物聯網(IoT)被業界普遍認為是互聯網之后的下一次技術革命，號稱是可穿戴設備、智能家居、自動駕駛騎車、智能工廠、智慧城市等等新時代的曙光。

物聯網意味著互聯網和可接入設備的萬物互聯，它結合了業界的潛在優勢：便宜且可廣泛使用的帶寬、低能耗的微處理器、大數據分析工具。物聯網的發展壯大與兩大關鍵技術息息相關：邊緣計算和機器學習。

[[201754]]

邊緣計算的不斷發展

連接設備、傳感器、網關等物聯網接入端點正在呈指數級增長，IT行業分析公司Gartner預計物聯網終端的增長速度約為30%，到2020年物聯網接入設備的總數將會高達200億。接入設備的爆發為數據分析和數據處理帶來了新的挑戰，這些終端設備將生成大量的數據。如果將這些數據傳輸到云計算中進行數據管理、分析和決策不僅費用高昂且效率低下，還可能阻礙網絡基礎設施的發展，從而導致網絡延遲問題。

因此，邊緣計算和邊緣分析在大型的IoT部署中作用越來越突出。在邊緣計算中，計算能力是分散的，***接近傳感器、設備，設備的數據來自網絡邊緣，并且在網絡邊緣完成數據的分析和處理工作，而不是在集中式服務器或云端。

其優勢包括：能夠有效支持實時應用程序，基礎設施的負擔降低，因為大部分數據都是在邊緣網絡進行處理，只需要將必要的數據發送到云端實現進一步的處理和存儲。

這并不意味著邊緣計算和傳統的數據中心以及云計算會產生沖突，相反，邊緣計算更可能會與云計算共存，以將計算能力和工作負載分布到最有意義的地方。傳感器數據將會在邊緣網關上進行收集和處理，邊緣分析可以使用基于規則的算法。可以將過濾之后的數據發送到云端，與其他來源的數據進行聚合，然后將其反饋到云端的分析引擎，以生成可發送回到邊緣分析的模型。

機器學習

隨著物聯網的興起，能夠對邊緣計算形成良好補充的技術是機器學習。機器學習通常與人工智能一起出現，機器學習是指生成不需要由人類明確編程的自動分析模型的方法。雖然幾十年前可以使用機器學習的知識，但直到近些年，計算能力的發展才能滿足機器學習的需求。

隨著計算能力越來越好，機器學習將越來越多地融入到IT架構中，尤其是在云端和邊緣計算中。機器學習不僅可以集中云端的分析功能，還可以大大提高邊緣分析的效率。

隨著物聯網的采用的發展和數據大爆炸，邊緣計算和機器學習將在未來的物聯網架構中發揮關鍵作用。三大公有云服務提供商AWS、微軟和谷歌都在致力于將邊緣計算和機器學習融入其產品中，分別在其云平臺上提供機器學習即服務。目前AWS和微軟已經推出了相關的邊緣計算軟件，可以在芯片商的系統(SOC)運行，也可以在邊緣網關上運行。

與所有新技術一樣，只有時間才能證明這些技術將如何發揮作用，但非常明確的一點是物聯網的時代即將到來，邊緣計算和機器學習是物聯網時代必不可少的兩大主角。