边缘计算(如何理解边缘计算雾计算和云计算的区别)

边缘计算，如何理解边缘计算雾计算和云计算的区别？

云计算

一种利用互联网实现随时随地、按需、便捷地使用共享计算设施、存储设备、应用程序等资源的计算模式。

云计算系统由云平台、云存储、云终端、云安全四个基本部分组成，云平台从用户的角度可分为公有云、私有云、混合云等。通过从提供服务的层次可分为：基础设施即服务（Iaas）、平台即服务（Paas）和软件即服务（Saas）

通过将应用部署到云端后，可以不必再关注那些令人头疼的硬件和软件问题，它们会由云服务商去解决。使用的是共享的硬件，这意味着像使用一个工具一样去利用云服务（就像插上插座，你就能使用电一样简单）。只需要按照你的需要来支付相应的费用，而关于软件的更新，资源的按需扩展都能自动完成。云计算，像在每个不同地区开设不同的自来水公司，没有地域限制，优秀的云软件服务商，向世界每个角落提供软件服务——就像天空上的云一样，不论你身处何方，只要你抬头，就能看见！云计算已经走过了它辉煌的10年，云计算架构也日臻完善，越来越多的产品也登上了云！

但是现阶段而言依然会存在计算延迟、拥塞、低可靠性、安全攻击等问题，云计算需要新的帮手，基于此边缘计算、雾计算等概念也陆续的被提出以弥补云计算存在的短板问题！

雾计算 VS 云计算雾计算的概念最初是由美国纽约哥伦比亚大学的斯特尔佛教授(Prof. Stolfo)起的，当时的意图是利用“雾”来阻挡黑客入侵。没成想美国思科公司把这个名词嫁接了过去并得到了发扬光大，也就是我们现在所讨论的「雾计算」！雾计算可理解为本地化的云计算现在正在流行的“云计算”，是把大量数据放到“云”里去计算或存储，解决诸如电脑或手机存储量不够，或者是运算速度不够快的问题

参自Cisco：雾计算原始定义图示

在终端和数据中心之间再加一层，叫网络边缘层。如再加一个带有存储器的小服务器或路由器，把一些并不需要放到“云”的数据在这一层直接处理和存储，以减少“云”的压力，提高了效率，也提升了传输速率，减低了时延，这个工作原理其实就可以理解为：雾计算雾计算的原理与云计算一样，都是把数据上传到远程中心进行分析、存储和处理。但是雾计算相比于云计而言算要把所有数据集中运输到同一个中心，雾计算的模式是设置众多分散的中心节点，即所谓“雾节点”来处理，这样能够让运算处理速度更快，更高效得出运算结果。假如说云计算是把所有东西都送往天上的云彩中，雾计算就是把数据送到身边的雾气里，这种逻辑被称相关学者称之为“分散式云计算”。和云计算相比，雾计算显得更接地气了一些！云计算重点放在研究计算的方式，雾计算更强调计算的位置。雾计算相较云计算更贴近地面！更具体些说，它们在网络拓扑中的位置不同！雾计算和云计算实际上又存在有很多相似之处：如都基于虚拟化技术，从共享资源池中，为多用户提供资源服务等。相对于云计算来说，雾计算离产生数据的地方更近，“雾比云更贴近地面”的说法不是没有道理的！如果说CDN是弥补TCP/IP本地化缓存问题，那么雾计算就是弥补云计算本地化计算问题！雾计算 VS 云计算 有以下几个明显的特点：更轻压：计算资源有限相比较云平台的构成单位——数据中心，雾节点更加轻！雾计算能够过滤，如聚合用户消息（如不停发送的传感器消息），只将必要消息发送给云，减小核心网络压力更低层：雾节点在网络拓扑中位置更低，拥有更小的网络延迟（总延迟=网络延迟 计算延迟），反应性更强更可靠：雾节点拥有广泛的地域分布，为了服务不同区域用户，相同的服务会被部署在各个区域的雾节点上，使得高可靠性成为雾计算的内在属性，一旦某一区域的服务异常，用户请求可以快速转向其他临近区域，获取相关的服务。此外，由于使用雾计算后，相较云计算减少了发送到云端和从云端发送的数据量，和云计算相比延迟更短，安全风险也得到了进一步的降低！更低延：除了物联网的应用外，网上游戏、视频传输、AR等也都需要极低的时延，这点雾计算也是有所发挥的更灵便：雾计算支持很高的移动性，手机和其他移动设备可以互相之间直接通信，信号不必到云端甚至基站去绕一圈！此外，雾计算也支持实时互动、多样化的软硬件设备以及云端在线分析等更节能：

雾计算节点由于地理位置分散，不会集中产生大量热量，因此不需要额外的冷却系统，从而减少耗电，雾计算更省电！

边缘计算 VS 云计算

边缘计算：是指利用靠近数据源的边缘地带来完成的运算程序。边缘计算的运算既可以在大型运算设备内完成也可以在中小型运算设备、本地端网络内完成用于边缘运算的设备可以是智能手机这样的移动设备、PC、智能家居等家用终端也可以是ATM机、摄像头等终端边缘计算，让计算在身边发生！

边缘计算和云计算互相协同，它们是彼此优化补充的存在。云计算是一个统筹者，它负责长周期数据的大数据分析，能够在周期性维护、业务决策等领域运行。而边缘计算着眼于实时、短周期数据的分析，更好地支撑本地业务及时处理执行。边缘计算更靠近设备端，也为云端数据采集做出贡献，支撑云端应用的大数据分析，云计算也通过大数据分析输出业务规则下发到边缘处，以便执行和优化处理。实际上这两者都是处理大数据的计算运行方式。但不同的是，这一次，数据不用再传到遥远的云端，在边缘侧就能解决，更适合实时的数据分析和智能化处理，也更加高效而且安全。典型场景1:赋能CDN内容分发业务传统 CDN 借助缓存数据，提高近地节点数据传输的性能，但是实际上对动态的计算服务，就只能回源到数据中心，这个成本本身其实是很高的。边缘计算和传统的中心化思维不同，其主要计算节点以及应用分布式部署在靠近终端的数据中心，这使得无论是在服务的响应性能、还是可靠性方面都是高于传统中心化的云计算。边缘计算保障大量的计算需要在离终端很近的区域完成计算，完成苛刻的低延时服务响应。此外通过边缘计算，同时缓解了传统数据「安全」层面的问题，毕竟数据传输的距离越远、路径越长、时间越久，数据的被窃取风险和丢失风险也就越高。典型场景2:万物互联的物联网时代需要边缘计算助力随着网络边缘侧设备的迅速增加，设备产生的数据存量达到泽字节的级别，从网络边缘设备传输传输海量数据到云数据中心致使网络传输宽带的负载量急剧增加造成较长的网络延迟，单纯的云计算已经不足以匹配如此庞大规模数据量的即时计算。关于很多疑惑边缘计算能否取代云计算的问题：边缘计算不能也不会取代云计算，二者是互补关系！此外，现阶段客观来看，边缘计算距离落地还是需要一段时间，相关的解决方案也需要进一步完善。边缘计算和云计算又有何区别呢？实际上这两者都是处理大数据的计算运行方式。但不同的是，这一次，数据不用再传到遥远的云端，在边缘侧就能解决，更适合实时的数据分析和智能化处理，也更加高效而且安全。边缘计算服务的构建，从技术领域是一种很大的创新！如今AWS、微软、英特尔等国外大型企业已经着手布局边缘计算，可以预见的是边缘计算之于云服务企业重要性可见一斑！如果说云计算是集中式大数据处理，那么边缘计算可以理解为边缘式大数据处理！由于边缘计算(Edge computing )指的是接近于事物，数据和行动源头处的计算所以我们也可以把这种类型的数据处理使用更通用的术语来表示：邻近计算或者接近计算边缘计算具备的几点特质：1.分布式和低延时计算2.对终端设备的数据进行筛选，不必每条原始数据都传送到云，充分利用设备的空闲资源，在边缘节点处过滤和分析，节能省时3.减缓数据爆炸，网络流量的压力，在进行云端传输时通过边缘节点进行一部分简单数据处理，进而能够设备响应时间，减少从设备到云端的数据流量4.智能化（Edge intelligence）对于未来而言物联网也好、AR或则VR场景也好以及大数据和人工智能行业，实际上都有着极强的对近场计算的需求，边缘计算保障大量的计算需要在离终端很近的区域完成计算，完成苛刻的低延时服务响应！

可以预见的是，在未来边缘计算的发展并不边缘！

雾计算 VS 边缘计算边缘计算概念出现时间上较早于雾计算，指代云和设备的边界雾计算而言因为和云相比位置上更接近设备，所以表示为雾。关于二者的区别实际上有很多的解读，角度不同观点自然也会有所区别。分享其中一种从物联网层面的解读：雾计算，经常是在IoT背景下被提及到，典型的主要业务是路由器、接入点甚至是与传感器和执行器一起的计算设备。处理能力放在包括 IoT设备的LAN里面，这个网络内的IoT网关，或者说是雾节点用于数据收集，处理，存储。多种来源的信息收集到网关里，处理后的数据发送回需要该数据的设备。雾计算的特点是处理能力强的单个设备接收多个端点来的信息，处理后的信息发回需要的地方，和云计算相比延迟更短。和边缘计算相比较的话，雾计算更具备可扩展性。雾计算不需要精确划分处理能力的有无，根据设备的能力也可以执行某些受限处理，但是更复杂的处理实施的话需要积极的连接。边缘计算，进一步推进了雾计算的“LAN内的处理能力”的理念，处理能力更靠近数据源。不是在中央服务器里整理后实施处理，而是在网络内的各设备实施处理。这样，通过把传感器连接到可编程自动控制器(PAC)上，使处理和通信的把握成为可能。和雾计算相比的优点，根据它的性质单一的故障点比较少。各自的设备独立动作，可以判断什么数据保存在本地，什么数据发到云端。实际上雾计算和边缘计算感觉很相似，但是在数据的收集，处理，通信的方法层面还是存在些许的不同的，也各有利弊！

雾计算以及边缘计算、海计算而言等等概念、产品的出现，不是用来代替云计算，更多的是对云计算短板的弥补，无论是云计算、海计算或者是边缘计算、雾计算，其他产品概念也好，目的只有一个：更好的服务于我们的生活！

被热炒的边缘计算会成为下一个风口吗？

EDGE 边缘计算一定会成为下一个风口！首先、在5Ｇ、云计算、SDN、NFV、AI等新一代技术革命浪潮下，分布式计算比较合适各种业务应用场景，集中式计算存在性能、时延、带宽、成本等问题、编译计算一部分业务场景比较适合，未来的云计算一定是边缘计算+云计算的组合方式！

边缘计算与传统区别？

传统的云计算会引起网络延时变长等问题，边缘计算可以解决这些问题。

边缘计算的出现是云计算发展到一定阶段后，越来越多的技术开发者想把云计算的高可用、分布式等能力下沉到边缘端，让边缘也具备云上的这些功能。

具体说，云计算是集中化的，离终端设备较远，对于实时性要求高的计算需求，会引起延时变长、网络拥堵等问题。边缘计算将云端计算能力延伸到靠近终端设备的边缘节点，从而解决上述问题。

边缘计算与AI的结合会带来怎样的变革？

主要能解决三个问题:

1. 隐私，因为在边缘计算，不在云中心计算，很难泄露隐私

2. 高速，因为距离很近，不需要传递到中心云主机，可能距离很远

3. 便宜，因为边缘节点大多是共享闲置资源，所以便宜。

如何将机器学习引入边缘计算？

自 2006 年云计算正式在科技世界中展露头角，近 13 年的迅猛发展，2019 年云计算市场早已不同以往。回顾昨日，2018 年风口浪尖上的云计算，“人人说云，事事上云”，各大中型企业到初创企业纷纷把不同类型的应用服务迁移到云上，寻找上云最佳途径。再看今朝，AI、物联网、5G 等新兴技术的发展落地，不断拓宽着云计算的实践边界与应用空间。

1与云计算互补：AI 推动边缘计算应运而生

从云计算对传统 IT 架构的颠覆性变革，到 AI 构建模型与算法的智能世界，再到万物互联的 IoT 悄然崛起，云计算以排山倒海之势拉动着 IT 产业链的发展，而人工智能和物联网也一直都是社会普遍关注的焦点话题。

值得注意的是，近两年，与我们生活息息相关的智能服务随处可见，但其底层的 AI 技术或者说机器学习技术却已拥有着超过 50 年的悠久历史。要说“人工智能”为何在近几年才逐步走近人们的生活，这与云计算有着密切联系。2006 年云计算的诞生，预示着人工智能拐点的到来，数据量越来越大，计算能力越来越强，过去不实用的 AI 技术到了 2006 年也都逐步进入实用阶段，可以说，是云计算让 AI 技术更加接近企业与消费者，并不断利用 AI 技术驱动着产业变革。

技术发展总是相互贯通的，随着数十亿的智能设备在住房、工厂、医院、汽车等地普及开来，物联网技术的兴起必然是这个时代的又一场革命。随着物联网在各行各业的推广应用，我们急需一个解决方案来收集、处理、存储这些物联网设备所产生的庞杂数据，而云计算平台正是分析加工这些海量数据与连接的技术基石。同时，IoT 通常会在边缘端对设备进行管理和控制，很多的数据需在边缘进行实时决策，这就对边缘设备的智能化提出了更高的要求。

2将机器学习智能引入边缘计算

边缘计算意味着把云计算的资源、计算、存储等能力带到更接近用户的本地边缘设备中，大量计算可以在本地直接处理，而无需把所有数据都发送到云端，实现本地事件的更快响应。

事实上，要想确保 IoT 应用程序能够快速响应本地事件，则必须以非常低的延迟获得推理结果，但这时如果把数据发送至云端，再等待云端的推理决策，这个过程就很难满足一些业务场景的需求。

例如，在很多智慧城市的智慧摄像头场景中，智能摄像头需要在边缘侧快速识别汽车牌照或者人脸等场景，如若把海量的视频数据实时上传到云端去做推理，这势必会带来大量不必要的带宽占用，并无法满足其对于实时决策的需求，这时就需要一个更加智能的解决方案来做推理。

但是，仅使用云计算来部署人工智能的方式，与将云计算与边缘计算有效结合起来应用人工智能的方式截然不同。数据科学家依靠云计算来摄取和存储大量数据集，并识别数据中的模式和关系，在建立模型的整个过程中，训练和优化机器学习模型需要大量计算资源，因此与云计算是天然良配。

而实际上，最终的、经过优化的机器学习模型在推理的过程中并不需要太多的资源。所以为了确保 IoT 应用程序以非常低的延迟获得推理结果，我们就可以把训练放在云端，推理放在边缘侧，以达到利用云端去训练机器学习模型，利用边缘设备实时进行推理，甚至在没有互联网的环境中产生数据时，也能实现高速响应业务变化并作出决策。

例如，在智慧农业的场景中，装在农田里的传感器会对收集的环境数据进行实时决策。但在这些场景中，设备通常无法保证连接到互联网，这时就更加需要边缘端实时作出决策，待设备具备互联网连接时，再同步数据到云端。

广阔的市场前景，潜在的应用范围，毋庸置疑，人工智能让边缘计算更有价值。据美国市场调研公司 CB Insights 估算，到 2023 年全球边缘计算行业，整体市场容量有望达到 340 亿美元。其中包括亚马逊、微软、谷歌在内的几大公有云巨头的争相布局也说明了边缘计算未来发展的无限潜力，尤其在智能家居领域，边缘计算如何发挥更大价值已成为行业的主要研究方向。

3智能家居中的边缘智能

目前，智能家居中的大部分智能设备主要还是通过云计算来实现设备交互，但设备对云计算的强依赖同样会产生响应速度慢、延迟感强、网络故障等诸多问题。这时，填补目前云计算特性不足并提升计算效率的边缘计算，在智能家居领域中强势崛起。

据麦肯锡预测，到 2025 年，全球联网设备总量将达 750 亿。从智能的家庭监控摄像头，到智能门锁，智能空调等，对于每天要处理大量 IoT 数据的智能家居行业来说，边缘计算将成为必然选择。

以格兰仕的智慧家居数字化转型为例，自 1978 年 9 月 28 日创立以来，格兰仕历经多次转型，从轻纺明星企业，到微波炉“黄金品牌”，再到综合性白色家电集团，成为中国家电产业的龙头企业之一。然而随着科技的发展和消费需求的变化，为了应对智能化制造、精益化管理等一系列挑战，格兰仕决定开启第四次转型 —— 数字化转型。

但格兰仕过去传统架构设计的信息系统已不再适用，在数字化转型过程中，格兰仕在对比了众多解决方案后，最终选择利用 AWS IoT 、AWS ECS 等 AWS 解决方案完成了电商平台与物联网平台的开发部署。

在 AWS 智慧家庭设备的解决方案中，用户可在 Amazon SageMaker 中构建预测模型以用于场景检测分析，并对其进行优化以便在任何摄像机上的稳定运行，然后部署该模型以便预测可疑活动并发送警报，实现在云中构建、训练和优化机器学习模型，并在本地设备进行推理的高效响应。

AWS Greengrass ML Inference

用户首先可将训练数据上传至存储桶中，并选择 SageMaker 提供的现有算法生成训练模型，该模型以压缩 zip 文件的形式被复制到另一 Amazon S3 存储桶内。接下来，该 zip 文件会被复制到设备中，该设备则在运行时由 AWS Lambda 函数进行调用。其中，在 IoT Greengrass 上运行推理过程所收集到的数据可发送回 SageMaker，进行就地标记，并用于不断提高机器学习模型的质量。

具体的智慧家庭场景中，机器学习模型需要在家中的智能摄像头和网关的边缘设备上直接运行，并检测是否发生了一些需要实时处理的数据。在边缘端，这些机器学习模型作为一个 Serverless 函数部署，该函数则由应用程序直接调用（图中 2 和 6）。在每个边缘位置，由于 FaaS 中的部署单元为一个函数，因此它比推送到虚拟机或容器要更高效得多，而且一旦有新的机器学习模型在云端产生时，都会为其分配一个新版本，并将其同步到边缘端去运行（图中 2，3 之间的交互）。总之，机器学习的繁重工作在云中完成，边缘计算简化了推理与部署体验，Serverless 也将简化开发人员的工作负担。

4小结

边缘计算作为算力架构优化最重要的技术，不仅是物联网发展的重要方向，同时也是未来 AI 技术的重要延伸。万物互联，将机器学习智能引入边缘计算，使智能计算更接近于应用程序，人工智能与边缘计算的融合与突破，势必将重新定义未来科技的发展新方向。