人工智慧一直是行動網路中的重要組成部分。隨著5G 以及邊緣計算技術的發展，對人工智慧的需求將變得愈發強烈。

本文中，我們將闡述5G 網絡與前幾代移動通信網絡相比的一個本質區別——網絡邊緣計算的比重會大增，同時我們會就邊緣計算在5G 網絡里的實現做一個探討。之後我們會列舉一些此新一代網絡下的典型應用，它們都需要依賴邊緣計算和機器學習來實現。最後，我們將介紹一個結合了邊緣計算和深度學習的參考應用——「互聯之眼「。

1.概要

隨著第五代移動通信（5G）的發展，疊加大數據及機器學習技術的廣泛應用，電信行業正在經歷著一場新的變革。本文將以當前電信領域裡兩大熱門技術：邊緣計算和人工智慧相結合的場景作為切入點，為大家展現一下行業里的最新技術發展。 我們會先簡單回顧一下相關技術的發展歷史，接著列舉一些深度學習輔助邊緣計算的典型用例，最後詳細介紹我們在這一領域的一個參考實踐。

2.大數據，神經網絡和邊緣計算的驅動力

隨著第五代移動通信（5G）的發展，疊加大數據及機器學習技術的廣泛應用，電信行業正在經歷著一場新的變革。本文將以當前電信領域裡兩大熱門技術：邊緣計算和人工智慧相結合的場景作為切入點，為大家展現一下行業里的最新技術發展。

2.1 基於自組織的分布式網絡管理模型的建立行動網路中的人工智慧演進 人工智慧其實在早期行動網路部署中就有應用。起初，這些系統往往是基於規則（rule）來實現系統自動化，之後自適應的邏輯也慢慢出現。這些主要都用來增進系統的安全性，魯棒性及輔助服務的無縫遷移。 早期增強網絡的常見算法應用包括故障檢測，或是基於故障及路由檢測實現自動切換以應對系統過載等。之後更複雜的算法應用也相繼出現，比如用來為終端用戶提供智能服務等。

2.2 5G 網絡中的邊緣計算
現代 4G 網絡的搭建還是以中心化的核心網為主，本地分流（Local-Breakout）往往很難設置並且功能局限性比較大。一般一個典型的歐洲中型運營商會有一到兩個中央數據中心可供第三方應用部署。由於諸如亞馬遜及其它一些大型網際網路企業只在全球範圍內零星部署了一些大型數據中心，因此數據包可能需要經過非常長的距離才能到達應用側。那麼，對於具有低時延要求的應用來說，就必須考慮這種物理限制。

我們來做一些簡單的計算：波長為1310 納米的光在常用的Brand B (G.652)光纖里的傳播速度為489.34 微秒/百公里，那麼即使不考慮誤碼，交換機或是路由器延時等，從斯洛維尼亞或者匈牙利到達西歐境內最近的亞馬遜數據中心需要20 毫秒；普通網絡節點裡的典型延時大約為1 毫秒；在4G 網絡下，典型的國家境內數據中心的通信時延大約為50 毫秒（當然這是一個平均數，實際情況會很大程度上受地理位置，網絡接入質量及具體應用等因素影響）。

這就意味著如果要滿足一個具有10 - 30 毫秒時延需求的典型增強現實（Augmented Reality, AR）應用，網絡側的時延則需要更低，因此相關的應用節點就必須部署在終端側附近。這一技術我們就稱之為邊緣計算，它需要在網絡邊緣部署利用分布式雲設施來提供高度自動化的虛擬環境來加以支撐。

圖1 描述了如何在5G網絡中運用分布式雲部署邊緣計算應用。根據網絡的結構和可用性條件，邊緣網絡的硬體設施部署方案可能會有不同。最典型的部署方案是基於現有的電信站點，如城市的電信中央機房。這樣一個小型雲環境一般可提供5到25個像匹薩盒般大小伺服器的能力。由於資源有限，管理及監控功能都需要比較輕量級。

根據開源項目如Linux 基金會邊緣項目Akraino，這些邊緣站點會提供和中心雲（虛擬機和容器）一樣的基礎設施即服務（Infrastructure-as-a-Service,IaaS）環境，並結合部分平台即服務（Platform-as-a-Service,PaaS）的元素。它需要為諸如用以支持本地導流的用戶面功能（User Plane Function, UPF）的5G 網絡虛擬化網絡功能（Virtual Network Function, VNF）和第三方應用或應用平台提供運行環境。 3GPP 標準在5G 里增強了本地分流功能，確保合適的應用數據在網絡邊緣被連接到合適的應用上。另外，標準也增加了數據流在邊緣和中心站點間切換的靈活度以及使添加額外邊緣服務更為靈活的特性– 這在標準里被定義為FMSS（FlexibleMobile ServiceSteering）。一個簡單的上行視頻可以略過深度包檢測（Deep Packet Inspection, DPI）。用戶面功能（UPF）服務可以分布在邊緣站點（取決於硬體的可用性）並且可以像3GPP FMSS 定義的一樣形成一條服務鏈。

5G 核心網負責大多數無線接入之上的服務，如安全性，認證，移動管理，位置服務及所有包處理能力。5G 的核心網架構和4G 核心網有很大區別。5G 的所有網元都按照ETSI 網絡功能虛擬化（Network Function Virtualization, NFV）標準被定義成虛擬化網絡功能（VNF），同時3GPP 根據面向服務架構的原理設計了整個系統架構。

5G 核心網也因此被稱作是服務化架構（Service Based Architecture,SBA），其目標就是增加系統的靈活性和可編程性。這其中有一個值得一提的網元叫網絡開放功能（Network Exposure Function, NEF），它對內部及外部可信賴的第三方應用提供了服務接口。這種能力開放是邊緣計算的一個關鍵要素，它使第三方應用能夠直接配置網絡從而達到更高度的自動化。一個例子是被稱為應用導向數據路由（ApplicationInfluence on Traffic Routing）的功能，其能在網絡邊緣建立本地導流並且能夠允許設置FMSS 服務。它提供了基於HTTP 的REST 接口（Application Programming Interface，API）。
邊緣計算應用的核心問題之一是運行環境模塊部署位置的優選。簡單的應用可以使用靜態配置，但是將來的應用可以使用智能優化系統來確定模塊的分布，比如考慮降低成本同時保持高用戶體驗。

3.典型案例

3.1 用於工業4.0 的私有邊緣雲
數字化驅動了第四次工業革命，簡單而言它可以理解為信息技術（Information Technology，IT）和自動化運營的融合。信息系統被引入控制和監測生產物流環節。這類系統的一個基本組成部分是節點間的通信。市場上的現有的系統或者試驗系統通常都會配備多種通信技術

1. 特別對於關鍵通信場景，通常會使用4G/3G行動網路來支持人與人間的通信，比如關鍵任務通信（Mission CriticalPush-to-Talk, MCPTT）

2. WiFi 則通常被用作訪問企業數據/資料庫的主要接入方式。有些傳感器也會使用工業級WiFi 來進行通信。

3. 另一些無線技術比如藍牙，LoRa，Sigfox，有時還有窄帶物聯網（Narrow-Band Internet-of-Things，NB-IoT）等會被用來連接傳感器和設備。

4. 常規的有線連接常被用於安全系統和攝像機

5. 工業乙太網則是用以連接可編程邏輯控制器（Programmable Logic Controller, PLC）的常用方案

工業領域數字化面臨的挑戰之一就是如何選擇一套合適，統一併且完善的接入技術以建立一個易於管理的生產環境。根據我們的設想，未來工廠網絡將會由5G 移動寬頻（Broadband），基於5G NR（New Radio ）的5G 關鍵通信和窄帶物聯網（NB-IoT）組成，並且由一個通用的單一核心網接入來提供安全，認證，服務質量保證和必要的移動，通信及其他平台功能等。

3.2 用於自動駕駛汽車的邊緣視頻分析
根據市場預測，到2025年，全球的網際網路汽車數量將增長至大約7億輛，同時車輛與雲端之間的數據傳輸將達到每月100 PB，而Gartner 在其2018年6月的報告里將這一數字進一步擴大至每月1TB。如此巨大的數據量（並且其主體部分是上行數據）無疑將對網絡提出新的要求。

3.3 用於實時多媒體處理的人工智慧邊緣雲

圖像序列可以說是自然世界中包含信息量最為豐富的媒介，因此多媒體也被認為是深度學習技術演進的重要推動力之一。 事實上，卷積神經網絡（Convolutional Neural Network，CNN，適用於圖像處理）和循環神經網絡（Recurrent Neural Network，RAN）/長短時記憶網絡（Long Short-Term Memory，LSTM，適用於時間序列）成為前兩大被最為廣泛應用於物聯網用例的人工神經網絡也很好地說明了這一點。 那麼一個有關的話題便是如何在網絡邊緣對高質量多媒體進行高效實時的處理。我們在下一章中會介紹一個具體用例。

4.參考邊緣用例「互聯之眼」

電信網絡和監控系統通常運行在私有雲上。其他則可以選擇專業雲服務商提供的方案，如亞馬遜雲服務（Amazon Web Service，AWS），微軟Azure雲服務等。在這一章中，我們將介紹一個運用了5G網絡和人工智慧的參考用例–「互聯之眼」。它展示了5G 智能網絡面臨的一些機遇與挑戰，比如任務的實時及分布式處理。 我們知道5G 網絡的低時延，高帶寬，大連接（物聯網）等特性。那麼一個自然的問題便是基於這張網絡，我們可以實現哪些應用？這就意味著我們必須找到這樣一些需要低時延，高帶寬，大算力的參考用例。 針對上述問題，我們提出了「互聯之眼」這一應用，它會涉及諸如IP 攝像頭等有大帶寬要求的設備。它利用攝像頭作為採集設備，對視頻流做並行處理，進行事件、運動、物體等的檢測，進而快速響應環境變化。舉個例子，比如我們想像兩輛汽車快要相撞了，但由於遮擋或其它原因，車輛操控者未能及時發現，在這種情況下我們的系統將能夠探測出這一風險並主動採取措施避免事故的發生。 下面我們來看一下系統的主要組成部分：

1. 數據源：高清實時數據流

2. 並行處理：部分操作會對所有攝像頭的圖像進行並行處理，包括降噪，運動檢測，目標追蹤和基於深度網絡的目標識別

3. 位置追蹤：我們基於從所有攝像頭中抓取的信息建立了一個全局坐標系，並在其中定位目標

4. 主動決策：這裡作為決策中心，決定比如是否採取行動，如何行動等。比如在之前的例子裡，可以是主動停車以避免碰撞發生或者僅在駕駛員螢幕上顯示警告提醒危險情況的發生。

5. 5G 網絡和邊緣計算：這是系統設施的關鍵部分，用來支持高帶寬，近實時的系統間通信。

模型訓練對系統資源的要求比較高，然而又由於其沒有低時延要求，因此訓練可以放在中心雲上進行。模型的推理執行邏輯則必須放在邊緣側。模型訓練過程如下：

1. 採集視頻樣本用以訓練

2. 提取視頻樣本中的關鍵幀

3. 為圖片打標籤

4. 加載基於COCO數據集預訓練的卷積神經網絡（遷移學習）

5. 基於提取的圖像對模型做進一步訓練

6. 生成檢測模型凍結圖（Frozen Network Graph）

模型推理執行流程：

1. 將視頻流從設備發送到邊緣側

2. 在邊緣檢測並顯示圖像

3. 進一步，可以將模型推理運行的效果反饋到訓練階段。但這不是必要步驟。

通過這種方式，我們可以持續更新中心雲上的模型訓練提升模型表現。同時邊緣側可以下載最新的模型，進行近實時的模型推理執行。這樣，我們即利用中心雲做了高效的模型訓練，又利用邊緣雲做了快速的推理，充分發揮了這兩朵雲的各自優勢，達到了最理想的效果。圖2展示了上述流程。

5.總結

人工智慧算法在行動網路部署之初就有所運用。隨著5G 技術的發展及深度學習能力的提升，這一趨勢將愈發明顯，行動網路的自動化程度將越來越高，能力也將越來越強。這也為低時延高帶寬應用的發展鋪平了道路。為克服物理定律的限制，邊緣計算將是實現中不可或缺的部分。 由於 5G 標準尚未完善，關於邊緣計算如何實現還存在諸多疑問。在文中，我們結合最新的發展趨勢，給出了一些針對特定情況下的可能的方案。 我們探討的另外一個重要話題就是未來我們期望在如此強大的邊緣計算環境里有哪些應用。對此，我們列舉了一些我們認為具有代表性的用例，包括工業4.0，自動駕駛以及實時多媒體處理等。最後，我們詳細介紹了一個實際參考應用 – 「互聯之眼「。

致謝

作者在此對合作過的愛立信同事，布達佩斯技術與經濟大學，匈牙利羅蘭大學（ELTE）和EIT Digital表達感謝。

[作者簡介]

Benedek Kovács ，2005 年加入愛立信擔任軟體工程師，並在之後擔任系統工程師。2011至2013 年，Kovács 擔任愛立信布達佩斯研發中心的創新經理，主要負責建立創新的組織文化及孵化內部創新想法。之後Kovács在4G VoLTE 方案開發中擔任性能管理及可靠性專家角色。現在，他主要參與5G 網絡及分布式雲並統籌全球工程項目。Kovács 擁有匈牙利布達佩斯技術與經濟大學的信息學碩士及數學博士學位。

Tamás Nyíri ，2018 年加入愛立信擔任軟體工程師，專注5G 網絡和機器學習。Tamás 擁有匈牙利羅蘭大學（ELTE）計算機學士學位。
感謝閱讀，歡迎擴散傳播！感謝！
邊緣計算社區：促進邊緣計算領域知識傳播，中立，客觀，如果您關注邊緣計算、5G、物聯網、雲原生等領域請關注我們。