1. 课程导入与端边云协同全景

物联网系统从早期的“传感器+单片机+本地显示”，一路演进到“海量终端+边缘计算+云平台”的协同体系，背后是三个现实压力共同作用的结果：数据量爆炸、实时性要求提高、以及网络与云端成本约束。理解端边云协同，首先要理解这三层各自解决什么问题，以及它们如何通过数据流与控制流形成闭环。

一、物联网演进脉络：从单点采集到三层协同

第一阶段是单点采集与本地控制。典型形态是传感器直接连到控制器，控制器完成阈值判断并驱动执行器，例如温控开关。这一阶段的特点是链路短、响应快，但数据不出本地，无法做全局优化，也难以远程运维。

第二阶段是终端直连云。随着Wi-Fi、4G/5G模组成本下降，设备把数据直接上传云平台，由云端存储、分析并下发指令。这一阶段解决了远程可视与集中管理问题，但暴露出两个瓶颈：一是海量设备并发连接对云入口造成压力；二是控制指令往返云端的时延通常在几十到几百毫秒，难以满足工业闭环控制、自动驾驶等场景。

第三阶段是端边云协同。在终端与云之间引入边缘层，把部分计算、存储、决策下沉到靠近数据源的位置。边缘层既可以是工厂车间里的边缘网关，也可以是城市路侧的边缘服务器，还可以是家庭中的智能中枢。它承担“就近处理、快速响应、数据过滤与聚合”的职责，云端则聚焦全局模型训练、跨域协同与长期数据资产运营。

二、三层架构的职责划分

终端层是数据的产生者和指令的最终执行者。它包含传感器、执行器、摄像头、PLC、智能家电等。终端层的核心职责是：采集物理量、完成本地简单逻辑、执行来自边缘或云的控制指令。终端通常资源受限，因此不适合承担复杂模型推理或大规模数据存储。

边缘层位于终端与云之间，是协同架构的“腰部”。它的职责包括：协议转换（如Modbus、OPC UA、MQTT互转）、数据清洗与降噪、本地实时控制、视频流抽帧与推理、断网续传缓存、以及向上汇聚数据。边缘层的价值在于把“必须在本地做的事”留在本地，把“适合全局做的事”交给云。

云层提供弹性算力、海量存储与全局视图。它负责设备管理、数据湖/时序数据库、AI模型训练与下发、跨厂区/跨城市的数据分析、以及面向业务的应用编排。云层不追求毫秒级响应，而是追求全局最优与长期演进。

三、端边云协同的定义与价值

端边云协同不是简单地把设备连到云，而是按数据时效性、算力需求、网络成本和隐私约束，把任务分配到最合适的一层。它的核心价值可以概括为四点：

• 低时延：紧急控制（如机械臂急停、AGV避障）在边缘完成，时延从云端往返的100ms级降到10ms以内。
• 省带宽：边缘先做过滤与聚合，例如摄像头只上传“检测到异常”的片段而非7×24小时全量视频，带宽可降低一个数量级。
• 高可靠：断网时边缘可独立维持本地控制，网络恢复后再补传数据，避免生产中断。
• 护隐私：人脸、工艺参数等敏感数据在边缘脱敏后再上云，满足合规要求。

四、典型应用场景

工业场景：车间PLC与传感器数据经边缘网关汇聚，边缘完成振动异常检测与急停逻辑，云端训练设备寿命预测模型并定期下发。示例参数：边缘侧每50ms采集一次振动加速度，本地FFT后若高频能量超阈值则触发报警；云端每天汇总各产线数据训练一次模型。

城市场景：路口摄像头与雷达接入路侧边缘单元，边缘完成车辆检测与信号配时优化，云端做全城交通流预测与绿波带协调。示例：边缘侧视频抽帧为5fps，检测结果以结构化JSON上传，单路口上行带宽从20Mbps降至200kbps。

家居场景：智能音箱、门锁、温湿度计通过家庭中枢（边缘）联动，本地完成“离家自动关灯关空调”等规则，云端负责语音语义理解与跨设备场景编排。示例：人体传感器触发后，中枢在100ms内直接控制灯光，无需等待云端。

五、整体课程路线图

本课程将沿着“架构认知→终端接入→边缘计算→云平台→协同设计→场景落地”的主线展开。前四章建立端边云三层职责与协同边界；中间章节分别深入终端协议适配、边缘运行时与容器化部署、云侧设备管理与数据管道；后段聚焦协同策略（任务卸载、数据同步、断网续传、安全信任链）与工业、城市、家居三类场景的完整设计案例。每章都会给出可对照的参数示例与判断依据，帮助你把架构图落到可执行的工程决策上。