中国电信北研院雷波解读：5G时代，边缘计算中的网络建设需求分析( 二 )_：中国电信北研院雷波解读：5G时代

而另外一个典型场景是被广泛关注和寄予厚望的车联网场景，车联网需要极低的时延，但网络并非沿着道路组网，届时极易出现位置距离与实际网络距离相差甚远的情况，因此在部署边缘计算的同时，需要根据业务特征来重新规划设计网络架构。

图1 未经优化的承载网会影响边缘计算实施效果

其次，在边缘计算节点内部方案也会影响边缘计算的低时延指标。例如在AI应用中（如图2所示），AI推理部分需要低时延的高性能计算，考虑部署在边缘计算节点，而AI模型训练部分则是大数量的非实时计算，考虑部署在成本相对较低的集中化的大型云计算平台上。但现有边缘计算方案一般就按传统数据中心或者云计算平台的网络建设方案，常见方案多为两层交换机（汇聚+接入架构或者Spine-Leaf架构）+一层出口路由器的组网模式。

但在相关的测试验证中，发现了新的问题：一是这样的组网架构无形中在边缘计算节点内部增加了路由条数与设备节点，增加了时延，并且时延不可控，与预期指标差异较大；二是这样的传统数据中心组网方案是有损网络，在多打一的极端情况下，即在整体网络负荷不高的时候，也会出现拥塞与丢包，会导致AI计算性能大幅度下降，三是对于已经下沉到基站或者接入机房的边缘计算而言，可能就一个机柜能够安放服务器，服务器数量也就在10~20台之间，这种情况下，仍采用传统数据中心模式的组网架构，显然导致投资与收益比相对较差，也不便于运营维护。