Anuket项目边缘计算用例深度解析与技术实现指南
边缘计算概述
边缘计算作为一项颠覆性技术,正在成为数字服务提供商(DSP)必须考虑采用的关键技术。在5G商用化进程中,边缘计算与众多能够实现5G变现的用例紧密相关,因此运营商、云服务提供商、内容提供商和应用开发者都越来越关注边缘计算的发展。
边缘计算被视为5G用例落地的主要使能技术之一。它能够有效解决5G面临的诸多挑战,帮助实现IMT-2020和5G标准定义的技术要求。具体而言,边缘计算需要支持增强型移动宽带(eMBB)、海量机器类通信(mMTC)和超可靠低时延通信(uRLLC)三大5G典型场景。
从商业角度看,边缘计算将帮助数字服务提供商提高5G和云计算的投资回报率(ROI),因为许多新兴服务都需要边缘计算的支持,例如云游戏、增强现实/虚拟现实(AR/VR)、5G专网和虚拟化无线接入网(vRAN)等。
技术目标
基于Anuket项目的核心目标——开发稳健的云基础设施模型并定义一组可测试验证的离散架构,项目组决定将范围从区域和国家数据中心云基础设施扩展到边缘领域。
边缘计算作为颠覆性用例,Anuket项目可以为其带来独特价值,特别是在当前各标准开发组织(SDO)和开源社区存在众多分散性边缘计算倡议的情况下。边缘计算流相关活动包括:
- 协调各标准开发组织和开源社区的工作
- 基于Anuket原则构建可供任何运营商使用的通用云基础设施
- 构建可扩展到数十万个节点、覆盖边缘电信用例的云基础设施,帮助运营商实现NFV/SDN转型的商业价值
- 调整现有参考模型(RM)和参考架构(RA),使其符合边缘计算需求
实施方法与范围
Anuket项目将识别并填补参考模型、参考架构01(OpenStack)和参考架构02(Kubernetes)中所有与边缘计算相关的需求缺口。
边缘计算范围涵盖以下方面:
- 边缘位置定义:基于具体用例定义边缘位置
- 影响因素指南:制定关于可能影响边缘性能因素的指南,如基于电信用例的广域网延迟
- 硬件软件配置:定义边缘用例特定的硬件和软件配置(如需要)
- 资源需求:定义计算、存储和网络资源需求,可引入超融合基础设施等新概念
- 架构模型:定义不同架构模型,采用"非一刀切"的灵活方案
明确排除的范围包括:
- 面向第三方应用的API
- VNF/CNF架构
- 边缘部署位置(因运营商而异)
设计原则
在定义和开发Anuket参考模型、参考架构、参考实现和参考一致性测试套件中的边缘计算范围时,应遵循以下原则:
核心原则是Anuket边缘计算不会重新定义新的分支,而是避免重复其他组织已完成的工作。Anuket边缘计算遵循现有参考模型原则、参考架构原则和网络原则。
由于边缘计算在基础设施需求、实现和部署方面的独特性,需要定义一些额外的特定原则:
- 分布式部署:支持大量小型站点的分布式部署
- 自动化能力:包括部署自动化、生命周期管理自动化、自动扩展和自动闭环保障
- 基础设施API:确保云基础设施API的可访问性
- 运维考量:考虑现场人员信任度与能力、安全顾虑、现场访问限制等因素
- 远程运维:支持远程分析、隔离和服务能力
- 资源优化:考虑资源限制、云基础设施开销最小化(关注点分离、云原生特性)
- 数据合规:地理位置和数据来源、数据本地化、保护和法规遵从
- 可靠性:弹性和可用性要求
- 网络连接:广域网连接的可用性、能力和质量
- 自治能力:本地基础设施功能和操作的自主性
- 异构支持:支持异构基础设施和多样化工作负载
- 混合负载:同时支持电信和非电信工作负载
- 优先级控制:特定的优先级、控制和编排考量
行业协作
Anuket项目与多个标准开发组织和开源社区保持协作关系:
- OpenStack边缘计算组(ECG):合作定义适合RA01和RA02的各种架构
- Linux基金会边缘项目(LF-Edge)
- GSMA运营商平台组(OPG)和电信边缘云(TEC)
- ETSI多接入边缘计算(MEC)
- ETSI网络功能虚拟化(NFV)
- 电信基础设施项目(TIP):从电信边缘云基础设施角度收集需求
通过这些协作,Anuket项目能够确保其边缘计算方案与行业主流标准和技术发展方向保持一致,为运营商提供切实可行的边缘计算基础设施参考方案。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust023
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00