邊緣計算被定義為一種分布式計算模式，它使計算和數據更接近物聯網通常部署的位置，從而提高響應時間和帶寬。然而，這個定義聽起來過于技術化，無法理解邊緣計算的真正力量。
與其相反，邊緣計算被重新定義為一種計算模式，可將可操作的智能和洞察力盡可能靠近部署物聯網的位置，從而最大化此類部署的預期價值主張。這種重新定義的原因很明顯：邊緣計算的價值生成能力更重要。
價值驅動因素
了解這種強調價值主張的重新定義的基礎至關重要。任何物聯網產品或服務都有一些驅動因素。驅動因素可以大致分為業務、技術、設備和數據驅動因素。最終，任何驅動因素的共同目標都是實現快速、智能和可操作的決策。
隨著新技術的出現，更多未開發的產品和服務成為可能，新的業務驅動力得以實現。低功耗無線、超高速處理器或網絡虛擬化等技術簡化了以前復雜的物聯網解決方案，從而消除了采用物聯網的障礙。技術還加速了能夠捕獲更豐富且以前無法想象的數據的設備的發展。
物聯網網絡可以實現曾經夢想的功能，例如增強現實和智能數字孿生。例如，石油和天然氣工程師可以在計算機上檢查數百到數千英里的天然氣管道發生故障并采取補救措施。之所以能夠做到這一點，是因為數字孿生在元認知和自主傳感設備的幫助下不斷監控和報告管道沿線關鍵組件的健康狀況。
面臨的挑戰
邊緣計算實際上是云計算的一種擴展，但需要注意的是，由于物聯網固有的移動性要求，邊緣計算比傳統云計算更加分散和分布式。靠近物聯網位置的前端的分布程度與后端服務器上的分布程度顯著不同。雖然根據定義，邊緣計算旨在盡可能接近物聯網設備，但由于以下關鍵原因，企業仍然以與云計算相同的方式實施邊緣計算：
(1)邊緣計算安全產品和實踐仍在不斷發展，眾所周知，邊緣設備很容易成為黑客進行攻擊的目標。
(2)邊緣計算架構模式仍在不斷發展。盡管邊緣計算的性能和延遲要求不同，但邊緣設備生成的數據仍然存儲在集中管理的云存儲系統中。
(3)執行復雜機器學習和深度數據處理模型所需的 CPU 密集型、內存密集型和低延遲磁盤輸入/輸出資源在傳統云計算環境中比在邊緣更容易獲得。
(4)其他技術功能和服務不斷發展，例如在云端更先進、更容易訪問的無服務器和托管容器服務。
由于這些原因，推動可操作的物聯網決策的數據洞察力和智能必須依賴于云平臺集中管理的高功率計算。云計算增加了額外的網絡和處理延遲，這對于時間關鍵、感知和響應物聯網實施來說是不可取的。
從本質上講，當前的挑戰對實現物聯網實施的全部潛力構成了嚴重障礙，特別是在智能感知和響應行動將產生重大價值的情況下，其中包括挽救生命和防止財產和資產的損失。
新興架構
多位業內專家提議為邊緣計算開發可靠且強大的參考架構。雖然架構開發的目標是為邊緣帶來強大的計算能力，但一些架構仍然無法充分地將邊緣計算從云中分離出來。
在這里提出了一種參考架構，該架構采用分層方法來分散邊緣計算并解決眾多已知挑戰。
該架構具有三個不同的層：設備層、邊緣層和云計算層。邊緣計算層是解決邊緣計算需求的參考架構的核心。以下是邊緣層的主要職責：
•接收、處理和轉發來自設備層的數據流;
•提供時效性服務，例如邊緣安全和隱私保護;
•邊緣??數據分析;
•智能計算;
•物聯網流程優化和實時控制。
邊緣層根據其數據處理能力分為三個子層：近邊緣層、中邊緣層和遠邊緣層。
(1)近邊緣層。近邊緣層包含邊緣控制器，這些控制器從設備層收集數據，執行初步數據閾值處理或過濾，并控制流向設備。由于設備層中的小工具異構性，近邊緣層中的邊緣控制器必須支持廣泛的通信協議。邊緣控制器還與上層接口以接收操作指令或數據驅動的決策，并將它們轉換為可編程邏輯控制器或基于動作模塊的控制流指令，以傳輸到設備。因此，近邊緣層在與設備層接口時必須表現出微秒級延遲。在行動呼吁對時間要求嚴格的情況下，這種低延遲變成強制性，例如自動駕駛車輛在行人突然進入視野的情況下的預期瞬態響應。
(2)中邊緣層。中邊緣層包含邊緣網關，主要負責通過有線和無線網絡與近邊緣和遠邊緣層交換數據。與近邊緣層相比，該層具有更多的存儲和計算資源。通過組合來自多個設備的信息，可以在這一層進行更復雜的數據處理。該層的預期延遲為毫秒到秒。由于該層具有存儲能力，數據處理產生的數據和智能可以在本地緩存，以支持未來的處理。中邊緣的邊緣網關還負責將控制流從上層傳遞到近邊緣層，并對中邊緣層和近邊緣層的設備進行管理。
(3)遠邊緣層。遠邊緣層包含強大的邊緣服務器，負責執行更復雜和關鍵的數據處理，并根據從中邊緣層收集的數據做出方向決策。從本質上說，遠邊緣層的邊緣服務器構成了一個小型計算平臺，擁有更強大的存儲和計算資源。遠邊緣層使用更復雜的機器學習算法處理大量數據。該層分析來自不同設備的更多數據以實現流程優化或評估最佳措施以在更長的時間內接管更廣的區域，通常具有更長的延遲。遠邊緣層還充當云計算層和邊緣層之間的橋梁。
真正的價值主張
從參考架構和示例實現中可以明顯看出，邊緣計算使以下成為可能：
•更接近互聯網上的設備或事物的智能推導;
•與不同數據和情報節點進行雙向信息交換的管道;
•最小化決策到行動的延遲。
智能和決策到行動的延遲對于預期價值主張至關重要。從聯網汽車的例子中可以清楚地看出，新興架構使智能盡可能接近物聯網邊緣。同樣很明顯，智能推導越復雜，其計算距離物聯網設備就越遠。然而在一些感知和響應物聯網實施中，復雜的智能需要更接近設備層以降低延遲。
如果基于云計算的人工智能模型在車輛已經發生碰撞后預測碰撞，則它沒有任何價值。在遠離設備層并以更高延遲實現時間關鍵型智能是一種反模式，對通常無效的問題的常見響應可以充分發揮邊緣計算的潛力。就好像邊緣計算中的邊緣被解釋為云計算的邊緣，而不是物聯網設備的邊緣。
以物聯網部署為例。真正的價值在于通過從邊緣生成的數據中發現情報和洞察力，快速制定可操作的決策。物聯網價值主張可以通過在邊緣計算的幫助下逐漸使智能更接近設備位置而呈指數級發展。智能延遲越低，價值主張就越多。實際上，該數字意味著邊緣計算必須通過計算資源變得更豐富、更強大，才能以更接近設備層的低延遲獲得復雜的智能。
可行的示例應用
在農業物聯網的應用中，拖拉機、土壤傳感器、犁上的傳感器和供水系統都相互連接以收集數據和挖掘情報。此類遠程位置可能沒有互聯網連接，無法將數據發送到云計算服務器進行處理。即使有連接，接收情報以確定何時給農場施肥和澆水的延遲也可能是不可接受的。與其相反，具有邊緣功能的本地計算會立即將數據轉化為行動。
邊緣計算在快速生成數據的物聯網用例中也大放異彩。例如，飛機在其每個部件上都安裝傳感器，例如發動機、起落架、機身、機翼和輪胎。根據福布斯發表的一篇文章，飛機每次飛行平均會生成60GB到100GB的數據，而且隨著技術的進步，這一數據在未來10年可能會增長到5TB到 8TB。將此類數據實時上傳到云端實際上是不可行的。然而，數據收集可以在飛行過程中為飛行員和機上機組人員提供有價值的見解。與其相反，安裝在飛機內的邊緣處理器可以處理數據并即時提取所需的情報。
結語
以下是支持邊緣計算重要性的論點的關鍵要點：
•物聯網實施的關鍵驅動力旨在提供智能答案，主要目標是讓生活更美好。
•支持物聯網的創新解決方案的智能主要歸功于數據驅動的洞察力。
•新的架構模式不斷涌現，強調對低延遲邊緣智能的需求。
•研究和現場經驗表明，越靠近邊緣設備生成的低延遲數據越多，潛在價值主張就越大。
版權聲明：本文為企業網D1Net編譯，轉載需注明出處為：企業網D1Net，如果不注明出處，企業網D1Net將保留追究其法律責任的權利。
京公網安備 11010502049343號