越来越多的“连接”设备正在生成大量数据，随着物联网(IoT)技术和用例在未来几年的发展，这种情况将继续存在。据研究公司Gartner称，到2020年，多达200亿台联网设备将为每个用户生成千兆字节的数据。这些设备不仅是智能手机或笔记本电脑，还包括联网汽车、自动售货机、智能可穿戴设备、手术医疗机器人等.无数类型的此类设备产生的海量数据需要被推送到集中式云端以供保留（数据管理）、分析和决策制定。然后，分析的数据结果被传输回设备。这种数据往返消耗了大量的网络基础设施和云基础设施资源，进一步增加了延迟和带宽消耗问题，从而影响了关键任务物联网的使用。例如，在自动驾驶联网汽车中，每小时都会产生大量数据；数据必须上传到云端，进行分析，并将命令发回汽车。低延迟或资源拥塞可能会延迟对汽车的响应，严重时可能导致交通事故。物联网边缘计算这就是边缘计算的用武之地。边缘计算架构可用于优化云计算系统，以在网络边缘执行数据处理和分析，更接近数据源。通过这种方法，可以在靠近设备本身的地方收集和处理数据，而不是将其发送到云端或数据中心。边缘计算的好处：边缘计算可以减少传感器和中央云之间所需的网络带宽（即降低延迟），并减轻整个IT基础设施的负担。在边缘设备上存储和处理数据，无需云计算网络连接。这消除了持续的高带宽网络连接。通过边缘计算，端点设备只发送云计算所需的信息，而不是原始数据。它有助于降低云基础设施的连接成本和冗余资源。这在分析边缘工业机械生成的大量数据并仅将过滤后的数据推送到云端时非常有用，从而显着节省IT基础设施。利用计算能力使边缘设备的行为类似于云操作。应用程序可以快速执行并与端点建立可靠且响应迅速的通信。通过边缘计算实现数据安全和隐私：敏感数据在边缘设备上生成、处理和保存，而不是通过不安全的网络传输并可能破坏集中式数据中心。边缘计算生态系统可以为每个边缘提供通用策略（可以以自动化方式实施）以实现数据完整性和隐私。边缘计算的出现并不能取代对传统数据中心或云计算基础设施的需求。相反，它与云共存，因为云的计算能力被分配到端点。网络边缘的机器学习机器学习(ML)是边缘计算的补充技术。在机器学习中，生成的数据被馈送到ML系统以生成分析决策模型。在物联网和边缘计算场景中，机器学习可以通过两种方式实现。第一种方法：ML算法需要巨大的计算能力才能在云??端生成决策。从边缘收集的数据将被发送到机器学习系统，在那里它会生成一个决策模型用于学习分析，然后将这个模型推送到网络的边缘。通过这种方式，可以在所有边缘设备上做出分析决策。在此模型中，边缘设备将用于在云端收集、分析和操作，从而增强智能。第二种方法：如果端点设备将传感器生成的数据发送到云端的ML系统，ML系统将花费大量时间传输和处理数据以生成分析决策。为此，可以引入智能机器学习或人工智能(AI)芯片，而端点设备将数据发送到云端仅用于存储目的。将机器学习功能置于网络边缘需要更少的计算能力。边缘计算和物联网边缘计算与机器学习技术一起，为未来通信的物联网敏捷性奠定了基础。即将推出的5G电信网络将为物联网用例提供更先进的网络。除了高速、低时延的数据传输，5G还将提供基于移动边缘计算（MEC）的电信网络，实现边缘服务和资源的自动实施和部署。在这场革命中，物联网设备制造商和软件应用开发商将更加渴望利用边缘计算和分析。我们将看到更多智能物联网用例和智能边缘设备的增加。原文链接：http://www.futuriom.com/articles/news/what-is-edge-computing-for-iot/2018/08
