隨著物聯網的采用，互聯的應用程序和系統正在遷移到云。在云上生成的終端設備和數據的數量也在增加。傳感器、移動設備、可穿戴設備、機器人和物聯網生態系統中的許多其他連接設備等邊緣設備會產生大量分散的數據。

由于缺乏可靠的連接，延遲以及在云上處理這些巨大數據的困難，因此分析和從這些數據中提取重要見解存在挑戰。為了應對這一挑戰，企業正在利用邊緣分析和云計算。

這種組合通過將計算能力帶到數據源附近并減少分析延遲，從而為各個行業的問題提供實時見解和解決方案，從而為物聯網網絡帶來穩定性。換句話說，當數據無法帶到算法中時，邊緣分析會將算法引入數據并提供重要的見解。

邊緣分析

近年來，由于半導體技術的進步，MCU和處理器配備了更多的處理能力，專門的硬件組件和計算能力，通過部署先進的機器學習方法（如深度神經網絡或卷積神經網絡）來幫助更快地進行邊緣分析。

在TensorFlow，keras和Caffe等流行框架上開發的模型可以在優化后部署，以在Andriod和微控制器等推理設備上運行。考慮MCU功能的推理引擎，如TensorFlow-Lite，TensorFlow-micro，CMSIS-NN等，可以在邊緣執行量化模型，以便更快地進行分析。

邊緣分析使邊緣需要數據洞察的組織受益。讓我們看看邊緣分析如何幫助全球多個行業。

汽車

根據一份題為“全球汽車傳感器技術市場”的報告，汽車中使用的傳感器平均數量已從50-60增加到100 +，在不久的將來將達到200+，這將產生大量數據。持續可靠的云連接是移動車輛面臨的另一個挑戰。例如，在自動駕駛汽車的情況下，延遲將數據發送到云端，分析數據，然后執行操作，可以對自動駕駛汽車的成敗產生巨大影響。

汽車邊緣分析將幫助公司實時收集、分析和處理數據，從而可以立即采取必要的行動。此外，可以通過人工智能和機器學習進行邊緣設計智能應用，如防撞、交通路線、視線偏離道路檢測系統等。這確保了優化的資產使用、低維護和乘客安全。

醫療

物聯網驅動的醫療保健設備可以收集患者數據。邊緣分析可以分析收集的數據，而無需持續的網絡連接。隨著半導體技術的進步，硬件和機器學習方法變得更加高效，因此邊緣設備可以監測和分析更復雜的參數，如神經活動、心律、血壓等。

通過邊緣計算，患者管理、遠程監控、住院護理和健康信息管理都變得更快。舉例來說，醫生的移動或平板電腦設備是患者（數據源）和云之間的邊緣。使用手機或平板電腦治療患者的臨床醫生將能夠將患者數據輸入邊緣的分析平臺，在那里近乎實時地進行處理和顯示。這有助于更快地治療患者，減少他們的就診頻率。此外，它還在云和設備之間增加了一層安全的計算能力，從而保護了患者數據。

制造業

在制造單位或工廠中，邊緣設備上的任何生產線中都涉及多個傳感器，這些傳感器連續測量貨物和設備的溫度、濕度、壓力等參數。將這些連接到云并分析數據將非常耗時。邊緣計算可以處理這些數據進行分析，并在流程中實施或建議所需的更改。邊緣機器學習還支持預測性監控，機器學習算法可在設備故障發生之前預測設備故障并安排及時維護，這有助于延長其使用壽命、減少停機時間并節省總體維護成本。

云端分析

在了解了邊緣分析的優勢之后，重要的是要了解它不會取代云，而是通過實時分析補充云計算，因為它靠近數據源。很少有進程會繼續在云中執行。

機器學習算法的訓練：機器學習算法的開發依賴于大量數據，學習過程在訓練模型之前會從這些數據中提取許多實體、關系和集群。這可以在云上與訓練模型一起進行。

處理能力和存儲容量：存儲和處理能力的無限可擴展性，易于部署的分析使云分析不可替代。歷史數據存儲在云上，將來可能會很有用，因為基于云的分析可以處理更多種類的數據。例如，它可以將歷史數據添加到流數據中，或使用邊緣分析分析所有設備的所有輸出。

利用連接到單個云的應用程序的所有邊緣設備，云能夠在邊緣分析上執行超級分析。云有辦法管理這些數據并將其轉化為有意義的預測和分析。

邊緣分析如何補充云？

由于延遲、帶寬、功耗、成本、外形尺寸和各種其他考慮因素，物聯網系統中的實時決策仍然具有挑戰性。這可以通過在邊緣添加人工智能來克服。

減少數據帶寬/傳輸的利用率：將大量數據轉移到云進行處理可能會消耗高數據帶寬并產生明顯的延遲，這可能會對時間關鍵型應用程序產生負面影響。為了避免這種延遲并消除對數據帶寬的依賴，可以在邊緣執行數據處理。

消除持續連接到云的需求：在石油、天然氣或采礦等行業中，公司員工在遠離人口稠密地區的遠程站點工作，因此不存在連接。在這種情況下，機器人等邊緣設備上的傳感器可以捕獲數據，分析數據并監控操作參數，無論其值是否在其正常值范圍內。

實時性能，處理速度更快：邊緣計算大大減少了必須通過網絡發送的數據量，從而減少了網絡擁塞并加快了操作速度。邊緣計算不是在云中運行進程，而是在本地位置運行進程，例如計算機、物聯網設備或邊緣服務器。通過將計算引入網絡邊緣，可以減少客戶端和服務器之間的遠距離通信，并獲得實時見解。

增強的數據安全性（更接近數據源和位置感知）：解釋一下，與其讓安全攝像頭將其視頻內容流式傳輸到云端以針對某些情況（未知人員、物體等）進行分析，不如在攝像頭本身內進行分析。與生物識別數據相關的數據隱私和安全問題使得僅在設備上本地使用數據而不通過云連接發送數據變得極其重要。

云計算和邊緣計算是不同的方法，完全取決于實現的應用程序。雖然它們不會抹黑，而是相輔相成。不可能有一個適合所有方案的解決方案。幾乎沒有關鍵因素，如實時性能、帶寬成本、數據大小、應用程序復雜性等，這些因素決定了是進行邊緣分析還是云分析，或者兩者兼而有之（兩全其美）。

審核編輯：郭婷