云原生+AI，把卫星遥感虐的死去活来

在Docker容器技术即将统治世界的趋势下，作为地理遥感领域的AI处理解译平台，华为云GeoGenius空天地平台，早已开始全面的云原生方向转型。本文总结大规模遥感影像处理在云原生平台的落地经验，期间各种性能并发等场景优化经验有不少借鉴意义，与各遥感同行分享。

本文作者：唐盛军，华为云城市智能体架构师，拥有多年开发经验，先后从事：网络协议识别&解析、业务控制网关等网络协议相关工作；13年开始转战云计算，熟悉OpenStack，CloudFoundry，Docker，Kubernetes实现原理，精通常见的物理&云网络技术。目前负责容器业务产品化，如：遥感，基因，大数据，AI等

AI牛啊，云原生牛啊，所以1+1>2？

遥感影像，作为地球自拍照，能够从更广阔的视角，为人们提供更多维度的辅助信息，来帮助人类感知自然资源、农林水利、交通灾害等多领域信息。

AI技术，可以在很多领域超过人类，关键是它是自动的，省时又省力。可显著提升遥感影像解译的工作效率，对各类地物元素进行自动化的检测，例如建筑物，河道，道路，农作物等。能为智慧城市发展&治理提供决策依据。
云原生技术，近年来可谓是一片火热。易构建，可重复，无依赖等优势，无论从哪个角度看都与AI算法天生一对。所以大家也可以看到，各领域的AI场景，大都是将AI推理算法运行在Docker容器里面的。AI+云原生这么6，那么强强联手后，地物分类、目标提取、变化检测等高性能AI解译不就手到擒来？我们也是这么认为的，所以基于AI+Kubernetes云原生，构建了支持遥感影像AI处理的空天地平台。详见：https://www.huaweicloud.com/product/geogenius.html

不过理想是好的，过程却跟西天取经一般，九九八十一难，最终修成正果。

业务场景介绍

遇到问题的业务场景叫影像融合（Pansharpen），也就是对地球自拍照进行“多镜头合作美颜”功能。（可以理解成：手机的多个摄像头，同时拍照，合并成一张高清彩色大图）。
所以业务简单总结就是：读取2张图片，生成1张新的图片。该功能我们放在一个容器里面执行，每张融合后的结果图片大约5GB。

问题的关键是，一个批次业务量需要处理的是3000多张卫星影像，所以每批任务只需要同时运行完成3000多个容器就OK啦。云原生YYDS！

业务架构图示

为了帮助理解，这里分解使用云原生架构实现该业务场景的逻辑图如下：
图片
在云上，原始数据，以及结果数据，一定是要存放在对象存储桶里面的。因为这个数据量，只有对象存储的价格是合适的。（对象存储，1毛钱/GB。文件存储则需要3毛钱/GB）

因为容器之间是互相独立无影响的，每个容器只需要处理自己的那幅影像就行。例如1号容器处理 1.tif影像；2号容器处理2.tif影像；依次类推。

所以管理程序，只需要投递对应数量的容器（3000+），并监控每个容器是否成功执行完毕就行（此处为简