基于边缘智能协同的新型智慧城市应用研究
来源:用户上传
作者:刘沅杰 刘政
摘 要：针对新型智慧城市高性能应用要求，突破物联系统实时响应，研究了三层架构的边缘智能协同计算模型，构建城市的新型信息基础设施，实现物与物之间的协同计算和边缘自治，就近提供边缘智能服务，满足了新型智慧城市应用的智能高效。
关键词：边缘计算 新型智慧城市 智慧交通
中图分类号：T393.1 文献标识码：A 文章编号：1674-098X（2020）01（a）-0143-05
Abstract： Aiming at the requirements of high-performance applications in new smart cities， breaking through the real-time response of the IoT system， researching the edge intelligent collaborative computing model of the three-tier architecture， constructing the city's new information infrastructure， achieving collaborative computing and edge autonomy between objects， near Provide edge intelligence services to meet the intelligence and efficiency of new smart city applications.
Key Words： Edge computing; New smart city; Smart traffic
我国城市在信息化进程中经历了数字化、网络化、智能化三个阶段：从纸质存储和传输转变为计算机存储处理提高局部效率、再到各计算机联网互通协同将信息流转起来提升整体效能、对已有信息流进行人工智能分析找出规律以自动化智能化提升治理管控水平。随着各类信息基础设施建设的不断完善，智慧城市理念不断走向成熟，大数据、云计算、边缘计算、物联网、移动互联网、5G网络、人工智能等新兴的ICT技术迅猛发展，仅仅关注城市各部门的信息化建设显然不足以满足城市未来长远、可持续发展的需求，在此背景下，在以往智慧城市理论和实践基础上，以为民服务全程全时、城市治理高效有序、数据开放共融共享、经济发展绿色开源、网络空间安全清朗为主要目标，进一步提出建设新型智慧城市，从资源驱动到创新驱动模式的转型，解决数据采集存储、信息互联互通，数据超算处理等基础问题，而随着物联网技术发展和产业互联网升级，高经济密度数据成为独立的商業资本与经济生产要素，边缘智能设备和节点产生的海量数据的连接和计算对智能应用的及时响应支撑需求变得越来越迫切，在云和端之间引入智能协同边缘计算可实现连接和计算服务的高可用性，构建新型智慧城市的大脑，提供智能服务。
1 新型智慧城市的需求
新型智慧城市是以“发展更科学，管理更高效，社会更和谐，生活更美好”为目标，整个城市具有较为完善的行为意识和调控能力，具有空天地多平台协同能力、具有智能感知、情境感知与认知能力、具有成熟的信息-知识-智能转换机制，一定的决策能力、具有一定的自我学习、自我成长和自我创新能力等，因此，也给信息基础设施带来新的需求。
数据存储与共享需求：物联网技术与5G网络的快速发展，网络边缘设备以及产生的结构化和非结构数据每年成倍增长，高速增长的边缘数据对边缘存储的容量、性能、功耗提出了新的需求，同时要满足高速低延时的需求。通过边缘存储将高频计算、高敏感度数据（如监控视频、可穿戴设备体检数据）分散在与应用场景就近的边缘存储节点来支持边缘计算的实时性，支持多源数据节点的存储和共享协同。数据拥有者在地理上是分布的，但具有各自的物理位置和网络结构，类似于点对点的边缘连接方式，在数据拥有者之间提供数据的共享，通过数据服务接口，多节点数据共享参与边缘计算服务，保障数据的隐私和安全。另外，边缘存储支持数据合并、连接复用、动态智能路由、防盗链技术、Gzip压缩、统计分析、Cache策略多样化技术手段提供存储和预缓存服务，克服对恶劣网络环境的传输问题，与云存储协同服务，缓解云数据中心的带宽和存储压力，降低网络安全攻击风险。
智能计算需求：随着芯片技术的快速发展，边缘设备越来越智能化，其数据计算处理需要具备高实时性。边缘计算是一种新型分布式计算模型，通过将传统云计算架构中的部门任务下沉到智能终端设备或者边缘计算节点执行，提供实时的数据计算服务，包括数据预处理和决策能力更接近数据源。如云端执行工业物联网计算的密集型神经网络模型算法，可将部分计算任务部署在边缘，通过本地数据的高读取速率和实时性计算处理功能将计算结果传输到云端，为工业提供持续稳定的生产运行和监控。
互联协同需求：物联网和5G带来的网络通信技术升级实现万物互联，特别是大规模的智能通信设备的应用，如智能家居、自动驾驶、工业控制、可穿戴设备等的广覆盖，在传统的云计算模型采用的集中式管理模式下，物联数据的互联互通需要跨越地理位置和各层级网关，带来了极大的数据延迟和网络抖动导致服务质量（QoS）不佳，难以满足边缘计算的互联和智能协同性需求。
2 新型智慧城市建设范式 城市发展范式已经历了上个世纪的结构-功能、理性规划范式，进入多元合作沟通范式，对社会、经济、文化、制度等复杂要素提出了更高的精细化、弹性管理要求，传统的智慧城市建设向新型智慧城市演进是一种必然的趋势，新型智慧城市注重的是城市的技术融合、业务融合、数据融合，实现跨层级、跨地域、跨系统、跨部门、跨业务的协同管理和智能服务，以智能服务为中心，各行业时空协同实现“智能感知、深度挖掘、智能服务”的新型智慧城市发展范式，是新一轮信息技术变革和科技创新的进一步发展的必然选择。
以智能服务为中心，各行业时空协同实现的“智能感知-深度挖掘-智能服务”的新型智慧城市模式，能够灵活支持不断涌现的网络和业务新需求。
数据感知层：基于大数据思想实现网络感知、分析、为上层计算提供数据采集、网络智能调度、控制。
计算层：基于网络边缘计算思想，将网络控制和网络数据交换、计算相分离解决网络复杂性和可扩展性，具有灵活构建各类计算服务需求的协同网络。
智能服务层：基于云架构思想实现数据资源的智能有序调度，信息服务贴近智慧应用场景，解决网络重复传输及信息安全等问题。
3 关键技术
3.1 边缘存储技术
伴随着多元化物联网感知数据的采集和边缘智能设备的规模应用，每天城市中产生数亿的海量物联网记录，边缘资源的存储是首要解决的问题，第一阶段是传统的数据存储技术，用现有主流存储设备产品、存储单元解决数据分布式物理存储，但边缘计算引入的计算服务是一个新的技术需求，如人脸识别，设备会扫描人的面部并整理出他们的生物识别指标。而边缘计算节点可即刻进行处理，并与边缘存储设备中的信息进行比对。另外，使用智能设备对数据进行采集、存储、加工，并根据云计算中心下发的规则进行计算，将计算结果及关键信息根据相应的通信协议传回云中心;而原始数据可短期保存在边缘智能设备上，也可按需求在特定时间段保存到云存储中心、还可保存多份数据到相关联的同级边缘存储节点;这样不仅能极大降低云中心的计算负载，还能凭借独有的无限节点资源和强大分布式存储技术，能够有效提高存储服务的稳定性和安全性，打造的安全稳定、海量、低成本的分布式存储服务。
3.2 计算服务技术
云中心需要作為整个结构的计算中心，还需要做为整个结构的管理中心。它将通用任务下发到所有边缘智能设备，为它们制定统一规则，指导边缘智能设备完成特定任务，收集任务返回结果。云中心经过大数据分析挖掘、数据共享并进行算法模型的训练和升级，得出新计算规则，然后将计算规则推送到边缘智能设备进行更新和升级，形成自主学习的闭环。对于实时数据调取可通过网络连接到特定的多个边缘设备拉取，而对非实时数据则可到云存储中心拉取。
3.3 智能协同技术
因大部分数据都有区域相关特性，边缘智能设备可根据云中心定义的规则，和邻近边缘智能设备建立“自治区域”，在同区域中的智能设备可协同工作：数据相互备份、共享、并进行区域关联分析。每个边缘智能设备在向云中心注册时，由云中心分配唯一ID（可类似于居民身份证），ID硬编码了边缘机器的各种特征信息;每个边缘智能设备通过P2P的DHT（分布式哈希表）技术或云中心边缘设备管理中心很容易就可组建一个智能协同的区域网。
通过上述关键技术，为新型智慧城市建设提供了一个新的架构模型：在边缘智能设备上以边缘计算和P2P技术为基础构建它的“躯干”，以云中心构建“大脑”，以网络构建“神经元”。实现智能协同计算，构建城市新型信息基础设施。
4 应用场景分析
城市作为复杂系统的叠加，对管理的对象、内容及管理的目标设定、过程设计等方面页显得异常复杂，同时，城市交通采集设备数据量不断增加和源数据多样化，对实际场景的实施性需求也在提高，集中采集后回传到云端进行分析处理再将结果反馈给现场的方式将会出现带宽资源浪费和延时等问题。若引入边缘智能协调计算，便可根据道路交通的实时采集数据和可用资源，在边缘进行协同计算实时作出相应判断，为交通业务管理、领导决策和社会公众提供信息支持与服务，从而最大程度发挥交通资源的效益。例如使用无线通信技术，车辆与交通信号系统和其他路边基础设施相互通信，车辆能够将关于其定位、速度和方向的数据传达给其他连接的车辆和基础设施，通常以每秒10次的速率，以增加高质量的交通和运输信息的数量，数据可供司机和其他道路使用者使用。同时在边缘节点实时视频分析，系统会生成定向流量并针对异常流量模式发出警报。 我们正在确定危险的冲突模式，以尽量减少交通死亡。
我们可以将交通监控系统进行简单改造，变成一个高可用的智慧交通系统，可实现智能交通灯管理、交通事件分析、道路拥堵指数分析、事故追踪等。以图2为例，车辆流量监控设备作为边缘智能设备，监控采集的视频或图片数据，在本地进行短期储存，还可将备份数据分发到相邻设备上，同时直接对视频和图片进行简单分析：当前车流量、道路容量、行车速度、各路口等待车辆数、车辆车牌号等，这些信息可按统计数据直接传到云中心，并可在本地建立相关数据的时序数据库;而对于车辆异常行为分析数据和取证视频或图片都传送到中心保存;因此不再需要将所有视频数据或图片传到云中心进行分析和保存，能极大的减轻中心压力，加快中心服务的响应;相邻设备收到邻居的数据后，先进行保存，并将元数据上报给云中心，方便云中心建立存储索引，这样数据就能防止被恶意篡改和丢失，还可将自身数据结合邻居视频或图片数据进行联合分析：车辆区间速度分析、车辆行驶异常分析等。云中心如需要实时调取或查找莫数据，可同时在多个设备上进行，并能很好的获取所有的关联数据。
而云中心根据车辆流量监控设备的地理位置分配特定的ID，并为其划定区域归属。云中心通过分析边缘设备产生的统计数据，可进行道路交通量分析、路段运行情况分析、交叉路口状况分析，这些数据分析结果可用于交通动态跳转，交通阻塞报警、实时事件决策等。 以车辆车牌追踪为例，车辆车牌已被边缘设备处理为字符串（而非原始图片）并上传到云中心，因此通过云中心很容易就能知道车辆车牌被哪些路口边缘设备监控到，并且被查车辆对应原始数据位置可直接定位到区域内具体设备，然后进行区域关联分析，由区域内多个设备同时查找和传送相关数据，这样，能快速将相关数据实时传送到云中心，让使用者能清晰地知道车辆在该区域内的运行轨迹。
从上可以知道，使用新型架构模型能充分发挥各设备优势：
实时或更快的数据处理和分析：数据处理更靠近源，而不是外部数据中心或云，这样可以缩短延迟时间。
降低成本：企业在本地设备上的数据管理解决方案所花费的成本低于云和数据中心网络。
减少网络流量：随着物联网设备数量的增加，数据生成继续以创纪录的速度增长。 结果，网络带宽变得更加有限，压倒了云，导致更大的数据瓶颈。
提高应用程序效率：通过降低延迟级别，应用程序可以更高效，更快速地运行。
另外，边缘智能协同计算也可以减少单点故障，保障用户数据的安全性和合规性，通过边缘设备采集的本地数据并对其计算可避免向云端的敏感数据传输。可以通过协议转换无缝高效的连接到车联网相关平台（如智能传输控制系统（ITS）），增加物联的互操作性。
4.1 需求
目前，智慧交通行业的采集产品都已非常成熟，例如视频监控、电子警察、高速卡口设备、违规抓拍、天网监控等;服务器性能也在不断提高，同时价格在不断下降。因此将边缘计算应用到智慧交通系统得硬件条件已完全成熟。
智慧交通中数据的海量性、多样性、异构性都决定了处理的复杂性，简单到交通设施及来往车辆数据的收集，复杂到交通事件的判定检测，都需要对数据进行实时、准确的处理，而单纯建立云平台处理数据，已很难满足改需求。
智能交通系统需要能使道路上的交通信息与交通相关信息尽量完整和实时;交通参与者、交通管理者、交通工具、道路管理设施之间的信息交换实时和高效;控制中心对执行系统的控制更加高效;处理软件系统具备自学习、自适应的能力。
4.2 系统设计
智慧交通基础系统分为三层：数据采集层、边缘计算节点和云计算中心。
数据采集层利用设备将采集的数据传输给边缘节点，以计算标准流量特征，如平均速度[km/hr]、交通视频、交通量（每小时车辆数量）[车辆/小时]、交通密度[车辆/公里]、车道占用率[%]、车辆长度[m]（用于车辆分类）、车辆驶向错误方向的情况等。
边缘计算节点的主要功能模块分为：区域peer管理、统计分析规则管理、数据存储和管理、节点配置管理、异常数据处理引擎、数据搜索引擎、图像处理识别、实时数据处理引擎等。
区域peer节点管理：管理“兄弟”边缘计算节点路由信息、相关的存储数据元信息、数据副本。
实时数据处理引擎：利用图像处理技术结合AI分析规和统计分析规则、异常处理规则，对视频数据进行实时处理，对交通量、交通密度、车辆平均速度等数据进行统计分析，并将统计数据上传给云计算中心;而异常数据则进行截图，并将异常原因和异常证据截图。
数据搜索引擎：接收数据查询请求，对本级数据进行快速查询，并能对peer副本数据提供搜索。
数据存储和管理：对视频原始数据进行存储，索引，对要求上传的数据进行上传（Flume）。
节点配置管理：根据节点的角色，定时获取角色相关配置，并能与云计算中心及时更新AI分析规则、统计分析规则、异常处理规则等。
规则管理：对规则进行及时更新，并及时应用到各分析场景中。
而云计算中心的主要模块分为：消息中心、页面展示模块、应用数据接口、异常数据存储与管理、统计数据存储和管理、AI学习引擎、规则管理。
消息中心：使用kafka作为消息中心，发布配置更新、发布规则更新、接收各类型的数据，其他模块分别从kafka中读取所需数据，而实时数据查询也从kafka中发布任务，然后从kafka中读取各节点的任务结果中心。
AI（智能）学习引擎：则通过对统计数据进行分析，形成异常数据和统计分析模块的决策树规则;相关模块对形成的规则进行维护，并将数据下发到特定节点。
边缘计算节点管理：对所有边缘计算节点，进行注册登记、管理、并监控各节点的健康状态等。
应用数据接口管理：对统计数据、异常数据提供统一的查询接口，方便其他应用获取数据。
数据搜索引擎：对数据搜索进行初步过滤和分类，需要边缘计算节点搜索的请求，将请求下发到各边缘节点，并对各节点搜索结果进行统一整理。
实时数据处理引擎：spark从kafka中读取各类数据，并根据数据类型交给不同数据存储模块处理。
异常数据存储与管理：从实时数据处理引擎接收异常标签数据和视频，为异常数据建立视频和标签的时空索引，方便异常数据快速查找。
统计数据存储和管理：从实时数据处理引擎接收边缘节点的统计数据，为AI学习引擎提供训练数据，为交通网络决策提供基础数据，例如对POI数据、GPS数据、客流情况等智能交通数据进行分析，由数据的分析结果来了解城市的交通情况，为居民提供导航、定位、公告、交通引流等服务。
决策树管理与维护：通过AI学习引擎和人工维护不断对决策树进行优化，将决策树变成异常处理规则与统计分析规则。
异常规则管理：对形成的异常规则进行及时更新，根据各边缘节点角色的不同，下发角色相关的规则到各边缘节点。
统计分析规则管理：对形成的统计分析规则进行及时更新，根据各边缘节点角色的不同，下发角色相关的规则到各边缘节点。
页面展示：對数据进行展示，例如超出速度限制的每辆车的图像，以及车牌的详细照片，违规行为的日期，时间和地点。
4.3 结果分析
下图为传统架构处理性能与云平台+边缘计算架构下查找一天内具体车牌数据处理性能对比，其中纵轴为时间，横轴为视频采集端个数;
边缘节点的服务器会收到超出速度限制的每辆车的图像，以及车牌的详细照片，文本形式的车牌号码，以及违规行为的日期，时间和地点进行抓获识别处理，将特征数据发送到云端生成和打印交通罚单系统。
5 结语
新型的智慧城市建设是一个系统化工程，除了本文论述的新型智慧城市发展范式和技术支撑，随着5G的规模商用，当与5G无线通信网络结合使用时，这些技术可以通过引入功能更强大的通信网络来显着减少数据共享和延迟，在计算处理方面利用AI和物联网相关技术融合给城市的智能化赋能，借鉴国外发达城市的智慧化经验，结合实际国情和行业应用场景，创新体制机制，标准体系、运营模式等，保证新型智慧城市建设和运行的可持续升级发展。
参考文献
[1] 施巍松，孙辉，曹杰，等.边缘计算：万物互联时代新型计算模型[J].计算机研究与发展，2017，54（5）： 907-924.
[2] 吴大鹏， 张普宁， 王汝言.“端—边—云”协同的智慧物联网[J]. 物联网学报， 2014，2（3）： 25-32.
[3] 王腾飞， 张瑞权， 李建宏. 基于边缘计算的计算即服务模式[J]. 电子技术应用， 2019， 45（5）：80-83.
[4] 葛志诚， 徐恪， 陈靓. 一种移动内容分发网络的分层协同缓存机制[J].计算机学报， 2018， 41（12）：135-152.
[5] 张晖， 徐冬梅， 李建慧. 智慧城市实时应用的物联网系统参考体系结构[J].北京信息科技大学学报：自然科学版，2017（3） ：7-12.
转载注明来源:https://www.xzbu.com/1/view-15207898.htm
