（文章來源：網絡整理）

目前，物聯網已經得到大量部署，邊緣計算在物聯網發展中也蘊含著諸多研究機遇。下面就讓來小編帶大家一起看看。

標準化是一項新技術被成功推廣必不可少的步驟，它記錄了多個參與者之間的共識，并定義了特定行業的自愿特性和規則。標準化有助于將用戶從眾多繁雜瑣碎的概念中抽離出來，使系統中的核心部分得以高效地創新和發展。更重要的是，標準化可以建立用戶對產品、服務和系統的信任，使技術更容易被市場所接受。

為了加速邊緣計算落地，使得邊緣計算可以被公開訪問，必須定義所有相關方的責任、關系和風險。具體來說，需要從擁有邊緣節點的公共和私人組織等傳統利益相關者的角度出發，清晰地表達使用邊緣節點的法律、社會和倫理責任。邊緣設備接入，邊緣計算作為物理世界到數字世界的橋梁。涉及海量終端設備的接入和邊緣節點的管理，是海量實時數據采集、匯聚、集成和處理的第一關卡。由于終端設備來源于不同生產商，有不同的數據接口、數據結構、傳輸協議以及底層平臺，需要統一設備接入標準來應對這些異構的終端設備。

一個良好的框架或計算服務可以大大提高應用開發者的開發效率，從而改善平臺的用戶生態。在傳統的云計算中，現有的編程模型（如MapReduce）為了提高程序員的開發效率，通常隱藏了底層的數據流傳輸、程序并行、任務執行順序等細節。這類高度抽象的編程語言或框架使得云計算平臺的應用開發變得更加高效，但是卻不適用于邊緣計算的場景，因為不同邊緣節點執行的任務通常種類也不同。例如，無人車的車載芯片需要對傳感器的數據進行實時處理；用于公共安全的攝像頭會產生大量的圖像處理請求。

與大型服務器不同，由于硬件資源的限制邊緣設備通常難以支持大型軟件的運行。例如Apache Spark若要獲得較好的運行性能，至少需要8核的CPU和8GB的內存，這對于大部分邊緣節點來說幾乎是不可能實現的。因此，需要針對資源受限的邊緣設備設計輕量級的庫和內核，以使得邊緣節點的性能足以運行一些數據分析工具。此由于邊緣設備、邊緣節點的異構性，還需要設計相應的策略測試這些設備的性能，使其計算資源得到充分發揮。

由于邊緣節點的異構及資源受限的特性，在邊緣節點上部署的系統需要具有快速部署、快速啟動資源隔離等特點。傳統的LXC、KVM、XEN等虛擬化技術不能完全覆蓋所有邊緣設備的底層差異甚至不能應用到所有硬件。目前較為理想的方案是使用Docker的容器技術。容器可以看作一個裝有一組特定應用的虛擬機，它直接利用了宿主機的內核，抽象層比虛擬機更少，更加輕量化，啟動速度更快。將容器作為邊緣節點上的輕量級虛擬化技術的方案目前還處在起步階段。仍需要進行大量的研究。

邊緣計算通過靠近數據源和用戶部署智能化邊緣節點，可提供滿足用戶不同質量需求的可靠服務，特別是能滿足延遲敏感、實時性要求高的服務需求邊緣計算在自動駕駛、5G、VR/AR、內容分發網絡、車聯網、智能物聯網（AIoT）、工業制造等領域都有廣泛應用。

物聯網技術的先驅應用包括家庭控管自動化和家用電子產品領域。目前，市場上已有多種智能家居應用，其范圍從簡單的恒溫傳感器到復雜的自動化系統，如智能照明、清潔和家庭娛樂系統。智能家居產品和應用的多樣化，使得智能家居網絡上產生的數據量越來越大。傳統方式下，由于家庭里往往沒有公網IP地址，要實現對家居設備遠程操控，必須通過云端的輔助來打通內網外網的連接壁壘。用戶通過手機APP便攜管理家居設備，其實是請求云端去修改各設備的狀態信息，云端再將指令下發到對應的智能設備。在這種模式下，所有家居設備的數據均需要上傳至云端進行集中式處理和存儲。在網絡帶寬受限，網絡不穩定的情況下，大量數據傳輸導致的端到端延遲將嚴重影響用戶體驗。

而邊緣計算能給智能家居提供很好的支撐。一方面，邊緣計算可以利用專用可靠的本地服務來處理室內家居應用產生的大量網絡流量，在家庭區內進行智能設備相關任務處理以及相關應用的升級更新，并與云端協同智能高效管理家居設備，提供高可靠、低延遲的服務。另一方面，邊緣計算可以將家庭數據處理推送至家庭內部網關，并增加安全訪問策略，減少家庭數據泄露的風險，提升智慧家庭的安全性。目前，國外主流互聯網廠商紛紛對智能家居領域展開爭奪，推出多款產品。

物聯網技術已經從家庭發展到社區，甚至是城市規模的應用。智能城市中產生的巨大物聯網數據流量可以在網絡邊緣進行理想的處理，從而提供低延遲和位置感知服務，例如，城市中的各個攝像機可以將視頻流傳送到邊緣服務器以進行實時處理和異常檢測。多個邊緣服務器之間的協作則可以用來處理需要按地理分布的數據的應用程序，例如，醫療保健的應用程序需要與來自醫院、藥房、保險、物流和政府等多個領域的實體協作。2018年9月，美國科羅拉多斯普林斯市（Colorado Springs）開始啟用槍擊檢測系統，該系統使用聲學傳感器網絡來檢測槍擊，并在快速確定槍擊位置后通知警方。

隨著車載應用的日益豐富，汽車連接網絡的需求愈發強烈，使其從簡單的出行或運輸工具逐步演變成一個智能互聯的計算系統。為了讓汽車變得更加安全可靠和高效友好，機器視覺及深度學習等技術被廣泛應用于車內的信息系統，比如輔助剎車、防撞系統、車載娛樂系統等。2016年英特爾（Intel）的一份報告顯示，一輛自動駕駛車輛一天產生的數據為4TB，這些數據如果均上傳至云端處理，必然無法滿足車載復雜應用的低延遲需求。因此需要將汽車作為一個邊緣計算節點進行本地計算和存儲，減少延遲。汽車不是一個孤立的個體，車與車、車與道路有著密切聯系。
（責任編輯：fqj）