為了充分利用邊緣計算數(shù)據(jù)，IT專業(yè)人員必須知道如何使用機器學習算法將數(shù)據(jù)指定為實時或傳統(tǒng)的云計算流程。

物聯(lián)網(wǎng)的覆蓋范圍可以將組織的業(yè)務向外擴展到全世界，邊緣計算將與其一起擴展。企業(yè)必須了解如何使用邊緣計算進行物聯(lián)網(wǎng)數(shù)據(jù)管理，以跟上數(shù)據(jù)指數(shù)級增長，并增強邊緣計算數(shù)據(jù)安全性。

與云計算的增長相比，邊緣計算擴展速度更快，范圍更廣。根據(jù)調(diào)研機構Gartner公司的調(diào)查，到明年年底，全球部署的物聯(lián)網(wǎng)設備將達到近400億臺，因此采用物聯(lián)網(wǎng)設備的組織必須建立邊緣計算處理資源。安全性可能是最大的問題，因為物聯(lián)網(wǎng)具有較大的攻擊面，這為黑客提供了一個大好時機，物聯(lián)網(wǎng)網(wǎng)絡需要邊緣計算網(wǎng)關來鎖定設備輸出。但邊緣計算的作用包括更多，以滿足對物聯(lián)網(wǎng)快速增長的期望。

保護、共享、清洗物聯(lián)網(wǎng)數(shù)據(jù)

邊緣計算服務器的很大一部分負擔是在物聯(lián)網(wǎng)和設備所輸入的云平臺之間的管道中堵塞漏洞。在例如流量管理和供應鏈運營等大規(guī)模場景中，邊緣計算處理可以涉及將物聯(lián)網(wǎng)數(shù)據(jù)動態(tài)路由到多個云平臺，其中包括共享數(shù)據(jù)的伙伴組織的云平臺。

物聯(lián)網(wǎng)數(shù)據(jù)也必須具有更多的價值。物聯(lián)網(wǎng)設備在其功能的任何領域都不符合通用標準，包括安全性、協(xié)議和容錯性。物聯(lián)網(wǎng)硬件的使用年限可以延長到20年，這會增加很多數(shù)據(jù)干擾。邊緣計算服務器也很難處理數(shù)據(jù)干擾。

實時響應和決策支持會導致更大的問題

安全和數(shù)據(jù)路由是主要挑戰(zhàn)，但物聯(lián)網(wǎng)數(shù)據(jù)管理現(xiàn)在面臨更大的挑戰(zhàn)：物聯(lián)網(wǎng)網(wǎng)絡需要立即響應或實時決策支持，例如在工廠中斷或交通系統(tǒng)中遇到障礙時。

在這種越來越常規(guī)的場景中，沒有時間往返于云計算來處理數(shù)據(jù)、分析問題并返回結果。物聯(lián)網(wǎng)技術必須在幾秒鐘內(nèi)收到響應，而不是幾小時或幾分鐘。

這兩種情況都需要動態(tài)響應。這項技術需要補償和響應物理環(huán)境中的某些變化，如溫度突然變化或設備出現(xiàn)故障警告，或者根據(jù)意外中斷（如涉及貨運的交通事故）改變復雜的工作流程。觸發(fā)響應的事件可能需要采取行動，干預的閾值本身可能是動態(tài)的。這是人工智能發(fā)揮作用的地方。

當沒有時間或沒有機會讓工作人員參與時，人工智能算法是處理需要動態(tài)響應的場景的最佳方法。物聯(lián)網(wǎng)本身必須是一個智能系統(tǒng)，能夠即時做出決策，它需要真正工作和生活在邊緣。

邊緣計算結構意味著需要解析物聯(lián)網(wǎng)數(shù)據(jù)，不僅僅是通過家庭云的內(nèi)容以及B2B合作伙伴的云平臺，而是通過實時流程和更傳統(tǒng)流程需要的數(shù)據(jù)。根據(jù)定義，需要立即將瞬時數(shù)據(jù)過濾到這些進程中。批處理數(shù)據(jù)可以存儲在臨時存儲設備，并在空閑時傳送到云端。

在邊緣變得更好

最佳實踐包括兩項關鍵創(chuàng)新。物聯(lián)網(wǎng)數(shù)據(jù)管理任務（包括管理數(shù)據(jù)傳輸）應該在邊緣計算而不是云端進行。物聯(lián)網(wǎng)通常包含附加到現(xiàn)有集中式技術的新架構，因此采用自上而下的方法來管理邊緣計算收集的新數(shù)據(jù)是很誘人的。云計算系統(tǒng)不再是集中式端點，它們是眾多目標中的一個。物聯(lián)網(wǎng)技術在邊緣計算執(zhí)行大量閉環(huán)過程。從收集它的服務器管理數(shù)據(jù)更有意義，特別是當它的路由和應用程序都是動態(tài)的時候。

在企業(yè)軟件行業(yè)開發(fā)交鑰匙技術之前，最經(jīng)濟有效的數(shù)據(jù)管理方式是通過定制管道和微服務，這些管道和微服務可以在分散的流程中輕松維護和擴展。為數(shù)據(jù)流量分析創(chuàng)建儀表板非常簡單，Python是實現(xiàn)的一個絕佳選擇。

把模型和機器學習放在云端。如果特定物聯(lián)網(wǎng)實現(xiàn)的目標是物理環(huán)境中的實時響應或實時決策支持，最好的方法是將分析和人工智能與物聯(lián)網(wǎng)技術分離。讓模型和機器學習過程保持在云端。隨著模型的變化，用于生成物聯(lián)網(wǎng)分析的算法將依次更新。這需要一些額外的工作，但比在邊緣計算部署機器學習要少得多，因為在邊緣計算部署機器學習將更難維護。

如今，尚未推出相關的行業(yè)標準，但由于安全性是大多數(shù)組織在邊緣計算服務器部署中面臨的直接問題，因此通常是維護IT基礎設施的人員。他們應該參與任何情況，但對物聯(lián)網(wǎng)數(shù)據(jù)管理和邊緣計算流程的支持需要包括數(shù)據(jù)架構師和企業(yè)解決方案架構師。如果沒有非常有效的數(shù)據(jù)建模和針對其進行優(yōu)化的強大工作流程，則無法進行路由和實時處理。