★中国科学院沈阳自动化研究所高鹏佩，宋纯贺，曾鹏

摘要：工业互联网是新一代网络信息技术与制造业深度融合的产物，边缘计算则能够在靠近数据源的边缘侧，通过融合网络、计算、存储、应用等核心能力，就近提供边缘智能服务，可以满足制造业敏捷连接、实施优化、安全可靠等方面的关键需求。本文首先介绍了工业互联网边缘计算的基本内容，其次介绍了边缘计算的发展过程，并详细描述了典型的工业互联网边缘计算模型，最后指出了工业互联网边缘计算模型未来可能的突破方向。

1概述

工业互联网是互联网和新一代信息技术与工业系统全方位深度融合所形成的产业和应用生态，是工业智能化发展的关键综合信息基础设施，其本质是以机器、原材料、控制系统、信息系统、产品以及人之间的网络互联为基础，通过对工业数据的全面深度感知、实时传输交换、快速计算处理和高级建模分析，实现智能控制、运营优化和生产组织方式变革。工业互联网边缘计算网络是工业互联网与边缘计算结合的新型网络，采用工业互联网基础架构，在此基础上加入边缘计算网关、边缘计算控制器和边缘云，通过边缘计算技术，降低工业现场的复杂性，提高工业数据计算的实时性和可靠性，形成更为先进和优化的工业互联网网络解决方案。

虽然边缘计算出现的时间较晚，但其思想早已在工业生产过程中得以实践。早在1996年10月，东北大学赵海教授基于工业现场总线的实践，研发了开放式网络设备互联（OpenNetworksDeviceConnectivity，ONDC）设备。2000年8月，斯坦福大学的一位教授研制出世界上最小的一个（固化）Web服务器，命名为“Webit”，并于2001年9月出版了一本名为《嵌入式Internet》的专著。Webit硬件外观如图1所示。

图1Webit硬件外观

与目前出现边缘计算的原因类似，20世纪90年代计算机网络数据传输速度很慢，难以满足工业现场实时数据分析和控制的需求。依据当时生产现场的实际需求，Webit将一些数据分析和控制逻辑功能进行固化封装，用户可以登录到Webit上查看数据情况以及进行现场控制。在物联网的相关概念尚未提出之前，Webit的边缘计算思想无疑是超前的。随后，1998年阿卡迈（Akamai）公司提出了内容分发网络（ContentDeliveryNetwork，CDN），依靠部署在各地的缓存服务器，通过中心平台的负载均衡、内容分发、调度等功能模块，将用户的访问指向距离最近的缓存服务器上，以此降低网络拥塞，提高用户访问响应速度和命中率。2003年，IBM开始在WebSphere上提供基于Edge的服务。2004年新加坡信息通信研究所发表了关于边缘计算的学术论文。随着5G和物联网的发展以及智能终端设备的不断普及，网络边缘侧数据的爆发式增长推动了边缘计算的发展。2014年欧洲ETSI成立移动边缘计算（MobileEdgeComputing，MEC）标准化工作组；同年，AT&T、思科（Cisco）、通用电气（GE）、IBM和英特尔（intel）成立工业互联网联盟（IndustrialInternetConsortium，IIC）；2015年，ARM、思科、戴尔、英特尔、微软和普林斯顿大学建立开放雾联盟（OpenFogConsortium）；2016年，IEEE和ACM共同发起了边缘计算研讨会（IEEE/ACMSymposiumonEdgeComputing，SEC）；同年，国内工业、信息通信业、互联网等领域百余家单位共同发起成立工业互联网产业联盟；中国科学院沈阳自动化研究所、中国信息通信研究院、华为技术有限公司、英特尔、ARM、软通动力等单位联合发起成立了边缘计算产业联盟（EdgeComputingConsortium，ECC），并于2018年发布了边缘计算参考架构3.0；2017年，中国自动化学会成立了边缘计算专业委员会。此后工业互联网边缘计算在国内得到了蓬勃的发展。

针对不同的业务需求，需要构建面向不同计算需求的边缘计算数据处理模型和参考架构。工业互联网中边缘计算可应用在多个场景，但不同的场景对计算能力需求不同，包括流式数据分析、智能计算和实时控制等，因此需要设计不同的数据处理模型和统一的边缘计算架构。而面对大规模的复杂时变场景和超低时延的边缘业务环境时，边缘计算也需要流式数据分析、数据挖掘、智能计算和实时控制等面向不同计算任务的边缘节点运行和处理的计算模型，以解决QoS保障的边缘侧在有限计算资源条件下进行的数据分析、智能计算和分布式控制问题。

2典型的工业互联网边缘计算模型

工业互联网边缘计算模型对工业互联网边缘计算系统的高效运行有着重要意义。下面分析几种面向不同应用场景的工业互联网边缘计算模型。

（1）流数据边缘计算模型及其体系结构

边缘计算节点进行解耦分析、萃取与事件生成，节点汇总一定时间段内事件，以生成事件集，并与其他边缘计算节点进行事件融合分析，生成综合事件后，发送系统中心进行集中处理。处理结果由系统中心反馈于相应边缘计算节点后，以流式数据形式输送到生产设备。边缘计算节点根据原始生产数据，于前端进行数据清洗、集成，并根据本地知识库进行数据挖掘与聚类分析。根据前端数据挖掘结果与模式评估，快速提供数据挖掘服务，以响应实时生产需求。边缘计算节点同时将清洗后的数据，根据系统中心规则传输至系统中心内数据仓库，进行综合数据集成后，于系统中心进行综合数据挖掘。系统中心根据数据挖掘结构，结合人工智能与机器学习算法，更新综合知识库，并对分布式边缘计算节点知识库进行同步更新。流数据分析边缘计算模型整体结构如图2所示。

图2流数据分析边缘计算模型

系统中心根据边缘计算节点产生事件行为，并构建出一个连通边缘计算节点的实时计算的图状拓扑结构。系统中心向各边缘计算节点分发代码，将任务分配给各节点执行。边缘计算节点将数据流分段形成数据元组，并对其进行过滤、解耦，形成单元事件。时间相关事件可形成事件集，由图状拓扑结构进行事件综合分析与融合后，形成综合事件输入系统中心进行处理。结果反馈回边缘计算节点后，转化为流式数据，用于控制终端智能生产设备。数据分析体系架构如图3所示，流数据边缘计算模型及其体系结构实现了流数据的边缘侧分析，不需要将原始数据上传至服务器，仅需要将分析结果上传至服务器进行存储，从而显著提升了边缘侧数据分析的比率。

图3流数据分析边缘计算体系架构

（2）机器学习边缘计算模型及其体系结构

机器学习边缘计算模型主要解决了在边缘侧有限计算资源条件下完成QoS保障的智能计算问题。其中智能体的核心是智能决策模型，通过接收外部环境的激励信息和状态信息，并根据决策规则执行一定的策略和行为。这些策略和行为将影响外部环境信息以及给予智能体的激励信息，同时综合重构指标、策略和基础、验证数据库中的数据信息，对决策模型进行循环重构。机器学习边缘计算模型的整体结构如图4所示。

图4机器学习边缘计算模型

外部环境的激励信息和状态信息发送至智能体，智能体根据决策规则执行一定的策略和行为，并将这些策略和行为发送至仿真器，仿真的这些策略和行为将影响外部环境信息以及给予智能体的激励信息。仿真器的结果将首先形成训练序列发送给深度学习模型，深度学习模型根据这些信息进行训练，以便识别智能体的行为是否对系统有利。深度学习模型置于加速器中，采用分布式算法对各个子模型在特定的重构指标下进行模型压缩重构。基于机器学习边缘计算模型及其体系结构实现了原始数据的边缘处理，仅需要将处理结果上传至云端，从而在边缘侧利用有限计算资源完成QoS保障的智能计算的前提下，显著提升了边缘侧数据分析的比率。机器学习边缘计算架构的具体内容如图5所示。

图5机器学习边缘计算架构

（3）分布式控制边缘计算模型及其体系结构

针对网络化协同制造中设备分布式控制的需求设计实时控制模型，每个设备（智能体）接收来自现场的事件信息，并结合高层策略信息对智能体的输出行为进行控制，然后智能体基于自身的决策支持智能来进行行为控制。决策支持智能包括系统结构模块、系统行为模块以及专家系统。决策支持智能将决策发送至控制器，控制器结合外部输入对设备进行控制。分布式控制边缘计算模型整体架构如图6所示。

图6分布式控制边缘计算模型

实时控制的控制核心是分布式多智能体的协同控制。在此过程中，物理过程的信息首先发送至底层控制器，从而形成底层控制信息，这些控制信息是可以交互的。同时，底层控制信息可以通过控制接口发送至智能体，形成智能体高层控制信息。根据系统的具体需求，高层控制信息可以在各个智能体之间交互，以便完成分布式多智能体的协同控制，从而有效提升边缘侧控制的实时性。分布式控制边缘计算体系结构的具体内容如图7所示。

图7分布式控制边缘计算体系结构

3未来可能的突破方向

边缘计算作为一种计算下沉的新型计算范式，能够弥补云计算的不足，助力智能化和海量数据处理在边缘侧的实现，它将会是未来的一大研究热点。“云-边-端”基础设施随着海量智能设备在存储、计算、安全、传输等方面能力的升级，资源配置趋于下沉，与“端”距离更近。与云计算相比，边缘计算是从数据源头入手，以“实时、快捷”的方式与“云计算”进行应用互补。

3.1边缘计算环境中的高效数据处理

随着硬件资源的飞速提升，同时边缘环境的资源十分有限，如何实现将新型硬件集成到边缘而不引入过多开销，从而极大地加速边缘数据分析是一个问题；在边缘环境下对数据处理的需求日益提升，能否探索一种不依赖云的轻量级数据处理框架也是一大突破点；边缘计算引起了计算模型“去中心化”的趋势，协同计算将是未来技术的发展方向；海量终端将对人工智能、机器学习等技术产生影响，探究边缘加速AI模型训练推理等也将是一大热点。

3.2边缘计算环境下的高效资源管理

边缘应用程序的多样化和智能化将促进微内核技术的发展，方便算法、模型等嵌入到海量设备的固件当中，使前端智能更具发展前景；容器技术由于其资源占用低、易于打包交付、灵活迁移、弹性部署和快速启动等特性将在边缘大放异彩；边缘计算的基础设施是众多的海量终端设备，相对而言比面向云计算中心虚拟化后的同质设备更具多样化，探索一种异构边缘计算平台将更有利于资源管理。

3.3边缘计算环境中计算确定性保障

工业互联网智能制造边缘计算的关键需求是边缘应用的实时性和确定性。但是边缘计算环境存在计算资源分布式、零散化网络动态性和测量噪声等特征，并且一般为兼有离散事件和连续变量等运行机制的混杂系统，同时边缘计算任务常存在高并发的特点，导致边缘计算任务时序复杂难以同步、计算结果确定性难以保证。因此如何针对计算资源的零散性、异构性、动态性、系统的混杂性以及计算任务的高并发性的特点，构建支持分布式混杂系统和高并发任务的边缘计算模型，保证边缘计算结果的确定性，是工业互联网智能制造边缘计算面对的一个挑战。

3.4边缘计算环境中的编程问题

工业互联网中边缘计算环境中的计算、网络和存储等资源的异构性、动态性、分布式和零散化等特性，使得边缘设备资源的动态调整对软件的动态性和可伸缩性要求提升，多种异构资源共存的复杂系统对软件的可组合性与模块化程度需求提高，传统集中式应用程序的开发模式难以满足边缘计算场景的需求。如何解决面向工业互联网中分布式边缘设备的异构行为统一建模与编程问题，实现统一的编程与开发环境，提升编程系统在部署、调试和运行各类应用时的资源利用率，降低部署和维护的难度和时间，是工业互联网智能制造边缘计算面对的一个挑战。

4结论

工业互联网存在多个应用场景，并对时延、安全、性能和自管理等有着很高的要求，边缘计算可以满足工业互联网的相关需求。本文介绍了边缘计算的基本情况和典型的工业互联网边缘计算模型，并探讨了边缘计算未来可能在工业互联网环境中的高效数据处理、高效资源管理、计算确定性保障以及编程等方向的突破，希望为工业互联网边缘计算模型的设计提供参考。

作者简介：

高鹏佩（1999-），男，山西忻州人，硕士，现就读于中国科学院沈阳自动化研究所，研究方向为边缘计算。

宋纯贺（1981-），男，辽宁鞍山人，研究员，博士，现就职于中国科学院沈阳自动化研究所，研究方向为边缘计算。

曾鹏（1976-），男，辽宁沈阳人，研究员，博士，现任中国科学院沈阳自动化研究所副所长，研究方向为工业互联网、边缘计算。

摘自《自动化博览》2023年第2期暨《边缘计算2023专辑》