边缘分析补充云计算

　　随着物联网的采用，互联的应用程序和系统正在迁移到云。在云上生成的终端设备和数据的数量也在增加。传感器、移动设备、可穿戴设备、机器人和物联网生态系统中的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，延迟以及在云上处理这些巨大数据的困难，因此分析和从这些数据中提取重要见解存在挑战。为了应对这一挑战，企业正在利用边缘分析和云计算。

　　这种组合通过将计算能力带到数据源附近并减少分析延迟，从而为各个行业的问题提供实时见解和解决方案，从而为物联网网络带来稳定性。换句话说，当数据无法带到算法中时，边缘分析会将算法引入数据并提供重要的见解。

　　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，专门的硬件组件和计算能力，通过部署先进的机器学习方法（如深度神经网络或卷积神经网络）来帮助更快地进行边缘分析。

　　在TensorFlow，keras和Caffe等流行框架上开发的模型可以在优化后部署，以在Andriod和微控制器等推理设备上运行。考虑MCU功能的推理引擎，如TensorFlow-Lite，TensorFlow-micro，CMSIS-NN等，可以在边缘执行量化模型，以便更快地进行分析。

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

　　汽车

　　根据一份题为“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增加到100 +，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面临的另一个挑战。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，然后执行操作，可以对自动驾驶汽车的成败产生巨大影响。

　　汽车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机器学习进行边缘设计智能应用，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。

　　医疗

　　物联网驱动的医疗保健设备可以收集患者数据。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，医生的移动或平板电脑设备是患者（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边缘的分析平台，在那里近乎实时地进行处理和显示。这有助于更快地治疗患者，减少他们的就诊频率。此外，它还在云和设备之间增加了一层安全的计算能力，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中都涉及多个传感器，这些传感器连续测量货物和设备的温度、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，机器学习算法可在设备故障发生之前预测设备故障并安排及时维护，这有助于延长其使用寿命、减少停机时间并节省总体维护成本。

　　云端分析

　　在了解了边缘分析的优势之后，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，学习过程在训练模型之前会从这些数据中提取许多实体、关系和集群。这可以在云上与训练模型一起进行。

　　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。历史数据存储在云上，将来可能会很有用，因为基于云的分析可以处理更多种类的数据。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，云能够在边缘分析上执行超级分析。云有办法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、外形尺寸和各种其他考虑因素，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。

　　减少数据带宽/传输的利用率：将大量数据转移到云进行处理可能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中，公司员工在远离人口稠密地区的远程站点工作，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，分析数据并监控操作参数，无论其值是否在其正常值范围内。

　　实时性能，处理速度更快：边缘计算大大减少了必须通过网络发送的数据量，从而减少了网络拥塞并加快了操作速度。边缘计算不是在云中运行进程，而是在本地位置运行进程，例如计算机、物联网设备或边缘服务器。通过将计算引入网络边缘，可以减少客户端和服务器之间的远距离通信，并获得实时见解。

　　增强的数据安全性（更接近数据源和位置感知）：解释一下，与其让安全摄像头将其视频内容流式传输到云端以针对某些情况（未知人员、物体等）进行分析，不如在摄像头本身内进行分析。与生物识别数据相关的数据隐私和安全问题使得仅在设备上本地使用数据而不通过云连接发送数据变得极其重要。

　　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。虽然它们不会抹黑，而是相辅相成。不可能有一个适合所有方案的解决方案。几乎没有关键因素，如实时性能、带宽成本、数据大小、应用程序复杂性等，这些因素决定了是进行边缘分析还是云分析，或者两者兼而有之（两全其美）。

　　审核编辑：郭婷