边缘计算带宽取舍：压缩还是预筛

把全部原始流都拉回中心云，链路成本通常先扛不住。边缘计算真正省带宽，不是少传一点，而是先决定哪些信息根本不必传。

特征上送压缩的价值在于把高维原始流变成低维表示，但压缩链路本身也会制造新成本。图像、音频或振动信号在端侧做编码时，要付出算力、缓存和等待时间；若压缩太激进，丢掉的细节会让中心侧无法复现故障现场。对工业相机来说，传整帧和传特征图不是等价方案：前者占带宽，后者占解释能力，选择哪一个要看业务是否需要事后复盘。边缘计算里的压缩，应该围绕“可诊断性”做，而不是围绕文件体积做。

边缘预筛选解决的是更前面的过滤问题。许多场景真正有价值的，不是每秒每帧都上传，而是异常出现前后那一小段。若端侧先完成阈值筛选、目标分类或事件检测，只把异常片段和必要元数据上传，就能把带宽从连续消耗变成事件消耗。这样做的前提，是本地检测足够可信；如果边缘模型本身误报高，预筛选反而会把错误筛成“唯一真相”。

特征压缩还会带来版本绑定。今天上传的特征可能只能被当前中心模型解释，等模型升级后，旧特征未必还能重新判读；原始片段虽然占带宽，却保留了二次分析能力。工程上常见的折中，是对普通事件只上传特征和少量截图，对高风险事件保留短时原始窗口。这样既能降低持续链路占用，又不会把事故复盘能力完全交给端侧模型。

预筛选的风险主要是漏报。阈值设得太严，链路省下来了，真实异常却在本地被丢弃；阈值设得太松，上传风暴又会回来。更稳妥的做法，是给低置信样本留一条抽样通道，定期上传少量被筛掉的片段，用来校验本地筛选是否偏移。若现场光照、设备角度或工艺批次发生变化，抽样通道能比用户投诉更早暴露筛选边界失效。

压缩和预筛并不冲突，但应有先后。先在端侧用轻量模型筛掉无效数据，再对剩下片段做特征压缩或裁剪，通常比一上来就对全部原始流做编码更省总成本。若带宽严重受限，还可以把历史片段按优先级分层：报警前后的关键窗口完整保留，普通背景只存摘要。上传重试也要限时，不能让失效网络把本地缓存慢慢拖满。

压缩策略还要考虑中心侧计算。上传特征后，中心平台不再拥有完整原始数据，后续算法只能在端侧定义的表示上工作；如果多个边缘节点使用不同模型版本，特征含义还可能不一致。为避免这种版本裂缝，特征包应带上模型版本、前处理参数和时间戳。需要跨节点比对的场景，最好保留统一的低分辨率缩略图或关键统计量，作为中心侧复核基准。

预筛选结果也要能被审计。端侧判定为无效的数据虽然不上传，但系统仍应保存一定比例的抽样摘要，用于检测筛选规则是否漂移。若某个现场的抽样摘要长期接近阈值，说明本地规则可能已经不适配，继续强行筛掉会增加漏报风险。带宽节省不能以失去可验证性为代价。

验证时不要只看平均带宽，要看异常风暴时链路是否被打爆。把正常、轻异常和连续异常三种状态分别跑通，才能知道省带宽究竟省在传输侧，还是省在了错误丢失上。边缘计算的节省，首先是信息选择，其次才是编码。