3.7 边缘计算

设想一下，未来数十亿台设备同步在线，数据处理的速度与可靠性将直接决定用户体验的好坏。过去几年，云计算的集中式架构虽然具备高性价比和灵活扩展的优势，但物联网与移动设备的爆发式增长，已让网络带宽承受巨大压力。关键在于，并非所有智能设备都必须将数据上传至云端才能运行——在某些场景中，这种往返传输完全可以避免。于是，边缘计算应运而生。

图3-24 物联网、边缘计算和云计算之间的联系

所谓边缘计算，简单来说就是在数据产生的源头附近进行本地处理，而不是将所有数据都发送到远端的云端。这个“边缘”可能位于设备内部，也可能就在设备周围几米远的地方。市场数据也印证了这一趋势：预计到2022年，全球边缘计算市场规模将达到67.2亿美元。尽管它仍属于新兴领域，但在某些应用场景中，边缘计算的效率已明显优于传统云计算。

边缘计算的核心价值在于：它让数据在最近端——例如电动机、泵、发电机或其他设备的传感器中——直接完成处理，从而省去了在云端与终端之间反复传输的繁琐过程。难怪有人将边缘计算形容为“由微型数据中心组成的网状网络”，这些节点可以在本地处理或存储关键数据，再将必要的信息推送至中央数据中心或云存储库，覆盖范围通常不到10平方米。

举一个例子就能清晰理解。一辆无人驾驶汽车搭载了大量传感器，能够实时提供发动机运行状态信息。在边缘计算架构下，传感器数据完全不需要传输到车上的数据中心或云端，就能在本地点判断发动机运转是否异常。这种本地化处理方式大幅减轻了网络负载。当送往云端的数据量减少时，延迟和交互瓶颈自然也会随之降低。

当然，这也意味着基于边缘计算的硬件需要承担更多任务：传感器负责采集数据，而CPU或GPU则负责在设备端完成数据处理与分析。

随着边缘计算的兴起，另一个概念也值得关注——雾计算（Fog Computing）。两者的区别在于：边缘计算特指在网络“边缘”或附近执行的计算过程，而雾计算则是指边缘设备与云端之间的网络连接。换句话说，雾计算是将云服务拉近到网络边缘附近。正如OpenFog联盟所述：“雾计算总是使用边缘计算，但边缘计算不一定使用雾计算。”

回到无人驾驶场景：传感器能够收集数据，但有时并不需要立即对数据做出响应。例如，车辆工程师希望了解车轴和刹车系统的运行状况，那么可以利用历史累计的传感器数据预测零部件是否需要维修或更换。这种情况下，数据处理采用的是边缘计算，但不需要即时响应（与判断引擎状态不同）。而雾计算则允许在特定时间点进行短期分析，无需将数据完全返回中央云。

图3-25 云计算、雾计算与边缘计算

关于边缘计算的讨论，往往忽略了它究竟包含多少种类型。实际上，边缘计算的基本驱动因素以及各种形态都需要重点关注。由于边缘计算本质上是一种“接近事物、数据和行动源头”的计算方式，因此可以用一个更通用的术语来概括：邻近计算（Proximity Computing）。当我们需要对周围发生的事件及时响应以获取良好用户体验时，这类事件的数量通常非常庞大，所以需要将复杂系统编排为“感知、处理、行动”（Sensing-Processing-Acting，SPA）循环。SPA的总成本由本地处理成本、远程处理成本、网络连接成本以及远程系统管理成本共同决定。

在讨论最佳邻近计算时，需要考虑三种主要的“边缘”类型：个人边缘（Personal Edge）、业务边缘（Business Edge）和云边缘（Cloudy Edge）。这三种边缘将SPA部署到不同的环境中，各自应对一系列不同的需求，以实现最优的自动响应。