物联网（IOT）设备的激增是边缘计算的最大驱动力；反过来，边缘技术正在IoT框架内创建新的应用程序。为了让物联网发挥作用，需要将许多不同的传感器和微处理器集成到物联网设备中，并且必须尽可能实时地处理随时随地产生的海量信息。然而，对于传统的网络架构，这将变得越来越困难，因为数据必须远程传输到中央数据中心。仅此一项就引入了一些延迟，并且随着信息增长速度快于其容量，数据中心的数据处理负担越来越重。并且在处理之后，还要将处理结果传输给物联网设备，这会花费更多的时间。此外，物联网移动设备往往无法在任何地方（如无人机或无人车）进行高性能的无线通信，这将导致进一步的延迟甚至停机，因此无法对新需求做出快速反应。自动驾驶汽车是边缘计算用例的一个很好的例子：在路上行驶时，一个注意力不集中的行人走向汽车。虽然自动驾驶汽车的内置摄像头可以识别此人，但图像必须先发送到中央数据中心进行进一步处理。在将制动控制转移到汽车之前进行处理。在这种情况下，反应有点晚了。因此，汽车行业正在将处理器安装在能够即时处理摄像头图像并对意外危险做出实时响应的车辆中。这就是边缘计算，它涉及在数据发生的地方或附近处理数据——联网汽车，现在每辆自动驾驶汽车每天都会产生和消耗数TB的信息。当然，这种去中心化数据处理的优势也得到了其他各个行业的认可。例如，在制造业中，联网设备生成的数据也必须尽快处理，以便机器可以立即适应新的故障部件和主动维修。此外，通过网络将这种物联网生成的数据传输到中央数据中心或云端可能非常耗时，会导致延迟甚至数据丢失。相比之下，边缘计算允许实时处理和分析所有数据，从而提高一致性和响应时间。根据Gartner的一份报告，由于这些优势，到2022年，在集中式数据中心或云系统之外创建和处理的数据的比例预计将从目前的10%增长到50%。数据中心扩展然而，边缘计算很少一个独立的解决方案，通常用作数据中心的扩展。虽然该技术非常适合快速数据处理，但它不会存储太多数据，因此无法识别长期趋势或进行全面分析。因此，数据在边缘进行处理、聚合和压缩，然后定期收集并传输到中央数据中心。这会记录和存储信息，然后将其作为大数据分析的一部分进行评估，可用于优化流程或开发新的解决方案。一个具体的应用例子是警用随身相机。在这里，录像机上的便携式微型计算机或摄像机本身可以在将捕获的视频发送到本地边缘中心之前对其进行压缩和编码，以加快上传过程并减轻中央网络的负载。零售服务点(pos)机器也可以从这个过程中受益，例如，通过将客户购物数据发送到执行必要的检查和交易的边缘计算机。这不仅加快了进程，还消除了通过网络发送敏感信息并降低使其易受攻击的可能性。安全的边缘计算不会比传统架构更安全，因此企业也需要针对这种方式进行风险分析和设计整体安全架构。一方面，边缘计算可以提高数据来源和去向的透明度，从而简化安全管理。对于中央数据中心或云系统，资源较少的企业可能难以监控高流量，网络犯罪分子可以利用这一点秘密拦截数据。因此，边缘计算通常可以更好地控制这些连接及其安全性。另一方面，更多的传感器也增加了攻击面，因此需要保护更多的连接点。因此，企业需要更严格的补丁管理，可以快速复制并传输到收集和发送数据的各种传感器。如果传感器没有得到妥善保护，黑客可能会攻击它们并对物联网系统造成严重破坏，例如远程操纵联网汽车的刹车。同时，黑客可以通过未修补的漏洞侵入企业网络，或将物联网设备纳入僵尸网络进行DDoS攻击。这意味着企业只有在采取全面的安全措施的情况下才能从物联网和边缘计算中获益。此外，安全边缘解决方案允许新的物联网应用程序在现场处理更多数据并更快地响应新的复杂要求。在不久的将来，将会有真正智能的机器人、无人机、机器和汽车；也许有一天，完全自学的物联网边缘系统。
