边缘计算教程

边缘计算是一种分布式计算模型，它将计算和数据存储更靠近数据源。与传统的云计算相比，这种方法有助于减少延迟、带宽使用、能耗和可靠性问题。

本边缘计算教程涵盖了从基础到高级的主题，例如边缘计算简介、其架构以及它与云计算的不同之处。本教程对 IT 专业人员、软件开发人员、数据科学家和网络工程师以及学生都有帮助。

边缘计算如何工作？

边缘计算通过在靠近数据生成源的地方处理数据来工作，最大限度地减少了原始数据直接传输到云服务器。以下是步骤：

• 首先，当诸如物联网传感器、摄像头和机器等设备实时生成大量数据时。
• 边缘：边缘设备（如网关、路由器或本地服务器）在本地处理数据，而不是将所有数据发送到集中式云。这包括过滤、聚合或分析数据以提取有意义的见解。
• 通过边缘处理后的数据，可以立即做出决策。例如，在自动驾驶汽车中，可以立即分析来自传感器的实时数据，以便在不延迟的情况下做出驾驶决策。
• 现在，只有相关或汇总的数据才会发送到云端以进行进一步分析、存储或长期处理。这最终减少了带宽使用并最大限度地减少了延迟。
• 尽管如此，边缘设备仍可能与云端通信以执行需要更广泛处理、历史数据分析或集中管理的任务，但它们主要独立运行以满足即时需求。

边缘计算的应用

以下是在不同行业中边缘计算的几个重要应用：

• 在制造领域，它可以访问实时预测性维护并提高生产效率，同时优化能耗。
• 在农业领域，它有助于实现土壤监测、智能灌溉和改进的作物管理，以及牲畜健康监测。
• 在医疗保健领域，内置边缘计算的可穿戴设备提供即时反馈和 AI 诊断，同时确保数据安全和合规性。
• 在银行业，它支持更快的交易、欺诈检测和数据安全，并通过 AI 工具改善客户体验。
• 在汽车行业，它为智能汽车提供动力，实现实时导航和安全监控。

边缘计算与现实生活中的例子

让我们考虑一个例子：假设你有一辆汽车，它与你的智能手机集成，以管理各种功能，例如电话呼叫、导航、娱乐等。

现在，如果每五分钟将所有生成的数据直接发送或传输到云端，就会产生一些问题，例如延迟增加；如果数据量大或复杂，则可能会降低响应速度；带宽过载；系统过载；数据隐私问题；以及复杂的数据管理。因此，牢记这一点并解决此问题，引入了边缘计算，旨在解决与频繁数据传输相关的问题。

现在，数据不是直接发送到云端，而是先传输到边缘，边缘会处理数据，并且只有相关或汇总的信息才会发送到云端，这最终有助于最大限度地减少数据量或冗余，实现即时处理、优化带宽使用和可扩展的数据管理。

因此，在继续学习边缘计算之前，让我们讨论并区分几个术语——边缘、雾和云计算。

边缘、雾与云计算

边缘计算

它是一种分布式计算模型，用于在靠近数据生成源（例如物联网设备、传感器）的地方处理数据，以减少延迟、提高响应时间和节省带宽。

雾计算

雾计算是云计算的扩展，它使用分布式方法，在边缘和云之间各个点处理数据。它通常涉及多层计算资源，这提供了更大的灵活性和可扩展性。

云计算

而云计算是一种集中式计算模型，其中数据处理和存储发生在云数据中心。用户可以通过互联网访问这些数据或资源，具有巨大的按需可扩展性和强大的计算能力，但由于距离数据源较远，因此通常会遇到更高的延迟。

边缘计算的优势

以下讨论了边缘计算的几个优势：

• 降低延迟 - 在更靠近数据源生成的地方处理数据可最大限度地减少延迟，从而可以进行实时决策，这对于自动驾驶汽车和工业自动化等应用尤其重要。
• 带宽效率 - 通过在本地过滤和处理数据，边缘计算有助于减少发送到云端的数据量，最终减少网络拥塞并降低带宽成本。
• 实时洞察 - 边缘的即时数据分析有助于快速响应不断变化的条件，支持需要快速洞察力的应用程序。
• 提高可靠性 - 边缘的本地处理还允许系统即使在没有互联网连接的情况下也能继续运行，这最终提高了整体系统可靠性。
• 增强安全性和隐私 - 边缘计算还将在本地处理敏感数据，从而减少传输过程中的暴露，并最大限度地降低数据泄露的风险。
• 可扩展性 - 边缘计算使组织能够通过添加更多边缘设备轻松扩展其运营，而不会给集中式资源带来压力。
• 节省成本 - 减少传输到云端的数据量可以降低数据传输和存储成本，这使得边缘计算成为更经济的解决方案。
• 优化性能 - 边缘本地处理还有助于通过减少延迟并允许更快的数据检索和处理来提高应用程序性能。
• 更好地利用资源 - 边缘计算通过平衡跨设备的工作负载并减少中央服务器的负载来实现资源的有效利用。

边缘计算的局限性

尽管边缘计算带来了众多好处，但它仍然存在一些局限性，如下所述：

• 数据管理方面的挑战 - 数据管理挑战，其中确保跨分布式边缘设备的数据一致性可能是一个复杂的过程，实时处理也可能具有有限的存储容量，这使得难以处理大量数据。
• 基础设施和部署成本 - 在建立边缘计算基础设施时，维护和更新可能需要大量资本投资。
• 安全风险 - 边缘设备的数量可能导致更多潜在的网络攻击切入点。在本地处理敏感数据会导致对合规性以及数据隐私的担忧。
• 管理复杂性 - 将边缘计算与现有的 IT 系统集成和处理可能很复杂，并且需要专门的知识。由于其不同的需求和条件，跨多个位置扩展边缘计算也具有挑战性。

学习边缘计算的先决条件

对于边缘计算，重要的是要具备网络概念、云计算基础知识、物联网 (IoT) 设备、协议和数据管理技术的扎实基础，精通 Python 或 Java 等编程语言。还需要熟悉分布式系统、容器化（例如 Docker、Kubernetes）和网络安全原则，并具备良好的分析技能以解释实时数据以及对各种边缘设备的了解。

谁可以学习边缘计算？

任何人都可以学习边缘计算，包括 IT 专业人员、软件开发人员、数据科学家和网络工程师，以及计算机科学相关领域的大学生、商业分析师和对物联网 (IoT) 和云技术感兴趣的技术爱好者。以及希望提高其分布式计算技能的人。