《中國信通院&中國移動&中國電信：2024邊緣算力藍皮書（46頁）.pdf》由會員分享，可在線閱讀，更多相關《中國信通院&中國移動&中國電信：2024邊緣算力藍皮書（46頁）.pdf（46頁珍藏版）》請在三個皮匠報告上搜索。

1、 I 前前 言言 當前全球數字化浪潮蓬勃興起，邊緣算力通過就近提供計算、網絡、智能等關鍵能力，加速賦能經濟轉型升級，已逐步成為計算體系的新方向、信息領域的新業態、產業轉型的新平臺，是垂直行業實現數字化、智能化的重要基礎設施。我國高度重視邊緣算力技術創新、產業發展和應用探索。2023 年，工信部等六部委聯合發布算力基礎設施高質量發展行動計劃，明確提出促進邊緣算力協同部署，加快邊緣算力建設，支撐工業制造、金融交易、智能電網、云游戲等低時延業務應用，推動“云邊端”算力泛在分布、協同發展。經過全社會的共同努力，我國邊緣算力技術體系初步構建，典型應用實踐不斷涌現，正在從單點、局部應用向多點全面應用演進。

2、目前，邊緣算力已經成為國內外經濟社會各領域數字化轉型和智能化升級的切入點和優先方向，受到了產學研用高度關注。本藍皮書分析了邊緣算力整體發展態勢，具體闡述了邊緣算力概念及特征，梳理了邊緣算力技術體系，總結了邊緣算力典型應用場景，并提出邊緣算力未來展望，希望為推進邊緣算力技術產業、基礎設施建設及應用發展提供參考。本藍皮書在編寫過程中得到了工業互聯網產業聯盟、邊緣計算產業聯盟、中國通信標準化協會邊緣計算產業發展及技術標準推進委員會等大力支持。邊緣算力正處于快速發展階段，本藍皮書仍有諸多不足，懇請各界批評指正。參編單位：中國鐵塔股份有限公司 中國信息通信研究院 中國聯合網絡通信集團有限公司 中興通訊股

3、份有限公司 中國移動通信有限公司 中國電信股份有限公司 北京研華興業電子科技有限公司 北京交通大學 東南大學 中國科學院計算技術研究所 聯通智網科技股份有限公司 上海天數智芯半導體有限公司 北京城建智控科技股份有限公司 上海道客網絡科技有限公司 廣州市政務服務和數據管理局 暨南大學 工業互聯網產業聯盟公眾號 編寫組成員（排名不分先后）：郭宇輝、閆亞旗、潘三明、魏華、張民貴、冉沛、董玉池、張闊、劉文睿、張文龍、王哲、王涵、朱瑾瑜、劉洋、韓玲、張文博、周光濤、辛亮、徐成杰、許恒斌、尤鴻、邱述洪、梁文昭、束裕、趙孝武、王旭輝、魏彬、黃震寧、馬程然、彭濤、陳菲雨、袁方正、仲其偉、曹亞平、姜麗麗、孫穎、

4、李子龍、馬萍、張維庭、廖培希、李博睿、王帥、張宗帥、劉詩瑤、彭偉、程偉、姚濤、張輝、張利寬、任超、張紅兵、侯玲玉、楊紅軍、劉國棟、龍賽琴、王澤平 目錄 1 邊緣算力整體發展態勢.1 1.1 算力發展持續加速.1 1.2 邊緣算力政策逐步完善.2 1.3 邊緣算力標準體系初步構建.4 1.4 邊緣算力已成為產業各方布局重點方向.4 2 邊緣算力概念及關鍵特征.5 2.1 邊緣算力概念.5 2.2 邊緣算力特征.6 3 邊緣算力關鍵技術.7 3.1 邊緣算力基礎設施.8 3.2 邊緣算力網絡.11 3.3 邊緣智能.15 3.4 邊緣算力安全.22 4 邊緣算力典型應用場景.24 4.1 工業互聯

5、網.24 4.2 智慧社區.26 4.3 智慧能源.28 4.4 云游戲.31 4.5 軌道交通.33 4.6 車聯網.36 4.7 未來產業.39 5 邊緣算力未來展望.40 參考文獻.42 1 1 1 邊緣算力整體發展態勢邊緣算力整體發展態勢 1.11.1 算力發展持續加速算力發展持續加速 1.1.11.1.1 算力是數字經濟發展的重要支撐算力是數字經濟發展的重要支撐 近年來，數字經濟發展速度之快、輻射范圍之廣、影響程度之深前所未有，正在成為重組全球要素資源、重塑全球經濟結構、改變全球競爭格局的關鍵力量。黨的十八大以來，黨中央高度重視發展數字經濟，將其上升為國家戰略，數字經濟的新引擎作用不

6、斷凸顯。2022 年 1 月，習近平總書記發表題為不斷做強做優做大我國數字經濟的署名文章，進一步深刻闡明發展數字經濟意義重大，是把握新一輪科技革命和產業變革新機遇的戰略選擇1。算力作為數字經濟時代的核心生產力，為經濟增長提供了智能升級、融合創新的新動力，一方面，算力正加速向政務、工業、交通、醫療等各行業各領域滲透，成為傳統產業智能化改造和數字化轉型的重要支點。另一方面，以 AIGC（Artificial Intelligence Generated Content）為代表的人工智能應用、大模型訓練等新需求、新業務的崛起,推動算力規?？焖僭鲩L、計算技術多元創新、產業格局加速重構。算力作為數字經濟

7、核心產業的重要底座支撐，對上下游軟硬件產業的拉動作用日漸凸顯，2022 年全國電子信息制造業實現營業收入 15.4 萬億元，同比增長 5.5%。軟件業收入躍上十萬億元臺階，達 10.81 萬億元，同比增長 11.2%，保持較快增長2。1.1.21.1.2 邊緣算力價值凸顯邊緣算力價值凸顯 根據 Machina Research 研究報告顯示，2025 年全球物聯網連接數將增長至270 億個，聯網設備的指數式增長造成網絡傳輸能力及中心云處理能力捉襟見肘。同時，接入網絡的終端每年產生數據達 847 ZB，增量數據呈現分散性、碎片化的特點，超過 50%的數據需要在網絡邊緣側分析、處理與存儲3。而以大

8、型數據中心等為主的集中式算力雖然有強大的數據處理能力，但是在面對海量數據以及有限網絡帶寬帶來的挑戰時，無法實現全面計算覆蓋。此外，隨著 AR/VR、云游戲、智能控制等新業務蓬勃發展，產生了大量低時延響應需求，也需要邊緣算力完成數據的就近處理和分析，以滿足用戶的實時性要求。因此，邊緣算力已成為支撐IT、CT、OT 創新演進的關鍵基礎設施。（a a）ITIT 領域領域：當前，計算架構的革新和硬件制程的進步推動算力部署模式 2 從集中式向互聯協同的范式轉變。多異構芯片集成、Chiplet 技術以及新型封裝技術等為邊緣算力設備提供更強大的計算能力和靈活的定制化選項。此外，數據隱私和安全性受到各方高度關

9、注，邊緣算力可以實現數據本地處理分析，以減少數據傳輸風險，提高安全性。（b b）CTCT 領域：領域：新型網絡架構將采用服務化設計，實時感知用戶需求，支持資源可按需調用，為不同垂直行業提供快速響應和靈活部署。而實時感知能力需要邊緣算力支撐響應，在 5G 等網絡架構中明確定義了邊緣算力作為重要組成部分，以實現網絡智能化演進。（c c）OTOT 領域：領域：依托算力總量的持續增長和算力類型的不斷豐富，工業企業不斷加快數字化轉型步伐，其中，邊緣算力已成為工業數字化轉型的關鍵基礎設施之一?；谶吘壦懔Σ渴鸬墓I應用種類繁多且貫穿于各生產環節，目前已在設計模擬、訂單排產、生產制造、運營維護、安環管理、質

10、量追溯、物流庫存等重要場景形成一批典型應用。例如，工業生產質檢系統基于部署在產線附近的邊緣算力節點，實時采集產品圖像數據，并利用深度學習模型進行缺陷識別，能夠解決傳統機器視覺方案中數據傳輸延遲高、云端處理算力不足的問題，實現毫秒級缺陷檢測和實時反饋控制，大幅提升產品良率，降低人工質檢成本。1.21.2 邊緣算力政策逐步完善邊緣算力政策逐步完善 我國高度重視邊緣算力發展，出臺了一系列政策措施（參見表 1.1）4-6，推動邊緣算力技術創新、應用推廣和產業發展。同時，各級地方政府積極響應，支持邊緣算力在工業互聯網、車聯網等垂直領域的應用試點。表 1.1 我國邊緣算力相關政策 序號序號 發布發布 時間

11、時間 部門部門/省省 政策名稱政策名稱 具體內容具體內容 1 2021.7 工信部 新型數據中心發展三年行動計劃（2021-2023年）積極構建城市內的邊緣算力供給體系，支撐邊緣數據的計算、存儲和轉發，滿足極低時延的新型業務應用需求 2 2021.11 工信部“十四五”信息通信行業發展規劃 到 2025 年實現數據與算力設施服務能力顯著增強的目標。形成數網協同、數云協同、云邊協同、綠色智能的多層次算力設施體系。3 3 2022.1 國務院 關于印發“十四五”數字經濟發展規劃的通知 加快實施“東數西算”工程，推進云網協同發展，提升數據中心跨網絡、跨地域數據交互能力，加強面向特定場景的邊緣計算能力

12、，強化算力統籌和智能調度 4 2023.2 國務院 數字中國建設整體布局規劃 推進數字技術與經濟、政治、文化、社會、生態文明建設“五位一體”深度融合，強調系統優化算力基礎設施布局，促進東西部算力高效互補和協同聯動，引導通用數據中心、超算中心、智能計算中心、邊緣數據中心等合理梯次布局 5 2023.10 工信部、網信辦、教育部、衛健委、中國人民銀行、國資委 算力基礎設施高質量發展行動計劃 結合算力基礎設施產業現狀和發展趨勢，明確提出促進邊緣算力協同部署，加快邊緣算力建設，支撐工業制造、金融交易、智能電網、云游戲等低時延業務應用，推動“云邊端”算力泛在分布、協同發展 6 2024.5 網信辦、市場

13、監管總局、工信部 信息化標準建設 行 動 計 劃（2024-2027 年）建設“算、存、運”一體化算力基礎設施標準體系，面向融合共生的技術發展趨勢，推進云計算、邊緣計算、高性能計算等異構算力中心的共性標準研究。開展算力接入、調度、服務等相關標準研制。開展云網協同標準研制，促進云間互聯互通。7 2022.11 北京 2023 年北京數字經濟促進條例 強化算力統籌、智能調度和多樣化供給，提升面向特定場景的邊緣計算能力，促進數據、算力、算法和開發平臺一體化的生態融合發展 8 2023.1 江西 江西省未來產業發展中長期規劃(2023-2035年)加快提升技術創新能力，加強邊緣計算、人工智能等新興技術

14、領域研究。統籌建設協同集約的算力基礎設施?？茖W布局一批算力中心、邊緣計算節點、區塊鏈節點等，建設智能高效的融合基礎設施，支撐智能發展的行業賦能能力 4 9 2023.4 河南 2023 年河南省大數據產業發展工作方案 打造一批新型數據中心和邊緣數據中心，探索形成一批大數據產業技術規范和標準，靈活部署邊緣計算中心，建設邊緣計算城市節點，構建城市內邊緣算力供給體系 10 2023.9 上海 關于印發上海市進一步推進新型基礎設施建設行動 方 案（2023-2026 年）的通知 加快建成支撐人工智能大模型和區塊鏈創新應用的高性能算力和高質量數據基礎設施。建成多元供給、云邊協同、隨需調度、高效綠色的城市

15、高性能算力網絡體系。1.31.3 邊緣算力標準體系初步構建邊緣算力標準體系初步構建 目前，邊緣算力標準化工作主要圍繞四個方面開展：一是邊緣算力關鍵設備及組件標準；二是邊緣算力平臺標準；三是基于邊緣算力構建的算力網絡、分布式云等相關標準；四是邊緣算力應用標準。中國通信標準化協會 CCSA TC13 針對邊緣算力關鍵設備及組件開展標準研制工作，完成邊緣邊緣網關、邊緣控制器等技術標準近 20 項7，構建了以邊緣算力設備功能架構、參考架構、技術要求和測試方法為核心的邊緣算力關鍵設備及組件標準體系，有效推動了邊緣算力底層基礎設施的標準化進程。中國通信標準化協會 CCSA TC5 及 TC13 圍繞邊緣算

16、力平臺開展標準研制工作，完成移動通信網絡、工業互聯網等領域邊緣云等關鍵技術標準的制定，覆蓋資源管理、設備管理、應用管理、運維管理等功能規范，為邊緣算力平臺的研發方向提供技術指導。中國通信標準化協會 CCSA TC1 TC3、TC7 及 TC8 圍繞基于邊緣算力構建的算力網絡和分布式云開展標準研制工作，完成算力溯源、算力并網、算力度量、算力可信、算力安全、分布式云安全、分布式云運維管理等技術標準制定，為構建安全、可信、高效的邊緣算力網絡和分布式云生態體系奠定基礎。中國通信標準化協會 CCSA TC1 及 TC13 針對邊緣算力應用開展標準研制工作，已涵蓋公共通信、智能計算中心及工業數據中心等多個

17、領域，為各應用的算力能力要求提供重要參考。1.41.4 邊緣算力已成為產業各方布局重點方向邊緣算力已成為產業各方布局重點方向 隨著 5G 規?；瘧?，5G+邊緣算力產業進入快速發展期，基礎設施運營商充 5 分利用自身網絡資源，將算力和網絡接入端擴展成邊緣算力節點，形成邊緣算網一體化融合的獨特優勢。中國移動構建廣泛邊緣算力節點，并聚焦邊緣應用生態構建，基于邊緣算網融合能力提供泛在算力一體服務；中國電信自主研發邊緣云，賦能低延時、大帶寬及數據安全應用需求；中國聯通融合 5G、通信、大數據能力，構建 5G 邊緣算力體系，面向工業、視頻、車聯網等領域推出定制化邊緣服務；中國鐵塔依托遍布全國的站址機房資

18、源優勢，積極推進“通信塔”變“數字塔”、“通信機房”變“數據機房”，利用鐵塔站址按需網格化部署邊緣算力，從基礎設施共享、邊緣智算服務、算力共享服務等三個層面助力邊緣算力建設與發展，推動實現算力的泛在化、隨需化、普惠化；阿里云擴展中心云至邊緣，推出 OpenYurt 開源框架及邊緣節點服務，實現云原生應用邊緣部署?；A設施服務商持續加大邊緣算力產業布局。浪潮、新華三均推出邊緣超融合一體機，實現邊緣算力敏捷部署、數據就近接入、本地智能處理，同時集成 AI智能、物聯網平臺、數據平臺等多項能力;中興、華為積極探索邊緣算力技術創新，提供基于邊緣算力的行業解決方案，已在電力、制造、農業、醫療等行業廣泛應用

19、。工業企業基于行業經驗積累，將工業軟件部署至邊緣算力節點，提高生產運營效率。三一重工、海爾、商飛等在邊緣算力節點實現遠程 I/O 毫秒級實時控制及邏輯控制器集中虛擬化部署，動態調配網絡、控制、算力資源，降低設備固定資產投入，成功打造邊緣算力應用于制造業的“樣板間”。西門子、羅克韋爾等工業自動化企業推出基于邊緣算力的強化學習服務，通過強化學習智能算法創建大型設備預測性維護模型，實現工業生產高效運維管理。2 2 邊緣算力概念及關鍵特征邊緣算力概念及關鍵特征 2.12.1 邊緣算力概念邊緣算力概念 傳統上，算力的部署主要依賴于數據中心等基礎設施，這些設施通常位于特定的地理位置，如數據中心園區或企業自

20、建的機房內。然而，隨著云計算、邊緣計算等技術和業務的快速發展，算力部署方式正在發生深刻變革。集中式算力通過虛擬化技術將計算資源、存儲資源和網絡資源封裝成一個獨立的虛擬環境，為用戶提供按需使用、彈性擴展的計算服務；邊緣算力則將計算資源部署在更接近數據源和用戶的地方，以減少數據傳輸延遲和提高響應速度。6 邊緣算力是指在終端、本地或離用戶較近的位置部署的計算能力。邊緣算力邊緣算力是指在終端、本地或離用戶較近的位置部署的計算能力。邊緣算力利用多種通信網絡技術（如利用多種通信網絡技術（如 5G5G、WiFiWiFi、光纖通信等）連接分布式算力節點，通、光纖通信等）連接分布式算力節點，通過虛擬化和多層次的

21、算力資源協同，實現對資源的靈活、按需和實時調度，提高過虛擬化和多層次的算力資源協同，實現對資源的靈活、按需和實時調度，提高邊緣算力及網絡的利用率，增強業務的服務質量和安全性，降低服務延遲和提高邊緣算力及網絡的利用率，增強業務的服務質量和安全性，降低服務延遲和提高數據處理效率，提升用戶體驗。數據處理效率，提升用戶體驗。邊緣算力不僅僅是新設施、新架構以及新模式，而是三維一體的新生態，通過在網絡邊緣側匯聚網絡、計算、存儲、應用、智能等五類資源及能力，提高服務性能（“提速”）、開放控制能力（“敏捷”），提升用戶體驗，從而激發類似于移動互聯網生態的新模式和新應用。邊緣算力的“邊緣”可以從多個角度去理解。

22、一是地理位置的邊緣一是地理位置的邊緣，指的是數據源和用戶設備所在的網絡邊緣位置。這些位置可能包括智能手機、智能家居設備、工業傳感器、自動駕駛汽車等物聯網（IoT）設備的所在地。這些設備生成大量數據，并在其所在的網絡邊緣進行處理，以減少數據傳輸到中央云端的延遲和帶寬消耗。二是計算資源的邊緣二是計算資源的邊緣，指的是在用戶側部署的計算設備和資源。這些設備包括邊緣服務器、網關、路由器等，它們具有一定的計算能力和存儲能力，可以在本地處理數據并做出決策。這種分布式計算模式使得數據處理更加高效和靈活。三是數據流的邊緣三是數據流的邊緣，指的是數據在網絡中傳輸的路徑上的關鍵節點。這些節點可以對數據流進行預處理

23、、分析和決策，以減少需要傳輸到中央云端的數據量，通過在網絡邊緣進行數據過濾和壓縮，可以顯著提高數據傳輸的效率和安全性。邊緣算力在靠近數據源或用戶的地方提供計算、存儲等基礎設施，可以滿足業務的低時延需求，有效緩解網絡帶寬壓力。單個算力節點的算力資源有限，但可以借助運營商現有網絡基礎，將分布式算力節點網聯起來，打造邊緣算力集群，將計算任務調度至最優的邊緣算力節點進行處理，促使算力部署從中央走向邊緣，進而促進基礎網絡與計算深度融合。因此，邊緣算力部署的位置可以從端到云端的任何網絡位置。比如終端、邊緣控制器、邊緣網關、邊緣云、基站、核心網用戶面、有線的匯聚層（例如城域網）或接入層（例如 FTTH）等。

24、2.22.2 邊緣算力特征邊緣算力特征 7 相比傳統集中式算力部署，邊緣算力具有如下特征：資源異構：邊緣算力類型多樣，包括 CPU（ARM 或 X86）、GPU、NPU、FPGA等。因此，邊緣算力需要通過資源抽象對算力進行統一組織和管理，并封裝成用戶所需要的能力，融合不同協議的各類設備進行通信交互，并提供自適應的數據格式與內容適配。網絡異構：邊緣側網絡制式多元，同時面臨不同運營商的網絡平臺問題，因此邊緣算力網絡需要通過技術創新打造高可靠、低時延、高速率的網絡接入和算網協同調度能力，加快用戶接入的進程，使得用戶可隨時、隨地、隨需地通過無所不在的網絡接入無處不在的算力。泛在分布：邊緣算力的顯著特征

25、在于用戶和計算節點在地理上的泛在分布，由此產生的用戶數據也呈現出地理上的分散性。算力管控調度等技術實現分布式算力節點協同聯動提供統一的分析處理能力。低時延：由于數據處理在數據產生的源頭附近進行，因此可以顯著降低數據傳輸的延遲，提高應用的實時性，這對于需要快速響應的應用場景尤為重要，如自動駕駛、實時游戲等。低成本：邊緣算力可以減少對云端計算資源的依賴，降低數據傳輸的網絡帶寬成本。同時，由于邊緣設備通常具有較低的功耗和成本，因此可以進一步降低整體運營成本。高隱私：邊緣算力可以實現數據本地處理，減少數據在傳輸過程中的泄露風險，從而增強數據的隱私保護。3 3 邊緣算力關鍵技術邊緣算力關鍵技術 邊緣算力

26、的技術體系架構如圖 3.1 所示，主要包括：邊緣算力基礎設施、邊緣算力網絡、邊緣智能、邊緣算力安全等四方面。其中，邊緣算力基礎設施聚焦于計算、存儲、網絡等物理硬件資源及其虛擬化，邊緣算力網絡關注分布式算力資源的感知、度量、并網、調度、管控等，邊緣智能涉及系統部署、數據處理、模型優化、邊緣訓練、邊緣推理等關鍵問題，邊緣算力安全則貫穿始終提供對從基礎設施到上層服務的全面安全保障8。8 系統部署硬件資源資源虛擬化計算資源計算資源虛擬化存儲資源虛擬化存儲資源網絡資源虛擬化網絡資源邊緣邊緣算力算力基礎基礎設施設施邊緣邊緣算力算力網絡網絡邊緣邊緣智能智能邊緣推理邊緣訓練遷移學習聯邦學習持續學習邊緣算力安全

27、服務安全調度安全網絡安全數據安全基礎設施安全數據處理智能應用軟件框架裸機容器數采協議數據脫敏數據清洗特征工程模型優化無服務計算輕量化設計模型分割知識蒸餾條件計算計算卸載邊緣算力并網邊緣算力管控邊緣算力感知邊緣算力度量邊緣算力調度模型壓縮 圖 3.1 邊緣算力技術體系架構圖 3.13.1 邊緣算力基礎設施邊緣算力基礎設施 邊緣算力基礎設施由硬件資源和資源虛擬化組成，前者提供邊緣算力所需的計算、存儲、網絡等基礎硬件資源，后者則通過虛擬化技術將各類異構的基礎硬件資源抽象為邏輯資源，便于統一管理、調度和使用。3.1.13.1.1 硬件資源層硬件資源層 邊緣算力硬件資源層主要涵蓋計算、存儲、網絡等多種基

28、礎設施資源，共同構筑了邊緣算力的物理承載底座，其性能與效率直接決定著邊緣算力的整體服務能力。3 3.1.1.1.1.1.1 計算資源計算資源 計算資源主要是指 CPU、GPU、ASIC、FPGA、DSP 等各類處理器芯片及其組合所構建的加速卡。其中，X86、ARM 和 RISC-V 等 CPU 芯片主要面向通用計算，GPU主要面向圖形和 AI 訓練推理，而 ASIC、FPGA、DSP 等芯片則專注于定制化/半定制化計算和數字信號處理等功能。計算資源旨在滿足邊緣設備對于實時性、可靠性和計算能力的需求，能夠在接近數據源的位置進行本地化計算處理，有效減少數據傳輸延遲，并降低對網絡帶寬的依賴。邊緣算力

29、資源支持異構架構，能夠高效處理包括人工智能推理、圖像處理、信號處理等在內的復雜任務。3 3.1.1.2.1.1.2 存儲資源存儲資源 存儲資源主要負責在邊緣節點附近保存并緩存數據，主要包括邊緣算力設備 9 中的 RAM、HDD、SSD 及各類 RAID 陣列等。邊緣存儲將數據從遠距離的云服務器端遷移到離數據更近的邊緣存儲設備端，可以提供實時可靠的數據存儲和訪問。邊緣存儲作為一種基于邊緣算力的新型分布式存儲架構，將數據分散存儲在鄰近的邊緣存儲設備或邊緣數據中心，可大幅度縮短數據產生、計算、存儲之間的物理距離，提供高速低延遲的邊緣數據訪問和智能處理能力。邊緣存儲需具備高性能、高穩定、高可靠等特點，

30、以便滿足與邊緣算力、網絡協同及數據中心存儲的協同，從而實現數據的互聯互通與共享。3 3.1.1.3.1.1.3 網絡資源網絡資源 網絡資源在邊緣算力基礎設施中扮演著至關重要的角色，是確保數據高速傳輸與高效處理的核心通道。邊緣算力的網絡資源復雜多樣，包括各類以太網、光纖、無線等多種設備，共同構建可靠邊緣網絡基礎設施。3.1.23.1.2 資源虛擬化層資源虛擬化層 邊緣資源虛擬化將物理硬件資源抽象為邏輯資源，使得多個虛擬機或容器可以共享相同的硬件資源。虛擬化技術已在云計算中得到廣泛應用，在邊緣算力中同樣具有重要價值。與云計算不同的是，邊緣算力需要處理來自于各種異構設備的多種分布式資源，例如不同廠商

31、的服務器、路由器、網關、傳感器甚至是用戶終端設備。通過邊緣算力資源虛擬化，這些異構資源可以被抽象為統一的資源池。虛擬化層可以屏蔽底層硬件的差異，使得上層應用無需關心具體的硬件類型和配置，只需與虛擬資源接口進行交互。3 3.1.2.1.1.2.1 計算資源虛擬化計算資源虛擬化 邊緣算力的計算資源虛擬化是指通過虛擬化技術將邊緣設備上的物理計算資源抽象為多個虛擬資源，提高硬件利用率，增強系統靈活性，并滿足多樣化的應用需求。邊緣算力虛擬化通常依賴虛擬機監控程序或容器技術來實現。虛擬機監控程序可以將邊緣設備的 CPU 和內存等資源分割為多個虛擬機，使得每個虛擬機能夠運行不同的操作系統和應用程序。而容器技

32、術則進一步簡化了虛擬化的開銷，允許多個容器在同一操作系統內核上運行，具有更輕量、更高效的特點。Kubernetes等容器編排工具在邊緣算力中得到廣泛應用，用于自動化地管理和調度這些容器化應用。10 邊緣環境中計算資源虛擬化的價值不僅體現在資源整合和提高利用率上，更重要的是支持多租戶環境下的應用隔離和彈性擴展。通過虛擬化技術，邊緣設備可以在運行多個應用的同時，確保各應用之間的資源隔離，防止相互干擾。同時，虛擬化還能夠根據實時需求動態調整資源分配，使得邊緣算力能夠靈活應對突發負載和復雜應用場景，進一步提升了邊緣算力平臺的服務能力和響應速度。3 3.1.2.2.1.2.2 存儲資源虛擬化存儲資源虛擬

33、化 邊緣算力的存儲虛擬化是將邊緣設備上物理存儲資源抽象為虛擬存儲資源的技術。邊緣算力設備通常具備不同類型和容量的存儲介質，如固態硬盤（SSD）、閃存、甚至是低成本的機械硬盤。通過存儲虛擬化，這些異構存儲資源可以被整合為一個統一的虛擬存儲池，以滿足不同應用和服務的數據存儲需求，同時簡化數據管理和提升存儲資源的利用效率。在邊緣算力環境中，存儲虛擬化不僅有助于克服存儲資源分散的問題，還能夠提高數據的可用性和可靠性。通過存儲虛擬化技術，邊緣設備可以支持數據的分布式存儲、自動化備份和跨節點的冗余存儲。這種方式確保了即使某些邊緣節點發生故障，數據依然可以從其他節點快速恢復，從而減少數據丟失的風險。此外，存

34、儲虛擬化在邊緣算力中的另一個重要應用是數據的分層存儲。根據數據的訪問頻率和重要性，可以將數據智能地存儲在不同的存儲介質上。例如，頻繁訪問的數據可以存儲在高速的 SSD 上，而較少訪問的冷數據則可以轉移到更大容量但訪問速度較慢的硬盤上。這種分層存儲機制不僅優化了存儲資源的使用，還提高了數據訪問的效率。存儲虛擬化還為邊緣算力中的數據共享和協作提供了技術保障。通過虛擬化的存儲資源，多個邊緣節點能夠更方便地訪問和共享數據，支持邊緣算力環境中的協同計算和實時數據處理。同時，存儲虛擬化還可以結合數據加密和訪問控制機制，確保數據在邊緣設備之間傳輸和存儲過程中的安全性。3 3.1.2.3.1.2.3 網絡資源

35、虛擬化網絡資源虛擬化 在邊緣算力環境中，網絡虛擬化技術扮演著至關重要的角色。邊緣節點通常部署于地理位置分散的環境，節點間需要借助網絡進行通信和數據交互。然而，傳統的網絡架構難以滿足邊緣算力環境下網絡拓撲和流量負載的動態變化需求。網絡虛擬化技術支持邊緣算力平臺對網絡資源進行靈活配置的能力。通過軟 11 件定義網絡(SDN)和網絡功能虛擬化(NFV)等技術，邊緣算力平臺可以實現虛擬網絡的按需創建、動態調整和高效銷毀，從而確保應用和服務能夠在異構的網絡環境下保持高性能運行。網絡虛擬化還支持邊緣算力中的多租戶隔離。在邊緣算力場景中，多個應用或服務可能需要共享同一個物理網絡資源。通過網絡虛擬化技術，平臺

36、可以為不同的租戶創建獨立的虛擬網絡，確保各租戶之間的網絡流量相互隔離，從而提高網絡安全性。此外，虛擬網絡的配置和管理也更加靈活，可以根據應用的需求動態調整網絡帶寬、延遲和可靠性等參數。在邊緣算力的網絡虛擬化中，NFV 技術的應用也十分關鍵。傳統的網絡功能（如防火墻、負載均衡、路由等）通常依賴于專用硬件設備，而 NFV 通過將這些功能以軟件的形式虛擬化，可以在通用硬件上靈活部署，從而減少對專用設備的依賴，提高網絡服務的靈活性和可擴展性。在邊緣算力中，NFV 可以幫助快速部署和更新網絡功能，支持復雜的網絡環境和多樣化的應用需求。3.23.2 邊緣算力網絡邊緣算力網絡 隨著邊緣算力的快速發展，邊緣節

37、點數量和層級不斷增加，為構建靈活高效的算力網絡提供了基礎。邊緣算力網絡通過對分布式算力資源進行感知、度量、并網、調度、管控和交易等操作，整合泛在分布的邊緣算力資源，實現一體化的接入和管理，從而滿足不斷增長的算力資源分配需求，成為邊緣算力技術的重要研究方向。3.2.13.2.1 邊緣算力感知邊緣算力感知 邊緣算力感知是針對具體場景下的邊緣算力需求的感知和邊緣算力資源的感知，通過面向邊緣算力、SLA 需求的感知、分析技術，構建邊緣算力度量及感知體系。邊緣算力感知的核心在于對異構算力資源進行一體化接入與管理，不僅需要提供快速響應的能力，還需要實現資源利用的動態優化。這對分布式計算節點的管理和調度提出

38、了較高的要求。通過實時感知算力資源的狀態、負載和需求，邊緣算力感知技術可以動態調整資源分配策略，確保計算任務的高效執行和資源的合理利用。邊緣算力池是實現邊緣算力感知的關鍵機制之一，將計算資源集中于資源池中，使用戶可以通過網絡以便利的、按需申請的方式獲取算力資源。這種集中式 12 管理不僅實現了算力資源的可視化，還為資源的感知、調度和編排提供了基礎。算力資源池可以顯著提高資源利用率，通過統一管理降低運維成本，并提高算力資源的調度效率。通過設立算力資源池可實現：（1）資源整合與可視化，算力資源池集中管理異構算力資源，包括其位置分布、計算特性和動態占用等情況，使得資源的可視化更加直觀，有助于對資源狀

39、態的實時監控和分析。（2）高效調度與動態優化，通過實時感知和分析資源需求，算力資源池能夠動態調整資源的分配策略，不僅平衡了算力資源的利用率，還降低了網絡擁堵和系統延遲，提高了計算任務的響應速度和系統的整體性能。（3）降低運維成本，集中式資源池可以減少對分散資源的維護和監控成本，實現對整個資源池的高效管理，可以降低運營成本，并提升系統的可靠性和穩定性。當前，邊緣算力感知技術正在向智能化、自動化和全局優化的方向發展。未來，隨著人工智能和機器學習技術的引入，邊緣算力感知系統將能夠更精確地預測資源需求和負載變化，實現更加智能的資源調度和動態優化。此外，邊緣算力感知技術將與 5G 等網絡技術進一步融合，

40、推動端到端的資源管理和優化，滿足更加復雜和多樣化的計算需求。3.2.23.2.2 邊緣算力度量邊緣算力度量 在邊緣算力的發展過程中，邊緣算力度量成為了一個關鍵指標，用以評估邊緣算力系統的性能、效率以及資源利用率，其核心在于量化邊緣算力資源以及多樣化 SLA 需求，建立統一的標準化的度量指標體系，以實現高效的算力利用和任務處理。通過準確的算力度量，可以更好地優化邊緣算力資源的分配，提高系統的整體效能。因此，算力度量技術是實現邊緣算力網絡的重要基礎。類比云計算計量方法，邊緣算力度量可以分為計算、存儲和網絡分別進行度量，以更好的滿足業務對算力資源的需求。邊緣算力的計算能力度量通常采用運算能力作為關鍵

41、指標，常用單位包括OPS（Operations Per Second）和 FLOPS（Floating-point Operations Per Second）。OPS 泛指處理器每秒所能執行的操作次數，而 FLOPS 特指每秒可執行的浮點運算次數，更側重于反映處理器的數值計算能力。這里的處理器涵蓋范圍廣泛，不僅包括傳統的 CPU，還包括 GPU、FPGA、ASIC、DPU、TPU 等各類專用芯片。不同類型的處理器擁有各自獨特的性能指標和應用場景，實際應用中往往需 13 要采用多維度的度量體系來全面、準確地描述其性能。例如，除了運算能力之外，還需要考慮內存帶寬、功耗、延遲等因素。邊緣算力的存儲

42、能力決定了其可以存儲和處理的數據量。存儲能力包括持久存儲（如 HDD、SSD）和臨時存儲（如 RAM）的容量和讀寫速度。對于數據密集型應用，如視頻監控、數據緩存、日志分析等，充足的存儲能力是保證系統穩定運行的基礎。存儲資源可從磁盤/內存存儲容量、IO 讀寫效能、吞吐率等維度進行度量。邊緣算力的網絡能力度量除了網絡帶寬、時延之外，還包括可用私網個數、可用公網 IP 地址數等。網絡延遲是指數據在邊緣節點之間傳輸所需的時間，通常以毫秒（ms）為單位衡量。低網絡延遲是邊緣算力的一大優勢，因為它能夠顯著減少數據從源頭到處理節點的傳輸時間，提高系統的實時性和響應速度。隨著邊緣基礎設施的發展，電信運營商提供

43、算力和網絡的綜合服務，其核心能力在于對行業應用場景中算力及網絡時延的確定性保障。在這一過程中，電信運營商通過對算力資源與網絡資源提供統一的度量標準，對行業應用場景中相關算網資源進行量化描述，然后根據業務 SLA 對算網資源進行轉譯建模，進而支持將業務按需映射到網絡、計算及存儲資源，為業務的動態調度和路由尋址提供可靠支撐，實現多樣性算力資源調度與管理，大幅提高算網應用中各個網元間的協同工作效率。目前，邊緣由于其異構性算力資源的度量還缺乏統一的標準和衡量方式，業界研究機構、產業聯盟、標準組織等尚未形成統一結論?；?SLA 通過統一的量化描述將異構算力資源與多樣化的業務需求綜合考慮，進而實現對算力

44、資源的度量，或可成為邊緣算力度量技術發展的方向之一。隨著邊緣算力與網絡資源的深度融合，邊緣算網統一度量將有效推動算力資源和網絡資源的有機融合與協同優化，從而實現形成標準化歸一化的度量體系。3.2.33.2.3 邊緣算力調度邊緣算力調度 邊緣算力調度技術對分布式計算資源（如 CPU、GPU、FPGA 等）進行動態管理和調度，根據實時需求、資源狀態和網絡條件將工作負載智能分配到邊緣算力節點，以優化性能、減少延遲和提升資源利用效率。邊緣算力調度技術主要包括以下方面：（1）動態資源分配，能夠實時監測各個邊緣節點的資源狀況，如 CPU、內存、存儲和網絡帶寬，動態調整任務分配。14（2）負載均衡，通過算法

45、自動將任務分散到多個邊緣節點，防止個別節點過載，從而提升系統整體性能。（3）延遲優化，根據用戶位置和網絡條件，智能選擇最合適的邊緣節點來執行請求，減少數據傳輸的延遲。（4）智能分析與預測，利用機器學習技術分析歷史數據，預測未來的資源需求變化，提前做好相應的資源準備。（5）故障恢復與容錯，在邊緣節點發生故障時，系統能夠迅速將任務遷移到其他健康節點，確保服務的連續性。未來，邊緣算力調度將更多地依賴于智能化技術，如可編程網絡技術和智能感知網絡技術，以提升調度效率和靈活性。同時，面向算力大規模落地的趨勢，邊緣算力調度通過原生 AI 算力工具讓不同種類的芯片大規模并行，同時發揮最大效率，并讓算力使用者無

46、需關注不同芯片生態，做到隨取隨用。3.2.43.2.4 邊緣算力管控邊緣算力管控 邊緣算力管控技術是指對邊緣算力資源進行有效管理，實現計算、存儲、網絡等資源的協同與優化，以滿足多種應用場景的需求。邊緣算力管控根據任務類型、優先級、資源要求等因素，采用合適的調度算法（如最長任務優先、最短作業優先等）對算力任務進行合理調度和分配，使得資源得以充分利用，并確保任務的高效執行。同時，邊緣算力管控通過深度集成云端和邊緣節點，實現跨層次的服務，優化資源利用和任務調度，提升整體系統的效率和響應速度，并通過對歷史數據和未來趨勢的分析，進行算力需求的預測，動態調整邊緣緩存的內容和位置，以提高數據訪問速度和用戶體

47、驗。3.2.53.2.5 邊緣算力并網邊緣算力并網 邊緣算力并網是將邊緣算力的分布式計算能力與網絡資源深度融合，形成一種新型的信息服務模式，以滿足算網融合的需求。算力并網通過網絡將大量閑散的資源連接起來并進行統一管理和調度，同時實現多級資源節點的協同調度與應用的靈活部署。邊緣算力并網作為算力網絡提供服務的重要方式之一，以解決現網資源調度需求為目標，面向典型業務場景實現多方算力對接互聯與協同共享、算力資源一體化調度，構建動態共享的新型基礎設施合作模式。邊緣算力具有分布式特性，需要通過網絡調度能力實現算力資源的調度、共享等，因此，算力并網需要具備較強的感知能力，不僅能夠感知不同邊緣應用的 15 算

48、力需求，還要能實時感知算力互聯網絡的連接狀況，為邊緣應用提供差異化高可靠的算力服務。3.33.3 邊緣智能邊緣智能 邊緣智能通過在邊緣節點應用人工智能算法進行部分訓練和推理決策。移動終端等設備通過將深度學習模型的推理或訓練任務卸載到臨近的邊緣算力節點，以完成終端設備的本地計算與邊緣服務器強計算能力的協同互補，進而降低終端設備自身資源消耗和任務推理的時延或模型訓練的能耗，保證良好的用戶體驗。同時，將人工智能模型部署在邊緣設備上，可以為用戶提供更加實時的智能應用服務。此外，依托遠端的云計算服務，根據設備類型和場景需求，可以進行近端邊緣設備的大規模安全配置、部署和管理以及服務資源的智能分配，從而讓智

49、能能力在云端和邊緣之間按需流動。邊緣智能是邊緣算力的重要使能技術，涉及到系統部署、數據處理、模型優化、邊緣訓練、邊緣推理等關鍵問題。3.3.13.3.1 系統部署系統部署 邊緣算力設備異構性強、計算資源受限，軟件部署框架對在不同環境中實現和運行邊緣智能起著至關重要的保障作用。邊緣智能系統部署不僅包括了主流的裸機、容器、無服務器計算（Serverless）等隔離部署方式，也涵蓋了各種智能應用部署軟件框架。這些環境和技術的選擇對系統的性能、可靠性和可擴展性有著直接影響。裸機部署裸機部署是直接在物理服務器上運行應用程序的部署方式，避免了虛擬化帶來的性能開銷，從而提供了較高的計算性能和快速響應能力。該

50、方式使得應用能夠充分利用處理器、內存和存儲等硬件資源，提供優異的計算性能和響應速度。但其缺點在于其靈活性較低，硬件資源必須事先分配和配置，可能導致資源閑置同時擴展和維護通常需要物理訪問服務器，復雜且成本高，大規模部署可能需要更多的時間和專業人員。因此在實際系統中，通常采用容器化方式容器化方式進行快速部署，能夠提供輕量級、可移植和可擴展的方式來打包、部署和運行應用程序及其依賴項。無服務器計算無服務器計算提供了比容器更加便捷的邊緣智能模型部署方式，開發者可以專注于代碼的功能開發而無需關心底層硬件的管理，平臺自動管理應用的擴展需求，根據實際使用來動態分配資源，不僅提高了資源的利用率，還可能降低運營

51、16 成本。無服務器計算極大簡化了部署和維護的過程，加速了開發和應用的迭代周期，尤其適合于處理邊緣端間歇性或不連續的工作負載，例如基于事件的觸發器、輕量級微服務等場景，能夠靈活響應業務需求的變化。除上述基礎部署框架外，機器學習領域還有如 TVM、PyTorch、TensorFlow、ONNX 和 PaddlePaddle 等一系列的智能應用框架，支持從模型訓練到部署的全過程，使開發者能夠針對不同硬件環境實現高效的運行，有效提升應用的開發與執行的效率、可擴展性和最終的性能。3.3.23.3.2 數據處理數據處理 邊緣智能以分布式方法實現人工智能訓練和推理，對分布式的數據處理存在較高要求，技術上需

52、要對數采協議、數據脫敏、數據清洗、特征工程等進行深入研究。3 3.3.2.3.2.1 1 數采協議數采協議 在邊緣智能場景中，隨著網絡自動化、通感和網絡分析等 5G 應用的興起，人工智能和機器學習的使用愈加頻繁，帶來了高頻率和海量的數據交互，具有巨大的通信開銷。面對高頻次、大流量的數據交互需求，需要對現有的服務化接口增強優化，以便在用戶面、核心網或無線側的會話級或設備級的數據交互場景中更高效的匯集所有數據。例如，采用 UDP 協議替代 HTTP+TCP 協議，可降低數倍CPU 開銷。這些增強型協議未來也可用于模型交互和模型分發等應用場景，在多節點間完成更低消耗、更高效率的數據交換和任務協調，以

53、確保數據可以在最短時間內被處理和響應，并保障數據傳輸的可靠性和可擴展性。3GPP R19 已開展智能數采協議的相關研究。3 3.3.2.2.3.2.2 數據脫敏數據脫敏 數據脫敏是一種通過數據變形等方式處理敏感數據，從而降低敏感數據暴露風險的數據處理技術。在邊緣智能場景中，大量數據在邊緣側產生并部分傳輸至中心服務器進行處理。這些數據中可能包含個人隱私信息或企業敏感數據，需進行數據脫敏處理，有效防止隱私數據在采集、傳輸、使用等環節中暴露。邊緣數據脫敏需在邊緣數據傳輸到云服務器之前，在保留數據原本特性的基礎上，根據不同的數據脫敏規則和算法，對特定敏感信息進行模糊化、無效化、替換、亂序、加密或掩碼處

54、理，并且保證脫敏后的數據依舊存在可用性，滿足后續 AI 分析、17 機器學習、關聯分析等應用場景的使用需求。3 3.3.2.3.3.2.3 數據清洗數據清洗 數據清洗是對數據進行去重、填補缺失值、處理異常值和轉換格式等操作，以去除或修復數據集中存在的錯誤、不一致、不完整和冗余等現象，以確保數據質量和準確性的技術。在邊緣智能場景中，邊緣側收集的大量數據往往具有噪聲或異常值，直接分析未經清洗處理的數據會影響效率和準確性。在實際應用中，一些工具和技術如 Pandas、NumPy 和 OpenRefine 可用于數據清洗，消除錯誤數據和干擾噪聲，從而提高智能分析和建模精度。例如，在工業互聯網場景中，傳

55、感器數據易受到工業現場惡劣環境的干擾或設備故障影響，而數據清洗可過濾掉無效數據，確保后續數據分析的可靠性和高效性。3 3.3.2.4.3.2.4 特征工程特征工程 特征工程是數據科學和機器學習中的關鍵步驟之一，是從原始數據中提取、選擇、轉換和創建對預測模型有用的特征，以提高模型性能和效果的技術。首先，特征提取是特征工程的重要部分之一，指從原始數據中抽取有效的信息。例如，在圖像處理任務中，邊緣設備采集的原始圖像數據包含成千上萬的像素值。通過特征提取，可將像素值轉化為諸如邊緣、紋理或形狀等更具代表性的特征，以便后續模型訓練或推理時可以更高效地理解圖像內容。其次，特征選擇也是特征工程的關鍵步驟。邊緣

56、側數據集通常具備大量數據特征，但并非所有特征都與分析任務存在直接關聯。特征選擇技術可以篩選出對模型的訓練和推理最具貢獻的典型特征，減少冗余和相關性低的特征，防止模型過擬合。在實際應用中，常見的特征選擇方法包括過濾法（如方差閾值）、包裹法（如遞歸特征消除）以及嵌入法（如 L1 正則化）等。特征變換是特征工程的另一核心環節，需對現有邊緣數據特征進行數學或統計變換，以提升特征的表現力。例如，可通過數據的標準化和歸一化調整特征的范圍或分布，從而使模型更快收斂。在邊緣側進行特征工程，從原始數據中提取、轉換和選擇有意義的特征，使模型更好地理解數據的內在模式，從而可以顯著提升模型的準確性、魯棒性和泛化能力。

57、3.3.33.3.3 模型模型優化優化 在邊緣智能場景中，模型的優化處理直接影響到應用的性能和效率。目前有主流優化技術包括輕量化設計、模型壓縮、模型分割等，旨在解決邊緣設備的資 18 源限制問題，通過智能的算法和策略，優化數據處理過程，降低延遲，節省內存資源和能耗。3 3.3.3.3.3.1 1 輕量化設計輕量化設計 模型輕量化設計是指通過一系列技術和方法，對原始的大型 AI 模型進行優化和壓縮，減少深度神經網絡的參數和計算量，以減少其所需的計算資源、存儲空間和運行時間，同時保持或提升模型的預測精度和泛化能力，特別是在邊緣設備、移動設備或資源受限的環境中。如 MobileNet、Shuffle

58、Net 和 EfficientNet等更小、更高效的網絡架構，通過引入深度可分離卷積、組卷積和通道分組等技術，大幅減少計算量和參數數量。在此基礎上衍生出了神經架構搜索（NAS）等自動模型輕量化方法，通過優化搜索和評估過程，自動生成高性能的神經網絡架構，從而提高模型的性能并減少人工設計的精力，使其更易于在實際應用中推廣和使用。3 3.3.3.2.3.3.2 模型壓縮模型壓縮 模型壓縮指的是通過減少模型的參數量來減小模型的體積和計算量，從而使得復雜的深度學習模型能夠在資源受限的邊緣設備上運行，這對于計算資源相對受限的邊緣設備來說非常重要。按照壓縮過程對網絡結構的破壞程度，一般將模型壓縮技術分為“前

59、端壓縮”和“后端壓縮”兩部分。前端壓縮，是指在不改變原網絡結構的壓縮技術，主要包括知識蒸餾、輕量級網絡（緊湊的模型結構設計）以及濾波器層面的剪枝（結構化剪枝）等；后端壓縮，是指包括低秩近似、未加限制的剪枝（非結構化剪枝/稀疏）、參數量化以及二值網絡等，目標在于盡可能減少模型大小，會對原始網絡結構造成極大程度的改造。3 3.3.3.3.3.3.3 模型分割模型分割 模型分割通常指的是將一個大型或復雜的機器學習模型（尤其是深度神經網絡）拆分成多個部分，這些部分可以在不同的硬件或設備上獨立運行。模型分割的主要目的是優化計算資源的使用，優化目標主要在于時延最小化、內存最小化和能耗最小化，以改善性能表現

60、、減少延遲、降低運行成本。在許多實時應用和移動設備中，由于資源限制，模型分割變得尤為重要。在多個設備或處理單元之間智能地分配計算任務，可以最大化硬件的使用效率，尤其是在異構計算環境中，不同的硬件可能對不同類型的計算任務有不同的優化和加速，從而使得任務可以 19 更好的完成。根據分割的維度，可分為將不同神經網絡層級切分的流水線并行、將一層分配到不同設備上的數據并行等策略。在松耦合的邊緣側，也即通信開銷較大的節點間，通常使用流水線并行策略，降低層內數據的傳輸開銷；在緊耦合的邊緣數據中心，可考慮采用數據并行與流水線并行混合的策略，更好的利用計算資源。同時，模型分割可以提高模型的伸縮性，通過和其余設備

61、共享計算的結果，一些計算資源受限的設備上也可以完成復雜的計算。在決策延遲方面，模型分割可以幫助將關鍵的決策計算前置到本地執行，從而減少了響應時間。模型分割的實現通常涉及多個步驟，包括模型的結構分析、計算瓶頸的識別、計算任務的劃分以及跨多個平臺的同步與通信優化。3.3.43.3.4 邊緣訓練邊緣訓練 傳統云端訓練需要穩定且高速的網絡連接來上傳和下載數據及模型，對網絡帶寬和時延都提出了很高的要求。邊緣訓練是一種模型分布式訓練方法，主要在本地處理數據，數據傳輸量更少、距離更短，可以有效減少對網絡帶寬、時延等方面的苛刻要求。然而，由于邊緣側數據來源復雜、資源異構受限，且在訓練參與方更多，導致邊緣訓練機

62、制方法更加復雜。傳統云端訓練的很多大模型訓練技術技巧（如 3D 混合并行訓練、激活重計算等）和自動并行工具（如數據并行、張量并行、流水線并行等）仍需進一步研究適配到邊側訓練。目前，學術界針對邊緣訓練過程中多邊緣節點協作訓練與隱私保護、邊緣智能模型的知識遷移、邊緣模型的持續優化等三方面主要問題，分別提出了聯邦學習、遷移學習與持續學習三類技術分支進行解決。3 3.3.4.3.4.1 1 聯邦學習聯邦學習 聯邦學習（Federated Learning）是一種分布式機器學習方法，允許模型在多個設備上進行訓練，而無需將數據集中到中央服務器。這種方法通過在本地設備上進行訓練，并僅共享模型參數或梯度，保護

63、了用戶的隱私和數據安全，為實現大規模分布式機器學習提供了新的可能。聯邦學習適用于邊緣設備多、數據分散且敏感的場景，在如移動設備上的個性化服務、醫療數據共享、物聯網設備管理等領域都有較大的應用潛力?，F有研究中，技術創新主要集中在提高通信效率、保護數據隱私、實現個性化和自適應的訓練。3 3.3.4.3.4.2 2 遷移學習遷移學習 20 遷移學習（Transfer Learning）是將從一個任務（稱為源任務或源域）學到的知識應用到另一個不同但相關的任務（稱為目標任務或目標域）上的機器學習技術。其核心思想是利用已有的知識來解決新的問題，可以減少對大量標記數據的依賴，提高學習效率，幫助模型在新的任務

64、上獲得更好的泛化能力。遷移學習在計算機視覺、自然語言處理、語音識別等多個領域都有廣泛應用，特別是在那些標記數據稀缺或獲取成本高昂的領域。通過遷移學習，可以有效地利用有限的資源來訓練出性能較好的模型，但也在源域和目標域具有較大差異時，存在負遷移、領域適應、模型選擇等問題。在邊緣算力中，由于資源限制（如計算能力、存儲空間和帶寬）和數據的動態性，傳統的集中式學習方法往往無法滿足實時處理和高效利用數據的需求。因此，面向邊緣訓練的遷移學習成為了提高邊緣設備上模型性能和降低延遲的有效手段。面向邊緣訓練的遷移學習關鍵技術有以下幾類：（1）分布式模型訓練，在多個計算節點上并行訓練模型的方法，以提高訓練效率和模

65、型性能，由于資源受限和數據分布的非獨立同分布性，該方法能夠有效利用邊緣設備的計算能力和存儲資源，同時減少數據傳輸的需求。（2）去中心化模型訓練，無需中心服務器參與的模型訓練方法，各邊緣節點通過交換參數或梯度信息來共同更新模型，可以提高系統的魯棒性和安全性，避免單點故障。（3）智能任務負載遷移，根據邊緣設備的資源狀態和任務需求，動態調整任務的執行位置，以優化資源使用和降低延遲，涉及到基于深度強化學習等復雜決策算法。（4）對抗知識遷移，將復雜模型中的知識遷移到簡化模型的技術，以提高后者的魯棒性，通常涉及從復雜模型到簡化模型的知識蒸餾過程。（5）計算遷移策略，在不同的計算節點（如云端和邊緣設備）之間

66、動態地分配和重新分配計算任務和資源，通過將計算密集型的任務遷移到具有更多資源的中心節點，或者將簡單或不那么密集的任務保留在邊緣設備上執行。3 3.3.4.3.4.3 3 持續學習持續學習 持續學習（Continuous Learning）是一種允許機器學習模型在持續接收新數據的同時不斷改進和調整其性能的機器學習范式。它能夠不斷地學習和適應而不會遺忘之前學到的知識，使得模型在面對不斷變化的數據或任務時，能夠保持高效的學習能力。持續學習中模型可以處理未標記數據，不斷擴展其知識庫。已有的學術研究借助記憶回放、參數隔離等方式實現高效的持續學習。在邊緣智能 21 場景中，由于計算設備的算力往往受限，因此

67、通常將全量大模型蒸餾為小模型使用。小模型僅能在部分場景中達到最優，若遇到“數據漂移”情況，也即模型無法適應場景的變化，就需要使用持續學習來進行更新。其面臨挑戰包括以下幾個方面：（1）過擬合，模型可能會對新數據過度適應，導致性能下降。（2）資源限制，某些情況下模型可能無法實時處理新數據，特別是在資源受限的環境中。（3）數據分布變化，隨著時間的推移，數據的分布可能會發生變化，這可能需要模型進行重大調整。3.3.53.3.5 邊緣推理邊緣推理 分布式推理是邊緣智能的一項關鍵技術，通過在多個邊緣設備上分布部署和執行推理任務，實現高效的數據處理和智能決策。例如，在智能監控中，可以將視頻分析任務分布到多個

68、攝像頭上進行本地化處理，通過分布式推理引擎實現實時的目標檢測和行為分析；在智能制造中，可以將生產線上的多個傳感器數據分布處理，使用智能邊緣網關進行數據聚合和邊緣推理加速，實現設備狀態的實時監測和故障預測。工程實現方面，通常利用分布式計算框架實現多節點的協同工作完成分布式推理，邊緣設備間通過高效的通信協議進行數據交換和任務協調。分布式推理不僅提高了系統的響應速度，還增強了系統的魯棒性和可靠性，適用于各類需要實時決策的應用場景。目前邊緣推理的關鍵技術主要包括條件計算、知識蒸餾、計算卸載等。3 3.3.5.1.3.5.1 條件計算條件計算 條件計算（Conditional Computation）通

69、過在推理過程中僅激活模型的部分計算路徑來提高效率和減少資源消耗。其核心思想是根據輸入數據的特性或模型當前的狀態，動態地決定哪些計算路徑（如網絡層或神經元）應該被激活。這樣可以避免對不相關的計算路徑進行不必要的計算，從而節省計算資源并加快推理速度，同時也增強模型靈活性，使模型能夠更好地適應多樣化的輸入數據。條件計算特別適用于輸入數據具有高度可變性的場景，如自然語言處理（NLP）中的文本分類或機器翻譯。在圖像識別任務中，條件計算可以幫助模型專注于圖像中的特定區域，而不是整個圖像。3 3.3.5.2.3.5.2 知識蒸餾知識蒸餾 知識蒸餾通過訓練模仿較大模型的輸出，將知識從一個大型訓練模型（或模 2

70、2 型集合）轉移到一個較小的模型中進行部署。知識蒸餾的核心思想是通過引導輕量化小模型模仿性能更強大的大模型的行為，將大模型的知識遷移至小模型。根據小模型所模仿的不同行為類型，知識蒸餾可分為基于對元的知識蒸餾、基于特征的知識蒸餾、基于關系的知識蒸餾，以及面向大模型涌現能力的知識蒸餾四類。3 3.3.5.3.5.3 3 計算卸載計算卸載 計算卸載是指資源受限的設備將資源密集型的計算任務部分或全部遷移到資源豐富的附近設備上，以解決移動設備在資源存儲、計算性能和能效方面的不足。計算卸載技術不僅減少了核心網絡的壓力，還減少了傳輸導致的延遲。該技術主要集中在兩個問題上：卸載決策和資源分配。其中，卸載決策涉

71、及如何卸載計算任務、卸載多少以及為移動設備卸載什么；資源分配則研究在哪里進行資源的卸載。卸載決策的執行分為三個步驟，首先是代碼解析器確定可以卸載的內容，具體的卸載內容取決于應用類型和代碼數據分區；接著，系統解析器負責監控各種參數，如可用帶寬、待卸載數據的大小或執行本地應用程序的能源消耗，最決策引擎決定是否卸載。卸載決策結果分為三種情況：本地執行、完全卸載和部分卸載，具體決策結果由完成計算任務時的能量消耗和延遲決定。根據卸載決策的優化目標，計算卸載可以分為三種類型：減少延遲、減少能量消耗，以及平衡能量消耗和延遲。3.43.4 邊緣算力安全邊緣算力安全 邊緣算力節點分布廣、環境復雜、數量龐大等特點

72、，很多應用在設計之初未能完備的考慮安全風險，包括算力用戶數據的安全和算力提供者基礎設施的安全等，傳統的安全防護手段已經不能完全適用泛在計算的安全防護需求，一旦被攻擊控制，可能會帶來較大的安全風險，影響用戶的數據，阻礙行業的發展。目前邊緣算力還處于發展初期，將安全與業務同步規劃建設，才能保證邊緣算力的健康發展。3.4.13.4.1 基礎設施基礎設施安全安全 隨著業務應用的推廣,邊緣算力面臨邊緣節點被攻擊、邊緣節點作為跳板向算力網絡發動橫向或縱向攻擊、邊緣節點部署環境不安全等風險。針對上述風險,需重點從網絡服務安全、邊緣算力平臺安全、能力開放安全、數據安全等維度進行安全防護。在網絡服務安全方面,需

73、實現網安全和用戶面網絡功能安全。在邊 23 緣算力平臺安全方面,重點考慮系統安全、邊緣服務授權、應用切換過程中的服務認證和授權、用戶接入安全等。在能力開放安全方面,應對 API 進行安全管理、發布和開放。在數據安全方面，應提供輕量級數據加密、數據安全存儲、敏感數據處理和敏感數據監測等關鍵技術能力，保障數據全生命周期安全,保障邊緣算力所處理數據的完整性、保密性和可用性。3.4.23.4.2 數據數據安全安全 邊緣算力中數據分散到多方算力節點進行計算,使數據面臨隱私泄露和結果篡改的風險。因此，需要采用數據安全防護、數據流轉安全以及計算安全等多種技術實現對數據的可用不可見和實時感知。邊緣算力中的數據

74、安全防護是對數據全生命周期的防護,覆蓋數據采集、數據傳輸、數據存儲數據處理、數據共享、數據銷毀等各階段,同時對各階段的數據安全風險進行集中監測與預警處置。數據流轉過程中需對數據做好標識,對數據流轉節點、數據操作、數據流向等信息進行記錄,要構建跨系統的統一的數據流轉標識和預授權能力,實現數據出網可管控、數據流轉可感知,在算力網絡中引入數據標識和流轉監測技術，及時發現數據流轉安全威脅,做到對數據流轉的安全可控。在多方算力節點參與計算的場景下，為保障數據安全引人隱私計算技術。隱私計算主要包括密碼學、可信執行環境、信息混淆脫敏、分布式計算等技術路線,分別適合不同的應用和場景。3.4.33.4.3 網絡

75、網絡安全安全 目前視頻內容已成為移動網絡流量主要來源，其傳輸處理消耗大量邊緣算力資源，對基礎設施提出了很大的挑戰。在大型網絡中，往往存在惡意設備的潛在滲透，惡意設備通過向網絡中注入虛假信息或篡改數據等惡意內容，破壞系統可靠性。此外，內部攻擊者為避免被發現，可能采取相互保護措施，需要對網絡中的惡意設備進行有效識別。構建基于主動檢測的信任評估方法，消除對主觀經驗或正確數據包轉發的依賴，使信任證據更加準確。設備將被檢測設備提供的可驗證內容的校驗和轉發給基站，并對可疑節點進行有針對性的主動檢測，足夠的交互可以使設備之間的信任鏈更加準確和牢固，從而減弱惡意設備碰撞攻擊的影響，實現算力信息的安全通信。3.

76、4.43.4.4 調度安全調度安全 邊緣算力設備通過交換機路由器等聯網，構建成了云邊端的服務架構，彈性 24 地向客戶提供各種服務。為保障邊緣算力能夠高效調度、順暢運轉，一方面要做好設備和通信鏈路的主從備份，另外還要做好調度策略的應急預案，保證在部分設備失效的情況下，仍然保證邊緣算力可以有效調度資源，保障計算任務的高效完成。3.4.53.4.5 服務安全服務安全 邊緣算力系統中，用戶頻繁地通過網絡使用相關的算力服務和資源，因此需要保障在用戶和算力服務資源提供商之間的算力交易安全可信。通過采用區塊鏈技術，將算力服務交易和結算的邏輯規則部署在區塊鏈的智能合約層，可實現高效的算力服務交易和結算。另外

77、，由于邊緣算力資源的泛在特性，計算資源不僅可以由邊緣算力節點來提供，也可由家庭網關設備、智能移動終端等設備提供，通過區塊鏈的分布式可信機制，將提供計算資源的各異構節點或設備統一納入分布式泛在計算資源的感知和管理中，構建基于區塊鏈的泛在計算資源可信管理機制，以保證計算資源的可信接入和可信服務，進而保證各計算資源提供方的利益以及用戶的業務安全。4 4 邊緣算力典型應用場景邊緣算力典型應用場景 4.14.1 工業互聯網工業互聯網 4.1.14.1.1 工業互聯網場景概述工業互聯網場景概述 工業互聯網是新一代信息通信技術與工業經濟深度融合的演進方向，實現了工業數據的全面感知、互聯互通、匯聚分析和優化應

78、用，為制造業轉型升級和新業態發展提供了強大動力。傳統工業生產過程中存在著信息孤島化、資源利用率低、產品質量難以保證、生產模式僵化、安全生產管理薄弱等諸多挑戰。而工業互聯網的出現，將連接、數據和智能的力量注入到工業生產的各個環節，為構建現代化產業體系助力，推動經濟高質量發展。4.1.24.1.2 工業互聯網對邊緣算力的需求工業互聯網對邊緣算力的需求 傳統工業企業依賴云計算中心集中式地處理數據，存在高延遲、帶寬壓力大、數據安全風險、應用靈活性不足以及對網絡連接依賴性強等問題，難以滿足實時性、個性化需求，且易受網絡中斷影響，尤其在偏遠地區應用困難。邊緣算力的出現為解決上述問題提供了新的思路，通過將計

79、算資源下沉至網 25 絡邊緣，縮短數據處理距離，降低延遲，提升實時處理能力，滿足了工業場景實時控制和故障預警等需求。一方面，邊緣算力可進行本地數據處理和過濾，降低網絡帶寬壓力和運營成本，并提升數據安全性；另一方面，邊緣算力可靈活部署和擴展，滿足個性化需求，加速功能部署和系統升級，提高生產效率?？傮w而言，工業互聯網對邊緣算力的要求可以體現為：1）邊緣和現場裝置設備的高頻實時通信訪問；2）邊緣和云端的同步，包括部署等生命周期管理以及合理粒度周期的數據通信訪問；3）借助虛擬化和安全隔離，邊緣算力的計算、存儲和網絡等資源，能滿足工業互聯網應用的有效運用；4）邊緣算力提供服務的框架，能便捷的提供典型工業

80、互聯網應用的服務。4.1.34.1.3 工業互聯網邊緣算力典型應用工業互聯網邊緣算力典型應用 （1 1）應用背景）應用背景 生產管控是生產過程中的必備環節，早期主要靠人工操作。在工業互聯網應用階段，往往為了將生產資源、經驗等固化，并共享為更多批量化工位使用，生產管控正演進為云邊協同方式。由于不同產品需要的生產周期和生產項差異很大，為避免生產中斷，以往是工控機本地部署代理程序，這樣本地的生產執行和生產任務平臺可以解耦，無需等待云端平臺的確認即可順序、連續地執行生產任務。（2 2）應用方案）應用方案 云邊協同架構通過在邊緣部署代理程序，實現云端模型按需下發至本地執行，滿足不同產品的定制化需求。如圖

81、 4.1 所示的架構，優勢在于利用邊緣算力，提高本地響應速度，并能夠滿足企業多基地、多車間及外協工廠的管理需求，實現統一生產管控模式。通過集中管控的 5G 網絡和邊緣算力，可以高效構建和優化云邊協同架構。該架構通過集成現場端算力，替代傳統工控機，并利用邊緣算力節點進行算力分發和管理，實現邊緣算力節點與現場端之間的算力協同。這種架構能夠在工廠生產一線實現快速部署，具備即插即用的便捷性。26 圖 4.1 基于邊緣算力的工業生產系統架構 考慮到工業設備在不同工作位置可能需要執行不同的工種或任務，邊緣算力服務應具備對現場端應用進行動態編排和部署的能力。同時，企業云化應用會隨著生產不同產品而迭代演進，更

82、新程序。為了避免頻繁調試和升級邊端應用，建議采用 PaaS+FaaS 解決方案，解決典型工業邊緣算力場景的問題。在現場端側，基于容器部署的云邊協同應用框架，用戶只需在云端開發腳本或進程，即可通過框架將應用派發到邊緣網關執行。云端集中管理應用開發、測試和版本存儲，實現應用共享。邊緣側設備可自動調度并執行不同任務，只需在框架中編排不同腳本進程即可完成業務行為。5G 與云邊協同框架的結合，能夠有效提升工業場景下的效率和靈活性。通過云端任務調度、本地高速執行、動態部署、容器化應用等技術，實現高效的生產流程，并滿足不斷變化的生產需求。（3 3）應用成效）應用成效 通過將計算資源下沉至工業場景的邊緣，利用

83、實時響應、需求定制化、統一管控、穩定可靠、動態部署和應用共享等優勢，有效提升了生產效率和靈活性。未來，邊緣算力架構將在工業場景中扮演更加關鍵的角色，促進工業互聯網創新發展。4.24.2 智慧社區智慧社區 4.2.14.2.1 智慧社區場景概述智慧社區場景概述 智能社區是指通過利用各種智能技術和方式，整合社區現有的各類服務資源，為社區群眾提供政務、商務、娛樂、教育、醫護及生活互助等多種便捷服務的模式，實現社區管理精細化、服務智能化、居民生活便捷化，最終提升社區治理能 27 力。4.2.24.2.2 智慧社區對邊緣算力智慧社區對邊緣算力的的需求需求 邊緣算力作為連接感知終端與智慧應用的橋梁，通過邊

84、緣網關匯聚、清洗社區終端采集的視頻、圖片、結構化數據，并進行邊緣智能分析與決策，最終將數據推送至統一管理平臺，實現社區智慧化應用。目前，智慧社區在提升整體處理數據能力上對邊緣算力需求凸顯：1）低延遲響應：智能安防、家居控制等應用需毫秒級響應，將計算能力推向數據源，減少數據傳輸延遲，保證實時性和有效性。2）隱私安全：邊緣算力在本地處理社區數據，降低敏感信息傳輸風險，保護居民隱私和數據安全。3）網絡帶寬優化：邊緣算力進行數據初步處理和篩選，僅上傳關鍵數據，降低網絡傳輸壓力，節省帶寬資源和運營成本。4）高可靠性保障：邊緣算力在網絡不穩定時提供本地處理和決策能力，保障關鍵功能不受影響，提升系統可靠性和

85、穩定性。4.2.34.2.3 智慧社區邊緣算力典型應用智慧社區邊緣算力典型應用 （1 1）應用背景）應用背景 傳統社區面臨著終端設備布局分散、數量不足、智能化水平低、過度依賴人工等問題，缺乏有效技術手段支持日常管理，導致在應對突發事件時響應速度慢，處理效率低，增加居民安全風險，降低社區整體防范效能。智慧社區建設通過部署邊緣終端設備（攝像頭、傳感器、監測設備等），實現對社區全方位覆蓋和實時監控，并利用邊緣算力節點進行數據智能分析。邊緣算力可實現對采集數據的實時處理和解析，精準識別安全異常場景（人員聚集、非法入侵、火災等），及時發出告警通知，確保安全隱患得到有效處置。（2 2）應用方案）應用方案

86、基于上述背景，社區內部建設邊緣算力節點，對感知終端數據進行就近匯聚和治理，數據資源開放共享，滿足社區智慧化應用。28 智能攝像頭電梯攝像頭.高空拋物攝像頭周界報警能耗監測（智能水/電/氣表）環境感知傳感器門禁可視對講停車場閘機數據源邊緣終端智慧停車訪客/門禁/一卡通智能垃圾分類智能養老信息發布智慧物業智能照明安防報警/電子巡更便民服務智能能源社區門戶智能家居邊緣智慧應用數據清洗數據存儲數據分析數據采集數據處理智能決策邊緣算力智慧社區統一管理平臺人臉識別車輛識別視頻結構化分析異常行為分析.數據推送行為軌跡識別以太網Modbus4/5GWiFi.Rs485邊緣網關音/視頻/文本數據社區基礎數據地圖

87、基礎數據人員數據車輛數據重點事件報警數據物聯網終端數據數據信息數據壓縮 圖 4.2 基于邊緣算力的智慧社區系統架構 通過在社區內部搭建邊緣算力機房，實現數據本地處理與分析，提升社區安全防控能力及快速響應能力。1）本地化智能分析：利用邊緣算力平臺對智能攝像頭、門禁、環境感知、能耗監測等設備采集的數據進行實時處理，實現人/車/物識別、異常行為分析、重大安防/消防事故監測。2）感知終端智能化：終端嵌入邊緣算力模塊，實現數據就近處理與分析，如實時視頻分析、人臉識別、行為模式識別等，并可根據異常情況快速觸發警報。3）模塊化邊緣設備部署：采用標準化接口與協議，實現設備的統一管理、維護、擴容與升級，并優化機

88、房空間利用。4）數據安全與備份：邊緣算力將關鍵數據本地存儲，并與云端平臺實現無縫對接，保障數據安全、可訪問性及遠程備份與共享。（3 3）應用成效）應用成效 邊緣算力在智慧社區應用中，通過本地數據處理，提升了數據采集效率和安全性，并增強了應急響應能力。具體表現為：1）數據采集更實時準確：邊緣算力節點對源數據進行本地清洗和預處理，減少無效數據傳輸，減輕云端壓力。2）數據管理更規范：邊緣網關匯聚數據，進行篩選、清洗和壓縮，結合智能分析模型識別異常事件，提高處理效率并增強數據隱私安全。3）應急處置更及時：邊緣側數據分析可智能識別安全異常，及時告警，并進行常態化監測，實現遠程集中監控和應急響應。4.34

89、.3 智慧能源智慧能源 4.3.14.3.1 智慧能源場景概述智慧能源場景概述 29 智慧能源是指利用信息通信技術、物聯網、人工智能等新興技術,對能源系統進行全面感知、互聯互通和智能化管理的新型能源體系。旨在提高能源利用效率,優化能源結構,實現能源生產、傳輸、存儲、消費等全過程的智能化和協同化。智慧能源主要涵蓋能源的生產、儲運、消費和管理四個主要環節。如圖 4.3所示，在能源生產方面,包括新能源(如太陽能、風能)和傳統能源(如石油、天然氣)在內的多種能源形式，對其進行智慧開采生產。能源儲運環節涉及煤炭運輸、油氣管道等傳統方式和智能電網等現代化設施，還涉及集中式儲能和分布式儲能。能源消費則聚焦于

90、智慧城市、園區，新能源汽車等新型用能模式。最后,能源管理串聯其他環節,通過綜合能源服務、需求側響應和能效檢測等手段,實現能源、信息和價值的高效流動。圖 4.3 智慧能源主要環節 4.3.24.3.2 智慧能源對邊緣算力的需求智慧能源對邊緣算力的需求 智慧能源邁向全環節智能化和協同化的進程中，對邊緣算力的需求日益迫切。邊緣算力作為一種將計算、網絡和存儲能力下沉至更接近數據源的技術，可以為智慧能源場景提供實時性、可靠性和靈活性，滿足其特定需求。1）實時計算：智慧能源場景對實時性要求較高，例如電網故障處理等，需要邊緣側具備毫秒級甚至微秒級的響應速度。2）靈活組網：智慧能源場景部署環境復雜，需要邊緣側

91、能夠適應不同的網絡環境，支持多種通信協議，例如 5G、Wi-Fi、ZigBee 等。3）自主決策：邊緣側需要具備一定的自主決策能力，能夠根據實時數據和預設策略進行自動控制，例如微電網的自主運行等。4）海量數據存儲：智慧能源場景會產生海量的傳感器數據、設備運行數據、30 用戶用能數據等，需要邊緣側具備大容量、高可靠的數據存儲能力。邊緣算力是賦能智慧能源的關鍵，能夠有效解決其在數據處理、實時響應、智能化管理等方面的需求，推動能源系統向著更加高效、可靠、智能的方向發展。4.3.34.3.3 智慧能源邊緣算力典型應用智慧能源邊緣算力典型應用 （1 1）應用背景）應用背景 數字化變電站是電力系統智能化升

92、級的關鍵，利用前沿技術實現全面的感知、互聯和智能化控制。邊緣算力作為核心技術，在站內感知設備與上層網絡間建立橋梁，通過就近處理提升數據處理效率、實時性和可靠性，降低傳輸延遲和能耗。邊緣算力在數字化變電站的應用解決了傳統集中式數據處理模式的延遲、帶寬和可靠性問題，為海量設備狀態數據的實時監測和分析提供支持，保障電網穩定運行和供電質量。（2 2）應用方案）應用方案 通過在變電站部署邊緣算力節點，構建起一個高速、泛在、智能、安全的電力算力體系。邊緣節點能夠實時處理和分析設備狀態數據，如變壓器油溫、斷路器狀態、保護裝置信號等，利用本地智能模型進行故障診斷，并在必要時通過 5G等通信技術將數據上傳至云端

93、或控制中心。1）數據采集與處理。變電站內部署的傳感器和智能設備采集電壓、電流、功率質量等數據。邊緣算力節點對接收到的數據進行清洗、特征提取和異常檢測，為智能決策提供支持。2）智能決策與控制。邊緣算力節點根據分析結果，自動觸發相應的控制策略，如負荷調整、故障隔離、設備維護預警等，實現智能化的電網運行管理。圖 4.4 數字化變電站典型應用架構圖 31 如圖 4.4 所示，該架構通過邊緣算力節點連接終端設備，并利用現場傳感器與執行器實現實時數據采集和控制。云平臺負責數據存儲、分析和遠程監控，邊緣算力節點負責數據處理和控制指令執行，終端設備負責現場數據采集，現場傳感器與執行器負責物理設備的交互。此外，

94、該架構還包含遠程操作員、安全與應急響應系統和數據湖，分別用于遠程操控、安全保障和數據分析。（3 3）應用成效）應用成效 邊緣算力的應用，通過實時數據處理和智能化分析，顯著提升了數字化變電站的監控能力、故障診斷速度和應急響應效率，進而增強了電網的可靠性和安全性，降低了運維成本。邊緣算力在源頭進行數據處理，提高了監控精度和實時性，并支持快速識別故障模式，縮短故障診斷時間；同時，通過自動化控制策略，實現了對突發事件的快速響應，有效降低事故影響，為電力系統的數字化轉型提供了有力支撐。4.44.4 云游戲云游戲 4.4.14.4.1 云游戲場景概述云游戲場景概述 云游戲作為一種基于云計算的交互式在線視頻

95、流，有效解決了傳統游戲受限于終端硬件和場景的瓶頸，同時彌補了移動游戲在操作體驗和內容豐富度方面的不足，實現了便捷性和沉浸式體驗的融合。近年來，隨著算力基礎設施的不斷完善，特別是高性能計算、分布式渲染和網絡加速技術的進步，為云游戲產業的蓬勃發展提供了強大的驅動力，推動了整個生態系統的快速演進。4.4.24.4.2 云游戲對邊緣算力的需求云游戲對邊緣算力的需求 云游戲作為一種游戲服務模式，其核心在于將原本在本地終端進行的游戲渲染、邏輯運算等高負載任務卸載至邊緣算力節點，用戶終端僅需負責接收串流的音視頻數據并進行簡單的輸入操作。這種架構對邊緣算力節點的計算能力、圖形處理能力以及網絡傳輸性能提出了極高

96、的要求，以確保流暢的游戲體驗和低延遲的交互響應。1）低延遲計算：邊緣算力節點需具備低延遲計算能力，將復雜的圖像渲染、物理運算和 AI 處理任務分布到接近用戶的節點上，以減少傳輸延遲并提升游戲體驗。2）動態資源調度：邊緣算力節點需具備動態資源調度能力，根據玩家數量 32 和游戲場景的變化，毫秒級別地完成算力資源分配，確保流暢的游戲運行。3）高帶寬低延遲網絡：云游戲高度依賴高帶寬、低延遲的網絡環境，特別是在高清畫面的實時傳輸方面，邊緣網絡通過縮短數據傳輸距離，減少跨數據中心的延遲。4.4.34.4.3 云游戲邊緣算力典型應用云游戲邊緣算力典型應用 （1 1）應用背景）應用背景 近年來，游戲產業蓬勃

97、發展，玩家對游戲體驗的要求日益提升，云游戲憑借其便捷性和跨平臺特性成為業界焦點。然而，受限于網絡傳輸帶來的高延遲、高帶寬成本以及中心化架構的并發瓶頸，玩家的游戲體驗和云游戲產業的發展都面臨著巨大挑戰。高延遲導致的畫面卡頓、操作滯后嚴重影響玩家的沉浸感，高帶寬需求則推高了云游戲運營成本，而中心化架構難以應對玩家數量激增帶來的并發壓力，這些問題都亟待有效的解決方案來推動云游戲產業的快速發展。（2 2）應用方案）應用方案 如圖 4.5 所示，基于邊緣算力的云游戲系統架構核心思路是將云游戲的部分計算、渲染和網絡傳輸功能從中心云遷移至網絡邊緣，利用邊緣算力節點的低時延、高帶寬、分布式部署和豐富的云服務優

98、勢，打造更加流暢、高效、便捷的云游戲體驗。圖 4.5 基于邊緣算力的云游戲系統架構 該架構主要由本地客戶端、云游戲公共服務、云游戲后端服務、云游戲邊緣算力節點等幾部分組成：云游戲客戶端：云游戲客戶端作為用戶與云游戲平臺交互的入口，集成解碼、33 用戶管理、操作控制等核心功能，將用戶的鍵盤、鼠標等操控指令發送至云游戲實例，同時接收平臺回傳的音視頻流，進行解碼并最終呈現給用戶，保障流暢的游戲體驗。云游戲公共服務平臺：云游戲公共服務平臺部署在中心云，提供涵蓋游戲生命周期管理的一系列服務。平臺基于用戶地域、網絡狀況和游戲算力需求等因素，從資源池中為用戶動態分配最優邊緣算力節點，確保用戶獲得流暢的游戲體

99、驗。游戲后端服務：游戲后端服務部署在邊緣算力節點，承擔著處理云游戲渲染服務器邏輯運算的核心職責，負責接收渲染服務器的輸入數據，執行游戲邏輯計算，并將計算結果返回給渲染服務器，最終呈現給玩家。邊緣算力節點：通過構建分布式算力節點實例資源池，為云游戲提供低延遲、高性能的運行環境。云游戲平臺根據地域、網絡狀況及游戲算力需求等因素，智能調度包括 X86+GPU、ARM 等多種規格的邊緣節點實例，以適配不同游戲的算力要求。游戲應用部署于這些實例之上，負責指令解析、邏輯運算、渲染、編解碼等核心處理流程，并將處理后的游戲畫面通過實時音視頻傳輸技術（如 RTC）推流至用戶終端，保障流暢的游戲體驗。（3 3）應

100、用成效）應用成效 邊緣算力為云游戲場景帶來了顯著的優化和發展機遇。通過將計算和數據處理能力部署至網絡邊緣，邊緣算力有效降低了游戲延遲和卡頓，提升了玩家的游戲流暢度和沉浸感。此外，利用邊緣算力節點的帶寬資源優勢，云游戲平臺能夠大幅降低運營成本，提升盈利能力。邊緣算力的分布式部署特性也增強了系統并發處理能力，滿足更多玩家同時在線需求，推動云游戲產業的快速發展。4.54.5 軌道交通軌道交通 4.5.14.5.1 軌道交通場景概述軌道交通場景概述 軌道交通是城市公共交通的重要組成部分，包括城內地鐵、輕軌、有軌電車與城際鐵路、高鐵等多種形式。隨著城市化進程的加快，軌道交通在緩解交通擁堵、改善出行條件等

101、方面發揮著越來越重要的作用，但與此同時也面臨著運營效率、安全可靠性等方面的挑戰。為了應對這些挑戰，軌道交通引入先進的信息通信技術、人工智能等手段，對運輸環境進行全面感知、互聯互通和智能化管理以提高軌道交通運營效率和服務質量，為乘客提供更加便捷、舒適的出行體驗。34 4.5.24.5.2 軌道交通對邊緣算力的需求軌道交通對邊緣算力的需求 智慧軌道交通利用新興技術實現全面感知、互聯互通和智能化管理，提升運營效率、降低能耗，并為用戶提供安全可靠的服務體驗。邊緣算力作為層級架構核心，連接感知層與網絡層，實現近源數據處理，降低時延和能耗，提升安全性和可靠性，簡化平臺層映射和同步，為智慧軌道交通提供以下關

102、鍵能力：1）實時控制響應：為列車控制和信號系統提供低延遲數據處理和決策能力。2）多源異構數據處理：就地采集、清洗、存儲和分析車輛狀態、設備工況、視頻監控等數據，優化傳輸效率。3）高安全性保障：綜合分析軌道沿線的環境數據和視頻監控，通過和巡檢人員、指揮中心的聯動快速處置安全隱患，保障軌道交通運營安全。4）高可靠性保障：通過分布式部署和冗余設計提升系統魯棒性和恢復能力，確保業務連續性。5）層級架構支撐：簡化數字孿生映射和同步，為深度強化學習提供高質量決策依據。邊緣算力賦能智慧軌道交通，解決實時響應、數據處理、安全性、可靠性和架構支撐等需求，推動系統向更可靠、智能方向發展。4.5.34.5.3 軌道

103、交通邊緣算力典型應用軌道交通邊緣算力典型應用 （1 1）應用背景）應用背景 傳統列車運行狀態監測系統依賴集中式數據處理，面臨時延、帶寬和可靠性挑戰。為滿足快速故障診斷等需求，亟需在列車中或軌道沿線部署邊緣算力節點，對溫度、制動壓力、軌道環境等信息進行實時分析，并利用預訓練模型在毫秒級時間尺度內識別潛在安全隱患，觸發預警和應急處置，提升列車運行安全裕度。同時，邊緣算力節點對數據進行壓縮、特征提取和加密，降低車地通信負荷，提高數據傳輸安全性和效率。邊緣算力將有效解決傳統系統瓶頸，實現軌道交通運行狀態的實時監測和智能化管理。（2 2）應用方案）應用方案 軌道交通架構如圖 4.6 所示，采用分層部署策

104、略，在列車、車站和指揮中心分別部署邊緣算力節點，并與云端協同，構建高速、泛在、智能、安全的算力體系。該架構旨在通過邊緣算力的實時性與云計算的強大算力相結合，為軌道交通 35 行業數字化發展提供新動能。圖 4.6 基于邊緣算力的軌道交通智能運維系統架構 在列車車載設備中部署邊緣算力模塊，對車載監測數據進行實時處理，包括數據清洗、特征提取和異常檢測，并將預處理后的數據通過 5G 回傳至云端。當5G 網絡中斷時，邊緣節點可調用本地智能模型，對列車狀態進行初步判斷，保障列車安全運行。在軌道沿線部署傳感器或視頻監控設備，通過在軌道沿線重點區域部署的緣算力設備對軌道交通沿線的環境進行分析，實現對軌道交通闖

105、入人員和物體的預警、線路地質災害預警、違規堆放物的識別，保障軌道交通的安全運營。在車站和車輛段部署邊緣算力服務器，對閘機、售檢票機等設備的運行狀態數據和視頻圖像數據進行本地處理，實現設備故障預警、客流統計分析、人臉識別等功能，提高站場智能化水平。在指揮中心邊緣部署邊緣算力平臺，整合各專業系統數據，構建軌道交通全局數字孿生模型，依托強大的實時計算能力，對列車運行、設備狀態、客流分布和軌道線路狀態等進行全局實時監控和優化調度，提高軌道交通的安全性、效率和智能化水平。同時，邊緣算力平臺可作為應急指揮系統，在突發事件發生時提供本地計算和通信能力，保障應急處置決策的時效性?；谶吘壦懔Φ能壍澜煌ㄖ悄苓\維

106、系統將主要實現以下核心功能：數據采集：軌道交通數據采集涵蓋列車、軌道、車站等場景，通過傳感器和監控設備獲取數據。例如，列車狀態監測系統采集車輛關鍵部件振動、溫度等數數據采集模塊數據源列車狀態監測設備預測性維護旅客服務優化行車調度優化安防智能分析能耗智慧管理列車監控數據軌道監測數據環境監測數據客流統計數據售檢票數據安防監控數據能耗采集數據邊緣智能應用ModbusOPCMQTT工業以太網視頻流接口工業以太網Modbus數據采集數據處理與分析智能決策邊緣算力數據清洗模塊數據壓縮模塊數據存儲模塊控制執行通信管理數據分析模塊下發控制指令數據/指令交互反饋/請求安全隱患處置 36 據；軌道監測設備實時檢測

107、軌道幾何狀態；售檢票系統記錄旅客進出站信息；環境監測設備感知站臺溫濕度和空氣質量；能耗設備采集牽引供電系統電壓電流數據。數據處理與分析：邊緣算力平臺支持多種通信協議接入數據，并提供設備接入管理和元數據管理功能。數據經過預處理，包括格式轉換、時間同步、數據清洗等，以解決數據異構性和提升數據質量。平臺提供機器學習算法庫，支持Python、R、C+等多種開發語言，可實現實時數據分析。應用場景包括：列車振動數據分析診斷部件健康狀態、軌道幾何狀態數據預測變形發展、軌道交通封閉區域闖入物的檢測與識別、售檢票數據分析優化運力調度等。智能決策：邊緣算力節點基于數據分析結果，驅動各場景應用的智能化閉環控制。例如

108、，根據設備健康診斷結果，節點可向設備控制器下發預警或維護指令，實現設備的預防性維護；根據軌道狀態監測與分析，實現軌道異常事件及時處置；根據旅客流量預測結果，節點可優化進出站導流策略；根據環境質量分析結果，節點可調節站臺的通風、空調系統參數，提升旅客候車體驗。（3 3）應用成效）應用成效 軌道交通邊緣算力應用通過在列車、軌道、車站等位置部署傳感器、監控設備和邊緣算力節點，實時采集并分析振動、位移、電流、圖像等信息，實現異常狀態的早期預警和診斷，從而有效提升軌道交通系統運行安全性和可靠性，并顯著降低運維成本，避免因設備故障導致的行車事故和服務中斷。該場景下邊緣算力的部署與應用開創了軌交行業智能化升

109、級的新模式，引領行業數字化發展，提升了城市交通運輸效率。4.64.6 車聯網車聯網 4.6.14.6.1 車聯網場景概述車聯網場景概述 車聯網（Internet of Vehicles,IoV）9被認為是物聯網體系中最有產業潛力、市場需求最明確的領域之一。通過借助新一代信息移動通信技術，實現車內、車與車、車與路、車與人、車與服務平臺的全方位網絡連接，提升汽車智能化水平和自動駕駛能力，構建汽車和交通服務新業態，從而提高交通效率，改善汽車駕乘感受，為用戶提供智能、舒適、安全、節能、高效的綜合服務。4.6.24.6.2 車聯網對邊緣算力的需求車聯網對邊緣算力的需求 37 隨著智能網聯汽車滲透率的不斷

110、提高，由此產生的車載信息娛樂、傳感器、車路協同、地圖等數據傳輸、處理、存儲的需求極大地增加的網絡負荷，并對網絡時延、帶寬、可靠性提出了更高的需求，將邊緣算力應用于車聯網之后，可以將業務部署在邊緣節點，減少數據傳輸路由長度，從而降低端到端通信時延；還可以作為本地服務托管環境，提供強大的計算、存儲資源，支持視頻流的實時分析與處理、違章預警、危險駕駛處理等，及部署本地更具地理和區域特色、更高吞吐量的車聯網服務。為了支撐海量的車聯網應用，需要邊緣算力具備以下的能力:1)低延遲：應當支持低延遲的端到端數據交互，以滿足實時路況信息傳遞和車輛控制的需求。2)高帶寬：應當支持高帶寬的高清視頻監控數據傳輸，以實

111、現對道路狀況的精準監控和分析。3)邊緣智能：應當支持輕量化 AI 算法及 AI 模型在邊緣側的部署、推理及訓練，以實現實時路況判斷、交通流量預測、自動駕駛輔助等功能。4)異構加速：應當支持異構平臺和視頻卡和網絡加速卡的部署，以提升數據處理效率和智能分析能力。4.6.34.6.3 車聯網邊緣算力典型應用車聯網邊緣算力典型應用 （1 1）應用背景）應用背景 城市停車難、取車難問題日漸突出，其根源在于停車資源供需失衡、車位利用率低下以及傳統停車方式效率低等因素。為解決這一難題，自主代客泊車（Automated Valet Parking，AVP）應運而生。AVP 是一種基于 L4 級自動駕駛技術的解

112、決方案，能夠在特定區域內，例如停車場，實現車輛的自主駕駛和泊車，無需人工干預。隨著自動駕駛技術的快速發展，AVP 被業界普遍認為是最具商業化落地潛力的自動駕駛應用場景之一，有望有效緩解城市停車壓力。（2 2）應用方案）應用方案 基于邊緣算力的自主泊車方案，以 5G 通信網絡為基礎，融合人工智能、北斗定位等新技術，實現人、車、場、云的協同規劃、協同感知、協同控制以及協同定位，構建自主泊車場景的商業閉環。車輛可循跡安全行駛，結合場側融合感知結果，并提供全方位的智慧泊車運營服務，包括行標 V2X 預警、場端/車端運 38 營監控、車位預約、車輛引導、一鍵泊車/召車、車輛的多視角實時孿生監控、數據統計

113、和業務分析等服務，可大幅提高停車場運營效率和用戶出行效率。圖 4.7 基于邊緣算力的自主泊車系統架構 協同感知能力：通過部署在現場端的傳感器和部署在邊緣算力節點的感知算法進行障礙物識別，并結合車輛自身周邊的障礙物感知，進行多源融合感知，使車輛具備盲區感知能力，提升綜合感知能力，解決停車場盲區多、遮擋多的問題。協同規劃能力：通過部署在邊緣算力節點的全局路徑規劃算法，在車輛開始泊車時，動態生成全局路徑規劃結果，自動分配目標停車位，通過 5G 網絡，實時將線路發送給車輛，進行全局導航。在車輛端，車輛根據云端下發的車道級導航，結合周圍的實時障礙物感知結果，生成局部路徑規劃，進行局部導航行駛，通過車端和

114、云端的協同規劃，解決單車智能無法實現的最優車位選擇問題，提升了提升停車場車位整體使用效率，避免停車場擁堵。協同控制能力：邊緣算力節點可以根據現場端收集到的點云數據，判斷感知物運動趨勢，并結合車輛局部路徑規劃結果，判斷碰撞風險，第一時間對碰撞風險的車輛下達剎車指令，另一方面，車端在實時接收邊緣算力節點下發的控制指令的同時，也可以根據自身的感知、預測與規劃結果，生成控制指令對車輛進行控制，在提升車輛感知準召率的同時，有效應對行人鬼探頭、路口沖出等場景，提升行車安全性，預計可以有效減少 80%以上碰撞風險。39（3 3）應用成效）應用成效 基于邊緣算力的自主泊車系統，通過實現車輛自動泊車和取車，有效

115、解決了傳統泊車方式中用戶操作繁瑣、體驗不佳等問題，并大幅降低了車輛調度和人工運維成本，優化停車資源配置效率。該系統與智慧泊車小程序深度融合，構建了完整的停車閉環體驗流程，為用戶提供便捷、高效的智能化停車服務。4.74.7 未來產業未來產業 隨著 5G 網絡、云服務、AI 等技術的蓬勃發展，邊緣算力有望在更多領域發揮作用，如元宇宙、腦機接口等領域。邊緣算力通過在靠近數據源的本地設備上處理和分析數據，可顯著減少傳輸延遲，提高系統響應實時性，降低云端算力負擔，提供更流暢的用戶體驗。以元宇宙為例，邊緣算力是推動元宇宙實現低成本、即時響應、靈活擴展以及高隱私性的關鍵力量。元宇宙是一個與現實世界映射與交互

116、的虛擬世界與協作空間，現有虛擬環境的生成大多源于特定區域，如虛擬街區、虛擬教室，或特定領域，如工業領域、能源領域等。隨著擴展現實（XR）、360 度視頻等前沿技術的迅猛發展，具有高保真度的沉浸式元宇宙體系正逐步趨于完善。然而，當前的部署模式面臨多重挑戰：在云端，多媒體內容從全球范圍內的云服務器實現流式傳輸，但難以滿足嚴格的數據隱私保護要求，且傳播過程及云基礎設施自身的延遲問題顯著，成本高昂。而在端側，用戶的頭戴式顯示器等終端設備，可依托本地計算和存儲資源直接渲染和顯示虛擬現實場景，但其有限的資源限制了應用的流暢運行，在端側設備上的獨立安裝方式也制約了應用擴展的靈活性10。為解決上述問題，邊緣算

117、力的部署策略應運而生。將邊緣算力部署在距離用戶較近的區域，作為連接云與端的橋梁。這種部署方式允許端側設備將部分處理任務卸載至邊緣，減少遠程通信開銷，從而更有效地處理用戶在元宇宙體驗中生成的交互數據。同時，云端也可將部分輕量化的深度學習模型任務遷移至邊緣執行，提供本地推理服務。例如，邊緣節點上可部署不同參數規模、算力需求的輕量化模型，調度不同壓縮率數據輸入，或是根據用戶差異化的精度和時延需求，規劃數據版本，分配到各節點的模型上進行推理，帶來更大的推理服務優化空間，滿足低成本、低延遲、高擴展性和高隱私性的需求，為元宇宙的未來發展鋪設更加堅實的技術基礎。40 邊緣算力在元宇宙領域有豐富的場景應用。例

118、如，在元宇宙游戲中，玩家需即時的反饋交互以及流暢的視頻畫面，通過在邊緣側進行圖形渲染和物理計算，可顯著降低網絡延遲，確保游戲的流暢性和沉浸感。在虛擬旅游場景中，用戶可以虛擬瀏覽世界各地的名聲古跡，而邊緣算力可支持生成高清 3D 場景，使用戶仿佛身臨其境。例如，“張家界星球”項目運用了 XR 技術和邊緣算力，實現了對張家界自然景觀的精準復刻和沉浸式游覽。在虛擬街區中，孿生城市的構建需要處理海量的實時數據，包括交通流量、環境監測、城市管理等，邊緣算力可以就近處理大量數據，實現快速響應和智能決策，為虛擬城市的呈現提供有力支持。此外，腦機接口也是邊緣算力的重要應用方向之一。腦機接口通過采集用戶的腦部活

119、動信息，配合外骨骼及其他可穿戴設備，可為殘障人士及神經系統疾病患者提供輔助治療方案。當前，大多腦電分析設備商在其云端上部署數據分析平臺，提供高精度大規模腦電圖記錄、分析和解碼服務。但是，腦機接口需實時處理大量神經信號，這些腦電信號需要高帶寬和低延遲的計算能力進行有效解析和響應。因此，邊緣算力未來有望成為腦機接口技術的算力分擔節點，減少腦電數據傳輸延遲，快速響應，降低云端數據處理工作量。英國某公司推出的腦電圖環，患者可以自行通過平板電腦或手機查看腦電閃爍圖像，監測患者腦電變化，再通過云平臺和人工智能技術診斷腦狀態。未來，邊緣算力將成為支撐下一代互聯網應用的基石。例如，多模態、多樣化數字內容的生成

120、，大量數據樣本的深度學習，用戶特征的精準提取等，均離不開邊緣算力的應用部署，并為用戶提供更加個性化、安全、高效的服務，助力各行各業實現數字化智能化轉型，迎接未來時代更多的挑戰和機遇。5 5 邊緣算力未來展望邊緣算力未來展望 隨著大型語言模型、工業大模型等智能化應用熱度不斷高漲，邊緣算力作為產業智能化發展的數字化底座將迎來戰略機遇期，但由于邊緣算力屬于跨領域融合概念，參與主體眾多，在實際部署中存在“三難”問題：一是標準統籌難，云原生、邊緣算力、垂直行業邊緣算力等發展路徑的相關標準組織均從各自領域對邊緣算力進行了標準化工作，導致邊緣算力標準化工作缺乏統一布局，標準內容上存在一定的沖突和重復，這也成

121、為邊緣算力基礎設施規?；渴鸬恼系K。二是產業集約化難，目前各個垂直行業在邊緣算力領域中獨自探索，產業鏈上下游聯 41 系不夠緊密，產業呈現碎片化發展。三是規模部署難，目前產業各方正在積極推進邊緣算力基礎設施規?；瘧貌渴?，但成熟且可復制的建設模式尚未形成，需要進一步探索。在商業模式尚不清晰的前提下，運營商、云計算服務商以及工業企業等核心參與者將難以應對邊緣算力基礎設施建設運營的資金投入。為推動邊緣算力部署應用，建議產業各方從以下五方面協力共同推進：（1）加速標準規范體系從建立走向健全 以數字化轉型需求為牽引，強化邊緣算力與 5G、人工智能等數字技術協同攻關力度，聚焦邊云協同、邊緣算力網絡及邊緣

122、智能為代表的邊緣算力關鍵技術方向的基礎理論研究攻關，完善邊緣算力標準體系，制定實施核心設備、互通接口、測試規范、應用指南等急用先行標準，為邊緣算力技術的應用轉化夯實基礎。（2）加強邊緣算力基礎設施的統籌規劃 推動邊緣算力基礎設施與城市發展、建筑物建設的同步規劃、同步設計、同步建設，加強電力、網絡等基礎設施配套建設，并作為重要基礎設施納入國土空間規劃。研究制定邊緣算力基礎設施在機房結構、配套設施、網絡、安全等統一建設標準，規范化發展。（3）建立邊緣算力供需對接機制 搭建邊緣算力資源匹配對接和交易渠道，引導相關服務商實現資源對接和互聯互通，建立統一邊緣算力調度平臺；規范算力交易和監管機制，為企業提

123、供低時延、低成本的園區、樓宇等邊緣算力資源供給，提升邊緣算力綜合服務水平。（4）積極推動邊緣算力共享試點部署 結合新型基礎設施建設規劃及發展需求，以共建共享模式統籌規劃邊緣算力基礎設施建設，鼓勵邊緣算力基礎設施與變電站、基站、通信機房等基礎設施開放共享，健全跨行業規劃協調機制，建立共建共享智慧平臺，盤活存量邊緣資源價值，提升資源利用效率與效益，助力邊緣算力規?；渴鸢l展。（5）持續促進邊緣算力創新應用 依托我國行業門類齊全優勢，引導產業鏈積極開展邊緣算力應用試點，構建“邊緣算力+N”應用體系，支持各行業龍頭企業按需靈活部署邊緣算力基礎設施，聚焦重點領域共性應用場景，形成一批可復制、可推廣的應用

124、模板，“以用促建”，加快邊緣算力應用推廣落地。42 參考文獻 1 中國移動通信集團有限公司.算力網絡技術白皮書R,2022 2 中國信息通信研究院.中國算力發展指數白皮書R,2023 3 邊緣計算產業聯盟&工業互聯網產業聯盟.Edge Native 技術白皮書 2.0R,2023 4 IDC&浪潮信息&清華大學全球產業研究院.2021-2022 全球計算力指數評估報告R,2022 5 中國信息通信研究院.中國綜合算力評價白皮書R,2023 6 中國信息通信研究院.中國算力中心服務商分析報告R,2024 7 王哲.邊緣計算發展現狀與趨勢展望J.中國信息通信研究院,2021 8 YD/T 4255-2023,算力網絡 總體技術要求S.北京：中國通信標準化協會,2023 9 中國信息通信研究院&華為技術有限公司&電信科學技術研究院.車聯網白皮書R,2017 10 中國信息通信研究院&虛擬現實與元宇宙產業聯盟.元宇宙白皮書R,2023