什么是边缘计算

边缘计算 1.什么是边缘计算

边缘计算是指在用户或数据源的物理位置或附近进行的计算，可以降低延迟，节省带宽。简单来讲，边缘计算是将从终端采集到的数据，直接在靠近数据产生的本地网络设备或网络中进行分析，无需再将数据传输到云端数据处理中心。

在云计算模式中，计算资源和服务通常集中在大型数据中心内，而最终用户则是在网络的边缘访问这些资源和服务。这种模型已被证实具有成本优势和更高效的资源共享功能。但是，新型最终用户体验（如物联网）则需要计算能力更接近物理设备或数据源的实际位置，即网络的"边缘"。

通过使计算服务靠近这些位置，用户能够得到更快速可靠的服务，获得更好的用户体验，公司则能够更好地处理数据，支持对延迟敏感的应用，以及利用 AI/ML 分析等技术识别趋势并提供更好的产品和服务。

2.边缘计算的例子

1、计算密集型工作负载

2、数据聚合与存储

3、人工智能/机器学习

4、协调跨地区的运维

5、传统后端处理

5、自动驾驶汽车

6、增强现实/虚拟现实

7、智慧城市

在减少延迟、进行实时监控都可以使用边缘计算

比如：移动技术

当移动计算出现问题时，通常的原因是延迟问题和服务故障。边缘计算可通过减少信号传播延迟来帮助解决迫切的延迟约束问题。另外，它还可以将服务故障限制在较小的区域或用户群中，或在面对间歇性网络连接的情况下仍可以提供一定的服务持续性。

3、边缘计算应用场景

许多边缘用例都源于在本地实时处理数据的需要，因为某些真实应用场景中，将数据传输到数据中心进行处理会导致不可接受的延迟。

制造业

现代化的制造厂就是因为实时数据处理需求而要实施边缘计算的一个例子。在工厂车间，物联网（IoT）传感器不断生成稳定的数据流，用于防止故障发生和改善运维。据估计，一个拥有 2000 台设备的现代化工厂每月可产生 2200 兆字节数据。在设备附近处理这些海量数据（而不是传输到远程数据中心再处理）速度会更快，成本会更低。但是，设备仍然需要通过一个集中的数据平台进行连接。这样一来，设备就可以接受标准化的软件更新，并共享过滤后的数据，帮助改善其他工厂地点的运维。

汽车行业

车联网是边缘计算的另一个常见例子。公共汽车和火车都会配备计算机，以跟踪客流和服务交付。送货员可以通过卡车上配备的技术找到最高效的路线。当使用边缘计算策略进行部署时，车队中的每辆车都运行相同的标准化平台解释云计算应用，这使得服务更加可靠，并确保数据能得到统一保护。

更进一步的是自动驾驶车辆，这是边缘计算的另一个例子，其中的关键是在网络连接可能不一致的情况下，如何处理大量实时数据。由于数据量巨大，类似无人驾驶汽车这样的自动驾驶车辆会处理车辆自身的传感器数据，以减少延迟。但这些车辆仍然可以连接到中央位置进行无线软件更新。

通信行业

边缘计算也有助于使流行的互联网服务保持快速运行。内容交付网络（CDN）将数据服务器部署在靠近用户的地方，从而使繁忙的网站能快速加载，并支持快速视频流服务。

边缘计算的另一个例子就是我们身边的 5G 基站。电信服务提供商越来越多地应用网络功能虚拟化（NFV）来运行网络，即在网络边缘使用在标准硬件上运行的虚拟机。这些虚拟机可以取代昂贵的专有设备。边缘计算策略使提供商能在数以万计的远程地点保持软件的稳定运行，同时严守统一的安全标准。在移动网络中，应用靠近终端用户运行还可以减少延迟，有助于供应商提供新服务。

4、边缘计算的优势

边缘计算意味着能以较低的成本提供更快、更稳定的服务。对于用户而言，边缘计算可以带来更快、更一致的体验。对于企业和服务提供商而言，边缘计算能够实现具有实时监控功能的低延迟、高可用性应用。

边缘计算可以降低网络成本、避免带宽限制、减少传输延迟、限制服务故障，并对敏感数据的传输提供更好的控制。加载时间得到了缩短，部署在用户附近的在线服务能同时支持动态和静态缓存功能。

边缘计算所带来的较少的响应时间，使得增强现实和虚拟现实等应用更便于施展拳脚。

边缘计算能带来的其他优势还包括：能够进行现场大数据分析和聚合，进而实现近乎实时的决策制定。边缘计算可以在本地实现上述所有计算能力，使企业能够执行安全实践或满足监管政策的要求，从而进一步降低泄露敏感数据的风险。

边缘计算还能带给企业客户更多弹性并节省成本。通过在本地实现计算能力，即使某些原因导致核心站点停止运行，区域站点仍能独立于核心站点继续工作。让计算处理能力更接近数据源，还可以大幅降低在核心和区域站点之间来回传输数据时所用带宽的成本。

边缘平台可以帮助实现运维和应用开发的一致性。边缘平台应支持互操作性，以便容纳更多硬件和软件环境组合，而非数据中心。有效的边缘战略还允许来自多个供应商的产品在开放的生态系统中协同工作。

5、边缘计算和数据分析

边缘计算强调数据收集和实时计算，有利于推动数据密集型智能应用的成功。举例来说，人工智能/机器学习（AI/ML）任务，如图像识别算法，在靠近数据源的地方能更有效地运行，无需将大量数据传输到集中的数据中心。

这些应用采取许多数据点的组合，并利用这些数据点推断出更高价值的信息，以帮助企业做出更优决策。这种功能可以改善多种业务互动，如客户体验、预防性维护、预防欺诈、临床决策等。

通过将每个传入的数据点视为事件，企业可以应用决策管理和 AI/ML 推理技术来过滤、处理、限定和组合事件，以推导出高阶信息。

数据密集型应用可以被分解成一系列阶段，每个阶段在 IT 环境的不同部分执行。边缘在数据获取阶段（即数据收集、预处理和传输时）开始发挥作用。然后，数据经过工程和分析阶段（通常在公共云或私有云环境中）进行存储和转换，再用于机器学习模型训练。之后数据再回到边缘的运行时推理阶段，此时就能够供应和监控这些机器学习模型。

混合云方法在公有云和私有云之间提供了一致的体验，使我们能够灵活地优化部署环境边缘的数据采集和智能推理工作负载、跨云环境的资源密集型数据处理和训练工作负载，以及接近业务用户的业务事件和洞察管理系统。

边缘计算 VS 云计算

（编辑：成都站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!