电子说
从边缘计算诞生开始,就一直有声音说边缘计算是云计算的“终结者”。但经过时间的验证,云计算和边缘计算的关系更加清晰:由于边缘计算解决了在边缘资源中云计算应用的应用问题,成为了云计算在未来发展中的重要支撑,边缘计算与云计算势必彼此融合,随之而来的就是“云边协同”。
边缘计算是对云计算的有效补充
实时或更快速的数据处理和分析。数据处理更接近数据来源,而不是在外部数据中心或云端进行,因此可以减少延迟时间。例如,自动驾驶汽车创造了大量的实时数据,其中大部分数据需要与邻近的汽车共享,数据上传到云端进行计算,再下放到终端设备,数据传输的延迟时间是不能被接受的。利用边缘计算设备,就能够确保信息进行快速处理并作出正确的反应,同时把信息快速传递到其它车辆。
较低的成本。企业在本地设备的数据管理解决方案上的花费比在云端和数据中心网络上的花费要少。
网络流量较少。随着联网设备的增多,将会产生大量的实时数据,据IDC预测,到2020年,全球数据总量将大于40ZB,大量的数据要上传到云端进行计算,网络传输压力会越来越大,而边缘计算的过程中,与云端服务器的数据交换并不多,只需要将少量的有效信息上传到云端,因此不需要占用太多网络带宽。
更高的应用程序运行效率。随着滞后减少,应用程序能够以更快的速度更高效的运行。
可离线运行并支持断点续传。减少对云端的依赖也意味着某些设备可以稳定地在信号较弱,甚至没有网络服务的地区离线运行;当需要上传数据时,只需要将设备移动到有信号覆盖的区域,就可以将数据上传到云端。例如在海洋中的石油钻井平台,正在空中飞行的飞机等场景,都是严重缺乏网络服务地特定地区。
安全性和合规性。2018年5月欧盟通过《通用数据保护条例》(GDPR),称为史上最严格地数据保护法律。由于数据地收集和计算都在本地进行,敏感信息可以不经过网络传输到云端,能够有效地避免传输过程中地数据泄漏,同时云端遭到攻击,一部分信息也会收到相应的保护。
边缘计算要依托云计算发展
物联网中的设备产生大量的数据,数据都上传到云端进行处理,会对云端造成巨大的压力,所以要分开处理。这时候,分布在各个节点的边缘计算将负责自己范围内的数据计算和存储工作。而对于应用场景来说,这还远远不够。
以自动驾驶为例,未来的计算模式是边缘计算与云计算结合,边缘侧的自动驾驶专用芯片会感知传感器数据并立刻处理、做决策;同时,这些处理之后的数据,也会在云端汇聚,进行大数据分析、模型搭建和编辑,同时做大规模的仿真,进行深度分析和机器学习,并对边缘侧设备进行更新和升级,使边缘侧设备更智能。算法+芯片+云计算,构成了未来自动驾驶的三大核心支点。
再以物联网为例,阿里云发布的边缘计算产品Link Edge。确实通过赋予家庭网关计算能力,即便是在断网的状态下,诸如生物识别门锁、机器人等都能正常运作。但是,如果加上云计算,基于云端的大数据分析和判断,在联动的前提下,整个家庭场景的智能设备将变得更为个性化和智能化,譬如关上门的时候,扫地机器人就开始运作等等。
由此可以看出边缘侧设备在大数据处理,大数据存储,应用程序开发、机器学习和人工智能等方面的处理能力无法与云端相比。同时,在云端的应用设计、开发、测试、部署、管理等功能是开发边缘应用的关键。
云计算无法被边缘计算替代,二者相互补充协同
结合上面的例子可以看出,提供边缘计算能力的设备主要在前端,负责数据的实时采集、计算和处理。但是,大多数的数据并不是一次性数据,那些经过处理的数据需要在系统中进行留存,用以做算法训练、数据验证等用途。这时候就需要一个大容量的“容器”,而这个是边缘计算所没有的。在这个“容器”中,这些数据将被存储,用于大数据挖掘、算法训练、用户个性化功能塑造等等,这些都是非实时需求,在完成这些操作之后将数据传输给终端设备,从而进一步提升服务质量。这个“容器”就是云计算,云计算做大数据分析挖掘、数据共享,同时进行算法模型的训练和升级,升级后的算法推送到前端,使前端设备更新和升级,完成自主学习闭环。同时,这些数据也有备份的需要,当边缘计算过程中出现意外情况,存储在云端的数据也不会丢失。
从整体来看,边缘计算并不能代替云计算,也离不开云计算。未来,云计算将与边缘计算形成一种互补、协同的关系,边缘计算需要与云计算通过紧密协同才能更好的满足各种应用场景的需求。边缘计算将主要负责那些实时、短周期数据的处理,负责本地业务的实时处理与执行,为云端提供高价值的数据;云计算通过大数据分析,负责非实时、长周期数据的处理,优化输出的业务规则或模型,下放到边缘侧,使边缘计算更加满足本地的需求,同时完成应用的全生命周期管理。
如何实现协同依然存在较多困难点
云计算与边缘计算在磨合中逐步走向协同发展,但是在当前的形势下,云计算与边缘计算协同还面临诸多挑战。
连接协同。网络是系统互联与数据聚合传输的基石。伴随联接设备数量的剧增,网络运维管理、灵活扩展和可靠性保障面临巨大挑战。同时,工业现场长期以来存在大量异构的总线联接,多种制式的工业以太网并存,如何兼容多种联接并且确保联接的实时可靠是必须要解决的现实问题。
数据协同。统一数据联接和数据聚合是业务智能的基础,面对当前工业现场存在的多样化与异构的技术和标准,离不开跨厂商、跨领域的数据集成与互操作。
任务协同。任务的下达和反馈是实现引用场景功能的重要沟通手段,云端面对海量的边缘侧设备和复杂的应用环境,如何能够将任务准确完整的下达到边缘侧;边缘侧设备通过边缘计算后,如何将有效信息整合到任务中进行反馈都是考验云边协同能力的重要指标。
管理协同。云边协同的管理协同包含两方面的内容:一是云端如何对海量和异构的边缘侧设备的接入进行统一和有效的管理;二是如何对边缘侧设备和云端的应用开发管理、生命周期管理、业务管理进行协同,保证边缘侧设备和运算能够共同完成应用场景的管理工作。
安全协同。安全横跨云计算和边缘计算,需要实施端到端防护。网络边缘侧由于更贴近万物互联的设备,访问控制与威胁防护的广度和难度因此大幅提升。边缘侧的设备和产生的数据接入到云端的安全和隐私如何保证,云端如何抵御来自边缘侧的攻击,云端下放到边缘侧的数据如何保证安全,这些都是安全领域需要关注的重点内容。大部分应用场景中,边缘计算和云计算分属不同的提供者,如何兼顾和协调边缘侧和云端的安全和隐私,同样是云边协同中的安全重点。
多方协同。边缘计算和云计算协同应用场景越来越多,越来越复杂,比如在车联网应用中,存在多种传感器和采集器之间的协同、汽车之间的协同、汽车端与云端协同等环境将会越来越复杂。如何在同一应用场景中实现云边协同、边边协同、多边协同等多方协同方案,也成为越来越需要着重考虑的问题;如何在统一不同应用场景中的云边协同、边边协同、多边协同也是另一个重要的方面。同时,在运营商层面,边缘云与核心云、边缘云与边缘云之间如何协同也是运营商关注的重点。
全部0条评论
快来发表一下你的评论吧 !