边缘计算采用端边云协同架构，将算力下沉至数据产生现场，实现本地数据预处理、实时业务处理、断网自治；云端负责统一管控、模型训练与全局分析。解决业务时延高、带宽占用大、现场断网业务失效、数据隐私等问题，适用于工业、智慧园区、视频 AI、物联网采集场景。
一、边缘计算主要工作内容
需求调研与场景梳理：梳理终端、业务时延、网络现状，明确边缘节点部署位置与算力需求，输出业务需求。
架构与节点规划：完成端边云整体架构设计，硬件选型、网络与安全域规划，确定虚拟化 / 容器部署模式。
平台部署与业务适配：部署边缘底座，完成终端协议接入，业务应用、AI 模型下发调试，保障断网下业务正常运行、数据缓存。
云边协同建设：实现云端对边缘节点远程纳管，应用、配置、模型远程下发；预处理后数据按需回传云端，减少带宽压力。
边缘安全体系建设：落实节点身份认证、通信加密、访问控制、轻量化主机防护、日志审计，满足合规要求。
联调测试验证：完成全链路调试，验证本地闭环、离线运行、云边同步、告警等能力，开展稳定性与安全测试。
统一监控运维：对边缘节点资源、业务状态集中监控，支持远程运维、故障告警、版本升级、漏洞加固。
常态化保障：建立运维机制，完成业务迭代、模型更新、数据备份，保障业务长期稳定运行。
二、边缘计算技术方案
整体分为终端层、边缘层、云端层三层架构。
（1）终端层
传感器、摄像头、PLC、IoT 终端等，负责原始数据采集，向上接入边缘节点，支持多类采集协议。
（2）边缘层（现场节点）
部署在业务现场，提供计算、存储、AI 推理能力：
设备接入与数据预处理：多协议接入终端，完成数据清洗过滤，仅回传有效数据。
本地业务自治：本地完成实时业务逻辑、AI 推理；网络中断业务继续运行，缓存数据，网络恢复自动同步云端。
容器化算力调度：容器方式运行业务应用与 AI 模型，按需调度算力资源。
本地存储：业务数据本地缓存，敏感数据优先边缘留存。
网络隔离：业务域划分，访问控制，边云采用加密隧道通信。
（3）云端层
边缘节点集中管理：节点状态监控、远程下发应用与配置、版本更新。
模型训练与全局分析：云端完成模型训练调优，下发轻量化模型至边缘；接收边缘回传数据做全局统计分析。
统一安全运维：集中采集日志、统一告警处置。
（4）边缘安全要点
基础设施：修改默认口令，固件安全校验，做好物理防护。
网络安全：端边云通信加密，安全域划分，轻量化访问控制。
平台应用：容器镜像校验，应用最小权限运行。
主机安全：轻量化恶意代码防护、权限管控。
数据安全：本地敏感数据加密存储，落实备份机制。
审计：本地留存安全日志，满足审计溯源。
（5）部署模式
边缘一体机 / 服务器：工厂、园区现场机柜部署
边缘网关：小规模点位轻量化场景
运营商 MEC：5G 低时延业务场景
（6）典型适用业务场景
智慧园区 / 安防 AI：多路视频流边缘本地 AI 分析，行为识别、区域入侵，只上传告警结果，不传输全部原始视频流，节省带宽。
工业物联网：产线传感器数据本地采集、实时分析，生产异常毫秒级本地告警，断网不影响产线基础业务运行。
物联网采集类业务：海量 IoT 设备就近接入边缘，预处理后回传云端，降低云端压力。
低时延业务场景：5GMEC、AGV 调度、AR 辅助等对时延敏感业务，将业务下沉边缘，降低端到端时延。
