中电信智能网络科技有限公司焦建锋，庞勇，谢谷阳

1　引言

随着数字化浪潮席卷各行业，重载铁路的数字化转型已成为提升综合竞争力、满足日益增长运输需求的核心路径。在这一转型进程中，云计算与边缘计算的协同应用崭露头角，成为推动重载铁路技术革新的关键力量。

重载铁路的运营环境极为复杂，涵盖长距离线路、多样地形地貌以及大量分散的设备设施。车地通信、机车通信和地面通信等各类业务不仅数据量庞大，而且对实时性、可靠性要求近乎苛刻。传统的网络架构与计算模式在处理这些复杂业务时，逐渐暴露出响应迟缓、数据传输压力大等弊端，难以满足重载铁路高效、安全运营的需求[1]。

云计算凭借强大的计算能力、海量存储和灵活的资源调配优势，能够对重载铁路产生的海量数据进行深度分析和处理，为运输调度、设备维护等提供精准决策支持。边缘计算则靠近数据源和用户终端[2]，具备低时延、高带宽的特性，可在本地快速处理设备数据，减少数据传输负担，保障实时性业务的高效运行。将二者协同应用于重载铁路领域，能实现优势互补，构建更为智能、高效的铁路运输体系[3]。

以朔黄铁路为代表，其率先开展的相关实践已取得显著成效。深入剖析朔黄铁路中云计算与边缘计算的协同应用案例，不仅能为朔黄铁路自身的持续优化升级提供有力依据，还能为其他重载铁路的数字化转型提供宝贵的借鉴经验，助力整个重载铁路行业在智能化发展道路上迈出坚实步伐。

2　重载铁路的5G场景业务需求

常见的重载铁路沿线的应用场景对通信的需求可见表1。

表1 常见重载铁路典型业务需求表

未来的铁路通信应提供更可靠的无线覆盖，包括沿铁路线的连续广域覆盖、铁路场站和热点区域的覆盖、铁路地面基础设施的监控，以及为智能列车提供的宽带智能应用。重载铁路沿线存在桥梁、山区、隧道等复杂场景，不同场景导致无线通信的信道特性差异很大，这给5G通信的性能带来了新的挑战。

从业务需求角度出发，信号覆盖、热点增强及带宽满足是重载铁路5G通信建设的关键步骤，而这背后都离不开高效的数据处理与传输技术支持。5G通信与云计算、移动边缘计算（MobileEdgeComputing，MEC）的结合正是应对这些挑战的重要技术手段。

3　重载铁路MEC边缘计算应用场景

如图1所示，重载铁路场景的MEC自下而上地从承载网、核心网、运维平台、生产场景应用等四个层次来构建完整的边缘计算服务。

图1 重载铁路MEC边缘计算应用场景示意图

3.1　MEC助力承载网高效传输

基于电信“骨干+省内”两级承载网，合理利用4G传输资源，构建“总部+各省”的星形网络，通过MPLS-VPN、IPRAN专线，实现用户信令及业务数据高安全、高隔离、高可靠的传输，同步实现业务的差异化调度。

图2 以朔黄铁路为例的跨省5G专网承载网建设示意图

图2以朔黄铁路为例，其充分利用朔黄自有承载网，在四省与电信STN分别对接，各省市地区的自有5GC遵照就近原则接入大网5GC和基站，从而提高传输效率缓解承载网输送负荷[4]，实现业务低时延传输，业务数据灵活本地分流。承载网中通过RAN和EPC两个VPN对业务流量和信令进行逻辑隔离，保证客户数据安全性。同时流量和信令均汇聚在总部全量5GC上，由总部进行统一管理和签约。

3.2　MEC赋能核心网架构优化

针对跨省市的组网问题，我们提出“总部集约管理、分省就近接入、高度自主运营、多级可靠保障”的一张统一5G专网核心网。该核心网采用5GC全下沉式的高隔离专享网络，而并非仅仅将UPF网元下沉，在保证了业务高可靠、高稳定性的同时，支持向未来5G-R网络私有频率运营平滑演进。

5GC全下沉模式的业务控制面部署在专网而非大网，可以根据业务需求在专网进行定制化功能研发，高效支持创新业务研发。从安全的角度上考虑，它与5G公网完全物理隔离，自带专网安全产品，不需要边界安全设备，同时具备异地容灾能力，业务可靠性极高。

图3 以朔黄铁路为例的跨省5G专网核心网建设示意图

如图3所示，以朔黄铁路为例，其采取“总部+分省”的分布式架构。该架构在河北总部下沉全量5GC网元（包含UDM、PCF、AUSF）[5]，实现用户开卡、用户鉴权、策略控制的总部集约式管理；在天津、山东、山西各省下沉轻量化5GC，将业务数据就近接入，在本地灵活分流，以此来保证业务传输的低时延。省与省之间实现业务跨省无缝漫游，确保了业务的连续性，在保障核心功能的同时，实现轻量化、低成本以及本地简化运维。

核心网侧能够提供较快的计算和存储能力，但如果依赖核心网侧处理大量的业务数据，会直接影响到时延敏感性业务的传输质量。仅仅下沉计算资源的方式，在一定程度上解放了通信网络资源，但依然存在迂回路由，无法有效降低时延，浪费回传带宽。将部分业务功能部署在本地MEC上，可以实现区域化的数据实时采集、存储和分析，保障时延敏感性业务就近接入[6]。

3.3　MEC协同云计算的全云化定制网

更进一步地，通过如图4所示的统一云网底座的全云化定制网，将计算资源与网络能力协同下沉，使得边缘计算与云计算协同合作，实现更快的数据分析处理，时延敏感应用数据直接在本地实现闭环处理。

图4 基于统一云网底座的全云化定制网架构示意图

基于轻量级云网底座，将MEC边缘计算与云化网元协同部署，同时开放本地化运维与管理功能。通过服务门户，铁路运维人员能够便捷地对服务器、交换机和防火墙等设备进行管理，对虚拟机的生命周期进行操作，对各类资源进行合理编排。性能监控中心则实现对铁路沿线物理设备的全面纳管，包括对轨道监测设备、供电设备等的状态监测。同时，向运维人员提供铁路终端设备纳管、铁路系统运行监控、系统通告警及智能巡检等功能，确保及时发现并处理设备故障、网络异常等问题，保障重载铁路的稳定运行。

3.4　MEC统筹智能管控数字化平台

为支持重载铁路沿线各省市的5G专网统一管理，实现网络“可管、可视、可运维”，本方案提供一套网络与业务深度融合、业务智能决策的网络数字化平台。

融合MEC的数字化平台具备网络智能管理、业务智能分析、终端统一纳管等功能，同时兼顾了边缘算力的灵活拓展。网络管理模块不仅支持5G网络，还支持PON（无源光网络）以及Wi-Fi等多种不同类型的网络的接入，实现对这些多样化网络的集中调控、实时监测以及配置优化。

图5 以朔黄铁路为例的跨省5G专网数字化平台结构示意图

数字化平台基于主流架构方案，采用分层架构、微服务架构、事件驱动架构，将系统划分为不同的层次，以实现关注点分离并降低模块之间的耦合度。该平台基于自研智能采控引擎，支持多种网络通信协议接口，兼容多厂商网管平台、网络设备及智能终端，实现设备数据的自动化采集，提供跨厂商资源数据的标准化、多层级网络系统的统一化管理；其基于实时、离线数据处理方式，通过指标构建、多维分析的方式，对数据进行清洗处理，配套智慧大屏进行数字化监控展示；其采用任务调度、实时指令下发的方式，对设备与网络进行定期维护、实时调控。同时，该平台以边缘探针、CPESDK、性能指标测量、告警故障分析等辅助手段，关联业务报文解析、隧道报文解析和用户面信令面的数据，实现连接级的路径还原，并辅助业务流识别，从而实现铁路故障定位定界，便于铁路管理人员及时发现排查相关风险。

3.5　MEC集成通用接口能力

MEC平台除了提供轻量的能力承载基础设施和稳定灵活的网络接入能力之外，如图6所示，还提供统一的北向服务接口标准，助力朔黄轻松引入新应用、新服务，无需对现有系统进行大规模修改，可以支持更灵活的业务加载和更复杂的生产场景覆盖[17]，为重载铁路提供了全面的数字化转型解决方案。

图6 MEC集成通用接口能力示意图

例如，充分统筹物联网、边缘计算、人工智能、机器学习等先进技术，该平台构建了可实现智能化推演、小型化组装、模块化增减、集成化管理及应用的机车车辆关键部件健康状态检测系统。车载检测系统和部件应用北斗、5G、星闪等现代先进通信技术，实现传感层、数据层、应用层数据高效无线通信。该系统应用人工智能和机器学习技术，嵌入底层算法，实现关键部件及系统故障检测和寿命预警，精准指导机车车辆检修运维。该系统面向影响重载货车运营的痛点、难点问题，挖潜影响安全及运输效率的关键因素进行实时监测，实时掌握机车车辆健康状态，实现影响安全故障实时报警、实时研判、实时处理，保障了重载运输安全，实现关键部件寿命预测、检修研判、计划处理，提高了重载运输效率。

4　结语

在重载铁路数字化转型进程中，云计算与边缘计算的协同应用成为提升铁路运输效率、保障运输安全的核心驱动力。本文以朔黄铁路为切入点，深度剖析二者协同在重载铁路场景下的创新实践。

面对重载铁路复杂多样的业务需求，如车地通信、机车通信及地面通信等，云计算与边缘计算紧密协作。

在核心网架构方面，采用“总部集约管理、分省就近接入”的5GC全下沉式架构，边缘计算实现区域化数据实时处理，减少业务时延；云计算则负责集中式管理与资源调配，保障核心网稳定运行，支持业务创新研发。统一云网底座实现云边协同计算，基于轻量级云网底座，边缘计算设备实时采集处理铁路沿线设备数据，如轨道监测数据、列车运行数据等，云计算提供大规模存储与深度数据分析能力，二者协同完成对海量数据的高效处理，保障铁路系统稳定运行。

在承载网建设上，通过构建“总部+各省”的星形网络，利用电信两级承载网和朔黄自有承载网，边缘计算负责本地数据分流与传输优化，云计算则保障数据在广域网络中的可靠传输与统一管理。融合MEC的智能管控数字化平台，借助云计算的强大存储和计算能力实现数据的深度分析与挖掘，通过边缘计算实现对各类网络设备和终端的实时管理与控制，达成网络“可管、可视、可运维”。

未来，随着技术的持续发展，云计算与边缘计算在重载铁路领域的协同应用将不断深化。一方面，二者的协同将助力打造更多“5G+产业深度融合”的创新应用，推动重载铁路智能化发展；另一方面，针对车地数据传输等关键业务，二者将进一步优化数据传输性能，研究提高数据传输完整性、稳定性和可靠性的技术，满足重载铁路日益增长的数字化需求，为铁路运输行业的变革注入持久动力。

作者简介：

焦建锋（1981-），男，北京人，高级工程师，现就职于中电信智能网络科技有限公司，研究方向为边缘计算，包含工业互联网、车联网等。

庞　勇（1984-），男，江苏南京人，系统分析师，现就职于中电信智能网络科技有限公司，研发方向为5G网络、云网融合。

谢谷阳（1998-），男，江苏南京人，研发工程师，现就职于中电信智能网络科技有限公司，研发方向为5G网络、DPI技术。

参考文献：

[1] Ai B, Molisch A F, Rupp M, et al. 5G key technologies for smart railways[J]. Proceedings of the IEEE, 2020, 108 (6) : 856 - 893.

[2] 韩晓非, 宋青芸, 韩瑞寅, 等. 移动边缘计算卸载技术综述[J]. 电讯技术, 2022, 62 (9).

[3] 刘佳佳, 吴昊, 李盼盼. 铁路5G移动通信系统边缘计算安全研究[J]. 计算机工程与应用, 2021, (12).

[4] Zhang L. Key management scheme for secure channel establishment in fog computing[J]. IEEE Transactions on Cloud Computing, 2021, 9 (3) : 1117 - 1128.

[5] 葛伟涛. 铁路5G网络边缘计算技术研究[J]. 铁路通信信号工程技术, 2023, 20 (2).

[6] 王同军. 中国智能高速铁路2.0的内涵特征、体系架构与实施路径[J]. 铁路计算机应用, 2022, 31 (7).

[7] 谷晓会, 章国安. 移动边缘计算在车载网中的应用综述[J]. 计算机应用研究, 2020, (6).

[8] 李毅, 董根才, 蔺伟, 等. 边缘计算技术在铁路5G移动通信中的应用研究[J]. 中国铁路, 2020, (11).

[9] 杨兴磊, 鲁玉龙, 张俊尧, 等. 基于边缘计算的智慧铁路工地生产管理系统[J]. 铁路计算机应用, 2020, (10).

[10] 武继刚, 刘同来, 李境一, 等. 移动边缘计算中的区块链技术研究进展[J]. 计算机工程, 2020, (8).

[11] 艾渤, 马国玉, 钟章队. 智能高铁中的5G技术及应用[J]. 中兴通讯技术, 2019, (6).

[12] Liu J, Mao Y Y, Zhang J, et al. Delay-optimal computation task scheduling for mobile-edge computing systems[C]// Proceedings of 2016 IEEE International Symposium on Information Theory, 10-15 July, 2016, Barcelona, Spain. New York, USA: IEEE, 2016 : 1451 - 1455.

[13] Mao Y Y, Zhang J, Letaief K B. Dynamic computation offloading for mobile-edge computing with energy harvesting devices[J]. IEEE Journal on Selected Areas in Communications, 2016, 34 (12) : 3590 - 3605.

[14] 张维真, 石平刚, 任爽. 移动边缘计算在铁路行业的应用[J]. 铁路计算机应用, 2024, 33 (3) : 19 - 25.

[15] 郜城城, 周旭, 范鹏飞, 等. 移动边缘计算技术在高铁通信网络中的应用[J]. 计算机系统应用, 2018, 27 (8) : 56 - 62.

[16] 刘语馨, 陈姝, 钟章队. 边缘云技术在智能铁路中的应用[J]. 铁道通信信号, 2019, 55 (S1) : 7 - 12.

[17] 张心宇, 王喆, 郭歌, 等. 铁路信息系统云边协同体系架构研究[J]. 铁路计算机应用, 2022, 31(10).

摘自《自动化博览》2025年2月刊