KubeEdge秋季带薪远程实习来了！2025年LFX Mentorship开启申请

LFX Mentorship 计划，由 Linux Foundation 组织，从19年开始为 CNCF 各个开源社区中的开发人员持续提供带薪实习和指导。往年已获20k+申请，发起1500+课题，毕业超千名 实习生，发放超过320万美金报酬。

**2025年秋季申请时间为 7月31日-8月12日，远程实习将从9月8日开始为期三个月。**参与到 LFX Mentorship 计划中，为开源项目做贡献、获得开源社区的认可同时，完成工作还能获取报酬 (位于中国的开发者报酬为$3000美金，约合￥20000人民币）。

今年 KubeEdge 社区在 LFX Mentorship 计划中准备了多个课题，感兴趣的读者可于8月12日前点击阅读全文 ，或到官方平台申请：mentorship.lfx.linuxfoundation.org/

KubeEdge社区介绍

KubeEdge 社区已经连续5年参与 LFX Mentorship 计划，过去已为学员提供30+个项目。KubeEdge 是业界首个云原生边缘计算框架、云原生计算基金会内部唯一毕业级边缘计算开源项目。在 GitHub 获得 8.2k+Stars 和2.3k+Fork ，吸引了全球来自35+国家的120+贡献组织及**1800+**开发者。

近年来，KubeEdge 社区持续开拓创新，完成业界最大规模云原生边云协同高速公路项目（统一管理10万边缘节点/50万边缘应用）、业界首个云原生星地协同卫星、业界首个云原生车云协同汽车、业界首个云原生油田项目，开源业界首个分布式协同 AI 框架 Sedna 及业界首个边云协同终身学习范式、开源业界首个分布式协同 AI 基准测试 Ianvs。

在 LFX Mentorship 2025秋季计划，KubeEdge 期待再次和计算机领域新生力量一起，开拓数字未来。

面向对象

秋季计划申请者需在2025年8月12日前在 LFX 官网完成 Mentee 注册及项目申请。若被接收作为 Mentee，您将能在开源社区经验丰富、积极贡献的 Mentor 指导下为开源项目做出贡献。依据官方规定[1]，对 Mentee 的申请者有以下要求:

计划开始时至少年满18周岁
所在单位和组织不禁止该实习
未参加另外的 Linux Mentorship 计划
开发者以个人身份参与（在校或已毕业均可）
具备所注册国家中工作权利且所注册国家未被计划禁止 (中国已获许可)
并非社区中高于最低限度贡献成员（如Maintainer、Recurring Contributor）
满足具体所属项目中提及的其它前置需求

课题参与方式

根据官方安排 [2]，LFX Mentorship 2025年秋季活动流程如下：

Mentee 注册与项目申请 7月31日-8月12日

申请者评审及人事工作 8月13日-8月26日
实习启动及任务发放 9月8日
中期考核及首次津贴支付 10月14日
结项考核、实习生报告提交，最终津贴支付批准 11月25日
活动结束 11月28日

申请者需要在8月12日前完成 Mentee 注册和项目申请 ，流程详见 [3]：docs.linuxfoundation.org/lfx/mentors...

实习申请结果预计将在8月27日通知到申请人。主线开发日期为2025年9月8日 -- 11月28日，**全程线上协作，无需线下参与。**结项需要在2025年9月28日前以 PR 的形式提交到项目所在的开源社区仓库中并完成合并。

KubeEdge课题

最后，向各位申请者推荐 CNCF KubeEdge 社区下列课题：

▍KubeEdge: Deep Integration with AMD Edge Nodes (2025 Term 3)

课题描述：

AMD 芯片凭借其强大的 x86 架构、卓越的计算性能和先进的 NPU，在工业自动化、车载系统和高性能边缘计算等领域展现出显著潜力。将 AMD 强大的通用和异构计算能力引入 KubeEdge 生态系统，对于处理日益复杂和延迟敏感的边缘 AI 应用至关重要。

然而，KubeEdge 与 AMD 高性能边缘平台之间的深度集成、性能优化和最佳实践，特别是它们内置的 NPU 和其他硬件加速单元，仍需系统性的探索和验证。本项目旨在建立 KubeEdge 与 AMD 边缘节点之间的完整链接，从硬件部署到 NPU 加速构建一个综合的边缘计算解决方案，从而极大丰富 KubeEdge 的硬件生态系统。

预计输出件：

支持 KubeEdge 边缘节点运行在 AMD 芯片上，并成功部署边缘应用
通过 KubeEdge 调度和管理 AMD NPU 资源，以实现边缘 AI 推理应用的性能加速
实现节点、应用和 NPU 的监控和指标收集
使用 KubeEdge 实现从云到 AMD 边缘节点的完整平台设置、配置和管理
完成硬件兼容性测试，并输出技术文档或博客

前置技能：

KubeEdge, Go, Linux, Hardware Integration, AI/ML

课题导师：

Hongbing Zhang (@HongbingZhang)

hongbing.zhang@daocloud.io

Shelley Bao (@Shelley-BaoYue)

baoyue2@huawei.com

课题链接： mentorship.lfx.linuxfoundation.org/project/150...

Github Issue： github.com/kubeedge/ku...

▍KubeEdge: Device Anomaly Detection Framework (2025 Term 3)

课题描述：

当前的 KubeEdge 平台使用三种状态来表示设备状态：期望状态、观察到的期望状态和报告状态。平台上显示的设备状态完全依赖于 Mapper，该组件负责从设备端收集和报告数据。然而，由于 Mapper 实现的局限性、物理设备故障、网络延迟以及潜在的网络攻击，平台上显示的设备状态可能无法准确反映设备的实际状态。

在 KubeEdge 平台中，如果应用程序依赖于设备状态进行决策，那么状态表示的不一致可能导致不良后果。因此，本项目旨在为 KubeEdge 设计一个设备状态异常检测框架。通过探索设备状态之间的因果关系，该框架将建立轻量级的异常检测能力，并提供一个全面的工具链，包括数据收集、模型训练、实时异常检测和结果可视化。

预计输出件：

通用的设备异常检测框架，支持用户自定义的检测算法
完整的技术设计文档，包括模型选择、训练流程，以及训练和在线检测组件的详细架构图
机器学习模型及相应的异常检测算法，能够捕捉设备状态之间的因果关系，并使用标准框架进行训练和测试
集成到 KubeEdge 设备状态报告工作流程中的在线异常检测模块，通过模型推理钩子实现实时分析

前置技能：

KubeEdge, IoT，Machine Learning

课题导师：

Liwei Shen (@meixiezichuan)

shenliwei@fudan.edu.cn

Elias Wang (@wbc6080)

wangbincheng4@huawei.com

课题链接： mentorship.lfx.linuxfoundation.org/project/8cf...

Github Issue： github.com/kubeedge/ku...

▍KubeEdge: Deploy Small Language Models & OPEA Integration (2025 Term 3)

课题描述：

KubeEdge 作为一个基于 Kubernetes 生态系统构建的本地边缘计算平台，提供了可靠的云边通信、边缘自治和物联网设备集成等能力。然而，其在边缘支持智能模型的能力尚未在实际场景中得到系统验证和实践。本研究旨在探讨使用 KubeEdge 在边缘节点上部署和运行小语言模型的可行性和性能。

预计输出件：

验证 KubeEdge 在边缘的模型部署能力。在边缘节点上部署和测试 vLLM 和 llama.cpp 等模型引擎，并提供实际示例和详细文档，以便部署小型语言模型
探索 KubeEdge 与 OPEA 平台之间的集成方案。将 KubeEdge 与 OPEA 的模型注册中心和工作流调度器连接，以支持从云到边缘节点的自动化模型分发和部署

前置技能：

KubeEdge, LLM, Golang, Python

课题导师：

Hongbing Zhang (@HongbingZhang)

hongbing.zhang@daocloud.io

Elias Wang (@wbc6080)

wangbincheng4@huawei.com

课题链接： mentorship.lfx.linuxfoundation.org/project/2e9...

Github Issue： github.com/kubeedge/ku...

▍KubeEdge: Comprehensive Example Restoration for Ianvs (2025 Term 3)

课题描述：

Ianvs 是 KubeEdge SIG AI 的分布式基准测试工具包，随着越来越多的贡献者参与，目前已有 25 个示例，且数量仍在增加。然而，由于依赖关系的演变和验证机制的影响，KubeEdge Ianvs 面临着日益突出的可用性问题。

随着合作社区 Python 版本、第三方库和 Ianvs 特性的改进，部分历史示例无法执行。这导致用户报告的问题增多、贡献者时感困惑、未经测试 PR 影响特性功能、过时文档与实际能力不符等。如果不进行干预，这些示例可能会对边缘 AI 开发者，尤其是新手，带来开发阻碍。因此，我们尝试通过优化示例来提升 Ianvs 的可用性。

预计输出件：

发现和修复示例中的错误，包括依赖清单、License 扫描和运行时配置
文档优化，包括重新设计教程，提供可复现的逐步指南，并发布面向开发者的调试手册，以应对常见故障
构建一个 CI 流水线，使用 GitHub Actions 测试多个 Python 版本下的示例，关键的 Ianvs/Upstream 更新，并阻止破坏经过验证示例的 PR

**前置技能：

Python, Benchmark, KubeEdge-Ianvs, AI/ML

课题导师：

Zimu Zheng (@MooreZheng)

zimu.zheng@huawei.com

Shijing Hu (@hsj576)

sjhu21@m.fudan.edu.cn

课题链接： mentorship.lfx.linuxfoundation.org/project/82d...

Github Issue： github.com/kubeedge/ia...