5G对于云边协同发展前景的影响
边缘计算的特点和作用
边缘计算作为目前蓬勃发展的领域在产业互联网中具有重要地位,从物联网四层结构即感知层、网络层、平台层和应用层分析,边缘计算的数据来源是感知层,而由于边缘计算设备同时具有一定计算能力因此往往将其划入平台层考虑,既包含前端节点的特征又具备计算能力的特点使边缘计算在整个技术体系中显得非常独特。总结其典型特点由以下几方面:
(1)部署位置接近感知层
部署位置接近感知层代表感知层众多的传感元件能够被直接接入边缘计算终端,由于感知层设备的种类较多并且原理各不相同,因此边缘计算终端的首要任务是信号预处理,理想状况下是所有的输入信号都是数字信号,但实际由于产业互联网本身生产工艺的繁多使部分模拟量信号的接入成为必然。因此信号预处理在数据预处理之前成为边缘计算终端面临的第一个挑战,在信号预处理的基础上各类工艺过程的测量结果才能被数字化从而形成结构化数据,结合以日志信息为代表的半结构化数据和图像视频为代表的非结构化数据,统一作为边缘计算终端数据预处理的源头甚至不采用边缘计算而直接送入云端。
(2)具有一定计算能力
拥有一定的计算能力是边缘计算终端的最重要特征,边缘计算力越强则云端的计算压力越轻。物联网和产业互联网相比传统的人人信息交互和人机信息交互其感知层设备数量接近无限,并且各类数据结构不一、数据采集周期不一、传输速度要求不一、传输周期不一,如所有的设备都直接接入云端则会导致云端的大量计算力被用于数据预处理。在这种情况下用户只有两个选择,将有限的计算力分出一部分来进行数据预处理工作,或是单独配置新的计算节点来满足数据预处理要求,前者降低了云平台的利用效率而后者提高了用户使用云计算的成本。边缘计算作为感知层设备与平台层的中间过渡计算力很好的解决了这个问题,对于传感器的接入数据由边缘计算终端进行信号预处理和数据预处理后传输至云端,大幅度降低了云端数据预处理的计算量,因此可以将计算力资源集中用于数据分析、数据挖掘特别是会消耗大量计算力的异构数据计算工作上。
(3)部署灵活
由于边缘计算终端是以硬件形式作为传感器和云平台之间的中间过渡层,因此其部署灵活的特点能够使数据采集的工作更为规范统一。针对产业互联网和物联网系统数据采集较为复杂多样的情况,各类结构化数据、半结构化数据和非结构化数据有同时接入和传输的需求,并且数据的采集周期和传送周期各不相同。边缘计算终端可以有效结合不同数据的特点进行部署,尽量将同类型的数据接入同一边缘计算终端,在确保接入数据在计算和传输上的要求接近的同时也可以避开其计算力较弱的特点防止因数据种类过多和传输需求不一而使计算能力超出了终端的计算能力范围。
5G对云边协同的促进
由于边缘计算节点靠近感知层,与平台层之间的数据交换需要通过网络层的通信手段进行,因此网络层的通信效率直接影响云端和边缘计算终端的协同效果。云端的典型特征是计算力强大但是距离感知层设备较远,边缘计算的典型特征则是计算力较弱但是部署接近感知层,中间的传输瓶颈成为了提高云边协同效率的突破口。
(1)5G的四大特征高速度、泛在网、低功耗、低时延
5G高速度、泛在网、低功耗、低时延的四大特征目前网络介绍资料已经非常齐全。聚焦于对云边协同的促进方面,目前边缘计算终端在物联网体系中所处的位置相对还是靠近感知层,对于在传输速度要求上较高的数据特别是如无人驾驶、监控视频处理等实时性要求极高的异构数据处理因为网络层在传输速度和实时性上的限制而无法通过无线公网从边缘端被实时送到云端处理。这个短板造成了很多在平台层已经成熟的应用因为传输网络的瓶颈限制而落地受限,同时造成了边缘计算终端在边缘异构数据处理方面被旁路化和管道化。5G的应用将会突破这个限制,解决了云端和边缘端通信的速度瓶颈,使边缘计算终端在无人驾驶、视频监控等异构数据集中的场景中能够实现前端计算节点所应该具有的集成作用,5G低时延的特征更是使边缘计算从靠近感知层往平台层的方向北向移动,以传输速度和低时延来增加云边协同的效率,双向的克服云平台与边缘设备距离较远的弱点和边缘计算终端计算力较弱的短板,真正实现云边实时协同,将边缘计算节点的计算力不但能够作为前置节点发挥作用,也能和云平台的计算力统筹考虑。不用再考虑通道在传输速度上的限制和传输实时性上的限制。
(2)5G网络切片的作用
5G网络切片技术是指将一个物理网络切割成多个虚拟网络,实现对5G网络数据进行分流管理,并保持每个虚拟网络间逻辑独立性的技术,可在不增设网络架构的基础上满足不同场景的差异化需求。网络切片的作用使边缘计算在解决物联网和产业互联网接入数据多样化的背景下能够多了一种手段。除了针对感知层不同类型的设备在物理上分类进行接入外使用5G网络切片还可以让不同采集周期和传输速度的数据分流。使数据的分类在物理设备之外在网络层也有了隔离手段,对于边缘计算的意义在于采用5G网络切片技术后,感知层设备接入边缘计算终端的架构方案考虑可以以设备物理地域为中心而不必再考虑不同设备的接入数据在采集周期、传输周期和数据包大小上的差异。
低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。
持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。
- 上一篇
拥抱云原生数据库,首选PolarDB
数据库是数智时代的基础构件之一,All over DB的理念会成为共识。IT的发展,驱动了时代的发展,影响着企业,也深刻改变了人类的生活。随着云计算进入成熟期,越来越多的企业踏上数智化转型的旅途。这期间,一些问题暴露了出来,传统架构的数据库存在着诸多缺陷,企业需要更强大、更灵活的数据库。 这样的场景,开始频频发生。营销活动上线,压力突增,数据库来不及升级。有几十台服务器连接着同一台数据库,高并发下,性能捉襟见肘。主从复制常常中断,不能忍。主库添加一个字段,备库竟然延迟了3个小时。数据库即将超过3T,业务发展太快,没时间做分库分表,压力山大。 应对挑战,阿里云自研云原生数据库PolarDB面世 它有超大容量,单库最大64TB,储存容量最高可达100TB,最高配置16个节点,支持大表复杂查询,在2个以上的只读节点时,速度可以提供8到30倍。 它能带来成本节约,如果用Serverless方式自动扩容,就无需手动配置存储空间,弹性扩展,用户为实际使用容量付费即可。 它更易运维,高可用节点能用来做只读节点,多副本下进行存储。TB级数据不仅备份速度快,而且对业务零干扰。 它是面向未来的数据库,企业...
- 下一篇
5G对未来数据科学发展趋势的影响
# 1 大数据的特点 大数据的大并非只是代表数据的体量巨大,事实上在大数据这个概念的出现前,数据的体量就已经随着人类社会的发展而增加到了一定的程度。通常所认为“大”的定义为以下4个方面: (1) 数据体量巨大 (2) 数据类型繁多 (3) 数据价值密度低 (4) 数据处理速度快 在云计算出现前,因为系统的处理能力有很大的局限性,因此对于体量巨大、类型繁多并且价值密度低的数据无法进行有效处理,大量的数据因无法处理而未被收集或是已经收集了但过了留存期限而被销毁。按照传统IT架构方式下的数据分析方式,从价值密度低而数量庞大的数据中去挖掘需要的信息所需要的成本大、效率低,因此往往按照经验来总结出一套理论来分析较小体量的数据并在此基础上对未来的同类型问题进行预测,统计学和概率论即在解决这个问题的过程中不断的完善。云计算技术应用后,计算力得到大规模提升,统一的数据仓库形成,同样的统计学算法和概率算法在输入数据爆发性增加后输出值的精确度无限接近于真实情况,大幅度减小了原来基于小规模数据得出的结果的误差。此外,因为云平台降低了计算的成本,所以对于存量数据和增量数据都能够进行反复迭代计算,机器学习由此诞...
相关文章
文章评论
共有0条评论来说两句吧...