边缘智能发展与演进白皮书
来源:用户上传
作者:
我国的安防领域信息化基础扎实，摄像头、抓拍机部署密度较大，边缘侧的数据采集已不存在障碍。且目前公共安全领域正广泛开展大数据分析、计算机视觉等技术的实践应用，在数据库的搭建、算法模型的训练、业务场景的适配方面，已经具备较好基础。边缘计算与人工智能技术在公共安全领域的应用，能够有效提升公共 安全管理的效率与水平，大幅降低人力物力成本，对城市管理、民生改善具有巨大价值，市场空间广阔，且技术应用的基础条件已经成熟，公共安全有望成为边缘智能最先爆发的高价值应用场景。
边缘计算的定义
欧洲电信标准协会定义：在移动网边缘提供IT服务环境和云计算能力，强调靠近移动用户，以减少网络操作和服务时延，提高用户体验。
赛迪顾问定义：在靠近数据产生端进行计算，将网络、计算、存储能力从云端延伸到网络边缘，具有邻近性、低时延、本地性、位置感知性的一种新型计算模式。
边缘计算的特点
边缘计算靠近信息源，适用于通过数据优化捕获和分析大数据中的关键信息，并且可以直接访问设备，更加高效地服务于边缘智能，易于衍生出特定商业应用场景。
边缘计算服务靠近产生数据的终端设备，相对于云计算，极大地降低了时延，尤其是在智能制造和智能驾驶等应用场景中，使得反馈过程更加快速。
边缘计算可以与网络的其余部分隔离运行，可实现本地化、相对独立的计算。一方面保证了本地数据的安全性，另一方面降低了计算对网络质量的依赖性。
当边缘网络是无线网络的一部分时，边缘计算式的本地服务可以利用相对较少的信息来确定所有连接设备的位置， 这些可以应用于LBS（基于位置的服务）等业务场景。
边缘计算与云计算的联系和区别
边缘计算和云计算将同时共存、相互补充、相互促进，共同解决大数据时代的计算问题。
边缘计算与云计算是行业数字化转型的两大重要计算方式，在网络、业务、应用、智能等方面的协同发展将有助于更大限度的行业数字化转型。
数据计算的任务不同。云计算把握整体，适用于大规模、非实时业务的计算。
边缘计算关注于局部，适用于小规模、实时性计算任务，能够更好完成本地业务的实时处理。
网络资源的负担不同。与云计算相比，由于边缘计算靠近信息源，数据可在本地进行存储与处理，不必将全部数据都上传至云端，减少了对网络的负担，避免了网络堵塞，提高了网络带宽的利用效率。
智能应用的分工不同。在人工智能应用中，云计算更适用于进行人工智能算法模型训练与大规模数据的集中化分析，边缘计算更适用于基于集成的算法模型，进行本地小规模智能分析与预处理工作。
影响与变革
业务处理从集中式到去中心化
边缘计算将分布式计算融入集中式的云计算架构中，能使计算能力下沉到边或端，减少对中心的依赖，通过云、边、端协同，大幅提升业务效率。
资源配置从资源独占到资源共享
边缘计算最大价值是资源开放性、分享性，改变传统资源独占模式，通过分布式计算、资源迁移、虚拟化等技术充分利用边缘侧的资源能力，优化全社会资源配置，提高资源利用率。
资源独占：传统边缘侧主要承担的是数据采集与业务请求角色，都是要抢占、独占中心计算、存储资源，以及网络带宽资源，边缘端业务规模不断扩大，对中心的压力将不断增加，导致整体运营效率下降。
共享与分享：边缘计算的商业模式将不仅以服务为驱动，更多是以数据为驱动，通过建设统一开放的接口，面向多用户进行数据开放，促进传统中心——用户的单边模式转变为用户——中心、用户——用户的多边共享、分享模式，提升整体效率，使社会生产更经济、更快捷。
数据分析从把握整体到专注局部
万物互联时代需要更敏捷的数据处理，也需要更好数据保护。以往云计算只把握整体，所有数据均要传到中心分析，而边缘计算专注局部，聚焦实时、短周期数据的分析，能更好地支撑本地实时智能化业务处理与执行，并且，原始数据保留在边缘侧，也保证了数据的隐私与安全。
数据轻量化：本地采集的原始数据在边缘侧执行初始分析，只传递有用数据到云端，从而减少网络负担，降低传输成本。
数据隐私保护：大量原始采集的数据无需全部传输到云端，能更好地对数据的隐私提供保护。
应用部署从未雨绸缪到随需而动
传统业务扩张由于受各种要素制约，如计算、网络等，均需要根据需求提前进行规划与部署。
边缘计算低时延、邻近化、高宽带和位置认知等特性，让业务发展更从容，整个网络能感知一切业务需求变化，并通过近端的智能分析，快速调配资源，实现快速响应，敏捷部署。
智能感知：边缘计算为边缘侧赋能，使其具备业务和用户感知能力，可智能感知边缘侧的业务需求变化，优化利用近端资源，支撑本地业务的实时化处理与执行。
敏捷部署：边缘计算将降低资源对业务发展约束性，通过弹性、可扩展、预制化及敏捷化的设施部署与资源调用，及时响应近端的业务变化需求，实现业务随需而动、快速部署。
边缘智能
内涵与演进
边缘智能是指在靠近数据产生端的边缘侧，人工智能算法、技术、产品的应用。
边缘智能旨在利用人工智能技术为边缘侧赋能，是人工智能的一种应用与表现形式，也是边缘计算与人工智能互动融合的新模式。
应用机会
边缘智能将在诸多场景中广泛展开应用公共安全、智能交通、智能智造、智能驾驶是应用价值较高的领域，具有较大发展机会。
消费电子
低功耗、低延迟的AI芯片搭载于手机、可穿戴设备等消费电子产品中，带来更为顺畅的交互升级体验。通过边缘智能设备实现智能家居产品间的互联互通，防止網络、电力故障时设备失控，同时加快设备响应速度。通过用户的实时定位和个性化要求在临近终端的节点计算分析，比一般性推荐更加精准快速。 利用可穿戴设备收集个人健康数据，直接在设备上处理数据，保护个人数据隐私。在以团队合作、对战为卖点的手机游戏中，降低网络时延，提高游戏体验。
公共安全
痛点：实时性要求高。城市各类刑事犯罪呈现高发态势，尤其是突发性暴力犯罪，时间不可预测，要求公安机关快速反应、快速决策、快速处置。
针对海量视频监控的人脸识别应用，云计算能力有限，存在诸如响应不及时、功耗高、网络带宽需求高等问题。
准确度要求高。公安系统的身份甄别、合成追逃、侦查破案等业务场景对公民身份认证的准确性有很高要求。边缘智能赋能前端摄像设备，助力城市视频监控。
优势：将AI能力注入到前端摄像机等边缘设备，本地设备上直接完成智能图像识别，提高实时性。视频图像在边缘处进行预处理，降低对存储和网络带宽需求，提高视频分析的速度。
基于边缘预处理功能，可以构建基于行为感知的视频监控数据弹性存储机制，实时调整视频数据，降低存储空间。仅把精炼的结构化有效数据上传云端处理，有效降低视频流的传输与存储成本，分摊云中心的计算和存储压力。
智能交通
提高突发事件分析的准确性。建立车载端分析模型，对采集数据进行实时预先研判，提高车辆驾驶时突发事件分析的准确性。不完全依赖云端， 避免突发的自然灾害、
信号干扰或技术故障造成的无网络状态。提高交通系统运行效率。建立城市轨道交通系统的“末梢神经”，利用边缘计算独立、安全地控制列车屏蔽门的开合。
基于边缘计算的智能停车系统，收集用户周围环境信息，分析附近可用资源，提升了车位利用率。利用边缘计算建立从车辆路况监测的车载视频处理机制，创建实时地图，优化交通流，改善车辆拥堵状况。为乘客带来更多增值服务。在智能交通车联网应用中，每一辆公交车和地铁上部署车载智能移动网关，缓存数据信息，在网络信号差的环境也能保持平稳运营，同时实现差异化的精准营销。
智能制造
痛点：工业车间内设备种类、数量、功能日益增多，调度和分配的难度加大;各軟硬件系统的运行对网络依赖性越来越大，要求高实时性和确定性;传感器的增多，要求控制系统越来越智能;需求侧的个性化定制，要求控制系统越来越柔性;服务商的专业化分工使全厂设备的互联互通越来越困难。
边缘智能提升制造效能，促进万“务”互联。充分实现设备间互联、互通、互操作;串联数字工厂的的各个环节—智能生产、智能装备、智能产品、智能物流;实现生产模式的定制;设备的灵活更换，生产计划的灵活调整，新工艺/新流程的快速部署。
智能驾驶
边缘计算是智能驾驶海量数据快速处理的重要工具。智能驾驶在实现过程中，会应用到语音识别、图像识别、AR信息提升等多种技术，海量数据的处理在应用过程中是必不可少的一环，而边缘计算是实现这一环的重要工具。
边缘计算保证智能驾驶中的低时延性和可靠性要求。智能驾驶应用中实现碰撞预警等功能时，须保证通信时延在毫秒级，边缘计算能够保证数据处理的低时延性、可靠性，而云计算过程中易出现断网或者传输延迟等问题，无法保证智能驾驶的安全性。
边缘计算具有位置感知性，可用于分析周围交通环境。边缘计算具有位置感知性，可实时感应当前车辆位置，并对数据进行实时分析，将结果传输到附近的车辆中，更加有利于周围车辆的交通环境分析，增强智能驾驶应用中交通整体安全性。
转载注明来源:https://www.xzbu.com/8/view-14827560.htm
