物聯(lián)網(wǎng)(IoT)被業(yè)界普遍認為是互聯(lián)網(wǎng)之后的下一次技術(shù)革命，號稱是可穿戴設備、智能家居、自動駕駛騎車、智能工廠、智慧城市等等新時代的曙光。

物聯(lián)網(wǎng)意味著互聯(lián)網(wǎng)和可接入設備的萬物互聯(lián)，它結(jié)合了業(yè)界的潛在優(yōu)勢：便宜且可廣泛使用的帶寬、低能耗的微處理器、大數(shù)據(jù)分析工具。物聯(lián)網(wǎng)的發(fā)展壯大與兩大關(guān)鍵技術(shù)息息相關(guān)：邊緣計算和機器學習。

[[201754]]

邊緣計算的不斷發(fā)展

連接設備、傳感器、網(wǎng)關(guān)等物聯(lián)網(wǎng)接入端點正在呈指數(shù)級增長，IT行業(yè)分析公司Gartner預計物聯(lián)網(wǎng)終端的增長速度約為30%，到2020年物聯(lián)網(wǎng)接入設備的總數(shù)將會高達200億。接入設備的爆發(fā)為數(shù)據(jù)分析和數(shù)據(jù)處理帶來了新的挑戰(zhàn)，這些終端設備將生成大量的數(shù)據(jù)。如果將這些數(shù)據(jù)傳輸?shù)皆朴嬎阒羞M行數(shù)據(jù)管理、分析和決策不僅費用高昂且效率低下，還可能阻礙網(wǎng)絡基礎(chǔ)設施的發(fā)展，從而導致網(wǎng)絡延遲問題。

因此，邊緣計算和邊緣分析在大型的IoT部署中作用越來越突出。在邊緣計算中，計算能力是分散的，***接近傳感器、設備，設備的數(shù)據(jù)來自網(wǎng)絡邊緣，并且在網(wǎng)絡邊緣完成數(shù)據(jù)的分析和處理工作，而不是在集中式服務器或云端。

其優(yōu)勢包括：能夠有效支持實時應用程序，基礎(chǔ)設施的負擔降低，因為大部分數(shù)據(jù)都是在邊緣網(wǎng)絡進行處理，只需要將必要的數(shù)據(jù)發(fā)送到云端實現(xiàn)進一步的處理和存儲。

這并不意味著邊緣計算和傳統(tǒng)的數(shù)據(jù)中心以及云計算會產(chǎn)生沖突，相反，邊緣計算更可能會與云計算共存，以將計算能力和工作負載分布到最有意義的地方。傳感器數(shù)據(jù)將會在邊緣網(wǎng)關(guān)上進行收集和處理，邊緣分析可以使用基于規(guī)則的算法。可以將過濾之后的數(shù)據(jù)發(fā)送到云端，與其他來源的數(shù)據(jù)進行聚合，然后將其反饋到云端的分析引擎，以生成可發(fā)送回到邊緣分析的模型。

機器學習

隨著物聯(lián)網(wǎng)的興起，能夠?qū)吘売嬎阈纬闪己醚a充的技術(shù)是機器學習。機器學習通常與人工智能一起出現(xiàn)，機器學習是指生成不需要由人類明確編程的自動分析模型的方法。雖然幾十年前可以使用機器學習的知識，但直到近些年，計算能力的發(fā)展才能滿足機器學習的需求。

隨著計算能力越來越好，機器學習將越來越多地融入到IT架構(gòu)中，尤其是在云端和邊緣計算中。機器學習不僅可以集中云端的分析功能，還可以大大提高邊緣分析的效率。

隨著物聯(lián)網(wǎng)的采用的發(fā)展和數(shù)據(jù)大爆炸，邊緣計算和機器學習將在未來的物聯(lián)網(wǎng)架構(gòu)中發(fā)揮關(guān)鍵作用。三大公有云服務提供商AWS、微軟和谷歌都在致力于將邊緣計算和機器學習融入其產(chǎn)品中，分別在其云平臺上提供機器學習即服務。目前AWS和微軟已經(jīng)推出了相關(guān)的邊緣計算軟件，可以在芯片商的系統(tǒng)(SOC)運行，也可以在邊緣網(wǎng)關(guān)上運行。

與所有新技術(shù)一樣，只有時間才能證明這些技術(shù)將如何發(fā)揮作用，但非常明確的一點是物聯(lián)網(wǎng)的時代即將到來，邊緣計算和機器學習是物聯(lián)網(wǎng)時代必不可少的兩大主角。