围观最近大火的《流浪地球》，在技术领域的一个集中槽点在于：故事所设定的2075年，离现在已经过去五十多年，为什么还没有自动驾驶？
细想其实也有合理性，自动驾驶可没那么简单。抛开高清地图、各种规划算法、激光雷达等软硬件的成熟不说，就汽车本身来讲，汽车还没有计算的能力，不能实时确认自己和周边环境的互动，出事故是必然的。要实现自动驾驶，最起码汽车本身要成为一个计算机，实时处理环境数据，以避免碰撞，而不是把数据传回云端进行处理，再把结果返回。这样的时滞带来的结果是，对车的指令已经触达了，但车已经跟周边的车碰撞了。
将数据在终端进行处理的方式，就是现在业界经常谈起的边缘计算。
今天的前沿技术情报所，我们来聊聊边缘计算——究竟这是门什么技术？落地应用的场景及价值能有多大？它跟云计算有什么样的关系？它会替代云计算么？
看完这篇，您就明白了。
数据不能全靠云端来处理
现在的计算与数据处理大都已经放在云端，集中化的数据处理降低了IT服务的成本，使企业可以接受更深入的IT计算服务。但随着数据化越来越深入，一个矛盾正在产生，数据越来越多地在终端形成、积累，传送到云端，进行数据处理，在返回到终端指导产品和业务的运营。这其中必然存在延迟，不一定符合终端客户的需求。
举个例子。熟悉农活的朋友可能知道，喷洒农业还是大水漫灌的形式，既浪费农药也加剧农产品的污染。现在在使用无人机在农田喷洒农药时，面对的情况也是，农田中的各片区病虫害灾情并不一样，有必要按照病虫害灾情的严重程度喷洒合适剂量的农药，这就需要有摄像头来识别病虫害，并对拍摄到的图像进行病虫害情况分析。
按照现在的流程，数据要发送到云端，在云端进行数据处理后，再发送给终端，依据数据处理结果来决定某个片区农药喷洒的数量。这样，无人机需要至少飞两遍，先去获取数据，再去喷洒农药。如果数据在无人机终端就可以进行数据处理，实时返回结果，就可以在飞过农田的瞬间实时决定农药喷洒量。
数据在终端产生并进行实时处理，这就是业界所说的边缘计算。“边缘计算”（Edge computing）中的边缘，指的是网络拓扑中靠近数据源的部分。这是相对于云计算的中心化处理来说的。
随着物联网、智能设备越来越普及，终端数据越来越多，为了提升终端设备的智能化水平，数据在终端实时处理的需求也在逐步凸显。
如安防和无人零售领域存在大量的人脸和图像识别需求；车联网与无人驾驶的高可用性也要求极低的时延。随着终端设备数据量的增大，以及终端算力的提升，会有越来越多的数据被放在终端进行流式计算的处理，而不是都做批量计算的处理。这就需要一套边缘数据解决方案。
从2016年开始，这个概念开始被科技大厂比较普遍地提及，发展到2018年，已经有多家电信运营商、云计算厂商、CDN厂商开始布局这个领域，推出相应的软硬件解决方案。
阿里云物联网边缘计算构架
百度云边缘计算解决方案构架
边缘计算解决方案的框架一般通过输入设备连接各种应用场景，在边缘计算端配备调度系统和函数计算，为函数分配计算资源，以及分配分配最优路径的边缘节点，弹性地分配任务，再通过函数模型对数据进行运算，通过软件连接云端。为保证终端的算力，在边缘往往需要部署芯片。
从整个系统来看，边缘计算会有多个不同的组件。金山云边缘计算相关负责人认为，一个比较完整的边缘计算的基本组件可以包括：路由子系统、能力开放子系统、平台管理子系统及边缘云基础设施。前3个子系统部署于移动边缘计算服务器内，而边缘云基础设施则由部署在网络边缘的小型或微型数据中心构成。
对于其中的关键性技术，金山云边缘计算相关负责人对虎嗅精选表示，边缘计算的关键技术主要体现在计算、存储、网络、安全等方面。
计算方面，轻量级函数库及虚拟化技术，网络边缘中存在着由不同厂家设计生产的海量边缘设备，这些设备具有较强的异构性且性能参数差别较大，因此在边缘设备上部署应用是一件非常困难的事情。虚拟化技术是这一难题的首选解决方案。但基于VM的虚拟化技术是一种重量级的库，部署延时较大，其实并不适用于边缘计算模型。对于边缘计算模型来说，应该采用轻量级库的虚拟化技术。
存储方面，边缘计算的数据特征具有更高的时效性、多样性，以及关联性，需要保证边缘数据连续存储和预处理，因此如何高效的存储和访问连续不断的实时数据，是边缘计算中存储系统设计需要重要关注的问题。传统的存储系统软件栈大多是针对机械硬盘设计以及开发的，并没有真正挖掘和充分利用非易失性存储介质的最大性能。随着边缘计算的迅速发展，高密度、低能耗、低时延以及高速读写的非易失存储介质将会大规模的部署在边缘设备当中.
网络方面，云技术, 需要引入 云化的软件架构，将软件功能按照不同能力属性分层解耦部署，实现有限资源条件下任务处理更具高可靠性、高灵活性与高性能。服务发现，开速配置，负载均衡等
隔离及安全方面，计算资源的隔离，即应用程序间不能相互干扰；数据的隔离，即不同应用程序应具有不同的访问权限。
Grand View Research最近的一份报告预测，到2025年，全球边缘计算市场将达到32.4亿美元，在预测期间，复合年增长率(CAGR)将达到41%。IDC数据的预测更加乐观，预计到2020年将有超过500亿的终端和设备联网，其中超过50%的数据需要在网络边缘侧分析、处理与存储，边缘计算市场之大最终可超万亿。
按照正常逻辑，这块市场具备比较大的应用潜力，毕竟现在在终端处理的数据还很少。而物联网、自动驾驶、工业互联网等领域会对终端数据处理有很大的需求。那么，边缘计算会产生哪些具体的价值，现在业界布局情况如何，还需要解决的问题是什么？
没有边缘计算，就没有产业互联网
具体来说，边缘计算能够带来哪些价值？
来剖析一下这个概念，边缘计算是相对于中心云来说的，数据在终端就进行处理，而不是传回中心进行处理。另一个点就是计算，以往设备是数据的管道，但没有数据的处理。边缘计算则实现了终端设备的计算，算力下沉。边缘计算的节点可能是网关，可能是终端设备，可能是基站，节点的形式有多种多样。
就是说，以前终端设备只是一个产生信息、接受信息的工具，边缘计算就是让终端设备有数据处理能力，可编程，可以处理信息。
边缘计算体现了几方面的价值：
一是终端数据的实时处理，降低延迟，提高终端数据处理效率。
二是实现数据优化，终端大量缺乏价值的垃圾数据不用传输到云端，只将有价值的数据进行远端存储备份以及分析。另外，对于网络不好的情况，可以优先在终端处理。终端的敏感数据也可以选择在终端进行存储和处理。
三是可以在终端部署AI算法，使终端可编程化，增强终端的数据处理能力，强化终端的智能化水平。例如说，没有边缘计算的时候，摄像头只是记录镜头下所发生的情况，但即使有突发事件，如果没有人的实时查看，事件也不会被发现。有边缘的数据处理之后，会具备在终端的图像处理能力，实时发现镜头做记录的事件。
现在业界都在谈论产业互联网的机会，并畅想未来的无人驾驶。但如果没有边缘计算，工业互联网和无人驾驶都无从谈起。
产业互联网和无人驾驶都是在数字化的基础上，赋予终端设备处理数据并作出决策的能力。如果数据传回云端处理，产生时滞，不能作数据的本地处理，则无人驾驶必然不能对外界环境做出及时反应，造成事故。
工业互联网领域则是不能对设备的运行情况做出及时反应，如实时监测轧钢产品的良品率水平并及时做出反应，则工业互联网所要求的效率没法达到。工业制造里面对时滞性的要求极高，如果反射闭环特别长，端上的数据跑到云上来，产业界没法接受。例如纺织工厂的产线检测，原来都要靠人检验，看看布是不是好。因为人的能力有限，生产线不能走太快。现在要换成机器去看，用摄像头照着生产线，机器来检测视频，这个时候就需要机器的实时处理能力，然后反馈给相应的工控，形成小闭环，需要实时性非常好，否则就达不到工业互联网要求的效率。
阿里云边缘计算技术负责人杨敬宇近日在接受虎嗅精选采访时表示，未来的世界，传感器、摄像头是整个社会的眼睛。要通过眼睛去识别各种事情，然后做智能的管理。从人类的管理需求来看，肯定希望摄像头的密度越高越好，要在不同的地方布摄像头。如果今天在云南某一个地级市要布大量摄像头，然后要把数据拉到杭州云机房进行处理，这个事情肯定不靠谱，因为有时滞，有时间成本，还有带宽成本。
这时候，合理的办法就是要在边缘进行计算，也就是在边缘先进行基本的视频分析或者处理，处理完之后的信息融合进入中心大脑。就像人的生理构造，人有神经反射，手一触摸东西，手就感觉到了。这个感知是人的最短闭环，可以立即感受到，再将感知的信息传回大脑。人的眼睛看到一个物体马上可以识别出来，识别完了之后再将结构化信息传回大脑。边缘计算也是如此。
怎么在云计算和边缘计算直接做取舍？
边缘计算无疑有价值。那么问题来了：云中心也可计算，边缘未来也可以计算，怎么在二者之间进行取舍？在设计业务逻辑的时候，数据到底在哪儿计算？
台积电中国业务发展副总经理陈平此前就曾提出这样的疑问：现在讨论很热络的 Edge AI，但并没看到太多的产品出现，因为关键在 Cloud（云端） 和 Edge （边缘）如何切割？哪些资讯是需要传到 Cloud 端处理？哪些又是可以 Edge 端直接处理？
阿里云边缘计算技术负责人杨敬宇对此有一套自己的理解。在他看来，要考虑终端的能耗限制。在云和端二者之间取舍的时候要对二者的综合成本做对比。在边缘进行数据处理要消耗电力资源。传回云端处理，要消耗算力与传输成本。对二者的综合成本做对比，就可以得出在云与端进行取舍的答案。
他对虎嗅精选表示，计算需要能耗，最终是电能转化成算力能，这个要满足能量守恒定律，强大的算力能要靠强大的电能保障。终端的电能供给通常会有局限性，而基站等边缘节点则更容易获得更强大可靠且低成本的电能。5G提供了URLLC高可靠低时延的通信能力，如果5G通信加上边缘计算的时延优于在终端计算的时延，且前者的传输加计算成本优于终端计算的成本的话，终端算力上移就会变成一种低时延，低成本的理想选择。例如进行图像识别，用手机处理可能需要5秒，但是在5G加边缘计算架构下可能只需要零点零几秒，并且手机消耗的电能会更少。这将颠覆现在的计算体系架构。
那么终端算力上移，要移到什么位置？或者说，在哪个位置进行计算是合理的？
杨敬宇表示，这里面有一个很通俗的说法，叫做上车点，也就是计算在哪里算。上车点要平衡计算在不同的位置上发生，寻找最佳的性价比。所以在解边缘计算问题的时候，其实是在解一个性价比的问题。如果说一个东西在云端计算就够了，传统手机加上现在的中心云，就能满足业务要求。在这种场景下提边缘计算就是伪需求。
在一些场景下，数据到边缘来计算，其中的计算成本，再考虑时延成本，综合起来有成本优势，就放在边缘进行计算。只有真正的性价比成立的情况下，才能产生真正的边缘计算需求。
可以设计一个通用的公式，看计算成本在什么地方最合适。以视频计算为例，视频计算在端上算，会大量消耗端的算力。所以现在在手机计算就不合适，但拿到云上算，又面临较高的传输成本。这就需要进行对比。考虑在端上的计算成本，计算成本主要是端的能耗。再考虑传上云端，有一个传输成本加上云的计算成本。两种模式下的成本进行对比，取综合成本较低的形态。
因此，在云端计算还是在终端计算，并没有一成不变的答案，将来会是一个动态调整的过程。如果终端计算能力越来越强的时候，可能更多数据会来终端。
但现实中，我们又不可能把大部分计算甚至所有计算都放在终端或者边缘，这是不现实的，也是不经济的。
杨敬宇认为，站在能源的角度来看，云最大的优势是做集约，就是把各种算力拿过来之后能够在这里做资源的最佳配置。原来没有云计算的时候，企业买大量物理机，大量的电被使用。云出现之后，同样是这些电，算力会被充分的利用起来。从能源的角度来说这是合理的。
边缘计算将来也是这个道理，如果所有的数据到端上面去计算，所有的摄像头都可以在本地做人脸识别，从整个社会来讲，它的能源总消耗和产能收益不是最佳的。就用户的投入产出来讲，一定是高成本的。
未来用边缘计算和5G去服务产业互联网，服务大量的工业制造企业和中小企业，如果什么东西都在端里处理，放到制造业的工厂里面，企业得投大量的资金来搭建软硬件。对企业来说难以承受，边缘计算也就难以推广。
可以考虑的思路是在产业园区层面部署边缘计算。杨敬宇对虎嗅精选表示，就像现在做手机一样，一个很轻很便宜的手机就能上互联网，背后是电信运营商的基站。这个基站不在用户家里，而是在用户的周边。边缘计算应该运用这种思路，云的第一接入点不是现在看到的中心云的入口，而是在最前端。比如某个产业园区部署了边缘计算节点，这个产业园区里面的工厂都可以通过一个很轻量的端或者其他方法，将计算能力引导到需要的地方，共用一个计算设施，这样对他们才是有利的。
百度云边缘计算产品总监王尊此前也表示，现在很多需求要求提供无所不在的计算能力，有些依然要发上在云上，比如大规模数据分析、预测或者人工智能模型的训练工作。另一方面，很多计算会发生在距离信息源更近的地方，去完成实时分析或者低延迟控制等工作。
所以计算负载从中心向边缘迁移，这个迁移允许计算资源发生在更合理的位置。可迁移的目标位置可以划分成广域网边缘节点、局域网边缘节点、设备边缘节点，或者直接发生在设备本身。
评论