隨著物聯(lián)網(wǎng)的采用，連接的應(yīng)用程序和系統(tǒng)正在遷移到云端。云上生成的終端設(shè)備和數(shù)據(jù)的數(shù)量也在增加。物聯(lián)網(wǎng)生態(tài)系統(tǒng)中的傳感器、移動設(shè)備、可穿戴設(shè)備、機(jī)器人和許多其他連接設(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性、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面臨挑戰(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。

這種組合通過使計算能力接近數(shù)據(jù)源并減少分析延遲，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)的問題提供實時洞察和解決方案。換句話說，當(dāng)無法將數(shù)據(jù)帶到算法中時，邊緣分析會將算法帶到數(shù)據(jù)中并提供重要的見解。

邊緣分析

近年來，由于半導(dǎo)體技術(shù)的進(jìn)步，MCU 和處理器配備了更多的處理能力、專用硬件組件和計算能力，通過部署深度神經(jīng)網(wǎng)絡(luò)或卷積神經(jīng)網(wǎng)絡(luò)等先進(jìn)的機(jī)器學(xué)習(xí)方法，有助于在邊緣進(jìn)行更快的分析。

在 TensorFlow、keras 和 Caffe 等流行框架上開發(fā)的模型經(jīng)過優(yōu)化后可以部署在 Andriod 和微控制器等推理設(shè)備上運(yùn)行?？紤]到 MCU 功能而設(shè)計的推理引擎，如 TensorFlow-Lite、TensorFlow-micro、CMSIS-NN 等，可以在邊緣執(zhí)行量化模型以加快分析速度。

邊緣分析使邊緣需要數(shù)據(jù)洞察力的組織受益。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)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 個增加到 100+，并且在不久的將來將達(dá)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)并在之后執(zhí)行操作可能會對自動駕駛汽車的成敗產(chǎn)生巨大影響。

汽車中的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邊緣機(jī)器學(xué)習(xí)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(hù)和乘客安全。

衛(wèi)生保健

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(dǎo)體技術(shù)的進(jìn)步，硬件和機(jī)器學(xué)習(xí)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(yuǎn)程監(jiān)控、住院護(hù)理和健康信息管理都變得更快。舉例來說，醫(yī)生的移動或平板設(shè)備是患者（數(shù)據(jù)源）和云之間的邊緣。使用手機(jī)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)輸入到邊緣的分析平臺中，并在該平臺上近乎實時地處理和顯示。這有助于更快地治療患者，減少他們的訪問頻率。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(hù)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)測量商品和設(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(jìn)行分析，并在流程中實施或建議所需的更改。邊緣機(jī)器學(xué)習(xí)還支持預(yù)測性監(jiān)控，機(jī)器學(xué)習(xí)算法可以在設(shè)備故障發(fā)生之前預(yù)測設(shè)備故障并安排及時的維護(hù)，這有助于延長設(shè)備的使用壽命、減少停機(jī)時間并總體節(jié)省維護(hù)成本。

云端分析

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

機(jī)器學(xué)習(xí)算法的訓(xùn)練：機(jī)器學(xué)習(xí)算法的開發(fā)依賴于大量數(shù)據(jù)，在訓(xùn)練模型之前，學(xué)習(xí)過程會從中得出許多實體、關(guān)系和集群。這可以在訓(xùn)練模型的同時在云上進(jìn)行。

處理能力和存儲容量：存儲和處理能力的無限可擴(kuò)展性、易于部署的分析使云分析不可替代。歷史數(shù)據(jù)存儲在云中，將來可以使用，因為基于云的分析 適用于更多種類的數(shù)據(jù)。例如，它可以將歷史數(shù)據(jù)添加到流數(shù)據(jù)中，或者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?qū)吘壏治鰣?zhí)行超級分析。云可以管理這些數(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(bǔ)充云？

由于延遲、帶寬、功耗、成本、外形尺寸和其他各種考慮因素，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。

數(shù)據(jù)帶寬/傳輸?shù)睦寐瘦^低：將大量數(shù)據(jù)轉(zhuǎn)移到云端進(jìn)行處理會消耗高數(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(fù)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)，公司員工在遠(yuǎn)離人口稠密地區(qū)的偏遠(yuǎn)地點工作，因此不存在連接。在這種情況下，機(jī)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)控運(yùn)行參數(shù)，無論它們是否在其正常值范圍內(nèi)。

實時性能和更快的處理速度：邊緣計算顯著減少了必須通過網(wǎng)絡(luò)發(fā)送的數(shù)據(jù)量，從而減少網(wǎng)絡(luò)擁塞并加快運(yùn)行速度。邊緣計算不是在云中運(yùn)行進(jìn)程，而是在計算機(jī)、物聯(lián)網(wǎng)設(shè)備或邊緣服務(wù)器等本地位置運(yùn)行進(jìn)程。通過將計算帶到網(wǎng)絡(luò)邊緣，可以減少客戶端和服務(wù)器之間的遠(yuǎn)程通信并獲得實時洞察。

增強(qiáng)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，而不是讓安全攝像頭將其視頻內(nèi)容流式傳輸?shù)皆贫耍员汜槍δ承┣闆r（未知的人、物體等）進(jìn)行分析，該分析可以在相機(jī)本身內(nèi)完成。與生物特征數(shù)據(jù)相關(guān)的數(shù)據(jù)隱私和安全問題使得僅在設(shè)備本地使用數(shù)據(jù)而不通過云連接將其發(fā)送出去非常重要。

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。雖然他們不抹黑，但相輔相成。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)用程序復(fù)雜性等，它們決定了是進(jìn)行邊緣分析還是云分析或兩者兼而有之（兩全其美）。

審核編輯：郭婷