企业是否应该将物联网处理转移到边缘？
随着物联网 (IoT) 的发展，从传感器收集的数据量呈指数增长，处理能力必须扩展以匹配。
现代物联网系统产生的数据量是惊人的——IBM表示，平均每个石油钻井平台每天从 80,000 个传感器产生 2TB 的数据，而先进的自动驾驶汽车每小时可以产生 40TB 的数据。
构建生成大量数据的系统固然很好，但需要对数据进行处理和分析。通常，物联网数据被反馈到中央云或数据中心，但这会引入延迟瓶颈，阻碍超快速系统。相反，边缘计算使处理更接近数据收集的位置，从而加快处理速度并降低系统延迟。
边缘计算正在开启以超低延迟处理超高带宽物联网数据的新机遇。那么，边缘物联网有什么好处呢？现在是企业投资的合适时机吗？
将数据处理带到边缘
边缘计算的商业投资正在飞速增长，预计未来 5 年的复合年增长率为 37%。Gartner 预测，到 2025 年，大约 75% 的企业数据将在边缘处理。
那么什么是物联网背景下的边缘计算？在传统的物联网系统中，传感器将原始数据发送到云或数据中心，云或数据中心处理数据并在需要时将响应发送回设备。
整个过程通常需要不到一秒钟的时间，但互联网连接缓慢和服务器响应时间等因素会影响延迟，尤其是当数据需要复杂的处理和分析时，例如使用 AI 模型。
此外，互联网连接并不像我们希望的那样可靠，而且高速覆盖可能不完整。然后，如果企业正在处理业务关键型物联网数据，他们就会非常信任公共云提供商。
边缘计算通过在物理上更靠近收集数据的位置处理数据来解决其中一些问题，从而减少或消除外部处理的需要。
物联网与边缘计算相结合是现代低延迟技术所固有的，这些技术可以在几毫秒内可靠地处理复杂数据。
企业如何从边缘物联网中获益
1：延迟
边缘计算可以节省时间并优化资源。按时间，我们谈论的是毫秒——但如果无人驾驶汽车以 60 英里/小时的速度冲向骑自行车的人，那么每一毫秒都很重要。
AV 必须匹配（或最好超过）我们自己的生物神经系统大约 100 毫秒的反应时间才能安全。在那短时间内，传感器必须将复杂的数据传递给决策模型，决策模型将所需的输出返回给加速器、转向系统等。在这种需要瞬间决策的高风险场景中，您不能依赖服务器端处理。
工业 4.0 中的应用程序也需要超低延迟性能，例如一旦敏感设备显示出即将发生故障的迹象，立即触发警报。类似的情况也适用于需要超快速处理的其他安全警报系统。
2：可扩展性
随着企业为自己配备更多物联网传感器，端点上的负载呈指数级增长。
云存储涉及持续不断的成本，并不总是经济地扩展。另一方面，轻型边缘选项，例如 NVIDIA 的 Jetson 模块，一种能够每秒执行 21 万亿次操作的边缘 AI 设备，成本仅为 500 美元左右。
虽然边缘计算涉及前期成本，但在某些情况下，仅在云架构上运行复杂的工作负载可能成本更高。
3：安全
物联网提出了围绕在易受攻击的网络中收集和传输敏感数据的安全问题。
虽然边缘计算仍然依赖于容易受到黑客攻击的服务器，但它受益于更加本地化，??这有助于数据控制和安全保证。
此外，边缘设备可以在数据到达网络之前对其进行转换和丢弃，本地处理减少了无线交换的数据量，降低了被拦截的可能性。
此外，边缘设备就地处理物联网数据，因此它们规避了传输和存储数据的一些监管复杂性。例如，宝马使用边缘设备就地处理视频数据，而无需冒险将其移动到云端。
结合物联网和边缘设备
PTC ThingWorx、Microsoft Azure IoT、Hitachi Lumada 和 Software AG 的 Cumulocity 等物联网平台已经为客户推出了边缘服务和解决方案。
企业应确定哪些物联网工作负载值得使用边缘技术来增强。
有几件事需要考虑：
位置：边缘物联网适合连接不完整或低延迟处理至关重要（或两者兼而有之）的用例。例如，船舶或石油钻井平台可能缺乏与云或数据中心的可靠连接，因此需要在边缘进行处理以利用物联网数据进行监控以外的工作。连接到人工智能系统的物联网传感器可以在石油钻井平台上就地优化技术。
本地控制逻辑：边缘物联网使企业能够控制接近技术的逻辑。例如，自动驾驶汽车需要在不依赖部署在云端的人工智能模型的响应的情况下做出超快速的决策。
与现有系统集成：边缘计算可以插入现有的物联网基础设施。企业可以确定最有可能受益于边缘计算的系统的优先级，并在他们意识到优势时扩大需求。
事实证明，边缘设备“插入”现有基础设施（包括遗留系统）的能力是一种采用优势。
对于企业来说，通过将边缘设备部署到高优先级应用程序来测试水域、衡量收益并相应地调整它们是相对简单的。Edge IoT 解决了许多与处理大量复杂数据相关的问题，并使用它来获得洞察力或以低延迟做出决策。
借助支持边缘的物联网，企业可以创建对毫秒敏感的超快系统，同时解决安全和监管问题并减少对云架构的依赖和负载。
图片使用申明：原创文章图片源自‘Canva可画’平台免费版权图片素材；引用文章源自引用平台文章中所使用的原图。