1. 课程导入与边缘平台全景

边缘计算并不是把服务器搬到离用户更近的地方那么简单。它意味着在功耗、散热、空间、网络带宽和维护可达性都受限的现场环境中，仍然要稳定承载推理、采集、转发与控制等实时任务。Intel 边缘平台正是围绕这一矛盾构建的：以 CPU 为通用计算底座，用集成 GPU、NPU、VPU 等异构单元分担特定负载，再通过 OpenVINO、oneAPI、DPDK 等软件栈把硬件能力释放出来。本课程的目标，是让读者既能看懂这套平台的组成与数据通路，也能在性能不达标或系统异常时，沿着可复现的路径定位到具体环节。

一、Intel 边缘平台的核心组成

从硬件视角看，一个典型的 Intel 边缘节点通常包含四层。最底层是计算与加速单元：Intel Core、Xeon、Atom 或 Core Ultra 处理器提供通用算力，集成 GPU 承担并行吞吐型任务，NPU 负责低功耗持续推理，部分平台还会外接 VPU 或 FPGA 做视频编解码与确定性加速。往上一层是内存与存储：DDR5/LPDDR5 决定数据搬运带宽，NVMe SSD 影响模型加载与日志落盘速度。再往上是 I/O 与网络：PCIe 连接加速卡与采集卡，2.5GbE/10GbE、TSN 或 5G 模块决定数据进出边缘节点的能力。最上层是管理与安全：Intel AMT、vPro、TDX、SGX 等提供远程运维与可信执行环境。

软件栈同样分层。固件与 BIOS 决定功耗墙、频率策略和 PCIe 拓扑；操作系统与内核负责调度、中断亲和性和驱动；运行时层由 OpenVINO Runtime、oneAPI、Media SDK、DPDK 等组成；最上层才是业务应用与编排框架。性能问题往往不是单层造成的，而是跨层耦合的结果，因此后续章节会反复回到这张分层图上定位。

二、典型部署形态

边缘平台很少以单一形态出现。最常见的三类部署是：单节点一体机，在一台工控机或边缘服务器上同时完成采集、推理和本地控制，适合产线质检、零售分析等场景；边缘服务器 + 多终端，由一台性能较强的节点汇聚多路摄像头或传感器，通过交换机或 TSN 组网，适合园区安防、交通路口；边缘节点 + 云端协同，边缘侧做低延迟推理与数据过滤，云端负责模型训练、批量分析和全局编排。三者的性能关注点不同：一体机更在意功耗与散热，多终端形态更在意网络与并发，云边协同则更在意数据同步与模型下发效率。

三、性能调优与故障定位的整体方法论

面对一个“推理延迟偏高”或“吞吐上不去”的问题，最忌讳直接改参数。更可靠的做法是遵循四步闭环：建立基线、分层观测、定位瓶颈、调优回归。建立基线时，要固定输入分辨率、批大小、模型版本和并发数，记录端到端延迟、吞吐、CPU/GPU 利用率与功耗；分层观测时，借助 top、intel_gpu_top、perf、turbostat、OpenVINO benchmark_app 等工具，分别看计算、内存、I/O 和调度四个维度；定位瓶颈时，先判断是算力受限、带宽受限还是 I/O 受限，再用单变量法验证假设；调优回归时，每次只改一个因素，复测同一负载，确认收益且无副作用后再固化配置。

四、学习路径与工具准备

本课程后续章节将沿着“平台认知 → 性能观测 → 瓶颈定位 → 调优实践 → 故障复盘”的路径展开。建议读者提前准备一台可用的 Intel 边缘设备或开发板，安装好 Linux 环境与 OpenVINO，并熟悉以下基础命令：

# 查看 CPU 频率与功耗状态
turbostat --interval 1

# 查看 GPU 利用率（需安装 intel-gpu-tools）
sudo intel_gpu_top

# 用 OpenVINO 跑一次基准测试，建立初始基线
benchmark_app -m model.xml -d GPU -niter 100 -api sync