工業互聯網算網一體技術研究

楊 帆，宋聞萱，許方敏*，張恒升，趙成林

(1．北京郵電大學 信息與通信工程學院，北京 100876；2．中國信息通信研究院，北京 100191)

0 引言

隨著工業互聯網的不斷發展，工業智能應用對計算機存儲能力和算力的要求不斷提高，業界相繼提出了以分布式技術為基礎的集中部署的云計算和以低時延、低能耗為特點的邊緣計算。云計算在一定程度上滿足了需要龐大計算量的密集型業務[1]，但是傳統的云計算不足以提供低時延、高算力的服務。而移動邊緣計算距離移動終端更近，且能夠提供更低時延、更高效率的計算能力[2]。云計算和邊緣計算為工業互聯網提供了匹配不同應用的算力和時延需求。

由于邊緣計算服務器算力有限，為滿足分布式工業智能應用的高效處理，越來越多的邊緣服務器部署在工廠和園區中，因此數據的計算和存儲逐漸從中心擴散到邊緣和終端的趨勢形成算力泛在部署，但是邊緣計算單點的算力資源有限，且邊緣節點之間不互相感知。為協同海量資源受限的邊緣算力以提高算力利用率，業界提出算力感知網絡(Computing-aware Networking，CAN)的思想[3]，將計算與連接相結合利用算力協同形成算力組網。算力感知網絡的提出標志著人類正在邁向萬物感知、萬物互聯、萬物智能的“算力時代”[4]。

雖然為滿足海量工業應用的算力需求，算力在工業互聯網中已呈現泛在部署形式，但是并未根據不同應用的不同需求優化算力的部署和分配利用方案。作為網絡基礎設施的一種，如何將算力網絡引入工業互聯網網絡體系中，并探究算力網絡在工業互聯網中的部署和應用，是亟須研究解決的問題。

由于在工業互聯網中不同任務對時延和算力的要求不同，一些輕量級、高延遲需求的任務可以在靠近現場級的內網計算設施進行計算，而部分大算力需求對延遲容忍程度高的任務更適合在外部超算中心進行處理，因此本文提出了以工業互聯網為基礎的內網+外網的算力部署架構和應用部署方案，以滿足不同需求任務不同方面的需求，同時深入分析了算力網絡在工廠內外網實現落地部署存在的算力度量和表征、標識、感知、路由和調度，以及安全等方面挑戰。

1 算力網絡的發展現狀

云計算和邊緣計算都是信息技術資源(計算資源、存儲資源等)的載體[5]，類比于電力系統中的電廠與電網，而算力網絡做為算力的“網”將孤立的云計算和邊緣計算的IT資源變成有效的IT資源，實現高效協同的利用云計算、邊緣計算和智能終端的異構泛在計算資源[6]。

近6年來，隨著人工智能(AI)技術的發展，數據分析與處理對算力的需求增長已超過30萬倍[7]，由于我國經濟發展和應用需求“東密西疏”，但是自然資源“東貧西富”，這種應用和資源不匹配的情況影響了我國信息化進程[8]。因此，2022年3月第十三屆全國人大提出“東數西算”工程戰略，算力網絡的實現將會更高效地利用西部的算力資源為東部的數據和應用需求服務，同時提供高保障性和高可靠性，實現東西部協同發展，提升國家總體算力資源的利用率，最終實現“網絡無所不達，算力無所不在，智能無所不及”[9]。

目前產業化、標準化、學術界各方都在積極推進算力網絡技術的發展和落地，業界對算力網絡的標準化也逐步趨于完善。

1.1 標準化發展現狀

1.1.1 國際標準化發展現狀

國內運營商和華為在IETF開展了算力網絡系列研究； ETSI啟動了“NFV Support for Network Function Connectivity Extensions (NFV-EVE020)”項目，寬帶論壇(BBF)啟動了“Metro Computing Network(SD-466)”項目，各項研究都旨在解決算力網絡在不同領域中的實際發展應用和功能擴展。

2019年2月，IETF成立了網內計算研究組(Computing in the Network Research Group，COINRG)。中國移動聯合華為組織了計算優先網絡(Computing First Network, CFN)技術研討會，分別針對CFN場景和需求、CFN的架構以及CFN的實驗部署提出了三項草案[10-12]。

2021年7月5日—16日，ITU-T SG13(國際電信聯盟電信標準化部門第13研究組)發布了中國電信研究院第一個算力網絡技術的國際標準“算力網絡框架與架構標準Computing Power Network-framework and Architecture”(Y.2501)。ITU-T Y.2501標準提出了一種算力網絡的新型架構體系；ITU-TSG13建議開啟Y.2500系列編號，以Y.2501[13]為首個標準，形成算力網絡系列標準。

同時三大運營商和華為等企業還分別牽頭啟動推進了Q.CPN(算力網絡的信令要求)[14]、Y.ASA-CPN、Q.BNG-INC(算力網絡邊界網關的信令要求)與Y.CAN、Y.CPN-arch[15]等SG11和SG13組的相關標準制定。同期，中國電信研究院成功立項“Y.NGNe-O-CPN-reqts”標準；中國聯通、中國電信成功立項Y.ASA-CPN標準，研究算力網絡認證調度架構。

1.1.2 國內標準化發展現狀

2019年9月，邊緣計算產業聯盟(Edge Computing Consortium，ECC)與網絡5.0產業和技術創新聯盟(Network 5.0 Industry and Technology Innovation Alliance，N5A)聯合成立邊緣計算網絡基礎設施聯合工作組ECNI，致力于網絡5.0的研究推動和標準化過程，其中算力網絡被視為未來網絡發展重要方向之一。2020年6月產業對算力網絡的研究進入了一個新的階段，中國通信網絡技術標準委員會CCSA TC614正式成立了算力網絡特別任務組。CCSA目前在TC1-WG5、TC3-WG1和TC1-WG2工作組分別對“泛在計算的需求與架構”“算力網絡的需求與架構”“面向業務體驗的算力需求量化與建模研究”進行了規范。2022年CCSA已經通過了行業標準《算力網絡總體技術要求》，提出了算力網絡的標準定義和發展目標，并制定了算力網絡的總體技術架構和關鍵技術要求。同年CCSA算網融合產業及標準推進委員會(CCSA TC621)和多樣性算力產業及標準推進委員會(CCSA TC622)分別圍繞“計算網絡化”“網絡計算化”兩個方向協同開展標準化工作。

1.2 產業發展現狀

在產業層面，國內各大運營商牽頭制定了一系列的標準，同時發布產業白皮書，主導業界在算力網絡研究上的推進。2019年11月中國聯通在業界率先發布了《中國聯通算力網絡白皮書》[16]，首次提倡推動算力網絡概念的發展，表明算力網絡將是云網融合未來發展的新階段。在2020年11月，中國聯通聯合多方成立了算力網絡產業技術聯盟，進一步完善算力網絡生態，在“聯接+計算”領域推動算力網絡的落地和轉型。

中國移動在2019年11月和華為在邊緣計算產業峰會(ECIS2019)上聯合發布了《算力感知網絡技術白皮書》[17]，2021年更新了《算力感知網絡(CAN)技術白皮書(2021年版)》[3]，提出算力感知網絡(Computing-aware Networking, CAN)五層功能架構和算力網絡的新架構、新協議、新度量。2021年11月和2022年2月中國移動分別發布了《中國移動算力網絡白皮書》《算力網絡安全白皮書》[9,18]，以算力為中心、網絡為根基全面揭示了算力網絡的發展路徑，掀開了布局算力網絡的序幕。

作為國內數量最多、最大的數據中心服務提供商，中國電信率先提出“網是基礎、云為核心、網隨云動、云網一體”的云網融合方向，融合網絡、算力和存儲三大資源，規劃了“核心+省+邊緣+端”四級架構AI算力網絡，超前部署AI算力，結合業務場景進行靈活部署，提供算網數智等多要素融合的AI服務。

華為、浪潮等廠商也先后發布了產業白皮書；華為在貴州貴安即將建成全球最大的云數據中心；阿里、華為在內蒙古烏蘭察市建設了數據中心，為華北地區的算力、存儲等業務提供服務，共同推進算力網絡的發展；中國移動在第七屆機器人峰會上展示了網絡+計算雙流跨省確定性同步方案，通過網絡的靈活調整來適應差異化算力。2022年，我國開始布局建設八大算力網絡國家樞紐節點：粵港澳大灣區、成渝地區、長三角地區、京津冀地區、寧夏、內蒙古、貴州、甘肅。

1.3 學術發展現狀

雖然學術界對云計算和邊緣計算的研究比較充分，但是目前算力網絡發展仍處于初步階段，學術界對算力網絡尤其是工業互聯網中的算力網絡技術的研究內容較少。目前算力網絡研究型論文和理論性論文聚焦于算力網絡的架構和關鍵技術，相關學者研究了包括算力路由和算力資源分配在內的諸多算力功能。文獻[19]研究了工業互聯網-邊緣-云模型的多跳計算卸載問題，文中利用博弈論提出了兩種QoS感知分布式算法，并證明了算法的收斂性；模擬結果驗證該算法不僅可以隨著工業互聯網設備群規模的增加而很好地擴展，而且在各種參數設置下比現有算法更穩定且性能更好。文獻[20]利用Floyd算法提出算力感知路由分配策略，針對算力網絡中的算力路由和算力資源進行協同調度，在任務處理時延和用戶滿意數上有比就近調度策略更優的性能。文獻[21]提出了一種新型的算力網絡架構，為算力網絡中的用戶提供了適應性，為組網算力資源調度提供了靈活性，為算力供應商提供了價值激勵，并且通過使用案例清晰地描述了該新型算力網絡架構。文獻[22]首次提出了一種CFN-Watchdog的集中式故障檢測協議，可以很好地滿足根據計算負載和網絡狀態為邊緣計算智能分配計算資源的算力網絡要求，并及時回收故障占用的資源。

2 工業互聯網智能應用對算力網絡的需求

在工業互聯網中，大部分工業智能任務例如控制類業務對時延要求極高，但是對算力要求不高；而一些工業智能任務對時延的要求不高，但是對算力的要求很高。因此，對不同業務有著不同的算力網絡匹配部署方案，不同的業務可以根據自己的特點來選擇部署在不同位置的算力網絡來進行服務和計算，本文重點調研了工業智能應用對算網的需求，以優化應用和算力的匹配部署方案。

本文針對工業互聯網中的應用場景將工業智能應用分為生產過程控制、設備實時監測與預測性維護、智能巡檢、環境監測與安全防護、產品質量監控、遠程操作與運維、生產輔助、自動引導運輸車(Automated Guided Vehicle，AGV)導航和生產設計與方案檢測九大類。

2.1 生產過程控制

2.1.1 過程自動化

過程自動化收集傳感器反饋的數據，在分析處理這些數據后，調節優化及控制各種設備，以提高生產效率。雙向、計算時延要求：≤1 s，典型的應用包括：溫度檢測、壓力檢測、時間不敏感的設備控制(如水泵、壓縮機、攪拌機等)[23]。

2.1.2 工廠自動化

工廠自動化其本質是控制電機，實現其對角位移、轉矩、轉速等物理量。雙向、計算時延要求：1～100 ms，典型的應用包括：金屬材料抓取、灌裝、打包、蓋章、剪裁、產品分類等[23]。

2.1.3 運動控制

運動控制是對機械運動部件的位置、速度等進行實時的控制管理，使其按照預期的軌跡和規定的參數進行運動，因此運動控制對延遲要求極高。雙向、計算時延要求：250 μs～1 ms，典型的應用場景包括：多軸同步、印刷、印制電路板、電子器件的抓取與放置等[23]。

2.2 設備實時監測與預測性維護

設備實時性預測、預測性維護不僅可以對設備實時監測，進行大數據分析，提前感知設備故障，而且可以遠程服務和提前排查故障隱患，使維護變得更加智能，運營更加可靠，成本也更低。

2.3 智能巡檢

智能巡檢是指利用AI技術，對產品生產、制造過程中進行定期隨機流動性的檢驗巡視。具體包括數據采集、隱患處理與分析等。智能巡檢任務對時延要求：<20 ms。

2.4 環境監測與安全防護

環境監測與安全防護包括智能安防、視頻監控。在環境檢測過程中，要進行物理監測、生物監測、化學檢測。時延要求：20～50 ms[24]；存儲需求：TByte級別；網絡需求：50～100 Mbit/s。

2.5 產品質量檢測

產品質量檢測利用卷積神經網絡等圖像和視頻處理技術對產品的質量進行檢測，例如對產品表面劃痕的長度、深度、劃痕位置進行識別，以此分類良品和次品。閉環時延不超過10～100 ms；可靠性需求1×10-5；速率：單用戶感知速率>100 Mbit/s。

2.6 遠程控制

2.6.1 遠程操作與運維

計算機遠程運維技術將分散在工業互聯網中的設備終端進行集中化管理，實現計算機終端的遠程控制。時延要求：空口時延<10 ms；可靠性需求1×10-5；高傳輸率：體驗速率Gbit/s。

2.6.2 虛擬現實/增強現實(AR/VR)

AR遠程協助可以支持員工學習、培訓、交流，提供操作示范、導引，提醒生產過程注意事項及操作細節；將工人看到的場景直接傳遞給工藝人員，工藝人員通過視頻、語音、標記等交互手段對工人進行直觀指導[24]。5G+AR/VR技術，構建產品展示、售后服務、技能培訓等虛擬演示和體驗環境，優化客戶體驗，提升服務品質和效率。

VR、AR的渲染，不同語言之間的實時和非實時翻譯等，這種場合對算力要求極高[5]。時延：工業現場毫秒級的確定時延10 ms[16]；存儲需求：TByte級；算力分類：基于圖像分析的AI推理能力、圖像渲染需要的計算能力屬于P級算力；網絡速率需求：50～100 Mbit/s。

2.7 生產輔助

生產輔助是指不直接從事商品生產，而是直接或間接地為基本生產車間、廠部管理部門提供服務，而進行輔助性生產和勞務供應，如機械制造企業中的動力生產、工具制造、設備維修等。可靠性需求：1×10-5；數據率需求：Mbit/s～Gbit/s；包大小：>200 Byte。

2.8 AGV導航

AGV是一種裝備有電磁或光學等自動引導裝置，能夠沿規定的導引路徑行駛，具有安全保護以及各種移載功能的運輸車。雙向、計算時延要求：50～100 ms之間[24]；發包周期：40～500 ms，數據包大小<1 500 Byte[25]。

2.9 生產設計與方案檢測

工業互聯網中的生產設計包含設計規格、模型、過程和工程數據等，將工業模塊設計成符合用戶需求的過程。生產設計是解決制造產品工藝流程的過程，根據施工工藝與生產管理一體化的要求和生產條件進行產品方案設計。方案檢測例如汽車碰撞破壞試驗，碰撞一次需要180多萬個數據，數據量和算力需求較大。

3 工業互聯網中的算力網絡部署視圖

根據工業互聯網中業務需求和數據流向[25]以及算力網絡的配給，工業互聯網內網和外網中的算力網絡部署如圖1所示。其中算力配給網絡與超算中心構成工廠外網，生產現場網絡、生產辦公網絡和園區網絡構成工廠內網。內外網均部署有連網的算力資源，工業智能任務可以根據對算力的需求和任務時延限制決策任務的處理位置。具體來說，任務時延限制指任務處理所能容忍的最大雙向時延，包括任務數據上行傳輸時延、任務數據計算時延以及結果回傳時延。由于工業外網算力網絡由遠距離超算中心組成，長距離數據傳輸導致延遲較大。據中國信通院估算，將數據任務卸載至遠程的超算中心進行分析與處理，并將計算結果回傳的雙向延遲最低設置約為50 ms。因此，任務處理雙向時延限制在50 ms以內的可在工廠內部進行處理，高于50 ms的應用可在工廠外網的超算中心處理。

圖1 工業互聯網中的算力網絡部署視圖

3.1 生產設計與方案檢測

工廠內網是指在工廠或者園區內部，滿足工廠內部生產、辦公、管理、安防等連接需求，用于生產要素互聯以及企業IT管理系統之間連接的網絡[25]。工廠內網分為生產現場網絡、生產辦公網絡和園區網絡，其中算力網絡分別部署在生產現場網和園區網中。

3.1.1 生產現場網絡

生產現場網主要負責連接現場的生產設備，為現場生產提供實時的智能服務，可支持電機等控制類業務、傳感器等采集類業務、AGV導航等連接類業務等多種業務類型。生產現場網絡包括工業總線/工業以太網、工業無線、時間敏感網絡(Time Sensitive Networking, TSN)/工業光網、5G/WiFi/低功耗廣域( Low Power Wide Area，LPWA)網以及現場級算力網絡。采用現場總線、工業以太網等有線方式和5G/WiFi等無線方式將自動光學檢測(Automated Optical Inspection，AOI)、機器人、AGV、傳感器、監控裝置、電機和智能終端等生產要素接入工廠內網。由于生產現場不斷產生海量的生產數據，而對數據的處理和分析需要大量算力，因此現場級網絡泛在部署大量的計算資源，需將大量的算力資源組網形成算力網絡，負責為現場級應用的運行提供算力和網絡資源，現場級算力網絡通過安全網關連接至生產辦公網。

3.1.2 園區網絡

企業生產辦公網絡是工廠內網中面向人與人、人與機器之間連接層級的網絡[25]。生產辦公網包括辦公網、企業私有云數據中心，對外連接園區網絡，對內通過工業以太網和光網絡連接生產現場網絡。企業私有云數據中心主要承載企業生產和日常辦公所產生的各類生產相關數據，以及制造執行系統MES、企業資源計劃系統ERP、客戶關系管理系統CRM等企業正常運行所必須的各類管理和信息系統。生產辦公網對算力需求較小，因此僅部署少量邊緣計算服務器。

3.1.3 生產辦公網絡

園區網絡是部署在工業互聯網內網以實現園區企業設備互聯和信息互通的網絡基礎設施[27]。園區網絡配備有核心交換機，連接出口路由器和安全網關到工廠外網，連接集中式的內網編排控制器，通過園區網連接園區的小型云數據中心，通過網關連接園區公共服務算力網絡，通過安全網關連接至生產辦公網絡。由于園區內存在大量監控、傳感器、車輛等物聯網設備，因此實時產生大量的數據，為實現大量園區數據的高效處理，園區網內部署大量的邊緣計算服務器，并組網形成園區公共服務算力網絡。內網編排控制器部署在園區網絡中，對內網算網資源包括園區網、生產辦公網以及生產現場網絡資源進行統一管控。內網編排控制器具有算力服務、算力建模、算力通告、算力OAM和算力路由等算力關鍵能力，算力在內網由編排控制器分配。

3.2 工廠外網算力網絡部署視圖

工廠外網是指支撐工業全周期各項活動，滿足工廠數據、應用、業務需要或者其他網絡連接需求的網絡[25]。工廠外算力網絡部署包括算力配給網絡和超算中心。為保證工廠內網和工廠外網之間的無縫銜接和融合，二者之間配備有出口路由器和安全網關，目的是在數據順利流通的同時進行有效的安全隔離，實現敏感數據不出工廠，避免受到互聯網中的惡意攻擊。

3.2.1 算力配給網絡

算力配給網連接多個超算中心，通過動態實時感知算力資源狀態，將用戶業務調度到最優的超算中心，實現算力的自由流動[26]。算力配給網負責東西部之間的數據傳輸，是東數西算的網絡動脈。算力配給網通過一系列路由器連接外網編排控制器至西部的超算中心，同時通過出口路由器和安全網關與工廠內網進行連接。外網編排控制器對算力配給網的網絡資源、超算中心的算力資源進行高效調度與分配。由于外網規模大，網絡異構性強，因此外網編配控制器采用分布式部署，具有算力服務、算力建模、算力通告、算力OAM以及算力路由等算力關鍵能力。

3.2.2 超算中心

超算中心是部署在西部，例如烏蘭察布市、甘肅慶陽市和山西陽泉市的算力生產網，具有強大的計算和存儲能力，可以為延遲要求低、算力需求高的工業應用提供強大計算能力。超算中心通過優化異構算力之間的連接結構、增加內存容量、擴展存儲容量、增加網絡帶寬、優化任務卸載策略以及計算資源分配來最大化提升超算資源的算力產出[26]。

3.2.3 內外網任務分配

根據上文中工業互聯網智能應用對算力網絡的需求，將上述智能應用分別分配到工廠內外網中計算,如表1所示。要求雙向時延在50 ms以內的放在工廠內網，高于50 ms可以放在工廠外網。

表1 工業互聯網智能應用對算力網絡的需求

4 工業互聯網中算力網絡面臨的技術挑戰

4.1 算力度量和表征

算力度量是對計算資源能力和計算任務需求進行統一的抽象描述的技術，而對工業算力網絡中異構的邏輯算力、并行算力和神經網絡算力進行一體化度量中存在以下挑戰：

① 傳統網絡度量僅需對網元的能力進行度量，而工業算力網絡中需要一體化對網元、算力、存儲能力進行一體化度量和建模；

② 考慮到工業異構算力中包括CPU、GPU、FPGA、ASIC、NPU以及TPU等不同類型的芯片，需要對不同類型的芯片算力進行統一的衡量；

③ 需結合算力路由、算力設備管理以及算力計費等需求對異構算力進行一體化表征。

4.2 算力標識

異構算力需要進行統一的標識，并結合網絡標識和業務標識來建立對應的映射關系，而在海量異構的算力網絡中如何進行標識依然存在以下問題：

① 工業外網算力資源由不同的算力服務商提供，標識符和標識體系可能存在差異，需對不同的標識體系進行對等解析；

② 新型工業內外網算力標識解析系統需與現有網絡標識解析系統互聯互通；

③ 算力標識不僅需要對算力資源提供標識服務，還需對算力服務，包括算法、智能模型提供標識服務。

④ 由于工業網絡具有極高隱私性和安全性要求，海量的工業內網算力需要對身份及權限進行細粒度管理，在技術實施上存在較大困難。

4.3 算力感知

算力感知是網絡對算力資源和算力服務的部署位置、實時狀態、負載信息、業務需求的全面感知。在算網統一度量的基礎上，構建融合用戶需求、應用需求、網絡資源和算力資源的多維度感知技術，目前工業算力資源感知依然面臨以下問題：

① 工業互聯網中海量業務的處理導致內外網算力是高動態變化的，現有算力感知技術很難實現大規模、高動態性算力資源的實時感知。

② 需針對大規模、泛在、異構的算力資源提供主動和被動的算力感知機制，包括算力通告技術和基于時空表征學習的算力發現技術。

4.4 算力智能

隨著工業智能的發展，工業算力中越來越多地部署智能應用。然而智能應用在算力網絡中訓練、部署和推理的過程中都存在著以下挑戰：

① 算力網絡中邊緣計算服務器算力受限，傳統AI模型的訓練和推理對算力需求高，因此如何實現輕量化的模型訓練和推理是亟待解決的問題。

② 工業場景需要基于實時數據對模型不斷進行訓練和改進以提高模型的精確度，為保障訓練過程的數據隱私性，提高訓練過程的效率，可采用聯邦學習技術進行模型訓練。因此，異構且分布式部署的邊緣計算服務器需協同訓練以實現高效、可靠的模型訓練。

4.5 算力路由與調度

算力路由和資源調度是基于對網絡、計算、存儲等多維資源以及服務的感知，通過對算力和網絡等多方面資源進行協同優化，按需生成任務調度方案及任務卸載路徑的技術，目前在實際應用中還存在以下問題：

① 工業算力網絡包括內網和外網多層算力資源，因此如何進行多層路由，包括多層域內路由和域間路由是亟待解決的問題；

② 工業任務的處理需要聯合調度異構的算力資源，如何針對多元業務的不同需求對異構算網資源進行一體式路由和調度存在困難；

③ 工業任務對處理時延要求極低，對可靠性要求極高，因此算力路由節點需要維護算力資源和網絡的資源實時狀態信息，同時根據業務需求生成高效可靠的路由和資源調度策略。

4.6 算力安全

工業互聯網對生產過程和數據的安全性和隱私性要求極高。而利用算力網絡中泛在、異構、海量的計算資源來為高可靠性要求的工業智能任務提供服務的過程中可能存在以下安全問題：

① 工業內網及外網的算力資源被惡意攻擊導致計算錯誤、計算結果在回傳過程中被惡意篡改導致生產事故；

② 工業數據在傳輸和計算過程中容易泄露和被篡改，尤其是將工業數據傳輸至外網算力網絡時被竊取和篡改的可能性高；

③ 工業外網算力網絡中，在多云供應商情況下，對分布式計算服務器的算力分配和算力交易進行審計和監管困難，算力資源在開放、管理與交易方面依然存在挑戰。

5 結束語

隨著工業互聯網的智能化發展，業務應該在云端還是邊端計算是需要考慮的問題；算力網絡旨在更高效地利用西部的算力資源，實現東西部協同發展，共同創造產業數字化和數字產業化新局面。算力網絡是將網絡與計算有效連接的一體化方案，它的發展是順時勢而為，如何構建工業互聯網中的算力網絡平臺是工業互聯網智能應用發展的必然要求。目前，工業互聯網中算力網絡的研究仍處于初步階段，存在許多待解決的問題。本文在調研算力網絡發展現狀和工業互聯網中智能應用對算力網絡的需求基礎上，以工業內外網為基礎構建工業互聯網中算力網絡的內外網部署模型，將智能業務按照算力和時延等需求安排在內外網進行計算，同時總結了工業互聯網中算力網絡面臨的技術挑戰，為相關領域的研究人員提供參考和幫助。