边缘计算及其在制造业中的应用模式研究

范天伟 胡 云 林 晨 范星宇

中国联合网络通信有限公司网络技术研究院 北京 100044

引言

随着物联网、云计算、大数据等技术的不断发展，催生出了各种不同的新型业务诉求，移动通信网络也在持续演进以满足业务需求。如在5G未来网络中，定义了三大典型应用场景，它们分别是eMBB增强移动宽带(包括在智能制造中AR/VR可视化辅助和视频监控等大带宽业务应用场景)，URLLC超可靠低时延通信(包括工业控制、工业自动化等对时延要求较高的应用场景)，mMTC海量机器类通信(包括智慧工厂中对连接密度有较高要求的应用场景)，可见工业物联网在5G各类应用场景中均有涉及。为了有效应对5G新业务应用场景对高带宽、低时延的网络需求，欧洲电信标准化协会ETSI于2014年提出了MEC(Mobile Edge Computing，移动边缘计算)的概念[1]。MEC是指在靠近数据源的网络边缘侧，就近提供数据处理、数据存储以及业务内容分发的服务，一方面应用、服务和内容会部署在高度分布化的网络边缘环境中，可以更好地满足业务对低时延和高带宽的需求；另一方面数据无需绕经核心网，减轻了网络负荷，避免网络拥塞的出现。根据IDC发布的预测，未来将有500亿终端连接入网，同时超过40%的数据需要在网络边缘进行分析、存储和处理，边缘计算呈现巨大市场潜力和机会。

将MEC与制造业进行有效融合，可以实现工厂的智能化转型，使得工业现场的设备可以实现快速接入，工业数据在边缘侧即可完成计算处理，大大减小了业务端到端时延，消除了工业现场独立的信息孤岛模式。目前已有研究成果表明，在工业现场引入分布式的工业互联网智能网关[2]和面向服务的工业互联网架构[3]，可以有效提升工业生产制造效率。我国的制造业也将由传统的“制造到库存”生产模式，向“按订单生产”、“个性化定制”、“柔性化生产”等新兴生产模式转型。

1 边缘计算系统构成

MEC系统包括了MEC云设施和MEC服务器两部分，如图1所示。MEC云设施(也称为边缘云)通常部署在工业车间本地的无线接入网关内或运营商的无线基站内，以提供本地化的云计算敏捷服务；此外MEC系统还包括基于IT通用硬件平台搭建的MEC工业应用云服务器[4]，其内部又包括了业务调度子系统、内容分发子系统、能力开放子系统和平台管理子系统四部分，MEC云服务器还可连接第三方私有云，从而实现边缘混合云服务，通过封装组件的方式，更好地为智能制造企业提供基于MEC技术的设备运维管理、设备资产管理、产线良品率与产线故障监测等应用服务。

因此，MEC将原本孤立的、中心化部署的云计算服务和无线网络有效融合在一起，在网络侧的边缘增加了云计算、云存储和云处理等功能，边缘节点将提前过滤掉与工业制造无关的数据信息。与此同时构建开放式MEC云服务器，用以更进一步处理复杂的工业数据，同时以开放接口的方式供第三方调用数据或植入内容。

MEC在制造业中的应用具有5个基本特征，分别是邻近性、低时延、高带宽[5-6]、高拓展性和高安全性。

1)邻近性：由于移动边缘计算将内容服务和计算能力下沉至工业车间本地，因此边缘计算特别适用于采集和分析信息源上传的短周期数据中的关键信息，在进行一遍数据处理后，再将复杂数据上传至核心网后的云端MEC服务器或工业物联网平台作进一步处理，因此数据分析效率将大大提升。

2)低时延：在网络的边缘侧进行数据处理，可大大降低数据传输时延，这使得部署在边缘侧的云计算设备可以更加迅速地进行反馈，增强工业自动化控制或实时产线故障检测等业务能力。

3)高带宽：工业设备所产生的的数据可以先在工业现场进行简单的处理，再将需要复杂运算的数据上传至工业物联网平台，而不必将所有数据上传至云端，这将使网络传输压力下降，速率会大大增加，同时也节约了网络带宽。

4)高拓展性：边缘云计算节点采用高拓展性的分布式存储和数据处理方式，相较于传统的云计算集中化部署方式有更好的拓展性。

图1 MEC系统组成

5)高安全性：边缘计算节点部署在生产场所本地，使得生产车间与边缘网络以外的其他部分相隔离，大大提高了生产车间的生产安全和数据安全。

2 边缘计算参考系统架构

MEC系统架构如图2所示，可分为四层，从下至上分别是设施层、调度层、使能层和应用层。该框架具有较为清晰的逻辑层次，并且以模块化、概念化的方式阐述了系统各层面的功能组成，使MEC部署分工更为明确，同时可以更好地帮助MEC产业玩家建立产业合作关系，共建MEC生态。

1)设施层：设施层是利用虚拟化技术所实现的虚拟化资源池，通常部署在基于OpenStack的虚拟化操作系统和通用NFV硬件资源之上，提供底层硬件的计算、存储和网络控制功能，并通过硬件虚拟化组件模块，来完成硬件层面相应的管理和分配功能。

2)调度层：调度层由NFV架构中的调度功能模块所组成，使其具备对整个虚拟化资源的调度和编排。通过对业务数据感知和协议转换，从而实现对业务的智能化感知，并根据不同业务属性，对业务内容进行有序的路由转发，同时还将实现应用注册、资源调度、控制决策等基础功能，可根据不同的工业物联网业务，实现智能化的动态资源调度。

图2 MEC系统架构

3)使能层：使能层将MEC开放平台的多种功能封装成模块化的应用组件并提供API开放接口，以PaaS(平台即服务)的服务模式供第三方应用服务商或软件开发商调用。使能层可提供的能力包括：本地数据缓存、数据分析、数据可视化呈现、位置服务、工业物联网本地应用、API能力开放等。

4)应用层：应用层承载并运行实际的本地化边缘计算应用，包括AR/VR工业可视化辅助、工业现场视频监控、设备/配件智能化管理等边缘计算应用。

MEC架构的纵向层面，涉及到全架构的共性层面问题，将影响到几个不同的功能域和层级。

1)管理模块：管理模块用于监控和管理MEC云服务器中的各个系统模块和功能模块，包括对模块的启用和停用等。

2)安全模块：安全模块主要用于防患因用户个人操作原因或与其他第三方平台对接所造成的潜在安全隐患，使MEC系统能保持稳定运转。安全模块包括数字身份管理和鉴权、访问控制策略管理和执行、通讯和数据传输的加密。

3)数字模型：数字模型是对物理实体的抽象孪生，实时反映整体物理实体的变化，数字模型通常是开放共享的。数字模型的建立是业务自动化配置、现场抽象建模及模拟仿真的基础环节。

4)业务逻辑：业务逻辑不涉及设备通讯协议等技术环节，而是重点确保MEC业务逻辑的连贯性，在工业生产者到消费者之间直接建立业务通道，将制造业相关的业务数据流实现端到端传送。

3 边缘计算生态体系

MEC架构已经间接描绘出了一张MEC生态图谱，是一个全新的生态。MEC边缘云基础设施(包括工业边缘网关)和MEC服务器(开放平台)通常由工业企业和运营商向设备供应商采购，并主导建设过程。OTT厂商可以通过调用MEC开放平台的能力，获取网络的实时状态，同时可将MEC内容数据缓存至边缘侧，为客户提供内容分发服务。内容供应商又会与OTT厂商建立良好的合作共赢关系，为其提供大量的业务内容。对于一些细分场景的应用(如AR/VR工业可视化辅助)，又会由应用开发商单独负责MEC应用的开发，如图3所示。

图3 MEC生态体系

4 边缘计算在制造业中的部署方案

未来的5G网络架构，各网元将搭建在数据中心的通用基础硬件设施上，从接入层到核心层将形成4个云化中心，分别是接入云、边缘云、汇聚云和核心云[7]，MEC系统可通过虚拟化的方式部署在各个不同的云化数据中心(DC)中，根据不同业务场景，提供差异化的边缘计算服务，如图4所示。例如对时延有非常高要求的如AR/VR工业可视化辅助和工业控制类业务，可通过接入云的MEC来提供服务；其次，对移动性和时延有较高要求，同时对于业务内容丰富度有较高诉求的业务场景如工业视频业务，则可通过部署在边缘DC的边缘云为其提供服务(与UPF共同部署)；而对于海量低速率的工业物联网应用场景如设备资产管理业务，由于其接入设备繁多、覆盖范围大，通过调用汇聚DC侧的MEC API接口，则能更好地满足该应用场景需求。

5 边缘计算在制造业中的典型应用模式

在工业互联网领域领，需要部署大量传感节点与智能控制系统进行工业数据的采集和智能化控制，现阶段的工业互联网领域主要面临4大难题，分别是低时延需求、精准时间同步需求、海量连接需求和异构网络互联需求[8]。

如图5所示，可以通过在工业现场靠近多源数据所处的位置上部署工业边缘网关和工业边缘云，同时通过工业物联网平台，快速打通工业数据采集、数据传输、建模分析、决策控制、决策执行的工业全流程业务逻辑链条，为“按订单生产”、“个性化定制”、“柔性化生产”和“服务化制造”等新兴制造业生产模式创造必要条件。

1)场景一：工业自动化控制。工业生产制造园区中，现阶段多以短距通信、蜂窝通信、有线通信等多种异构网络技术混合组网的方式实现网络接入，在安全、抗干扰、通信效率、业务连续性等方面难以保障，无法满足工业控制的需求。

结合工业边缘云网关和MEC云平台，可将通过不同网络传输的机器和设备的相关生产数据在边缘网关上进行汇聚采集，并在网关上进行工业数据的实时分析、处理和本地回流，大大降低传输时延，以此提高机器设备协同能力，实现彻底的生产自动化。同时，设备状态将以更低的时延上报至边缘云，经过简单分析后可对设备故障进行有效预警，大大降低了生产安全隐患，如图6所示。

2)场景二：工业现场视频监控，如图7所示。工业现场视频监控往往需要将海量的视频监控数据回传至视频服务器，由视频服务器负责视频数据的存储和分析，视频数据回传需要耗费大量的网络资源和时间，也无法做到对视频数据的即时处理[9-10]。

图4 MEC部署方案

图5 MEC在制造业中的应用模式

图6 MEC在工业自动化控制中的应用

因此可以使用部署本地化的MEC视频服务器来处理海量的视频数据，不仅可降低视频数据回传时间，而且也会大大提高视频数据的处理效率。除此之外，通过人工智能技术进行机器学习、神经网络训练，同时可将训练模型下发至边缘侧，在经过大量训练之后，监控摄像头获取的视频信息可以直接在工业现场进行分析，实时抓取车间本地的生产作业状态并进行生产的智能化决策，例如可以通过视频分析实现对产线设备工作状态的判断、产品质量和产量分析、工人/工厂状态监控等。

3)场景三：AR/VR工业可视化辅助，如图8所示。AR/VR在工业互联网领域也是极具潜力的，可应用的场景包括工业设备维护、工业设备可视化管控、专家远程协助等等。传统AR/VR解决方案中，用户需要在终端上预先下载一个耗费巨大容量的APP来体验业务，因此终端的内存和系统容量会限制AR业务的发展。与此同时，很多工业场景下的AR业务对实时性要求较高，一旦时延过高，微小的操作失误都可能会造成巨大的安全隐患。未来，工业应用可以利用本地的AR边缘服务器提供实时的AR内容匹配运算和应用推送，实现本地场景和AR内容的实时融合，从而对工业领域的设备智能运维等应用场景带来革命性的新体验。

6 结语

本文重点研究了边缘计算的关键技术，并给出了一种可应用于制造业的边缘计算参考系统架构，基于该架构的工业边缘计算应用范例可作用于工业现场中的多种场景，使工业数据可在生产车间本地实现即时处理，降低数据传输时延，节约网络带宽，特别是在生产自动化、工厂视频监控等领域有着极为重要的应用价值。充分利用边缘计算技术将对我国制造业的成功转型起到积极的推进作用。

图7 MEC在工业视频监控中的应用

图8 MEC在AR/VR工业可视化辅助中的应用