為了充分利用邊緣計算數據，IT專業人員必須知道如何使用機器學習算法將數據指定為實時或傳統的雲計算流程。

物聯網的覆蓋範圍可以將組織的業務向外擴展到全世界，邊緣計算將與其一起擴展。企業必須了解如何使用邊緣計算進行物聯網數據管理，以跟上數據指數級增長，並增強邊緣計算數據安全性。

與雲計算的增長相比，邊緣計算擴展速度更快，範圍更廣。根據調研機構公司的調查，到明年年底，全球部署的物聯網設備將達到近400億台，因此采用物聯網設備的組織必須建立邊緣計算處理資源。安全性可能是最大的問題，因為物聯網具有較大的攻擊麵，這為黑客提供了一個大好時機，物聯網網絡需要邊緣計算網關來鎖定設備輸出。但邊緣計算的作用包括更多，以滿足對物聯網快速增長的期望。

保護、共享、清洗物聯網數據

邊緣計算服務器的很大一部分負擔是在物聯網和設備所輸入的雲平台之間的管道中堵塞漏洞。在例如流量管理和供應鏈運營等大規模場景中，邊緣計算處理可以涉及將物聯網數據動態路由到多個雲平台，其中包括共享數據的夥伴組織的雲平台。

物聯網數據也必須具有更多的價值。物聯網設備在其功能的任何領域都不符合通用標準，包括安全性、協議和容錯性。物聯網硬件的使用年限可以延長到20年，這會增加很多數據幹擾。邊緣計算服務器也很難處理數據幹擾。

實時響應和決策支持會導致更大的問題

安全和數據路由是主要挑戰，但物聯網數據管理現在麵臨更大的挑戰：物聯網網絡需要立即響應或實時決策支持，例如在工廠中斷或交通係統中遇到障礙時。

在這種越來越常規的場景中，沒有時間往返於雲計算來處理數據、分析問題並返回結果。物聯網技術必須在幾秒鍾內收到響應，而不是幾小時或幾分鍾。

這兩種情況都需要動態響應。這項技術需要補償和響應物理環境中的某些變化，如溫度突然變化或設備出現故障警告，或者根據意外中斷（如涉及貨運的交通事故）改變複雜的工作流程。觸發響應的事件可能需要采取行動，幹預的閾值本身可能是動態的。這是人工智能發揮作用的地方。

當沒有時間或沒有機會讓工作人員參與時，人工智能算法是處理需要動態響應的場景的最佳方法。物聯網本身必須是一個智能係統，能夠即時做出決策，它需要真正工作和生活在邊緣。

邊緣計算結構意味著需要解析物聯網數據，不僅僅是通過家庭雲的內容以及B2B合作夥伴的雲平台，而是通過實時流程和更傳統流程需要的數據。根據定義，需要立即將瞬時數據過濾到這些進程中。批處理數據可以存儲在臨時存儲設備，並在空閑時傳送到雲端。

在邊緣變得更好

最佳實踐包括兩項關鍵創新。物聯網數據管理任務（包括管理數據傳輸）應該在邊緣計算而不是雲端進行。物聯網通常包含附加到現有集中式技術的新架構，因此采用自上而下的方法來管理邊緣計算收集的新數據是很誘人的。雲計算係統不再是集中式端點，它們是眾多目標中的一個。物聯網技術在邊緣計算執行大量閉環過程。從收集它的服務器管理數據更有意義，特別是當它的路由和應用程序都是動態的時候。

在企業軟件行業開發交鑰匙技術之前，最經濟有效的數據管理方式是通過定製管道和微服務，這些管道和微服務可以在分散的流程中輕鬆維護和擴展。為數據流量分析創建儀表板非常簡單，Python是實現的一個絕佳選擇。

把模型和機器學習放在雲端。如果特定物聯網實現的目標是物理環境中的實時響應或實時決策支持，最好的方法是將分析和人工智能與物聯網技術分離。讓模型和機器學習過程保持在雲端。隨著模型的變化，用於生成物聯網分析的算法將依次更新。這需要一些額外的工作，但比在邊緣計算部署機器學習要少得多，因為在邊緣計算部署機器學習將更難維護。

如今，尚未推出相關的行業標準，但由於安全性是大多數組織在邊緣計算服務器部署中麵臨的直接問題，因此通常是維護IT基礎設施的人員。他們應該參與任何情況，但對物聯網數據管理和邊緣計算流程的支持需要包括數據架構師和企業解決方案架構師。如果沒有非常有效的數據建模和針對其進行優化的強大工作流程，則無法進行路由和實時處理。

返回列表