:::

產業技術評析

2021年全球邊緣運算新興技術議題
發表日期:2021-04-21
作者:施柏榮(資策會)
摘要:
展望2021年全球邊緣運算產業發展,可以歸納為:『雲端服務提供商介入5G產業』、『行動邊緣運算架構具現化到5G硬體產品系統』、『資訊設備從單一設備產品轉向硬體設備的系統整合』三個主要趨勢。

全文:

一、前言


展望2021年全球邊緣運算產業發展,可以歸納為:『雲端服務提供商介入5G產業』、『行動邊緣運算架構具現化到5G硬體產品系統』、『資訊設備從單一設備產品轉向硬體設備的系統整合』三個主要的發展趨勢,其中,雲端服務也包括機器學習(ML)等人工智慧服務項目,邊緣運算系統整合則包括分散式資料庫、數據交換與資訊安全等項目。依循上述邊緣運算產業趨勢展望,以下進一步提出2021年關鍵技術議題分析。


二、2021年邊緣運算新興技術議題


(一)分散式雲(Distributed Cloud)


「分散式雲」意指將公有雲(Public Cloud)服務的運算、儲存、應用程式等功能,放置其他營運服務提供商的IT設備、基礎建設進行執行。分散式雲的技術核心,與專用於特定商業、企業領域的「企業雲」(Enterprise Cloud)並不相同,分散式雲並非強調針對特定商業、企業領域,主要客戶對象為電信通訊、網路傳輸服務提供商,針對這些服務提供商的數據處理、儲存需求,提供更鄰近數據生成點的公有雲服務,因此,分散式雲也可以被視為是「公有雲」服務的變異型態,只是營運者出現變化。


相關產業技術有:無伺服器(Serverless)、微服務(Micro-service)、容器化(Container)、多代理人基礎的彈性邊緣運算(Multi-agent Based Flexible Edge Computing)等。AWS、Azure、GCP、Oracle等全球主要雲端服務提供商,皆是相關技術主要的布局廠商。值得一提的是,分散式雲尋求的運算架構,主要乃是依循「垂直分層型」(Hierarchical)的運算架構,並非是水平型(Flat)或分散式系統的運算架構,因此,運算、儲存資源的提取與分享是發生在雲端至邊緣端的垂直介面。


主要帶來的效益有二:第一,降低數據必須「跳轉」到不同營運商的網路環境所可能產生的延遲率;第二,將部分雲端服務的運算、儲存功能遷移到行動邊緣運算節點,則可以針對VR、AR、遊戲、自駕車、串流影音等應用,實現「即時性」的分析情境。2020年分散雲技術,已從產品原型邁入到真實環境試驗的階段,比如AWS在美國推出Wavelength即是一個明確的案例。2021年分散雲技術,預計鎖定「5G基礎建設」、「區域型5G企業專網」為場域,成為5G行動運算服務的核心技術組成。


(二)軟體定義廣域網路(SD-WAN)


「軟體定義廣域網路」意指採用軟體定義網路(SDN)技術來管理廣域網路(WAN)的技術解決方案,此一解決方案,主要是用來解決巨量物聯網時代,既有的雲端運算架構無法因應更為分散化、異質化的用戶服務,除了此一趨勢背景之外,傳統的電信網路配置與管理方法,也使得網路維運與管理成本提高,因此必須尋求更為彈性化的網路管理方法。軟體定義廣域網路,是在廣域網路的位置之上,藉由軟體應用程式來感知、確認最佳化路由,實現邊緣運算資源池(Edge Resource Pool)的關鍵技術。


相關產業技術有:軟體定義網路(SDN)、虛擬化(Virtualization)資源管理技術、雲端虛擬化(Cloud Computing Virtualization)、動態路徑檢測(Dynamic Path Selection)等。除了VMware、AT&T之外,2020年包括Cisco、HPE等資訊設備與系統服務提供商也積極布局軟體定義廣域網路,這也顯示出隨著邊緣運算微型資料中心、邊緣運算伺服器,甚至是5G基站設備的數量、網路連結更為大量的情境之下,資訊設備必須採用軟體定義網路、虛擬化技術,提升整體設備網路的路由管理效率。


主要帶來的效益有二:第一,當節點愈來愈多之時,可以簡化分支網路管理的難度,將多種實體網路,連結到同一個邏輯網路,比如MPLS、LTE、Internet等,以解決臨場次系統(System)整合的問題,建構類似於系統體系(System of Systems)應用情境;第二,藉由軟體定義廣域網路,實現分散式閘道網路、雲端視協調器等,解決客戶採用混合雲應用情境,產生的內部網路環境管理難題。2021年,值得重點關注的是資訊設備製造商,如何藉由軟體定義廣域網路技術,來建構遠端設備託管。

 

(三)微型資料中心網路(Micro-Datacenter Network)


「微型資料中心網路」意指由大量的微型資料中心(Micro-Datacenter)所形成的新型態的儲存網路(Network)或網格(Grid)基礎建設,以及讓此一網路基礎建設可以加以運行、管理的解決方案。微型資料中心網路的整合,意味著大量散落的資料中心可以形成一個資料儲存的集體,而資料中心的連結拓樸(Topology)的型態,也會決定此一網路的效率與「可擴充性」。如果此微型資料中心網路是由單一營運商進行維運,也可以被視為是「高速封閉型網路」(High-Speed Closed Network)。


相關產業技術有:邊緣運算網狀網路(Edge Computing Mesh Network)、即時性遠程監控(Real-Time Remote Monitoring)、彈性與高效能資料中心網路拓樸(Flexible and High-performance Datacenter Network Topology)等。Nokia、Ericsson、Huawei等電信設備製造商,以及Cisco、Schneider與資訊設備與系統服務商,是全球目前主要的布局廠商。前瞻2021年,可以預期上述兩種不同的廠商,皆會鎖定不同區域的電信服務提供商作為客戶對象,期望協助其建置電信基礎建設。


主要帶來的效益有二:第一,對於數據資料具有高度機敏性質的應用情境而言,藉由微型資料中心網路,可在邊緣運算的位置建置「封閉型網路」;第二,微型資料中心網路、網格化,能夠因應「短期遽增」的數據運算、儲存需求,進行儲存資源彈性化配置,以強化整體基礎建設的韌性。如果以邊緣運算產業技術整體發展路徑來觀察,微型資料中心產品與市場成熟化之後,便會衍伸出如何有效串接各資料中心的需求,不過,資料中心網路的分層、拓樸型態,仍會因為不同的應用情境的特性而有差異。


(四)數據分散式服務(Data Distribution Service, DDS)


「數據分散式服務」意指專用於「機器對機器」(M2M)與「即時性應用程式」的中介軟體(Middleware),它簡化既有複雜化的網路編程,並且實現一種新型態的「發布-訂閱模式」(Publish-subscribe Pattern)。在這樣的發布-訂閱模式之下,資訊的發布者不會針對資訊進行編程,而是直接發布到特定的接收者,而接收者只會提出對於特定的主題、內容具有接收興趣,但不會知道有哪些的發布者;在這種資訊傳送與分享的模式,建構一個擴充性、伸縮性更高,並且點對點傳輸的網路拓樸形態。


相關產業技術有:點對點傳輸(Peer-to-Peer)、分散式檔案系統(Distributed File System)、叢集系統(Cluster System)、群播(Multi-cast)、動態發現(Dynamic Discovery)。由於數據分散式服務也可以被視為是一種聯網模式,因此,全球主要推動者多為聯盟型態,比如物件管理組織(Object Management Group, OMG)、工業物聯網聯盟(Industrial Internet Consortium, IIC)皆是全球主要布局者,另外,RTI、ADLINK等則是數據分散式服務的主要布局廠商,持續推動該技術的落地應用。


數據分散式服務雖然類屬中介軟體,然而對於強調臨場即時性分析的邊緣運算來說,則是非常關鍵的技術項目,主要帶來的效益有二:第一,數據、資訊發布者與接收者之間呈現鬆散的耦合狀態,兩者彼此獨立,可以改善傳統「主從式」(Client/Server)架構,所可能出現的傳輸瓶頸問題;第二,允許點對點傳輸(P2P),能夠盡量避免因為架構中的某一個節點故障,而造成整個體系的問題。2021年,預期數據分散式服務將持續在工業物聯網、智慧電網、機器人協作系統等邊緣運算應用情境中驗證。


(五)微型化邊緣運算區塊鏈(Tiny Edge-Chain)


「微型化邊緣運算區塊鏈」意指以區塊鏈(Blockchain)為基礎的邊緣運算資料交換技術;更細部來探討,即是應用「分散式帳本」(Distributed Ledger Technology)、與微型化的「共識演算法」,建立可信任的分散式運算架構(Trustable Distributed Computing);並且藉由此一機制,來控制雲端、邊緣運算的資源池與物聯網設備,讓物聯網的行為與活動都可以在區塊鏈中被記錄與追蹤,達最佳化資源管理。如果以資料傳輸的安全性等即來看,邊緣運算區塊鏈是一種安全性更高的分散式運算架構。


相關產業技術有:物聯網區塊鏈(IoT Blockchain)、智慧合約(Smart Contract)、分散式共識(Distributed Consensus)、內部貨幣(Internal Currency)、分散式帳本技術等。目前AWS、Azure、GCP已提出支援分散式帳本等技術,但尚未導入到邊緣運算的設備資源管理;Cisco則曾經提出物聯網區塊鏈機制的原型報告,但也同樣處於概念驗證的階段。然而,隨著多利害關係人、零信任情境的需求強化,加上區塊鏈演算法朝向微型化演進,預期2021年會在部分高機敏的應用情境中取得驗證。


微型化邊緣運算區塊鏈,將會是更為適合物聯網網路傳輸環境的解決方案。主要帶來的效益有二:第一,對於無法建構長期信任的場域,比如該情境有多個利害關係人、短期服務提供商的場域,區塊鏈為基礎的邊緣運算架構,可以提供一個可追蹤、記錄的安全性資料交換方案;第二,對於進行點對點、水平型態的數據交換的需求情境,微型化邊緣運算可以實現一個節點可持續擴充的「去中心化」(Decentralization)創新應用。2021年預期將會於金融、零售、醫療、智慧電網等情境進行系統驗證。


(六)邊緣運算聯邦式學習(Federated Learning for Edge)


「邊緣運算聯邦式學習」意指以聯邦式學習模型(FL)為基礎,在非雲端的邊緣運算環境之中,進行數據訓練與學習的模型。邊緣運算聯邦式學習模型,主要相對於雲端中心型學習模型、邊緣封閉型學習模型而存在;更為具體而言,邊緣運算聯邦式學習模型,並不倚賴在特定端點匯聚大量的數據湖(Data Lake)之後,再執行數據訓練,而是強調在水平層級的邊緣運算伺服器等節點之上,採用類似「去中心化」數據情境進行特定機器學習訓練,數據、資料並不會因為訓練的需求,而匯聚到特定資料池。


相關產業技術有:聯邦式學習(Federated Learning)、分散式學習(Distributed Learning)、協作型機器學習(Collaborative Machine Learning)、邊緣運算人工智慧晶片組(Edge AI Chipsets)。Google是聯邦式學習模型相關技術方法,布局最早的廠商;2019年Nvidia提出鎖定在智慧醫療的Clara運算解決方案,則是近年備受關注的邊緣運算聯邦式學習產品。回顧全球科研機構技術發表,邊緣運算聯邦式學習模型多數被應用在醫療影像、基因體分析等,具有個人資料安全保護特性之應用。


彙整而言,帶來的效益可歸類為二:第一,相對於中心化的數據訓練情境,去中心化的邊緣運算聯邦式學習模型,共享的是模型、權重等資訊,較能夠顧及到資料隱私性;第二,對於數據散落在不同的利害關係人、不同的數據池,涉及到商業祕密與數位化資產的情境來說,在邊緣運算的端點上執行聯邦式學習模型,相對集中式學習模型,較有機會取得不同利害關係人的採用。從數據訓練角度來看,聯邦式學習模型更適合具有分散、去中心化特質的邊緣運算,除了醫療之外,金融保險也是適用的應用情境。


(七)O-RAN邊緣運算伺服器(O-RAN Edge Server)


「O-RAN邊緣運算伺服器」意指以5G開放式無線電接取網路(O-RAN)為應用的邊緣運算伺服器(Edge Server)之硬體、設備與系統整合平台。傳統電信基站設備掌握在少數的電信設備提供商,O-RAN則嘗試打破這樣的生態系,將電信設備架構分成中央單元(Central Unit, CU)、分散單元(Distributed Unit, DU)以及無線電單元(Radio Unit, RU)等分層,而邊緣運算伺服器則主要應用在中央單元(CU)與分散單元(DU)的傳輸介面、路由、控制與管理,以滿足O-RAM開放化需求。


相關產業技術有:網路虛擬化技術(NFV)、時脈同步(Timing Synchronization)、服務管理與編排(Service Management and Orchestration)、近即時網路智慧化控制(Near-RT RAN Intelligent Controller)。邊緣運算伺服器目前布局的業者有: HPE、Dell、Cisco等,預計在2021年這些資訊設備製造商也會逐步切入O-RAN的架構之中,除此之外,Nokia、Ericsson等也預期會在2021年持續尋求白牌資訊設備製造商與系統服務商的協助,以因應O-RAN帶來的新興5G設備、基站的變化。


O-RAN邊緣運算伺服器,將成為5G O-RAN產業生態系不可或缺的關鍵硬體設備,帶來的效益有二:第一,藉由5G O-RAN的功能分層,可以為邊緣運算伺服器帶來更明確的定義,對於資訊設備製造商而言,創造一個可預期的需求市場;第二,O-RAN邊緣運算伺服器成為眾多虛擬化、服務管理的運算節點,可以強化更多即時性分析的創新應用。然而,O-RAN邊緣運算伺服器的規格,仍需要通過O-RAN聯盟的測試,也預計在2021年,全球將有愈來愈多O-RAN邊緣運算伺服器產品於市場中推出。


(八)邊緣運算人工智慧晶片組(Edge AI Chipsets)


「邊緣運算人工智慧晶片組」意指相對於雲端運算伺服器等設備,配置於非雲端環境的邊緣運算伺服器、設備,並且能夠執行機器學習模型、推論的晶片處理器、加速器與開發板。假設在邊緣端、物端設備配置邊緣運算人工智慧晶片,則可以在「無雲」或者「間歇雲」環境中,自動化執行機器學習(ML)、深度學習(Deep Learning),實現即時性、智慧化的數據分析與數據交換。然而,邊緣運算人工智慧的數據訓練、學習、部署的方法,可能會因為應用情境的網路架構、資訊安全需求,而出現不同。


相關產業技術有:邊緣運算人工智慧(Edge AI)、人工智慧晶片(AI on Chip)等,前者涉及到人工智慧模型與推論在雲端、邊緣運算、物端之間的部署架構,後者則是指涉圖形處理器(GPU)、神經處理單元(NPU)、張量處理器(TPU)等晶片與處理器硬體單元、指令集架構等。除了Intel、ARM、Nvidia等半導體設計與製造商之外,2015年之後AWS、Azure、GCP等雲端服務提供商亦是全球主要的投資者。前瞻2021年,預計邊緣運算人工智慧晶片,將進一步與不同人工智慧平台進行扣合。


邊緣運算人工智慧晶片帶來的效益,與人工智慧晶片有部分重疊,但兩者最大的差異在於邊緣運算人工智慧晶片,主要是以降低雲端運算數據壅塞,縮短智慧分析可能的延遲率等,以及「補足雲端運算服務」作為主要核心效益思考。然而,邊緣運算人工智慧晶片的設計架構、材料、製程等課題,會受到不同的應用、資訊設備類型牽引,2021年必須持續觀察面向有二:第一,雲端服務提供商與半導體設計商的異業合作態勢;第二,邊緣運算人工智慧所採用的數據累積、數據訓練、數據推論的生成模型。


三、結論


前瞻2021年,對於臺灣聚焦於雲端服務提供商以及相關產業的廠商而言,以「微型資料中心」為基礎,延伸出來之硬體、網路、儲存之維運服務(Maintenance Service)與託管服務(Colocation Services),將是廠商必須關注的產業戰略高地;臺灣擁有資料中心維運與託管能量的廠商,可以在雲端服務提供商、電信服務提供商之間扮演整合者的角色,以掌握潛力市場商機。對於臺灣聚焦於資訊硬體提供商以及相關產業的廠商而言,牽動硬體設備發展的因素,已然從單純的硬體效能,轉向更為高價值得數據、資料處理服務,藉由軟體定義網路等技術來強化設備的「可擴充性」,以及強化自身「分散式數據管理」能力,將會成為市場競爭、市場區隔的要素。如何準確掌握不同應用情境的數據需求,推動軟硬體整合,仍然是資訊硬體提供商所必須面對的課題。

 

(本文作者為資策會MIC執行產業技術基磐研究與知識服務計畫產業分析師)


* 點閱數1008
更新日期:2020-04-08

回上一頁 回首頁