边缘计算在物联网发展中的机遇分析

（文章来源：网络整理）

目前，物联网已经得到大量部署，边缘计算在物联网发展中也蕴含着诸多研究机遇。下面就让来小编带大家一起看看。

标准化是一项新技术被成功推广必不可少的步骤，它记录了多个参与者之间的共识，并定义了特定行业的自愿特性和规则。标准化有助于将用户从众多繁杂琐碎的概念中抽离出来，使系统中的核心部分得以高效地创新和发展。更重要的是，标准化可以建立用户对产品、服务和系统的信任，使技术更容易被市场所接受。

为了加速边缘计算落地，使得边缘计算可以被公开访问，必须定义所有相关方的责任、关系和风险。具体来说，需要从拥有边缘节点的公共和私人组织等传统利益相关者的角度出发，清晰地表达使用边缘节点的法律、社会和伦理责任。边缘设备接入，边缘计算作为物理世界到数字世界的桥梁。涉及海量终端设备的接入和边缘节点的管理，是海量实时数据采集、汇聚、集成和处理的第一关卡。由于终端设备来源于不同生产商，有不同的数据接口、数据结构、传输协议以及底层平台，需要统一设备接入标准来应对这些异构的终端设备。

一个良好的框架或计算服务可以大大提高应用开发者的开发效率，从而改善平台的用户生态。在传统的云计算中，现有的编程模型（如MapReduce）为了提高程序员的开发效率，通常隐藏了底层的数据流传输、程序并行、任务执行顺序等细节。这类高度抽象的编程语言或框架使得云计算平台的应用开发变得更加高效，但是却不适用于边缘计算的场景，因为不同边缘节点执行的任务通常种类也不同。例如，无人车的车载芯片需要对传感器的数据进行实时处理；用于公共安全的摄像头会产生大量的图像处理请求。

与大型服务器不同，由于硬件资源的限制边缘设备通常难以支持大型软件的运行。例如Apache Spark若要获得较好的运行性能，至少需要8核的CPU和8GB的内存，这对于大部分边缘节点来说几乎是不可能实现的。因此，需要针对资源受限的边缘设备设计轻量级的库和内核，以使得边缘节点的性能足以运行一些数据分析工具。此由于边缘设备、边缘节点的异构性，还需要设计相应的策略测试这些设备的性能，使其计算资源得到充分发挥。

由于边缘节点的异构及资源受限的特性，在边缘节点上部署的系统需要具有快速部署、快速启动资源隔离等特点。传统的LXC、KVM、XEN等虚拟化技术不能完全覆盖所有边缘设备的底层差异甚至不能应用到所有硬件。目前较为理想的方案是使用Docker的容器技术。容器可以看作一个装有一组特定应用的虚拟机，它直接利用了宿主机的内核，抽象层比虚拟机更少，更加轻量化，启动速度更快。将容器作为边缘节点上的轻量级虚拟化技术的方案目前还处在起步阶段。仍需要进行大量的研究。

边缘计算通过靠近数据源和用户部署智能化边缘节点，可提供满足用户不同质量需求的可靠服务，特别是能满足延迟敏感、实时性要求高的服务需求边缘计算在自动驾驶、5G、VR/AR、内容分发网络、车联网、智能物联网（AIoT）、工业制造等领域都有广泛应用。

物联网技术的先驱应用包括家庭控管自动化和家用电子产品领域。目前，市场上已有多种智能家居应用，其范围从简单的恒温传感器到复杂的自动化系统，如智能照明、清洁和家庭娱乐系统。智能家居产品和应用的多样化，使得智能家居网络上产生的数据量越来越大。传统方式下，由于家庭里往往没有公网IP地址，要实现对家居设备远程操控，必须通过云端的辅助来打通内网外网的连接壁垒。用户通过手机APP便携管理家居设备，其实是请求云端去修改各设备的状态信息，云端再将指令下发到对应的智能设备。在这种模式下，所有家居设备的数据均需要上传至云端进行集中式处理和存储。在网络带宽受限，网络不稳定的情况下，大量数据传输导致的端到端延迟将严重影响用户体验。

而边缘计算能给智能家居提供很好的支撑。一方面，边缘计算可以利用专用可靠的本地服务来处理室内家居应用产生的大量网络流量，在家庭区内进行智能设备相关任务处理以及相关应用的升级更新，并与云端协同智能高效管理家居设备，提供高可靠、低延迟的服务。另一方面，边缘计算可以将家庭数据处理推送至家庭内部网关，并增加安全访问策略，减少家庭数据泄露的风险，提升智慧家庭的安全性。目前，国外主流互联网厂商纷纷对智能家居领域展开争夺，推出多款产品。

物联网技术已经从家庭发展到社区，甚至是城市规模的应用。智能城市中产生的巨大物联网数据流量可以在网络边缘进行理想的处理，从而提供低延迟和位置感知服务，例如，城市中的各个摄像机可以将视频流传送到边缘服务器以进行实时处理和异常检测。多个边缘服务器之间的协作则可以用来处理需要按地理分布的数据的应用程序，例如，医疗保健的应用程序需要与来自医院、药房、保险、物流和政府等多个领域的实体协作。2018年9月，美国科罗拉多斯普林斯市（Colorado Springs）开始启用枪击检测系统，该系统使用声学传感器网络来检测枪击，并在快速确定枪击位置后通知警方。

随着车载应用的日益丰富，汽车连接网络的需求愈发强烈，使其从简单的出行或运输工具逐步演变成一个智能互联的计算系统。为了让汽车变得更加安全可靠和高效友好，机器视觉及深度学习等技术被广泛应用于车内的信息系统，比如辅助刹车、防撞系统、车载娱乐系统等。2016年英特尔（Intel）的一份报告显示，一辆自动驾驶车辆一天产生的数据为4TB，这些数据如果均上传至云端处理，必然无法满足车载复杂应用的低延迟需求。因此需要将汽车作为一个边缘计算节点进行本地计算和存储，减少延迟。汽车不是一个孤立的个体，车与车、车与道路有着密切联系。
      （责任编辑：fqj）