边缘智能的应用与服务

 研究成果     |      2020-01-07 17:42

随着信息化技术的发展以及5G、人工智能、万物物联时代的到来,人们对应用的反应速度以及传输能耗方面有着更高的要求。在数据传输之前对数据进行预处理,把数据抽象化、碎片化、精简化成为了必要的选择,边缘计算应运而生。边缘计算解决方案将数据的分析与处理放在更贴近 IoT 设备的地方,有效地分担了中心数据处理的压力,同时,加快了数据处理的速度,缩短了数据的传输距离,从而消除带宽和延迟问题。

近年来,深度学习与边缘计算机作为两种代表性技术在推动人类技术的发展。深度学习得益于算法,提高了生成效率,但未使终端得到普及,究其原因,其终端计算存储等资源受限;而边缘计算得益于云端计算,其利用网络边缘对数据进行分类,将部分数据放在边缘节点进行预处理或者处理,减少网络的延迟,增强实时性功能,从而实现更高效的数据处理,但其也因高密度地部署计算所耗资源过多。因此,边缘智能的出现使二者问题得以缓解。

边缘智能的产生来源于深度学习与边缘计算,即将边缘计算与人工智能等应用相结合,将具有云计算的数据处理能力下沉到边缘节点,使运算处理在边缘节点进行,从而提供高级数据分析、场景感知、实时决策、临时离线等服务功能,满足行业数字化在实时业务、敏捷连接、数据优化、应用智能、安全与隐私保护等方面的关键需求。而物联网与 5G的时代的到来更是为边缘智能提供了广阔的天地,5G和物联网与边缘智能的结合相得益彰,使用户得到了更加极致的体验。

一个工业级单元应用物联网的传感设备将平均超过10万个,如此多传感器采集的信息糅合在中央存储平台。若简单以50Hz的采集频率,每次传输的数据为100字节,每秒搜集数据大约500兆。而边缘智能对于数据整合、预处理以及集成无疑起着至关重要的作用。

2020年5G 商用年,峰值理论理论峰值可达每秒数GB,如果一个5G局域网没有一个专属的云存储数据,再快的数据传输也只是噱头。5G速度虽然发展很快,但是同时也需要承载速度下的硬件设备。移动边缘智能的出现,可以将数据进行初步处理,减轻数据处理中心的压力以及带宽等问题。

边缘智能在各个行业中都有潜在的应用市场,尤其为电信运营商等所需云计算等行业。边缘智能可以从人工智能与边缘计算的行业领域出发,如在人工智能的领域添加边缘计算相关内容,将其性能打磨之最佳状态;在边缘计算等计算领域,将智能硬件与算法引入,设计出更适合的网络节点部署方案等。

因此,边缘智能的行业应用市场主要包括工业物联网、智能安防、智能车载、 AR/VR 等需要实时提供数据或预测性维护的行业。以下为边缘智能所存在的潜在的行业,从无人监考系统、无人驾驶汽车以及智能安防角度出发,进行分析与汇总。

无人监考系统将数据分析中心分布在每个考场的智能设备上,能自动对监控设备捕捉到的图像以及视频进行压缩与提取人像,并依据考生行为模型对考生的动作进行识别与判断,在考生产生疑似违规行为时进行记录,从而实现人力消耗零成本。

相比于基于远程的传统的无人监考,传统的无人监考有两大弊端:监考员肉眼监考难免有不够公正与存在视觉盲区的情况;监控摄像耗费大量的网络资源和储存空间,而且存在监控范围过广、难以及时发觉考试违规的难题,耗时耗力且效率低下。基于边缘智能的无人监考系统应主要包括两个最为关键的功能模块:信息筛选模块、信息分析模块。其中作为第一边缘节点模块的信息筛选模块,指在摄像头端对图片以及视频进行预处理,利用目标检测标选考生,而第二边缘节点的信息分析模块则主要利用了监督学习与卷积神经网络学习相结合识别作弊行为。

目前,谷歌所研发的无人驾驶汽车相对于普通的人工驾驶汽车而言,具有智能化、系统化、实时化的信息反馈以及独立化、体系化的系统运作方式等特点。

无人驾驶汽车主要分为基于传感器和基于车联网两类,而接下来所提及的无人驾驶汽车是一种通过自身传感器如摄像头、车载激光雷达以及惯性陀螺仪等对地理环境如信号灯、路标等以及车辆行人等路况进行感知,将所得数据通过计算机系统进行处理,从而控制车辆的转向与速度,使之实现安全的无人驾驶的汽车。

其中,基于图像处理技术的车辆识别技术,其需要的图像信息来自于安装在汽车上的 CCD 摄像机。通过图像滤波能够使图像边缘比较清晰地呈现出来,采用Sobel 算子、二值化运算使边缘增强的作用,把检测目标的边缘信息凸显出来,使其更明显,便于更好地识别目标。在此基础上,可利用车载设备 CCD 摄像机作为边缘节点,将其基于云计算中心的计算进行边缘化处理,下沉至边缘节点,从而在 CCD 摄像机处首先进行图像的预处理,将图像进行滤波,边缘增强等操作,然后再在第二边缘节点或云计算中心对图像所传回数据进行集中处理。

天锡管理

目前,安防系统主要涉及梯联网、公安安防、智慧教室、智能家居等多个领域,其主要利用了智能前置化、边缘化,从而得到实时性更高的服务。其中基于边缘智能的梯联网指在电梯行业中,通过各类传感端实时监测电梯运行数据并进行一定的分析,提前对设备进行按需保养,大大降低电梯故障率;基于边缘智能的公安安防指公安系统中,通过摄像头对疑似偷盗等违规行为进行处理,初步分析是否存在偷盗行为,并通过各种智能方式提醒相关人员;智慧教室同智慧城市,引进大量的传感器、穿戴设备以及摄像头,利用大数据以及人工智能,从各个维度对教学过程进行分析与评估,从而提升教学质量;基于边缘智能的智能家居,主要为利用现有虚拟化技术将多种云汇聚到个人计算机中,将个人计算机设置为边缘节点,从而有效地实现系统节能管理等。

在一些需要进行实时分析的行业中或在地理位置偏远的地区或技术资源条件有限的情况下,边缘智能无疑提供了更加便利的服务,并在一定程度上实现了节能管理。

通过以上对无人监考系统、无人驾驶汽车以及智能安防的大概介绍,可以看出基于边缘智能的系统相比于传统的系统运作有着潜在的优势:

由于边缘智能是通过网络边缘设备进行预处理得以实现,所以面对运算量较小的任务请求,边缘设备可以做到在处理数据时耗时较少,速度较快,并可以提供一定的本地离线服务。

由于数据在大部分的物联网边缘设备中已得到处理,与云端总服务器所交换的数据减少,因此网络传输压力相对云计算较少,所占用带宽较少。

对于需要基于位置的应用,如无人驾驶汽车以及智能交通,边缘智能可将终端设备的位置数据上传至上一层边缘节点进行处理,因而使得边缘设备更有利于获取物体当前的位置信息并进行相关处理与预算。

在成本方面,主要考虑传输能耗所带来的问题,对于给定的任务,需衡量任务迁移所需能耗与在本地执行所需能耗,若仅从任务特性出发,当其数据量越大,管理咨询公司带宽越低的时候,使用本地边缘设备执行效果较好,但其未考虑信号的变化、网络状况以及电池剩余量等多方面的因素,故实验结果未能适应更为复杂的情况。

边缘计算对于用户的隐私保护仍面临以下几个方面的挑战:由于边缘计算异构的特点,攻击者可以轻易获取目标的相关节点,并可直接攻击整个节点所在服务区而致使整个地区处于瘫痪;而面向万物万联的多样化服务时代,由于边缘智能的本地化的服务特点,使得攻击边缘智能设备或其网络设施呈现多样化,从而使用户的个人隐私与安全受到威胁。

由此,建立一个安全评估体系来测试在边缘设备中所运行的程序,提高与安全与隐私保护的相关技术,如信任管理技术、协议与网络安全技术等十分关键。

对于如智慧教室等方向的应用数据,其视频数据具有运算量大,时延低等特点,可以构建出简单网络模型,但是对于复杂度较高,需要协调云端与网络边缘进行处理的智能系统,如何部署云端、边缘网络以及边缘智能设备来提供计算与存储的资源成为一大挑战。

在挑选相关具有运算能力的硬件产品时,需考虑是否运算能力满足其软件框架进行开发,硬件功耗以及成本是否在可接受的经济范围内,硬件的安全可靠性是否较高等问题,因此,经过层层排除,所符合要求的硬件少之又少。在部署边缘节点的同时,需要数千物联设备相互联系,而考虑到现在的科技发展,硬件普遍还不足以支持高运算能力等基本条件,所以,增加边缘设备的部署与制造成为重中之重。

如今边缘计算与深度学习处于迅速发展的阶段,在不同的场景中,不同类型的客户的需求有着明显的区别,因此边缘智能所呈现的网络架构以及硬件形式也是多种多样。对于不同的应用,需要及时调整网络架构中节点的部署以及硬件设施中的运算支持,将节点进行部署以及节点进行怎样的具体部署没有统一的答案。

[2] 张伟. 基于图像处理技术的前方车辆识别系统 [J] .自动化与仪表, 2019, 34 (09) : 48-51.

[4] 付鼎. 面向智慧教室的边缘节点放置和任务调度算法研究 [D] . 华中科技大学, 2018.