边缘云计算社区

边缘计算是一个的分布式平台，将、计算、存储和应用的底层能力集成到更靠近中的对象或数据源，提供近边缘信息服务。在距离终端最近的边缘提供服务是边缘计算的优势。在数据处理的及时性和效率方面，它已成为云计算的有力补充。
根据边缘计算产业联盟（ECC）发布的边缘计算2.0定义：边缘计算业务的核心是数据中心之外的云计算集群节点的扩展和发展，主要包括边缘云、边缘云和边缘。半实现模型；以“边缘云协同”和“边缘智能”为能力发展的核心方向；软件平台需要考虑引入云理念、云架构、云技术，提供端到端实时、协同智能、可信、动态重置等能力；硬件平台需要考虑异构计算能力，如ARM、X86、GPU、NPU、FPGA等。因此，我们可以看到，边缘计算2.0实际上由三种实现形式组成：边缘、边缘云、边缘云。
边缘计算的优势与发展
边缘计算有着广阔的发展前景，被称为“人工智能的最后一公里”，但仍处于发展初期，存在很多问题需要解决。能解决的问题，比如：框架的选择、通信设备和协议的规格、外围设备的识别、低时延要求等。随着IPv6和5G技术的推出，其中一些问题将得到解决，尽管这是一个漫长的过程。与云计算相比，边缘计算具有以下优势。
优点一：使用更多的节点来负载流量，使得数据传输更快。
优势二：距离终端更近，传输更安全，数据处理更即时。
优点三：节点更分散，云计算故障影响更小，解决了设备散热问题。

边缘计算是指在靠近物体或数据来源的边缘，集成、计算、存储和应用处理能力的分布式平台，就近提供智能服务。与云计算的区别在于：功能不同。

边缘计算是云计算的逆向作。云计算强调从边缘或桌面集中计算和存储能力，而边缘计算则重新整合这些计算和存储能力。它沉到边缘。

边缘计算和云计算实际上都是处理大数据计算作的一种方式。边缘计算是对云计算的补充和优化。云计算涉及到所有人，而边缘计算则更关注本地。

云计算是分布式计算的一种，是指通过云将大数据处理程序分解成无数的小程序，然后对这些小程序进行处理并通过由许多服务器组成的进行分析以获得结果并将其返回给用户。

云计算的主要理念是以互联网为中心，提供快速、安全的云计算服务和网站数据存储，让每个使用互联网的人都可以使用互联网上的大量计算资源和数据。。数据中心。

在互联网和数据普遍存在的当今世界，不仅智能手机可以连接互联网，手表、闹钟、家电等生活用品也可以实时从互联网中提取信息，并用环保数据进行分析为人们提供的体验。通过互联网将人、流程、信息和设备连接起来的概念就是我们通常所说的物联网（InternetofThings，也称为物联网）。在上面介绍了雾计算的简单应用和由来之后，下面将介绍物联网的一项重要技术——边缘计算。下面将解释边缘计算的起源，并介绍其与物联网的关系。我们还将以自动驾驶为例，介绍云计算的缺点以及边缘计算的应用。我们先来定义边缘计算（，2019）：这里提到了很多晦涩的技术术语，比如“分布式计算”、“节点”等，但它们实际上只是描述：边缘技术是一种将部分计算转移的技术。以日常单位（即边缘节点）进行处理（即去中心化计算）的大型应用程序。在云计算的典型结构中（如上），通常可以分为三层：“云（云层）-（雾层）-终端（边缘）”。“端”层涵盖所有终端应用程序，通常是托管角色。当获得云计算计算结果后，指令将通过“”层发送到“端”层的应用程序执行。应用程序接收到数据后，将被发送到“云”层进行计算。边缘计算可以被认为是赋予“末端”层一定程度的“自”。在边缘计算的架构中，端点获得简单的存储和数据处理能力（与雾计算相反，这里的重点是“简单”的功能），从而偶尔可以逃脱云端的管理并根据环境做出响应数据。增加终端轻松的数据处理和访问能力看似一小步，但实际上这种设计具有很大的优势，包括：-低延迟：数据在近场生成，可以快速反应-性：无需-合规性：无需传输用户信息，保护个人数据-数据简化：终端先处理部分数据，然后将数据简化后再传输到云端服务器-安全性：数据传输过程简单减少，降低安全风险人类驾驶是边缘计算的经典用例之一。这也是云计算的缺点以及边缘计算为何必要的一个很好的例子。下图展示了一种常用的云计算架构，它包括1）智能汽车（客户端）并使用无人驾驶功能，2）用于传输数据的互联网（Internet）和3）云服务（云计算服务器），是用于提供无人驾驶服务。假设小车以60ms-1的速度行驶，在起始位置检测到前方3m处有障碍物。由于汽车采用云计算架构，汽车本身不具备分析功能，汽车会将感知到的图像传输到云服务器进行分析（步骤1）。由于汽车位于较远的北部地区，不幸的是，信息到达云服务并停止行驶需要0.05秒，但发送指令到汽车执行（步骤2）也需要0.05秒。在向恢复指令发送信息的这段时间内（~0.1s），小车会继续以平均速度（60ms-1）行驶，直到6m后（=60ms-1×0）才会收到停止指令,1秒）。而且还会撞到前方3米处的，引发。当汽车在起始位置检测到前方3m处有障碍物时，立即执行停车命令（步骤1）。然后，图像和决策内容被发送到云服务器进行高级分析（步骤2），以提高自动驾驶性能。（注：这与雾计算类似，但在此过程中，应用程序不执行任何数据分析，仅根据传感器内容进行响应。如果是雾计算，传感器信息将发送到雾服务，然后进行分析，然后通知终端设备响应。）可见云服务器距离数据产生的地方较远，所以会造成很大的延迟。无人驾驶等需要实时决策的活动很可能需要利用边缘计算，让计算服务更贴近数据源，让计算更贴近实际行动。随着技术的发展和数据传输速度的快速提高，许多日常物品，如家用电器、车辆等都内置了传感器，并通过连接与互联网交换信息，形成了庞大的物体。（即物联网）。物体在运行时会收集大量的环境数据。有人可能会问为什么不在本地（本地驱动器）处理所有数据，然后将其他数据传输到云服务进行存储。这可能是一种可能的做法，但如果所有数据都在本地处理，则对象本身将有许多存储设备和处理服务器。这会大大增加物体的功耗和重量，增加成本。因此，的是将云计算和边缘计算的优势结合起来，以充分利用它

既然有了中心云计算，为什么还需要边缘计算呢？边缘计算能带来什么价值？
事实上，随着技术的不断发展，云计算的范围不断从中心向边缘拓展，演变成中心云边云边协同工作的设备架构模型。
为什么会发生这种变化？主要是因为需求和场景在不断变化，特别是很多传统行业在信息化转型的过程中提出了更多新的需求，比如工业制造、港口物流、交通能源等。
以能源制造为例。智能制造的本质是装备智能化、智能化。总体工作流程为：采集数据、处理数据、指导生产。这带来了两个问题：
1．实时性要求高。许多工业数据都是非常实时的，并且有效期很短，通常只有几毫秒。这就要求数据采集、数据处理和生产指导的整个过程要在几毫秒内完成。如果先上传到云端处理，再从云端返回控制命令，整个过程耗时较长，显然无法满足时效性要求，会造成出厂产品精度不够等严重后果或者说率很高，相当高。因此，就近数据处理是智能制造的核心。
2.如何处理海量数据。智能工业控制设备和传感器不断生成有关工业产品和环境的数据，导致传输和存储成本高昂。这些成本甚至超过了智能化带来的收益，反而成为行业向智能化转型的障碍。另一方面，这些数据90%以上都是无效数据。如果能尽早过滤掉有用数据，剔除无效数据，就可以大大降低传输和存储成本。
再举一个高清的例子，4K高清至少需要40M的带宽。带宽容量和成本是我们必须考虑的重要因素。相比中心机房，边缘机房的总带宽容量更大。，单价也比较便宜，所以这类服务适合部署在边缘。
总的来说，边缘计算可以带来四个好处，包括更大的容量、更低的延迟、更低的成本和支持本地处理。