Ez a cikk egy hibrid architektúrát mutat be a videóstreameléshez és -elemzéshez. Késésre érzékeny alkalmazásokat futtat az Azure nyilvános MEC-ben, és más szolgáltatásokat, például vezérlősíkot, AI-t és gépi tanulási szolgáltatásokat futtat egy Azure-régióban.
Feljegyzés
Az architektúra által a webfelhasználók számára biztosított alacsony késésű streamelés csak azokra a felhasználókra vonatkozik, akik a videófeldolgozást végző és a webalkalmazást üzemeltető Azure nyilvános MEC-hez vannak irányítva. Ez általában nem foglalja magában a felhasználókat más földrajzi területeken.
Architektúra
Töltse le az architektúra Visio-fájlját.
Munkafolyamat
Kamera videó streamelhető a videofeldolgozó szolgáltatás végpontjához, amely az Azure nyilvános MEC-ben fut. Egy telco 5G-hálózat szállítja a streamet.
A videófeldolgozási folyamat egy Azure Kubernetes Service-fürtben (AKS) fut, és feldolgozza a videót. A szolgáltatás azure-beli nyilvános MEC-ben való használata csökkenti a hálózati menetidőt és a sávszélesség költségeit ahhoz képest, hogy a videót a felhőbe küldi feldolgozásra.
Az Azure nyilvános MEC-ben is futó AI-következtetési szolgáltatás elemzi a videót a feldolgozási folyamat feldolgozása után, és elemzéseket biztosít.
Miután a következtetési folyamat elemezte a videót, a webalkalmazás felveszi a videóstreamet a közzétételi szolgáltatásból, és elosztja azt a webfelhasználóknak. Statikus fájlokat is terjeszthet az Azure Content Delivery Network-profilok használatával.
A következtetési szolgáltatás által létrehozott videoelemzéseket és metaadatokat a rendszer a felhőbe küldi, ahol azOkat az Azure SQL Database-ben tárolják. A videófeldolgozási folyamat a nyers videót egy Azure Blob Storage-fiókban tárolhatja a felhőben további feldolgozás céljából.
A tárolóban rögzített adatok különböző célokra használhatók:
- Az Azure Machine Tanulás gépi tanulási kötegfolyamatokat futtathat a modellek továbbfejlesztéséhez.
- A Microsoft Power BI és az Azure Notification Hub az adatok használatával értesítéseket küldhet és irányítópultokat tölthet fel.
A gépi Tanulás frissíti az Azure nyilvános MEC-ben futó AI-következtetési modelleket.
Összetevők
Ebben a szakaszban két lista található az összetevőkről, amelyek az Azure nyilvános MEC-ben találhatók, és amelyek az Azure-régióban találhatók.
Nyilvános Azure MEC
- Videófeldolgozás az Azure nyilvános MEC-ben: A videófeldolgozási folyamat, az AI-következtetési szolgáltatás és a webalkalmazás olyan mikroszolgáltatás-alapú alkalmazások, amelyek az Azure Kubernetes Service (AKS) fürtön futnak. Az AI-következtetési szolgáltatás AI-következtetési modelleket használ a videóstreamek elemzéséhez és elemzésekhez. A webalkalmazás elosztja a feldolgozott videót a webfelhasználóknak.
- Videófeldolgozási folyamat: Egy tipikus videófeldolgozási folyamat olyan szolgáltatásokkal rendelkezik, amelyek videocsatornákat rögzítenek a kamerákból, feldolgozzák és közzéteszik őket. Ezeknek a szolgáltatásoknak a peremhálózaton történő üzembe helyezése csökkenti a késést és a sávszélesség használatát, mint a videó felhőbe történő elküldése feldolgozás céljából.
- AI-következtetési szolgáltatás: Ez a szolgáltatás bemenetként használja a feldolgozott videót, és elemzéseket biztosít róla. Más forrásokból is üzembe helyezhet Azure AI-modelleket vagy AI-modelleket, amelyek segíthetnek például az objektumok és személyek észlelésében és nyomon követésében, a képbesorolásban, az anomáliadetektálásban és a biztonsági riasztásban.
- Webalkalmazás-szolgáltatás: A webalkalmazás-szolgáltatás üzemelteti azt a weblapot, amely videókat biztosít a felhasználóknak. A webalkalmazás felveszi a videofeldolgozási folyamat közzétételi szolgáltatásának adatait, és továbbítja az élő hírcsatornát.
- Azure Content Delivery Network-profilok : A webalkalmazás Tartalomkézbesítési hálózati profilokkal továbbíthatja a webalkalmazás statikus képeit az alkalmazás válaszkészségének javítása érdekében.
Azure-régió
- Adatbázis-szolgáltatás: Az Azure különböző adatbázis-ajánlatokat kínál, például az Azure SQL Database-t, az Azure Database for MySQL-t, az Azure Database for PostgreSQL-t és az Azure Cosmos DB-t. Ezek bármelyikével tárolhatja a következtetési szolgáltatás kimenetét.
- Azure Blob Storage: A blobtárolóval a videostreamet későbbi használatra is tárolhatja, például igény szerinti videó és videóelemzés céljából.
- Azure Machine Tanulás: Ebben az architektúrában a Machine Tanulás az adatbázisból származó bemenetet használja a gépi tanulási modellek betanításához, majd frissíti a következtetési szolgáltatás által használt modelleket.
- Egyéb szolgáltatások: Az Azure Notification Hubs segítségével riasztást készíthet a felhasználókról a videóban észlelt rendellenességekről, a Microsoft Power BI-t irányítópultok feltöltésére és jelentések létrehozására, valamint az Azure Stream Analytics használatával betekintést nyerhet a videóstreamekbe.
Alternatívák
Az AKS üzembe helyezésének alternatívája az Azure IoT Edge üzembe helyezése az Azure nyilvános MEC-ben, és olyan Azure-modulok futtatása, amelyek hasonló funkciókat biztosítanak a már említett szolgáltatásokhoz. A következőket használhatja:
- Az Azure Video Analyzer a videófeldolgozási folyamat létrehozásához.
- Az Azure Cognitive Services segítségével elemezheti a videót, hogy elemzéseket biztosítson.
- Azure Stream Analytics az elemzési szolgáltatások streamelt videón való üzembe helyezéséhez.
- Az Azure Functions segítségével műveleteket futtathat az elemzésen és az elemzéseken.
Forgatókönyv részletei
Az alkalmazások peremhálózati üzemeltetése rugalmasabbá teheti őket, és megkönnyíti a hálózati sávszélességre vonatkozó követelményeket. Az Azure nyilvános, több hozzáférésű peremhálózati számítás (Azure public MEC) egy peremhálózati számítási megoldás, amely a Felhőből felügyelt Microsoft számítási, hálózatkezelési és alkalmazásszolgáltatások portfólióját egyesíti. Segítségével kihasználhatja az 5G sebességét, és feloldhatja a kulcsfontosságú alacsony késésű és nagy sávszélességű forgatókönyveket.
Az Azure nyilvános MEC azonban nem a teljes alkalmazásverem üzemeltetésére szolgál a peremhálózaton. Fontos tisztában lenni azzal, hogy az alkalmazás mely részeinek kell futniuk az Azure nyilvános MEC-ben, és melyeknek inkább egy Azure-régióban vagy a helyszínen kell futniuk.
Az események élő streamelése gyors videófeldolgozást igényel, hogy valós idejű és személyre szabott nézetet biztosítson a felhasználóknak, így jó választás a peremhálózati megoldásokhoz.
Lehetséges használati esetek
A gyors alkalmazásválaszt igénylő szervezeteknek még a nagy igényű helyzetekben is érdemes megfontolni az Azure nyilvános MEC használatát az alkalmazás késésre érzékeny részeinek üzemeltetéséhez.
Különösen a számítógépes látásmodelleken alapuló videoelemzést használják különböző iparágak, többek között a következő generációs kiskereskedelem, az intelligens városok, a csatlakoztatott járművek. Ezek az alkalmazások erre az architektúrára való jelöltek.
Megfontolások
Ezek a szempontok implementálják az Azure Well-Architected Framework alappilléreit, amely a számítási feladatok minőségének javítására használható vezérelvek halmaza. További információ: Microsoft Azure Well-Architected Framework. A keretrendszer az architektúra kiválóságának öt pilléréből áll:
- Megbízhatóság
- Biztonság
- Költségoptimalizálás
- Működés eredményessége
- Teljesítmény hatékonysága
Telepítés
Az erőforrások azure-beli nyilvános MEC-ben való üzembe helyezéséhez általában díjprémium tartozik. A költségek csökkentése érdekében fontos, hogy azonosítsa azokat a késésre érzékeny és kritikus összetevőket, amelyek hasznosak lehetnek az Azure nyilvános MEC-ben való futtatásban. Az alkalmazás minden más összetevőjét üzembe kell helyezni az Azure-régióban a költségek csökkentése érdekében.
Méretezhetőség
Az Azure nyilvános MEC támogatja az AKS-t és az Azure-beli virtuálisgép-méretezési csoportokat , amelyekkel skálázhatja a számítási és késésre érzékeny számítási feladatokat az alkalmazások követelményeinek megfelelően.
Terheléselosztási beállítások
Az AKS belsőleg több lehetőséget is támogat a bejövő forgalom terheléselosztására. Az NGINX bejövőforgalom-vezérlő az architektúradiagramon látható, de az AKS-sel más terheléselosztók is használhatók. További információ: Belső terheléselosztó használata az Azure Kubernetes Service-lel (AKS).
Teljesítmény
Az Azure nyilvános MEC különböző virtuálisgép-termékváltozatokat biztosít, beleértve a GPU-specifikus termékváltozatokat a nagy számítási igényű videostreamek feldolgozásához.
Tárolási lehetőségek
Az Azure nyilvános MEC nem támogatja az Azure Storage-fiókokat, így a blobtároló csak az Azure-régióban található.
Költségoptimalizálás
A költségoptimalizálás a szükségtelen kiadások csökkentésének és a működési hatékonyság javításának módjairól szól. További információ: A költségoptimalizálási pillér áttekintése.
- A díjszabással kapcsolatos információkért tekintse meg az Azure díjszabását .
- A megoldás implementálási költségeinek becsléséhez használja az Azure díjszabási kalkulátorát .
Közreműködők
Ezt a cikket a Microsoft tartja karban. Eredetileg a következő közreműködők írták.
Fő szerző:
- Adhip Gupta | Vezető programmenedzser
Következő lépések
- Azure nyilvános, több hozzáférésű peremhálózati számítás (MEC)
- Az Azure Kubernetes Service (AKS) dokumentációja
- Az Azure Machine Learning dokumentációja
- Az Azure CDN dokumentációja