KubeEdge | 多视角认识边缘计算

快速了解边缘计算

技术诞生背景

物联网

• 物联网设备地理位置非常分散、响应时间、海量设备管理、数据安全性难以保证.

人工智能

• 人工智能应用需要大量的逻辑运算资源, 当对运算速度有更高的要求时候, 数据传输带来的性能消耗问题, 将会让 AI 应用响应延迟.

边缘计算解决思路

• 让计算更贴近数据的源头

总结

• 引入边缘计算, 在边缘侧直接完成运算, 从而减轻数据传输的压力!
• 边缘计算, 让计算更贴近数据的源头! 从而解决海量设备管理、数据传输等问题

边缘计算应用案例

• 文章地址: What edge computing means for hardware companies | McKinsey

交通、运输和物流行业

• 自动驾驶: 如果路况处理全部在云端, 那么如果信号不好或者网络延迟会造成很大的危险系数
• 交通大数据: 如果将采集到的所有数据都上报云端, 会造成很多无价值的数据上报

垂直交叉行业

• 无人机+安防: 自动处理数据 在不该有人的地方看到人自动上报数据 无需人工处理.
• 无人机+工地: 在危险区域自动触发报警系统.

零售业

• 自动检测人流量, 检测大家的购物需求, 进行相关的促销活动.

边缘计算应用场景

• 不稳定连接和数据移动性
• 需要实时决策
• 本地化计算能力
• 新的存储和安全需求
• 不定时供电

边缘计算 VS 物联网

物联网+边缘计算架构图

边缘计算 VS 云原生

边缘计算的发展趋势

边缘计算容器化

容器化的优点

• 解耦运行依赖
• 标准的应用分发
• 扩展应用类型

容器化能够解决边缘计算产品的运行环境问题, 但是随着生产环境的增多, 也暴露出来很多不足之处.

边缘计算容器化的不足之处

• 单机限制: 缺乏多机通信网络, 限制边缘总算力规模
• 编排限制: 缺乏多实例和拓展主机的连接能力, 限制了对复杂业务的描述能力
• 更新限制: 需要安装业务之外的应用才能对容器进行更新
• 管理限制: 边缘应用的定义和管理模式与应用分离, 限制了业务的敏捷性

边缘计算由容器向云原生演进

边缘计算 VS 开源社区

KubeEdge

• KubeEdge架构设计图

• 边缘设备端是通过 MQTT 协议进行交互的, 从而完成从云到边到端的架构设计.

OpenYurt

• 阿里开源

KubeEdge架构设计图

Baetyl

成员

项目架构

架构设计图

总结

• 底层基于 Kubernetes, 将边缘节点抽象为 Node 节点
• 边缘应用以容器 ( K8S Pod ) 方式运行
• 通过数据缓存和同步保证离线计算
• 云端管理, 边缘计算, 云边协同

边缘计算 VS 一线大厂

边缘计算岗位

云原生项目生态图

垂直交叉工作岗位

• Kubernetes 相关岗位
• 云原生相关岗位

Kubernetes 运维、开发、架构

云原生研发、架构

本章小结

• 边缘计算的技术背景
  • 物联网+AI 的痛点与举例
• 边缘计算的应用案例
  • 麦肯锡数据 在各行各业的应用 总结出共性
    • 不稳定连接和数据移动性
    • 需要实时决策
    • 本地化计算的能力
    • 新的存储和安全需求
    • 不定时供电
• 边缘计算与物联网的联系
  • 物联网架构 --> 边缘计算+物联网架构
• 边缘计算与云原生的联系
  • 发展趋势 --> 容器化 --> 云原生
• 边缘计算在开源社区的项目情况
  • KubeEdge --> OpenYurt --> Beatyl
• 边缘计算在一线大厂的岗位和薪酬情况
  • 边缘计算 --> K8S --> 云原生