边缘计算正在改变IT专业人员对基础设施的思考方式

在过去10年中,我们构思和讨论IT基础设施的方式经历了快速转变。首先从静态的,基于本地的模型演变而来; 然后,在许多情况下,迅速转向混合云模式或完全基于云的配置。现在,随着边缘计算的出现,IT专业人员必须再次从根本上重新构想他们创建和维护的基础设施。以下是边缘计算如何改变IT专业人员对基础设施的思考方式。

bb

计算工作负载从本地迁移到云

它曾经是如此简单明了:一个企业的计算中心位于其数据中心,所有计算工作负载都在这里处理。然后,许多企业开始将其工作负载迁移到云上,从而实现更高的灵活性和可扩展性,同时最大限度地减少管理开销。然而,云确实有一个特殊的限制,这在最近几年变得非常明显,导致一些公司重新考虑他们如何设计和管理他们的基础设施。

任何曾经为服务质量问题而奋斗过的人都知道,在跨地理位置分散的办公地点管理网络连接时, 延迟可能是一个障碍。许多业务应用程序,尤其是像视频通信这样的带宽密集型服务,在遇到严重延迟时会慢慢停止,特别是当它们必须在广域网上传输时。发生这种情况时,用户体验会突然降低并严重降级。

当云中的数据必须长距离传输以用于连接的小工具和服务时,延迟也会突然出现,即使不可能也难以使用。在这些情况下,边缘计算可以发挥作用,使其能够在不影响性能的情况下提供关键功能。

边缘计算的兴起

为了解决这一挑战,IT专业人员和企业再次重新思考他们的IT基础设施方法。现在,他们将特定的计算工作负载放在更靠近边缘的位置。这种设计减少了数据处理所需的距离,极大地提高了依赖于及时数据处理的应用和服务的性能和可靠性。我们已经看到这种情况发生在自动驾驶汽车(AV)上,即使在有限或低连通区域行驶时也必须在运动中进行快速计算。出于安全原因以及性能问题,AV必须能够实时进行计算,这就是汽车制造商开始将数据存储放置在靠近边缘位置的原因。

随着企业越来越意识到他们可能在某些情况下需要边缘计算,他们放弃了多年来主导IT基础设施设计的数据中心模型。据Gartner称,到2025年,80%的企业希望关闭传统数据中心。正如分析公司痛苦地指出的那样,工作负载布局现在将由业务需求而非物理位置驱动。因此,IT专业人员构思他们设计和管理的基础设施的方式正在再次发生变化。

新模型:业务需求驱动工作负载分配

IT专业人士将不再根据诸如内部或基于云的范例之类的千篇一律的模型来概念化基础设施。相反,特定业务需求必须推动工作负载放置。在数字体验(特别是客户体验)严重影响技术系统设计的时代,这种模式转变也许并不令人惊讶,但它确实代表了IT必须保持灵活和灵活的另一种方式IT专业人员根据业务需求定制基础设施,而不是试图将业务系统转变为传统的基础设施模型。

随着边缘计算改变了技术人员对基础设施的思考方式,IT专业人员可能不得不面对更复杂的问题,同时将新的能力和技能带入其投资组合中。然而,为了保持竞争力并与快速的数字化转型保持同步,它可能是实现业务增长的唯一可行且可持续的途径。

来自 “ https://it.toolbox.com/articles/edge-computing-is- ”,原文链接:http://blog.itpub.net/31545813/viewspace-2639780/,如需转载,请注明出处,否则将追究法律责任。

转载于:http://blog.itpub.net/31545813/viewspace-2639780/

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值