物联网之边缘服务

       边缘服务，主要是在本地提供就近服务，满足实时性、成本、安全与隐私保护等方面的诉求。许多业务将通过本地设备实现而无需交由云端，大大提升处理效率，减轻云端的负荷。

      边缘服务其实继承了很多传统自动化控制理念和业务概念，其又称边缘计算，则会涉及更多关于数据计算处理功能。在传统的自动化控制服务中，诸如数据归一化、数据清洗、数据记录、数据分析等在物联网边缘服务同样适用，但又有通过云边协同的大数据处理来进行智能预测，或生产、仓储、物流等环节的生产数据的实时全链监控、跟踪等等全新的内容。

     下面看看边缘服务都有那些基础功能要求，又有那些进阶功能要求。

基础功能：

【1】数据采集，通过不同的接口驱动与设备通信，获得设备推送的通信报文。

【2】报文解析或协议解析，这里主要是指业务应用协议的报文解析，例如将设备的modbus协议解析为具体的业务结构化数据。

【3】数据清洗或过滤，设备端数据采集很频繁，通常到毫秒级别，这是确保实时性的需要，但是很多采集到的数据是大量冗余的。最常见的做法就是对实时数据进行标注，实现在数据变位或一定间隔内定期进行上送、记录等数据处理，进而加强与云端通信的有效性，又能降低通信成本。

【4】本地场景联动（自动化调度策略），就是本地设备之间发生关联，产生业务链的一种业务规则，而联动策略支持预先或实时配置。例如温度传感器获取的数据大于32度时，打开空调的供电，并在间隔数秒后启动空调。

【5】分析告警，主要是实时分析，这和场景联动前置很像，都是通过条件判定生成输出，只不过场景联动输出的是新业务链调度，而分析告警输出的是异常处置、消息预警等等。消息预警一般可以通过短信、邮件等方式，需要注意告警过滤策略很重要，防止消息淹没和提高告警精准度。

【6】数据记录，边缘服务本地存储有限，通常的做法是将数据暂时缓存，例如本地只保留3天、七天，过期数据及时删除。另外一部分做法就是本地实时存储，隔天（或一定时间）统一推送到云端指定存储服务上，然后删除本地存储数据。

上面所列的基础功能在传统自动化控制系统中一样存在，而进阶功能：

【1】视频预处理或视频分析，在传统自动化控制，较少涉及到视频数据采集，更多的是图像采集，并实时性也不高。但当前随着硬件资源和网络通信的提升，视频采集成为常态。但哪怕通信能力得到提升，将视频数据直接推送到云端都是巨大的成本开支，因此大多数情况下，边缘服务会对采集视频进行与处理，例如有效分割、图像提取等预处理有再推送云端处置，又或将预先训练好的视频分析模型直接加载在边缘服务实时处理，仅将分析结果推送云端，甚至分析结果可在本地直接进行场景联动触发新业务链。

【2】语音预处理或语音分析，放置在本地边缘服务，是类似视频一样为了实时性、通信成本、冗余清洗等原因。

【3】本地机器学习，通常的做法是在云端训练好模型然后远程部署到本地，在本地进行推理计算，提高业务稳定性和计算速度。

【4】函数计算，本地各种事件业务的处置函数，诸如实现数据过滤归一、构建孪生数据和业务模型、数据转发或提供第三方服务接口等等。

 

   在实际项目中边缘服务（计算）部署的载体通常有两大类：

【1】工业PC类，例如工控机、迷你电脑、工业电脑、服务器，系统一般采用linux/win/ Android，主要是部署资源要求相对较高的边缘服务。通常这些设备提供RJ45、WIFI、4G等通信方式与云端通信。

【2】嵌入式设备，系统一般采用MCLiunx、ARM_Linux、PPC-Linux等或专有物联网操作系统如Alios-Things,Huawei LiteOS,RT-Thread等，主要部署资源要求相对较低的边缘服务。通常这些设备会附带WIFI、4G等通信模块实现与云端通信。

 

边缘服务（计算）之上的雾计算，基于微型服务器、工控机、嵌入式设备的计算力问题，在局部范围为边缘服务或设备提供计算服务。雾计算相比边缘服务具有更强的计算力和覆盖范围，相比云平台具有更低的时延。雾计算，是一种分布式的计算模型，作为云数据中心和物联网（IoT）设备/传感器之间的中间层，它提供了计算、网络和存储等能力，也可以看做是扩展的边缘计算。

 

本人认为目前边缘服务的最需解决的技术难点：

其一，确保数据采集既稳定可靠又精确无误，尤其针对不同设备、不同协议数据采集确保时延、时序、递序是极不容易的事情。

其二，标准化与通信，减少与行业标准间的隔阂，打破设备隔离，提高互操作性，完善数据保护和访问机制。

其三，动态调度能力，综合考虑调度的粒度、组合、依据等，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平衡的解决方案。