行存儲與處理，不必將全部數(shù)據(jù)都上傳至云端，減少了對網(wǎng)絡的負擔，避免了網(wǎng)絡堵塞，提高了網(wǎng)絡帶寬的利用效率。

智能應用的分工不同。在人工智能應用中，云計算更適用于進行人工智能算法模型訓練與大規(guī)模數(shù)據(jù)的集中化分析，邊緣計算更適用于基于集成的算法模型，進行本地小規(guī)模智能分析與預處理工作。

四、邊緣計算的影響與變化

1、業(yè)務處理從集中式到去中心化

邊緣計算將分布式計算融入集中式的云計算架構中，能使計算能力下沉到邊或端，減少對中心的依賴，通過云、邊、端協(xié)同，大幅提升業(yè)務效率。

集中式業(yè)務處理業(yè)務集中到中心串行處理，高延時，低效率;大量數(shù)據(jù)傳回中心，容易阻塞網(wǎng)絡，帶寬成本較高。存在性能瓶頸和業(yè)務處理不靈活的缺陷。

分布式多中心業(yè)務處理：與集中式處理模式不同，分布式架構使業(yè)務能并行處理，并且能充分利用各分布節(jié)點的多中心資源，大大提高整體資源利用率，業(yè)務可彈性伸縮;并滿足較低時延，較好的用戶體驗。

去中心化業(yè)務處理：業(yè)務不再依賴中心，云、邊、端各司其職、相互協(xié)同;邊緣側融合網(wǎng)絡、計算、存儲、應用核心能力，能進行本地化、特定性業(yè)務處理;最大價值體現(xiàn)在低延時、高效率、可離線、自治、服務感知、業(yè)務彈性伸縮。

2、資源配置從資源獨占到資源共享

邊緣計算最大價值是資源開放性、分享性，改變傳統(tǒng)資源獨占模式，通過分布式計算、資源遷移、虛擬化等技術充分利用邊緣側的資源能力，優(yōu)化全社會資源配置，提高資源利用率。

資源獨占:傳統(tǒng)邊緣側主要承擔的是數(shù)據(jù)采集與業(yè)務請求角色，都是要搶占、獨占中心計算、存儲資源，以及網(wǎng)絡帶寬資源，邊緣端業(yè)務規(guī)模不斷擴大，對中心的壓力將不斷增加，導致整體運營效率下降。

共享與分享:邊緣計算的商業(yè)模式將不僅以服務為驅動，更多是以數(shù)據(jù)為驅動，通過建設統(tǒng)一開放的接口，面向多用戶進行數(shù)據(jù)開放，促進傳統(tǒng)中心——用戶的單邊模式轉變?yōu)橛脩簟行?、用戶——用戶的多邊共享、分享模式，提升整體效率，使社會生產(chǎn)更經(jīng)濟、更快捷。

3、數(shù)據(jù)分析從把握整體到專注局部

萬物互聯(lián)時代需要更敏捷的數(shù)據(jù)處理，也需要更好數(shù)據(jù)保護。以往云計算只把握整體，所有數(shù)據(jù)均要傳到中心分析，而邊緣計算專注局部,聚焦實時、短周期數(shù)據(jù)的分析，能更好地支撐本地實時智能化業(yè)務處理與執(zhí)行，并且，原始數(shù)據(jù)保留在邊緣側，也保證了數(shù)據(jù)的隱私與安全。

數(shù)據(jù)輕量化：本地采集的原始數(shù)據(jù)在邊緣側執(zhí)行初始分析，只傳遞有用數(shù)據(jù)到云端，從而減少網(wǎng)絡負擔，降低傳輸成本。

數(shù)據(jù)隱私保護：大量原始采集的數(shù)據(jù)無需全部傳輸?shù)皆贫?，能更好地對?shù)據(jù)的隱私提供保護。

4、應用部署從未雨綢繆到隨需而動

傳統(tǒng)業(yè)務擴張由于受各種要素制約，如計算、網(wǎng)絡等,均需要根據(jù)需求提前進行規(guī)劃與部署。邊緣計算低時延、鄰近化、高寬帶和位置認知等特性，讓業(yè)務發(fā)展更從容，整個網(wǎng)絡能感知一切業(yè)務需求變化，并通過近端的智能分析，快速調配資源，實現(xiàn)快速響應，敏捷部署。

智能感知：邊緣計算為邊緣側賦能，使其具備業(yè)務和用戶感知能力，可智能感知邊緣側的業(yè)務需求變化，優(yōu)化利用近端資源，支撐本地業(yè)務的實時化處理與執(zhí)行。

敏捷部署：邊緣計算將降低資源對業(yè)務發(fā)展約束性，通過彈性、可擴展、預制化及敏捷化的設施部署與資源調用，及時響應近端的業(yè)務變化需求，實現(xiàn)業(yè)務隨需而動、快速部署。

五、邊緣智能八大應用機會

邊緣智能將在諸多場景中廣泛展開應用。公共安全、智能交通、智能智造、智能駕駛是應用價值較高的領域，具有較大發(fā)展機會。

1、消費電子：低功耗、低延遲的AI芯片搭載于手機、可穿戴設備等消費電子產(chǎn)品中，帶來更為順暢的交互升級體驗。

2、智能家居：通過邊緣智能設備實現(xiàn)智能家居產(chǎn)品間的互聯(lián)互通,防止網(wǎng)絡、電力故障時設備失控，同時加快設備響應速度。

3、個性化推薦：通過用戶的實時定位和個性化要求在臨近終端的節(jié)點計算分析，比一般性推薦更加精準快速。

4、健康檢測：利用可穿戴設備收集個人健康數(shù)據(jù)，直接在設備上處理數(shù)據(jù)，保護個人數(shù)據(jù)隱私。

5、手機游戲：在以團隊合作、對戰(zhàn)為賣點的手機游戲中，降低網(wǎng)絡時延，提高游戲體驗。

6、公共安全

痛點：

實時性要求高。城市各類刑事犯罪呈現(xiàn)高發(fā)態(tài)勢，尤其是突發(fā)性暴力犯罪，時間不可預測，要求公安機關快速反應、快速決策、快速處置。針對海量視頻監(jiān)控的人臉識別應用，云計算能力有限，存在諸如響應不及時、功耗高、網(wǎng)絡帶寬需求高等問題。

準確度要求高。公安系統(tǒng)的身份甄別、合成追逃、偵查破案等業(yè)務場景對公民身份認證的準確性有很高要求。邊緣智能賦能前端攝像設備，助力城市視頻監(jiān)控。

優(yōu)勢：

將 AI 能力注入到前端攝像機等邊緣設備，本地設備上直接完成智能圖像識別，提高實時性。

視頻圖像在邊緣處進行預處理，降低對存儲和網(wǎng)絡帶寬需求，提高視頻分析的速度。

基于邊緣預處理功能，可以構建基于行為感知的視頻監(jiān)控數(shù)據(jù)彈性存儲機制，實時調整視頻數(shù)據(jù)，降低存儲空間。

僅把精煉的結構化有效數(shù)據(jù)上傳云端處理，有效降低視頻流的傳輸與存儲成本，分攤云中心的計算和存儲壓力。

7、智能交通

提高突發(fā)事件分析的準確性。

建立車載端分析模型，對采集數(shù)據(jù)進行實時預先研判，提高車輛駕駛時突發(fā)事件分析的準確性。

不完全依賴云端，避免突發(fā)的自然災害、信號干擾或技術故障造成的無網(wǎng)絡狀態(tài)。

提高交通系統(tǒng)運行效率。

建立城市軌道交通系統(tǒng)的“末梢神經(jīng)”,利用邊緣計算獨立、安全地控制列車屏蔽門的開合。

基于邊緣計算的智能停車系統(tǒng)，收集用戶周圍環(huán)境信息，分析附近可用資源，提升了車位利用率。

利用邊緣計算建立從車輛路況監(jiān)測的車載視頻處理機制，創(chuàng)建實時地圖，優(yōu)化交通流，改善車輛擁堵狀況。

為乘客帶來更多增值服務。

在智能交通車聯(lián)網(wǎng)應用中，每一輛公交車和地鐵上部署車載智能移動網(wǎng)關，緩存數(shù)據(jù)信息,在網(wǎng)絡信號差的環(huán)境也能保持平穩(wěn)運營，同時實現(xiàn)差異化的精準營銷。

8、智能制造

工業(yè)車間內設備種類、數(shù)量、功能日益增多，調度和分配的難度加大;

各軟硬件系統(tǒng)的運行對網(wǎng)絡依賴性越來越大，要求高實時性和確定性;

傳感器的增多，要求控制系統(tǒng)越來越智能;

需求側的個性化定制，要求控制系統(tǒng)越來越柔性;

服務商的專業(yè)化分工使全廠設備的互聯(lián)互通越來越困難。

邊緣智能提升制造效能促進萬“務”互聯(lián)。

充分實現(xiàn)設備間互聯(lián)、互通、互操作;

串聯(lián)數(shù)字工廠的的各個環(huán)節(jié)—智能生產(chǎn)、智能裝備、智能產(chǎn)品、智能物流;

實現(xiàn)生產(chǎn)模式的定制;

設備的靈活更換,生產(chǎn)計劃的靈活調整,新工藝/新流程的快速部署。

9、智能駕駛

邊緣計算是智能駕駛海量數(shù)據(jù)快速處理的重要工具。

智能駕駛在實現(xiàn)過程中，會應用到語音識別、圖像識別、AR信息提升等多種技術，海量數(shù)據(jù)的處理在應用過程中是必不可少的一環(huán)，而邊緣計算是實現(xiàn)這一環(huán)的重要工具。

邊緣計算保證智能駕駛中的低時延性和可靠性要求。

智能駕駛應用中實現(xiàn)碰撞預警等功能時，須保證通信時延在毫秒級，邊緣計算能夠保證數(shù)據(jù)處理的低時延性、可靠性，而云計算過程中易出現(xiàn)斷網(wǎng)或者傳輸延遲等問題，無法保證智能駕駛的安全性。

邊緣計算具有位置感知性,可用于分析周圍交通環(huán)境。

邊緣計算具有位置感知性，可實時感應當前車輛位置，并對數(shù)據(jù)進行實時分析，將結果傳輸?shù)礁浇能囕v中，更加有利于周圍車輛的交通環(huán)境分析，增強智能駕駛應用中交通整體安全性。

六、三大判斷

1、公共安全將成為邊緣智能最先爆發(fā)的高價值場景

我國的安防領域信息化基礎扎實，攝像頭、抓拍機部署密度較大，邊緣側的數(shù)據(jù)采集已不存在障礙。且目前公共安全領域正廣泛開展大數(shù)據(jù)分析、計算機視覺等技術的實踐應用，在數(shù)據(jù)庫的搭建、算法模型的訓練、業(yè)務場景的適配方面，已經(jīng)具備較好基礎。

邊緣計算與人工智能技術在公共安全領域的應用，能夠有效提升公共安全管理的效率與水平，大幅降低人力物力成本，對城市管理、民生改善具有巨大價值，市場空間廣闊，且技術應用的基礎條件已經(jīng)成熟，公共安全有望成為邊緣智能最先爆發(fā)的高價值應用場景。

2、算力將成為邊緣計算及邊緣智能發(fā)展的關鍵

邊緣計算實時性、本地性的特點，決定了本地算力在邊緣智能時代扮演著至關重要的角色。邊緣側的智能能否實現(xiàn)，一方面取決于邊緣側的算法模型是否適用，另一方面更取決于邊緣側是否能夠提供足夠的算力保障。

邊緣側往往面臨著空間、能源、網(wǎng)絡帶寬受限與業(yè)務突發(fā)的特點和難題，傳統(tǒng)的計算設施難以匹配邊緣側的場景需求。因此低功耗、高效率、可快速部署的算力產(chǎn)品及設施，將成為邊緣計算時代下產(chǎn)業(yè)發(fā)展的一大重點。

3、邊緣側的數(shù)據(jù)管理將迎來嚴峻挑戰(zhàn)

萬物互聯(lián)時代，邊緣側將是整個網(wǎng)絡系統(tǒng)中數(shù)據(jù)匯聚處理的最前線，將率先接收到海量異構數(shù)據(jù)的沖擊。數(shù)據(jù)的篩選、分流、整合、存儲、訪問、分析、安全管理都將迎來新的挑戰(zhàn)。

數(shù)據(jù)管理涉及到接口的標準化、業(yè)務模型的梳理、管理策略的設計、本地資源的有效利用等諸多問題，是邊緣計算的重要技術難點。數(shù)據(jù)管理的問題若不有效解決，也將嚴重制約邊緣側計算與智能應用的開展。