越来越多的“连接”设备产生了过多的数据，并且随着物联网(IoT)技术和测试用例在未来两年的发展，这种情况将继续存在。据研究公司Gartner称，到2020年，将有多达200亿台联网设备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，还有联网的汽车、自动售货机、智能穿戴设备、用于手术的医疗机器人等等。数以千计的这些设备产生的海量数据需要被推送到一个集中的云端进行存储（数据管理）、分析和决策。随后，分析的数据结果被传输到设备。此类数据的来回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，从而影响物联网在重要日常任务中的应用。例如，在无人驾驶的联网汽车中，每小时会产生大量数据，必须将数据上传到云端，进行分析，并将指令发回汽车。低延迟或资源拥堵很可能会延迟对汽车的响应，严重时可能会导致道路交通事故。物联网技术边缘计算这就是边缘计算的用武之地。边缘计算系统架构可以用来增强云计算系统，以方便在互联网边缘进行数据处理和分析，更接近数据源。通过这种方法，可以在设备本身周围收集和处理数据，而不是将其发送到云端或数据中心。边缘计算的好处：1.边缘计算可以减少传感器和中央云之间所需的服务器带宽（即更低的延迟），减轻整个IT系统架构的压力。2.在边缘存储和处理数据，而不是使用云计算的数据连接。这清除了高带宽、持续的网络连接。3、根据边缘计算，节点设备只推送云计算需要的信息内容，而不是初始数据。有助于减少云系统架构的连接和冗余资源的成本。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，它非常有用，从而节省了大量的IT基础设施。4.利用数学计算，使边缘设备的行为类似于云端操作。应用程序可以快速执行并与节点建立可靠且响应迅速的通信。5、通过边缘计算实现数据安全和隐私：更多敏感数据在边缘设备上生成、处理和存储，而不是通过不安全的数据传输，可能破坏中心化的数据中心。边缘计算生态系统可以为每个边缘提供独特的策略（可以以完全自动化的方式完成）以实现数据一致性和隐私保护。边缘计算的出现并不能取代对传统数据管理中心或云计算技术基础设施建设的要求。反过来，它与云共存，因为云的数学计算被分派到节点。互联网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。在物联网技术和边缘计算场景中，机器学习可以通过两种方式完成。第一个：ML优化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供学习和分析，然后将这个模型信息推送到网络的边缘。通过这种方法，可以在所有边缘设备上做出分析管理决策。在这个模型中，边缘设备将被用于收集、分析和作用于云端以增加智能。第二种方法：如果节点设备将传感器产生的数据推送到云端的机器学习系统，机器学习系统将花费大量时间传输和处理数据以形成分析决策。因此，可以引入智能机器学习或人工智能（AI）芯片，节点设备将数据发送到云端，仅作存储之用。让机器学习在互联网边缘发挥作用需要更少的数学知识。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。即将到来的5G电信网络将为物联网测试用例提供更好的网络。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，实现边缘业务和资源的自动执行和部署。在这场革命中，物联网设备制造商和应用软件开发商将更加渴望使用边缘计算和分析。我们将看到大量的智能物联网测试用例和智能边缘设备的改进。
