2024邊緣內(nèi)生智能白皮書(shū)

2024PAGEPAGE77/90摘要邊緣計(jì)算作為下一代無(wú)線網(wǎng)絡(luò)的關(guān)鍵技術(shù)，推動(dòng)了網(wǎng)絡(luò)與計(jì)算設(shè)施的邊緣能的研究進(jìn)展。主要包括：6G后描述邊緣智能網(wǎng)絡(luò)基礎(chǔ)設(shè)施，包括邊緣智能接入網(wǎng)和核心網(wǎng)。邊緣內(nèi)生智能的關(guān)鍵技術(shù)：從模型輕量化、邊云協(xié)同智能、邊緣智能能進(jìn)行詳細(xì)的講解，包括聯(lián)邦學(xué)習(xí)中的模型稀疏化和模型量化。邊緣內(nèi)生智能應(yīng)用：分析智慧交通、智能制造和智能節(jié)能等面向邊緣內(nèi)生智能的典型應(yīng)用。目錄引言 4背景 4邊緣計(jì)算與邊緣內(nèi)生智能發(fā)展概述 4邊緣內(nèi)生智能的重要性 56G邊緣智能網(wǎng)絡(luò)和基礎(chǔ)設(shè)施 7面向6G的邊緣內(nèi)生智能架構(gòu) 7架構(gòu)整體概述 7內(nèi)生智能面的設(shè)計(jì)與實(shí)現(xiàn) 8邊緣智能算力基礎(chǔ)設(shè)施 11邊緣智能硬件 11邊緣智能云平臺(tái) 19邊緣智能網(wǎng)絡(luò)基礎(chǔ)設(shè)施 28邊緣智能接入網(wǎng) 28邊緣智能核心網(wǎng) 36邊緣內(nèi)生智能的關(guān)鍵技術(shù) 43模型輕量化 433.1.1剪枝 443.1.2知識(shí)蒸餾 453.1.3量化 473.1.4NAS 48邊云協(xié)同智能 49聯(lián)邦學(xué)習(xí) 49分割學(xué)習(xí) 51模型分割 52無(wú)線聯(lián)邦學(xué)習(xí)中的邊緣智能 54無(wú)線聯(lián)邦學(xué)習(xí) 54聯(lián)邦學(xué)習(xí)中的模型稀疏化 57聯(lián)邦學(xué)習(xí)的模型量化 60邊緣智能化部署 63無(wú)線側(cè)智能化驅(qū)動(dòng)力 63智能化部署 63算力部署 66深度邊緣節(jié)點(diǎn) 67深度邊緣節(jié)點(diǎn)的無(wú)線網(wǎng)絡(luò)可編程 69深度邊緣節(jié)點(diǎn)的網(wǎng)元融合 69深度邊緣節(jié)點(diǎn)的跨域AI設(shè)計(jì) 72邊緣內(nèi)生智能應(yīng)用 75智慧交通 75智慧交通邊緣計(jì)算系統(tǒng)概述 75智慧交通邊緣計(jì)算類(lèi)型 76智慧交通邊緣計(jì)算應(yīng)用 78智能制造 80智能制造邊緣計(jì)算系統(tǒng)概述 80智能制造邊緣計(jì)算類(lèi)型 82智能制造邊緣計(jì)算應(yīng)用 83智能節(jié)能 86場(chǎng)景概述 86對(duì)邊緣智能的潛在需求與應(yīng)用 86邊緣內(nèi)生智能的發(fā)展與挑戰(zhàn) 87引言背景1G必須具備更高的性能和更強(qiáng)大的智能化能力，推動(dòng)邊緣側(cè)網(wǎng)絡(luò)從“萬(wàn)物互聯(lián)”向“智能互聯(lián)”AI“萬(wàn)物互聯(lián)”[2]。邊緣內(nèi)生智能能夠在原生網(wǎng)絡(luò)中實(shí)現(xiàn)各個(gè)單元之間的自我動(dòng)態(tài)感知以及自AIAI管理[3]。邊緣計(jì)算與邊緣內(nèi)生智能發(fā)展概述是一種將計(jì)算過(guò)程從中心服務(wù)器遷移到設(shè)備邊緣的技術(shù)。它的核心思想是將網(wǎng)戶(hù)在實(shí)時(shí)業(yè)務(wù)、應(yīng)用智能、安全與隱私保護(hù)等方面的需求。能中的任務(wù)卸載和數(shù)據(jù)安全問(wèn)題[4]。法實(shí)現(xiàn)復(fù)雜的人工智能算法和模型的運(yùn)行[5]。隨著技術(shù)的不斷發(fā)展，邊緣設(shè)備高數(shù)據(jù)處理和響應(yīng)的速度和效率[6]。邊緣內(nèi)生智能的重要性邊緣內(nèi)生智能的重要性包含如下方面：AIAI算法的性能[8]。然而，隨著萬(wàn)物互聯(lián)時(shí)代的快速發(fā)展，傳統(tǒng)的云計(jì)算模式逐漸向邊緣AI了低延遲的數(shù)據(jù)處理，從而實(shí)現(xiàn)高性能的邊緣智能處理模式[9]。技術(shù)己經(jīng)在日常AI也是創(chuàng)新前沿的關(guān)鍵驅(qū)動(dòng)力，如自動(dòng)駕駛、智能金融。因此，AI應(yīng)該更接近服務(wù)器。這增加了人工智能的可用性和可訪問(wèn)性[10]。參考文獻(xiàn)S.N.Himayat,H.Nikopour,Xue,G.andIlderem,“6G:ConnectivityintheEraofDistributedIntelligence,”IEEECommunicationsMagazine,vol.59,no.pp.45-50,2021.M.ElsayedandM.Erol-Kantarci,“AI-EnabledFutureWirelessNetworks:Challenges,Opportunities,andOpenIssues,”IEEEMagazine,vol.14,no.3,pp.70-77,Sep.2019.S.Deng,H.Zhao,Fang,J.S.DustdarandA.Zomaya,“EdgeIntelligence:TheConfluenceofEdgeComputingandArtificialIntelligence,”IEEEInternetofThingsJournal,vol.7,no.8,pp.7457-7469,Aug.2020.M.Pan,Suand“ReviewofResearchontheCurriculumforArtificialIntelligenceandIndustrialAutomationbasedonEdgeComputing,”2021InternationalConferenceonNetworkingandNetworkApplications(NaNA),LijiangChina,2021,pp.222-226.Xiao,G.Shi,Li,SaadandH.Poor,Self-LearningEdgeIntelligencein6G,”IEEECommunicationsMagazine,vol.58,no.12,pp.34-40,Dec.2020..H.HuandC.Jiang,“EdgeIntelligence:ChallengesandOpportunities,”2020InternationalConferenceonInformationandTelecommunicationSystems(CITS),Hangzhou,China,2020,pp.1-5.M.Mukherjee,R.Matam,C.X.Mavromoustakis,H.Jiang,G.MastorakisandM.Guo,“IntelligentEdgeComputing:SecurityandPrivacyChallenges,”IEEECommunicationsMagazine,vol.58,no.9,pp.26-31,Sep.2020. Sun,B.Xie,S.ZhouandZ.Niu,“MEET:Mobility-EnhancedEdgeinTelligenceforSmartandGreen6GNetworks,”IEEECommunicationsMagazine,vol.61,no.1,pp.64-70,Jan.2023.Q.Cui,Z.Gong,Ni,Hou,X.Chen,X.Zhang,“StochasticOnlineLearningforMobileEdgeComputing:LearningfromChanges,”IEEECommunicationsMagazine,vol.57,no.3,pp.63-69,2019.M.M.Sohul,MarojevicandJ.H.Reed,“ArtificialIntelligenceDefined5GRadioAccessNetworks,”IEEECommunicationsMagazine,vol.57,no.3,pp.14-20,2019.6G邊緣智能網(wǎng)絡(luò)和基礎(chǔ)設(shè)施6G的邊緣內(nèi)生智能架構(gòu)作為下一代無(wú)線網(wǎng)絡(luò)的關(guān)鍵使能技術(shù)，多接入邊緣計(jì)算（Multi-accessEdgeComputing,MEC）能夠支撐大量的新興業(yè)務(wù)。隨著人工智能（ArtificialIntelligenceAI）MECAI5G網(wǎng)MEC。6GMECMECMEC的靈活性和開(kāi)放性，更好AIAI服務(wù)。架構(gòu)整體概述邊緣內(nèi)生智能架構(gòu)由“四層三面”2.1所示。其中，“四層”礎(chǔ)設(shè)施層、虛擬化層、功能層和應(yīng)用層；“三面”包含控制面、AI面和管理編排（managementandorchestration，MANO）面。圖2.1邊緣內(nèi)生智能架構(gòu)（一）四層：基礎(chǔ)設(shè)施層：位于邊緣內(nèi)生智能架構(gòu)的最下層、涵蓋了系統(tǒng)中的所有通信、（HardDisk（SolidState等；計(jì)算資源包括中央處理器（CentralProcessingUnit，CPU）、圖形處理器（GraphicsProcessingUnit，GPU）等。Docker容器并使其在資源池AI服務(wù)。功能層：AI功釋放和重組，并通過(guò)服務(wù)總線串聯(lián)。Docker容器來(lái)為用戶(hù)提供服務(wù)。（二）三面：控制面：負(fù)責(zé)從基礎(chǔ)設(shè)施層到應(yīng)用層的控制信令傳輸和處理。MANOMANO源進(jìn)行協(xié)調(diào)和管理。MANO面包含虛擬基礎(chǔ)設(shè)施管理器（VirtualizedInfrastructureManagerVIM）MANOMANO，分別用于對(duì)資源、功能和應(yīng)用的管理編排。AIAIAI應(yīng)用提供運(yùn)行pytorch、tensorflowAI功能和一條服務(wù)總線；其應(yīng)用層包含一個(gè)模板選擇器和一個(gè)智能算法模型庫(kù)，用于實(shí)現(xiàn)邊緣內(nèi)生智能的靈活重構(gòu)。內(nèi)生智能面的設(shè)計(jì)與實(shí)現(xiàn)在邊緣內(nèi)生智能架構(gòu)中，基于微服務(wù)的AI面被解耦為獨(dú)立的AI功能，AI功能可被按需激活和調(diào)用；在應(yīng)用請(qǐng)求到來(lái)時(shí)，被解耦的AI功能可以按需組合來(lái)為用戶(hù)提供AI服務(wù)，以實(shí)現(xiàn)內(nèi)生智能。（一）內(nèi)生智能面解耦：2.1所示，在內(nèi)生智能面中，AI服務(wù)被解耦為數(shù)據(jù)采集功能（DataColltionuntion,CF（taPpoessinguntion,PF，（ModelTrainingFunction,（ModelFunction,MVF）以及數(shù)據(jù)存儲(chǔ)功能（DataStorageFunction,DSF），各功能介紹如下：DCF：AI模型訓(xùn)練所需的原始數(shù)據(jù)并生成相應(yīng)的訓(xùn)練數(shù)據(jù)集。DPF：AI模型訓(xùn)練所需的數(shù)據(jù)格式。MTF：AIAI算法的核心模型。MVF：AI模型的性能。DSF：AIAIF的相關(guān)參數(shù)。AIMANO來(lái)激活。（二）內(nèi)生智能面重構(gòu)：邊緣內(nèi)生智能重構(gòu)借鑒了模板與實(shí)例化思想，依據(jù)業(yè)務(wù)類(lèi)型進(jìn)行AI功能激活、運(yùn)行環(huán)境配置和資源分配，以實(shí)現(xiàn)定制化的AI服務(wù)。模板：邊緣內(nèi)生智能模板涉及模板信息information,和模板標(biāo)識(shí)符identifierAI應(yīng)用的組AIFAI應(yīng)用對(duì)應(yīng)模板的標(biāo)識(shí)，存儲(chǔ)在模板選擇器AI應(yīng)用需求定義該應(yīng)用所需的功能激活、資源分配和運(yùn)行環(huán)境配置相關(guān)參數(shù)。AIAI2.2所示，邊緣內(nèi)生智能的實(shí)例化流程包含以下步驟：MANO對(duì)應(yīng)用層持續(xù)監(jiān)測(cè)，在接收到應(yīng)用請(qǐng)求時(shí)向模板選擇器發(fā)送模板選擇請(qǐng)求TinfTinfMANO面MANOTinf進(jìn)行實(shí)例化操作：配置應(yīng)用所需的運(yùn)行環(huán)境庫(kù)分配所需資源AIF2.2邊緣內(nèi)生智能實(shí)例化流程邊緣智能算力基礎(chǔ)設(shè)施邊緣智能硬件系統(tǒng)的響應(yīng)速度和效率。邊緣智能硬件對(duì)環(huán)境惡劣的工廠生產(chǎn)線上的各種數(shù)據(jù)進(jìn)行實(shí)時(shí)采集、處理和分人的生理數(shù)據(jù)進(jìn)行分析，實(shí)現(xiàn)遠(yuǎn)程醫(yī)療和智能化診斷。實(shí)現(xiàn)數(shù)據(jù)的共享和協(xié)同處理。同時(shí)，它們還可以通過(guò)云端進(jìn)行遠(yuǎn)程管理和控制，實(shí)現(xiàn)設(shè)備的遠(yuǎn)程監(jiān)控和維護(hù)。(一)邊緣智能硬件需求（Near（Far/轉(zhuǎn)換、協(xié)議解析、工業(yè)控制、AI推理等，硬件產(chǎn)品形態(tài)的形式豐富多樣，比如工控機(jī)、PLC、網(wǎng)關(guān)、MEC等。功能產(chǎn)品示例NearEdge深度邊緣計(jì)算區(qū)域數(shù)字中心、CDN（內(nèi)容分發(fā)網(wǎng)絡(luò)）、電信數(shù)據(jù)中心、托管服務(wù)商深度邊緣計(jì)算本地?cái)?shù)據(jù)中心，重邊緣服務(wù)器，微數(shù)據(jù)中心（一體化機(jī)柜）遠(yuǎn)邊緣FarEdge聚合分析和控制、數(shù)據(jù)管理AIBox、MEC、HCI（超融合基礎(chǔ)設(shè)施）聚合、轉(zhuǎn)換、過(guò)濾、數(shù)據(jù)縮減、轉(zhuǎn)發(fā)網(wǎng)關(guān)、小單元、路由器、接入點(diǎn)模擬數(shù)字轉(zhuǎn)換（傳感器）、發(fā)送控制數(shù)據(jù)（執(zhí)行器）、直接分析/控制工控機(jī)、PLC（可編程邏輯控制器）、DCS（分散性控制器）等在明顯差異。究其原因，邊緣計(jì)算面臨以下幾個(gè)主要需求：復(fù)雜多樣的應(yīng)用場(chǎng)景：邊緣部署領(lǐng)域的多樣性需要不同的基礎(chǔ)設(shè)施組合。邊緣部署跨越許多配置到管理工具等，使邊緣解決方案生態(tài)系統(tǒng)高度復(fù)雜化。工業(yè)互聯(lián)網(wǎng)、電網(wǎng)管理、智能商業(yè)大廳等。人工智能、機(jī)器學(xué)習(xí)、大模型、異構(gòu)計(jì)算等技術(shù)的蓬勃發(fā)展進(jìn)一步推AI原生計(jì)算能力趕上新的分析平臺(tái)的性能需求將推動(dòng)許多新的邊緣基礎(chǔ)設(shè)AI應(yīng)用的多樣性也使得邊緣計(jì)算硬件、軟件、服務(wù)和解決方案的需求變得更多豐富。長(zhǎng)生命周期產(chǎn)品訴求：如軌道交通控制系統(tǒng)、中大型醫(yī)療設(shè)備、變電站/配電站采集控制單元、工業(yè)控DCS/MES5-7年甚至更長(zhǎng)的生命周期對(duì)于這些應(yīng)用包括運(yùn)行在硬件設(shè)備上的平臺(tái)、業(yè)務(wù)應(yīng)用、協(xié)議以及產(chǎn)生的數(shù)據(jù)；持續(xù)供應(yīng)、服務(wù)、更新，以及平臺(tái)、業(yè)務(wù)應(yīng)用等的持續(xù)迭代等；嚴(yán)苛的工作環(huán)境：更嚴(yán)苛的物理環(huán)境戶(hù)外。求會(huì)略高一些，在人機(jī)共處的情況下，還對(duì)邊緣計(jì)算設(shè)備的噪音有一定要求。20℃60防雷擊、抗震等指標(biāo)要求對(duì)邊緣計(jì)算硬件設(shè)備也造成了很大的挑戰(zhàn)。更嚴(yán)格的數(shù)據(jù)安全環(huán)境全防護(hù)方案無(wú)法適用。分布式部署：精益化的需求日益明顯。同時(shí)，邊緣智能、物聯(lián)管控、軟件定義邊緣和5G/6G同時(shí)還需要考慮到后續(xù)在邊緣側(cè)的進(jìn)一步擴(kuò)展。對(duì)于高度參與物聯(lián)網(wǎng)的企業(yè)來(lái)（二）邊緣計(jì)算的技術(shù)特點(diǎn)邊緣異構(gòu)加速計(jì)算：CPU難以高效處理，CPU+智能算力（GPU/FPGA/ASIC等）的異的科技趨勢(shì)。工業(yè)實(shí)時(shí)控制自動(dòng)駕駛 數(shù)字孿生多媒體處理AIoT……工業(yè)實(shí)時(shí)控制自動(dòng)駕駛 數(shù)字孿生多媒體處理AIoT……異構(gòu)計(jì)算多樣工作負(fù)載的高效、低耗處理文本視頻位置信息傳感器音頻圖片AR/VR……碎片化客戶(hù)應(yīng)用場(chǎng)

中國(guó)信通院預(yù)測(cè)，到2023年智能算力（GPU/FPGA/ASIC等）占總算力規(guī)模的70%2.3應(yīng)用場(chǎng)景多樣性推動(dòng)邊緣異構(gòu)加速計(jì)算發(fā)展邊緣軟件定義：5GPLC數(shù)據(jù)的分析、存儲(chǔ)、運(yùn)算等要求。原生邊緣智能：AIAI的邊緣原生智能算力需求。（三）邊緣計(jì)算硬件產(chǎn)品形態(tài)產(chǎn)品形態(tài)：邊緣服務(wù)器、工業(yè)計(jì)算機(jī)、網(wǎng)關(guān)和邊緣一體化機(jī)柜。邊緣服務(wù)器：于邊緣計(jì)算場(chǎng)景的通用服務(wù)器（general-purpose）和專(zhuān)為邊緣場(chǎng)景設(shè)計(jì)的邊緣優(yōu)化型服務(wù)器（edge-optimized）。其中用于邊緣計(jì)算場(chǎng)景的通用服務(wù)器（general-purpose）與用于數(shù)據(jù)中心場(chǎng)景的通用服務(wù)器在硬件上幾乎沒(méi)有差別，往往應(yīng)用于環(huán)境相對(duì)友好的場(chǎng)景中。邊緣優(yōu)化型服務(wù)器（edge-optimized）與通用服務(wù)器相比，在外觀、功能、（如下表種安裝方法、安全性和OT集成等。從產(chǎn)品形態(tài)來(lái)看，邊緣優(yōu)化型服務(wù)器（edge-optimized）又可以細(xì)分為定制型邊緣服務(wù)器（purpose-built）和邊緣微服務(wù)器（microserver）定制型邊緣服務(wù)器（purpose-built）是針對(duì)特定功能進(jìn)行設(shè)計(jì)和構(gòu)建，部署在安防、視頻監(jiān)控等特定用例中的小型服務(wù)器，具有特定的外形尺寸、低能耗、廣泛的工作溫度和多種接口類(lèi)型等特性，以適應(yīng)惡劣環(huán)境。通常不會(huì)部署在標(biāo)準(zhǔn)數(shù)據(jù)中心，而是部署在邊緣數(shù)據(jù)中心。嵌入式使用場(chǎng)景而設(shè)計(jì)的微型服務(wù)器，能夠提供企業(yè)級(jí)計(jì)算和管理功能。邊緣優(yōu)化型服務(wù)器（edge-optimized）特性設(shè)計(jì)具有更寬的溫度范圍、防潮、防塵、耐腐蝕、抗震、電磁兼容性等特點(diǎn)。機(jī)箱比通用服務(wù)器更小機(jī)箱深度，以適應(yīng)現(xiàn)有基站站點(diǎn)、邊緣數(shù)據(jù)中心或特定的工業(yè)現(xiàn)場(chǎng)位置。操作與維護(hù)自動(dòng)操作和維護(hù)以及遠(yuǎn)程控制，最大限度地減少手動(dòng)操作和維護(hù)。提供統(tǒng)一的運(yùn)維管理界面。安全在復(fù)雜的部署環(huán)境下，需要防止?jié)撛诘木W(wǎng)絡(luò)攻擊，以確保數(shù)據(jù)的安全性、高可用性和一致性，并在硬件層面防止惡意破壞。I/O前端I/O設(shè)計(jì)，提供更方便的操作和部署。安裝方式多種安裝方式，如壁掛式安裝。安裝和拆卸簡(jiǎn)單。功耗低能耗，可限制直流、交流、布線等。網(wǎng)絡(luò)高可靠性、低延遲、無(wú)線支持等。工業(yè)計(jì)算機(jī)：和決策。工業(yè)計(jì)算機(jī)有以下特點(diǎn)：/MTTR（MeanTimetoRepair）5min，MTTF10PCMTTF10000～15000小時(shí)。的變化給予快速響應(yīng)，及時(shí)進(jìn)行采集和輸出調(diào)節(jié)（PC所不具有的），遇險(xiǎn)自復(fù)位，保證系統(tǒng)的正常運(yùn)行。擴(kuò)充性：工業(yè)計(jì)算機(jī)由于采用底板+CPU20個(gè)板卡，能與工業(yè)現(xiàn)場(chǎng)的各種外設(shè)、板卡如與道控制器、視頻監(jiān)控系統(tǒng)、車(chē)輛檢測(cè)儀等相連，以完成各種任務(wù)。ISAPCIPCIEPICMG上架式工控機(jī) 嵌入式工控機(jī)塔式工控機(jī) 工業(yè)一體機(jī)工業(yè)顯示邊緣網(wǎng)關(guān)：

圖2.4工業(yè)計(jì)算機(jī)示意圖處理。邊緣網(wǎng)關(guān)和基于云的物聯(lián)網(wǎng)平臺(tái)共同組成了邊緣計(jì)算物聯(lián)網(wǎng)架構(gòu)。邊緣網(wǎng)關(guān)通常支持豐富的工業(yè)物聯(lián)網(wǎng)接口（PLC、RF、RS-485、DI）和與各種行業(yè)應(yīng)用系統(tǒng)互聯(lián)，實(shí)現(xiàn)終端設(shè)備的智能連接。行業(yè)應(yīng)用行業(yè)應(yīng)用云化物聯(lián)網(wǎng)平臺(tái)Internet5G/4G/ETH5G/4G/ETH邊緣計(jì)算網(wǎng)關(guān)IPPLC/RF/RS485/DI…路燈配電設(shè)施電梯控制器容器管理行業(yè)APP行業(yè)APP傳感器&終端圖2.5邊緣計(jì)算物聯(lián)網(wǎng)架構(gòu)示意圖先分析再傳輸，邊緣快速?zèng)Q策等等，大大提升了端-邊-云的綜合效率。CPU/GPU/NPU5G6G代部分有線數(shù)據(jù)傳輸，使部署更加靈活。邊緣一體化機(jī)柜：PDUIT設(shè)備快速邊緣部署及業(yè)務(wù)快速上PDUUPS前后門(mén)開(kāi)關(guān)偵測(cè)器等。的影響因素，如防塵、防水、無(wú)法外掛空調(diào)機(jī)柜等。智能照明與門(mén)磁單元制冷設(shè)備配電單元UPSIT設(shè)備PDU電池模塊水浸應(yīng)急風(fēng)扇溫濕度2.6邊緣一體化機(jī)柜示意圖邊緣智能云平臺(tái)2.1.1化應(yīng)用需求。括三個(gè)主要部分：邊側(cè)、云側(cè)和協(xié)同機(jī)制。服務(wù)，包括容器編排、數(shù)據(jù)存儲(chǔ)、安全性管理和監(jiān)控等功能。效提供。的過(guò)程，它實(shí)現(xiàn)了應(yīng)用程序的分布式計(jì)算和智能化服務(wù)。2.7邊緣智能內(nèi)生云平臺(tái)總體架構(gòu)2.7給出了一種邊緣智能云平臺(tái)實(shí)現(xiàn)，它與各種邊緣設(shè)備深度融合，以在云側(cè)，提供多邊緣集群管理，云邊資源協(xié)同、應(yīng)用分發(fā)及業(yè)務(wù)數(shù)據(jù)交互等能力，可以部署于客戶(hù)云數(shù)據(jù)中心或公有云上。ICT基礎(chǔ)設(shè)施。主流邊緣智能云平臺(tái)一般有如下特點(diǎn)：界面。靈活數(shù)據(jù)接入：4G、5GWIFI云端。分配，無(wú)縫進(jìn)行擴(kuò)縮容。優(yōu)化應(yīng)用賦能：GPU虛擬AIGPU應(yīng)用。極簡(jiǎn)部署/運(yùn)維：以全融合一體機(jī)形式部署的邊緣計(jì)算平臺(tái)實(shí)現(xiàn)開(kāi)箱插電即運(yùn)維數(shù)據(jù)，自動(dòng)故障告警、修復(fù)。關(guān)上下文信息（身份、威脅/可信評(píng)估、角色、位置/時(shí)間、設(shè)備配置等）加強(qiáng)安全策略，且提供邊緣平臺(tái)上動(dòng)態(tài)和靜態(tài)數(shù)據(jù)的加密。下面分章節(jié)對(duì)邊側(cè)內(nèi)生智能平臺(tái)、云側(cè)運(yùn)維管理平臺(tái)和協(xié)同機(jī)制這三部分做詳細(xì)介紹。（一）邊端內(nèi)生智能平臺(tái)K8SKubernetes已經(jīng)成為云和數(shù)據(jù)Kubernetes等輕量的云原KubernetesK8s更低的footprintx86和ArmGPU、NPU、VPU等異構(gòu)器件。邊緣節(jié)點(diǎn)與中心云之間的網(wǎng)絡(luò)環(huán)境復(fù)雜，邊緣節(jié)點(diǎn)可能因?yàn)槟承┰蚺c中心云斷聯(lián)。由于邊緣節(jié)點(diǎn)數(shù)量眾多，環(huán)境復(fù)雜，IT運(yùn)維人圖2.8用于MEC的邊側(cè)內(nèi)生智能平臺(tái)2.8MEC(Multi-AccessEdgeComputing)K3s以及軟硬一體化的輕量級(jí)虛擬化，以輕量級(jí)虛擬化為5GMEC邊緣云模務(wù)器組成的集群上。主要功能包含：邊緣端管理：提供管理邊緣節(jié)點(diǎn)所有能力的邊端控制臺(tái)邊緣容器：Kubernetes的容器統(tǒng)一編排，管理能力性能保證輕量級(jí)虛擬化：提供秒級(jí)啟動(dòng)、低內(nèi)存占用的輕量級(jí)虛擬化能力鏡像管理：提供對(duì)虛擬機(jī)鏡像上傳、更新、刪除、分類(lèi)管理等功能虛擬機(jī)模板：創(chuàng)建可以保存虛擬機(jī)配置的模板硬件加速：GPU卡等，通過(guò)硬件和加速器的融合實(shí)現(xiàn)對(duì)邊緣硬件的優(yōu)化網(wǎng)絡(luò)隔離：提供基于虛擬網(wǎng)絡(luò)層面的子網(wǎng)二層隔離，保障網(wǎng)絡(luò)通信安全樣的智能運(yùn)維需求訪問(wèn)控制：支持基于用戶(hù)組的訪問(wèn)控制（二）云側(cè)運(yùn)維管理平臺(tái)廣泛分布的邊緣業(yè)務(wù)低成本的穩(wěn)定和持續(xù)運(yùn)行。LFEdgeAkraino（ZeroProvisioningandpntokutomtionPltom）“”DevOps在邊CI/CD流程的構(gòu)建目標(biāo)，將云端倉(cāng)庫(kù)視為在這利用率、進(jìn)程、內(nèi)存等方面的狀態(tài)進(jìn)行采集，并實(shí)時(shí)為運(yùn)維人員提生平臺(tái)中，實(shí)現(xiàn)云邊統(tǒng)一運(yùn)維管理。圖2.9云側(cè)運(yùn)維管理平臺(tái)功能示例2.9展示了一款云側(cè)運(yùn)維管理平臺(tái)叫做集中管理平臺(tái)CMO（CentralManagementandOrchestration），負(fù)責(zé)云邊協(xié)同管理，總體設(shè)計(jì)目的是為邊緣云算業(yè)務(wù)提供上線、部署、調(diào)度、優(yōu)化、協(xié)同等全生命周期自動(dòng)化保障。CMO功能包括：異構(gòu)邊緣節(jié)點(diǎn)/集群管理：MEC、輕邊緣集群進(jìn)行統(tǒng)一納管理框架于策略的智能調(diào)度豐富的云邊協(xié)同機(jī)制：云邊數(shù)據(jù)協(xié)同框架，支持應(yīng)用分發(fā)，數(shù)據(jù)同步化運(yùn)維效率的云端數(shù)據(jù)庫(kù)審計(jì)（三）協(xié)同機(jī)制云邊協(xié)同：圖2.10云邊協(xié)同的能力與內(nèi)涵（ECC邊緣計(jì)算參考架構(gòu)3.0）EC-laaSEC-PaaSEC-SaaS3.0云邊協(xié)IaaSPaaSSaaS資源協(xié)同數(shù)據(jù)協(xié)同是指邊緣計(jì)算節(jié)點(diǎn)與云端之間的數(shù)據(jù)交互與協(xié)同。在云邊協(xié)同中，邊緣計(jì)算節(jié)點(diǎn)主要負(fù)責(zé)現(xiàn)場(chǎng)/終端數(shù)據(jù)的采集、處理和分析，并將處理結(jié)果以及高效、低成本地對(duì)數(shù)據(jù)進(jìn)行生命周期管理與價(jià)值挖掘。智能協(xié)同人工智能AIAIAI括應(yīng)用的推送、安裝、卸載、更新、監(jiān)控及日志等。應(yīng)用管理協(xié)同的生命周期管理能力，包括應(yīng)用的推送、安裝、卸載、更新、監(jiān)控及日志等。業(yè)務(wù)管理協(xié)同是指邊緣計(jì)算節(jié)點(diǎn)主要提供模塊化、微服務(wù)化的應(yīng)用/數(shù)字孿生//數(shù)字孿生/排能力，按需為客戶(hù)提供相關(guān)網(wǎng)絡(luò)增值業(yè)務(wù)。服務(wù)協(xié)同EC-SaaS(SaaS)SaaS在用戶(hù)應(yīng)用層面的服務(wù)質(zhì)量、服務(wù)能效等的協(xié)同。端負(fù)責(zé)將邊緣端的模型更新聚合并且發(fā)送回邊緣端。了某種程度的隱私泄露問(wèn)題。KubeEdgeSednaKubeEdgeAIAIAISedna邊云協(xié)同增量學(xué)習(xí)、聯(lián)邦學(xué)習(xí)、終身學(xué)習(xí)和聯(lián)合推理等。邊緣節(jié)點(diǎn)間協(xié)同：

圖2.11Sedna架構(gòu)圖與普通的云邊協(xié)同的差別主要在要解決多邊之間的網(wǎng)絡(luò)互通。圖2.12EdgeMesh架構(gòu)圖EdgeMeshKubeEdge在邊緣場(chǎng)景下實(shí)現(xiàn)邊緣節(jié)點(diǎn)互通的一個(gè)解決方案。EdgeMeshKubeEdgeEdgeMesh（如邊緣資源有LibP2P點(diǎn)間的通信分為局域網(wǎng)內(nèi)和跨局域網(wǎng)。局域網(wǎng)內(nèi)的通信采用節(jié)點(diǎn)間直接通信，跨局域網(wǎng)的通信在打洞成功時(shí)Agent之間建立直連隧道，否則通過(guò)中繼轉(zhuǎn)發(fā)流量。（離線場(chǎng)景KubeEdgeapiserver；EdgeMeshDNS服務(wù)器，CoreDNS。極致輕量化：Agent，節(jié)省邊緣資源。邊緣智能網(wǎng)絡(luò)基礎(chǔ)設(shè)施邊緣智能接入網(wǎng)關(guān)鍵需求。運(yùn)營(yíng)商是邊緣計(jì)算網(wǎng)絡(luò)基礎(chǔ)設(shè)施主要提供者，在邊緣計(jì)算產(chǎn)業(yè)聯(lián)盟5.0ComputingAccess，邊緣計(jì)算接入網(wǎng)絡(luò)ECA中涉及的關(guān)鍵技術(shù)進(jìn)行分析。圖2.13邊緣計(jì)算網(wǎng)絡(luò)基礎(chǔ)設(shè)施示意圖（運(yùn)營(yíng)商邊緣計(jì)算網(wǎng)絡(luò)技術(shù)白皮書(shū)）L2/L3局域網(wǎng)、WIFI、TSN（時(shí)間敏感網(wǎng)絡(luò)）、現(xiàn)場(chǎng)總線等。接入網(wǎng)需支持移動(dòng)用戶(hù)和固定用戶(hù)同時(shí)接入，在移動(dòng)網(wǎng)絡(luò)中，需要提供如2G/3G/4G/5GPON、以及各MBBFBBUPFQoS邊緣計(jì)算的部署位置和業(yè)務(wù)的多樣性對(duì)網(wǎng)絡(luò)的接入范圍、性能指標(biāo)如時(shí)延、帶寬、高并發(fā)等方面提出了新的需求，因此需要ECA網(wǎng)絡(luò)通過(guò)以下關(guān)鍵技術(shù)實(shí)現(xiàn)：云網(wǎng)融合：針對(duì)業(yè)務(wù)現(xiàn)場(chǎng)人、機(jī)、物等不同設(shè)備的接入需求，運(yùn)營(yíng)商CAPEX投資。OPEXECA需要采用云網(wǎng)融合技術(shù)滿(mǎn)足運(yùn)營(yíng)商降低CAPEXOPEX的需求。異構(gòu)計(jì)算CDN中需要ARMX86GPUNPUFPGA等ECA中進(jìn)行異構(gòu)計(jì)算。智能內(nèi)生：不同的業(yè)務(wù)訴求對(duì)于智能化的要求不同，越來(lái)越多的業(yè)務(wù)QOS服務(wù)能力，同時(shí)將對(duì)時(shí)延不敏感的業(yè)務(wù)調(diào)度到其它空閑節(jié)點(diǎn)ECA內(nèi)生智能。（一）邊緣智能接入網(wǎng)技術(shù)特點(diǎn)云網(wǎng)融合：成一體化供給、一體化運(yùn)營(yíng)、一體化服務(wù)的體系。vRAN v5G vBRASvCPE…云操作系統(tǒng)通用硬件加速硬件超融合一體機(jī)第一個(gè)階段為網(wǎng)絡(luò)云化，在固定網(wǎng)絡(luò)和移動(dòng)通信網(wǎng)絡(luò)中存在大量傳統(tǒng)設(shè)備，例如防火墻、交換機(jī)、等，在移動(dòng)通信網(wǎng)絡(luò)中有無(wú)線基站、核心網(wǎng)SDN和NFV技術(shù)，從傳統(tǒng)煙囪式架構(gòu)演變?yōu)檐浻布怦?、開(kāi)放、云化的架構(gòu)。最底層vRAN v5G vBRASvCPE…云操作系統(tǒng)通用硬件加速硬件超融合一體機(jī)2.14軟硬解耦、開(kāi)放的云化網(wǎng)絡(luò)這樣的架構(gòu)有三方面的優(yōu)點(diǎn)：采用通用硬件和專(zhuān)有硬件相比可以大幅降低成本。上線和既有業(yè)務(wù)的升級(jí)換代，同時(shí)降低網(wǎng)絡(luò)的運(yùn)營(yíng)維護(hù)成本。廠商綁定，從而降低成本，促進(jìn)產(chǎn)業(yè)的繁榮和創(chuàng)新。SDN、NFV等技術(shù)實(shí)現(xiàn)虛擬化和云能的云化多數(shù)仍處于軟件化和虛擬化，并未達(dá)到云網(wǎng)一體的云原生設(shè)計(jì)。第二階段云網(wǎng)真正形成一體，網(wǎng)絡(luò)功能從設(shè)計(jì)到交付均采用云原生的理念，包括微服務(wù)化、容器化、DevOps、持續(xù)交付。另外，邊緣云、企業(yè)私有核心網(wǎng)數(shù)據(jù)面下沉到邊緣云，云桌面、云游戲這些場(chǎng)景又代表BRASNAS等，云網(wǎng)關(guān)負(fù)責(zé)按需轉(zhuǎn)發(fā)邊緣應(yīng)用，提供用戶(hù)與邊緣應(yīng)用的交互接口。此類(lèi)場(chǎng)景屬于邊緣云內(nèi)的增值服務(wù)，后續(xù)增值應(yīng)用會(huì)逐步增加。AI、大數(shù)據(jù)、區(qū)塊鏈等新技術(shù)進(jìn)一步結(jié)合，創(chuàng)造出更加智能化力，形成行業(yè)應(yīng)用和云網(wǎng)基礎(chǔ)設(shè)施深度融合。EPCNFV5G核心網(wǎng)已經(jīng)基本完全云化。無(wú)線基站云BRAS等設(shè)備也都在推動(dòng)云化的進(jìn)程。異構(gòu)計(jì)算：Off-The-Shelf商用現(xiàn)成品或技術(shù)）的通用硬件，而通信網(wǎng)元在性能、實(shí)時(shí)性、著很多挑戰(zhàn)：CPU指令集是面向眾多應(yīng)用需求而設(shè)計(jì)，SIMD指令早期的引入是面5G的向量指令集來(lái)優(yōu)化性能，但是，CPU向量計(jì)算單元的數(shù)量、能夠支持的向量型計(jì)算單元。CPUcache、內(nèi)存預(yù)取等機(jī)制都是為了優(yōu)化內(nèi)存訪問(wèn)的性能，但是一旦發(fā)生cachemiss、TLBmiss、pagefault等現(xiàn)象時(shí)，相應(yīng)指令的時(shí)延會(huì)大幅增加，造成了性能的不確定性。CPU微架構(gòu)中有大量的設(shè)計(jì)都會(huì)有這樣的特點(diǎn)，例如分支預(yù)測(cè)、指令調(diào)度等都存在很多預(yù)測(cè)算法，預(yù)測(cè)準(zhǔn)確時(shí)，CPU性能得到優(yōu)化，但不確定性，都會(huì)對(duì)通信中對(duì)實(shí)時(shí)性要求高的運(yùn)算帶來(lái)挑戰(zhàn)。CPUCPU而設(shè)計(jì)，線程的調(diào)度、切換都會(huì)對(duì)性CPU核隔離、核綁定、中斷CPU資源的浪費(fèi)。5G3GPP5GPolar編碼為例，在信道編碼鏈中，polar編碼是重要一環(huán)，polar碼在編碼過(guò)程中需要進(jìn)行復(fù)雜的羅內(nèi)克積矩陣運(yùn)算，導(dǎo)polar5G在FFTIFFT中需要完40965G物理層的性能和實(shí)時(shí)性需求CPUCPU結(jié)合硬件加速5GCPURAN執(zhí)行。加速硬件的形態(tài)可以包括FPGA、DSP、ASIC、GPU等。CPU和加速硬件的組成關(guān)系也可以有多種方案：PCI-E槽位中。CPUPCI-E接口。CPUSoC方案。這三種方案，在性能、功耗、成本等方面逐步優(yōu)化，但靈活性也逐級(jí)降低。2.15異構(gòu)計(jì)算硬件形態(tài)CPU和加速硬件之間有兩種調(diào)用模式：Lookasideinline模式。在Lookaside模式下，加速硬件的調(diào)用類(lèi)似軟件系統(tǒng)的函數(shù)調(diào)用，當(dāng)應(yīng)用程序執(zhí)行APICPU繼續(xù)執(zhí)行程序的后續(xù)部分。Lookaside模式比較適合加速硬件只支持物理層LDPCInlineLowPHY、HighPHY或者整個(gè)物理層，當(dāng)上行數(shù)據(jù)進(jìn)入基站后，首先數(shù)據(jù)會(huì)在加速CPU處理上層協(xié)議棧部分。異構(gòu)計(jì)算對(duì)軟件也帶來(lái)很多新的需求。從云資源池的角度，在調(diào)度虛擬機(jī)或容器的具體運(yùn)行服務(wù)器節(jié)點(diǎn)時(shí)，云平臺(tái)調(diào)度器需要能夠感知每個(gè)服務(wù)器節(jié)點(diǎn)的硬件能力，哪些節(jié)點(diǎn)具有什么類(lèi)型的加速硬件，同時(shí)也需要感知虛機(jī)或容器承載的應(yīng)用有哪些硬件需求，從而在調(diào)度或遷移的時(shí)候能夠匹配相應(yīng)的硬件。從軟硬件解耦的角度，5G基站軟件期望有統(tǒng)一標(biāo)準(zhǔn)化的API，適配不同的加速硬件，從而降低基站軟件開(kāi)發(fā)的復(fù)雜度，提高可移植性。開(kāi)放式無(wú)線電接入網(wǎng)絡(luò)聯(lián)盟定義AAL（AccelerationAbstractionLayer）為加速硬件抽象層，使應(yīng)用程序更容易使用和控制硬件加速器，完成對(duì)硬件加速器的調(diào)度和管理，以充分利用硬件資源，這項(xiàng)工作目前還在進(jìn)行中。

2.16開(kāi)放式無(wú)線電接入網(wǎng)絡(luò)AAL標(biāo)準(zhǔn)化邊緣計(jì)算將計(jì)算從集中式數(shù)據(jù)中心下沉到通信網(wǎng)絡(luò)接入網(wǎng)的邊緣位置，通過(guò)在物理位置上將網(wǎng)絡(luò)與計(jì)算融合，以分布式方式在更接近用戶(hù)的網(wǎng)絡(luò)邊緣提供低時(shí)延的計(jì)算服務(wù)，滿(mǎn)足低延遲高帶寬的場(chǎng)景，如視頻加速等。雖然邊緣計(jì)算物理位置上部署在邊緣網(wǎng)絡(luò)內(nèi)，但在邏輯上，計(jì)算和網(wǎng)絡(luò)的編排與調(diào)度系統(tǒng)仍然是相互獨(dú)立的，缺乏靈活的動(dòng)態(tài)性，導(dǎo)致無(wú)法實(shí)現(xiàn)網(wǎng)絡(luò)和計(jì)算在控制面的統(tǒng)一，難以及時(shí)響應(yīng)實(shí)時(shí)和移動(dòng)業(yè)務(wù)的需求。在網(wǎng)元級(jí)算力內(nèi)生一體化方案中，通信行業(yè)的主要廠商實(shí)現(xiàn)方案主要分為兩類(lèi)：通過(guò)在網(wǎng)絡(luò)設(shè)備上增加獨(dú)立的算力板卡或?qū)Ｓ盟懔Ψ?wù)器來(lái)實(shí)現(xiàn)算力和網(wǎng)絡(luò)的硬件融合。例如，在5G基帶單元（BBU）上增加額外的算力板卡，以提供額外的計(jì)算能力。）算力內(nèi)生網(wǎng)絡(luò)（ComputingNativeNetworkCNN）。這種方案不需要增加額外的硬件設(shè)備，而是通過(guò)解耦大量5G基帶單元的閑置算力與通信業(yè)務(wù)，為計(jì)算應(yīng)用提供靈活、實(shí)時(shí)且低成本的算力支持。算力內(nèi)生網(wǎng)絡(luò)將算力與通信網(wǎng)絡(luò)緊密結(jié)合，以滿(mǎn)足各種計(jì)算需求。這兩種方案的提出推動(dòng)通信領(lǐng)域的算力與網(wǎng)絡(luò)的融合，以提供更強(qiáng)大的計(jì)算能力和靈活性。算力內(nèi)生網(wǎng)絡(luò)基于5G、云原生和人工智能等ICT技術(shù)，為全行業(yè)提供連接、算力和應(yīng)用服務(wù)。該網(wǎng)絡(luò)構(gòu)建在3GPP5G網(wǎng)絡(luò)協(xié)議之上，通過(guò)虛擬化技術(shù)實(shí)現(xiàn)了通信業(yè)務(wù)與物理CPU核的解耦。算力以“vCPU核”為基本單位進(jìn)行量化，通過(guò)虛擬機(jī)和hypervisor多核CPU虛擬化技術(shù)將空閑算力與通信服務(wù)算力隔離，在基站內(nèi)利用網(wǎng)元空閑算力承載計(jì)算任務(wù)。這種解耦方式確保了通信業(yè)務(wù)的QoS優(yōu)先保障，并實(shí)現(xiàn)了嚴(yán)格的內(nèi)生算力邊界隔離。同時(shí)，通過(guò)設(shè)置計(jì)算資源和通信資源之間的安全邊界以保護(hù)通信服務(wù)的穩(wěn)定性，并實(shí)時(shí)智能調(diào)整安全邊界，確保通信服務(wù)的優(yōu)先性和服務(wù)質(zhì)量的穩(wěn)定。目前，算力內(nèi)生技術(shù)已經(jīng)成功應(yīng)用于某電力專(zhuān)網(wǎng)項(xiàng)目的XR遠(yuǎn)程專(zhuān)家輔助維修。某電站每年都要進(jìn)行長(zhǎng)達(dá)一個(gè)月的設(shè)備停運(yùn)檢修，這期間只有經(jīng)過(guò)嚴(yán)格訓(xùn)練的工作人員穿戴特制防護(hù)服才能進(jìn)入電廠進(jìn)行檢修。當(dāng)檢修遇到困難時(shí)，工作人員無(wú)法離開(kāi)電廠求助，導(dǎo)致整個(gè)維修流程嚴(yán)重延誤，造成嚴(yán)重的經(jīng)濟(jì)損失。通過(guò)算力內(nèi)生網(wǎng)絡(luò)，維修工程師、遠(yuǎn)程專(zhuān)家和檢修業(yè)務(wù)之間建立了更緊密的聯(lián)系。通過(guò)隨維修人員移動(dòng)的5GAR眼鏡終端，通過(guò)無(wú)線接入到5G網(wǎng)絡(luò)，提供復(fù)雜維修過(guò)程的可視化和實(shí)時(shí)交互。遠(yuǎn)程專(zhuān)家可以通過(guò)AR進(jìn)行遠(yuǎn)程指導(dǎo)維修任務(wù)。算力內(nèi)生網(wǎng)絡(luò)不僅為AR遠(yuǎn)程專(zhuān)家輔助提供了5G高帶寬、低延遲的高清互動(dòng)視頻數(shù)據(jù)傳輸，還能支持場(chǎng)景渲染和圖像分發(fā)的計(jì)算服務(wù)調(diào)度，使維修人員可以隨時(shí)與遠(yuǎn)程專(zhuān)家分享所見(jiàn)影像，以獲得專(zhuān)家的實(shí)時(shí)分析和指導(dǎo)，降低維修成本和提升維修效率。基于算力內(nèi)生網(wǎng)絡(luò)，移動(dòng)網(wǎng)絡(luò)基礎(chǔ)設(shè)施從單純的提供連接服務(wù)演進(jìn)為提供連接服務(wù)+計(jì)算服務(wù)的新型通算一體基礎(chǔ)設(shè)施，可以滿(mǎn)足AI所需的連接和分布式計(jì)算服務(wù)，從而更好地支持面向6G的通感算智一體化演進(jìn)。（二）邊緣智能接入網(wǎng)未來(lái)演進(jìn)技術(shù)，這些技術(shù)目前正在進(jìn)行和落地開(kāi)展中。面向未來(lái)6G網(wǎng)絡(luò)架構(gòu)，2023年12IMT-2030（6G）推進(jìn)組在《6GITU-R最新6G體方向。未來(lái)邊緣智能接入網(wǎng)將是通信技術(shù)、算力網(wǎng)絡(luò)、AI技術(shù)等深度融合的5G全面支持?jǐn)?shù)字化變革，技術(shù)上體現(xiàn)如下特征：6G網(wǎng)絡(luò)發(fā)展的基石，將進(jìn)一步促進(jìn)網(wǎng)絡(luò)的革新發(fā)展。展趨勢(shì)。ChatGPTAI6G時(shí)代的重要應(yīng)用，對(duì)網(wǎng)絡(luò)帶來(lái)重大影響。區(qū)塊鏈等分布式技術(shù)，將助力網(wǎng)絡(luò)的集中+分布的協(xié)同發(fā)展。邊緣智能核心網(wǎng)業(yè)務(wù)從生產(chǎn)輔助進(jìn)入行業(yè)生產(chǎn)核心環(huán)節(jié),SLA（ServiceLevelAgreement，服務(wù)級(jí)別協(xié)議）的差異化需求，帶來(lái)了網(wǎng)絡(luò)5G/6G新級(jí)增長(zhǎng)，也是走向智能化的重要驅(qū)動(dòng)力。位推進(jìn)網(wǎng)絡(luò)智能化的轉(zhuǎn)型。智能化演進(jìn)：上述網(wǎng)絡(luò)的發(fā)展演進(jìn)意味著核心網(wǎng)要管理的數(shù)據(jù)量更大、更復(fù)雜。目前的核心網(wǎng)仍缺乏足夠的智能來(lái)提供按需服務(wù)和更高的網(wǎng)絡(luò)資源利用效率。因此，需要通過(guò)分布式智能節(jié)點(diǎn)的協(xié)同提供全局AI能力，實(shí)現(xiàn)智能內(nèi)生。這要求網(wǎng)絡(luò)通過(guò)原生支持AIAI能力作為網(wǎng)絡(luò)的基本服務(wù),AI即服務(wù)(AlaaS),使網(wǎng)絡(luò)能夠自學(xué)習(xí)、自演進(jìn),并賦能行業(yè)AI,構(gòu)筑全行業(yè)的泛在智能生態(tài)系統(tǒng)即“智能內(nèi)生”。智能內(nèi)生從字面意思來(lái)看可以分成“智能”和“內(nèi)生”兩個(gè)部分。首先,“智能”表示以AI/ML作為核心技術(shù),用于網(wǎng)絡(luò)自身的感知、分析、最優(yōu)決策,AI技術(shù)因其具有強(qiáng)大的學(xué)習(xí)、分析和決策能力,以及分布式的網(wǎng)絡(luò)AI能力,與終端AI、云AI相互協(xié)作,實(shí)現(xiàn)全行業(yè)的智能泛在,體現(xiàn)無(wú)處不在的AI理念。其次,“內(nèi)生”意味著“與生俱來(lái)”,即在開(kāi)始設(shè)計(jì)6G網(wǎng)絡(luò)時(shí)就要支持AI應(yīng)用在網(wǎng)絡(luò)中的無(wú)縫運(yùn)行,這些AI應(yīng)用包括網(wǎng)絡(luò)自身的AI應(yīng)用以及行業(yè)AI應(yīng)用。邊緣化部署：基于服務(wù)化架構(gòu)（ServiceBaseArchitecture）的核心網(wǎng)可以支持輕量化的NFV部署，提供了按需設(shè)計(jì)的網(wǎng)絡(luò)功能滿(mǎn)足不同場(chǎng)景的移動(dòng)性，QoS相關(guān)的需求;基于新的架構(gòu)和新的功能可以根據(jù)行業(yè)場(chǎng)景靈活部署。UPF下沉混合組網(wǎng)UPF、MEC下沉至企業(yè)的工廠、園區(qū)，此方式可提供數(shù)據(jù)隔離、按需定制的5G專(zhuān)網(wǎng)服務(wù)，按需疊加行業(yè)應(yīng)用所需的5G本地網(wǎng)應(yīng)用，5G融合定位，低時(shí)延、高可靠等專(zhuān)網(wǎng)差異化增值業(yè)務(wù)。但與公網(wǎng)共用5GC控制面，信令數(shù)據(jù)、網(wǎng)絡(luò)功能等仍依賴(lài)公共網(wǎng)絡(luò)實(shí)現(xiàn)，網(wǎng)絡(luò)質(zhì)量受公網(wǎng)實(shí)時(shí)狀況影響。5GC獨(dú)立組網(wǎng)，在企業(yè)的工廠、園區(qū)下沉AMF、SMF、UDM、PCF網(wǎng)元，對(duì)于控制面完全下沉，輕量化核心網(wǎng)本地獨(dú)立新建；構(gòu)建一張?jiān)鰪?qiáng)帶寬、低時(shí)延、物理封閉的基礎(chǔ)連接網(wǎng)絡(luò)，實(shí)現(xiàn)用戶(hù)數(shù)據(jù)與公眾網(wǎng)絡(luò)數(shù)據(jù)完全隔離，且不受公眾網(wǎng)絡(luò)變化影響。UPF行業(yè)用戶(hù)專(zhuān)用獨(dú)享；數(shù)據(jù)面、信令面均與公眾網(wǎng)絡(luò)嚴(yán)格隔離；核心網(wǎng)內(nèi)的能力可更大限度地開(kāi)放給行業(yè)；可滿(mǎn)足行業(yè)更多的定制化需求；（一）邊緣智能核心網(wǎng)智能化演進(jìn)3GPP在Rel-15即予以定義了NWDAF，全稱(chēng)是網(wǎng)絡(luò)數(shù)據(jù)分析功能（NetworkDataAnalyticsFunction）,作為核心網(wǎng)絡(luò)AI+大數(shù)據(jù)引擎，它是核心網(wǎng)中的一個(gè)重要組成部分。其在核心網(wǎng)中對(duì)NF、AF、OAM收集原始數(shù)據(jù)，并對(duì)原始數(shù)據(jù)進(jìn)行智能分析，輸出分析數(shù)據(jù)給NF、AF、OAM等，用于優(yōu)化網(wǎng)絡(luò)和業(yè)務(wù)。NWDAF旨在網(wǎng)絡(luò)中簡(jiǎn)化核心網(wǎng)數(shù)據(jù)的生成和使用方式，以及生成洞察并根據(jù)這些洞察采取行動(dòng)，他負(fù)責(zé)數(shù)據(jù)分析和智能決策，以?xún)?yōu)化網(wǎng)絡(luò)性能和增強(qiáng)最終用戶(hù)體驗(yàn)。圖2.17NWDAF智能框架示意圖在Rel-18中繼續(xù)研究涉及AI在網(wǎng)絡(luò)中NWDAF的增強(qiáng)：通過(guò)聯(lián)邦學(xué)習(xí)與移動(dòng)通信技術(shù)結(jié)合，構(gòu)建面向商用的數(shù)據(jù)隱私保護(hù)方案，從而充分利用電信網(wǎng)的海量數(shù)據(jù)；在模型訓(xùn)練及推理階段，通過(guò)考慮執(zhí)行結(jié)果作為模型的輸入數(shù)據(jù)，使模型可以基于結(jié)果進(jìn)行優(yōu)化來(lái)提升模型分析準(zhǔn)確性；與網(wǎng)管域智能化分析網(wǎng)元MDAF聯(lián)動(dòng)，利用網(wǎng)管側(cè)的智能化分析結(jié)果，增加網(wǎng)絡(luò)側(cè)分析輸入信息，從而提高分析準(zhǔn)確性。NWDAF網(wǎng)絡(luò)服務(wù)特點(diǎn)：邊緣計(jì)算的核心思想是將計(jì)算任務(wù)叢云端移到離用戶(hù)更近的網(wǎng)絡(luò)邊緣,減少了數(shù)據(jù)傳輸?shù)难舆t和帶寬消耗。NWDAF具有數(shù)據(jù)采集、生成模型、智能分析等功能，它將網(wǎng)絡(luò)數(shù)據(jù)分析功能部署在網(wǎng)絡(luò)邊緣節(jié)點(diǎn)上,可以實(shí)時(shí)捕獲和分析網(wǎng)絡(luò)數(shù)據(jù),提供實(shí)時(shí)的網(wǎng)絡(luò)監(jiān)控和安全防護(hù)。它還可以從上下行帶寬、時(shí)延、抖動(dòng)等多維指標(biāo)，智能判斷用戶(hù)業(yè)務(wù)體驗(yàn)狀態(tài)，并觸發(fā)網(wǎng)絡(luò)側(cè)進(jìn)行保障。這有效減少了數(shù)據(jù)傳輸?shù)难舆t,提高了數(shù)據(jù)處理的效率。同時(shí)，在架構(gòu)上NWDAF和所有的核心網(wǎng)元進(jìn)行連接，基于標(biāo)準(zhǔn)化的服務(wù)接口，向PCF/OAM/AF提供按需、快速、精準(zhǔn)的智能分析服務(wù)，支持多場(chǎng)景靈活部署，滿(mǎn)足不同層級(jí)的應(yīng)用要求，使能網(wǎng)絡(luò)功能實(shí)體，實(shí)現(xiàn)運(yùn)營(yíng)商網(wǎng)絡(luò)低成本、高效率的智能閉環(huán)。在具體業(yè)務(wù)保障中，通過(guò)與UPF、PCF等多網(wǎng)元系統(tǒng)性協(xié)作，結(jié)合實(shí)時(shí)感知、智能識(shí)別、數(shù)據(jù)分析，構(gòu)建用戶(hù)體驗(yàn)基線，實(shí)現(xiàn)按需觸發(fā)的動(dòng)態(tài)保障機(jī)制，并為終端用戶(hù)提供有效的感知保障，實(shí)現(xiàn)數(shù)據(jù)業(yè)務(wù)體驗(yàn)保障的端到端閉環(huán)服務(wù)。NWDAF相關(guān)應(yīng)用場(chǎng)景：NWDAF是一個(gè)數(shù)據(jù)感知分析網(wǎng)元，以網(wǎng)絡(luò)數(shù)據(jù)為基礎(chǔ)對(duì)網(wǎng)絡(luò)進(jìn)行自動(dòng)感知和分析，并參與到網(wǎng)絡(luò)規(guī)劃、建設(shè)、運(yùn)維、網(wǎng)優(yōu)、運(yùn)營(yíng)全生命周期中，使得網(wǎng)絡(luò)易于維護(hù)和控制，提高網(wǎng)絡(luò)資源使用效率，提升用戶(hù)業(yè)務(wù)體驗(yàn)。NWDAF適用于各種業(yè)務(wù)場(chǎng)景,特別是對(duì)于大規(guī)模的物聯(lián)網(wǎng)和移動(dòng)互聯(lián)網(wǎng)應(yīng)用來(lái)說(shuō),具有重要意義。首先,在物聯(lián)網(wǎng)應(yīng)用中,NWDAF可以實(shí)時(shí)監(jiān)控和分析物聯(lián)網(wǎng)設(shè)備數(shù)據(jù),提供實(shí)時(shí)數(shù)據(jù)分析和決策支持。其次,在移動(dòng)互聯(lián)網(wǎng)應(yīng)用中,NWDAF可提供實(shí)時(shí)的網(wǎng)絡(luò)監(jiān)控和安全防護(hù),保護(hù)用戶(hù)的隱私和數(shù)據(jù)安全。NWDAF還可以應(yīng)用于智能交通、智能制造、智慧城市等領(lǐng)域。以下列舉了部分應(yīng)用場(chǎng)景：對(duì)網(wǎng)絡(luò)中大量數(shù)據(jù)分析處理提高系統(tǒng)效率智能數(shù)據(jù)采集：最大限度減少了訪問(wèn)/聚合云到中心位置之間的數(shù)據(jù)移動(dòng)。高效集成和測(cè)試：內(nèi)置/預(yù)先測(cè)試的NWDAF交付和不同代(2G/3G/4G/5G)之間的開(kāi)箱即用互聯(lián)功能。更簡(jiǎn)單的編排：NWDAF是云原生網(wǎng)絡(luò)功能的一部分,可以部署在同一編排流程中。終端參數(shù)的定制或優(yōu)化NWDAF數(shù)據(jù)，優(yōu)化用戶(hù)移動(dòng)性管理參數(shù)和無(wú)線資源管理參數(shù)等。業(yè)務(wù)（路徑）的優(yōu)化QoS信息、業(yè)務(wù)負(fù)荷）預(yù)測(cè)對(duì)提高車(chē)聯(lián)網(wǎng)的服務(wù)質(zhì)量有著NWDAFAFAF對(duì)業(yè)務(wù)參數(shù)的優(yōu)化QoS信息、業(yè)務(wù)負(fù)荷）預(yù)測(cè)對(duì)提高車(chē)聯(lián)網(wǎng)的服務(wù)質(zhì)量有著NWDAFAF,AIUEAI模型的應(yīng)用效果缺乏有效的驗(yàn)證和保障手段等,NWDAF難以采集有效且6G網(wǎng)絡(luò),,面對(duì)上述挑戰(zhàn),6G生智能的統(tǒng)一網(wǎng)絡(luò)架構(gòu)設(shè)計(jì),即在架構(gòu)層面將網(wǎng)絡(luò)連接與人工智能三要素中的算力、算法及數(shù)據(jù)完成深度融合,將安全、AI6G架構(gòu)中,并滲透到各領(lǐng)域、各網(wǎng)絡(luò)、各單元的全生命周期中,通過(guò)內(nèi)生設(shè)計(jì)實(shí)現(xiàn)安全、AI等核心技術(shù)能力與通信網(wǎng)絡(luò)最深程度的融合。構(gòu)建網(wǎng)絡(luò)內(nèi)完整的智能體系,從而實(shí)現(xiàn)智能服務(wù)的高效與高質(zhì)量保障。全新6G智能內(nèi)生需實(shí)現(xiàn)多方面能力:AIAI服務(wù)需要通信和計(jì)算協(xié)AIAI所需的連接和分布式計(jì)算服務(wù)、以及AI的連接和計(jì)算融合控制需求，在編排管理、控制面、用戶(hù)面三個(gè)維度實(shí)現(xiàn)計(jì)算和通信深度融合。AIAI（AI素間的交互和集成,AI運(yùn)行環(huán)境,AI工作流的高效運(yùn)轉(zhuǎn),AIAI低不準(zhǔn)確的問(wèn)題,AIAI實(shí)時(shí)性需求。,的多節(jié)點(diǎn)間智能業(yè)務(wù)協(xié)作，實(shí)現(xiàn)從單節(jié)點(diǎn)智能到分布式多節(jié)點(diǎn)智能的演進(jìn),AI計(jì)算模式造成的大量數(shù)據(jù)傳輸開(kāi)銷(xiāo),緩解數(shù)據(jù)傳輸中的數(shù)據(jù)隱私問(wèn)題。（二）邊緣智能核心網(wǎng)邊緣化部署邊緣智能核心網(wǎng)對(duì)傳統(tǒng)網(wǎng)絡(luò)架構(gòu)進(jìn)行了重構(gòu)，以網(wǎng)絡(luò)功能（NF）的方式重新定義了網(wǎng)絡(luò)實(shí)體，同時(shí)引入軟件定義網(wǎng)絡(luò)（SDN）/網(wǎng)絡(luò)功能虛擬化NF（服務(wù)提供功能實(shí)現(xiàn)并可互相調(diào)NFNF服務(wù)。NFNF服務(wù)互通的能力，并且可通過(guò)編排工具根據(jù)不同的需求進(jìn)行編排和實(shí)例化部署。AMFSMFUPFUDM5G網(wǎng)絡(luò)和多接入邊緣計(jì)算（MEC，Multi-AccessEdgeComputing）之間的MEC對(duì)算力、網(wǎng)絡(luò)傳輸?shù)囊?。在?shí)際部署時(shí)，UPF可以按照不同業(yè)務(wù)場(chǎng)景對(duì)時(shí)延、帶寬、可靠性等差異PF基于數(shù)據(jù)網(wǎng)絡(luò)標(biāo)NetworkIP降低數(shù)據(jù)轉(zhuǎn)發(fā)時(shí)延。UPF的數(shù)據(jù)QoS調(diào)度能力，滿(mǎn)足企業(yè)一定的定制化需求。圖2.185GUPF下沉邊緣部署架構(gòu)5GDNN，企業(yè)終端接入網(wǎng)絡(luò)時(shí)，基站會(huì)根據(jù)切片標(biāo)識(shí)將信令發(fā)送至DNN，將數(shù)據(jù)面承UPF上。終端發(fā)送的數(shù)據(jù)包轉(zhuǎn)發(fā)方式與混合專(zhuān)網(wǎng)一致，采取絡(luò)影響。2.195G輕量化核心網(wǎng)全下沉部署架構(gòu)品選擇權(quán)；行業(yè)對(duì)網(wǎng)絡(luò)的自主可控完全掌握在自己手中。邊緣內(nèi)生智能的關(guān)鍵技術(shù)模型輕量化近年來(lái)，隨著人工智能技術(shù)的快速發(fā)展，深度神經(jīng)網(wǎng)絡(luò)（DNN）獲得了越來(lái)越多的關(guān)注。DNN已被廣泛地應(yīng)用于各個(gè)領(lǐng)域并取得了優(yōu)異的效果，如目標(biāo)DNN的參數(shù)量日益增加，模型結(jié)構(gòu)也變得愈加復(fù)雜，這帶來(lái)了極大的存儲(chǔ)與計(jì)算資源需求。此外，隨著移動(dòng)設(shè)備的普及和邊緣計(jì)算的興起，DNN模型在邊緣DNN模型DNNDNN剪枝20903.1DNN中，由于結(jié)構(gòu)化剪枝和非結(jié)構(gòu)化剪枝兩種。3.1剪枝示意圖根據(jù)剪枝準(zhǔn)則對(duì)模型中的通道進(jìn)行重要性分析；3）根據(jù)設(shè)定的剪枝率對(duì)模型的冗余通道進(jìn)行刪減；4）對(duì)刪減后的模型進(jìn)行微調(diào)，彌補(bǔ)因剪枝引入的性能損失。剪枝中L1L2PM[][1]ClustrPunin,CP）剪枝率的選擇。Hessian[13]可以根據(jù)卷積核內(nèi)在特征找到不[14]（ShiftPruning,SP）1x13.2所示。圖3.2SP算法3x3卷積分解的示意圖知識(shí)蒸餾2015Hinton學(xué)生模型進(jìn)行模仿。3.3知識(shí)蒸餾中的師生框架3.4蒸餾的新型多尺度特征提取和融合方法使用了多尺度特征層部分，或者將早期知識(shí)轉(zhuǎn)移到后期模型。教師模型和學(xué)生模型的容量差異，出現(xiàn)了很多學(xué)生模型結(jié)構(gòu)，如：1）層模型；2）教師模型的簡(jiǎn)易量化版本；3）具有高效操作的小型模型；4）優(yōu)化的全局網(wǎng)絡(luò)結(jié)構(gòu)的小型模型；5）和教師模型一致的學(xué)生模型。通道的重建和等效刪除。3.4用于在線知識(shí)蒸餾的多尺度特征提取和融合（MFEF）示意圖量化從n位降低到m位，其中n>m，減少了模型的存儲(chǔ)開(kāi)銷(xiāo)和運(yùn)行功耗，加快3.5所示。量化用途廣泛，可以運(yùn)用于大多數(shù)的模型和硬件，untiztionetining,（Postiningquntiztion,PTQ）。涉及對(duì)神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行量化，然后重新訓(xùn)練它，可以使它能根PTQ。步驟一般如下：量化權(quán)重；使用浮點(diǎn)輸入和激活對(duì)模型執(zhí)行前向訓(xùn)練；使用浮點(diǎn)梯度對(duì)量化模型執(zhí)行后向傳遞；使用浮點(diǎn)梯度更新權(quán)重，然后返回步驟(1)。當(dāng)訓(xùn)練數(shù)據(jù)不可用時(shí)，則采用訓(xùn)練后量化方法。PTQ利用校準(zhǔn)數(shù)據(jù)對(duì)預(yù)訓(xùn)量化，但這通常會(huì)以犧牲可實(shí)現(xiàn)的精度為代價(jià)，因?yàn)橹辽傩枰?位數(shù)據(jù)進(jìn)行存儲(chǔ)。圖3.5量化感知訓(xùn)練（QAT）和訓(xùn)練后量化（PTQ）的流程圖NAS神經(jīng)架構(gòu)搜索（NeuralArchitectureSearch,NAS）是一種模型壓縮技術(shù)，旨3.6所示。NAS的目標(biāo)是通過(guò)到更高的效率和性能。NAS的三個(gè)重要方面為搜索空間、搜索策略和性能評(píng)估策略。NAS的搜索效率和結(jié)果。在特定任務(wù)中，人們可以利用先驗(yàn)知識(shí)來(lái)減少搜索空間的大小和簡(jiǎn)化搜索，如具有ResNet和InceptionNAS-Bench-101NASNAS算法可以找出最佳結(jié)構(gòu)，但算法運(yùn)行時(shí)間會(huì)過(guò)長(zhǎng)。(RL)和基于梯度性能評(píng)估指標(biāo)是幫助NAS在搜索空間找到性能更優(yōu)的結(jié)構(gòu)。正常模型訓(xùn)練3.6神經(jīng)架構(gòu)搜索框架圖參考文獻(xiàn)Niu,ZouandLiu,“Cluster,ReconstructandPrune:EquivalentFilterPruningforCNNswithoutFine-Tuning,”2023IEEESymposiumonComputersandCommunications(ISCC),Gammarth,Tunisia,2023,pp.625-630.Pruning-and-distillation:One-stagejointcompressionframeworkforCNNsviaclustering.Liu,andNiu,“SplittablePattern-SpecificPruningforDeepNeuralNetworks,”2023IEEEInternationalConferenceonMultimediaandExpo(ICME),Brisbane,Australia,2023,pp.1439-1444.ShiftPruning:EquivalentPruningforCNNviaDifferentiableShiftOperator.Multi-scaleFeatureExtractionandFusionforOnlineKnowledgeDistillation.邊云協(xié)同智能聯(lián)邦學(xué)習(xí)聯(lián)邦學(xué)習(xí)(FederatedLearning,FL)是一種機(jī)器學(xué)習(xí)的分布式學(xué)習(xí)方法，其主要特點(diǎn)是在不集中存儲(chǔ)數(shù)據(jù)的情況下進(jìn)行模型訓(xùn)練[16]3.7式學(xué)習(xí)中涉及大量敏感信息的隱私問(wèn)題。整個(gè)聯(lián)邦學(xué)習(xí)的訓(xùn)練過(guò)程通常包括以下步驟：初始化：全局模型在聯(lián)邦學(xué)習(xí)開(kāi)始時(shí)由一個(gè)中央服務(wù)器初始化。本地訓(xùn)練：訓(xùn)練是在本地進(jìn)行的，不涉及對(duì)中央服務(wù)器的通信。模型更新：在本地訓(xùn)練后，本地設(shè)備生成模型參數(shù)的更新。同步聚合：參數(shù)的聚合操作，例如加權(quán)平均，以生成全局模型的新版本。迭代上述步驟在多個(gè)迭代中重復(fù)進(jìn)行，直到達(dá)到滿(mǎn)意的模型性能。圖3.7聯(lián)邦學(xué)習(xí)訓(xùn)練框架低通信成本，但它也面臨一些挑戰(zhàn)。以下是一些聯(lián)邦學(xué)習(xí)的挑戰(zhàn)。數(shù)據(jù)異構(gòu)性：不同（non-IID）時(shí)，這一問(wèn)題變得更為嚴(yán)重。實(shí)際上，由于有限的觀測(cè)能力，邦學(xué)習(xí)部署在實(shí)際物聯(lián)網(wǎng)環(huán)境的瓶頸。隱私保護(hù)：聯(lián)邦學(xué)習(xí)的一個(gè)主要目標(biāo)是在不共享原始數(shù)據(jù)的情況下進(jìn)戰(zhàn)。設(shè)計(jì)有效的隱私保護(hù)機(jī)制對(duì)于用戶(hù)的信任至關(guān)重要。通信開(kāi)銷(xiāo)：實(shí)用性至關(guān)重要。激勵(lì)機(jī)制：與聯(lián)邦學(xué)習(xí)，需要引入適當(dāng)?shù)募?lì)機(jī)制。聯(lián)邦學(xué)習(xí)在邊緣智能中發(fā)揮著重要作用，將在3.3節(jié)中進(jìn)行詳細(xì)介紹。分割學(xué)習(xí)（也叫切割層3.83.8分割學(xué)習(xí)示意圖和時(shí)延，可以采用以下方式實(shí)現(xiàn)并行分割學(xué)習(xí)：模型更新；證能利用到其他客戶(hù)的數(shù)據(jù)；的優(yōu)點(diǎn)。行，即“先并行后串行”。壓縮減少傳輸中間數(shù)據(jù)。由于深度神經(jīng)網(wǎng)絡(luò)(DeepNeuralNetwork,DNN)是計(jì)算密集且結(jié)構(gòu)復(fù)雜的，DNN模型直接部署在終端設(shè)備上將消耗大量的計(jì)算資源和內(nèi)存，傳統(tǒng)的方法是DNN應(yīng)用數(shù)據(jù)在帶給服源短缺之間的矛盾，一種可行的方案是將DNN進(jìn)行模型分割和分區(qū)處理目前，模型分割的方法主要分為兩種：基于層粒度的分割和細(xì)粒度的分割方案。一部分部署在終端設(shè)備，另一部分傳輸至附近的具有較強(qiáng)計(jì)算能力的邊緣服務(wù)DNN3.9所示，當(dāng)退出點(diǎn)向后移動(dòng)時(shí)，每個(gè)分DNNDNN任務(wù)的適當(dāng)部3.9具有不同推理精度的多分支早退網(wǎng)絡(luò)結(jié)構(gòu)3.10(a)所示，基于工作負(fù)載分割的方案將輸入數(shù)據(jù)進(jìn)行按行分割并部3.10(b)所示，由于神經(jīng)網(wǎng)絡(luò)中卷積計(jì)算的獨(dú)立（Kernel-basedPartitionMethod,將每一層的卷積協(xié)作設(shè)備將各自推理運(yùn)算得到的相應(yīng)輸出特征圖通過(guò)多播的方式發(fā)送給其他協(xié)作設(shè)備進(jìn)行數(shù)據(jù)聚合，以保證在下一次卷積之前每個(gè)設(shè)備擁有完整的輸入數(shù)據(jù)/特征圖。由于每個(gè)協(xié)作節(jié)點(diǎn)只生成部分特征圖信息，KPM保證了敏感數(shù)據(jù)的隱KPMKPM在減小單設(shè)備能夠成為一種具有潛力的分割卸載方案。3.10工作負(fù)載分割方案和卷積核分割方案參考文獻(xiàn)G.Hu,N.andR.“ClusteredDataSharingforNon-IIDFederatedLearningoverWirelessNetworks,”ICC2023-IEEEInternationalConferenceonCommunications,Rome,2023,pp.1175-1180.Niu,Z.HanandZou,“AnAdaptiveDevice-EdgeCo-InferenceFrameworkBasedonSoftActor-Critic,”2022IEEECommunicationsandNetworkingConference(WCNC),Austin,TX,USA,2022,pp.2571-2576.X.Zhang,N.B.SunandG.Hu,“AcceleratingDeepNeuralNetworkThroughEdge-DeviceAdaptiveInference,”2023IEEE34thAnnualInternationalSymposiumonPersonal,IndoorandMobileRadioCommunications(PIMRC),ON,Canada,2023,pp.1-6.無(wú)線聯(lián)邦學(xué)習(xí)中的邊緣智能無(wú)線聯(lián)邦學(xué)習(xí)（一）無(wú)線聯(lián)邦學(xué)習(xí)概述（Machine（ArtificialIntelligence,AI）技術(shù)正在快速發(fā)展，但將其應(yīng)用于實(shí)際生產(chǎn)環(huán)節(jié)卻還面臨諸多ML“數(shù)據(jù)孤島”數(shù)據(jù)保護(hù)法規(guī)（GeneralDataProtectionRegulation,GDPR）[19]20185120203月份便對(duì)規(guī)范進(jìn)行更新和加強(qiáng)[20]。因此，即便企業(yè)主觀上有數(shù)據(jù)在消費(fèi)、醫(yī)療、金融等邊緣智能布局和應(yīng)用的重點(diǎn)領(lǐng)域。為了解決智能和隱私之間的矛盾，聯(lián)邦學(xué)習(xí)（FederatedLearning,FL）的概2017年左右應(yīng)運(yùn)而生[21]MLFLML訓(xùn)練的思路，不再?gòu)挠脩?hù)處收集數(shù)據(jù)，而是將模型發(fā)送到用ML共享數(shù)據(jù)。圖3.11聯(lián)邦學(xué)習(xí)的基本流程FL3.11邊緣或云服務(wù)器統(tǒng)籌和調(diào)度若干根據(jù)數(shù)據(jù)分布特征的不同，可將FL細(xì)分為橫向聯(lián)邦學(xué)習(xí)（HorizontalFL,HFL）、縱向聯(lián)邦學(xué)習(xí)FLVFL）和遷移聯(lián)邦學(xué)習(xí)（TransferFLTFL）三種類(lèi)型[22]（特征VFL指的是用戶(hù)本身重疊較多，但不同節(jié)點(diǎn)的數(shù)據(jù)類(lèi)型（特征）卻有明顯區(qū)別的情況，例如相同地區(qū)的兩家企業(yè)，則FLHFLHFL目HFL技術(shù)展開(kāi)討論?！奥?lián)邦這種聯(lián)合在未來(lái)“萬(wàn)物智聯(lián)”時(shí)代將會(huì)下沉到規(guī)模更大、分布更廣的用戶(hù)終端級(jí)FL,WFL），該技術(shù)將是未來(lái)邊緣智能系統(tǒng)中的一個(gè)關(guān)鍵使能技術(shù)。（二）無(wú)線聯(lián)邦學(xué)習(xí)與邊緣智能邊緣智能（EdgeIntelligence,EI）的核心訴求是將智能化下沉到邊緣，也即ML構(gòu)造隨時(shí)接入、廣域覆蓋的個(gè)性化智能服務(wù)。EI的關(guān)鍵環(huán)節(jié)，和利用；另一方面，F(xiàn)L訓(xùn)練過(guò)程需要消耗大量的資源，如何合理地安排用戶(hù)接智能模型的快速收斂是發(fā)展邊緣智能需要考慮的重要因素。聯(lián)邦學(xué)習(xí)中的模型稀疏化（一）模型稀疏化概述（StochasticGradientDescent,或其變種是目前DNNFL新的傳輸很多時(shí)候可以在不過(guò)度影響模型收斂的前提下降低通信量，這便是模型稀疏化的主要?jiǎng)訖C(jī)?？偟膩?lái)說(shuō)，模型稀疏化指的是選擇性地傳輸部分模型參數(shù)，以降低需要傳輸?shù)哪Ｐ蛥?shù)個(gè)數(shù)/維度，從而降低模型傳輸?shù)拈_(kāi)銷(xiāo)。（二）模型稀疏化的基本流程3.12模型稀疏化的基本流程圖3.12展示了模型稀疏化的基本流程，主要包括如下四個(gè)步驟：確定模型稀疏化的預(yù)算確定模型稀疏化的圖案kk稀疏（Rand稀疏k稀疏則是隨機(jī)地k稀疏無(wú)需對(duì)參數(shù)進(jìn)行排序，計(jì)算開(kāi)銷(xiāo)較小，且在理論分析上具有統(tǒng)計(jì)無(wú)偏的優(yōu)勢(shì)，但由于不考慮參數(shù)重要性的差異，通常會(huì)導(dǎo)致收斂速度有明顯下降。存儲(chǔ)模型稀疏化的誤差并傳輸，則避免了通信資源的浪費(fèi)。傳輸模型稀疏化的結(jié)果（也稱(chēng)索引RandRandRand稀疏。（三）模型稀疏化的效果[23]Dense-SGD1/1000的參數(shù)，通信開(kāi)銷(xiāo)大幅降低；同時(shí)可以看到，基RandRandK-SGD的收斂效果較差一些。因此，在實(shí)際應(yīng)用中通常采稀疏，該方案對(duì)收斂速度的影響較小。(b)ResNet-20@CIFAR-103.13模型稀疏化的實(shí)驗(yàn)效果聯(lián)邦學(xué)習(xí)的模型量化（一）模型量化概述ML1632位的浮點(diǎn)數(shù)進(jìn)行ML中已被廣泛用于構(gòu)建輕量級(jí)網(wǎng)絡(luò)模FL而言其更有必要性和可行性。如前所述，F(xiàn)LSGD及其（二）模型量化的基本流程圖3.14模型量化的基本流程圖3.14展示了模型量化的基本流程，主要包括如下三個(gè)步驟：確定量化參數(shù)模型量化——距離/最小值。以上三個(gè)步驟均在發(fā)射端完成。模型解量化2（三）模型量化的效果[24]3.15（IndependentandIdenticallyDistributed,都能在較低量MNIST1-bit。

(aCNN@MNIST（IID） (b)CNN@F-EMNIST（IID）3.15模型稀疏化的實(shí)驗(yàn)效果Tikkinen-PiriC,RohunenA,MarkkulaJ.EUGeneralDataProtectionRegulation:Changesandimplicationsforpersonaldatacollectingcompanies[J].ComputerLaw&Security2018,34(1):134–153.洪延青,何延哲,楊建軍等.信息安全技術(shù)個(gè)人信息安全規(guī)范[S].國(guó)家市場(chǎng)監(jiān)督管理總局;國(guó)家標(biāo)準(zhǔn)化管理委員會(huì).北京:中國(guó)質(zhì)檢出版社,2020:1–36[2020-03-06].McMahanB,MooreE,RamageD,etal.Communication-efficientlearningofdeepnetworksfromdecentralizeddata[C]//ArtificialIntelligenceandStatistics.2017:1273–1282.HowardAG,ZhuM,ChenB,etal.MobileNets:Efficientconvolutionalneuralnetworksformobilevisionapplications[J].arXivpreprintarXiv:1704.04861,2017.ShiS,ChuX,CheungKC,etal.Understandingtop-ksparsificationindistributeddeeplearning[J].arXivpreprintarXiv:1911.08772,2019.ZhengS,ShenC,ChenX.,Designandanalysisofuplinkanddownlinkcommunicationsforfederatedlearning[J].IEEEJournalonSelectedAreasinCommunications,2020,39(7):2150-2167.邊緣智能化部署無(wú)線側(cè)智能化驅(qū)動(dòng)力移動(dòng)通信產(chǎn)業(yè)是構(gòu)建國(guó)家信息基礎(chǔ)設(shè)施、全面支撐經(jīng)濟(jì)社會(huì)發(fā)展的戰(zhàn)略性、5G6G網(wǎng)絡(luò)將在5GAI能力賦予到各個(gè)領(lǐng)域的應(yīng)用。無(wú)線側(cè)引入智能化的驅(qū)動(dòng)力一方面來(lái)自于無(wú)線網(wǎng)絡(luò)自身需求：5GAIAI6G構(gòu)還將降低數(shù)據(jù)收集、傳輸過(guò)程造成的時(shí)延和信息泄露隱患。智能化部署5G6G無(wú)線網(wǎng)絡(luò)的運(yùn)行提供了許多潛在的功能增強(qiáng)，是無(wú)線3.16AI，如智能編排等已進(jìn)行部AIRIS等受算力及效果的限制，還處于研究探索階段。下面將從技術(shù)演進(jìn)及模型分級(jí)部署兩方面介紹網(wǎng)絡(luò)智能化演進(jìn)情況。圖3.16無(wú)線側(cè)智能化部署架構(gòu)(一)網(wǎng)絡(luò)智能化技術(shù)演進(jìn)特征AIforNETNETforAI的階段轉(zhuǎn)功能、協(xié)議和流程進(jìn)行深度融合設(shè)計(jì)。6GAIAIAI能力按需編排，為高水平網(wǎng)絡(luò)自治和多樣化業(yè)務(wù)需求提供智能化所需的基礎(chǔ)能力。6G無(wú)線網(wǎng)絡(luò)將向云化與分布式的方向發(fā)展，需要考慮分布式網(wǎng)元節(jié)點(diǎn)間多維異構(gòu)資源的協(xié)調(diào)以及智能服務(wù)對(duì)性能的差異化需求。6G網(wǎng)絡(luò)中智能服務(wù)的質(zhì)量，需要綜合考慮智能服務(wù)對(duì)通信、計(jì)算、數(shù)據(jù)和存儲(chǔ)資源的不同需求。（二）網(wǎng)絡(luò)智能化模型分級(jí)部署AI簡(jiǎn)單分為模型訓(xùn)練和AI同的應(yīng)用案例和場(chǎng)景。5G基站側(cè)只支持小模型的推理，隨著基站算力的增強(qiáng)、基站云化技術(shù)6GAIAIMECOSS。在網(wǎng)管應(yīng)用域網(wǎng)管設(shè)備已為通用服務(wù)器，可擴(kuò)展性強(qiáng)，數(shù)據(jù)采集>15min時(shí)延，支持非實(shí)時(shí)智能化預(yù)測(cè)分析，具備大模型訓(xùn)練能力。在邊緣云資源域?qū)用鍹EC具備中模型訓(xùn)練能力，支持大中模型推理。AI加速芯片的異構(gòu)資源，支持實(shí)時(shí)智能化預(yù)測(cè)分析。但基站算力資源有限，只具備小模型訓(xùn)練及小、中模型推理能力。（三）智能化網(wǎng)絡(luò)資源編排6G將是一個(gè)多元化的網(wǎng)絡(luò)：網(wǎng)絡(luò)層面，組網(wǎng)更多、頻段更復(fù)雜，且可能需5G/4G多個(gè)頻段密切協(xié)同；業(yè)務(wù)層面，應(yīng)用場(chǎng)景更多且需求差異巨大，對(duì)76G在巨大的“剪刀差”。“網(wǎng)絡(luò)為中心”KPI為目標(biāo)；承載在相同承載中的不同數(shù)據(jù)業(yè)務(wù)沒(méi)有被區(qū)6G用戶(hù)體驗(yàn)。最優(yōu)解實(shí)現(xiàn)網(wǎng)絡(luò)編排。用“用戶(hù)智能編排”2C業(yè)務(wù)場(chǎng)景，證明了用戶(hù)智能編排方案能夠?qū)崿F(xiàn)多種業(yè)務(wù)的精準(zhǔn)編排和導(dǎo)引，高清直播等大上行業(yè)務(wù)全程無(wú)卡頓，可實(shí)現(xiàn)增益：8%~25%；1.65s“體驗(yàn)差”態(tài)的停留時(shí)間；30%以上。圖3.17分級(jí)智能化部署示意圖算力部署MEC時(shí)性越好，可根據(jù)應(yīng)用、業(yè)務(wù)和算法對(duì)時(shí)延的需求選擇合適位置的算力節(jié)點(diǎn)。MR環(huán)境數(shù)據(jù)等，作為模型訓(xùn)練的輸入，因此一般部署在網(wǎng)管側(cè)。AI應(yīng)用，算力主要部署CPUGPUASICFPGA件架構(gòu)基站在應(yīng)對(duì)實(shí)時(shí)性要求高的計(jì)算時(shí)可采用CPU疊加GPU、ASIC、FPGA等專(zhuān)用芯片加速，實(shí)時(shí)性要求低的計(jì)算可通過(guò)疊加服務(wù)器的方式進(jìn)行部署。圖3.18分布式算力部署示意圖深度邊緣節(jié)點(diǎn)6G新場(chǎng)景和新業(yè)務(wù)的提出，對(duì)網(wǎng)絡(luò)提出了按需定制和快速響應(yīng)的要求，深6G6G智能、數(shù)據(jù)、網(wǎng)絡(luò)等多種形態(tài)的業(yè)務(wù)能力。深度邊緣節(jié)點(diǎn)的“深度”包含了兩方面的含義，第一，“深度”代表節(jié)點(diǎn)物理上6G深度”6G錨點(diǎn)。6G本和安全風(fēng)險(xiǎn)，進(jìn)而提高相關(guān)業(yè)務(wù)的效率。3.19深度邊緣節(jié)點(diǎn)架構(gòu)3.19為深度邊緣節(jié)點(diǎn)架構(gòu)，該架構(gòu)包括了基礎(chǔ)設(shè)施層、可編程資源池、CPUGPUDPUASICAI模型資AIAI的生命周AI算法針對(duì)網(wǎng)絡(luò)自由化和網(wǎng)絡(luò)場(chǎng)景的支持，算力編排器針對(duì)深度節(jié)點(diǎn)內(nèi)的AI能力。深度邊緣節(jié)點(diǎn)的無(wú)線網(wǎng)絡(luò)可編程6G研究的重要技術(shù)手段。應(yīng)用無(wú)線網(wǎng)絡(luò)可編程技術(shù)，能夠在消除網(wǎng)絡(luò)差異性的基礎(chǔ)上，算力、數(shù)據(jù)和智能多維度資源的編程，實(shí)現(xiàn)網(wǎng)絡(luò)的高效運(yùn)轉(zhuǎn)。點(diǎn)內(nèi)策略、算法等的靈活嵌入等操作。AI推理模型嵌入深度邊緣節(jié)點(diǎn)，實(shí)現(xiàn)智能內(nèi)生。6G深度邊緣節(jié)點(diǎn)的核心主要包括可編程作用域、可編API設(shè)計(jì)將是最終智能可編程網(wǎng)絡(luò)呈深度邊緣節(jié)點(diǎn)的網(wǎng)元融合6G網(wǎng)絡(luò)旨在進(jìn)一步提升移動(dòng)通信性能、功能和應(yīng)用范圍，為未來(lái)的數(shù)字社高效的方式支持差異化的應(yīng)用需求。特別是針對(duì)行業(yè)應(yīng)用，如數(shù)據(jù)業(yè)務(wù)/網(wǎng)絡(luò)控制信令不出園區(qū)、輕量級(jí)網(wǎng)絡(luò)部署等，核心網(wǎng)（CN）部分功能（如用戶(hù)面功能和控制面某些功能）將下沉至邊緣側(cè)，實(shí)現(xiàn)分布式部署，以保障時(shí)延、吞吐量、安全等具體指標(biāo)。進(jìn)一步，可考慮CN與無(wú)線接入網(wǎng)（RAN）融合，有助于提升系統(tǒng)性能和資源利用，降低網(wǎng)絡(luò)復(fù)雜度和成本，減少不必要的轉(zhuǎn)發(fā)及處理。RAN-CN融合包含兩個(gè)層次：1-部署方面：即在物理位置層面的共部署，RANCN內(nèi)部處理邏輯相對(duì)獨(dú)立。2-功能方面：RANCN的邏輯功能和對(duì)應(yīng)資源重構(gòu)，以降低信令新興技術(shù)和應(yīng)用提供更好的支持。驅(qū)動(dòng)力分析：RAN-CN構(gòu)的未來(lái)演進(jìn)需求。首先，現(xiàn)有架構(gòu)存在下述問(wèn)題：RANCNN2N3的交互，當(dāng)前的架構(gòu)形態(tài)和交互模式無(wú)法充分利用網(wǎng)絡(luò)虛擬化和云化的優(yōu)勢(shì)。CNRANCN頻進(jìn)并不友好。單點(diǎn)轉(zhuǎn)發(fā)等導(dǎo)致的效率問(wèn)題：UECN各網(wǎng)元交互的控制信息必須要通過(guò)CU-CPAMF此外，未來(lái)網(wǎng)絡(luò)演進(jìn)需求如下：性能指標(biāo)提升（如超高可靠、超低時(shí)延）RAN/CN協(xié)同或重構(gòu)：如在確定性網(wǎng)絡(luò)中需要跨域協(xié)同和調(diào)度，來(lái)保障端到端的確定性服務(wù)。RAN通過(guò)與CN可實(shí)現(xiàn)面向6G的RAN（如通過(guò)NWDAF或其增強(qiáng)功能實(shí)現(xiàn)RAN網(wǎng)絡(luò)智能）。RAN-CN2B“疊式”的網(wǎng)絡(luò)設(shè)計(jì)，進(jìn)行網(wǎng)絡(luò)功能架構(gòu)和流程的簡(jiǎn)化，有助于降低網(wǎng)絡(luò)成本和功耗，實(shí)現(xiàn)資源高效利用和處理效率提升。用例場(chǎng)景分析：融合實(shí)現(xiàn)更高效簡(jiǎn)潔的網(wǎng)絡(luò)能力提供，同時(shí)保障網(wǎng)絡(luò)性能。邊緣移動(dòng)性：自動(dòng)駕駛/車(chē)輛網(wǎng)/智能交通、工業(yè)物聯(lián)網(wǎng)、飛行器、移動(dòng)游戲移，考慮移動(dòng)性管理功能重構(gòu)，簡(jiǎn)化功能和信令傳輸。降低延遲、提高應(yīng)用的響應(yīng)速度和用戶(hù)體驗(yàn)。要網(wǎng)絡(luò)提供海量設(shè)備接入能力，對(duì)網(wǎng)絡(luò)架構(gòu)簡(jiǎn)化提出了需求。和及時(shí)的數(shù)據(jù)傳輸。潛在融合功能分析：會(huì)話管理功能：PDU會(huì)話建立過(guò)程為例，RANPDU會(huì)話和對(duì)QoSUuNG-UUESMF則需UPFRANUESMF的信令交互RANAMFRANCN會(huì)話管理相關(guān)功能可考慮重構(gòu)和融合。狀態(tài)管理功能：CNCMRANRRC狀態(tài)存在耦合關(guān)系（例RRC狀態(tài)為IdleUERAN的連接未建立，則無(wú)法進(jìn)入CM-Connected），狀態(tài)管理的復(fù)雜度、開(kāi)銷(xiāo)較大。因此RANCN狀態(tài)管理相關(guān)的功能可進(jìn)行重構(gòu)和融合，簡(jiǎn)化網(wǎng)絡(luò)狀態(tài)管理。移動(dòng)性管理：Xn/N2RANCN配合AMFSMFUPF也需要提供中繼功能，區(qū)更新和尋呼，根據(jù)UE的狀態(tài)不同，可能涉及不同的區(qū)域更新（更新/RAN通知區(qū)域更新（CN觸發(fā)/RAN觸發(fā)定冗余，較為復(fù)雜。RAN/CN相關(guān)功能的融合可簡(jiǎn)化流程和內(nèi)部處理。深度邊緣節(jié)點(diǎn)的跨域AI設(shè)計(jì)當(dāng)前無(wú)線接入網(wǎng)與核心網(wǎng)均采用集中式的外掛AIAIAI缺乏協(xié)同，僅能支持特定的智能化場(chǎng)景。隨著智能化場(chǎng)景的不斷AI3.20AI協(xié)同架構(gòu)及潛RAN-CNRAN和CN域的AIN2RAN非實(shí)時(shí)智能控制器、CN和智能化服務(wù)。3.20AI協(xié)同架構(gòu)及路徑RAN-CN融合：RAN的協(xié)作是實(shí)現(xiàn)各種具有不同需求的人工智能用例QoSCNRANRANCN架構(gòu)對(duì)N2接口連CNAMFRANNWDAF之間的控制數(shù)NWDAF的交互。此外，考慮到分布式智能部署，RANCN的智能功能在物理上是緊密相連的，為兩者之間的邏輯功能進(jìn)RAN-CN的協(xié)作/融合以實(shí)現(xiàn)內(nèi)生AI，需要考慮以下幾個(gè)方面:考慮協(xié)作/RANCN型、算法等的共享和協(xié)調(diào)的具體協(xié)作/融合功能。確定協(xié)作/RANRAN-CN的協(xié)作/探索數(shù)據(jù)安全和隱私保護(hù)的考慮。RAN-CN的協(xié)作/融合涉及廣泛的數(shù)據(jù)共制和隱私保護(hù)策略來(lái)保護(hù)用戶(hù)數(shù)據(jù)和網(wǎng)絡(luò)信息的機(jī)密性和完整性?？缬蛑悄芄芾碛蚓幣牛篈I協(xié)同能力，需要進(jìn)一步增強(qiáng)運(yùn)營(yíng)管理域功能，提AIAIAIAIAI算力資源。AI的管理和編排。管理系統(tǒng)需要具備從不同網(wǎng)絡(luò)域獲取AI信息以及將其開(kāi)放給其他域的能力。AI編排能力，例如跨域的數(shù)據(jù)整理和映射、人工智能任務(wù)的識(shí)別和分解、計(jì)算節(jié)點(diǎn)的匹配等。AI生命周期管理能力。除了數(shù)據(jù)收集、模型訓(xùn)練和推理之估和模型更新等過(guò)程。管理系統(tǒng)需要支持跨域的分布式學(xué)習(xí)，例如管理垂直聯(lián)邦學(xué)習(xí)的訓(xùn)練和推理。解決能力和閉環(huán)控制能力。邊緣內(nèi)生智能應(yīng)用智慧交通智慧交通邊緣計(jì)算系統(tǒng)概述性的要求。智慧交通計(jì)算系統(tǒng)通常由以下幾個(gè)組成部分構(gòu)成：在本地進(jìn)行數(shù)據(jù)處理、分析和決策（如信號(hào)燈、攝像頭、傳感器等）?；镜任恢?，以便快速處理和響應(yīng)交通事件和需求。協(xié)同工作，進(jìn)行實(shí)時(shí)數(shù)據(jù)處理和決策。從邊緣傳輸?shù)街行?，以供進(jìn)一步的處理和分析。數(shù)據(jù)交互，提供更深入的交通管理和決策支持。智慧交通邊緣計(jì)算類(lèi)型21TOPS、32TOPS、100TOPS、200TOPS、250TOPS幾種規(guī)格。智慧交通邊緣計(jì)算常見(jiàn)的兩種結(jié)構(gòu)如下:區(qū)域邊緣計(jì)算獨(dú)立對(duì)路側(cè)感知數(shù)據(jù)進(jìn)行集中運(yùn)算，此方案不需要路側(cè)GPU形式部署于機(jī)房。域邊緣計(jì)算與路側(cè)邊緣計(jì)算進(jìn)行分級(jí)部署，路側(cè)邊緣計(jì)算對(duì)路側(cè)原始AI分析處理后，將結(jié)構(gòu)化數(shù)據(jù)回傳至區(qū)域邊緣計(jì)算，區(qū)域邊緣計(jì)GPU能力要求不高，對(duì)融合算法能力要求較高。智能交通邊緣計(jì)算硬件設(shè)施常用規(guī)格：產(chǎn)品類(lèi)型服務(wù)器服務(wù)器X86工控機(jī)ARM工控機(jī)ARM工控機(jī)ARM工控機(jī)處理器服務(wù)器搭載大算力GPU服務(wù)器搭載大算力GPU工控機(jī)搭載大算力GPUNvidia AGXOrinNVIDIA OrinNX16GBNvidia AGXXavierCPUIntel Gold 521816C*2Intel Silver 421616C*28核12-CoreNVIDIAARM A78AE 64-BitCPU8 核 Cortex?-A78AEv8.264位CPU8-CoreCarmelARMV8.264-BitCPU內(nèi)存32GB*432GB*432G32GB LPDDR516GB LPDDR532GB LPDDR4x存儲(chǔ)2BSS展1.2TBSAS擴(kuò)展11TB1TB1TB算力1000TOPS500TOPS250TOPS力）力）32TOPS最大功耗1200W900W245W50W25W30W工作溫度室溫室溫-20~55℃-25°C ~ -20°C ~ -25°C~ （（65℃~80℃降頻（60℃~70℃降頻（60℃~80℃行）運(yùn)行）運(yùn)行）頻運(yùn)行）智能交通邊緣計(jì)算硬件設(shè)施基本能力：功能模塊詳細(xì)功能設(shè)備運(yùn)維管理支持邊緣計(jì)算設(shè)備注冊(cè)遠(yuǎn)程開(kāi)關(guān)機(jī)參數(shù)配置與查詢(xún)支持設(shè)備遠(yuǎn)程重啟及軟件升級(jí)運(yùn)維管