分布式存储:边缘计算应用落地的催化剂

随着 5G、物联网、无人驾驶、AR/VR、AI 等众多新兴业务应用的快速涌现,对网络的传输容量、数据分发处理能力要求的不断提高,边缘计算将与分布式存储相辅相成,促进整个新兴产业的快速落地。
一.视频加速

智能视频加速业务主要是通过缩短加载时间和增加视频流畅度,来提升用户的QoE,(体验质量:Quality of Experience),并保证无线网络资源的最大利用。

1.1

VR/AR 游戏 

现阶段 VR游戏体验不佳,其中游戏类VR 应用基本以本地重度游戏为主,用户眩晕问题依然存在,体验仍然不佳。因此,现阶段 VR 较多应用在营销场景,如远程看房、看二手车等营销场景较多,并且依赖于 Wifi及 4G 网络为主。未来 5G设备实现直接边缘链访问,VR/AR时延问题解决,云 VR/AR 将大大降低设备成本,5G将显著改善这些云服务的访问速度,同时边缘计算将降低云服务的数据处理量,增强游戏的体验感。

1.2

远程医疗

远程诊断依赖 5G 网络的低延迟和高 QoS(Quality of Service)保障特性,例如无线内窥镜和超声波这样的远程诊断依赖于设备终端和患者之间的交互,患者反馈的敏感性需要低延迟网络才能满足其要求。其它应用场景包括医疗机器人、医疗认知计算、生物遥测,基于 VR的医疗培训,救护车无人机,生物信息的实时数据传输等,这些应用对网络计算和连接提出了很高的要求。

1.3

高清视频

5G的高速率特性加上边缘计算将使用户不仅能观看当下各类视频内容,还将随时随地体验4K以上的超高清视频。参考Intel 的《5G娱乐经济报告》,预计未来10年内 5G 用户的月平均流量将有望增长 7 倍,而其中90%将被视频消耗,预计到 2028 年,仅凭消费者在视频、音乐和游戏上的支出就会增加近一倍,全球总体量将达到近 1500 亿美元。

1.4

视频直播

视频直播是近年来发展最为迅猛的一种创新形式的在线视频娱乐,具有多人实时交互特性。中国视频直播行业的市场规模由2015年的64亿元增长至2019年的1082亿元,复合年增长率为103.0%。2019年至2024年,市场规模预计以23.4%的复合年增长率增长,至2024年达到3101亿元。如此规模巨大的市场,在直播方面会经常面临网络卡顿的现象,严重影响了用户的消费体验。

网络卡顿的原因有以下几点:

1)网络问题。接收方的网络环境不好,无法及时的获取服务器发送过来的信息,就会造成卡顿

2)主播端码率设置问题。如果主播端的视频上传码率太高,需要的网络速度就越高,服务器的传输速度达不到码率要求,自然给接收方传递时就会产生问题

3)距离CDN节点的物理距离。直播平台常用CDN来作为服务器储存、传递数据,其中CDN节点的分布会影响到直播画面的传递速度,如果接收方离CDN节点的距离太远的话,就会产生画面的卡顿,接受不良。

如果在视频中接入边缘计算网络,则会大大缓解视频卡顿的现象,提高用户的观感体验,推动整个直播行业的发展。

二、物联网

物联网作为下一个推动世界高速发展的“重要生产力”,近年来得以迅速发展。“物联网”概念是在“互联网”概念的基础上,将其用户端延伸扩展到任何物品与物品之间,进行信息交换和通信的一种网络概念。物联网是指通过各种信息传感设备,实时采集任何需要监控、连接、互动的物体或过程等各种需要的信息,与互联网结合形成的一个巨大网络。

智能设备上的 I/O 接口可以轻松连接传统工业系统和边缘网络,网关可以使用 Wi-Fi、以太网与终端进行连接和通信。另外,网关的处理能力支持中间设备对来自所有不同协议(从 ModBus、BACnet 到 Zigbee 等)的数据进行汇总、转换和标准化,再通过网关将数据传送到核心网上。边缘计算可以对连接的终端进行边缘分析,将决策转移到边缘,提供实时操作,还可以帮助管理网络问题,通过决定数据是否移动到边缘来解决网络带宽问题。

2.1

自动驾驶

随着汽车自动驾驶的不断进步,汽车自身所产生的数据将越来越庞大。根据数据显示,假设一辆自动驾驶汽车配备了 GPS、摄像头、雷达和激光雷达等传感器,则一辆自动驾驶汽车每天将产生约 4000GB 待处理的传感器数据。如何使自动驾驶汽车能够实时处理如此海量的数据,并基于大数据分析,形成安全驾驶行为的决策,这些都需要强大的计算能力做支持。考虑到自动驾驶对网络延迟要求很高,传统的云计算面临着延迟明显、连接不稳定等问题,这就需要一个强大的、稳定的、低延迟的车载边缘计算平台。事实上,如果我们打开现阶段展示的自动驾驶测试汽车的后备箱,会明显发现其与传统汽车的不同之处,都会装载一个“ 计算平台”硬件传感器, 用于处理输入的信号数据并输出决策。

高等级自动驾驶的本质是AI计算问题,车载边缘计算平台的算力需求至少在20T 以上。从实现功能来看,边缘计算平台在自动驾驶中主要负责解决两个主要的问题:

a. 处理输入的信号,像雷达、激光雷达、摄像头等;

b. 做出决策判断、给出控制信号

英伟达CEO 黄仁勋的观点是“自动驾驶本质是 AI 计算问题,需求的计算力取决于希望实现的功能。”,其认为自动驾驶汽车需要对周边的环境进行判断之后再作出决策,到底要采取什么样的行动,其本质上是一个 AI 计算的问题,车载端必须配备一台 AI 超级处理器,然后基于 AI 算法能够进行认知、推理以及驾驶,要实现L3 级的自动驾驶起码需要20 个 teraflops(每秒万 亿次浮点运算)以上的的计算力级别。

2.2

智能安防

安防产业智能化升级是行业发展的大趋势,后端智能化以及前端智能化是厂商针对智能化升级的两种并存的解决方案。其中,前端智能化的核心功能是为后端提供高质量、初步结构化的图像数据,其主要作用有两点:

1)提升部分智能分析应用的实时性;

2)节省带宽和后端计算资源。

典型的前端智能摄像头内置深度学习算法,一方面可以在前端完成人脸定位和质量判断,有效解决漏抓误报问题,同时拥有较好的图像效果;另一方面可以输出编码后的网络视频,支持输出非压缩、无损无延时的视频流图像,这样可以为大型用户节省服务器成本和带宽,在同等服务器数量和计算能力的情况下能够接入更多线路摄像头。

后端智能化产品的核心功能则是利用计算能力对视频数据进行结构化分析。出于满足实时性处理的需求,以及缓解后台存储的压力,厂商们会越来越将算力前置。以人脸识别为例,传统的人脸识别产品都是采用前端摄像机抓拍图片, 后端服务器计算比对的模式,而前端智能的模式下,智能化的摄像机可以不依托服务器而实时进行图像处理、人脸识别,极大提高了识别效率以及后端存储的效率,前端智能化的趋势意味着产业链上下游将发生价值转移。整个安防智能化系统对于后端系统的依赖程度将进一步降低,后端价值将部分转移到前端,前端的价值将大幅提升。

国内安防智能前端的市场规模有望突破1500 亿。从产业调研结果来看,2018年以来,主流深度学习摄像头芯片开始成熟量产,有效解决目前限制前端智能摄像头放量的计算芯片瓶颈。按照2021年智能摄像头渗透率达到45%测算,我们预测国内智能安防前端硬件产品空间在2021 年预计将超过1500 亿元。

2.3

低延时工业级应用 

工业高精度控制对时延和可靠性的敏感度极高,无论是中国、韩国和日本的运营商,都非常关注5G 新业务中工业级客户(2B)的价值。这些行业市场包括运输、物流、能源/公共设施 监测、金融、医疗和农业。实现工业国产自动化、无线化和智能化,典型场景包括视频监控、 机器人控制、自动巡查安防等。

2.4

机器人控制

参考《华为 5G 白皮书》,同步实时协作机器人要求小于 1 毫秒的网络延迟。到 2025 年,预计全球状态监测连接将上升到 8,800万,全球工业机器人的出货量也将 从 36万台增加到 105万台。

2.5

馈线自动化

当通信网络的延迟小于 10ms 时,馈线自动化系统可以在 100ms 内隔离故障区域,这将大幅度降低发电厂的能源浪费。参考华为 5G 白皮书,从 2022年到 2026 年,预计 5G IoT 的平均年复合增长率(CAGR)将达到 464%。ABI Research 的预测数据,全球配电自动化市场将从2015年的130亿美元增加到 2025年的 360 亿美元。

2.6

无人机巡检

配备无人机进行基础设施、电力线和环境的密集巡检是一项新 兴业务,LiDAR扫描所产生巨大的实时数据量将需要>200Mbps的传输带宽。ABI Research 的估计,小型无人机市场将从 2016年的 53 亿美元迅速增长到 2026 年的 339 亿美元,包括来自软件、硬件、服务和应用服务的收入。

三、CDN应用

随着移动互联网技术的快速发展,移动网络数据流量呈现出爆发式增长的趋势。2019 年数据存储市场规模为 461.2 亿美元,预计到 2023年将达到1074亿美元,2027 年将达到 2222.5 亿美元,复合年均增长率为 27.19%,移动视频流量将占全球移动数据流量的 78%。内容提供商每天都会上传成千上万个视频内容,这样的内容大量存储在提供商的集中式数据库中, 然后从源格式转换为最终传递格式,分发到位于网络不同位置的多个流服务器中,并进行进一步传递。尽管进行了内容分发工作,但内容到用户的距离依然很远,特别是在移动环境中,由于缓冲问题,个别用户可能会遇到服务中断。因此, 边缘计算通过将 CDN 服务扩展到移动边缘来提供分布式缓存,可以增强用户的 QoE,并减少回程网和核心网的使用。

   3.1

CDN与边缘计算融合

CDN与边缘计算融合发展是技术、业务发展的必然,也是降本增效的需要,主要体现在两个方面:

资源复用:移动网络CDN规模庞大且存在算力闲置,CDN主要存储CPU平均利用率约为10%左右,闲置算力等资源可为边缘云所用。

共址部署:CDN与边缘计算之间部署位置相似,均在地市和部分区县部署,系统架构相似,均采用通用服务器、软硬解耦架构;接入网络相似,均要求固网和移网双接入。CDN与边缘计算共址部署,利用CDN规模大、分布广的特点,推动CDN云化,快速形成边缘计算规模化效应,提升整个边缘网络的使用效率。

3.2

CDN云化升级

边云融合需推动CDN云化升级,边缘节点下沉到基站、OLT,覆盖地市县,边智融合可将边缘计算业务精准调度到地市县,AI算力卸载到边缘,边网融合重在边网协同,固移融合,开放边缘网络特色能力。

边云融合:其某种意义上可以理解成一种广度和深度的融合,越靠近用户放置资源,用户访问感知提升越明显。以家庭宽带场景为例,业界CDN一般布放在省核心机房,而边缘计算 CDN可以下沉旁挂至BRAS节点,也可通过OLT嵌入式CDN部署,通过减少跳数来达到降低路由时延,提升访问感知的目的,真正实现了拉近距离降时延、本地计算省带宽。

以5G场景为例,移动边缘云与网络边缘云同步下沉,CDN边缘云下沉到基站可精准服务一公里以内的用户请求,访问速率和距离密切相关,越近则越快。

边智融合:传统意义上的CDN(内容分发)是一种流量的调度,是一种字节数据的分发,而通过边缘计算的 FDN(功能分发)是一种边缘能力的调度分发。通过边缘技术将推动内容分发网络(CDN)向内容与功能分发网络(CFDN)全面转型,形成由调度中心和能力中心组成的CFDN系统。

CDN系统升级为智能CFDN系统后,边缘云固移业务将由CFDN调度中心统一调度,调度中心主要由功能调度和流量调度组成,实现了按业务需求进行统一管理与调度,同时可以基于业务质量、网络质量,实现边缘计算业务的智能调度;通过热点预判、状态学习,实现服务节点择优选择、内容访问贴近用户,支持IP、域名等多场景按需调度。

此外,在满足业务时延需求的前提下,还可将终端或中心云的AI算力迁移至边缘云之上,可较好地降低终端或中心云算力成本和功耗。

边网融合:通过边网共址来实现,边缘云基于增强型DNS技术感知网络拓扑和用户位置,通过EDNS0技术实现业务精准下沉,把流量真正的推进到用户端,通过精准的调度来服务边缘计算,通过网络能力开放、网络切片,建立新的生态,来实现服务更广泛的用户群体。

边缘计算与分布式存储相辅相成,边缘计算通过边缘算力来对云算力进行补充,分布式存储则通过边缘的、闲置的、去中心化的存储端对云存储进行配合。随着 IoT 设备的指数级增长,这些设备连接到互联网,用于从云接收信息或将数据传递回云,更快的网络技术(如 5G 无线)使计算系统能够加速实时应用程序的创建或支持,例如视频处理和分析、自动驾驶汽车、人工智能和机器人等。在此过程中,许多 IoT 设备在操作过程中会生成海量的数据。在此过程中边缘计算和分布式存储共同支撑整个物联网体系的搭建,共建繁荣的IOT生态系统,促进整个新产业的升级。

添加微信免费咨询更多IT信息
微信号:landui07

未经允许不得转载:云技术 » 分布式存储:边缘计算应用落地的催化剂

赞 (0)