在討論這個被忽視的關鍵好處之前，讓我們先定義什么是邊緣計算和云計算。
云計算與邊緣計算
“云計算是計算機系統資源的按需可用性，特別是數據存儲（云存儲）和計算能力，而無需用戶直接主動管理”。（維基百科）“邊緣計算是一種分布式計算范式，它使計算和數據存儲更接近需要的位置，以提高響應時間和節省帶寬”。（維基百科）
在云計算時代之前，企業必須自己購買物理服務器來獲得所需的計算能力和存儲，前期投入和后期管理是十分昂貴的（購買所有的硬件和設置、維護和更新）。云計算的誕生，意味著企業不再需要購買和管理硬件，企業可以支付所需費用，云服務商來負責管理。
云計算產生了深遠的影響，為企業提供了可擴展性、可靠性、安全性和易用性。然而，云計算并不是完美的，需要權衡利弊。
云計算是集中化的，這意味著無論終端設備（例如智能手機）位于何處，數據都需要通過網絡（如4G蜂窩連接）從終端設備傳輸到云提供商的數據中心，然后再反向操作，到達終端設備。對于需要快速傳輸大量數據的應用程序，這可能既緩慢又昂貴。
這就是邊緣計算的用武之地。為了了解邊緣計算的好處，通常以自動駕駛車輛為例：
延遲：自動駕駛車輛需要在瞬間做出決定。如果一輛車在你面前突然轉彎，你會希望你的車不得不等待從遠處云端得到指示嗎？不！你肯定想讓你的汽車在它的本地計算機上處理盡快做出決定。帶寬：無人駕駛汽車輛捕獲的大量數據估計為每小時4TB，與你的智能手機每天平均100MB的數據相比，這是40000倍的數據。流式傳輸所有這些數據既昂貴又可能導致網絡擁塞。出于這兩個原因，在自動駕駛車輛的邊緣（在這種情況下，在車輛本身上）執行計算是有意義的。
云計算和邊緣計算的問題不是二選一，云和邊緣都有各自的優勢，問題是應該在何時使用云計算和邊緣計算。
一條有用的經驗法則是：“云計算運行在大數據上，而邊緣計算運行于‘即時數據’，即傳感器或用戶生成的實時數據”（維基百科）。
究竟什么是“邊緣”？
邊緣基本上意味著“非云”，因為組成邊緣的內容可能因應用程序而異。為了解釋，讓我們看一個例子。
在醫院需要知道所有醫療資產（例如，靜脈輸液泵、心電圖機等）的位置，并使用藍牙室內跟蹤物聯網解決方案。這個解決方案有藍牙標簽，你可以把它附加到你想要追蹤的資產上（例如，靜脈注射泵）。你還擁有藍牙集線器，每個房間一個，用于監聽來自標簽的信號，以確定每個標簽所在的房間（以及資產所在的房間）。
在這種情況下，標簽和集線器都可以被視為“邊緣”，標簽可以執行一些簡單的計算，只有在感官數據發生較大變化時才會將數據發送到集線器。如果一個標簽從一個不同的標簽移動到一個不同的數據中心，就可以計算出一個不同的標簽。上述兩種方法可以結合使用，或者兩者都不能使用，標簽可以將所有原始數據發送到集線器，集線器可以將所有原始數據發送到云端。
物聯網邊緣計算的關鍵——被忽視的優勢
正如本文開頭所說，在評估邊緣計算時，幾乎所有人都忽略了一個關鍵好處。
我們已經介紹了延遲（更快的響應）和帶寬（減少帶寬需求并節省數據成本）的好處。不過，這些好處是針對物聯網應用的一個特定子集，如自動車輛、智能家居或安全攝像頭。
LPWAN IoT的到來
“物聯網”一詞的一個問題是它的定義很廣。耗資數萬美元的自動車輛收集萬億字節的數據并使用4G蜂窩網絡被認為是物聯網。同時，花費幾美元的傳感器只收集字節數據并使用低功耗廣域網（lpwan）也被認為是物聯網。
問題是每個人都在關注高帶寬的物聯網應用，比如自動車輛、智能家居和安全攝像頭。這是因為每個人都是消費者，所以寫這些東西的人在寫C端內容比寫B端內容的時候有更多的讀者，因為企業物聯網與較少的人直接相關，并且可能會有些乏味。
LPWAN物聯網有望實現快速增長，這將是人們最能感受到物聯網真正變革性的地方。
對于LPWAN IoT應用，能耗至關重要，因為它不適用于其他IoT應用程序。自動駕駛汽車將配備大量電池，并定期充電，智能家居設備和安全攝像頭直接插入插座。
但是，如果您的公司將GPS追蹤器放置在汽車拍賣場中所有20,000輛車輛上，那么這些GPS追蹤器中的電池可持續使用幾年！在少于幾年的任何時間范圍內更換20,000個電池將是巨大的操作難題，并且管理成本高昂。僅通過管理系統的巨額成本就遠遠超過了從實時了解車輛位置所獲得的收益。
邊緣計算可以降低能耗
當談到電池供電設備的能源消耗時，您知道哪些能源消耗最多嗎？無線廣播。傳感器和簡單的計算通常不會消耗很多能量，但是發送和接收無線消息卻會消耗很多能量。數量越少，發送和接收的消息越少，設備可以使用電池供電的時間就越長（所有無線連接都表示功耗，范圍和帶寬之間的折衷）。
因此，如果設備對設備本身、消息的數量和大小進行計算，并使用邏輯來減少消息，那么邊緣計算對于LPWAN物聯網應用是非常有效的。
讓我們看一下燃料箱遠程監控的例子。簡言之，通過在油箱上放置設備，可以遠程監控油箱的油位。在沒有遠程監控物聯網系統的情況下，企業必須猜測何時需要加注儲罐。這是低效率的，因為燃料司機會把車開到不需要加油的油箱，或者來不及到需要加油的油箱。
燃油箱的遠程監控要好得多。盡管如此，數百萬個燃料箱仍分布在廣闊的地區（例如，用于美國中西部的農業），因此，監控設備必須使用一個電池可持續使用數年。就像上面的汽車跟蹤示例一樣，頻繁更換這些電池將帶來驚人的運營成本。
為了減少電池消耗，我們可以向邊緣添加一些基本邏輯（在本例中，邊緣是監視設備）。燃油油位讀數越多越好，但每次讀取燃油油位和無線發送的每條信息都會消耗能量。一種在保持頻繁的燃油油位讀數的同時減少電池電量消耗的創新方法是讓設備定期（例如每2小時）讀取燃油油位讀數，但以較低頻率（例如，每24小時）發送包含這些讀數的無線信息。當設備確實發送消息時，它包括自上一條消息以來的所有讀數。每24小時發送一條消息，每小時讀取2次，即每條消息讀取12次。
你或許想問，“如果油箱的燃油油位在24小時內降至臨界值以下怎么辦？”，在一個嚴酷的冬天，依靠燃油箱保持溫暖的人將無法在沒有燃油的情況下多待一天。這也可以通過將一些基本計算移至邊緣來解決。
每次設備醒來讀取讀數時（即每2小時），它也可以快速檢查燃油油位是否低于閾值（例如，低于30%）。如果發生這種情況，設備可以立即發送消息，而不是等到24小時后的下一條計劃消息。通過這種方式，該設備仍然可以減少發送的消息總數（這是高能耗的），同時確保在正確的時間捕獲和共享正確的數據。
這是一個很好的例子，說明了邊緣計算如何使使用lpwan的物聯網解決方案受益。與用于LPWAN物聯網解決方案的自主車輛、智能家居或安全攝像頭不同，延遲和帶寬并不那么重要。在這個遠程油箱監控示例中，每隔兩個小時讀取一次讀數就足夠了，所以減少毫秒級的延遲幾乎不重要。
另外，每個油箱的數據量很低，只有燃油油位、電池電量和其他設備基本狀態的字節數據，所以帶寬峰值不受影響。
在這個例子中，云仍然扮演著一些角色。
雖然可以將某些邏輯移到邊緣以節省電池壽命，但其他邏輯和分析更為數據密集型的計算更適合云計算。盡管每個儲罐的數據都很低，但是來自數百萬個儲罐的匯總數據仍然非常龐大。將機器學習和預測性分析應用于此數據集以預測何時需要對儲罐進行加注對于云而言是完美的。
此外，你可能希望根據這些預測的燃油水平，當前的道路狀況和當前的燃油價格將駕駛員安排到油箱，這對于云計算來說也是完美的，在邊緣沒有意義。
京公網安備 11010502049343號