跳转至

第四层：计算平台

定位：物联网数据的"大脑"——从云端数据中心到网络边缘，计算平台决定了数据在哪里处理、怎么处理、以及如何高效地分配有限资源。

本层概览

物联网系统每天产生的数据量已达EB级别，但并非所有数据都需要——或者应该——被送往遥远的云端处理。一辆自动驾驶汽车每天产生约4TB数据，一个智慧工厂每小时采集数百万个传感器数据点，一个远程医疗系统需要毫秒级的生命体征异常响应。这些场景共同指向一个核心问题：计算应该发生在哪里？

计算平台层回答这个问题。它不是单一技术，而是一个从云到端的多层计算体系，包含云计算、边缘计算、雾计算、MEC（多接入边缘计算）、Serverless等多种范式，以及支撑这些范式运行的容器编排、微服务架构和资源管理技术。

核心概念地图

┌─────────────────────────────────────────────────────┐
│                    云平台 (Cloud)                      │
│         大规模训练 · 全局调度 · 长期存储                    │
├─────────────────────────────────────────────────────┤
│                  雾计算 (Fog)                          │
│       多层中间节点 · 数据聚合 · 区域协调                    │
├─────────────────────────────────────────────────────┤
│    MEC          边缘服务器        Serverless 边缘        │
│   (运营商侧)     (通用边缘)        (函数即服务)            │
├─────────────────────────────────────────────────────┤
│              IoT 网关 / 终端设备                        │
│         数据采集 · 轻量推理 · 本地控制                     │
└─────────────────────────────────────────────────────┘

为什么需要多层计算？

想象一个城市的应急响应系统。火灾报警器（终端层）检测到烟雾后，信号不能等几百毫秒传到千里之外的云数据中心再返回——那时火已经烧起来了。报警信号应该先到最近的边缘节点（边缘层），在几毫秒内触发本楼层的消防喷淋和疏散广播；同时汇总到区域雾节点（雾层），协调附近消防站的调度；最终上报到云端（云层），更新全市消防态势图和训练预测模型。

不同的计算位置解决不同的问题：

计算位置 典型延迟 适合场景 代表技术
终端本地 <1ms 传感器数据采集、简单阈值判断、TinyML推理 MCU、RTOS
边缘节点 1-10ms 实时视频分析、异常检测、本地决策 MEC、KubeEdge、EdgeX
雾节点 10-50ms 区域数据聚合、跨设备协调、预处理 OpenFog架构
云数据中心 50-200ms 全局模型训练、历史数据分析、跨区域调度 AWS/Azure/GCP

本层关键技术主题

边缘计算综述（基石文档）

边缘计算是本层的核心支柱。我们的 边缘计算与物联网综述 是一篇超万字的全景式综述，覆盖了边缘计算的基本概念、核心技术（任务卸载、资源管理、边缘智能、联邦学习）、应用场景（智慧城市、自动驾驶、工业IoT、医疗健康）、安全挑战和前沿趋势。建议首先阅读这篇综述建立全局认知，再根据兴趣深入各专题。

计算范式

不同的计算范式回答"计算在哪里做"和"怎么做"这两个问题：

  • 雾计算架构 🟡 — 云与端之间的多层计算架构，Cisco 2012 年提出的概念如何演进为 IEEE 1934-2018 标准，以及雾计算与边缘计算的融合趋势。
  • MEC 与 5G 深度融合 🟠 — ETSI MEC 标准架构，MEC 与 5G UPF 的协同部署模型，Phase 4 新规范，以及运营商实际部署的延迟实测数据。
  • Serverless 边缘计算 🟡 — 事件驱动的物联网计算新范式，FaaS 在边缘的适配挑战（冷启动、资源约束、间歇连接），以及 Wasm 等轻量运行时的崛起。

平台与框架

"用什么工具做"的问题：

  • KubeEdge vs OpenYurt vs K3s 🟡 — 三大边缘 Kubernetes 方案的架构设计、资源开销、离线能力和设备管理的全面对比。
  • EdgeX Foundry 深度解析 🟡 — IoT 边缘中间件平台的微服务架构、设备抽象层、规则引擎和安全服务详解。
  • 边缘容器编排技术 🟡 — 从 Docker 到 Kata Containers 到 WebAssembly，边缘环境下的容器化和编排技术全景。

架构与算法

"怎么设计"和"怎么优化"的问题：

  • 边缘微服务架构 🟡 — 边缘场景下的微服务设计模式（sidecar、ambassador）、服务网格选型、通信模式和状态管理。
  • 深度强化学习驱动的计算卸载 🟠 — DRL 如何解决任务卸载的延迟-能耗权衡问题，DQN/PPO/A3C 等算法对比，以及数字孪生辅助的卸载预测。
  • 异构边缘资源管理 🟠 — CPU/GPU/FPGA/NPU 混合环境下的资源抽象、调度算法和多租户 QoS 保障。

阅读路径建议

入门路径（对计算平台还不熟悉）： 1. 先读本页概览，理解"为什么需要多层计算" 2. 阅读 边缘计算综述 建立全景认知 3. 选读 雾计算架构 理解分层概念 4. 阅读 KubeEdge vs OpenYurt vs K3s 了解实际工具

实践路径（想动手搭建边缘系统）： 1. EdgeX Foundry 深度解析 — 设备接入 2. 边缘容器编排 — 运行环境 3. KubeEdge vs OpenYurt vs K3s — 集群管理 4. 边缘微服务架构 — 应用设计

研究路径（对算法和优化感兴趣）： 1. 深度强化学习驱动的计算卸载 — 核心算法 2. 异构边缘资源管理 — 调度优化 3. MEC 与 5G 深度融合 — 网络侧视角 4. Serverless 边缘计算 — 新范式

难度标记说明

标记 含义 前置知识
🟢 入门 无特殊要求
🟡 进阶 了解基本云计算/容器概念
🟠 深入 熟悉分布式系统/网络/算法
🔴 研究级 需要论文阅读能力

与其他层的关系

  • 第三层（网络与通信）→ 本层：网络层提供数据传输通道（5G、LoRa、WiFi），计算平台决定数据到达后在哪里处理。MEC 是网络层与计算层交汇的典型代表。
  • 本层 → 第五层（数据与 AI）：计算平台为数据处理和 AI 推理提供运行环境。边缘智能、联邦学习等技术是计算与 AI 融合的产物。
  • 本层 → 第六层（应用）：所有上层应用（智慧城市、自动驾驶、工业IoT）的实时性和可靠性都依赖于计算平台的正确选型和部署。