越來越多的“連接”設備產生了過多的數據，隨著物聯網(IoT)技術和用例在未來幾年的發展，這種情況將繼續存在。根據研究公司Gartner的數據，到2020年，將有多達200億臺連接設備為每位用戶生成數十億字節的數據。這些設備不僅僅是智能手機或筆記本電腦，還包括聯網汽車，自動售貨機，智能可穿戴設備，手術醫療機器人等等。

[[242312]]

由無數類型的此類設備生成的大量數據需要推送到集中式云以進行保留(數據管理)，分析和決策。然后，再將分析的數據結果傳回設備。這種數據的往返消耗了大量網絡基礎設施和云基礎設施資源，進一步增加了延遲和帶寬消耗問題，從而影響關鍵任務物聯網使用。例如，在自動駕駛的連接車中，每小時產生了大量數據;，數據必須上傳到云端，進行分析，并將指令發送回汽車。低延遲或資源擁塞可能會延遲對汽車的響應，嚴重時可能導致交通事故。

物聯網邊緣計算

這就是邊緣計算的用武之地。邊緣計算體系結構可用于優化云計算系統，以便在網絡邊緣執行數據處理和分析，更接近數據源。通過這種方法，可以在設備本身附近收集和處理數據，而不是將數據發送到云或數據中心。

邊緣計算的好處：

• 邊緣計算可以降低傳感器和中央云之間所需的網絡帶寬(即更低的延遲)，并減輕整個IT基礎架構的負擔。
• 在邊緣設備處存儲和處理數據，而不需要網絡連接來進行云計算。這消除了高帶寬的持續網絡連接。
• 通過邊緣計算，端點設備僅發送云計算所需的信息而不是原始數據。它有助于降低云基礎架構的連接和冗余資源的成本。當在邊緣分析由工業機械生成的大量數據并且僅將過濾的數據推送到云時，這是有益的，從而顯著節省IT基礎設施。
• 利用計算能力使邊緣設備的行為類似于云類操作。應用程序可以快速執行，并與端點建立可靠且高度響應的通信。
• 通過邊緣計算實現數據的安全性和隱私性：敏感數據在邊緣設備上生成，處理和保存，而不是通過不安全的網絡傳輸，并有可能破壞集中式數據中心。邊緣計算生態系統可以為每個邊緣提供共同的策略(可以以自動方式實現)，以實現數據完整性和隱私。

邊緣計算的出現并不能取代對傳統數據中心或云計算基礎設施的需求。相反，它與云共存，因為云的計算能力被分配到端點。

網絡邊緣的機器學習

機器學習(ML)是邊緣計算的補充技術。在機器學習中，生成的數據被送到ML系統以產生分析決策模型。在物聯網和邊緣計算場景中，機器學習可以用兩種方法實現。

• ***種方法：ML算法需要巨大的計算能力才能在云中產生決策。從邊緣收集的數據將被送到ML系統，在那里將產生一個學習分析的決策模型，然后將這個模型推送到網絡的邊緣。通過這種方式，可以在所有邊緣設備上進行分析決策。在此模型中，邊緣設備將用于收集，分析和在云中采取行動，從而增強智能。
• 第二種方法：如果端點設備向云中的ML系統發送傳感器生成的數據，則ML系統將花費大量的時間來傳輸和處理數據，以生成分析決策。為此，可以引入智能機器學習或人工智能(AI)芯片，而端點設備將數據發送到云端，僅用于存儲目的。使機器學習能力在網絡的邊緣需要較少的計算能力。

邊緣計算和物聯網

邊緣計算與機器學習技術一起為物聯網為未來通信的敏捷性奠定了基礎。即將推出的5G電信網絡將為物聯網用例提供更先進的網絡。除了高速低延遲數據傳輸外，5G還將提供基于移動邊緣計算(MEC)的電信網絡，實現邊緣服務和資源的自動實施和部署。在這場革***，物聯網設備制造商和軟件應用程序開發人員將更加渴望利用邊緣計算和分析。我們將看到更多智能物聯網用例以及智能邊緣設備的增加。

原文鏈接：

http://www.futuriom.com/articles/news/what-is-edge-computing-for-iot/2018/08