北京邮电大学信息与通信工程学院唐子豪，马文龙，许方敏，赵成林

1　引言

随着工业4.0的兴起，工业生产正朝着智能化和自动化的方向快速发展。作为支撑这一转型的关键技术，云边协同网络通过结合云计算与边缘计算的优势，实现了数据处理的高效与实时性，极大地提升了工业生产的灵活性和可靠性。本综述探讨了云边协同网络在工业生产中的应用现状，提出了确定性云边协同架构，调研了其中的关键技术，并讨论了其在实施过程中所面临的挑战与未来的发展方向。

2　云边协同网络概述

边缘计算作为继云计算后的新型计算范式，其核心思想是将计算和存储资源从数据中心迁移至网络边缘，以满足工业场景对实时性、低延迟和高可靠性的需求。在智能制造、工业物联网等应用中，边缘计算通过实时处理任务、减轻网络负载和提升安全性，逐渐成为支撑工业互联网的关键技术。

尽管边缘计算将云计算功能延伸到了网络边缘，支持低时延、位置感知和高质量服务（QoS），但在工业生产中，设备和传感器产生的巨大数据量和边缘计算单元有限的资源成为了难以避免的矛盾。此外，边缘节点的异构性导致了节点容量、速度、响应时间和能耗等差异，影响服务质量和可靠性^[1]。例如，某些工业任务需毫秒级响应，而其他复杂任务需长时间计算，这要求节点具备不同处理能力。为实现高效的数据处理和资源利用，合理使用云边协同的计算模式得到了大量研究者的关注。

在工业生产中，云边协同通过合理分配计算任务，可以有效满足不同的时延要求。例如，在智能工厂中，边缘计算处理设备的实时监控和故障预警，云端则进行长期数据分析和预测，优化生产流程。这种模式下，设备数据传输至边缘进行实时计算，复杂任务交给云处理，最终结果反馈给边缘，再输出到终端，如图1所示^[2]。

图1 云边协同架构示意图

在云边协同的过程中，边缘计算处理实时数据，并为云端提供关键信息；而云计算则处理非实时、长周期的数据，并负责边缘应用的全生命周期管理^[3]，其关键在于资源、业务、服务、数据等层面的协同。在智能制造过程中，通过资源协同，可以有效调度边缘计算单元的计算资源，确保生产过程中的实时任务得到及时处理，同时也能优化云端的数据分析任务，以提高整体生产效率；应用协同通过统一接入、分布式部署和生命周期管理，涉及云、边、管、端等各个层面，确保系统的高效运作，提升生产线的可靠性和响应能力；服务协同为工业应用的构建提供灵活的对接机制，能够快速适应生产环境中的变化需求，如实时产量调度、设备状态监测等^[4]。

3　面向工业生产的确定性云边协同网络架构

确定性云边协同网络在实现了工业设备、边缘计算和云计算之间的高效协同的基础上融入了确定性网络，借助确定性网络的特殊流确定性服务保障机制，完成关键任务流的确定性传输。其架构如图2所示，从底层到顶层分为三层：工业基础设备层、确定性云边协同层管控、云边协同工业应用层^[5]。

图2 确定性云边协同网络架构

最底层的工业基础设备层包括传感器、控制器、工业机器人和生产设备等，这些设备直接参与工业生产过程，产生大量实时数据。这些数据通过确定性云边协同管控层的处理和分析，反馈到云边协同工业应用层，支持智能制造和远程控制等应用的实现。

中间的确定性云边协同管控层实现了工业确定性算力网络和云平台层的协同工作。工业确定性算力网络负责算力感知、资源管理、资源预留、任务调度、路径规划、服务保障、时间同步和传输控制等功能，确保网络的确定性和可靠性。其通过与云服务器、云管理平台和数据仓库的协同，实现资源的高效管理和任务的精确调度。其中的边缘计算层由边缘服务器、边缘节点和本地存储设备组成，负责处理靠近数据源的计算任务，减少数据传输到云端的延迟，提高响应速度。边缘计算层与云平台层和确定性云边协同管控层的协同工作，实现了数据的本地处理和快速响应，同时也减轻了云端的计算压力。

最上层的应用层支持工业APP、远程控制、监控平台和预测分析等智能应用。这些应用利用云计算的强大处理能力，实现复杂的数据分析和智能决策支持。云平台层作为架构的核心，由云服务器、云管理平台和数据仓库组成，负责提供计算资源、数据存储和管理服务。云服务器提供必要的计算资源，云管理平台负责资源的分配和管理，而数据仓库则用于存储和管理海量数据。

该架构通过三层不同类型的云边协同，实现了云计算、边缘计算和工业基础设备层之间的紧密协作，不仅提高了数据处理的效率，还确保了工业网络的确定性和可靠性，为更高效、智能的工业自动化和生产管理提供了坚实的网络基础。

基于上述架构的工业互联网云边协同应用平台的工作流程如图3所示。计算任务数据来源于工业设备层，包括各种控制系统和生产设备，它们通过数据采集终端将数据传输至边缘智能网关。在这里，数据经过初步处理和存储，并通过云边协同模块实现与云端的数据和服务整合。数据开发阶段涉及对数据的深入加工、建模和分析，以提取有价值的信息。应用开发阶段则侧重于构建和部署基于这些数据的应用程序。云边协同确保了数据、应用和服务在云端与边缘端之间的有效管理和流动。最终，处理后的数据和应用集成到生产作业中，如MES和SCADA系统，以提高生产效率和智能化水平。整个流程体现了一个从数据采集到云端处理，再到边缘智能处理，最后反馈到生产作业的完整闭环，旨在实现工业生产的自动化和智能化^[6]。

图3 工业互联网云边协同应用平台工作原理

4　工业生产中的确定性云边协同网络关键技术

4.1　工业确定性网络自适应流量整形机制

在工业确定性网络中，通常使用确定性网络如Detnet的资源预留与显式路由机制来保证流量的确定性传输，将时延抖动降低至达到对应的Qos指标。然而，工业生产中会出现在极短时间内端口接收大量突发数据，其瞬时速率可能远超端口带宽，导致时延剧增，严重影响工业自动化设备的实时性和可靠性。针对这一微突发现象，可以采用自适应流量整形机制解决。该机制的核心思路包括：

（1）在网络边缘设备对低时延流量进行整形，提前平滑流量突发。

（2）对中间转发设备的端口低时延流量进行速率感知并进行动态调整，确保流量平稳传输。

（3）在每个设备接口上维护合适的缓存深度，通过自适应调整缓存，实现报文的快速有序转发^[7]。

这种机制，可以有效抑制微突发，保持流量的规则性，从而显著降低网络时延的波动，提升工业网络的确定性和可靠性，适用于各种工业网络域的转发设备，能够为工业自动化场景提供稳定、低时延的网络支持，保障生产过程的高效和精准运行。

4.2　资源管理优化技术

在工业场景中，确定性云边协同网络的优化指标涉及云边两侧与确定性服务。边缘节点的性能指标包括延迟、能耗、公平性和系统稳定性^[8]。其中，能耗主要来自工业设备和边缘计算节点，公平性关注资源共享时不同设备和系统的性能平衡。系统稳定性则要求避免因资源分配不当导致的生产中断。由于云端距离工业终端设备的距离较远，并且接入量较大，为了实现低延迟与大量设备的承载，其性能指标注重任务响应时间、吞吐量和连接数，而可用性需考虑云端发生故障时的容错率。确定性服务则需要对时延、抖动、带宽和冗余链路等指标进行优化。

边缘侧的多维资源包括计算资源、通信资源和存储资源。计算资源涉及CPU周期数或工作频率，通信资源包括无线频谱资源和链路容量，存储资源则关注数据存储和访问的效率。云端数据中心资源用于工业设备数据的处理与分析，其虚拟资源包括了运用虚拟化技术实现的工业平台与应用。确定性网络的资源预留机制则为确定性流量提供带宽资源。

此外，在动态优化中，资源优化策略需适应任务到达、无线信道衰落等动态参数的变化，以保持网络性能最优。

图4 多维资源优化模型

4.3 　跨云边端协同计算方法

在工业生产中，设备的种类繁多，包括传感器、机器人、PLC控制器等，这些设备在计算能力和资源上存在显著差异。为此，设计跨云边端的协同计算方法显得尤为必要。针对设备的异构性，跨云边端协同计算方法需要考虑不同设备的计算需求。

一种方法是根据设备的计算能力和资源利用率进行任务分配，将计算密集型的任务分配给计算能力较强的云端节点，而将数据密集型的任务分配给边缘节点。这不仅能够有效利用边缘和云端的资源，还能降低延迟，提高实时性。

此外，另一种有效的协同计算策略是任务切分与协同执行，即将一个大型任务切分为多个子任务，并将这些子任务分配给不同的设备进行并行处理，最终将各设备的计算结果合并。这种方法可以充分利用边缘节点、云端和终端设备的各自优势，提高任务处理效率，尤其在智能制造等工业生产场景中，对于提高生产效率、减少延迟和优化资源利用具有重要意义^[9]。

4.4　云边协同网络自治

云边协同网络可以采用多智能体强化学习的云边协同自治跨数据中心网络架构实现工业生产场景中的智能化数据流管理。自治框架如图5所示，由各类工业设备、传感器、自动化控制系统以及其他异构设备组成，所有设备能够通过互联网进行数据交互。在这一架构中，感知平面包括传感器、机器人、自动化生产线、无人机等数据生成与接收节点，通过多种接口与网络连接，实时收集生产数据。

图5 多智能体云边协同自治体系

全局自治层由集中控制的智能体负责全局数据流的调度与带宽的公平分配，它能够进行集中式流量调度，但依赖于边缘自治层的协同工作，以便在分布式控制平面中实现快速响应和局部优化。

边缘自治层则位于各分布式边缘数据中心，通过边缘智能体实时管理不同类型的数据流，确保数据传输的高效性与低延迟。边缘自治层运用分布式人工智能算法，基于多智能体强化学习实现自治决策，确保设备之间的协同与优化^[10]。

5　确定性工业云边协同网络的挑战

云边协同实现了云计算和边缘计算在资源、应用和服务等不同层面的协同，以优势互补的方式一定程度上克服了云计算与边缘计算各自存在的缺点，但要构建灵活、高效的云边协同计算环境，确保网络在复杂的工业环境中稳定运行，仍面临着诸多挑战。

5.1　网络安全风险与隐私保护

在工业应用中，网络安全至关重要，特别是边缘设备产生的数据传输到云端时的安全性、云端防御边缘攻击的能力，以及数据的存储和传输安全都是关注重点，必须确保网络隔离、数据加密，以及节点之间的认证和授权机制，以防止数据泄露、恶意攻击或系统故障导致的生产停滞和设备损坏。为解决这些问题，可采用零知识证明、同态加密等技术保护用户隐私，同时通过数据脱敏和加密确保数据在存储和传输中的安全性^[11,12]。

5.2　资源调度机制复杂

在云边协同网络中，由于资源类型多样且分布广泛，资源调度问题在工业场景中尤其复杂。同时由于设备的异构性和任务的多样性，管理系统必须考虑设备的性能差异、任务的特定需求及能耗优化。有效的资源管理策略需动态匹配和优化异构资源，适应各种任务的需求，从而提升系统性能^[13]。应对这一问题可以通过引入人工智能和机器学习技术，并结合大数据分析和实时监控，实现更智能和精准的资源调度。这不仅提高了资源利用率，还优化了能效，通过预测分析自动调整资源分配，确保生产过程的效率和连续性。

5.3　无线网络导致的不确定性

在云边协同网络中，无线网络的不确定性，包括信号波动、干扰和带宽不稳定，会直接影响到数据传输的延迟、丢包率和吞吐量，从而为系统的性能和稳定性带来了显著的挑战。此外，无线网络的开放性和不稳定性也加剧了数据安全风险，尤其是在需要频繁进行数据传输的云边协同场景中。在工业物联网等实际应用场景中，无线网络的中断或不稳定可能会导致关键任务无法按时完成，降低了系统的可靠性。为缓解无线网络不确定性对云边协同网络的影响，可以采用前沿的无线通信技术（如5G、6G、Wi-Fi7等）和网络切片技术，改善信号处理算法，优化网络协议，从而提高网络的稳定性和可靠性。

5.4　大规模网络控制与管理

在大规模工业网络中，随着接入设备和节点数量的增加，网络拓扑的动态变化和节点间的通信延迟增加了控制的难度，传统的控制策略难以适应网络状态的变化；同时，分布式协调有着较高的通信开销和同步问题，又进一步增加了系统的复杂性。面对这一挑战，可以采用自适应网络控制算法，结合机器学习动态调整网络策略，通过拓扑感知与优化算法合理进行任务调度和资源分配，确保网络拓扑的稳定性和数据流的高效传输。此外，可以设计容错与故障恢复机制，确保网络在出现故障时，系统能够及时恢复，保障网络的稳定性。

6　结语

本文综述了云边协同网络在工业生产中的应用及其关键技术。文章首先介绍了云边协同的概念，强调了其在实时任务处理、减轻网络负载和提升安全性方面的优势，详细讨论了云边协同网络的三层六类协同，并提出了一种融合确定性网络的云边协同架构，为未来的工业互联网中的智能制造与工业应用开发提供了参考环境；其次，文章探讨了云边协同在工业生产中的关键技术，如自适应流量整形、资源管理优化、跨云边端协同计算方法、云边协同网络自治；最后，文章指出了云边协同网络面临的挑战，包括网络安全风险、复杂的资源调度机制、无线网络的不确定性与大规模网络控制管理的问题，并提出了可能的解决方案，为未来云边协同网络在工业互联网领域实现更广泛、更深入的应用，推动工业生产的智能化升级提供了参考。

作者简介：

唐子豪（2001-），男，现就读于北京邮电大学，主要研究方向为确定性网络、工业互联网。

马文龙（2000-），男，现就读于北京邮电大学，主要研究方向为故障检测、算力网络。

许方敏（1982-），男，副教授，博士，现任教于北京邮电大学，主要研究方向为物联网网络、未来网络技术。

赵成林（1964-），男，教授，博士，现任教于北京邮电大学，主要研究方向为短距无线传输技术、认知无线电技术、毫米波技术、工业互联网网络。

参考文献：

[1]陈娟,王阳,吴宗玲,等.基于深度强化学习的云边协同任务迁移与资源再分配优化研究[J].计算机科学,2024,51(S2):713-722.

[2]张雅洁,陆旭,李曦,等.电力物联网下基于云边协同的计算任务放置算法[J].电力信息与通信技术,2024,22(10):38-47.

[3]李波,侯鹏,牛力,等.基于软件定义网络的云边协同架构研究综述[J].计算机工程与科学,2021,43(2):242-257.

[4]韩淑宇,孙建刚,吕舜铭,等.基于边缘云形态的云边协同研究与设计[A].中国电机工程学会电力信息化专业委员会,国家电网公司信息通信分公司.2022电力行业信息化年会论文集[C].2023.

[5]贾庆民,胡玉姣,张华宇,等.确定性算力网络研究[J].通信学报,2022,43(10):55-64.

[6]马睿.面向智能制造的云边端协同平台搭建与任务卸载策略研究[D].济南:山东大学,2023.

[7]刘鹏,杜宗鹏,李永竞,等.端到端确定性网络架构和关键技术[J].电信科学,2021,37(9):64-73.

[8]景泽伟.边缘计算网络中任务调度与资源分配研究[D].西安:西安电子科技大学,2023.

[9]周旭,李琢.面向算力网络的云边端协同调度技术[J].中兴通讯技术,2023,29(04):32-37.

[10]张世焱.云边协同网络中的多资源管理机制研究[D].北京:北京邮电大学,2024.

[11]徐恩庆,董恩然.云计算与边缘计算协同发展的探索与实践[J].通信世界,2019,(9):46-47.

[12]张淼,张英威,席珺琳,等.智能物联网中的边缘计算与数据处理[J].通讯世界,2024,31(3):132-135.

[13]王其朝,金光淑,李庆,等.工业边缘计算研究现状与展望[J].信息与控制,2021,50(3):257-274.

摘自《自动化博览》2025年2月刊