隨著物聯(lián)網(wǎng)的采用，連接的應(yīng)用程序和系統(tǒng)正在遷移到云中。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，在云上處理這些龐大數(shù)據(jù)的延遲和困難，從這些數(shù)據(jù)中分析和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)源附近并減少分析中的延遲，從而為物聯(lián)網(wǎng)網(wǎng)絡(luò)帶來穩(wěn)定性，從而為各個行業(yè)的問題提供實時見解和解決方案。換句話說，當數(shù)據(jù)無法被帶到算法中時，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，以便在Andriod和微控制器等推理設(shè)備上運行?？紤]MCU功能設(shè)計的推理引擎，如張量流-精簡版，張量流微，CMSIS-NN等，可以在邊緣執(zhí)行量化模型，以便更快地分析。

邊緣分析使需要邊緣數(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“汽車傳感器技術(shù)全球市場”的報告，汽車中使用的傳感器的平均數(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，分析這些數(shù)據(jù)，并在此之后采取行動，可以對自動駕駛汽車的成功和失敗產(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)，從而立即采取必要的行動。此外，還可以通過邊緣的人工智能和機器學習來設(shè)計智能應(yīng)用，如防撞、交通路線、眼睛越野檢測系統(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)療設(shè)備可以收集患者的數(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。隨著半導體技術(shù)的進步，硬件和機器學習方法變得更加高效，因此可以通過邊緣設(shè)備監(jiān)測和分析更復雜的參數(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加快速。為了說明這一點，醫(yī)生的移動設(shè)備或平板電腦設(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，并在邊緣近乎實時地處理和顯示這些數(shù)據(jù)。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)備之間增加了一個安全的計算能力層，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)以進行分析，并在流程中實施或建議所需的更改。邊緣ML還支持預測性監(jiān)控，機器學習算法可在設(shè)備故障發(fā)生之前預測設(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，而是通過實時分析來補充云計算，因為它接近數(shù)據(jù)源。很少有進程將繼續(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)取決于大量數(shù)據(jù)，在訓練模型之前，學習過程從中繪制了許多實體、關(guān)系和聚類。這可以在云上與訓練模型一起執(zhí)行。

處理能力 & 存儲容量：存儲和處理能力的無限可擴展性，易于部署分析，使云分析不可替代。歷史數(shù)據(jù)存儲在云中，隨著基于云的分析處理更多種類的數(shù)據(jù)，這些云將來會很有用。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、外形因素和各種其他考慮因素等因素，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。

數(shù)據(jù)帶寬/傳輸?shù)睦寐瘦^低：將大量數(shù)據(jù)轉(zhuǎn)移到云中進行處理可能會消耗高數(shù)據(jù)帶寬并產(chǎn)生明顯的滯后，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。

消除與云的持續(xù)連接需求：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)，對其進行分析并監(jiān)控操作參數(shù)，無論是否在其正常值范圍內(nèi)。

實時性能和更快的處理速度：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，而是在計算機、IoT 設(shè)備或邊緣服務(wù)器等本地位置運行進程。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，而不是讓安全攝像機將其視頻內(nèi)容流式傳輸?shù)皆浦幸葬槍δ承┣闆r（未知人員，物體等）進行分析，該分析可以在攝像機本身內(nèi)完成。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)變得非常重要。

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。雖然它們不是詆毀，而是相互補充。不可能有一個適合所有場景的解決方案。很少有關(guān)鍵因素，如實時性能，帶寬成本，數(shù)據(jù)大小，應(yīng)用程序的復雜性等，這些因素決定了是進行邊緣分析還是云分析，還是兩者兼而有之（兩全其美）。

審核編輯：郭婷