本文编译自ExplainingComputers视频《Explaining Edge Computing》
为了理解边缘计算,我们需要反思云的兴起。近年来,云计算已经成为最大的数字趋势之一,并涉及到通过Internet交付计算资源。
在早期,大多数访问云服务的设备是pc和其他终端用户硬件。但越来越多地,访问云服务的设备也可以是物联网或物联网设备,它们可以在线传输分析数据。
将摄像头和其他传感器连接到互联网上,有助于创建智能工厂和智能家庭。
然而,传输越来越多的数据进行远程、集中的处理正变得有问题。
更重要的是,将视频从在线摄像头传输到基于云的视觉识别服务会使现有的网络容量超载,导致响应速度变慢。
这就是边缘计算兴起的原因。边缘计算允许设备依赖于云来处理它们自己的一些数据。
例如,一个联网的摄像头可以进行局部视觉识别。这可以改进延迟(即从数据输入生成响应所需的时间),并降低大量数据传输的成本和需求。
边缘计算与AI
让我们继续前面的例子,让我们更深入地考虑人工神经网络在视觉识别中的应用。
今天,亚马逊、谷歌、IBM和微软都提供云视觉识别服务,可以接收图像或视频,并返回认知响应。
这些云人工智能服务依赖于在数据中心服务器上预先训练过的神经网络,当接收到输入信息时,它们会执行推断(同样是在云数据中心服务器上),以确定摄像头在看什么。
而在边缘计算场景中,神经网络通常仍然在数据中心服务器上训练,因为训练需要大量计算能力。例如,一个用于工厂的神经网络可能学会区分正确产品的图像和有缺陷产品的图像
但是一旦训练完成,神经网络的副本就会被部署到一个连接到边缘计算硬件的网络摄像机上。
这使得它可以在不通过网络传输任何视频的情况下识别出有缺陷的产品。
因此,延迟得到了改善,对网络的需求也降低了,因为只有在识别出缺陷产品时才需要报告数据。这种集中训练神经网络并部署副本在边缘执行的场景具有惊人的潜力。
在这里我已经指出了它在视觉识别中的应用。
但同样的概念也适用于音频、传感器数据的边缘处理,以及机器人或其他网络物理系统的局部控制。实际上,边缘硬件在任何情况下都是有用的,因为在网络的末端部署本地计算能力可以减少对云的依赖。
边缘计算与Mech网络
物联网和边缘计算的挑战之一是为大量的照相机、传感器和其他设备提供足够的网络连接。
今天,大多数设备通过无线连接到本地网络,直接通过WiFi路由器进行通信。
然而,另一种模型是创建一个网状网络,在这个网络中,所有单独的节点都动态地在特定的基础上互连,以促进数据交换。
例如,考虑在大型工业温室中放置湿度和温度传感器。
如果所有这些设备都必须具有直接的有线或无线连接,那么就需要建立大量的基础设施。
但是,如果传感器可以连接到可以建立Mesh网络的边缘计算设备,那么可能只需要一个到本地网络的有线或无线连接。
边缘计算硬件
边缘计算硬件是由它的位置而不是大小来定义的,因此一些边缘设备可能是非常强大的本地服务器。但话虽如此,许多边缘计算注定要发生在小型设备上,如单板计算机。
比如NVIDIA Jetson产品
边缘计算与雾计算
边缘计算的准确定义仍然有点模糊。
也就是说,所有主要的参与者都同意它将网络计算资源尽可能地放在数据创建的地方。
为了向您提供一些更广泛的定义,IBM指出“边缘计算是一种重要的新兴范式,它可以通过虚拟化数据中心或云计算中心之外的云来扩展您的操作模型。
边缘计算将应用程序的工作负载从集中的位置转移到远程位置,例如工厂、仓库、配送中心、零售店、运输中心等等。
类似地,Linux基金会的边缘计算开放词汇表将边缘计算定义为“为了提高应用程序和服务的性能、运行成本和可靠性,将计算能力交付到网络的逻辑极限”。通过缩短设备与为其服务的云资源之间的距离,并减少网络跳转,edge计算减轻了当今Internet的延迟和带宽限制,从而引入了新的应用程序类别。
思科还引入了术语“雾计算”,它将其描述为“定义边缘计算应该如何工作的标准,并促进终端设备和云计算数据中心之间的计算、存储和网络服务的操作”。
这意味着,雾计算指的是位于隐喻地面附近或网络边缘与远程云之间的资源。例如,工厂中的一些边缘传感器可能与本地雾资源进行通信,而本地雾资源又在必要时与云数据中心进行通信。
值得注意的是,术语“雾计算”主要被思科使用,并且被一些人视为一个营销术语,而不是一个完全不同的边缘计算范式。
总结
边缘计算的出现有两个原因。一是网络容量压力增大。其次,我们越来越需要从人工智能和相关应用程序中获得越来越快的响应。
因此,虽然十年来我们一直将计算能力转移到云上,但我们也越来越多地将计算能力转移到本地网络的另一端。