毛片网站在线观看-毛片网站在线-毛片网站有哪些-毛片网站视频-女生脱衣服app-女色综合

北京郵電大學信息與通信工程學院唐子豪，馬文龍，許方敏，趙成林

1　引言

隨著工業4.0的興起，工業生產正朝著智能化和自動化的方向快速發展。作為支撐這一轉型的關鍵技術，云邊協同網絡通過結合云計算與邊緣計算的優勢，實現了數據處理的高效與實時性，極大地提升了工業生產的靈活性和可靠性。本綜述探討了云邊協同網絡在工業生產中的應用現狀，提出了確定性云邊協同架構，調研了其中的關鍵技術，并討論了其在實施過程中所面臨的挑戰與未來的發展方向。

2　云邊協同網絡概述

邊緣計算作為繼云計算后的新型計算范式，其核心思想是將計算和存儲資源從數據中心遷移至網絡邊緣，以滿足工業場景對實時性、低延遲和高可靠性的需求。在智能制造、工業物聯網等應用中，邊緣計算通過實時處理任務、減輕網絡負載和提升安全性，逐漸成為支撐工業互聯網的關鍵技術。

盡管邊緣計算將云計算功能延伸到了網絡邊緣，支持低時延、位置感知和高質量服務（QoS），但在工業生產中，設備和傳感器產生的巨大數據量和邊緣計算單元有限的資源成為了難以避免的矛盾。此外，邊緣節點的異構性導致了節點容量、速度、響應時間和能耗等差異，影響服務質量和可靠性^[1]。例如，某些工業任務需毫秒級響應，而其他復雜任務需長時間計算，這要求節點具備不同處理能力。為實現高效的數據處理和資源利用，合理使用云邊協同的計算模式得到了大量研究者的關注。

在工業生產中，云邊協同通過合理分配計算任務，可以有效滿足不同的時延要求。例如，在智能工廠中，邊緣計算處理設備的實時監控和故障預警，云端則進行長期數據分析和預測，優化生產流程。這種模式下，設備數據傳輸至邊緣進行實時計算，復雜任務交給云處理，最終結果反饋給邊緣，再輸出到終端，如圖1所示^[2]。

圖1 云邊協同架構示意圖

在云邊協同的過程中，邊緣計算處理實時數據，并為云端提供關鍵信息；而云計算則處理非實時、長周期的數據，并負責邊緣應用的全生命周期管理^[3]，其關鍵在于資源、業務、服務、數據等層面的協同。在智能制造過程中，通過資源協同，可以有效調度邊緣計算單元的計算資源，確保生產過程中的實時任務得到及時處理，同時也能優化云端的數據分析任務，以提高整體生產效率；應用協同通過統一接入、分布式部署和生命周期管理，涉及云、邊、管、端等各個層面，確保系統的高效運作，提升生產線的可靠性和響應能力；服務協同為工業應用的構建提供靈活的對接機制，能夠快速適應生產環境中的變化需求，如實時產量調度、設備狀態監測等^[4]。

3　面向工業生產的確定性云邊協同網絡架構

確定性云邊協同網絡在實現了工業設備、邊緣計算和云計算之間的高效協同的基礎上融入了確定性網絡，借助確定性網絡的特殊流確定性服務保障機制，完成關鍵任務流的確定性傳輸。其架構如圖2所示，從底層到頂層分為三層：工業基礎設備層、確定性云邊協同層管控、云邊協同工業應用層^[5]。

圖2 確定性云邊協同網絡架構

最底層的工業基礎設備層包括傳感器、控制器、工業機器人和生產設備等，這些設備直接參與工業生產過程，產生大量實時數據。這些數據通過確定性云邊協同管控層的處理和分析，反饋到云邊協同工業應用層，支持智能制造和遠程控制等應用的實現。

中間的確定性云邊協同管控層實現了工業確定性算力網絡和云平臺層的協同工作。工業確定性算力網絡負責算力感知、資源管理、資源預留、任務調度、路徑規劃、服務保障、時間同步和傳輸控制等功能，確保網絡的確定性和可靠性。其通過與云服務器、云管理平臺和數據倉庫的協同，實現資源的高效管理和任務的精確調度。其中的邊緣計算層由邊緣服務器、邊緣節點和本地存儲設備組成，負責處理靠近數據源的計算任務，減少數據傳輸到云端的延遲，提高響應速度。邊緣計算層與云平臺層和確定性云邊協同管控層的協同工作，實現了數據的本地處理和快速響應，同時也減輕了云端的計算壓力。

最上層的應用層支持工業APP、遠程控制、監控平臺和預測分析等智能應用。這些應用利用云計算的強大處理能力，實現復雜的數據分析和智能決策支持。云平臺層作為架構的核心，由云服務器、云管理平臺和數據倉庫組成，負責提供計算資源、數據存儲和管理服務。云服務器提供必要的計算資源，云管理平臺負責資源的分配和管理，而數據倉庫則用于存儲和管理海量數據。

該架構通過三層不同類型的云邊協同，實現了云計算、邊緣計算和工業基礎設備層之間的緊密協作，不僅提高了數據處理的效率，還確保了工業網絡的確定性和可靠性，為更高效、智能的工業自動化和生產管理提供了堅實的網絡基礎。

基于上述架構的工業互聯網云邊協同應用平臺的工作流程如圖3所示。計算任務數據來源于工業設備層，包括各種控制系統和生產設備，它們通過數據采集終端將數據傳輸至邊緣智能網關。在這里，數據經過初步處理和存儲，并通過云邊協同模塊實現與云端的數據和服務整合。數據開發階段涉及對數據的深入加工、建模和分析，以提取有價值的信息。應用開發階段則側重于構建和部署基于這些數據的應用程序。云邊協同確保了數據、應用和服務在云端與邊緣端之間的有效管理和流動。最終，處理后的數據和應用集成到生產作業中，如MES和SCADA系統，以提高生產效率和智能化水平。整個流程體現了一個從數據采集到云端處理，再到邊緣智能處理，最后反饋到生產作業的完整閉環，旨在實現工業生產的自動化和智能化^[6]。

圖3 工業互聯網云邊協同應用平臺工作原理

4　工業生產中的確定性云邊協同網絡關鍵技術

4.1　工業確定性網絡自適應流量整形機制

在工業確定性網絡中，通常使用確定性網絡如Detnet的資源預留與顯式路由機制來保證流量的確定性傳輸，將時延抖動降低至達到對應的Qos指標。然而，工業生產中會出現在極短時間內端口接收大量突發數據，其瞬時速率可能遠超端口帶寬，導致時延劇增，嚴重影響工業自動化設備的實時性和可靠性。針對這一微突發現象，可以采用自適應流量整形機制解決。該機制的核心思路包括：

（1）在網絡邊緣設備對低時延流量進行整形，提前平滑流量突發。

（2）對中間轉發設備的端口低時延流量進行速率感知并進行動態調整，確保流量平穩傳輸。

（3）在每個設備接口上維護合適的緩存深度，通過自適應調整緩存，實現報文的快速有序轉發^[7]。

這種機制，可以有效抑制微突發，保持流量的規則性，從而顯著降低網絡時延的波動，提升工業網絡的確定性和可靠性，適用于各種工業網絡域的轉發設備，能夠為工業自動化場景提供穩定、低時延的網絡支持，保障生產過程的高效和精準運行。

4.2　資源管理優化技術

在工業場景中，確定性云邊協同網絡的優化指標涉及云邊兩側與確定性服務。邊緣節點的性能指標包括延遲、能耗、公平性和系統穩定性^[8]。其中，能耗主要來自工業設備和邊緣計算節點，公平性關注資源共享時不同設備和系統的性能平衡。系統穩定性則要求避免因資源分配不當導致的生產中斷。由于云端距離工業終端設備的距離較遠，并且接入量較大，為了實現低延遲與大量設備的承載，其性能指標注重任務響應時間、吞吐量和連接數，而可用性需考慮云端發生故障時的容錯率。確定性服務則需要對時延、抖動、帶寬和冗余鏈路等指標進行優化。

邊緣側的多維資源包括計算資源、通信資源和存儲資源。計算資源涉及CPU周期數或工作頻率，通信資源包括無線頻譜資源和鏈路容量，存儲資源則關注數據存儲和訪問的效率。云端數據中心資源用于工業設備數據的處理與分析，其虛擬資源包括了運用虛擬化技術實現的工業平臺與應用。確定性網絡的資源預留機制則為確定性流量提供帶寬資源。

此外，在動態優化中，資源優化策略需適應任務到達、無線信道衰落等動態參數的變化，以保持網絡性能最優。

圖4 多維資源優化模型

4.3 　跨云邊端協同計算方法

在工業生產中，設備的種類繁多，包括傳感器、機器人、PLC控制器等，這些設備在計算能力和資源上存在顯著差異。為此，設計跨云邊端的協同計算方法顯得尤為必要。針對設備的異構性，跨云邊端協同計算方法需要考慮不同設備的計算需求。

一種方法是根據設備的計算能力和資源利用率進行任務分配，將計算密集型的任務分配給計算能力較強的云端節點，而將數據密集型的任務分配給邊緣節點。這不僅能夠有效利用邊緣和云端的資源，還能降低延遲，提高實時性。

此外，另一種有效的協同計算策略是任務切分與協同執行，即將一個大型任務切分為多個子任務，并將這些子任務分配給不同的設備進行并行處理，最終將各設備的計算結果合并。這種方法可以充分利用邊緣節點、云端和終端設備的各自優勢，提高任務處理效率，尤其在智能制造等工業生產場景中，對于提高生產效率、減少延遲和優化資源利用具有重要意義^[9]。

4.4　云邊協同網絡自治

云邊協同網絡可以采用多智能體強化學習的云邊協同自治跨數據中心網絡架構實現工業生產場景中的智能化數據流管理。自治框架如圖5所示，由各類工業設備、傳感器、自動化控制系統以及其他異構設備組成，所有設備能夠通過互聯網進行數據交互。在這一架構中，感知平面包括傳感器、機器人、自動化生產線、無人機等數據生成與接收節點，通過多種接口與網絡連接，實時收集生產數據。

圖5 多智能體云邊協同自治體系

全局自治層由集中控制的智能體負責全局數據流的調度與帶寬的公平分配，它能夠進行集中式流量調度，但依賴于邊緣自治層的協同工作，以便在分布式控制平面中實現快速響應和局部優化。

邊緣自治層則位于各分布式邊緣數據中心，通過邊緣智能體實時管理不同類型的數據流，確保數據傳輸的高效性與低延遲。邊緣自治層運用分布式人工智能算法，基于多智能體強化學習實現自治決策，確保設備之間的協同與優化^[10]。

5　確定性工業云邊協同網絡的挑戰

云邊協同實現了云計算和邊緣計算在資源、應用和服務等不同層面的協同，以優勢互補的方式一定程度上克服了云計算與邊緣計算各自存在的缺點，但要構建靈活、高效的云邊協同計算環境，確保網絡在復雜的工業環境中穩定運行，仍面臨著諸多挑戰。

5.1　網絡安全風險與隱私保護

在工業應用中，網絡安全至關重要，特別是邊緣設備產生的數據傳輸到云端時的安全性、云端防御邊緣攻擊的能力，以及數據的存儲和傳輸安全都是關注重點，必須確保網絡隔離、數據加密，以及節點之間的認證和授權機制，以防止數據泄露、惡意攻擊或系統故障導致的生產停滯和設備損壞。為解決這些問題，可采用零知識證明、同態加密等技術保護用戶隱私，同時通過數據脫敏和加密確保數據在存儲和傳輸中的安全性^[11,12]。

5.2　資源調度機制復雜

在云邊協同網絡中，由于資源類型多樣且分布廣泛，資源調度問題在工業場景中尤其復雜。同時由于設備的異構性和任務的多樣性，管理系統必須考慮設備的性能差異、任務的特定需求及能耗優化。有效的資源管理策略需動態匹配和優化異構資源，適應各種任務的需求，從而提升系統性能^[13]。應對這一問題可以通過引入人工智能和機器學習技術，并結合大數據分析和實時監控，實現更智能和精準的資源調度。這不僅提高了資源利用率，還優化了能效，通過預測分析自動調整資源分配，確保生產過程的效率和連續性。

5.3　無線網絡導致的不確定性

在云邊協同網絡中，無線網絡的不確定性，包括信號波動、干擾和帶寬不穩定，會直接影響到數據傳輸的延遲、丟包率和吞吐量，從而為系統的性能和穩定性帶來了顯著的挑戰。此外，無線網絡的開放性和不穩定性也加劇了數據安全風險，尤其是在需要頻繁進行數據傳輸的云邊協同場景中。在工業物聯網等實際應用場景中，無線網絡的中斷或不穩定可能會導致關鍵任務無法按時完成，降低了系統的可靠性。為緩解無線網絡不確定性對云邊協同網絡的影響，可以采用前沿的無線通信技術（如5G、6G、Wi-Fi7等）和網絡切片技術，改善信號處理算法，優化網絡協議，從而提高網絡的穩定性和可靠性。

5.4　大規模網絡控制與管理

在大規模工業網絡中，隨著接入設備和節點數量的增加，網絡拓撲的動態變化和節點間的通信延遲增加了控制的難度，傳統的控制策略難以適應網絡狀態的變化；同時，分布式協調有著較高的通信開銷和同步問題，又進一步增加了系統的復雜性。面對這一挑戰，可以采用自適應網絡控制算法，結合機器學習動態調整網絡策略，通過拓撲感知與優化算法合理進行任務調度和資源分配，確保網絡拓撲的穩定性和數據流的高效傳輸。此外，可以設計容錯與故障恢復機制，確保網絡在出現故障時，系統能夠及時恢復，保障網絡的穩定性。

6　結語

本文綜述了云邊協同網絡在工業生產中的應用及其關鍵技術。文章首先介紹了云邊協同的概念，強調了其在實時任務處理、減輕網絡負載和提升安全性方面的優勢，詳細討論了云邊協同網絡的三層六類協同，并提出了一種融合確定性網絡的云邊協同架構，為未來的工業互聯網中的智能制造與工業應用開發提供了參考環境；其次，文章探討了云邊協同在工業生產中的關鍵技術，如自適應流量整形、資源管理優化、跨云邊端協同計算方法、云邊協同網絡自治；最后，文章指出了云邊協同網絡面臨的挑戰，包括網絡安全風險、復雜的資源調度機制、無線網絡的不確定性與大規模網絡控制管理的問題，并提出了可能的解決方案，為未來云邊協同網絡在工業互聯網領域實現更廣泛、更深入的應用，推動工業生產的智能化升級提供了參考。

作者簡介：

唐子豪（2001-），男，現就讀于北京郵電大學，主要研究方向為確定性網絡、工業互聯網。

馬文龍（2000-），男，現就讀于北京郵電大學，主要研究方向為故障檢測、算力網絡。

許方敏（1982-），男，副教授，博士，現任教于北京郵電大學，主要研究方向為物聯網網絡、未來網絡技術。

趙成林（1964-），男，教授，博士，現任教于北京郵電大學，主要研究方向為短距無線傳輸技術、認知無線電技術、毫米波技術、工業互聯網網絡。

參考文獻：

[1]陳娟,王陽,吳宗玲,等.基于深度強化學習的云邊協同任務遷移與資源再分配優化研究[J].計算機科學,2024,51(S2):713-722.

[2]張雅潔,陸旭,李曦,等.電力物聯網下基于云邊協同的計算任務放置算法[J].電力信息與通信技術,2024,22(10):38-47.

[3]李波,侯鵬,牛力,等.基于軟件定義網絡的云邊協同架構研究綜述[J].計算機工程與科學,2021,43(2):242-257.

[4]韓淑宇,孫建剛,呂舜銘,等.基于邊緣云形態的云邊協同研究與設計[A].中國電機工程學會電力信息化專業委員會,國家電網公司信息通信分公司.2022電力行業信息化年會論文集[C].2023.

[5]賈慶民,胡玉姣,張華宇,等.確定性算力網絡研究[J].通信學報,2022,43(10):55-64.

[6]馬睿.面向智能制造的云邊端協同平臺搭建與任務卸載策略研究[D].濟南:山東大學,2023.

[7]劉鵬,杜宗鵬,李永競,等.端到端確定性網絡架構和關鍵技術[J].電信科學,2021,37(9):64-73.

[8]景澤偉.邊緣計算網絡中任務調度與資源分配研究[D].西安:西安電子科技大學,2023.

[9]周旭,李琢.面向算力網絡的云邊端協同調度技術[J].中興通訊技術,2023,29(04):32-37.

[10]張世焱.云邊協同網絡中的多資源管理機制研究[D].北京:北京郵電大學,2024.

[11]徐恩慶,董恩然.云計算與邊緣計算協同發展的探索與實踐[J].通信世界,2019,(9):46-47.

[12]張淼,張英威,席珺琳,等.智能物聯網中的邊緣計算與數據處理[J].通訊世界,2024,31(3):132-135.

[13]王其朝,金光淑,李慶,等.工業邊緣計算研究現狀與展望[J].信息與控制,2021,50(3):257-274.

摘自《自動化博覽》2025年2月刊