边缘计算(Edge Computing)

这篇具有很好参考价值的文章主要介绍了边缘计算(Edge Computing)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。


背景

移动设备的普及,计算密集型、时延敏感型等新兴移动应用不断涌现并迅速受到用户的青睐,如增强现实、图像识别、网络游戏、车联网等。这类新兴的应用通常需要消耗大量的计算资源,满足低时延需求。然而,资源有限的移动设备很难满足上述移动应用的需求。

如果把物联网产生的数据传输给云计算中心,将会加大网络负载,网路可能造成拥堵,并且会有一定的数据处理延时。随着物联网和云服务的推动,边缘计算应之产生。在网络的边缘产生、处理、分析数据。本文将介绍一下边缘计算。


一、什么是边缘计算?

边缘计算(Edge computing)是一种在物理上靠近数据源头的网络边缘检测,融合网络、计算、存储、应用核心能力的开放平台,就近提供边缘智能服务的计算模式。简单点讲,边缘计算是将从终端采集到的数据,直接在靠近数据产生的本地设备或网络中进行分析,无需再将数据传输至云端数据处理中心。

边缘计算发生的位置称为边缘结点,它可以数据产生的源头和云中心之间任一具有计算资源和网络资源的结点。比如,手机就是人与云中心之间的边缘结点。在理想环境中,边缘计算指的就是在数据产生源附近分析、处理数据,没有数据的流转,进而减少网络流量和响应时间。
边缘计算算法,人工智能,边缘计算,edge,云计算

这里是一个简单的例子,就好像章鱼是用“腿来思考问题并就地解决问题,大脑中有40%神经元相当云计算中心,触手有60%神经元相当于边缘结点。

二、为什么需要边缘计算

在网络边缘产生的数据正在逐步增加,如果我们能够在网络的边缘结点去处理、分析数据,那么这种计算模型会更高效。许多新的计算模型正在不断的提出,因为我们发现随着物联网的发展,云计算并不总是那么高效的。

1.云服务的推动:

云中心具有强大的处理性能,能够处理海量的数据。但是,将海量的数据传送到云中心成了一个难题。云计算模型的系统性能瓶颈在于网络带宽的有限性,传送海量数据需要一定的时间,云中心处理数据也需要一定的时间,这就会加大请求响应时间,用户体验极差。

2.物联网的推动

物联网技术的快速发展,使得越来越多具备独立功能的普通物体实现互联互通,实现万物互联。得益于物联网的特征,各行各业均在利用物联网技术快速实现数字化转型,越来越多的行业终端设备通过网络联接起来。

然而,物联网作为庞大而复杂的系统,不同行业应用场景各异,据第三方分析机构统计,到2025年将有超过千亿的终端设备联网,终端数据量将达300ZB,如此大规模的数据量,按照传统数据处理方式,获取的所有数据均需上送云计算平台分析,云计算平台将面临着网络时延高、海量设备接入、海量数据处理难、带宽不够和功耗过高等高难度挑战。

为了解决传统数据处理方式下时延高、数据实时分析能力匮乏等弊端,边缘计算技术应运而生。边缘计算技术是在靠近物或数据源头的网络边缘侧,通过融合网络、计算、存储、应用核心能力的分布式开放平台,就近提供边缘智能服务。简单点讲,边缘计算是将从终端采集到的数据,直接在靠近数据产生的本地设备或网络中激进型分析,无需再将数据传输至云端数据处理中心。

例如:自动驾驶汽车所需的实时操作和安全问题,正将计算核心从云端推向网络边缘。自动驾驶车辆不断感测和发送有关路况、位置和周围车辆的数据。自动驾驶汽车每秒产生大约 1 GB 的数据,由于需要处理带宽和延迟,哪怕是将一小部分字节(TB)数据发送到集中式服务器进行分析也是不切实际的。快速处理数据是一种至关重要的能力,而边缘计算是实现自动驾驶的关键。为了使车辆安全可靠地运行,处理速度的任何滞后都可能是致命的。

想象一下自动驾驶汽车在检测道路上的物体,或操作刹车或方向盘时由于云端而延迟。任何数据处理的减慢都会导致车辆的响应速度变慢。如果响应变慢的车辆不能及时做出反应,就可能导致事故的发生。生命此时会切实受到威胁。

因此,就必须提供足够的计算能力和合理的能耗,即便在高速行驶的情况也可以确保自动驾驶车辆安全。为自动驾驶车辆设计边缘计算生态系统的首要挑战是提供实时处理、足够的计算能力、可靠性、可扩展性、成本和安全性,以确保自动驾驶车辆用户体验的安全性和质量。

三、边缘计算 VS 云计算

大家都熟悉云计算,它有着许多的特点:有着庞大的计算能力,海量存储能力,通过不同的软件工具,可以构建多种应用,我们在使用的许多APP ,本质上都是依赖各种各样的云计算技术,比如视频直播平台,电子商务平台。边缘计算脱胎于云计算,靠近设备侧,具备快速反应能力,但不能应付大量计算及存储的场合。

边缘计算的概念是相对于云计算而言的,云计算的处理方式是将所有数据上传至计算资源集中的云端数据中心或服务器处理,任何需要访问该信息的请求都必须上送云端处理。因此,云计算面对物联网数据量爆发的时代,弊端逐渐凸显:

  1. 云计算无法满足爆发式的海量数据处理诉求。随着互联网与各个行业的融合,特别是在物联网技术普及后,计算需求出现爆发式增长,传统云计算架构将不能满足如此庞大的计算需求。
  2. 云计算不能满足数据实时处理的诉求。传统云计算模式下,物联网数据被终端采集后要先传输至云计算中心,再通过集群计算后返回结果,这必然出现较长的响应时间,但一些新兴的应用场景如无人驾驶、智慧矿山等,对响应时间有极高要求,依赖云计算并不现实。

边缘计算的出现,可在一定程度上解决云计算遇到的这些问题。如下图所示,物联终端设备产生的数据不需要再传输至遥远的云数据中心处理,而是就近即在网络边缘侧完成数据分析和处理,相较于云计算更加高效和安全。边缘计算算法,人工智能,边缘计算,edge,云计算

边缘计算对于云计算,边缘计算反应速度快,无需云计算支持,但低智能程度较低,不能够适应复杂信息的处理。

边缘计算和云计算的区别

项目 边缘计算 云计算
计算方式 分布式计算,聚焦实时、短周期数据的分析 集中式计算,依赖云端数据中心
处理位置 靠近产生数据的终端设备或物联网关 云端数据中心
延时性 低延时 高延时
数据存储 只向远端传输有用的处理信息,无冗余信息 采集到的所有信息
部署成本
隐私安全 隐私性和安全性较高 隐私性和安全性相对低,需要高度关注

由此得出边缘计算:

  • 缓解海量数据对网络带宽造成巨大压力
  • 满足联网设备对于低延时,协同工作需求
  • 保障联网设备上的个人隐私的安全
  • 网络流量消耗较少

说了这么多,总结一下这个边缘计算的优点:

  • 低延迟:计算能力部署在设备侧附近,设备请求实时响应;例如:在人脸识别领域,响应时间由900ms减少为169ms;语音识别功能如果经过云处理,我们在终端上得到输出的时延是可以感知到的,速度较慢,因为要经过网络信号的长距离传输。而如果进行本地化处理,不经过网络传输,时延将大大降低,用户的体验会更佳。
  • 低带宽运行:将工作迁移至更接近于用户或是数据采集终端的能力能够降低站点带宽限制所带来的影响。尤其是当边缘节点服务减少了向中枢发送大量数据处理的请求时。
  • 能源消耗减少:对于给定的任务,需要判定放在本地运算节省资源还是传输给其他节点计算节省资源。如果本地空闲,那么当然在本地计算是最省资源的,如果本地正在忙碌状态,那么把计算任务分给其他节点会更合适一些。权衡好计算消耗的能源和网络传输消耗的能源是一件非常重要的事情。一般当网络传输消耗的资源远小于在本地计算消耗的能源时,我们会考虑使用边缘计算把计算任务卸载到其他空闲的节点上,帮助实现负载均衡,保证每一个结点的高性能。
  • 隐私保护:数据本地采集,本地分析,本地处理,有效减少了数据暴露在公共网络的机会,保护了数据隐私。例如:我们对手机上的隐私和安全功能较为熟悉,通过指纹识别和面部识别,就可以解开手机锁,这也用到了边缘计算。如果将这些数据上传到云上,我们有可能面临数据的透明化,因此边缘计算更有利于用户保护自己的隐私和安全。

四、边缘计算是如何工作的

边缘计算架构如下图所示,尽可能靠近终端节点处处理数据,使数据、应用程序和计算能力远离集中式云计算中心。

边缘计算算法,人工智能,边缘计算,edge,云计算

  • 终端节点:由各种物联网设备(如传感器、RFID标签、摄像头、智能手机等)组成,主要完成收集原始数据并上报的功能。在终端层中,只需提供各种物联网设备的感知能力,而不需要计算能力。
  • 边缘计算节点:边缘计算节点通过合理部署和调配网络边缘侧节点的计算和存储能力,实现基础服务响应。
  • 网络节点:负责将边缘计算节点处理后的有用数据上传至云计算节点进行分析处理。
  • 云计算节点:边缘计算层的上报数据将在云计算节点进行永久性存储,同时边缘计算节点无法处理的分析任务和综合全局信息的处理任务仍旧需要在云计算节点完成。除此之外,云计算节点还可以根据网络资源分布动态调整边缘计算层的部署策略和算法。

五、边缘计算的典型应用

智能手机

这是我们最熟悉的边缘AI设备。Siri和谷歌助手是智能手机上边缘AI的好例子,因为该技术驱动了它们的语音UI。手机上的AI使得数据处理发生在设备(边缘)侧,这意味着不需要将设备数据交付到云端。这有助于保护隐私和减少流量。

云卸载

在传统的内容分发网络中,数据都会缓存到边缘结点,随着物联网的发展,数据的生产和消费都是在边缘结点,也就是说边缘结点也需要承担一定的计算任务。把云中心的计算任务卸载到边缘结点这个过程叫做云卸载。
举个例子,移动互联网的发展,让我们得以在移动端流畅的购物,我们的购物车以及相关操作(商品的增删改查)都是依靠将数据上传到云中心才能得以实现的。如果将购物车的相关数据和操作都下放到边缘结点进行,那么将会极大提高响应速度,增强用户体验。通过减少延迟来提高人与系统的交互质量。

视频分析

随着移动设备的增加,以及城市中摄像头布控的增加,利用视频来达成某种目的成为一种合适的手段,但是云计算这种模型已经不适合用于这种视频处理,因为大量数据在网络中的传输可能会导致网络拥塞,并且视频数据的私密性难以得到保证。
因此,提出边缘计算,让云中心下放相关请求,各个边缘结点对请求结合本地视频数据进行处理,然后只返回相关结果给云中心,这样既降低了网络流量, 也在一定程度上保证了用户的隐私。
举例而言,有个小孩儿在城市中丢失,那么云中心可以下放找小孩儿这个请求到各个边缘结点,边缘结点结合本地的数据进行处理,然后返回是否找到小孩儿这个结果。相比把所有视频上传到云中心,并让云中心去解决,这种方式能够更快的解决问题。

小结

这篇文章当中,我们介绍什么是边缘计算、为什么需要边缘计算、边缘计算VS云计算、边缘计算的典型应用,在边缘结点处理数据能够提高响应速度,减少带宽,保证用户数据的私密性。这就是边缘计算。文章来源地址https://www.toymoban.com/news/detail-778366.html

参考资源

  1. https://info.support.huawei.com/infofinder/encyclopedia/zh/%E8%BE%B9%E7%BC%98%E8%AE%A1%E7%AE%97
  2. 【通俗易懂的通信】什么是边缘计算?(Edge Computing)
  3. 什么是边缘计算?

到了这里,关于边缘计算(Edge Computing)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 基于人工智能与边缘计算Aidlux的鸟类检测驱赶系统(可修改为coco 80类目标检测)

    ●项目名称 基于人工智能与边缘计算Aidlux的鸟类检测驱赶系统(可修改为coco 80类目标检测) ●项目简介 本项目在Aidlux上部署鸟类检测驱赶系统,通过视觉技术检测到有鸟类时,会进行提示。并可在源码上修改coco 80类目标检测索引直接检测其他79类目标,可以直接修改、快速

    2024年02月12日
    浏览(54)
  • A Blockchain-Enabled Federated Learning System with Edge Computing for Vehicular Networks边缘计算和区块链

    摘要:在大多数现有的联网和自动驾驶汽车(CAV)中,从多辆车收集的大量驾驶数据被发送到中央服务器进行统一训练。然而,在数据共享过程中,数据隐私和安全没有得到很好的保护。此外,集中式体系结构还存在一些固有问题,如单点故障、过载请求、无法容忍的延迟等

    2024年02月05日
    浏览(38)
  • LDGRB-01 用于在边缘处理人工智能的嵌入式硬件

    LDGRB-01  用于在边缘处理人工智能的嵌入式硬件商业和企业中的IT系统正在全面快速发展,一个不断增长的趋势正在将计算能力推向边缘。Gartner预测,到2025年,边缘计算将处理75%的数据由所有用例产生,包括工厂、医疗保健和运输中的用例。您可以将边缘计算的采用与人工智

    2024年02月07日
    浏览(49)
  • 毕业设计-计算机视觉:刨花板表面小目标缺陷检测系统 人工智能 算法 python

      目录  前言 设计思路 一、课题背景与意义 二、算法理论原理 2.1 自适应空间特征融合模块 2.2 Ghost 模块 三、检测的实现 3.1 数据集 3.2 实验环境搭建 3.3 实验及结果分析 实现效果图样例 最后        📅大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临

    2024年01月16日
    浏览(53)
  • 计算机竞赛 基于人工智能的图像分类算法研究与实现 - 深度学习卷积神经网络图像分类

    🔥 优质竞赛项目系列,今天要分享的是 基于人工智能的图像分类技术 该项目较为新颖,适合作为竞赛课题方向,学长非常推荐! 🧿 更多资料, 项目分享: https://gitee.com/dancheng-senior/postgraduate 传统CNN包含卷积层、全连接层等组件,并采用softmax多类别分类器和多类交叉熵损失

    2024年02月11日
    浏览(61)
  • 人工智能(AI)领域广泛使用的关键算法及其解决的问题 列出计算机中各种算法及对应解决的实际问题

    机器学习算法 : 线性回归(Linear Regression) : 问题:用于预测或估计一个变量与另一个变量之间的关系。 逻辑回归(Logistic Regression) : 问题:用于二分类问题,预测一个事件发生的概率。 支持向量机(Support Vector Machines, SVM) : 问题:用于分类和回归任务,尤其适用于高维数

    2024年02月03日
    浏览(58)
  • 边缘人工智能——nanodet模型实践指引,从标注数据集到实现部署文件

            23年11月更新下,用他参赛拿了省级三等奖。         里面提供的很多学习链接都失效了。         首先获得一个合适的nanodet模型版本,配置nanodet适用的环境,然后对网上公开的生数据集进行重新标注,配置nanodet并进行训练,.pth到.onnx的模型转化及简化,编写推理

    2024年02月06日
    浏览(61)
  • C#,人工智能,机器人,路径规划,A*(AStar Algorithm)算法、源代码及计算数据可视化

    Peter Hart  Nils Nilsson  Bertram Raphael  参考: C#,人工智能(AI)机器人路径规划(Path Planning)的ARA*(Anytime Replanning A* Algorithm)算法与源程序 https://blog.csdn.net/beijinghorn/article/details/125464754 A*算法最初由斯坦福研究院(Stanford Institute)的  Peter Hart,Nils Nilsson,Bertram Raphael  发表于

    2024年01月18日
    浏览(64)
  • 计算机视觉算法中的Canny边缘检测(Canny Edge Detection)

    在计算机视觉领域,边缘检测是一项重要的任务。边缘是图像中物体之间的边界,通过边缘检测可以帮助我们识别出图像中的物体。Canny边缘检测是一种经典且常用的边缘检测算法。本文将对Canny边缘检测算法进行介绍和分析。 Canny边缘检测算法由约翰·Canny在1986年提出,是一

    2024年02月08日
    浏览(40)
  • 从 人工智能学派 视角来看 人工智能算法

    当今人工智能的算法纷繁复杂:神经网络、卷积神经网络CNN、遗传算法、进化策略、知识图谱、贝叶斯网络、支持向量机SVM、强化学习、生成对抗网络GAN,自编码器… 如果你把每个算法独立看待简直是眼花缭乱,头都是大的。这次我就带你理理这些算法,有些算法其实是可以

    2024年03月15日
    浏览(58)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包