邊緣運算及大數據的前景

退居雲端之外，加速資料處理的秘訣就在於 “邊緣”

“邊緣運算”使用本地端電腦的分佈式網路來處理信息，而非利用亞馬遜、微軟或是Google伺服器所提供的資源。這聽起來似乎是一個後退的技術步驟。 畢竟，幾乎所有的現代化服務 – 從電子郵件到Netflix–都使用雲端進行大規模運營。但是邊緣運算有幾個關鍵優勢，並承諾將改變數據收集和使用的方式。不僅如此， 它還開啟了全新的應用和使用案例的前景。

當邊緣運算遇到霧運算

最簡單的情況為，邊緣運算使用位於資料物理源的專用電腦，這些電腦在本地處理這些數據 而不是將工作負載卸載到雲端裡。這使得即時處理能夠進行，再加上本地邊緣人工智慧， 便可立即做出判斷。

邊緣運算與所謂的發生在本地網路階段處理資料的”霧運算”並行。因此，典型的邊緣/霧/雲端模式會在邊緣處收集和使用一些數據，從而非常快速的提供本地結果；霧伺服器處理下一級數據（可能會覆蓋邊緣電腦的資源）；雲端運算則用於高端業務分析和大數據查詢。

為什麼我們需要邊緣運算？

邊緣運算遠遠不能消弭雲端運算所獲成果 (或取代它)，而是一種互補的技術，並於汽車、企業和智慧城市等關鍵市場領域中，提供較少的延遲時間和更好的客制化應用。

這些領域正在被數據轉化。 事實上，數據通常被形容為現代商業的石油，其分析為當前的運營提供了新的見解，並可能發現新的成長機會。 多虧物聯網（IoT）技術的堀起，公司獲得比過往更多的數據。 事實上，Gartner報告指出，於2020年，物聯網設備（感測器、相機等）的數量將增長到200多億。

有這麼多的潛在資料可供處理， 雲端運算系統通常面臨兩個主要問題：速度和可用性。

速度為處理現代資料集時的重大難題。當您希望將資訊發送到雲端、進行處理並接收即時結果時，延遲成了真正的問題。即使是最快的互聯網連接和雲端平臺，也會產生延遲。

透過邊緣運算， 可以在資料來源處進行處理，大大減少回應時間。例如，這對無人駕駛車來說便很有幫助，即時處理情境感測器資料至關重要。

改善可靠性及性能

可靠性則為第二個難題，當雲端運算需要快速、永續地連接至任何使用上，僅需有限的離線可能性。可靠的網路連接並不總是實用或可用的，無論是受限於地理位置或硬體。

同樣地，讓邊緣運算發光的另一個領域是正在發展中的無人駕駛車。從機載感測器收集大量資料，無人駕駛車需要能夠立即作出決定， 使它們的乘客安全抵達目的地。如果一個無人駕駛車需要為其資訊而倚賴網路連接，它則無法確實地運作。

藉由本地進行資料處理， 汽車可以根據所需的速度對其周圍的環境做出反應，這是雲端系統所無法比擬的。

雲端運算

從雲端中獨立出來的邊緣系統，可以構成較廣泛的雲端策略一部分。首先， 邊緣系統收集資料，它可以於傳送到雲端之前進行過濾和優化。此篩選過程可以節省頻寬和存儲成本，提供整理後的相關資料，以便進行後續分析。

其次，邊緣設備可以根據較大的資料集進行微調和操作， 無論是外部的還是由邊緣設備本身集結的。例如， 首爾國際金融中心商場將數位電子看板與內置的邊緣人臉辨識系統結合在一起。便可以偵測個人的性別和年齡，然後顯示於個人化廣告中。

邊緣運算加速識別消費者和顯示廣告的過程。試想這個系統搭載一個更大的中央雲端系統，使用更大的資料集來通知邊緣系統在任何特定的日子裡需要顯示的廣告內容。這就是邊緣和雲端共同助力的成效。

安全防護更進一步

在收集和處理資料時，安全性是一個很大的問題。邊緣運算可以藉由在本地處理擷取的資料並使私有資訊不被傳輸到雲端來新增另一級別的防護。

提到人臉辨識系統。伴隨邊緣運算硬體到位， 所有擷取的資料都可以於本地處理。一般資料 (如個人年齡和性別) 可以存儲在雲端，以利日後進行大資料分析；但實際的私人資訊仍保留在邊緣系統中。

透過分配工作負載而非倚賴於一個集中的存儲庫，安全性也會被分發，從而縮減對個人資料的可用性和存取權限。

客制化是能量啟動的關鍵

 

為使緣邊運算趨於成功，它需要堅固、輕薄、可靠且能安裝在所需的數據收集點或嵌入至產品中的系統。還需要一個高層級的客制化， 使邊緣系統能確實地根據數據流動、學習和適應作即時編程。