在边缘采用人工智能不仅可以减少网络延迟和运营成本，还可以提高安全性并释放分布式智能的力量。如今，从灯泡到汽车，许多东西都被称为“智能”设备。而这些东西的智能来自某种形式的人工智能或机器学习技术。人工智能不再局限于大型数据中心的应用。通过将其移至网络边缘，企业可以减少延迟、提高性能、降低带宽需求，并使设备即使在没有网络连接的情况下也能继续运行。在边缘使用AI的主要驱动因素之一是，如果所有数据都必须由集中式云计算解决方案和传统数据中心处理，那么生成的数据量将淹没互联网。“将所有这些数据发送到集中式云平台进行处理的需求将受到网络带宽和延迟的限制，”BoozAllenHamilton副总裁KiLee说。这个问题。Akamai运营着全球最大的内容交付网络，在135个国家/地区拥有并运营着大约325,000台服务器，每秒交付超过100TB的网络流量。Akamai产品和行业营销全球副总裁AriWeil表示，边缘计算是提高性能和安全性的关键。Weil以Bot机器人为例。Bot攻击是威胁Internet安全的一个巨大问题，它通过自动凭证填充和拒绝服务攻击以Akamai客户为目标。此外，他们用大量无用的流量堵塞了网络，给Akamai造成了更多损失。网络犯罪分子还使用机器人试图渗透企业、研究机构和医疗保健组织的网络防御。他们的攻击是无穷无尽的。例如，最近黑客开始使用Bot来抢夺疫苗预约资格。根据Akamai的调查，该公司的网络每小时有4.85亿次机器人请求，每天有2.8亿次机器人尝试登录。为了与他们作斗争，Akamai于2018年开始在边缘部署人工智能，以确定特定用户是真人还是机器人。他说：“我们立即对此采取行动，例如，我们有一个JavaScript挑战，我们要求客户的浏览器做一些工作。如果不是真正的浏览器，则工作无法完成。我们也尝试进行计算使机器人攻击者破产的成本过高。“Akamai于2019年开始使用集中式深度学习来识别机器人攻击行为并开发更好的机器学习模型。然后将这些模型分发到边缘以实际完成工作。AI还用于分析Akamai的威胁情报“这是一个大数据问题我们在一个巨大的数据湖中获取大量数据，然后在这些数据上尝试不同的模型以找到恶意签名，”Weil说。一旦你决定了一种模式，你就可以在整个平台上使用它。“有时消息是无害的但来自恶意源命令和控制流量。我们训练边缘模型以识别来自特定区域或特定IP地址的流量，并在边缘应用缓解技术，”Weil说。“最终结果是Akamai节省了大量资金，因为它不必承载来自机器人的流量或恶意软件。客户可以省钱，因为他们不必为浪费的带宽付费。客户的数据更安全，因为他们需要处理的Bot和恶意软件样本减少了。Weil说，在2020年第四季度，Akamai阻止了18.6亿次应用程序级攻击和超过700亿次的撞库攻击。在边缘管理边缘物联网采用人工智能还可以减少物联网策略的数据和网络负载。IoT设备可以生成大量信息，但通常这些信息是常规且重复的。Weil说，“物联网设备会生成大量数据，因此要仔细检查所有内容并寻找系统可能出现故障的迹象。“为此，机器学习技术被部署在边缘，以了解关键信号是什么，并在将数据发送给客户之前对数据进行预处理。以联网汽车为例，它可能会从一个城市行驶到另一个城市，甚至到不同海拔和气候的地区旅行。然而，适合一个地方的读数可能不适合另一个地方，或者数据的快速变化可能表明存在问题。在这里，机器学习技术变得至关重要。IEEE“将智能技术引入设备是目前物联网最大的增长领域之一，”Centric咨询公司成员兼云技术和新兴技术负责人CarmenFontana说。“许多行业都出现了这个问题，而不仅仅是汽车行业，虽然自动驾驶汽车对网络时延确实有严格的要求。“来自车辆的数据传输到数据中心进行处理，然后做出决定。回来。这个时间对于移动车辆来说太长了。但移动缓慢或静止的设备也可以从边缘的更多处理中受益。她说，一个常见的例子是在没有良好的蜂窝服务或WiFi的偏远地区安装太阳能电池板。能够在本地处理数据和做出决策非常重要。分布式智能还使企业能够减少从设备返回的消息流量，从而降低网络成本和能源消耗。“数据存储昂贵且能源效率低下，”她说。如果你能消除大量需要传输和存储的数据，那将是一个巨大的节能器。“人工智能也越来越多地被用在边缘，为设备提供差异化??功能。例如，我在手腕上戴了一块智能手表，它可以感知我的生理指标，比如心率和呼吸模式。它可以计算出我的努力程度。”“分布式AI的优势边缘的AI功能可以帮助创建跨联网设备的智能分布式计算环境，这对于知道如何利用它的组织来说是一个独特的优势。”能源和水资源管理技术开发商ItronUtilityindustry该公司信息管理成果总监蒂姆·德里斯科尔(TimDriscoll)表示，“许多团体将热衷于采用分布式智能。位于公用事业配电网边缘的仪表具有类似于智能手机的应用程序平台，”他说。这些仪表使用机器学习响应不断变化的电压和负载条件。这使仪表能够提供主动的实时推荐ndations网格控制。但更有趣的是，这些仪表可以协同工作，从各自通信网络的行为、性能和可靠性中学习。“这通过消除集中分析的需要简化了网络管理，”他说。“随着电力系统向配电网中包含更多分布式发电，边缘计算变得更加重要。传统上，只有本地负荷是电网的变量，而其发电量和电流需要集中控制。这三个因素都是变量今天。Driscoll说，“这是由边缘处理和机器学习驱动的自主、本地、实时响应的主要驱动力。除了降低延迟和降低成本之外，将AI和机器学习引入边缘还有助于改善AI处理BoozAllenHamilton的Lee说：“速度，”BoozAllenHamilton的Lee说，这是因为去中心化的边缘AI使模型的校准频率最大化。边缘也带来了风险和挑战，Lee说，这包括目前缺乏标准。他说：“我们看到各种各样通常不兼容的边缘硬件设备、处理器芯片组、传感器、数据格式和协议，需要更加集中的努力来开发通用的开放架构。”此外，该领域的许多参与者都专注于不可扩展或不可互操作或基于传统软件交付模型的一次性解决方案。“我们仍然看到为特定设备构建的单一应用程序。从设计的角度来看，我们也看到了典型的中心辐射式架构，当连接受限时，这种架构可能会失败，”他说。“分布式人工智能的另一个挑战是网络安全。“随着部署的边缘设备数量的增加，网络攻击面显着增加，”他说。网络攻击者已经看到利用不安全的物联网设备，例如MiraiBotnet，它感染了2016年数十万台设备。随着物联网设备的激增和智能化，它们带来的风险也将增加。一种方法是将机器学习应用于问题并用它来检测威胁。但边缘硬件通常更小，更多凯捷工程和研发业务首席技术官沙米克·米什拉(ShamikMishra)表示：“资源丰富，但在处理更多数据方面受到限制。基于人工智能的边缘计算可以在网络安全中发挥巨大作用的地方是微型数据中心。”、漏洞管理、边界安全和应用程序安全可以在边缘解决，人工智能算法可以去中心化通过异常检测威胁y检测，”他说。Mishra表示，安全访问服务边缘等新技术不断出现。这些将广域网与安全功能相结合。“我们分发的功能越多，我们经历的网络攻击越多，IT系统就越容易受到攻击。因此，边缘计算应用程序必须将安全性作为设计优先事项，”他说。
