隨著物聯網的爆炸式增長，連接設備通過傳感器、攝像頭、加速器以及深度傳感器收集到的信息越來越多，包括了從制造業到汽車、衛生技術、能源、公用事業和可穿戴技術等各個行業。在AI和5G融合的幫助下，收集的數據量只會不斷擴大。據估計，一輛全自動汽車將包含60多個微處理器和傳感器，每年可生成超過300TB的數據。更或者，在一小時的行程中，將會有多達25GB的信息通過連接的車輛(相當于大約100小時的視頻)發送。

這些數據會面臨什么問題?

有了這些海量數據，捕獲、聚合和分析數據就成了一個挑戰。并非所有數據都是有用的，但對時間敏感的數據，如自動駕駛汽車、有害氣體監測、醫療保健和安全設備等，都存在滯后的風險。數據到達云并返回到設備中的瞬間延遲(例如，能夠識別道路上行人的汽車或者發生故障的胰島素泵)都可能會是災難性的或致命的。其他數據站點面臨的挑戰是在惡劣環境中使用物聯網，例如海上煉油廠、地下礦井或深水井，可能導致帶寬有限且可變延遲的鏈接不穩定。

邊緣計算，一個根據行業和用例的不同有著許多定義的概念，在Linux基金會的領導下創建了開放式邊緣計算術語表，用于開發和改進術語。

正如Linux基金會所解釋的那樣，邊緣計算是：

實際上，這意味著在當今的集中式數據中心和現場越來越多的設備之間的路徑上分配新的資源和軟件棧，特別是(但不限于)，在最后一英里網絡附近，基礎設施和設備方面。“

邊緣計算將智能和處理功能放置在更接近數據源的位置，從而提高了對可操作的洞察力進行實時分析的能力。與惡劣環境等場景一樣，減少發送到云和傳感器之間的數據量可以最大限度地減少延遲并減少時間、能量和帶寬支出。

最常見的邊緣計算用例有哪些?

IDC 2015年的一份報告預測，到2019年，物聯網中45%的數據將在網絡附近或邊緣進行存儲、處理、分析和操作。

也許迄今為止實踐最多的是工業部門，它們將數據收集和處理工作納入邊緣，可以更好地促進預測維護和降低能源成本。

城市正在通過智能城市計劃實現連接，重點關注交通模式、天氣以及公共設施的功能，如照明、停車收費，智能交通燈、建筑物、運輸和廢物收集。這些舉措涉及部署高帶寬和對延遲敏感的應用程序，從多個來源獲取信息。生成的數據在存儲在遠程的集中式數據中心中時是無用的，它必須更接近交互點，這是邊緣計算能夠實現的。例如，如果智能城市交通控制中心檢測到交通擁堵或事故，就可以使用該信息立即將延誤通知本地公共汽車時刻表，同時向游客推薦替代交通。

雖然醫療保健在采用邊緣計算功能方面發展較慢，但假設如果醫院病房內有多達20臺機器，并且來自這20個設備的數據可以放在一個儀表盤中，并與電子健康記錄(EHR)中的患者歷史相結合，這樣的吸引力是非常大的，能夠提供更好的實時醫療保健服務。這樣帶來的好處是等待結果的時間減少，并且醫院的就診的人數也有可能減少。

這不是邊緣和云之間的競爭

在物聯網中，邊緣計算并不意味著云的消亡。相反，在最新的體系結構中，它是一個在邊緣網關和云后端之間轉換功能的場景。這很可能是一個聚合模型，包括邊緣的隔離，以及數據和“節點”在邊緣的選擇性聚合的能力。

云計算將始終占有一席之地。例如，雖然許多物聯網設備需要在邊緣進行實時決策，但企業可能需要對流程改進和模型開發進行歷史分析。當多個邊緣設備的數據可以集中組合在一起時，這就達到了最佳效果。它可以促進互聯關系，從歷史分析中獲得的洞察力可以被推回到邊緣，以便支持物聯網的邊緣設備不斷發展，以做出更好的實時決策。因此，計算模型就變成了邊緣計算和云計算的結合，其中物聯網設備在邊緣實時操作，在邊緣收集和處理原始數據，并將元數據共享到云以進行全面的歷史分析和持續的過程改進。

安全性將繼續面臨挑戰

有爭議的是，邊緣計算有一些與云計算不同的數據安全性，因為邊緣設備上的數據不會通過易于攔截的網絡傳輸。但是，企業數據中心受制于完善的安全防御和安全程序，而邊緣計算則不然。由于將設備連接到互聯網上，以前在安全性方面默默無聞的攻擊站點變得更大。每個連接的傳感器和執行器都代表了惡意軟件DDoS攻擊的潛在危害點。 2016年底發生的Mirai僵尸網絡攻擊就證明了這一點，在一次大規模分布式拒絕服務(DDoS)攻擊中，Mirai僵尸網絡攻陷了數十萬個物聯網設備。任何考慮邊緣計算機會的公司、城市或設備構建商都需要牢記安全性。

原文鏈接：https://dzone.com/articles/is-edge-computing-the-death-of-the-cloud