风哥提示：边缘与云的协同工作需要考虑网络延迟、带宽限制等因素，确保系统在各种网络条件下都能正常运行。

Part04-生产案例与实战讲解

4.1 边缘K8s集群部署案例

案例背景：某企业需要在工厂部署边缘K8s集群，实现设备数据的实时处理和分析。

部署步骤：

1. 准备边缘设备：选择适合工业环境的边缘服务器
2. 部署K3s集群：
   $ curl -sfL https://get.k3s.io | K3S_KUBECONFIG_MODE=”644″ sh –

   [INFO] Finding release for channel stable
   [INFO] Using v1.26.0+k3s1 as release
   [INFO] Downloading hash https://github.com/k3s-io/k3s/releases/download/v1.26.0+k3s1/sha256sum-amd64.txt
   [INFO] Downloading binary https://github.com/k3s-io/k3s/releases/download/v1.26.0+k3s1/k3s
   [INFO] Verifying binary download
   [INFO] Installing k3s to /usr/local/bin/k3s
   [INFO] Creating /usr/local/bin/kubectl symlink to k3s
   [INFO] Creating /usr/local/bin/crictl symlink to k3s
   [INFO] Creating /usr/local/bin/ctr symlink to k3s
   [INFO] Creating killall script /usr/local/bin/k3s-killall.sh
   [INFO] Creating uninstall script /usr/local/bin/k3s-uninstall.sh
   [INFO] env: Creating environment file /etc/systemd/system/k3s.service.env
   [INFO] systemd: Creating service file /etc/systemd/system/k3s.service
   [INFO] systemd: Enabling k3s unit
   Created symlink /etc/systemd/system/multi-user.target.wants/k3s.service → /etc/systemd/system/k3s.service.
   [INFO] systemd: Starting k3s
3. 添加边缘节点：
   $ curl -sfL https://get.k3s.io | K3S_URL=https://192.168.1.100:6443 K3S_TOKEN=K107c49e755a67890abcdef1234567890abcdef1234567890abcdef1234567890::server:1234567890abcdef sh –

   [INFO] Finding release for channel stable
   [INFO] Using v1.26.0+k3s1 as release
   [INFO] Downloading hash https://github.com/k3s-io/k3s/releases/download/v1.26.0+k3s1/sha256sum-amd64.txt
   [INFO] Downloading binary https://github.com/k3s-io/k3s/releases/download/v1.26.0+k3s1/k3s
   [INFO] Verifying binary download
   [INFO] Installing k3s to /usr/local/bin/k3s
   [INFO] Creating /usr/local/bin/kubectl symlink to k3s
   [INFO] Creating /usr/local/bin/crictl symlink to k3s
   [INFO] Creating /usr/local/bin/ctr symlink to k3s
   [INFO] Creating killall script /usr/local/bin/k3s-killall.sh
   [INFO] Creating uninstall script /usr/local/bin/k3s-agent-uninstall.sh
   [INFO] env: Creating environment file /etc/systemd/system/k3s-agent.service.env
   [INFO] systemd: Creating service file /etc/systemd/system/k3s-agent.service
   [INFO] systemd: Enabling k3s-agent unit
   Created symlink /etc/systemd/system/multi-user.target.wants/k3s-agent.service → /etc/systemd/system/k3s-agent.service.
   [INFO] systemd: Starting k3s-agent
4. 验证集群：
   $ kubectl get nodes

   NAME STATUS ROLES AGE VERSION
   edge-master Ready control-plane,master 5m v1.26.0+k3s1
   edge-worker-1 Ready 2m v1.26.0+k3s1
   edge-worker-2 Ready 1m v1.26.0+k3s1

4.2 边缘与云集成案例

案例背景：某企业需要将边缘设备的数据同步到云端，实现边缘与云的协同工作。

集成步骤：

1. 配置网络连接：建立边缘设备与云端之间的VPN连接
2. 部署数据同步服务：

   apiVersion: apps/v1
   kind: Deployment
   metadata:
     name: fgedu-data-sync
     namespace: default
   spec:
     replicas: 1
     selector:
       matchLabels:
         app: fgedu-data-sync
     template:
       metadata:
         labels:
           app: fgedu-data-sync
       spec:
         containers:
         - name: fgedu-data-sync
           image: fgedu/data-sync:v1.0
           resources:
             requests:
               cpu: "100m"
               memory: "256Mi"
             limits:
               cpu: "500m"
               memory: "512Mi"
           env:
           - name: CLOUD_ENDPOINT
             value: "https://cloud.fgedu.net.cn/api/data"
           - name: SYNC_INTERVAL
             value: "60"
           volumeMounts:
           - name: data-volume
             mountPath: /data
         volumes:
         - name: data-volume
           hostPath:
             path: /data
             type: Directory
                   

   $ kubectl apply -f data-sync.yaml

   deployment.apps/fgedu-data-sync created
3. 配置云端服务：在云端部署数据接收和处理服务
4. 验证数据同步：
   $ kubectl logs deployment/fgedu-data-sync

   2026-04-03 10:00:00 INFO Starting data sync service
   2026-04-03 10:01:00 INFO Syncing data to cloud: https://cloud.fgedu.net.cn/api/data
   2026-04-03 10:01:00 INFO Sync successful, 100 records synced
   2026-04-03 10:02:00 INFO Syncing data to cloud: https://cloud.fgedu.net.cn/api/data
   2026-04-03 10:02:00 INFO Sync successful, 120 records synced

4.3 边缘应用部署案例

案例背景：某企业需要在边缘设备上部署实时视频分析应用，实现对工厂生产过程的监控。

部署步骤：

1. 容器化应用：将视频分析应用容器化
2. 构建镜像：
   $ docker build -t fgedu/video-analytics:v1.0 .

   Sending build context to Docker daemon 100.5MB
   Step 1/5 : FROM python:3.9-slim
   —> a3562aa0b991
   Step 2/5 : WORKDIR /app
   —> Using cache
   —> b8b0e6c4c756
   Step 3/5 : COPY requirements.txt .
   —> 4f7a2b3c1d4e
   Step 4/5 : RUN pip install –no-cache-dir -r requirements.txt
   —> Running in 5a6b7c8d9e0f
   Collecting opencv-python==4.5.5.64
   Downloading opencv_python-4.5.5.64-cp39-cp39-manylinux_2_17_x86_64.manylinux2014_x86_64.whl (60.3 MB)
   Collecting numpy==1.21.5
   学习交流加群风哥QQ113257174 Downloading numpy-1.21.5-cp39-cp39-manylinux_2_12_x86_64.manylinux2010_x86_64.whl (15.7 MB)
   Installing collected packages: numpy, opencv-python
   Successfully installed numpy-1.21.5 opencv-python-4.5.5.64
   Removing intermediate container 5a6b7c8d9e0f
   —> 1a2b3c4d5e6f
   Step 5/5 : COPY . .
   —> 7a8b9c0d1e2f
   Successfully built 7a8b9c0d1e2f
   Successfully tagged fgedu/video-analytics:v1.0
3. 推送镜像：
   $ docker push fgedu/video-analytics:v1.0

   The push refers to repository [docker.io/fgedu/video-analytics]
   1a2b3c4d5e6f: Pushed
   7a8b9c0d1e2f: Pushed
   v1.0: digest: sha256:1234567890abcdef1234567890abcdef1234567890abcdef1234567890abcdef size: 529
4. 部署应用：

   apiVersion: apps/v1
   kind: Deployment
   metadata:
     name: fgedu-video-analytics
     namespace: default
   spec:
     replicas: 1
     selector:
       matchLabels:
         app: fgedu-video-analytics
     template:
       metadata:
         labels:
           app: fgedu-video-analytics
       spec:
         containers:
         - name: fgedu-video-analytics
           image: fgedu/video-analytics:v1.0
           resources:
             requests:
               cpu: "1"
               memory: "2Gi"
             limits:
               cpu: "2"
               memory: "4Gi"
           ports:
           - containerPort: 8080
           volumeMounts:
           - name: video-volume
             mountPath: /video
         volumes:
         - name: video-volume
           hostPath:
             path: /video
             type: Directory
                   

   $ kubectl apply -f video-analytics.yaml

   deployment.apps/fgedu-video-analytics created

4.更多视频教程www.fgedu.net.cn4 大规模边缘计算运维案例

案例背景：某大型企业需要管理分布在全国各地的数千个边缘设备，实现统一的运维和管理。

运维策略：

• 统一管理平台：使用Kubernetes多集群管理工具，如Kubernetes Federation或Open Cluster Management
• 自动化运维：使用Ansible或Terraform实现边缘设备的自动化配置和管理
• 监控与告警：建立统一的监控和告警系统，实时监控边缘设备的状态
• 远程管理：实现对边缘设备的远程管理和故障排查
• 批量升级：实现边缘设备和应用的批量升级

实施步骤：

1. 部署多集群管理平台：部署Open Cluster Management或类似工具
2. 注册边缘集群：将边缘K8s集群注册到管理平台
3. 配置监控系统：部署Prometheus和Grafana，监控边缘设备的状态
4. 配置告警规则：设置合理的告警规则，及时发现和解决问题
5. 实现自动化升级：使用CI/CD流程实现边缘应用的自动升级

风哥提示：大规模边缘计算的运维需要自动化工具和平台的支持，减少人工操作，提高运维效率。

Part05-风哥经验总结与分享

5.1 边缘计算与云原生集成的关键成功因素

• 合理的架构设计：根据业务需求设计合适的边缘计算架构
• 选择合适的技术栈：根据边缘设备的资源和需求选择合适的技术栈
• 可靠的网络连接：确保边缘设备与云端之间的网络连接稳定可靠
• 有效的资源管理：合理管理边缘设备的资源，确保应用程序能够正常运行
• 完善的监控体系：建立完善的监控和告警体系，及时发现和解决问题
• 专业的团队：拥有专业的技术团队，能够应对复杂的边缘计算和云原生集成挑战

5.2 常见问题与解决方案

• 资源限制：边缘设备通常资源有限，需要优化应用程序，减少资源消耗
• 网络不稳定：边缘设备的网络连接可能不稳定，需要设计容错机制
• 安全风险：边缘设备可能部署在不安全的环境中，需要加强安全防护
• 管理复杂性：大规模边缘设备的管理复杂，需要使用自动化工具
• 数据同步：边缘设备与云端之间的数据同步需要考虑网络带宽和延迟

5.3 最佳实践建议

• 从小规模开始：先在小规模环境中部署边缘计算，积累经验后再扩展到大规模环境
• 重视自动化：使用自动化工具部署和管理边缘设备，减少人为错误
• 合理配置资源：根据边缘设备的实际需求配置资源，避免资源浪费
• 定期备份数据：定期备份边缘设备的数据，确保数据安全
• 持续监控：建立持续的监控和告警体系，及时发现和解决问题
• 培训团队：对团队进行边缘计算和云原生相关培训，提高团队能力

5.4 未来发展趋势

• 边缘AI：将AI模型部署到边缘设备，实现实时数据处理和分析
• 5G集成：利用5G网络的低延迟特性，增强边缘计算的能力
• 边缘容器编排：专门为边缘环境优化的容器编排工具
• 边缘安全：增强边缘设备的安全防护能力
• 边缘与云的深度集成：实现边缘与云的无缝集成，提供统一的管理体验

from Linux:www.itpux.com