边缘计算概念

随着移动设备的普及，计算密集型、时延敏感型等新兴移动应用不断涌现，如增强现实、图像识别、网络游戏、车联网等。这类新兴的应用通常需要消耗大量的计算资源，满足低时延需求。然而，资源有限的移动设备很难满足移动应用的需求。

如果把物联网产生的数据传输给云计算中心，将会加大网络负载，网路可能造成拥堵，并且会有一定的数据处理延时。随着物联网和云服务的推动，边缘计算应之产生，在网络的边缘产生、处理、分析数据。

边缘计算（Edge computing）是一种在物理上靠近数据源头的网络边缘检测，融合网络、计算、存储、应用核心能力的开放平台，就近提供边缘智能服务的计算模式。简单点讲，边缘计算是将从终端采集到的数据，直接在靠近数据产生的本地设备或网络中进行分析，无需再将数据传输至云端数据处理中心。

边缘计算发生的位置称为边缘结点，它可以是数据产生的源头和云中心之间任一具有计算资源和网络资源的结点。比如，手机就是人与云中心之间的边缘节点。在理想环境中，边缘计算指的就是在数据产生源附近分析、处理数据，没有数据的流转，进而减少网络流量和响应时间。

为什么需要边缘计算？

在网络边缘产生的数据正在逐步增加，如果我们能够在网络的边缘节点去处理、分析数据，那么这种计算模型会更高效。许多新的计算模型正在不断提出，因为我们发现随着物联网的发展，云计算并不总是那么高效的。

（1）云服务的推动

云中心具有强大的处理性能，能够处理海量的数据。但是，将海量的数据传送到云中心成了一个难题。云计算模型的系统性能瓶颈在于网络带宽的有限性，传送海量数据需要一定的时间，云中心处理数据也需要一定的时间，这就会加大请求响应时间，用户体验极差。

（2）物联网的推动

物联网技术的快速发展，使得越来越多具备独立功能的普通物体实现互联互通，实现万物互联。得益于物联网的特征，各行各业均在利用物联网技术快速实现数字化转型，越来越多的行业终端设备通过网络连接起来。然而，物联网作为庞大而复杂的系统，不同行业应用场景各异，据第三方分析机构统计，到2025年将有超过千亿的终端设备联网，终端数据量将达300ZB，如此大规模的数据量，按照传统数据处理方式，获取的所有数据均需上送云计算平台分析，云计算平台将面临着网络时延高、海量设备接入、海量数据处理难、带宽不够和功耗过高等高难度挑战。

为了解决传统数据处理方式下时延高、数据实时分析能力匮乏等弊端，边缘计算技术应运而生。边缘计算技术是在靠近物或数据源头的网络边缘侧，通过融合网络、计算、存储、应用核心能力的分布式开放平台，就近提供边缘智能服务。简单点讲，边缘计算是将从终端采集到的数据，直接在靠近数据产生的本地设备或网络中进行分析，无需再将数据传输至云端数据处理中心。

例如自动驾驶汽车所需的实时操作和安全问题，正将计算核心从云端推向网络边缘。自动驾驶车辆不断感测和发送有关路况、位置和周围车辆的数据。自动驾驶汽车每秒产生大约 1 GB 的数据，由于需要处理带宽和延迟，哪怕是将一小部分字节(TB)数据发送到集中式服务器进行分析也是不切实际的。快速处理数据是一种至关重要的能力，而边缘计算是实现自动驾驶的关键。

为自动驾驶车辆设计边缘计算生态系统的首要挑战是提供实时处理、足够的计算能力、可靠性、可扩展性、成本和安全性，以确保自动驾驶车辆用户体验的安全性和质量。

边缘计算 VS 云计算

云计算 48页PPT，看懂云计算！(qq.com)，它有着许多的特点：有着庞大的计算能力，海量存储能力，通过不同的软件工具，可以构建多种应用，我们在使用的许多APP ，本质上都是依赖各种各样的云计算技术，比如视频直播平台，电子商务平台。边缘计算脱胎于云计算，靠近设备侧，具备快速反应能力，但不能应付大量计算及存储的场合。

边缘计算的概念是相对于云计算而言的，云计算的处理方式是将所有数据上传至计算资源集中的云端数据中心或服务器处理，任何需要访问该信息的请求都必须上送云端处理。因此，云计算面对物联网数据量爆发的时代，弊端逐渐凸显：

云计算无法满足爆发式的海量数据处理诉求。随着互联网与各个行业的融合，特别是在物联网技术普及后，计算需求出现爆发式增长，传统云计算架构将不能满足如此庞大的计算需求。

云计算不能满足数据实时处理的诉求。传统云计算模式下，物联网数据被终端采集后要先传输至云计算中心，再通过集群计算后返回结果，这必然出现较长的响应时间，但一些新兴的应用场景如无人驾驶、智慧矿山等，对响应时间有极高要求，依赖云计算并不现实。

边缘计算的出现，可在一定程度上解决云计算遇到的这些问题。物联终端设备产生的数据不需要再传输至遥远的云数据中心处理，而是就近在网络边缘侧完成数据分析和处理，相较于云计算更加高效和安全。

边缘计算优点

（1）低延迟

计算能力部署在设备侧附近，设备请求实时响应；例如：在人脸识别领域，响应时间由900ms减少为169ms；语音识别功能如果经过云处理，我们在终端上得到输出的时延是可以感知到的，速度较慢，因为要经过网络信号的长距离传输。而如果进行本地化处理，不经过网络传输，时延将大大降低，用户的体验会更佳。

（2）低带宽运行

将工作迁移至更接近于用户或是数据采集终端的能力能够降低站点带宽限制所带来的影响。尤其是当边缘节点服务减少了向中枢发送大量数据处理的请求时。

（3）能源消耗减少

对于给定的任务，需要判定放在本地运算节省资源还是传输给其他节点计算节省资源。如果本地空闲，那么当然在本地计算是最省资源的，如果本地正在忙碌状态，那么把计算任务分给其他节点会更合适一些。权衡好计算消耗的能源和网络传输消耗的能源是一件非常重要的事情。一般当网络传输消耗的资源远小于在本地计算消耗的能源时，我们会考虑使用边缘计算把计算任务卸载到其他空闲的节点上，帮助实现负载均衡，保证每一个节点的高性能。

（4）隐私保护

数据本地采集，本地分析，本地处理，有效减少了数据暴露在公共网络的机会，保护了数据隐私。例如：我们对手机上的隐私和安全功能较为熟悉，通过指纹识别和面部识别，就可以解开手机锁，这也用到了边缘计算。如果将这些数据上传到云上，我们有可能面临数据的透明化，因此边缘计算更有利于用户保护自己的隐私和安全。

欢迎关注微信公众号“我想我思”