在使用Autopilot时，如何确保数据的安全性和隐私保护？

CCE Autopilot是否集成了华为云的其他服务，如存储、网络、监控等？

在CCE Autopilot上部署的服务如何监控？

CCE Autopilot支持哪些存储选项？

在使用资源预热功能时，如何降低运维成本和复杂性？

CCE评估资源池水位时考虑了哪些因素？

边缘节点出现问题，KubeEdge是怎么进行处理的

调用KubeEdge服务兼容不匹配，该怎么解决？

2025年盛夏，让我们以代码为契，共同追问技术为何而生--在华为开发者大会的星空下,没有商业胜负的喧嚣，唯有千万行代码汇聚的纯粹答案: 让世界变得更好。HDC 2025，6月20日-22日，东莞松山湖，期待与您相见!

▍调研背景Kubernetes SIG-Multicluster 正在提议为 central cluster 制定一个标准化定义[1]（目前在 Karmada[2] 中称为“Host Cluster”），以统一 Karmada、OCM、clusternet、kubefleet、MCO、KubeAdmiral 等多集群管理项目之间的术语。此倡议旨在减少生态系统的碎片化，提高跨项目的互操作性。Karmada 社区[3]有可能修改当前在使用的 Concept (即 Host Cluster)，为了评估其对用户的影响，特发起了本次社区调研。您的反馈将直接影响 Karmada 与 SIG-Multicluster 提案的一致性，并指导我们的兼容性策略。▍调研目的了解是否有用户将 Karmada Concept 用于产品界面，例如API、可视化UI、产品文档等，如存在此情况请务必反馈。征集用户对术语的偏好（Host Cluster vs. Hub Cluster 等）。 ▍参与方式在 Karmada issue 137 留下您对此问题的评论，或填写在线问卷。本次调研截止日期为2025年6月10日。方式1：在 Karmada issue 137 直接评论：https://github.com/karmada-io/community/issues/137方式2：参与在线问卷，问卷地址：https://docs.google.com/forms/d/e/1FAIpQLSdsFibCZlkOo6xVCx-FlFcAwghy2YgT9DhFP4h7jrLxnn_PNA/viewform相关链接[1] standardized definition for the central cluster: https://github.com/kubernetes/community/pull/8210[2] Karmada: https://karmada.io/[3] Karmada 社区: https://github.com/karmada-io/karmada添加社区小助手k8s2222回复Karmada进入技术交流群👉Karmada 是CNCF 首个多云多集群容器编排项目(孵化级），旨在帮助用户像使用单个集群一样轻松管理跨云多集群，让基于 Karmada 的多云方案无缝融入云原生技术生态。社区吸引了来自华为、道客、浙江大学、腾讯、中国电子云、滴滴、Zendesk、携程等100多家公司的全球贡献者，广泛分布于20+国家和地区。Karmada 现已在华为云、道客、兴业数金、中国移动、中国联通、携程、360集团、新浪、中通快递等众多企业单位生产应用，为企业提供从单集群到多云架构的平滑演进方案。Karmada官网：https://karmada.io/项目地址：https://github.com/karmada-io/karmadaSlack地址：https://slack.cncf.io/（#karmada）

由Linux Foundation组织的LFX Mentorship计划，从19年开始为CNCF各个开源社区中的开发人员持续提供带薪实习和指导。往年已获20K+申请，发起1300+课题，毕业1000+实习生，发放超过310万美金报酬。LFX Mentorship 2025 Term 2 Mentee 报名正在进行，截止时间为太平洋夏令时 5 月 27 日星期二上午 11:00 (18:00 UTC)，远程实习将从 6 月 9 日开始为期三个月。参与到LFX Mentorship计划中，为开源项目做贡献、获得开源社区的认可同时，完成工作还能获取报酬 (位于中国的开发者报酬为$3000美金，约合￥20000人民币）。Volcano社区在LFX Mentorship的课题申请正在火热进行中，欢迎前往官方平台申请: https://mentorship.lfx.linuxfoundation.org/ 🏷️ 需要留意的是， LFX Mentorship 2025 面向在校及已毕业申请者同时开放，而在校学生可同时关注Volcano开源之夏《大咖领路+高额奖金！Volcano社区开源之夏8大课题邀你挑战 》获取更多暑期开源社区工作机会。 Volcano社区介绍 Volcano 是业界首个云原生批量计算引擎，也是 CNCF 首个和唯一的批量计算项目。Volcano 云原生批量计算项目主要用于 AI、大数据、基因、渲染等诸多高性能计算场景，对主流通用计算框架均有很好的支持。社区已吸引5.8万+全球开发者，并获得4.7k Star 和1.1K+Fork，参与贡献企业包括华为、AWS、百度、腾讯、博云、京东、小红书、第四范式、bilibili等。社区地址：https://github.com/volcano-sh/volcano目前，Volcano在人工智能、大数据、基因测序等海量数据计算和分析场景已得到广泛应用，完成对 Spark、Flink、Ray 、Tensorflow、PyTorch、Argo、MindSpore、Paddlepaddle 、Kubeflow、MPI、Horovod、Mxnet、KubeGene等众多主流计算框架的支持，并构建起完善的上下游生态。在LFX Mentorship 2025 Term 2 ，Volcano期待与你协作开拓AI大数据等场景调度的更多可能。面向对象  LFX Mentorship 2025 Term 2申请者需在2025年5月27日前在LFX官网完成Mentee注册及项目申请。若被接收作为Mentee，您将能在开源社区经验丰富、积极贡献的Mentor指导下为开源项目做出贡献。依据官方规定[1]，对Mentee申请者有以下要求:计划开始时至少年满18周岁所在单位和组织不禁止该实习未参加另外的Linux Mentorship计划开发者以个人身份参与（在校或已毕业均可）具备所注册国家中工作权利且所注册国家未被计划禁止 (中国已获许可)并非社区中高于最低限度贡献成员（如Maintainer、Recurring Contributor）满足具体所属项目中提及的其它前置需求课题参与方式 根据官方安排 [2]，LFX Mentorship 2025年夏季活动流程如下：Mentee报名申请：5月15日-5月27日申请者审核期： 5月28日-6月3日申请者入选通知： 6月4日实习启动： 6月9日中期考核：7月15日首次津贴支付 ：7月16日结项考核、实习生报告提交，最终津贴支付批准 ：8月26日-27日活动结束 ：8月29日申请指南详见 [3]：https://docs.linuxfoundation.org/lfx/mentorship/mentee-guide/how-to-apply实习申请结果预计将在 6 月 4 日通知到申请人。主线开发日期为2025年6月9日-8月26日，全程线上协作，无需线下参与。结项需要在2025年8月26日前以 PR 的形式提交到项目所在的开源社区仓库中并完成合并。 Volcano课题   在LFX Mentorship 2025 Term 2，CNCF Volcano社区带来以下课题：▍Enhance JobFlow Functionality课题描述：Volcano 社区引入了 JobFlow 来解决作业间的依赖关系。通过 JobTemplate 和 JobFlow API ，用户可以声明和编排多个 Volcano 作业，并利用顺序执行、并行执行、条件执行、分支执行和循环执行等控制流原语。JobFlow 旨在促进 AI、大数据和 HPC 工作负载向云原生环境的迁移。当前的 JobFlow 功能需要进一步增强，以满足更复杂的实际场景需求。参考：https://github.com/volcano-sh/volcano/tree/master/docs/design/jobflow预期成果：1. 支持在 JobFlow 中引用 JobTemplate 时修改其参数，例如更改容器镜像版本、调整资源限制等。2. 在 JobFlow 中为失败的作业实现可配置的重试机制，例如支持指数退避重试策略、设置最大重试次数等。3. 引入更丰富的控制流语句，例如 if、switch 和 for 语句，例如基于上游任务状态的条件分支、特定任务集的迭代执行等。前置技能：Kubernetes,Volcano,GO课题导师：Xuzheng Chang（@Monokaix ）2536818783@qq.comDong Jiang （@dongjiang1989）dongjiang2010@gmail.com 课题链接：https://mentorship.lfx.linuxfoundation.org/project/6e853798-e2a3-445f-89f4-63c2e5acc58b▍Implement Volcano Scheduler Simulator课题描述：对于 Kubernetes 和 Volcano 调度器的用户来说，调度过程通常像一个黑盒。理解调度决策的执行过程以及评估调度器的功能和性能（尤其是在引入新的调度功能时）可能颇具挑战性。搭建一个功能齐全的 Kubernetes 集群并生成真实的工作负载来观察调度行为可能非常耗时且比较消耗资源。用户需要一种轻量级且高效的方法来验证调度器变更的正确性和性能影响，无需搭建一个真实集群，即可完成模拟调度。预期成果：1. 实现一个能够模拟 Volcano 调度器核心调度逻辑的 Volcano 调度器模拟器。2. 该模拟器应该能够接收模拟的 Kubernetes 集群状态（例如，节点、Pod、队列）和 Volcano 配置作为输入。3. 模拟器应输出模拟调度结果，包括 Pod 被调度到的节点，以及决策过程信息（例如，考虑的节点、筛选和评分结果）。4. （可选）模拟器可以提供基本的性能指标输出，例如模拟调度延迟。5. 提供清晰的使用文档和示例，方便用户验证功能前置技能：Kubernetes, Go, Volcano课题导师：Xuzheng Chang（@Monokaix ）2536818783@qq.comlowang-bh(@lowang-bh)lhui_wang@163.com课题链接：https://mentorship.lfx.linuxfoundation.org/project/017774aa-f821-49c6-b701-fef1a0fae17b▍Enhance Volcano Dashboard UX and Functionality课题描述：Volcano Dashboard 是 Volcano 资源的前端展示平台。目前，它支持 Volcano 作业、队列和 Pod 等资源，但编辑通常需要使用原始 YAML 格式，这对于修改或创建新资源并不方便。为了提升用户体验，本项目旨在增强 Dashboard 的交互性和用户友好性，并支持显示层级队列和超节点 (HyperNode) 资源。预期成果：1. 改进资源显示和编辑界面，提供更友好的交互方式，例如使用表单或可视化编辑器代替直接编辑 YAML 格式来创建和修改资源。2. 支持显示层级队列和超节点资源，并提供鼠标点击展开/折叠功能，以便清晰地可视化资源关系。3. 优化用户界面设计，提升美观度和易用性。4. 重构后端代码，提高可维护性和可扩展性。5. 显示资源的关键信息和完整信息，并可在视图之间切换。6. （可选）支持更多资源类型的显示和管理。前置技能：Kubernetes, React, Node.js, JS课题导师：Xuzheng Chang（@Monokaix ）2536818783@qq.comZicong Chen （@JesseStutler ）jesseincomparable@hotmail.com课题链接：https://mentorship.lfx.linuxfoundation.org/project/e81c895a-69f9-4c63-b4fe-e9352c3fa2e7▍Enhance Volcano Official Documentation课题描述：随着 Volcano 功能的不断丰富以及与更广泛生态系统集成的不断深入，社区文档需要不断更新迭代，以提供更优质的用户指南和体验。清晰全面的文档有助于用户快速上手 Volcano，并降低使用和配置成本。目前，部分文档分散在 GitHub 仓库中，需要迁移至官网，为用户提供统一的入口。预期成果：1. 将 GitHub 仓库中尚未上线的文档迁移至官网。2. 详细讲解 Volcano Scheduler、Volcano Controller、Volcano Agent 和 Volcano Admission 组件的功能，包括其各自启动参数的含义。3. 补充核心功能（例如 JobFlow 和 vGPU 虚拟化）的文档。4. 添加“最佳实践”部分，提供在各种场景下使用 Volcano 的建议和配置示例。5. 添加“故障排除”部分，用于收集和整理常见问题及其解决方案。前置技能：Technical Writing， Markdown，Git，Hugo or other static site generators课题导师：Xuzheng Chang（@Monokaix ）2536818783@qq.comZicong Chen （@JesseStutler ）jesseincomparable@hotmail.com课题链接：https://mentorship.lfx.linuxfoundation.org/project/a8bafeea-f608-4e73-9a44-ca60c309536f 如果对课题内容有任何问题，欢迎向课题导师发送邮件或在GitHub仓库提交Issue提问。扫码回复“Volcano” 进入技术群参考资料[1] LFX Mentorship - Application Requirement: https://docs.linuxfoundation.org/lfx/mentorship/mentee-guide/am-i-eligible [2] LFX Mentorship - Program Readme: https://github.com/cncf/mentoring/tree/main/programs/lfx-mentorship/2025/02-Jun-Aug[3] LFX Mentorship - Mentee Application Guideline: https://docs.linuxfoundation.org/lfx/mentorship/mentee-guide/how-to-applyVolcano 是业界首个云原生批量计算引擎，也是 CNCF 首个和唯一的批量计算项目。项目主要用于 AI、大数据、基因、渲染等诸多高性能计算场景，对主流通用计算框架均有很好的支持。目前，Volcano在人工智能、大数据、基因测序等海量数据计算和分析场景已得到快速应用，已完成对 Spark、Flink、Ray、 Tensorflow、PyTorch、Argo、MindSpore、Paddlepaddle 、Kubeflow、MPI、Horovod、Mxnet、KubeGene 等众多主流计算框架的支持，并构建起完善的上下游生态。Website：https://volcano.shGitHub: https://github.com/volcano-sh/volcano每周例会：https://zoom.us/j/91804791393

6月10日-11日，由Linux基金会、云原生计算基金会(CNCF)联合主办的KubeCon+CloudNativeConChina2025将于中国香港盛大召开。作为全球云原生与开源顶级会议，大会汇聚世界顶尖技术专家与前沿企业，深入Kubernetes、云原生架构、人工智能、开源生态系统等领域的技术与应用创新探讨，促进行业领导者、项目维护者和最终用户之间的合作，共绘云原生新一个十年。更多云原生技术动向关注容器魔方【更多华为云云原生干货推荐】华为云云原生王者之路集训营华为云云原生王者之路集训营为帮助广大技术爱好者快速掌握云原生相关技能，华为云云原生团队与华为云学院联合CNCF开源软件大学启动人才培养计划，推出《华为云云原生王者之路集训营》，从云原生基础知识介绍到最佳实践讲解、底层原理和方案架构深度剖析，层层深入，满足不同云原生技术基础和学习目标人群的需求。本课程还精选数十个企业典型应用场景，作为学员上机实践案例，帮助学员将所学技术快速与企业业务相结合，服务于企业生产。点击免费参加华为云云原生王者之路集训营：cid:link_3 学习后记得小试牛刀，看看测评效果~ 华为云云原生王者之路-黄金课程测评 华为云云原生王者之路-钻石课程测评 华为云云原生王者之路-王者课程测评

我们非常高兴地宣布 Kmesh v1.1.0 版本正式发布，这是Kmesh社区在过去三个月共同努力的成果。在此，我们特别感谢 LFX Mentorship 的贡献者，他们的贡献对推动此版本的发布至关重要。在 v1.0.0 的基础上，此版本对 Kmesh 的架构、可观察性和生态系统集成进行了重大改进。Kmesh 官方网站经过了全面的重新设计，提供了直观的界面和精简的文档，以增强用户和开发者的体验。此外，我们还重构了 DNS 模块并添加了长连接指标，从而能够更深入地洞察更多流量模式。在 Kernel-Native 模式下，我们减少了对内核的侵入式修改。另外，我们使用全局变量替换 BPF 配置映射，以简化底层复杂性。与 Istio 1.25 的兼容性也经过了严格的验证，确保与该版本的 Istio 实现无缝互操作。值得注意的是，长期以来一直存在的 TestKmeshRestart E2E 测试用例不稳定问题，通过对底层 BPF 程序的长期调查和重构，已得到解决，标志着运行时可靠性的飞跃。  Kmesh v1.1.0 版本主要特性  网站全新改版Kmesh 官方网站经过了彻底的重新设计，提供了更直观的用户体验，改进了文档，重新组织了内容层次结构，并简化了导航。在处理上一次迭代中的反馈时，我们专注于可以提升用户体验的关键领域。之前的界面存在一些可用性问题，偶尔会导致查找比较困难。我们的博客模块尤其需要关注，因为它的内容组织和视觉层次结构已经影响了内容的可发现性和可读性。从工程角度来看，我们认识到可以通过更好的组件组织和更系统的样式方法来改进代码结构，因为现有的实现随着时间的推移已经变得越来越复杂，难以维护。为了解决这些问题，我们转向了 React 和 Docusaurus，这是一个对开发人员更加友好的现代文档框架。这使我们能够创建模块化组件，并通过可重用性消除冗余代码。 Docusaurus 提供专为文档和博客设计的内置导航系统，以及版本控制的文档功能。我们实现了文档的多语言支持，添加了高级搜索功能，并彻底重构了内容结构。这些举措显著提升了用户体验，使 Kmesh 网站对所有用户来说都更易于访问，也更具价值。长连接指标在此版本之前，Kmesh 仅在 TCP 连接终止和建立期间提供访问日志，其中包含有关连接的详细信息，例如发送和接收的字节数、数据包丢失、RTT 和重传次数。Kmesh 还提供特定于工作负载和服务的指标，例如发送和接收的字节数、丢失的数据包、最小 RTT 以及 Pod 打开和关闭的总连接数。这些指标仅在连接关闭后更新。在此版本中，我们实现了 TCP 长连接的访问日志和指标，并开发了一种持续的监控和报告机制，可在长连接整个生命周期内捕获详细的实时数据。访问日志会定期报告，其中包含报告时间、连接建立时间、发送字节数、接收字节数、丢包率、RTT、重传次数和状态等信息。长连接还会定期报告发送字节数、接收字节数、丢包率和重传次数等指标。DNS 重构当前的 DNS 进程包含 CDS 刷新进程。因此，DNS 与内核原生模式深度耦合，无法在双引擎模式下使用。在 1.1 版本中，我们重构了 Kmesh 的 DNS 模块。DNS 中循环遍历刷新队列的数据不再是一个包含 CDS 的结构，而是变成了一个域名，因此 DNS 模块不再关心 Kmesh 模式，只提供待解析的主机名。BPF 配置映射优化Kmesh 已删除专用的 kmesh_config_map BPF map，该map之前存储了全局运行时配置，例如 BPF 日志记录级别和监控开关。现在，这些设置通过全局变量进行管理。利用全局变量可以简化 BPF 配置管理，从而提高运行时效率和可维护性。优化内核原生模式，减少对内核的侵入式修改内核原生模式需要大量侵入式内核重构才能实现基于 HTTP 的流量控制。其中一些修改可能会对内核产生重大影响，这使得内核原生模式难以在实际产品中部署和使用。为了解决这个问题，我们同步修改了内核原生模式下的内核以及相关的 ko 和 eBPF。通过本次版本的优化，在内核 5.10 中，内核修改限制为四个，在内核 6.6 中，内核修改减少为只有一个。最后一个修改将尽可能地被消除，最终目标是在原生版本 6.6 及以上版本上运行内核原生模式。Istio 1.25 兼容性验证Kmesh 已验证与 Istio 1.25 的兼容性，并在 CI 中添加了相应的端到端测试。Kmesh 社区负责在 CI 中对三个 Istio 版本进行验证，因此 Istio 1.22 的端到端测试已从 CI 中移除。  关键 Bug 修复  1. kmeshctl 安装waypoint错误: https://github.com/kmesh-net/kmesh/issues/1287 2. TestKmeshRestart flaky问题: https://github.com/kmesh-net/kmesh/issues/1192  致 谢 贡 献 者  Kmesh v1.1.0 版本包含了来自14位贡献者的118次代码提交，在此对各位贡献者表示由衷的感谢：我们始终以开放中立的态度发展 Kmesh，持续打造 Sidecarless 服务网格业界标杆方案，服务千行百业，促进服务网格健康有序的发展。Kmesh 当前正处于高速发展阶段，我们诚邀广大有志之士加入！参考资料[1] Kmesh Release v1.1.0: https://github.com/kmesh-net/kmesh/releases/tag/v1.1.0[2] Kmesh GitHub: https://github.com/kmesh-net/kmesh[3] Kmesh Website: https://kmesh.net/扫码添加社区小助手回复Kmesh进交流群【更多华为云云原生干货推荐】华为云云原生王者之路集训营华为云云原生王者之路集训营为帮助广大技术爱好者快速掌握云原生相关技能，华为云云原生团队与华为云学院联合CNCF开源软件大学启动人才培养计划，推出《华为云云原生王者之路集训营》，从云原生基础知识介绍到最佳实践讲解、底层原理和方案架构深度剖析，层层深入，满足不同云原生技术基础和学习目标人群的需求。本课程还精选数十个企业典型应用场景，作为学员上机实践案例，帮助学员将所学技术快速与企业业务相结合，服务于企业生产。点击免费参加华为云云原生王者之路集训营：cid:link_3 学习后记得小试牛刀，看看测评效果~ 华为云云原生王者之路-黄金课程测评 华为云云原生王者之路-钻石课程测评 华为云云原生王者之路-王者课程测评

北京时间2025年4月10日，KubeEdge-Ianvs v0.3.0版本正式发布。在智能涌现的大模型时代，云边协同技术是保障实时性能、确保安全合规、承接定制化需求和资源高效利用的关键。本文探讨云边协同人工智能在大模型时代的边侧场景壁垒问题、云边协同架构问题及边侧需求多样化问题。面向这三大问题，文章重点介绍 KubeEdge-Ianvs v0.3.0 版本中基于大模型的全新功能升级，包括行业大模型基准测试。除支持一站式流程、多种数据格式及第三方工具等基础大模型评测能力外，开发对大模型进行政务领域、具身智能领域、代码领域及边缘系统领域的基准测试，开源对应2k+政务数据集 (Gov-aff)、2.5k+具身智能数据集 (Cloud-Robotics)、以及指标和测试工具；大模型协同推理范式。发布大模型云边协同推理范式及其查询路由、投机解码算法，发布多边协同推理范式，开源对应示例代码和使用文档；大模型自适应系列算法。开发了个性化智能体算法、多模态联合学习算法以及未知任务终身学习算法，开源对应示例代码和使用文档。 一、背景：云边大模型基准测试三大问题  随着大模型在各行业加速落地，实时性、定制化、安全合规及资源受限等实际需求不断涌现，越来越多的应用需要云边协同技术将强大的大模型能力延展到边缘侧。然而，大模型跨云边的测试、协同优化以及性能验证，往往缺乏统一标准和成熟工具，KubeEdge SIG AI 识别在开发与部署落地过程中的三大问题：问题1：场景壁垒问题。行业大模型大量应用于边侧特定领域，而现有基准测试通常围绕通用大语言模型、通用视觉大模型等开展，通用基准测试的测试集、测试指标乃至测试环境用于政务、具身、代码、边缘系统等特定行业领域往往出现巨大误差，对相关产品质量评估存在挑战。问题2：云边协同架构问题。随着大模型推理业务场景的不断拓展，单一云端或静态边缘模型难以满足高时效、低成本和个性化的实际需求。虽然 KubeEdge SIG AI 历史项目中包含云边协同推理范式，但仅适用于视觉深度学习，在大模型尤其是自然语言大模型场景，云边各模块已不再适用。问题3：边侧需求多样化问题。现有基准测试通常围绕通用大模型开展，但边侧场景往往存在边缘定制化、多种模态和开放世界未知任务等情况，对通用大模型的边侧适应性诉求及冲突愈发尖锐。二、解决方案：围绕大模型全面升级  为了解决上述挑战，KubeEdge-Ianvs v0.3.0  版本带来了三项关键升级：方案1：行业大模型基准测试。支持大语言模型本地部署和公共 API 接口（如 OpenAI）测试，支持政务、具身、代码、边缘系统四大领域的行业大模型能力测试，开源对应测试集、指标和测试工具方案2：大模型协同推理范式。开发高效的大语言模型云边协同推理架构，集成查询路由、投机解码等前沿算法，推理加速20%+，显著降低推理资源消耗。支持多边联合推理范式，覆盖分布式推理场景方案3：发布自适应系列算法。新增个性化 LLM Agent、多模态联合学习、未知任务终身学习等算法模块。覆盖更多真实应用需求，助力大模型能力持续演进👇🏻下面深入解读三大升级功能：▍1. 行业大模型基准测试图1 KubeEdge-Ianvs大模型基准测试架构如前述，传统基准测试是针对通用模型设计，其评测方法迁移到边侧垂直领域时，表现出测试集适配性不足、评价指标偏差显著且验证环境兼容性差等系统性缺陷，这已对行业专用模型的精准性能评估形成实质性障碍。对应地，KubeEdge-Ianvs v0.3 分别基于大模型及行业领域进行功能升级。首先，KubeEdge-Ianvs v0.3 为本地和云端多类型大模型提供评测工具集，为后续高阶大模型评测奠定基础。在基础功能中，开发者和企业可快速获取模型跨场景真实能力数据，支撑大模型落地前的全流程验证与优化。提供一站式 Benchmark 接口：为不同类型的大模型基准测试提供统一接口，支持自定义 Prompt 模板、多样化推理场景（零样本、少样本、检索增强等）开箱即用，支持主客观评测、自动统计及评测报告自动生成。兼容多种数据格式与任务类型：支持主流 json/jsonl 格式的数据文件，摆脱传统 index 文件限制。适配自然语言、多模态、视觉等多领域测试数据。一体化集成第三方工具：对接开源测试工具 OpenCompass，涵盖百余主流标准 Benchmarks，支持主流公有云大模型 API 调用及本地模型测试。进一步地，由于高阶大模型大量应用于边侧特定行业领域，KubeEdge-Ianvs 支持高阶大模型基准测试，包括政务、代码和边缘系统领域。政务领域基准测试：开源政务领域首个政务问答测试数据集（GovAff[1] ）及对应套件（CGAUE[2]），测试数据集包含1600道选择题和1045道主观题，贴合各地政策问答，附设计文档[3]及期刊论文[4]。图2 KubeEdge-Ianvs政务大模型基准测试CGAUE架构具身智能领域基准测试：开源具身智能领域测试数据集 (Cloud-Robotics)[5][6]及其对应套件[7]，测试数据集包含30类对象2500+图像，套件则集成了基于 RFNet 等预训练大模型的多模态联合学习能力，附设计文档[8]及测试示例[7]。图3 KubeEdge-Ianvs具身智能数据集Cloud-Robotics边缘系统领域基准测试：通过测量 CPU 负载和带宽消耗等关键指标，评估大模型在边缘设备上的性能，了解边缘部署的资源需求和局限性，附设计文档[9]、测试示例[10]及测试样本[11]。代码领域基准测试：针对编程、问答、推理等多样化测试，评测结果可通过准确率、BLEU 等主流指标一站式输出，附设计文档[12]及测试示例[13]。▍2. 大模型协同推理范式随着大模型推理业务向多元场景延伸，传统纯云架构与边缘部署模式暴露出推理时延冗余、分布式成本失控及服务个性化受限等典型矛盾。KubeEdge SIG AI 原有云边协同推理虽然在视觉深度学习领域实现了初步整合应用，但在处理大模型时，其核心框架组件出现功能适配断层，此类技术瓶颈正制约大模型在智能客服、工业质检等场景的端到端产业化部署。对应地，KubeEdge-Ianvs v0.3 版本发布大模型云边协同推理范式及多边协同推理范式。图4 大模型云边协同推理范式架构大模型云边协同推理范式。Ianvs v0.3 引入先进的云-边协同推理范式，通过灵活分配推理任务，实现云端算力与边缘设备高效协作，适配各种网络条件和设备异构环境，广泛支持政务、工业物联网、智慧城市等多种垂直应用部署。详见设计文档[14]及示例[15]。该范式引入查询路由机制，通过评估请求的复杂程度，自动判断是否应该在云端大型模型还是边端小型模型完成，查询路由 (Query-Routing)降低至少 50% 的首字时延，同时还能带来额外12.38% (相比 Qwen 自身) 和 8.23%（相比 gpt-4o-mini) 的绝对精度提升。图5 大模型云边协同推理-查询路由机制该范式支持 state-of-the-art 投机解码（Speculative Decoding）算法EAGLE （ICML’24），通过目标模型 (Target Model) 和草稿模型 (Draft Model) 协作，在不影响推理准确性的前提下，将大型 LLM 推理加速到2x以上，极大提升系统推理速度。详见设计文档[16]及示例[17]。图6 投机解码算法示例该范式支持多种推理引擎，支持 transformers, vLLM, EAGLE 等丰富的推理引擎，并可根据需要快速支持其他推理引擎。该范式还支持多样指标统计，包括对精度(Accuracy), 首字时延(Time-to-First-Token, TTFT)，吞吐量(Throughput)，Token 数等指标的监测记录。图7 多边协同推理范式架构多边协同推理范式。以行人追踪为例，利用 Graph Scheduling 与 ByteTrack 模型优化，实现多设备分布式联合推理，支持特殊场景下（如园区安防、工业生产线）AI 能力的端到端协同部署。详见设计文档[18]及示例[19]。图8 多边协同推理示例▍3. 大模型场景新算法支持当前大模型基准评测仍然偏重于通用模型评估，未能有效覆盖边缘计算环境本地化需求，诸如边缘定制化、多种模态和开放世界未知任务等情况普遍存在。这些边缘原生需求与通用模型能力边界之间的矛盾正持续升级，凸显出云边协同通用模型算法及测试的理论缺失与实践空白。KubeEdge-Ianvs v0.3全面升级了大模型适配能力，集成多项创新算法，让 AI 真正“因场而变”，实现从基础推理到个性化、多模态与终身学习的全场景覆盖。个性化大模型智能体算法。基于 Bloom 等主流大模型，结合用户自身数据与任务，实现边缘侧的任务个性化优化。支持单任务定制化训练，让每个终端都能拥有独特的 AI 助手，覆盖如客户交互、智能问答、定制自动化等场景。该算法可无缝对接云边协同推理框架，在保证隐私和响应速度的前提下，最大化个体或组织的智能服务体验。详见设计文档[20]及示例[21]。图9 个性化大模型智能体架构与示例未知任务终身学习算法。面对快速变化的应用环境和任务需求，Ianvs 提供了基于预训练模型的“未知任务处理”与终身学习算法。能够自动适配新任务，实现模型的增量学习和知识迁移，让大模型在不断变化的现实世界中，持续保持领先的泛化能力和处理效率。详见设计文档[22]及示例[23]。图10 未知任务终身学习算法架构与示例三、Release Note  如果读者对于本次版本发布的更多细节感兴趣，欢迎查阅 KubeEdge Ianvs v0.3.0 Release Note[24]。后续 KubeEdge SIG AI 将发布系列文章，陆续具体介绍新版本升级的特性，欢迎各位读者继续关注社区动态及持续关注 KubeEdge-Ianvs，获取前沿开源数据集、基准测试和云边 AI 创新动态！🔗 开源仓库 GitHub 地址：https://github.com/kubeedge/ianvs 相关链接：[1] The Chinese Government Affairs Dataset (GovAff) : https://www.kaggle.com/datasets/kubeedgeianvs/the-government-affairs-dataset-govaff/[2] 政务大模型基准测试套件 (Chinese Gov. Affairs Understanding Evaluation Benchmark, CGAUE): https://github.com/kubeedge/ianvs/tree/main/examples/government/singletask_learning_bench[3] 政务大模型基准测试设计文档: https://github.com/kubeedge/ianvs/blob/main/docs/proposals/scenarios/llm-benchmarks/llm-benchmarks-zh.md[4] 边侧大模型基准测试:政务大模型初探: https://d.wanfangdata.com.cn/periodical/zdhbl202502037[5] The Cloud-Robotics Dataset: https://www.kaggle.com/datasets/kubeedgeianvs/cloud-robotics#[6] The Cloud-Robotics Dataset 数据集介绍: https://github.com/kubeedge/ianvs/blob/main/docs/proposals/scenarios/Cloud-Robotics/Cloud-Robotics_zh.md[7] 具身智能领域基准测试示例: https://github.com/kubeedge/ianvs/tree/main/examples/Cloud_Robotics/singletask_learning_bench/Semantic_Segmentation[8] 具身智能领域基准测试设计文档: https://github.com/kubeedge/ianvs/blob/main/docs/proposals/scenarios/Cloud_robotics/single_task_learning.md[9] 边侧系统基准测试设计文档: https://github.com/kubeedge/ianvs/blob/main/docs/proposals/scenarios/llm-benchmark-suite/llm-edge-benchmark-suite.md [10] 边侧系统基准测试示例:: https://github.com/kubeedge/ianvs/tree/main/examples/llm-edge-benchmark-suite [11] 边侧系统基准测试样本: https://github.com/kubeedge/ianvs/tree/main/examples/llm_simple_qa [12] 代码大模型基准测试设计文档: https://github.com/kubeedge/ianvs/blob/main/docs/proposals/scenarios/Smart_Coding/Smart%20Coding%20benchmark%20suite%20Proposal.md [13] 代码大模型测试示例: https://github.com/kubeedge/ianvs/tree/main/examples/smart_coding/smart_coding_learning_bench[14] 大模型云边协同推理设计文档: https://github.com/kubeedge/ianvs/blob/main/docs/proposals/algorithms/joint-inference/cloud-edge-collaboration-inference-for-llm.md [15] 大模型云边协同推理示例: https://github.com/kubeedge/ianvs/tree/main/examples/cloud-edge-collaborative-inference-for-llm[16] 大模型云边协同推理-投机解码算法设计文档: https://github.com/kubeedge/ianvs/blob/main/docs/proposals/algorithms/joint-inference/cloud-edge-speculative-decoding-for-llm.md[17] 大模型云边协同推理-投机解码示例:  https://github.com/kubeedge/ianvs/tree/main/examples/cloud-edge-collaborative-inference-for-llm[18] 多边协同推理示例: https://github.com/kubeedge/ianvs/blob/main/docs/proposals/algorithms/multi-edge-inference/Heterogeneous%20Multi-Edge%20Collaborative%20Neural%20Network%20Inference%20for%20High%20Mobility%20Scenarios.md[19] 多边协同推理示例: https://github.com/kubeedge/ianvs/tree/main/examples/MOT17/multiedge_inference_bench/pedestrian_tracking [20] 个性化大模型智能体设计文档: https://github.com/Frank-lilinjie/ianvs/blob/main/docs/proposals/algorithms/single-task-learning/Personalized%20LLM%20Agent%20based%20on%20KubeEdge-Ianvs%20Cloud-Edge%20Collaboration.md [21] 个性化大模型智能体示例: https://github.com/kubeedge/ianvs/tree/main/examples/llm-agent/singletask_learning_bench[22] 未知任务终身学习算法设计文档: https://github.com/kubeedge/ianvs/blob/main/docs/proposals/algorithms/lifelong-learning/Unknown_Task_Processing_Algorithm_based_on_Lifelong_Learning_of_Ianvs.md[23] 未知任务终身学习算法示例: https://github.com/kubeedge/ianvs/tree/main/examples/cityscapes/lifelong_learning_bench/unseen_task_processing-GANwithSelfTaughtLearning[24] KubeEdge-Ianvs v0.3.0 Release Note: cid:link_0【更多KubeEdge资讯推荐】玩转KubeEdge保姆级攻略——环境搭建篇玩转KubeEdge保姆级攻略——环境搭建篇《玩转KubeEdge保姆级攻略——环境搭建篇》课程主要介绍如何通过华为云服务快速搭建一套KubeEdge边缘计算开发平台及部署Sedna、EdgeMesh等KubeEdge生态组件。课程免费学习链接：https://connect.huaweicloud.com/courses/learn/course-v1:HuaweiX+CBUCNXNX022+Self-paced/aboutKubeEdge社区介绍：KubeEdge是业界首个云原生边缘计算框架、云原生计算基金会（CNCF）唯一毕业级边缘计算开源项目，社区已完成业界最大规模云原生边云协同高速公路项目（统一管理10万边缘节点/50万边缘应用）、业界首个云原生星地协同卫星、业界首个云原生车云协同汽车、业界首个云原生油田项目，开源业界首个分布式协同AI框架Sedna及业界首个边云协同终身学习范式，并在持续开拓创新中。KubeEdge网站 :  https://kubeedge.ioGitHub地址 : cid:link_1Slack地址 : https://kubeedge.slack.com邮件列表 : https://groups.google.com/forum/#!forum/kubeedge每周社区例会 : https://zoom.us/j/4167237304Twitter : https://twitter.com/KubeEdge文档地址 : https://docs.kubeedge.io/en/latest/

本文以智慧工业园区为例，探讨了云边协同AI在案例实践过程发现的高峰期资源调度问题、系统维护时的“幽灵实例”、及底座版本问题。文章重点介绍北京时间 2025年4月20日，KubeEdge-Sedna 发布的 v0.7.0 版本。此版本为联合推理提供原生的HPA（Horizontal Pod Autoscaling）支持、联合推理与联邦学习控制器功能优化、底座架构升级。本文重点展示了 KubeEdge-Sedna v0.7.0 版本升级的主要内容，包括:联合推理支持 HPA：在人工智能快速发展的背景下，深度学习模型对计算资源的需求呈现显著波动，尤其在高峰期更为突出。为此，本次更新引入 HPA（Horizontal Pod Autoscaling）机制，该技术通过实时监控系统负载，动态调节推理实例数量，有效保障高并发场景下的系统稳定性。升级后的 HPA 不仅适配云边协同架构，还可无缝兼容 Sedna 历史版本，显著提升了系统扩展性和资源利用率。控制器优化与增强：本次更新也迎来了联合推理与联邦学习控制器的重要优化。针对以往版本中存在的任务删除不彻底、实例重建不及时等问题，本次更新通过引入 Deployment 管理机制，实现了推理任务的动态伸缩与生命周期管理。此外，联邦学习任务的控制器也得到了改进，在稳定性上有了重大提升。底座架构升级：本次更新同步将 Kubernetes 版本升级至 v1.30.7，Golang 版本升级至 v1.22.9。以及一系列问题修复，大幅提升 Sedna 整体性能与可靠性。一、背景：以智慧工业园区为例  截止2025年，KubeEdge Sedna 相关算法及系统已应用于20+案例中。在中国、印度多项大型智慧工业园区案例中，KubeEdge Sedna 使能的边缘 AI 安全帽检测系统持续保障工地安全生产。随着接入的工地和摄像头数量不断增加，系统面临着高峰期资源调度问题、系统维护时的“幽灵实例”问题、底座版本架构问题。问题1：高峰期的资源调度。在每天早班和晚班交接时段，工地出入口的人员流动量激增，边缘节点的安全帽检测请求量比平时增长300%，导致系统响应延迟增加50%，影响了对违规未戴安全帽行为的实时识别和预警。引入 HPA 机制后，系统能够根据 CPU 利用率自动扩展检测实例，将响应时间控制在可接受范围内；而在非高峰时段，系统又会自动缩减实例数量，整体节省了40%的计算资源成本。问题2：系统维护时的“幽灵实例”。在系统升级或维护期间，删除旧的安全帽检测任务后，系统中常常残留检测实例。这些“幽灵实例”会导致新检测任务无法正常创建，运维团队不得不花费大量时间手动清理残留资源。更棘手的是，如果误删了正在运行的检测实例，系统无法自动重建，导致部分区域的安全帽检测中断数小时，存在安全隐患。问题3：底座版本陈旧。随着部署时间过去，底座 Kubernetes 版本、Golang  版本均有功能升级，但 KubeEdge Sedna 仍在使用数年前的陈旧版本，存在性能和可靠性风险。  二、解决方案：智慧工业园区的AI升级之路  为了解决上述挑战，sedna v0.7.0 版本带来了三项关键升级方案1：引入了 HPA（Horizontal Pod Autoscaling）机制，能根据实际负载自动调节检测实例数量方案2：优化了控制器，实现了检测实例的自动清理和重建方案3：将 Kubernetes 版本升级至 v1.30.7，Golang 版本升级至 v1.22.9，并修复一系列问题新版本在各地工业园区应用中效果显著在人员流动高峰期，系统能够自动感知负载变化，及时增加检测实例，确保安全帽检测的实时性和准确性；在低峰期，系统自动释放多余资源，极大降低了运维成本。系统维护时，无需再手动清理残留实例，新检测任务可以顺利创建和运行，即使发生误删，系统也能自动重建检测实例，保障工地安全管理的连续性和可靠性。底座版本实现无缝升级，大幅提升 Sedna 整体性能与可靠性。👇🏻下面详细介绍实现方案：▍1. 联合推理原生支持 HPA 能力图1 HPA架构：以联合推理为例HPA 是 k8s （Kubernetes ）原生提供的 pod 动态扩缩容能力，详细可参考 horizontal-pod-autoscale[1]，其可以直接应用于 Deployment[2]或者 StatefulSet[3] 等 k8s 原生资源，为了直接复用 HPA 能力且与老版本 Sedna 兼容，本次更新我们将联合推理的 pod 实例采用 Deployment 进行管理 (详细内容在后续介绍)，这样，我们就可以直接在联合推理范式的 API 中引入 HPA 的配置。联合推理范式的 API 设计可参见 附录1: HPA API 设计。其设计中，HPA 的配置与 k8s 的原生配置保持一致，用户可以直接参考 HPA 官方文档[1]进行配置。HPA 的配置支持 “同时在云边配置”、“只在云配置”、“只在边配置”以及“不配置”四种模式。当用户不配置时，将与 Sedna 历史版本使用完全一致。🔗具体方案设计以及实现请参考：proposal[4] 、implementation[5]🔗使用案例参考：附录2: HPA 配置示例▍2. 联合推理&联邦学习控制器优化图2 联合推理控制器优化联合推理方案设计：推理任务可以认为是一种无状态工作负载，因此可以利用 Kubernetes 的本地组件 Deployment 来实现 Pod 生命周期管理。通过使用 k8s 的 Informer 机制来监听推理任务的变化事件，然后通过调用addDeployment/deleteDeployment/updateDeployment等函数对 Deployment 资源进行对应的操作。此外，这一改变也可以直接对接上一章节提到的 HPA 能力，实现推理实例的动态伸缩。🔗更多细节请参考：proposal[6]、implementation[7]图3 联邦学习控制器优化联邦学习方案设计：在 Sedna 中，联邦学习属于一种训练任务，其会涉及到一些中间态的参数保存，其 pod 实例存在先后次序关系(即重新启动的 pod 实例可能需要访问上次失败 pod 的中间参数)，因此其不再适合使用 Deployment 进行管理。所以对于联邦学习的控制器优化，依然采用原始方案，对其进行改进优化。🔗更多细节请参考：proposal[8] 、implementation[9]▍3. 底座架构升级本次升级将 Sedna 的 k8s 和 go 版本升级到了与 kubeedge 保持一致，并移除了大量 k8s 中已经废弃的函数和工具包。🔗更多详细信息请参考：Upgrade K8s and Go versions[10]本次升级也修复一系列问题，提高系统稳定性修复对象搜索范式中的级联删除问题：PR #443[11]修复联邦学习任务无法删除问题：PR #467[12]修复 helm chart 包中 crd 未更新问题：PR #472[13]修复 github CI 中的工作流版本问题：PR #475[14] 三、Release Note  如果读者对于本次版本发布的更多细节感兴趣，欢迎查阅 Sedna v0.7.0 Release Note[15]。后续 KubeEdge SIG AI 将发布系列文章，陆续具体介绍新版本升级的特性，欢迎各位读者继续关注社区动态。相关链接：[1] Pod 水平自动扩缩: https://kubernetes.io/zh-cn/docs/tasks/run-application/horizontal-pod-autoscale/[2] Deployments: https://kubernetes.io/zh-cn/docs/concepts/workloads/controllers/deployment/[3] StatefulSet: https://kubernetes.io/zh-cn/docs/concepts/workloads/controllers/statefulset/[4] joint-inference-hpa.md: https://github.com/kubeedge/sedna/blob/main/docs/proposals/joint-inference-hpa.md[5] feature: hpa for jointinference : https://github.com/kubeedge/sedna/pull/465 [6] sedna-controller-enhancement.md: https://github.com/kubeedge/sedna/blob/main/docs/proposals/sedna-controller-enhancement.md[7] JointInferenceService controller enhancement: https://github.com/kubeedge/sedna/pull/445[8] sedna-controller-enhancement.md: https://github.com/kubeedge/sedna/blob/main/docs/proposals/sedna-controller-enhancement.md [9] Sedna FederatedLearning controller enhancement: https://github.com/kubeedge/sedna/pull/446 [10] Upgrade K8s and Go versions: https://github.com/kubeedge/sedna/pull/462 [11] fix objectsearch bug of joint delete: https://github.com/kubeedge/sedna/pull/443 [12] fix FederatedLearningJob delete error: https://github.com/kubeedge/sedna/pull/467 [13] fix helm crd can not generete error: https://github.com/kubeedge/sedna/pull/472 [14] update workfow actions from v2 to v4: https://github.com/kubeedge/sedna/pull/475 [15] Sedna v0.7.0 release: https://github.com/kubeedge/sedna/releases/tag/v0.7.0 附录1：HPA API设计// HPA describes the desired functionality of the HorizontalPodAutoscaler.type HPA struct { // +optional MinReplicas *int32`json:"minReplicas,omitempty"` MaxReplicas int32`json:"maxReplicas"` // +optional Metrics []autoscalingv2.MetricSpec `json:"metrics,omitempty"` // +optional Behavior *autoscalingv2.HorizontalPodAutoscalerBehavior `json:"behavior,omitempty"`}// EdgeWorker describes the data a edge worker should havetype EdgeWorker struct { Model SmallModel `json:"model"` HardExampleMining HardExampleMining `json:"hardExampleMining"` Template v1.PodTemplateSpec `json:"template"` // HPA describes the desired functionality of the HorizontalPodAutoscaler. // +optional HPA *HPA `json:"hpa"`}// CloudWorker describes the data a cloud worker should havetype CloudWorker struct { Model BigModel `json:"model"` Template v1.PodTemplateSpec `json:"template"` // HPA describes the desired functionality of the HorizontalPodAutoscaler. // +optional HPA *HPA `json:"hpa"`}附录2：HPA 配置示例apiVersion: sedna.io/v1alpha1kind: JointInferenceServicemetadata: name: helmet-detection-inference-example namespace: defaultspec: edgeWorker: hpa: maxReplicas: 2 metrics: - resource: name: cpu target: averageUtilization: 50 type: Utilization type: Resource minReplicas: 1 model: name: "helmet-detection-inference-little-model" hardExampleMining: name: "IBT" parameters: - key: "threshold_img" value: "0.9" - key: "threshold_box" value: "0.9" template: spec: nodeName: $Edge-NodeName hostNetwork: true dnsPolicy: ClusterFirstWithHostNet containers: - image: kubeedge/sedna-example-joint-inference-helmet-detection-little:v0.5.0 imagePullPolicy: IfNotPresent name: little-model env: # user defined environments - name: input_shape value: "416,736" - name: "video_url" value: "rtsp://localhost/video" - name: "all_examples_inference_output" value: "/data/output" - name: "hard_example_cloud_inference_output" value: "/data/hard_example_cloud_inference_output" - name: "hard_example_edge_inference_output" value: "/data/hard_example_edge_inference_output" resources: # user defined resources requests: memory: 64M cpu: 50m limits: memory: 2Gi cpu: 500m volumeMounts: - name: outputdir mountPath: /data/ volumes: # user defined volumes - name: outputdir hostPath: # user must create the directory in host path: /joint_inference/output type: Directory cloudWorker: hpa: maxReplicas: 5 metrics: - resource: name: cpu target: averageUtilization: 20 type: Utilization type: Resource minReplicas: 1 model: name: "helmet-detection-inference-big-model" template: spec: nodeName: $Cloud-NodeName dnsPolicy: ClusterFirstWithHostNet containers: - image: kubeedge/sedna-example-joint-inference-helmet-detection-big:v0.5.0 name: big-model imagePullPolicy: IfNotPresent env: # user defined environments - name: "input_shape" value: "544,544" resources: # user defined resources requests: cpu: 1024m memory: 2Gi limits: cpu: 1024m memory: 2Gi附录3：HPA 部署效果[root@master-01 ~]# kubectl get hpa -wNAME REFERENCE TARGETS MINPODS MAXPODS REPLICAS AGEhpa-helmet-detection-inference-example-deployment-cloud Deployment/helmet-detection-inference-example-deployment-cloud 37%/20% 1 5 3 92shpa-helmet-detection-inference-example-deployment-edge Deployment/helmet-detection-inference-example-deployment-edge 348%/50% 1 2 2 92shpa-helmet-detection-inference-example-deployment-cloud Deployment/helmet-detection-inference-example-deployment-cloud 37%/20% 1 5 4 106shpa-helmet-detection-inference-example-deployment-edge Deployment/helmet-detection-inference-example-deployment-edge 535%/50% 1 2 2 106shpa-helmet-detection-inference-example-deployment-cloud Deployment/helmet-detection-inference-example-deployment-cloud 18%/20% 1 5 4 2m1shpa-helmet-detection-inference-example-deployment-edge Deployment/helmet-detection-inference-example-deployment-edge 769%/50% 1 2 2 2m1shpa-helmet-detection-inference-example-deployment-cloud Deployment/helmet-detection-inference-example-deployment-cloud 12%/20% 1 5 4 2m16s[root@master-01 jointinference]# kubectl get poNAME READY STATUS RESTARTS AGEhelmet-detection-inference-example-deployment-cloud-7dffd47c6fl 1/1 Running 0 4m34shelmet-detection-inference-example-deployment-cloud-7dffd4dpnnh 1/1 Running 0 2m49shelmet-detection-inference-example-deployment-cloud-7dffd4f4dtw 1/1 Running 0 4m19shelmet-detection-inference-example-deployment-cloud-7dffd4kcvwd 1/1 Running 0 5m20shelmet-detection-inference-example-deployment-cloud-7dffd4shk86 1/1 Running 0 5m50shelmet-detection-inference-example-deployment-edge-7b6575c52s7k 1/1 Running 0 5m50shelmet-detection-inference-example-deployment-edge-7b6575c59g48 1/1 Running 0 5m20s【更多KubeEdge资讯推荐】玩转KubeEdge保姆级攻略——环境搭建篇玩转KubeEdge保姆级攻略——环境搭建篇《玩转KubeEdge保姆级攻略——环境搭建篇》课程主要介绍如何通过华为云服务快速搭建一套KubeEdge边缘计算开发平台及部署Sedna、EdgeMesh等KubeEdge生态组件。课程免费学习链接：https://connect.huaweicloud.com/courses/learn/course-v1:HuaweiX+CBUCNXNX022+Self-paced/aboutKubeEdge社区介绍：KubeEdge是业界首个云原生边缘计算框架、云原生计算基金会（CNCF）唯一毕业级边缘计算开源项目，社区已完成业界最大规模云原生边云协同高速公路项目（统一管理10万边缘节点/50万边缘应用）、业界首个云原生星地协同卫星、业界首个云原生车云协同汽车、业界首个云原生油田项目，开源业界首个分布式协同AI框架Sedna及业界首个边云协同终身学习范式，并在持续开拓创新中。KubeEdge网站 :  https://kubeedge.ioGitHub地址 : cid:link_0Slack地址 : https://kubeedge.slack.com邮件列表 : https://groups.google.com/forum/#!forum/kubeedge每周社区例会 : https://zoom.us/j/4167237304Twitter : https://twitter.com/KubeEdge文档地址 : https://docs.kubeedge.io/en/latest/