有些人認為邊緣計算是數據采集或本地數字過程控制的一種美化形式。然而，邊緣遠不止這些。

邊緣涉及許多數據源，通常位于地理分布的位置。但請記住，這些數據的聚合是價值和洞察力的關鍵。對這些數據的分析發生在核心數據中心，并且通常需要在邊緣位置完成由所得見解指導的行動。這意味著邊緣系統面臨的一個令人驚訝的挑戰是不僅 從 邊緣到核心的高效流量，而且還可以再次返回。

這一切發生的規模也是一個問題。邊緣源的傳入數據通常非常大；來自大量邊緣位置的大量數據可以創建真正大量的數據。

處理邊緣計算極端規模的一個典型例子是 自動駕駛汽車的開發。汽車制造商需要訪問全球數據，每天處理數 PB級的數據。他們還必須滿足關鍵的關鍵績效指標 (KPI)，包括衡量從測試汽車收集數據需要多長時間、處理多長時間以及提供洞察需要多長時間。

當然，并非所有邊緣系統都涉及這種極端規模的數據，但大多數邊緣情況涉及太多數據，無法將其全部從邊緣傳輸到中心數據中心。這意味著在將數據發送到核心之前，必須在邊緣處理和減少數據。這種類型的數據分析、建模和數據移動必須大規模有效地協調。

為了更好地理解邊緣系統的挑戰，讓我們深入研究邊緣、核心和中間發生的事情。 

活動在邊緣

邊緣計算通常涉及多個位置的系統，每個系統都進行數據攝取、臨時數據存儲，并在傳輸到核心數據中心之前運行多個應用以減少數據。在圖 1 的左半部分說明了這些任務。

 圖 1.邊緣和核心需要做什么以及它們之間復雜交互的圖形清單。

分析應用程序用于預處理和數據簡化。人工智能和機器學習模型也被用于數據簡化，例如決定哪些數據是重要的，應該傳遞給核心數據中心。此外，模型允許智能行動發生在邊緣。另一個典型的邊緣需求是弄清楚發生了哪些步驟以及創建了哪些數據文件。

所有這一切都必須發生在許多地方，沒有一個地方會有大量的現場管理，因此邊緣硬件和軟件必須是可靠的和遠程管理的。有了這些需求，自我修復軟件就是一個巨大的優勢。

訓練 AI 模型等——核心

發生在核心的活動，如圖1的右側所示，類似于邊緣過程，但具有全局視角，使用來自許多邊緣位置的集體數據。這里的分析可以更加深入。這就是深度歷史數據用來訓練人工智能模型的地方。與邊緣位置一樣，核心包含已執行的操作和已創建的數據清單。核心也是與邊緣系統目標之下的高級業務目標進行連接的地方。

核心數據基礎設施必須滿足具有挑戰性的要求，因為來自所有邊緣系統的數據都匯聚于此。來自邊緣的數據（或來自核心處理和建模的數據）可能非常龐大，也可能包含大量文件。基礎設施在處理大規模對象數量和數據量方面必須是穩健的。

當然，分析和模型開發工作流程是迭代的。隨著組織從全球邊緣數據聚合中學習，新的 AI 模型被生成和更新。此外，還開發了必須部署在邊緣的分析應用程序。這就引出了下一個話題，即邊緣和核心之間需要發生什么。

在邊緣和核心之間移動的流量

正如圖 1列出了邊緣或核心的關鍵活動一樣，它也顯示了二者之間的關鍵交互：數據的移動。顯然，系統需要將吸收和減少的數據從邊緣位置移到核心位置進行最終分析。然而，人們有時會忽視一個意想不到的旅程:將新的人工智能和機器學習模型或更新核心團隊開發的分析程序帶回邊緣。

此外，分析師、開發人員和數據科學家有時需要檢查一個或多個邊緣位置的原始數據。從核心直接訪問邊緣位置的原始數據非常有幫助。 

幾乎所有的大規模數據移動都應該使用數據基礎設施來完成，但直接訪問在邊緣或核心運行的服務會很有用。安全服務網格對于這個過程很有用，特別是如果它們使用現代的零信任工作負載身份驗證方法，例如 SPIFFE 協議。

現在我已經確定了在邊緣、核心和中間發生了什么，讓我們看看數據基礎設施需要做什么才能使這成為可能。

HPE Ezmeral Data Fabric：從邊緣到核心再返回 

HPE 以其出色的硬件而聞名，包括 Edgeline 系列（專為在邊緣使用而設計）。然而，HPE 還生產與硬件無關的 HPE Ezmeral Data Fabric 軟件，旨在從邊緣延伸到核心，無論是在本地還是在云中。

HPE Ezmeral Data Fabric 可讓您簡化系統架構并優化資源使用和性能。圖 2 顯示了如何使用數據結構的功能來應對邊緣計算的挑戰。

圖 2：深入了解HPE Ezmeral Data Fabric?如何支持圖 1 中列出的從邊緣到核心再返回的操作和流程。三角形代表全局命名空間 ，在數據中心工作的團隊可以遠程訪問仍處于邊緣的數據。 

計算可以在邊緣或核心使用 Kubernetes 來管理容器化應用。HPE Ezmeral Data Fabric 為此類應用提供數據層。借助 HPE Ezmeral Data Fabric的 全局命名空間，在數據中心工作的團隊可以遠程訪問仍處于邊緣的數據。