【5G】【边缘计算】终于有人把5G和边缘计算的关系说清楚了
今年特别火的5G是什么？边缘计算和5G有什么关系？也许之前你有点搞不清，看完这篇文章相信您会对边缘计算和5G有新的认识。
5G来了
随着经济的发展和人们生活水平的提高，人们对生活质量的要求进一步提升，在这种情况下，移动通信技术在人们日常生活和社会发展中的地位进一步突出。此前，4G的普及改变了生活，满足了人们对视频通话，高清视频播放等基本要求，但是面向未来，每个人平均将拥有数十台智能终端，每平方公里将有百万级智能设备接入，加之人们对超高速传输速率的渴望，4G技术远远无法胜任。因此，5G的研发已成为各大国家和组织、各电信运营商及设备商的重要工作项目。那么什么是5G呢？
5G的G是英文 Generation 的缩写，也就是“世代”的意思。简单说，5G就是第五代移动通信系统，它和大哥大变成智能手机，绿皮火车变成和谐号，dos系统变win10系统一样，都是一种大幅度的技术升级。与4G相比，5G将作为一种全新的网络架构，提供10Gbps以上的峰值速率、更佳的移动性能、毫秒级时延和超高密度连接。5G的速度有多快呢？把世界上最快的4G网速（挪威，63.13Mbps）和最快的宽带网速（新加坡，189Mbps）加一起，也没有它快。2019年1月24日，华为发布业界标杆5G多模终端芯片巴龙5000，如图2-1所示，巴龙5000芯片在5G峰值下载速率是4G LTE可体验速率的10倍。
图：华为5G多模终端芯片巴龙5000
国际电信联盟无线电通信局（ITU-R）定义了5G的三大典型应用场景为：增强型移动宽带（eMBB）、超可靠低时延通信（uRLLC）和海量大规模连接物联网（mMTC）。其中，eMBB主要面向虚拟现实（VR）/增强现实（AR）、在线4K视频等高带宽需求业务；mMTC主要面向智慧城市、智能交通等高连接密度需求的业务；最后uRLLC主要面向车联网、无人驾驶、无人机等时延敏感的业务。5G通信网络更加去中心化，需要在网络边缘部署小规模或者便携式数据中心，进行终端请求的本地化处理，以满足URLLC和mMTC的超低延时需求，因此边缘计算是5G核心技术之一。
5G核心技术——边缘计算
5G的三大典型应用场景对网络性能的要求有显著差异，但为控制成本，运营商必然选择一张承载网+网络切片/边缘计算技术，实现在最少的资本投入下最丰富的网络功能。在5G时代，承载网的带宽瓶颈、时延抖动等性能瓶颈难以突破，引入边缘计算后将大量业务在网络边缘终结。
5G拓展三大应用场景，在无线侧通过硬件/软件技术的大幅提升，契合不同应用场景的网络性能需求，但在传输侧，由于硬件技术升级空间有限，必须通过网络结构的优化满足5G时代新应用对网络性能的要求。5G面向大带宽（eMBB）、大规模连接（mMTC）、超低时延高可靠（uRLLC）三大应用场景，需要提供不同的网络性能。在无线侧有大量新技术实现对不同应用场景的支撑，但传输网络侧，硬件技术提升有限的情况下，需要对网络架构进行革新。
图：5G承载整体要求
资料来源：IMT-20205G推进组 《5G承载需求白皮书》
5G承载网引入资源池云化、控制平面/用户平面分离等新架构，解决传输侧对5G不同应用场景的支撑问题，其中边缘计算是最核心的新技术之一。传统网络结构中，网元具备完整的功能，每个网元需要单独进行配置，网元间关系相对刚性。5G三大应用场景对网络性能要求各不相同，因此5G时代网元功能解耦，控制平面保留在核心网层面，城域网、回传网和接入侧前传网的网元只进行用户平面数据的转发和处理，网元之间资源可以灵活调配，实现不同的网络功能。
图：5G承载组网架构
资料来源：IMT-20205G推进组 《5G承载需求白皮书》
随着网络底层技术的不断革新，新的应用和商业模式推陈出新，5G面向的三大应用场景，未来将催生大量不同应用，对网络性能产生更高要求。随着这些应用的成熟，对网络能力又提出更高的要求，必须通过新的网络技术才能满足大量不同应用的需求。
图：底层网络进步带来应用和商业模式的升级
资料来源：IMT-20205G推进组 《5G愿景与需求白皮书》
边缘计算技术就是解决不同应用带来的多样化网络需求的核心技术之一，在靠近接入网的机房增加计算能力，将能够1）大幅降低业务时延、2）减少对传输网的带宽压力降低传输成本、3）进一步提高内容分发效率提升用户体验。传统网络结构中，信息的处理主要位于核心网的数据中心机房内，所有信息必须从网络边缘传输到核心网进行处理之后再返回网络边缘。5G时代，传输网架构中引入边缘计算技术，在靠近接入侧的边缘机房部署网关、服务器等设备，增加计算能力，将低时延业务、局域性数据、低价值量数据等数据在边缘机房进行处理和传输，不需要通过传输网返回核心网，进而降低时延、减少回传压力、提升用户体验。
图：边缘计算在网络中的位置
资料来源：中国移动 《中国移动边缘计算技术白皮书》
为实现边缘计算，需要在更底层的网络节点增加计算和转发能力，运营商组网结构将逐步演进，边缘计算能力持续提升。
图：边缘计算节点部署方式
资料来源：中国联通 《中国联通边缘计算技术白皮书》
边缘计算是5G时代的核心技术之一，但其架构开放，也可以部署应用于4G LTE网络。运营商将在现有网络结构上平滑演进，最终实现低层网络节点计算能力的全面覆盖，边缘计算能力持续提升。
延展阅读：
边缘计算面临的问题
目前边缘计算已经得到了各行各业的广泛重视，并且在很多应用场景下开花结果。根据边缘计算领域特定的特点，本文认为6个方向是未来几年迫切需要解决的问题：编程模型、软硬件选型、基准程序与标准、动态调度、与垂直行业的紧密结合以及边缘节点的落地。
1.编程模型
编程模型可以使开发者快速上手开发应用产品，从而快速推动领域的发展.在云计算场景中，用户程序在目标平台上编写和编译，然后运行到云服务器，基础设施对于用户是透明的，例如亚马逊基于此编程模型推出的 Lambda 计算服务，可使用户无需预配置或者管理服务器即可运行代码，极大地方便了用户的使用.然而，边缘计算模型与云计算模型存在较大的区别，从功能角度讲，边缘计算是一种分布式的计算系统，具有弹性管理、协同执行和环境异构的特点，如图4所示：
从图4可知，边缘计算包含3个关键内容：
1) 应用程序/服务功能可分割。边缘计算中的一个任务可以迁移到不同的边缘设备去执行，任务可分割包括仅能分割其自身或将一个任务分割成子任务，任务的执行需要满足可迁移性，即任务可迁移是实现在边 缘设备上进行数据处理的必要条件。
2)数据可分布.数据可分布既是边缘计算的特征也是边缘计算模型对待处理数据集合的要求.边缘数据的可分布性是针对不同数据源而言的，不同数据源来源于数据生产者所产生的大量数据。
3)资源可分布.边缘计算模型中的数据具有一定的可分布性，从而要求处理数据所需要的计算、存储和通信资源也具有可分布性.只有当边缘计算系统具备数据处理和计算所需要的资源，边缘设备才可以对数据进行处理。
因此，传统的编程模型并不适合边缘计算。边缘计算中的设备大多是异构计算平台，每个设备上的运行时环境、数据也不相同，且边缘设备的资源相对受限，在边缘计算场景下部署用户应用程序会有较大的困难。Li等人针对边缘设备资源受限的特性设计了一种轻量级的编程语言EveryLite，该工作将计算迁移任务中主体为接口调用的、时间和空间复杂度受限的计算任务称为微任务（micro task)， EveryLite能够在物端设备上处理边缘计算场景中微任务，经过实验对比可以发现EveryLite的执行时间分别比JerryScript和Lua低77%和74%，编译后内存占用量分别是JerryScript和Lua的18. 9% 和1. 4%。因此，针对边缘计算场景下的编程模型的研究具有非常大的空间，也十分紧迫。
2.软硬件选型
边缘计算系统具有碎片化和异构性的特点。在硬件层面上，有CPU，GPU，FPGA，ASIC等各类计算单元，即便是基于同一类计算单元，也有不同的整机产品，例如基于英伟达GPU的边缘硬件产品，既有计算能力较强的DRIVEPX2,又有计算能力较弱 的Jetson TX2 ;在软件系统上，针对深度学习应用， 有 TensorFlow, Caffe, PyTorch 等各类框架.不同的软硬件及其组合有各自擅长的应用场景，这带来了一个问题：开发者不知道如何选用合适的软硬件产品以满足自身应用的需求。
在软硬件选型时，既要对自身应用的计算特性做深人了解，从而找到计算能力满足应用需求的硬件产品，又要找到合适的软件框架进行开发，同时还要考虑到硬件的功耗和成本在可接受范围内.因此，设计并实现一套能够帮助用户对边缘计算平台进行性能、功耗分析并提供软硬件选型参考的工具十分重要。
3.基准程序和标准
随着边缘计算的发展，学术界和工业界开始推出越来越多的针对不同边缘计算场景设计的硬件或软件系统平台，那么我们会面临一个紧迫的问题，即如何对这些系统平台进行全面并公平的评测.传统的计算场景都有经典基准测试集（benchmark),例如并行计算场景中的PARSEC、高性能计算场景中的 HPCC、大数据计算场景中的BigDataBench。
由于边缘计算仍然是较新的计算场景，业界仍然没有一个比较权威的用于评测系统性能的Benchmark出现，但是学术界已经开始有了一些探索工作SD-VBS和MEVBench均是针对移动端设备评测基于机器视觉负载的基准测试集. SD-VBS选取了28个机器视觉核心负载，并提供了C和Matlab的实现；MEVBench则提供了一些列特征提取、特征分类、物体检测和物体追踪相关的视觉算法负责，并提供单线程核多线程的C++实现. SLAMBench是一个针对移动端机器人计算系统设计的基准测试集，其使用RG&D SLAM作为评测负载，并且针对不同异构硬件提供C++，OpenMP， OpenCL 和 CUDA 版本的实现.CAVBench是第1个针对智能网联车边缘计算系统设计的基准测试集，其选择6个智能网联车上的典型应用作为评测负责，并提供标准的输人数据集和应用-系统匹配指标。
由于边缘计算场景覆盖面广，短期来看不会出现一个统一的基准测试集可以适应所有场景下的边缘计算平台，而是针对每一类计算场景会出现一个经典的基准测试集，之后各个基准测试集互相融合借鉴，找出边缘计算场景下的若干类核心负载，最终形成边缘计算场景中的经典基准测试集。
4.动态调度
在云计算场景下，任务调度的一般策略是将计算密集型任务迁移到资源充足的计算节点上执行. 但是在边缘计算场景下，边缘设备产生的海量数据无法通过现有的带宽资源传输到云计算中心进行集中式计算，且不同边缘设备的计算、存储能力均不 相同，因此，边缘计算系统需要根据任务类型和边缘设备的计算能力进行动态调度.调度包括2个层面：
1) 云计算中心和边缘设备之前的调度；
2)边缘设备之间的调度。
云计算中心与边缘设备间的调度分为2种方式：自下而上和自上而下。自下而上是在网络边缘处将边缘设备采集或者产生的数据进行部分或者全部的预处理，过滤无用数据，以此降低传输带宽；自上而下是指将云计算中心所执行的复杂计算任务进行分割，然后分配给边缘设备执行，以此充分利用边缘设备的计算资源，减少整个计算系统的延迟和能耗. 2017年，Kang等人设计了一个轻量级的调度器 Neurosurgeon,它可以将深度神经网络不同层的计算任务在移动设备和数据中心间自动分配，使得移动设备功耗最多降低了 94.7%，系统延迟最多加快了40.7倍，并且数据中心的吞吐量最多增加了6. 7倍.边缘设备间也需要动态调度。边缘设备的计算、存储能力本身是不同的，并且会随着时间的变化而变化，而它们承担的任务类型也是不一样的，因此需要动态调度边缘设备上的任务，提高整体系统性能，防止出现计算任务调度到一个系统任务过载情况下的设备.Zhang等人针对延迟敏感性的社会感知任务设计了一个边缘任务调度框架C〇GTA，实验证明该框架可以满足应用和边缘设备的需求。
综上所述，动态调度的目标是为应用程序调度边缘设备上的计算资源，以实现数据传输开销最小化和应用程序执行性能的最大化.设计调度程序时应该考虑：任务是否可拆分可调度、调度应该采取什么策略、哪些任务需要调度等.动态调度需要在边缘设备能耗、计算延时、传输数据量、带宽等指标之间寻找最优平衡.根据目前的工作，如何设计和实现一种有效降低边缘设备任务执行延迟的动态调度策略是一个急需解决的问题。
5.和垂直行业紧密合作
在云计算场景下，不同行业的用户都可将数据传送至云计算中心，然后交由计算机从业人员进行数据的存储、管理和分析。云计算中心将数据抽象并提供访问接口给用户，这种模式下计算机从业人员与用户行业解耦和，他们更专注数据本身，不需对用户行业领域内知识做太多了解。
但是在边缘计算的场景下，边缘设备更贴近数据生产者，与垂直行业的关系更为密切，设计与实现边缘计算系统需要大量的领域专业知识。另一方面，垂直行业迫切需要利用边缘计算技术提高自身的竞争力，却面临计算机专业技术不足的问题.因此计算 机从业人员必须与垂直行业紧密合作，才能更好地完成任务，设计出下沉可用的计算系统.在与垂直行业进行合作时，需要着重解决3个问题：
1)减少与行业标准间的隔阂。在不同行业内部有经过多年积累的经验与标准，在边缘计算系统的设计中，需要与行业标准靠近，减少隔阂。例如，在针对自动驾驶汽车的研究中，自动驾驶任务的完成需要使用到智能算法、嵌人式操作系统、车载计算硬件等各类计算机领域知识，这对于计算机从业人员而言是一个机遇，因此许多互联网公司投人资源进行研究。然而，若想研制符合行业标准的汽车，仅应用计算机领域知识是完全不够的，还需要对汽车领域专业知识有较好的理解，例如汽车动力系统、控制系统等，这就需要与传统汽车厂商进行紧密合作。同样，在智能制造、工业物联网等领域，同样需要设计下沉到领域内、符合行业标准的边缘计算系统。
2)完善数据保护和访问机制。在边缘计算中，需要与行业结合，在实现数据隐私保护的前提下设计统一、易用的数据共享和访问机制.由于不同行业具有的特殊性，许多行业不希望将数据上传至公有云，例如医院、公安机构等。而边缘计算的一大优势是数据存放在靠近数据生产者的边缘设备上，从而保证了数据隐私.但是这也导致了数据存储空间的多样性，不利于数据共享和访问.在传统云计算中，数据传输到云端 ，然后通过统一接口来访问，极大地方便了用户的使用.边缘计算需要借助这种优势来设计数据防护和访问机制。
3)提高互操作性。边缘计算系统的设计需要易于结合行业内现有的系统，考虑到行业现状并进行利用，不要与现实脱节。例如在视频监控系统中，除了近些年出现的智能计算功能的摄像头，现实中仍然有大量的非智能摄像头，其每天仍然在采集大量的视频数据，并将数据传输至数据中心。学术界设计了A3系统，它利用了商店或者加油站中已有的计算设备。然而实际情况下，摄像头周边并不存在计算设备。因此，在边缘计算的研究中需要首先考虑如何部署在非智能的摄像头附近部署边缘计算设备. 在目前的解决方案中，多是采用建立更多的数据中心或AI—体机来进行处理，或者采用一些移动的设备，如各种单兵作战设备，来进行数据的采集.前者耗费巨大，且从本质来说，仍然是云计算的模式；后者通常使用于移动情况下，仅作为临时的计算中心，无法和云端进行交互。在视频监控领域，Luo等人提出了一个尚属于前期探讨的EdgeBox方案，其同时具备计算能力和通信能力，可以作为中间件插人到摄像头和数据中心之间，完成数据的预处理. 因此，如何与垂直行业紧密合作，设计出下沉可用的边缘计算系统，实现计算机与不同行业间的双赢是边缘计算面临的一个紧迫问题。
6.边缘节点落地问题
边缘计算的发展引起了工业界的广泛关注，但是在实际边缘节点的落地部署过程中，也涌现出一些急需解决的问题，例如应该如何建立适用于边缘计算的商业模式、如何选择参与计算的边缘节点和边缘计算数据、如何保证边缘节点的可靠性等。
1)新型商业模式.在云计算场景下，云计算公司是计算服务的提供者，它们收集、存储、管理数据并且负责软硬件、基础设施的建设和维护，用户付费购买服务，不需要关注计算节点本身的成本，也无需关注服务质量的升级换代过程.这种商业模式为用户使用云服务带来了便利，也让云计算公司具备盈利能力，从而更好地提高服务质量。
而在边缘计算场景下，边缘节点分布在靠近数据生产者的位置，在地理位置上具有较强的离散性，这使得边缘节点的统一性维护变得困难，同时也给软硬件升级带来了难度。例如提供安全服务的摄像头，在使用过程中需要进行软硬件的升级，软件的升级可以通过网络统一进行，而硬件的升级需要亲临现场.依赖于服务提供者去为每一个边缘节点（摄像头）进行硬件的升级和维护会带来巨大的成本开销，而服务的使用者一般不关注也不熟悉硬件设备的维护工作.又如，在CDN服务的应用中，需要考虑 CDN服务器是以家庭为单位还是以园区为单位配置，不同的配置方式会带来成本的变化，也为服务质量的稳定性增加了不确定因素，而维护CDN所需的开销，需要考虑支付者是服务提供者还是使用者。
因此工业界需要寻求一种或多种新的商业模式来明确边缘计算服务的提供者和使用者各自应该承担什么责任，例如谁来支付边缘节点建立和维护所需的费用、谁来主导软硬件升级的过程等。
2) 边缘节点的选择。边缘计算是一个连续统，边缘指从数据源到云计算中心路径之间的任意计算和网络资源。（在实际应用中，用户可以选择云到端整个链路上任意的边缘节点来降低延迟和带宽.由于边缘节点的计算能力、网络带宽的差异性，不同边缘节点的选择会导致计算延迟差异很大.现有的基础设施可以用作边缘节点，例如使用手持设备访问进行通信时，首先连接运营商基站，然后访问主干网络.这种以现有基础设施当做边缘节点的方式会加大延迟，如果手持设备能够绕过基站，直接访问主干网络的边缘节点，将会降低延迟.因此，如何选择合适的边缘节点以降低通信延迟和计算开销是一个重要的问题.在此过程中，需要考虑现有的基础设施如何与边缘节点融合，边缘计算技术会不会构建一个新兴的生态环境，给现有的基础设施发生革命性的变化？
3)边缘数据选择。边缘节点众多，产生的数据数量和类型也众多，这些数据间互有交集，针对一个问题往往有多个可供选择的解决方案.例如在路况实时监控应用中，既可以利用车上摄像头获得数据，也可以利用交通信号灯的实时数据统计，还可以利用路边计算单元进行车速计算。因此如何为特定应用合理地选择不同数据源的数据，以最大程度地降低延迟和带宽，提高服务的可用性是一个重要问题。
4)边缘节点的可靠性。边缘计算中的数据存储 和计算任务大多数依赖于边缘节点，不像云计算中心有稳定的基础设施保护，许多边缘节点暴露于自 然环境下，保证边缘节点的可靠性非常重要.例如， 基于计算机视觉的公共安全解决方案需要依赖智能摄像头进行存储和计算，然而在极端天气条件下，摄像头容易在物理上收到损害，例如暴风天气会改变摄像头的角度，暴雪天气会影响摄像头的视觉范围， 在此类场景中，需要借助基础设施的配合来保证边缘节点的物理可靠性。同时，边缘数据有时空特性，从而导致数据有较强的唯一性和不可恢复性，需要设计合理的多重备份机制来保证边缘节点的数据可靠性.因此，如何借助基础设施来保障边缘计算节点的物理可靠性和数据可靠性是一个重要的研究课题。
在边缘节点落地过程中，已经有了不少尝试，例如联通提出了建设边缘云，其规划至2020年建设6000~7000个边缘节点，将高带宽、低时延、本地化业务下沉到网络边缘，进一步提高网络效率、增强服务能力.因此针对如何选择边缘节点，处理好边缘节点与现有基础设施的关系，保证边缘节点的可靠性的研究非常紧迫。
延展阅读：面向5G的边缘计算
5G时代，移动通信从人与人之间的通信，开始转向人与物的通信，直至机器与机器之间的通信。AR/VR、物联网、工业自动化、无人驾驶等业务将被大量引入，从而带来高带宽、低时延以及大连接的网络需求，也就是3GPP定义的5G三大场景。不同于4G时代的管道提供商角色，运营商在5G时代会有更多的机会拓展增值业务，变身成综合性的端到端业务提供商。作为ICT融合的新生技术，边缘计算将高带宽、低时延、本地化业务下沉到网络边缘，为固移融合提供统一的电信基础设施支撑，对于运营商数字化转型和产业结构升级至关重要。本文主要介绍边缘计算的基础设施云化平台、MEC平台的系统架构和特征，以及可以为边缘应用提供的云化资源、开放能力等服务。
边缘云由于其位置、规模以及环境的特殊性，在技术上具备以下特征：
－高环境适应：部署于地市、区县以及基站的边缘云，由于环境的限制（空调、承重、电源等），多采用定制化的多节点服务器或者计算、存储、网络一体集成硬件，这类硬件采用通用X86架构，具备高环境适应性，在机箱高度、深度方面实现最小化设计，通常采用前维护方式，拥有高集成度、低设备能效，匹配现网电信机房条件，减少对机房改造的需求。
－异构资源融合管理：随着5G业务的到来，边缘云资源池必然从单一类型虚机/裸机资源池向虚机/裸机、容器多种资源池并存方向演进。OpenStack/Kubernetes双核技术，统一了网络、存储以及安全等底层技术，同时实现虚机/容器的统一编排管理，大大提升了资源分配灵活性、资源利用率以及管理效率。
－异构硬件虚拟化：边缘云通常在X86处理器基础上配置FPGA、GPU等协处理器（加速卡）以满足网络高转发的要求，因此最新的ETSI NFV架构也将硬件加速引入到NFV架构之中，增加了加速资源虚拟化能力，将加速器进行抽象，以逻辑加速资源的方式呈现，统一提供全面的加速服务。
－计算存储融合：边缘云由于存储规模小，采用独立的存储池，成本高，资源利用率低，因此广泛使用计算存储融合方案，将分布式存储部署在计算节点上，计算节点和存储节点合一，提升资源利用率。同时通过策略配置，可让本节点的虚机/容器优先访问本地存储，将副本部署于其他节点，在保证可靠性的同时提升了存储的性能。
－轻量化部署：边缘云的规模相对较小，管理模块在其中占用资源需要减少到合适比例，因此可采用轻量级管理模块部署或者将管理模块集中部署在上级云，边缘云中仅部署计算节点，两种部署方式可根据现场环境灵活选择 。
－集中运维：分布式云采用多层部署，数据中心分布在各地，而且资源类型不一，需要统一管理平台屏蔽资源池的异构性，进行统一全局的运维管理，提升运维管理效率。
在边缘云之上，MEC技术主要是指通过在靠近无线接入侧部署通用服务器，从而为无线网络提供IT和云计算的能力，使应用、服务和内容可以实现本地化、近距离、分布式部署，从而促使无线网络具备低时延、高带宽的传输能力，降低回传带宽需求，从而减少运营成本。同时，MEC定义了完整的网络和第三方应用的双向通信的API通信机制，例如无线网络可以把无线网络上下文信息（位置、网络负荷、无线资源利用率等）通过API开放给第三方业务应用，有效提升了移动网络的智能化水平，促进网络和业务的深度融合。
MEC应用场景根据不同的业务特征，主要可以分为以下两种类型：一种是本地化业务，包括本地业务的缓存和融合，典型的场景包括企业园区网络，或者AR/VR业务扩展；一种是垂直行业的拓展，典型的场景包括车联网、工业互联网等。为了更好地支持新的业务，同时发掘现有的网络能力增值，MEC的场景中也需要考虑更精准的室内导航、平台开发和应用集成等。
综合ETSI与3GPP对于MEC系统架构特征的定义，以及5G MEC场景诉求，MEC架构的构想如图2所示。
基于5G的分布式云基础设施，在边缘侧云化构建5G用户面和5G MEC节点，5G MEC节点提供MEC应用平台使能第三方应用，同时提供公共服务给第三方应用进行调用。MEC节点之间互相协同，支持应用移动时上下文的交换，保证业务的连续性。
中心侧提供能力开放功能，对第三方用户和第三方应用开放网络能力（如无线负荷、位置、带宽等）。位于中心侧的策略调度功能综合应用的健康状况、负载状况、网络状况等信息，动态地创建/删除第三方应用实例，动态地给出边缘用户面功能选择策略，实现网络与业务的最佳协同。
采用分层的管理/编排架构，位于中心侧的管理/编排功能是第三方应用管理和编排的统一入口，由它来选择在哪个或哪些边缘位置部署应用。边缘侧的管理/编排功能则对实际的资源分配和应用部署进行管理。
一种新兴技术和生态的诞生与兴起，需要背后商业模式的强有力支撑。面向未来，业界对边缘业务平台的各种应用场景有着无限的憧憬与期待。中兴通讯希望能够携手更多的行业合作伙伴，共同探讨边缘计算的合作模式，共建5G网络边缘生态系统，全面推动边缘业务的蓬勃发展。
先进制造业+工业互联网
产业智能官 AI-CPS
加入知识星球“产业智能研究院”：先进制造业OT（自动化+机器人+工艺+精益）和工业互联网IT（云计算+大数据+物联网+区块链+人工智能）产业智能化技术深度融合，在场景中构建“状态感知-实时分析-自主决策-精准执行-学习提升”的产业智能化平台；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。
版权声明：产业智能官（ID：AI-CPS）推荐的文章，除非确实无法确认，我们都会注明作者和来源，涉权烦请联系协商解决，联系、投稿邮箱：erp_vip@hotmail.com。
相关内容
微信扫码咨询专知VIP会员