物聯網(IOT)設備的普及是邊緣計算的最大驅動力；反過來，邊緣技術正在物聯網框架內創建新的應用程序。

為了使物聯網工作，需要許多不同的傳感器和微處理器，它們集成在物聯網設備中，隨時隨地生成的大量信息，而這些信息必須盡可能實時地進行處理。

然而，對于傳統的網絡架構，這將變得越來越困難，因為數據必須遠程傳輸到中央數據中心。僅此一點就會產生一定延遲，此外，數據中心還面臨著越來越多的數據處理負擔，因為信息的增長速度超過了其容量。并且在處理后，必須將處理結果傳輸到物聯網設備，這將花費更多時間。

此外，物聯網移動設備通常無法在任何地方(例如無人機或無人車輛)進行高性能的無線通信，這將導致進一步的延遲甚至停機，因此，不可能對新的要求作出快速反應。

[[250375]]

邊緣計算應用案例

自動駕駛汽車就是一個很好例子：在道路上行駛，不專心的行人走到車前，雖然自動駕駛汽車的內置攝像頭可以識別此人，但必須先將圖像發送到中央數據中心進行處理，然后再將制動控制傳輸到汽車上。在這種情況下，反應有點太遲了。

因此，汽車行業正在將處理器安裝在車輛中，這些車輛可以立即處理攝像機圖像并實時應對意外危險。這就是邊緣計算，它包括在數據出現的位置或附近對數據進行處理——聯網汽車，每輛自動駕駛汽車現在每天都可以產生和使用數TB的數據信息。

當然，這種分散數據處理的優點也已被各種其他行業所認可，例如，在制造業中，網絡設備生成的數據也必須盡快處理，這樣，機器就可以立即適應新的生產要求，或者檢測出故障部件并進行前瞻性維修。

此外，透過網絡將此物聯網產生的數據傳送到中央數據中心或云端可能非常耗時，從而導致延遲甚至數據丟失。相比之下，邊緣計算允許實時處理和分析所有數據，從而提高一致性和響應時間。根據Gartner的報告，由于這些優勢，到2022年，在集中式數據中心或云系統之外創建和處理數據的比例預計將從目前的10%增長到50%。

數據中心拓展

但是，邊緣計算很少是一個獨立的解決方案，通常用作數據中心的擴展。雖然該技術非常適合快速數據處理，但它存儲的數據并不多，因此無法識別長期趨勢或執行全面分析。

因此，數據在邊緣進行處理、匯總和壓縮，然后定期收集并傳輸到中央數據中心。這會記錄和存儲信息，然后作為大數據分析的一部分對其進行評估，這可用于優化流程或開發新的解決方案。

一個具體應用實例是警察的執法記錄儀。在這里，記錄儀上便攜式微型計算機或攝像頭本身可以壓縮和編碼捕獲的視頻，然后將它們發送到本地邊緣中心，以加速上載過程并減輕中央網絡的負載。

零售服務點(pos)機器也可以從這一過程中受益，例如，將客戶的購物數據發送到執行必要檢查和交易的邊緣計算機，這不僅加快了這個過程，它還消除了通過網絡發送敏感信息的可能性，并減少了使其遭受攻擊的可能性。

安全

邊緣計算不會比傳統架構更安全，因此，企業還需要針對此方法執行風險分析并設計整體安全體系結構。

一方面，邊緣計算可以提高數據來源和去向的透明度，從而簡化安全管理。在中央數據中心或云系統的情況下，對于資源不足的企業來說，高流量可能難以監控，而網絡罪犯分子也可以利用這一點來秘密攔截數據。因此，邊緣計算通常可以更好地控制這些連接及其安全性。

另一方面，更多數量的傳感器也增加了攻擊面，所以需要保護更多連接點。因此，企業需要更嚴格的修補程序管理，它可以快速復制并傳輸到收集和發送數據的各種傳感器。如果傳感器沒有適當的安全保護，黑客可能會攻擊它們并嚴重破壞物聯網系統，例如在連網汽車上遠程操縱剎車。同時，黑客可以通過未修補的漏洞入侵企業網絡，或將物聯網設備合并到僵尸網絡中以執行DDoS攻擊。

這意味著，只有采取全面的安全措施，企業才能從物聯網和邊緣計算中獲益。此外，安全的邊緣解決方案還允許新的物聯網應用程序在現場處理更多數據，并能更快地響應新的復雜要求。在不久的將來，會出現真正智能的機器人、無人機、機器和汽車;也許有一天，還會出現完全自主學習的物聯網邊緣系統。