概念
边缘计算是一种分布式计算范式，它将计算任务和数据存储从中心化的云端推向网络的边缘，即设备或终端，以提高响应速度和降低网络带宽需求。在边缘计算中，数据在源头附近进行处理和分析，而不需要将所有数据传输到远程的数据中心。将数据处理和存储能力推送至接近数据源的网络边缘，以降低延迟、提高带宽利用率，并增强隐私和安全性。
云计算和边缘计算是两种不同的计算模式，它们各自有着特定的优势和适用场景。
云计算：
云计算是一种通过网络提供计算资源和服务的模式，用户可以通过互联网按需获取计算资源，无需在本地部署和维护硬件设备。
优势：灵活性高，可以根据需求随时扩展或缩减计算资源；资源集中管理，易于维护和更新；适用于需要大规模计算和存储的场景。
适用场景：大规模数据处理、企业应用托管、弹性网站托管等需要高性能和大规模资源的应用场景。
边缘计算：
边缘计算是一种将计算和存储资源推向网络边缘的模式，将数据处理和分析功能部署在离数据源更近的地方，以减少数据传输延迟和网络带宽占用。
优势：降低数据传输延迟，提高响应速度；减少对网络带宽的依赖；支持实时数据处理和分析。
适用场景：物联网设备、智能城市、工业自动化等需要低延迟和实时处理的场景。
应用场景
边缘计算的应用场景非常广泛，包括物联网（IoT）、智能家居、自动驾驶、工业、远程医疗、增强现实（AR）和虚拟现实（VR）等。在这些场景中，边缘计算能够显著减少数据传输延迟，提高系统的实时性和响应速度，同时减轻数据中心的负担。
智能城市：监控摄像头、交通管理、环境监测等。
工业物联网：设备监控、预测性维护、生产优化等。
智能零售：智能货架、用户行为分析、定制化推荐等。
智能健康：远程医疗监护、个性化健康管理、医疗影像分析等。
必要性
边缘计算的主要优势包括低延迟、高带宽、安全性和可靠性。由于数据在源头附近处理，可以显著减少数据传输延迟，提高系统的实时性。同时，减少数据传输量可以降低对网络带宽的需求，从而减轻网络拥堵。此外，将敏感数据在本地处理可以减少数据泄露的风险，提高系统的可靠性，因为即使网络连接中断，本地设备仍然可以继续运行。
降低延迟：通过将计算推送至边缘，减少数据往返时间，实现实时响应需求。
减轻网络负载：将数据处理在本地，减少对云端资源的依赖，降低网络拥塞风险。
增强隐私保护：本地数据处理有助于减少数据在传输过程中的暴露风险，提高隐私安全性。
提高可靠性：分布式边缘计算架构可以提高系统的容错性和可用性，降低单点故障的风险。
功能架构
- 数据采集与传输：负责从传感器、设备等数据源采集数据，并通过网络传输至边缘节点。
- 数据处理与分析：在边缘节点上对接收到的数据进行实时处理和分析，生成实时决策或预测结果。
- 数据存储与管理：负责存储和管理边缘节点处理的数据，提供数据的查询、检索和删除等功能。
技术架构
- 边缘节点：使用轻量级容器化技术，如Docker或Kubernetes，实现边缘计算任务的部署和管理。
- 通信协议：采用低功耗广域网（LPWAN）、MQTT等协议，实现设备与边缘节点之间的数据传输。
- 数据处理引擎：使用Apache Kafka、Apache Flink等实时流处理引擎，实现数据的实时处理和分析。
- 安全机制：采用TLS/SSL加密、身份认证等技术，保障数据在传输和存储过程中的安全性。
应用架构
- 边缘节点：部署在物联网设备、智能网关等边缘设备上，负责实时数据处理和决策。
- 云端平台：提供远程监控和管理功能，接收边缘节点传输的数据，并进行二次处理和存储。
数据架构
- 实时数据：包括传感器数据、设备状态等实时产生的数据，用于实时监控和决策。
- 历史数据：包括历史记录、日志等数据，用于分析和回溯。
4+1视图
逻辑视图：描述系统的功能和数据流程，包括数据处理流程、逻辑组件等。
物理视图：描述系统的物理组件和部署架构，包括边缘节点、云端服务器等。
进程视图：描述系统的进程和通信机制，包括数据传输、处理和存储过程。
开发视图：描述系统的开发环境和工具链，包括开发语言、框架和工具。
场景视图：描述系统在不同应用场景下的使用情况和配置方式。
边缘计算的市场前景
预计到2025年，全球将有超过75亿个物联网设备在线，这些设备将产生大量的数据，需要在网络边缘进行实时处理和分析。边缘计算能够降低数据传输延迟，提高处理效率，从而满足物联网应用对实时性和可靠性的高要求。随着物联网设备的爆炸式增长，边缘计算将成为处理和分析这些海量数据的关键技术。
发展趋势
边缘计算平台：云厂商如AWS、Azure等将推出更多边缘计算服务，简化边缘应用的开发和部署。
边缘智能：结合人工智能技术，实现边缘设备的智能化，提高边缘计算的智能决策能力。
边缘安全：加强边缘计算平台的安全性能，保障边缘设备和数据的安全性。
边缘标准：制定边缘计算的相关标准。
