优势一：安全性更高
边缘计算中的数据仅在源数据设备和边缘设备之间交换，不再全部上传至云计算平台，防范了数据泄露的风险。
优势二：低时延
据运营商估算，若业务经由部署在接入点的 mec 完成处理和转发，则时延有望控制在 1ms 之内；若业务在接入网的中心处理网元上完成处理和转发，则时延约在 2~5ms 之间；即使是经过边缘数据中心内的 mec 处理，时延也能控制在 10ms 之内，对于时延要求高的场景，边缘计算设备，如自动驾驶，边缘计算更靠近数据源，可快速处理数据、实时做出判断，充分保障乘客安全。
优势三：减少带宽成本
边缘计算支持数据本地处理，大流量业务本地卸载可以减轻回传压力，有效降低成本。譬如，一些连接的传感器例如相机或在引擎中工作的聚合传感器会产生大量数据，在这些情况下，将所有这些信息发送到云计算中心将花费很长时间和过高的成本，如若采用边缘计算处理，将减少大量带宽成本。
在工业领域，边缘应用场景包括能源分析、物流规划、工艺优化分析等。就生产任务分配而言，需根据生产订单为生产进行的设备排产排程，这是aps或者广义mes的基本任务单元，移动边缘计算设备，需要大量计算。这些计算是靠具体mes厂商的软件平台，智能边缘计算设备，还是“边缘计算”平台—基于web技术构建的分析平台，在未来并不会存在太多差别。从某种-说mes系统本身是一种传统的架构，而其既可以在软件系统，也可以存在于云、雾或者边缘侧。在这样的应用场景，总体而言，在整个智能制造、工业物联网的应用中，各自分工如下。自动化厂商提供“采集”，包括数据源的作用，这是利用自动化已经在分布式i/o采集、总线互联、以及控制机器所产生的机器生产、状态、等原生“信息”。ict厂商则提供“传输”，实现工业连接。因为在如何提供数据的传输、存储、计算方面，ict厂商有其传统优势，包括成本方面，已经云平台的优势。传统工业企业的业务经验和知识，则为分析软件独立的或者企业内部厂商提供“分析”的依据。这些业务过程的理解，仍然是不能缺少。产业链的协同，仍然是解决“、成本、交付”的问题。
从那时起，边缘计算能力一直在提高。
2017年，为了扩展低性能的计算设备，movidius神经计算棒以低于100美元的价格，仅需0.5w的电量便能进行每秒一千亿次浮点计算。
2018年，华为推出了麒麟980处理器，在0.1w的电量下可以完成每秒五千亿次的浮点计算。其他供应商紧随其后。谷歌发布了edge tpu units，瑞芯微rockchip公布了rk3399。这两个约每秒能够处理3万亿次浮点计算，成本在100美元左右。
2019年，带有-技术硬件加速的器-是神经网络的特定微型计算机得到普遍使用。所有关键的硬件厂商都陆续发布了ai软件栈的边缘优化版本，这进一步提高了性能。目前，一般使用的ai板有，fpga边缘计算设备，谷歌的edge tpu——使用专门的asic芯片制作而成用以处理ai的预测推理功能。价格低于100美元的英伟达jetson nano 配备了128个英伟达cuda。瑞芯微发布的 rk3399 pro——带有神经网络处理器的开发板其性能甚至略优于英伟达jetson nano。
物联网技术的大幅提高让我们得以发展nbox——这款边缘计算设备不仅能够借助多达12个通道记录高音频，并且还可以通过边缘计算实现-。所谓边缘计算，是指大多数处理过程将通过本地设备实现而无需交由云端完成。
|
登录后台
