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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00