5G環(huán)境下鐵路視頻圖像智能化應(yīng)用云邊協(xié)同技術(shù)架構(gòu)研究

李 瑞，李 平，馬小寧，楊東盛

（1.中國鐵道科學(xué)研究院 研究生部，北京 100081；2.中國鐵道科學(xué)研究院集團(tuán)有限公司 科技和信息化部，北京 100081；3.中國鐵道科學(xué)研究院集團(tuán)有限公司 電子計算技術(shù)研究所，北京 100081)

近年來，我國鐵路安防需求標(biāo)準(zhǔn)不斷提升，視頻監(jiān)控相關(guān)系統(tǒng)在鐵路行車指揮、生產(chǎn)組織、客貨運(yùn)輸服務(wù)、作業(yè)監(jiān)控、搶險救援以及治安防范等方面得到廣泛應(yīng)用，發(fā)揮著不可替代的作用[1]。據(jù)不完全統(tǒng)計，目前全路共有20萬路視頻監(jiān)控，視頻監(jiān)控數(shù)據(jù)體量大，但大多數(shù)視頻圖像的智能化分析手段較低。隨著5G網(wǎng)絡(luò)條件的不斷成熟，以及邊緣計算在芯片算力和算法上的突破，以5G作為通信基礎(chǔ)的云邊協(xié)同技術(shù)被廣泛應(yīng)用于各個行業(yè)，并催生出多種新的業(yè)務(wù)模式，促進(jìn)各領(lǐng)域的信息化、數(shù)字化、智能化發(fā)展。因此，可借助5G網(wǎng)絡(luò)在數(shù)據(jù)傳輸和邊緣端在算力等方面優(yōu)勢，以終端視頻監(jiān)控和云端數(shù)據(jù)中心協(xié)同工作的模式，使得海量視頻數(shù)據(jù)在傳輸、分析過程中基于鐵路實際業(yè)務(wù)需求實現(xiàn)最優(yōu)化配置，從而整體提升鐵路視頻監(jiān)控系統(tǒng)的智能化分析水平[2]。

1 鐵路視頻圖像智能化應(yīng)用需求分析

1.1 既有視頻監(jiān)控系統(tǒng)存在問題

目前鐵路既有視頻監(jiān)控系統(tǒng)，無論從監(jiān)控設(shè)備的部署方式還是從系統(tǒng)功能角度，都難以支撐智能化分析的需求[3]，其主要存在以下問題。

（1）視頻存儲傳輸方式單一。大量終端采集的數(shù)據(jù)(包括有效數(shù)據(jù)、無效數(shù)據(jù)和錯誤數(shù)據(jù))需要全部回傳到數(shù)據(jù)中心，缺乏異常狀態(tài)數(shù)據(jù)本地化的識別，造成數(shù)據(jù)中心存儲分析的壓力。

（2）特殊場景下視頻監(jiān)控系統(tǒng)數(shù)據(jù)孤立。眾多鐵路線路地理條件復(fù)雜、自然環(huán)境惡劣，如山區(qū)鐵路隧道口、道岔缺陷檢測、軌旁設(shè)備檢測等場景，視頻監(jiān)控系統(tǒng)尚未網(wǎng)絡(luò)化，視頻圖像回傳困難，其視頻大多在本地存儲，由工作人員定期手動將現(xiàn)場數(shù)據(jù)拷貝回站段或鐵路局集團(tuán)公司應(yīng)用運(yùn)行中心進(jìn)行分析處理。

（3）視頻圖像數(shù)據(jù)挖掘利用率低。大部分應(yīng)用場景下的視頻圖像都作為溯源取證的用途進(jìn)行存儲，缺乏主動的數(shù)據(jù)挖掘應(yīng)用?；貍鞯綌?shù)據(jù)中心的視頻監(jiān)控數(shù)據(jù)，大部分需人工盯控檢查，工作強(qiáng)度大，效率低，如鐵路貨車運(yùn)行故障圖像檢測(TFDS)、鐵路客車故障軌邊圖像檢測(TVDS)等應(yīng)用。

（4）視頻圖像分析時效性較差。所有監(jiān)控場景數(shù)據(jù)都回傳到數(shù)據(jù)中心統(tǒng)一處理分析，對于周界人員入侵、異物侵線等安防類場景，傳統(tǒng)模式下視頻數(shù)據(jù)處理方式耗時長，難以滿足實時性檢測識別需求。

1.2 鐵路視頻圖像智能化應(yīng)用場景需求

《交通強(qiáng)國建設(shè)綱要》《國家綜合立體交通網(wǎng)規(guī)劃綱要》，以及中國國家鐵路集團(tuán)有限公司(以下簡稱“國鐵集團(tuán)”)發(fā)布的《“十四五”鐵路科技創(chuàng)新發(fā)展規(guī)劃》《“十四五”鐵路網(wǎng)絡(luò)安全和信息化規(guī)劃》，都對鐵路智能化發(fā)展提出新的要求[4]。當(dāng)前，鐵路信息化、智能化工作正在全面推進(jìn)，特別是國鐵集團(tuán)2020年發(fā)布的《智能高速鐵路技術(shù)體系架構(gòu)1.0》，對智能建造、智能裝備、智能運(yùn)營三大板塊下的10個領(lǐng)域18個專業(yè)研究方向的智能化建設(shè)，進(jìn)行全面系統(tǒng)的規(guī)劃[5]，大量的應(yīng)用需求都是以視頻圖像數(shù)據(jù)的智能化分析為關(guān)鍵技術(shù)研究點(diǎn)，其中關(guān)于高速鐵路視頻圖像智能化分析應(yīng)用場景如表1所示。

表1 高速鐵路視頻圖像智能化分析應(yīng)用場景Tab.1 Intelligent analysis of videos and images in high speed railway scenarios

1.3 云邊協(xié)同技術(shù)優(yōu)勢

采用云邊協(xié)同的視頻圖像應(yīng)用方式，為視頻圖像數(shù)據(jù)的傳輸、存儲、分析過程提供了多樣的解決方案，基于業(yè)務(wù)場景實現(xiàn)視頻圖像數(shù)據(jù)在邊緣端處理和云端處理的協(xié)同處理模式，使得視頻監(jiān)控系統(tǒng)的數(shù)據(jù)傳輸效率和視頻圖像分析效率都有了很大提升[6]，云邊協(xié)同技術(shù)架構(gòu)對于鐵路視頻圖像場景智能化應(yīng)用具有如下優(yōu)勢。

（1）邊緣端對于終端采集數(shù)據(jù)進(jìn)行預(yù)處理。邊緣端可對采集的視頻圖像進(jìn)行過濾、清洗，還可進(jìn)行亮度、對比度調(diào)整等處理，提高回傳數(shù)據(jù)質(zhì)量，減少數(shù)據(jù)傳輸?shù)膸捳加茫档蛿?shù)據(jù)傳輸流量。

（2）實現(xiàn)本地數(shù)據(jù)差異化存儲傳輸。通過分析視頻監(jiān)控場景的差異，可自動選擇將異常數(shù)據(jù)圖像通過5G網(wǎng)絡(luò)進(jìn)行回傳，而對于普通數(shù)據(jù)可采用視頻濃縮、均勻采樣等方法抽樣上傳，減少數(shù)據(jù)中心冗余數(shù)據(jù)的存儲壓力。

（3）協(xié)同式算力分布有助于提高整體運(yùn)行效率。云邊協(xié)同架構(gòu)中，計算、存儲和控制功能同時在云端和邊緣節(jié)點(diǎn)部署，可降低數(shù)據(jù)中心計算能力的需求載荷，從而降低整個系統(tǒng)建設(shè)和運(yùn)營成本。

（4）智能化應(yīng)用可不斷迭代優(yōu)化。通過云邊協(xié)同，數(shù)據(jù)中心通過對海量數(shù)據(jù)構(gòu)建人工智能模型進(jìn)行深度訓(xùn)練學(xué)習(xí)，并通過模型下發(fā)的協(xié)同操作，不斷優(yōu)化提升邊緣端對于圖像的識別檢測能力。

（5）邊緣端的智能識別能力，大大降低了人工盯控的工作強(qiáng)度，有助于優(yōu)化監(jiān)管工作流程。

2 5G環(huán)境下鐵路視頻圖像云邊協(xié)同架構(gòu)設(shè)計

2.1 云邊協(xié)同部署

作為分布式、跨頻段的網(wǎng)絡(luò)基礎(chǔ)設(shè)施，5G網(wǎng)絡(luò)在2G/3G/4G網(wǎng)絡(luò)基礎(chǔ)上，具有增強(qiáng)型移動帶寬(eMBB)、高可靠低時延通信(uRLLC)和廣覆蓋超大規(guī)模連接(mMTC) 3大核心技術(shù)特點(diǎn)。5G環(huán)境下鐵路視頻圖像的云邊協(xié)同按設(shè)備實際部署的范圍和職責(zé)，可分為邊緣感知層、邊緣節(jié)點(diǎn)層、鐵路局集團(tuán)公司(或所屬公司)應(yīng)用運(yùn)行中心、國鐵集團(tuán)主數(shù)據(jù)中心以及業(yè)務(wù)應(yīng)用層，5G環(huán)境下鐵路視頻圖像應(yīng)用云邊協(xié)同部署視圖如圖1所示。

圖1 5G環(huán)境下鐵路視頻圖像應(yīng)用云邊協(xié)同部署視圖Fig.1 Cloud-edge collaborative deployment of railway video and image application in 5G network

（1）邊緣感知層。邊緣感知層主要為部署在車站、站段等應(yīng)用現(xiàn)場的視頻攝像機(jī)。其中根據(jù)視頻圖像應(yīng)用場景及圖像質(zhì)量需求，配備的攝像機(jī)主要包括：適用近距離(5 m以內(nèi))高清圖像拍照的工業(yè)相機(jī)、線陣相機(jī)等；適用于短距離(100 m以內(nèi))視頻監(jiān)控的普通槍機(jī)、球機(jī)攝像頭；適用于咽喉區(qū)域、公跨鐵、鐵路沿線的遠(yuǎn)距離(1 500 m以內(nèi))可變焦攝像頭。同時，有夜間任務(wù)需求的場景通常會要求攝像頭具備紅外線功能[7]。此外，部分具有高度集成功能的邊緣設(shè)備，具備邊緣計算節(jié)點(diǎn)的智能分析功能，可以實現(xiàn)視頻圖像采集分析同步進(jìn)行，如用于鐵路牽引變電站的巡檢機(jī)器人等[8]。

（2）邊緣節(jié)點(diǎn)層。一般由多個具備AI計算能力的控制盒組成，包括智能網(wǎng)關(guān)、5G網(wǎng)絡(luò)接入點(diǎn)、邊緣服務(wù)器、邊緣端圖形處理器(Graphics Processing Unit，GPU)和存儲設(shè)備等，通常部署在鐵路局集團(tuán)公司站段級。邊緣感知層與邊緣節(jié)點(diǎn)層一起構(gòu)成云邊協(xié)同架構(gòu)中的邊緣智能處理終端，是應(yīng)用場景中最小的獨(dú)立圖像智能化處理單元。感知層數(shù)據(jù)通過傳輸?shù)竭吘壒?jié)點(diǎn)進(jìn)行本地存儲，通過邊緣端GPU實現(xiàn)圖像的推理計算。同時邊緣節(jié)點(diǎn)層通過5G接入點(diǎn)，一方面將圖像數(shù)據(jù)向云邊服務(wù)器傳輸，另一方面，也可接受云端下發(fā)的邊緣端控制程序從而實現(xiàn)邊緣端業(yè)務(wù)模塊的自主化運(yùn)行。

（3）鐵路局集團(tuán)公司(或所屬公司)應(yīng)用運(yùn)行中心(以下簡稱“路局級應(yīng)用中心”)。作為管內(nèi)所有業(yè)務(wù)數(shù)據(jù)匯總、集成、分析處理中樞，路局級應(yīng)用中心配有大規(guī)模的數(shù)據(jù)存儲、應(yīng)用服務(wù)器、各業(yè)務(wù)系統(tǒng)的接口服務(wù)器等設(shè)備。在云邊協(xié)同架構(gòu)下，路局級應(yīng)用中心是邊緣終端的“云”，主要進(jìn)行數(shù)據(jù)的集中存儲、集中訓(xùn)練、模型參數(shù)的下發(fā)功能，數(shù)據(jù)傳輸由5G傳輸網(wǎng)通信；而國鐵集團(tuán)主數(shù)據(jù)中心則定位于“邊緣端”或“邊緣云”，主要負(fù)責(zé)大量的數(shù)據(jù)匯聚任務(wù)，通過5G核心網(wǎng)實現(xiàn)特殊數(shù)據(jù)的傳輸，以及接收其他路局級應(yīng)用中心協(xié)同計算的模型參數(shù)，并與國鐵集團(tuán)主數(shù)據(jù)中心針對某一場景下的模型參數(shù)進(jìn)行更新操作。為保證數(shù)據(jù)傳輸?shù)陌踩裕煽紤]在路局級應(yīng)用中心部署區(qū)塊鏈服務(wù)，保證數(shù)據(jù)傳輸、使用記錄的可溯源性及不可篡改性。

（4）國鐵集團(tuán)主數(shù)據(jù)中心。作為鐵路數(shù)據(jù)應(yīng)用融合的頂層云平臺，一方面將路局級應(yīng)用中心上傳的數(shù)據(jù)匯集到數(shù)據(jù)湖中并提供相應(yīng)的大數(shù)據(jù)服務(wù)。另一方面通過實現(xiàn)系統(tǒng)資源的虛擬化，并對海量視頻監(jiān)控數(shù)據(jù)進(jìn)行集中存儲和智能分析，如周界入侵檢測、車站人群密度估計、接觸網(wǎng)健康檢測、車站異常行為檢測以及動車組零部件缺陷檢測等應(yīng)用場景下模型的大規(guī)模訓(xùn)練分析。同時對邊緣節(jié)點(diǎn)進(jìn)行協(xié)同管控，與邊緣節(jié)點(diǎn)層視頻監(jiān)控系統(tǒng)在資源、數(shù)據(jù)、智能分析、應(yīng)用服務(wù)方面實現(xiàn)全面協(xié)同[9]。

（5）業(yè)務(wù)應(yīng)用層。業(yè)務(wù)層的部署可貫穿于整個云邊協(xié)同架構(gòu)的各個層面，主要集成具有5G云邊協(xié)同場景需求的鐵路視頻圖像智能化應(yīng)用，包括數(shù)據(jù)傳輸接口服務(wù)以及數(shù)據(jù)分析功能。其中主要應(yīng)用場景包括鐵路沿線入侵監(jiān)測、軌旁設(shè)備缺陷檢測、鐵路貨場車號箱號識別、橋隧裂縫檢測、列車運(yùn)行過程超視距應(yīng)用、建筑工地基于圖像的施工進(jìn)度檢測、隧道口邊坡異物監(jiān)測等。上述識別檢測任務(wù)都需要將視頻設(shè)備部署在戶外進(jìn)行，部分應(yīng)用場景部署在離車站很遠(yuǎn)的山區(qū)，需通過5G采用云邊協(xié)同的模式開展識別檢測作業(yè)。

2.2 云邊協(xié)同體系架構(gòu)設(shè)計

2.2.1 設(shè)計思想

基于邊緣計算解決方案設(shè)計中模型驅(qū)動工程方法(Model-Driven Engineering，MDE)的理論依據(jù)，鐵路視頻圖像智能化應(yīng)用云邊協(xié)同體系架構(gòu)的設(shè)計在此基礎(chǔ)上進(jìn)行了改進(jìn)優(yōu)化，采用自底向上的設(shè)計流程，以模數(shù)統(tǒng)一驅(qū)動的理念構(gòu)建體系框架，促進(jìn)開發(fā)服務(wù)框架與部署運(yùn)營服務(wù)框架間相互作用的迭代優(yōu)化，從而實現(xiàn)云邊協(xié)同應(yīng)用模式下邊緣端自動化、智能化分析、主動優(yōu)化的目的。其中，自動化表現(xiàn)為利用邊緣計算網(wǎng)絡(luò)架構(gòu)通過自動檢測、信息處理、分析判斷、操縱控制，使預(yù)期的目標(biāo)控制精度和實時性都得到較大的提高。智能化分析表現(xiàn)為邊緣計算網(wǎng)絡(luò)具有強(qiáng)大的分析能力，能夠?qū)崟r處理和分析數(shù)據(jù)，由于其數(shù)據(jù)處理更接近數(shù)據(jù)源，而不是在遠(yuǎn)程數(shù)據(jù)中心或云端進(jìn)行，因而可以減少延時，提高分析效率。主動優(yōu)化主要包括數(shù)據(jù)采集方式優(yōu)化、過程控制優(yōu)化等，數(shù)據(jù)采集方式優(yōu)化是通過邊緣端數(shù)據(jù)采集并處理，降低冗余數(shù)據(jù)上云帶來的通信開銷和處理時延；過程控制優(yōu)化是指隨著視頻圖像數(shù)據(jù)在智能化分析過程中不斷累積，模型可以根據(jù)豐富的樣本庫定期進(jìn)行更新訓(xùn)練，不斷提升云邊兩端對于視頻圖像分析的識別準(zhǔn)確率和推理速度。

2.2.2 架構(gòu)設(shè)計

針對云邊協(xié)同概念理解，以及云邊協(xié)同具體場景部署的差異化需求，鐵路視頻圖像智能化應(yīng)用云邊協(xié)同體系采用多地多中心的主體布局，具體應(yīng)用按照統(tǒng)一的技術(shù)標(biāo)準(zhǔn)架構(gòu)分布式部署在國鐵集團(tuán)、鐵路局集團(tuán)公司2級。具體而言，5G環(huán)境下鐵路視頻圖像智能化應(yīng)用云邊協(xié)同體系架構(gòu)如圖2所示。

圖2 5G環(huán)境下鐵路視頻圖像智能化應(yīng)用云邊協(xié)同體系架構(gòu)Fig.2 Cloud-edge collaborative architecture of intelligent application of railway videos and images in 5G network

（1）現(xiàn)場設(shè)備層，包括各類攝像頭設(shè)備、存儲設(shè)備和數(shù)據(jù)傳輸設(shè)備，主要負(fù)責(zé)各應(yīng)用場景下的圖像數(shù)據(jù)感知和采集。

（2）邊緣層，分為設(shè)備和服務(wù)2部分。其中邊緣層的設(shè)備主要包括邊緣AI計算節(jié)點(diǎn)、邊緣網(wǎng)關(guān)、邊緣控制器，以及存儲、轉(zhuǎn)發(fā)設(shè)備等。邊緣層的服務(wù)包括邊緣資源管理、邊緣平臺層、邊緣軟件服務(wù)和邊緣應(yīng)用管理等系統(tǒng)軟件服務(wù)，其中邊緣資源管理主要包括從現(xiàn)場設(shè)備傳回的本地數(shù)據(jù)資源，以及從云端下發(fā)的數(shù)據(jù)資源，如升級軟件、模型參數(shù)等；邊緣平臺層為整個邊緣端提供操作系統(tǒng)、設(shè)備驅(qū)動以及虛擬鏡像環(huán)境，為各類軟件服務(wù)提供基礎(chǔ)的運(yùn)行環(huán)境；邊緣軟件服務(wù)主要用于邊緣設(shè)備和存儲設(shè)備的調(diào)度管理；邊緣應(yīng)用管理負(fù)責(zé)具體邊緣端應(yīng)用的部署管理和視頻數(shù)據(jù)的分析處理任務(wù)。

（3）云數(shù)據(jù)中心層，其硬件配置類型與邊緣端的功能屬性大致相同，但在數(shù)據(jù)規(guī)模上和對應(yīng)的數(shù)據(jù)處理規(guī)模上會更加復(fù)雜。云數(shù)據(jù)中心層在軟件層面，一方面通過云端的運(yùn)營管理模塊實現(xiàn)應(yīng)用程序管理、數(shù)據(jù)資源、任務(wù)安排和模型管理等任務(wù)，保證整個云邊協(xié)同業(yè)務(wù)模式的執(zhí)行。另一方面，依托鐵路大數(shù)據(jù)與人工智能平臺的數(shù)字資源和計算資源，對外進(jìn)行數(shù)據(jù)服務(wù)和AI服務(wù)的賦能。其中數(shù)據(jù)服務(wù)是指平臺匯聚海量的底層生產(chǎn)數(shù)據(jù)后，在中心通過數(shù)據(jù)的存儲、管理后，可以進(jìn)行大規(guī)模的人工智能機(jī)器學(xué)習(xí)，同時提供數(shù)據(jù)可視化服務(wù)以及向外部應(yīng)用提供數(shù)據(jù)訪問接口；AI服務(wù)主要是對海量視頻圖像數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練的過程，具體包括數(shù)據(jù)集的標(biāo)注、模型的訓(xùn)練、模型發(fā)布和模型部署工作。

（4）應(yīng)用層，包括各類視頻圖像智能化分析應(yīng)用。根據(jù)不同應(yīng)用的功能需求，應(yīng)用的實際部署調(diào)用貫穿于整個云邊協(xié)同的架構(gòu)中，一方面在邊緣端通過調(diào)用本地模型對現(xiàn)場數(shù)據(jù)進(jìn)行推理分析，另一方面通過5G網(wǎng)絡(luò)實現(xiàn)與云端數(shù)據(jù)的交互。

2.3 云邊協(xié)同要素分析

在鐵路視頻圖像智能化應(yīng)用云邊協(xié)同技術(shù)體系架構(gòu)中，云邊協(xié)同的設(shè)計，需要從資源、數(shù)據(jù)、安全、管理、部署5個要素進(jìn)行統(tǒng)籌規(guī)劃設(shè)計，從而保證云邊協(xié)同的可行性和有效性，達(dá)到提升管理與運(yùn)營效率，降低運(yùn)維成本的目的。具體可以表現(xiàn)為資源能力協(xié)同、系統(tǒng)安全協(xié)同、應(yīng)用服務(wù)協(xié)同、業(yè)務(wù)管理協(xié)同、地域邊緣協(xié)同5個維度[10]。

（1）資源能力協(xié)同。云邊協(xié)同架構(gòu)下鐵路視頻圖像智能分析需要消耗各類計算機(jī)資源，傳統(tǒng)的視頻監(jiān)控系統(tǒng)通常是對業(yè)務(wù)場景通過中心服務(wù)器集中式分析，資源占用率高、但有效利用率較低。由于不同視頻圖像智能化處理任務(wù)實際應(yīng)用中的性能需求不同，有的任務(wù)場景時效性要求較高(如安檢儀違禁品識別、旅客扶梯安全行為識別等)，有些任務(wù)場景則要求檢測精度盡可能高(如TFDS和TVDS等檢測任務(wù))。因此，在云邊協(xié)同架構(gòu)下，同時面臨多種圖像處理任務(wù)請求的過程中，云端能夠根據(jù)任務(wù)的屬性、響應(yīng)要求，為不同任務(wù)提供整體算力資源的分配和任務(wù)處理優(yōu)先級策略。如對于實時性檢測要求高、且模型算力要求低的任務(wù)，由邊緣端設(shè)備自動識別處理；對于有海量圖像數(shù)據(jù)需要分析、且高精度檢測要求的任務(wù)，則交由云邊依托大規(guī)模算力進(jìn)行分析。同時，還可根據(jù)任務(wù)優(yōu)先級調(diào)度策略，對實時性高的任務(wù)進(jìn)行優(yōu)先處理，非實時性任務(wù)則在空閑時間進(jìn)行處理，從而使得整體的算力資源得到最優(yōu)化利用。

（2）系統(tǒng)安全協(xié)同。主要包括網(wǎng)絡(luò)安全、應(yīng)用安全、數(shù)據(jù)安全和終端安全等方面的協(xié)同工作。網(wǎng)絡(luò)安全協(xié)同，指在邊緣端設(shè)備和邊緣端網(wǎng)關(guān)的數(shù)據(jù)傳輸過程中，需要設(shè)計穩(wěn)定安全的傳輸協(xié)議，在云端的資源管理和數(shù)據(jù)接入服務(wù)中，除常規(guī)數(shù)據(jù)解析、存儲外，還應(yīng)具備流量清洗、流量分析等智能感知應(yīng)用，以應(yīng)對未知流量的攻擊；應(yīng)用安全協(xié)同，指系統(tǒng)需要對云邊兩端的用戶進(jìn)行統(tǒng)一管理，邊緣端具備單點(diǎn)登錄功能，云端對單一用戶在多個邊緣端產(chǎn)生的數(shù)據(jù)，能夠進(jìn)行標(biāo)準(zhǔn)化存儲，支持邊緣端異步調(diào)用功能；數(shù)據(jù)安全協(xié)同，一方面指邊緣節(jié)點(diǎn)可根據(jù)網(wǎng)絡(luò)傳輸條件和數(shù)據(jù)的重要程度智能化地選擇本地緩存或遠(yuǎn)程傳輸策略，保證數(shù)據(jù)完整性，另一方面云端通過安全策略對邊緣端數(shù)據(jù)傳輸進(jìn)行控制和流量清洗，針對邊緣端惡意流量數(shù)據(jù)的上傳能夠及時甄別和阻斷，保障數(shù)據(jù)協(xié)同過程安全可靠；終端安全協(xié)同，是針對云邊協(xié)同應(yīng)用在數(shù)據(jù)交互過程中，由于終端被入侵或冒充給整個云端系統(tǒng)造成數(shù)據(jù)泄露或竊聽的風(fēng)險因素，需要加強(qiáng)終端設(shè)備的安全防護(hù)，包括終端物理層認(rèn)證、物理層數(shù)據(jù)的加密、終端接入的身份認(rèn)證和接入權(quán)限管理等策略。

（3）應(yīng)用服務(wù)協(xié)同。處于云端的鐵路大數(shù)據(jù)與人工智能平臺，負(fù)責(zé)不同智能分析模型的集成和統(tǒng)一管理的任務(wù)，并對邊緣端提供部署、調(diào)用等接口服務(wù)，同時支持容器鏡像、微服務(wù)、微應(yīng)用等輕量型、移植性好的應(yīng)用能夠快速地在邊緣端部署，提供高可用的保障和熱遷移。在日常運(yùn)營中，鐵路大數(shù)據(jù)與人工智能平臺，能夠根據(jù)邊緣端匯集的數(shù)據(jù)不斷豐富樣本庫，根據(jù)模型自身的誤差損失反饋，對機(jī)器學(xué)習(xí)算法模型、深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練，提升各類業(yè)務(wù)場景的適應(yīng)性和智能分析的準(zhǔn)確率。邊緣節(jié)點(diǎn)具備網(wǎng)絡(luò)應(yīng)用部署條件和運(yùn)行環(huán)境，對各類終端應(yīng)用能夠?qū)崿F(xiàn)較強(qiáng)的智能分析能力和較快的輸出響應(yīng)能力，當(dāng)中心服務(wù)器出現(xiàn)宕機(jī)或者網(wǎng)絡(luò)傳輸出現(xiàn)中斷時，邊緣端節(jié)點(diǎn)能夠?qū)崿F(xiàn)閉環(huán)管理，保證邊緣端業(yè)務(wù)模型的正常運(yùn)轉(zhuǎn)，同時能夠與云端協(xié)同對應(yīng)用系統(tǒng)進(jìn)行升級維護(hù)。

（4）業(yè)務(wù)管理協(xié)同。云端數(shù)據(jù)中心需要根據(jù)視頻場景需求提供監(jiān)控場景分級、業(yè)務(wù)編排、任務(wù)管理等能力，對某些特殊情況下的應(yīng)用能夠進(jìn)行高優(yōu)先級的處理，也同時預(yù)留與其他專業(yè)的服務(wù)協(xié)同接口以及本身業(yè)務(wù)新功能的拓展接口，為邊緣端提供定制化、流程化、智能化的視頻監(jiān)控輔助管理服務(wù)。邊緣節(jié)點(diǎn)需要具備部署、運(yùn)行新應(yīng)用實例的能力。

（5）地域邊緣協(xié)同。中心云需要根據(jù)應(yīng)用的不同時段的地域要求，將應(yīng)用事先進(jìn)行部署，并下發(fā)策略實現(xiàn)應(yīng)用的平滑遷移。邊緣節(jié)點(diǎn)應(yīng)用需要在不同的地域進(jìn)行同時部署或者某些應(yīng)用的熱遷移。

3 結(jié)束語

隨著鐵路“新基建”的不斷發(fā)展，傳統(tǒng)意義上的數(shù)據(jù)中心集中部署，大規(guī)模并行計算的應(yīng)用模式正逐步向國鐵集團(tuán)數(shù)據(jù)中心—鐵路局集團(tuán)公司級應(yīng)用運(yùn)行中心—站段邊緣節(jié)點(diǎn)的新模式轉(zhuǎn)變。鐵路視頻圖像的智能化應(yīng)用也會基于云邊協(xié)同技術(shù)更加靈活地落地，為生產(chǎn)、運(yùn)營安全提供保障服務(wù)。未來可針對鐵路自然條件惡劣、通信條件差，且具有重要監(jiān)測需求的應(yīng)用場景(如橋梁橋墩裂縫檢測、隧道口、邊坡異物檢測等)，繼續(xù)研發(fā)基于云邊協(xié)同架構(gòu)的智能邊緣端一體化設(shè)備，使其具備特殊條件下的視頻圖像獨(dú)立自主分析的能力。