部署边缘计算和雾计算的挑战在哪里?

边缘和雾计算的实际应用

边缘计算的一个流行应用是城市监控。很多监控摄像头都会出现。例如，孟买有数千台闭路电视摄像机，并计划安装更多。所有这些摄像头都将获得交通录像，这将有助于识别行动不便和犯罪活动。但安全人员几乎不可能全部监控。所以，一个选择是使用计算机视觉和机器学习。

机器学习过程与数据有关。在摄像机监视方面，需要收集和处理来自摄像机的数据来执行各种操作。在带宽要求上，一个摄像机需要3Mbps的速度来传输SD视频，5Mbps的高清视频。一个SD视频一天消耗32GB的数据，这意味着10台摄像机每月将消耗1.7TB的数据。随着摄像机数量的增加，数据的消耗也会进一步增加。

为什么我们需要边缘计算以及它可以在哪里使用

虽然CPU和存储的成本是云计算的一部分，带宽是另一个重要部分。带宽成本不仅仅是将数据推送到云端，还包括服务器和存储空间的成本。

如果您想避免在云中存储大量数据以降低成本的问题，那么最好的方法是在网络边缘处理数据，因为在网络边缘生成数据。

为了使用计算机视觉和机器学习算法来实现这一点的自动化，需要一个系统而不是一个人来处理数据。例如，通过这种方式，来自交通信号灯处摄像机的数据就可以被处理。

边缘计算可用于需要自主性的应用程序（即，在很少或没有人工交互的情况下完成任务），例如自动驾驶汽车和工业4.0。

边缘计算的另一个应用领域是不能容忍延迟的应用程序。例如，医疗和金融事务中，延迟可能是系统故障的一个原因。

云服务器的延迟

对于主要是运动控制的工厂自动化，需要1毫秒的端到端延迟；而对于过程自动化监控，则需要50毫秒的端到端延迟。

对于云服务器，端到端延迟大约需要60毫秒，考虑到单向延迟大约为29毫秒。所以，即使云服务器位于孟买，而你想让你的工厂自动化，比如说，班加罗鲁，也只需要60毫秒。

由于大量设备连接到云端，因此存在延迟。延迟还有一个基于光纤链路运行公里数的物理限制。它不能低于某个阈值，这意味着对于工厂自动化来说，过多的延迟会使得云基础设施根本不起作用。

为了解决这个延迟问题，可以在物联网（IoT）中引入边缘和雾计算。有三条定律可以解释为什么我们需要边缘计算，如下所述。

物理定律，说的是局部行动

经济学定律，它说预处理可以降低成本

土地法，其中规定数据应该存储在本地

根据高德纳（Gartner）的研究，到2022年，50%的企业数据将在传统数据中心和云端之外生成和处理，这一比例从10%左右上升到最近。此外，到2025年，80%的企业将关闭传统数据中心，而2018年这一比例为10%。这表明计算正在向边缘和分布式系统发展。

什么是边缘计算

边缘计算是对云的优化，使计算靠近数据源。这不是近两年出现的新事物，而是三十年前开始的事情。人们逐渐从大型机转向微型计算机（PC）和云计算。随后，计算开始变得更便宜。然后，人们开始意识到，在云上完成的工作也可以在边缘进行，那里的带宽相对较便宜。随着任务关键型应用程序的出现，延迟成为一个问题。

边缘计算是指提供网络的计算能力，以提高应用程序和服务的性能、运行成本和可靠性，而Fog计算是一种分布式计算概念，其中计算和数据存储资源以及应用程序及其数据，位于用户和云之间的最佳位置，以提高性能和冗余。

这些常用术语的一个基本特征是单个节点或计算节点，在这里进行数据处理。它可以称为边节点。基本上有一组节点或多个节点称为雾节点。在边缘计算术语中，雾计算被称为云边缘。

智能监控用例

在一个面积约3.2平方公里的工业城镇部署了一个智能监控系统，用于流动管理和公民安全。最初，有一个由200多个IP摄像机组成的网络通过高速光链路连接起来。所有数据都集中到一个集中的地方，在那里进行数据处理。

在AiKaan实验室部署智能解决方案之前，数据处理是手动完成的。他们想要的是Fog基础设施来支持多个视频分析应用程序。它被要求照顾流动管理（或交通管理）和镇上人民的安全。这就是雾计算发挥巨大作用的地方。它支持中心站的视频分析软件，使供应商更容易运行各种应用程序。

在涉及蒸汽锅炉的另一个使用案例中，蒸汽锅炉供应商希望优化操作并节省高达15%的成本。为了实现这一点，进行了数据采集，随后使用PLC进行了本地处理。

部署边缘和雾计算的挑战

人们在应用边缘和雾计算时面临的一些主要挑战包括：

远程连接和调试，需要识别和连接多个设备

模型、固件和数据升级，因为视频分析需要机器学习模型更新，而一些网关需要固件升级。

由于系统的复杂性和技术障碍，缺乏经过培训的人员来管理设备（Edge和Fog）。
责任编辑：tzh