3S Market「全球智慧科技應用」市場資訊網: ．邊緣計算將在 2017 年大行其道，細數其中的價值、機遇與挑戰！

Edge Computing Platform

來源：物聯網智庫作者：iot101君

邊緣計算是在靠近物或數據源頭的網路邊緣側，融合網路、計算、儲存、應用核心能力的開放平台。邊緣計算與雲計算互相協同，共同助力各行各業的數位化轉型。

它就近提供智慧互聯服務，滿足行業在數位化變革過程中，對業務即時、業務智慧、數據聚合與互操作、安全與隱私保護等方面的關鍵需求。

根據國際電信聯盟電信標準分局ITU-T的研究報告，到2020年，每個人每秒將產生1.7MB的數據，IoT可穿戴設備的出貨量，將達到2.37億。

IDC也發佈了相關預測，到2018年，50%的物聯網網路將面臨網路頻寬的限制，40%的數據需要在網路邊緣側分析、處理與儲存，到2025年，這一數字將超過50%。　

　　圖1：邊緣計算與雲計算的關係

一、邊緣計算的巨大價值

美國部署了3000餘萬個監控攝影機，每周生成超過40億小時的海量影像數據。物聯網領域擁有海量的終端設備，如果這些設備產生的數據聚在一起，會是個天文數字。

海量數據的分析與儲存，對網路頻寬提出了巨大的挑戰，而邊緣計算的誕生，就是為瞭解決這一問題。

　　圖2：邊緣計算的特徵

1).分布式和低延遲計算

雲計算往往並不是最佳策略，計算需要在更加靠近數據源的地方執行。這個優點可以擴展到，任何基於Web的應用程序上：包括 Foursqure和Google Now在內的APP，能更快的做出回應，所以在行動用戶中，變得越來越受歡迎。這說明在更靠近用戶的邊緣節點上，邊緣計算可以用於改進服務。

　　圖3：數據傳輸需要時間和代價，邊緣計算提供高效、低成本的數據處理

許多數據流由邊緣設備生成，但是通過「遠處」的雲計算處理和分析，不可能做出即時決策。

例如使用可穿戴式攝影機的視覺服務，回應時間需要在25ms至50ms之間，使用雲計算會造成嚴重的延遲；再比如工業系統檢測、控制、執行的即時性高，部分場景即時性要求在10ms以內，如果數據分析和控制邏輯全部在雲端實現，則難以滿足業務要求;還有那些會生成龐大數據流的多媒體應用，如影像或是基於雲平台的網路遊戲，依賴雲計算，也會為玩家造成類似於等待時間過長的問題，無法滿足使用者的需求。

作為雲計算的有益補充，可以利用邊緣節點(例如，路由器或離邊緣設備最近的基站)，用以減少網路等待時間。

2).超越終端設備的資源限制

與數據中心的服務器相比，使用者終端(例如智慧手機)的硬體條件相對受限。這些終端設備以文本、音訊、視訊、手勢或運動的形式獲得數據輸入，但由於中間件和硬體的限制，終端設備無法執行複雜的分析，而且執行過程也極為耗電。

因此，通常需要將數據發送到雲端，進行處理和運算，然後再把有意義的資訊，透過中繼返回終端。

然而，並非來自終端設備的所有數據，都需要由雲計算執行，數據可以利用適合數據管理任務的空閒計算資源，在邊緣節點處過濾或者分析。

3).可持續的能源消耗

大量研究顯示，雲計算會消耗龐大的能源，未來十年數據中心所消耗的能源量，可能是如今消耗量的3倍。隨著越來越多的應用轉移到雲，能量需求會日益增長，甚至無法滿足。因此，採用能量效率最大化的計算策略，顯得尤為迫切。

一些嵌入式小型設備的基礎資訊採集處理，完全可以在端完成，即手機傳感器把數據傳送到網管後，就通過邊緣計算進行數據過濾和處理，沒必要每條原始數據都傳送到雲，這省去了大量的能源成本。

4).應對數據爆炸和網路流量壓力

邊緣設備的數量正在超速成長——到2018年，世界上三分之一的人口，將擁有智慧手機或者可穿戴設備，到2020年，這些設備將生成43萬億GB的數據。處理這些數據需要進一步擴展數據中心，這再次引起了人們對網路流量壓力的廣泛關注。

通過在邊緣設備上執行數據分析，可有效應對數據爆炸，減輕網路的流量壓力。邊緣計算能夠縮短設備的回應時間，減少從設備到雲數據中心的數據流量，以便在網路中更有效的分配資源。

5).智慧計算

不僅是消費級的物聯網終端，邊緣計算還將在工業應用中，發揮重要作用。計算可以分層執行，利用網路遠端的資源完成。例如，典型的生產流水線，可以過濾設備上生成的數據，在傳輸數據的邊緣節點上，執行部分分析工作，之後再透過雲端執行更加複雜的計算任務。

邊緣節點可以通過分擔雲計算的部分任務，增強數據中心的計算能力。

業務流程優化、運維自動化與業務創新，驅動業務走向智慧化，邊緣側智慧能夠帶來顯著的效率提升與成本優勢。事實上，對於從事工業自動化工作的人而言，邊緣計算並不陌生。

比如，在目前普遍採用的基於PLC、DCS、工控機和工業網路的控制系統中，位於底層、嵌於設備中的計算資源，或多或少都是邊緣計算的資源。　　

　　圖4：霍尼韋爾公司Honeywell將工業領域劃分為6層架構

目前規模以上冶金企業，其信息化已經做得頗具成效，但缺少的恰恰是末端智慧。

冶金方面的數據，經常會出現完整性和一致性的問題，俗稱「臟」數據。解決不好這方面的問題，會給能源管理和智慧管理環節，造成很大的困擾。邊緣計算在其中發揮著重要作用，成為工業物聯網技術的有效補充。

　　圖5：推進邊緣計算需要打破管理(IT)與控制(OT)的分層模式

二、邊緣計算所面臨的挑戰

邊緣計算仍處於起步階段，當前的雲計算服務(如Amazon Web Service，Microsoft Azure和Google App Engine)可以支持數據密集型的應用程序，但在網路邊緣，進行即時的數據處理，仍是一個有待開拓的領域。

此外，若想更好的在邊緣節點上，部署應用程序的工作負載，需要考慮以下幾個方面：

部署策略：如何部署工作負載

連接策略：何時使用邊緣節點

異構性：如何處理不同類型的節點　

　　圖6：邊緣計算面臨的機遇與挑戰

為了實現邊緣計算，我們認為在硬體、中間件和軟體層面，有以下5個挑戰需要解決。

挑戰1：邊緣節點上的通用計算能力

理論上，可以在位於邊緣設備，和雲平台之間的某幾個節點上，完成邊緣計算，包括接入點、基站、網管、業務節點、路由器、交換機等。

例如，基地台可以根據工作負載能力，執行數位信號處理(DSP)。但是在實踐中，基地台可能並不適合處理分析工作，因為DSP並不是為通用計算設計的。此外，這些節點是否可以執行，除了現有工作之外的計算還不太清楚。

由CAVIUM提供的OCTEON Fusion? Family是一個小型「晶片上基地台」單元，可擴展從6個到14個的內核，以支持32到300+的用戶。這種基地台可在非高峰時間，使用多個計算核心的運算能力。

許多供應商也已經邁出了，使用軟體解決方案，實現邊緣計算的第一步。例如，諾基亞針對行動邊緣計算(MEC)的軟體解決方案旨在為基地台站點提供邊緣計算能力。

同樣，思科的IOx為其整合的服務路由器，提供了一個邊緣計算環境。這些解決方案應用於特定硬體，因此不適合部署在異構環境中。

軟體解決方案面臨的一個挑戰，是如何開發跨越不同環境的可移植的解決方案。某些公司正在研究升級邊緣節點，以支持通用計算需求。

例如，可以升級無線家庭路由器，以支持額外的計算任務。英特爾的Smart Cell Platform使用虛擬化技術，支持額外的計算任務。通用CPU替換專用DSP提供了另一種解決方案，但卻需要巨大的投資。　

　　圖7：英特爾的物聯網網站www.Intel.com/IoT

挑戰2：發現邊緣節點

到2020年將有500億的終端和設備聯網，除了邊緣設備與終端聯網最大的「異構」特徵之外，產品生命週期越來越短、個性化需求越來越高、全生命週期管理和服務化的趨勢越來越明顯，這些新趨勢，都需要邊緣計算提供強大的技術支撐。

如何在分布式計算環境中，發現資源和服務是一個有待拓展的領域。為了充分利用網路的邊緣設備，需要建立某種發現機制，找到可以分散式部署的適當節點。

因為可用設備的數量龐大，這些機制不能依靠人工手動。此外，還需要使用多種異構設備，滿足最新的計算需求，比如大規模的機器學習任務。

這些機制必須在不增加等待時間，或損害使用者體驗的前提下，實現不同層次，和等級的計算工作流中無縫整合，原有的基於雲計算的機制，在邊緣計算領域不再適用。

挑戰3：分區和拆分任務

對於邊緣計算來說，最大的難點在於如何動態、大規模地部署運算和儲存能力，以及雲端和設備端如何高效協同、無縫對接。

不斷發展的分布式計算，已經催生了許多技術，用來促進在多個地理位置分區執行任務。任務分區通常在編程語言或管理工具中明確表示。

然而，利用邊緣節點來實現分區計算，不僅僅帶來了有效分割計算任務的挑戰，對於如何能在不需要，明確定義邊緣節點的能力或位置，以自動化的方式進行計算的問題上，也遇到了瓶頸。因此，需要一種新型的調度方式，以便將分割的任務部署，到各個邊緣節點上。

挑戰4：高水準的服務品質(QoS)和服務體驗(QoE)

另一個挑戰是需要確保邊緣節點，實現高吞吐量，並且在承接額外計算工作量時，可靠運行。例如，當基地台過載時，可能影響連接到基地台的其他邊緣設備。

因此需要對邊緣節點的峰值時間全面瞭解，以便可以用靈活的方式來分割和調度任務。複雜的算法如何在雲端和邊緣設備之間，合理分解和整合，需要一個對雲管端三者，都有控制力的技術來實現。

挑戰5：開放和安全的使用邊緣節點

安全橫跨雲計算和邊緣計算，需要實施端到端的防護。由於更貼近萬物互聯的設備，網路邊緣側存取控制，與威脅防護的廣度和難度，因此大幅提升。

邊緣側安全主要包含設備安全、網路安全、數據安全與應用安全。此外，關鍵數據的完整性、保密性是安全領域需要重點關注的內容。

如果把終端設備(例如交換機、路由器和基地台)當作可共享接入的邊緣節點，則需要解決許多問題：

首先，需要定義邊緣設備使用者和擁有者相關聯的風險。

其次，當設備用於邊緣計算節點時，設備的原有的功能不能被損害。

第三，邊緣節點上的多重使用者，都需要將安全性作為首要關注指標。

第四，需要向邊緣節點的用戶保證最低服務水準。

最後，需要考慮工作負載、計算能力、數據位置和遷移、維護成本和能源消耗，以便建立合適的定價模型。

三、邊緣計算的潛在機會

邊緣計算仍處於起步階段，有可能為更高效的分布式計算鋪平道路。儘管在實現邊緣計算時出現了不少挑戰，但邊緣計算將會催生更多的發展機遇，在此我們明確了5個潛在機會：

機會1：標準、基準和市場

統一數據連接和數據聚合是業務智慧的基礎，面對當前工業現場，存在的多樣化與異構的技術和標準，離不開跨廠商、跨領域的數據整合與互操作。

網路邊緣側的本地計算服務，無疑會在異構環境中迎來IT廠商、IT方案商，以及開發者整合融合服務的挑戰，標準化亟待形成。

許多組織正在定義各種邊緣計算標準，例如美國國家標準和技術協會(NIST)、IEEE標準協會、國際標準化組織(ISO)、雲計算標準客戶委員會(CSCC)和國際電信聯盟(ITU)等。只有當邊緣節點的性能，可以根據廣泛認可的度量指標，可靠的進行基準測試時，才能形成標準。

機會2：架構和語言

隨著支持透用計算的邊緣節點不斷增加，開發框架和工具包的需求也會隨之增長。邊緣分析與現有流程不同，由於邊緣分析將在用戶驅動的應用程序中，實現現有框架可能不適合表達邊緣分析的工作流。

編程模型需要利用邊緣節點，支持任務和數據的並行，並且同時在多個層級的硬體上執行計算。編程語言需要考慮工作流中，硬體的異構性和各種資源的計算能力。這比雲計算的現有模型更加複雜。

機會3：輕量級庫和算法

與大型伺服器不同，由於硬體限制，邊緣節點不支持大型軟體。例如，Intel T3K併發雙模SoC的小型基地台，具有4核ARM的CPU和有限內存，不足以執行複雜的數據處理工作。

再比如Apache Spark，需要至少8核的CPU和8 GB的記憶體，以獲得良好的性能。邊緣分析需要輕量級算法，可以進行合理的機器學習或數據處理任務。

例如，Apache Quarks是一種輕量級庫，可以在小型邊緣設備(如智能手機)上使用，以實現即時數據分析。但是Quarks支持的基本數據處理，例如過濾和窗口聚合，不足以滿足高級分析任務。

消耗更少記憶體，和使用更小磁盤的機器學習資料庫，有利於實現邊緣節點的數據分析。TensorFlow是另一個支持深度學習算法，並支持異構分布式系統的示例框架，但其邊緣分析的潛力仍有待探索。

機會4：微型操作系統和虛擬化

基於微型操作系統或微型內核的研究，可以解決在異構邊緣節點上部署應用的挑戰。