边缘分析补充云计算

随着物联网的采用，连接的应用程序和系统正在迁移到云中。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，在云上处理这些庞大数据的延迟和困难，从这些数据中分析和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中的延迟，从而为物联网网络带来稳定性，从而为各个行业的问题提供实时见解和解决方案。换句话说，当数据无法被带到算法中时，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，以便在Andriod和微控制器等推理设备上运行。考虑MCU功能设计的推理引擎，如张量流-精简版，张量流微，CMSIS-NN等，可以在边缘执行量化模型，以便更快地分析。

边缘分析使需要边缘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“汽车传感器技术全球市场”的报告，汽车中使用的传感器的平均数量已从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，分析这些数据，并在此之后采取行动，可以对自动驾驶汽车的成功和失败产生巨大影响。

汽车边缘分析将帮助公司实时收集、分析和处理数据，从而立即采取必要的行动。此外，还可以通过边缘的人工智能和机器学习来设计智能应用，如防撞、交通路线、眼睛越野检测系统等。这确保了优化的资产使用，低维护和乘客安全。

医疗

物联网驱动的医疗设备可以收集患者的数据。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，因此可以通过边缘设备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加快速。为了说明这一点，医生的移动设备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，并在边缘近乎实时地处理和显示这些数据。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个安全的计算能力层，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以进行分析，并在流程中实施或建议所需的更改。边缘ML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，而是通过实时分析来补充云计算，因为它接近数据源。很少有进程将继续在云中执行。

机器学习算法的训练：机器学习算法的开发取决于大量数据，在训练模型之前，学习过程从中绘制了许多实体、关系和聚类。这可以在云上与训练模型一起执行。

处理能力 & 存储容量：存储和处理能力的无限可扩展性，易于部署分析，使云分析不可替代。历史数据存储在云中，随着基于云的分析处理更多种类的数据，这些云将来会很有用。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、外形因素和各种其他考虑因素等因素，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。

数据带宽/传输的利用率较低：将大量数据转移到云中进行处理可能会消耗高数据带宽并产生明显的滞后，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。

消除与云的持续连接需求：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，对其进行分析并监控操作参数，无论是否在其正常值范围内。

实时性能和更快的处理速度：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，而是在计算机、IoT 设备或边缘服务器等本地位置运行进程。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，而不是让安全摄像机将其视频内容流式传输到云中以针对某些情况（未知人员，物体等）进行分析，该分析可以在摄像机本身内完成。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非常重要。

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。虽然它们不是诋毁，而是相互补充。不可能有一个适合所有场景的解决方案。很少有关键因素，如实时性能，带宽成本，数据大小，应用程序的复杂性等，这些因素决定了是进行边缘分析还是云分析，还是两者兼而有之（两全其美）。

审核编辑：郭婷