1. 工业边缘计算与容器化部署导论

在智能制造、能源、交通与零售等场景中，数据产生的速度与规模正在快速上升。传统做法是把现场设备数据全部上传到云端处理，但这种方式在时延、带宽、可靠性和数据合规方面越来越难以满足要求。工业边缘计算的核心思路，是把计算能力下沉到靠近数据源的位置——产线旁的工控机、车间网关、边缘服务器，甚至设备本体。这样，实时控制、视觉质检、异常检测等任务可以在本地完成，只把汇总结果或需要长期分析的数据上传云端。

理解工业边缘场景，先要看清它与通用 IT 环境的差异。工业现场通常存在几类典型特征：一是实时性要求分层，运动控制可能要求毫秒级响应，而质量统计可以容忍秒级甚至分钟级；二是环境严苛，设备要面对宽温、振动、粉尘和电磁干扰；三是协议异构，Modbus、OPC UA、Profinet、EtherCAT 等协议并存，数据格式和语义各不相同；四是长生命周期，一条产线往往运行十年以上，软件必须可维护、可回滚；五是安全与合规，生产数据不出厂区是常见硬性要求。这些特征决定了边缘侧不能简单照搬云端架构。

容器化正是应对上述挑战的关键手段。容器把应用及其依赖打包成标准镜像，带来几方面直接收益：环境一致性，开发机上验证过的镜像可以直接部署到边缘节点，减少“在我机器上能跑”的问题；快速交付与回滚，镜像版本化后，升级和回退都变成替换镜像的动作；资源隔离，多个应用共享同一台边缘服务器，通过 CPU、内存限额避免相互干扰；轻量启动，相比虚拟机，容器启动通常在秒级，适合边缘节点频繁调整负载的场景。需要说明的是，容器并非万能：对硬实时控制回路，仍需结合实时内核、CPU 隔离或专用控制器，容器更多承担的是应用编排与生命周期管理角色。

Intel 技术栈在工业边缘部署中提供了从硬件到软件的分层支撑。硬件层包括面向边缘的处理器平台（如带集成显卡的酷睿、至强 D 系列、Atom 系列）以及 OpenVINO 工具套件所支持的 AI 加速能力；系统层提供实时内核补丁、驱动与固件支持；容器与编排层则与 Docker、containerd、Kubernetes 及 K3s 等生态兼容，并可通过 Intel 设备插件把 GPU、VPU 等加速资源暴露给容器。理解这条技术栈的定位，有助于在后续章节中判断“某个能力应该由硬件、驱动、运行时还是应用层来承担”。

从这张分层图可以看到，边缘节点是承上启下的核心：向下要对接多种工业协议与设备，向上要按需把数据送到云端。容器化部署的价值，正是在这个节点上把“采集—处理—推理—上传”拆成可独立升级、可独立限资源的服务单元。例如视觉质检容器可以单独更新模型镜像，而不影响协议网关容器的稳定运行。

本课程的整体学习路径按“由场景到落地”组织。第一阶段建立认知：理解工业边缘的实时性分层、环境约束与协议异构，明确哪些任务适合放在边缘、哪些适合放云端。第二阶段打基础：掌握容器镜像、容器网络、数据卷与资源限制的基本操作，能在单台边缘设备上运行并管理容器。第三阶段进入 Intel 平台：学习如何用 OpenVINO 把训练好的模型转换为可在 CPU、集成 GPU 上高效推理的格式，并通过设备插件把加速资源分配给容器。第四阶段做工程化：编写 Dockerfile 构建可复现的边缘应用镜像，使用 K3s 或 KubeEdge 做多节点编排，配置健康检查、滚动更新与断网续传。第五阶段关注运维：采集容器与主机的 CPU、内存、温度指标，设置告警阈值，处理镜像拉取失败、容器反复重启等常见故障。最后通过一个综合项目，把视觉质检与协议网关两个服务部署到边缘节点，验证端到端的数据流与升级回滚流程。