边缘智能是边缘计算中一个非常重要的方向。它将边缘计算和人工智能算法结合起来，在边缘设备上就近处理目标检测、物体跟踪，识别等任务。这种处理方式可以降低时延，减少数据上送云端对回传网络的冲击，同时保证数据的隐私和安全性。但是，我们要面对一个问题，即现有的人工智能算法是否可以直接应用于边缘侧，还是我们需要重新设计一套原生算法。本文将探讨边缘智能网关的全栈解决方案，提供一套工程化的实现框架，从硬件、操作系

边缘计算可以支持就近的计算卸载，让数据在靠近数据源的设备上处理。对于边缘计算低时延的应用场景来说，网络性能的好坏，直接影响着卸载算法的整体耗时，决定着整个算法模型的可行性。因此如果想实现低时延卸载算法，除了获得合适的计算资源以外，还需要更加精细的网络资源的管理。对于需要进行低时延处理的数据，在网络上提供单独的通道和资源，报文在调度和转发时具备更高的优先级，保证报文可以第一时间被响应。要实现上述功能

当然在传统的CDN视频领域，除了网宿科技这样的老牌企业外，新兴的PPIO，字节跳动的火山引擎，UCloud等企业，也依赖布局的视频节点，利用边缘计算技术，提供更低时延，更佳用户体验的业务。参与角逐的公司，包括传统的通信设备企业，如华为、中兴、新华三，也有传统的服务器公司，如浪潮、联想，还包括三大电信运营商，电信、移动、联通，互联网BAT也不甘示弱，从阿里云到腾讯云、百度云，都在往边缘计算方向延伸，

上一篇文章主要从终端的角度分析了AR终端功能模块、系统组成和通信方案。本文将AR边缘计算架构的视角往上移一层，来到边缘设备侧，分析一下在边缘侧，是如何支持和实现AR相关业务和数据的处理的。我们知道AR业务需要处理大量的实时数据，包括视频、图像、位置感知、生物特征信息等，这么大的数据量，在终端设备侧根本无法完成，因此需要将其卸载到边缘设备或者云端处理。在具体实现时哪些AR业务需要卸载，卸载到哪里，如

边缘计算是近年来刚刚兴起的新方向，已经有不少公司在逐步投入人力和物力，其中既有BTA、华为、字节跳动这样的大厂，也有EMQ等创业公司，前面已经对此做过分析。本文从另外一个视角分析这个新型的方向，笔者在招聘网站上搜集了边缘计算方向的岗位，并且对这些岗位从技术、业务和管理的角度进行对比，得到边缘计算方向的能力要求，希望对想要从事这方面工作的读者有所帮助。

边缘智能是边缘计算中一个非常重要的方向。它将边缘计算和人工智能算法结合起来，在边缘设备上就近处理目标检测、物体跟踪，识别等任务。这种处理方式可以降低时延，减少数据上送云端对回传网络的冲击，同时保证数据的隐私和安全性。但是，我们要面对一个问题，即现有的人工智能算法是否可以直接应用于边缘侧，还是我们需要重新设计一套原生算法。本文将探讨边缘智能网关的全栈解决方案，提供一套工程化的实现框架，从硬件、操作系

前面笔者有对边缘计算系统做过一次综述，从本文开始，笔者将重点解读边缘计算技术栈，首先介绍的是边缘计算卸载技术。所谓卸载技术，即将终端或者云端的计算任务卸载到边缘侧，通过综合判断性能、能耗、时延等指标，将数据或者计算模型下沉（上传）到合适的位置。在边缘计算的卸载中，基本的卸载策略是明确卸载谁，卸载到哪里，怎么卸载，何时卸载以及卸载多少的问题。本文也基于该卸载策略展开论述，并最终给出卸载的基本功能和评

0 背景本文重点解读kubeedge项目中的mapper模块。该模块位于kubeedge的edgecore的南向边缘侧，主要对接入kubeedge的终端设备，进行协议的适配和转换，使其可以和边缘设备通信，转换后的协议是我们前面描述的mqtt协议，当然也支持http协议。当前该模块支持BLE、MOBUS等多种物联网协议的转换，这部分代码单独有一个git路径【1】，有自己独立的架构和功能特性。笔者将从

前面笔者有对边缘计算系统做过一次综述，从本文开始，笔者将重点解读边缘计算技术栈，首先介绍的是边缘计算卸载技术。所谓卸载技术，即将终端或者云端的计算任务卸载到边缘侧，通过综合判断性能、能耗、时延等指标，将数据或者计算模型下沉（上传）到合适的位置。在边缘计算的卸载中，基本的卸载策略是明确卸载谁，卸载到哪里，怎么卸载，何时卸载以及卸载多少的问题。本文也基于该卸载策略展开论述，并最终给出卸载的基本功能和评

前面笔者简单谈了在实际的mqtt产品实现时，选择了参考文献[1]mosquitto服务端实现和[2]华为鸿蒙mqtt客户端实现，两个比较典型的项目作为例子对产品级的实现进行了解析。在实际的工程项目中，经常还需要根据应用场景，选择合适的物联网协议，那针对众多的物联网协议（MQTT/AMQP/CoAP/HTTP/LwM2M）应该如何做出选择，判断和选型的依据时什么呢？本文笔者从物联网的特点入手，提出了