“边缘智能化”是Booz Allen对物联网的一个新兴趋势的定义——让传感器和设备充满在竞争环境中使其智能化。在低带宽,或者无网络的情况下,自主化和协调决策。智能化的边缘运营取决于设备的本地数据和其他协调设备,以及邻近的传感器,可以在没有连接到互联网的情况下,独立工作。独立运营计算资源,比如cloudlet,是实现边缘智能化案例的关键。Cloudlet是具有移动性的小型数据中心,位于企业的边缘,可以被附近的设备使用。在本文中,我们将介绍cloudlet,及其成为实现边缘智能化的相关性。
介绍
IT的半生,一直在压缩和加速许多技术的演变。当我们从主机转换到客户服务器,就有了抽象进化,而从多层系统转换到基于web的系统,也就是基础设施,就将业务逻辑和用户界面相分离。服务和基础设施的商品化,创建了云,移动计算和物联网,让我们可以进行边缘计算,并获得分布式计算的能力。这就将带来下一波的进化——“芯片作为一个平台”——随着边缘化的深入,这将在IT行业释放一个爆炸性的增长时代。“芯片即平台”将同时带来好处和挑战。例如,对于美国国防部将意味着:
·在无人机和其他平台上,更加复杂的传感器。这将推动智能ISR和边缘处理的需求,来缩短FPED周期。
·更大的攻击表面。快速增长的传感器数量,将继续推动网络防御和修复力的重要性。 收集的原始数据快速增长。这将增加缩短从“数据到采取行动”的周期的需求。
·随着我们从“传统的传感器”转换到智能的,有自我意识的,无处不在的联网传感器,边缘计算也将是颠覆性的。不同的集成和处理平台需要实现边缘智能化。轴辐式模式让设备能够与战术部署中央节点进行通信,而网状网络是基于一个分散的模式,所有设备对等。Cloudlets同时支持这两种模式,会成为物联网和边缘计算的关键推动者。
Cloudlet是什么,它如何实现边缘智能化?
Cloudlet是个受信任的,资源丰富的计算机或计算机集群,可以联网或者不联网,允许附近的设备使用。cloudlet支持资源密集型和交互式应用,并为设备提供强大的计算资源,更低的延迟。Cloudlet一词起源于由欧洲电信标准协会发起的移动——边缘计算行业项目。
Cloudlet类型
Cloudlet有两种主要的架构方法。第一种是瞬态cloudlet (图1),基于标准的轴辐式模型,移动用户通过无线LAN/RAN,访问附近的cloudlet。瞬态cloudlet依赖于资源丰富的计算机基础设施,通过无线网络,主要是蜂窝和WLAN,为移动设备提供数据存储和计算服务。
图1. 瞬态cloudlet
第二种类型是移动cloudlet,一组资源丰富的移动设备,称为cloudlet节点,可以在网状网络中,互相连接,来提供和使用服务。移动cloudlet依赖于点对点网状通信,一组附近的移动设备可以通过安全的Wi-Fi或蓝牙连接。在这个模式中,每个移动设备作为节点,在网络中分享计算服务,使用分布式计算原则。
图2. 移动cloudlet
挑战和经验教训
作为我们研究cloudlet的一部分,我们遇到了每个cloudlet实施方案都会面对的许多挑战。
瞬态cloudlet:这个实施模式面临三大挑战,包括:快速(敏捷)配置,以减少延迟和解决用户移动性;VM切换,从一个cloudlet向另一个无缝迁移卸载服务;cloudlet发现,使分布式移动设备能够被发现,选择,并在开始配置前,和多个cloudlet中合适的cloudlet,进行关联。
移动cloudlet:今天,每个虚拟系统都有自己的一组分配资源,进行最小共享。大多数虚拟机所需的资源被hypervisor占据,每个客户操作系统,都需要一个更大的空间。
此外,瞬态cloudlet实施必须解决集群管理(分布式网格)、扩展、理想状态校正、多主机网络、服务发现、负载平衡、安全和滚动更新。容器技术,比如Docker Swarm,提供开箱即用的很多功能,包括虚拟机的隔离,并共享资源为可重用的图像(操作系统、数据库、应用服务等等),让它们更有效,更快和更轻量。使用一种分布式的方式完成,通过网状网络(Swarm),平台实现“自我发现”。容器将软件包含在一个完整的文件系统中,包含运行所需的一切:代码、运行时间、系统工具和系统库。它们立刻运行,使用更少的内存。图像是由分层文件系统和共享公共文件构造,使磁盘用量和图像下载更有效。这种方法仍然面临的一些挑战包括cloudlet节点发现。组播DNS或Wi-Fi P2P可用于远程配置,一个安全的REST服务可以在每个cloudlet管理器节点上部署。
总结
作为物联网边缘计算战略智能化的一部分,cloudlet是一个关键因素,特别是当解决方案需要提供:
·更低的端到端应用延迟(实时)
·为了获得最优计算结果,设备与本地“cloudlet”之间的最大事务速率(交互)
·私人网络的本地通信,保证性能,隐私和安全性(安全) 在获取数据时,获得实时视图,最小的云进入带宽(分析)
·在无线区域网络(RAN),使用动态过滤规则,快速引入网络和其他功能(分布式)
·仔细分析这些类型的需求,将确定最好的架构方法(瞬态或移动cloudlet),来支持智能化的边缘解决方案。
好文章,需要你的鼓励
研究人员基于Meta前首席AI科学家Yann LeCun提出的联合嵌入预测架构,开发了名为JETS的自监督时间序列基础模型。该模型能够处理不规则的可穿戴设备数据,通过学习预测缺失数据的含义而非数据本身,成功检测多种疾病。在高血压检测中AUROC达86.8%,心房扑动检测达70.5%。研究显示即使只有15%的参与者有标注医疗记录,该模型仍能有效利用85%的未标注数据进行训练,为利用不完整健康数据提供了新思路。
西湖大学等机构联合发布TwinFlow技术,通过创新的"双轨道"设计实现AI图像生成的革命性突破。该技术让原本需要40-100步的图像生成过程缩短到仅需1步,速度提升100倍且质量几乎无损。TwinFlow采用自我对抗机制,无需额外辅助模型,成功应用于200亿参数超大模型,在GenEval等标准测试中表现卓越,为实时AI图像生成应用开辟了广阔前景。
AI云基础设施提供商Coreweave今年经历了起伏。3月份IPO未达预期,10月收购Core Scientific计划因股东反对而搁浅。CEO Michael Intrator为公司表现辩护,称正在创建云计算新商业模式。面对股价波动和高负债质疑,他表示这是颠覆性创新的必然过程。公司从加密货币挖矿转型为AI基础设施提供商,与微软、OpenAI等巨头合作。对于AI行业循环投资批评,Intrator认为这是应对供需剧变的合作方式。
中山大学等机构联合开发的RealGen框架成功解决了AI生成图像的"塑料感"问题。该技术通过"探测器奖励"机制,让AI在躲避图像检测器识别的过程中学会制作更逼真照片。实验显示,RealGen在逼真度评测中大幅领先现有模型,在与真实照片对比中胜率接近50%,为AI图像生成技术带来重要突破。