1.4　功能設計視圖

1.4.1　ECN

圖4 功能視圖：ECN功能分層

（1）基礎資源層

包括網(wǎng)絡、計算和存儲三個基礎模塊。

網(wǎng)絡

SDN（Software-Defined Networking）逐步成為網(wǎng)絡技術發(fā)展的主流，其設計理念是將網(wǎng)絡的控制平面與數(shù)據(jù)轉(zhuǎn)發(fā)平面進行分離，并實現(xiàn)可編程化控制。將SDN應用于邊緣計算，可支持百萬級海量網(wǎng)絡設備的接入與靈活擴展，提供高效低成本的自動化運維管理，實現(xiàn)網(wǎng)絡與安全的策略協(xié)同與融合。

網(wǎng)絡聯(lián)接需要滿足傳輸時間確定性與數(shù)據(jù)完整性。國際標準組織IEEE制訂了TSN（Time-Sensitive Networking）系列標準，針對實時優(yōu)先級、時鐘等關鍵服務定義了統(tǒng)一的技術標準，是工業(yè)以太聯(lián)接未來的發(fā)展方向。

計算

異構(gòu)計算HC（Heterogeneous Computing）是邊緣側(cè)關鍵的計算硬件架構(gòu)。近年來，雖然摩爾定律仍然推動芯片技術不斷取得突破，但物聯(lián)網(wǎng)應用的普及帶來了信息量爆炸式增長，而AI技術應用增加了計算的復雜度，這些對計算能力都提出了更高的要求。計算要處理的數(shù)據(jù)種類也日趨多樣化，邊緣設備既要處理結(jié)構(gòu)化數(shù)據(jù)，同時也要處理非結(jié)構(gòu)化的數(shù)據(jù)。同時，隨著ECN節(jié)點包含了更多種類和數(shù)量的計算單元，成本成為了關注點。

為此，業(yè)界提出將不同類型指令集和不同體系架構(gòu)的計算單元協(xié)同起來的新計算架構(gòu)，即異構(gòu)計算，以充分發(fā)揮各種計算單元的優(yōu)勢，實現(xiàn)性能、成本、功耗、可移植性等方面的均衡。

同時，以深度學習為代表的新一代AI在邊緣側(cè)應用還需要新的技術優(yōu)化。當前，即使在推理階段對一副圖片的處理也往往需要超過10億次的計算量，標準的深度學習算法顯然是不適合邊緣側(cè)的嵌入式計算環(huán)境。業(yè)界正在進行的優(yōu)化方向包括自頂向下的優(yōu)化，即把訓練完的深度學習模型進行壓縮來降低推理階段的計算負載；同時，也在嘗試自底向上的優(yōu)化，即重新定義一套面向邊緣側(cè)嵌入系統(tǒng)環(huán)境的算法架構(gòu)。

存儲

數(shù)字世界需要實時跟蹤物理世界動態(tài)變化，并按照時間序列存儲完整的歷史數(shù)據(jù)。新一代時序數(shù)據(jù)庫TSDB（Time Series Database）是存放時序數(shù)據(jù)（包含數(shù)據(jù)的時間戳等信息）的數(shù)據(jù)庫，并且需要支持時序數(shù)據(jù)的快速寫入、持久化、多緯度的聚合查詢等基本功能。為了確保數(shù)據(jù)的準確和完整性，時序數(shù)據(jù)庫需要不斷插入新的時序數(shù)據(jù)，而不是更新原有數(shù)據(jù)。面臨了如下的典型挑戰(zhàn)：

時序數(shù)據(jù)寫入：支持每秒鐘上千萬上億數(shù)據(jù)點的寫入。

時序數(shù)據(jù)讀取：支持在秒級對上億數(shù)據(jù)的分組聚合運算。

成本敏感：由海量數(shù)據(jù)存儲帶來的是成本問題。如何更低成本地存儲這些數(shù)據(jù)是時序數(shù)據(jù)庫需要解決的重中之重。

（2）虛擬化層

虛擬化技術降低了系統(tǒng)開發(fā)和部署成本，已經(jīng)開始從服務器應用場景向嵌入式系統(tǒng)應用場景滲透。典型的虛擬化技術包括裸金屬（Bare Metal）架構(gòu)和主機（Host）架構(gòu)，前者是虛擬化層的虛擬機管理器（Hypervisor）等功能直接運行在系統(tǒng)硬件平臺上，然后再運行操作系統(tǒng)和虛擬化功能。后者是虛擬化層功能運行在主機操作系統(tǒng)上。前者有更好的實時性，智能資產(chǎn)和智能網(wǎng)關一般采用該方式。

（3）EVF（Edge Virtualization Function）層EVF是將功能軟件化和服務化，并且與專有的硬件平臺解耦?；谔摂M化技術，在同一個硬件平臺上，可以縱向?qū)⒂布?、系統(tǒng)和特定的EVF等按照業(yè)務進行組合，虛擬化出多個獨立的業(yè)務區(qū)間并彼此隔離。ECN的業(yè)務可擴展性能夠降低CapEx并延長系統(tǒng)的生命周期。

EVF可以靈活組合與編排，能夠在不同硬件平臺、不同設備上靈活遷移和彈性擴展，實現(xiàn)資源的動態(tài)調(diào)度和業(yè)務敏捷。

EVF層提供如下可裁剪的多個基礎服務：

分布式的聯(lián)接計算Fabric服務；

OPC UA服務；

實時流式數(shù)據(jù)分析服務；

時序數(shù)據(jù)庫服務；

策略執(zhí)行服務；

安全服務。

ECN關鍵技術：

（1）軟件定義網(wǎng)絡（SDN）

SDN采用與傳統(tǒng)網(wǎng)絡截然不同的控制架構(gòu)，將網(wǎng)絡控制平面和轉(zhuǎn)發(fā)平面分離，采用集中控制替代原有分布式控制，并通過開放和可編程接口實現(xiàn)“軟件定義”。SDN不僅是新技術，而且變革了網(wǎng)絡建設和運營的方式：從應用的角度構(gòu)建網(wǎng)絡，用IT的手段運營網(wǎng)絡。

SDN架構(gòu)包括控制器、南/北向接口，以及應用層的各類應用和基礎設施層的各種網(wǎng)元。其中最重要的是SDN控制器，它實現(xiàn)對基礎設施層的轉(zhuǎn)發(fā)策略的配置和管理，支持基于多種流表的轉(zhuǎn)發(fā)控制。

SDN對邊緣計算的獨特價值：

支持海量聯(lián)接

支持百萬級海量網(wǎng)絡設備的接入與靈活擴展，能夠集成和適配多廠商網(wǎng)絡設備的管理。

模型驅(qū)動的策略自動化

提供靈活的網(wǎng)絡自動化與管理框架，能夠?qū)⒒A設施和業(yè)務發(fā)放功能服務化，實現(xiàn)智能資產(chǎn)、智能網(wǎng)關、智能系統(tǒng)的即插即用，大大降低對網(wǎng)絡管理人員的技能要求。

端到端的服務保障

對端到端的GRE、L2TP、IPSec、Vxlan等隧道服務進行業(yè)務發(fā)放，優(yōu)化Qos調(diào)度，滿足端到端帶寬、時延等關鍵需求，實現(xiàn)邊緣與云的業(yè)務協(xié)同。

架構(gòu)開放

將集中的網(wǎng)絡控制以及網(wǎng)絡狀態(tài)信息開放給智能應用，應用可以靈活快速地驅(qū)動網(wǎng)絡資源的調(diào)度。

當前，邊緣計算SDN技術已經(jīng)成功應用于智能樓宇、智慧電梯等多個行業(yè)場景。

（2）低時延網(wǎng)絡（TSN）

標準以太網(wǎng)技術已經(jīng)廣泛應用，具有傳輸速率高、拓撲靈活、傳輸距離遠、成本有效等優(yōu)點。同時，以太網(wǎng)技術由于傳統(tǒng)Qos機制約束、CSMA/CD沖突檢測機制約束等無法保證實時性、確定性等行業(yè)關鍵需求。業(yè)界對標準以太網(wǎng)技術進行了優(yōu)化，并提出了多種工業(yè)實時以太網(wǎng)技術的商業(yè)實現(xiàn)，多種商業(yè)實現(xiàn)并存的格局給互聯(lián)互操作帶來了障礙和挑戰(zhàn)。

近年，IEEE802.1定義了TSN（Time Sensitive Network）技術標準，旨在推動實時以太網(wǎng)的標準化和互通，最終實現(xiàn)OT和ICT采用“一張網(wǎng)”，并帶來如下價值：

確定性: μs級時延、低于500ns級抖動；

接口帶寬大于1Gbps，滿足工業(yè)機器視覺等場景的大帶寬需求；

通過多路徑或冗余路徑實現(xiàn)可靠的數(shù)據(jù)傳輸；

與S D N技術相結(jié)合，實現(xiàn)對T S N網(wǎng)絡和非TSN網(wǎng)絡的統(tǒng)一調(diào)度管理 。

TSN設計理念是在標準的以太網(wǎng)物理層之上，在MAC層提供統(tǒng)一的低時延隊列調(diào)度機制、資源預留機制、時鐘同步機制、路徑控制機制、配置管理模型等，能實現(xiàn)與標準以太網(wǎng)的互聯(lián)互通。

當前，TSN已經(jīng)建立起良好的產(chǎn)業(yè)協(xié)作生態(tài)，包括：IEEE負責標準制定，Avnu Alliance負責互通認證，以ECC和IIC為代表的產(chǎn)業(yè)組織正在通過Testbed等活動進行產(chǎn)業(yè)示范和推廣。

（3）異構(gòu)計算（HC）

異構(gòu)計算架構(gòu)旨在協(xié)同和發(fā)揮各種計算單元的獨特優(yōu)勢：CPU擅長對系統(tǒng)進行控制、任務分解、調(diào)度；GPU具有強大的浮點和向量計算能力，擅長矩陣和矢量運算等并行計算；FPGA具有硬件可編程和低延時等優(yōu)勢；ASIC具有功耗低、性能高，成本有效等優(yōu)勢。

異構(gòu)計算目標是整合同一個平臺上分立的處理單元使之成為緊密協(xié)同的整體來協(xié)同處理不同類型的計算負荷。同時通過開放統(tǒng)一的編程接口，實現(xiàn)軟件跨多種平臺。

異構(gòu)計算架構(gòu)的關鍵技術包括：

內(nèi)存處理優(yōu)化

傳統(tǒng)架構(gòu)下，不同計算單元間傳遞數(shù)據(jù)需要數(shù)據(jù)復制，不僅占用處理器資源，還同時占據(jù)了大量的系統(tǒng)總線帶寬。異構(gòu)計算讓多個計算單元實現(xiàn)內(nèi)存統(tǒng)一尋址，任何處理單元的數(shù)據(jù)可以輕易地被其它處理單元所訪問，不必將數(shù)據(jù)復制一份到對方的內(nèi)存區(qū)域中，大大提高了系統(tǒng)性能。

任務調(diào)度優(yōu)化

各種計算單元從過去主從關系變?yōu)槠降鹊幕锇殛P系，可以根據(jù)任務情況，動態(tài)地確定最適合的計算單元來運行工作負載。涉及了調(diào)度算法、指令集、編譯器等一系列的架構(gòu)優(yōu)化。

集成工具鏈

為應用程序員提供了硬件、軟件接口、基本的運行時環(huán)境，封裝并隱藏了內(nèi)存一致性，任務調(diào)度管理等復雜的底層細節(jié)，支持架構(gòu)參數(shù)優(yōu)化和任務調(diào)度優(yōu)化，將應用移植工作量最小化。面向AI應用，開放集成多種AI訓練和推理平臺，兼容多廠商計算單元。

目前異構(gòu)計算在芯片設計和邊緣計算平臺設計上都有應用。在芯片方面，整合了CPU+GPU資源，能夠?qū)崿F(xiàn)視頻編解碼加速。在計算平臺方面，利用CPU+FPGA（或GPU）實現(xiàn)人工智能的功能已經(jīng)被應用于智能交通以及智能機器人等領域。

（4）時序數(shù)據(jù)庫 （TSDB）

海量數(shù)據(jù)的高效寫入、查詢及分布式存儲是時序數(shù)據(jù)庫面臨的關鍵挑戰(zhàn)。其關鍵技術包括：

分布式存儲

分布式存儲首先要考慮的是如何將數(shù)據(jù)分布到多臺機器上面，也就是分片問題。分片可以基于時間戳+Tag+分級。將一定時間范圍內(nèi)的相同Tag（一個或多個字段相同的數(shù)據(jù)）并符合一定分級條件的數(shù)據(jù)作為相同分片存在相同機器上。存儲前可以對數(shù)據(jù)進行壓縮處理，既提高數(shù)據(jù)寫入效率，又節(jié)省存儲空間。

分級存儲

時序數(shù)據(jù)的時間戳是一種非常合適的分級依據(jù)，越近期的數(shù)據(jù)查詢得越多，是熱數(shù)據(jù)；越久以前的數(shù)據(jù)查詢得越少，是冷數(shù)據(jù)。同時，分級往往結(jié)合存儲成本等因素，將每個級別的數(shù)據(jù)存儲在不同成本的存儲介質(zhì)（內(nèi)存、HDD、SSD）上。

基于分片的查詢優(yōu)化

查詢時，根據(jù)查詢條件查詢所有的數(shù)據(jù)分片，所有的分片按照時間戳合并形成原始數(shù)據(jù)結(jié)果，當查詢條件包含聚合運算時，會根據(jù)時間采樣窗口對數(shù)據(jù)進行聚合運算，最后返回運算結(jié)果。

除了商業(yè)版本外，業(yè)界已經(jīng)有大量的開源時序數(shù)據(jù)庫，如：opentsdb，kairosDB，influxdb等。數(shù)據(jù)庫除了需要滿足上述性能挑戰(zhàn)外，很重要的是提供行業(yè)數(shù)據(jù)建模與可視化工具，支持與行業(yè)應用系統(tǒng)的快速集成。

1.4.2　業(yè)務Fabric

業(yè)務Fabric是模型化的工作流，由多種類型的功能服務按照一定邏輯關系組成和協(xié)作，實現(xiàn)特定的業(yè)務需求，是對業(yè)務需求的數(shù)字化表示。

服務的模型，包括服務名稱、執(zhí)行或提供什么樣的功能，服務間的嵌套、依賴、繼承等關系，每個服務的輸入與輸出，以及Qos、安全、可靠性等服務約束。

服務的類型不僅包括邊緣計算提供的通用服務，還包括垂直行業(yè)所定義的特定行業(yè)服務。

業(yè)務Fabric的主要價值包括：

聚集業(yè)務流程，屏蔽技術細節(jié)，幫助業(yè)務部門、開發(fā)部門、部署運營部門等建立有效合作；

和OICT基礎設施、硬件平臺等解耦，實現(xiàn)跨技術平臺，支撐業(yè)務敏捷；

作為業(yè)務描述性模型，可繼承、可復用，能夠?qū)崿F(xiàn)快速建模。

業(yè)務Fabric功能包括：

定義工作流和工作負載；

可視化呈現(xiàn)；

語義檢查和策略沖突檢查；

業(yè)務Fabric、服務等模型的版本管理。

摘自《自動化博覽》2018年2月刊