边缘分析补充云计算

　　随着物联网的采用，连接的应用程序和系统正在迁移到云端。云上生成的终端设备和数据的数量也在增加。物联网生态系统中的传感器、移动设备、可穿戴设备、机器人和许多其他连接设备等边缘设备会产生大量分散的数据。

　　由于缺乏可靠的连接性、在云上处理这些庞大数据的延迟和困难，从这些数据中分析和提取重要见解面临挑战。为了应对这一挑战，企业正在利用边缘分析和云计算。

　　这种组合通过使计算能力接近数据源并减少分析延迟，从而为物联网网络带来稳定性，从而为各个行业的问题提供实时洞察和解决方案。换句话说，当无法将数据带到算法中时，边缘分析会将算法带到数据中并提供重要的见解。

　　边缘分析

　　近年来，由于半导体技术的进步，MCU 和处理器配备了更多的处理能力、专用硬件组件和计算能力，通过部署深度神经网络或卷积神经网络等先进的机器学习方法，有助于在边缘进行更快的分析。

　　在 TensorFlow、keras 和 Caffe 等流行框架上开发的模型经过优化后可以部署在 Andriod 和微控制器等推理设备上运行。考虑到 MCU 功能而设计的推理引擎，如 TensorFlow-Lite、TensorFlow-micro、CMSIS-NN 等，可以在边缘执行量化模型以加快分析速度。

　　边缘分析使边缘需要数据洞察力的组织受益。让我们看看边缘分析如何帮助全球多个行业。

　　汽车

　　根据题为“全球汽车传感器技术市场”的报告，汽车中使用的传感器平均数量已从 50-60 个增加到 100+，并且在不久的将来将达到 200+，这将产生大量数据。持续可靠的云连接是移动车辆的另一个挑战。例如，在自动驾驶汽车的情况下，延迟将数据发送到云端、分析数据并在之后执行操作可能会对自动驾驶汽车的成败产生巨大影响。

　　汽车中的边缘分析将帮助公司实时收集、分析和处理数据，从而可以立即采取必要的行动。此外，可以通过人工智能和边缘机器学习设计智能应用，如防撞、交通路线、视线偏离道路检测系统等。这确保了优化的资产使用、低维护和乘客安全。

　　卫生保健

　　物联网驱动的医疗设备可以收集患者的数据。边缘分析可以分析收集的数据，而无需持续的网络连接。随着半导体技术的进步，硬件和机器学习方法变得更加高效，因此边缘设备可以监测和分析更复杂的参数，如神经活动、心律、血压等。

　　通过边缘计算，患者管理、远程监控、住院护理和健康信息管理都变得更快。举例来说，医生的移动或平板设备是患者（数据源）和云之间的边缘。使用手机或平板电脑治疗患者的临床医生将能够将患者数据输入到边缘的分析平台中，并在该平台上近乎实时地处理和显示。这有助于更快地治疗患者，减少他们的访问频率。此外，它还在云和设备之间增加了一个安全的计算能力层，从而保护了患者数据。

　　制造业

　　在制造单位或工厂中，边缘设备上的任何生产线都涉及多个传感器，这些传感器连续测量商品和设备的温度、湿度、压力等参数。将这些连接到云并分析数据将非常耗时。边缘计算可以处理这些数据以进行分析，并在流程中实施或建议所需的更改。边缘机器学习还支持预测性监控，机器学习算法可以在设备故障发生之前预测设备故障并安排及时的维护，这有助于延长设备的使用寿命、减少停机时间并总体节省维护成本。

　　云端分析

　　看到边缘分析的优势后，重要的是要了解它不会取代云，而是通过实时分析补充云计算，因为它靠近数据源。很少有进程会继续在云中执行。

　　机器学习算法的训练：机器学习算法的开发依赖于大量数据，在训练模型之前，学习过程会从中得出许多实体、关系和集群。这可以在训练模型的同时在云上进行。

　　处理能力和存储容量：存储和处理能力的无限可扩展性、易于部署的分析使云分析不可替代。历史数据存储在云中，将来可以使用，因为基于云的分析 适用于更多种类的数据。例如，它可以将历史数据添加到流数据中，或者使用边缘分析分析所有设备的所有输出。

　　利用连接到单个云的应用程序的所有边缘设备，云能够对边缘分析执行超级分析。云可以管理这些数据并将其转化为有意义的预测和分析。

　　边缘分析如何补充云？

　　由于延迟、带宽、功耗、成本、外形尺寸和其他各种考虑因素，物联网系统中的实时决策仍然具有挑战性。这可以通过在边缘添加人工智能来克服。

　　数据带宽/传输的利用率较低：将大量数据转移到云端进行处理会消耗高数据带宽并产生明显的延迟，这可能会对时间关键型应用程序产生负面影响。为了避免这种延迟并消除对数据带宽的依赖，可以在边缘执行数据处理。

　　消除持续连接到云的需求：在石油、天然气或采矿等行业，公司员工在远离人口稠密地区的偏远地点工作，因此不存在连接。在这种情况下，机器人等边缘设备上的传感器可以捕获数据、分析数据并监控运行参数，无论它们是否在其正常值范围内。

　　实时性能和更快的处理速度：边缘计算显着减少了必须通过网络发送的数据量，从而减少网络拥塞并加快运行速度。边缘计算不是在云中运行进程，而是在计算机、物联网设备或边缘服务器等本地位置运行进程。通过将计算带到网络边缘，可以减少客户端和服务器之间的远程通信并获得实时洞察。

　　增强的数据安全性（更接近数据源和位置感知）：解释一下，而不是让安全摄像头将其视频内容流式传输到云端，以便针对某些情况（未知的人、物体等）进行分析，该分析可以在相机本身内完成。与生物特征数据相关的数据隐私和安全问题使得仅在设备本地使用数据而不通过云连接将其发送出去非常重要。

　　云计算和边缘计算是不同的方法，完全取决于实现的应用程序。虽然他们不抹黑，但相辅相成。不可能有一个适合所有场景的解决方案。很少有关键因素，如实时性能、带宽成本、数据大小、应用程序复杂性等，它们决定了是进行边缘分析还是云分析或两者兼而有之（两全其美）。

　　审核编辑：郭婷