什麼是邊緣運算？你需要知道的 10 件事
Klacci 凱樂奇 iF-R 讀頭門禁系統可以這麼小。 iF-R 讀卡器越來越多地擴展了 iF 系列智能非接觸式鎖的適用性。
來源：TechTarget
邊緣運算是一種分散式資訊科技（IT）架構，其中客戶端資料在網路外圍進行處理，儘可能接近原始源。
資料是現代業務的生命線，提供寶貴的業務洞察力，並支援對關鍵業務流程和營運的即時控制。當今的企業充斥著資料的海洋，幾乎可以從世界上任何地方的遠端位置和荒涼的操作環境中，即時執行的感測器和物聯網裝置中，定期收集大量資料。
但這種虛擬資料泛濫，也正在改變企業處理運算的方式。建立在集中式資料中心，和日常網際網路上的傳統運算正規化，不太適合行動無休止地成長的現實世界資料河流。頻寬限制、延遲問題和不可預測的網路中斷，都可能陰謀損害此類工作。企業正在透過使用邊緣運算架構，來應對這些資料挑戰。
最簡單地說，邊緣運算將部分儲存和運算資源移出中央資料中心，更接近資料本身的來源。這項工作不是將原始資料傳輸到中央資料中心，進行處理和分析，而是在實際生成資料的地方進行 —— 無論是零售店、工廠樓層、龐大的公用事業，還是跨智慧城市。只有該運算工作在邊緣的結果，如即時業務洞察力、裝置維護預測，或其他可操作的答案，才會被送回主資料中心進行審查和其他人工互動。
因此，邊緣運算正在重塑 IT 和商業運算。全面瞭解什麼是邊緣運算，它是如何工作的，雲的影響，邊緣應用案例，權衡和實施考慮。
邊緣預算是如何工作的？
邊緣運算都是位置問題。在傳統的企業運算中，資料在客戶端端點生成，例如使用者的電腦。該資料透過企業區域網（如網際網路）在廣域網上移動，企業區域網將資料儲存在企業應用程式中並處理。然後將該工作的結果傳回客戶端端點。對於大多數典型的業務應用來說，這仍然是一種經過驗證，且經過時間考驗的客戶端 - 伺服器運算方法。
但連線到網際網路的裝置數量，以及這些裝置產生，並由企業使用的資料量，成長速度太快，傳統資料中心基礎設施無法容納。Gartner 預測，到 2025 年，75% 的企業生成資料，將在集中資料中心之外建立。在通常對時間或中斷敏感的情況下，行動如此多資料的前景，給全球網際網路帶來了令人難以置信的壓力，而網際網路本身往往會受到塞車和干擾。
因此，IT 架構師將重點，從中央資料中心轉移到基礎設施的邏輯邊緣 —— 從資料中心獲取儲存和運算資源，並將這些資源轉移到資料生成點。原則很簡單：如果你無法將資料靠近資料中心，請將資料中心靠近資料。邊緣運算的概念並不新鮮，它植根於幾十年來的遠端運算理念 —— 如遠端辦公室和分支機構 —— 將運算資源放置在所需的位置，而不是依賴單個中心位置更可靠和更有效率。
邊緣運算將儲存和伺服器，置於資料所在的位置，通常只需要一個部分齒輪架才能在遠端區域網上執行，以在本地收集和處理資料。在許多情況下，運算齒輪佈署在遮蔽或硬化的外殼中，以保護齒輪免受極端溫度、溼度和其他環境條件的影響。處理通常涉及規範化和分析資料流，以尋找商業智慧，只有分析結果被送回主資料中心。
商業智慧的概念可能大相徑庭。一些例子包括零售環境，在這種環境中，展廳樓層的影像監控可能與實際銷售資料相結合，以確定最理想的產品配置或消費者需求。其他示例涉及預測分析，可以在實際缺陷或故障發生之前，指導裝置維護和維修。還有其他例子通常與公用事業保持一致，如水處理或發電，以確保裝置正常執行並保持輸出品質。
邊緣與雲與霧運算
邊緣運算與雲端運算和霧運算的概念密切相關。雖然這些概念之間有一些重疊，但它們不是一回事，通常不應該互換使用。比較概念並瞭解它們的差異是有幫助的。
理解邊緣、雲和霧運算之間差異的最簡單方法之一，是強調它們的共同主題：這三個概念都與分散式運算有關，並專注於與正在生成的資料相關的計算和儲存資源的實體佈署，區別在於這些資源的位置。
邊緣。邊緣運算是在資料生成的位置，佈署運算和儲存資源。這理想地將運算和儲存與網路邊緣的資料源放在同一點。例如，一個帶有幾個伺服器和一些儲存裝置的小外殼，可能會安裝在風力渦輪機上，以收集和處理渦輪機內部感測器生成的資料。另一個例子是，火車站可能會在車站內放置少量的運算和儲存，以收集和處理無數的軌道和鐵路交通感測器資料。然後，任何此類處理的結果，都可以發回另一個資料中心進行人工審查、歸檔，並與其他資料結果合併，以進行更廣泛的分析。
雲。雲端運算是電腦和儲存資源，在幾個分散式全球位置（地區）之一的巨大、高度可擴充的佈署。雲供應商還為物聯網營運，整合了各種預打包服務，使雲成為物聯網佈署的首選集中平台。但是，儘管雲端運算提供了遠遠超過足夠的資源和服務，來處理複雜的分析，但最近的區域雲設施仍然可能距離資料收集點數百英里，並且連線依賴於支援傳統資料中心的相同脾氣的網際網路連線。在實踐中，雲端運算是傳統資料中心的替代品，有時是補充。雲端可以使集中運算更接近資料來源，但不能在網路邊緣。
霧。但運算和儲存佈署的選擇，並不侷限於雲或邊緣。雲資料中心可能太遠，但邊緣佈署可能只是資源太有限，或實體分散或分散，無法使嚴格的邊緣運算變得實用。在這種情況下，霧運算的概念可能會有所幫助。霧運算通常退後一步，將運算和儲存資源「放入」資料中，但不一定「在」資料中。
霧運算環境可以在廣闊的實體區域，產生令人困惑的感測器或物聯網資料，這些區域太大，無法定義邊緣。應用案例包括智慧建築、智慧城市甚至智慧公用事業網。考慮一個智慧城市，在那裡資料可用於追蹤、分析和最佳化公共交通系統、市政公用事業、城市服務，並指導長期城市規劃。單邊佈署根本不足以處理這樣的負載，因此霧運算可以在環境範圍內，操作一系列霧節點佈署，以收集、處理和分析資料。
注意：重要的是要重複，霧運算和邊緣運算具有幾乎相同的定義和架構，這些術語有時即使在技術專家之間 豆豆也可以互換使用。
為什麼邊緣運算很重要？
運算任務需要合適的架構，適合一種運算任務的架構不一定適合所有類型的運算任務。邊緣運算已經成為一個可行和重要的架構，支援分散式運算，以佈署更靠近資料來源的運算和儲存資源，最好是在與資料來源相同的實體位置。總歸來說，分散式運算模式並不新鮮，遠端辦公室、分支機構、資料中心同地辦公和雲端運算的概念，有著悠久而久經考驗的記錄。
但權力下放可能具有挑戰性，需要高水準的監控和控制，當擺脫傳統的集中運算模式時，這些監控和控制很容易被忽視。邊緣運算變得相關，因為它為與當今組織產生，和消費的大量資料相關的新出現的網路問題，提供了有效的解決方案。這不僅僅是一個數量問題，這也是一個時間問題；應用依賴於越來越時間敏感的處理和響應。
考慮一下自動駕駛汽車的興起。他們將依賴智慧交通管制訊號。汽車和交通管制需要即時生成、分析和交換資料。將這一需求乘以大量的自動駕駛汽車，潛在問題的範圍就會變得更加清晰。這需要一個快速且響應迅速的網路。邊緣和霧運算解決了三個主要網路限制：頻寬、延遲和塞車或可靠性。
- 頻寬。頻寬是網路可以隨時間傳輸的資料量，通常以每秒位元表示。所有網路的頻寬都有限，無線通訊的限制更嚴格。 這意味著可以透過網路通訊的資料量或裝置數量有限。雖然可以增加網路頻寬以容納更多的裝置和資料，但成本可能很高，仍然有（更高的）有限限制，它不能解決其他問題。
- 延遲。延遲是網路上兩個點之間傳送資料所需的時間。雖然通訊理想情況下以光速進行，但大的物理距離加上網路塞車或中斷，可能會延遲網路上的資料移動。這會延遲任何分析和決策過程，並降低系統即時響應的能力。在自動駕駛汽車的例子中，它甚至會付出生命代價。
- 堵塞。網際網路基本上是一個全球性的「網路網路」。儘管它已經發展到為大多數日常計算任務（如檔案交換或基本流）提供良好的通用資料交換，但數百億臺裝置所涉及的資料量可能會壓倒網際網路，造成高度的擁堵，並迫使耗時的資料重新傳輸。 在其他情況下，網路中斷可能會加劇擁堵，甚至完全切斷與一些網際網路使用者的通訊 —— 使物聯網在中斷期間變得毫無用處。
透過佈署生成資料的伺服器和儲存，邊緣運算可以在更小、更高效的區域網上操作許多裝置，在區域網中，充足的頻寬僅由本地資料生成裝置使用，使延遲和擁堵幾乎不存在。本地儲存收集和保護原始資料，而本地伺服器可以執行必要的邊緣分析 —— 或至少預處理和減少資料 —— 在將結果或只是基本資料傳送到雲或中央資料中心之前，即時做出決策。
邊緣預算應用案例
原則上，邊緣運算技術用於在網路邊緣或附近收集、過濾、處理和分析「就地」」資料。 這是一種使用無法首先移動到集中位置的資料的強大手段——通常是因為資料量龐大，使此類移動成本高昂，在技術上不切實際，或者可能違反合規義務，如資料主權。 這個定義催生了無數的現實世界的例子和用例：
- 製造。一家工業製造商部署了邊緣運算來監控製造，在邊緣實現即時分析和機器學習，以發現生產錯誤並提高產品製造品質。邊緣運算支援在整個製造廠新增環境感測器，深入瞭解每個產品元件是如何組裝和儲存的 —— 以及元件庫存的時間。製造商現在可以就工廠設施和製造業務做出更快、更準確的業務決策。
- 耕作。考慮一個沒有陽光、土壤或殺蟲劑的室內種植作物的企業。這個過程將生長時間縮短了 60% 以上。使用感測器使企業能夠追蹤用水量、營養密度，並確定最佳收成。收集和分析資料，以發現環境因素的影響，不斷改進作物生長演算法，並確保作物在高峰期收穫。
- 網路最佳化。邊緣運算可以透過衡量網際網路上，使用者的效能，來幫助最佳化網路效能，然後使用分析來確定每個使用者流量的最可靠、低延遲的網路路徑。實際上，邊緣運算用於「引導」整個網路的流量，以獲得最佳的時間敏感流量效能。
- 工作場所安全。 邊緣運算可以結合和分析來自現場攝影機、員工安全裝置和各種其他感測器的資料，以幫助企業監督工作場所條件或確保員工遵守既定的安全協議 —— 特別是當工作場所偏遠或異常危險時，如建築工地或石油鑽井平台。
- 改善醫療保健。醫療保健行業大幅增加了從裝置、感測器和其他醫療裝置收集的患者資料量。如此龐大的資料量需要邊緣運算來應用自動化和機器學習來訪問資料，忽略「正常」資料並辨識問題資料，以便臨床醫生可以立即採取行動，幫助患者實時避免健康事故。
- 運輸。自動駕駛車輛每天需要並生產 5 TB至 20 TB，收集有關位置、速度、車輛狀況、道路狀況、交通狀況和其他車輛的資訊。車輛行駛時，必須實時彙總和分析資料。這需要大量的車載運算 —— 每輛自動駕駛汽車都成為「邊緣」。 此外，這些資料可以幫助當局和企業根據地面的實際情況管理車隊。
- 零售。零售企業還可以從監控、庫存追蹤、銷售資料和其他即時業務細節中產生大量資料。邊緣運算可以幫助分析這些多樣化的資料，並辨識商業機會，例如有效的端蓋或活動，預測銷售和最佳化供應商訂購等。由於零售業務在本地環境中可能差異很大，邊緣運算可以成為每家商店本地處理的有效解決方案。
邊緣運算有什麼好處？
邊緣運算解決了重要的基礎設施挑戰 —— 如頻寬限制、超額延遲和網路塞車 —— 但邊緣運算有幾個潛在的額外好處，可以使該方法在其他情況下具有吸引力。
自治。當連線不可靠或頻寬因站點環境特徵而受到限制時，邊緣運算非常有用。例子包括石油鑽井平台、海上船隻、偏遠農場或其他偏遠地點，如雨林或沙漠。邊緣運算在現場（有時在邊緣裝置本身）上進行運算工作，例如偏遠村莊的淨水器上的水質感測器，並且只有在連線可用時，才能儲存資料以傳輸到中心點。透過在本地處理資料，傳送的資料量可以大大減少，所需的頻寬或連線時間遠遠少於其他需要。
資料主權。移動大量資料不僅僅是一個技術問題。 資料跨越國家和區域邊界的旅程，可能會給資料安全、隱私和其他法律問題帶來額外的問題。邊緣運算可用於使資料接近其來源，並在現行資料主權法律的範圍內，如歐盟的GDPR，該 GDPR 定義了資料的儲存、處理和暴露方式。這可以允許在本地處理原始資料，在將任何東西傳送到其他司法管轄區的雲或主資料中心之前，掩蓋或保護任何敏感資料。
邊緣安全。最後，邊緣運算為實施和確保資料安全提供了額外的機會。儘管雲供應商擁有物聯網服務，並專門從事複雜的分析，但企業仍然關注資料離開邊緣並返回雲，或資料中心後的安全性。透過在邊緣實施運算，任何將網路穿越回雲或資料中心的資料，都可以透過加密進行保護，邊緣佈署本身可以加強對駭客和其他惡意活動的攻擊 —— 即使物聯網裝置上的安全性仍然有限。
邊緣運算的挑戰
儘管邊緣運算有可能在多種用例中 抱抱提供令人信服的好處，但該技術遠非萬無一失。除了傳統的網路限制問題外，還有幾個關鍵的考慮因素可能會影響邊緣運算的採用：
- 能力有限。雲端運算給邊緣（或霧）運算帶來的部分魅力，在於資源和服務的多樣性和規模。在邊緣佈署基礎設施可能是有效的，但邊緣佈署的範圍和目的必須明確定義 —— 即使是廣泛的邊緣運算佈署，使用有限的資源和很少的服務，以預先確定的規模達到特定目的
- 連線。邊緣運算克服了典型的網路限制，但即使是最寬容的邊緣佈署也需要一些最低等級的連線。設計一個適應不良或不連通的邊緣佈署非常重要，並考慮連線丟失時邊緣會發生什麼。連線問題後的自主性、人工智慧和優雅的故障規劃對成功的邊緣運算非常重要。
- 安全。物聯網裝置眾所周知不安全，因此設計一個邊緣運算佈署非常重要，該佈署將強調適當的裝置管理，如策略驅動的配置執行，以及運算和儲存資源的安全性 —— 包括軟體修補和更新等因素 —— 並特別關注靜置和飛行中資料中的加密。來自主要雲提供商的物聯網服務包括安全通訊，但在從頭開始建構邊緣站點時，這不是自動的。
- 資料生命週期。當今資料過剩的長期問題是，這些資料中有很多是不必要的。考慮醫療監測裝置 —— 關鍵的只是問題資料，儲存幾天的正常患者資料沒有什麼意義。即時分析涉及的大多數資料都是短期資料，不會長期儲存。一旦進行分析，企業必須決定保留哪些資料，放棄哪些資料。保留的資料必須根據商業和監管政策進行保護。
邊緣運算實現
邊緣運算是一個直截了當的想法，在紙面上可能看起來很容易，但制訂有凝聚力的策略，並在邊緣實施合理的佈署可能是一個具有挑戰性的工作。
任何成功技術佈署的第一個關鍵要素，是建立有意義的業務和技術優勢 策略。這樣的策略不是挑選供應商或裝備。相反，邊緣策略考慮了邊緣運算的需求。理解「為什麼」需要清楚地瞭解，組織正在努力解決的技術和業務問題，例如克服網路約束和遵守資料主權。
這種策略可能從討論邊緣意味著什麼開始，它對企業的存在在哪裡，以及它應該如何使組織受益。邊緣策略也應該與現有業務計劃，和技術路線圖保持一致。例如，如果企業尋求減少其集中式資料中心佔用空間，那麼邊緣和其他分散式運算技術可能會很好地對齊。
隨著專案接近實施，仔細評估硬體和軟體選項很重要。邊緣運算領域有許多供應商，包括 Adlink Technology、Cisco、Amazon、Dell EMC 和 HPE。每個產品都必須對成本、效能、功能、互操作性和支援進行評估。從軟體的角度來看，工具應該提供對遠端邊緣環境的全面可見性和控制。
邊緣運算倡議的實際佈署在範圍和規模上，可能差異很大，從實用程式頂部戰鬥加固外殼中的一些本地運算，裝置到向公有雲提供高頻寬、低延遲網路連線的大量感測器。 沒有兩個邊緣佈署是相同的。正是這些變化使邊緣策略和規劃對邊緣專案的成功非常重要。
邊緣佈署需要全面監控。請記住，讓 IT 員工進入實體邊緣站點可能很困難，甚至不可能，因此應該設計邊緣佈署，以提供彈性、容錯性和自我修復能力。監控工具必須提供遠端佈署的清晰概述，實現輕鬆的配置和配置，提供全面的警報和報告，並維護安裝及其資料的安全。邊緣監控通常涉及一系列指標和關鍵績效指標，如站點可用性或正常執行時間、網路效能、儲存容量和利用率以及運算資源。
如果不仔細考慮邊緣維護，任何邊緣實現都不會完整：
- 安全。實體和邏輯安全預防措施非常重要，應該包括強調漏洞管理和入侵檢測和預防的工具。安全性必須擴充到感測器和物聯網裝置，因為每個裝置都是可以連線訪問，或駭客入侵的網路元素 —— 呈現出數量令人困惑的可能攻擊面。
- 連線。連線是另一個問題，即使實際資料的連線不可用，也必須為門禁控制和報告做出規定。一些邊緣部署使用輔助連線進行備份連線和控制。
- 管理。邊緣佈署的遠端且往往不起場所，使遠端配置和管理變得非常重要。IT 經理必須能夠看到邊緣發生的事情，並能夠在必要時控制佈署。
- 實體維護。實體維護要求不容忽視。物聯網裝置的壽命通常有限，需要常規電池和裝置更換。齒輪失敗，最終需要維護和更換。維護必須包括實際現場物流。
邊緣運算、物聯網和 5G 的可能性
邊緣運算不斷發展，使用新技術和實踐來提高其能力和效能。也許最值得注意的趨勢是邊緣可用性，邊緣服務預計到 2028 年將在全球提供。在當今邊緣運算通常針對具體情況的地方，預計該技術將變得更加無處不在，並改變網際網路的使用方式，為邊緣技術帶來更多的抽象和潛在用例。
這可以從專門為邊緣運算設計的運算、儲存，和網路裝置產品的激增中看出。更多的多供應商夥伴關係，將使產品在邊緣實現更好的互操作性和靈活性。一個例子包括 AWS 和 Verizon 之間的合作關係，以提供更好的連線邊緣。
無線通訊技術，如 5G 和 Wi-Fi 6，也將影響未來幾年的邊緣佈署和利用，實現尚未探索的虛擬化和自動化能力，如更好的車輛自主性和工作負載遷移到邊緣，同時使無線網路更加靈活和具有成本效益。
隨著物聯網的興起和此類裝置產生的資料突然過剩，邊緣運算引起了關注。但隨著物聯網技術仍處於相對起步階段，物聯網裝置的演變也將對邊緣計算的未來發展產生影響。未來此類替代方案的一個例子是微型模組化資料中心（MMDC）的發展。MMDC 基本上是一個盒子裡的資料中心，將一個完整的資料中心放在一個小型移動系統中，該系統可以佈署在更接近資料的地方 —— 例如跨越城市或地區 —— 以使運算更接近資料，而不會將邊緣置於資料本身。
0 comments:
張貼留言