新兴科学技术注定是2019年的奔腾发展的一年，继新年伊始的柔性屏折叠屏技术、到工信部提出“4K先行，兼顾8K”的高清视频产业发展的技术路线、再到这两天边缘计算被市场推到了风口。

　　3月5日，两会19年政府工作报告中明确提出：打造工业互联网平台，拓展“智能+”，为制造业转型升级赋能。

　　5G生态具备低延时、高速度的特点，在物联网，特别是工业互联网中的应用更为广泛，而边缘计算是发展工业互联网的重要辅助。

　　云计算已经不足以即时处理和分析由物联网设备、联网汽车和其他数字平台生成或即将生成的数据，这个时候边缘计算能够派上用场。该技术拥有着应用于诸多行业领域和发挥巨大作用的潜力。

　　目前，大数据处理已经从以云计算为中心的集中式处理时代正在跨入以万物互联为核心的边缘计算时代。

　　什么是边缘计算

　　边缘计算是指在网络边缘执行计算的一种新型计算模型，边缘计算中边缘的下行数据表示云服务，上行数据表示万物互联服务，而边缘计算的边缘是指从数据源到云计算中心路径之间的任意计算和网络资源。

　　云计算中心不仅从数据库收集数据，也从传感器和智能手机等边缘设备收集数据。这些设备兼顾数据生产者和消费者。因此，终端设备和云中心之间的请求传输是双向的。

　　网络边缘设备不仅从云中心请求内容及服务，而且还可以执行部分计算任务，包括数据存储、处理、缓存、设备管理、隐私保护等。因此，需要更好地设计边缘设备硬件平台及其软件关键技术，以满足边缘计算模型中可靠性、数据安全性的需求。

　　为什么需要边缘计算

　　1、云计算服务的不足

　　云计算大多采用集中式管理的方法，这使云服务创造出较高的经济效益，而在万物互联的背景下，应用服务需要低延时、高可靠性以及数据安全，而传统云计算无法满足这些需求，主要归因于3个方面：

　　1)实时性.

　　万物互联环境下，边缘设备产生大量实时数据，云计算性能正逐渐达 到瓶颈。据IDC预测，到2020年，全球数据总量将大于40ZB。随着边缘设备数据量的增加，网络带宽正逐渐成为云计算的另一瓶颈.仅提高网络带宽并不能满足新兴万物互联应用对延迟时间的要求。

　　例如，波音787每秒产生的数据超过5GB，但飞机与卫星之间的带宽不足以支持实时传输。装载在无人驾驶汽车上的传感器和摄像头实时捕捉路况信息，每秒产生约1GB数据，根据IHS预测，到2035年，全球将有5400万辆无人驾驶汽车，如何实现较短延时将是未来主要研究方向。为此，在接近数据源的边缘设备上执行部分或全部计算是适应万物互联应用需求的新兴计算模式。

　　2)隐私保护。

　　当用户使用电子购物网站、搜索引擎、社交网络等时，用户的隐私数据将被上传至云中心。比如有人研究出一种基于运动追踪的医疗体育应用服务，其包含用户隐私数据，如从路由起点信息可以查找到用户的家庭地址。

　　随着智能家居的普及，许多家庭在屋内安装网络摄像头，如果直接将视频数据上传至云数据中心，视频数据的传输不仅会占用带宽资源，还增加了泄露用户隐私数据的风险。

　　针对现有云计算模型的数据安全问题，边缘计算模型为这类敏感数据提供了较好的隐私保护机制，一方面，用户的源数据在上传至云数据中心之前，首先利用近数据端的边缘结点直接对数据源进行处理，以实现对一些敏感数据的保护与隔离;另一方面，边缘节点与云数据之间建立功能接口，即边缘节点仅接收来自云计算中心的请求，并将处理的结果反馈给云计算中心。这种方法可以显著地降低隐私泄露的风险。

　　3)能耗。

　　针对云数据中心的能耗问题，许多研究者进行了深入的调查研究，结果表明，到2020年美国所有数据中心的总能耗将增长4%，在2020年将达到约730亿千瓦时。

　　在我国，环境360报告表明，仅我国数据中心所消耗的电能已经超过匈牙利和希腊两国用电的总和。

　　随着在云计算中心运行的用户应用程序越来越多，未来大规模数据中 心对能耗的需求将难以满足。

　　在云计算中心的能耗优化方面，现有的研究内容主要集中在如何提高能源使用效率和动态资源管理策略方面，以达到减缓能耗增速、最大程度的节能。

　　然而，提高能效水平仍不能解决数据中心巨大能耗的问题，这一问题在万物互联环境下将更加突出.为解决这一能耗难题，边缘计算模型提出将原有云数据中心上运行的一些计算任务进行分解，然后将分解的计算任务迁移到边缘节点进行处理，以此降低云计算数据中心的计算负载，进而达到降低能耗的目的。

　　在现有以云计算模型为核心的集中式大数据处理基础上，亟待需要以边缘计算模型为核心，面向海量边缘数据的边缘式大数据处理技术，二者相辅相成，应用于云中心和边缘端大数据处理，解决万物互联时代云计算服务不足的问题。

　　2、万物互联的兴起

　　传感器、智能手机、可穿戴设备以及智能家电等设备将成为万物互联的一部分，并产生海量数据，而现有云计算的带宽和计算资源还不能高效处理这些数据。

　　传统云计算模型，源数据由生产者发送至云端，终端用户、智能手机、个人电脑等数据消费者向云中心发送使用请求。 云计算利用大量计算资源来处理数据， 但万物互联环境下，传统云计算模型不能有效满足万物互联应用的需求，它将边缘设备端海量数据发送到云端，造成网络带宽负载和计算资源浪费;传统云计算模型的隐私保护问题将成为万物互联架构中云计算模型的障碍;万物互联架构中大多数边缘设备节点的能源是有限的，并且无线传输模块的能耗较大。

　　3、从数据消费者到生产者

　　在云计算模型中，边缘终端设备通常作为数据消费者(如用智能手机观看在线视频)，如今智能手机也可生产数据，从数据消费者到生产者角色的转变要求边缘设备具有更强的计算能力，如人们通过社交软件分享照片及视频。 微信朋友圈和腾讯 QQ空间每天上传的图片高达10亿张;腾讯视频每天播放量达20亿次.这些图片和视频数据量较大，上传至云计算中心过程会占用大量带宽资源.为此，在源数据上传至云中心之前，可在边缘设备执行预处理，以减少传输的数据量，降低传输带宽的负载.此外，若在边缘设备处理个人身体健康数据等隐私数据，用户隐私会得到更好地保护。

　　边缘计算的优势

　　边缘计算模型将原有云计算中心的部分或全部计算任务迁移到数据源的附近执行.根据大数据的3V 特点，即数据量(volume)、时效性(velocity)、多样性(variety)，通过对比云计算模型为代表的集中式大数据处理(如图)和以边缘计算模型为代表的边缘式大数据处理(如图)时代不同数据特征来分析边缘计算模型的优势。

　　集中式大数据处理时代，数据的类型主要以文本、音视频、图片以及结构化数据库等为主，数据量维持在 PB级别，云计算模型下的数据处理对实时性要求不高。

　　万物互联背景下的边缘式大数据处理时代，数据类型变得更加复杂多样，其中万物互联设备的感知数据急剧增加，原有作为数据消费者的用户终端已变成了具有可产生数据的生产者终端，并且边缘式大数据处理时代，数据处理的实时性要求较高，此外，该时期的数据量已超过 ZB级.针对此，边缘式大数据处理时代，由于数据量的增加以及对实时性的需求，需将原有云中心的计算任务部分迁移到网络边缘设备(如图的边缘云)上，以提高数据传输性能，保证处理的实时性，同时降低云计算中心的计算负载。

　　边缘式大数据处理时代的数据特征催生了边缘计算模型.然而，边缘计算模型与云计算模型并不是非此即彼的关系，而是相辅相成的关系，边缘式大数据处理时代是边缘计算模型与云计算模型的相互结合的时代，二者的有机结合将为万物互联时代的信息处理提供较为完美的软硬件支撑平台。

　　边缘计算在各行各业的应用

　　随着传感器价格和计算成本的持续下降，更多的“东西”将被连接到互联网。

　　随着更多的联网设备变得可用，边缘计算将在各行各业中得到越来越多的应用，尤其是在云计算效率低下的一些领域。

　　我们已经开始看到该技术在多个不同的行业领域产生影响。

　　“当我们把云的威力下沉到设备(即边缘)时，我们可带来实时地响应、分析和行动的能力，尤其是在网络条件有限或者缺乏网络的地区……它还处于初期发展阶段，但我们正开始看到这些新功能能够应用于解决全球范围的一些重大挑战。”——微软首席技术官凯文·斯科特(Kevin Scott)

　　从自动驾驶汽车到农业，以下几个行业将会从边缘计算的潜力中获益。

　　交通运输

　　边缘计算技术最显而易见的潜在应用之一是交通运输——更具体地说，是无人驾驶汽车。

　　自动驾驶汽车装备了各种各样的传感器，从摄像头到雷达到激光系统，来帮助车辆运行。

　　如前所述，这些自动驾驶汽车可以利用边缘计算，通过这些传感器在离车辆更近的地方处理数据，进而尽可能地减少系统在驾驶过程中的响应时间。虽然无人驾驶汽车还不是主流趋势，但公司们正在未雨绸缪。

　　今年早些时候，汽车边缘计算联盟(AECC)宣布将启动以联网汽车解决方案为重点的项目。

　　“联网汽车正迅速地从豪华车型和高端品牌扩张到大批量的中端车型。汽车行业将很快达到一个临界点，届时汽车所产生的数据量将超过现有的云、计算和通信基础设施资源。”——AECC主席兼总裁村田兼一(Kenichi Murata)

　　该联盟的成员包括DENSO Corporation、丰田汽车、AT&T、爱立信、英特尔等公司。

　　不过，不仅仅是自动驾驶汽车会产生大量的数据并需要实时处理。飞机、火车和其他的交通工具也是如此——不管它们有没有人类驾驶。

　　例如，飞机制造商庞巴迪(Bombardier)的C系列飞机就装备了大量的传感器来迅速检测发动机的性能问题。在12小时的飞行中，飞机产生了多达844 TB的数据。边缘计算支持对数据进行实时处理，因此该公司能够主动处理引擎问题。

　　医疗保健

　　如今，人们越来越喜欢佩戴健身追踪设备、血糖监测仪、智能手表和其他监测健康状况的可穿戴设备。

　　但是，要真正地从所收集的海量数据中获益，实时分析可能是必不可少的——许多的可穿戴设备直接连接到云上，但也有其他的一些设备支持离线运行。

　　一些可穿戴健康监控器可以在不连接云的情况下本地分析脉搏数据或睡眠模式。然后，医生可以当场对病人进行评估，并就病人的健康状况提供即时反馈。

　　但在医疗保健领域，边缘计算的潜力远不局限于可穿戴设备。

　　不妨想想，快速的数据处理能够给远程患者监控、住院患者护理以及医院和诊所的医疗管理带来多大的好处。

　　医生和临床医生将能够为患者提供更快、更好的护理，同时患者所生成的健康数据也多了一层安全保护。医院病床平均有20个以上的联网设备，会产生大量的数据。这些数据的处理将直接发生在更靠近边缘的地方，而不是将保密数据发送到云端，因此能够避免数据被不当访问的风险。

　　如前所述，本地化数据处理意味着大范围的云端或网络故障不会影响业务运转。即使云操作中断，这些医院的传感器也能独立地正常运行。

　　制造业

　　智能制造有望从现代工厂大量部署的传感器中获得洞见。

　　由于能够减少滞后，边缘计算可能会使得制造流程能够更快速地做出响应和变动，能够实时地应用数据分析得出的洞见和实时行动。这可能包括在机器过热之前将其关闭。

　　一家工厂可以使用两个机器人来完成同样的任务，两个机器人装有传感器，并连接到一个边缘设备上。边缘设备可以通过运行一个机器学习模型来预测其中一个机器人是否会操作失败。

　　如果边缘设备断定机器人很可能会出现故障，它就会触发行动来阻止或减慢机器人的运转。这会使得工厂能够实时地评估潜在的故障。

　　如果机器人能够自己处理数据，它们也可能变得更加自给自足和反应灵敏。

　　边缘计算应该支持更快地从大数据中更多的洞见，以及支持将更多的机器学习技术应用到业务运营中。

　　最终目标是，挖掘实时产生的海量数据的巨大价值，防止安全隐患，并减少工厂车间机器运转中断的情况。

　　农业和智能农场

　　边缘计算非常适合应用于农业，因为农场经常处于偏远的位置和恶劣的环境中，可能存在带宽和网络连接方面的问题。

　　现在，想要改善网络连接的智能农场需要在昂贵的光纤、微波连接或者拥有一颗全天候运行的卫星上进行投资;而边缘计算则是一种合适的、具有成本效益的替代方案。

　　智能农场可以使用边缘计算来监测温度和设备性能，以及自动让各种设备(比如过热的泵)减缓运转或者关闭。

　　能源和电网控制

　　边缘计算或许在整个能源行业都尤其有效，尤其是在石油和天然气设施的安全监测方面。

　　例如，压力和湿度传感器应当受到严密监控，不能在连接性上出差错，尤其是考虑到这些传感器大多位于偏远地区。如果出现异常情况——比如油管过热——却没有被及时注意到，那就可能会发生灾难性的爆炸。

　　边缘计算的另一个好处是能够实时检测设备故障。通过电网控制，传感器可以监控从电动汽车到风力发电厂的一切设施所产生的能源，有助于相应作出决策来降低成本和提高能源生产效率。

　　其他行业领域的应用

　　其他可以利用边缘计算技术的行业包括金融业和零售业。这两个行业都使用大型的客户和后端数据集来提供从选股信息到店内服装摆放的各种信息，可以从减少对云计算的依赖中获益。

　　零售可以使用边缘计算应用程序来增强顾客体验。如今，许多零售商都在致力于改善店内体验，优化数据收集和分析的方式对它们而言绝对很有意义——尤其是考虑到许多零售商已经在尝试使用联网的智能显示屏。

　　此外，很多人使用店内平板电脑所生成的销售点数据，这些数据会被传输到云端或数据中心。借助边缘计算，数据可以在本地进行分析，从而减少敏感数据泄漏的风险。

　　当前边缘计算应用虽然尚属探索起步期，但在很多领域都已得到应用。其中包括自动驾驶、安防前端智能化、工业级低时延应用、VR/AR即时对战类游戏、远程医疗等。5G时代的多元化应用催生了边缘计算的快速发展，传统的数据中心将向边缘侧延伸，边缘计算将加速ICT融合落地。边缘计算市场规模万亿可期，将成为与云计算平分秋色的新兴市场。