云边协同是什么？云计算与边缘计算协同工作体系一文梳理

云边协同是什么？

云边协同是指将云计算（Cloud Computing）的强大算力和海量存储与边缘计算（Edge Computing）的低延迟实时响应结合起来，形成一个"云端做大脑、边缘做手脚"的协同工作体系。

为什么需要云边协同？

在城市生命线场景中，所有传感器数据都上传到云端处理看起来是"最省事"的方案，但会面临三个关键瓶颈：

延迟：一个燃气阀门井的甲烷浓度突然飙升，云端收到数据（网络延迟 200ms）→ 处理分析（50ms）→ 下发关阀指令（网络延迟 200ms）→ 阀门执行器收到指令并动作（100ms）。总延迟 550ms。对于普通数据采集足够，但对于紧急关阀这种要求毫秒级响应的操作，550ms 太慢了。

带宽成本：几十万个传感器每秒上传一次数据，全天数据量可达 TB 级。其中 99% 的数据是"正常值"——没有报警、没有异常、不需要人工关注。把这些全部上传到云端分析，既浪费带宽也浪费云端的计算和存储成本。

离线容错：网络中断时（基站故障、光纤挖断、大面积停电），如果所有分析处理都依赖云端，整个系统将陷入瘫痪。边缘节点在离线状态下必须能独立完成关键的本地分析决策。

云边协同的分工

云端负责"算得深"：

• AI 模型的训练（需要海量历史数据和 GPU 集群）

• 跨区域的趋势分析和宏观决策（全市 10 个水厂的供水调度全局优化）

• 长期数据存储（数月乃至数年的历史数据，用于事故追溯和趋势分析）

• 大屏展示和数据报表（需要汇聚全域数据）

边缘端负责"反应快"：

• 本地实时数据采集和预处理（过滤掉"正常值"，只把"异常值"和"统计摘要"上传云端，数据量减少 90% 以上）

• 毫秒级本地控制（甲烷浓度超过紧急阈值 → 边缘网关直接下发关阀指令，延迟 < 50ms，不依赖云端网络）

• 网络中断时继续工作（本地存储数据，网络恢复后自动补传）

• 视频 AI 的本地推理（摄像头端直接运行轻量级 AI 模型识别施工活动/火焰烟雾，只将告警结果上传）

云边协同在城市生命线中的典型架构

以燃气阀门井监测为例：

第一层·传感器层：阀门井内的甲烷浓度传感器每 5 分钟采集一次数据

第二层·边缘网关层（本地 RTU/边缘计算节点）：

• 接收传感器数据

• 本地判断：浓度 < 1% LEL → 正常，不告警，仅每小时上传一次统计摘要至云端（均值、最大值、最小值）

• 浓度 1-5% LEL → 黄色预警，立即上传告警至云端

• 浓度 > 20% LEL → 红色告警，立即上传告警至云端，同时直接在本地执行关阀指令（不经过云端决策，延迟 < 50ms）

第三层·云端平台层：

• 接收全网所有边缘节点的告警和统计摘要

• 关联分析：A 节点浓度上升 + 相邻 B 节点浓度也略有上升 → 综合判断为"...片区可能存在区域性燃气管道老化问题，建议安排整体检测"

• AI 模型定期更新：基于最新历史数据重新训练预测模型，将更新后的模型下发至边缘节点

结论

云边协同的本质是"把计算放到离数据最近的地方"。数据量小但要求毫秒级响应的控制逻辑放在边缘端，数据量大且需要复杂分析的任务放在云端。两者不是替代关系，而是完美的分工协作。在城市生命线中，云边协同确保了"云端断了网，边缘照样能保安全"的底线容错能力。

参考文献

1. 中科复兴. 公司画册 3.0. 核心能力——六大能力闭环落地

2. 边缘计算产业联盟. 边缘计算白皮书