越来越多的 "连接" 设备产生了过多的数据, 随着物联网 (IoT) 技术和用例在未来几年的发展, 这种情况将继续存在. 根据研究公司 Gartner 的数据, 到 2020 年, 将有多达 200 亿台连接设备为每位用户生成数十亿字节的数据. 这些设备不仅仅是智能手机或笔记本电脑, 还包括联网汽车, 自动售货机, 智能可穿戴设备, 手术医疗机器人等等.
由无数类型的此类设备生成的大量数据需要推送到集中式云以进行保留(数据管理), 分析和决策. 然后, 再将分析的数据结果传回设备. 这种数据的往返消耗了大量网络基础设施和云基础设施资源, 进一步增加了延迟和带宽消耗问题, 从而影响关键任务物联网使用. 例如, 在自动驾驶的连接车中, 每小时产生了大量数据;, 数据必须上传到云端, 进行分析, 并将指令发送回汽车. 低延迟或资源拥塞可能会延迟对汽车的响应, 严重时可能导致交通事故.
物联网边缘计算
这就是边缘计算的用武之地. 边缘计算体系结构可用于优化云计算系统, 以便在网络边缘执行数据处理和分析, 更接近数据源. 通过这种方法, 可以在设备本身附近收集和处理数据, 而不是将数据发送到云或数据中心.
边缘计算的好处:
边缘计算可以降低传感器和中央云之间所需的网络带宽(即更低的延迟), 并减轻整个 IT 基础架构的负担.
在边缘设备处存储和处理数据, 而不需要网络连接来进行云计算. 这消除了高带宽的持续网络连接.
通过边缘计算, 端点设备仅发送云计算所需的信息而不是原始数据. 它有助于降低云基础架构的连接和冗余资源的成本. 当在边缘分析由工业机械生成的大量数据并且仅将过滤的数据推送到云时, 这是有益的, 从而显着节省 IT 基础设施.
利用计算能力使边缘设备的行为类似于云类操作. 应用程序可以快速执行, 并与端点建立可靠且高度响应的通信.
通过边缘计算实现数据的安全性和隐私性: 敏感数据在边缘设备上生成, 处理和保存, 而不是通过不安全的网络传输, 并有可能破坏集中式数据中心. 边缘计算生态系统可以为每个边缘提供共同的策略(可以以自动方式实现), 以实现数据完整性和隐私.
边缘计算的出现并不能取代对传统数据中心或云计算基础设施的需求. 相反, 它与云共存, 因为云的计算能力被分配到端点.
网络边缘的机器学习
机器学习 (ML) 是边缘计算的补充技术. 在机器学习中, 生成的数据被送到 ML 系统以产生分析决策模型. 在物联网和边缘计算场景中, 机器学习可以用两种方法实现.
第一种方法: ML 算法需要巨大的计算能力才能在云中产生决策. 从边缘收集的数据将被送到 ML 系统, 在那里将产生一个学习分析的决策模型, 然后将这个模型推送到网络的边缘. 通过这种方式, 可以在所有边缘设备上进行分析决策. 在此模型中, 边缘设备将用于收集, 分析和在云中采取行动, 从而增强智能.
第二种方法: 如果端点设备向云中的 ML 系统发送传感器生成的数据, 则 ML 系统将花费大量的时间来传输和处理数据, 以生成分析决策. 为此, 可以引入智能机器学习或人工智能 (AI) 芯片, 而端点设备将数据发送到云端, 仅用于存储目的. 使机器学习能力在网络的边缘需要较少的计算能力.
边缘计算和物联网
边缘计算与机器学习技术一起为物联网为未来通信的敏捷性奠定了基础. 即将推出的 5G 电信网络将为物联网用例提供更先进的网络. 除了高速低延迟数据传输外, 5G 还将提供基于移动边缘计算 (MEC) 的电信网络, 实现边缘服务和资源的自动实施和部署. 在这场革命中, 物联网设备制造商和软件应用程序开发人员将更加渴望利用边缘计算和分析. 我们将看到更多智能物联网用例以及智能边缘设备的增加.
来源: http://iot.51cto.com/art/201809/582631.htm