本文介绍视频流式处理和分析的混合体系结构。 它在 Azure 公共 MEC 中运行延迟敏感的应用程序，并在 Azure 区域中运行其他服务，例如控制平面、人工智能和机器学习服务。
注意
此体系结构提供给 Web 用户的低延迟流式处理仅适用于路由到执行视频处理和托管 Web 应用的 Azure 公共 MEC 的用户。 通常，这不包括其他地理区域中的用户。
体系结构
下载此体系结构的 Visio 文件。
工作流
相机视频流式传输到在 Azure 公共 MEC 中运行的视频处理服务终结点。 电信 5G 网络承载流。
视频处理管道在 Azure Kubernetes 服务 (AKS) 群集中运行，并处理视频。 与将视频发送到云进行处理相比，Azure 公共 MEC 中的服务减少了网络往返时间和带宽成本。
AI 推理服务（也在 Azure 公共 MEC 中运行）在处理管道处理视频后分析视频，并提供见解。
推理管道分析视频后，Web 应用会从发布服务获取视频流并将其分发给 Web 用户。 它还可以使用 Azure 内容分发网络配置文件来分发静态文件。
推理服务生成的视频见解和元数据将发送到云，并存储在Azure SQL 数据库中。 视频处理管道可以将原始视频存储在云中的 Azure Blob 存储帐户，以便进一步处理。
存储中捕获的数据可用于各种用途：
- Azure 机器学习可以运行机器学习批处理过程来改进其模型。
- Microsoft Power BI 和 Azure 通知中心可以使用数据发送通知并填充仪表板。
机器学习更新在 Azure 公共 MEC 中运行的 AI 推理模型。
组件
本部分中有两个组件列表，一个位于 Azure 公共 MEC 中，另一个位于 Azure 区域中。
Azure 公共 MEC
- Azure 公共 MEC 中的视频处理：视频处理管道、AI 推理服务和 Web 应用是基于微服务的应用程序，这些应用程序在 Azure Kubernetes 服务 (AKS) 群集中运行。 AI 推理服务使用 AI 推理模型分析视频流并提供见解。 Web 应用将处理的视频分发给 Web 用户。
- 视频处理管道：典型的视频处理管道提供从相机捕获视频源、处理视频源和发布视频源的服务。 与将视频发送到云进行处理相比，在边缘部署这些服务可以减少延迟和带宽的使用。
- AI 推理服务：此服务接受已处理视频的输入，并提供相关见解。 可以从其他源部署 Azure AI 模型或 AI 模型，这些模型可帮助执行对象及人员检测和跟踪、图像分类、异常检测和安全警报等任务。
- Web 应用服务：Web 应用服务托管向用户提供视频的网页。 Web 应用从视频处理管道的发布服务获取输入，并传输实时源。
- Azure 内容分发网络配置文件：Web 应用可以使用内容分发网络配置文件来传输 Web 应用的静态图像，以帮助提高应用程序的响应能力。
Azure 区域
- 数据库服务：Azure 提供各种数据库产品/服务，例如 Azure SQL 数据库、Azure Database for MySQL、Azure Database for PostgreSQL和 Azure Cosmos DB。 可以使用其中任何一项来存储推理服务的输出。
- Azure Blob 存储：可以使用 Blob 存储来保存视频流供将来使用，例如点播视频和视频分析。
- Azure 机器学习：在此体系结构中，机器学习从数据库获取输入来训练机器学习模型，然后更新推理服务使用的模型。
- 其他服务：可以使用 Azure 通知中心向用户发出视频中检测到的异常警报、使用 Microsoft Power BI来填充仪表板和生成报告，以及使用 Azure 流分析来深入了解视频流。
备选方法
部署 AKS 的替代方法是在 Azure 公共 MEC 中部署 Azure IoT Edge，并运行与上述服务提供类似功能的 Azure 模块。 可用工具如下：
- Azure 视频分析器用于创建视频处理管道。
- Azure 认知服务用于分析视频以提供见解。
- Azure 流分析用于在流式传输视频上部署分析服务。
- Azure Functions用于对分析和见解运行操作。
方案详细信息
在边缘托管应用程序可以使其响应更快速，并简化网络带宽要求。 Azure 公共多接入边缘计算 (Azure 公共 MEC) 是一种边缘计算解决方案，可将从云管理的 Microsoft 计算、网络和应用程序服务产品组合融合到一起。 可以使用它来利用 5G 的速度并解锁密钥低延迟和高带宽方案。
但是，Azure 公共 MEC 并不打算在边缘托管整个应用程序堆栈。 了解应用程序应在 Azure 公共 MEC 中运行哪些部分，以及哪些部分应在 Azure 区域或本地运行，这一点至关重要。
实时流式传输事件需要快速的视频处理，为用户提供实时和个性化的视图，因此非常适合边缘解决方案。
可能的用例
需要快速应用程序响应的组织（即使在高需求情况下）应考虑使用 Azure 公共 MEC 来托管应用程序的延迟敏感部分。
特别是，基于计算机视觉模型的视频分析运用于各行业，包括下一代零售、智能城市、联网车辆。 此类应用程序适用于此体系结构。
注意事项
这些注意事项实施 Azure 架构良好的框架的支柱原则，即一套可用于改善工作负载质量的指导原则。 有关详细信息，请参阅 Microsoft Azure 架构良好的框架。 该框架包含卓越体系结构的五大要素：
- 可靠性
- 安全性
- 成本优化
- 卓越运营
- 性能效率
部署
通常，定价高级版与在 Azure 公共 MEC 中部署资源相关联。 为了降低成本，必须确定延迟敏感和关键组件，这些组件可以因在 Azure 公共 MEC 中运行而受益。 应用程序的其他所有组件都应部署在 Azure 区域中，以降低成本。
可伸缩性
Azure 公共 MEC 支持 AKS 和 Azure 虚拟机规模集，可用于缩放计算和延迟敏感的工作负载，以满足应用程序的要求。
负载均衡选项
AKS 在内部支持多个选项，以对传入流量实现负载均衡。 NGINX 入口控制器显示在体系结构关系图中，但还有其他负载均衡器可用于 AKS。 有关详细信息，请参阅将 Azure Kubernetes 服务 (AKS) 与内部负载均衡器配合使用。
性能
Azure 公共 MEC 提供各种虚拟机 SKU，包括 GPU 特定的 SKU，用于计算密集型视频流处理。
存储选项
Azure 公共 MEC 不支持 Azure 存储帐户，因此 blob 存储只能驻留在 Azure 区域中。
成本优化
成本优化是关于寻找减少不必要的费用和提高运营效率的方法。 有关详细信息，请参阅成本优化支柱概述。
- 有关定价信息，请参阅 Azure 定价。
- 要估计此解决方案的实现成本，请使用 Azure 定价计算器。
作者
本文由 Microsoft 维护， 它最初是由以下贡献者撰写的。
首席作者：
- Adhip Gupta |高级项目经理