边缘计算:将物联网应用推向新高度

导读:随着手艺的生长,需要新方式的新问题也随之生长。随着智能装备(如智能开关、恒温器和第三代语音助手)的泛起,数据量激增并降低了集中盘算和剖析的效率。边缘盘算通过辅助这些智能装备处置数据来知足它们在边缘节点上的需求,从而使这些智能装备加倍智能。

随着手艺的生长,需要新方式的新问题也随之生长。随着智能装备(如智能开关、恒温器和第三代语音助手)的泛起,数据量激增并降低了集中盘算和剖析的效率。边缘盘算通过辅助这些智能装备处置数据来知足它们在边缘节点上的需求,从而使这些智能装备加倍智能。

边缘盘算仅传输集中盘算所需的数据,从而解决了延时及带宽成本等诸多问题。边缘手艺不仅提高了边缘装备的效率,而且还提高了集中式剖析系统的效率。鉴于边缘盘算的远景,它有望成为2020年及以后最主要的手艺趋势之一。

例如,Google的Nest使用机械学习算法,凭据天天的温度调整情形,领会住民在工作日或周末是在家照样外出。借助此信息,Nest可以在整个星期和周末自行调治温度。Nest的边缘处置与集中处置相结合,突显了企业数据管理面临的一个有趣挑战。

传统上,企业采用了一种剖析数据并使用集中式方式从中获取情报的体系结构。例如,数据仓库是商业智能的主力军,是众所周知的中央存储库,可以将原始数据转化为洞察力。该历程称为ETL,它从操作系统中提取数据,将其转换为适当的花样,然后将其加载到数据仓库中。

多年来,这种架构已被证实是有用的。然则在边缘装备时代,传统的物理数据仓库失去了作为真理的中央泉源的光泽。这是由于随着当今世界转向大量非结构化数据,它们只能存储结构化数据。而且,数据量呈指数增进。它已经变得云云重大,以至于在许多用例中,将所有数据存储在单个数据仓库中在经济上不再可行。为了战胜这些挑战,企业将其中央存储库过渡到了更廉价的替换方案(如Hadoop),后者还可以存储非结构化数据。

只管有了这些生长,但从性能和成本的角度来看,仍然不希望将公布于世界各地的多个装备天生的所有信息收集到数千英里之外的一个中央存储库中。中央系统也无法有用智能地剖析信息,然后再将这些信息一直建议给装备,以实现优异性能。

那么,缺少什么呢?

在我们看来,这是一种在装备自己四周执行盘算功效的手艺。边缘盘算架构的泛起使装备能够将其天生的数据发送到边缘节点或距离装备更近的系统,以举行剖析或盘算。这样,装备从边缘节点获得所需的情报的速率比连接到中央系统时要快得多。

在此设置中,边缘节点连接到中央系统,因此它们仅传输中央系统在所有种种装备上举行剖析所需的信息。效果,存在盘算的双重性,其中某些盘算在边缘节点上举行,达到了内陆操作所需的水平,同时,数据被传输到中央剖析系统以对所有工具举行整体剖析企业系统。

现在,幸运的是,具有在边缘仅智能过滤所需数据并仅将削减的数据传输到集中式系统的功效。通过削减多达80%的移动数据,数据虚拟化可以实时执行这种选择性的数据处置和交付,而不必在其中复制数据。

当数据来自种种装备时,位于更靠近这些装备的边缘节点处的数据虚拟化实例将这些数据集成在一起,然后仅提取效果。然后,将它们传送到位于中央位置的另一个数据虚拟化实例,该实例更靠近数据使用者,后者使用报告工具来剖析效果。因此,多位置架构中的数据虚拟化实例网络(其中一些位于边缘节点)连接到中央数据虚拟化实例,从而完善了边缘盘算框架。

边缘计算:将物联网应用推向新高度

数据虚拟化多位置边缘架构(Source: Denodo)

为什么在边缘更智能?

边缘盘算的较大利益是节省时间。在已往的几年中,该手艺在存储和盘算两个方面生长得比其他方面快得多。 今天的手机比30年前的台式电脑拥有更多的内存和盘算能力。然则,边缘手艺的一个方面生长得还不如传输数据的带宽快,由于数据从一个位置移动到另一位置仍需要几分钟和几小时。随着装备越来越远地迁移到云和跨大洲,必须传输尽可能少的数据以提高整体效率。

通过将盘算委托给边缘,这些装备将实时学习和调整,而不会因与中央系统之间的信息传输而减慢速率。数据虚拟化将带宽需求以及存储成本降低了多达80%。

【免责声明】本站内容转载自互联网,其相关言论仅代表作者个人观点绝非权威,不代表本站态度。如您发现内容存在版权问题,请提交相关链接至邮箱:bqsm@foxmail.com,我们将实时予以处置。

声明: 本文由入驻基智地平台的作者撰写,观点仅代表作者本人,不代表基智地立场;基智地发布此信息的目的在于传播更多信息,与本站立场无关。