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。