实现智能边缘面临着三大挑战，分别是：实现硬件异构性、克服开发中遇到的阻碍，以及确保大规模安全性。本文将重点围绕异构性进行探讨，内容涵盖异构性的出现、对系统的影响，以及解决此类固有挑战的一些思路。想要了解更多有关智能边缘的信息，欢迎阅读《边缘计算演进》白皮书。
关注边缘计算产业联盟ECC公众号，回复“241025”即可下载《边缘计算演进》完整版。
异构性如何增强设计空间
云计算基础设施的特点是同构性，而边缘计算基础设施的特点则是异构性。边缘侧基础设施的异构性主要源于严苛的环境、节点的高昂安装成本和自然增长特性（长期使用的基础设施）。然而造成边缘侧多样化的这些驱动因素在云端并不存在。边缘计算之所以使用异构解决方案，是因为此类解决方案可通过提供不同级别的算力来增强设计空间。各种设计配置能够应对成本、尺寸、功率和能耗等不同方面的问题。异构性会出现在节点内部。一个节点可能包含多个不尽相同的处理器，例如，不同的 Arm 架构产品系列（如 Arm Cortex-A 和 Cortex-M）、不同的性能和尺寸、大小核技术，或是专用工作负载的加速器。边缘计算中的异构性还可能出现在节点之间，例如，随着时间推移，同一平台上部署了多代产品。
使用云原生开发工具已证实能为云端开发者缩短产品上市时间、简化编程、提供可移植性并实现可管理的部署。同样地，云工具和方法可为边缘侧开发者提供类似的优势，然而，异构性所带来的挑战不容忽视。其原因在于此类云工具忽略了异构性及其影响，或是采用了过于简单的解决方案。
应用的服务质量 (QoS) 是受异构性影响的主要方面之一。服务质量管理也是边缘计算基础设施的主要要求。如果各类应用的每个组件都能获得足够的资源，服务质量便能得到保证。在系统设计的所有运行情况下，边缘侧的服务质量也应该保证。应用或应用元数据会提供有关资源要求的信息，边缘侧的基础设施应保证这些资源的可用性。任何共享资源都可能出现争用情况，因此必须加以管理。
异构性改善了设计空间，但也增加了复杂性，而降低复杂性是维持优势的关键。下图展示了我们为降低两种异构性情况的复杂性所探索的方案。
当前的编排器假定节点只在核心数量和内存容量方面有所不同，这意味着任何一个核心都能提供类似算力。但现实情况是，如果某个应用组件是为配备 Cortex-A76 核心的节点（例如树莓派 5）而设计的，当其在配备 Cortex-A72 核心的节点（例如树莓派 4）上运行时，表现将截然不同。然而，从编排器的角度来看，节点的能力是相同的。为此，我们曾提出了针对该问题的解决方案，即引入参考核心的概念。在这种情况下，与参考核心相比，每个节点都能提供预期的算力。应用会依据参考核心来指定计算资源要求，并期望在不同节点上运行时，能够获得足够的算力，从而实现预期的服务质量。对于大小核技术的特殊情况，即同一节点上存在不同类型的核心，可为用于运行应用的核心类型进行资源要求转换，以解决此类情况。
混合节点提供多个计算单元，这些计算单元具有不同的架构，而且可能运行着不同的操作系统和基础软件。混合节点中可能存在其他核心，例如微控制器核心（如 Cortex-M4）、实时核心和加速器等。在这种情况下，主要要求是可移植性、易编程性和易部署性。即便是具有类似指令集架构和产品系列（如 Cortex-A、Cortex-M 和 Cortex-R 系列）的核心，使用云原生工具来创建可部署、可维护的解决方案也并非易事。
混合系统中的云原生开发
为解决前面提到的一些问题，我们在另一篇文章[1]中曾概述了一个概念验证，展示了如何使用云原生编排工具将应用从 Cortex-A 部署到混合系统中的 Cortex-M 上。在该解决方案中，应用可划分为多个部分，根据要求的不同，每个部分在不同核心上运行。如此一来，固件更新变得简单、安全，并且可规模化控制。例如，通过使用混合运行时，可按需更新 Cortex-M 上运行的内容，从而升级功能。在这种情况下，可以降低复杂性，并更好地利用这些额外的计算元素。
如果开发者有兴趣学习如何使用固件容器镜像和混合运行时组件来部署容器化嵌入式应用，也可访问我们开发者资源的 Learning Path：使用 containerd 部署固件容器[2]。
展望未来
边缘计算不断发展，新的工作负载和需求也在不断发生变化。人工智能 (AI) 工作负载和加速器日益渗透到计算的方方面面。本文介绍的一些技术展示了参考核心和混合运行时部署的情况，这些技术在今后降低边缘计算复杂性方面会发挥有益作用，但也仍然会有一些差距需要弥补。为此，我们正在与生态系统和学术界合作，让好的想法可以广泛传播，并收集反馈，开发配套和备选模型。
[1]https://community.arm.com/arm-community-blogs/b/embedded-blog/posts/adapting-kubernetes-high-performance-iot-edge-deployments
[2]https://learn.arm.com/learning-paths/embedded-systems/cloud-native-deployment-on-hybrid-edge-systems/containerd/
· end ·
来源 | Arm
责任编辑 | 乔珺
更多干货资料下载：
关注公众号，在对话框回复关键字“19”，即可下载《云端控制平台与物流自动导引车通用接口指南》PDF完整版；
关注公众号，在对话框回复关键字“18”，即可下载《智能驾驶计算芯片性能评测标准化白皮书》PDF完整版；
关注公众号，在对话框回复关键字“17”，即可下载《工业视觉技术与应用白皮书（2023）》PDF完整版；
关注公众号，在对话框回复关键字“16”，即可下载《Edge Native 技术白皮书 2.0》PDF完整版；
关注公众号，在对话框回复关键字“15”，即可下载《边缘学习：隐私计算白皮书》PDF完整版；
关注公众号，在对话框回复关键字“14”，即可下载《高速公路车路协同网络需求研究》PDF完整版；
关注公众号，在对话框回复关键字“13”，即可下载《城市场景车路协同网络需求研究》PDF完整版；
关注公众号，在对话框回复关键字“12”，即可下载《边缘计算视觉基础设施白皮书》PDF完整版；
关注公众号，在对话框回复关键字“11”，即可下载《Edge Native 技术架构白皮书1.0》PDF完整版；
关注公众号，在对话框回复关键字“10”，即可下载《工业互联网边缘计算节点白皮书1.0》PDF完整版；
关注公众号，在对话框回复关键字“09”，即可下载《5G时代工业互联网边缘计算网络白皮书》PDF完整版；
关注公众号，在对话框回复关键字“08”，即可下载《边缘计算与云计算协同白皮书2.0》PDF完整版；
关注公众号，在对话框回复关键字“07”，即可下载《运营商边缘计算网络技术白皮书》PDF完整版；
关注公众号，在对话框回复关键字“06”，即可下载《边缘计算IT基础设施白皮书1.0》PDF完整版；
关注公众号，在对话框回复关键字“05”，即可下载《边缘计算安全白皮书》PDF完整版；
关注公众号，在对话框回复关键字“04”，即可下载《边缘计算与云计算协同白皮书（2018年）》PDF完整版；
关注公众号，在对话框回复关键字“03”，即可下载《边缘计算参考架构3.0（2018年）》PDF完整版；
关注公众号，在对话框回复关键字“02”，即可下载《边缘计算参考架构2.0（2017年）》PDF完整版；
关注公众号，在对话框回复关键字“01”，即可下载《边缘计算产业联盟白皮书（2016年）》PDF完整版。
推荐阅读
