愈來愈多的“聯接”設備造成了太多的數據，伴隨著物聯網技術(IoT)技術性和測試用例在未來兩年的發展趨勢，這類狀況將繼續存在。依據科學研究企業Gartner的數據，到2020年，將有高達兩百億臺聯接設備為每名客戶形成數十億字節數的數據。這種設備不僅是智能機或筆記本，還包含連接網絡轎車，自動售賣機，智能化可配戴設備，手術治療醫用機器人這些。

由成千上萬種類的該類設備形成的很多數據必須將消息推送到集中型云以開展保存(數據管理方法)，分析和管理決策。隨后，再將分析的數據結果傳到設備。這類數據的來回耗費了很多互聯網基礎設施建設和云基礎設施建設資源，更加增加了延遲時間和網絡帶寬耗費難題，進而危害重要日常任務物聯網技術應用。比如，在無人駕駛的聯接車里，每小時生成了很多數據，數據務必上傳到云端，開展分析，并將命令推送回轎車。低延遲時間或資源擁堵很有可能會延遲對車的回應，比較嚴重時很有可能造成道路交通事故。

物聯網技術邊緣計算

這就是邊緣計算的立足之地。邊緣計算系統架構可用以提升云計算系統，便于在互聯網邊緣實行數據解決和分析，更貼近數據源。根據這類方式 ，能夠 在設備自身周邊搜集和解決數據，而不是將數據發送至云或數據管理中心。

[[374460]]

邊緣計算的益處：

1、邊緣計算能夠減少感應器和中央云之間需要的服務器帶寬(即更低的延遲時間)，并緩解全部IT系統架構的壓力。

2、在邊緣設備處儲存和解決數據，而不用數據連接來開展云計算技術。這清除了高帶寬的持續網絡連接。

3、根據邊緣計算，節點設備僅推送云計算所需的信息內容而不是初始數據。它有利于減少云系統架構的聯接和沉余資源的成本費。當在邊緣分析由工業生產機械設備形成的很多數據而且僅將過慮的數據消息推送到云端時，它是有利的，進而顯著節約IT基礎設施建設。

4、運用數學計算使邊緣設備的個人行為類似云類實際操作。應用軟件能夠迅速實行，并與節點創建靠譜且高度相應的通信。

5、根據邊緣計算完成數據的安全系數和隱私性：比較敏感數據在邊緣設備上形成，解決和儲存，而不是根據不安全的數據傳輸，并有可能毀壞集中型數據管理中心。邊緣計算生態體系能夠 為每一個邊緣出示一同的對策(能夠以全自動方法完成)，以完成數據一致性和隱私保護。

邊緣計算的出現并不可以替代對傳統式數據管理中心或云計算技術基礎設施建設的要求。反過來，它與云并存，由于云的數學計算被分派到節點。

互聯網邊緣的機器學習

機器學習(ML)是邊緣計算的填補技術性。在機器學習中，形成的數據被送至ML系統軟件以造成分析決策模型。在物聯網技術和邊緣計算情景中，機器學習可以用二種方式 完成。第一種：ML優化算法需要巨大的計算能力才可以在云中產生決策。從邊緣搜集的數據將被送至ML系統軟件，在那里將造成一個學習培訓分析的決策模型，隨后將這一實體模型消息推送到互聯網的邊緣。根據這類方法，能夠在全部邊緣設備上開展分析管理決策。在這里實體模型中，邊緣設備將用以搜集，分析與在云間付諸行動，進而提高智能化。

第二種方式 ：假如節點設備向云中的ML系統軟件推送感應器形成的數據，則ML系統軟件將花費很多的時間來傳送和解決數據，以形成分析管理決策。因此，能夠引進智能化機器學習或人工智能技術(AI)集成ic，而節點設備將數據發送至云空間，僅用以儲存目地。使機器學習工作能力在互聯網的邊緣必須較少的數學計算。

邊緣計算和物聯網技術

邊緣計算與機器學習技術性一起為物聯網技術為將來通訊的靈敏性確立了基本。將要發布的5G電信網將為物聯網技術測試用例出示更優秀的互聯網。除開髙速低延遲時間數據傳送外，5G還將出示根據挪動邊緣計算(MEC)的電信網，完成邊緣服務項目和資源的全自動執行和布署。在這次改革中，物聯網技術設備生產商和應用軟件軟件開發工作人員將更為期盼運用邊緣計算和分析。大家將見到大量智能物聯網測試用例及其智能化邊緣設備的提升。