为什么选择大禹系统

大禹系统是一个面向云边协同流式分析的平台，用于在异构云边节点上部署、调度和运行基于 DAG 的 AI 服务流水线。它将后端控制面、Vue 前端、模拟数据源，以及生成器、调度器、控制器、处理器、分发器、监控器等运行时协同组件组织在一起。

大禹系统的目标，是让云边视频和流数据分析更容易构建、比较和运行。它不会把一个模型、一条流水线和一套部署脚本强行绑定在一起，而是将应用逻辑、运行时调度、系统监控和部署编排拆分成可复用的平台层次。

为什么云边流分析需要大禹系统

真实的流数据分析应用通常不只是单模型演示。一个视频分析任务可能从目标检测开始，继续进入跟踪、分类、识别等多个阶段，也可能在不同分支之间拆分和汇合，并持续决定哪些数据应在边缘侧处理，哪些任务应卸载到云端。

这会带来一系列运行时挑战：

• 多路数据流 需要持续处理，数据可能来自不同摄像头或不同类型的数据源。
• 异构云边节点 在 CPU、GPU、内存、网络和模型服务能力上存在明显差异。
• 动态工作负载 会随着场景内容、网络带宽、队列压力和用户质量目标不断变化。
• 多阶段 AI 流水线 需要细粒度控制每个阶段在哪里执行，以及任务如何在各阶段和设备之间转发。
• 系统实验与评估 需要可复现的策略、可比较的基线、运行时遥测、结果可视化和日志数据。

大禹系统将这些问题作为平台能力统一处理，避免每个应用都重复构建控制、调度和监控机制。

大禹系统的设计思路

大禹系统采用五层架构。下层系统基于 KubeEdge，并结合大禹定制版 Sedna 和 EdgeMesh，支持容器化编排、服务下装和跨节点通信。上层系统提供控制面、运行时协同组件、调度逻辑、应用服务和可视化反馈闭环。

在运行时，大禹系统会将用户定义的服务 DAG 转化为协同执行的流数据处理任务。生成器从数据源创建任务，调度器生成数据配置决策和任务卸载决策，控制器在设备与处理器之间转发任务，处理器执行 AI 服务，分发器存储完成的处理结果，监控器将资源状态反馈给调度器。

这种结构使大禹系统既能支持稳定的端到端工作流，也能支持面向研究的调度策略。开发者可以在同一套运行时结构下比较固定基线、反馈控制、层次化具身智能、自适应视频编码、模型切换和拓扑感知策略。

适合谁使用

大禹系统适合需要超越单机推理演示的研究者和开发者。如果你希望原型化云边 AI 流水线，评估调度和卸载策略，测试多路视频分析场景，或在已有编排框架上构建新的运行时扩展，大禹系统可以作为基础平台。

如果你刚开始了解大禹系统，可以先阅读系统整体架构，再按照系统准备开始部署和运行。系统实现位于 Dayu GitHub 仓库。