Tento článek představuje hybridní architekturu pro streamování a analýzy videa. Spouští aplikace citlivé na latenci ve veřejném mec Azure a spouští další služby, jako jsou řídicí rovina, AI a služby strojového učení, v oblasti Azure.
Poznámka:
Streamování s nízkou latencí, které tato architektura poskytuje webovým uživatelům, se vztahuje pouze na uživatele směrované do veřejného mec Azure, který provádí zpracování videa a hostuje webovou aplikaci. Obecně platí, že nezahrnuje uživatele v jiných geografických oblastech.
Architektura
Stáhněte si soubor aplikace Visio s touto architekturou.
Workflow
Kamera video se streamuje do koncového bodu služby pro zpracování videa, který běží ve veřejném mec Azure. Síť telco 5G přenáší stream.
Kanál zpracování videa běží v clusteru Azure Kubernetes Service (AKS) a zpracovává video. Když máte službu ve veřejném mec Azure, sníží se náklady na dobu odezvy sítě a šířku pásma v porovnání s odesíláním videa do cloudu ke zpracování.
Služba odvozování AI, která běží také ve veřejném mec Azure, analyzuje video po zpracování kanálem zpracování a poskytuje přehledy.
Jakmile kanál odvozování video analyzuje, webová aplikace převezme stream videa ze služby publikování a distribuuje ho webovým uživatelům. Může také distribuovat statické soubory pomocí profilů služby Azure Content Delivery Network.
Přehledy videí a metadata vygenerovaná službou odvozování se odesílají do cloudu, kde jsou uložené ve službě Azure SQL Database. Kanál zpracování videa může uložit nezpracované video do účtu služby Azure Blob Storage v cloudu pro další zpracování.
Data zachycená v úložišti se dají použít pro různé účely:
- Azure Machine Učení může spouštět dávkové procesy strojového učení, aby se zlepšily jeho modely.
- Microsoft Power BI a Azure Notification Hub můžou data používat k odesílání oznámení a k naplnění řídicích panelů.
Počítač Učení aktualizuje modely odvozování AI, které běží ve veřejném mec Azure.
Komponenty
V této části jsou dva seznamy komponent, ty, které jsou ve veřejném mec Azure, a ty, které jsou v oblasti Azure.
Veřejný mec Azure
- Zpracování videa ve veřejném mec Azure: Kanál zpracování videa, služba odvozování AI a webová aplikace jsou aplikace založené na mikroslužbách, které běží v clusteru Azure Kubernetes Service (AKS ). Služba odvozování AI používá modely odvozování AI k analýze datových proudů videa a poskytování přehledů. Webová aplikace distribuuje zpracovávané video uživatelům webu.
- Kanál zpracování videa: Typický kanál zpracování videa obsahuje služby, které zachycují video kanály z kamer, zpracovávají je a publikují. Nasazení těchto služeb na hraničních zařízeních snižuje latenci a šířku pásma v porovnání s odesíláním videa do cloudu ke zpracování.
- Služba odvozování AI: Tato služba přebírá jako vstup zpracované video a poskytuje přehledy o této službě. Modely Azure AI nebo modely AI můžete nasadit z jiných zdrojů, které vám můžou pomoct s úlohami, jako je detekce objektů a lidí a sledování, klasifikace obrázků, detekce anomálií a výstrah zabezpečení.
- Služba webové aplikace: Služba webové aplikace hostuje webovou stránku, která poskytuje videa uživatelům. Webová aplikace přijímá vstup ze služby publikování kanálu pro zpracování videa a přenáší živý kanál.
- Profily azure Content Delivery Network : Webová aplikace může použít profily služby Content Delivery Network k přenosu statických obrázků webové aplikace, aby se zlepšila rychlost odezvy aplikace.
Oblast Azure
- Databázová služba: Azure nabízí různé nabídky databází, jako jsou Azure SQL Database, Azure Database for MySQL, Azure Database for PostgreSQL a Azure Cosmos DB. K uložení výstupu služby odvozování můžete použít kteroukoli z těchto možností.
- Azure Blob Storage: Úložiště objektů blob můžete použít k uložení streamu videa pro budoucí použití, jako je video na vyžádání a analýza videa.
- Azure Machine Učení: V této architektuře služba Machine Učení přebírá vstup z databáze k trénování modelů strojového učení a pak aktualizuje modely, které služba odvozování používá.
- Další služby: Službu Azure Notification Hubs můžete použít k upozorňování uživatelů na anomálie zjištěné ve videu, k naplnění řídicích panelů a generování sestav a azure Stream Analytics k získání přehledu o datových proudech videa.
Alternativy
Alternativou k nasazení AKS je nasazení Azure IoT Edge ve veřejném mec Azure a spuštění modulů Azure, které poskytují podobné funkce jako služby, které už jsou zmíněny. Můžete použít:
- Azure Video Analyzer pro vytvoření kanálu zpracování videa
- Azure Cognitive Services k analýze videa za účelem poskytování přehledů.
- Azure Stream Analytics pro nasazení analytických služeb na streamované video
- Azure Functions ke spouštění akcí s analýzou a přehledy.
Podrobnosti scénáře
Hostování aplikací na hraničních zařízeních může usnadnit odezvu a usnadnit požadavky na šířku pásma sítě. Veřejné výpočetní prostředí Azure s více přístupem (Azure public MEC) je hraniční výpočetní řešení, které spojuje portfolio výpočetních, síťových a aplikačních služeb Microsoftu spravovaných z cloudu. Můžete ho použít ke zneužití rychlosti 5G a odemknutí klíče s nízkou latencí a scénáři s velkou šířkou pásma.
Veřejný mec Azure ale není určený k hostování celého zásobníku aplikací na hraničních zařízeních. Je důležité pochopit, které části vaší aplikace by se měly spouštět ve veřejném mec Azure a které by se měly spouštět místo v oblasti Azure nebo v místním prostředí.
Živé streamování událostí vyžaduje rychlé zpracování videa, které uživatelům poskytuje zobrazení v reálném čase a přizpůsobené zobrazení, takže je vhodným kandidátem na hraniční řešení.
Potenciální případy použití
Organizace, které potřebují rychlou odezvu aplikací, i v situacích s vysokou poptávkou, by měly zvážit použití veřejného MEC Azure k hostování částí aplikace citlivých na latenci.
Konkrétně analýzy videa založené na modelech počítačového zpracování obrazu používají různá odvětví, včetně maloobchodního prodeje příští generace, inteligentních měst, připojených vozidel. Takové aplikace jsou kandidáty pro tuto architekturu.
Důležité informace
Tyto aspekty implementují pilíře dobře architektuře Azure, což je sada hlavních principů, které je možné použít ke zlepšení kvality úlohy. Další informace naleznete v tématu Microsoft Azure Well-Architected Framework. Rámec se skládá z pěti pilířů špičkové architektury:
- Spolehlivost
- Zabezpečení
- Optimalizace nákladů
- Provozní dokonalost
- Efektivita výkonu
Nasazení
Obvykle je k nasazení prostředků ve veřejném mec Azure přidružená cenová úroveň Premium. Pokud chcete snížit náklady, je důležité identifikovat komponenty citlivé na latenci a kritické komponenty, které můžou těžit z provozu ve veřejném centru MEC Azure. Všechny ostatní komponenty aplikace by se měly nasadit v oblasti Azure, aby se snížily náklady.
Škálovatelnost
Veřejný server MEC Azure podporuje AKS a škálovací sady virtuálních počítačů Azure, které můžete použít ke škálování výpočetních úloh a úloh citlivých na latenci tak, aby odpovídaly požadavkům aplikací.
Možnosti vyrovnávání zatížení
AKS interně podporuje několik možností vyrovnávání zatížení příchozího provozu. Kontroler příchozího přenosu dat NGINX se zobrazuje v diagramu architektury, ale existují i další nástroje pro vyrovnávání zatížení, které můžete použít s AKS. Další informace najdete v tématu Použití interního nástroje pro vyrovnávání zatížení se službou Azure Kubernetes Service (AKS).
Výkon
Veřejná jednotka MEC Azure poskytuje různé skladové položky virtuálních počítačů, včetně skladových položek specifických pro GPU pro zpracování datových proudů náročných na výpočetní výkon.
Možnosti úložiště
Veřejný účet MEC Azure nepodporuje účty Azure Storage, takže úložiště objektů blob se může nacházet pouze v oblasti Azure.
Optimalizace nákladů
Optimalizace nákladů se zabývá způsoby, jak snížit zbytečné výdaje a zlepšit efektivitu provozu. Další informace najdete v tématu Přehled pilíře optimalizace nákladů.
- Informace o cenách Najdete v cenách Azure.
- K odhadu nákladů na implementaci tohoto řešení použijte cenovou kalkulačku Azure.
Přispěvatelé
Tento článek spravuje Microsoft. Původně byla napsána následujícími přispěvateli.
Hlavní autor:
- Adhip Gupta | Vedoucí programový manažer
Další kroky
- Veřejné výpočetní prostředí Azure s více přístupy k hraničním výpočetním prostředkům (MEC)
- Dokumentace ke službě Azure Kubernetes Service (AKS)
- Dokumentace ke službě Azure Machine Learning
- Dokumentace k Azure CDN