隨著物聯(lián)網(wǎng)的采用，互聯(lián)的應(yīng)用程序和系統(tǒng)正在遷移到云。在云上生成的終端設(shè)備和數(shù)據(jù)的數(shù)量也在增加。傳感器、移動設(shè)備、可穿戴設(shè)備、機器人和物聯(lián)網(wǎng)生態(tài)系統(tǒng)中的許多其他連接設(shè)備等邊緣設(shè)備會產(chǎn)生大量分散的數(shù)據(jù)。

由于缺乏可靠的連接，延遲以及在云上處理這些巨大數(shù)據(jù)的困難，因此分析和從這些數(shù)據(jù)中提取重要見解存在挑戰(zhàn)。為了應(yīng)對這一挑戰(zhàn)，企業(yè)正在利用邊緣分析和云計算。

這種組合通過將計算能力帶到數(shù)據(jù)源附近并減少分析延遲，從而為各個行業(yè)的問題提供實時見解和解決方案，從而為物聯(lián)網(wǎng)網(wǎng)絡(luò)帶來穩(wěn)定性。換句話說，當數(shù)據(jù)無法帶到算法中時，邊緣分析會將算法引入數(shù)據(jù)并提供重要的見解。

邊緣分析

近年來，由于半導(dǎo)體技術(shù)的進步，MCU和處理器配備了更多的處理能力，專門的硬件組件和計算能力，通過部署先進的機器學習方法（如深度神經(jīng)網(wǎng)絡(luò)或卷積神經(jīng)網(wǎng)絡(luò)）來幫助更快地進行邊緣分析。

在TensorFlow，keras和Caffe等流行框架上開發(fā)的模型可以在優(yōu)化后部署，以在Andriod和微控制器等推理設(shè)備上運行?？紤]MCU功能的推理引擎，如TensorFlow-Lite，TensorFlow-micro，CMSIS-NN等，可以在邊緣執(zhí)行量化模型，以便更快地進行分析。

邊緣分析使邊緣需要數(shù)據(jù)洞察的組織受益。讓我們看看邊緣分析如何幫助全球多個行業(yè)。

汽車

根據(jù)一份題為“全球汽車傳感器技術(shù)市場”的報告，汽車中使用的傳感器平均數(shù)量已從50-60增加到100 +，在不久的將來將達到200+，這將產(chǎn)生大量數(shù)據(jù)。持續(xù)可靠的云連接是移動車輛面臨的另一個挑戰(zhàn)。例如，在自動駕駛汽車的情況下，延遲將數(shù)據(jù)發(fā)送到云端，分析數(shù)據(jù)，然后執(zhí)行操作，可以對自動駕駛汽車的成敗產(chǎn)生巨大影響。

汽車邊緣分析將幫助公司實時收集、分析和處理數(shù)據(jù)，從而可以立即采取必要的行動。此外，可以通過人工智能和機器學習進行邊緣設(shè)計智能應(yīng)用，如防撞、交通路線、視線偏離道路檢測系統(tǒng)等。這確保了優(yōu)化的資產(chǎn)使用、低維護和乘客安全。

醫(yī)療

物聯(lián)網(wǎng)驅(qū)動的醫(yī)療保健設(shè)備可以收集患者數(shù)據(jù)。邊緣分析可以分析收集的數(shù)據(jù)，而無需持續(xù)的網(wǎng)絡(luò)連接。隨著半導(dǎo)體技術(shù)的進步，硬件和機器學習方法變得更加高效，因此邊緣設(shè)備可以監(jiān)測和分析更復(fù)雜的參數(shù)，如神經(jīng)活動、心律、血壓等。

通過邊緣計算，患者管理、遠程監(jiān)控、住院護理和健康信息管理都變得更快。舉例來說，醫(yī)生的移動或平板電腦設(shè)備是患者（數(shù)據(jù)源）和云之間的邊緣。使用手機或平板電腦治療患者的臨床醫(yī)生將能夠?qū)⒒颊邤?shù)據(jù)輸入邊緣的分析平臺，在那里近乎實時地進行處理和顯示。這有助于更快地治療患者，減少他們的就診頻率。此外，它還在云和設(shè)備之間增加了一層安全的計算能力，從而保護了患者數(shù)據(jù)。

制造業(yè)

在制造單位或工廠中，邊緣設(shè)備上的任何生產(chǎn)線中都涉及多個傳感器，這些傳感器連續(xù)測量貨物和設(shè)備的溫度、濕度、壓力等參數(shù)。將這些連接到云并分析數(shù)據(jù)將非常耗時。邊緣計算可以處理這些數(shù)據(jù)進行分析，并在流程中實施或建議所需的更改。邊緣機器學習還支持預(yù)測性監(jiān)控，機器學習算法可在設(shè)備故障發(fā)生之前預(yù)測設(shè)備故障并安排及時維護，這有助于延長其使用壽命、減少停機時間并節(jié)省總體維護成本。

云端分析

在了解了邊緣分析的優(yōu)勢之后，重要的是要了解它不會取代云，而是通過實時分析補充云計算，因為它靠近數(shù)據(jù)源。很少有進程會繼續(xù)在云中執(zhí)行。

機器學習算法的訓練：機器學習算法的開發(fā)依賴于大量數(shù)據(jù)，學習過程在訓練模型之前會從這些數(shù)據(jù)中提取許多實體、關(guān)系和集群。這可以在云上與訓練模型一起進行。

處理能力和存儲容量：存儲和處理能力的無限可擴展性，易于部署的分析使云分析不可替代。歷史數(shù)據(jù)存儲在云上，將來可能會很有用，因為基于云的分析可以處理更多種類的數(shù)據(jù)。例如，它可以將歷史數(shù)據(jù)添加到流數(shù)據(jù)中，或使用邊緣分析分析所有設(shè)備的所有輸出。

利用連接到單個云的應(yīng)用程序的所有邊緣設(shè)備，云能夠在邊緣分析上執(zhí)行超級分析。云有辦法管理這些數(shù)據(jù)并將其轉(zhuǎn)化為有意義的預(yù)測和分析。

邊緣分析如何補充云？

由于延遲、帶寬、功耗、成本、外形尺寸和各種其他考慮因素，物聯(lián)網(wǎng)系統(tǒng)中的實時決策仍然具有挑戰(zhàn)性。這可以通過在邊緣添加人工智能來克服。

減少數(shù)據(jù)帶寬/傳輸?shù)睦寐剩簩⒋罅繑?shù)據(jù)轉(zhuǎn)移到云進行處理可能會消耗高數(shù)據(jù)帶寬并產(chǎn)生明顯的延遲，這可能會對時間關(guān)鍵型應(yīng)用程序產(chǎn)生負面影響。為了避免這種延遲并消除對數(shù)據(jù)帶寬的依賴，可以在邊緣執(zhí)行數(shù)據(jù)處理。

消除持續(xù)連接到云的需求：在石油、天然氣或采礦等行業(yè)中，公司員工在遠離人口稠密地區(qū)的遠程站點工作，因此不存在連接。在這種情況下，機器人等邊緣設(shè)備上的傳感器可以捕獲數(shù)據(jù)，分析數(shù)據(jù)并監(jiān)控操作參數(shù)，無論其值是否在其正常值范圍內(nèi)。

實時性能，處理速度更快：邊緣計算大大減少了必須通過網(wǎng)絡(luò)發(fā)送的數(shù)據(jù)量，從而減少了網(wǎng)絡(luò)擁塞并加快了操作速度。邊緣計算不是在云中運行進程，而是在本地位置運行進程，例如計算機、物聯(lián)網(wǎng)設(shè)備或邊緣服務(wù)器。通過將計算引入網(wǎng)絡(luò)邊緣，可以減少客戶端和服務(wù)器之間的遠距離通信，并獲得實時見解。

增強的數(shù)據(jù)安全性（更接近數(shù)據(jù)源和位置感知）：解釋一下，與其讓安全攝像頭將其視頻內(nèi)容流式傳輸?shù)皆贫艘葬槍δ承┣闆r（未知人員、物體等）進行分析，不如在攝像頭本身內(nèi)進行分析。與生物識別數(shù)據(jù)相關(guān)的數(shù)據(jù)隱私和安全問題使得僅在設(shè)備上本地使用數(shù)據(jù)而不通過云連接發(fā)送數(shù)據(jù)變得極其重要。

云計算和邊緣計算是不同的方法，完全取決于實現(xiàn)的應(yīng)用程序。雖然它們不會抹黑，而是相輔相成。不可能有一個適合所有方案的解決方案。幾乎沒有關(guān)鍵因素，如實時性能、帶寬成本、數(shù)據(jù)大小、應(yīng)用程序復(fù)雜性等，這些因素決定了是進行邊緣分析還是云分析，或者兩者兼而有之（兩全其美）。

審核編輯：郭婷