5G、智能物联网和边缘计算讲座总结

一、主要内容：

（1）云、AIoT、5G移动核心、北斗、空间链路和边缘计算的最新进展

Part1：Al芯片、手机内核、大数据、云、Iot和工业互联网的进步

1. 人工智能已经从机器感应扩展到了认知计算（从感知到认知）
2. ML（机器学习）和AI（人工智能）存放于云当中，数据中心由VMs来启动。
3. SDN（软件定义网络）和NVF（网络功能虚拟化和切片）融合SMACT（社交、移动、分析、云和IoT）。
4. 以云为中心的创新中心，用于大数据分发和人工智能芯片开发应用。
5. 升级版的工业互联网和AIoT来确保全球供应链在经济增长中的安全。
6. 团体智能和区块链应用支持无人驾驶车辆、机器人/无人机舰队和金融工程。

Part2：5G技术对SMACT融合的影响

1. 基于5G的批量传感器网络优势：流动性、极高的数据速率、超高的容量、可靠性、弹性、安全性、低延迟、电池寿命长、设备数量多。
2. 5G最大的特点：速度更快，比 4G 快了10倍到100倍。
3. 5G带来的革命性变化：范围、延时、频率。
4. AI处理器IPU的产生所带来的优势：

大规模并行MIMO

针对未来机器学习趋势的高性能/高效率

紧密耦合的大型本地分布式SRAM中的模型和数据

      Part3：云计算和IoT的集成

1. 云计算和物联网的集成使万物互联成为可能。
2. 将从原先的逻辑互联（www）逐步提升为物理互联。

 

（2）AIRS云的系统架构介绍

1. 整个AIRS系统使用浪潮和中国移动技术和测试基准进行设计。
2. 使用服务器集群、大数据存储和深度学习平台构建AIRS云。
3. AIRS云平台架构变化：

在原先的云数据中心和终端之间建设了边缘层，基于5G基站部署了一系列5G的核心来提高边缘计算的效率。

1. AIRS Cloud witd 5G专业核心：

整个服务器群主要分为IaaS/PaaS云计算区域、AaaS云计算区域、BDaaS云计算区域和边缘计算区域。

传统云计算的服务提供方式通常只包含SaaS（软件即服务）、PaaS（平台即服务）和IaaS（基础架构即服务），但是讲座中提到的AIRS Cloud witd 5G专业核心增加了AI As A Service和BigData As A Service这两个云服务提供方式。

AIRS云将四个定制设计的服务器集群集成在一起，以支持集体云、大数据、AI和5G服务的运算需要。

1. AIRS云服务拥有四个资源池

在原有的IaaS+PaaS资源池的基础上，增加了AIaaS资源池，用于提供实现人工智能的运算资源；增加了BDaaS资源池，提供大数据计算的资源需要；最重要的是增加了边缘计算资源池，当终端在访问边缘计算服务时，提供所需要的运算资源，以此来大幅度提高终端访问云服务的效率。

1. AIRS云的创新功能：

1. AIRS云由496个物理CPU核心（每个CPU为8核）来构建，3.45TB的内存以及160TB的HDFS外存。
2. KVM管理程序支持CPU和GPU的虚拟化，有超过1000个Docker容器。
3. AI站点支持深度学习，320个CPU核，4.096TB内存和64个V100GPU。
4. 5G特殊核心和边缘云自主驱动和供应链实验。

1. 将云、大数据分析与物联网传感/边缘计算相结合

 

（3）云安全、工业供应链、AIoT、机器人视觉和认知计算的研究挑战

1. 在云当中建立一个Linux服务器的虚拟防火墙（VTW）

当前开发了一个Linux操作系统安全机制，它可以保护所有用现代云系统、数据中心和超级计算机建成的Linux服务器。该虚拟防火墙可以过滤Rookit攻击以保护Linux内核函数。

虚拟防火墙与其他Rookit防御系统相比，在检测、防御和跟踪方面都优于其他传统系统，并且系统开销特别低。

但是这个在云中建立的虚拟防火墙存在一个缺点，就是无法保护运行Windows-x86之类的服务器，有一定的局限性。

1. 工业供应链管理中的融资工程

通过AI引擎中的智能合约模块来使用区块链模块，来设计金融供应链和金融管理系统。

1. 边缘计算应用开发

5G核心+CU/DU plus KubeEdge+IEC+边缘服务器+CT开发。

1. 基于AIRS云的机器人视觉训练深度学习：

机器学习模型通过视觉训练，将结果返回至机器人的FPGA当中，然后机器人就可以通过FPGA来控制外部部件的操作。

1. AIRS CloudEdge平台上的机器人视觉培训：

1. 通过机器人摄像机或者雷达传感器采集视频数据，在边缘计算平台上进行预处理。
2. 使用5G核心或WiFi将视频传输到IaaS资源池当中进行数据聚合。
3. 将IaaS处理后的数据传输到BDaaS资源池进行数据挖掘、特征提取和决策。
4. 将处理后的数据传输到AIaaS平台，以执行ML回归、预测或分类训练。
5. AIaaS引擎通过FGPA对训练后的模型进行优化，以便在交叉验证测试中进行机器人整合。
6. 机器人系统执行快速感应和响应机器人动作，以关闭控制回路。

 

 

二、关键技术：

（1）网络功能虚拟化（Network function virtualization, NFV）：

NFV是一个从物理到虚拟的网络架构概念。利用NFV可以根据不同的用户需求建立三层网络切片系统，通过虚拟化技术以软件的方式实现，而不仅仅在硬件架构层面。这个三层切片系统使用的资源是从底层物理硬件抽象、虚拟化而得到的。当用户使用的时候，它将用户数据从靠近基站侧的中心机房数据中心连接到大区数据中心，这样使整个通信网络的效率提高很多。

 

（2）AIaaS（AI as a Service提供人工智能即服务）：

人工智能即服务是人工智能产生之后所带来的第三方产品。AIaaS是出现允许个人和公司在没有大量初始投资和较低风险的情况下，为各种目的进行人工智能试验，具体的方法就是云端拥有AIaaS资源池的服务器以AI成果的形式交付给这些个人和公司，也就是以一种服务的形式。个人和公司在进行人工智能实验的时候，AIaaS可以允许实验中使用到多个公共云平台的采样来测试不同的机器学习算法。另外不同的AI提供商平台也可以在AIaaS资源池当中提供多种风格的机器学习和AI，这些不同的风格或多或少地适合一些个人和公司的AI需求。

 

（3）BDaaS（BigData as a Service提供大数据即服务）：

BDaaS可以基本理解为“云计算+大数据”环境下的DaaS，在传统DaaS层，除了向企业提供必须的各类数据服务以外，还需要提供数据的各类分析和研判，对于企业来说，仍需要将各类不相干的数据进行汇总和分析，仍需要分析和数据挖掘工具，仍需要相关技术和业务人才；从服务的角度来说，BDaaS层的出现，将各种大数据功能外包到云服务中，其中包括数据的提供、分析工具的提供、对数据进行分析和提供报告。部分BDaaS提供商还在它们的工具中包含咨询和顾问服务。

大数据即服务（BDaaS）的到来将解决上述问题，从理论上说各种技术性细节都将“不复存在”，用户可以专注于解决业务问题。BDaaS扩展了传统DaaS层，打通各个业务和分析系统，将各类企业数据进行融合，将结构化的、半结构化的和非结构化的数据将通过大数据技术进行提取和分析，对外呈现统一的数据业务服务，企业通过给出的分析数据，更深入地了解业务，进行痛点分析、同行竞争分析、产品销售趋势预测等，从而提高企业综合竞争力，推动业务的快速增长。

（由于对BDaaS的理解还不是很透彻，因此查阅了大量资料，本段话引用自

https://blog.csdn.net/xieyun1977/article/details/45368537）

 

（4）AIRS云的系统架构：

AIRS云最大的特点是将4个云合成在一起，分别是计算云、大数据应用云，AI云与使用5G专用网络的边缘云。黄铠教授在讲座中提到他们团队使用的服务器是浪潮，浪潮AI服务器从硬件架构来看，采用的是异构形式的服务器，与普通的服务器相比较，在内存、存储、网络方面没有什么差别，主要在是大数据及云计算、人工智能等方面拥有更大的内外存，满足各种数据的收集与整理。

AIRS云系统架构采用英特尔的CPU，底层部署移动应用、摄像头等。这个系统将云计算、5G、IoT、边缘计算结合在一起，用了1400个CPU核与数万个GPU核。

最大的特点是新增了云端数据中心当中的AI云，以及边缘云。云边缘使用5G的基站进行数据传输，大大提高了边缘云的作用范围、减小了延时。

 

 

三、需要解决的问题：

（1）虚拟防火墙VTW具有一定的局限性：

上文的主要内容部分就已经提及虚拟防火墙VTW的适用范围有局限性，仅适用于在Linux操作系统的基础上过滤Rookit攻击，并且保护Linux的内核函数。但也正是因为如此，这种建立在云端的虚拟防火墙无法保护运行在除Linux以外的服务器。

 

（2）分布式、一致性和同步问题：

由于边缘计算的整个系统构成相较于传统的云计算具有高度的分布性，具体体现为每个边缘节点都不是完全独立的，因为每个边缘节点都需要与其他的边缘节点共享信息。所以如何保持云端边缘节点的数据一致性将是目前正需要解决的问题，正是因为边缘计算系统的数量之庞大，因此任何解决方案都需要大幅度扩展。