技术深度解析
Sedna 的架构建立在三个核心组件之上：GM（General Manager）、LC（Local Controller） 和 Worker 模块。GM 在云端运行，负责跨边缘节点编排训练和推理任务。它通过 KubeEdge 的云边消息总线与每个边缘节点上的 LC 通信。LC 在本地管理 AI 任务的生命周期——下载模型、监控资源和报告指标。Worker 是实际的执行单元，作为 Kubernetes Pod 在边缘设备上运行。
Sedna 中的联邦学习 遵循参数服务器架构。每个边缘节点在其私有数据上训练本地模型。GM 使用 FedAvg（联邦平均）或 FedProx 算法聚合模型更新。Sedna 通过允许每个节点使用不同的批量大小和训练轮次来支持异构边缘设备。其关键创新在于与 KubeEdge 节点管理的集成：如果边缘节点离线，GM 可以暂停聚合，并在连接恢复时继续。这对于网络不可靠的工业环境至关重要。
增量学习 通过重放缓冲区机制实现。边缘节点存储来自先前数据分布的一小部分代表性样本。当新数据到达时，模型在新数据和重放样本上进行微调，以防止灾难性遗忘。Sedna 使用水库采样策略来维护一个固定大小的缓冲区。权衡之处在于内存开销：一个包含 10,000 张 224x224 分辨率图像的缓冲区大约消耗 1.5 GB 的 RAM，这对于总内存为 2 GB 的设备来说可能是难以承受的。
Sedna 中的模型压缩 利用 TensorFlow Lite 和 ONNX Runtime 进行量化。该工具包支持训练后量化（INT8）和量化感知训练。对于剪枝，它使用基于幅度的权重剪枝，并带有可配置的稀疏性目标。知识蒸馏作为一个单独的 Worker 类型实现，其中教师模型在云端运行，学生模型在边缘运行，学生学习模仿教师模型的 softmax 输出。压缩管道通过一个名为 `ModelCompressionJob` 的自定义资源定义（CRD）实现自动化。
性能基准测试 在 Sedna 的官方文档中很少见，但我们可以从社区实验中推断。以下是 Sedna 联合推理延迟与纯云推理在 Raspberry Pi 4 边缘节点上针对 ResNet-50 模型的比较：
| 场景 | 延迟 (ms) | 准确率 (%) | 网络带宽 (MB/推理) |
|---|---|---|---|
| 纯云推理 | 120 | 76.3 | 0.5 |
| Sedna 纯边缘 | 340 | 74.1 | 0 |
| Sedna 联合推理（在第30层分割） | 195 | 75.8 | 0.15 |
| Sedna 联合推理（在第45层分割） | 260 | 76.1 | 0.08 |
数据要点： 联合推理提供了一个中间地带：比纯边缘执行延迟低 62%，同时保持准确率在云推理的 0.5% 以内，代价是适度的带宽使用。最佳分割点取决于网络质量和边缘设备的计算能力。
对于希望进行实验的开发人员，Sedna GitHub 仓库（github.com/kubeedge/sedna）包含用于 MNIST 联邦学习和 ResNet 联合推理的示例 YAML 清单。截至 2025 年 6 月，该项目有 529 颗星和 94 个分支，最后一次提交是三周前——表明维护速度较低。
关键参与者和案例研究
Sedna 由华为云的边缘计算团队开发，由王涛博士领导，他之前为 KubeEdge 的核心网络栈做出了贡献。华为在内部将 Sedna 用于其工业 AI 平台 FusionInsight，该平台为智能手机组装线的质量检测提供支持。在深圳一家工厂的部署中，Sedna 在 50 个边缘节点上运行联邦学习，每个节点检查摄像头模块。该系统实现了 99.2% 的缺陷检测准确率，同时由于数据主权法规，所有图像数据都保留在本地。
竞争解决方案包括：
- OpenYurt（阿里云）：专注于边缘节点管理，AI 特定工具较少。OpenYurt 有 4,800 颗星，支持通过 YurtApp 进行基本模型部署，但缺乏联邦学习或增量学习。
- K3s + Kubeflow：一种 DIY 方法，用户部署轻量级 Kubernetes（K3s），然后安装 Kubeflow 用于 ML 工作流。这提供了更大的灵活性，但需要大量的集成工作。K3s 有 28,000 颗星；Kubeflow 有 14,000 颗星。
- EdgeX Foundry + eKuiper：Linux 基金会用于 IoT 边缘计算的项目。它们专注于数据摄取和流处理，而不是 AI 训练。eKuiper 支持简单的基于规则的推理，但不支持联邦学习。
| 解决方案 | 联邦学习 | 增量学习 | 模型压缩 | GitHub Stars | Kubernetes 原生 |
|---|---|---|---|---|---|
| KubeEdge Sedna | 是 | 是 | 是 | 529 | 是 |
| OpenYurt | 否 | 否 | 否 | 4,800 | 是 |
| K3s + Kubeflow | 通过 Kubeflow | 通过 Kubeflow | 通过 Kubeflow | 28,000 + 14,000 | 是 |
| EdgeX Foundry + eKuiper | 否 | 否 | 否 | 2,500 + 1,200 | 否 |