赵振阳介绍了深信服边缘计算的方案设计架构：在中间云侧，利用信服云托管云联合合作伙伴在全国建立的 70+数据中心节点，实现边缘数据的汇聚、分析。在近场边缘，通过超融合实现数据中心算力的下沉。在现场边缘，深信服提供边缘计算一体机，把原生的能力沉淀下来，更快地获取到设备端的数据。
在深信服设计的边缘计算架构方案里，一个管理平台可以管理多cluster，既能够管理中心端k8s cluster， 也可以管理边缘。如果遇到边缘节点宕机的情况，业务可以自治，边缘侧的业务不受影响，并且数据是能够保持和中心端的最新同步。
即使遇到边缘节点与中心节点网络故障的情况，中心端跟设备端之间可以直接通过DNS 进行访问。把业务部署在边上之后，需要针对每一个边设置不同的私网或者不同的网络环境。这也是深信服希望把这种云边协同真正做到极致的原因，才能真的把原生的能力应用到边缘上。
谈及深信服在云边协同目前主要的努力，“一方面是深度参与社区。我们把深信服自己的遇到的一些场景和社区共享；另一方面是做一些额外开发，开发完之后我们会反馈给社区。这样不断沉淀问题，联合社区不断更新，从而为这个产业去不断贡献自己的力量。”赵振阳介绍。
深信服边缘计算案例分享
赵振阳还分享了深信服边缘计算的典型应用场景，包括园区监管、安全生产等场景。
在园区的监管场景，监管单位出于安全考虑需要收集园区里每个企业的数据，借助于深信服的边缘计算平台和产品，园区内的企业可以实现原始数据不出企业，监管数据上传可视可控。基于边缘AI现场的推理分析，可以有效降低带宽成本，同时也可以提高事件预警的及时性。此外，一体机部署灵活，云边协同，能够大幅减少运维成本。
在化工园区安全生产监管场景，边缘计算一体机部署在企业内网环境中就近采集数据，接入重点防范区域的摄像头实时视频流，通过AI算法进行实时视频的智能分析，并根据算法预设规则对视频分析结果进行业务后处理，将异常事件上报到园区管委会，满足安全生产的监管需求。
在煤矿安全生产场景，APP运行在边缘端，通过AI、IOT实现智能自动控制，实现井下无人本地化处理，保证实时性，减少传输时延和传输流量。云边一体化运维，实现边缘设备、边缘应用能力灵活更新，降低整理运维成本。
在新能源场站设备预测维护场景，将边缘数据采集装置部署在接口机后，采集全量设备的运行数据，包括温度、湿度、震动频率等，根据前端设备协议类型，从边缘计算管理平台推送相应的协议插件实现设备统一接入；将采集到的数据传输到数据转发服务装置，实现数据预处理及标准化，将治理后的数据上报至集控中心，结合大数据、AI技术实时对设备进行综合监控、预测分析和优化改进。
最后，赵振阳强调，云原生技术使得边缘计算发展进入快车道，云边协同与边缘自治，也是当前边缘计算要解决的核心问题。他指出，边缘计算必须解决复杂的边缘组网问题，才能为企业提供更加安全可靠的接入、传输服务，才能真正地助力各行各业实现数字化转型。
