邊緣和霧計算的實際應用

邊緣計算的一個流行應用是城市監控。很多監控攝像頭都會出現。例如，孟買有數千臺閉路電視攝像機，并計劃安裝更多。所有這些攝像頭都將獲得交通錄像，這將有助于識別行動不便和犯罪活動。但安全人員幾乎不可能全部監控。所以，一個選擇是使用計算機視覺和機器學習。

機器學習過程與數據有關。在攝像機監視方面，需要收集和處理來自攝像機的數據來執行各種操作。在帶寬要求上，一個攝像機需要3Mbps的速度來傳輸SD視頻，5Mbps的高清視頻。一個SD視頻一天消耗32GB的數據，這意味著10臺攝像機每月將消耗1.7TB的數據。隨著攝像機數量的增加，數據的消耗也會進一步增加。

為什么我們需要邊緣計算以及它可以在哪里使用

雖然CPU和存儲的成本是云計算的一部分，帶寬是另一個重要部分。帶寬成本不僅僅是將數據推送到云端，還包括服務器和存儲空間的成本。

如果您想避免在云中存儲大量數據以降低成本的問題，那么最好的方法是在網絡邊緣處理數據，因為在網絡邊緣生成數據。

為了使用計算機視覺和機器學習算法來實現這一點的自動化，需要一個系統而不是一個人來處理數據。例如，通過這種方式，來自交通信號燈處攝像機的數據就可以被處理。

邊緣計算可用于需要自主性的應用程序（即，在很少或沒有人工交互的情況下完成任務），例如自動駕駛汽車和工業4.0。

邊緣計算的另一個應用領域是不能容忍延遲的應用程序。例如，醫療和金融事務中，延遲可能是系統故障的一個原因。

云服務器的延遲

對于主要是運動控制的工廠自動化，需要1毫秒的端到端延遲；而對于過程自動化監控，則需要50毫秒的端到端延遲。

對于云服務器，端到端延遲大約需要60毫秒，考慮到單向延遲大約為29毫秒。所以，即使云服務器位于孟買，而你想讓你的工廠自動化，比如說，班加羅魯，也只需要60毫秒。

由于大量設備連接到云端，因此存在延遲。延遲還有一個基于光纖鏈路運行公里數的物理限制。它不能低于某個閾值，這意味著對于工廠自動化來說，過多的延遲會使得云基礎設施根本不起作用。

為了解決這個延遲問題，可以在物聯網（IoT）中引入邊緣和霧計算。有三條定律可以解釋為什么我們需要邊緣計算，如下所述。

物理定律，說的是局部行動

經濟學定律，它說預處理可以降低成本

土地法，其中規定數據應該存儲在本地

根據高德納（Gartner）的研究，到2022年，50%的企業數據將在傳統數據中心和云端之外生成和處理，這一比例從10%左右上升到最近。此外，到2025年，80%的企業將關閉傳統數據中心，而2018年這一比例為10%。這表明計算正在向邊緣和分布式系統發展。

什么是邊緣計算

邊緣計算是對云的優化，使計算靠近數據源。這不是近兩年出現的新事物，而是三十年前開始的事情。人們逐漸從大型機轉向微型計算機（PC）和云計算。隨后，計算開始變得更便宜。然后，人們開始意識到，在云上完成的工作也可以在邊緣進行，那里的帶寬相對較便宜。隨著任務關鍵型應用程序的出現，延遲成為一個問題。

邊緣計算是指提供網絡的計算能力，以提高應用程序和服務的性能、運行成本和可靠性，而Fog計算是一種分布式計算概念，其中計算和數據存儲資源以及應用程序及其數據，位于用戶和云之間的最佳位置，以提高性能和冗余。

這些常用術語的一個基本特征是單個節點或計算節點，在這里進行數據處理。它可以稱為邊節點。基本上有一組節點或多個節點稱為霧節點。在邊緣計算術語中，霧計算被稱為云邊緣。

智能監控用例

在一個面積約3.2平方公里的工業城鎮部署了一個智能監控系統，用于流動管理和公民安全。最初，有一個由200多個IP攝像機組成的網絡通過高速光鏈路連接起來。所有數據都集中到一個集中的地方，在那里進行數據處理。

在AiKaan實驗室部署智能解決方案之前，數據處理是手動完成的。他們想要的是Fog基礎設施來支持多個視頻分析應用程序。它被要求照顧流動管理（或交通管理）和鎮上人民的安全。這就是霧計算發揮巨大作用的地方。它支持中心站的視頻分析軟件，使供應商更容易運行各種應用程序。

在涉及蒸汽鍋爐的另一個使用案例中，蒸汽鍋爐供應商希望優化操作并節省高達15%的成本。為了實現這一點，進行了數據采集，隨后使用PLC進行了本地處理。

部署邊緣和霧計算的挑戰

人們在應用邊緣和霧計算時面臨的一些主要挑戰包括：

遠程連接和調試，需要識別和連接多個設備

模型、固件和數據升級，因為視頻分析需要機器學習模型更新，而一些網關需要固件升級。

由于系統的復雜性和技術障礙，缺乏經過培訓的人員來管理設備（Edge和Fog）。
責任編輯：tzh